Please use this identifier to cite or link to this item:
http://hdl.handle.net/10773/31348
Title: | Analysis of eyewitness testimony using electroencephalogram signals |
Other Titles: | Análise do testemunho ocular utilizando sinais de eletroencefalograma |
Author: | Mendes, Bruno Miguel Vilela |
Advisor: | Tomé, Ana Maria Perfeito Ferreira, Pedro João Bem-Haja Gabriel |
Keywords: | Eyewitness Face recognition BCI EEG Feature extraction Supervised machine learning SVM SVM-RFE ANOVA |
Defense Date: | 22-Feb-2021 |
Abstract: | The application of Brain Computer Interfaces techniques to vital crime witnesses
could and probably will be a key feature in the justice system.
Features from the electroencephalogram signals were extracted with information
detailing their domain (time or frequency), and their spacial scalp and
time placement. For both domains, two different classification pipelines were
applied in order to select the most relevant features: one to rank and select
the top features and another to recursively eliminate the least relevant feature.
The Support Vector Machine (linear and non-linear) is the classification model
included in the pipeline.
Further observations on the selected features by the applied techniques were
performed and discussed in relation to the available knowledge about face
recognition.
The present work provides an experimental study on the electroencephalogram
signals acquired from an experiment in which an array of subjects were
asked to identify both culprit and distractor being the culprit related to a previously
shown crime scene video. A aplicação de técnicas de Interfaces Cérebro-Computador a testemunhas vitais de um crime pode e provavelmente será uma funcionalidade chave no sistema de justiça. Características de sinais provenientes de eletroencefalograma foram extraídas com informações sobre o seu domínio (tempo ou frequência), e a sua localização espacial e temporal. Para ambos os domínios, dois modelos de classificação diferentes foram aplicados com vista a selecionar as características mais relevantes: um para classificar, ordenar e selecionar as características mais importantes e outro para eliminar recursivamente a característica menos relevante. O modelo utilizado para classificação foi o Support Vector Machine (linear e não linear). Outras observações sobre as características selecionadas pelas técnicas aplicadas foram realizadas e discutidas tendo em conta o conhecimento disponível sobre reconhecimento facial. O presente trabalho fornece um estudo experimental sobre os sinais de eletroencefalograma adquiridos numa experiência na qual foi pedido a um grupo de indivíduos para identificar tanto culpado como distrator, sendo que o culpado estava relacionado a um vídeo de cenário de crime mostrado anteriormente. |
URI: | http://hdl.handle.net/10773/31348 |
Appears in Collections: | UA - Dissertações de mestrado DETI - Dissertações de mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Documento_Bruno_Vilela_Mendes.pdf | 8.69 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.