东京理科大学的研究人员最近在《Artificial Life and Robotics》杂志上发表了一项研究，探讨了机器学习如何帮助检测谎言。这项名为“利用面部表情和脉率进行欺骗检测的机器学习”的研究由Kento Tsuchiya、Ryo Hatano和Hiroyuki Nishiyama撰写。
机器学习是人工智能（AI）的一个子集，涉及使用算法和统计模型使计算机能够从经验中学习和改进，而无需明确地编程。换句话说，这是一种通过学习数据、模式和示例来教计算机执行特定任务的方法，而不是依靠预定义的规则。
在各种情况下，检测欺骗行为都可能很重要，比如询问犯罪受害者或嫌疑人，以及对患有心理问题的患者进行访谈。有时，人类面试官可能难以提出正确的问题或准确地发现欺骗行为。
为了解决这些挑战，研究人员试图开发一个利用机器学习的自动化测谎系统。目标是创建一个公正准确的系统，帮助受访者说出真相，同时正确识别真正的嫌疑人，避免错误地指控无辜之人。该研究团队由Kento Tsuchiya、Ryo Hatand和Hiroyuki Nishiyama组成，他们专注于利用面部表情和脉率来识别欺骗。
在他们的研究中，他们收集了四名男性研究生的数据。与使用人工面试情境不同，他们采用了更自然的方法。受试者被展示随机图像，并被要求自由谈论这些图像，并在其中进行欺骗性陈述。
在这些面试期间，研究人员使用网络摄像头记录受试者的面部表情，使用智能手表测量他们的脉率。受试者被指示在讲话时欺骗面试官。每个会话结束后，受试者自己识别出哪些录制的视频部分包含欺骗性陈述。
研究人员采用了一种称为随机森林（Random Forest，RF）的机器学习技术来构建欺骗检测模型。他们使用了收集到的所有数据，包括面部表情和脉率，来创建用于训练机器学习模型的数据集。
为了评估模型的性能，他们使用了一种称为10折交叉验证的技术。这涉及将数据集分成十个部分，使用九个部分进行训练，一个部分进行测试。这个过程重复进行十次，并计算平均性能指标，包括准确率、精确率、召回率和F1分数（一种平衡精确率和召回率的性能指标）。
研究结果显示，欺骗检测模型表现出有希望的性能。每个受试者的准确率和F1分数在75%到80%之间，最高准确率约为87%。机器用于检测欺骗的一些常见线索包括脉率的变化、凝视运动以及眼睛和嘴周围的特定面部区域。
研究人员认为，他们的机器学习方法可能是检测人类互动中欺骗的有价值工具。然而，他们指出，“为了使用我们的方法获得统计上严格的结果，我们基本上需要数千个录制的视频和更丰富的传感器数据，这需要大量的受试者，他们可能具有不同的文化背景和神经发育状态，但这对我们来说是困难的。因此，我们将注意力限制在几个受试者上，以案例研究的方式提供一些分析，这是基于我们在现有文献中提出的方法范围。”
由于难以获得大规模多样化的数据集，研究人员不得不使用有限的资源进行研究。这种限制可能会影响他们的研究结果的总体强度，并限制他们分析的范围。换句话说，他们需要大量真人的详细数据来开发一个准确的欺骗检测系统。由于难以获得大规模多样化的数据集，他们只能对少数参与者进行小规模研究。这限制了他们的分析，但仍为未来的研究奠定了一些有用的基础。