Rilevazione automatica dell’inganno i ricercatori dell’Università di Tokyo utilizzano espressioni facciali e frequenza cardiaca per smascherare l’inganno attraverso l’apprendimento automatico

Per rilevare l'inganno, i ricercatori dell'Università di Tokyo utilizzano espressioni facciali e frequenza cardiaca mediante l'apprendimento automatico.

Nell’era digitale, i sistemi di rilevazione automatica dell’inganno sono diventati vitali in vari campi. La richiesta di un rilevamento accurato è evidente nel commercio, nella medicina, nell’educazione, nell’applicazione della legge e nella sicurezza nazionale. Le limitazioni degli intervistatori umani comportano rischi di false accuse e di rilevazione inefficace. Per affrontare queste sfide, i ricercatori dell’Università di Tokyo propongono un approccio di apprendimento automatico che combina espressioni facciali e dati sulla frequenza cardiaca per un rilevamento completo dell’inganno. L’obiettivo è sviluppare un sistema equo e affidabile che possa assistere nelle interviste con vittime di crimini, sospetti e individui con problemi di salute mentale. I ricercatori sottolineano l’importanza di una classificazione precisa dei sospetti per evitare errori di identificazione e per rispettare considerazioni etiche e legali; suggeriscono un approccio umano-in-the-loop. Questo metodo innovativo garantisce il rispetto delle norme etiche consentendo al contempo applicazioni diffuse nei processi decisionali cruciali.

In lavori correlati, studi precedenti hanno esplorato il rilevamento dell’inganno utilizzando vari metodi. Uno studio ha sviluppato un “motore di analisi e ragionamento dell’inganno”, utilizzando informazioni multimodali dai video per rilevare l’inganno con un’area sotto la curva (AUC) di circa l’87%. Un altro studio si è concentrato sull’identificazione delle differenze nelle valenze e nell’eccitazione tra oratori veritieri e ingannevoli, raggiungendo un’area sotto la curva (AUC) del 91% utilizzando caratteristiche emotive, visive, audio e verbali. L’area sotto la curva (AUC) è una metrica comunemente utilizzata nelle attività di classificazione binaria come il rilevamento dell’inganno. Inoltre, è stato utilizzato un approccio di apprendimento automatico per rilevare l’inganno basato sul comportamento non verbale (NVB), raggiungendo un’accuratezza di circa l’80% identificando segnali come micro-movimenti facciali, cambiamenti dello sguardo e frequenza di occhiolino. Tuttavia, sono state osservate limitazioni in alcuni di questi studi a causa di approcci di gioco di ruolo non naturali per la raccolta dei dati.

In contrasto con i metodi tradizionali, questo studio innovativo introduce un approccio naturale in cui i soggetti improvvisano liberamente comportamenti ingannevoli per migliorare l’accuratezza del rilevamento dell’inganno. Il metodo proposto utilizza l’apprendimento automatico, in particolare la tecnica Random Forest (RF), per creare un modello di rilevamento dell’inganno che integra espressioni facciali e dati sulla frequenza cardiaca. I dati sono stati raccolti da quattro studenti maschi laureati che discutevano di immagini casuali mentre facevano affermazioni ingannevoli. Le espressioni facciali sono state registrate utilizzando una webcam, e le frequenze cardiache sono state misurate utilizzando un smartwatch durante le interviste.

• Lab Sessions Una nuova serie di collaborazioni sperimentali di intelligenza artificiale
• Llama distribuito 2 su CPU
• Questa disinformazione è solo per te

Il processo prevede le normali fasi dell’apprendimento automatico, tra cui la raccolta dei dati, l’etichettatura, l’estrazione delle caratteristiche, la preelaborazione e la classificazione. Ai soggetti sono state mostrate varie immagini e sono stati incoraggiati a esprimere i loro pensieri, comprese affermazioni ingannevoli. Il dataset risultante è stato etichettato in base alle intenzioni dei soggetti, concentrandosi specificamente sull’inganno intenzionale anziché sugli errori o sulla falsa memoria. I punti di riferimento facciali dai video registrati sono stati estratti utilizzando la libreria OpenFace, e varie caratteristiche facciali, come l’inclinazione delle sopracciglia, il rapporto di aspetto degli occhi, l’area della bocca, la frequenza di occhiolino, lo sguardo, l’inclinazione della testa e la frequenza cardiaca, sono state derivate da questi punti di riferimento. La preelaborazione ha comportato la rimozione dei valori mancanti, il filtraggio dei valori anomali e l’applicazione del sottocampionamento per bilanciare i casi positivi e negativi.

La Random Forest (RF) è stata addestrata e valutata utilizzando una cross-validazione a 10 fold, con indicatori di prestazioni come accuratezza, precisione, richiamo e punteggio F1 utilizzati per valutarne l’efficacia. In modo notevole, gli esperimenti condotti con vere interviste di lavoro a distanza hanno dimostrato una performance simile ai risultati della cross-validazione, confermando l’applicabilità del metodo nel mondo reale. L’analisi dell’importanza delle caratteristiche ha evidenziato specifiche caratteristiche facciali, la frequenza cardiaca e i movimenti dello sguardo e della testa come indicatori significativi dell’inganno tra soggetti diversi. Ad esempio, i cambiamenti nell’area della bocca, il silenzio e il lampeggiamento indicavano comportamenti ingannevoli in alcuni casi, mentre altri mostravano variazioni rilevanti nella frequenza cardiaca e nella direzione dello sguardo durante l’inganno.

Nel complesso, questa ricerca offre un approccio pratico e promettente per rilevare affermazioni ingannevoli nelle interviste a distanza utilizzando l’apprendimento automatico e l’analisi delle caratteristiche facciali, offrendo preziose intuizioni per applicazioni nel mondo reale. Il metodo proposto, che elimina il pregiudizio umano, ha dimostrato accuratezza e punteggi F1 promettenti compresi tra lo 0,75 e lo 0,88 per soggetti diversi. Tra i soggetti sono state osservate caratteristiche comuni legate alle espressioni facciali e alla frequenza cardiaca durante l’inganno. Tuttavia, sono necessari ulteriori studi per gestire la classificazione multiclasse e includere valutazioni psicologiche per un’analisi più completa. Nonostante le limitazioni nella dimensione del dataset, questa ricerca offre una base per gli intervistatori interessati a utilizzare sistemi automatici di rilevazione dell’inganno, sottolineando l’importanza delle considerazioni etiche e della conformità legale nella loro applicazione.