НАУКА и ОБРАЗОВАНИЕ

Файл статьи: SE-BMSTU...o243.Pdf (993.42Кб)

УДК 51.76

Россия,  МГТУ им. Н.Э. Баумана

Рассмотрена задача установления значимости для исследуемого субъекта задаваемых ему вопросов при проведении судебно-психофизиологической экспертизы с применением полиграфа,  с помощью  методов  математической статистики. Предложен алгоритм классификации на основе логистической регрессии как оптимального байесовского классификатора, учитывающий весовые коэффициенты информативности для регистрируемых полиграфом физиологических параметров без условия независимости измеряемых признаков.
Собственно бинарная классификация выполнена по результатам экспертизы на полиграфе  с предварительной нормализацией и стандартизацией первичных результатов, с проверкой гипотезы о нормальности  распределения полученных данных, а также вычислением  коэффициентов линейной регрессии между входными величинами и откликами методом максимального правдоподобия. В дальнейшем логистическая кривая разделяла признаки на два класса типа "значимый" и "незначимый".
Эффективность модели оценена с помощью ROC-анализа (Receiver Operator Characteristics) и показано, что  необходимая минимальная выборка должна содержать результаты не менее 45 измерений. При соблюдении методик тестирования и достаточной квалификации эксперта-полиграфолога, данный подход обеспечивает достоверный результат.

1. Холодный Ю.И., Парфенов А.А. Оценка результатов судебно-психофизиологической экспертизы с применением полиграфа // Межд. науч.-практ. конф. «Актуальные проблемы расследования преступлений» (ИПК СК РФ, Москва, 23.05.2013 г.). М.: Изд-во ООО «Буки Веди», 2013. С. 383-388.
2. Оглоблин С.И., Молчанов А.Ю. Инструментальная «детекция лжи»: академический курс. Ярославль: Нюанс, 2004. С. 353-354.
3. Hosmer D.W., Lemeshow S. Applied Logistic Regression. 2^nd ed. N.Y.: John Wiley & Sons, Inc., 2000. P. 34.
4. Mitchell T.M. Ch. 6. Bayesian Learning // In book: Machine Learning. McGraw-Hill Science/Engineering/Math, 1997. P. 154-200.
5. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. 2nd ed. Springer New York, 2009. P. 119-128; P. 210-211. DOI:10.1007/978-0-387-84858-7
6. Peduzzi P., Concato J., Kemper E., Holford T.R., Feinstein A.R. A simulation study of the number of events per variable in logistic regression analysis // Journal of Clinical Epidemiology.1996. Vol. 49, iss. 12. P. 1373-1379. DOI: 10.1016/S0895-4356(96)00236-3
7. Long J.S. Regression Models for categorical and limited dependent variables. Thousand Oaks, CA: Sage Publications, 1996. P. 65.
8. The Polygraph and Lie Detection / Committee to Review the Scientific Evidence on the Polygraph; Cognitive, and Sensory Sciences Board on Behavioral; Committee on National Statistics; Division of Behavioral and Social Sciences and Education; National Research Council. The National Academies Press, 2003. P. 300-322.
9. Hosmer D.W., Lemeshow S. Applied Logistic Regression. 2^nd ed. N.Y.: John Wiley & Sons, Inc., 2000. P. 164.
10. Machin D., Campbell M.J., Walters S.J. Medicial Statistics. 4^th ed. N.Y.: John Wiley & Sons, Inc., 2007. 331 p.
11. Schölkopf B., Smola A.J. Learning with Kernels. Support Vector Machines, Regularization, Optimization, and Beyond. MIT Press, Cambridge, MA, 2002. 626 p.
12. Смирнов Н.В., Дунин-Барковский И.В. Курс теории вероятностей и математической статистики. М.: Наука, 1965. 512 с.
13. Горяинова Е.Р., Слепнева Т.И. Методы бинарной классификации объектов с номинальными показателями // Журнал Новой Экономической Ассоциации. 2012. №2. С. 27-49.