Detección automatizada de engaños investigadores de la Universidad de Tokio utilizan expresiones faciales y ritmos cardíacos para desenmascarar el engaño a través del aprendizaje automático

Detección automatizada de engaños mediante expresiones faciales y ritmos cardíacos en la Universidad de Tokio.

En la era digital, los sistemas automatizados de detección de engaños se han vuelto vitales en diversos campos. La demanda de detección precisa es evidente en el comercio, la medicina, la educación, la aplicación de la ley y la seguridad nacional. Las limitaciones de los entrevistadores humanos plantean riesgos de acusaciones falsas y detección ineficaz. Para abordar estos desafíos, los investigadores de la Universidad de Ciencia de Tokio proponen un enfoque de aprendizaje automático que combina expresiones faciales y datos de frecuencia cardíaca para una detección integral de engaños. El objetivo es desarrollar un sistema justo y confiable que pueda ayudar en entrevistas con víctimas de delitos, sospechosos e individuos con problemas de salud mental. Los investigadores enfatizan la importancia de una clasificación precisa de los sospechosos para evitar identificaciones erróneas y para mantener consideraciones éticas y legales; sugieren un enfoque humano en el proceso. Este método innovador garantiza el cumplimiento ético al permitir aplicaciones generalizadas en procesos de toma de decisiones cruciales.

En trabajos relacionados, estudios anteriores han explorado la detección de engaños utilizando varios métodos. Un estudio desarrolló un “motor de análisis y razonamiento de engaños”, empleando información multimodal de videos para detectar el engaño con un área bajo la curva (AUC) de aproximadamente 87%. Otro estudio se centró en identificar diferencias en la valencia y la excitación entre oradores veraces y engañosos, logrando un AUC del 91% utilizando características emocionales, visuales, auditivas y verbales. El AUC es una métrica comúnmente utilizada en tareas de clasificación binaria como la detección de engaños. Además, se utilizó un enfoque de aprendizaje automático para detectar el engaño basado en el comportamiento no verbal (NVB), logrando una precisión de aproximadamente el 80% al identificar señales como micro-movimientos faciales, cambios en la mirada y frecuencia de parpadeo. Sin embargo, se observaron limitaciones en algunos de estos estudios debido a enfoques de juego de roles no naturales para la recopilación de datos.

En contraste con los métodos tradicionales, este estudio innovador introduce un enfoque natural en el que los sujetos improvisan libremente comportamientos engañosos para mejorar la precisión en la detección de engaños. El método propuesto utiliza el aprendizaje automático, específicamente la técnica de Random Forest (RF), para crear un modelo de detección de engaños que integra expresiones faciales y datos de frecuencia cardíaca. Se recopilaron datos de cuatro estudiantes de posgrado masculinos que discutieron imágenes al azar mientras hacían declaraciones engañosas. Las expresiones faciales se registraron utilizando una cámara web y las frecuencias cardíacas se midieron utilizando un reloj inteligente durante las entrevistas.

El proceso implica pasos estándar de aprendizaje automático, que incluyen la recopilación de datos, etiquetado, extracción de características, preprocesamiento y clasificación. A los sujetos se les mostraron diversas imágenes y se les alentó a expresar sus pensamientos, incluidas declaraciones engañosas. El conjunto de datos resultante se etiquetó según las intenciones de los sujetos, centrándose específicamente en el engaño intencional en lugar de errores o falsos recuerdos. Se extrajeron puntos de referencia faciales de los videos grabados utilizando la biblioteca OpenFace, y se derivaron varias características faciales, como la inclinación de las cejas, la relación de aspecto de los ojos, el área de la boca, la frecuencia de parpadeo, la mirada, la inclinación de la cabeza y la frecuencia cardíaca, a partir de estos puntos de referencia. El preprocesamiento implicó eliminar valores faltantes, filtrar valores atípicos y aplicar submuestreo para equilibrar los casos positivos y negativos.

https://link.springer.com/article/10.1007/s10015-023-00869-9

El Random Forest (RF) se entrenó y evaluó utilizando validación cruzada de 10 pliegues, utilizando métricas de rendimiento como precisión, recuperación y puntuación F1 para evaluar su efectividad. Sorprendentemente, los experimentos realizados con entrevistas de trabajo a distancia reales demostraron un rendimiento similar a los resultados de la validación cruzada, lo que confirma la aplicabilidad del método en el mundo real. El análisis de la importancia de las características destacó características faciales específicas, frecuencia cardíaca y movimientos de mirada e inclinación de cabeza como indicadores significativos de engaño en diferentes sujetos. Por ejemplo, los cambios en el área de la boca, el silencio y el parpadeo indicaron comportamiento engañoso en algunos casos, mientras que otros mostraron variaciones notables en la frecuencia cardíaca y la dirección de la mirada durante el engaño.

En general, esta investigación proporciona un enfoque práctico y prometedor para detectar declaraciones engañosas en entrevistas remotas utilizando aprendizaje automático y análisis de características faciales, ofreciendo ideas valiosas para aplicaciones en el mundo real. El método propuesto, que elimina el sesgo humano, demostró una precisión y puntuaciones F1 prometedoras entre 0.75 y 0.88 para diferentes sujetos. Se observaron características comunes relacionadas con las expresiones faciales y la frecuencia cardíaca durante el engaño entre los sujetos. Sin embargo, se necesitan más estudios para manejar la clasificación multiclase e incluir evaluaciones psicológicas para un análisis más completo. A pesar de las limitaciones en el tamaño del conjunto de datos, esta investigación ofrece una base para los entrevistadores interesados en utilizar sistemas automáticos de detección de engaños, enfatizando la importancia de consideraciones éticas y el cumplimiento legal en su aplicación.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

Inteligencia Artificial

El Arte de la Ingeniería de Respuesta Rápida Decodificando ChatGPT

Dominar los principios y prácticas de interacción de la IA con el curso de OpenAI y DeepLearning.AI.

Inteligencia Artificial

El año en que la inteligencia artificial se comió internet

Llamemos al 2023 el año en que muchos aprendimos a comunicarnos, crear, engañar y colaborar con robots.

Inteligencia Artificial

Herramientas de IA principales para podcasting (2023)

Pódium Una tecnología impulsada por IA llamada Pódium tiene como objetivo acelerar significativamente la postproducci...

Ciencia de Datos

Después de Twitter

Nuevas aplicaciones sociales surgen para desafiar a la problemática Twitter.

Inteligencia Artificial

¡Atención Industria del Gaming! No más espejos extraños con Mirror-NeRF

Las NeRF o Campos de Radiancia Neurales utilizan una combinación de RNN y CNN para capturar las características físic...

Inteligencia Artificial

AI vence a los detectives humanos al encontrar imágenes problemáticas en documentos de investigación

Un estudio realizado por el biólogo independiente del Reino Unido, Sholto David, encontró que la inteligencia artific...