Détection automatisée de la tromperie des chercheurs de l’Université de Tokyo utilisent les expressions faciales et les pulsations cardiaques pour démasquer la tromperie grâce à l’apprentissage automatique

Les chercheurs de l'Université de Tokyo utilisent les expressions faciales et les pulsations cardiaques pour détecter automatiquement la tromperie grâce à l'apprentissage automatique.

A l’ère numérique, les systèmes de détection automatisée de la tromperie sont devenus essentiels dans divers domaines. La demande de détection précise est évidente dans le commerce, la médecine, l’éducation, les forces de l’ordre et la sécurité nationale. Les limites des intervieweurs humains présentent des risques de fausses accusations et de détection inefficace. Pour relever ces défis, les chercheurs de l’Université de Tokyo ont proposé une approche d’apprentissage automatique qui combine les expressions faciales et les données du rythme cardiaque pour une détection complète de la tromperie. L’objectif est de développer un système équitable et fiable qui peut aider lors des entretiens avec les victimes de crimes, les suspects et les personnes souffrant de problèmes de santé mentale. Les chercheurs soulignent l’importance d’une classification précise des suspects pour éviter les erreurs d’identification et respecter les considérations éthiques et légales ; ils suggèrent une approche de collaboration homme-machine. Cette méthode innovante garantit la conformité éthique tout en permettant des applications étendues dans les processus de prise de décision cruciaux.

Dans des travaux connexes, des études antérieures ont exploré la détection de la tromperie en utilisant différentes méthodes. Une étude a développé un “moteur d’analyse et de raisonnement de la tromperie”, utilisant des informations multimodales provenant de vidéos pour détecter la tromperie avec une AUC d’environ 87 %. Une autre étude s’est concentrée sur l’identification des différences de valences et d’excitation entre les orateurs sincères et trompeurs, atteignant une AUC de 91 % en utilisant des caractéristiques émotionnelles, visuelles, audio et verbales. L’AUC est une mesure couramment utilisée dans les tâches de classification binaire comme la détection de la tromperie. De plus, une approche d’apprentissage automatique a été utilisée pour détecter la tromperie basée sur le comportement non verbal (NVB), atteignant une précision d’environ 80 % en identifiant des indices tels que les micro-mouvements faciaux, les changements de regard et la fréquence des clignements des yeux. Cependant, des limites ont été observées dans certaines de ces études en raison d’approches de jeu de rôle artificielles pour la collecte de données.

Contrairement aux méthodes traditionnelles, cette étude innovante propose une approche naturelle où les sujets improvisent librement des comportements trompeurs pour améliorer la précision de la détection de la tromperie. La méthode proposée utilise l’apprentissage automatique, plus précisément la technique de la forêt aléatoire (Random Forest, RF), pour créer un modèle de détection de la tromperie qui intègre les expressions faciales et les données du rythme cardiaque. Les données ont été collectées auprès de quatre étudiants diplômés masculins discutant d’images aléatoires tout en faisant des déclarations trompeuses. Les expressions faciales ont été enregistrées à l’aide d’une caméra web, et les rythmes cardiaques ont été mesurés à l’aide d’une montre connectée pendant les entretiens.

Le processus comprend les étapes standard de l’apprentissage automatique, notamment la collecte de données, l’étiquetage, l’extraction des caractéristiques, le prétraitement et la classification. Les sujets ont été montrés différentes images et encouragés à exprimer leurs pensées, y compris des déclarations trompeuses. L’ensemble de données résultant a été étiqueté en fonction des intentions des sujets, en se concentrant spécifiquement sur la tromperie intentionnelle plutôt que sur les erreurs ou la fausse mémoire. Les repères faciaux des vidéos enregistrées ont été extraits à l’aide de la bibliothèque OpenFace, et diverses caractéristiques faciales, telles que l’inclinaison des sourcils, le rapport d’aspect des yeux, la surface de la bouche, la fréquence des clignements des yeux, le regard, l’inclinaison de la tête et le rythme cardiaque, ont été dérivées de ces repères. Le prétraitement a consisté à supprimer les valeurs manquantes, à filtrer les valeurs aberrantes et à appliquer un sous-échantillonnage pour équilibrer les cas positifs et négatifs.

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

La forêt aléatoire (RF) a été entraînée et évaluée à l’aide d’une validation croisée à 10 plis, avec des métriques de performance telles que l’exactitude, la précision, le rappel et le score F1 utilisées pour évaluer son efficacité. De manière remarquable, des expériences menées lors d’entretiens d’emploi à distance réels ont montré des performances similaires aux résultats de la validation croisée, confirmant l’applicabilité réelle de la méthode. L’analyse de l’importance des caractéristiques a mis en évidence des caractéristiques faciales spécifiques, le rythme cardiaque, ainsi que le regard et les mouvements de la tête comme des indicateurs significatifs de la tromperie chez différents sujets. Par exemple, des changements dans la zone de la bouche, le silence et les clignements des yeux ont indiqué un comportement trompeur dans certains cas, tandis que d’autres ont montré des variations notables du rythme cardiaque et de la direction du regard lors de la tromperie.

Globalement, cette recherche propose une approche pratique et prometteuse pour détecter les déclarations trompeuses lors d’entretiens à distance en utilisant l’apprentissage automatique et l’analyse des caractéristiques faciales, offrant des informations précieuses pour des applications réelles. La méthode proposée, qui élimine les biais humains, a démontré une précision prometteuse et des scores F1 compris entre 0,75 et 0,88 pour différents sujets. Des caractéristiques communes liées aux expressions faciales et au rythme cardiaque lors de la tromperie ont été observées chez les sujets. Cependant, des études supplémentaires sont nécessaires pour gérer la classification multi-classes et inclure des évaluations psychologiques pour une analyse plus complète. Malgré les limitations de la taille de l’ensemble de données, cette recherche offre une base pour les intervieweurs intéressés par l’utilisation de systèmes automatiques de détection de la tromperie tout en soulignant l’importance des considérations éthiques et de la conformité légale dans leur application.

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

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

AI

L'instance Amazon EC2 DL2q pour une inférence d'IA à haute performance et économique est maintenant disponible

Ceci est un article invité d'A.K Roy de Qualcomm AI. Les instances DL2q d'Amazon Elastic Compute Cloud (Amazon EC2), ...

AI

Les meilleurs générateurs de contenu AI (2023)

La création de contenu écrit a connu un changement radical grâce à l’intelligence artificielle (IA). Un nombre ...

Actualités sur l'IA

Transformez vos images avec l'IA 'Generative Recolor' d'Adobe Illustrator

Adobe, la célèbre entreprise de logiciels de conception, a annoncé une nouvelle qui renforcera les capacités des desi...

AI

Meilleurs outils pour enregistrer et gérer les modèles d'apprentissage automatique

En apprentissage automatique, le suivi des expériences enregistre toutes les métadonnées des expériences en un seul e...

AI

Les robots sous-marins pourraient ouvrir la voie à un avenir high-tech pour l'exploitation minière en eaux profondes.

Renée Grogan, développeuse de solutions minières chez Impossible Metals, envisage des robots sous-marins comme étant ...