CN110033778A - 一种说谎状态实时识别修正系统 - Google Patents

Abstract

本发明涉及一种说谎状态实时识别修正系统，包括语音输入模块、样本分类模块、语意识别模块、说谎状态识别模块、语音字典、标识模块、修正模块和输出模块；所述语音输入模块用于采集语音信号；所述样本分类模块通讯连接在语音输入模块上；所述语意识别模块通讯连接在样本分类模块上；所述说谎状态识别模块通讯连接在样本分类模块上；所述语音字典通讯连接在语意识别模块和说谎状态识别模块之间；所述标识模块分别通讯连接在语意识别模块和说谎状态识别模块上；所述修正模块分别通讯连接在标识模块和语音字典上；所述输出模块通讯连接在修正模块上，其能够识别和标识话语的可信度等级，并修正及产生新的问题，实效性强，获取的信息准确。

Description

一种说谎状态实时识别修正系统

技术领域

本发明涉及语音及说谎状态检测，具体涉及一种说谎状态实时识别修正系统。

背景技术

生活中常常会出现一些谎言，善意的谎言可以让人避免陷入更大的麻烦或危险中，但恶意的谎言会为他人或社会带来巨大的危害。说谎是一种典型的心理状态，其会影响到人的行为举止、面部表情、生理变化和语言表达等。对于心理素质较高的人来说，这种影响是极其细微的，常人难以察觉，因而他们的谎言也无法被快速、有效地揭穿。随着科技的发展，部分信息已能够通过设备精准的采集到，这为机器识别说谎状态打下了基础。

自上世纪九十年代以来，测谎设备在我国有了长足的发展，其成功地辅助侦破了超过2000件疑难案件。因此，公安部将此项目列入“八五”重点项目，“九五”期间，又被列入国家科技攻关项目。但目前为止，测谎设备还停留在“设备现场采集信息，人工后台判断信息”的阶段，其时效性差，判断周期长，容易延误时机；出现可信度较低的信息时，也不便于针对这些信息再次进行提问；且在进行判断时，对人员的专业素质要求高，无法实现广泛的普及。

发明内容

本发明要解决的技术问题是提供一种说谎状态实时识别修正系统，该系统能够识别和标识话语的可信度等级，并对可信度等级较低的话语修正及针对性的产生新的问题，实效性强，获取的信息准确。

为了解决上述技术问题，本发明提供了一种说谎状态实时识别修正系统，包括语音输入模块、样本分类模块、语音识别模块、说谎状态识别模块、语音字典、标识模块、修正模块和输出模块；所述语音输入模块用于采集语音信号；所述样本分类模块通讯连接在语音输入模块上，所述样本分类模块用于区分提问者和被提问者的语音信号，并在降噪后将被提问者的语音信号输送到语意识别模块和说谎状态识别模块；所述语意识别模块通讯连接在样本分类模块上，所述语意识别模块用于识别语意信号的语意，并将整句拆分成字和词；所述说谎状态识别模块通讯连接在样本分类模块上，所述说谎状态识别模块用于识别语意信号的可信度，并对每个字、词、句和情境进行可信度分级；所述语音字典通讯连接在语意识别模块和说谎状态识别模块之间，所述语音字典用于存储声学模型和语言模型；所述标识模块分别通讯连接在语意识别模块和说谎状态识别模块上，所述标识模块能够在时序上耦合语意识别模块输出的字词和说谎状态识别模块输出的可信度级别，以获知每个字和词的可信度级别；所述修正模块分别通讯连接在标识模块和语音字典上，所述修正模块用于将标识模块输出的可信度级别较低的动词和形容词进行反义替换，将可信度级别较低的整句和情境进行修改；所述输出模块通讯连接在修正模块上，所述输出模块用于实时输出修正模块的语音信号。

作为优选的，所述语意识别模块包括依次通讯连接的语音处理单元、声学匹配单元和语言处理单元；所述语音处理单元用于提取语音信号的字和词的声学特征，并赋予每个字和词唯一的标号；所述声学匹配单元用于匹配语音处理单元提取的声学特征和语音字典中的声学特征，以得到每个字和词的成分和释意；所述语言处理单元用于根据语法结构、语义结构和语音字典中的语言模型纠正字和词的成分和释意。

作为优选的，所述成分为包括主语、谓语、宾语、动语、定语、状语、补语和中心语在内的句子成分；所述释意为字和词所代表的具体意义。

作为优选的，所述说谎状态识别模块包括依次通讯连接的预处理单元、稀疏表示单元、深度学习单元和动态稀疏贝叶斯时序建模单元；所述预处理单元用于对语音信号依次进行分帧、加窗、预加重、端点检测和PCA降维处理；所述稀疏表示单元用于将经过预处理后的语音信号分解为过完备字典和对应的稀疏系数矩阵；所述深度学习单元为多隐层构建的机器学习模型，用于提取语音信号的深度结构信息；所述动态稀疏贝叶斯时序建模单元用于提取语音信号的整体特征信息和细节特征信息。

作为优选的，所述过完备稀疏字典为语音信号的特征集合的特征子空间；所述稀疏系数矩阵为语音信号在特征子空间上的投影内在结构的特征参数。

作为优选的，所述稀疏表示单元的稀疏表示的方法可以是基于快速K-SVD稀疏表示算法。

作为优选的，所述深度结构信息包括语言特征、生理特征、声学特征和心理感知特征。

一种说谎状态实时识别修正系统，包括语音输入模块、样本分类模块、语音识别模块、说谎状态识别模块、语音字典、标识模块、修正模块、输出模块、手动修正模块、大数据库和问题生成模块；所述语音输入模块用于采集语音信号；所述样本分类模块通讯连接在语音输入模块上，所述样本分类模块用于区分提问者和被提问者的语音信号，并在降噪后将被提问者的语音信号输送到语意识别模块和说谎状态识别模块，以及将所有输入的语音信号输送到大数据库中；所述语意识别模块通讯连接在样本分类模块上，所述语意识别模块用于识别语意信号的语意，并将整句拆分成字和词；所述说谎状态识别模块通讯连接在样本分类模块上，所述说谎状态识别模块用于识别语意信号的可信度，并对每个字、词、句和情境进行可信度分级；所述语音字典通讯连接在语意识别模块和说谎状态识别模块之间，所述语音字典用于存储声学模型和语言模型；所述标识模块分别通讯连接在语意识别模块和说谎状态识别模块上，所述标识模块能够在时序上耦合语意识别模块输出的字词和说谎状态识别模块输出的可信度级别，以获知每个字和词的可信度级别；所述修正模块分别通讯连接在标识模块和语音字典上，所述修正模块用于将标识模块输出的可信度级别较低的动词和形容词进行反义替换，将可信度级别较低的整句和情境进行修改；所述输出模块通讯连接在修正模块上，所述输出模块用于实时输出修正模块和问题产生模块的语音信号；所述大数据库分别通讯连接在样本分类模块和说谎状态识别模块上，所述大数据库用于存储提问过程中产生的语音信号以及从外部获取的被提问者信息；所述手动修正模块通讯连接在修正模块和大数据库之间，所述手动修正模块用于人为修改被提问者的语音信号的可信度等级；所述问题产生模块通讯连接在大数据库和输出模块之间，所述问题生成模块用于结合大数据将可信度级别较低的字、词、句和情境提取出来，并在产生相应的问题后，由输出模块输出给提问者。

作为优选的，所述被提问者信息包括但不限于个人基本信息、活动时间与范围信息、信用信息和社会关系信息。

作为优选的，所述大数据库包括原始数据库和修正数据库，所述原始数据库用于存储对话过程中产生的语音信息，所述修正数据库用于存储修正后的被提问者的语音信息，并保留所有语音信息的可信度等级。

与现有技术相比，本发明的有益效果是：

1、本发明能够能够对被提问者说出的每句话进行说谎状态检测，并标出每个字、词、句和情境的可信度等级，对于可信度较低的字、词、句和情境进行修改，使其更具真实性；而在修改完成后能够实时输出可信度等级更高的信息，使提问者更容易知道哪些是正确的，哪些是错误的，提高提问效率和获取的信息的真实性；

2、本发明能够结合被提问者的所有相关信息，针对可信度等级较低的字、词、句和情境提取出来，再产生相应的新问题，由输出模块输出给提问者，其能够在系统内和系统外产生循环，逐渐增加所有信息的可信度，多次循环后，即可获取所需的所有真实信息，获取信息快速、准确，节省了大量的时间，避免了错误信息的干扰。

附图说明

图1为实施例1的结构示意图；

图2为实施例2的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：

参照图1所示，本实施例公开了一种说谎状态实时识别修正系统，包括语音输入模块、样本分类模块、语音识别模块、说谎状态识别模块、语音字典、标识模块、修正模块和输出模块。

语音输入模块：

上述语音输入模块为麦克风。语音输入模块用于采集语音信号。

样本分类模块：

上述样本分类模块和语音输入模块通讯连接。样本分类模块用于将提问者、被提问者的语音信号区分出来，同时进行降噪。样本分类模块提取出来的被提问者的语音信号能够同时输送到语意识别模块和说谎状态识别模块中。

具体的，样本分类模块可以通过手动按键、时序和/或音色的方式区分语音信号样本。

语意识别模块：

上述语意识别模块和样本分类模块通讯连接。语意识别模块用于识别语音信号的语意，并将整句拆分成字和词。

具体的，上述语意识别模块包括依次通讯连接的语音处理单元、声学匹配单元和语言处理单元。

上述语音处理单元用于提取语音信号整句的字和词的声学特征，并赋予每个字和词唯一的标号。

上述声学匹配单元用于匹配语音处理单元提取的声学特征和语音字典中的声学特征，以得到每个字和词的成分和释意。

上述语言处理单元用于根据语法结构、语义结构和语音字典中的语言模型纠正字和词的成分和释意。

上述成分为包括主语、谓语、宾语、动语、定语、状语、补语和中心语在内的句子成分；释意为字和词所代表的具体意义。

说谎状态识别模块：

上述说谎状态识别模块和样本分类模块通讯连接。说谎状态识别单元用于识别语音信号的可信度，并进行分级。说谎状态状态识别模块在进行可信度识别、分级时，也可以外接传感器来采集被提问者的面部表情信息、情绪变化信息和生理变化信息，以进一步提高评级的准确性。

具体的，上述说谎状态识别模块包括依次通讯连接的预处理单元、稀疏表示单元、深度学习单元和动态稀疏贝叶斯时序建模单元。

上述预处理单元用于对语音信号依次进行分帧、加窗、预加重、端点检测和PCA降维处理。

上述稀疏表示单元用于将经过预处理后的语音信号分解为过完备字典和对应的稀疏系数矩阵。过完备稀疏字典为语音信号的特征集合的特征子空间；稀疏系数矩阵为语音信号在特征子空间上的投影内在结构的特征参数。稀疏表示单元能够将语音信号的原始数据进行稀疏表示，其结构清晰，效率高，处理成本低，并且为后续处理提供了方便。稀疏表示单元的稀疏表示的方法可以是基于快速K-SVD稀疏表示算法。

上述深度学习单元为多隐层构建的机器学习模型，用于提取语音信号的深度结构信息。深度结构信息包括语言特征、生理特征、声学特征和心理感知特征。深度学习单元的提取方法为：利用稀疏表示良好的多维数据线性分解能力以及多层非线性映射的深层结构优势完成复杂函数的逼近；通过非监督的稀疏自动编码算法将深度学习网络的输入数据经过逐步映射；提取出语音信号深度结构信息。深度学习单元提高了语音数据分析的准确性和及时性。机器学习模型可以是利用信号数据和稀疏堆栈自编码器网络(SSAE)模型，其构建思想和网络结构简单，操作易于实现。

上述动态稀疏贝叶斯时序建模单元用于提取语音信号的整体特征信息和细节特征信息。动态稀疏贝叶斯时序建模单元的提取方法为：通过稀疏贝叶斯的网络拓扑结构动态反映说谎心理状态随时间变化的情况；由此计算网络中各变量对应的特征之间的关联关系以及特征之间的时序关系。动态稀疏贝叶斯时序建模单元通过提取不同时间尺度的特征能够深刻地表达出说谎状态，检测准确率高。

语音字典：

上述语音字典通讯连接在语意识别模块和说谎状态识别模块之间。语音字典用于存储声学模型和语言模型，以提供数据基础。

标识模块：

上述标识模块分别通讯连接在语意识别模块和说谎状态识别模块上。标识模块能够在时序上耦合语意识别模块输出的字词和说谎状态识别模块输出的可信度级别，从而获知每个字和每个词的可信度。

修正模块：

上述修正模块分别通讯连接在标识模块和语音字典上。修正模块能够将标识模块输出的可信度级别较低的动词和形容词进行反义替换，将可信度级别较低的整句和情境进行修改，并从语音字典中获得相应语音信号。

输出模块：

上述输出模块通讯连接在修正模块上。输出模块用于实时输出修正模块的语音信号。输出模块的输出信号可以是声音信号或文字信号。

以上优化的结构，能够将被提问者的语音信号的说谎状态精确的识别并标识，进行修正后输出给提问者，使提问者能够实时获取褆提问者话语的真实性，进而更有针对性的继续提问，从而获得真实的信息，准确率和及时性高。

实施例2：

参照图2所示，本实施例公开了一种说谎状态实时识别修正系统，包括语音输入模块、样本分类模块、语音识别模块、说谎状态识别模块、语音字典、标识模块、修正模块、输出模块、手动修正模块、大数据库和问题生成模块。

语音输入模块：

上述语音输入模块为麦克风。语音输入模块用于采集语音信号。

样本分类模块：

上述样本分类模块和语音输入模块通讯连接。样本分类模块用于将提问者、被提问者的语音信号区分出来，同时进行降噪。样本分类模块能够将提取出来的被提问者的语音信号输送到语意识别模块和说谎状态识别模块中，以及将输入的所有语音信号输送到大数据库中。

具体的，样本分类模块可以通过手动按键、时序和/或音色的方式区分语音信号样本。

语意识别模块：

上述语意识别模块和样本分类模块通讯连接。语意识别模块用于识别语音信号的语意，并将整句拆分成字和词。

具体的，上述语意识别模块包括依次通讯连接的语音处理单元、声学匹配单元和语言处理单元。

上述语音处理单元用于提取语音信号整句的字和词的声学特征，并赋予每个字和词唯一的标号。

上述声学匹配单元用于匹配语音处理单元提取的声学特征和语音字典中的声学特征，以得到每个字和词的成分和释意。

上述语言处理单元用于根据语法结构、语义结构和语音字典中的语言模型纠正字和词的成分和释意。

上述成分为包括主语、谓语、宾语、动语、定语、状语、补语和中心语在内的句子成分；释意为字和词所代表的具体意义。

说谎状态识别模块：

上述说谎状态识别模块和样本分类模块通讯连接。说谎状态识别单元用于识别语音信号的可信度，并进行分级。说谎状态状态识别模块在进行可信度识别、分级时，也可以外接传感器来采集被提问者的面部表情信息、情绪变化信息和生理变化信息，以进一步提高评级的准确性。

具体的，上述说谎状态识别模块包括依次通讯连接的预处理单元、稀疏表示单元、深度学习单元和动态稀疏贝叶斯时序建模单元。

上述预处理单元用于对语音信号依次进行分帧、加窗、预加重、端点检测和PCA降维处理。

上述稀疏表示单元用于将经过预处理后的语音信号分解为过完备字典和对应的稀疏系数矩阵。过完备稀疏字典为语音信号的特征集合的特征子空间；稀疏系数矩阵为语音信号在特征子空间上的投影内在结构的特征参数。稀疏表示单元能够将语音信号的原始数据进行稀疏表示，其结构清晰，效率高，处理成本低，并且为后续处理提供了方便。稀疏表示单元的稀疏表示的方法可以是基于快速K-SVD稀疏表示算法。

上述深度学习单元为多隐层构建的机器学习模型，用于提取语音信号的深度结构信息。深度结构信息包括语言特征、生理特征、声学特征和心理感知特征。深度学习单元的提取方法为：利用稀疏表示良好的多维数据线性分解能力以及多层非线性映射的深层结构优势完成复杂函数的逼近；通过非监督的稀疏自动编码算法将深度学习网络的输入数据经过逐步映射；提取出语音信号深度结构信息。深度学习单元提高了语音数据分析的准确性和及时性。机器学习模型可以是利用信号数据和稀疏堆栈自编码器网络(SSAE)模型，其构建思想和网络结构简单，操作易于实现。

上述动态稀疏贝叶斯时序建模单元用于提取语音信号的整体特征信息和细节特征信息。动态稀疏贝叶斯时序建模单元的提取方法为：通过稀疏贝叶斯的网络拓扑结构动态反映说谎心理状态随时间变化的情况；由此计算网络中各变量对应的特征之间的关联关系以及特征之间的时序关系。动态稀疏贝叶斯时序建模单元通过提取不同时间尺度的特征能够深刻地表达出说谎状态，检测准确率高。

语音字典：

上述语音字典通讯连接在语意识别模块和说谎状态识别模块之间。语音字典用于存储声学模型和语言模型，以提供数据基础。

标识模块：

上述标识模块分别通讯连接在语意识别模块和说谎状态识别模块上。标识模块能够在时序上耦合语意识别模块输出的字词和说谎状态识别模块输出的可信度级别，从而获知每个字和每个词的可信度。

修正模块：

上述修正模块分别通讯连接在标识模块和语音字典上。修正模块能够将标识模块输出的可信度级别较低的动词和形容词进行反义替换，将可信度级别较低的整句和情境进行修改，并从语音字典中获得相应语音信号。

输出模块：

上述输出模块通讯连接在修正模块上。输出模块用于实时输出修正模块和问题产生模块的语音信号。输出模块的输出信号可以是声音信号或文字信号。

大数据库：

上述大数据库分别通讯连接在样本分类模块和说谎状态识别模块上。大数据库用于存储提问过程中产生的语音信号以及从外部获取的被提问者信息。被提问者信息包括但不限于个人基本信息、活动时间与范围信息、信用信息和社会关系信息。大数据库能够为语意识别和说谎状态提供数据基础。

上述大数据库包括原始数据库和修正数据库。原始数据库用于存储对话过程中产生的语音信息。修正数据库用于存储修正后的被提问者的语音信息，并保留所有语音信息的可信度等级。

手动修正模块：

上述手动修正模块通讯连接在修正模块和大数据库之间。手动修正模块用于人为修改被提问者的语音信号的可信度等级。当提问者能够确信提问者的回答为真实时，可以手动增加可信度等级，以加快问答进程。

问题生成模块：

上述问题生成模块通讯连接在大数据库和输出模块之间。问题生成模块用于结合大数据将可信度级别较低的字、词、句和情境提取出来，在产生相应的新问题后，由输出模块输出给提问者。问题生成模块有助于获取可信度等级更高的信息。

以上优化的结构，能够在系统内和系统外产生循环，逐渐增加所有信息的可信度，多次循环后，即可获取所需的所有真实信息。获取信息快速、准确，节省了大量的时间，避免了错误信息的干扰。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理能够在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖点相一致的最宽的范围

需要说明的是上述实施例，并非用来限定本发明的保护范围，在上述技术方案的基础上所作出的等同变换或替代均落入本发明权利要求所保护的范围。

Claims (10)

1.一种说谎状态实时识别修正系统，其特征在于，所述修正系统包括语音输入模块、样本分类模块、语意识别模块、说谎状态识别模块、语音字典、标识模块、修正模块和输出模块；

所述语音输入模块用于采集语音信号；

所述样本分类模块通讯连接在语音输入模块上，所述样本分类模块用于区分提问者和被提问者的语音信号，并在降噪后将被提问者的语音信号输送到语意识别模块和说谎状态识别模块；

所述语意识别模块通讯连接在样本分类模块上，所述语意识别模块用于识别语音信号的语意，并将整句拆分成字和词；

所述说谎状态识别模块通讯连接在样本分类模块上，所述说谎状态识别模块用于识别语音信号的可信度，并对每个字、词、句和情境进行可信度分级；

所述语音字典通讯连接在语意识别模块和说谎状态识别模块之间，所述语音字典用于存储声学模型和语言模型；

所述标识模块分别通讯连接在语意识别模块和说谎状态识别模块上，所述标识模块能够在时序上耦合语意识别模块输出的字词和说谎状态识别模块输出的可信度级别，以获知每个字和词的可信度级别；

所述修正模块分别通讯连接在标识模块和语音字典上，所述修正模块用于将标识模块输出的可信度级别较低的动词和形容词进行反义替换，将可信度级别较低的整句和情境进行修改；

所述输出模块通讯连接在修正模块上，所述输出模块用于实时输出修正模块的语音信号。

2.根据权利要求1所述的说谎状态实时识别修正系统，其特征在于，所述语意识别模块包括依次通讯连接的语音处理单元、声学匹配单元和语言处理单元；

所述语音处理单元用于提取语音信号的字和词的声学特征，并赋予每个字和词唯一的标号；

所述声学匹配单元用于匹配语音处理单元提取的声学特征和语音字典中的声学特征，以得到每个字和词的成分和释意；

所述语言处理单元用于根据语法结构、语义结构和语音字典中的语言模型纠正字和词的成分和释意。

3.根据权利要求2所述的说谎状态实时识别修正系统，其特征在于，所述成分为包括主语、谓语、宾语、动语、定语、状语、补语和中心语在内的句子成分；所述释意为字和词所代表的具体意义。

4.根据权利要求1所述的说谎状态实时识别修正系统，其特征在于，所述说谎状态识别模块包括依次通讯连接的预处理单元、稀疏表示单元、深度学习单元和动态稀疏贝叶斯时序建模单元；

所述预处理单元用于对语音信号依次进行分帧、加窗、预加重、端点检测和PCA降维处理；

所述稀疏表示单元用于将经过预处理后的语音信号分解为过完备字典和对应的稀疏系数矩阵；

所述深度学习单元为多隐层构建的机器学习模型，用于提取语音信号的深度结构信息；

所述动态稀疏贝叶斯时序建模单元用于提取语音信号的整体特征信息和细节特征信息。

5.根据权利要求4所述的说谎状态实时识别修正系统，其特征在于，所述过完备稀疏字典为语音信号的特征集合的特征子空间；所述稀疏系数矩阵为语音信号在特征子空间上的投影内在结构的特征参数。

6.根据权利要求4所述的说谎状态实时识别修正系统，其特征在于，所述稀疏表示单元的稀疏表示的方法是基于快速K-SVD稀疏表示算法。

7.根据权利要求4所述的说谎状态实时识别修正系统，其特征在于，所述深度结构信息包括语言特征、生理特征、声学特征和心理感知特征。

8.一种说谎状态实时识别修正系统，其特征在于，所述修正系统包括语音输入模块、样本分类模块、语音识别模块、说谎状态识别模块、语音字典、标识模块、修正模块、输出模块、手动修正模块、大数据库和问题生成模块；

所述语音输入模块用于采集语音信号；

所述样本分类模块通讯连接在语音输入模块上，所述样本分类模块用于区分提问者和被提问者的语音信号，并在降噪后将被提问者的语音信号输送到语意识别模块和说谎状态识别模块，以及将所有输入的语音信号输送到大数据库中；

所述语意识别模块通讯连接在样本分类模块上，所述语意识别模块用于识别语音信号的语意，并将整句拆分成字和词；

所述说谎状态识别模块通讯连接在样本分类模块上，所述说谎状态识别模块用于识别语音信号的可信度，并对每个字、词、句和情境进行可信度分级；

所述语音字典通讯连接在语意识别模块和说谎状态识别模块之间，所述语音字典用于存储声学模型和语言模型；

所述标识模块分别通讯连接在语意识别模块和说谎状态识别模块上，所述标识模块能够在时序上耦合语意识别模块输出的字词和说谎状态识别模块输出的可信度级别，以获知每个字和词的可信度级别；

所述修正模块分别通讯连接在标识模块和语音字典上，所述修正模块用于将标识模块输出的可信度级别较低的动词和形容词进行反义替换，将可信度级别较低的整句和情境进行修改；

所述输出模块通讯连接在修正模块上，所述输出模块用于实时输出修正模块和问题产生模块的语音信号；

所述大数据库分别通讯连接在样本分类模块和说谎状态识别模块上，所述大数据库用于存储提问过程中产生的语音信号以及从外部获取的被提问者信息；

所述手动修正模块通讯连接在修正模块和大数据库之间，所述手动修正模块用于人为修改被提问者的语音信号的可信度等级；

所述问题产生模块通讯连接在大数据库和输出模块之间，所述问题生成模块用于结合大数据将可信度级别较低的字、词、句和情境提取出来，并在产生相应的问题后，由输出模块输出给提问者。

9.根据权利要求8所述的说谎状态实时识别修正系统，其特征在于，所述被提问者信息包括个人基本信息、活动时间与范围信息、信用信息和社会关系信息。

10.根据权利要求9所述的说谎状态实时识别修正系统，其特征在于，所述大数据库包括原始数据库和修正数据库，所述原始数据库用于存储对话过程中产生的语音信息，所述修正数据库用于存储修正后的被提问者的语音信息，并保留所有语音信息的可信度等级。