Feature generalizability for speaker-dependent detection of alcohol intoxication
Notice bibliographique
Résumé
Impairments to speech motor control from alcohol intoxication are variable across individuals, making speaker-dependent approaches ideal for speech-based intoxication detection [Schiel et al., 2010. Proc. INTERSPEECH 2010]. Here, we evaluated whether individual acoustic features have high generalizability across speaker-dependent models. We selected 97 speakers (54 male, 43 female) from the Alcohol Language Corpus [Schiel et al., 2012. LRE. 46, 503-521] who had sufficient sober and intoxicated (>0.08% blood-alcohol concentration) recordings for speaker-dependent modeling. For each speaker, we extracted 9 features from vowels (F0–F3, jitter, shimmer, harmonics-to-noise ratio, duration, and duration variability) and 7 from consonants (spectral skewness and kurtosis, center of gravity, duration and duration variability, harmonics-to-noise ratio), and fitted these to speaker-dependent random forest models with 5-fold cross-validation to evaluate feature importance from the associated mean decrease in Gini impurity (GI). Across all speakers, consonant-based features tended to have stronger generalizability than vowel-based features, with spectral skewness and kurtosis being the most generalizable (GI: 0.11 and 0.09), and vowel duration and F2 being the least generalizable (GI: 0.04 and 0.03). Further experiments to explore additional features and evaluate sex-specific generalizability are ongoing. [Research funded by Tenvos Incorporated for the development of commercial speaker state-detection algorithms.]
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».