Voice analysis for intoxication detection in laboratory versus law enforcement contexts
Notice bibliographique
Résumé
There is substantial interest in deploying voice biomarkers for the detection of alcohol intoxication, yet it remains unknown how other mental and physical states (e.g. emotion, stress) influence voice biomarkers in intoxicated speech. We compared measurements of voice quality (jitter, shimmer, noise-harmonics ratio) across two datasets of alcohol-intoxicated speech: (1) The alcohol language corpus, which contains laboratory elicited speech from 167 individuals in both sober and intoxicated conditions and (2) a custom dataset of police (control, n = 14) and suspect (intoxicated, n = 32) interactions during traffic stops where intoxication was verified via breath analysis. Measurements were extracted from all stressed vowel tokens and compared across conditions using two-sample t-tests within sex-specific groupings of each dataset. For both males and females, jitter was significantly lower during intoxication as measured from laboratory-elicited speech, but significantly higher for intoxicated individuals when measured from police–suspect interactions. These results suggest that voice biomarkers for alcohol-intoxication are easily confounded by other emotional and physical states (e.g., stress during police interaction), and thus, present a particular challenge for speaker-independent detection systems where baseline voice quality measurements across different emotional states are unknown. [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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».