A Lightweight CNN Model for Alcohol-intoxicated Detection Using Mel-Spectrogram Voice Features
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 음성 데이터를 기반으로 알코올 섭취 여부를 비침습적으로 판별할 수 있는 경량 딥러닝 모델인 TinyAlcoCNN을 제안한다. 제안 모델은 Mel-spectrogram을 입력으로 사용하는 2D-CNN 구조로, 약 30,000개의 한국어 음성 데이터를 활용해 학습되었다. Whisper API를 활용한 자동 분할을 통해 실시간 응용에 적합한 data set을 구성하였다. 실험 결과, 제안 모델은 0.9982의 학습 정확도와 1의 추론 정확도를 기록하며 높은 성능을 입증했고, 약 100만 개의 파라미터와 13.9M FLOPs 로 경량성과 연산 효율도 확보하였다. 본 연구는 음성 기반 알코올 탐지의 가능성을 보여주며, 향후 다국어 확장 및 모바일 시스템 연계를 통해 실용성과 확장성을 더욱 강화할 수 있는 개인 맞춤형 서비스와 연구로 확장될 수 있다.
Abstract
In this paper, we propose TinyAlcoCNN, a lightweight deep learning model designed to non-invasively detect alcohol consumption based on voice data. The proposed model adopts a 2D-CNN architecture that takes Mel-spectrograms as input and is trained on approximately 40,000 Korean voice samples. To support real-time applications, the dataset was preprocessed using the Whisper API for automatic segmentation. Experimental results demonstrate that TinyAlcoCNN achieves a training accuracy of 0.9982 and an inference accuracy of 1.000, while maintaining efficiency with approximately one million parameters and 13.9 million FLOPs. These results confirm both the effectiveness and computational efficiency of the model. This study highlights the feasibility of voice-based alcohol detection and suggests potential for broader applications, including personalized services, through multilingual expansion and integration with mobile systems.