Speech production under stress for machine learning: multimodal dataset of 79 cases and 8 signals

Simple item page
dc.contributor.authorPešán, Jancs
dc.contributor.authorJuřík, Vojtěchcs
dc.contributor.authorRůžičková, Alexandracs
dc.contributor.authorSvoboda, Vojtěchcs
dc.contributor.authorJanoušek, Otocs
dc.contributor.authorNěmcová, Andreacs
dc.contributor.authorBojanovská, Hanacs
dc.contributor.authorAldabaghová, Jasmínacs
dc.contributor.authorKyslík, Filipcs
dc.contributor.authorVodičková, Kateřinacs
dc.contributor.authorSodomová, Adélacs
dc.contributor.authorBartys, Patrikcs
dc.contributor.authorChudý, Petercs
dc.contributor.authorČernocký, Jancs
dc.coverage.issue1cs
dc.coverage.volume11cs
dc.date.accessioned2025-04-08T11:56:31Z
dc.date.available2025-04-08T11:56:31Z
dc.date.issued2024-11-12cs
dc.description.abstractEarly identification of cognitive or physical overload is critical in fields where human decision making matters when preventing threats to safety and property. Pilots, drivers, surgeons, and operators of nuclear plants are among those affected by this challenge, as acute stress can impair their cognition. In this context, the significance of paralinguistic automatic speech processing increases for early stress detection. The intensity, intonation, and cadence of an utterance are examples of paralinguistic traits that determine the meaning of a sentence and are often lost in the verbatim transcript. To address this issue, tools are being developed to recognize paralinguistic traits effectively. However, a data bottleneck still exists in the training of paralinguistic speech traits, and the lack of high-quality reference data for the training of artificial systems persists. Regarding this, we present an original empirical dataset collected using the BESST experimental protocol for capturing speech signals under induced stress. With this data, our aim is to promote the development of pre-emptive intervention systems based on stress estimation from speech.en
dc.description.abstractVčasná identifikace kognitivního nebo fyzického přetížení je zásadní v oblastech, kde záleží na lidském rozhodování při předcházení ohrožení bezpečnosti a majetku. Piloti, řidiči, chirurgové a operátoři jaderných elektráren patří mezi ty, kteří jsou touto výzvou zasaženi, protože akutní stres může zhoršit jejich poznávání. V této souvislosti vzrůstá význam paralingvistického automatického zpracování řeči pro včasnou detekci stresu. Intenzita, intonace a kadence výpovědi jsou příklady paralingvistických rysů, které určují význam věty a často se ztrácejí v doslovném přepisu. K vyřešení tohoto problému se vyvíjejí nástroje, které umožňují efektivní rozpoznání paralingvistických rysů. Datové úzké hrdlo však stále existuje při trénování paralingvistických řečových znaků a přetrvává nedostatek kvalitních referenčních dat pro trénování umělých systémů. S ohledem na to uvádíme původní empirický soubor dat shromážděný pomocí experimentálního protokolu BESST pro zachycení řečových signálů při indukovaném stresu. S těmito údaji je naším cílem podporovat rozvoj systémů preemptivní intervence založených na odhadu stresu z řeči.cs
dc.formattextcs
dc.format.extent1-9cs
dc.format.mimetypeapplication/pdfcs
dc.identifier.citationScientific data. 2024, vol. 11, issue 1, p. 1-9.en
dc.identifier.doi10.1038/s41597-024-03991-wcs
dc.identifier.issn2052-4463cs
dc.identifier.orcid0000-0002-9655-1143cs
dc.identifier.orcid0000-0002-2207-8795cs
dc.identifier.orcid0000-0003-1801-7057cs
dc.identifier.orcid0000-0002-4539-976Xcs
dc.identifier.orcid0000-0002-8800-0210cs
dc.identifier.other193434cs
dc.identifier.researcheridABE-6835-2020cs
dc.identifier.researcheridAAH-1590-2021cs
dc.identifier.researcheridM-7494-2019cs
dc.identifier.scopus6507784572cs
dc.identifier.scopus58746959700cs
dc.identifier.scopus6604040821cs
dc.identifier.urihttps://hdl.handle.net/11012/250852
dc.language.isoencs
dc.publisherSpringer Naturecs
dc.relation.ispartofScientific datacs
dc.relation.urihttps://www.nature.com/articles/s41597-024-03991-wcs
dc.rightsCreative Commons Attribution-NonCommercial-NoDerivatives 4.0 Internationalcs
dc.rights.accessopenAccesscs
dc.rights.sherpahttp://www.sherpa.ac.uk/romeo/issn/2052-4463/cs
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/cs
dc.subjectspeechen
dc.subjectstressen
dc.subjectmachine learningen
dc.titleSpeech production under stress for machine learning: multimodal dataset of 79 cases and 8 signalsen
dc.title.alternativeTvorba řeči ve stresu pro strojové učení: multimodální dataset 79 mluvčích a 8 signálůcs
dc.type.driverarticleen
dc.type.statusPeer-revieweden
dc.type.versionpublishedVersionen
sync.item.dbidVAV-193434en
sync.item.dbtypeVAVen
sync.item.insts2025.04.08 13:56:31en
sync.item.modts2025.04.08 13:33:29en
thesis.grantorVysoké učení technické v Brně. Fakulta stavební. Ústav automatizace inženýrských úloh a informatikycs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav biomedicínského inženýrstvícs
thesis.grantorVysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédiícs
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
pesan_sci data_2024_s4159702403991w.pdf
Size:
2.24 MB
Format:
Adobe Portable Document Format
Description:
file pesan_sci data_2024_s4159702403991w.pdf
Download
Collections
Ústav počítačové grafiky a multimédií
Ústav automatizace inženýrských úloh a informatiky
Ústav biomedicínského inženýrství