# src/polygraph.py import joblib, numpy as np, os _MODEL_PATH = os.path.join(os.path.dirname(__file__), "..", "models", "polygraph_xgb.pkl") _model = joblib.load(_MODEL_PATH) # Orden fijo que debe coincidir con el entrenamiento FEATURE_NAMES = [ "ear_mean", # apertura media de ojos (menor = mas tenso) "ear_std", # variabilidad de apertura "iris_ratio_mean", # tamano relativo del iris "iris_ratio_std", # variabilidad del iris "ear_asymmetry", # diferencia izquierdo-derecho EAR (asimetria ocular) "brow_asymmetry", # diferencia de elevacion de cejas "gaze_std", # inestabilidad de mirada (std del centro de iris) "head_roll_std", # variabilidad del giro lateral de cabeza "head_pitch_std", # variabilidad de cabeceo "head_yaw_std", # variabilidad de giro horizontal "hr_bpm", # frecuencia cardiaca estimada (rPPG) "hr_std", # variabilidad FC (HRV proxy) "pitch_mean", # tono medio de voz (F0) "pitch_std", # variabilidad de tono (jitter proxy) "energy_std", # variabilidad de energia vocal (shimmer proxy) "pause_ratio", # fraccion de silencio "speech_rate", # fraccion de habla activa "suppression_index", # FACS: supresion emocional (blendshapes asimetricos) "emotion_variance", # FACS: varianza inter-emocional (expresion inconsistente) "au_fear_peak", # FACS: pico de miedo/AU1+AU2+AU4 (microexpresiones) ] def compute_score(features: dict) -> float: """Devuelve probabilidad de engano [0-1].""" X = np.array([[features.get(k, 0.0) for k in FEATURE_NAMES]]) return float(_model.predict_proba(X)[0, 1])