本实验方案的目的是利用逻辑回归方法确定物种和地点特异性的置信度评分阈值，以提高使用自动声学识别软件处理大型声学数据集时的检测精度。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本文内容
摘要
摘要
被动声学监测（PAM）已成为生物多样性研究中不可或缺的工具，能够以非侵入方式收集大量数据集。然而，如何高效且可靠地处理这些海量数据，以提取不同地点的物种特异性信息，仍是一项重大挑战。本文提出了一种详细的分步操作方案，利用生物声学分析软件中的机器学习检测模块来应对这一挑战。该方法旨在从原始声学录音中准确且可靠地识别并验证鸟类鸣叫。
本方案详细阐述了从使用自主录音单元（ARUs）进行初始数据采集，到最终生成高质量标注数据集的完整流程。关键步骤包括配置机器学习检测模块以生成初步检测结果，通过人工验证程序计算精确度表格，以及采用逻辑回归分析确定物种特异性、并在适当时段确定地点特异性的置信度评分阈值。该基于统计方法得出的阈值随后用于优化检测器的输出结果，并在两种重叠配置（0 秒和 2 秒）下进行测试。我们证明，应用所推导出的最优置信度评分阈值，可显著提升基于机器学习的鸟类声音识别模型在不同地点的检测精确度。以用于说明该流程的三个地点（利物浦公园、凯恩戈姆山脉和格拉斯哥郊区）为例，在重叠时间为 0 秒时，精确度分别提高了 26.1%、17.7% 和 17%；在重叠时间为 2 秒时，精确度分别提高了 28.77%、16.87% 和 15%。我们认为，该方法在速度和可靠性方面均优于人工计数方法。总之，本文提供了一个可重复的框架，有助于在生物声学研究中便捷而有效地应用机器学习方法，使研究人员能够自信地利用大规模声学数据集开展生态学研究与参数分析。
引言
动物的发声为了解自然世界提供了宝贵的见解，并作为一种强大的生物学工具，使研究人员能够探究动物生活的各个方面1。生物声学领域在生物多样性监测与保护中正变得日益重要，有助于物种鉴定以及种群动态和生态系统健康的评估2,3,4。该研究领域还有助于加深我们对动物行为的理解，例如在通讯和栖息地利用方面的研究5,6。近年来，生物声学还被证明是评估动物福利的一种有前景的方法7,8。
使用声学分析作为研究工具的一个关键优势在于，自主录音单元（ARUs）近年来的技术进步，使得研究人员能够以非侵入性和远程的方式长时间监测动物的发声行为，这种技术被称为被动声学监测（PAM）9。这使得在无需人为干预的情况下即可采集隐秘物种的数据10,11。此外，ARUs 成本较低，并减少了对....
访问受限。请登录或开始试用以查看此内容。
方案
伦理声明
本方案遵循利物浦约翰摩尔斯大学的伦理准则。研究方法仅涉及被动声学监测，不包括对动物的捕捉、干扰或实验性操作。部署声学记录单元（ARUs）无需进行任何危险操作。ARUs 的部署符合机构科研与野外工作指南，并在录音地点设置了适当的标识，以告知公众正在进行声学监测。然而，强烈建议在开展野外活动前查看天气预报，并对每个野外工作地点进行风险评估。
软件、许可与使用
注意：ARU 数据应使用生物声学分析软件（v1.6）19,31 中基于机器学习的鸟类声音识别模型进行处理，探测器输出结果也需在同一软件（v1.6）31 中处理。该软件为授权使用，不免费提供，使用本文所述工作流程需通过机构或个人许可证获取访问权限。此外，该软件（v1.6）19,31 中基于机器学习的鸟类声音识别模型目前无法在采用基于 ARM 处理器架构（M1 或 M2 芯片）的 Apple 设备上运行，但本方案适用于搭载 Intel CPU 的 macOS 计算机以及 Windows 操作系统
1. 收集音频数据<....
访问受限。请登录或开始试用以查看此内容。
结果
为了说明所述方案的有效性，我们展示了对欧洲知更鸟（Erithacus rubecula）声学数据进行分析的代表性结果，这些数据来自三种不同环境和鸟类物种组成的地点，包括利物浦的一个公园（ARU 1）、凯恩戈姆国家公园内一处自然再生的林地（ARU 2）以及格拉斯哥的一个郊区地点（ARU 3）。这些示例表明，如何通过应用统计方法得出的置信度评分阈值来提高在不同声学环境下的检测精度。在本研究中，成功的标准定义为经过阈值优化后检测精度达到或超过90%；低于该阈值的结果被视为次优，表明仍存在物种误判现象。
利物浦公园 - ARU 1
首先在利物浦公园站点记录的为期一个月的完整数据集上运行机器学习检测模块19，默认置信度阈值设为 0.1，重叠时间为 0 秒，共检测到 299 次信号。根据方案第 3 节所述方法对所有检测结果进行人工验证，初始检测精确度为 66.56%，低于期望的 90% 基准，表明需要通过逻辑回归分析来确定更准确的阈值。
访问受限。请登录或开始试用以查看此内容。
讨论
本文所述方案的使用为生成物种特异且准确分类的鸟类鸣声数据集提供了一种可靠且高效的途径，在处理大规模音频数据集时已被证明具有实用价值。我们选择欧洲知更鸟作为测试该方案的物种，因其鸣唱曲目在结构和频率上具有显著的变异性43。最初的结果显示，检测结果存在较高的误标率（假阳性率）（表1）。我们还通过方案实施后的验证测试，评估了使用新建立的置信度评分阈值后检测精确率的提升情况，以验证这些方法的有效性。代表性结果通过对知更鸟鸣声的手动验证及随后的逻辑回归分析，获得用于提高机器学习检测模块检测精度的置信度评分阈值19。目标是将检测精确率提升至至少90%，该目标在三个基于地点的数据集中有两个得以实现。凯恩戈姆地区的ARU 2检测精确率提升至100%（重叠0）和99.17%（重叠2）；利物浦公园的ARU 1检测精确率提升至92.66%（重叠0）和95.33%（重叠2）。本方案中对检测精确率具有显著影响的关键步骤包括：检测结果的随机化处理与准确的手动验证、逻辑回归模型对验证数据集的精确拟合，以及在检测器重新配置过程中应用新获得的.......
访问受限。请登录或开始试用以查看此内容。
披露
作者无竞争性财务利益。
致谢
感谢利物浦约翰摩尔斯大学提供的指导和资源。同时感谢野生动物倡议组织（WAI）提供的资金支持，本研究由WAI资助（项目编号：S-2023–00038）。
....访问受限。请登录或开始试用以查看此内容。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 自主录音单元 v1.2.0 | Open Acoustic Devices | N/A | 自主录音单元 (ARU) |
| 生物声学分析软件 v1.6.5 | Cornell Lab of Ornithology | RRID:SCR_016190 | 声音分析软件 |
| 数据传输线缆 | 多家制造商 | N/A | 用于从设备传输数据 |
| 设备配置应用程序 | Open Acoustic Devices | N/A | 用于配置 AudioMoth 设备的应用程序 |
| 机器学习检测模块 v2.4 | Cornell Lab of Ornithology | N/A | 机器学习检测器 |
| 可充电碱性电池 | 多家制造商 | N/A | 录音单元的电源 |
| 可移动存储卡 | 多家制造商 | N/A | 录音数据的存储介质 |
| 统计计算软件 | R Core Team | RRID:SCR_001905 | 统计计算软件 |
参考文献
- Briefer, E. F. Vocal expression of emotions in mammals: Mechanisms of production and evidence. J Zool. 288 (1), 1-20 (2012).
- Changapur, M. W., Seema, S., Sowmya, B. J. Bioacoustics monitoring to improve conservation efforts for endangered species. 2023 7th International Conference on Computation System and Information Technology for Sustainable Solutions (CSITSS), , IEEE. (2023).
- Sebastián-González, E., Pang-Ching, J., Barbosa, J. M., Hart....
访问受限。请登录或开始试用以查看此内容。
重印与许可
