Verbesserung der Erkennungspräzision eines Vogel-Schallerkennungsmodells durch logistische Regression großer akustischer Datensätze: Eine Fallstudie des Europäischen Rotkehlchens (Erithacus rubecula)

Unsere Forschung konzentriert sich darauf, einen Rahmen zu entwickeln, der Bioakustikern hilft, die Präzision automatisierter akustischer Artenerkennung zu verbessern. Ohne eine richtige Konfiguration haben Vogel-Schallerkennungsmodelle Schwierigkeiten, Lautäußerungen genau zu erkennen. Dieses Protokoll zielt darauf ab, die Präzision zu erhöhen, indem Arten- und standortspezifische Konfidenzwertschwellenwerte bestimmt werden.

Zu Beginn verbinden Sie jede ARU einzeln mit einem Datenübertragungskabel an einen Computer und schalten Sie die ARUs auf USB-Modus. Verwenden Sie die AudioMoth ARU-Gerätekonfigurationsanwendung, um die ARUs so einzustellen, dass sie die Schlafintervalle und aktiven Aufzeichnungsperioden bestimmen. Identifizieren Sie die Zeitfenster, in denen Zielarten am aktivsten sind, und planen Sie die Aufzeichnungsperioden entsprechend.

Fügen Sie mehrere Aufnahmeperioden hinzu und planen Sie die Aufnahmedaten, indem Sie das erste und das letzte Aufnahmedatum auswählen. Verwenden Sie die ARU-Gerätekonfigurationsanwendung, um die Geräte so einzustellen, dass sie mit einer Abtastrate von 48 Kilohertz und mittlerer Verstärkung aufnehmen. Stecken Sie jedes ARU-Gerät in einen antistatischen Ziploc-Beutel und legen Sie bei Bedarf zusätzliches wasserdichtes Klebeband an, um Wasserschäden zu vermeiden.

Dann setze die ARU-Geräte vor Ort ein und stelle sie in den benutzerdefinierten Modus. Übertragen Sie alle Wave-Dateien von jeder entfernbaren Speicherkarte auf einen Computer. Öffnen Sie die Bioakustik-Analysesoftware Raven Pro 1.6, wählen Sie Werkzeuge, dann Detektor und wählen Sie im Dropdown-Menü Lerndetektor.

Im Fenster "Wähle Detektor-Eingänge" wählen Sie Browse. Im folgenden Fenster "Sounddateien öffnen" wählen Sie alle Wellendateien im entsprechenden ARU-Ordner aus und klicken Sie auf Öffnen. Dadurch wird das Fenster "Neuer Sound konfigurieren" geöffnet.

Im Fenster Neuen Sound konfigurieren, unter Paging und Page Sound, geben Sie die passende Seitengröße für die Länge jeder Aufnahme ein. Dann wähle unter Mehrere Dateien in einem Fenster 'Als Dateireihenfolge öffnen' und klicke auf OK. Ein Popup "Dateisequenz öffnen" und ein Fenster "Detektor-Eingänge auswählen" erscheinen, das das Hinzufügen ausgewählter Dateien zur Sequenz zeigt. Im zurückkehrenden Fenster "Choose Detector Inputs" wählen Sie unter Verfügbare Signale und Ansichten Wellenform aus und verschieben Sie es mit der Pfeiltaste auf Erforderliche Eingänge.

Bestätigen Sie, dass sich der Status unter Erforderliche Eingaben auf Bereit ändert, und klicken Sie auf OK. Dadurch öffnet sich das Fenster "Maschinelles Lernen Detektor konfigurieren". Im Fenster Maschinellen Lerndetektor konfigurieren, unter dem Reiter Eingaben, wählen Sie das gewünschte Modell aus Modell auswählen. Lass die Überlappung standardmäßig null Sekunden.

Klicken Sie auf den Reiter Ausgaben. Öffnen Sie das Dropdown-Menü für die Ausgabe-Klassendatei und wählen Sie die Ausgabeliste aus, die dem geografischen Standort der Studie entspricht. Senke den Schwellenwert auf 0,1 und wähle Alle anwenden.

Stellen Sie sicher, dass alle Schwellenwerte in der Artenliste auf 0,1 gesetzt sind. Wählen Sie die Option Alle Arten unterdrücken, damit alle Arten ausgewählt sind. Lokalisieren Sie die Zielart und deaktivieren Sie sie in der Spalte Unterdrücken.

Wählen Sie OK, um die Verarbeitung des Lerndetektors zu beginnen. Überwachen Sie den Fortschrittsmanager, um den Erledigungsprozentsatz und die verbleibende Zeit zu verfolgen. Öffnen Sie die Auswahltabelle für gespeicherte Lerndetektoren und übertragen Sie sie in die Tabellenkalkulationssoftware.

Bestätigen Sie, dass nur die Zielart unter der Spalte Label erscheint. Löschen Sie alle Spalten, außer den Spalten Auswahl und Punkt. Füge eine neue Spalte mit der Randomisierungsfunktion hinzu, sortiere die Zeilen basierend auf dieser Spalte und lösche dann die Spalte Randomisierung.

Behalte die ersten 300 zufälligen Erkennungen oder behalte alle, wenn weniger als 300 vorhanden sind. Speichere den Validierungsdatensatz mit dem ARU-Namen und einer Identifikator, wie z. B. AM1_ValidationDataset. Öffnen Sie die Bioakustik-Analysesoftware Raven Pro 1.6 und wählen Sie Datei.

Dann öffne die Sounddateien, um alle entsprechenden Wellendateien auszuwählen, und klicke auf Öffnen. Dadurch wird das Fenster "Neuer Sound konfigurieren" geöffnet. Im Fenster "Neuer Klang konfigurieren" unter Paging wählen Sie Seitensound und geben Sie die zuvor verwendete Seitengröße ein.

Wähle als Nächstes unter mehreren Dateien in einem Fenster als Dateisequenz öffnen und auf OK klicken. Dadurch werden die ausgewählten Dateien zur Sequenz hinzugefügt und das Spektrogramm jeder Datei unter mehreren ausgewählten Dateien geöffnet. Navigieren Sie zur Datei und wählen Sie Auswahltabelle öffnen, um die Learning Detection Table für die analysierte ARU zu öffnen. Im Panel links in der Klangansicht unter dem Reiter Layouts und Views deaktiviere die Wellenformansicht, damit alle Dateien in der Spektrogrammansicht angezeigt werden.

Öffnen Sie die Validierungstabelle neben der Bioakustik-Analysesoftware mit den vorbereiteten Daten. Erstelle eine neue Spalte in der Tabelle und markiere sie als korrekt erkannt. Wählen Sie aus der Tabelle eine Zahl aus der zufälligen Liste aus und geben Sie sie im Ziehfeld der Spektrogrammansicht ein.

Dann klicke auf Play. Geben Sie 1 für korrekt erkannt oder 0 für falsch erkannt in der Spalte korrekt erkannt ein. Berechnen Sie die Genauigkeit des Detektors anhand der Anzahl der korrekten Erkennungen und der Gesamtzahl der validierten Erkennungen und multiplizieren Sie mit 100, um sie als Prozentsatz auszudrücken.

Verwenden Sie die Software RStudio, um den im vorherigen Abschnitt erstellten Validierungsdatensatz zu importieren. Führen Sie eine logistische Regression auf dem Datensatz mit der verallgemeinerten linearen Modellierungsfunktion durch, wobei die Familienmenge binomial ist. Setzen Sie die gewünschte Genauigkeitswahrscheinlichkeit auf 0,9, sodass die Wahrscheinlichkeit, dass eine Entdeckung ein wahres Plus ist, 90 % oder mehr beträgt.

Berechnen Sie den optimalen Schwellenwert durch Lösen der angepassten logistischen Regressionsgleichung für den Prädiktorwert und überprüfen Sie den erhaltenen Schwellenwert. Führe den Lerndetektor an der untersuchten ARU mit dem vorherigen Detektor-Setup erneut aus. Wähle die Sounddateien aus.

Geben Sie die Seitengröße ein und wählen Sie in einem Fenster als Dateisequenz öffnen. Wähle als Nächstes Wellenform im Fenster "Wähle Detektoreingänge" aus, verschiebe es mit der Pfeiltaste zu "Erforderliche Eingänge" und klicke auf OK. Unter dem Reiter Eingaben im Fenster "Maschinellen Lerndetektor konfigurieren" wählen Sie das gewünschte Modell aus und überprüfen Sie, dass die Überlappung auf null Sekunden gesetzt ist. Als Nächstes wählen Sie im Reiter Ausgaben den geografischen Standort in der Ausgabeklassendatei aus, ändern Sie den Schwellenwert für die Zielart auf den im vorherigen Schritt festgelegten Schwellenwert und wählen Sie alle anwenden.

Wählen Sie dann die Option Alle Arten unterdrücken. Deaktivieren Sie das Feld für Zielarten und klicken Sie auf OK, um das Fortschrittsmanager-Fenster zu öffnen. Schließlich erstelle eine neue Liste von Erkennungen mit verbesserter Genauigkeit und weniger Fehlalarmen unter Verwendung des optimierten Schwellenwerts.

Repräsentative Ergebnisse aus der Analyse der akustischen Daten für das europäische Rotkehlchen, das in einem Park in Liverpool, einem natürlich regenerierenden Waldgebiet im Cairngorms-Nationalpark, und einem Vorort in Glasgow gesammelt wurde, zeigten, wie statistisch abgeleitete Konfidenzwertschwellenwerte die Erkennungspräzision in unterschiedlichen akustischen Umgebungen verbesserten. Die logistische Regressionsanalyse ergab einen optimalen Konfidenzwert von 0,54 für den Standort Liverpool Park und 0,23 für den Standort Cairngorms, um eine Präzisionsrate von 90 % oder höher zu erreichen. Das erneute Durchführen des Detektors an den Standorten Liverpool Park und Cairngorms mit dem optimierten Schwellenwert erhöhte die Erkennungsgenauigkeit auf über 90 % bei Null- und Zweisekundenüberlappungen.

Das erneute Durchführen des Detektors am Glasgower Vorortstandort mit dem 0,36-optimierten Schwellenwert verbesserte die Erkennungspräzision, aber die Gesamtgenauigkeit nach der Regression blieb bei Null- und Zweisekundenüberlappungen unter 90 %. Dieses Protokoll ermöglicht es Forschern, präzise Nachweise von Zielarten in großen und akustisch vielfältigen Datensätzen zu erstellen. Während dieses Protokoll Fehlalarme reduziert und die Erkennungspräzision erhöht, kann es auch einige echte Erkennungen übersehen, was einen wichtigen Kompromiss mit dem Rückruf hervorhebt.

Nach der Erstellung präziser Erkennungen können Lautisationen in der Software zur Parameterextraktion und zur weiteren Analyse des akustischen Verhaltens annotiert werden.