Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.

Artículo de método

Mejorando la precisión de detección de un modelo de reconocimiento sonoro aviar mediante regresión logística de grandes conjuntos de datos acústicos: un estudio de caso del petirrojo europeo (Erithacus rubecula)

438 vistas

⸱

DOI:

10.3791/70479

⸱

11 de abril de 2026

 ,  , 
1School of Biological and Environmental Sciences, Faculty of Health, Innovation, Technology and Science, Liverpool John Moores University

En este artículo

Resumen

El objetivo de este protocolo es determinar umbrales específicos de puntuación de confianza por especie y sitio utilizando regresión logística para mejorar la precisión de detección en grandes conjuntos de datos acústicos procesados con software automatizado de reconocimiento acústico.

Resumen

La monitorización acústica pasiva (PAM) se ha convertido en una herramienta invaluable para la investigación sobre biodiversidad, permitiendo la recopilación no invasiva de vastos conjuntos de datos. Sin embargo, sigue existiendo un desafío importante en procesar de forma eficiente y fiable este gran volumen de datos para extraer información específica de la especie en diferentes ubicaciones. Este artículo presenta un protocolo detallado y paso a paso para abordar este desafío utilizando un módulo detector de aprendizaje automático dentro de un software de análisis bioacústico. La metodología está diseñada para identificar y validar con precisión y confianza las vocalizaciones de aves a partir de grabaciones acústicas crudas.

Nuestro protocolo detalla el proceso desde la recogida inicial de datos utilizando unidades autónomas de registro (ARUs) hasta la generación final de un conjunto de datos anotado de alta calidad. Los pasos clave incluyen configurar el módulo detector de aprendizaje automático para generar detecciones iniciales, un procedimiento manual de validación para calcular tablas de precisión y un análisis de regresión logística para determinar un umbral de puntuación de confianza específico de la especie y, cuando corresponda, específico de la ubicación. Este umbral estadísticamente derivado se utiliza para refinar la salida del detector, probado en dos configuraciones de solapamiento (0 s y 2 s). Demostramos que aplicar los umbrales de puntuación óptima de confianza derivados mejora sustancialmente la precisión de detección de los modelos de reconocimiento sonoro aviar basados en aprendizaje automático en diferentes sitios. Para los tres sitios utilizados para ilustrar el proceso (Liverpool Park, Cairngorms y Glasgow Suburban) la precisión aumentó un 26,1%, 17,7% y un 17% para una superposición de 0 s, y un 28,77%, 16,87% y 15% para una superposición de 2 s. Sugerimos que la metodología resultante es superior a los métodos de conteo manual tanto en velocidad como en fiabilidad. En resumen, este artículo proporciona un marco reproducible que facilita el uso accesible y eficaz de enfoques de aprendizaje automático en bioacústica, permitiendo a los investigadores aprovechar con confianza grandes conjuntos de datos acústicos para estudios ecológicos y análisis de parámetros.

Introducción

Las vocalizaciones animales ofrecen valiosas perspectivas sobre el mundo natural y actúan como poderosas herramientas biológicas, permitiendo a los investigadores investigar diversos aspectos de la vida animal1. El campo de la bioacústica se ha vuelto cada vez más importante en el monitoreo y conservación de la biodiversidad, ayudando en la identificación de especies y en la evaluación de tendencias poblacionales y la salud delos ecosistemas 2,3,4. Este campo de investigación también contribuye a nuestra comprensión del comportamiento animal, por ejemplo, en comunicación y uso de hábitats 5,6. Más recientemente, se ha demostrado que es un enfoque prometedor para evaluar el bienestaranimal 7,8.

Una de las principales ventajas de utilizar el análisis acústico como herramienta de investigación son los recientes avances tecnológicos en unidades autónomas de registro (ARUs), que permiten a los investigadores monitorizar vocalizaciones animales de forma no invasiva y remota durante largos periodos de tiempo, una técnica conocida como monitorización acústica pasiva (PAM)9. Esto ha permitido la recopilación de datos de especies crípticas sin intervención humana10,11. Además, las ARUs son rentables y minimizan la necesidad de que los investigadores formados estén en el campo9. Un estudio sobre el críptico chotacabras europeo (Caprimulgus europaeus) demostró estas ventajas, descubriendo que el uso de ARUs era significativamente más efectivo que el de observadores humanos para detectar la especie12. Los estudios de bioacústica a gran escala están ganando cada vez más popularidad porque pueden aportar información sobre una variedad de aspectos ecológicos y conductuales, además de ser muy aplicables y muy adecuados para estudios de campo. Sin embargo, que las ARUs funcionen durante largos periodos significa que los investigadores inevitablemente se enfrentan al reto de procesar de forma eficiente y fiable grandes cantidades de datosacústicos 13.

Más recientemente, los investigadores han comenzado a combinar PAM con el uso de herramientas de reconocimiento automático para detectar especies dentro de grandes conjuntos de datos, mejorando y acelerando el procesamiento general de datos. Estas técnicas reconocen y clasifican automáticamente las especies basándose en el tipo de vocalización13, a menudo utilizando modelos de aprendizaje automático y aprendizaje profundo como redes neuronales artificiales, que han ganado popularidad en los últimosaños 14. La fiabilidad del software de reconocimiento automático suele ser superior a los métodos manuales de detección de especies, como demuestran estudios sobre las vocalizaciones de panda gigante (Ailuropoda melanoleuca) 15 y la especie de ranamalaya 16. Es importante destacar que uno de los principales factores detrás de la adopción de estos enfoques es la velocidad de procesamiento, especialmente a medida que el volumen de datos acústicos generados por PAM siguecreciendo 13. El análisis manual de grandes conjuntos de datos acústicos es ineficiente e impráctico a gran escala, pero las herramientas de reconocimiento automatizado pueden procesar grabaciones en una fracción del tiempo requerido por un observador humano. Por ejemplo, un estudio informó que 257 horas de escaneo visual manual equivalían a 1 hora de tiempo de procesamiento usando BirdNET (modelo de reconocimiento acústico aviar basado en aprendizaje automático)17.

Este modelo de reconocimiento acústico aviar basado en aprendizaje automático es una de esas herramientas que recientemente ha ganado popularidad por su uso en ornitología y otros estudios de acústica; es un software automatizado accesible para la identificación de especies de aves que se basa en un modelo de aprendizajeprofundo 18,19. La mayoría de los estudios hasta la fecha han utilizado el modelo de reconocimiento sonoro aviar basado en aprendizaje automático para generar listas de especies para un área determinada, y con validación humana se ha demostrado detectar el 89% de las especies en una comunidad, mientras que requiere menos de una cuarta parte del tiempo utilizado solo por el escaneovisual 17. Este modelo de reconocimiento sonoro aviar basado en aprendizaje automático también ha demostrado identificar eficazmente la presencia de una especie objetivo específica en una zona, como el avetoro euroasiático (Botaurus stellaris), con una tasa de éxito del 93,7%20. Sin embargo, este modelo suele tener una tasa de éxito mayor cuando se combina con validación manual y aún no es fiable como herramienta de deteccióntotalmente automática 21. También existen otros desafíos a considerar según Wood y Kahl21 respecto a la producción de predicciones sin unidades.

El módulo detector de aprendizaje automático asigna a cada vocalización de ave detectada una puntuación de confianza cuantitativa entre 0 y 1, lo que indica cuán seguro está el software de que el sonido detectado ha sido correctamente identificado como una especieparticular 18,19,21. La precisión, definida como la proporción de detecciones que son verdaderas positivas (es decir, identificaciones correctas), es una métrica clave influenciada por estapuntuación 22. En consecuencia, una puntuación de confianza más alta puede producir menos detecciones, pero con mayor precisión, aunque detectar errores especialmente en entornos ruidosos, y una puntuación más baja puede producir más detecciones con menor precisiónsegura 22,23. La relación entre las puntuaciones de confianza y la precisión es compleja; a menudo se encuentra que algunas puntuaciones de confianza altas pueden ser falsos positivos, por ejemplo en lugares con altos niveles de ruido de fondo, o en especies que probablemente imiten vocalizaciones de otrasespecies 23,24. Debido a la variabilidad en la precisión entre especies y ubicaciones, es posible durante el proceso de configuración asignar umbrales individuales de puntuación de confianza a cada especie de ave, de modo que solo se etiquetarán las detecciones con puntuaciones superiores a ese umbral. Se podría aplicar un umbral alto de puntuación de confianza universal en todas las especies y ubicaciones, sin embargo, hacerlo suele aumentar el número de falsos negativos (identificaciones perdidas)22,25,26, mientras que el número de falsos positivos varía entre especies y con diferencias ambientales entre registros.

Varios estudios y guías de buenas prácticas describen distintos métodos para determinar un umbral óptimo de puntuación de confianza al que ejecutar el módulo detector de aprendizaje automático para especies y ubicaciones específicas de estudio, permitiendo que las detecciones sean aceptadas con mayor confianza como verdaderos positivos 21,24,26,27,28. Un enfoque consiste en calcular puntuaciones F a lo largo de un rango de umbrales de confianza y seleccionar el umbral que maximice la puntuación F, equilibrando tanto la precisión como la memoria29,30. Un enfoque alternativo, que permite la calibración de probabilidad, consiste en validar manualmente un subconjunto aleatorio de predicciones y ajustar una regresión logística para establecer una relación entre el resultado de validación binaria (detección verdadera/falsa) y la puntuación de confianzaasociada 21. Este método puede utilizarse para determinar umbrales específicos de contexto, que pueden ajustarse según especies y condiciones ambientales (por ejemplo, variando el ruido de fondo)19. Estos métodos se han aplicado en estudios de monitorización acústica pasiva en monos gris aulladores de Yucatán (Alouatta pigra), lobos grises (Canis lupus) y coyotes (C. latrans)27,28.

El objetivo de este artículo de métodos es demostrar y validar una metodología escalable para extraer de forma precisa y fiable datos vocales específicos de especies a partir de grandes conjuntos de datos acústicos utilizando el modelo de reconocimiento sonoro aviar basado en aprendizaje automático dentro del software de análisis bioacústico Raven Pro (ver 1.6)19,31. Este enfoque incorpora el cálculo de umbrales apropiados de puntuación de confianza siguiendo las21 directrices de buenas prácticas de Wood y Kahl. Aunque estas directrices21 proporcionan un marco integral para aplicar las puntuaciones de confianza dentro del modelo19 de reconocimiento acústico aviar basado en aprendizaje automático, se presentan principalmente como recomendaciones de mejores prácticas. Pocos estudios han operacionalizado estos procedimientos en sistemas de estudio ARU distribuidos bajo restricciones realistas de monitorización, donde las condiciones acústicas y el ruido de fondo varíanespacialmente 22. Este protocolo (Figura 1) es especialmente adecuado para estudios de monitorización acústica pasiva a gran escala que involucran múltiples sitios, entornos acústicos variables o especies objetivo con altas tasas de clasificación incorrecta. Además, la implementación de estas directrices en el software de análisis bioacústico (ver 1.6)19,31, una plataforma más accesible y fácil de usar en comparación con entornos basados encodificación, no se había demostrado previamente.

figure-introduction-1
Figura 1: Representación esquemática de todo el flujo de trabajo. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Para cubrir esta brecha, aplicamos y validamos el protocolo utilizando conjuntos de datos a gran escala grabados con AudioMoths - ARUs (ver 1.2.0)34,35, en una amplia variedad de hábitats. Nuestra especie focal, el petirrojo europeo (Erithacus rubecula), presenta alta variabilidad del canto y complejidadestructural 36,37, y demostró susceptibilidad a la identificación errónea en los análisis piloto iniciales. Aplicando umbrales específicos de puntuación de confianza por especie y sitio a la configuración del modelo de reconocimiento sonoro aviar basado en aprendizaje automático dentro del software de análisisbioacústico 19,31, evaluamos el protocolo bajo condiciones acústicas variables, incorporando distintos niveles de ruido de fondo y ensamblajes de especies, y demostramos que adaptar la optimización de umbrales puede mejorar sustancialmente la precisión de detección en comparación con la configuración predeterminada. Este enfoque está diseñado para facilitar la aplicación accesible, simplificada y eficiente del modelo de reconocimiento acústicoaviar basado en aprendizaje automático 19 en estudios PAM a gran escala, con una codificación mínima.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

Declaración ética
Este protocolo sigue las directrices éticas de la Universidad John Moores de Liverpool. La metodología implicaba únicamente monitorización acústica pasiva y no incluía el manejo, perturbación ni manipulación experimental de animales. No se requerían procedimientos peligrosos para desplegar las ARU. Las ARU se desplegaron de acuerdo con las directrices de investigación institucional y trabajo de campo, y se instaló señalización adecuada en los lugares de grabación para informar al público sobre la monitorización acústica. Sin embargo, se recomienda encarecidamente consultar las previsiones meteorológicas antes de realizar actividades de campo y realizar una evaluación de riesgos para cada sitio de campo.

Software, licencias y uso
NOTA: Los datos de la ARU deben procesarse utilizando el modelo de reconocimiento sonoro aviar basado en aprendizaje automático dentro del software de análisis bioacústico (v1.6)19,31, y las salidas del detector también se procesan en el mismo software (v1.6)31. Este es un software con licencia y no está disponible gratuitamente; el uso del flujo de trabajo descrito aquí requiere acceso mediante una licencia institucional o individual. Además, el modelo de reconocimiento de sonido aviar basado en aprendizaje automático dentro del software (v1.6)19,31, actualmente no funciona en dispositivos Apple con arquitectura de procesador basada en ARM (chips M1 o M2), sin embargo, este protocolo es compatible con ordenadores basados en macOS con CPUs Intel y sistemas operativos Windows

1. Recopilación de datos de audio

  1. Preparar las ARUs para el despliegue
    1. Insertar baterías en las ARUs (durante este experimento se usaron pilas alcalinas recargables).
    2. Insertar tarjetas de memoria extraíbles de tamaño adecuado en relación con la cantidad de datos a recopilar (durante este experimento se usaron tarjetas de memoria extraíbles de 2 GB).
      Nota: Para programas de grabación que producían 108 archivos de 1 minuto al día durante un periodo de 30 días (véase el paso 1.2.5.2), cada archivo tenía aproximadamente 5760 kB, lo que resultaba en un volumen total de datos de 622 MB. Con un consumo energético diario estimado de 26 mAh. Por ello, se usaban tarjetas de memoria extraíbles con una capacidad de 2 GB para los resultados representativos y así proporcionar almacenamiento suficiente. Además, las pilas alcalinas recargables conservaban la energía útil durante el mayor periodo posible, a diferencia de las baterías de litio AA y las NiMH recargables, bajo las condiciones de prueba.
  2. Configurar cada ARU para su despliegue
    1. Descarga la 'aplicación de actualización de firmware de dispositivos ARU'39 y la 'aplicación de configuración de dispositivos ARU'40 desde la 'Página de descarga de aplicaciones' en la webde ARU 41.
    2. Conecta las ARUs individualmente a un ordenador usando un cable de transferencia de datos.
    3. Asegúrate de que el dispositivo esté en modo USB/Apagado .
    4. Utiliza la 'aplicación de actualización de firmware de dispositivos ARU'39 para actualizar los dispositivos al firmware más reciente.
    5. Utiliza la 'aplicación de configuración de dispositivos ARU'40 para configurar las ARUs para que graben en una hora objetivo del día durante un número seleccionado de días. Determina los periodos de registro activo e intervalos de sueño.
      1. Identifica las ventanas temporales en las que las especies objetivo están más activas (por ejemplo, el coro del amanecer para aves diurnas) y programa los periodos de registro en consecuencia.
      2. Establece un ciclo de trabajo adecuado, especificando cuánto tiempo las ARUs están registrando activamente frente a las que están en modo de suspensión.
        Ejemplo: Para estos resultados representativos, las ARUs estaban programadas para registrar diariamente entre las 4:00 y las 9:00 de la mañana y las 17:00–21:00 del 1 al 30de junio de 2023. Estas ventanas temporales se seleccionaron para capturar tanto el coro del amanecer como el del anochecer. Durante los periodos activos, los dispositivos grababan archivos WAV de 1 minuto seguidos de un intervalo de sueño de 4 minutos, resultando en un total de 108 grabaciones de 1 minuto al día.
        Nota: Las ARU pueden grabar de forma continua, pero esto aumenta rápidamente el consumo de batería y el uso de tarjetas de memoria extraíbles.
      3. Utiliza la 'aplicación de configuración de dispositivos ARU'42 para configurar los dispositivos y grabar a una frecuencia de muestreo de 48 kHz, como se recomienda para capturar un rango completo de vocalizaciones de aves34,35 y con ganancia media (normalmente dejada por defecto salvo que se grabe en entornosruidosos 34,35). Se pueden usar otras tasas de muestreo dependiendo de la frecuencia de vocalizaciones de especies objetivo; por ejemplo, para fauna ultrasónica, como murciélagos o anfibios, se utiliza una frecuencia de muestreo de 384 kHz35.
    6. Después de configurar todas las ARUs, cambia cada dispositivo al modo PERSONALIZADO .
  3. Protección y etiquetado de dispositivos
    1. Inserta cada dispositivo ARU en una bolsa antiestática Ziplock. Utiliza cinta impermeable adicional según sea necesario para evitar daños por agua. Coloca sobres de gel de sílice dentro de las bolsas para absorber la humedad.
    2. Etiqueta cada ARU por número y su ubicación.
  4. Despliegue de ARU
    1. Determinar las ubicaciones para desplegar las ARUs dentro del hábitat de la especie objetivo.
    2. Despliega las ARUs a distancias apropiadas a los requisitos del estudio y a las especies objetivo.
      Nota: La distancia de detección depende del hábitat, el ruido de fondo y el volumen de llamadas de la especie. Mientras que las especies ruidosas (por ejemplo, el avetoro euroasiático) pueden ser detectadas por ARUs hasta 800 m, los registros se degradan a distancias más largas, limitando las mediciones a escalafina en 20. Aquí, se analizó una ARU por sitio, con unidades separadas por unos 100 m para asegurar una buena cobertura espacial y vocalizaciones claras. Ajusta el espaciamiento según la especie, el hábitat y los objetivos del proyecto.

2. Uso del módulo detector de aprendizaje automático en el software de análisisbioacústico 19,31 para la detección automática de especies

  1. Transferir datos de audio
    1. Tras finalizar el periodo de despliegue, retirar las tarjetas de memoria extraíbles de las ARU, tomando nota de qué tarjetas de memoria extraíbles corresponden a cada ARU numerada.
    2. Transfiere todos los archivos WAV de cada tarjeta de memoria extraíble a un ordenador usando un lector de tarjetas.
    3. Organiza todos los archivos WAV generados por cada ARU en carpetas etiquetadas con el número y ubicación correspondientes de la ARU.
    4. Guarda las versiones de seguridad de todos los datos en dispositivos adicionales. Punto de pausa: El protocolo puede pausar aquí.
    5. Restringir el acceso a estos datos a los investigadores autorizados del proyecto y asegurarse de que los datos estén protegidos por contraseña para mantener la confidencialidad, especialmente cuando la actividad humana pueda haber sido registrada inadvertidamente.
  2. Configurar el módulo detector de aprendizaje automático
    1. Abre el software de análisis bioacústico31 y, en el menú desplegable, selecciona Herramientas > Detector > Detector de Aprendizaje.
    2. En la ventana Elegir entradas del detector , selecciona Explorar. En la siguiente ventana de Abrir archivos de sonido , selecciona todos los archivos WAV dentro de la carpeta ARU correspondiente y haz clic en Abrir (Archivos suplementarios S1 y S2).
    3. En la ventana Configurar Nuevo Sonido que se abre, bajo Paginación > Sonido de Página, introduzca el Tamaño de Página correspondiente para la duración de cada grabación (por ejemplo, 60 s para archivos WAV de 1 minuto) (Archivo Suplementario S3).
    4. En la misma ventana Configurar nuevo sonido, en Múltiples archivos selecciona Abrir como secuencia de archivos en una ventana, y luego haz clic en OK (Archivo Suplementario S3).
    5. En la ventana que regresa Elegir entradas del detector , selecciona Forma de onda en Señales y Vistas Disponibles a la derecha y haz clic en el botón de flechas << para moverlo a Entradas requeridas. Confirma que el estado bajo la casilla de Entradas Requeridas es ¡Listo! y haz clic en OK (Archivo Suplementario S4).
    6. En la ventana Configurar el detector de aprendizaje automático que aparece, en la pestaña de Entradas , selecciona el modelo deseado desde Seleccionar modelo. Al analizar especies de aves, se utiliza el modelo global de clasificación de aves, que entre varias actualizaciones incluye más de 3000–6000 especiesde aves 19 (Archivo Suplementario S5).
    7. En la pestaña Entradas , deja la Superposición en el valor predeterminado de 0 s para evitar cualquier interferencia con el análisis de umbral de puntuación de confianza posterior (Archivo Suplementario S5).
    8. En la pestaña Salidas , seleccione el menú desplegable Archivo de Clase de Salida y seleccione la lista de salida que se relacione con la ubicación geográfica del estudio (Archivo Suplementario S6).
    9. En la pestaña Salidas habrá una lista de especies de aves relevantes para el Archivo de Clase de Salida elegido. Baja el umbral a 0.1 y selecciona Aplicar todo, asegúrate de que todos los valores bajo umbral estén ahora en 0.1 en la lista (Archivo suplementario S6).
    10. Selecciona la opción Suprimir todas las especies y aparecerán las marcas en todas las casillas de la lista de especies. Luego localiza la especie objetivo y desmarquéala en la columna Suprimir (Archivo Suplementario S6).
    11. Selecciona OK para iniciar el Detector de Aprendizaje, que procesará los archivos y creará selecciones donde haya detectado las vocalizaciones de las especies objetivo.
    12. Supervisa al Gestor de Progreso para registrar el porcentaje de completados y el tiempo restante (Archivo Suplementario S7).
  3. Guardar la salida del Detector de Aprendizaje
    Nota: Durante el procesamiento se generará una tabla del Detector de Aprendizaje que se mostrará bajo la vista del espectrograma. Las selecciones numeradas en esta tabla corresponden a las selecciones identificadas por el detector en la vista del espectrograma. Cada selección se fija en 3 segundos de duración y puede que no siempre se repita durante toda la vocalización detectada. A cada selección se le asigna una etiqueta de identificación y una puntuación en la tabla de selección (Archivo Suplementario S8). Estas puntuaciones son una predicción sin unidades y se utilizarán en el análisis de regresión logística en etapas posteriores.
    1. Seleccione Archivo > Guardar Tabla de Selección "Detector de aprendizaje" como y guarde el archivo usando el nombre de la ARU y un identificador como: AM1_LearningDetectorTable_Original.txt.

3. Crear tablas de precisión para las especies objetivo en un ARU representativo de cada ubicación de estudio

  1. Prepara el conjunto de datos de validación
    1. Abre la tabla de selección del Detector de Aprendizaje que se guardó en el paso 2.3.1 y transfírela a un software de hoja de cálculo.
    2. Confirma que solo aparece la especie objetivo en la columna de Etiqueta .
    3. Elimina todas las columnas excepto las de Selección y Puntuación.
    4. Aleatoriza las filas usando la función de aleatorización de la hoja de cálculo (por ejemplo, añade una columna usando =RAND(), ordena esta columna y luego elimina la columna de aleatorización).
    5. Conservar las primeras 300 detecciones aleatorizas, si existen menos de 300, conservar todas las detecciones.
      Nota: Seleccionar 300 detecciones para validación es estándar en estudios similares que utilizan 1 mes de datosacústicos 24. Este tamaño de muestra estima la precisión y las tasas de etiquetado incorrecto de forma fiable, captura una variedad de puntuaciones de detección y mantiene la carga de trabajo manejable. Puede que se necesiten más selecciones para conjuntos de datos más largos.
    6. Guarda el conjunto de datos de validación usando el nombre de ARU que se está analizando y un identificador como: AM1_ValidationDataset.xlsx.
  2. Preparar software de análisis bioacústico para validación manual
    1. Abre el software31, selecciona Archivo > Abrir Archivos de sonido... y en la ventana Abrir Archivos de Sonido selecciona todos los archivos WAV correspondientes para la ARU que se está analizando y haz clic en Abrir.
    2. En la ventana Configurar nuevo sonido que se abre, en Paginación, selecciona Sonido de Página e introduce el tamaño de página usado en el paso 2.2.3. En Varios archivos , selecciona Abrir como secuencia de archivos en una ventana y selecciona OK.
    3. Navega al archivo > abre la tabla de selección... y abrir la Tabla de Detección de Aprendizaje para el ARU que se está analizando guardado en el paso 2.3.1.
    4. En el panel a la izquierda de la vista de Sonido , en la pestaña de Diseños, en Vistas:, desselecciona la vista de Forma de Onda para que todos los archivos se muestren en la vista de Espectrograma y así permitir la confirmación visual de la estructura de vocalización.
  3. Validar selecciones aleatorias
    1. Junto con el software de análisisbioacústico 31 con los datos preparados listos para validación manual, abre la hoja de cálculo de validación guardada en el paso 3.1.6.
    2. Crea una nueva columna en la hoja de cálculo etiquetada como Detectado correctamente.
    3. Localiza cada número de selección de la lista aleatorizada dentro de la vista del espectrograma e introduce si ha sido detectado correctamente (1) o incorrectamente (0) en la columna de Detectado correctamente.
  4. Calcular la precisión del detector
    1. Calcular la precisión del detector (antes de la regresión logística) para la ARU y la especie objetivo usando la fórmula:
    2. Precisión (%) = (Número de detecciones correctas/Total de detecciones validadas) x 100
    3. Para conjuntos de datos con precisión del 90% o más, conserva la configuración actual del detector.
    4. Para conjuntos de datos con precisión inferior al 90%, continúa con la sección 4 para ajustar un análisis de regresión logística que determina el umbral óptimo al que el detector debe funcionar.
      Nota: Cuando la precisión cae por debajo del 90%, las altas tasas de etiquetado incorrecto dificultan la extracción fiable de vocalizaciones sin ajuste del umbral. Un corte del 90% equilibra la fiabilidad de la detección con un tamaño de muestra adecuado. Estudios previos de calibración de modelos de reconocimiento sonoro aviar basados en aprendizaje automático también consideran que tasas de precisión del 90% o superiores son suficientementefiables en 42.

4. Realizar un análisis de regresión logística en las tablas de validación para generar un umbral óptimo de puntuación de confianza

  1. Genera umbrales de puntuación de confianza, utilizando las21 directrices de Wood & Kahl
    1. Utiliza el software R32 para importar el conjunto de datos de validación creado en la sección 3.
    2. Ejecuta una regresión logística usando la función de modelado lineal generalizado con la familia como binomial en el conjunto de datos.
    3. Establezca la probabilidad deseada de precisión en 0,9, esto significa que la probabilidad de que una detección sea un verdadero positivo será del 90% o más.
      Nota: Establecer la probabilidad deseada de precisión a 0,9 garantiza que la mayoría de las detecciones sean verdaderos positivos; sin embargo, incluso a este nivel pueden ocurrir falsos positivos en grandes conjuntos de datos acústicos y los usuarios deben ser conscientes de esta limitación. Un umbral de precisión del 90% permite a los usuarios mantener un alto número de detecciones correctas, mientras que retener suficientes datos para un análisis robusto, aspirar al 100% limitaría los datos utilizables.
    4. Calcula el umbral óptimo resolviendo la ecuación de regresión logística ajustada para el valor predictor (puntuación de confianza) que da una probabilidad predicha de 0,9 usando el Scripto de Análisis de Regresión Logística que se muestra a continuación:
      figure-protocol-1
      p = 0,9, y β0 y β1 son la intersección y la pendiente respecto al modelo ajustado
      Scripton de Análisis de Regresión Logística para software de computación estadística
      # Tabla de validación de carga
      ThresholdRobin <-read.csv('ValidationTableRobin.csv')
      # Ejecutar regresión logística
      Model1<-glm(Correctamente.Detectado~Puntuación, data=ThresholdRobin, family='binomial')
      Model1
      # Probabilidad deseada por encima del 90% de precisión
      p <- 0,9 # el p deseado (probabilidad de positivo verdadero)
      umbral <- (log(p/(1-p))- Coeficientes Model1$[1]) / Coeficientes Model1$ [2]
      Nota: En lugar de usar la Puntuación Logit como en estudiosanteriores 24,27 como variable independiente, utiliza las puntuaciones de confianza brutas como variable independiente. En las21 directrices de Wood y Kahl se menciona que se pueden usar tanto las puntuaciones de confianza brutas como versiones retro-transformadas.
  2. Aplica la puntuación óptima de confianza
    1. Abre el software de análisis bioacústico31.
    2. Vuelve a ejecutar el Detector de Aprendizaje en la ARU que se está investigando siguiendo los pasos de la sección 2. Sin embargo, esta vez en el proceso de configuración, el umbral para la especie objetivo detectada debe cambiarse al umbral determinado en la sección 4.1 del protocolo.
    3. (Opcional) Aumenta la superposición a 2 s para aumentar la resolución de detección.
      Nota: El valor de solapamiento determina cuánto se solapan los segmentos detectados adyacentes. A 0 s pueden pasar por alto vocalizaciones en los bordes de los segmentos (falsos negativos). El aumento de la superposición mejora la resolución de detección y el poder predictivo, pero ralentiza el análisis19,29. Aquí, para la regresión logística, se utilizó una superposición por defecto de 0 s. Con los resultados representativos y los umbrales de puntuación de confianza calculados en el análisis de regresión logística, se prueba una superposición de 0 y 2 s.
    4. Se creará una nueva lista de detecciones que ahora debería ser más precisa, con menos falsos positivos (véase Resultados).
    5. Guarda la nueva salida del Detector de Aprendizaje con la lista de detecciones generadas usando el umbral derivado de puntuación de confianza seleccionando la tabla de selección de archivo > guardar "Detector de aprendizaje" como y guarda el archivo usando el nombre de la ARU y un identificador como: AM1_LearningDetectorTable_OptimisedThreshold.txt.
    6. Este archivo representa el conjunto de datos final validado generado por el protocolo. Utiliza la tabla de selección del detector de aprendizaje optimizado guardada como la salida final de este protocolo. Tenga en cuenta que análisis posteriores, como la anotación de vocalizaciones y la extracción de parámetros acústicos, quedan fuera del alcance de este método.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

Para ilustrar la eficacia del protocolo descrito, presentamos resultados representativos del análisis de datos acústicos del petirrojo europeo (Erithacus rubecula) recogidos en tres yacimientos de ambientes y conjuntos de especies aviares variados, incluyendo un parque en Liverpool (ARU 1), un yacimiento forestal de regeneración natural dentro del Parque Nacional de los Cairngorms (ARU 2) y un yacimiento suburbano en Glasgow (ARU 3). Estos ejemplos demuestran cómo la aplicación ...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

El uso del protocolo descrito en este artículo proporciona un método fiable y simplificado para generar conjuntos de datos específicos de la especie y clasificados con precisión de vocalizaciones de aves, lo cual ha demostrado ser útil al manejar grandes conjuntos de datos de audio. Decidimos probar el protocolo en el petirrojo europeo debido a su conocida variabilidad estructural y de frecuencia dentro de sus repertoriosde canciones 43. Esto significa que inicial...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Los autores no tienen intereses financieros en competencia.

Agradecimientos

Agradecemos a la Universidad John Moore de Liverpool por su orientación y recursos. También agradecemos a la Iniciativa de Animales Salvajes (WAI) por el apoyo financiador; esta investigación fue financiada por subvenciones WAI (S-2023–00038).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Unidades de Grabación Autónomas v1.2.0Dispositivos acústicos abiertosN/AUnidad autónoma de grabación (ARU)
Software de análisis bioacústico v1.6.5Laboratorio de Ornitología de CornellRRID:SCR_016190Software de análisis de sonido
Cable de transferencia de datosDiversos fabricantesN/AUtilizado para transferir datos desde dispositivos
Aplicaciones de configuración de dispositivosDispositivos acústicos abiertosN/AAplicaciones para configurar AudioMoths
Módulo de Detección de Aprendizaje Automático v2.4Laboratorio de Ornitología de CornellN/ADetector de aprendizaje automático 
Pilas alcalinas recargablesDiversos fabricantesN/AFuente de alimentación para unidades de grabación
Tarjetas de memoria extraíblesDiversos fabricantesN/AAlmacenamiento de datos para grabaciones
Software de Computación EstadísticaEquipo Principal RRRID:SCR_001905Software de computación estadística

Referencias

  1. Briefer, E. F. Vocal expression of emotions in mammals: Mechanisms of production and evidence. J Zool. 288 (1), 1-20 (2012).
  2. 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).
  3. Sebastián-González, E., Pang-Ching, J., Barbosa, J. M., Hart, P. Bioacoustics for species management: two case studies with a Hawaiian forest bird. Ecol Evol. 5 (20), 4696-4705 (2015).
  4. Raich, X., et al. Use of bioacoustics in species identification: Piranhas from genus Pygocentrus (Teleostei: Serrasalmidae) as a case study. PLOS One. 15 (10), e0241316(2020).
  5. Pillay, R., et al. Bioacoustic monitoring reveals shifts in breeding songbird populations and singing behaviour with selective logging in tropical forests. J Appl Ecol. 56 (11), 2482-2492 (2019).
  6. Teixeira, D., Maron, M., van Rensburg, B. J. Bioacoustic monitoring of animal vocal behaviour for conservation. Conserv Sci Pract. 1 (8), e72(2019).
  7. Coutant, M., Villain, A. S., Briefer, E. L. A scoping review of the use of bioacoustics to assess various components of farm animal welfare. Appl Anim Behav Sci. 275, 106286(2024).
  8. Mcloughlin, M. P., Stewart, R., McElligott, A. G. Automated bioacoustics: methods in ecology and conservation and their potential for animal welfare monitoring. J R Soc Interface. 16 (155), 20190225(2019).
  9. Shonfield, J., Bayne, E. M. Autonomous recording units in avian ecological research: Current use and future applications. Avian Conserv Ecol. 12 (1), 14(2017).
  10. Newson, S. E., Bas, Y., Murray, A., Gillings, S. Potential for coupling the monitoring of bush-crickets with established large-scale acoustic monitoring of bats. Methods Ecol Evol. 8 (9), 1051-1062 (2017).
  11. Wheeldon, A., et al. Comparison of acoustic and traditional point count methods to assess bird diversity and composition in the Aberdare National Park, Kenya. Afr J Ecol. 57 (2), 168-176 (2019).
  12. Zwart, M. C., Baker, A., McGowan, P. J. K., Whittingham, M. J. The Use of Automated Bioacoustic Recorders to Replace Human Wildlife Surveys: An Example Using Nightjars. PLoS ONE. 9 (7), e102770(2014).
  13. Xie, J., et al. Review of automatic recognition technology for bird vocalizations in the deep learning era. Ecol Inform. 73, 101927(2023).
  14. Yang, F., Jiang, Y., Xu, Y. Design of bird sound recognition model based on lightweight. IEEE Access. 10, 85189-85198 (2023).
  15. Liao, Z., et al. Automatic recognition of giant panda vocalizations using wide spectrum features and deep neural network. Math Biosci Eng. 20 (8), 15456-15475 (2023).
  16. Jaafar, H., Ramli, D. A. Automatic syllables segmentation for frog identification system. 2013 IEEE 9th International Colloquium on Signal Processing and its Applications, Kuala Lumpur, Malaysia, , https://ieeexplore.ieee.org/document/6530046 224-228 (2013).
  17. Ware, L., Mahon, C. L., McLeod, L., Jetté, J. F. Artificial intelligence (BirdNET) supplements manual methods to maximize bird species richness from acoustic data sets generated from regional monitoring. Can J Zool. 101 (12), 1031-1051 (2023).
  18. Kahl, S., Wood, C. M., Eibl, M., Klinck, H. BirdNET: A deep learning solution for avian diversity monitoring. Ecol Inform. 61, 101236(2021).
  19. Kahl, K., Wood, C., Klinck, M. Cornell Lab of Ornithology. BirdNET: Bird sound identification. [computer program]. , The Cornell Lab of Ornithology. Ithica (NY). https://birdnet.cornell.edu (2021).
  20. Manzano-Rubio, R., et al. Low-cost open-source recorders and ready-to-use machine learning approaches provide effective monitoring of threatened species. Ecol Inform. 72, 101910(2022).
  21. Wood, C. M., Kahl, S. Guidelines on the appropriate use of BirdNet scores and other detector outputs. J Ornithol. 165, 777-782 (2024).
  22. Pérez-Granados, C. BirdNET: applications, performance, pitfalls and future opportunities. Ibis. 165 (3), 1068-1075 (2023).
  23. Singer, D., et al. Aggregated time-series features boost species-specific differentiation of true and false positives in passive acoustic monitoring of bird assemblages. Remote Sens Ecol Conserv. 10 (4), 517-530 (2024).
  24. Bota, G., et al. Hearing to the Unseen: AudioMoth and BirdNET as a Cheap and Easy Method for Monitoring Cryptic Bird Species. Sensors. 23 (16), 7176(2023).
  25. Amorós-Ausina, A., Schuchmann, K. -L., Marques, M. I., Pérez-Granados, C. Living together, singing together: Revealing similar patterns of vocal activity in two tropical songbirds applying BirdNET. Sensors. 24 (17), 5780(2024).
  26. Tseng, S., Hodder, D. P., Otter, K. A. Setting BirdNET confidence thresholds: species-specific vs. universal approaches. J Ornithol. 166 (4), 1123-1135 (2025).
  27. Wood, C. M., Cruz, A. B., Kahl, S. Pairing a user-friendly machine-learning animal sound detector with passive acoustic surveys for occupancy modelling of an endangered primate. Am J Primatol. 85 (8), e23507(2023).
  28. Sossover, D., Burrows, K., Kahl, S., Wood, C. M. Using the BirdNET algorithm to identify wolves, coyotes, and potentially their interactions in a large audio dataset. Mamm Res. 69, 159-165 (2024).
  29. Funosas, D., et al. Assessing the potential of BirdNET to infer European bird communities from large-scale ecoacoustic data. Ecol Indic. 164, 112146(2023).
  30. Ziegenhorn, M. A., et al. ArcticSoundsNET: BirdNET embeddings facilitate improved bioacoustic classification of Arctic species. Ecol Inform. 90, 103270(2025).
  31. Raven Pro: Interactive sound analysis software. [Computer program]. , Version 1.6, The Cornell Lab of Ornithology. https://ravensoundsoftware.com/ (2025).
  32. R Core Team. R: A language and environment for statistical computing [computer program]. , R Foundation for Statistical Computing. https://www.R-project.org/ (2024).
  33. Python Language Reference [Internet]. , Version 3.14.3, Python Software Foundation. https://www.python.org (2026).
  34. Hill, A. P., et al. AudioMoth: Evaluation of a Smart open Acoustic Device for Monitoring Biodiversity and the Environment. Methods in Ecol and Evol. 9 (5), 1199-1211 (2017).
  35. Hill, A. P., et al. AudioMoth: A low-cost acoustic device for monitoring biodiversity and the environment. HardwareX. 6, e00073(2019).
  36. Bremond, J. C. Recherche sur la semantique et les elements vecteurs d'information dans les signaux aeoustiques du rouge-gorge (Erithacus rubecula). Terre Vie. 22, https://hal.science/hal-03531635v1 109-220 (1968).
  37. Hoelzel, A. R. Song characteristics and response to playback of male and female robins, Erithacus rubecula. Ibis. 128, 115-127 (1968).
  38. Sandbrook, C., et al. Principles for the socially responsible use of conservation monitoring technology and data. Conserv Sci Pract. 3 (5), e374(2021).
  39. AudioMoth Flash App [computer program]. , Version 1.7.0, Open Acoustic Devices. https://www.openacousticdevices.info/applications (2025).
  40. AudioMoth Configuration App [computer program]. , Version 1.12.1, Open Acoustic Devices. https://www.openacousticdevices.info/applications (2025).
  41. Applications. , Open Acoustic Devices. https://www.openacousticdevices.info/applications (2025).
  42. Sethi, S. S., et al. Large-scale avian vocalization detection delivers reliable global biodiversity insights. Proc Natl Acad Sci U S A. 121 (33), e2315933121(2024).
  43. Verboom, W. C. Bird vocalizations: songs of the European robin (Erithacus rubecula). JunoBioacoustics. 202107, (2021).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Etiquetas

Detecci n del petirrojo europeomonitoreo ac stico pasivodetector de aprendizaje autom ticoan lisis bioac sticounidades de grabaci n aut nomasumbral de puntuaci n de confianza
Mejorando la precisión de detección de un modelo de reconocimiento sonoro aviar mediante regresión logística de grandes conjuntos de datos acústicos: un estudio de caso del petirrojo europeo (Erithacus rubecula)
Contáctenos
Recomendar a la biblioteca

Privacidad

Condiciones de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.