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)

Nuestra investigación se centra en desarrollar un marco para ayudar a los bioacústicos a mejorar la precisión de la detección acústica automatizada de especies. Sin una configuración adecuada, los modelos de reconocimiento sonoro aviar tienen dificultades para detectar con precisión las vocalizaciones. Este protocolo busca aumentar la precisión determinando los umbrales de puntuación de confianza específicos de especies y sitios.

Para empezar, conecta cada ARU individualmente a un ordenador usando un cable de transferencia de datos y cambia las ARUs a modo USB. Utiliza la aplicación de configuración de dispositivos ARU AudioMoth para configurar las ARUs y determinar los intervalos de sueño y los periodos de grabación activa. Identificar las ventanas temporales en las que las especies objetivo están más activas y programar los periodos de registro en consecuencia.

Añade varios periodos de grabación y programa las fechas de grabación eligiendo la primera y la última fecha de grabación. Utiliza la aplicación de configuración de dispositivos ARU para configurar los dispositivos a una frecuencia de muestreo de 48 kilohercios con ganancia media. Inserta cada dispositivo ARU en una bolsa Ziploc antiestática y aplica cinta impermeable adicional según sea necesario para evitar daños por agua.

Luego, despliega los dispositivos ARU en el campo y ponlos en modo personalizado. Transfiere todos los archivos de onda de cada tarjeta de memoria extraíble a un ordenador. Abre el software de análisis bioacústico Raven Pro 1.6 y selecciona Herramientas, luego Detector, y selecciona Detector de aprendizaje en el menú desplegable.

En la ventana Elegir entradas del detector, selecciona Explorar. En la siguiente ventana de Abrir archivos de sonido, selecciona todos los archivos de onda dentro de la carpeta ARU correspondiente y haz clic en Abrir. Esto abrirá la ventana de Configurar Nuevo Sonido.

En la ventana Configurar nuevo sonido, en Paginación y Sonido de página, introduzca el tamaño de página correspondiente a la duración de cada grabación. Luego, en Varios archivos, selecciona Abrir como secuencia de archivos en una ventana y haz clic en Aceptar. Aparece una ventana emergente de Secuencia de Archivos Abiertos y Seleccionar Entradas del Detector, mostrando la adición de archivos seleccionados a la secuencia. En la ventana que regresa, seleccione Forma de onda en Señales y Vistas Disponibles y muévela a Entradas Requeridas usando el botón Flecha.

Confirma que el estado en Entradas Requeridas cambia a Listo y haz clic en Aceptar. Esto abrirá la ventana Configurar el detector de aprendizaje automático. Dentro de la ventana Configurar el detector de aprendizaje automático, en la pestaña Entradas, selecciona el modelo deseado desde Seleccionar modelo. Deja la superposición en el valor por defecto de cero segundos.

Haz clic en la pestaña Salidas. Abre el menú desplegable para el archivo de clase de salida y selecciona la lista de salida correspondiente a la ubicación geográfica del estudio. Baja el umbral a 0,1 y selecciona Aplicar todo.

Asegúrate de que todos los valores umbral en la lista de especies estén fijados en 0,1. Selecciona la opción Suprimir todas las especies para que todas las especies estén seleccionadas. Localiza la especie objetivo y desselecciona la columna Suprimir.

Selecciona OK para comenzar el procesamiento del detector de aprendizaje. Supervisa al gestor de progreso para registrar el porcentaje de finalización y el tiempo restante. Abre la tabla de selección del detector de aprendizaje guardado y transfiere la hoja al software de la hoja de cálculo.

Confirma que solo aparece la especie objetivo en la columna de Etiqueta. Elimina todas las columnas, excepto las de Selección y Puntuación. Añade una nueva columna usando la función de aleatorización, ordena las filas según esa columna y luego elimina la columna de Aleatorización.

Conservar las primeras 300 detecciones aleatorias o conservar todas si existen menos de 300. Guarda el conjunto de datos de validación usando el nombre de ARU y un identificador, como AM1_ValidationDataset. Abre el software de análisis bioacústico Raven Pro 1.6 y selecciona Archivo.

Luego, abre Archivos de Sonido para seleccionar todos los archivos de onda correspondientes y haz clic en Abrir. Esto abrirá la ventana de Configurar Nuevo Sonido. En la ventana Configurar nuevo sonido bajo Paginación, selecciona sonido de página e introduce el tamaño de página usado anteriormente.

A continuación, en varios archivos, selecciona Abrir como secuencia de archivos en una ventana y haz clic en Aceptar. Esto añadirá los archivos seleccionados a la secuencia y abrirá el espectrograma de cada archivo entre varios archivos seleccionados. Navega a Archivo y selecciona Tabla de Selección Abierta para abrir la Tabla de Detección de Aprendizaje para la ARU que se está analizando. En el panel a la izquierda de la vista de sonido, bajo la pestaña de Layouts y Views, desselecciona la vista de Waveform para que todos los archivos se muestren en la vista Spectrograma.

Abre la hoja de validación junto al software de análisis bioacústico con los datos preparados. Crea una nueva columna en la hoja de cálculo y etiquétala como Detectada correctamente. Desde la hoja de cálculo, selecciona un número de la lista aleatoria e introdúcelo en el campo de dibujo dentro de la vista del espectrograma.

Luego, haz clic en Reproducir. Introduce 1 para detectar correctamente o 0 para detectar incorrectamente en la columna de Detectado correctamente. Calcula la precisión del detector usando el número de detecciones correctas y el total de detecciones validadas, y multiplica por 100 para expresarlo como porcentaje.

Utiliza el software RStudio para importar el conjunto de datos de validación creado en la sección anterior. Ejecuta una regresión logística sobre el conjunto de datos usando la función de modelado lineal generalizado con el conjunto familiar como binomial. Fija la probabilidad deseada de precisión en 0,9, de modo que la probabilidad de que una detección sea un positivo verdadero sea del 90% o más.

Calcular el umbral óptimo resolviendo la ecuación de regresión logística ajustada para el valor predictor y verificar el valor umbral obtenido. Vuelve a ejecutar el detector de aprendizaje en la ARU que se está investigando usando la configuración anterior del detector. Selecciona los archivos de sonido.

Introduce el tamaño de la página y selecciona Abrir como secuencia de archivos en una ventana. A continuación, selecciona Forma de onda en la ventana Elegir entradas del detector y muévela a Entradas requeridas usando el botón Flecha y haz clic en OK. En la pestaña Entradas de la ventana Configurar el detector de aprendizaje automático, selecciona el modelo deseado y verifica que la superposición esté establecida en cero segundos. A continuación, en la pestaña de Salidas, selecciona la ubicación geográfica en el archivo de clase de salida y cambia el umbral para la especie objetivo al umbral determinado en el paso anterior y selecciona Aplicar todo.

Luego, selecciona la opción Suprimir todas las especies. Desselecciona la casilla de especies objetivo y haz clic en OK para abrir la ventana del Gestor de Progreso. Finalmente, crear una nueva lista de detecciones con mayor precisión y menos falsos positivos usando el valor umbral optimizado.

Resultados representativos del análisis de datos acústicos del petirrojo europeo recogidos en un parque de Liverpool, un yacimiento forestal de regeneración natural dentro del Parque Nacional de los Cairngorms y un sitio suburbano en Glasgow mostraron cómo los umbrales de puntuación de confianza derivados estadísticamente mejoraron la precisión de detección en distintos entornos acústicos. El análisis de regresión logística determinó un umbral óptimo de puntuación de confianza de 0,54 para el sitio Liverpool Park y 0,23 para el sitio de Cairngorms, logrando una tasa de precisión del 90% o superior. Reejecutar el detector en los sitios de Liverpool Park y Cairngorms con el umbral optimizado aumentó la precisión de detección a más del 90% tanto para condiciones de solapamiento de cero como de dos segundos.

Al volver a ejecutar el detector en el sitio suburbano de Glasgow con el umbral optimizado de 0,36 mejoró la precisión de detección, pero la precisión general post-regresión permaneció por debajo del 90% tanto en condiciones de solapamiento de cero como de dos segundos. Este protocolo permite a los investigadores generar detecciones precisas de especies objetivo dentro de grandes y acústicamente diversos conjuntos de datos. Aunque este protocolo reduce los falsos positivos, aumentando la precisión de la detección, también puede pasar por alto algunas detecciones verdaderas, destacando un compromiso clave con la recuperación.

Tras la producción de detecciones precisas, las vocalizaciones pueden anotarse dentro del software para la extracción de parámetros y un análisis adicional de comportamientos acústicos.