Améliorer la précision de détection d'un modèle de reconnaissance sonore aviaire via la régression logistique de grands ensembles de données acoustiques : étude de cas du rouge-gorge européen (Erithacus rubecula)

Nos recherches portent sur le développement d’un cadre pour aider les bioacousticiens à améliorer la précision de la détection automatisée des espèces acoustiques. Sans une configuration appropriée, les modèles de reconnaissance sonore aviaire ont du mal à détecter avec précision les vocalisations. Ce protocole vise à accroître la précision en déterminant les seuils de confiance spécifiques aux espèces et au site.

Pour commencer, connectez chaque ARU individuellement à un ordinateur à l’aide d’un câble de transfert de données et passez les ARU en mode USB. Utilisez l’application de configuration des appareils ARU AudioMoth pour définir les ARU afin de déterminer les intervalles de sommeil et les périodes d’enregistrement actif. Identifiez les fenêtres temporelles où les espèces cibles sont les plus actives et planifiez les périodes d’enregistrement en conséquence.

Ajoutez plusieurs périodes d’enregistrement et planifiez les dates d’enregistrement en choisissant les dates de la première et de la dernière date. Utilisez l’application de configuration des dispositifs ARU pour régler les dispositifs afin qu’ils enregistrent à une fréquence d’échantillonnage de 48 kilohertz avec un gain moyen. Insérez chaque appareil ARU dans un sac Ziploc antistatique et appliquez du ruban adhésif étanche supplémentaire si nécessaire pour éviter les dégâts des eaux.

Ensuite, déployez les dispositifs ARU sur le terrain et passez-les en mode personnalisé. Transférez tous les fichiers wave de chaque carte mémoire amovible vers un ordinateur. Ouvrez le logiciel d’analyse bioacoustique Raven Pro 1.6, sélectionnez Outils, puis Détecteur, et choisissez Détecteur d’apprentissage dans le menu déroulant.

Dans la fenêtre Choisir les entrées du détecteur, sélectionnez Parcourir. Dans la fenêtre suivante Ouvrir les fichiers sonores, sélectionnez tous les fichiers d’ondes dans le dossier ARU concerné et cliquez sur Ouvrir. Cela ouvrira la fenêtre Configurer un nouveau son.

Dans la fenêtre Configurer un nouveau son, sous Pagination et Son de page, saisissez la taille de page appropriée pour la durée de chaque enregistrement. Ensuite, sous Plusieurs fichiers, sélectionnez Ouvrir en séquence de fichiers dans une fenêtre et cliquez sur OK. Une fenêtre pop-up Séquence de fichiers ouverts et une fenêtre Choisir les entrées du détecteur apparaissent, montrant l’ajout des fichiers sélectionnés à la séquence. Dans la fenêtre de retour Choisir les entrées du détecteur, sélectionnez Forme d’onde sous Signaux et vues disponibles et déplacez-la vers Entrées requises en utilisant le bouton Flèche.

Confirmez que le statut dans Entrées requises passe à Prêt et cliquez sur OK. Cela ouvrira la fenêtre Configurer le détecteur d’apprentissage automatique. Dans la fenêtre Configurer le détecteur d’apprentissage automatique, sous l’onglet Entrées, sélectionnez le modèle souhaité dans Select Model. Laissez le chevauchement à zéro seconde par défaut.

Cliquez sur l’onglet Sorties. Ouvrez le menu déroulant pour le fichier de classe de sortie et sélectionnez la liste de sortie correspondant à la localisation géographique de l’étude. Baissez le seuil à 0,1 et sélectionnez Appliquer tout.

Assurez-vous que toutes les valeurs seuils de la liste des espèces sont fixées à 0,1. Sélectionnez l’option Supprimer toutes les espèces afin que toutes les espèces soient sélectionnées. Localisez l’espèce cible et désélectionnez-la dans la colonne Suppression.

Sélectionnez OK pour commencer le traitement du détecteur d’apprentissage. Surveillez le gestionnaire de progression pour suivre le pourcentage de réussite et le temps restant. Ouvrez la table de sélection du détecteur d’apprentissage sauvegardé et transférez-la dans le logiciel de tableur.

Confirmez que seule l’espèce cible apparaît sous la colonne Étiquette. Supprimez toutes les colonnes, sauf celles de Sélection et Score. Ajoutez une nouvelle colonne en utilisant la fonction de randomisation, triez les lignes selon cette colonne, puis supprimez la colonne Randomization.

Conserver les 300 premières détections aléatoires ou toutes conserver si moins de 300 existent. Sauvegardez le jeu de données de validation en utilisant le nom ARU et un identifiant, comme AM1_ValidationDataset. Ouvrez le logiciel d’analyse bioacoustique Raven Pro 1.6 et sélectionnez Fichier.

Ensuite, ouvrez les fichiers sonores pour sélectionner tous les fichiers d’ondes correspondants, puis cliquez sur Ouvrir. Cela ouvrira la fenêtre Configurer un nouveau son. Dans la fenêtre Configurer un nouveau son sous Paginage, sélectionnez le son de la page et entrez la taille de page utilisée précédemment.

Ensuite, sous plusieurs fichiers, sélectionnez Ouvrir en séquence de fichiers dans une fenêtre et cliquez sur OK. Cela ajoutera les fichiers sélectionnés à la séquence et ouvrira le spectrogramme de chaque fichier parmi plusieurs fichiers sélectionnés. Naviguez dans Fichier et sélectionnez Ouvrir la table de sélection pour ouvrir la table de détection d’apprentissage de l’ARU en cours d’analyse. Dans le panneau à gauche de la vue son, sous l’onglet Mises en page et Vues, désélectionnez la vue Forme d’onde, afin que tous les fichiers s’affichent en vue Spectrogramme.

Ouvrez le tableau de validation avec le logiciel d’analyse bioacoustique avec les données préparées. Créez une nouvelle colonne dans le tableau et identifiez-la comme Correctement détectée. Depuis le tableur, sélectionnez un numéro dans la liste aléatoire et entrez-le dans le champ de dessin de la vue spectrogramme.

Ensuite, cliquez sur Lecture. Entrez 1 pour détection correcte ou 0 pour détecté incorrectement dans la colonne Détecté correctement. Calculez la précision du détecteur en utilisant le nombre de détections correctes et le total des détections validées, puis multipliez par 100 pour exprimer en pourcentage.

Utilisez le logiciel RStudio pour importer le jeu de données de validation créé dans la section précédente. Exécutez une régression logistique sur l’ensemble de données en utilisant la fonction de modélisation linéaire généralisée avec l’ensemble familial comme binomial. Fixer la probabilité de précision souhaitée à 0,9, de sorte que la probabilité qu’une détection soit un vrai positif soit de 90 % ou plus.

Calculez le seuil optimal en résolvant l’équation de régression logistique ajustée pour la valeur prédictive et vérifiez la valeur seuil obtenue. Relance le détecteur d’apprentissage sur l’ARU en cours d’investigation en utilisant la configuration précédente du détecteur. Sélectionnez les fichiers son.

Saisissez la taille de la page et sélectionnez Ouvrir en séquence de fichiers dans une fenêtre. Ensuite, sélectionnez Forme d’onde dans la fenêtre Choisir les entrées du détecteur et déplacez-la dans Entrées requises en utilisant le bouton Flèche puis cliquez sur OK. Dans l’onglet Entrées de la fenêtre Configurer le détecteur d’apprentissage automatique, sélectionnez le modèle souhaité et vérifiez que le chevauchement est réglé à zéro seconde. Ensuite, dans l’onglet Sorties, sélectionnez l’emplacement géographique dans le fichier de classe de sortie et changez le seuil pour l’espèce cible au seuil déterminé à l’étape précédente, puis sélectionnez Appliquer tout.

Ensuite, sélectionnez l’option Supprimer toutes les espèces. Décochez la case pour l’espèce cible et cliquez sur OK pour ouvrir la fenêtre du gestionnaire de progression. Enfin, créer une nouvelle liste de détections avec une meilleure précision et moins de faux positifs en utilisant la valeur seuil optimisée.

Les résultats représentatifs de l’analyse des données acoustiques pour le merle européen collectées dans un parc de Liverpool, un site forestier en régénération naturelle au sein du parc national des Cairngorms, et un site suburbain à Glasgow ont montré comment les seuils de score de confiance basés sur les statistiques améliorent la précision de la détection dans différents environnements acoustiques. L’analyse de régression logistique a déterminé un seuil optimal de score de confiance de 0,54 pour le site de Liverpool Park et de 0,23 pour le site des Cairngorms, afin d’atteindre un taux de précision de 90 % ou plus. Relancer le détecteur sur les sites de Liverpool Park et Cairngorms avec le seuil optimisé augmentait la précision de détection à plus de 90 % pour des conditions de chevauchement de zéro et de deux secondes.

Le redémarrage du détecteur sur le site suburbain de Glasgow avec un seuil optimisé de 0,36 a amélioré la précision de détection, mais la précision globale post-régression est restée inférieure à 90 % pour les conditions de chevauchement de zéro et de deux secondes. Ce protocole permet aux chercheurs de générer des détections précises des espèces cibles au sein de vastes ensembles de données acoustiquement diversifiés. Bien que ce protocole réduise les faux positifs et augmente la précision de la détection, il peut également manquer certaines détections véritables, mettant en évidence un compromis clé avec le rappel.

Après la production de détections précises, les vocalisations peuvent être annotées dans le logiciel pour l’extraction des paramètres et une analyse approfondie des comportements acoustiques.