שיפור דיוק הגילוי של מודל זיהוי קול של עופות באמצעות רגרסיה לוגיסטית של מאגרי נתונים אקוסטיים גדולים: מחקר מקרה של הרובין האירופי (Erithacus rubecula)
11 באפריל 2026
מטרת פרוטוקול זה היא לקבוע את ספי דירוג האמון הספציפיים למין ולאתר באמצעות רגרסיה לוגיסטית לשיפור דיוק הגילוי במאגרי נתונים אקוסטיים גדולים המעובדים באמצעות תוכנות זיהוי אקוסטיות אוטומטיות.
המחקר שלנו מתמקד בפיתוח מסגרת שתסייע לביואקוסטיקאים לשפר את הדיוק של זיהוי מינים אקוסטיים אוטומטי. ללא תצורה מתאימה, מודלים של זיהוי קול עופות מתקשים לזהות במדויק קולות. פרוטוקול זה שואף להגדיל את הדיוק על ידי קביעת ספי ציון האמון הספציפיים למינים ובאתר.
כדי להתחיל, חבר כל ARU בנפרד למחשב באמצעות כבל העברת נתונים והעבר את ה-ARU למצב USB. השתמשו באפליקציית AudioMoth ARU כדי להגדיר את ה-ARU ולקבוע את מרווחי השינה ותקופות ההקלטה הפעילה. זהה את חלונות הזמן שבהם מינים יעדים פעילים ביותר, ותזמן את תקופות הרישום בהתאם.
הוסף מספר תקופות הקלטה וקבע את תאריכי ההקלטה על ידי בחירת התאריכים הראשון והאחרון. השתמש באפליקציית קונפיגורציית התקני ARU כדי להגדיר את המכשירים להקליט בקצב דגימה של 48 קילוהרץ עם רווח בינוני. הכנס כל מכשיר ARU לשקית זיפלוק אנטיסטטית ומרח סרט אטום נוסף לפי הצורך כדי למנוע נזקי מים.
לאחר מכן, פרוס את מכשירי ה-ARU בשטח והעבירו אותם למצב מותאם אישית. העבר את כל קבצי הגל מכל כרטיס זיכרון נשלף למחשב. פתח את תוכנת ניתוח הביואקוסטיקה Raven Pro 1.6 ובחר כלים, אחר כך גלאי, ובחר גלאי למידה מהתפריט הנרחב.
בחלון 'בחר קלטי גלאי', בחר 'גלישה'. בחלון Open Sound Files הבא, בחר את כל קבצי ה-wave בתיקיית ARU הרלוונטית ולחץ על פתיחה. זה יפתח את חלון Configure New Sound.
בחלון Configure New Sound Window, תחת Paging ו-Page Sound, הזינו את גודל העמוד המתאים לאורך כל הקלטה. לאחר מכן, תחת מספר קבצים, בחר ב-Open as קובץ רצף בחלון אחד ולחץ על אישור. מופיע חלון חלון Open File Sequence וחלון 'בחר קלטי גלאי', המציג את הוספת קבצים נבחרים לרצף. בחלון בחירת קלטי הגלאי החוזר, בחר צורת גל תחת אותות ותצוגות זמינות והעבר אותו לקלטים נדרשים באמצעות כפתור החץ.
אשר שהסטטוס תחת 'קלטים נדרשים' משתנה ל'מוכן' ולחץ על אישור. זה יפתח את חלון Configure Machine Learning Detector. בתוך חלון Configure Machine Learning Detector, תחת לשונית Inputs, בחר את המודל הרצוי מתוך Select Model. השאירו את החפיפה כברירת מחדל של אפס שניות.
לחצו על לשונית Outputs. פתח את תפריט הנפתח של קובץ מחלקת הפלט ובחר את רשימת הפלט המתאימה למיקום הגאוגרפי של המחקר. הורד את הסף ל-0.1 ובחר ב-Apply All.
ודא שכל ערכי הסף ברשימת המינים מוגדרים ל-0.1. בחר באפשרות 'דיכוי כל המינים כדי שכל המינים ייבחרו'. אתר את המין היעד וביטל את הבחירה שלו בעמודת הדיכאון.
בחר אישור כדי להתחיל את עיבוד גלאי הלמידה. עקבו אחרי מנהל ההתקדמות כדי לעקוב אחרי אחוז השלמות והזמן שנותר. פתח את טבלת הבחירה של גלאי הלמידה השמור והעבר אותה לתוכנת גיליון אלקטרוני.
אשר שרק המין היעד מופיע תחת עמודת התווית. מחק את כל העמודות, למעט עמודות הבחירה והניקוד. הוסף עמודה חדשה באמצעות פונקציית האקראיות, ומיין את השורות לפי עמודה זו, ואז מחק את עמודת האקראיות.
שמור את 300 הגילויים האקראיים הראשונים או שמור את כולם אם יש פחות מ-300. שמור את מערך הנתונים של האימות באמצעות שם ARU ומזהה, כמו AM1_ValidationDataset. פתח את תוכנת ניתוח הביואקוסטיקה Raven Pro 1.6 ובחר קובץ.
לאחר מכן, פתח את קבצי הקול כדי לבחור את כל קבצי הגל המתאימים, ולחץ על פתיחה. זה יפתח את חלון Configure New Sound. בחלון הגדרות צליל חדש תחת Paging, בחר ב-Page Sound והזן את גודל העמוד שהשתמשו בו קודם.
לאחר מכן, תחת מספר קבצים, בחר ב-Open as file sequence בחלון אחד ולחץ על אישור. זה יוסיף את הקבצים שנבחרו לרצף ויפתח את הספקטרוגרם של כל קובץ בין מספר קבצים שנבחרו. נווט לקובץ ובחר ב-Open Selection Table כדי לפתוח את טבלת זיהוי הלמידה עבור ה-ARU המנותח. בפאנל משמאל לתצוגת הסאונד תחת לשונית Layouts ו-Views, בטל את תצוגת Waveform, כך שכל הקבצים יוצגו בתצוגת Spectrogram.
פתח את גיליון האימות לצד תוכנת ניתוח הביואקוסטיקה עם הנתונים המוכנים. צור עמודה חדשה בגיליון האלקטרוני ותווג אותה כזוהה נכון. מהגיליון, בחר מספר מהרשימה האקראית והזן אותו בשדה הציור בתצוגת הספקטרוגרם.
לאחר מכן, לחץ על הפעלה. הזן 1 עבור זוהה נכון או 0 עבור זוהה שגוי בעמודת 'זוהה נכון'. חשב את דיוק הגלאי באמצעות מספר הגילויים הנכונים וסך הגילויים המאומתים, והכפל ב-100 כדי להתבטא כאחוז.
השתמש בתוכנה RStudio לייבוא מערך הנתונים של האימות שנוצר בסעיף הקודם. הרץ רגרסיה לוגיסטית על מערך הנתונים באמצעות פונקציית המידול הליניארית המוכללת, כאשר קבוצת המשפחה היא בינומיאלית. הגדר את ההסתברות הרצויה לדיוק כ-0.9, כך שההסתברות שהזיהוי הוא חיובי אמיתי תהיה 90% ומעלה.
חשב את הסף האופטימלי על ידי פתרון משוואת הרגרסיה הלוגיסטית המותאמת עבור ערך המנבא ואימות ערך הסף שהושג. הרץ מחדש את גלאי הלמידה על ה-ARU שנחקר באמצעות ההגדרה הקודמת של הגלאי. בחר את קבצי הסאונד.
הזן את גודל העמוד ובחר 'פתח כרצף הקובץ' בחלון אחד. לאחר מכן, בחרו בגל צורה בחלון בחירת קלטי הגלאי והעבירו אותו לקלטים נדרשים באמצעות כפתור החץ ולחצו על אישור. בלשונית הקלטים בחלון הגדרת גלאי למידת מכונה, בחר את המודל הרצוי וודא שהחפיפה מוגדרת לאפס שניות. לאחר מכן, בלשונית Outputs, בחר את המיקום הגאוגרפי בקובץ מחלקת הפלט ושנה את הסף של מין היעד לסף שנקבע בשלב הקודם ובחר Apply all.
לאחר מכן, בחר באפשרות 'דיכוי כל המינים'. בטל את הבחירה בתיבה של מין יעד ולחץ על אישור כדי לפתוח את חלון מנהל ההתקדמות. לבסוף, צרו רשימה חדשה של זיהויים עם דיוק משופר ופחות חיוביים שגויים באמצעות ערך הסף האופטימלי.
תוצאות מייצגות מניתוח הנתונים האקוסטיים של הרובין האירופי שנאספו בפארק בליברפול, אתר יער המתחדש באופן טבעי בפארק הלאומי קיירנגורמס, ואתר פרברי בגלזגו הראו כיצד ספי ציון ביטחון שמקורו סטטיסטית משפרים את דיוק הגילוי בסביבות אקוסטיות משתנות. ניתוח רגרסיה לוגיסטית קבע סף אמון אופטימלי של 0.54 לאתר ליברפול פארק ו-0.23 באתר קיירנגורמס, כדי להשיג שיעור דיוק של 90% ומעלה. הפעלה חוזרת של הגלאי באתרי ליברפול פארק וקיירנגורמס עם הסף האופטימלי הגדילה את דיוק הגילוי ליותר מ-90% בתנאי חפיפה אפסית ושל שתי שניות.
הפעלה חוזרת של הגלאי באתר הפרברי של גלאזגו עם סף אופטימלי 0.36 שיפרה את דיוק הגילוי, אך הדיוק הכולל לאחר הרגרסיה נשאר מתחת ל-90% בתנאי חפיפה אפסית ושל שתי שניות. פרוטוקול זה מאפשר לחוקרים ליצור זיהויים מדויקים של מינים יעדים בתוך מערכי נתונים גדולים ומגוונים אקוסטית. בעוד שפרוטוקול זה מפחית חיוביים שגויים, ומגביר את דיוק הזיהוי, הוא עלול גם לפספס כמה זיהויים אמיתיים, מה שמדגיש פשרה מרכזית עם הקריאה.
לאחר הפקת זיהויים מדויקים, ניתן להערות את הקולות בתוך תוכנה לצורך חילוץ פרמטרים וניתוח נוסף של התנהגויות אקוסטיות.
צפו בתמליל המלא וקבלו גישה לאלפי סרטונים מדעיים
סקירה כללית
מאמר זה מציג פרוטוקול מקיף לשיפור הדיוק של זיהוי אוטומטי של קולות ציפורים במערכי נתונים של ניטור אקוסטי פסיבי (PAM). על ידי שילוב של זיהוי מבוסס למידת מכונה עם תיקוף ידני קפדני ואופטימיזציה סטטיסטית של ספי thresholds, השיטה מאפשרת לחוקרים להוציא מידע ספציפי למינים מתוך מערכי נתונים אקוסטיים גדולים ומגוונים שנאספו באמצעות יחידות הקלטה אוטונומיות (ARUs) בצורה יעילה ואמינה.
מרכיבי מפתח של המחקר
תחום מדע
- ביואקוסטיקה
- ניטור אקולוגי
- יישומי למידת מכונה באקולוגיה
רקע
- PAM משמש באופן נרחב לניטור לא פולשני של המגוון הביולוגי.
- מודלים של זיהוי אוטומטי מתקשים לעיתים קרובות בדיוק בשל שונות סביבתית ומינית.
- תיקוף ידני גוזל זמן ונוטה לטעויות.
- אופטימיזציה של ספי תזיהוי יכולה לשפר את ביצועי המודל באתרים ובמינים שונים.
מטרת המחקר
- פיתוח פרוטוקול הדיר שניתן לשחזור לאופטימיזציה של זיהוי קולות עופים המבוסס על למידת מכונה.
- קביעת ספי המיון של מדד הביטחון (confidence score) הספציפיים למינים ולאתרים, לצורך שיפור דיוק הזיהוי.
- תיקוף הפרוטוקול במספר אתרים אקולוגיים.
שיטות שנעשה בהן שימוש
- פריסה של ARUs המוגדרים לתקופות הקלטה ממוקדות ולהגנה סביבתית.
- העברה וארגון של קבצי שמע גולמיים.
- שימוש בתוכנת Raven Pro 1.6 עם מודול זיהוי המבוסס על למידת מכונה לצורך זיהוי ראשוני.
- תיקוף ידני של תתי-קבוצות זיהוי אקראיות לחישוב הדיוק (precision).
- ניתוח רגרסיה לוגיסטית ב-RStudio לקביעת ספי רמת ביטחון (confidence score) אופטימליים עבור כל אתר ומין.
- הרצה חוזרת של הגלאי עם ספים אופטימליים ליצירת רשימות זיהוי מזוקקות.
תוצאות עיקריות
- ספי Confidence thresholds שנגזרו סטטיסטית שיפרו באופן משמעותי את דיוק הזיהוי בכל האתרים שנבחנו.
- לדוגמה, ב-Liverpool Park, הדיוק עלה ביותר מ-26% (חפיפה של 0 s) ובכמעט 29% (חפיפה של 2 s).
- ספי ספציפיים לאתר (למשל, 0.54 עבור Liverpool Park, 0.23 עבור Cairngorms) השיגו דיוק של ≥90% ברוב המקרים.
- נצפתה פשרה מסוימת מול ה-recall, שכן עלייה בדיוק עשויה להפחית את מספר הזיהויים החיוביים האמיתיים.
מסקנות
- הפרוטוקול מאפשר זיהוי מדויק, יעיל וניתן לשחזור של מיני ציפורים מטרים במאגרי נתונים אקוסטיים גדולים.
- ספי thresholds אופטימליים עולים על ספירה ידנית במהירותם ובאמינותם.
- מסגרת זו מקלה על ביצוע מחקרים אקולוגיים חסונים וניתוח פרמטרים באמצעות למידה מכונה בביואקוסטיקה.
שאלות נפוצות
רלוונטיות תעשייתית למנהלים
זיהוי אוטומטי של אותות ביולוגיים במאגרי נתונים גדולים הוא קריטי עבור תיקוף מטרות (target validation) ברמות קנה מידה רחבות ולקבלת החלטות בעלות רמת ביטחון גבוהה בשלבי הגילוי המוקדמים. פרוטוקול זה מדגים כיצד אופטימיזציה של סף סטטיסטי באמצעות רגרסיה לוגיסטית משפרת את הדיוק של זיהוי המבוסס על למידת מכונה, דבר המשפיע ישירות על מהימנותם של ניתוחים המשכיים. גישה זו תומכת בחילוץ נתונים חסון וניתן לשחזור מסביבות מורכבות, ומאפשרת מיון מושכל יותר של תיקי פיתוח וקידום מבוסס התאמת סיכונים.
יישומים אסטרטגיים במחקר ופיתוח בביופארמה
גילוי מוקדם ותיקוף מטרה
- מאפשר בדיקה קפדנית של היפותזות על ידי בידוד אותות ביולוגיים אמיתיים מרעשים במאגרי נתונים גדולים.
- תומך בתיקוף תפקודי של מטרות באמצעות קביעת סף ספציפי לאתר ולמין, ובכך מפחית תוצאות חיוביות כוזבות.
- משפר את הביטחון החזוי לבחירת נכסים בשלבים מוקדמים ולהפחתת סיכונים מכניסטיים.
סריקה ופיתוח בדיקות
- מקל על הכנת מערכות זיהוי מתוּקפות עבור תהליכי עבודה של סריקה בשפיות גבוהות (high-throughput screening).
- מנסטנדרט את הפקת הפלט הכמותי, ובכך תומך בחזרתיות וביכולת השוואה בין אתרים שונים.
- מאפשר הערכה אוטומטית וניתנת להרחבה של פעילות ביולוגית תחת תנאים מגוונים.
מחקר תרגומי ופרה-קליני
- מתאימה את דיוק הגילוי לדרישות של ביומרקרים תרגומיים על ידי אופטימיזציה של פלטים בעלי רמת ביטחון גבוהה.
- מבטיחה רציפות משלב הגילוי ועד לאישור פרה-קליני על ידי מזעור שונות תלוית-אתר.
- מספקת מסגרת הדירה להוצאת פרמטרים ולניתוח מכניסטי מעמיק יותר.
שילוב תהליכי עבודה וצינור עיבוד
פרוטוקול זה משלב שלבים החל מגילוי מוקדם, דרך סינון ועד למחקר טרנסלציונלי, ובכך הוא תומך בקבלת החלטות מבוססת נתונים איתנה בכל נקודת מפנה.
- ביולוגיה של גילוי: מאפשרת בדיקת השערות והבהרה של מסלולים על ידי מקסימום דיוק זיהוי במערכי נתונים מורכבים.
- סריקה: מספקת תוצריים מוכנים לבדיקה (assay-ready) ומאומתים כמותית לצורך הערכה מהימנה של תרכובות.
- אנליטיקה: מספקת תוצריים סטטיסטיים וטבלאות דיוק להשוואת תנאי זיהוי ואופטימיזציה של ספי רגישות.
- מחקר תרגומי: שומרת על שלמות הנתונים בין אתרים שונים, ובכך תומכת בסנכרון של סממנים ביולוגיים ובהמשכיות פרה-קלינית.
- שימוש חוזר ארגוני: מציעה מסגרת זיהוי ניתנת להרחבה ולשחזור, הניתנת להתאמה למטרות וסביבות חדשות.
השפעה תפעולית וארגונית
- ערך מדעי: מגביר את הביטחון החזוי ומפחית עמימות מכניסטית בזיהוי אותות.
- ערך תפעולי: סטנדרטיזציה של תהליכי זיהוי, המשפרת את ההדירות והיכולת להרחבה בין אתרים שונים.
- ערך אסטרטגי: מאפשר קבלת החלטות מושכלת יותר בנוגע להמשך התקדמות (go/no-go) ויעילות הון על ידי הפחתת תוצאות חיוביות שגויות בשלב מוקדם.
- השפעה על פורטפוליו: תומך בתיעדוף מותאם סיכונים ובקידום נכסי גילוי.
שיקולי יישום
- דורש מומחיות במידול סטטיסטי ובהגדרת גלאי למידת מכונה.
- נדרשת גישה לתוכנת ניתוח ביו-אקוסטית ותשתיות מחשוב סטטיסטי.
- דורש סטנדרטיזציה בין-צוותית של נהלי תיקוף וקביעת סף.
- התאמה בין מערכות מודלים עשויה לדרוש אימון מחדש או כיול מחדש של מודלי הזיהוי.
- שיפורים בדיוק עשויים לבוא על חשבון הרגישות (recall), דבר המצריך בחירה של סף בהתאם להקשר הספציפי.
שאלות נפוצות בביופארמה
Chapters in this video
0:00
Introduction
0:29
Configuring Autonomous Recording Unit (ARU) for Deployment
1:43
Configuring the Machine Learning Detector Module
4:12
Creating Precision Tables for Target Species at a Representative ARU from the Study Location
6:06
Precision Calculation and Threshold Optimization
8:50
Results
10:19
Conclusion
