Migliorare la precisione di rilevamento di un modello di riconoscimento acustico aviario tramite regressione logistica di grandi dataset acustici: uno studio di caso del pettirosso europeo (Erithacus rubecula)

La nostra ricerca si concentra sullo sviluppo di un quadro che aiuti i bioacustici a migliorare la precisione della rilevazione automatica delle specie acustiche. Senza una configurazione adeguata, i modelli di riconoscimento acustico aviario faticano a rilevare con precisione le vocalizzazioni. Questo protocollo mira ad aumentare la precisione determinando le soglie di punteggio di confidenza specifiche per specie e sito.

Per cominciare, collega ogni ARU singolarmente a un computer usando un cavo di trasferimento dati e passa le ARU in modalità USB. Usa l'applicazione di configurazione dei dispositivi ARU AudioMoth per impostare le ARU in modo da determinare gli intervalli di sonno e i periodi di registrazione attiva. Identificare le finestre temporali in cui le specie bersaglio sono più attive e programmare di conseguenza i periodi di registrazione.

Aggiungi più periodi di registrazione e programma le date scegliendo la prima e l'ultima data di registrazione. Usa l'applicazione di configurazione dei dispositivi ARU per impostare i dispositivi in modo che registrino a una frequenza di campionamento di 48 kilohertz con guadagno medio. Inserisci ogni dispositivo ARU in un sacchetto Ziploc antistatico e applica un nastro impermeabile aggiuntivo se necessario per prevenire danni da acqua.

Poi, distribuisci i dispositivi ARU sul campo e mettili in modalità personalizzata. Trasferisci tutti i file wave da ciascuna scheda di memoria rimovibile su un computer. Apri il software di analisi bioacustica Raven Pro 1.6 e seleziona Strumenti, poi Rilevatore e scegli Rilevatore di Apprendimento dal menu a tendina.

Nella finestra Scegli Input del rilevatore, seleziona Sfoglia (Sfoglia ancora). Nella successiva finestra Apri File Audio, seleziona tutti i file d'onda nella cartella ARU corrispondente e clicca su Apri. Questo aprirà la finestra Configura Nuovo Suono.

Nella finestra Configura nuovo suono, sotto Paginazione e Pagina audio, inserisci la dimensione di pagina appropriata per la durata di ogni registrazione. Poi, sotto Più file, seleziona Apri come sequenza file in una finestra e clicca OK. Appaiono una finestra popup di Sequenza Aperto File e Seleziona Input del Rivelatore che mostra l'aggiunta di file selezionati alla sequenza. Nella finestra di ritorno Scegli Ingressi Rivelatore, seleziona Forma d'Onda sotto Segnali e Visualizzazioni Disponibili e spostala su Ingressi Richiesti usando il pulsante Freccia.

Conferma che lo stato sotto Input Richiesti cambia in Pronto e clicca su OK. Questo aprirà la finestra Configura il rilevatore di machine learning. All'interno della finestra Configura il rilevatore di machine learning, nella scheda Inputs, seleziona il modello desiderato da Select Model. Lascia la sovrapposizione al valore predefinito di zero secondi.

Clicca sulla scheda Outputs. Apri il menu a tendina per il file di output della classe e seleziona la lista di output corrispondente alla posizione geografica dello studio. Abbassa la soglia a 0,1 e seleziona Applica tutto.

Assicurarsi che tutti i valori di soglia nella lista delle specie siano impostati a 0,1. Seleziona l'opzione Sopprimi tutte le specie in modo che tutte le specie vengano selezionate. Individua la specie target e deselezionala nella colonna Sopprimi.

Seleziona OK per iniziare l'elaborazione del rilevatore di apprendimento. Monitora il responsabile dei progressi per monitorare la percentuale di completamento e il tempo rimasto. Apri la tabella di selezione del rilevatore di apprendimento salvato e trasferiscilo nel software del foglio di calcolo.

Conferma che solo la specie target compare sotto la colonna Etichetta. Elimina tutte le colonne, tranne quelle Selezione e Punteggio. Aggiungi una nuova colonna usando la funzione di randomizzazione, ordina le righe in base a questa colonna e poi elimina la colonna di Randomizzazione.

Mantenere le prime 300 rilevazioni randomizzate o conservarle tutte se ne sono meno di 300. Salva il dataset di validazione usando il nome ARU e un identificatore, come AM1_ValidationDataset. Apri il software di analisi bioacustica Raven Pro 1.6 e seleziona File.

Poi, apri i file audio per selezionare tutti i file d'onda corrispondenti e clicca su Apri. Questo aprirà la finestra Configura Nuovo Suono. Nella finestra Configura nuovo suono sotto Paging, seleziona Page sound e inserisci la dimensione della pagina usata in precedenza.

Poi, sotto più file, seleziona Apri come sequenza file in una finestra e clicca OK. Questo aggiungerà i file selezionati alla sequenza e aprirà lo spettrogramma di ciascun file tra più file selezionati. Naviga su File e seleziona Tabella di Selezione Aperta per aprire la Tabella di Rilevamento dell'Apprendimento per l'ARU in fase di analisi. Nel pannello a sinistra della vista audio sotto la scheda Layout e Viste, deseleziona la vista Forma d'Onda, così tutti i file vengono visualizzati nella vista Spettrogramma.

Apri il foglio di validazione insieme al software di analisi bioacustica con i dati preparati. Crea una nuova colonna nel foglio di calcolo e etichettala come Rilevata correttamente. Dal foglio di calcolo, seleziona un numero dalla lista casuale e inseriscilo nel campo di disegno all'interno della vista dello spettrogramma.

Poi, clicca su Play. Inserisci 1 per rilevamento correttamente o 0 per rilevamento errato nella colonna Rilevato correttamente. Calcola la precisione del rivelatore usando il numero di rilevamenti corretti e il totale delle rilevazioni validate e moltiplica per 100 per esprimere in percentuale.

Usa il software RStudio per importare il set di dati di validazione creato nella sezione precedente. Esegui una regressione logistica sul set di dati usando la funzione di modellazione lineare generalizzata con l'insieme di famiglie come binomiale. Imposta la probabilità desiderata di precisione a 0,9, in modo che la probabilità che un rilevamento sia un vero positivo sia del 90% o superiore.

Calcola la soglia ottimale risolvendo l'equazione di regressione logistica adattata per il valore predittivo e verifica il valore di soglia ottenuto. Riavvia il rilevatore di apprendimento sull'ARU in fase di indagine usando la precedente configurazione del Rilevatore. Seleziona i file audio.

Inserisci la dimensione della pagina e seleziona Apri come sequenza file in una finestra. Successivamente, seleziona Forma d'Onda nella finestra Scegli Ingressi Rilevatore e spostala su Input Richiesti usando il pulsante Freccia e clicca OK. Nella scheda Inputs della finestra Configura il rilevatore di machine learning, seleziona il modello desiderato e verifica che la sovrapposizione sia impostata a zero secondi. Successivamente, nella scheda Outputs, seleziona la posizione geografica nel file di classe di output e cambia la soglia per la specie target con quella determinata nel passaggio precedente e seleziona Applica tutto.

Poi, seleziona l'opzione Sopprimi tutte le specie. Deseleziona la casella per la specie target e clicca OK per aprire la finestra del Progress Manager. Infine, creare una nuova lista di rilevamenti con maggiore accuratezza e meno falsi positivi utilizzando il valore soglia ottimizzato.

I risultati rappresentativi dell'analisi dei dati acustici per il pettirosso europeo raccolti in un parco di Liverpool, un sito boschivo a rigenerazione naturale all'interno del Parco Nazionale dei Cairngorms e un sito suburbano a Glasgow hanno mostrato come le soglie di punteggio di fiducia derivate statisticamente migliorassero la precisione della rilevazione in diversi ambienti acustici. L'analisi di regressione logistica ha determinato una soglia ottimale di punteggio di confidenza di 0,54 per il sito di Liverpool Park e 0,23 per il sito di Cairngorms, raggiungendo un tasso di precisione del 90% o superiore. Rieseguire il rilevatore nei siti di Liverpool Park e Cairngorms con la soglia ottimizzata ha aumentato la precisione di rilevamento a oltre il 90% sia per condizioni di sovrapposizione zero che di due secondi.

Rieseguire il rilevatore nel sito suburbano di Glasgow con la soglia ottimizzata di 0,36 ha migliorato la precisione di rilevamento, ma la precisione complessiva post-regressione è rimasta sotto il 90% sia in condizioni di sovrapposizione di zero che di due secondi. Questo protocollo consente ai ricercatori di generare rilevazioni accurate delle specie target all'interno di ampi e acusticamente diversi set di dati. Sebbene questo protocollo riduca i falsi positivi, aumentando la precisione della rilevazione, può anche mancare alcune rilevazioni reali, evidenziando un compromesso chiave con il richiamo.

Dopo aver prodotto rilevamenti accurati, le vocalizzazioni possono essere annotate all'interno del software per l'estrazione dei parametri e un'ulteriore analisi dei comportamenti acustici.