方法論記事

大規模な音響データセットのロジスティック回帰による鳥類音響認識モデルの検出精度向上:ヨーロッパコマドリ(Erithacus rubecula)のケーススタディ

438 閲覧数

⸱

DOI：

10.3791/70479

⸱

2026年4月11日

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

この記事について

サマリー

このプロトコルの目的は、ロジスティック回帰を用いて種および場所特異的信頼度スコアの閾値を決定し、自動音響認識ソフトウェアで処理された大規模な音響データセットの検出精度を向上させることです。

要約

パッシブ音響モニタリング(PAM)は、生物多様性研究において非常に貴重なツールとなり、膨大なデータセットを非侵襲的に収集することを可能にします。しかし、この膨大なデータを効率的かつ確実に処理して、異なる場所で種固有の情報を抽出することには大きな課題が残っています。本論文では、生音学解析ソフトウェア内の機械学習検出モジュールを用いて、この課題に対処するための詳細なステップバイステッププロトコルを提示します。この手法は、生の音響録音から鳥の鳴き声を正確かつ自信を持って識別し検証することを目的としています。

当プロトコルは、自律記録ユニット(ARU)を用いた初期データ収集から高品質な注釈付きデータセットの最終生成までのプロセスを詳述しています。主なステップには、初期検出を生成するための機械学習検出器モジュールの設定、精度表を計算するための手動検証手順、種別および適切な場合に位置特異的な信頼スコア閾値を決定するためのロジスティック回帰分析が含まれます。この統計的に導出された閾値は検出器の出力を精錬するために用いられ、2つの重なり構成(0秒と2秒)でテストされます。導出された最適信頼スコア閾値を適用することで、機械学習に基づく鳥の音認識モデルのサイト間検出精度が大幅に向上することを示しました。このプロセスを示すために使用された3つのサイト(リバプールパーク、ケアンゴームズ、グラスゴー・サバーバン)では、0秒の重複で精度が26.1%、17.7%、17%、2秒の重複で28.77%、16.87%、15%増加しました。この方法論は、速度と信頼性の両面で手動計数法よりも優れていると提案します。まとめると、本論文は生物音響学における機械学習手法の利用可能かつ効果的な利用を促進する再現可能な枠組みを提供し、研究者が大規模な音響データセットを生態学的研究やパラメータ解析に自信を持って活用できるようにします。

概要

動物の発声は自然界への貴重な洞察を提供し、生物学的ツールとして機能し、研究者が動物の様々な側面を調査することを可能にします。1.バイオアコースティクスの分野は、生物多様性のモニタリングと保全においてますます重要性を増しており、種の同定や個体群動向、生態系の健康評価に役立っています。この研究分野はまた、動物の行動の理解にも寄与しており、例えばコミュニケーションや生息地利用において5,6。最近では、動物福祉を評価する有望なアプローチとして示されています7,8。

音響解析を研究ツールとして利用する主な利点の一つは、最近の自律録音装置(ARU)の技術進歩であり、これにより研究者は非侵襲的かつ遠隔で動物の鳴き声を長期間監視できる、パッシブ音響モニタリング(PAM)9として知られています。これにより、人工的な介入なしに未確認種からデータを収集することが可能になりました10,11。さらに、ARUはコスト効率が高く、訓練を受けた研究者が現場にいる必要を最小限に抑えられます。隠蔽性ヨーロッパヨタカ(Caprimulgus europaeus)に関する研究では、これらの利点が示され、ARUの使用は人類観察者よりもこの種の検出において著しく効果的であることが示されました12。大規模なバイオアコースティック研究は、生態学的および行動的側面に関する洞察を提供するだけでなく、フィールドスタディにも非常に応用可能で適しているため、ますます人気が高まっています。しかし、ARUが長期間稼働しているため、研究者は膨大な音響データを効率的かつ確実に処理するという課題に必然的に直面することになります13。

近年では、PAMと自動認識ツールを組み合わせて大規模なデータセット内の種を検出し、データの全体的な処理を強化・高速化しています。これらの技術は、人工ニューラルネットワークなどの機械学習や深層学習モデルを用いて発声タイプ13に基づいて種を自動的に認識・分類し、近年注目を集めています14。自動認識ソフトウェアの信頼性は、ジャイアントパンダ(Ailuropoda melanoleuca)15種の鳴き声やマレーシアカエル16種の研究で示されているように、手動による種検出方法よりも優れていることが多いです。重要なのは、これらの手法の採用を促す主な要因の一つが処理速度であり、PAMによって生成される音響データの量が増加し続ける中で13倍となっています。大規模な音響データセットの手動解析は非効率的かつ非現実的ですが、自動化認識ツールは人間の観察者に必要な時間のごく一部で録音を処理できます。例えば、ある研究では、BirdNET(機械学習ベースの鳥類音認識モデル)を用いた257時間の手動視覚スキャンは処理時間1時間に相当すると報告されています17。

この機械学習ベースの鳥類音認識モデルは、鳥類学やその他の音響学研究で最近注目を集めているツールの一つであり、ディープラーニングモデルに基づく鳥類種同定のためのアクセス可能な自動化ソフトウェアです(18,19)。これまでのほとんどの研究は機械学習に基づく鳥の音認識モデルを用いて特定の地域の種リストを作成しており、人間の検証により群集内の89%の種を検出できることが示されており、視覚スキャンだけで使う時間の4分の1未満で済みます。この機械学習ベースの鳥の音認識モデルは、ユーラシアバイターン(Botaurus stellaris)などの特定の対象種の存在を効果的に識別することも示されており、成功率は93.7%です。しかし、このモデルは手動検証と組み合わせると成功率が高く、完全な自動検出ツールとしてはまだ信頼性が高くありません。WoodとKahl21によれば、単位なし予測の生成に関して考慮すべき他の課題もあります。

機械学習検出モジュールは、検出された各鳥の鳴き声に0から1の定量的信頼度スコアを割り当てます。これは、検出された音が特定の種として正しく識別されているかどうか、ソフトウェアがどれだけ確実かを示します。18,19,21。正確さは、真陽性(すなわち正しい識別)である検出の割合と定義され、このスコアに影響される重要な指標です。したがって、信頼度が高いほど検出回数は少ないものの精度は高く、特に騒音の多い環境では検出ミスが多く、低いスコアほど精度が低い検出が増えることがあります22,23。信頼度スコアと精度の関係は複雑であり、例えば背景雑音が多い場所や、他の種の鳴き声を模倣しやすい種など、高い信頼度スコアが偽陽性となる場合もよく見られます(23,24)。種や分布場所間の精度のばらつきにより、構成過程で各鳥類種に個別の信頼スコア閾値を割り当て、その閾値を超える検出のみをラベル付けすることが可能です。すべての種と場所に対して高い普遍的信頼度スコア閾値を適用可能ですが、そうすると誤陰性(同定見逃し)の数が増加することが多いです22,25,26。また、偽陽性の数は種や記録ごとに環境の違いによって異なります。

いくつかの研究やベストプラクティスガイドラインでは、特定の種や研究場所に対して機械学習検出器モジュールを運用する最適な信頼スコア閾値を決定する方法が示されており、検出をより確信を持って真陽性として受け入れられるようにしています。21,24,26,27,28.一つの方法は、信頼度閾値の範囲でFスコアを計算し、精度とリコール29.30のバランスを取ってFスコアを最大化する閾値を選択することです。確率キャリブレーションを可能にする別のアプローチとしては、予測のランダムな部分集合を手動で検証し、ロジスティック回帰を適用して二項検証結果(真偽検出)と関連する信頼スコア21との関係を確立する方法があります。この方法は、種や環境条件(例:背景雑音の変化)に応じて調整可能な文脈特有の閾値を決定するために用いられます19。これらの手法は、ユカタンのブラックホウラーザル(Alouatta pigra)、グレイウルフ(Canis lupus)、コヨーテ(C. latrans)に対する受動音響モニタリング研究に応用されています27,28。

本手法論文の目的は、Raven Pro-bioacoustics解析ソフトウェア(バージョン1.6)19,31の機械学習ベースの鳥類音認識モデルを用いて、大規模音響データセットから種特異的な声楽データを正確かつ信頼性的に抽出するためのスケーラブルな方法論を実証・検証することです。このアプローチは、WoodとKahlの21のベストプラクティスガイドラインに従った適切な信頼度スコア閾値の計算を組み込んでいます。これらのガイドライン21は、機械学習に基づく鳥の音認識モデルにおける信頼スコアの適用に関する包括的な枠組みを提供しますが、主にベストプラクティスの推奨として提示されています。これらの手順を現実的な監視制約のもとで、空間的に異なる音響条件や背景雑音が空間的に異なる分散型ARU研究システム全体で運用化した研究はほとんどありません。このプロトコル(図1)は、複数の場所、変動する音響環境、または誤分類率の高い対象種を含む大規模な受動音響モニタリング研究に特に適しています。さらに、これらのガイドラインをバイオアコースティック解析ソフトウェア(バージョン1.6)19,31に実装したことは、コーディングベースの環境よりもアクセスしやすく使いやすいプラットフォームです。32,33はこれまで実証されていません。

figure-introduction-1
図1: ワークフロー全体の回路図。 この図の拡大版はこちらをクリックしてご覧ください。

このギャップを埋めるために、AudioMoths - ARUs(バージョン1.2.0)34.35で記録された大規模なデータセットを用いて、多様な生息地でプロトコルを適用・検証しています。私たちの焦点種であるヨーロッパコマドリ(Erithacus rubecula)は、高い歌の変動性と構造的複雑さを示します36,37、初期のパイロット解析で誤認されやすいことが示されました。バイオアコースティック解析ソフトウェア19,31内の機械学習ベースの鳥類音響認識モデル構成に種特異的および場所特異的信頼スコア閾値を適用し、異なる背景雑音レベルや種群を取り入れながら、閾値最適化を最適化することで検出精度が大幅に向上できることを実証しました。このアプローチは、機械学習ベースの鳥の音認識モデル19を大規模PAM研究において、最小限のコーディングでアクセスしやすく、効率的かつ効率的に適用することを目的としています。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

プロトコル

倫理声明
このプロトコルはリバプール・ジョン・ムーアズ大学の倫理ガイドラインに従っています。この方法論は受動的な音響モニタリングのみを含み、動物の取り扱い、攪乱、実験的操作は含まれていませんでした。ARUを展開するのに危険な手順は必要ありませんでした。ARUは機関の研究および現地調査のガイドラインに従って配備され、録音現場には音響モニタリングの情報を一般に知らせるための適切な標識が設置されました。しかし、現地活動を行う前に天気予報を確認し、各現地でリスク評価を行うことが強く推奨されます。

ソフトウェア、ライセンスおよび利用
注:ARUデータは、バイオアコースティックス解析ソフトウェア(v1.6)19,31内の機械学習ベースの鳥の音認識モデルで処理し、検出器の出力も同じソフトウェア(v1.6)31で処理されるべきです。これはライセンス付きソフトウェアであり、無料で利用できるものではありません。ここで説明するワークフローを利用するには、機関または個人のライセンスが必要です。さらに、ソフトウェア(v1.6)19,31内の機械学習ベースの鳥の音認識モデルは、現在ARMベースのプロセッサアーキテクチャ(M1またはM2チップ)を搭載したAppleデバイスでは動作していませんが、このプロトコルはIntel CPU搭載のmacOSおよびWindowsオペレーティングシステムでは互換性があります

1. 音声データの収集

  1. ARUの展開準備
    1. ARUにバッテリーを挿入します(この実験では充電式アルカリ電池が使用されました)。
    2. 収集するデータ量に対して適切なサイズの着脱式メモリーカードを挿入します(この実験では2GBの着脱式メモリーカードを使用しました)。
      注:30日間で1日あたり108個の1分間ファイルを記録するスケジュール(ステップ1.2.5.2参照)では、各ファイルは約5760 kBで、合計622MBのデータ量となりました。推定1日の消費エネルギーは26mAhです。そのため、十分な記憶容量を提供するために2GBのリムーバブルメモリーカードが使用されました。さらに、充電式アルカリ電池はリチウム単三電池や充電式NiMHよりも長期間使用可能な電力を保持しました。
  2. 各ARUを展開のために設定してください
    1. ARUのウェブサイト41の「App Download Page」から、『ARUデバイスファームウェアアップデートapplication』39および『ARUデバイス構成アプリケーション』40をダウンロードしてください。
    2. ARUを個別にデータ転送ケーブルでコンピュータに接続します。
    3. デバイスを USB/オフ モードに切り替えていることを確認してください。
    4. 『ARUデバイスファームウェアアップデートアプリケーション』39 を使って、デバイスを最新のファームウェアにアップデートしてください。
    5. 「ARUデバイス構成アプリケーション」40 を使って、ARUを特定の時間帯に特定日数録画するように設定します。アクティブな録音期間と睡眠間隔を決定します。
      1. 対象種が最も活発な時間帯(例:昼行性の鳥の夜明けの合唱)を特定し、それに応じて記録期間をスケジュールしてください。
      2. 適切なデューティサイクルを設定し、ARUがアクティブに記録している時間とスリープモードの時間を指定します。
        例:これらの代表的な結果のために、ARUは2023年6 月1日から6月 30日まで、午前4時から9時、午後5時から9時まで毎日録画するようプログラムされました。これらの時間帯は夜明けと夕暮れのコーラスの両方を捉えるために選ばれました。アクティブな期間中は、デバイスが1分のWAVファイルを録画し、その後4分の睡眠間隔を設け、合計1日108回の1分間の録画が行われました。
        注:ARUは連続録画が可能ですが、これによりバッテリー消費や取り外し可能なメモリーカードの使用量が急激に増加します。
      3. 『ARUデバイス設定アプリケーション』42を使って、鳥の鳴き声の全範囲をキャプチャするために推奨される48kHzのサンプリングレートで録音を設定し、中音ゲイン(通常はノイズが多い環境での録音を除く34,35)で録音します。対象種の発声頻度に応じて他のサンプリングレートも使用可能で、例えばコウモリや両生類などの超音波野生動物には384 kHz35のサンプリングレートが使用されます。
    6. すべてのARUを設定した後、各デバイスを CUSTOM モードに切り替えます。
  3. 機器保護とラベル付け
    1. 各ARUデバイスを静電気防止ジップロックバッグに入れます。必要に応じて追加の防水テープを使用して水害を防ぎましょう。湿気を吸収するためにシリカジェルのパックを袋に入れます。
    2. 各ARUには番号と所在地でラベルを付けてください。
  4. ARU展開
    1. 対象種の生息地内で展開するARUの設置場所を決定します。
    2. 研究要件や対象種に適した間隔でARUを展開します。
      注:検出距離は生息地、背景雑音、種の鳴き声量に依存します。大きな音の大きい種(例:ユーラシアシヨガイ)はARUで最大800mまで検出可能ですが、記録は長距離で劣化するため、微細なスケール測定は制限されます。ここでは、各サイトにつき1台のARUが分析され、ユニット間隔は約100mで、良好な空間カバーと明確な発声を確保しました。種、生息地、プロジェクトの目標に応じて間隔を調整してください。

2. バイオアコースティック解析ソフトウェア19,31の機械学習検出モジュールを用いた自動種検出

  1. 音声データの転送
    1. 展開期間終了後は、ARUから取り外し可能なメモリーカードを取り出し、各番号付きARUに対応する取り外し可能なメモリーカードを必ず確認してください。
    2. 各リムーバブルメモリーカードからカードリーダーを使ってコンピュータにWAVファイルを転送します。
    3. 各ARUから生成されたすべてのWAVファイルを、対応するARU番号と場所がラベル付けされたフォルダに整理してください。
    4. すべてのデータのバックアップバージョンを追加のデバイスに保存してください。一時停止点:ここでプロトコルを一時停止できます。
    5. このデータへのアクセスは認可されたプロジェクト研究者に限定し、特に人間の活動が誤って記録された可能性がある場合は、機密性を守るためにパスワードで保護されることを確実にしてください。
  2. 機械学習検出器モジュールの設定
    1. バイオアコースティック解析ソフトウェア31を開き、ドロップダウンメニューの「ツール>検出器>学習検出器」を選択します。
    2. 検出器入力を選択するウィンドウで「ブラウズ」を選択してください。その後の「サウンドファイルを開く」ウィンドウで、該当するARUフォルダ内のすべてのWAVファイルを選択し、「(補足ファイルS1およびS2)を開く」をクリックしてください。
    3. 開く「 新しいサウンド設定」ウィンドウ のページング >ページサウンドの下で、各録音の長さに応じた 適切なページサイズ を入力します(例:1分のWAVファイルは60秒)(補足ファイルS3)。
    4. 同じ「新しいサウンドの設定」ウィンドウで、「複数ファイル」の「1つのウィンドウでファイルとして開く」を選び、次に「OK(補足ファイルS3)」をクリックします。
    5. 戻ってきた「検出器入力を選択する」ウィンドウで、右側の「利用可能な信号とビュー」の「波形」を選択し、<<矢印ボタンをクリックして「必要な入力」に移動してください。「必要入力」ボックスのステータスが「Ready!」であることを確認し、OK(補足ファイルS4)をクリックしてください。
    6. 表示される「Machine Learning Detectorの構成」ウィンドウで、「入力」タブから「Select Model」から希望のモデルを選択します。鳥類種の分析には、3000〜6000種以上の鳥類を含むグローバル鳥類分類モデルを用いてください(補足ファイルS5)。
    7. 入力タブでは、オーバーラップをデフォルトの0秒のままにして、その後の信頼スコア閾値分析(補足ファイルS5)への干渉を防ぎます。
    8. 「Outputs」タブで「Output Class File」のドロップダウンメニューを選択し、研究の地理的場所に関連する「Output List」(補足ファイルS6)を選択します。
    9. 出力タブの下には、選択した出力クラスファイルに関連する鳥類の一覧があります。 閾値を0.1に下げて「全て適用」を選択し、リスト内で閾値以下の値が0.1になっていることを確認してください(補足ファイルS6)。
    10. 「すべての種を抑制する」オプションを選択すると、種リストのすべてのボックスにチェックが表示されます。次にターゲット種を見つけて抑制欄(補足ファイルS6)でチェックを解除します。
    11. 学習検出器を開始するために「OK」を選択してください。これにより、ターゲット種の発声が検出された部分でファイルを処理し、選択が作成されます。
    12. 進捗マネージャーを監視して、完了率と残り時間を追跡してください(補足ファイルS7)。
  3. 学習検出器の出力を保存する
    注:処理中に学習検出器テーブルが生成され、スペクトログラムビューの下に表示されます。この表の番号付けされた選択は、スペクトログラムビューで検出器が特定した選択に対応しています。各選択は3秒の長さに固定されており、検出される発声全体にわたって必ずしも繰り返されるわけではありません。各選択には選択表(補足ファイルS8)に識別ラベルとスコアが割り当てられます。これらのスコアは単位を持たない予測であり、今後のロジスティック回帰解析で使用されます。
    1. ファイル>「Learning Detector」を選択し、ARU名とAM1_LearningDetectorTable_Original.txtなどの識別子でファイルを保存します。

3. 各研究地点の代表的なARUにおける対象種の精密表を作成する

  1. 検証データセットを準備します
    1. ステップ2.3.1に保存された 学習検出 器選択テーブルを開き、スプレッドシートソフトに転送します。
    2. ラベル欄に対象種のみが表示されていることを確認してください。
    3. セレクション欄とスコア欄以外のすべての列を削除してください。
    4. スプレッドシートのランダム化関数を使って行をランダム化します(例:=RAND()で列を追加し、この列をソートしてからランダム化列を削除します)。
    5. 最初の300件のランダム化検出を保持し、300未満の場合はすべての検出を保持します。
      注:検証のために300件の検出を選択するのは、1か月分の音響データを用いる類似研究では標準です。このサンプルサイズは精度と誤表示率を信頼性高く推定し、検出スコアの範囲を捉え、作業負荷を管理可能に保つことができます。より長いデータセットでは、より多くの選択が必要になることもあります。
    6. 解析対象のARU名と、AM1_ValidationDataset.xlsxなどの識別子を使って検証データセットを保存します。
  2. 手動検証のためのバイオアコースティック解析ソフトウェアを準備する
    1. ソフトウェア31を開き、「 ファイル > サウンドファイルを開く...」を選択してください。「 サウンドファイルを開く 」ウィンドウで解析対象のARU対応する WAVファイル をすべて選択し、「 開く」をクリックします。
    2. 開く「新しいサウンドの構成」ウィンドウでページングの「ページング」で「ページ音」を選択し、ステップ2.2.3で使用したページサイズを入力してください。複数のファイルで「1つのウィンドウでファイルとして開く」シーケンスを選択し、OKを選びます。
    3. 選択テーブルを開くファイル>に移動します... そして、ステップ2.3.1に保存された解析対象ARUの学習検出テーブルを開きます。
    4. Soundビューの左側パネル、LayoutsタブのViews:でWaveformビューを選択し外し、すべてのファイルをSpectrogramビューに表示して、発声構造を視覚的に確認できるようにします。
  3. ランダム化選択の検証
    1. 手動検証用の準備済みデータを備えたバイオアコースティック解析ソフトウェア31 とともに、ステップ3.1.6に保存された検証スプレッドシートを開きます。
    2. スプレッドシートに「 正しく検出されました」とラベル付けした新しい列を作成します。
    3. ランダム化されたリストから各選択番号をスペクトログラムビュー内で見つけ出し、正しく検出されたか(1)か誤検出(0)かを「 正しく検出 」欄に入力します。
  4. 検出器の精度を計算します
    1. ロジスティック回帰前の検出器の精度を、次の式で計算します。
    2. 精度(%) = (正しい検出数/検証済み検出総数) × 100
    3. 精度が90%以上のデータセットについては、現在の検出器設定を保持してください。
    4. 精度が90%未満のデータセットについては、ロジスティック回帰解析を適用するためにセクション4に進み、検出器を動作させる最適な閾値を決定します。
      注:精度が90%を下回ると、誤表示率が高いため、しきい値調整なしに発声の信頼できる抽出は困難になります。90%のカットオフは検出信頼性と十分なサンプルサイズのバランスを取っています。これまでの機械学習を用いた鳥の音認識モデルのキャリブレーション研究でも、精度90%以上の精度は十分に信頼できるとされています。

4. 検証テーブルに対してロジスティック回帰分析を行い、最適な信頼スコア閾値を生成します

  1. Wood &Kahlの21 ガイドラインを活用して、信頼スコアの閾値を生成します
    1. R32 というソフトウェアを使って、セクション3で作成された検証データセットを取り込みます。
    2. 一般化線形モデリング関数を用いて、族を二項としてロジスティック回帰を実行します。
    3. 望ましい精度確率を0.9と設定すると、検出が真陽性である確率は90%以上となります。
      注:精度の望ましい確率を0.9に設定すると、ほとんどの検出が真陽性となりますが、このレベルでも大規模な音響データセットでは誤陽性が発生することがあり、利用者はこの制限を理解しておくべきです。90%の精度閾値は、ユーザーが正しい検出数を多く維持しつつ、堅牢な分析に必要な十分なデータを保持できます。100%を目指すと利用可能なデータが制限されます。
    4. 以下のロジスティック回帰解析スクリプトを用いて、予測確率0.9となる予測値(信頼スコア)の適合ロジスティック回帰方程式を解いて最適閾値を計算します。
      figure-protocol-1
      p = 0.9、β0 と β1 はフィットモデルからの切片と傾きです
      統計計算ソフトウェア向けのロジスティック回帰解析スクリプト
      # ロード検証テーブル
      スレッショルドロビン <-read.csv(「ValidationTableRobin.csv')
      # ロジスティック回帰を実行
      Model1<-glm(Correct.Detected~Score, data=ThresholdRobin, family='binomial')
      モデル1
      # 90%以上の精度で望ましい確率
      p <- 0.9 # 望ましいp(真陽性の確率)
      しきい値 <- (log(p/(1-p))- Model1$coefficients[1]) / Model1$coefficients [2]
      注:以前の研究で24,27を独立変数としてLogitスコアを使うのではなく、生の信頼度スコアを独立変数として使用してください。WoodとKahlの21ガイドラインでは、生の信頼度スコアまたは逆変換版のいずれかが使用可能であると述べられています。
  2. 最適な信頼度スコアを適用してください
    1. バイオアコースティック解析ソフト31を開いてください。
    2. 調査対象のARUで、セクション2の手順を使って 学習検出器 を再実行してください。しかし、この時点で設定過程では、検出対象種の 閾値を プロトコルの4.1節で定められた閾値に変更する必要があります。
    3. (任意) オーバー ラップ を2秒に増やして検出解像度を高めましょう。
      注:オーバーラップ値は、検出された隣接するセグメントの重なり合いの程度を決定します。0秒では、節の境界での発声が見逃されることがあります(偽陰性)。重複を増やすことで検出解像度と予測力が向上しますが、解析は遅くなります19,29。ここでは、ロジスティック回帰ではデフォルトの重なりが0秒として用いられました。ロジスティック回帰分析で計算された代表的な結果と信頼度スコアの閾値を用いて、0と2の重複を検証します。
    4. 新たな検出リストが作成され、誤陽性も減少し、より正確になるはずです(結果参照)。
    5. 新しい学習検出器の出力を保存し、導出された信頼度スコアの閾値で生成された検出のリストを保存します。ファイル>「学習検出器」を選択し、ARU名と「AM1_LearningDetectorTable_OptimisedThreshold.txt」などの識別子で保存します。
    6. このファイルはプロトコルによって生成された最終検証済みデータセットを表します。このプロトコルの最終出力として保存された最適化学習検出器選択表を使用します。発声の注釈や音響パラメータ抽出などの後続解析はこの手法の範囲外であることにご注意ください。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結果

このプロトコルの有効性を示すために、リバプールの公園(ARU 1)、ケアンゴー国立公園内の自然再生林地(ARU 2)、グラスゴーの郊外地帯(ARU 3)を含む、環境や鳥類群落の異なる3か所で収集されたヨーロッパコマドリ(Erithacus rubecula)の音響データの代表的な結果を提示します。これらの例は、統計的に導出された信頼スコアの閾値を適用することで、さまざまな音響環境で検出精度を向上させることを示しています。本研究では、閾値最適化後の検出精度≥90%の検出精度が成功と定義され、この閾値以下の値は最適でなく、種の誤同定が継続していることを示しました。

リバプール・パーク - ARU 1
機械学習検出器モジュール19 は、当初リバプールパークサイトで記録された1か月間の全データセットで実行され、デフォルトの信頼スコア閾値0.1、重複0秒で、299件の検出が達成されました。これらすべてはプロトコルの第3節...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

ディスカッション

本論文で述べたプロトコルの利用により、種特異的かつ正確に分類された鳥の鳴き声データセットを生成する信頼性が高く効率的な手法が提供され、大規模な音声データセットの扱いにおいて有用であることが証明されています。私たちは、その歌のレパートリーにおける構造的および周波数の変動性がよく知られているため、ヨーロッパコマドリでこのプロトコルを試験することを選びました。つまり、当初、検出は誤標(偽陽性)率が高いことが判明しました(表1)。また、これらの手法をプロトコル後検定で検証し、新たに導出された信頼度スコア閾値を用いて精度向上を算出したことも検証しました。代表的な結果は、ロビンの発声の手動検証とその後のロジスティック回帰解析を用いて、機械学習検出器モジュール19を用いた検出精度を高める信頼度スコアの閾値を得ています。目標は精度を少なくとも90%まで向上させることであり、3つの位置ベースデータセットのうち2つで達成されました。ケアンゴーム山脈のARU 2の...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

著者同士の競合する金銭的利害関係はありません。

謝辞

リバプール・ジョン・ムーア大学の指導とリソースに感謝いたします。また、ワイルドアニマル・イニシアティブ(WAI)からの資金提供にも感謝します。この研究はWAI助成金(S-2023–00038)によって提供されました。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
自律記録ユニット v1.2.0オープン音響装置該当なし自律記録装置(ARU)
バイオアコースティック解析ソフトウェア v1.6.5コーネル鳥類学研究所リッド:SCR_016190音響解析ソフトウェア
データ転送ケーブル各種メーカー該当なしデバイス間のデータ転送に使用されます
デバイス構成アプリケーションオープン音響装置該当なしAudioMothsの設定アプリ
機械学習検出器モジュール v2.4コーネル鳥類学研究所該当なし機械学習検出器 
充電式アルカリ電池各種メーカー該当なし録音ユニット用の電源
着脱式メモリーカード各種メーカー該当なし録音用のデータ保存
統計計算ソフトウェアRコアチームリッド:SCR_001905統計計算ソフトウェア

参考文献

  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).

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

関連記事