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

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....

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

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.......

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.......

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