방법 논문

대규모 음향 데이터셋의 로지스틱 회귀를 통한 조류 소리 인식 모델의 탐지 정밀도 향상: 유럽 울새(Erithacus rubecula) 사례 연구

438 조회수

⸱

DOI:

10.3791/70479

⸱

2026년 4월 11일

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

이 논문에서

요약

이 프로토콜의 목표는 로지스틱 회귀를 사용하여 자동 음향 인식 소프트웨어로 처리된 대규모 음향 데이터셋에서 탐지 정밀도를 높이기 위해 종 및 장소별 신뢰 점수 임계값을 결정하는 것입니다.

초록

수동 음향 모니터링(PAM)은 생물다양성 연구에 매우 귀중한 도구가 되었으며, 방대한 데이터셋을 비침습적으로 수집할 수 있게 해줍니다. 그러나 다양한 지역에서 종별 정보를 효율적으로 그리고 신뢰성 있게 처리하는 데 여전히 큰 도전 과제가 남아 있습니다. 본 논문은 생체음향 분석 소프트웨어 내 머신러닝 검출기 모듈을 사용하여 이 문제를 해결하기 위한 상세하고 단계별 프로토콜을 제시합니다. 이 방법론은 원시 음향 녹음에서 새의 발음을 정확하고 확신 있게 식별하고 검증하도록 설계되었습니다.

우리 프로토콜은 자율 기록 장치(ARU)를 이용한 초기 데이터 수집부터 고품질 주석 데이터셋의 최종 생성까지의 과정을 상세히 설명합니다. 주요 단계는 초기 탐지를 생성하기 위한 머신러닝 검출기 모듈 구성, 정밀도 표를 계산하는 수동 검증 절차, 종별 및 적절한 경우 위치별 신뢰 점수 임계값을 결정하는 로지스틱 회귀 분석이 포함됩니다. 이 통계적으로 유도된 임계값을 사용하여 검출기의 출력을 정제하고, 두 가지 중첩 구성(0초 및 2초 )에서 테스트됩니다. 도출된 최적 신뢰 점수 임계값을 적용하면 기계 학습 기반 조류 소리 인식 모델의 사이트 간 탐지 정밀도가 크게 향상됨을 보여준다. 과정을 설명하는 데 사용된 세 장소(리버풀 파크, 케언고름스, 글래스고 서브어번)에서는 0초 중첩 시 정밀도가 26.1%, 17.7%, 17%, 2초 중첩 시 28.77%, 16.87%, 15% 증가했습니다. 우리는 이 결과가 속도와 신뢰성 면에서 수동 계산 방법보다 우수하다고 제안합니다. 요약하자면, 본 논문은 생물음향학에서 머신러닝 접근법을 접근성 높고 효과적으로 활용할 수 있도록 재현 가능한 프레임워크를 제공하여 연구자들이 생태학 연구와 매개변수 분석을 위해 대규모 음향 데이터셋을 자신 있게 활용할 수 있도록 합니다.

서론

동물의 발음은 자연 세계에 대한 귀중한 통찰을 제공하며, 연구자들이 동물의 다양한 삶의 측면을 조사할 수 있게 하는 강력한 생물학적 도구로 작용합니다. 1. 생물음향학 분야는 생물다양성 모니터링 및 보전에서 점점 더 중요해지고 있으며, 종 식별과 개체군 추세 및 생태계 건강 평가에 도움을 주고 있습니다 2,3,4. 이 연구 분야는 또한 의사소통과 서식지 이용에 관한 동물 행동에 대한 이해에도 기여합니다 5,6. 최근에는 동물 복지 평가에 유망한 접근법으로 입증되었습니다 7,8.

음향 분석을 연구 도구로 사용하는 주요 장점 중 하나는 최근 자율 녹음 장치(ARU)의 기술 발전으로, 연구자들이 동물의 발성을 비침습적이고 원격으로 장시간 모니터링할 수 있게 해주는 수동 음향 모니터링(PAM)9. 이로 인해 인간의 개입 없이 암호 종의 데이터를 수집할 수 있게 되었습니다10,11. 또한, ARU는 비용 효율적이며 현장에 훈련된 연구자들의 필요성을 최소화합니다. 은폐 유럽 나이트자(Caprimulgus europaeus)에 대한 연구에서는 이러한 이점을 입증했으며, ARU 사용이 인간 관찰자보다 이 종을 탐지하는 데 훨씬 효과적임을 발견했다12. 대규모 생물음향 연구는 생태학 및 행동 측면에 대한 통찰을 제공할 수 있을 뿐만 아니라, 현장 연구에 매우 적합하고 적용 가능하기 때문에 점점 더 인기를 얻고 있습니다. 하지만 ARU가 장기간 운영되면 연구자들은 방대한 양의 음향 데이터를 효율적이고 신뢰성 있게 처리하는 도전에 필연적으로 직면하게 됩니다13.

최근에는 PAM과 자동 인식 도구를 결합해 대규모 데이터셋 내 종을 탐지하기 시작했으며, 이는 데이터 처리를 향상시키고 가속화하고 있습니다. 이 기법들은 발성 유형13을 기반으로 종을 자동으로 인식하고 분류하며,최근 몇 년간 인기를 얻고 있는 인공 신경망과 같은 기계 학습 및 딥러닝 모델을 자주 사용합니다. 자동 인식 소프트웨어의 신뢰성은 자이언트 판다 (Ailuropoda melanoleuca) 발성15종과 말레이시아 개구리16종 연구에서 입증된 바와 같이 수동 종 탐지 방법보다 우수한 경우가 많습니다. 중요하게도, 이러한 접근법 채택의 주요 동인 중 하나는 처리 속도이며, PAM을 통해 생성되는 음향 데이터의 양이 계속 증가함에 따라13명입니다. 대규모 음향 데이터셋의 수동 분석은 비효율적이고 비현실적이지만, 자동화된 인식 도구는 인간 관찰자가 요구하는 시간의 일부만에 녹음을 처리할 수 있습니다. 예를 들어, 한 연구에서는 BirdNET(기계 학습 기반 조류 소리 인식 모델)을 사용한 수동 시각 스캔 257시간이 처리 시간 1시간과 동등하다고 보고했습니다17.

이 기계 학습 기반 조류 소리 인식 모델은 최근 조류학 및 기타 음향 연구에 사용되며 주목받고 있는 도구 중 하나로, 딥러닝 모델에 기반한 자동화된 조류 종 식별 소프트웨어입니다18,19. 지금까지 대부분의 연구는 기계 학습 기반 조류 소리 인식 모델을 사용해 특정 지역의 종 목록을 생성했으며, 인간의 검증을 통해 군집 내 종의 89%를 감지하는 것으로 나타났으며, 시각적 스캔 시간의 4분의 1 미만으로 소요됩니다. 이 기계 학습 기반 조류 소리 인식 모델은 유라시아비터니(Botaurus stellaris)와 같은 특정 대상 종의 존재를 효과적으로 식별하는 데도 93.7%의 성공률을 보여준다20. 하지만 이 모델은 수동 검증과 결합했을 때 성공률이 더 높으며, 아직 완전 자동 탐지 도구로서 신뢰할 만하지 않습니다21. Wood와 Kahl21에 따르면 무단위 예측 생성과 관련된 다른 도전 과제도 있습니다.

머신러닝 탐지기 모듈은 각 감지된 새의 발음에 0에서 1 사이의 정량적 신뢰 점수를 부여하는데, 이는 소프트웨어가 해당 소리가 특정 종으로 올바르게 식별되었는지 얼마나 확신하는지를 나타냅니다18, 19, 21. 정확도는 진정 양성(즉, 올바른 식별)인 검출의 비율로 정의되며,이 점수에 영향을 받는 주요 지표입니다. 따라서 신뢰 점수가 높을수록 더 적은 검출을 할 수 있지만 정밀도는 높으며, 특히 소음이 많은 환경에서 탐지에 실패할 수 있으며, 낮은 점수일수록 정확도가 낮은 더 많은 검출을 할 수 있습니다22,23. 신뢰 점수와 정밀도 간의 관계는 복잡하며, 예를 들어 배경 소음이 높은 지역이나 다른 종의 발성을 모방할 가능성이 높은 종에서 일부 높은 신뢰 점수가 거짓 양성일 수 있음이 자주 발견됩니다23,24. 종과 위치 간 정밀도의 차이로 인해, 구성 과정에서 각 조류 종에 개별 신뢰 점수 임계점을 할당할 수 있으며, 이 임계값보다 높은 점수를 가진 탐지만 라벨링됩니다. 높은 보편적 신뢰 점수 임계값을 모든 종과 지역에 적용할 수 있으나, 이를 통해 오인 음성 발생(확인 실패)이 증가하는 경우가 많으며, 오탐성 수는 종 간이나 녹화 간 환경 차이에 따라 달라집니다.

여러 연구와 모범 사례 지침에서는 특정 종과 연구 장소에 대해 머신러닝 검출기 모듈을 실행할 최적의 신뢰 점수 임계값을 결정하는 다양한 방법을 제시하여, 검출을 진양성으로 더 큰 신뢰 상태로 받아들일 수 있도록 돕습니다 21,24,26,27,28. 한 가지 방법은 신뢰 임계값 범위에 걸쳐 F-점수를 계산하고, 정확도와 회상29.30을 균형 있게 하여 F-점수를 최대화하는 임계값을 선택하는 것입니다. 확률 보정을 허용하는 대안적 접근법은 무작위 예측 부분집합을 수동으로 검증하고 로지스틱 회귀분석을 적합시켜 이진 검증 결과(참/거짓 검출)와 관련 신뢰 점수21 간의 관계를 확립하는 것이다. 이 방법은 종과 환경 조건(예: 배경 잡음 변화)에 따라 상황에 따라 상황에 따른 임계값을 결정하는 데 사용할 수 있습니다19. 이러한 방법들은 유카탄 검은울음원숭이(Alouatta pigra), 회색늑대(Canis lupus), 코요테(C. latrans)에 대한 수동 음향 모니터링 연구에 적용되었습니다(27,28).

이 방법 논문의 목적은 Raven Pro-bioacoustics 분석 소프트웨어 (버전 1.6)19,31 내 기계 학습 기반 조류 소리 인식 모델을 사용하여 대규모 음향 데이터셋에서 종별 특정 음성 데이터를 정확하고 신뢰성 있게 추출하는 확장 가능한 방법론을 입증하고 검증하는 것입니다. 이 접근법은 Wood와 Kahl의21가지 모범 사례 지침을 따라 적절한 신뢰 점수 임계값을 계산하는 것을 포함합니다. 이 가이드라인21은 머신러닝 기반 조류 소리인식 모델 내에서 신뢰도 점수를 적용하기 위한 포괄적인 틀을 제공하지만, 주로 모범 사례 권고로 제시됩니다. 음향 조건과 배경 잡음이공간적으로 변하는 현실적인 모니터링 제약 하에서 분산 ARU 연구 시스템에서 이러한 절차를 운영한 연구는 거의 없습니다. 이 프로토콜(그림 1)은 여러 장소, 가변적인 음향 환경, 또는 높은 오분류율을 가진 대상 종을 포함하는 대규모 수동 음향 모니터링 연구에 특히 적합합니다. 더욱이, 이러한 지침이 코딩 기반 환경보다 접근성 높고 사용자 친화적인 생체음향 분석 소프트웨어(버전 1.6)19,31 내에서 구현된 것은 이전에 입증된 적이 없습니다.

figure-introduction-1
그림 1: 전체 워크플로우의 회로식적 표현. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

이 격차를 해소하기 위해, 우리는 다양한 서식지에서 AudioMoths - ARU (버전 1.2.0)34,35로 기록된 대규모 데이터셋을 사용하여 프로토콜을 적용하고 검증했습니다. 우리의 중심 종인 유럽울새(Erithacus rubecula)는 높은 노래 변이성과 구조적 복잡성을 보이며(36,37), 초기 파일럿 분석에서 오식별에 취약함을 보였습니다. 생물음향 분석 소프트웨어19,31 내 기계 학습 기반 조류 소리 인식 모델 구성에 종별 및 장소별 신뢰 점수 임계치를 적용함으로써, 다양한 음향 조건에서 프로토콜을 평가하고, 배경 소음 수준과 종 집합체를 반영하여 임계값 최적화를 맞춤화하면 기본 설정에 비해 탐지 정밀도가 크게 향상될 수 있음을 입증했습니다. 이 접근법은 최소한의 코딩만으로 대규모 PAM 연구에서 기계 학습 기반 조류 소리 인식 모델19를 접근하기 쉽고 효율적이며 효율적으로 적용할 수 있도록 설계되었습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

윤리 선언
이 프로토콜은 리버풀 존 무어스 대학교의 윤리 지침을 따릅니다. 방법론은 수동적 음향 모니터링만을 포함했으며, 동물의 조작, 교란 또는 실험적 조작은 포함하지 않았습니다. ARU를 배치하는 데 위험한 절차는 필요하지 않았습니다. ARU는 기관 연구 및 현장 조사 지침에 따라 배치되었고, 녹음 현장에는 음향 모니터링을 대중에게 알리는 적절한 표지판이 설치되었습니다. 하지만 현장 활동을 시작하기 전에 기상 예보를 확인하고 각 현장 부지별로 위험 평가를 실시하는 것이 강력히 권장됩니다.

소프트웨어, 라이선스 및 사용
참고: ARU 데이터는 생체음향 분석 소프트웨어 (v1.6)19,31 내 기계 학습 기반 조류 소리 인식 모델을 사용하여 처리되어야 하며, 검출기 출력도 동일한 소프트웨어(v1.6)31에서 처리되어야 합니다. 이 소프트웨어는 라이선스가 부여된 소프트웨어이며 무료로 제공되지 않으며, 여기서 설명된 워크플로우를 사용하려면 기관 또는 개인 라이선스를 통해 접근해야 합니다. 또한, 소프트웨어 내 기계 학습 기반 조류 소리 인식 모델(v1.6)19,31은 현재 ARM 기반 프로세서 아키텍처(M1 또는 M2 칩)를 사용하는 애플 기기에서는 실행되지 않지만, 이 프로토콜은 인텔 CPU와 윈도우 운영체제가 탑재된 macOS 기반 컴퓨터와는 호환됩니다

1. 오디오 데이터 수집

  1. ARU 배치 준비
    1. ARU에 배터리를 삽입하는데(이 실험에서는 충전식 알칼리성 배터리가 사용됨).
    2. 수집할 데이터 양에 비해 적절한 크기의 탈착식 메모리 카드를 삽입하세요(이 실험에서는 2GB 이동식 메모리 카드를 사용).
      참고: 30일 동안 하루 108개의 1분 파일을 생성하는 기록 일정(1.2.5.2 단계 참조)의 경우, 각 파일은 약 5760 kB로 총 데이터 용량은 622MB였습니다. 추정 일일 에너지 소비량은 26mAh입니다. 따라서 대표적인 결과를 위해 2GB 용량의 탈착식 메모리 카드가 사용되어 충분한 저장 공간을 제공했습니다. 또한, 충전식 알칼리성 배터리는 리튬 AA 배터리와 충전식 NiMH에 비해 가장 오랫동안 사용 가능한 전력을 유지했습니다.
  2. 각 ARU를 배포 대상으로 설정하세요
    1. ARU 웹사이트41의 '앱 다운로드 페이지'에서 'ARU 장치 펌웨어 업데이트 application'39와 'ARU 장치 구성 애플리케이션'40을 다운로드하세요.
    2. ARU를 데이터 전송 케이블로 컴퓨터에 개별적으로 연결합니다.
    3. 기기가 USB/오프 모드로 전환되어 있는지 확인하세요.
    4. 'ARU 기기 펌웨어 업데이트 애플리케이션'39 를 사용해 기기를 최신 펌웨어로 업데이트하세요.
    5. 'ARU 장치 구성 애플리케이션'40 을 사용해 ARU를 특정 시간대에 특정 날짜 동안 녹화하도록 설정하세요. 활성 기록 기간과 수면 간격을 정하세요.
      1. 목표 종이 가장 활발한 시간대(예: 주행성 조류의 새벽 합창)를 식별하고, 그에 맞는 기록 기간을 일정에 맞춰 조정하세요.
      2. 적절한 듀티 사이클을 설정하여 ARU가 활성 기록 시간과 절전 모드 중 어느 정도 시간을 기록하는지 명시하세요.
        예시: 이 대표 결과를 위해 ARU는 2023년 6월 1일부터 6월 30일까지 매일 오전 4시부터 9시, 오후 5시부터 9시 사이에 녹화하도록 프로그래밍되었습니다. 이 시간 창들은 새벽과 해질 무렵의 합창을 모두 담기 위해 선택되었습니다. 활성 시간 동안 기기들은 1분 WAV 파일을 녹음한 후 4분의 수면 시간을 가졌으며, 총 하루 108개의 1분 녹화가 이루어졌습니다.
        참고: ARU는 지속적으로 녹화할 수 있지만, 이는 배터리 소모와 이동식 메모리 카드 사용량을 빠르게 증가시킵니다.
      3. 'ARU 장치 구성 애플리케이션'42를 사용해 새의 소리 전체 범위34,35를 포착할 수 있도록 권장되는 48 kHz 샘플링 속도로 장치를 녹음하도록 설정하세요. 중간 게인(일반적으로 소음 환경 녹음 시34,35 kHz)을 녹음할 수 있습니다. 목표 종의 발음 빈도에 따라 다른 샘플링 속도도 사용할 수 있는데, 예를 들어 박쥐나 양서류 같은 초음파 야생동물의 샘플링 속도는 384 kHz35입니다.
    6. 모든 ARU를 설정한 후 각 장치를 CUSTOM 모드로 전환하세요.
  3. 기기 보호 및 라벨링
    1. 각 ARU 장치를 정전기 방지 지퍼락 봉투에 넣으세요. 필요에 따라 추가 방수 테이프를 사용해 물 손상을 방지하세요. 실리카 젤 팩을 봉지 안에 넣어 수분을 흡수하세요.
    2. 각 ARU에 번호와 위치별로 라벨을 붙이세요.
  4. ARU 배치
    1. 목표 종 서식지 내에서 배치할 ARU 위치를 결정합니다.
    2. 연구 요구사항과 목표 종에 맞는 간격으로 ARU를 배치합니다.
      참고: 탐지 거리는 서식지, 배경 소음, 종의 울음소리 크기에 따라 달라집니다. 유라시아물갈리새와 같은 큰 소리의 종은 최대 800m 거리의 음산물로 탐지할 수 있지만, 장거리에서는 기록이 저하되어 미세한 척도측정에 제한이 있습니다. 이곳에서는 각 부지당 약 100m 간격의 ARU를 분석하여 공간적 범위와 명확한 발음을 확보했습니다. 종, 서식지, 프로젝트 목표에 따라 간격을 조정하세요.

2. 생체음향 분석 소프트웨어19,31의 머신러닝 검출기 모듈을 사용하여 자동 종 탐지

  1. 오디오 데이터 전송
    1. 배포 기간이 끝난 후에는 ARU에서 탈착식 메모리 카드를 제거하고, 각 번호가 매겨진 ARU에 해당하는 탈착식 메모리 카드를 기록하세요.
    2. 각 탈착식 메모리 카드에서 카드 리더기를 사용해 모든 WAV 파일을 컴퓨터로 전송하세요.
    3. 각 ARU에서 생성된 모든 WAV 파일을 해당 ARU 번호와 위치가 표시된 폴더에 정리하세요.
    4. 모든 데이터의 백업 버전을 추가 기기에 저장하세요. 일시정지: 여기서 프로토콜을 멈출 수 있습니다.
    5. 이 데이터에 대한 접근을 승인된 프로젝트 연구자에게만 제한하고, 특히 인간 활동이 우연히 기록된 경우 기밀성을 유지하기 위해 비밀번호로 보호해야 합니다.
  2. 머신러닝 검출기 모듈 구성
    1. 생체음향 분석 소프트웨어31을 열고 드롭다운 메뉴에서 도구> 감지기> 학습 감지기를 선택하세요.
    2. 검출기 입력 선택 창에서 탐색(Browse)을 선택하세요. 이어지는 '사운드 파일 열기' 창에서 해당 ARU 폴더 내 모든 WAV 파일을 선택하고 (보조 파일 S1 및 S2 열기)을 클릭하세요.
    3. 새 사운드 구성 창 에서 페이지 > 페이지 사운드 아래에 각 녹음 길이에 맞는 페이지 크기를 입력하세요(예: 1분 WAV 파일의 경우 60초) (보조 파일 S3).
    4. 같은 새 사운드 구성 창 에서 여러 파일 아래에서 한 창에서 파일로 열기(Open as file sequence)를 선택한 후 확인 (Correctionary File S3)을 클릭하세요.
    5. 반환된 검출기 입력 선택 창에서 오른쪽의 사용 가능한 신호와 뷰에서 파형을 선택한 후 << 화살표 버튼을 클릭하면 필수 입력으로 이동합니다. 필수 입력 상자 아래에 '준비!' 상태가 있는지 확인한 후 확인(보조 파일 S4)을 클릭하세요.
    6. 입력 탭 아래 나타나는 머신러닝 감지기 구성 창에서 모델 선택 탭에서 원하는 모델을 선택하세요. 조류 종을 분석할 때는 전 지구 조류 분류 모델을 사용하는데, 이 모델에는 3,000–6,000종 이상의 조류 종이 포함되어 있습니다19(보충 파일 S5).
    7. 입력 탭에서 오버랩을 기본값인 0 s로 두어 후속 신뢰 점수 임계값 분석에 간섭을 방지하세요(보조 파일 S5).
    8. 출력 탭에서 드롭다운 메뉴 출력 클래스 파일을 선택하고, 연구의 지리적 위치와 관련된 출력 목록을 선택하세요(보조 파일 S6).
    9. 출력 탭 아래에는 선택한 출력 클래스 파일과 관련된 조류 종 목록이 있습니다. 임계값을 0.1로 낮추고 '모두 적용'을 선택하세요. 임계값 이하의 모든 값이 이제 목록에서 0.1이 되도록 하세요(보조 파일 S6).
    10. ' 모든 종 억제 ' 옵션을 선택하면 종 목록의 모든 박스에 체크가 표시됩니다. 그 다음 목표 종을 찾아서 억제 열(보조 파일 S6)에서 체크를 해제하세요.
    11. 학습 탐지기를 시작하려면 OK를 선택하세요. 이 장치는 파일을 처리하고 대상 종의 발성이 감지된 곳에서 선택을 생성합니다.
    12. 진행 관리자를 모니터링하여 완료 비율과 남은 시간을 추적하세요 (보조 파일 S7).
  3. 학습 검출기 출력 저장
    참고: 학습 검출기 테이블이 처리 중에 생성되어 스펙트로그램 뷰 아래에 표시됩니다. 이 표의 번호가 매겨진 선택은 검출기가 스펙트로그램 뷰에서 식별한 선택과 일치합니다. 각 선택은 3초 길이로 고정되어 있으며, 전체 발성 동안 반복되지 않을 수도 있습니다. 각 선택에는 선택 표(보조 파일 S8)에서 식별 라벨과 점수가 할당됩니다. 이 점수들은 무단위 예측이며, 이후 단계의 로지스틱 회귀 분석에 사용될 것입니다.
    1. 파일 > 저장 선택 테이블 "학습 감지기" 선택을 선택한 후 ARU 이름과 AM1_LearningDetectorTable_Original.txt 같은 식별자를 사용해 파일을 저장하세요.

3. 각 연구 장소의 대표 ARU에서 목표 종에 대한 정밀 표 작성

  1. 검증 데이터셋을 준비하세요
    1. 2.3.1단계에서 저장된 학습 탐지 기 선택 테이블을 열고 스프레드시트 소프트웨어로 옮기세요.
    2. 라벨 열에 목표 종만 표시되는지 확인하세요.
    3. 선택과 점수 열을 제외한 모든 열을 삭제하세요.
    4. 스프레드시트의 무작위화 함수를 사용해 행을 무작위화하세요(예: =RAND(를 사용해 열을 추가하고, 이 열을 정렬한 후 무작위화 열을 삭제).
    5. 처음 300건의 무작위 탐지를 유지하고, 300개 미만이면 모든 탐지를 유지합니다.
      참고: 1개월치 음향 데이터를 사용한 유사 연구에서는 300건의 검출을 선정하는 것이 표준입니다. 이 샘플 크기는 정확도와 잘못된 라벨링률을 신뢰성 있게 추정하고, 다양한 탐지 점수를 포착하며, 작업 부담을 관리 가능한 수준으로 유지합니다. 더 긴 데이터셋을 위해서는 더 많은 선택이 필요할 수 있습니다.
    6. 분석 중인 ARU 이름과 AM1_ValidationDataset.xlsx 같은 식별자를 사용하여 검증 데이터셋을 저장합니다.
  2. 수동 검증을 위한 생체음향 분석 소프트웨어를 준비하세요
    1. 소프트웨어31을 열고 파일 > 사운드 파일 열기... 그리고 Open Sound Files 창에서 분석 중인 ARU에 해당하는 모든 WAV 파일을 선택한 후 열기를 클릭하세요.
    2. 새 사운드 구성 창이 열리고, 페이징 아래에서 페이지 사운드를 선택하고 2.2.3단계에서 사용한 페이지 크기를 입력하세요. 여러 파일 아래에서 한 창에서 '파일로 열기' 순서를 선택한 후 확인을 선택하세요.
    3. 파일 > 열린 선택 테이블로 이동하세요... 그리고 2.3.1단계에서 저장된 분석 대상 ARU의 학습 감지 테이블을 엽니다.
    4. 사운드 뷰 왼쪽 패널의 레이아웃 탭 내 Views:에서 파형 뷰를 해제하여 모든 파일이 스펙트로그램 뷰에 표시되도록 하여 발성 구조를 시각적으로 확인할 수 있게 하세요.
  3. 무작위 선택 검증
    1. 생체음향 분석 소프트웨어31 과 함께 준비된 데이터를 수동으로 검증할 준비가 된 상태에서, 3.1.6단계에서 저장된 검증 스프레드시트를 열어보세요.
    2. 스프레드시트에 '올바르게 감지됨'이라는 새 열을 생성하세요.
    3. 스펙트로그램 뷰에서 무작위 목록에서 각 선택 번호를 찾아내고, 올바르게 감지되었는지(1) 또는 잘못 감지되었는지(0)인지 올바르게 감지 되었는지 입력합니다.
  4. 검출기 정밀도 계산
    1. ARU와 목표 종의 검출기 정밀도(로지스틱 회귀 이전)를 다음 공식으로 계산합니다:
    2. 정밀도 (%) = (정답 검출 수/검증된 총 검출 수) x 100
    3. 정확도가 90% 이상인 데이터셋의 경우, 현재 검출기 설정을 유지하세요.
    4. 정확도가 90% 미만인 데이터셋의 경우, 4절로 넘어가 로지스틱 회귀분석을 수행하여 검출기를 작동시킬 최적의 임계값을 결정합니다.
      참고: 정확도가 90% 이하로 떨어지면 높은 오판 발생률로 인해 임계값 조정 없이는 발음을 신뢰성 있게 추출하기 어렵습니다. 90% 컷오프는 검출 신뢰성과 적절한 표본 크기의 균형을 맞춥니다. 이전의 기계 학습 기반 조류 소리 인식 모델 보정 연구들도 90% 이상의 정밀도를충분히 신뢰할 만하다고 평가했습니다.

4. 검증 테이블에 대한 로지스틱 회귀분석을 수행하여 최적의 신뢰 점수 임계값을 산출합니다

  1. Wood & Kahl의21 가지 가이드라인을 활용하여 신뢰 점수 임계값을 생성합니다
    1. R32 소프트웨어를 사용하여 섹션 3에서 생성된 검증 데이터셋을 가져오세요.
    2. 집합체를 이항으로 삼아 일반화된 선형 모델링 함수를 사용해 로지스틱 회귀분석을 실행합니다.
    3. 원하는 정밀도 확률을 0.9로 설정하면, 검출이 진양성일 확률이 90% 이상이 됩니다.
      참고: 원하는 정밀도 확률을 0.9로 설정하면 대부분의 검출이 진정 양성으로 보장되지만, 이 수준에서도 대규모 음향 데이터셋에서는 거짓 양성이 발생할 수 있으므로 사용자는 이 한계를 인지해야 합니다. 90% 정밀도 임계값은 사용자가 올바른 탐지 수를 높게 유지하면서도 견고한 분석을 위한 충분한 데이터를 유지할 수 있게 해줍니다. 100%를 목표로 하면 사용 가능한 데이터가 제한됩니다.
    4. 아래의 로지스틱 회귀분석 스크립트를 사용하여 예측 확률 0.9를 얻는 적합 로지스틱 회귀 방정식을 풀어 최적의 임계값을 계산하세요:
      figure-protocol-1
      p = 0.9이며, β0과 β1은 적합 모델의 절각과 기울기입니다
      통계 컴퓨팅 소프트웨어를 위한 로지스틱 회귀 분석 스크립트
      # 로드 검증 테이블
      스레숄드로빈 <-read.csv('ValidationTableRobin.csv')
      # 로지스틱 회귀 실행해
      Model1<-glm(Correct.Detected~Score, data=ThresholdRobin, family='binomial')
      모델1
      # 90% 정밀도 이상의 원하는 확률
      p <- 0.9 # 원하는 p (진양성 확률)
      임계값 <- (log(p/(1-p))- Model1$coefficients[1]) / Model1$coefficients [2]
      참고: 이전 연구에서24,27 로짓 점수를 독립변수로 사용하는 대신, 원시 신뢰 점수를 독립 변수로 사용하라. Wood와 Kahl의21가지 지침에서는 원시 신뢰 점수 또는 역변환 버전 중 하나를 사용할 수 있다고 언급되어 있습니다.
  2. 최적 신뢰 점수를 적용하세요
    1. 생체음향 분석 소프트웨어를엽니다.
    2. 2절의 단계를 사용하여 조사 중인 ARU에 대한 학습 탐지기를 다시 실행하세요. 하지만 이번에는 설정 과정에서 탐지되는 대상 종의 임계 값을 프로토콜 4.1절에서 정한 임계값으로 변경해야 합니다.
    3. (선택 사항) 오버 랩 을 2초로 늘려 탐지 해상도를 높이세요.
      참고: 오버랩 값은 인접한 감지된 구간이 얼마나 겹치는지를 결정합니다. 0초에서는 구간 경계에서의 발음이 놓칠 수 있습니다(거짓 음성). 중복을 늘리면 검출 해상도와 예측력이 향상되지만 분석은 느려집니다 19,29. 여기서 로지스틱 회귀에서는 기본 겹침 0s가 사용되었다. 로지스틱 회귀분석에서 계산된 대표 결과와 신뢰 점수 임계값을 사용하여 0과 2 s의 겹침을 모두 검사합니다.
    4. 이제 더 정확하고 오탐이 적은 새로운 탐지 목록이 생성될 예정입니다(결과 참조).
    5. 새로운 학습 검출 기 출력을 저장하고, 도출된 신뢰 점수 임계값을 사용해 생성된 탐지 목록과 함께 파일 > 저장 선택 테이블 "학습 감지기" A 를 선택하고, ARU 이름과 AM1_LearningDetectorTable_OptimisedThreshold.txt과 같은 식별자를 사용해 저장합니다.
    6. 이 파일은 프로토콜에 의해 생성된 최종 검증된 데이터셋을 나타냅니다. 이 프로토콜의 최종 출력물로 최적화된 학습 검출기 선택 테이블을 저장해 두세요. 이후 분석, 예를 들어 발성 주석 작성이나 음향 파라미터 추출은 이 방법의 범위를 벗어나야 한다는 점을 유의해 주세요.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

설명된 프로토콜의 효과를 보여주기 위해, 우리는 리버풀의 공원(ARU 1), 케언고름스 국립공원 내 자연재생 산림지(ARU 2), 글래스고 교외 지역(ARU 3) 등 다양한 환경과 조류 군집에서 수집된 유럽울새(Erithacus rubecula)의 음향 데이터 분석 결과를 제시합니다. 이러한 예시들은 통계적으로 도출된 신뢰도 점수 임계값을 적용함으로써 다양한 음향 환경에서 탐지 정밀도를 높일 수 있음을 보여줍니다. 본 연구에서 성공적인 결과는 임계값 최적화 후 90%≥ 검출 정밀도로 정의되었으며, 이 임계값 이하의 값은 최적이 아니며 종의 지속적인 오식별을 나타낸다고 간주했습니다.

리버풀 파크 - ARU 1
머신러닝 검출기 모듈19 는 처음에 리버풀 파크 현장에서 기록된 1개월 전체 데이터셋에서 실행되었으며, 기본 신뢰 점수 ...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

이 논문에서 제시한 프로토콜의 사용은 종별 정확히 분류된 새 발음 데이터셋을 생성하는 신뢰할 수 있고 효율적인 방법을 제공하며, 이는 대규모 오디오 데이터셋 처리에 유용함을 입증했습니다. 우리는 유럽울새의 노래 레퍼토리 내에서 구조적·주파수 변동성이 잘 알려져 있기 때문에 이 프로토콜을 시험하기로 결정했습니다. 즉, 초기에는 검출이 오판(거짓 양성)의 비율이 높게 나타났습니다(표 1). 또한 프로토콜 후 검증을 통해 새로 도출된 신뢰 점수 임계값을 사용하여 정밀도 증가율을 계산하는 방법들을 검증했습니다. 대표적인 결과는 로빈 발음의 수동 검증과 이후 로지스틱 회귀 분석을 통해 신뢰 점수 임계값을 얻어 기계 학습 검출기 모듈19 사용 시 검출 정밀도를 높입니다. 목표는 정확도를 최소 90%까지 높이는 것이었으며, 세 개의 위치 기반 데이터셋 중 두 곳에서 ...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자들은 경쟁하는 금전적 이해관계가 없습니다.

감사의 글

리버풀 존 무어 대학교에 제공해 준 안내와 자원에 감사드립니다. 또한 야생동물 이니셔티브(WAI)의 자금 지원에 감사드립니다. 이 연구는 WAI 보조금(S-2023–00038)으로 지원받았습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
자율 기록 장치 v1.2.0오픈 음향 장치해당 없음자율 기록 장치(ARU)
생체음향 분석 소프트웨어 v1.6.5코넬 조류학 연구소RRID:SCR_016190사운드 분석 소프트웨어
데이터 전송 케이블다양한 제조사해당 없음장치에서 데이터를 전송하는 데 사용됩니다
장치 구성 응용오픈 음향 장치해당 없음AudioMoth 설정 앱
머신러닝 탐지기 모듈 v2.4코넬 조류학 연구소해당 없음머신러닝 탐지기 
충전식 알칼리성 배터리다양한 제조사해당 없음녹음 장치용 전원 공급 장치
탈착식 메모리 카드다양한 제조사해당 없음녹음용 데이터 저장
통계 컴퓨팅 소프트웨어R 코어 팀리드:SCR_001905통계 컴퓨팅 소프트웨어

참고문헌

  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).

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청

허가 요청

태그

관련 논문