Verbetering van de detectieprecisie van een vogelgeluidsherkenningsmodel via logistische regressie van grote akoestische datasets: een casestudy van de Europese roodborst (Erithacus rubecula)

Ons onderzoek richt zich op het ontwikkelen van een kader om bioakoestici te helpen de precisie van geautomatiseerde akoestische soortdetectie te verbeteren. Zonder de juiste configuratie hebben vogelgeluidsherkenningsmodellen moeite om vocalisaties nauwkeurig te detecteren. Dit protocol heeft als doel de precisie te verhogen door soort- en locatie-specifieke betrouwbaarheidsdrempels te bepalen.

Om te beginnen sluit je elke ARU afzonderlijk aan op een computer met een datatransferkabel en schakel je de ARU's over naar USB-modus. Gebruik de AudioMoth ARU-apparaatconfiguratie-applicatie om de ARU's in te stellen die de slaapintervallen en actieve opnameperiodes bepalen. Identificeer de tijdsvensters waarin doelsoorten het meest actief zijn en plan de opnameperiodes dienovereenkomstig.

Voeg meerdere opnameperiodes toe en plan de opnamedata door de eerste en laatste opnamedatum te kiezen. Gebruik de ARU-apparaatconfiguratie-applicatie om de apparaten zo in te stellen dat ze opnemen met een bemonsteringsfrequentie van 48 kilohertz en gemiddelde versterking. Plaats elk ARU-apparaat in een antistatische Ziploc-zak en breng indien nodig extra waterdichte tape aan om waterschade te voorkomen.

Zet vervolgens de ARU-apparaten in het veld uit en zet ze over naar aangepaste modus. Zet alle wave-bestanden van elke verwisselbare geheugenkaart over naar een computer. Open de bioakoestische analysesoftware Raven Pro 1.6, selecteer Tools, vervolgens Detector, en kies Learning Detector in het keuzemenu.

Selecteer in het venster Detectorinvoer kiezen Browse. Selecteer in het volgende venster 'Open Sound Files' alle wavebestanden in de betreffende ARU-map en klik op Open. Dit opent het venster Nieuw geluid configureren.

In het venster Nieuw geluid configureren, onder Paging en Page Sound, voer je de juiste paginagrootte in voor de lengte van elke opname. Selecteer vervolgens onder Meerdere bestanden Open als bestandsvolgorde in één venster en klik OK. Er verschijnen een venster Open File Sequence en Choose Detector Inputs, waarin de toevoeging van geselecteerde bestanden aan de sequentie wordt getoond. In het terugkerende venster Kies Detector Ingangen, selecteer Golfvorm onder Beschikbare Signalen en Weergaven en verplaats je deze naar Vereiste Ingangen met de pijltjesknop.

Bevestig dat de status onder Vereiste Invoer verandert naar Klaar en klik op OK. Dit opent het venster 'Machine Learning Detector configureren'. Binnen het venster Machine Learning Detector configureren, selecteer je onder het tabblad Inputs het gewenste model uit Select Model. Laat de overlap standaard nul seconden staan.

Klik op het tabblad Outputs. Open het dropdownmenu voor het uitvoerklassebestand en selecteer de uitvoerlijst die overeenkomt met de geografische locatie van de studie. Verlaag de drempel naar 0,1 en selecteer Apply All.

Zorg ervoor dat alle drempelwaarden in de soortenlijst zijn ingesteld op 0,1. Selecteer de optie Alle soorten onderdrukken zodat alle soorten geselecteerd zijn. Zoek de doelsoort en selecteer deze uit in de kolom Onderdrukken.

Selecteer OK om de verwerking van de leerdetector te starten. Monitor de voortgangsmanager om het percentage voltooide en resterende tijd bij te houden. Open de selectietabel voor opgeslagen leerdetectoren en zet deze over naar de spreadsheetsoftware.

Bevestig dat alleen de doelsoort onder de kolom Label verschijnt. Verwijder alle kolommen, behalve de kolommen Selectie en Score. Voeg een nieuwe kolom toe met de randomisatiefunctie, sorteer de rijen op basis van deze kolom, en verwijder vervolgens de kolom Randomisatie.

Bebehoud de eerste 300 willekeurige detecties of behoud ze allemaal als er minder dan 300 zijn. Sla de validatiedataset op met de naam ARU en een identificatie, zoals AM1_ValidationDataset. Open de bioakoestische analysesoftware Raven Pro 1.6 en selecteer Bestand.

Open vervolgens Sound Files om alle bijbehorende wave-bestanden te selecteren en klik op Open. Dit opent het venster Nieuw geluid configureren. Selecteer in het venster Nieuw geluid configureren onder paging paginageluid en voer de eerder gebruikte paginagrootte in.

Selecteer vervolgens onder meerdere bestanden Open als bestandsvolgorde in één venster en klik op OK. Dit voegt de geselecteerde bestanden toe aan de reeks en opent het spectrogram van elk bestand tussen meerdere geselecteerde bestanden. Ga naar Bestand en selecteer Open Selectietabel om de Learning Detection Table te openen voor de ARU die wordt geanalyseerd. In het paneel links van de geluidsweergave onder het tabblad Layouts en Views deselecteer je de Waveform-weergave, zodat alle bestanden in Spectrogram-weergave worden weergegeven.

Open de validatiespreadsheet naast de bioakoestische analysesoftware met de voorbereide gegevens. Maak een nieuwe kolom aan in de spreadsheet en label deze als Correct gedetecteerd. Selecteer in de spreadsheet een nummer uit de willekeurige lijst en voer dit in het trekveld binnen het spectrogrambeeld.

Klik dan op Spelen. Voer 1 in voor correct gedetecteerd of 0 voor onjuist gedetecteerd in de kolom Correct gedetecteerd. Bereken de precisie van de detector met behulp van het aantal correcte detecties en het totaal aantal gevalideerde detecties, en vermenigvuldig met 100 om het als percentage uit te drukken.

Gebruik de software RStudio om de validatiedataset die in de vorige sectie is aangemaakt, te importeren. Voer een logistische regressie uit op de dataset met behulp van de gegeneraliseerde lineaire modelleringsfunctie met de familieset als binomiaal. Stel de gewenste precisiekans in op 0,9, zodat de kans dat een detectie een echt positief effect is 90% of hoger is.

Bereken de optimale drempel door de aangepaste logistische regressievergelijking voor de voorspellerwaarde op te lossen en verifieer de verkregen drempelwaarde. Voer de leerdetector opnieuw uit op de ARU die wordt onderzocht met de vorige detectoropstelling. Selecteer de geluidsbestanden.

Voer de paginagrootte in en selecteer Open als bestandsvolgorde in één venster. Selecteer vervolgens Waveform in het venster Detector Inputs kiezen en verplaats deze naar Vereiste Inputs met de Arrow-knop en klik op OK. Selecteer onder het tabblad Inputs van het venster 'Machine Learning Detector configureren' het gewenste model en controleer je of de overlap op nul seconden is ingesteld. Selecteer vervolgens in het tabblad Outputs de geografische locatie in het output class-bestand en verander de drempel voor de doelsoort naar de drempel die in de vorige stap is bepaald en selecteer Apply all.

Selecteer vervolgens de optie Alle soorten onderdrukken. Selecteer het vakje voor doelsoorten en klik op OK om het Progress Manager-venster te openen. Maak tenslotte een nieuwe lijst van detecties met verbeterde nauwkeurigheid en minder vals-positieven met behulp van de geoptimaliseerde drempelwaarde.

Representatieve resultaten uit de analyse van akoestische gegevens voor de Europese roodborst verzameld in een park in Liverpool, een natuurlijk regenererend bosgebied binnen het Cairngorms National Park, en een buitenwijklocatie in Glasgow toonden aan hoe statistisch afgeleide betrouwbaarheidsdrempels de detectieprecisie verbeterden in verschillende akoestische omgevingen. Logistische regressieanalyse bepaalde een optimale betrouwbaarheidsscore van 0,54 voor de locatie Liverpool Park en 0,23 voor de locatie Cairngorms, wat resulteert in een precisiepercentage van 90% of hoger. Het opnieuw uitvoeren van de detector op de locaties Liverpool Park en Cairngorms met de geoptimaliseerde drempel verhoogde de detectieprecisie tot boven de 90% voor zowel nul- als tweesecondenoverlap.

Het opnieuw uitvoeren van de detector op de locatie in de buitenwijken van Glasgow met de 0,36-geoptimaliseerde drempel verbeterde de detectieprecisie, maar de totale post-regressieprecisie bleef onder de 90% voor zowel nul- als twee-seconden overlap. Dit protocol stelt onderzoekers in staat nauwkeurige detecties van doelsoorten te genereren binnen grote en akoestisch diverse datasets. Hoewel dit protocol valse positieven vermindert en de detectieprecisie verhoogt, kan het ook enkele echte detecties missen, wat een belangrijk nadeel met terugroepen benadrukt.

Na het produceren van nauwkeurige detecties kunnen vocalisaties in software worden geannoteerd voor parameterextractie en verdere analyse van akoestisch gedrag.