Name: Ulepszanie precyzji wykrywania modelu rozpoznawania dźwięków ptaków poprzez regresję logistyczną dużych zbiorów danych akustycznych: studium przypadku rudzika europejskiego (Erithacus rubecula) (Wideo) | JoVE Journal
Uploaded: 2026-04-11T20:00:00.000+00:00
Duration: 10 min 55 s
Description: Poznaj metodę optymalizacji wykrywania głosów ptaków w dużych zbiorach danych akustycznych przy użyciu regresji logistycznej. Protokół ten zwiększa precyzję detekcji Erithacus rubecula poprzez ustalanie progów zaufania specyficznych dla gatunku i miejsca.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Dziękujemy Liverpool John Moore's University za wskazówki i zasoby. Dziękujemy również Wild Animal Initiative (WAI) za wsparcie finansowe, a badania zostały sfinansowane z grantów WAI (S-2023–00038).

<ol><li>Briefer, E. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Vocal+expression+of+emotions+in+mammals%3A+Mechanisms+of+production+and+evidence%5BTitle%5D)+AND+%22J+Zool%22%5BJournal%5D)">Vocal expression of emotions in mammals: Mechanisms of production and evidence.</a> J Zool. 288 (1), 1-20 (2012).</li>
<li>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).</li>
<li>Sebastián-González, E., Pang-Ching, J., Barbosa, J. M., Hart, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Bioacoustics+for+species+management%3A+two+case+studies+with+a+Hawaiian+forest+bird%5BTitle%5D)+AND+%22Ecol+Evol%22%5BJournal%5D)">Bioacoustics for species management: two case studies with a Hawaiian forest bird.</a> Ecol Evol. 5 (20), 4696-4705 (2015).</li>
<li>Raich, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Use+of+bioacoustics+in+species+identification%3A+Piranhas+from+genus+Pygocentrus+%28Teleostei%3A+Serrasalmidae%29+as+a+case+study%5BTitle%5D)+AND+%22PLOS+One%22%5BJournal%5D)">Use of bioacoustics in species identification: Piranhas from genus Pygocentrus (Teleostei: Serrasalmidae) as a case study.</a> PLOS One. 15 (10), e0241316(2020).</li>
<li>Pillay, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Bioacoustic+monitoring+reveals+shifts+in+breeding+songbird+populations+and+singing+behaviour+with+selective+logging+in+tropical+forests%5BTitle%5D)+AND+%22J+Appl+Ecol%22%5BJournal%5D)">Bioacoustic monitoring reveals shifts in breeding songbird populations and singing behaviour with selective logging in tropical forests.</a> J Appl Ecol. 56 (11), 2482-2492 (2019).</li>
<li>Teixeira, D., Maron, M., van Rensburg, B. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Bioacoustic+monitoring+of+animal+vocal+behaviour+for+conservation%5BTitle%5D)+AND+%22Conserv+Sci+Pract%22%5BJournal%5D)">Bioacoustic monitoring of animal vocal behaviour for conservation.</a> Conserv Sci Pract. 1 (8), e72(2019).</li>
<li>Coutant, M., Villain, A. S., Briefer, E. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+scoping+review+of+the+use+of+bioacoustics+to+assess+various+components+of+farm+animal+welfare%5BTitle%5D)+AND+%22Appl+Anim+Behav+Sci%22%5BJournal%5D)">A scoping review of the use of bioacoustics to assess various components of farm animal welfare.</a> Appl Anim Behav Sci. 275, 106286(2024).</li>
<li>Mcloughlin, M. P., Stewart, R., McElligott, A. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+bioacoustics%3A+methods+in+ecology+and+conservation+and+their+potential+for+animal+welfare+monitoring%5BTitle%5D)+AND+%22J+R+Soc+Interface%22%5BJournal%5D)">Automated bioacoustics: methods in ecology and conservation and their potential for animal welfare monitoring.</a> J R Soc Interface. 16 (155), 20190225(2019).</li>
<li>Shonfield, J., Bayne, E. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Autonomous+recording+units+in+avian+ecological+research%3A+Current+use+and+future+applications%5BTitle%5D)+AND+%22Avian+Conserv+Ecol%22%5BJournal%5D)">Autonomous recording units in avian ecological research: Current use and future applications.</a> Avian Conserv Ecol. 12 (1), 14(2017).</li>
<li>Newson, S. E., Bas, Y., Murray, A., Gillings, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Potential+for+coupling+the+monitoring+of+bush-crickets+with+established+large-scale+acoustic+monitoring+of+bats%5BTitle%5D)+AND+%22Methods+Ecol+Evol%22%5BJournal%5D)">Potential for coupling the monitoring of bush-crickets with established large-scale acoustic monitoring of bats.</a> Methods Ecol Evol. 8 (9), 1051-1062 (2017).</li>
<li>Wheeldon, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Comparison+of+acoustic+and+traditional+point+count+methods+to+assess+bird+diversity+and+composition+in+the+Aberdare+National+Park%2C+Kenya%5BTitle%5D)+AND+%22Afr+J+Ecol%22%5BJournal%5D)">Comparison of acoustic and traditional point count methods to assess bird diversity and composition in the Aberdare National Park, Kenya.</a> Afr J Ecol. 57 (2), 168-176 (2019).</li>
<li>Zwart, M. C., Baker, A., McGowan, P. J. K., Whittingham, M. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Use+of+Automated+Bioacoustic+Recorders+to+Replace+Human+Wildlife+Surveys%3A+An+Example+Using+Nightjars%5BTitle%5D)+AND+%22PLoS+ONE%22%5BJournal%5D)">The Use of Automated Bioacoustic Recorders to Replace Human Wildlife Surveys: An Example Using Nightjars.</a> PLoS ONE. 9 (7), e102770(2014).</li>
<li>Xie, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Review+of+automatic+recognition+technology+for+bird+vocalizations+in+the+deep+learning+era%5BTitle%5D)+AND+%22Ecol+Inform%22%5BJournal%5D)">Review of automatic recognition technology for bird vocalizations in the deep learning era.</a> Ecol Inform. 73, 101927(2023).</li>
<li>Yang, F., Jiang, Y., Xu, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Design+of+bird+sound+recognition+model+based+on+lightweight%5BTitle%5D)+AND+%22IEEE+Access%22%5BJournal%5D)">Design of bird sound recognition model based on lightweight.</a> IEEE Access. 10, 85189-85198 (2023).</li>
<li>Liao, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automatic+recognition+of+giant+panda+vocalizations+using+wide+spectrum+features+and+deep+neural+network%5BTitle%5D)+AND+%22Math+Biosci+Eng%22%5BJournal%5D)">Automatic recognition of giant panda vocalizations using wide spectrum features and deep neural network.</a> Math Biosci Eng. 20 (8), 15456-15475 (2023).</li>
<li>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).</li>
<li>Ware, L., Mahon, C. L., McLeod, L., Jetté, J. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Artificial+intelligence+%28BirdNET%29+supplements+manual+methods+to+maximize+bird+species+richness+from+acoustic+data+sets+generated+from+regional+monitoring%5BTitle%5D)+AND+%22Can+J+Zool%22%5BJournal%5D)">Artificial intelligence (BirdNET) supplements manual methods to maximize bird species richness from acoustic data sets generated from regional monitoring.</a> Can J Zool. 101 (12), 1031-1051 (2023).</li>
<li>Kahl, S., Wood, C. M., Eibl, M., Klinck, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((BirdNET%3A+A+deep+learning+solution+for+avian+diversity+monitoring%5BTitle%5D)+AND+%22Ecol+Inform%22%5BJournal%5D)">BirdNET: A deep learning solution for avian diversity monitoring.</a> Ecol Inform. 61, 101236(2021).</li>
<li>Kahl, K., Wood, C., Klinck, M. Cornell Lab of Ornithology. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aKahl%2C+K+%22BirdNET%3A+Bird+sound+identification.+%5Bcomputer+program%5D%22">BirdNET: Bird sound identification. [computer program]</a>. , The Cornell Lab of Ornithology. Ithica (NY). https://birdnet.cornell.edu (2021).</li>
<li>Manzano-Rubio, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Low-cost+open-source+recorders+and+ready-to-use+machine+learning+approaches+provide+effective+monitoring+of+threatened+species%5BTitle%5D)+AND+%22Ecol+Inform%22%5BJournal%5D)">Low-cost open-source recorders and ready-to-use machine learning approaches provide effective monitoring of threatened species.</a> Ecol Inform. 72, 101910(2022).</li>
<li>Wood, C. M., Kahl, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Guidelines+on+the+appropriate+use+of+BirdNet+scores+and+other+detector+outputs%5BTitle%5D)+AND+%22J+Ornithol%22%5BJournal%5D)">Guidelines on the appropriate use of BirdNet scores and other detector outputs.</a> J Ornithol. 165, 777-782 (2024).</li>
<li>Pérez-Granados, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((BirdNET%3A+applications%2C+performance%2C+pitfalls+and+future+opportunities%5BTitle%5D)+AND+%22Ibis%22%5BJournal%5D)">BirdNET: applications, performance, pitfalls and future opportunities.</a> Ibis. 165 (3), 1068-1075 (2023).</li>
<li>Singer, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Aggregated+time-series+features+boost+species-specific+differentiation+of+true+and+false+positives+in+passive+acoustic+monitoring+of+bird+assemblages%5BTitle%5D)+AND+%22Remote+Sens+Ecol+Conserv%22%5BJournal%5D)">Aggregated time-series features boost species-specific differentiation of true and false positives in passive acoustic monitoring of bird assemblages.</a> Remote Sens Ecol Conserv. 10 (4), 517-530 (2024).</li>
<li>Bota, G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Hearing+to+the+Unseen%3A+AudioMoth+and+BirdNET+as+a+Cheap+and+Easy+Method+for+Monitoring+Cryptic+Bird+Species%5BTitle%5D)+AND+%22Sensors%22%5BJournal%5D)">Hearing to the Unseen: AudioMoth and BirdNET as a Cheap and Easy Method for Monitoring Cryptic Bird Species.</a> Sensors. 23 (16), 7176(2023).</li>
<li>Amorós-Ausina, A., Schuchmann, K. -L., Marques, M. I., Pérez-Granados, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Living+together%2C+singing+together%3A+Revealing+similar+patterns+of+vocal+activity+in+two+tropical+songbirds+applying+BirdNET%5BTitle%5D)+AND+%22Sensors%22%5BJournal%5D)">Living together, singing together: Revealing similar patterns of vocal activity in two tropical songbirds applying BirdNET.</a> Sensors. 24 (17), 5780(2024).</li>
<li>Tseng, S., Hodder, D. P., Otter, K. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Setting+BirdNET+confidence+thresholds%3A+species-specific+vs.+universal+approaches%5BTitle%5D)+AND+%22J+Ornithol%22%5BJournal%5D)">Setting BirdNET confidence thresholds: species-specific vs. universal approaches.</a> J Ornithol. 166 (4), 1123-1135 (2025).</li>
<li>Wood, C. M., Cruz, A. B., Kahl, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pairing+a+user-friendly+machine-learning+animal+sound+detector+with+passive+acoustic+surveys+for+occupancy+modelling+of+an+endangered+primate%5BTitle%5D)+AND+%22Am+J+Primatol%22%5BJournal%5D)">Pairing a user-friendly machine-learning animal sound detector with passive acoustic surveys for occupancy modelling of an endangered primate.</a> Am J Primatol. 85 (8), e23507(2023).</li>
<li>Sossover, D., Burrows, K., Kahl, S., Wood, C. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Using+the+BirdNET+algorithm+to+identify+wolves%2C+coyotes%2C+and+potentially+their+interactions+in+a+large+audio+dataset%5BTitle%5D)+AND+%22Mamm+Res%22%5BJournal%5D)">Using the BirdNET algorithm to identify wolves, coyotes, and potentially their interactions in a large audio dataset.</a> Mamm Res. 69, 159-165 (2024).</li>
<li>Funosas, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Assessing+the+potential+of+BirdNET+to+infer+European+bird+communities+from+large-scale+ecoacoustic+data%5BTitle%5D)+AND+%22Ecol+Indic%22%5BJournal%5D)">Assessing the potential of BirdNET to infer European bird communities from large-scale ecoacoustic data.</a> Ecol Indic. 164, 112146(2023).</li>
<li>Ziegenhorn, M. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ArcticSoundsNET%3A+BirdNET+embeddings+facilitate+improved+bioacoustic+classification+of+Arctic+species%5BTitle%5D)+AND+%22Ecol+Inform%22%5BJournal%5D)">ArcticSoundsNET: BirdNET embeddings facilitate improved bioacoustic classification of Arctic species.</a> Ecol Inform. 90, 103270(2025).</li>
<li><a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22Raven+Pro%3A+Interactive+sound+analysis+software.+%5BComputer+program%5D%22">Raven Pro: Interactive sound analysis software. [Computer program]</a>. , Version 1.6, The Cornell Lab of Ornithology. https://ravensoundsoftware.com/ (2025).</li>
<li>R Core Team. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22R%3A+A+language+and+environment+for+statistical+computing+%5Bcomputer+program%5D%22">R: A language and environment for statistical computing [computer program]</a>. , R Foundation for Statistical Computing. https://www.R-project.org/ (2024).</li>
<li><a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22Python+Language+Reference+%5BInternet%5D%22">Python Language Reference [Internet]</a>. , Version 3.14.3, Python Software Foundation. https://www.python.org (2026).</li>
<li>Hill, A. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((AudioMoth%3A+Evaluation+of+a+Smart+open+Acoustic+Device+for+Monitoring+Biodiversity+and+the+Environment%5BTitle%5D)+AND+%22Methods+in+Ecol+and+Evol%22%5BJournal%5D)">AudioMoth: Evaluation of a Smart open Acoustic Device for Monitoring Biodiversity and the Environment.</a> Methods in Ecol and Evol. 9 (5), 1199-1211 (2017).</li>
<li>Hill, A. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((AudioMoth%3A+A+low-cost+acoustic+device+for+monitoring+biodiversity+and+the+environment%5BTitle%5D)+AND+%22HardwareX%22%5BJournal%5D)">AudioMoth: A low-cost acoustic device for monitoring biodiversity and the environment.</a> HardwareX. 6, e00073(2019).</li>
<li>Bremond, J. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Recherche+sur+la+semantique+et+les+elements+vecteurs+d%27information+dans+les+signaux+aeoustiques+du+rouge-gorge+%28Erithacus+rubecula%29%5BTitle%5D)+AND+%22Terre+Vie%22%5BJournal%5D)">Recherche sur la semantique et les elements vecteurs d'information dans les signaux aeoustiques du rouge-gorge (Erithacus rubecula).</a> Terre Vie. 22, https://hal.science/hal-03531635v1 109-220 (1968).</li>
<li>Hoelzel, A. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Song+characteristics+and+response+to+playback+of+male+and+female+robins%2C+Erithacus+rubecula%5BTitle%5D)+AND+%22Ibis%22%5BJournal%5D)">Song characteristics and response to playback of male and female robins, Erithacus rubecula.</a> Ibis. 128, 115-127 (1968).</li>
<li>Sandbrook, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Principles+for+the+socially+responsible+use+of+conservation+monitoring+technology+and+data%5BTitle%5D)+AND+%22Conserv+Sci+Pract%22%5BJournal%5D)">Principles for the socially responsible use of conservation monitoring technology and data.</a> Conserv Sci Pract. 3 (5), e374(2021).</li>
<li><a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22AudioMoth+Flash+App+%5Bcomputer+program%5D%22">AudioMoth Flash App [computer program]</a>. , Version 1.7.0, Open Acoustic Devices. https://www.openacousticdevices.info/applications (2025).</li>
<li><a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22AudioMoth+Configuration+App+%5Bcomputer+program%5D%22">AudioMoth Configuration App [computer program]</a>. , Version 1.12.1, Open Acoustic Devices. https://www.openacousticdevices.info/applications (2025).</li>
<li>Applications. , Open Acoustic Devices. 
 <a target="_blank" href="https://www.openacousticdevices.info/applications">https://www.openacousticdevices.info/applications</a> (2025).</li>
<li>Sethi, S. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Large-scale+avian+vocalization+detection+delivers+reliable+global+biodiversity+insights%5BTitle%5D)+AND+%22Proc+Natl+Acad+Sci+U+S+A%22%5BJournal%5D)">Large-scale avian vocalization detection delivers reliable global biodiversity insights.</a> Proc Natl Acad Sci U S A. 121 (33), e2315933121(2024).</li>
<li>Verboom, W. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Bird+vocalizations%3A+songs+of+the+European+robin+%28Erithacus+rubecula%29%5BTitle%5D)+AND+%22JunoBioacoustics%22%5BJournal%5D)">Bird vocalizations: songs of the European robin (Erithacus rubecula).</a> JunoBioacoustics. 202107, (2021).</li>
</ol>

Autorzy nie mają konkurujących interesów finansowych.

Zastosowanie protokołu opisanego w niniejszym artykule zapewnia niezawodną, usprawnioną metodę generowania specyficznych gatunkowo i dokładnie sklasyfikowanych zbiorów danych o wokalizacjach ptaków, co okazało się przydatne przy obsłudze dużych zbiorów danych audio. Zdecydowaliśmy się przetestować protokół na rudziku europejskim ze względu na jego dobrze znaną zmienność strukturalną i częstotliwościową w repertuarze pieśni43. Oznacza to, że początkowo wykrywania wykazywały wysoki wskaźnik błędnego...

Wokalizacje zwierząt dostarczają cennych informacji o świecie przyrody i działają jako potężne narzędzia biologiczne, pozwalając badaczom badać różne aspekty życia zwierząt1. Dziedzina bioakustyki zyskuje na coraz większym znaczeniu w monitorowaniu i ochronie bioróżnorodności, wspomagając identyfikację gatunków oraz ocenę trendów populacyjnych i zdrowia ekosystemów 2,3,4. Ta dziedzina badań przyczynia się również do naszego zrozumienia zachowań zwierząt, na przykład w zakresie komunikacji i użytkowania siedlisk 5,6. Ostatnio udowodniono, że jest to obiecująca metoda oceny dobrostanu zwierząt 7,8.
Jedną z kluczowych zalet wykorzystania analizy akustycznej jako narzędzia badawczego są najnowsze osiągnięcia technologiczne w autonomicznych jednostkach rejestrujących (ARU), które umożliwiają badaczom nieinwazyjne i zdalne monitorowanie wokalizacji zwierząt przez dłuższy czas, technikę znaną jako pasywne monitorowanie akustyczne (PAM)9. Pozwoliło to na zbieranie danych od gatunków kryptycznych bez ingerencji człowieka10,11. Dodatkowo, ARU są opłacalne i minimalizują potrzebę zatrudnienia wykwalifikowanych badaczyw tej dziedzinie. Badanie na kryptycznym lełku europejskim (Caprimulgus europaeus) wykazało te zalety, wykazując, że stosowanie ARU było znacząco skuteczniejsze niż ludzkie obserwatory w wykrywaniu gatunku12. Badania bioakustyki na dużą skalę stają się coraz bardziej popularne, ponieważ mogą dostarczać wglądu w różne aspekty ekologiczne i behawioralne, a także są bardzo przydatne i dobrze nadają się do badań terenowych. Jednak długotrwałe działania ARU oznaczają, że badacze nieuchronnie stają przed wyzwaniem efektywnego i niezawodnego przetwarzania ogromnych ilości danych akustycznych13.
W ostatnich latach naukowcy zaczęli łączyć PAM z narzędziami automatycznego rozpoznawania do wykrywania gatunków w dużych zbiorach danych, co usprawnia i przyspiesza ogólne przetwarzanie danych. Techniki te automatycznie rozpoznają i klasyfikują gatunki na podstawie typuwokalizacji 13, często wykorzystując modele uczenia maszynowego i głębokiego, takie jak sztuczne sieci neuronowe, które zyskały na popularności w ostatnich latach14. Niezawodność automatycznego oprogramowania rozpoznawczego często przewyższa ręczne metody wykrywania gatunków, co potwierdzają badania nad wokalizacjami pandy olbrzymiej (Ailuropoda melanoleuca) 15 oraz gatunkami żabmalezyjskich 16. Co ważne, jednym z głównych czynników stojących za przyjęciem tych podejść jest szybkość przetwarzania, szczególnie gdy ilość danych akustycznych generowanych przez PAM stale rośnieo 13. Analiza ręczna dużych zbiorów danych akustycznych jest nieefektywna i niepraktyczna na dużą skalę, a mimo to zautomatyzowane narzędzia rozpoznawcze mogą przetwarzać nagrania w ułamku czasu potrzebnego obserwatorowi. Na przykład jedno z badań wykazało, że 257 godzin ręcznego skanowania wzrokowego odpowiadało 1 godzinie czasu przetwarzania przy użyciu BirdNET (model rozpoznawania dźwięków ptaków oparty na uczeniu maszynowym)17.
Ten oparty na uczeniu maszynowym model rozpoznawania dźwięków ptaków jest jednym z takich narzędzi, które ostatnio zyskało popularność w ornitologii i innych badaniach akustyki; jest to dostępne zautomatyzowane oprogramowanie do identyfikacji gatunków ptaków, oparte na modelu uczenia głębokiego18,19. Większość dotychczasowych badań wykorzystywała model rozpoznawania dźwięków ptaków oparty na uczeniu maszynowym do tworzenia list gatunków dla danego obszaru, a dzięki walidacji człowieka wykazano, że wykrywa on 89% gatunków w społeczności, przy czym wymaga mniej niż jedna czwarta czasu potrzebnego przez samo skanowanie wizualne –17. Ten oparty na uczeniu maszynowym model rozpoznawania dźwięków ptaków wykazał się również skutecznym wykrywaniem obecności konkretnego gatunku docelowego w danym obszarze, takiego jak bąk wschodni (Botaurus stellaris), z skutecznością 93,7%20. Jednak ten model często osiąga wyższy wskaźnik sukcesu w połączeniu z ręczną walidacją i nie jest jeszcze niezawodny jako w pełni automatyczne narzędzie wykrywania21. Według Wooda iKahla 21 są też inne wyzwania dotyczące produkcji przewidywań bezjednostkowych.
Moduł detektora uczenia maszynowego przypisuje każdemu wykrytemu wokalizacji ptaka ilościowy wskaźnik ufności w zakresie od 0 do 1, który wskazuje, jak pewne jest oprogramowanie, że wykryty dźwięk został poprawnie zidentyfikowany jako dany gatunek 18,19,21. Precyzja, zdefiniowana jako odsetek wykryć, które są prawdziwymi pozytywnymi wynikami (czyli poprawnymi identyfikacjami), jest kluczową miarą wpływającą na ten wynik22. W konsekwencji wyższy wynik pewności może generować mniej wykryć, ale z większą precyzją, a jednocześnie błędy w szczególnie hałaśliwym środowisku, a niższy wynik może dać więcej wykryć o mniejszej pewności precyzji22,23. Związek między wynikami pewności a precyzją jest złożony, często stwierdza się, że niektóre wysokie wyniki mogą być fałszywie pozytywne, na przykład w miejscach o wysokim poziomie szumu tła lub u gatunków, które prawdopodobnie naśladują wokalizacje innych gatunków23,24. Ze względu na zmienność precyzji między gatunkami i lokalizacjami, podczas procesu konfiguracji możliwe jest przypisanie indywidualnych progów oceny ufności każdemu gatunkowi ptaka, gdzie oznaczane są tylko detekcje z wynikiem powyżej tego progu. Wysoki uniwersalny próg ufności mógłby być stosowany dla wszystkich gatunków i lokalizacji, jednak często zwiększa to liczbę fałszywie negatywnych wyników (niepominiętych identyfikacji)22,25,26, podczas gdy liczba fałszywie pozytywnych wyników różni się między gatunkami i różnicami środowiskowymi między zapisami.
Kilka badań i wytycznych najlepszych praktyk określa różne metody określania optymalnego progu poziomu ufności, przy którym można uruchomić moduł detektora uczenia maszynowego dla konkretnych gatunków i miejsc badań, co pozwala na akceptację detekcji z większą pewnością jako prawdziwych pozytywnych wyników 21,24,26,27,28. Jedno z podejść polega na obliczaniu wyników F dla zakresu progów ufności i wyborze progu, który maksymalizuje wynik F, równoważąc precyzję i pamięć29,30. Alternatywne podejście, które pozwala na kalibrację prawdopodobieństwa, polega na ręcznym walidowaniu losowego podzbioru przewidywań oraz dopasowywaniu regresji logistycznej w celu ustalenia związku między binarnym wynikiem walidacji (wykrywanie prawdziwej/fałszywej) a powiązanym wynikiem ufności21. Metoda ta może być następnie użyta do określenia progów specyficznych dla kontekstu, które mogą być dostosowywane w zależności od gatunku i warunków środowiskowych (np. zmienny szum tła)19. Takie metody były stosowane w pasywnych badaniach akustycznych na jukatańskich czarnych wyjczykach (Alouatta pigra), wilkach szarych (Canis lupus) oraz kojotach (C. latrans)27,28.
Celem tego artykułu metodycznego jest pokazanie i zweryfikowanie skalowalnej metodologii dokładnego i niezawodnego pozyskiwania danych wokalnych specyficznych dla gatunku z dużych akustycznych zbiorów danych z wykorzystaniem modelu rozpoznawania dźwięków ptaków opartego na uczeniu maszynowym w oprogramowaniu Raven Pro-bioacoustics (wersja 1.6)19,31. Podejście to obejmuje obliczanie odpowiednich progów oceny pewności według21 najlepszych praktyk Wooda i Kahla. Chociaż te wytyczne21 stanowią kompleksowe ramy do stosowania wskaźników pewności w modelu rozpoznawania dźwięków ptakówopartego na uczeniu maszynowym, są one przede wszystkim prezentowane jako zalecenia najlepszych praktyk. Niewiele badań zoperacyjniło te procedury w rozproszonych systemach badawczych ARU przy realistycznych ograniczeniach monitoringu, gdzie warunki akustyczne i szum tła różnią się przestrzennie22. Protokół ten (Rysunek 1) jest szczególnie odpowiedni do szeroko zakrojonych badań pasywnych akustycznych monitorujących wiele miejsc, zmienne środowiska akustyczne lub gatunki docelowe o wysokim wskaźniku błędnej klasyfikacji. Ponadto wdrożenie tych wytycznych w oprogramowaniu analizy bioakustyki (wersja 1.6)19,31, bardziej dostępnej i przyjaznej dla użytkownika platformie w porównaniu do środowisk opartych na kodowaniu32,33, nie zostało wcześniej zademonstrowane.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/70479/70479fig4.jpg" /> 
Rysunek 1: Schematyczne przedstawienie całego przepływu pracy. <a href="https://www.jove.com/files/ftp_upload/70479/70479fig4large.jpg" target="_blank">Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.</a>
Aby wypełnić tę lukę, stosujemy i walidujemy protokół, wykorzystując duże zbiory danych zarejestrowane w AudioMoths - ARUs (ver 1.2.0)34,35, na różnorodnych siedliskach. Nasz gatunek kluczowy, rudzik europejski (Erithacus rubecula), wykazuje dużą zmienność śpiewu i złożoność strukturalną36,37, a także wykazywał podatność na błędne rozpoznanie w początkowych analizach pilotażowych. Stosując progi godności oceny gatunkowej i specyficznej dla lokalizacji do konfiguracji modelu rozpoznawania dźwięków ptaków opartych na uczeniu maszynowym w oprogramowaniu analizy bioakustyki19,31, oceniamy protokół w różnych warunkach akustycznych, uwzględniając różne poziomy hałasu tła i zespoły gatunkowe, oraz wykazujemy, że optymalizacja progu może znacząco poprawić precyzję wykrywania w porównaniu z domyślnymi ustawieniami. To podejście ma na celu umożliwienie dostępnego, usprawnionego i efektywnego zastosowania modelu rozpoznawania dźwięków ptaków opartego na uczeniu maszynowym19 w dużych badaniach PAM, przy minimalnym kodowaniu.

<table><tbody><tr><td>Autonomiczne Jednostki Rejestrujące v1.2.0</td><td>Otwarte urządzenia akustyczne</td><td>Nie ma</td><td>Autonomiczna jednostka rejestrująca (ARU)</td></tr><tr><td>Oprogramowanie do analizy bioakustyki v1.6.5</td><td>Laboratorium Ornitologii Cornella</td><td>RRID:SCR_016190</td><td>Oprogramowanie do analizy dźwięku</td></tr><tr><td>Kabel do przesyłania danych</td><td>Różni producenci</td><td>Nie ma</td><td>Używany do przesyłania danych z urządzeń</td></tr><tr><td>Zastosowania konfiguracji urządzeń</td><td>Otwarte urządzenia akustyczne</td><td>Nie ma</td><td>Aplikacje do konfiguracji AudioMoths</td></tr><tr><td>Moduł Detektora Uczenia Maszynowego v2.4</td><td>Laboratorium Ornitologii Cornella</td><td>Nie ma</td><td>detektor uczenia maszynowego&nbsp;</td></tr><tr><td>Akumulatory alkaliczne do ładowania</td><td>Różni producenci</td><td>Nie ma</td><td>Zasilacz do jednostek nagrywających</td></tr><tr><td>Wymienne karty pamięci</td><td>Różni producenci</td><td>Nie ma</td><td>Przechowywanie danych do nagrań</td></tr><tr><td>Oprogramowanie do obliczeń statystycznych</td><td>Zespół R Core</td><td>RRID:SCR_001905</td><td>Oprogramowanie do obliczeń statystycznych</td></tr></tbody></table>

ulepszanie precyzji wykrywania modelu rozpoznawania dźwięków ptaków poprzez regresję logistyczną dużych zbiorów danych akustycznych: studium przypadku rudzika europejskiego (erithacus rubecula)

Enhancing an Avian Sound Recognition Model&#39;s Detection Precision via Logistic Regression of Large Acoustic Datasets: A Case Study of the European Robin (Erithacus rubecula)

Pasywny monitoring akustyczny (PAM) stał się nieocenionym narzędziem w badaniach bioróżnorodności, umożliwiając nieinwazyjne zbieranie ogromnych zbiorów danych. Jednak istotnym wyzwaniem pozostaje efektywne i niezawodne przetwarzanie tak dużej ilości danych, aby wydobyć informacje specyficzne dla gatunków w różnych lokalizacjach. Niniejszy artykuł przedstawia szczegółowy, krok po kroku protokół rozwiązania tego wyzwania za pomocą modułu detektora uczenia maszynowego w oprogramowaniu do analizy bioakustyki. Metodologia została zaprojektowana tak, aby precyzyjnie i pewnie identyfikować oraz weryfikować wokalizację ptaków na podstawie surowych nagrań akustycznych.
Nasz protokół szczegółowo opisuje proces od początkowego zbierania danych za pomocą autonomicznych jednostek rejestrujących (ARU) aż do ostatecznego generowania wysokiej jakości zestawu danych z adnotacjami. Kluczowe kroki obejmują konfigurację modułu detektora uczenia maszynowego do generowania początkowych detekcji, ręczną procedurę walidacji obliczania tabel precyzyjnych oraz analizę regresji logistycznej w celu określenia progu poziomu ufności specyficznego dla gatunku, a w razie potrzeby także dla lokalizacji. Ten statystycznie wyprowadzony próg jest następnie wykorzystywany do doprecyzowania wyjścia detektora, testowanego na dwóch konfiguracjach nakładania się (0 s i 2 s). Pokazujemy, że zastosowanie wyprowadzonych progów optymalnego wyniku ufności znacząco poprawia precyzję wykrywania ptasich modeli rozpoznawania dźwięków opartych na uczeniu maszynowym w różnych lokalizacjach. Dla trzech miejsc użytych do zilustrowania procesu (Liverpool Park, Cairngorms i Glasgow Suburban) precyzja wzrosła o 26,1%, 17,7% i 17% przy nakładaniu się 0 s, a o 28,77%, 16,87% i 15% przy nakładaniu się 2 s. Sugerujemy, że uzyskana metodologia jest lepsza od ręcznych metod liczenia zarówno pod względem szybkości, jak i niezawodności. Podsumowując, niniejszy artykuł przedstawia powtarzalne ramy, które ułatwiają dostępne i skuteczne wykorzystanie podejść do uczenia maszynowego w bioakustyce, umożliwiając naukowcom pewne wykorzystanie dużych zbiorów danych akustycznych do badań ekologicznych i analizy parametrów.

Aby zilustrować skuteczność opisanego protokołu, przedstawiamy reprezentatywne wyniki analizy danych akustycznych dla rudzika europejskiego (Erithacus rubecula) zebranych na trzech stanowiskach o różnych środowiskach i zespołach gatunków ptaków, w tym w parku w Liverpoolu (ARU 1), naturalnie regenerującym się leśnym obszarze w Parku Narodowym Cairngorms (ARU 2) oraz na stanowisku podmiejskim w Glasgow (ARU 3). Te przykłady pokazują, jak zastosowanie statystycznie wyprowadzonych progów oceny ufności może poprawić...

Celem tego protokołu jest określenie progów oceny ufności specyficznych dla gatunków i lokalizacji za pomocą regresji logistycznej, aby poprawić precyzję wykrywania w dużych zbiorach danych akustycznych przetwarzanych za pomocą automatycznego oprogramowania do rozpoznawania akustycznego.

Ulepszanie precyzji wykrywania modelu rozpoznawania dźwięków ptaków poprzez regresję logistyczną dużych zbiorów danych akustycznych: studium przypadku rudzika europejskiego (Erithacus rubecula)

Passive acoustic monitoring (PAM) has become an invaluable tool for biodiversity research, enabling the non-invasive collection of vast datasets. However, ...

Nasze badania koncentrują się na opracowaniu ram, które pomogą bioakustykom poprawić precyzję automatycznego akustycznego wykrywania gatunków. Bez odpowiedniej konfiguracji modele rozpoznawania dźwięków ptaków mają trudności z dokładnym wykrywaniem wokalizacji. Protokół ten ma na celu zwiększenie precyzji poprzez określenie progów poziomu zaufania gatunków i specyficznych dla lokalizacji.Na początek podłącz każdą ARU osobno do komputera za pomocą kabla transferowego i przełącz ARU na tryb USB. Użyj aplikacji konfiguracyjnej urządzeń AudioMoth ARU, aby ustawić ARU do określania interwałów snu i aktywnych okresów nagrywania. Zidentyfikuj okna czasowe, kiedy gatunki docelowe są najbardziej aktywne, i odpowiednio zaplanuj okresy rejestracji.Dodaj kilka okresów nagrań i zaplanuj daty, wybierając pierwszą i ostatnią datę nagrania. Użyj aplikacji konfiguracyjnej ARU, aby ustawić urządzenia na nagrywanie z częstotliwością próbkowania 48 kiloherców ze średnim wzmocnieniem. Każde urządzenie ARU włóż do antystatycznego woreczka strunowego i w razie potrzeby przyklej dodatkową wodoodporną taśmę, aby zapobiec uszkodzeniom przez wodę.Następnie rozmieszczę urządzenia ARU w terenie i przełącz je n

enhancing-an-avian-sound-recognition-model-s-detection-precision-via

Research

JoVE Journal

Behavior

Zachowanie

Zaburzenia głosu są uciążliwe w procesie starzenia się oraz w chorobie Parkinsona. Ultradźwiękowe wokalizacje szczurów, które również są dotknięte tymi schorzeniami, mogą być wykorzystane do badania tych zaburzeń głosu, ich podłoży neuronalnych oraz charakteru powrotu do sprawności funkcjonalnej w wyniku interwencji behawioralnej.

Celowany trening wokalizacji ultradźwiękowych u starszych szczurów oraz szczurów z chorobą Parkinsona

Opisujemy projekt i montaż zminiaturyzowanych słuchawek odpowiednich do zastąpienia naturalnego słuchowego sprzężenia zwrotnego ptaka śpiewającego zmanipulowanym sygnałem akustycznym.  Sprzęt do przetwarzania dźwięku online służy do manipulowania wyjściem utworu, wprowadzania błędów w czasie rzeczywistym w dźwiękowych informacjach zwrotnych przez słuchawki i napędzania uczenia się motorycznego głosu.

Lekki, oparty na słuchawkach system do manipulowania sprzężeniem zwrotnym u ptaków śpiewających

Zaproponowaliśmy system, który wykorzystuje niedrogie, nieinwazyjne pseudoakustyczne czujniki optyczne do automatycznego i dokładnego wykrywania, liczenia i klasyfikowania owadów latających na podstawie ich dźwięku lotu.

Wykrywanie i klasyfikacja owadów latających za pomocą niedrogich czujników

Ten protokół zawiera wytyczne do przeprowadzania eksperymentów z odrzucaniem jaj: nakreślenie technik malowania eksperymentalnych modeli jaj w celu naśladowania kolorów naturalnych jaj ptaków, prowadzenie badań terenowych i analizowanie zebranych danych. Protokół ten zapewnia jednolitą metodę przeprowadzania porównywalnych eksperymentów z odrzucaniem jaj.

Badanie granic rozpoznawania jaj za pomocą eksperymentów z odrzucaniem jaj wzdłuż gradientów fenotypowych

Użyliśmy standardowych technik słuchowej reakcji pnia mózgu (ABR) i zastosowaliśmy je do piskląt piskląt, przedwcześnie rozwiniętego ptasiego modelu funkcji słuchowych. Protokół szczegółowo opisuje techniki przygotowania zwierząt i pozyskiwania ABR, wraz z krokami, które mogą przełożyć się na inne modele ptaków lub gryzoni.

Ocena słuchowej odpowiedzi pnia mózgu u piskląt kurcząt

Badanie wprowadza paradygmat treningowo-testujący w celu zbadania efektów starych/nowych potencjałów związanych z wydarzeniem w pewnych i wątpliwych scenariuszach prozodycznych. Dane ujawniają zwiększoną późną składową dodatnią w przedziale 400-850 ms w Pz i innych elektrodach. Ten proces może badać czynniki poza prozodią mowy i ich wpływ na identyfikację wskaźników wiązania celu.

Trening i testowanie oparte na zapamiętywaniu paradygmatu dla solidnej identyfikacji głosu w emocjonalnej mowie z wykorzystaniem analizy potencjałów związanych z wydarzeniami

To badanie wykorzystywało analizę sygnałów głosowych i metody uczenia maszynowego, wykorzystując MATLAB do wyodrębnienia charakterystycznych cech głosu w celu nieinwazyjnego wczesnego wykrywania astmy. Algorytmy Support Vector Machine (SVM) i Random Forest (RF) wykazały porównywalną wydajność pod względem ogólnej dokładności klasyfikacji, chociaż SVM może osiągnąć lepszą równowagę między czułością a swoistością.

Badania nad wykrywaniem astmy w oparciu o przetwarzanie sygnałów głosowych i uczenie maszynowe

Ultradźwiękowe wołania szczurów i myszy laboratoryjnych (USV) są przydatne do badania funkcji głosowych i nerwowych. Ten protokół opisuje paradygmat nagrody pokarmowej, który niezawodnie wywołuje wołania USV dotyczące pożądania bez zamieszań związanych z rozmnażaniem. Zawiera szczegóły dotyczące kondycjonowania zwierząt, prezentacji bodźców, nagrywania i analizy akustycznej, dostarczając metodę odtwarzalną do badania funkcji afektywno-motywacyjnych i czopowych czuciowo-ruchowych.

Elicytacja pokarmu przedwidziała wzmożenie apetytowych ultradźwiękowych wokalizacji u szczurów laboratoryjnych i myszy

Skala Neurobehawioralna dla Noworodków z Oddziałów Intensywnej Terapii (NICU Network Neurobehavioral Scale, NNNS) została opracowana jako narzędzie oceny niemowląt z grupy ryzyka. Celem niniejszego artykułu jest opisanie skali NNNS, przedstawienie w materiałach wideo przykładów procedur NNNS oraz omówienie sposobów wykorzystania tego badania.

Ocena i ewaluacja noworodka wysokiego ryzyka: Skala Neurobehawioralna NICU Network

Pokazano metodę oceny wytrzymałości wysiłkowej u myszy laboratoryjnych bez użycia siatki uderzeniowej. Metoda ta jest humanitarnym udoskonaleniem, które może zmniejszyć zakłócający wpływ stresu na parametry eksperymentalne.

Ocena wytrzymałości wysiłkowej myszy bez użycia siatki uderzeniowej: alternatywa dla ćwiczeń wymuszonych

Poznaj metodę optymalizacji wykrywania głosów ptaków w dużych zbiorach danych akustycznych przy użyciu regresji logistycznej. Protokół ten zwiększa precyzję detekcji Erithacus rubecula poprzez ustalanie progów zaufania specyficznych dla gatunku i miejsca.

Ulepszanie precyzji wykrywania modelu rozpoznawania dźwięków ptaków poprzez regresję logistyczną dużych zbiorów danych akustycznych: studium przypadku rudzika europejskiego (Erithacus rubecula) (Wideo) | JoVE Journal

Ulepszanie precyzji wykrywania modelu rozpoznawania dźwięków ptaków poprzez regresję logistyczną dużych zbiorów danych akustycznych: studium przypadku rudzika europejskiego (Erithacus rubecula)

Przeglądaj więcej filmów