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

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 na tryb niestandardowy. Przenieś wszystkie pliki falowe z każdej wymiennej karty pamięci na komputer. Otwórz oprogramowanie do analizy bioakustyki Raven Pro 1.6 i wybierz Narzędzia, następnie Detektor, a następnie wybierz Learning Detector z menu rozwijanego.

W oknie Wybierz wejścia detektora wybierz Przeglądaj. W kolejnym oknie Otwórz pliki dźwiękowe wybierz wszystkie pliki falowe z odpowiedniego folderu ARU i kliknij Otwórz. To otworzy okno Konfiguruj nowy dźwięk.

W oknie Konfiguruj nowy dźwięk, w sekcji Stronicowanie i Dźwięk strony, wpisz odpowiedni rozmiar strony dla długości każdego nagrania. Następnie, w sekcji Wiele plików, wybierz Otwórz jako sekwencję plików w jednym oknie i kliknij OK. Pojawia się okno Otwórz sekwencję plików oraz Wybranie wejść z detektora, pokazując dodawanie wybranych plików do sekwencji. W powracającym oknie Wybierz wejścia detektora wybierz Przebieg w sekcji Dostępne sygnały i widoki i przenieś go do Wymagane wejścia za pomocą przycisku Strzałka.

Potwierdź, że status w sekcji Wymagane wejścia zmienia się na Gotowe i kliknij OK. To otworzy okno Configure Machine Learning Detector. W oknie Konfiguruj detektor uczenia maszynowego, w zakładce Inputs, wybierz pożądany model z Wybierz model. Zachowaj nakładanie się domyślnie na zero sekund.

Kliknij zakładkę Outputs. Otwórz rozwijane menu pliku klasy wyjściowej i wybierz listę wyników odpowiadającą lokalizacji geograficznej badania. Obniż próg do 0,1 i wybierz Apply All.

Upewnij się, że wszystkie wartości progowe na liście gatunków są ustawione na 0,1. Wybierz opcję Suppress All Species, aby wszystkie gatunki były wybrane. Znajdź gatunek docelowy i odznacz go w kolumnie Suppress.

Wybierz OK, aby rozpocząć przetwarzanie detektora uczenia. Monitoruj menedżera postępów, aby śledzić procent ukończenia i pozostały czas. Otwórz zapisaną tabelę wyboru detektora uczenia się i przenieś ją do oprogramowania arkusza kalkulacyjnego.

Potwierdź, że w kolumnie Etykieta pojawia się tylko gatunek docelowy. Usuń wszystkie kolumny, z wyjątkiem kolumn Wybór i Punkt. Dodaj nową kolumnę za pomocą funkcji randomizacji, posortuj wiersze na podstawie niej, a następnie usuń kolumnę Randomization.

Zachowaj pierwsze 300 losowych wykryć lub zachowaj wszystkie, jeśli istnieje ich mniej niż 300. Zapisz zbiór danych walidacyjnych używając nazwy ARU i identyfikatora, takiego jak AM1_ValidationDataset. Otwórz oprogramowanie do analizy bioakustyki Raven Pro 1.6 i wybierz Plik.

Następnie otwórz Sound Files, aby wybrać wszystkie odpowiadające pliki fal, i kliknij Otwórz. To otworzy okno Konfiguruj nowy dźwięk. W oknie Konfiguruj nowy dźwięk w sekcji Paging wybierz Dźwięk strony i wpisz wcześniej użyty rozmiar strony.

Następnie, pod wieloma plikami, wybierz Otwórz jako sekwencję plików w jednym oknie i kliknij OK. To doda wybrane pliki do sekwencji i otworzy spektrogram każdego pliku spośród wielu wybranych plików. Przejdź do Pliki i wybierz Otwórz tabelę wyboru, aby otworzyć tabelę wykrywania uczenia dla analizowanego ARU. W panelu po lewej stronie widoku dźwięku, pod zakładką Układy i Widoki, odznacz widok przebiegu fali, aby wszystkie pliki były wyświetlane w widoku spektrogramów.

Otwórz arkusz walidacyjny obok oprogramowania do analizy bioakustyki z przygotowanymi danymi. Utwórz nową kolumnę w arkuszu kalkulacyjnym i oznacz ją jako Poprawnie wykryte. Z arkusza kalkulacyjnego wybierz liczbę z losowej listy i wpisz ją w polu rysowania w widoku spektrogramu.

Następnie kliknij Play. Wpisz 1 dla poprawnie wykrytych lub 0 dla błędnie wykrytych w kolumnie Poprawnie wykryte. Oblicz precyzję detektora, używając liczby poprawnych i zweryfikowanych wykryć, a następnie pomnóż przez 100, aby wyrazić w procentach.

Użyj oprogramowania RStudio, aby zaimportować zbiór danych walidacyjnych utworzony w poprzedniej sekcji. Wykonaj regresję logistyczną na zbiorze danych z uogólnioną funkcją modelowania liniowego z rodziną jako binomową. Ustaw pożądane prawdopodobieństwo precyzji na 0,9, tak aby prawdopodobieństwo, że wykrycie będzie prawdziwie pozytywne, wynosiło 90% lub więcej.

Oblicz próg optymalny, rozwiązując dopasowane równanie regresji logistycznej dla wartości predyktora i weryfikuj uzyskaną wartość progową. Ponownie uruchom detektor uczący się na badanym ARU, używając poprzedniego ustawienia detektora. Wybierz pliki dźwiękowe.

Wprowadź rozmiar strony i wybierz Otwórz jako sekwencję plików w jednym oknie. Następnie wybierz przebieg w oknie Wybierz wejścia detektora i przenieś je do Wymagane wejścia za pomocą przycisku Strzałka i kliknij OK. W zakładce Inputs w oknie Configure Machine Learning Detector wybierz pożądany model i sprawdź, że nakładanie się jest ustawione na zero sekund. Następnie w zakładce Wyjścia wybierz lokalizację geograficzną w pliku klasy wyjściowej i zmień próg dla gatunku docelowego na próg ustalony w poprzednim kroku, wybierając Apply all.

Następnie wybierz opcję Suppress All Species. Odznacz pole dla gatunku docelowego i kliknij OK, aby otworzyć okno Menedżera postępów. Na koniec stworzyć nową listę detekcji o zwiększonej dokładności i mniejszej liczbie fałszywych alarmów, korzystając z zoptymalizowanej wartości progowej.

Reprezentatywne wyniki analizy danych akustycznych dla rudzika europejskiego zebranych w parku w Liverpoolu, naturalnie regenerującym się obszarze leśnym w Parku Narodowym Cairngorms oraz na stanowisku podmiejskim w Glasgow pokazały, jak statystycznie uzyskane progi oceny pewności poprawiały precyzję wykrywania w różnych środowiskach akustycznych. Analiza regresji logistycznej ustaliła próg optymalnego poziomu ufności na poziomie 0,54 dla stanowiska Liverpool Park oraz 0,23 dla stanowiska Cairngorms, co pozwoliło osiągnąć precyzję 90% lub wyższą. Ponowne uruchomienie detektora w miejscach Liverpool Park i Cairngorms z zoptymalizowanym progiem zwiększyło precyzję wykrywania do ponad 90% zarówno dla zerowego, jak i dwusekundowego nakładania się.

Ponowne uruchomienie detektora na przedmieściach Glasgow z progiem zoptymalizowanym 0,36 zwiększyło precyzję wykrywania, ale ogólna precyzja po regresji pozostała poniżej 90% zarówno dla zerowego, jak i dwusekundowego nakładania się. Protokół ten pozwala badaczom generować dokładne wykrywanie gatunków docelowych w dużych i akustycznie zróżnicowanych zbiorach danych. Chociaż protokół ten zmniejsza liczbę fałszywych alarmów, zwiększając precyzję wykrywania, może także pominąć niektóre prawdziwe wykrycia, co podkreśla kompromis klucza z przypomnieniem.

Po uzyskaniu dokładnych detekcji, wokalizacje mogą być anotowane w oprogramowaniu do ekstrakcji parametrów i dalszej analizy zachowań akustycznych.