Artigo de método

Aprimorando a Precisão da Detecção de um Modelo de Reconhecimento Sonoro Aviário por Meio da Regressão Logística de Grandes Conjuntos de Dados Acústicos: Um Estudo de Caso do Robin-europeu (Erithacus rubecula)

438 vistas

⸱

DOI:

10.3791/70479

⸱

11 de abril de 2026

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

Neste artigo

Resumo

O objetivo deste protocolo é determinar limiares específicos de pontuação de confiança por espécie e local usando regressão logística para melhorar a precisão da detecção em grandes conjuntos de dados acústicos processados com software automatizado de reconhecimento acústico.

Resumo

O monitoramento acústico passivo (PAM) tornou-se uma ferramenta inestimável para pesquisas em biodiversidade, permitindo a coleta não invasiva de vastos conjuntos de dados. No entanto, permanece um desafio significativo em processar de forma eficiente e confiável esse grande volume de dados para extrair informações específicas da espécie em diferentes locais. Este artigo apresenta um protocolo detalhado e passo a passo para enfrentar esse desafio usando um módulo detector de aprendizado de máquina dentro de um software de análise bioacústica. A metodologia foi projetada para identificar e validar com precisão e confiança vocalizações de aves a partir de gravações acústicas cruas.

Nosso protocolo detalha o processo desde a coleta inicial de dados usando unidades autônomas de gravação (ARUs) até a geração final de um conjunto de dados anotado de alta qualidade. Etapas principais incluem a configuração do módulo detector de aprendizado de máquina para gerar detecções iniciais, um procedimento manual de validação para calcular tabelas de precisão e uma análise de regressão logística para determinar um limite de pontuação de confiança específico para espécie e, quando apropriado, específico para localização. Esse limiar estatisticamente derivado é então usado para refinar a saída do detector, testado em duas configurações de sobreposição (0 s e 2 s). Mostramos que aplicar os limiares de pontuação de confiança ótimos derivados melhora substancialmente a precisão da detecção dos modelos de reconhecimento sonoro aviário baseados em aprendizado de máquina entre os locais. Para os três locais usados para ilustrar o processo (Liverpool Park, Cairngorms e Glasgow Suburban), a precisão aumentou 26,1%, 17,7% e 17% para uma sobreposição de 0 s, e 28,77%, 16,87% e 15% para uma sobreposição de 2 s. Sugerimos que a metodologia resultante é superior aos métodos de contagem manual tanto em velocidade quanto em confiabilidade. Em resumo, este artigo fornece uma estrutura reproduzível que facilita o uso acessível e eficaz de abordagens de aprendizado de máquina em bioacústica, permitindo que pesquisadores utilizem com confiança grandes conjuntos de dados acústicos para estudos ecológicos e análise de parâmetros.

Introdução

Vocalizações animais oferecem insights valiosos sobre o mundo natural e atuam como poderosas ferramentas biológicas, permitindo que pesquisadores investiguem vários aspectos da vida animal1. O campo da bioacústica tornou-se cada vez mais importante no monitoramento e conservação da biodiversidade, auxiliando na identificação de espécies e na avaliação de tendências populacionais e saúde dos ecossistemas 2,3,4. Esse campo de pesquisa também contribui para nossa compreensão do comportamento animal, por exemplo, na comunicação e no uso do habitat 5,6. Mais recentemente, foi demonstrado como uma abordagem promissora para avaliar o bem-estaranimal 7,8.

Uma das principais vantagens do uso da análise acústica como ferramenta de pesquisa são os avanços tecnológicos recentes em unidades autônomas de gravação (ARUs), que permitem aos pesquisadores monitorar vocalizações animais de forma não invasiva e remota por longos períodos, uma técnica conhecida como monitoramento acústico passivo (PAM)9. Isso permitiu a coleta de dados de espécies crípticas sem intervençãohumana 10,11. Além disso, as ARUs são econômicas e minimizam a necessidade de pesquisadores treinados atuando naárea 9. Um estudo sobre o enigmático nightjar europeu (Caprimulgus europaeus) demonstrou essas vantagens, descobrindo que o uso de ARUs foi significativamente mais eficaz do que observadores humanos na detecção daespécie 12. Estudos de bioacústica em grande escala estão se tornando cada vez mais populares porque podem fornecer insights sobre uma variedade de aspectos ecológicos e comportamentais, além de serem altamente aplicáveis e bem adaptados para estudos de campo. No entanto, ARUs operando por longos períodos significam que pesquisadores inevitavelmente enfrentam o desafio de processar de forma eficiente e confiável grandes quantidades de dadosacústicos 13.

Mais recentemente, pesquisadores começaram a combinar PAM com o uso de ferramentas automáticas de reconhecimento para detectar espécies em grandes conjuntos de dados, aprimorando e acelerando o processamento geral dos dados. Essas técnicas reconhecem e classificam automaticamente espécies com base no tipo de vocalização13, frequentemente usando aprendizado de máquina e modelos de aprendizado profundo, como redes neurais artificiais, que ganharam força nos últimosanos 14. A confiabilidade do software de reconhecimento automático é frequentemente superior aos métodos manuais de detecção de espécies, como demonstrado em estudos com vocalizações de Panda gigante (Ailuropoda melanoleuca )15 e espécies de sapomalaio 16. Importante, um dos principais fatores por trás da adoção dessas abordagens é a velocidade de processamento, especialmente à medida que o volume de dados acústicos gerados pelo PAM continuacrescendo 13. A análise manual de grandes conjuntos de dados acústicos é ineficiente e impraticável em larga escala, mas ferramentas automatizadas de reconhecimento podem processar gravações em uma fração do tempo necessário por um observador humano. Por exemplo, um estudo relatou que 257 horas de varredura visual manual equivaliam a 1 hora de tempo de processamento usando BirdNET (modelo de reconhecimento de som aviário baseado em aprendizado de máquina)17.

Este modelo de reconhecimento sonoro aviário baseado em aprendizado de máquina é uma dessas ferramentas que recentemente ganhou popularidade por seu uso em estudos de ornitologia e outros estudos acústicos; é um software automatizado acessível para identificação de espécies de aves que se baseia em um modelo de aprendizadoprofundo 18,19. A maioria dos estudos até agora utilizou o modelo de reconhecimento sonoro aviário baseado em aprendizado de máquina para gerar listas de espécies para uma determinada área, e com validação humana foi demonstrado detectar 89% das espécies em uma comunidade, exigindo menos de um quarto do tempo usado apenas pela varreduravisual 17. Este modelo de reconhecimento sonoro aviário baseado em aprendizado de máquina também demonstrou identificar efetivamente a presença de uma espécie-alvo específica em uma área, como o Avoro-eurasiático (Botaurus stellaris), com taxa de sucesso de 93,7% 20. No entanto, esse modelo frequentemente apresenta uma taxa de sucesso maior quando combinado com validação manual e ainda não é confiável como ferramenta de detecçãototalmente automática 21. Há também outros desafios a considerar, segundo Wood e Kahl21, em relação à produção de previsões sem unidades.

O módulo detector de aprendizado de máquina atribui a cada vocalização de ave detectada uma pontuação quantitativa de confiança entre 0 e 1, o que indica quão certo o software é de que o som detectado foi corretamente identificado como uma espécieparticular 18,19,21. Precisão, definida como a proporção de detecções que são verdadeiros positivos (ou seja, identificações corretas), é uma métrica chave influenciada por essapontuação 22. Consequentemente, uma pontuação de confiança mais alta pode produzir menos detecções, mas com maior precisão, ainda assim detecções erradas, especialmente em ambientes barulhentos, e uma pontuação mais baixa pode produzir mais detecções com precisão menoscerta 22,23. A relação entre as pontuações de confiança e precisão é complexa; frequentemente se encontra que algumas pontuações altas de confiança podem ser falsos positivos, por exemplo, em locais com altos níveis de ruído de fundo, ou com espécies que provavelmente imitam vocalizações de outrasespécies 23,24. Devido à variabilidade na precisão entre espécies e localizações, é possível, durante o processo de configuração, atribuir limiares individuais de pontuação de confiança a cada espécie de ave, sendo que apenas detecções com pontuações acima desse limite serão rotuladas. Um alto limiar de pontuação universal de confiança poderia ser aplicado em todas as espécies e locais, porém, isso frequentemente aumenta o número de falsos negativos (identificações perdidas)22,25,26, enquanto o número de falsos positivos varia entre espécies e com diferenças ambientais entre os registros.

Diversos estudos e diretrizes de melhores práticas descrevem diversos métodos para determinar um limiar ótimo de pontuação de confiança para executar o módulo detector de aprendizado de máquina para espécies específicas e locais de estudo, permitindo que as detecções sejam aceitas com maior confiança como verdadeiros positivos 21,24,26,27,28. Uma abordagem envolve calcular pontuações F em uma faixa de limiares de confiança e selecionar o limiar que maximiza a pontuação F, equilibrando precisão erecordação 29,30. Uma abordagem alternativa, que permite a calibração de probabilidade, envolve validar manualmente um subconjunto aleatório de previsões e ajustar uma regressão logística para estabelecer uma relação entre o resultado de validação binária (detecção verdadeiro/falso) e a pontuação de confiançaassociada 21. Esse método pode então ser usado para determinar limiares específicos do contexto, que podem ser ajustados entre espécies e condições ambientais (por exemplo, ruído de fundo variável)19. Tais métodos foram aplicados em estudos de monitoramento acústico passivo em macacos-gritos de Yucatán (Alouatta pigra), lobos-cinzentos (Canis lupus) e coiotes (C. latrans)27,28.

O objetivo deste artigo de métodos é demonstrar e validar uma metodologia escalável para extrair de forma precisa e confiável dados vocais específicos de espécies a partir de grandes conjuntos de dados acústicos usando o modelo de reconhecimento sonoro aviário baseado em aprendizado de máquina dentro do software de análise bioacústica Raven Pro (ver 1.6)19,31. Essa abordagem incorpora o cálculo dos limiares apropriados de pontuação de confiança seguindo as21 diretrizes de melhores práticas de Wood e Kahl. Embora essasdiretrizes 21 forneçam uma estrutura abrangente para aplicar as pontuações de confiança dentro do modelo19 de reconhecimento sonoro aviário baseado em aprendizado de máquina, elas são apresentadas principalmente como recomendações de melhores práticas. Poucos estudos operacionalizaram esses procedimentos em sistemas de estudo ARU distribuídos sob restrições realistas de monitoramento, onde as condições acústicas e o ruído de fundo variamespacialmente 22. Este protocolo (Figura 1) é particularmente adequado para estudos de monitoramento acústico passivo em grande escala envolvendo múltiplos locais, ambientes acústicos variáveis ou espécies-alvo com altas taxas de classificação incorreta. Além disso, a implementação dessas diretrizes no software de análise de bioacústica (ver 1.6)19,31, uma plataforma mais acessível e amigável em comparação com ambientes baseados emcodificação, não havia sido demonstrada anteriormente.

figure-introduction-1
Figura 1: Representação esquemática de todo o fluxo de trabalho. Por favor, clique aqui para ver uma versão ampliada desta figura.

Para suprir essa lacuna, aplicamos e validamos o protocolo usando conjuntos de dados em grande escala registrados com AudioMoths - ARUs (ver 1.2.0)34,35, em uma ampla variedade de habitats. Nossa espécie focal, o Robin-europeu (Erithacus rubecula), apresenta alta variabilidade do canto e complexidadeestrutural 36,37, e demonstrou suscetibilidade a identificações erradas em análises piloto iniciais. Ao aplicar limiares de pontuação de confiança específicos para espécies e locais à configuração do modelo de reconhecimento sonoro aviário baseado em aprendizado de máquina no software de análisebioacústica 19,31, avaliamos o protocolo sob condições acústicas variadas, incorporando diferentes níveis de ruído de fundo e assemblagens de espécies, e demonstramos que a otimização de limiares pode melhorar substancialmente a precisão da detecção em comparação com as configurações padrão. Essa abordagem foi projetada para, em última análise, facilitar a aplicação acessível, simplificada e eficiente do modelo19 de reconhecimento sonoro aviário baseado em aprendizado de máquina em estudos PAM em grande escala, com codificação mínima.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

Declaração de ética
Este protocolo segue as diretrizes éticas da Liverpool John Moores University. A metodologia envolvia apenas monitoramento acústico passivo, e não incluía o manuseio, perturbação ou manipulação experimental de animais. Não foram necessários procedimentos perigosos para implantar as ARUs. As ARUs foram implantadas de acordo com as diretrizes institucionais de pesquisa e trabalho de campo, e sinalização apropriada foi instalada nos locais de gravação para informar o público sobre o monitoramento acústico. No entanto, é altamente recomendável verificar as previsões do tempo antes de realizar atividades de campo e realizar uma avaliação de risco para cada local de campo.

Software, licenciamento e uso
NOTA: Os dados da ARU devem ser processados usando o modelo de reconhecimento sonoro aviário baseado em aprendizado de máquina dentro do software de análise bioacústica (v1.6)19,31, com as saídas do detector também processadas no mesmo software (v1.6)31. Este é um software licenciado e não está disponível gratuitamente; o uso do fluxo de trabalho descrito aqui requer acesso por meio de uma licença institucional ou individual. Além disso, o modelo de reconhecimento de som aviário baseado em aprendizado de máquina dentro do software (v1.6)19,31, atualmente não roda em dispositivos Apple com arquitetura de processador baseada em ARM (chips M1 ou M2), porém esse protocolo é compatível com computadores baseados em macOS com CPUs Intel e sistemas operacionais Windows

1. Coleta de dados de áudio

  1. Preparar ARUs para implantação
    1. Insira baterias nas ARUs (baterias alcalinas recarregáveis foram usadas durante este experimento).
    2. Insira cartões de memória removíveis de tamanho adequado em relação à quantidade de dados a serem coletados (2 GB de cartões removíveis foram usados durante este experimento).
      Nota: Para cronogramas de gravação que produzem 108 arquivos de 1 minuto por dia durante um período de 30 dias (veja o passo 1.2.5.2), cada arquivo tinha aproximadamente 5760 kB, resultando em um volume total de dados de 622 MB. Com consumo diário estimado de energia de 26 mAh. Portanto, cartões de memória removíveis com capacidade de 2 GB foram usados para os resultados representativos, fornecendo armazenamento suficiente. Além disso, as baterias alcalinas recarregáveis mantiveram a energia utilizável pelo maior período, ao contrário das baterias AA de lítio e das NiMH recarregáveis, sob as condições de teste.
  2. Configure cada ARU para implantação
    1. Baixe o 'aplicativo de atualização de firmware de dispositivo ARU'39 e o 'aplicativo de configuração de dispositivo ARU'40 na 'Página de Download do Aplicativo' no site41 da ARU.
    2. Conecte as ARUs individualmente a um computador usando um cabo de transferência de dados.
    3. Certifique-se de que o dispositivo esteja no modo USB/Desligado .
    4. Use a 'aplicação de atualização de firmware de dispositivo ARU'39 para atualizar os dispositivos para o firmware mais recente.
    5. Use a 'aplicação de configuração de dispositivo ARU'40 para configurar as ARUs para gravarem em um horário alvo do dia por um número selecionado de dias. Determine os períodos de registro ativo e os intervalos de sono.
      1. Identifique as janelas de tempo em que as espécies-alvo estão mais ativas (por exemplo, o coro do amanhecer para aves diurnas) e agende os períodos de registro de acordo.
      2. Defina um ciclo de trabalho apropriado, especificando quanto tempo as ARUs estão registrando ativamente versus em modo de suspensão.
        Exemplo: Para esses resultados representativos, as ARUs foram programadas para gravar diariamente entre 4:00–9:00 e 17:00–21:00, de1º a 30de junho de 2023. Essas janelas de tempo foram selecionadas para capturar tanto o coro do amanhecer quanto do anoitecer. Durante os períodos ativos, os dispositivos gravavam arquivos WAV de 1 minuto seguidos por um intervalo de sono de 4 minutos, resultando em um total de 108 gravações de 1 minuto por dia.
        Nota: ARUs podem gravar continuamente, mas isso aumenta rapidamente o consumo de bateria e o uso do cartão de memória removível.
      3. Use a 'aplicação de configuração de dispositivo ARU'42 para configurar os dispositivos para gravar em uma taxa de amostragem de 48 kHz, conforme recomendado para capturar uma gama completa de vocalizações depássaros 34,35 e com ganho médio (normalmente deixado no padrão, a menos que gravem em ambientes barulhentos34,35). Outras taxas de amostragem podem ser usadas dependendo da frequência das vocalizações das espécies-alvo; por exemplo, para animais ultrassónicos, como morcegos ou anfíbios, utilizam uma taxa de amostragem de 384 kHz35.
    6. Após configurar todas as ARUs, mude cada dispositivo para o modo CUSTOM .
  3. Proteção e rotulagem de dispositivos
    1. Insira cada dispositivo ARU em um saco antiestático Ziplock. Use fita adesiva à prova d'água adicional conforme necessário para evitar danos causados pela água. Coloque pacotes de gel de sílica dentro dos sacos para absorver a umidade.
    2. Rotule cada ARU pelo número e por sua localização.
  4. Implantação da ARU
    1. Determine locais para que as ARUs sejam implantadas dentro do habitat da espécie alvo.
    2. Implante as ARUs em distâncias de espaçamento apropriadas aos requisitos do estudo e às espécies-alvo.
      Nota: A distância de detecção depende do habitat, ruído de fundo e volume de chamada da espécie. Enquanto espécies ruidosas (por exemplo, o Bittern-eurasiático) podem ser detectadas por ARUs de até 800 m, as gravações se degradam em distâncias maiores, limitando medições em escalafina a 20. Aqui, uma ARU por local foi analisada, com unidades a cerca de 100 m de distância para garantir boa cobertura espacial e vocalizações claras. Ajuste o espaçamento de acordo com a espécie, o habitat e os objetivos do projeto.

2. Uso do módulo detector de aprendizado de máquina no software de análisebioacústica 19,31 para detecção automática de espécies

  1. Transferir dados de áudio
    1. Após o término do período de implantação, remova os cartões de memória removíveis das ARUs, anotando quais cartões de memória removíveis correspondem a cada ARU numerada.
    2. Transfira todos os arquivos WAV de cada cartão de memória removível para um computador usando um leitor de cartão.
    3. Organize todos os arquivos WAV gerados por cada ARU em pastas rotuladas com o número e localização correspondentes da ARU.
    4. Salve versões de backup de todos os dados em dispositivos adicionais. Ponto de pausa: O protocolo pode ser pausado aqui.
    5. Restringa o acesso a esses dados a pesquisadores autorizados do projeto e garanta que os dados estejam protegidos por senha para manter a confidencialidade, especialmente quando a atividade humana possa ter sido registrada inadvertidamente.
  2. Configure o módulo detector de aprendizado de máquina
    1. Abra o software de análise de bioacústica31 e, no menu suspenso, selecione Ferramentas > Detector > Detector Learning.
    2. Na janela Escolher Entradas do Detector , selecione Navegar. Na janela seguinte de Abrir Arquivos de Som , selecione todos os arquivos WAV dentro da pasta ARU relevante e clique em Abrir (Arquivos Suplementares S1 e S2).
    3. Na janela Configurar Novo Som que se abre, em Paginação > Som da Página, insira o Tamanho de Página apropriado para o comprimento de cada gravação (por exemplo, 60 s para arquivos WAV de 1 minuto) (Arquivo Suplementar S3).
    4. Na mesma janela Configurar Novo Som, em Múltiplos Arquivos selecione Abrir como sequência de arquivos em uma janela, depois clique em OK (Arquivo Suplementar S3).
    5. Na janela que retorna Escolher Entradas do Detector , selecione Forma de Onda em Sinais e Vistas Disponíveis à direita e clique no botão de seta << para mover para Entradas Necessárias. Confirme que o status na caixa Entradas Necessárias é Pronto! e clique em OK (Arquivo Suplementar S4).
    6. Na janela Configurar o Detector de Aprendizado de Máquina que aparece, na aba Entradas , selecione o modelo desejado em Selecionar Modelo. Ao analisar espécies de aves, utilize-se o modelo global de classificação de aves, que entre várias atualizações inclui mais de 3000–6000 espéciesde aves 19 (Arquivo Suplementar S5).
    7. Na aba Entradas , deixe a sobreposição no padrão de 0 s para evitar qualquer interferência na análise subsequente do limiar de pontuação de confiança (Arquivo Suplementar S5).
    8. Na aba Outputs , selecione o menu suspenso Arquivo de Classe de Saída e selecione a lista de saída que se relaciona à localização geográfica do estudo (Arquivo Suplementar S6).
    9. Na aba Outputs haverá uma lista de espécies de aves relevantes para o Arquivo de Classe de Saída escolhido. Baixe o Threshold para 0,1 e selecione Aplicar Tudo, certifique-se de que todos os valores abaixo do Threshold estejam agora em 0,1 na lista (Arquivo Suplementar S6).
    10. Selecione a opção Suprimir Todas as Espécies e os marcadores aparecerão em todas as caixas da lista de espécies. Depois, localize a espécie-alvo e desmarque na coluna Suprimir (Arquivo Suplementar S6).
    11. Selecione OK para iniciar o Detector de Aprendizagem, que processará os arquivos e criará seleções onde detectou as vocalizações da espécie alvo.
    12. Monitore o Gerente de Progresso para acompanhar a porcentagem concluída e o tempo restante (Arquivo Suplementar S7).
  3. Salve a saída do Detector de Aprendizagem
    Nota: Uma tabela do Detector de Aprendizagem será gerada durante o processamento e exibida abaixo da visualização do espectrograma. As seleções numeradas nesta tabela correspondem às seleções identificadas pelo detector na visão do espectrograma. Cada seleção é fixada em 3 segundos de duração e pode nem sempre ser repetida durante toda a vocalização detectada. Cada seleção recebe um Rótulo de identificação e uma Pontuação na tabela de seleção (Arquivo Suplementar S8). Essas pontuações são uma previsão sem unidades e serão usadas na análise de regressão logística em estágios subsequentes.
    1. Selecione Arquivo > Salve Tabela de Seleção "Detector de Aprendizagem" como e salve o arquivo usando o nome da ARU e um identificador como: AM1_LearningDetectorTable_Original.txt.

3. Criar tabelas de precisão para espécies-alvo em uma ARU representativa de cada local de estudo

  1. Prepare o conjunto de dados de validação
    1. Abra a tabela de seleção do Detector de Aprendizagem que foi salva na etapa 2.3.1 e transfira para um software de planilha.
    2. Confirme que apenas a espécie-alvo aparece na coluna Rótulo .
    3. Exclua todas as colunas, exceto as colunas Seleção e Pontuação.
    4. Randomize as linhas usando a função de randomização da planilha (por exemplo, adicione uma coluna usando =RAND(), ordene essa coluna e depois exclua a coluna de randomização).
    5. Manter as primeiras 300 detecções aleatórias, se existirem menos de 300, manter todas as detecções.
      Nota: Selecionar 300 detecções para validação é padrão em estudos similares usando 1 mês de dadosacústicos 24. Esse tamanho de amostra estima a precisão e as taxas de rotulagem incorreta de forma confiável, captura uma variedade de pontuações de detecção e mantém a carga de trabalho gerenciável. Mais seleções podem ser necessárias para conjuntos de dados mais longos.
    6. Salve o conjunto de dados de validação usando o nome ARU analisado e um identificador como: AM1_ValidationDataset.xlsx.
  2. Prepare software de análise bioacústica para validação manual
    1. Abra o software31, selecione Arquivo > Abrir Arquivos de Som... e na janela Abrir Arquivos de Som , selecione todos os arquivos WAV correspondentes para a ARU que está sendo analisada e clique em Abrir.
    2. Na janela Configurar Novo Som que se abre, em Paginação, selecione Som da Página e insira o tamanho da Página usado na etapa 2.2.3. Em Múltiplos Arquivos , selecione Abrir como sequência de arquivos em uma janela e selecione OK.
    3. Navegue para o arquivo > Tabela de Seleção Aberta... e abrir a Tabela de Detecção de Aprendizagem para a ARU sendo analisada salva na etapa 2.3.1.
    4. No Painel à esquerda da visualização de Som , na aba Layouts, em Views:, desmarque a visualização de Forma de Onda para que todos os arquivos sejam exibidos na visualização Espectrograma e permitir a confirmação visual da estrutura da vocalização.
  3. Validar seleções aleatórias
    1. Junto com o software de análise debioacústica 31 , com os dados preparados prontos para validação manual, abra a planilha de validação salva na etapa 3.1.6.
    2. Crie uma nova coluna na planilha rotulada como Detectado Corretamente.
    3. Localize cada número de seleção da lista randomizada dentro da visualização do espectrograma e insira se ele foi detectado corretamente (1) ou incorretamente (0) na coluna Detectado corretamente.
  4. Calcular a precisão do detector
    1. Calcule a precisão do detector (antes da regressão logística) para a ARU e as espécies-alvo usando a fórmula:
    2. Precisão (%) = (Número de detecções corretas/Total de detecções validadas) x 100
    3. Para conjuntos de dados com precisão de 90% ou mais, mantenha as configurações atuais do detector.
    4. Para conjuntos de dados com precisão inferior a 90%, continue para a seção 4 para ajustar uma análise de regressão logística e determinar o limiar ideal para configurar o detector para operar.
      Nota: Quando a precisão cai abaixo de 90%, altas taxas de rotulagem incorreta dificultam a extração confiável de vocalizações sem ajuste do limiar. Um corte de 90% equilibra a confiabilidade da detecção com o tamanho adequado da amostra. Estudos anteriores de calibração de modelos de reconhecimento sonoro aviário baseados em aprendizado de máquina também consideram taxas de precisão de 90% ou mais como suficientementeconfiáveis 42.

4. Realizar uma análise de regressão logística nas tabelas de validação para gerar um limiar ótimo de pontuação de confiança

  1. Gere limiares de pontuação de confiança, utilizando asdiretrizes 21 da Wood & Kahl
    1. Use o software R32 para importar o conjunto de dados de validação criado na seção 3.
    2. Execute uma regressão logística usando a função de modelagem linear generalizada com a família como binomial no conjunto de dados.
    3. Defina a probabilidade desejada de precisão em 0,9, isso significa que a probabilidade de que uma detecção seja verdadeiramente positiva será de 90% ou mais.
      Nota: Definir a probabilidade desejada de precisão para 0,9 garante que a maioria das detecções sejam verdadeiros positivos, porém, mesmo nesse nível, falsos positivos podem ocorrer em grandes conjuntos de dados acústicos, e os usuários devem estar atentos a essa limitação. Um limiar de precisão de 90% permite que os usuários mantenham um alto número de detecções corretas, enquanto retêm dados suficientes para uma análise robusta; mirar 100% limitaria os dados utilizáveis.
    4. Calcule o limiar ótimo resolvendo a equação ajustada de regressão logística para o valor preditor (escore de confiança) que gera uma probabilidade prevista de 0,9 usando o Roteiro de Análise de Regressão Logística abaixo:
      figure-protocol-1
      p = 0,9, e β0 e β1 são a interceptação e a inclinação do modelo ajustado
      Script de Análise de Regressão Logística para software de computação estatística
      # Tabela de validação de carga
      ThresholdRobin <-read.csv('ValidationTableRobin.csv')
      # Execute Regressão Logística
      Model1<-glm(Corretamente.Detectado~Score, data=ThresholdRobin, family='binomial')
      Model1
      # Probabilidade desejada acima de 90% de precisão
      p <- 0,9 # o p desejado (probabilidade de verdadeiro positivo)
      limiar <- (log(p/(1-p))- Coeficientes Model1$[1]) / Coeficientes Model1$ [2]
      Nota: Em vez de usar a Pontuação Logit como nos estudosanteriores 24,27 como variável independente, use as pontuações brutas de confiança como variável independente. Nas21 diretrizes de Wood e Kahl, é mencionado que podem ser usadas tanto as pontuações brutas de confiança quanto versões retro-transformadas.
  2. Aplique a pontuação de confiança ideal
    1. Abra o software de análise bioacústica31.
    2. Reexecute o Detector de Aprendizagem na ARU que está sendo investigada usando as etapas da seção 2. No entanto, desta vez no processo de configuração, o Limiar para a espécie-alvo detectada deve ser alterado para o limiar determinado na seção 4.1 do protocolo.
    3. (Opcional) Aumente a sobreposição para 2 s para aumentar a resolução de detecção.
      Nota: O valor de sobreposição determina quanto segmentos adjacentes detectados se sobrepõem. A 0 s, vocalizações nas bordas dos segmentos podem ser perdidas (falsos negativos). Aumentar a sobreposição melhora a resolução da detecção e o poder preditivo, mas desacelera a análise19,29. Aqui, para a regressão logística, foi usada uma sobreposição padrão de 0 s. Com os resultados representativos e os limiares de pontuação de confiança calculados na análise de regressão logística, é testada uma sobreposição de 0 e 2 s.
    4. Uma nova lista de detecções será criada que agora deve ser mais precisa, com menos falsos positivos (veja Resultados).
    5. Salve a nova saída do Detector de Aprendizagem com a lista de detecções geradas usando o limiar derivado de pontuação de confiança selecionando a Tabela de Seleção de Salvar > Arquivo "Detector de Aprendizagem" As e salve o arquivo usando o nome da ARU e um identificador como: AM1_LearningDetectorTable_OptimisedThreshold.txt.
    6. Este arquivo representa o conjunto de dados final validado gerado pelo protocolo. Use a tabela de seleção do detector de aprendizado otimizado salva como a saída final deste protocolo. Por favor, note que análises subsequentes, como anotação de vocalizações e extração de parâmetros acústicos, estão fora do escopo deste método.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

Para ilustrar a eficácia do protocolo descrito, apresentamos resultados representativos da análise de dados acústicos do tordo-europeu (Erithacus rubecula) coletados em três locais de ambientes variados e conjuntos de espécies de aves, incluindo um parque em Liverpool (ARU 1), um sítio florestal de regeneração natural dentro do Parque Nacional dos Cairngorms (ARU 2) e um local suburbano em Glasgow (ARU 3). Esses exemplos demonstram como a aplicação de limiares de pontuação de co...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

O uso do protocolo descrito neste artigo fornece um método confiável e simplificado para gerar conjuntos de dados específicos de espécie e classificados com precisão de vocalizações de aves, o que tem se mostrado útil ao lidar com grandes conjuntos de dados de áudio. Optamos por testar o protocolo no Robin-europeu devido à sua conhecida variabilidade estrutural e de frequência dentro de seus repertóriosde canções 43. Ou seja, inicialmente, as detecções apresentara...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

Os autores não têm interesses financeiros concorrentes.

Agradecimentos

Agradecemos à Universidade John Moore de Liverpool por orientações e recursos. Também agradecemos à Iniciativa de Animais Selvagens (WAI) pelo apoio financeiro, esta pesquisa foi financiada por bolsas da WAI (S-2023–00038).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Unidades Autônomas de Gravação v1.2.0Dispositivos Acústicos AbertosN/AUnidade autônoma de gravação (ARU)
Software de Análise de Bioacústica v1.6.5Laboratório de Ornitologia CornellRRID:SCR_016190Software de análise de som
Cabo de Transferência de DadosDiversos FabricantesN/AUsado para transferir dados de dispositivos
Aplicações de Configuração de DispositivosDispositivos Acústicos AbertosN/AAplicativos para configurar o AudioMoths
Módulo de Detector de Aprendizado de Máquina v2.4Laboratório de Ornitologia CornellN/ADetector de aprendizado de máquina  
Baterias alcalinas recarregáveisDiversos FabricantesN/AFonte de alimentação para unidades de gravação
Cartões de memória removíveisDiversos FabricantesN/AArmazenamento de dados para gravações
Software de Computação EstatísticaEquipe Principal RRRID:SCR_001905Software de computação estatística

Referências

  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).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Detec o do Pisco de peito ruivoMonitoramento Ac stico PassivoDetector de Aprendizado de M quinaAn lise Bioac sticaUnidades de Grava o Aut nomasLimiar de Pontua o de Confian a

Artigos relacionados