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)

Nossa pesquisa foca no desenvolvimento de uma estrutura para ajudar bioacústicos a melhorar a precisão da detecção acústica automatizada de espécies. Sem uma configuração adequada, modelos de reconhecimento sonoro aviário têm dificuldade em detectar vocalizações com precisão. Esse protocolo visa aumentar a precisão ao determinar limiares de pontuação de confiança específicos para espécies e locais.

Para começar, conecte cada ARU individualmente a um computador usando um cabo de transferência de dados e mude as ARUs para o modo USB. Use o aplicativo de configuração do dispositivo ARU AudioMoth para configurar as ARUs e determinar os intervalos de sono e os períodos de gravação ativa. Identifique as janelas de tempo em que as espécies-alvo estão mais ativas e agende os períodos de registro de acordo.

Adicione múltiplos períodos de gravação e agende as datas escolhendo a primeira e a última data de gravação. Use o aplicativo de configuração de dispositivos ARU para configurar os dispositivos para gravar em uma taxa de amostragem de 48 quilohertz com ganho médio. Insira cada dispositivo ARU em um saco Ziploc antiestático e aplique fita à prova d'água adicional conforme necessário para evitar danos causados pela água.

Depois, implante os dispositivos ARU no campo e mude-os para o modo personalizado. Transfira todos os arquivos wave de cada cartão de memória removível para um computador. Abra o software de análise bioacústica Raven Pro 1.6 e selecione Ferramentas, depois Detector, e escolha Detector de Aprendizagem no menu suspenso.

Na janela Escolher Entradas do Detector, selecione Navegar. Na janela seguinte de Abrir Arquivos de Som, selecione todos os arquivos de onda dentro da pasta ARU relevante e clique em Abrir. Isso abrirá a janela Configurar Novo Som.

Na janela Configurar Novo Som, em Paginação e Som da Página, insira o tamanho de página apropriado para o comprimento de cada gravação. Depois, em Múltiplos arquivos, selecione Abrir como sequência de arquivos em uma janela e clique em OK. Um pop-up de Sequência de Arquivos Abertos e uma janela de Escolha de Entradas do Detector aparecem, mostrando a adição dos arquivos selecionados à sequência. Na janela que retorna Escolher Entradas do Detector, selecione Forma de Onda em Sinais e Vistas Disponíveis e mova-a para Entradas Necessárias usando o botão Seta.

Confirme que o status em Entradas Necessárias muda para Pronto e clique em OK. Isso abrirá a janela Configurar o Detector de Aprendizado de Máquina. Dentro da janela Configurar Detector de Aprendizado de Máquina, na aba Entradas, selecione o modelo desejado em Selecionar Modelo. Deixe a sobreposição no padrão de zero segundos.

Clique na aba Saídas. Abra o menu suspenso para o arquivo de classe de saída e selecione a lista de saída correspondente à localização geográfica do estudo. Baixe o limiar para 0,1 e selecione Aplicar Tudo.

Certifique-se de que todos os valores de limiar na lista de espécies estejam definidos em 0,1. Selecione a opção Suprimir Todas as Espécies para que todas as espécies sejam selecionadas. Localize a espécie alvo e desmarque na coluna Suprimir.

Selecione OK para iniciar o processamento do detector de aprendizagem. Monitore o gerente de progresso para acompanhar a porcentagem concluída e o tempo restante. Abra a tabela de seleção do detector de aprendizado salvo e transfira para o software da planilha.

Confirme que apenas a espécie-alvo aparece na coluna Rótulo. Exclua todas as colunas, exceto as colunas Seleção e Pontuação. Adicione uma nova coluna usando a função de randomização, ordene as linhas com base nessa coluna e depois exclua a coluna de Randomização.

Mantenha as primeiras 300 detecções aleatórias ou todas se existirem menos de 300. Salve o conjunto de dados de validação usando o nome da ARU e um identificador, como AM1_ValidationDataset. Abra o software de análise bioacústica Raven Pro 1.6 e selecione Arquivo.

Depois, abra os Arquivos de Som para selecionar todos os arquivos de onda correspondentes e clique em Abrir. Isso abrirá a janela Configurar Novo Som. Na janela Configurar Novo Som em Paginação, selecione som da página e insira o tamanho da página usado anteriormente.

Em seguida, em vários arquivos, selecione Abrir como sequência de arquivos em uma janela e clique em OK. Isso adicionará os arquivos selecionados à sequência e abrirá o espectrograma de cada arquivo entre múltiplos arquivos selecionados. Navegue até Arquivo e selecione Abrir Tabela de Seleção para abrir a Tabela de Detecção de Aprendizagem do ARU que está sendo analisado. No painel à esquerda da visualização de som, na aba Layouts e Views, desmarque a visualização de Forma de Onda, assim todos os arquivos são exibidos na visualização de Espectrograma.

Abra a planilha de validação junto com o software de análise bioacústica com os dados preparados. Crie uma nova coluna na planilha e rotule como Detectado Corretamente. Na planilha, selecione um número da lista aleatória e insira-o no campo de desenho dentro da visualização do espectrograma.

Depois, clique em Play. Insira 1 para detectar corretamente ou 0 para detectar incorretamente na coluna Detectado corretamente. Calcule a precisão do detector usando o número de detecções corretas e o total de detecções validadas, e multiplique por 100 para expressar como porcentagem.

Use o software RStudio para importar o conjunto de dados de validação criado na seção anterior. Execute uma regressão logística no conjunto de dados usando a função de modelagem linear generalizada com o conjunto familiar como binomial. Defina a probabilidade dejetória de precisão em 0,9, de modo que a probabilidade de que uma detecção seja um verdadeiro positivo seja 90% ou mais.

Calcule o limiar ótimo resolvendo a equação de regressão logística ajustada para o valor preditor e verifique o valor do limiar obtido. Reexecute o detector de aprendizado na ARU que está sendo investigada usando a configuração anterior do Detector. Selecione os arquivos de som.

Insira o tamanho da página e selecione Abrir como sequência de arquivos em uma janela. Em seguida, selecione Forma de Onda na janela Escolher Entradas do Detector e mova para Entradas Necessárias usando o botão Seta e clique em OK. Na aba Entradas da janela Configurar Detector de Aprendizado de Máquina, selecione o modelo desejado e verifique se a sobreposição está definida em zero segundos. Em seguida, na aba Saídas, selecione a localização geográfica no arquivo de classe de saída e altere o limiar para a espécie-alvo determinado na etapa anterior e selecione Aplicar tudo.

Depois, selecione a opção Suprimir Todas as Espécies. Desmarque a caixa para espécies-alvo e clique em OK para abrir a janela do Gerenciador de Progresso. Por fim, crie uma nova lista de detecções com maior precisão e menos falsos positivos usando o valor de limiar otimizado.

Resultados representativos da análise de dados acústicos do tordo-europeu coletados em um parque em Liverpool, um sítio florestal que se regenera naturalmente dentro do Parque Nacional dos Cairngorms e um local suburbano em Glasgow mostraram como limiares de pontuação de confiança estatisticamente derivados melhoraram a precisão da detecção em ambientes acústicos variados. A análise de regressão logística determinou um limiar ótimo de confiança de 0,54 para o local de Liverpool Park e 0,23 para o local de Cairngorms, alcançando uma taxa de precisão de 90% ou mais. A reexecução do detector nos locais de Liverpool Park e Cairngorms com o limiar otimizado aumentou a precisão da detecção para mais de 90% tanto para condições de sobreposição de zero quanto de dois segundos.

Reexecutar o detector no local suburbano de Glasgow com o limiar otimizado de 0,36 melhorou a precisão da detecção, mas a precisão geral pós-regressão permaneceu abaixo de 90% tanto para condições de sobreposição de zero quanto de dois segundos. Esse protocolo permite que pesquisadores gerem detecções precisas de espécies-alvo dentro de grandes e acusticamente diversos conjuntos de dados. Embora esse protocolo reduza falsos positivos, aumentando a precisão da detecção, ele também pode deixar passar algumas detecções verdadeiras, destacando uma troca fundamental com a recall.

Após a produção de detecções precisas, as vocalizações podem ser anotadas dentro de um software para extração de parâmetros e análise adicional de comportamentos acústicos.