Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Методическая статья

Повышение точности обнаружения модели распознавания звука птиц посредством логистической регрессии больших акустических наборов данных: кейс-стади европейского дрозда (Erithacus rubecula)

438 просмотров

⸱

DOI:

10.3791/70479

⸱

11 апреля 2026 г.

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

В этой статье

Краткое содержание

Цель этого протокола — определить пороги доверия, специфичные для видов и мест, с помощью логистической регрессии для повышения точности обнаружения в больших акустических наборах данных, обработанных с помощью автоматизированного программного обеспечения акустического распознавания.

Аннотация

Пассивный акустический мониторинг (PAM) стал бесценным инструментом для исследований биоразнообразия, позволяя неинвазивно собирать обширные наборы данных. Однако остаётся значительная задача в эффективной и надёжной обработке этого большого объёма данных для извлечения специфической для вида информации в различных местах. В этой статье представлен подробный, пошаговый протокол решения этой задачи с использованием модуля детектора машинного обучения в программном обеспечении биоакустического анализа. Методология разработана для точного и уверенного выявления и проверки вокализаций птиц на основе необработанных акустических записей.

Наш протокол описывает процесс от первоначального сбора данных с использованием автономных записывающих блоков (ARU) до финального создания высококачественного аннотированного набора данных. Ключевые этапы включают конфигурацию модуля детектора машинного обучения для генерации начальных обнаружений, ручную процедуру валидации для вычисления таблиц точности и логистический регрессионный анализ для определения порога доверия, специфичного для вида и, где это уместно, порога доверия. Этот статистически выведенный порог затем используется для уточнения выхода детектора, тестируемого на двух перекрытиях конфигураций (0 с и 2 с). Мы показали, что применение полученных порог оптимального доверия значительно повышает точность обнаружения моделей распознавания звуков птиц на основе машинного обучения на разных участках. Для трёх объектов, использованных для иллюстрации процесса (Liverpool Park, Cairngorms и Glasgow Suburban), точность выросла на 26,1%, 17,7% и на 17% при пересечении 0 с, а также на 28,77%, 16,87% и на 15% при пересечении 2 с. Мы предполагаем, что полученная методология превосходит методы ручного подсчёта как по скорости, так и по надёжности. В заключение, данная статья предоставляет воспроизводимую структуру, которая облегчает доступное и эффективное использование методов машинного обучения в биоакустике, позволяя исследователям уверенно использовать крупные акустические наборы данных для экологических исследований и анализа параметров.

Введение

Вокализации животных дают ценные знания о природном мире и выступают мощным биологическим инструментом, позволяющим исследователям изучать различные аспекты жизниживотных 1. Область биоакустика становится всё более значимой в мониторинге и сохранении биоразнообразия, помогая в идентификации видов и оценке тенденций популяций и здоровья экосистем 2,3,4. Эта область исследований также способствует пониманию поведения животных, например, в области коммуникации и использования средыобитания 5,6. В последнее время он был продемонстрирован как перспективный подход для оценки благополучия животных 7,8.

Одним из ключевых преимуществ использования акустического анализа в качестве исследовательского инструмента являются недавние технологические достижения в автономных блоках записи (ARU), которые позволяют исследователям неинвазивно и дистанционно отслеживать вокализации животных в течение длительного времени — технику, известную как пассивный акустический мониторинг (PAM)9. Это позволило собирать данные о загадочных видах без вмешательства человека10,11. Кроме того, ARU экономически эффективны и минимизируют необходимость обученных исследователей в работе вэтой области 9. Исследование загадочного европейского ночного кодоя (Caprimulgus europaeus) продемонстрировало эти преимущества, показав, что использование ARU было значительно эффективнее по сравнению с человеческими наблюдателями при обнаружениивида 12. Крупномасштабные биоакустические исследования становятся всё более популярными, поскольку они могут дать представление о различных экологических и поведенческих аспектах, а также весьма применимы и хорошо подходят для полевых исследований. Тем не менее, длительное время работы ARU означает, что исследователи неизбежно сталкиваются с задачей эффективной и надёжной обработки огромных объёмов акустическихданных 13.

В последнее время исследователи начали совмещать PAM с использованием автоматических инструментов распознавания для обнаружения видов в больших наборах данных, что ускоряет и улучшает общую обработку данных. Эти методы автоматически распознают и классифицируют виды по типувокализации 13, часто используя модели машинного обучения и глубокого обучения, такие как искусственные нейронные сети, которые получили популярность в последниегоды 14. Надёжность программного обеспечения для автоматического распознавания часто превосходит ручные методы обнаружения видов, что показано в исследованиях вокализации гигантской панды (Ailuropoda melanoleuca) 15 и малайзийских лягушеквидов 16. Важно, что одним из основных факторов внедрения этих подходов является скорость обработки, особенно учитывая, что объем акустических данных, генерируемых через PAM, продолжаетрасти на 13. Ручной анализ больших акустических наборов данных неэффективен и неудобен в масштабах, однако автоматизированные инструменты распознавания могут обрабатывать записи за долю времени, необходимого человеку наблюдателю. Например, одно исследование показало, что 257 часов ручного визуального сканирования соответствует 1 часам обработки с использованием BirdNET (модель распознавания звука птиц на основе машинного обучения)17.

Эта модель распознавания звука птиц на основе машинного обучения — один из таких инструментов, который недавно получил популярность в орнитологии и других акустических исследованиях, это доступное автоматизированное программное обеспечение для идентификации видов птиц, основанное на модели глубокогообучения 18,19. Большинство исследований на сегодняшний день использовали модель распознавания звуков птиц на основе машинного обучения для составления списков видов для определённой территории, и с помощью человека было показано, что она обнаруживает 89% видов в сообществе, при этом занимая менее четверти времени, задерживаемого только при визуальномсканировании 17. Эта модель распознавания звука птиц на основе машинного обучения также показала эффективную эффективность присутствия конкретного целевого вида в определённой области, например, евразийский выпёк (Botaurus stellaris), с 93,7% успешностью20. Однако эта модель часто имеет более высокий процент успеха в сочетании с ручной валидацией и пока не является надёжной как полностью автоматический инструментобнаружения 21. Существуют и другие трудности, которые следует рассмотреть, согласно Вуду иКалу 21, связанные с производством предсказаний без единиц.

Модуль детектора машинного обучения присваивает каждой обнаруженной птице количественную оценку доверия от 0 до 1, которая показывает, насколько программа уверена, что обнаруженный звук был правильно идентифицирован какконкретный вид 18,19,21. Точность, определяемая как доля обнаружений, которые являются истинно положительными (то есть правильные идентификации), является ключевым показателем, на который влияет этотбалл 22. Следовательно, более высокий доверительный балл может привести к меньшему числу обнаружений, но с большей точностью, но при этом ошибки обнаружения, особенно в шумных условиях, а более низкий балл может привести к большему числу обнаружений с меньшейточностью 22,23. Связь между оценками доверия и точностью сложна: часто выясняется, что некоторые высокие оценки доверия могут быть ложноположительными, например, в местах с высоким уровнем фонового шума или с видами, которые, вероятно, имитируют вокализации другихвидов 23,24. Из-за вариативности точности между видами и расположением в процессе конфигурации возможно присваивать индивидуальные пороги доверия каждому виду птиц, при этом маркируются только обнаружения с баллами выше этого порога. Высокий универсальный порог доверия может применяться для всех видов и мест, однако это часто увеличивает количество ложноотрицательных результатов (пропущенных идентификаций)22,25,26, в то время как количество ложноположительных результатов варьируется между видами и с экологическими различиями между записями.

Несколько исследований и рекомендаций по лучшей практике описывают различные методы определения оптимального порога доверия для запуска модуля детектора машинного обучения для конкретных видов и мест изучения, что позволяет с большей уверенностью принимать обнаружения как истинноположительные результаты 21,24,26,27,28 . Один из подходов включает расчёт F-баллов по диапазону порог доверия и выбор порога, максимизирующего F-балл, балансируя точность ивоспоминание 29,30. Альтернативный подход, позволяющий калибровку вероятностей, включает ручную валидацию случайного подмножества предсказаний и подборку логистической регрессии для установления связи между результатом бинарной валидации (истинно/ложное обнаружение) и соответствующим рейтингомдоверия 21. Этот метод затем может быть использован для определения контекстно-специфических порогов, которые можно корректировать в зависимости от видов и условий окружающей среды (например, изменяющийся фоновой шум)19. Такие методы применялись в пассивных акустических мониторинговых исследованиях юкатских чёрных ревуновых обезьян (Alouatta pigra), серых волков (Canis lupus) и койотов (C. latrans)27,28.

Цель этой работы по методам — продемонстрировать и подтвердить масштабируемую методологию для точного и надёжного извлечения видоспецифических голосовых данных из больших акустических наборов данных с использованием модели распознавания звуков птиц на основе машинного обучения в программном обеспечении Raven Pro-bioacoustics для анализа (версия 1.6)19,31. Этот подход включает расчёт соответствующих порог доверия в соответствии с21 рекомендацией по лучшей практике Вуда и Кала. Хотя этирекомендации 21 предоставляют комплексную основу для применения оценок уверенности в модели распознавания звука птицна основе машинного обучения 19, они в первую очередь представлены как рекомендации по лучшим практикам. Немногие исследования внедряли эти процедуры в распределённых системах ARU при реалистичных ограничениях мониторинга, где акустические условия и фоновые шумы пространственноменяются 22. Этот протокол (рисунок 1) особенно подходит для масштабных пассивных акустических исследований с участием нескольких участков, изменяющихся акустических сред или целевых видов с высоким уровнем ошибок классификации. Кроме того, внедрение этих рекомендаций в программное обеспечение биоакустического анализа (версия 1.6)19,31, более доступной и удобной для пользователя по сравнению с средами на основе кодирования32,33, ранее не демонстрировалось.

figure-introduction-1
Рисунок 1: Схематическое представление всего рабочего процесса. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Для устранения этого пробела мы применяем и проверяем протокол, используя крупномасштабные наборы данных, записанные с помощью AudioMoths - ARU (версия 1.2.0)34,35, охватывающих разнообразные среды обитания. Наш основной вид, европейский дрозд (Erithacus rubecula), демонстрирует высокую изменчивость песни и структурнуюсложность 36,37, а также продемонстрировал подверженность ошибочной идентификации в первичных пилотных анализах. Применяя пороги доверия, специфичные для вида и мест, к конфигурации модели распознавания звука птиц на основе машинного обучения в программном обеспечении биоакустикидля анализа 19,31, мы оцениваем протокол при различных акустических условиях, учитывая разные уровни фонового шума и видовые ассамбляжи, и демонстрируем, что оптимизация пороговых параметров может значительно повысить точность обнаружения по сравнению с стандартными настройками. Этот подход в конечном итоге предназначен для обеспечения доступного, упрощённого и эффективного применения модели распознавания звука птиц19 на основе машинного обучения в масштабных PAM-исследованиях с минимальным кодированием.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

Этическое заявление
Этот протокол соответствует этическим нормам Ливерпульского университета Джона Мурса. Методология включала только пассивный акустический мониторинг и не включала обращение, возмущение или экспериментальные манипуляции с животными. Для развертывания ARU не требовались опасные процедуры. ARU были развернуты в соответствии с институциональными исследованиями и рекомендациями по полевой работе, а на местах регистрации были установлены соответствующие таблички для информирования общественности об акустическом мониторинге. Однако настоятельно рекомендуется проверять прогнозы погоды перед проведением полевых работ и проводить оценку рисков для каждого участка.

Программное обеспечение, лицензирование и использование
ПРИМЕЧАНИЕ: Данные ARU должны обрабатываться с использованием модели распознавания звука птиц на основе машинного обучения в программном обеспечении биоакустического анализа (v1.6)19,31, при этом выходы детектора также обрабатываются в том же программном обеспечении (v1.6)31. Это лицензированное программное обеспечение и не является свободно доступным, использование описанного здесь рабочего процесса требует доступа через институциональную или индивидуальную лицензию. Кроме того, модель распознавания звука птиц на основе машинного обучения в программном обеспечении (v1.6)19,31 в настоящее время не работает на устройствах Apple с архитектурой процессоров на базе ARM (чипы M1 или M2), однако этот протокол совместим с компьютерами на базе macOS с процессорами Intel и операционными системами Windows

1. Сбор аудиоданных

  1. Подготовка ARU к развертыванию
    1. Вставлять батарейки в ARU (в ходе эксперимента использовались перезаряжаемые щелочные батарейки).
    2. Вставляйте съемные карты памяти соответствующего размера относительно объёма собираемых данных (в ходе эксперимента использовались съемные карты памяти объемом 2 ГБ).
      Примечание: Для графиков записи, создающих 108 файлов по 1 минуту в день в течение 30 дней (см. шаг 1.2.5.2), каждый файл составлял примерно 5760 кБ, что давало общий объём данных 622 МБ. Оценочное ежедневное энергопотребление составляет 26 мАч. Поэтому для получения репрезентативных результатов использовались съёмные карты памяти ёмкостью 2 ГБ. Кроме того, перезаряжаемые щелочные аккумуляторы сохраняли пригодную мощность дольше всего, в отличие от литиевых AA и перезаряжаемых NiMH в условиях испытаний.
  2. Настройте каждый ARU для развертывания
    1. Скачайте 'ARU device firmware update application'39 и 'ARU device configuration application'40 с 'App Download Page' на сайтеARU 41.
    2. Подключите ARU отдельно к компьютеру с помощью кабеля передачи данных.
    3. Убедитесь, что устройство переключено в режим USB/Off .
    4. Используйте 'ARU device firmware update application'39 , чтобы обновить устройства до последней версии прошивки.
    5. Используйте приложение 'ARU device configuration application'40 , чтобы настроить ARU на запись в заданное время суток на определённое количество дней. Определите активные периоды записи и интервалы сна.
      1. Определите временные окна, когда целевые виды наиболее активны (например, рассветный хор для дневных птиц), и распланируйте периоды регистрации соответственно.
      2. Установите соответствующий рабочий цикл, указав, как долго ARU активно записывают по сравнению с режимом сна.
        Пример: для этих репрезентативных результатов ARU были запрограммированы записывать ежедневно с 4:00 до 9:00 утра и с 17:00 до 21:00 с 1 по 30июня 2023 года. Эти временные окна были выбраны для запечатления как рассвета, так и сумеречного хора. Во время активных периодов устройства записывали 1-минутные WAV-файлы, за которыми следовал 4-минутный интервал сна, что приводило к 108 записям по 1 минуте в день.
        Примечание: ARU могут записывать непрерывно, но это быстро увеличивает расход батареи и использование съёмных карт памяти.
      3. Используйте 'ARU device configuration application'42, чтобы настроить устройства на частоту дискретизации 48 кГц, как рекомендуется, для захвата полного диапазона птичьихвокализаций 34,35 и со средним усилением (обычно оставляется по умолчанию, если запись не происходит в шумныхусловиях 34,35). Другие частоты дискретизации могут использоваться в зависимости от частоты вокализации целевых видов, например, для ультразвуковой природы, такой как летучие мыши или амфибии, частота дискретизации 384кГц 35.
    6. После настройки всех ARU переключите каждое устройство в режим CUSTOM .
  3. Защита и маркировка устройств
    1. Поместите каждое ARU устройство в антистатический пакет Ziplock. Используйте дополнительную водонепроницаемую ленту по мере необходимости, чтобы предотвратить повреждения водой. Поместите пакеты силикагеля внутрь пакетов, чтобы впитать влагу.
    2. Обозначьте каждый ARU по номеру и его местоположению.
  4. Развертывание ARU
    1. Определить места для размещения ARU в среде обитания целевого вида.
    2. Размещать ARU на расстояниях, соответствующих требованиям исследования и целевому виду.
      Примечание: расстояние обнаружения зависит от среды обитания, фонового шума и громкости звонков вида. В то время как громкие виды (например, евразийский выпьёт) могут быть обнаружены ARU на расстоянии до 800 м, записи ухудшаются на больших расстояниях, ограничивая измерениямелкой масштаба до 20 м. Здесь был проанализирован один ARU на каждый участок, с единицами примерно в 100 м друг от друга для обеспечения хорошего пространственного покрытия и чётких звуков. Корректируйте расстояние в зависимости от вида, среды обитания и целей проекта.

2. Использование модуля детектора машинного обучения в программном обеспечении биоакустического анализа19,31 для автоматического обнаружения видов

  1. Передача аудиоданных
    1. После окончания периода развертывания удаляйте съемные карты памяти из ARU, отмечая, какие съёмные карты соответствуют каждому пронумерованному ARU.
    2. Перенесите все WAV-файлы с каждой съемной карты памяти на компьютер с помощью считывателя карт.
    3. Организуйте все WAV-файлы, сгенерированные из каждого ARU, в папки с соответствующим номером ARU и местоположением.
    4. Сохраняйте резервные копии всех данных на дополнительных устройствах. Точка паузы: Протокол можно приостановить здесь.
    5. Ограничьте доступ к этим данным для авторизованных исследователей проекта и обеспечьте защиту паролем для сохранения конфиденциальности, особенно если человеческая деятельность могла быть случайно зафиксирована.
  2. Настройте модуль детектора машинного обучения
    1. Откройте программное обеспечение для биоакустическогоанализа 31 и в выпадающем меню выберите Инструменты > Детектор > Детектор обучения.
    2. В окне «Выбрать входы детектора » выберите « Просмотр». В следующем окне Open Sound Files выберите все WAV-файлы в соответствующей папке ARU и нажмите Открыть (Дополнительные файлы S1 и S2).
    3. В окне Configure New Sound в разделе Page Aging > Page Sound введите соответствующий размер страницы для длины каждой записи (например, 60 с для 1 минуты WAV-файлов) (Дополнительный файл S3).
    4. В том же окне Configure New Sound в разделе Multiple Files выберите Open as file sequence в одном окне, затем нажмите OK (Supplementary File S3).
    5. В возвращаемом окне «Выбрать входы детектора » выберите «Форму волны » в разделе «Доступные сигналы и виды » справа и нажмите кнопку стрелок << , чтобы переместить его в «Требуемые входы». Убедитесь, что статус в поле «Требуемые входы » — «Готов!», и нажмите «OK » (Дополнительный файл S4).
    6. В окне Configure Machine Learning Detector на вкладке Input выберите желаемую модель в разделе Select Model. При анализе видов птиц используют глобальную модель классификации птиц, которая, среди различных обновлений, включает более 3000–6000 видовптиц 19 (Дополнительный файл S5).
    7. Во вкладке «Входы » оставьте перекрытие по умолчанию 0 с, чтобы избежать вмешательства в последующий анализ порога доверия (дополнительный файл S5).
    8. Во вкладке «Выходы » выберите выпадающее меню «Файл класса вывода » и выберите список выводов, относящийся к географическому расположению исследования (дополнительный файл S6).
    9. Во вкладке «Выходы » будет представлен список видов птиц, релевантных выбранному файлу класса выводов. Опустите порог до 0.1 и выберите Применить все, убедитесь, что все значения под Порогом теперь находятся на 0.1 в списке (Дополнительный файл S6).
    10. Выберите опцию «Подавить все виды », и галочки появятся во всех окнах списка видов. Затем найдите целевой вид и снимите галочку в столбце «Подавление » (дополнительный файл S6).
    11. Выберите OK , чтобы запустить детектор обучения, он обработает файлы и создаст выборы там, где обнаружены вокализации целевого вида.
    12. Отслеживайте менеджер прогресса для отслеживания процента выполненных результатов и оставшегося времени (дополнительный файл S7).
  3. Сохранить вывод Learning Detector
    Примечание: Таблица детектора обучения будет генерироваться во время обработки и отображаться под спектрограммой. Нумерованные выборы в этой таблице соответствуют выделениям детектора на спектрограмме. Каждая селекция фиксирована на длине 3 с и не всегда повторяется на протяжении всей обнаруженной вокализации. Каждому выбору присваивается идентификационная метка и балл в таблице отбора (Supplementary File S8). Эти показатели являются безединичным предсказанием и будут использоваться в логистическом регрессионном анализе на последующих этапах.
    1. Выберите Файл > Save Selection Table "Learning Detector" As и сохраняйте файл, используя имя ARU и идентификатор, например: AM1_LearningDetectorTable_Original.txt.

3. Создать таблицы точности для целевых видов на репрезентативном ARU из каждого места изучения

  1. Подготовьте валидационный набор данных
    1. Откройте таблицу выбора детектора обучения , сохранённую на шаге 2.3.1, и перенесите в программное обеспечение для создания таблиц.
    2. Убедитесь, что в колонке Label указана только целевой вид.
    3. Удалите все столбцы, кроме столбцов Selection и Score.
    4. Рандомизировать строки с помощью функции рандомизации таблицы (например, добавить столбец с помощью =RAND(), отсортировать этот столбец и удалить столбец рандомизации).
    5. Сохраняйте первые 300 рандомизированных обнаружений, если их меньше 300 — сохраняйте все обнаружения.
      Примечание: Выбор 300 обнаружений для валидации является стандартом в аналогичных исследованиях с использованием акустических данных за 1 месяц24. Такой размер выборки надёжно оценивает точность и частоту неправильного маркировки, фиксирует диапазон показателей обнаружения и обеспечивает управляемую нагрузку. Для более длинных наборов данных может потребоваться больше выбора.
    6. Сохраняйте валидационный набор данных, используя анализируемое имя ARU и идентификатор, например: AM1_ValidationDataset.xlsx.
  2. Подготовьте программное обеспечение для анализа биоакустики для ручной валидации
    1. Откройтепрограмму 31, выберите Файл > Открыть звуковые файлы... и в окне Open Sound Files выберите все соответствующие WAV-файлы для анализируемого ARU и нажмите Открыть.
    2. В окне «Настроить новый звук », которое открывается в разделе «Пейджинг», выберите «Звук страницы » и введите размер страницы , используемый в шаге 2.2.3. В разделе «Несколько файлов» выберите «Открыть как последовательность файла» в одном окне и выбрать «ОК».
    3. Перейти к файлу > открыть таблицу выбора... и открыть таблицу обнаружения обучения для анализируемого ARU, сохранённую на шаге 2.3.1.
    4. В панели слева от вида Звука , во вкладке Макеты, в разделе Views:, снимите выбор Waveform , чтобы все файлы отображались в Spectrogram для визуального подтверждения структуры вокализации.
  3. Валидация рандомизированных выборов
    1. Вместе с программным обеспечением для биоакустического анализа31 , когда подготовленные данные готовы к ручной валидации, откройте таблицу валидации, сохранённую на шаге 3.1.6.
    2. Создайте новый столбец в таблице с пометкой «Правильно обнаружено».
    3. Найдите каждый номер выбора из рандомизированного списка в спектрограмме и введите в столбец «Правильно обнаружено » (1) или ошибочно (0).
  4. Вычисление точности детектора
    1. Рассчитайте точность детектора (до логистической регрессии) для ARU и целевых видов по формуле:
    2. Точность (%) = (Количество правильных обнаружений/Общее количество валидированных обнаружений) x 100
    3. Для наборов данных с точностью 90% и выше сохраняйте настройки детектора тока.
    4. Для наборов данных с точностью ниже 90% переходите к разделу 4, чтобы провести логистический регрессионный анализ и определить оптимальный порог для работы детектора.
      Примечание: Когда точность падает ниже 90%, высокая частота неправильного маркировки затрудняет надёжное извлечение вокализаций без корректировки порогов. Порог 90% балансирует надёжность обнаружения с достаточным объёмом выборки. Предыдущие исследования калибровки моделей распознавания звука птиц на основе машинного обучения также считали точность 90% и выше достаточнонадёжной 42.

4. Провести логистический регрессионный анализ таблиц валидации для получения оптимального порога доверия

  1. Устанавливайте пороги доверия, используярекомендации Wood & Kahl из 21
    1. Используйте программное обеспечениеR 32 для импорта валидационного набора данных, созданного в разделе 3.
    2. Выполните логистическую регрессию с использованием обобщённой линейной функции моделирования с биномиальной частью семейства на наборе данных.
    3. Установите желаемую вероятность точности на 0,9, это означает, что вероятность того, что обнаружение является истинно положительным, будет 90% или выше.
      Примечание: установка желаемой вероятности точности на уровне 0,9 гарантирует, что большинство обнаружений являются истинными положительными, однако даже на этом уровне ложные срабатывания могут возникать в больших акустических наборах данных, и пользователям следует учитывать это ограничение. Порог точности 90% позволяет пользователям сохранять высокое количество корректных обнаружений, при этом сохраняя достаточно данных для надёжного анализа; стремление к 100% ограничит пригодность для использования.
    4. Вычислите оптимальный порог, решая уравнение логистической регрессии для предикторного значения (доверительный балл), которое даёт предсказанную вероятность 0,9, используя ниже Script Logistic Regression Analysis Analysis:
      figure-protocol-1
      p = 0,9, а β0 и β1 — это пересечение и наклон из приспособленной модели
      Скрипт логистического регрессионного анализа для программного обеспечения для статистических вычислений
      # Таблица проверки загрузки
      ThresholdRobin <-read.csv('ValidationTableRobin.csv')
      # Запусти логистическую регрессию
      Model1<-glm(Correct.Detected~Score, data=ThresholdRobin, family='биномиально')
      Модель1
      # Желаемая вероятность выше 90% точности
      p < - 0,9 # желаемая p (вероятность истинно положительного)
      порог <- (log(p/(1-p))- Модель1$коэффициенты[1]) / Модель1$коэффициенты [2]
      Примечание: вместо использования Logit Score, как в предыдущихисследованиях 24,27, в качестве независимой переменной, используйте исходные оценки доверия как независимую переменную. В21 рекомендации Вуда и Каля упоминается, что можно использовать как чистые оценки уверенности, так и обратно трансформированные версии.
  2. Применяйте оптимальный рейтинг доверия
    1. Откройте программное обеспечение биоакустического анализа31.
    2. Повторно запустите детектор обучения на исследуемом ARU с помощью шагов из раздела 2. Однако на этот раз в процессе конфигурации порог для обнаруженного целевой вида должен быть изменен на порог, определённый в разделе 4.1 протокола.
    3. (По желанию) Увеличьте перекрытие до 2 с для повышения разрешения обнаружения.
      Примечание: значение перекрытия определяет, насколько соседние обнаруженные сегменты перекрываются. На 0 секунд вокализации на границах сегментов могут быть пропущены (ложные отрицательные результаты). Увеличение перекрытия улучшает разрешение обнаружения и прогностическую мощность, но замедляет анализ19,29. Здесь для логистической регрессии использовалось перекрытие по умолчанию 0 с. С помощью репрезентативных результатов и порогов доверия, рассчитанных в логистическом регрессионном анализе, проверяется перекрытие 0 и 2 с.
    4. Будет создан новый список обнаружений, который теперь должен быть более точным, с меньшим количеством ложноположительных результатов (см. Результаты).
    5. Сохраните новый выход Learning Detector со списком обнаружений, сгенерированных с использованием порога доверия, выбрав File > Save Selection Table «Learning Detector» As и сохраняйте файл с именем ARU и идентификатором, например: AM1_LearningDetectorTable_OptimisedThreshold.txt.
    6. Этот файл представляет собой окончательный проверенный набор данных, сгенерированный протоколом. Используйте сохранённую таблицу выбора оптимизированного детектора обучения как итоговый результат этого протокола. Обратите внимание, что последующие анализы, такие как аннотация вокализаций и выделение акустических параметров, выходят за рамки этого метода.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

Чтобы проиллюстрировать эффективность описанного протокола, мы представляем репрезентативные результаты анализа акустических данных по европейскому дрозду (Erithacus rubecula), собранных на трёх участках с разными средами и комплексами птиц, включая парк в Ливерпуле (ARU 1), естественно восстанавливающийся лесной участок в национальном парке Кэрнгормс (ARU 2) и пригородный участок в Глазго (ARU 3). Эти примеры демонстрируют, как применение статистически полученных порогов довери...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

Использование протокола, изложенного в этой статье, обеспечивает надёжный, упрощённый метод генерации видоспецифичных и точно классифицированных наборов данных по вокализациям птиц, что оказалось полезным при работе с большими аудионаборами данных. Мы решили протестировать протокол на европейском дрозде из-за его хорошо известной структурной и частотной вариабельности в репертуарепесен 43. То есть изначально обнаружения имели высокий уровень ошибочного маркировки ...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

У авторов нет конкурирующих финансовых интересов.

Благодарности

Мы благодарим Университет Ливерпуля Джона Мура за рекомендации и ресурсы. Мы также благодарим Инициативу по диким животным (WAI) за финансовую поддержку, это исследование было профинансировано грантами WAI (S-2023–00038).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Автономные устройства записи версии 1.2.0Открытые акустические устройстваН/ДАвтономный блок записи (ARU)
Программное обеспечение для биоакустического анализа версии 1.6.5Лаборатория орнитологии Корнеллского университетаRRID:SCR_016190Программное обеспечение для анализа звука
Кабель передачи данныхРазличные производителиН/ДИспользуется для передачи данных с устройств
Приложения конфигурации устройствОткрытые акустические устройстваН/ДПриложения для настройки AudioMoths
Модуль детектора машинного обучения v2.4Лаборатория орнитологии Корнеллского университетаН/ДДетектор машинного обучения, nbsp;
Перезаряжаемые щелочные батареиРазличные производителиН/ДИсточник питания для записывающих устройств
Съемные карты памятиРазличные производителиН/ДХранение данных для записей
Программное обеспечение для статистических вычисленийКоманда R CoreRRID:SCR_001905Программное обеспечение для статистических вычислений

Ссылки

  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).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Теги

Повышение точности обнаружения модели распознавания звука птиц посредством логистической регрессии больших акустических наборов данных: кейс-стади европейского дрозда (Erithacus rubecula)
Свяжитесь с нами
Рекомендовать библиотеке

Конфиденциальность

Условия эксплуатации

Политика

Авторские права © 2026 MyJoVE Corporation. Все права защищены.