Повышение точности обнаружения модели распознавания звука птиц посредством логистической регрессии больших акустических наборов данных: кейс-стади европейского дрозда (Erithacus rubecula)
11 апреля 2026 г.
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.
Наши исследования направлены на разработку рамки, которая поможет биоакустикам повысить точность автоматизированного обнаружения акустических видов. Без правильной конфигурации модели распознавания звука птиц испытывают трудности с точным распознаванием вокализаций. Этот протокол направлен на повышение точности путём определения порогов доверия, специфичных для видов и местности.
Для начала подключите каждый ARU отдельно к компьютеру с помощью кабеля передачи данных и переключите ARU в режим USB. Используйте приложение AudioMoth ARU для настройки ARU для определения интервалов сна и активных периодов записи. Определите временные окна, когда целевые виды наиболее активны, и распланируйте периоды регистрации соответственно.
Добавьте несколько периодов записи и запланируйте даты записи, выбрав первую и последнюю даты. Используйте приложение конфигурации устройств ARU, чтобы настроить устройства на запись на частоте дискретизации 48 килогерц со средним усилением. Вставьте каждое устройство ARU в антистатический пакет Ziploc и приложите дополнительную водонепроницаемую ленту по мере необходимости, чтобы предотвратить повреждения от воды.
Затем развернуть устройства ARU в поле и переключить их в пользовательский режим. Перенесите все волновые файлы с каждой съемной карты памяти на компьютер. Откройте программное обеспечение для биоакустического анализа Raven Pro 1.6, выберите «Инструменты», затем «Детектор» и выберите «Детектор обучения» в выпадающем меню.
В окне «Выбрать входы детектора» выберите «Просмотр». В следующем окне Open Sound Files выберите все волновые файлы в соответствующей папке ARU и нажмите Открыть. Это откроет окно настройки нового звука.
В окне «Наладить новый звук» в разделах «Страница» и «Звук страницы» введите соответствующий размер страницы для каждой записи. Затем, в разделе «Несколько файлов», выберите «Открыть как последовательность файлов» в одном окне и нажмите «ОК». Появляется всплывающее окно «Открыть последовательность файлов» и окно «Выбрать входные данные», показывающее добавление выбранных файлов в последовательность. В возвращаемом окне «Выбрать входы детектора» выберите «Форму волны» в разделе «Доступные сигналы и виды» и переместите его в «Требуемые входы» с помощью кнопки «Стрелка».
Убедитесь, что статус в разделе «Требуемые входы» меняется на «Готово», и нажмите «ОК». Это откроет окно Configure Machine Learning Detector. В окне Configure Machine Learning Detector, на вкладке Входы, выберите желаемую модель из раздела Select Model. Оставьте перекрытие по умолчанию на нулевой секунде.
Нажмите на вкладку «Выходы». Откройте выпадающее меню с файлом классов и выберите список выводов, соответствующий географическому расположению исследования. Понизьте порог до 0.1 и выберите «Применить всё».
Убедитесь, что все пороговые значения в списке видов установлены на 0.1. Выберите опцию «Подавить все виды», чтобы все виды были выбраны. Найдите целевой вид и снимите его выбор в столбце Suppress.
Выберите OK, чтобы начать обработку детектора обучения. Отслеживайте менеджер прогресса, чтобы отслеживать процент выполненных результатов и оставшееся время. Откройте сохранённую таблицу выбора детектора обучения и перенесите её в программное обеспечение для электронных таблиц.
Убедитесь, что в колонке Label указана только целевой вид. Удалите все столбцы, кроме столбцов Selection и Score. Добавьте новый столбец с помощью функции рандомизации, отсортируйте строки по этой колонке и удалите столбец рандомизации.
Сохраняйте первые 300 рандомизированных обнаружений или сохраняйте все, если их меньше 300. Сохраняйте набор валидационных данных, используя имя ARU и идентификатор, например AM1_ValidationDataset. Откройте программное обеспечение Raven Pro 1.6 для анализа биоакустики и выберите Файл.
Затем откройте Sound Files, чтобы выбрать все соответствующие волновые файлы, и нажмите Открыть. Это откроет окно настройки нового звука. В окне «Настроить новый звук» в разделе «Пейджинг» выберите «Звук страницы» и введите ранее использованный размер страницы.
Далее, в разделе нескольких файлов выберите «Открыть как последовательность файлов» в одном окне и нажмите OK. Это добавит выбранные файлы в последовательность и откроет спектрограмму каждого файла среди нескольких выбранных файлов. Перейдите в раздел «Файл» и выберите «Открыть таблицу выбора», чтобы открыть таблицу обнаружения обучения для анализируемого ARU. В панели слева от звукового просмотра во вкладке Layouts и Views снимите выбор Waveform, чтобы все файлы отображались в Spectrogram.
Откройте таблицу валидации вместе с программным обеспечением биоакустического анализа с подготовленными данными. Создайте новый столбец в таблице и пометьте его как Правильно обнаружено. Из таблицы выберите число из рандомизированного списка и введите его в поле рисования в спектрограмме.
Затем нажмите «Воспроизвести». Введём 1 для правильно обнаруженного или 0 для неправильного обнаружения в столбце Правильно обнаружено. Вычислите точность детектора, используя количество правильных обнаружений и общее количество проверенных обнаружений, и умножьте на 100, чтобы выразить это в процентах.
Используйте программное обеспечение RStudio для импорта набора валидационных данных, созданного в предыдущем разделе. Выполните логистическую регрессию на наборе данных, используя обобщённую линейную функцию моделирования с биномиальным множеством семейства. Установите желаемую вероятность точности на уровне 0,9, чтобы вероятность того, что обнаружение является истинным положительным, составляла 90% или выше.
Вычислите оптимальный порог путём решения уравнения логистической регрессии для значения предиктора и проверьте полученное пороговое значение. Перезапустите детектор обучения на исследуемом ARU с использованием предыдущей настройки детектора. Выберите звуковые файлы.
Введите размер страницы и выберите «Открыть как последовательность файла» в одном окне. Далее выберите Waveform в окне Choose Detector Inputs и переместите его в Required Input с помощью кнопки Arrow и нажмите OK. Во вкладке «Входы» окна «Configure Machine Learning Detector» выберите желаемую модель и убедитесь, что перекрытие установлено на уровне нуля секунд. Далее во вкладке «Выходы» выберите географическое положение в файле класса выхода и измените порог для целевого вида на порог, определённый на предыдущем шаге, и выберите «Применить все».
Затем выберите опцию «Подавить все виды». Снимите отметку для целевого вида и нажмите OK, чтобы открыть окно Progress Manager. Наконец, создайте новый список обнаружений с повышенной точностью и меньшим количеством ложноположительных результатов, используя оптимизированное пороговое значение.
Репрезентативные результаты анализа акустических данных о европейском малине, собранных в парке в Ливерпуле — естественно восстанавливающемся лесном участке в национальном парке Кэрнгормс и пригородном участке в Глазго, показали, как статистически выведенные пороги доверия повышают точность обнаружения в различных акустических условиях. Логистический регрессионный анализ определил оптимальный порог доверия 0,54 для участка Liverpool Park и 0,23 для участка Cairngorms, что позволило достичь точности 90% и выше. Повторный запуск детектора на площадках в Ливерпуль-Парке и Кэрнгормсе с оптимизированным порогом повысил точность обнаружения выше 90% как при нулевом, так и при двухсекундном перекрытии.
Повторный запуск детектора на пригородной площадке Глазго с оптимизированным порогом 0,36 повысил точность обнаружения, но общая точность после регрессии оставалась ниже 90% как при нулевом, так и при двухсекундном перекрытии. Этот протокол позволяет исследователям создавать точные обнаружения целевых видов в больших и акустически разнообразных наборах данных. Хотя этот протокол снижает количество ложных срабатываний, повышая точность обнаружения, он также может упускать некоторые истинные обнаружения, что подчёркивает ключевой компромисс с отзывом.
После получения точных обнаружений вокализации могут быть аннотированы в программном обеспечении для извлечения параметров и дальнейшего анализа акустического поведения.
Просмотрите полный транскрипт и получите доступ к тысячам научных видео
Обзор
В данной статье представлен подробный протокол повышения точности автоматического детектирования вокализаций птиц в наборах данных пассивного акустического мониторинга (PAM). Благодаря интеграции детектирования на основе машинного обучения со строгой ручной валидацией и оптимизацией статистического порога, данный метод позволяет исследователям эффективно и надежно извлекать видоспецифичную информацию из больших и разнообразных акустических наборов данных, собранных с помощью автономных регистраторов (ARU).
Основные компоненты исследования
Область науки
- Биоакустика
- Экологический мониторинг
- Применение машинного обучения в экологии
Теоретическая часть
- PAM широко используется для неинвазивного мониторинга биоразнообразия.
- Модели автоматического обнаружения часто имеют проблемы с точностью из-за вариативности окружающей среды и видов.
- Ручная валидация занимает много времени и подвержена ошибкам.
- Оптимизация порогов обнаружения может повысить эффективность работы модели на различных участках и для разных видов.
Цель исследования
- Разработать воспроизводимый протокол оптимизации детектирования звуков птиц на основе машинного обучения.
- Определить видоспецифичные и сайт-специфичные пороги показателей достоверности (confidence score) для повышения точности детектирования.
- Валидировать данный протокол на нескольких экологических площадках.
Используемые методы
- Развертывание АЗУ (автоматических записывающих устройств), настроенных на определенные периоды записи и защиту от воздействия окружающей среды.
- Перенос данных и организация необработанных акустических файлов.
- Использование программного обеспечения Raven Pro 1.6 с модулем детектора на основе машинного обучения для первичного обнаружения.
- Ручная валидация рандомизированных подмножеств обнаружений для расчета точности.
- Логистический регрессионный анализ в RStudio для определения оптимальных пороговых значений показателя достоверности для каждого участка и вида.
- Повторный запуск детектора с оптимизированными порогами для создания уточненных списков обнаружений.
Основные результаты
- Статистически выведенные пороги достоверности значительно повысили точность детектирования на всех исследуемых участках.
- Например, в Ливерпуль-парке точность увеличилась более чем на 26% (перекрытие 0 s) и почти на 29% (перекрытие 2 s).
- Специфические для каждого участка пороги (например, 0,54 для Ливерпуль-парка, 0,23 для Кернгормса) обеспечили точность ≥90% в большинстве случаев.
- Наблюдался определенный компромисс с полнотой охвата, так как повышение точности может привести к сокращению числа истинно положительных результатов детектирования.
Выводы
- Данный протокол обеспечивает точное, эффективное и воспроизводимое обнаружение целевых видов птиц в больших массивах акустических данных.
- Оптимизированные пороги превосходят ручной подсчет по скорости и надежности.
- Эта структура способствует проведению надежных экологических исследований и анализу параметров с использованием машинного обучения в биоакустике.
Часто задаваемые вопросы
Значимость для промышленности
Автоматизированное обнаружение биологических сигналов в больших наборах данных имеет решающее значение для масштабируемой валидации мишеней и принятия высокодостоверных решений на ранних этапах поиска. В данном протоколе демонстрируется, как оптимизация статистического порога с использованием логистической регрессии повышает точность обнаружения на основе машинного обучения, что напрямую влияет на надежность последующего анализа. Этот подход обеспечивает устойчивое и воспроизводимое извлечение данных из сложных сред, позволяя более обоснованно проводить сортировку портфеля и продвигать проекты с учетом рисков.
Стратегическое применение в биофармацевтических исследованиях и разработках
Ранний поиск и валидация мишени
- Обеспечивает строгую проверку гипотез путем отделения истинных биологических сигналов от шума в больших наборах данных.
- Поддерживает функциональную валидацию мишеней за счет установления пороговых значений с учетом конкретного участка и вида, что снижает количество ложноположительных результатов.
- Повышает прогностическую достоверность при отборе активов на ранних стадиях и снижении рисков при изучении механизмов действия.
Скрининг и разработка анализа
- Облегчает подготовку валидированных систем детекции для рабочих процессов высокопроизводительного скрининга.
- Стандартизирует получение количественных данных, обеспечивая воспроизводимость и сопоставимость результатов между различными центрами.
- Обеспечивает масштабируемую автоматизированную оценку биологической активности при различных условиях.
Трансляционные и доклинические исследования
- Приводит точность детекции в соответствие с требованиями к трансляционным биомаркерам путем оптимизации для получения высокодостоверных результатов.
- Обеспечивает непрерывность процесса от этапа поиска до доклинической валидации за счет минимизации вариабельности, связанной с конкретным объектом исследования.
- Предоставляет воспроизводимую основу для извлечения параметров и дальнейшего механистического анализа.
Интеграция конвейера и рабочего процесса
Данный протокол охватывает весь цикл от раннего этапа поиска до скрининга и трансляционных исследований, обеспечивая принятие обоснованных решений на основе данных в каждой критической точке.
- Фундаментальная биология: Облегчает проверку гипотез и уточнение сигнальных путей за счет максимального повышения точности детекции в сложных наборах данных.
- Скрининг: Обеспечивает получение количественно валидированных результатов, готовых для анализа, для надежной оценки соединений.
- Аналитика: Предоставляет статистические данные и таблицы точности для сравнения условий детекции и оптимизации пороговых значений.
- Трансляционные исследования: Обеспечивает целостность данных между различными центрами, поддерживая согласованность биомаркеров и непрерывность доклинических исследований.
- Корпоративное повторное использование: Предлагает масштабируемую, воспроизводимую систему детекции, адаптируемую к новым мишеням и условиям.
Операционное и корпоративное влияние
- Научная ценность: повышает точность прогнозирования и снижает механистическую неопределенность при детекции сигналов.
- Операционная ценность: стандартизирует рабочие процессы детекции, улучшая воспроизводимость и масштабируемость между различными центрами.
- Стратегическая ценность: позволяет принимать более обоснованные решения о продолжении или прекращении разработок (go/no-go) и повышает эффективность использования капитала за счет раннего снижения количества ложноположительных результатов.
- Влияние на портфель: обеспечивает приоритезацию с учетом рисков и продвижение активов на этапе поиска и разработки.
Особенности реализации
- Требуется опыт в области статистического моделирования и настройки детекторов машинного обучения.
- Необходим доступ к программному обеспечению для биоакустического анализа и инфраструктуре для статистических вычислений.
- Требуется межкомандная стандартизация процедур валидации и определения пороговых значений.
- Адаптация к различным модельным системам может потребовать переобучения или рекалибровки моделей детектирования.
- Повышение точности может привести к снижению полноты охвата, что обуславливает необходимость выбора пороговых значений в зависимости от конкретного контекста.
Часто задаваемые вопросы по биофармацевтике
Chapters in this video
0:00
Introduction
0:29
Configuring Autonomous Recording Unit (ARU) for Deployment
1:43
Configuring the Machine Learning Detector Module
4:12
Creating Precision Tables for Target Species at a Representative ARU from the Study Location
6:06
Precision Calculation and Threshold Optimization
8:50
Results
10:19
Conclusion
