Büyük Akustik Veri Setlerinin Lojistik Regresyonuyla Bir Kuş Ses Tanıma Modelinin Tespit Hassasiyetini Artırmak: Avrupa Kızılbalığı (Erithacus rubecula) Vaka Çalışması

Araştırmamız, biyoakustik uzmanların otomatik akustik tür tespitinin hassasiyetini artırmasına yardımcı olacak bir çerçeve geliştirmeye odaklanmaktadır. Doğru yapılandırma olmadan, kuş ses tanıma modelleri sesleri doğru şekilde tespit etmekte zorlanır. Bu protokol, tür ve alana özgü güven puan eşiklerini belirleyerek hassasiyeti artırmayı amaçlar.

Başlamak için, her ARU'yu bir veri aktarım kablosu kullanarak tek tek bir bilgisayara bağlayın ve ARU'ları USB moduna geçirin. AudioMoth ARU cihaz yapılandırma uygulamasını kullanarak ARU'ları uyku aralıklarını ve aktif kayıt sürelerini belirleyebilirsiniz. Hedef türlerin en aktif olduğu zaman pencerelerini belirleyin ve kayıt sürelerini buna göre planlayın.

Birden fazla kayıt dönemi ekleyin ve kayıt tarihlerini ilk ve son kayıt tarihlerini seçerek planlayın. ARU cihaz yapılandırma uygulamasını kullanarak cihazları 48 kilohertz örnekleme hızında ve orta kazançla kaydedecek şekilde ayarlayabilirsiniz. Her ARU cihazını antistatik bir Ziploc poşetine yerleştirin ve su hasarını önlemek için gerekirse ek su geçirmez bant uygulayın.

Sonra, ARU cihazlarını sahada yerleştirin ve özel moda geçirin. Her çıkarılabilir hafıza kartından tüm wave dosyalarını bir bilgisayara aktarın. Raven Pro 1.6 biyoakustik analiz yazılımını açın ve açılır menüden Tools'u, ardından Detector'ı seçin ve Learning Detector'ı seçin.

Dedektör Girişleri Seç penceresinde Bak'ı seçin. Sonraki Open Sound Files penceresinde, ilgili ARU klasöründeki tüm dalga dosyalarını seçin ve Aç'a tıklayın. Bu, Yeni Ses Yapılandır penceresini açacak.

Yeni Sesi Yapılandır penceresinde, Sayfalama ve Sayfa sesi bölümlerinde, her kaydın uzunluğu için uygun sayfa boyutunu girin. Sonra, Çoklu dosyalar bölümünden bir pencerede Dosya olarak Aç dizisini seçin ve OK tuşuna tıklayın. Open File Sequence açılır penceresi ve Detector Inputs Seç penceresi açılır ve seçilmiş dosyaların diziye eklendiğini gösterir. Geri dönen Dedektör Girişleri Seç penceresinde, Mevcut Sinyaller ve Görünümler altında Dalga Formunu seçin ve Ok düğmesini kullanarak Gerekli Girişler sayfasına taşıyın.

Gerekli Girdiler altındaki durumun Hazır olarak değiştiğini onaylayın ve OK tuşlayın. Bu, Makine Öğrenimi Dedektörü Yapılandır penceresini açar. Makine Öğrenimi Dedektörünü Yapılandır penceresi içinde, Girişler sekmesinden Model Seç'ten istediğiniz modeli seçin. Örtüşmeyi varsayılan sıfır saniye olarak bırakın.

Çıkışlar sekmesine tıklayın. Çıktı sınıf dosyası için açılır menüyü açın ve çalışmanın coğrafi konumuna uygun çıktı listesini seçin. Eşiği 0.1'e indirin ve Hepsini Uygula'yı seçin.

Tür listesindeki tüm eşik değerlerinin 0.1 olarak ayarlandığından emin olun. Tüm türlerin seçilmesi için Tüm Türleri Bastır seçeneğini seçin. Hedef türü bulun ve Suppress sütununda seçimini kaldırın.

Öğrenme dedektörü işlemini başlatmak için OK seçeneğini seçin. İlerleme yöneticisini takip ederek tamamlanma yüzdesini ve kalan zamanı takip edin. Kayıtlı öğrenme dedektörü seçim tablosunu açın ve bunu elektronik tablo yazılımına aktarın.

Etiket sütununda yalnızca hedef türün göründüğünü doğrulayın. Seçim ve Puan sütunları hariç tüm sütunları silin. Randomizasyon fonksiyonunu kullanarak yeni bir sütun ekleyin, bu sütuna göre sıralar sıralayın ve ardından Randomization sütununu silin.

İlk 300 rastgele tespit edildiği veya 300'den az varsa hepsini koruyun. Doğrulama veri setini ARU adı ve AM1_ValidationDataset gibi bir tanımlayıcı kullanarak kaydedin. Raven Pro 1.6 biyoakustik analiz yazılımını açın ve Dosya'yı seçin.

Sonra, Ses Dosyalarını açın, ilgili tüm dalga dosyalarını seçin ve Aç'a tıklayın. Bu, Yeni Ses Yapılandır penceresini açacak. Sayfalama altındaki Yeni Sesi Yapılandır penceresinde Sayfa sesi seçin ve daha önce kullanılan sayfa boyutunu girin.

Sonra, birden fazla dosya altında, bir pencerede Dosya olarak Aç dizisini seçin ve OK'ye tıklayın. Bu, seçilen dosyaları diziye ekleyecek ve her dosyanın spektrogramını birden fazla seçilmiş dosya arasında açacaktır. Dosya'ya gidin ve analiz edilen ARU için Öğrenme Algılama Tablosunu açmak için Seçim Tablosunu Aç'ı seçin. Ses görünümünün solundaki panelde, Layouts sekmesi ve Görünümler altında, Waveform görünümünü kaldırın, böylece tüm dosyalar Spektrogram görünümünde görüntülenir.

Hazırlanmış verilerle birlikte biyoakustik analiz yazılımının yanında doğrulama tablosunu açın. Elektronik tabloda yeni bir sütun oluşturun ve onu Doğru Algılandı olarak etiketleyin. Elektronik tablodan, rastgele listeden bir sayı seçip spektrogram görünümündeki çekiliş alanına girin.

Sonra, Oynat'a tıklayın. Doğru tespit edildi (doğru algılandı) için 1 veya yanlış tespit edilen için 0 (Doğru Algılandı) sütununa girin. Doğru tespit sayısı ve toplam doğrulanmış tespitler kullanılarak dedektörün hassasiyetini hesaplayın ve yüzde olarak ifade etmek için 100'ü çarpın.

Önceki bölümde oluşturulan doğrulama veri setini içe aktarmak için RStudio yazılımını kullanın. Aile kümesi binom olarak genelleştirilmiş doğrusal modelleme fonksiyonunu kullanarak veri setinde lojistik bir regresyon çalıştırın. İstenen hassasiyet olasılığını 0.9 olarak ayarlayın, böylece bir tespit gerçek pozitif olma olasılığı %90 veya daha fazla olur.

Optimize değeri için uygun lojistik regresyon denklemini çözerek optimal eşik değerini hesaplayın ve elde edilen eşik değerini doğrulayın. Önceki Dedektör kurulumuyla araştırılan ARU'da öğrenme dedektörünü tekrar çalıştırın. Ses dosyalarını seçin.

Sayfa boyutunu girin ve bir pencerede Dosya olarak Aç dizisini seçin. Sonra, Dedektör Girişleri Seç penceresinden Waveform'u seçin ve Ok düğmesiyle Gerekli Girişler sayfasına taşıyıp OK tuşuna tıklayın. Configure Machine Learning Detector penceresinin Girişler sekmesinden istenen modeli seçin ve örtüşmenin sıfır saniye olarak ayarlandığını doğrulayın. Sonra, Çıktılar sekmesinde çıktı sınıfı dosyasında coğrafi konumu seçin ve hedef türün eşiğini önceki adımda belirlenen eşik olarak değiştirip Hepsini Uygula seçeneğini seçin.

Sonra, Tüm Türleri Bastır seçeneğini seçin. Hedef tür kutusunu kaldırın ve İlerleme Yöneticisi penceresini açmak için Tamam'a tıklayın. Son olarak, optimize edilmiş eşik değerini kullanarak daha iyi doğruluk ve daha az yanlış pozitif içeren yeni bir tespit listesi oluşturun.

Liverpool'daki bir parkta, Cairngorms Ulusal Parkı içinde doğal olarak yenilenen ormanlık alanda ve Glasgow'daki bir banliyö alanında toplanan Avrupa robin için akustik verilerin analizinden elde edilen temsil sonuçları, istatistiksel olarak türetilen güven puanı eşiklerinin farklı akustik ortamlarda tespit hassasiyetini nasıl artırdığını gösterdi. Lojistik regresyon analizi, Liverpool Park sahası için 0,54 ve Cairngorms sahası için 0,23 optimal güven puanı eşiği olarak belirlenerek %90 veya daha yüksek bir hassasiyet oranı elde edilmiştir. Liverpool Park ve Cairngorms sahalarında dedektörün optimize edilmiş eşik ile yeniden çalıştırılması, hem sıfır hem de iki saniyelik örtüşme koşullarında tespit hassasiyetini %90'ın üzerine çıkardı.

Glasgow banliyö sahasında dedektörün 0.36 optimize eşik ile yeniden çalıştırılması, tespit hassasiyetini artırdı, ancak genel regresyon sonrası hassasiyet hem sıfır hem de iki saniyelik örtüşme koşullarında %90'ın altında kaldı. Bu protokol, araştırmacıların hedef türlerin büyük ve akustik olarak çeşitli veri setlerinde doğru tespitleri oluşturmasına olanak tanır. Bu protokol yanlış pozitifleri azaltarak tespit hassasiyetini artırırken, bazı gerçek tespitleri de kaçırabilir ve bu da geri çağırma ile ilgili önemli bir tavizi ortaya koyar.

Doğru tespitlerin yapılmasının ardından, ses çıkarımları yazılım içinde parametre çıkarımı ve akustik davranışların daha fazla analizi için nota edilebilir.