Uma abordagem para classificação de anuros baseada em vocalizações

Detalhes bibliográficos
Autor(a) principal: Colonna, Juan Gabriel
Data de Publicação: 2012
Outros Autores: http://lattes.cnpq.br/9535853909210803
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da UFAM
Texto Completo: http://tede.ufam.edu.br/handle/tede/2964
Resumo: O monitoramento de animais selvagens é frequentemente usado por biólogos para cole- tar informações a cerca dos animais e seus habitats. Neste contexto, os sons produzidos pelos animais oferecem uma impressão biométrica que pode ser usada para classificar os animais em uma dada região. Assim, Redes de Sensores Sem Fio (RSSFs) representam uma importante alternativa para a classificação automática de animais, baseando-se nos sons por eles produzidos. Neste trabalho, apresentamos uma solução, que usa aprendizagem de máquina e processamento de sinais, para classificar animais selva- gens com base em suas vocalizações. Como prova-de-conceito, aplicamos a solução para classificar anuros. O motivo é que anuros já são utilizados por biólogos como indicador precoce de estresse ecológico, oferecendo informação a cerca de ecossistemas terrestre e aquático. Além disso, a solução deve considerar as limitações de RSSFs, buscando reduzir a carga de comunicação para prolongar o tempo de vida da rede. Portanto, representamos os sinais acústicos por conjuntos de características. Esta re- presentação nos permite identificar padrões específicos que descrevem cada uma das espécies monitoradas, reduzindo, assim, o volume de informação a ser trafegado na rede. A identificação destas características, ou combinações delas, é um ponto chave para aprimorar a relação custo-benefício da solução. Em nossa análise, primeiramente comparamos os conjuntos de características temporais e espectrais, usando a entropia como critério para geração das combinações. A seguir, reduzimos o conjunto de ca- racterísticas, usando algoritmos genéticos. O framework proposto contém três passos: (i) pré-processamento, para preparar os sinais e extrair unidades chamadas sílabas; (ii) extração de características; e (iii) classificação, usando k-NN ou SVM. Os experimentos consistem de quatro estudos de casos, avaliando o efeito da quantização e o número de bits usados para representar o sinal quantizado. Isto nos permite concluir que, para os cenários avaliados, o conjunto de coeficientes Mel é o mais adequado para classificar vocalizações de anuros.
id UFAM_10ff317acef6ba250b28b5850d224636
oai_identifier_str oai:https://tede.ufam.edu.br/handle/:tede/2964
network_acronym_str UFAM
network_name_str Biblioteca Digital de Teses e Dissertações da UFAM
repository_id_str 6592
spelling Uma abordagem para classificação de anuros baseada em vocalizaçõesRedes de sensores sem fioAprendizagem de máquinaMonitora- mento ambientalClassificação de anurosWireless sensor networksMachine learningEnviromental monitoringAnuran classificationCIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃOO monitoramento de animais selvagens é frequentemente usado por biólogos para cole- tar informações a cerca dos animais e seus habitats. Neste contexto, os sons produzidos pelos animais oferecem uma impressão biométrica que pode ser usada para classificar os animais em uma dada região. Assim, Redes de Sensores Sem Fio (RSSFs) representam uma importante alternativa para a classificação automática de animais, baseando-se nos sons por eles produzidos. Neste trabalho, apresentamos uma solução, que usa aprendizagem de máquina e processamento de sinais, para classificar animais selva- gens com base em suas vocalizações. Como prova-de-conceito, aplicamos a solução para classificar anuros. O motivo é que anuros já são utilizados por biólogos como indicador precoce de estresse ecológico, oferecendo informação a cerca de ecossistemas terrestre e aquático. Além disso, a solução deve considerar as limitações de RSSFs, buscando reduzir a carga de comunicação para prolongar o tempo de vida da rede. Portanto, representamos os sinais acústicos por conjuntos de características. Esta re- presentação nos permite identificar padrões específicos que descrevem cada uma das espécies monitoradas, reduzindo, assim, o volume de informação a ser trafegado na rede. A identificação destas características, ou combinações delas, é um ponto chave para aprimorar a relação custo-benefício da solução. Em nossa análise, primeiramente comparamos os conjuntos de características temporais e espectrais, usando a entropia como critério para geração das combinações. A seguir, reduzimos o conjunto de ca- racterísticas, usando algoritmos genéticos. O framework proposto contém três passos: (i) pré-processamento, para preparar os sinais e extrair unidades chamadas sílabas; (ii) extração de características; e (iii) classificação, usando k-NN ou SVM. Os experimentos consistem de quatro estudos de casos, avaliando o efeito da quantização e o número de bits usados para representar o sinal quantizado. Isto nos permite concluir que, para os cenários avaliados, o conjunto de coeficientes Mel é o mais adequado para classificar vocalizações de anuros.Wildlife monitoring is often used by biologist to acquire information about animals and their habitat. In this context, animal sounds and vocalizations usually provide a specie fingerprint that is used for classifying the target species in a given site. For that matter, Wireless Sensor Networks (WSNs) represent an interesting option for automa- tically classifying animal species based on their vocalizations. In this work, we provide a solution that applies machine learning and signal processing techniques for classifying wildlife based on their vocalization. As a proof-of-concept, we choose anurans as the target animals. The reason is that anurans are already used by biologists as an early indicator of ecological stress, since they provide relevant information about terrestrian and aquatic ecosystems. Any solution must consider WSN limitations, trying to reduce the communication load to extend the network lifetime. Therefore, our solution repre- sents the acoustic signals by a set of features. This representation allows us to identifiy specific signal patterns for each specie, reducing the amount of information necessary to classify it. Identifying such features, and/or combinations among them, is a key point to improve the solution benefit-cost ratio. As a consequence, we implemented and compared sets of existing features based on Fourier and Wavelet transforms. In our analysis, we first compare the sets of spectral and temporal characteristic, by using the entropy as a criterion for generating the combinations. Second, we reduce the set of features by using genetic algorithm. The proposed framework contains three steps: (i) the pre-processing to prepare the signals and perform the extraction of syllables, (ii) the extraction of features, and (iii) the species classification, using k-NN or SVM. Our experiments comprise four case studies, evaluating the effect of sampling frequency of the hardware and the number of bits used to represent each sample. This enable us to conclude that, in enviromental monitoring using WSNs, the set of Mel coefficients is the most appropriate for classifying anuran calls.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorUniversidade Federal do AmazonasInstituto de ComputaçãoBRUFAMPrograma de Pós-graduação em InformáticaNakamura, Eduardo Freirehttp://lattes.cnpq.br/1448696292042915Colonna, Juan Gabrielhttp://lattes.cnpq.br/95358539092108032015-04-11T14:03:20Z2013-07-222012-03-06info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfCOLONNA, Juan Gabriel. Uma abordagem para classificação de anuros baseada em vocalizações. 2012. 118 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus, 2012.http://tede.ufam.edu.br/handle/tede/2964porinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFAMinstname:Universidade Federal do Amazonas (UFAM)instacron:UFAM2020-03-13T14:34:56Zoai:https://tede.ufam.edu.br/handle/:tede/2964Biblioteca Digital de Teses e Dissertaçõeshttp://200.129.163.131:8080/PUBhttp://200.129.163.131:8080/oai/requestddbc@ufam.edu.br||ddbc@ufam.edu.bropendoar:65922020-03-13T14:34:56Biblioteca Digital de Teses e Dissertações da UFAM - Universidade Federal do Amazonas (UFAM)false
dc.title.none.fl_str_mv Uma abordagem para classificação de anuros baseada em vocalizações
title Uma abordagem para classificação de anuros baseada em vocalizações
spellingShingle Uma abordagem para classificação de anuros baseada em vocalizações
Colonna, Juan Gabriel
Redes de sensores sem fio
Aprendizagem de máquina
Monitora- mento ambiental
Classificação de anuros
Wireless sensor networks
Machine learning
Enviromental monitoring
Anuran classification
CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO
title_short Uma abordagem para classificação de anuros baseada em vocalizações
title_full Uma abordagem para classificação de anuros baseada em vocalizações
title_fullStr Uma abordagem para classificação de anuros baseada em vocalizações
title_full_unstemmed Uma abordagem para classificação de anuros baseada em vocalizações
title_sort Uma abordagem para classificação de anuros baseada em vocalizações
author Colonna, Juan Gabriel
author_facet Colonna, Juan Gabriel
http://lattes.cnpq.br/9535853909210803
author_role author
author2 http://lattes.cnpq.br/9535853909210803
author2_role author
dc.contributor.none.fl_str_mv Nakamura, Eduardo Freire
http://lattes.cnpq.br/1448696292042915
dc.contributor.author.fl_str_mv Colonna, Juan Gabriel
http://lattes.cnpq.br/9535853909210803
dc.subject.por.fl_str_mv Redes de sensores sem fio
Aprendizagem de máquina
Monitora- mento ambiental
Classificação de anuros
Wireless sensor networks
Machine learning
Enviromental monitoring
Anuran classification
CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO
topic Redes de sensores sem fio
Aprendizagem de máquina
Monitora- mento ambiental
Classificação de anuros
Wireless sensor networks
Machine learning
Enviromental monitoring
Anuran classification
CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO
description O monitoramento de animais selvagens é frequentemente usado por biólogos para cole- tar informações a cerca dos animais e seus habitats. Neste contexto, os sons produzidos pelos animais oferecem uma impressão biométrica que pode ser usada para classificar os animais em uma dada região. Assim, Redes de Sensores Sem Fio (RSSFs) representam uma importante alternativa para a classificação automática de animais, baseando-se nos sons por eles produzidos. Neste trabalho, apresentamos uma solução, que usa aprendizagem de máquina e processamento de sinais, para classificar animais selva- gens com base em suas vocalizações. Como prova-de-conceito, aplicamos a solução para classificar anuros. O motivo é que anuros já são utilizados por biólogos como indicador precoce de estresse ecológico, oferecendo informação a cerca de ecossistemas terrestre e aquático. Além disso, a solução deve considerar as limitações de RSSFs, buscando reduzir a carga de comunicação para prolongar o tempo de vida da rede. Portanto, representamos os sinais acústicos por conjuntos de características. Esta re- presentação nos permite identificar padrões específicos que descrevem cada uma das espécies monitoradas, reduzindo, assim, o volume de informação a ser trafegado na rede. A identificação destas características, ou combinações delas, é um ponto chave para aprimorar a relação custo-benefício da solução. Em nossa análise, primeiramente comparamos os conjuntos de características temporais e espectrais, usando a entropia como critério para geração das combinações. A seguir, reduzimos o conjunto de ca- racterísticas, usando algoritmos genéticos. O framework proposto contém três passos: (i) pré-processamento, para preparar os sinais e extrair unidades chamadas sílabas; (ii) extração de características; e (iii) classificação, usando k-NN ou SVM. Os experimentos consistem de quatro estudos de casos, avaliando o efeito da quantização e o número de bits usados para representar o sinal quantizado. Isto nos permite concluir que, para os cenários avaliados, o conjunto de coeficientes Mel é o mais adequado para classificar vocalizações de anuros.
publishDate 2012
dc.date.none.fl_str_mv 2012-03-06
2013-07-22
2015-04-11T14:03:20Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv COLONNA, Juan Gabriel. Uma abordagem para classificação de anuros baseada em vocalizações. 2012. 118 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus, 2012.
http://tede.ufam.edu.br/handle/tede/2964
identifier_str_mv COLONNA, Juan Gabriel. Uma abordagem para classificação de anuros baseada em vocalizações. 2012. 118 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus, 2012.
url http://tede.ufam.edu.br/handle/tede/2964
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal do Amazonas
Instituto de Computação
BR
UFAM
Programa de Pós-graduação em Informática
publisher.none.fl_str_mv Universidade Federal do Amazonas
Instituto de Computação
BR
UFAM
Programa de Pós-graduação em Informática
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFAM
instname:Universidade Federal do Amazonas (UFAM)
instacron:UFAM
instname_str Universidade Federal do Amazonas (UFAM)
instacron_str UFAM
institution UFAM
reponame_str Biblioteca Digital de Teses e Dissertações da UFAM
collection Biblioteca Digital de Teses e Dissertações da UFAM
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFAM - Universidade Federal do Amazonas (UFAM)
repository.mail.fl_str_mv ddbc@ufam.edu.br||ddbc@ufam.edu.br
_version_ 1809732004692885504