Uma abordagem para monitoramento de anuros baseada em processamento digital de sinais bioacústicos

• Autor(a) principal: Colonna, Juan Gabriel
• Data de Publicação: 2017
• Outros Autores: http://lattes.cnpq.br/9535853909210803
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFAM
• Texto Completo: http://tede.ufam.edu.br/handle/tede/6014
• topic: Redes de sensores sem fio; Aprendizagem de máquina; Monitoramento ambiental; Classificação de anuros; Filtros de sinais bioacústicos; Segmentação não supervisioada de sinais; Teoria da informação; CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO

O monitoramento de animais silvestres em seu habitat natural é objeto de estudo de biólogos e ecólogos que coletam informações ambientais para inferir o estado das popula ções animais e suas variações ao longo do tempo. Um objetivo especí co desses estudos é identi car problemas ecológicos em estágios iniciais. No entanto, a coleta das informações é um trabalho manual que deve ser realizado por um grupo de especialistas em áreas de difícil acesso durante períodos de tempo prolongados. Neste contexto, as Redes de Sensores Sem Fio (RSSF) são uma alternativa viável ao monitoramento manual. Estas redes são constituídas por pequenos sensores com capacidade de transmissão, armazenamento e processamento local. Isto possibilita que métodos bioacústicos para reconhecimento automático de espécies sejam embarcados nos nós sensores para automatizar e simpli car a tarefa de monitoramento. Como os sons produzidos pelos animais oferecem uma impressão digital bioacústica, esta pode ser usada para identi car a presença ou ausência de uma espécie particular em uma região. Neste trabalho, apresentamos uma abordagem que utiliza aprendizagem de máquina, RSSF e processamento digital de sinais bioacústicos para reconhecer espécies animais com base em suas vocalizações. Como prova-de-conceito, aplicamos nossa solução para identi- car de forma automática diferentes espécies de anuros. Escolhemos anuros uma vez que são utilizados como indicadores precoces de estresse ecológico, pelo fato de serem sensíveis às mudanças do habitat e oferecerem informações sobre os ecossistemas terrestre e aquático. Nossa abordagem integra quatro operações fundamentais: filtragem de ruídos e aprimoramento dos sinais acústicos, segmentação automática desses sinais, extração de descritores acústicos e classificação. Além disso, nossa solução considera as limitações de RSSF, buscando reduzir a carga de processamento e comunicação para prolongar o tempo de vida dos sensores. Portanto, representamos os sinais por um conjunto de descritores acústicos de baixo nível (Low-Level Acoustic Descriptors - LLDs) conhecidos como Mel Frequency Cepstral Coe cients (MFCCs). A técnica escolhida para filtrar os ruídos ambientais foi o Singular Spectrum Analysis (SSA), esta escolha foi baseada nas diversas comparações que zemos com outros métodos de filtragem. Além disso, o SSA é não paramétrico, se adapta ao coaxar de cada espécie e possui um esquema equivalente na teoria de ltros FIR, o que possibilita ter uma implementação com complexidade computacional constante. Ainda no método de ltragem, desenvolvemos uma versão robusta do SSA. Esta nova versão é mais tolerante aos diferentes ruídos ambientais, sejam estes Gaussianos ou não. A robustez também permitiu identi car os componentes acústicos causados pelos ruídos ambientais associados com as baixas frequências. No que diz respeito à segmentação, primeiro realizamos uma comparação entre diferentes LLDs baseados na teoria da informação. Nesta etapa, desenvolvemos um método não supervisionado capaz de se adaptar às diferentes condições de ruídos ambientais, sejam estes branco ou coloridos. Na segunda etapa, adaptamos dois dos LLDs comparados para funcionamento incremental. Assim, foi possível de nir uma metodologia para segmentar os sinais acústicos em tempo real com custo de memória constante, ideal para ser embarcado em um nó sensor de baixo custo e obter as porções dos áudios que possuem as informações relevantes para o reconhecimento das espécies. Finalmente, avaliamos diferentes estratégias de classi cação e propusemos uma nova forma de validação cruzada para avaliar a capacidade de generaliza ção do método. Portanto, a validação cruzada tradicional de sílaba-por-sílaba foi substituída por uma validação cruzada que separa diferentes indivíduos nos conjuntos de teste e treinamento. Isto viabilizou uma avaliação mais justa e permitiu estimar o comportamento nal que o método de classi cação embarcado no nó sensor teria em uma situação real. Dentre os métodos de classi cação planos comparados descobrimos que SVM e kNN são os mais promissores. Todavia, propomos e desenvolvemos uma estratégia de classi cação hierárquica multirótulo para decompor e simpli car o espaço de decisões do classi cador e simultaneamente reconhecer a família, o gênero e a espécie de cada amostra. Isto nos permite concluir que nossa abordagem é exível o su ciente para se adaptar aos diferentes cenários monitorados, sem deixar de otimizar a relação custo-benefício da solução de monitoramento proposta.