Utilizando los datos recopilados por científicos ciudadanos, los investigadores han desarrollado nuevos algoritmos de código abierto para detectar automáticamente las llamadas de ecolocación de murciélagos en grabaciones de audio. Oisin Mac Aodha, anteriormente de University College London, ahora en Caltech, y sus colegas de University College London presentan susnuevo enfoque en PLOS Biología Computacional .
Casi el 80 por ciento de las especies de murciélagos utilizan llamadas de ecolocalización para tareas como la navegación y la caza de presas. La detección de estos sonidos en las grabaciones de audio puede ayudar a los científicos a monitorear los cambios en las poblaciones de murciélagos, y dado que los murciélagos son especialmente sensibles al cambio climático, las llamadas de murciélagos pueden servir comoindicadores clave de la salud del ecosistema. Sin embargo, puede ser un desafío detectar de manera confiable las llamadas de murciélagos en grabaciones ruidosas del mundo real.
Para abordar este desafío, Mac Aodha y sus colegas construyeron nuevos algoritmos de detección de llamadas de murciélagos basados en desarrollos recientes en el aprendizaje automático. Su algoritmo se basa en el aprendizaje supervisado con redes neuronales convolucionales profundas CNN, lo que les permite aprender directamente de los datos de audiopara detectar de forma automática y confiable las llamadas de murciélagos
Las CNN nunca antes se habían aplicado al monitoreo de murciélagos, principalmente porque no había suficientes datos analizados por humanos disponibles para entrenarlos. Para acumular suficientes datos, Mac Aodha y sus colegas recurrieron a miles de científicos ciudadanos que recopilaron y anotaron conjuntos de datos de audio como participantes enel Programa de Murciélagos Indicadores y el Detective de Murciélagos http://www.batdetective.org proyecto.
Una vez que se entrenaron los algoritmos, los investigadores los pusieron a prueba al aplicarlos a varios conjuntos de datos que representan escenarios de monitoreo desafiantes del mundo real. Descubrieron que su enfoque de aprendizaje profundo era más preciso y confiable que los algoritmos y herramientas comerciales existentespara monitorear llamadas de murciélagos.
"Nuestro método nos permite estimar automáticamente la actividad de los murciélagos a partir de programas de monitoreo de audio de varios años a gran escala con muy poco esfuerzo manual, lo que nos permite ampliar los esfuerzos de monitoreo a nivel mundial", dice Mac Aodha.
Su algoritmo se implementa actualmente como parte de un proyecto de monitoreo de murciélagos en tiempo real en el Parque Olímpico Queen Elizabeth en el este de Londres. El equipo ahora está trabajando para desarrollar sistemas que puedan extraer información más detallada de las grabaciones de audio, como elpresencia de especies específicas de murciélagos.
Fuente de la historia :
Materiales proporcionados por PLOS . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :