???item.export.label??? ???item.export.type.endnote??? ???item.export.type.bibtex???

Please use this identifier to cite or link to this item: http://tede.ufam.edu.br/handle/tede/6014
???metadata.dc.type???: Tese
Title: Uma abordagem para monitoramento de anuros baseada em processamento digital de sinais bioacústicos
???metadata.dc.creator???: Colonna, Juan Gabriel 
???metadata.dc.contributor.advisor1???: Nakamura, Eduardo Freire
???metadata.dc.description.resumo???: 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.
Abstract: Wildlife monitoring is often used by biologists and ecologists to acquire information about animals and their natural habitats. In survey programs, specialists collect environmental information to infer about animal population status and their variations over time. The main goal of such programs is to identify environmental problems in early stages. However, acquiring the necessary data for this purpose is a manual work and must be carried out by groups of experts in areas of di cult access during long periods of time. In this context, Wireless Sensor Networks (WSNs) are useful alternatives to alleviate the manual work. Such networks are made up of small sensors with transmission, storage, and local processing capabilities. These networks enable bioacoustic methods for automatic species recognition to be embedded in the sensor nodes in order to automate and simplify the monitoring task. Since animal sounds usually provide a species ngerprint, it can be used to recognize the presence or absence of a target species in a site. Accordingly, in this thesis, we present an approach that combines machine learning methods, WSNs and bioacoustic signal processing techniques for wildlife monitoring based on animal calls. 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. Our solution integrates four fundamental steps: noise ltering and bioacoustic signal enhancement, automatic signal segmentation, acoustic features extraction, and classi cation. We also consider the WSNs limitations, trying to reduce the communication and processing load to extend the sensors' lifetime. To accomplish with the restriction imposed by the hardware, we represent the acoustic signals by a set of low-level acoustic descriptors (LLDs or features). This representation allows us to identify speci c signal patterns of each species, reducing the amount of information necessary to classify it. The adverse environmental conditions of the rainforest pose additional challenges, such as noise ltering. We developed a ltering method based on Singular Spectrum Analysis (SSA). This choice was based on several comparisons with other ltering methods. The SSA method has additional advantages: it is non-parametric, it adapts to the di erent input signals, and it has an equivalent
Keywords: 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
???metadata.dc.subject.cnpq???: CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO
Language: por
???metadata.dc.publisher.country???: Brasil
Publisher: Universidade Federal do Amazonas
???metadata.dc.publisher.initials???: UFAM
???metadata.dc.publisher.department???: Instituto de Computação
???metadata.dc.publisher.program???: Programa de Pós-graduação em Informática
Citation: COLONNA, Juan Gabriel. Uma abordagem para monitoramento de anuros baseada em processamento digital de sinais bioacústicos. 2017. 287 f. Tese (Doutorado em Informática) - Universidade Federal do Amazonas, Manaus, 2017.
???metadata.dc.rights???: Acesso Aberto
URI: http://tede.ufam.edu.br/handle/tede/6014
Issue Date: 15-Sep-2017
Appears in Collections:Doutorado em Informática

Files in This Item:
File Description SizeFormat 
Tese - Juan G Colonna.pdf14.57 MBAdobe PDFThumbnail

Download/Open Preview


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.