@PHDTHESIS{ 2017:749371905,
 	title = {Uma abordagem para monitoramento de anuros baseada em processamento digital de sinais bioac?sticos},
 	year = {2017},
 	url = "http://tede.ufam.edu.br/handle/tede/6014",
 	abstract = "O monitoramento de animais silvestres em seu habitat natural ? objeto de estudo de
 bi?logos e ec?logos que coletam informa??es ambientais para inferir o estado das popula
 ??es animais e suas varia??es ao longo do tempo. Um objetivo espec? co desses
 estudos ? identi car problemas ecol?gicos em est?gios iniciais. No entanto, a coleta
 das informa??es ? um trabalho manual que deve ser realizado por um grupo de especialistas
 em ?reas de dif?cil acesso durante per?odos de tempo prolongados. Neste
 contexto, as Redes de Sensores Sem Fio (RSSF) s?o uma alternativa vi?vel ao monitoramento
 manual. Estas redes s?o constitu?das por pequenos sensores com capacidade
 de transmiss?o, armazenamento e processamento local. Isto possibilita que m?todos
 bioac?sticos para reconhecimento autom?tico de esp?cies sejam embarcados nos n?s
 sensores para automatizar e simpli car a tarefa de monitoramento. Como os sons produzidos
 pelos animais oferecem uma impress?o digital bioac?stica, esta pode ser usada
 para identi car a presen?a ou aus?ncia de uma esp?cie particular em uma regi?o. Neste
 trabalho, apresentamos uma abordagem que utiliza aprendizagem de m?quina, RSSF e
 processamento digital de sinais bioac?sticos para reconhecer esp?cies animais com base
 em suas vocaliza??es. Como prova-de-conceito, aplicamos nossa solu??o para identi-
  car de forma autom?tica diferentes esp?cies de anuros. Escolhemos anuros uma vez
 que s?o utilizados como indicadores precoces de estresse ecol?gico, pelo fato de serem
 sens?veis ?s mudan?as do habitat e oferecerem informa??es sobre os ecossistemas terrestre
 e aqu?tico. Nossa abordagem integra quatro opera??es fundamentais: filtragem
 de ru?dos e aprimoramento dos sinais ac?sticos, segmenta??o autom?tica desses sinais,
 extra??o de descritores ac?sticos e classifica??o. Al?m disso, nossa solu??o considera
 as limita??es de RSSF, buscando reduzir a carga de processamento e comunica??o
 para prolongar o tempo de vida dos sensores. Portanto, representamos os sinais por
 um conjunto de descritores ac?sticos de baixo n?vel (Low-Level Acoustic Descriptors
 - LLDs) conhecidos como Mel Frequency Cepstral Coe cients (MFCCs). A t?cnica
 escolhida para filtrar os ru?dos ambientais foi o Singular Spectrum Analysis (SSA),
 esta escolha foi baseada nas diversas compara??es que  zemos com outros m?todos
 de filtragem. Al?m disso, o SSA ? n?o param?trico, se adapta ao coaxar de cada esp?cie e possui um esquema equivalente na teoria de  ltros FIR, o que possibilita ter
 uma implementa??o com complexidade computacional constante. Ainda no m?todo
 de  ltragem, desenvolvemos uma vers?o robusta do SSA. Esta nova vers?o ? mais tolerante
 aos diferentes ru?dos ambientais, sejam estes Gaussianos ou n?o. A robustez
 tamb?m permitiu identi car os componentes ac?sticos causados pelos ru?dos ambientais
 associados com as baixas frequ?ncias. No que diz respeito ? segmenta??o, primeiro
 realizamos uma compara??o entre diferentes LLDs baseados na teoria da informa??o.
 Nesta etapa, desenvolvemos um m?todo n?o supervisionado capaz de se adaptar ?s diferentes
 condi??es de ru?dos ambientais, sejam estes branco ou coloridos. Na segunda
 etapa, adaptamos dois dos LLDs comparados para funcionamento incremental. Assim,
 foi poss?vel de nir uma metodologia para segmentar os sinais ac?sticos em tempo real
 com custo de mem?ria constante, ideal para ser embarcado em um n? sensor de baixo
 custo e obter as por??es dos ?udios que possuem as informa??es relevantes para o reconhecimento
 das esp?cies. Finalmente, avaliamos diferentes estrat?gias de classi ca??o
 e propusemos uma nova forma de valida??o cruzada para avaliar a capacidade de generaliza
 ??o do m?todo. Portanto, a valida??o cruzada tradicional de s?laba-por-s?laba foi
 substitu?da por uma valida??o cruzada que separa diferentes indiv?duos nos conjuntos
 de teste e treinamento. Isto viabilizou uma avalia??o mais justa e permitiu estimar o
 comportamento  nal que o m?todo de classi ca??o embarcado no n? sensor teria em
 uma situa??o real. Dentre os m?todos de classi ca??o planos comparados descobrimos
 que SVM e kNN s?o os mais promissores. Todavia, propomos e desenvolvemos uma
 estrat?gia de classi ca??o hier?rquica multir?tulo para decompor e simpli car o espa?o
 de decis?es do classi cador e simultaneamente reconhecer a fam?lia, o g?nero e a esp?cie
 de cada amostra. Isto nos permite concluir que nossa abordagem ?  ex?vel o su ciente
 para se adaptar aos diferentes cen?rios monitorados, sem deixar de otimizar a rela??o
 custo-benef?cio da solu??o de monitoramento proposta.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de P?s-gradua??o em Inform?tica},
 	note = {Instituto de Computa??o}
}