An Open Reproducible Framework for CNN-Based Cetacean Vocalization Detection in Passive Acoustic Monitoring

ملخص تقني: إطار عمل مفتوح وقابل لإعادة الإنتاج للكشف عن أصوات الحيتانيات القائم على الشبكات العصبية الالتفافية (CNN)

بيان المشكلة
تعد المراقبة الصوتية السلبية (PAM) أمراً بالغ الأهمية لأبحاث الحيتانيات، ومع ذلك، غالباً ما يفتقر هذا المجال إلى سير عمل معياري وقابل لإعادة الإنتاج لعمليات الكشف والتصنيف القائمة على الشبكات العصبية الالتفافية (CNN). وتوجد فجوة محددة في فهم كيفية تأثير خيارات المعالجة المسبقة — التي غالباً ما تُعامل كتفاصيل تنفيذ ثانوية — على تعميم النموذج عبر المجالات الصوتية المختلفة. علاوة على ذلك، هناك حاة إلى أدوات مفتوحة المصدر تسمح بالتقييم المنهجي للمعلمات مع ضمان إمكانية إعادة إنتاج التجارب بدقة تامة.

المنهجية
يقدم البحث إطار عمل منهجي يتكون من ست مراحل تم تنفيذه عبر الأداة مفتوحة المص المصدر ai-pam-pipeline. تم تصميم هذا الإطار ليكون قابلاً للتعميم عبر الأنواع، وهو مُعامل بالكامل عبر ملف تكوين واحد، مما يضمن إمكانية تكرار الظروف التجريبية بدقة. تستخدم المنهجية الشبكات العصبية الالتفافية (CNN) لكل من الكشف الثنائي والتصنيف متعدد الفئات لأصوات الحيتانيات.

وللتحقق من صحة إطار العمل، أجرى المؤلفون تجربتين رئيسيتين:

1. التجربة (أ) (الكشف الثنائي): بحثت هذه الدراسة في تأثير طول نافذة تحويل فوريه السريع (FFT) ($N_{fft}$) على اكتشاف صفير دلفين المحيط الأطلسي (Tursiops truncatus). اختبرت الدراسة ثلاثة أطوال للنافذة: 256، 512، و1024. تم إجراء التقييم باستخدام التحقق المتبادل ذو الـ 10 طيات الطبقي على مجموعتي بيانات: مجموعة بيانات داخل النطاق (Oltremare، 192 كيلو هرتز) ومعيار عابر للنطاقات (DCLDE 2022).
2. التجربة (ب) (التصنيف متعدد الفئات): أظهرت هذه التجربة قدرة إطار العمل على تصنيف خمس فئات متميزة من أصوات T. truncatus.

النتائج الرئيسية

• الأداء داخل النطاق: في مجموعة البيانات داخل النطاق، كان الأداء مرتفعاً بشكل موحد عبر جميع تكوينات $N_{fft}$، مع درجة F1 كليّة (macro F1 score) بلغت حوالي 0.98. وأظهر التحليل الإحصائي (اختبار ويلكوكسون) عدم وجود فروق ذات دلالة إحصائية بين أطوال النوافذ ($p > 0.05$).
• الأداء العابر للنطاقات: تباينت النتائج بشكل كبير عند تطبيقها على المعيار العابر للنطاقات. حيث ثبت أن $N_{fft}$ بقيمة 256 يتفوق بشكل ملحوظ على أطوال النوافذ الأكبر ($p = 0.006$، معامل رانك-بيزيريال $r = 0.89$).
• آلية التفوق: يعزو المؤلفون التفوق في الأداء عند طول النافذة الأصغر إلى "تأثير تضخيم إعادة أخذ العينات" (upsampling amplification effect). فالأجزاء الطيفية الأكثر خشونة (الناتجة عن $N_{fft}$ أصغر) تنتج آثار تردد معدل (FM) أوسع وأعلى تبايناً بعد إعادة أخذ عينات المخططات الطيفية ثنائية الخطية (bilinearly resampled) إلى أبعاد صور ثابتة لمدخلات الشبكة العصبية.
• ثبات العتبة: وُجد أن ميزة $N_{fft} = 256$ كانت مستقلة عن العتبة. حيث ظلت الدقة (Precision) عند 1.000 عبر جميع التكوينات وعتبات القرار ($\theta \in [0.1, 0.9]$)، مما يؤكد أن مكسب الأداء ليس ناتجاً عن خيارات عتبة محددة.
• القدرة متعددة الفئات: في تجربة التصنيف متعدد الفئات، حقق إطار العمل درجة F1 كليّة بلغت 0.843. وأشار التحليل إلى أن التداخل بين الفئات (inter-class confusion) بين سلاسل النقرات وأصوات النبضات المتفجرة يعكس تداخلاً بيولوجياً في الإشارة وليس فشلاً في المصنف.

الأهمية والادعاءات
يدعي البحث أن خيارات المعالجة المسبقة، التي غالباً ما يتم التغاضي عنها كأنها تفاصيل تنفيذ بسيطة، يمكن أن تؤثر بشكل كبير على التعميم العابر للنطاقات في مهام المراقبة الصوتية السلبية (PAM). وبينما استخدمت الدراسة $N_{fft}$ كحالة دراسية مضبوطة، فإن الأهمية الأساسية لعمل البحث تكمن في إطار العمل ai-pam-pipeline نفسه. ويفترض المؤلفون أن هذه الأداة تمكن من التقييم المنهجي والقابل لإعادة الإنتاج لأي معلمات معالجة مسبقة ضمن بروتوكول تجريبي موحد. ومن خلال توفير حل مفتوح المصدر ومُعامل بالكامل، يهدف إطار العمل إلى توحيد كيفية تقييم الباحثين للإبلاغ عن آثار الاختلافات المنهجية في اكتشاف أصوات الحيتانيات.