Analysis of individual identification and age-class classification of wild female macaque vocalizations without pitch- and formant-based acoustic parameter measurements

Die Studie zeigt, dass Mel-Spektrogramme in Kombination mit klassischen maschinellen Lernalgorithmen wie Random Forest und Support Vector Machine auch bei kleinen Datensätzen wilder japanischer Makaken eine hohe Genauigkeit sowohl für die individuelle Identifizierung als auch für die Altersklassifizierung weiblicher Tiere erreichen.

Das Wesentliche

🐒 Die akustischen Fingerabdrücke der wilden Makaken

Stellen Sie sich vor, Sie gehen durch einen dichten Wald und hören ein "Koo-Koo"-Geräusch. Können Sie sofort sagen, wer da ruft? Ist es die alte, weise Oma des Rudels oder die junge, energiegeladene Mutter? Und könnten Sie sogar den Namen des einzelnen Affen nennen, ohne ihn zu sehen?

Genau das wollten die Forscher in dieser Studie herausfinden. Sie haben eine neue Methode entwickelt, um wilde Japanische Makaken nur anhand ihrer Stimmen zu identifizieren – ganz ohne komplizierte Messungen von Tonhöhe oder Resonanz.

1. Das Problem: Der "Handwerker" vs. der "Künstliche Intelligenz"-Chef

Früher waren Wissenschaftler wie Handwerker, die jeden einzelnen Ton eines Affen mit dem Lineal und dem Messschieber vermessen haben (z. B. "Wie hoch ist die Stimme? Wie lang ist der Ruf?"). Das war mühsam und funktionierte nicht immer gut, besonders wenn man nur wenige Daten hatte.

Heute gibt es Künstliche Intelligenz (KI), die wie ein genialer Chef ist, der nicht jedes Detail einzeln misst, sondern das ganze Bild betrachtet. Aber diese KI braucht normalerweise riesige Datenberge (wie einen ganzen Ozean an Aufnahmen), um zu lernen. In der Wildnis hat man aber oft nur einen kleinen Teich an Daten.

Die Frage der Studie: Kann diese "KI-Methode" auch mit einem kleinen Teich an Daten zurechtkommen?

2. Die Lösung: Der "Mel-Spektrogramm"-Fingerabdruck

Die Forscher haben eine Technik namens Mel-Spektrogramm verwendet.

• Die Analogie: Stellen Sie sich vor, Sie werfen einen Stein in einen Teich. Die Wellen, die entstehen, sind einzigartig für diesen Stein und diesen Teich. Ein Mel-Spektrogramm ist wie ein Fotograf, der diese Wellenmuster einfriert. Es wandelt den Schall in ein farbiges Bild um, das die Struktur der Stimme zeigt, ohne dass man einzelne Zahlen messen muss.
• Die Forscher haben 651 dieser "Stimmen-Fotos" von sechs wilden Weibchen auf der Insel Yakushima gemacht.

3. Die zwei Aufgaben: Wer ist wer? und Wer ist alt?

Die KI bekam zwei Aufgaben gestellt:

• Aufgabe A: Das "Wer ist das?"-Spiel (Individuelle Identifizierung)
  Die KI musste raten: "Ist das Kapa, Rine oder Sasa?"

  • Das Ergebnis: Die KI war zu 81–82 % richtig. Das ist wie bei einem Quiz, bei dem man fast immer die richtige Antwort findet, auch wenn man nicht jeden Affen persönlich kennt.
  • Interessant: Manche Affen (wie "Sasa") hatten sehr eindeutige Stimmen, die leicht zu erkennen waren. Andere (wie "Kapa") klangen manchmal so ähnlich wie ihre Nachbarn, dass die KI verwirrt war.

• Aufgabe B: Das "Jung vs. Alt"-Spiel (Altersklassifizierung)
  Die KI musste unterscheiden zwischen jungen Affen (unter 10 Jahre) und alten Affen (über 20 Jahre).

  • Das Ergebnis: Hier war die KI noch besser! Sie lag bei 91–93 % richtig.
  • Warum? Die Forscher vermuten, dass alte Affen eine "raue" oder "kratzige" Stimme haben, ähnlich wie ein alter Baumstamm im Vergleich zu einem jungen Zweig. Die KI hat diese feinen, rauen Muster im "Fingerabdruck-Bild" sofort erkannt, auch ohne zu wissen, was "Rauheit" eigentlich ist.

4. Warum ist das wichtig?

Stellen Sie sich vor, Sie sind ein Förster, der wissen will, wie viele Affen in einem Wald leben. Früher musste man sie fangen, markieren und wieder freilassen (sehr stressig für die Tiere).
Mit dieser Methode kann man einfach ein Mikrofon aufstellen, die Stimmen aufnehmen und die KI sagen lassen: "Aha, das war wieder die alte Sazae, und das ist die junge Rine."

• Vorteil: Es ist nicht-invasiv (die Affen werden nicht gestört).
• Vorteil: Es funktioniert auch nachts, wenn man die Affen nicht sehen kann.

Fazit

Die Studie zeigt, dass man auch mit wenigen Daten aus der Wildnis sehr gut lernen kann, wer wer ist und wie alt jemand ist, wenn man die richtigen "Brillen" (die KI und die Spektrogramme) aufsetzt. Es ist, als würde man einem Computer beibringen, die Stimmen der Natur zu lesen, ohne dabei die Sprache der Wissenschaftler (die mathematischen Formeln) zu benutzen.

Kurz gesagt: Die KI kann jetzt die "Stimmen-Fingerabdrücke" wilder Affen lesen und dabei besser sein als wir Menschen, wenn es darum geht, alte von jungen Tieren zu unterscheiden.

Technische Zusammenfassung

Titel

Analyse der individuellen Identifizierung und Klassifizierung von Altersklassen bei wilden weiblichen Makaken-Vokalisationen ohne messungsbasierte akustische Parameter (Pitch- und Formanten-basiert)

1. Problemstellung

Bioakustische Studien zur Identifizierung von Individuen oder zur Klassifizierung von Altersgruppen bei Tieren basieren traditionell auf der manuellen Messung spezifischer akustischer Merkmale wie Grundfrequenz (Pitch) und Formanten. Diese herkömmlichen Methoden leiden unter Willkür bei der Merkmalsauswahl und mangelnder Allgemeingültigkeit.

Gleichzeitig erfordert der Einsatz moderner Deep-Learning-Methoden, die automatisch akustische Merkmale verarbeiten, typischerweise riesige, annotierte Datensätze (oft Tausende bis Millionen von Proben). Dies stellt ein erhebliches Hindernis für Studien an wildlebenden Tieren dar, wo die Beschaffung großer, ausgewogener Datensätze oft unmöglich oder extrem zeitaufwendig ist. Es fehlte bisher an validierten Modellen, die mit kleinen Datensätzen aus der Wildnis arbeiten und dabei auf manuelle Merkmalsextraktion verzichten.

2. Methodik

Datenerhebung:

• Objekt: Wildlebende Japanische Makaken (Macaca fuscata yakui) auf der Yakushima-Insel (Süd-Japan).
• Stichprobe: 6 erwachsene Weibchen (Alter: 7–25 Jahre) aus der "Petit"-Gruppe.
• Kontext: 651 "Coo"-Rufe (Kontaktrufe) wurden zwischen Oktober und Dezember 2023 aufgenommen.
• Aufnahme: Fokale Tier-Beobachtung mit Richtmikrofonen (Sennheiser MKE600) und Lavalier-Mikrofonen für Annotationen. Sampling-Rate: 48 kHz.
• Datenselektion: Nur Rufe mit geringem Hintergrundrauschen, klarer Zuordnung zum Sprecher und einer Dauer von unter 1 Sekunde wurden verwendet.

Vorverarbeitung und Merkmalsextraktion:

• Mel-Spektrogramme: Statt manueller Messung wurden Mel-Spektrogramme als automatisch extrahierte akustische Merkmale verwendet. Diese basieren auf der Frequenzempfindlichkeit des menschlichen Gehörs.
• Parameter: Erzeugt mit der Python-Bibliothek librosa (40 Mel-Bänder, 30-ms Fenstergröße, Hann-Fenster, Frequenzbereich 0–24 kHz).
• Normalisierung: Null-Padding zur Angleichung der Rufdauern und Z-Transformation zur Intensitätsnormalisierung.
• Dimensionalität: Jeder Ruf wurde in einen Vektor mit 10.360 Dimensionen umgewandelt.

Analyse und Klassifikation:

• Dimensionalitätsreduktion: UMAP (Uniform Manifold Approximation and Projection) wurde sowohl überwacht (mit Labels) als auch unüberwacht angewendet, um die Trennbarkeit der Klassen zu visualisieren und Silhouette-Scores zu berechnen.
• Klassifikatoren: Zwei maschinelle Lernalgorithmen wurden trainiert:
  1. Random Forest (RF)
  2. Support Vector Machine (SVM)
• Aufgaben:
  1. Individuelle Identifizierung: Unterscheidung der 6 Weibchen.
  2. Altersklassen-Klassifizierung: Unterscheidung zwischen "jüngeren" (<10 Jahre) und "älteren" (>20 Jahre) Tieren.
• Validierung: 1000 Iterationen mit zufälliger Aufteilung (80 Rufe pro Individuum; 64 zum Training, 16 zum Test). Hyperparameter wurden mittels Grid Search und Kreuzvalidierung optimiert.
• Metrik: Ausgewogene Genauigkeit (Balanced Accuracy), um Verzerrungen durch unausgeglichene Stichprobengrößen zu minimieren.

3. Wichtige Ergebnisse

Individuelle Identifizierung:

• Genauigkeit: Die mittlere ausgewogene Genauigkeit betrug 81 % für Random Forest und 82 % für SVM.
• Variabilität: Die Genauigkeit variierte zwischen den Individuen (68–94 %). Sasa wurde am besten, Kapa am schlechtesten identifiziert.
• Fehleranalyse: Die Hauptfehler traten bei der Verwechslung zwischen Kapa, Rine und Taiwu auf. Etwa 55 von 651 Rufen wurden als "niedrige Genauigkeit" (<1/6) klassifiziert, während 447 Rufe eine hohe Genauigkeit (>0,9) aufwiesen.
• UMAP-Ergebnisse: Überwachtes UMAP zeigte klare Clusterbildung nach Individuum (mittlerer Silhouette-Score: 0,60), während unüberwachtes UMAP keine klaren Cluster bildete (Score: 0,05).

Altersklassen-Klassifizierung:

• Genauigkeit: Die Leistung war hier deutlich höher: 91 % für Random Forest und 93 % für SVM.
• Klassenleistung: Junge Tiere wurden zu über 98 % korrekt klassifiziert, ältere Tiere zu <87 %. Fehler bestanden hauptsächlich darin, dass Rufe älterer Tiere fälschlicherweise als Rufe jüngerer Tiere klassifiziert wurden.
• Merkmale: Die hohe Genauigkeit wird darauf zurückgeführt, dass Mel-Spektrogramme globale spektrale Muster erfassen, die altersbedingte Veränderungen (wie "Härte" oder Rauheit der Stimme) implizit abbilden, die durch einzelne Parameter schwer zu messen sind.

4. Hauptbeiträge und Signifikanz

• Effektivität bei kleinen Datensätzen: Die Studie belegt, dass automatisch extrahierte Merkmale (Mel-Spektrogramme) in Kombination mit klassischen ML-Modellen (RF, SVM) auch mit relativ kleinen Datensätzen (ca. 100 Rufe pro Individuum) aus der Wildnis hohe Klassifizierungsraten erreichen. Dies umgeht das Problem des "Data Hunger" von Deep-Learning-Modellen.
• Verzicht auf manuelle Merkmalsextraktion: Der Ansatz eliminiert die Subjektivität und die Notwendigkeit, artspezifische akustische Parameter manuell zu definieren und zu messen.
• Anwendbarkeit für Wildtierforschung: Die Methode ermöglicht nicht-invasive Bestandszählungen und Verhaltensstudien (z. B. Mark-Recapture-Methoden basierend auf Stimmen), auch in schwer zugänglichen Gebieten oder nachts.
• Alterserkennung: Die hohe Genauigkeit bei der Altersklassifizierung deutet darauf hin, dass Mel-Spektrogramme subtile, altersbedingte physiologische Veränderungen (z. B. Stimmveränderungen durch Seneszenz) effektiv erfassen können, ohne dass diese explizit definiert werden müssen.

5. Einschränkungen und Ausblick

• Stichprobengröße: Die Altersklassifizierung basierte nur auf zwei sehr alten Weibchen. Es besteht die Gefahr, dass das Modell individuelle Merkmale dieser spezifischen Tiere statt allgemeiner Altersmerkmale gelernt hat.
• Verallgemeinerbarkeit: Weitere Studien sind notwendig, um zu prüfen, ob diese Genauigkeit bei größeren Populationen, einschließlich Männchen und verschiedener Altersgruppen, reproduzierbar ist.
• Interpretierbarkeit: Es bleibt unklar, welche spezifischen akustischen Eigenschaften (z. B. Rauheit, Formantenverschiebung) exakt zur Altersklassifizierung beitragen, da Mel-Spektrogramme als "Black Box" fungieren.

Fazit: Die Studie demonstriert erfolgreich, dass moderne maschinelle Lernverfahren mit Mel-Spektrogrammen eine robuste Alternative zu traditionellen bioakustischen Methoden darstellen, insbesondere für die Analyse kleiner, wilder Datensätze zur individuellen und altersbasierten Identifizierung.