Exploring Feature Extraction Technique Parameters for Acoustic Gunshot Classification

Resumen Técnico: Exploración de los Parámetros de la Técnica de Extracción de Características para la Clasificación Acústica de Disparos

Planteamiento del Problema
La detección y clasificación acústica de disparos es una capacidad crítica para la seguridad pública civil, las operaciones militares y la conservación de la vida silvestre. Sin embargo, el campo carece de una exploración rigurosa de las técnicas de extracción de características enfocadas específicamente en la generalización hacia datos realistas y diversos. Aunque existen sistemas comerciales como ShotSpotter, estos enfrentan desafíos significativos para distinguir los disparos de otros sonidos urbanos impulsivos (por ejemplo, fuegos artificiales o el estallido de motores), y a menudo carecen de una precisión verificada independientemente con respecto a la clasificación del tipo de arma de fuego. La literatura actual ofrece conjuntos de parámetros inconsistentes para la extracción de características sin una justificación sistemática, lo que deja un vacío en la comprensión de cómo configuraciones específicas impactan el rendimiento del modelo en escenarios del mundo real.

Metodología
Los autores llevaron a cabo una investigación sistemática utilizando un conjunto de datos a gran escala que comprende 22,306 grabaciones de disparos de 21 calibres y 85 armas de fuego únicas. El conjunto de datos fue agregado de cinco fuentes de acceso abierto, incluyendo datos recolectados en vivo de Certus Innovations, el conjunto de datos C3GD y la Free Firearm Sound Library.

El estudio se centró en tres técnicas primarias de extracción de características:

1. Espectrogramas de la Transformada de Fourier de Tiempo Corto (STFT): Representaciones de frecuencia lineal.
2. Espectrogramas Log-Mel: Representaciones motivadas perceptualmente utilizando un deformado de escala de frecuencia Mel.
3. Coeficientes Cepstrales en las Frecuencias Mel (MFCCs): Coeficientes compactos derivados del banco de filtros log-mel mediante la Transformada Discreta de Coseno.

Los autores evaluaron 12 conjuntos de parámetros únicos a través de estas técnicas, variando hiperparámetros críticos incluyendo:

• Longitud de la Ventana FFT: Con un rango de 512 a 2048 muestras.
• Longitud de Salto (Hop Length): Probando un solapamiento estándar del 50% contra un solapamiento ideal matemático del 75% (para ventanas Hann/Hamming) para minimizar la fuga espectral.
• Escalamiento de Frecuencia: Comparando el escalamiento de amplitud lineal frente al logarítmico (dB).
• Bancos de Filtros Mel: Probando 64, 128 y 256 bandas.
• Coeficientes Cepstrales: Probando 20, 30 y 40 coeficientes para MFCCs.

Todos los experimentos utilizaron una arquitectura ResNet-18 (modificada para entrada de canal único y 21 clases de salida) entrenada con PyTorch. Para asegurar la robustez, el estudio incorporó aumentación de datos (desplazamiento temporal, ruido gaussiano y ajuste de ganancia) y ejecutó cada experimento cinco veces con diferentes semillas aleatorias.

Resultados Clave
Los experimentos arrojaron las siguientes métricas de rendimiento (Precisión Top-1):

• Espectrogramas Log-Mel: Alcanzaron el mayor rendimiento, con una precisión máxima del 96.66% (utilizando el conjunto de parámetros "Hann Ideal") y una precisión media del 95.82%. Este método demostró los resultados más consistentes a través de diferentes configuraciones de parámetros.
• Espectrogramas STFT: Desempeñaron un papel sólido con una precisión máxima del 95.81% y un promedio de 94.10%. Notablemente, los STFT de amplitud lineal funcionaron significativamente peor que las versiones escaladas en dB, y una mayor resolución de frecuencia (FFT de 2048) resultó en una menor precisión en comparación con las configuraciones centradas en el tiempo.
• MFCCs: Desempeñaron significativamente por debajo de los otros métodos, con una precisión máxima del 85.24% y un promedio de 82.20%. Los MFCCs también exhibieron la mayor varianza en los resultados.

El estudio encontró que el conjunto de parámetros "Hann Ideal" (que utiliza una longitud de salto del 75% para una supresión óptima de los lóbulos laterales) produjo los resultados más estables y precisos para los espectrogramas Log-Mel, resaltando la importancia del parámetro de longitud de salto, a menudo pasado por alto. Además, los resultados sugieren que las características en el dominio del tiempo pueden contener información más discriminativa para los disparos que las características basadas en la frecuencia, como lo evidencia el desempeño superior de las configuraciones que favorecen la resolución temporal.

Significancia y Reivindicaciones
El artículo sostiene que la selección de las técnicas de extracción de características y sus parámetros específicos es un factor decisivo en la clasificación acústica de disparos, capaz de mejorar la precisión Top-1 hasta en un 20% en comparación con elecciones subóptimas. Específicamente, los autores demuestran que:

1. Los Espectrogramas Log-Mel son la representación de entrada dominante para esta tarea, superando tanto a los STFT como a los MFCCs.
2. El ajuste de parámetros es crítico: Utilizar los parámetros correctos para una técnica dada (por ejemplo, longitud de salto, tamaño de FFT) puede mejorar la precisión en un 4.7% adicional.
3. Los MFCCs no son universalmente óptimos: Contrario a su popularidad en el reconocimiento de voz, los MFCCs proporcionaron un desempeño pobre y una alta varianza para la clasificación de disparos, desafiando la suposición de que los modelos de percepción auditiva humana se traducen bien a eventos acústicos no biológicos como los disparos.
4. La generalización es clave: El estudio enfatiza que los sistemas robustos deben generalizarse a través de diversas armas de fuego, calibres y condiciones de grabación, en lugar de depender de un rendimiento estrecho en entornos controlados.

Los autores concluyen que ningún enfoque de extracción de características domina universalmente; por lo tanto, encontrar la técnica óptima y el conjunto de parámetros debe ser un paso central en el desarrollo de modelos para la clasificación acústica de disparos. También señalan que el trabajo futuro debe abordar el componente de la onda de choque supersónica, poco explorado, en el audio de los disparos, que a menudo falta en los conjuntos de datos abiertos actuales.