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

Este estudio demuestra que el uso de espectrogramas mel, procesados automáticamente mediante algoritmos de aprendizaje automático como Random Forest y SVM, permite identificar individuos y clasificar grupos de edad en vocalizaciones de macacos japoneses salvajes con alta precisión, incluso con conjuntos de datos pequeños.

Lo esencial

¡Claro que sí! Imagina que eres un detective en la selva, pero en lugar de buscar huellas dactilares, estás buscando voces.

Aquí tienes la explicación de este estudio sobre los macacos salvajes, contada como si fuera una historia:

🎙️ El Problema: ¿Quién está hablando?

Imagina que estás en un parque lleno de gente hablando a la vez. Si cierras los ojos, ¿podrías distinguir la voz de tu mejor amigo de la de un extraño? ¿Podrías decir si alguien es un niño o un abuelo solo por cómo habla?

Los científicos han intentado hacer esto con los macacos japoneses durante décadas. Antes, para "escuchar" a los monos, los investigadores tenían que actuar como ingenieros de audio muy estrictos. Tenían que medir cosas específicas:

• ¿Qué tan agudo es el tono? (Como medir la altura de una nota musical).
• ¿Cómo suena la resonancia? (Como medir el tamaño de una caja de resonancia).

El problema es que esto es como intentar adivinar quién es alguien midiendo solo la longitud de su nariz. A veces funciona, pero es difícil, lento y a veces se equivocan porque cada mono es un poco diferente. Además, en la naturaleza, el viento y el ruido de los ríos hacen que estas mediciones sean muy complicadas.

🤖 La Nueva Solución: El "Oído" de la Inteligencia Artificial

En este estudio, los investigadores (liderados por Kimpara) decidieron probar algo nuevo. En lugar de medir notas musicales específicas, usaron una Inteligencia Artificial (un cerebro de computadora) que funciona como un chef experto.

En lugar de pedirle al chef que mida exactamente cuánta sal o pimienta hay en la sopa, le dieron un retrato completo de la sopa (llamado espectrograma de mel).

• ¿Qué es un espectrograma? Imagina que es una foto de sonido. En lugar de ver ondas, ves un mapa de colores donde los colores brillantes son sonidos fuertes y las formas muestran cómo cambia la voz con el tiempo. Es como ver la "huella dactilar visual" de un grito.

La computadora aprendió a mirar estas "fotos de sonido" y decir: "¡Esa foto parece a la macaca Sasa!" o "¡Esa otra foto parece a una macaca vieja!".

🐒 La Misión: Dos Retos

Los científicos probaron a la computadora con dos juegos diferentes usando 651 llamadas de "coo" (un sonido suave que usan los monos para decir "estoy aquí, no te preocupes") de 6 hembras adultas en la isla de Yakushima.

1. El Juego de "¿Quién soy yo?" (Identificación Individual)

• El reto: La computadora tenía que adivinar de cuál de las 6 hembras provenía la voz.
• El resultado: ¡Lo hizo genial! Acertó el 81-82% de las veces.
• La analogía: Es como si le mostraran 6 fotos de amigos a un niño y le dijeran: "Escucha este audio, ¿quién es?". El niño acertaría en 8 de cada 10 intentos.
• El detalle curioso: A algunas macacas (como "Kapa") les costó más distinguirlas porque sus voces son muy parecidas a las de sus amigas, o quizás porque a veces imitan a las otras. Pero en general, la IA pudo separarlas muy bien.

2. El Juego de "¿Joven o Vieja?" (Clasificación por Edad)

• El reto: Separar a las macacas jóvenes (menos de 10 años) de las ancianas (más de 20 años).
• El resultado: ¡Fue aún mejor! Acertó el 91-93% de las veces.
• La analogía: Imagina que las voces de los jóvenes son como instrumentos de madera nuevos: suenan limpios y brillantes. Las voces de las ancianas son como instrumentos viejos que han sido tocados mucho tiempo: tienen un poco de "áspero" o "rasposo" (como un papel de lija suave).
• El secreto: La computadora no midió la "edad" directamente. Simplemente vio en la "foto de sonido" ese rasgo áspero que aparece cuando los monos envejecen y lo usó para separar a los jóvenes de los mayores. ¡Fue tan bueno que casi nunca se equivocó!

💡 ¿Por qué es esto importante?

Antes, para estudiar a los monos, los científicos tenían que ir a la selva, grabar, medir notas musicales una por una y pasar horas en el laboratorio. Era como intentar contar las estrellas con una lupa.

Con este nuevo método:

1. Es más fácil: La computadora hace todo el trabajo pesado de "medir".
2. Funciona con poco: Normalmente, la Inteligencia Artificial necesita millones de datos para aprender. Pero aquí, con solo unas pocas cientos de llamadas, la computadora aprendió muy bien. ¡Es como si un estudiante aprendiera a tocar el piano en una semana en lugar de años!
3. Es para la vida real: Funciona con grabaciones reales de la selva, con viento y ruido de fondo, no solo en un laboratorio silencioso.

🌟 En resumen

Este estudio nos dice que la inteligencia artificial puede escuchar a los animales salvajes y reconocerlos como si fuera un amigo muy cercano, sin necesidad de ser un experto en física del sonido.

Es como darles a los científicos unas gafas mágicas que les permiten ver la identidad y la edad de los monos solo mirando sus voces. Esto abrirá la puerta para estudiar a muchos más animales en la naturaleza, ayudándonos a protegerlos mejor sin molestarlos. ¡Es una victoria para la ciencia y para los monos! 🐒🎉

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Identificación individual y clasificación de clases de edad en vocalizaciones de macacos salvajes sin mediciones de parámetros acústicos basados en tono y formantes.

Autores: Kimpara, R. et al.
Objeto de estudio: Macacos japoneses salvajes (Macaca fuscata yakui).

---

1. Planteamiento del Problema

Los estudios bioacústicos tradicionales para la identificación individual y la clasificación de repertorios vocales en primates han dependido históricamente de la medición manual de características acústicas específicas (como la frecuencia fundamental, el tono y los formantes). Sin embargo, estos enfoques presentan limitaciones:

• Subjetividad: La selección de características es a menudo arbitraria.
• Falta de versatilidad: Las definiciones de características acústicas suelen ser específicas de cada especie.
• Dependencia de datos masivos: Las técnicas modernas de aprendizaje profundo (Deep Learning) suelen requerir conjuntos de datos supervisados masivos (miles a millones de muestras), lo cual es difícil de obtener en estudios de campo con animales salvajes debido al tiempo y las dificultades logísticas.
• Brecha de investigación: No existían modelos validados que utilizaran características acústicas procesadas automáticamente (como espectrogramas) para identificar individuos o clasificar edades en conjuntos de datos relativamente pequeños y ruidosos de campo.

El objetivo de este estudio fue evaluar si las espectrogramas Mel (características acústicas procesadas automáticamente) son efectivas para tareas de clasificación en datos acústicos a pequeña escala, específicamente para:

1. Identificación individual de hembras adultas.
2. Clasificación de clases de edad (jóvenes <10 años vs. mayores >20 años).

---

2. Metodología

Recolección de Datos

• Sitio: Isla de Yakushima, Japón. Grupo "Petit" (aprox. 33 individuos).
• Muestra: Se seleccionaron 6 hembras adultas (Kapa, Rine, Sasa, Sazae, Taiko, Taiwu) con edades conocidas o estimadas.
  • Jóvenes (<10 años): Kapa (9), Rine (8), Sasa (7), Taiwu (9).
  • Mayores (>20 años): Sazae (21-22), Taiko (23-25).
• Grabaciones: Se realizaron 112 horas de observación focal entre octubre y diciembre de 2023. Se utilizaron micrófonos direccionales y lavalier para registrar las llamadas "coo" (llamadas de contacto) y las anotaciones de los observadores.
• Selección de Datos: De 1181 grabaciones, se filtraron 651 llamadas "coo" de alta calidad que cumplían criterios estrictos: bajo ruido de fondo, sin superposición de otros individuos, vocalizador identificado con certeza y duración <1 segundo.

Preprocesamiento y Extracción de Características

• Espectrogramas Mel: En lugar de medir parámetros manuales, se generaron espectrogramas Mel utilizando la biblioteca librosa en Python.
  • Parámetros clave: 40 bandas Mel, ventana STFT de 30 ms, salto (hop size) de 3.75 ms, rango de frecuencia 0-24000 Hz.
  • Normalización: Se aplicó relleno con ceros (zero-padding) para igualar la duración de las llamadas y transformación Z para normalizar la intensidad.
  • Dimensionalidad: Cada llamada resultó en un vector de entrada de 10,360 dimensiones.

Análisis y Modelado

• Reducción de Dimensionalidad: Se utilizó UMAP (Uniform Manifold Approximation and Projection) tanto en modo supervisado (usando etiquetas de identidad/edad) como no supervisado para visualizar la separabilidad de las clases. Se calcularon puntuaciones de silueta y distancias intra/interclase.
• Clasificadores: Se entrenaron dos algoritmos de aprendizaje automático:
  1. Random Forest (RF)
  2. Máquinas de Vectores de Soporte (SVM)
• Validación: Se realizó un proceso de train-test split repetido 1000 veces. En cada iteración, se seleccionaron aleatoriamente 80 llamadas por individuo (64 para entrenamiento, 16 para prueba).
• Métrica de Evaluación: Se utilizó la precisión equilibrada (balanced accuracy) para mitigar el sesgo debido a tamaños de muestra desiguales entre individuos.
• Ajuste de Hiperparámetros: Se utilizó búsqueda en cuadrícula (grid search) con validación cruzada para optimizar los parámetros de RF y SVM.

---

3. Contribuciones Clave

1. Validación de características automáticas en pequeños conjuntos de datos: Demostró que los espectrogramas Mel, combinados con clasificadores tradicionales (RF/SVM), pueden lograr un alto rendimiento en bioacústica sin necesidad de grandes volúmenes de datos ni de Deep Learning complejo.
2. Enfoque sin medición manual: Elimina la necesidad de definir manualmente características acústicas específicas (tono, formantes), lo que reduce el sesgo del investigador y la dependencia de características específicas de la especie.
3. Análisis de senescencia vocal: Proporciona evidencia de que las características acústicas globales capturadas por los espectrogramas Mel pueden reflejar cambios relacionados con la edad (senescencia) en primates no humanos, un área poco explorada en bioacústica.

---

4. Resultados

Identificación Individual

• Rendimiento:
  • Random Forest: Precisión equilibrada media del 81%.
  • SVM: Precisión equilibrada media del 82%.
• Análisis de UMAP: El UMAP supervisado mostró una separación clara entre individuos (puntuación de silueta media de 0.60), mientras que el no supervisado no logró agrupaciones claras (0.05).
• Variabilidad: La precisión varió por individuo (rango 0.68 - 0.94). Los errores se concentraron principalmente en la confusión entre Kapa, Rine y Taiwu.
• Análisis de llamadas: Las llamadas se dividieron claramente en "alta precisión" (>90%) y "baja precisión" (<1/6). Más de la mitad de las llamadas alcanzaron una precisión superior al 90%.

Clasificación de Edad (Jóvenes vs. Mayores)

• Rendimiento:
  • Random Forest: Precisión equilibrada media del 91%.
  • SVM: Precisión equilibrada media del 93%.
• Desempeño por grupo: La precisión para los individuos jóvenes fue extremadamente alta (>98%), mientras que para los mayores fue menor (<87%), lo que indica que los errores consistieron principalmente en clasificar llamadas de mayores como de jóvenes.
• Análisis de UMAP: La separación entre clases de edad fue muy marcada en el UMAP supervisado (puntuaciones de silueta de 0.86 y 0.80), sugiriendo que los espectrogramas capturan patrones globales asociados a la edad (posiblemente "aspereza" o harshness vocal).

---

5. Significado e Implicaciones

• Viabilidad en campo: El estudio demuestra que es posible realizar identificación individual y clasificación de edad en macacos salvajes utilizando datos de campo ruidosos y conjuntos de datos pequeños, sin necesidad de equipamiento de laboratorio controlado.
• Herramienta para estimación de densidad: La identificación vocal precisa (especialmente con la alta precisión de las llamadas "fáciles" de discriminar) puede facilitar métodos de marcaje y recaptura no invasivos, permitiendo estimar poblaciones incluso de noche o en condiciones de baja visibilidad.
• Comprensión de la senescencia: Los resultados sugieren que los cambios fisiológicos asociados al envejecimiento (como la degradación de las cuerdas vocales que generan aspereza) dejan una huella detectable en los espectrogramas Mel, incluso sin medir explícitamente parámetros como la relación señal-ruido o la frecuencia fundamental.
• Limitaciones y Futuro: El estudio señala que la clasificación de edad podría estar influenciada por características individuales específicas de las pocas hembras mayores muestreadas (solo dos). Se requiere investigación futura con más individuos mayores y análisis de interpretabilidad del modelo para confirmar qué propiedades acústicas específicas impulsan la clasificación.

En conclusión, el artículo valida el uso de espectrogramas Mel como una herramienta robusta y eficiente para la bioacústica de primates salvajes, superando las limitaciones de los métodos tradicionales de medición manual y abriendo nuevas vías para el monitoreo de poblaciones y el estudio del envejecimiento en la naturaleza.