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

Este artículo presenta el marco de trabajo `ai-pam-pipeline` de código abierto y reproducible para la detección de vocalizaciones de cetáceos basada en CNN, demostrando mediante experimentos controlados que las decisiones de preprocesamiento, como la longitud de la ventana FFT, impactan significativamente la generalización entre dominios mientras se logra un alto rendimiento en tareas de detección binaria y multiclase.

Lo esencial

Imagina que estás intentando escuchar un tipo específico de pájaro cantando en un bosque muy ruidoso, pero no puedes usar tus oídos; tienes que usar un programa informático para "ver" las ondas sonoras en una pantalla. Este artículo presenta una nueva herramienta de código abierto (como un libro de recetas gratuito y compartido) que ayuda a los científicos a hacer exactamente eso con ballenas y delfines.

Aquí tienes el desglose de lo que hace el artículo, usando analogías sencillas:

1. La "Receta Universal" (El Marco de Trabajo)

Piensa en la herramienta de los autores, llamada ai-pam-pipeline, como una cocina maestra. En lugar de que cada científico construya su propio horno, estufa y tazones de mezcla desde cero, todos usan esta misma cocina preconstruida.

• El Beneficio: Solo tienes que girar un solo dial (un archivo de configuración) para cambiar la configuración. Esto significa que si cocinas un plato hoy y otra persona lo cocina mañana usando la misma configuración del dial, obtienen exactamente el mismo resultado. Adiós a las excusas de "funcionó en mi máquina". Funciona para cualquier tipo de ballena o delfín, no solo para una especie específica.

2. El Experimento: ¿Qué tan nítida debe ser la lente? (Experimento A)

Los científicos querían saber: ¿Importa la forma en que convertimos el sonido en imágenes?

• La Analogía: Imagina tomar una foto del silbido de un delfín. Puedes tomar una foto con una cámara de baja resolución (borrosa, píxeles grandes) o con una cámara de alta resolución (nítida, píxeles diminutos). En este estudio, probaron tres "ajustes de cámara" diferentes (llamados longitudes de ventana FFT: 256, 512 y 1024).
• El Resultado en Casa (En el dominio): Cuando probaron los delfines en el mismo entorno exacto donde se entrenó la herramienta (como tomar fotos en la misma habitación), los tres ajustes de cámara funcionaron perfectamente. No importaba cuál usaran; los delfines eran fáciles de detectar.
• El Resultado en la Carretera (Entre dominios): Cuando llevaron la herramienta a un nuevo entorno (un océano diferente con ruido de fondo distinto), los resultados cambiaron drásticamente.
  • El ajuste de "baja resolución" (256) fue el claro ganador.
  • ¿Por qué? El artículo explica esto con un truco visual interesante. Cuando la computadora toma una imagen de sonido borrosa y de baja resolución y la estira para que quepa en un tamaño estándar, las partes "borrosas" en realidad se vuelven más gruesas, más brillantes y más fáciles de ver. Es como tomar un pequeño boceto borroso de un delfín y ampliarlo en una pared; las líneas borrosas se convierten en formas audaces y de alto contraste que la computadora puede reconocer fácilmente. Los ajustes más nítidos, al estirarse, en realidad perdían parte de ese contraste útil.

3. La "Puntuación Perfecta" (Umbral)

Los científicos se preocuparon de que quizás el ajuste de "baja resolución" solo se veía bien porque estaban haciendo trampa cambiando la línea de "aprobado/reprobado" (el umbral).

• La Realidad: Probaron cada posible línea de aprobación/reprobación desde el 10% hasta el 90%. ¿El resultado? El ajuste de baja resolución obtuvo una puntuación perfecta (precisión de 1.000) sin importar dónde colocaron la línea. Esto demuestra que la ventaja no fue un truco; fue una mejora genuina en cómo el sonido se veía para la computadora.

4. La Parte Difícil: Clasificar el Ruido (Experimento B)

La herramienta no es solo para encontrar si hay un delfín; también puede decirte qué tipo de sonido está haciendo.

• El Desafío: Enseñaron a la herramienta a clasificar cinco tipos diferentes de sonidos de delfines. Lo hizo muy bien en general.
• La Confusión: A veces, la herramienta se confundía entre dos sonidos específicos: "trenes de clics" y "sonidos de pulso explosivo".
• La Razón: Esto no fue porque la computadora fuera "tonta". Es porque, biológicamente, estos dos sonidos son tan similares entre sí que incluso un experto humano podría tener dificultades para distinguirlos instantáneamente. La herramienta está reflejando realmente la realidad de la biología del animal, no un fallo del software.

La Conclusión

La idea principal es simple: Cómo preparas los datos importa más de lo que piensas.
El artículo muestra que una elección pequeña y a menudo pasada por alto (como cómo divides el sonido en fragmentos antes de analizarlo) puede hacer o deshacer un sistema cuando intenta funcionar en un nuevo entorno. Al usar su marco de trabajo abierto y reproducible, los científicos ahora pueden probar estas elecciones sistemáticamente para asegurarse de que sus "detectores de ballenas" funcionen en todas partes, no solo en el laboratorio.

Resumen técnico

Resumen Técnico: Un Marco Abierto y Reproducible para la Detección de Vocalizaciones de Cetáceos Basada en Redes Neuronales Convolucionales

Enunciado del Problema
La Monitorización Acústica Pasiva (PAM) es fundamental para la investigación de cetáceos, sin embargo, el campo a menudo carece de flujos de trabajo estandarizados y reproducibles para la detección y clasificación basadas en Redes Neuronales Convolucionales (CNN). Existe una brecha específica en la comprensión de cómo las decisiones de preprocesamiento, a menudo tratadas como detalles secundarios de implementación, afectan la generalización del modelo a través de diferentes dominios acústicos. Además, existe una necesidad de herramientas de código abierto que permitan una evaluación sistemática de parámetros mientras garantizan la reproducibilidad exacta de los experimentos.

Metodología
El artículo introduce un marco metodológico de seis etapas implementado como la herramienta de código abierto ai-pam-pipeline. Este marco está diseñado para ser generalizable entre especies y está totalmente parametrizado mediante un único archivo de configuración, asegurando que las condiciones experimentales puedan replicarse exactamente. La metodología emplea CNNs tanto para la detección binaria como para la clasificación multiclase de vocalizaciones de cetáceos.

Para validar el marco, los autores realizaron dos experimentos principales:

1. Experimento A (Detección Binaria): Este estudio investigó el impacto de la longitud de la ventana de la Transformada Rápida de Fourier (FFT) ($N_{fft}$) en la detección de silbidos de delfín mular (Tursiops truncatus). El estudio probó tres longitudes de ventana: 256, 512 y 1024. La evaluación se realizó utilizando validación cruzada estratificada de 10 pliegues en dos conjuntos de datos: un conjunto de datos intra-dominio (Oltremare, 192 kHz) y una referencia inter-dominio (DCLDE 2022).
2. Experimento B (Clasificación Multiclase): Este experimento demostró la capacidad del marco para clasificar cinco categorías distintas de vocalizaciones de T. truncatus.

Resultados Clave

• Rendimiento Intra-Dominio: En el conjunto de datos intra-dominio, el rendimiento fue uniformemente alto en todas las configuraciones de $N_{fft}$, con una puntuación F1 macro de aproximadamente 0.98. El análisis estadístico (prueba de Wilcoxon) no mostró diferencias significativas entre las longitudes de ventana ($p > 0.05$).
• Rendimiento Inter-Dominio: Los resultados divergieron significativamente al aplicarse a la referencia inter-dominio. Una $N_{fft}$ de 256 resultó ser significativamente superior a las longitudes de ventana más grandes ($p = 0.006$, $r$ biserial de rango = 0.89).
• Mecanismo de Superioridad: Los autores atribuyen el rendimiento superior de la longitud de ventana más pequeña a un "efecto de amplificación por remuestreo". Los bins espectrales más gruesos (resultado de una $N_{fft}$ más pequeña) producen trazas de frecuencia modulada (FM) más anchas y de mayor contraste después de que los espectrogramas se remuestrean linealmente a dimensiones de imagen fijas para la entrada de la CNN.
• Invarianza del Umbral: Se encontró que la ventaja de $N_{fft} = 256$ era invariante al umbral. La precisión se mantuvo en 1.000 en todas las configuraciones y umbrales de decisión ($\theta \in [0.1, 0.9]$), confirmando que la ganancia de rendimiento no es un artefacto de elecciones específicas de umbral.
• Capacidad Multiclase: En el experimento multiclase, el marco logró una puntuación F1 macro de 0.843. El análisis señaló que la confusión interclase entre trenes de clics y sonidos de pulsos explosivos reflejaba una superposición biológica de señales más que un fallo del clasificador.

Significado y Afirmaciones
El artículo afirma que las decisiones de preprocesamiento, frecuentemente pasadas por alto como detalles menores de implementación, pueden influir significativamente en la generalización inter-dominio en tareas de PAM. Si bien el estudio utiliza $N_{fft}$ como un caso de estudio controlado, el significado principal del trabajo reside en el propio marco ai-pam-pipeline. Los autores postulan que esta herramienta permite la evaluación sistemática y reproducible de parámetros de preprocesamiento arbitrarios dentro de un protocolo experimental unificado. Al proporcionar una solución totalmente parametrizada y de código abierto, el marco tiene como objetivo estandarizar cómo los investigadores evalúan e informan los efectos de las variaciones metodológicas en la detección de vocalizaciones de cetáceos.