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

Cette étude démontre que l'utilisation de spectrogrammes de Mel, traités automatiquement, permet de classer avec succès de petits ensembles de données de vocalisations de macaques sauvages pour l'identification individuelle et la classification par classe d'âge, malgré les limites habituelles des méthodes d'apprentissage profond sur des échantillons réduits.

L'essentiel

🎙️ Le Défi : Reconnaître des voix dans la jungle

Imaginez que vous êtes dans une forêt bruyante, remplie de singes macaques. Vous entendez des cris, des appels, mais vous ne voyez personne. La question est : Comment savoir exactement qui parle ? Est-ce Maman, la grand-mère, ou le petit cousin ?

Pendant des décennies, les scientifiques ont essayé de répondre à cette question en agissant comme des ingénieurs du son. Ils prenaient chaque appel, mesuraient la hauteur de la voix (comme un accordéon), analysaient les résonances (comme la forme d'une grotte), et essayaient de trouver des formules mathématiques pour dire : "Ah, ce son précis vient de telle femelle".

Mais c'est comme essayer de reconnaître un ami dans une foule en mesurant la longueur exacte de son nez et la couleur de ses yeux avec une règle. C'est long, compliqué, et ça ne marche pas toujours bien, surtout quand on a peu de données.

🤖 La Nouvelle Idée : L'Œil de l'IA et la "Carte de la Voix"

Dans cette étude, les chercheurs (menés par Rentaro Kimpara) ont décidé de changer de méthode. Au lieu de mesurer des détails précis, ils ont demandé à une intelligence artificielle (une sorte de cerveau numérique) de regarder l'ensemble du son comme une image.

Ils ont transformé les cris des singes en cartes de couleurs appelées "spectrogrammes méls".

• L'analogie : Imaginez que chaque cri de singe est une chanson. Au lieu de noter les notes une par une, on prend une photo de la partition complète. Chaque singe a une "signature visuelle" unique sur cette photo, comme une empreinte digitale, mais faite de couleurs et de formes.

🧪 L'Expérience : Qui est qui ? Et qui est vieux ?

Les chercheurs ont enregistré 651 cris de 6 femelles macaques sauvages sur l'île de Yakushima (au Japon). Ils ont donné ces "photos de sons" à deux types d'ordinateurs très intelligents (appelés Random Forest et Support Vector Machine) pour voir s'ils pouvaient apprendre à les reconnaître.

Ils ont posé deux défis :

1. Le jeu de "Qui est-ce ?" (Identification individuelle) :

   • L'ordinateur devait dire : "Ce cri vient de Kapa, ou de Sasa, ou de Taiko ?"
   • Le résultat : C'est impressionnant ! L'ordinateur a réussi à identifier le bon singe environ 82 % du temps. C'est comme si vous aviez un ami qui, en fermant les yeux, reconnaîtrait 8 personnes sur 10 juste à leur voix, même dans le bruit de la forêt.

2. Le jeu de "Jeune ou Vieux ?" (Classification par âge) :

   • L'ordinateur devait dire : "Ce singe a moins de 10 ans ou plus de 20 ans ?"
   • Le résultat : Là, l'ordinateur était un génie ! Il a réussi 93 % du temps.
   • Pourquoi ? Les chercheurs pensent que les vieux singes ont une voix plus "rugueuse" ou "abîmée" (comme une vieille corde de guitare qui a perdu de son élasticité), et l'IA a très bien capté cette texture globale sans même avoir besoin de mesurer la fréquence exacte.

💡 Pourquoi c'est une révolution ?

Avant, pour faire ça, il fallait des milliers d'heures de travail pour mesurer chaque son. Ici, l'ordinateur a appris tout seul en regardant les "photos" des sons.

• L'avantage : C'est comme passer d'un dessin au trait (très précis mais lent à faire) à une peinture à l'huile (qui capture l'ambiance et l'émotion instantanément).
• L'application : Cela permet aux scientifiques de compter les singes dans la forêt, de savoir qui vit avec qui, et de surveiller la santé du groupe sans avoir à les attraper ou à les déranger. C'est une méthode non invasive (on ne touche pas aux animaux).

🚧 Les limites (Le petit bémol)

L'étude a aussi montré quelques faiblesses :

• Certains singes sont plus difficiles à reconnaître que d'autres (comme des jumeaux qui se ressemblent trop).
• Pour l'âge, l'IA était très bonne pour repérer les jeunes, mais un peu moins sûre pour les très vieux, car il n'y avait que deux "grand-mères" dans l'échantillon. C'est un peu comme essayer de deviner l'âge de tout un quartier en n'ayant vu que deux personnes de 80 ans.

🌟 En résumé

Cette étude nous dit que l'intelligence artificielle peut entendre la personnalité et l'âge des animaux sauvages simplement en écoutant leurs cris, sans avoir besoin de formules compliquées. C'est une clé magique pour mieux comprendre la vie secrète des singes dans la nature, un peu comme si nous pouvions enfin lire les pensées de la forêt à travers ses chants.

Résumé technique

Titre de l'étude

Analyse de l'identification individuelle et de la classification par classe d'âge des vocalisations de macaques sauvages femelles sans mesure de paramètres acoustiques basés sur la hauteur (pitch) et les formants.

---

1. Problématique

Les études bioacoustiques traditionnelles sur la communication animale reposent souvent sur l'extraction manuelle de caractéristiques acoustiques spécifiques (fréquence fondamentale, formants, durée) suivie d'analyses multivariées. Bien que ces méthodes aient historiquement permis des taux de précision élevés, elles souffrent de limitations majeures :

• Subjectivité : Le choix des caractéristiques acoustiques est souvent arbitraire et spécifique à l'espèce.
• Besoin de données massives : Les approches modernes d'apprentissage profond (Deep Learning) offrent une automatisation supérieure mais nécessitent généralement des milliers, voire des millions d'échantillons annotés, ce qui est rarement réalisable pour les études de terrain sur les primates sauvages.
• Manque de validation sur petits jeux de données : Peu d'évaluations de performance ont été menées sur des jeux de données de petite taille (quelques centaines d'appels) utilisant des caractéristiques acoustiques traitées automatiquement.

L'objectif de cette étude est de déterminer si les spectrogrammes de Mel (des caractéristiques acoustiques traitées automatiquement) sont efficaces pour l'identification individuelle et la classification par âge chez les macaques japonais (Macaca fuscata yakui) avec un jeu de données limité et issu du milieu sauvage, sans mesurer explicitement de paramètres acoustiques traditionnels.

---

2. Méthodologie

Données et Collecte

• Sujet : Femmes adultes d'un groupe de macaques japonais sur l'île de Yakushima (Japon).
• Échantillon : 6 femelles adultes sélectionnées pour la qualité et la quantité de leurs données vocales (noms : Kapa, Rine, Sasa, Sazae, Taiko, Taiwu).
• Âge : Deux classes d'âge définies : jeunes (< 10 ans) et âgées (> 20 ans).
• Enregistrement : 112 heures d'observation en octobre-décembre 2023. Utilisation de micros directionnels et de micros-cravate pour annoter l'émetteur.
• Sélection des appels : Sur 1181 enregistrements bruts, 651 appels "coo" (appel de contact) ont été retenus après filtrage strict (faible bruit de fond, pas de chevauchement, émetteur certain, durée < 1s).

Prétraitement et Extraction de Caractéristiques

• Spectrogrammes de Mel : Génération via la bibliothèque Python librosa.
  • Paramètres : 40 bandes Mel, fenêtre STFT de 30 ms, pas de 3,75 ms, fenêtre de Hann, plage de fréquence 0-24 kHz.
  • Normalisation : Remplissage par zéro (zero-padding) pour uniformiser la durée, et transformation Z (z-transform) pour normaliser l'intensité.
  • Dimensionnalité : Chaque appel est représenté par un vecteur de 10 360 dimensions.

Analyse et Modélisation

• Réduction de dimensionnalité (UMAP) : Utilisation de l'UMAP (Uniform Manifold Approximation and Projection) pour visualiser la structure des données.
  • Comparaison entre UMAP non supervisé (sans étiquettes) et supervisé (avec étiquettes d'identité ou d'âge).
  • Évaluation via les scores de silhouette et les distances intra/inter-classes.
• Classificateurs : Deux algorithmes d'apprentissage automatique classiques ont été entraînés :
  • Random Forest (RF)
  • Machine à Vecteurs de Support (SVM)
• Protocole d'évaluation :
  • Division aléatoire des données : 80 appels par individu, dont 64 pour l'entraînement et 16 pour le test.
  • Répétition : 1000 itérations pour assurer la robustesse statistique.
  • Métrique principale : Précision équilibrée (Balanced Accuracy) pour corriger les déséquilibres de classes.
  • Optimisation : Recherche de grille (Grid Search) avec validation croisée pour le réglage des hyperparamètres.

---

3. Résultats Clés

A. Identification Individuelle

• Performance :
  • Random Forest : Précision équilibrée moyenne de 81 %.
  • SVM : Précision équilibrée moyenne de 82 %.
• Analyse UMAP : Les appels se regroupent clairement par individu uniquement dans l'UMAP supervisé (Score de silhouette moyen : 0,60), contrairement à l'UMAP non supervisé (0,05), indiquant que les structures individuelles sont subtiles mais exploitables par le modèle.
• Variabilité : La précision varie selon les individus (de 68 % à 94 %). Les erreurs de classification surviennent principalement entre Kapa, Rine et Taiwu.
• Distribution : Les appels sont soit très bien classés (> 90 % de précision), soit mal classés (< 1/6 de précision), suggérant une hétérogénéité dans la "discriminabilité" des appels individuels selon le contexte ou la qualité de l'enregistrement.

B. Classification par Classe d'Âge

• Performance :
  • Random Forest : Précision équilibrée moyenne de 91 %.
  • SVM : Précision équilibrée moyenne de 93 %.
• Détails : La classification des individus jeunes (< 10 ans) est excellente (> 98 %), tandis que celle des individus âgés (> 20 ans) est légèrement inférieure (< 87 %), indiquant que les modèles confondent parfois les appels des vieux individus avec ceux des jeunes.
• Analyse UMAP : La séparation entre les classes d'âge est nettement plus marquée dans l'UMAP supervisé (Score de silhouette : 0,86 pour les jeunes, 0,80 pour les vieux) que dans l'approche non supervisée.

---

4. Contributions et Signification

• Validation sur petits jeux de données : L'étude démontre que les spectrogrammes de Mel, couplés à des algorithmes de machine learning classiques (RF, SVM), sont efficaces pour l'identification individuelle et la classification d'âge même avec des jeux de données restreints (n=651) et non contrôlés (milieu sauvage).
• Suppression de la subjectivité : En évitant l'extraction manuelle de paramètres acoustiques (pitch, formants), la méthode élimine le biais lié au choix des caractéristiques et offre une approche plus universelle et reproductible.
• Potentiel pour l'écologie comportementale :
  • Estimation de densité : L'identification non invasive des individus par la voix permet d'envisager des méthodes de "capture-marquage-recapture" acoustique, fonctionnant même la nuit.
  • Détection du vieillissement : La haute performance dans la classification par âge suggère que les spectrogrammes de Mel capturent implicitement des caractéristiques liées au vieillissement (comme la "rugosité" ou harshness de la voix), difficiles à quantifier par des paramètres acoustiques simples.
• Limites et perspectives : La performance sur les individus âgés est limitée par la petite taille de l'échantillon (seulement 2 femelles âgées). De futures études devront inclure plus d'individus âgés et des mâles pour valider la généralisabilité de la méthode.

Conclusion : Cette recherche ouvre la voie à l'utilisation de l'apprentissage automatique sur des données bioacoustiques de terrain de petite taille, facilitant l'étude de la communication et de la démographie des primates sauvages sans nécessiter de vastes bases de données annotées ou de mesures acoustiques complexes.