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

本研究は、深層学習のデータ要件を満たさない小規模な野生ニホンザルの音声データに対しても、ピッチやフォルマントの計測を伴わないメルスペクトログラムを用いた機械学習モデルが個体識別および年齢階級分類において高い精度を達成することを示した。

要約

1. 研究の背景：なぜこれが難しいのか？

昔から、動物の声を分析するときは、人間が「音の高さ（ピッチ）」や「共鳴する周波数（フォルマント）」といった**「特定のルール」を定めて、それを一つずつ測っていました。
これは、「料理のレシピを一つずつ手作業で計量して味見をする」**ようなもので、非常に手間がかかります。しかも、動物の種によって「どのルールが重要か」が違うため、応用が効きにくいという弱点がありました。

一方、最近の AI（深層学習）は、**「大量の料理の写真を AI に見せて、勝手に特徴を学ばせる」ことができます。しかし、AI が上手に働くためには、「何万枚もの写真（データ）」**が必要で、野生の動物の声を何万回も録音するのは現実的に不可能です。

この研究のゴール：
「少ないデータ（約 650 個の声）でも、AI が**『声の全体像（メロスペクトログラム）』**を直接見て、誰の声か、年齢はどれくらいかを当てられるか？」を試すことです。

2. 実験の内容：どんなことをしたの？

• 対象： 屋久島にいる野生のニホンザル（メス）6 匹。
• 声の種類： サル同士の「コオ」という、挨拶や連絡のための声。
• 方法：
  1. 6 匹のサルから、きれいな「コオ」の声を集めました（合計 651 個）。
  2. その声を、AI が理解しやすい**「音の地図（メロスペクトログラム）」**という画像データに変換しました。
     • 例え話： 音声データを「楽譜」ではなく、**「音の波が描かれた美しい抽象画」**に変えるイメージです。
  3. この「音の抽象画」を AI（ランダムフォレストとサポートベクターマシンという 2 種類の頭脳）に見せ、以下の 2 つのクイズを解かせました。
     • クイズ A（個体識別）： 「この声は、6 匹の中の誰？」
     • クイズ B（年齢分類）： 「この声は、10 歳未満の若者か、20 歳以上のお年寄りか？」

3. 結果：AI はどれくらいできた？

結果は、**「驚くほど成功」**しました！

• クイズ A（誰の声か？）：

  • 正解率は約81〜82%。
  • 6 人いる中で、誰が喋っているかを 8 割以上の確率で当てられました。
  • 例え話： 6 人のクラスメイトの声が聞こえたとき、「あ、あれは〇〇だ！」と 8 割の確率で当てられるレベルです。

• クイズ B（年齢か？）：

  • 正解率は約91〜93%。
  • 特に「若者」の声を見分ける能力は 98% 以上でした。
  • 例え話： 「若者の声」と「お年寄りの声」を聞き分けると、ほぼ間違いなく見分けがつくほどでした。

4. なぜこれほどできたのか？（重要な発見）

• 「全体像」を見る力：
  人間が「音の高さ」だけを測るのではなく、AI は**「音の全体のパターン（絵柄）」**を見て判断しました。これにより、細かいルールを人間が設定しなくても、AI 自体が「この声は〇〇っぽい」と学習できました。
• お年寄りの声の特徴：
  年齢分類で特に高得点だったのは、お年寄りの声に特有の**「ゴワゴワした質感（荒れ声）」のようなものが、AI が描いた「音の地図」に鮮明に現れていたためと考えられています。人間が「音の高さ」を測るだけでは見逃してしまうような、「声の荒れ具合」のような複雑な特徴**を AI は捉えていたのです。

5. この研究のすごいところと、今後の展望

• 野生でも使える：
  これまでは実験室で整った声でないと難しいとされていましたが、**「野生の雑音の中で録音した声」**でも、AI はうまく機能しました。
• 応用：
  もしこの技術が確立されれば、**「カメラを回さずに、声だけを聞いてサルの数を数えたり、誰がどこにいるかを追跡したり」できるようになります。まるで「声だけの探偵」**が、夜間や茂みの中でもサルを監視できるようなものです。

まとめ

この研究は、**「少ないデータでも、AI に『音の絵』を見せれば、野生のサルの『誰』と『年齢』を高い精度で見分けられる」**ことを証明しました。

従来の「手作業で計測する」方法から、**「AI が全体像をパッと見て判断する」**という新しい時代への第一歩であり、野生動物の観察や保護活動に大きな力になる可能性を秘めています。

技術概要

以下は、Kimpara らによる「野生のニホンザルの個体識別および年齢階級分類に関する研究」の技術的サマリーです。

1. 研究の背景と課題 (Problem)

• 従来の手法の限界: 動物の音声分類（個体識別や音声 repertoire の分類）において、従来の手法はピッチ（基本周波数）やフォルマント周波数などの特定の音響特徴を人手で測定・抽出し、次元削減や多変量解析を行うものでした。しかし、特徴量の選択が恣意的であったり、種固有の定義に依存するため汎用性が低いという問題がありました。
• 深層学習の課題: 近年、深層学習は自動で音響特徴を処理し高い性能を発揮しますが、通常は数千から数百万のラベル付きデータセットを必要とします。野生動物の音声データは収集が困難であり、小規模なデータセット（数百サンプル程度）で深層学習のような自動特徴量処理手法を適用した性能評価はほとんど行われていませんでした。
• 本研究の目的: 特定の音響特徴（ピッチやフォルマントなど）を明示的に測定することなく、自動処理された音響特徴（メル・スペクトログラム）を用いて、小規模な野生ニホンザルの音声データから「個体識別」と「年齢階級分類（若齢 vs 高齢）」をどの程度正確に行えるかを検証すること。

2. 研究方法 (Methodology)

• 対象とデータ収集:
  • 対象: 屋久島に生息する野生ニホンザル（ヤクシマザル）の「Petit グループ」。
  • 対象個体: 6 頭の成体雌（9 頭中、高品質な音声データが得られた 6 頭：Kapa, Rine, Sasa, Sazae, Taiko, Taiwu）。
  • データ: 2023 年 10 月〜12 月の焦点動物サンプリングにより収集された「クー（coo）コール」。
  • サンプル数: 最終的に選別された高品質なコールは合計 651 件（個体あたり 84〜138 件）。
  • 年齢分類: 「若齢（10 歳未満）」と「高齢（20 歳超）」の 2 群に分類（高齢個体は Sazae と Taiko の 2 頭）。
• 前処理と特徴量抽出:
  • 音声選択: 背景ノイズが少ない、他の個体と重ならない、発声者が特定できる、1 秒未満のクーコールなどを基準に選別。
  • メル・スペクトログラムの生成: Python の librosa ライブラリを使用。人間の聴覚特性に基づいたメル尺度フィルタを適用。
    • パラメータ：メルバンド数 40、FFT ウィンドウ 30ms、ホップサイズ 3.75ms、周波数範囲 0-24kHz。
    • 長さの統一：ゼロパディングで最長のコール長に合わせ、強度の正規化（z-transformation）を実施。
    • 結果：各コールあたり 10,360 次元の特徴ベクトルを生成。
• 分析手法:
  • 次元削減: 個体および年齢階級の分離性を評価するため、UMAP（Unsupervised と Supervised の両方）を用いて 2 次元空間へ投影。シルエット係数（Silhouette score）やクラス間距離を算出。
  • 分類モデル:
    • アルゴリズム: ランダムフォレスト（RF）とサポートベクターマシン（SVM）。
    • 評価手法: 個体ごとに 80 件のコールをランダム抽出し、64 件を学習、16 件をテストとして 1000 回反復。不均衡データへのバイアスを減らすため「バランス精度（Balanced Accuracy）」を指標とした。
    • ハイパーパラメータ: グリッドサーチと 5 回反復 5 分割交差検証により最適化。

3. 主要な結果 (Results)

• UMAP による可視化:
  • 個体識別: 教師あり UMAP では個体ごとに明確なクラスターが形成された（平均シルエット係数 0.60）が、教師なし UMAP では明確なクラスターは形成されなかった（0.05）。
  • 年齢分類: 教師あり UMAP では若齢・高齢群が緊密にクラスター化され、クラス間距離が非常に大きかった（シルエット係数：若齢 0.86、高齢 0.80）。
• 分類性能:
  • 個体識別タスク:
    • ランダムフォレスト（RF）: 平均バランス精度 81%
    • SVM: 平均バランス精度 82%
    • 個体間差はあり（Sasa が最高、Kapa が最低）だが、全体的に高い識別能を示した。
  • 年齢階級分類タスク:
    • ランダムフォレスト（RF）: 平均バランス精度 91%
    • SVM: 平均バランス精度 93%
    • 若齢個体の分類精度は 98% 以上と非常に高かったが、高齢個体の分類精度は 87% 未満であった（高齢個体が若齢と誤分類される傾向）。
• 誤分類の要因:
  • 個体識別では、特定の個体（Kapa, Rine, Taiwu）間での混同が多かった。
  • 年齢分類では、高齢個体（Sazae, Taiko）の一部のコールが若齢と誤認識された。

4. 貢献と意義 (Key Contributions & Significance)

• 小規模データでの自動特徴量処理の有効性: 特定の音響特徴を人手で測定せず、メル・スペクトログラムを用いた機械学習モデルが、野生環境で収集された小規模データ（651 件）においても、個体識別（約 80%）および年齢分類（約 90% 以上）で高い精度を達成することを示した。
• 非侵襲的モニタリングへの応用: この手法は、野生動物の個体識別や年齢構成の推定を、捕獲や直接観察を伴わずに行う「非侵襲的」な手段として有効であることを示唆した。特に、夜間や遠隔地での音声データ収集による個体数推定（マーク・リキャプチャ法の音声版）への応用が期待される。
• 加齢に伴う音声変化の捕捉: 年齢分類の高精度は、メル・スペクトログラムがピッチやフォルマントなどの単一特徴では捉えきれない「全体的なスペクトルパターン」や「荒々しさ（harshness）」などの加齢に伴う複雑な音響特性を暗黙的に捉えている可能性を示唆している。
• 将来の展望: 本研究はメス個体のみを対象とした小規模グループでの検証であったため、より多様な年齢層やオス個体を含む大規模データでの検証、およびモデルの解釈可能性（どの音響特徴が分類に寄与しているか）の解明が今後の課題として挙げられている。

結論

本研究は、深層学習が必須とする大規模データがなくても、メル・スペクトログラムと従来の機械学習アルゴリズム（RF, SVM）を組み合わせることで、野生ニホンザルの音声から個体および年齢を高精度に識別できることを実証した。これは、野生動物の音声生態学研究におけるデータ処理手法の革新と、野外調査における非侵襲的モニタリング技術の発展に寄与する重要な成果である。