BatSpot: a retrainable neural network for automatic detection and classification of bat echolocation and detection of buzzes and social calls

Dit artikel introduceert BatSpot, een opnieuw trainbaar convolutioneel neuraal netwerk dat automatisch vleermuis-echolocatie, zoemgeluiden en sociale roepen detecteert en classificeert, en hiermee bestaande commerciële en open-source tools overtreft door zijn superieure prestaties en aanpasbaarheid aan lokale omstandigheden.

De kern

BatSpot: De Slimme "Oor" voor Vleermuizen

Stel je voor dat je in een donkere kamer staat en iemand fluistert. Zonder te kunnen zien wie het is, moet je raden: is het een kind, een volwassene, of misschien een vogel? En moet je ook weten of ze aan het jagen zijn, aan het kletsen of gewoon aan het zingen? Dat is precies wat onderzoekers proberen te doen met vleermuizen. Ze zijn 's nachts actief, vliegen in het donker en communiceren met geluiden die voor ons menselijke oren te hoog zijn (ultrasoon).

Deze paper introduceert BatSpot, een slim computerprogramma dat als een supergevoelige "digitale oor" fungeert. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: Een Naald in de Hooiberg

Vleermuizen zijn belangrijk voor het ecosysteem (ze eten muggen, bestuiven bloemen), maar ze zijn lastig te bestuderen. Ze zijn klein, snel en 's nachts actief. Vroeger moesten onderzoekers urenlang luisteren naar opnames en zelf proberen te raden wat ze hoorden. Dat is als proberen een specifiek woord te vinden in een uur lang durend gesprek van duizenden mensen.

Er bestonden al software, maar die was vaak duur, werkte alleen in bepaalde landen, of kon alleen de "zoek-geluiden" van vleermuizen horen (het geluid dat ze maken als ze rondvliegen op zoek naar eten). Ze misten de andere belangrijke geluiden:

• De "Buzz" (Het jachtgeluid): Het snelle, trillende geluid vlak voordat een vleermuis een insect pakt.
• Sociale geluiden: Het gekwebbel en gezoem dat ze maken om met elkaar te communiceren (zoals kletsen of flirten).

2. De Oplossing: BatSpot, de "Re-trainbare" Hulp

BatSpot is een kunstmatige intelligentie (een neuronaal netwerk) die is getraind om deze drie soorten geluiden te herkennen:

1. Zoekgeluiden: Om te weten welke vleermuis er is.
2. Buzzes: Om te weten wanneer ze eten.
3. Sociale geluiden: Om te weten wat ze met elkaar doen.

De Grootste Troef: Het is een "Lego-blok" systeem
Stel je voor dat BatSpot een meesterkok is die is getraind op Deense gerechten. Als je hem nu vraagt om een Duits gerecht te koken, kan hij dat misschien niet perfect, omdat de ingrediënten (de geluiden en achtergrondruis) anders zijn.

Maar BatSpot heeft een speciale eigenschap: hij kan leren.
De auteurs laten zien dat als je de kok (het programma) een paar nieuwe recepten (59 opnames) geeft van een nieuw land, hij zich snel aanpast en daarna veel beter presteert. Je hoeft niet te programmeren; er is een gebruiksvriendelijk menu (een GUI) waar je gewoon je nieuwe data in kunt slepen en de software "hertraint" zichzelf. Het is alsof je een GPS hebt die eerst alleen Nederland kent, maar als je één keer een route in Duitsland invoert, hij die weg de volgende keer perfect onthoudt.

3. Hoe goed werkt het? (De Proef)

De onderzoekers hebben BatSpot getest tegen andere software (zowel gratis als dure commerciële programma's).

• Zoekgeluiden: BatSpot was de winnaar. Het vond bijna alle vleermuizen en maakte minder fouten dan de concurrenten.
• Buzzes: Hier was BatSpot een doorbraak. Andere programma's (zoals buzzfindr) waren vaak verward door achtergrondruis en misten veel jachtmomenten. BatSpot kon zelfs in drie verschillende landen (Denemarken, Duitsland, Panama) met heel verschillende achtergrondgeluiden (van windmolens tot tropische regenwouden) de jachtgeluiden perfect herkennen.
• Sociale geluiden: Ook hier deed het het goed, wat zeldzaam is voor dit soort software.

4. Waarom is dit belangrijk?

• Voor de natuur: We kunnen nu beter begrijpen waar vleermuizen leven, hoe ze jagen en waar ze zich voortplanten. Dit helpt bij het beschermen van hun leefomgeving.
• Voor windmolens: Windmolens zijn gevaarlijk voor vliegende vleermuizen. Met BatSpot kunnen we precies zien wanneer vleermuizen in de buurt zijn, zodat we de molens tijdelijk kunnen stilzetten om ongelukken te voorkomen.
• Voor iedereen: Je hoeft geen computerwetenschapper te zijn. Dankzij de "hertrainbare" functie en het simpele menu kan elke natuurliefhebber of onderzoeker de software aanpassen aan hun eigen omgeving.

Samenvattend

BatSpot is als een slimme, meertalige tolk die niet alleen luistert naar wat vleermuizen zeggen, maar ook begrijpt waarom ze het zeggen. En het beste deel? Je kunt deze tolk zelf "opleiden" voor jouw specifieke buurt, zonder dat je een diploma informatica nodig hebt. Het maakt het bestuderen van deze mysterieuze nachtelijke bewoners voor iedereen toegankelijk.

Technische samenvatting

Probleemstelling

Vleermuizen zijn een cruciale en diverse groep zoogdieren die belangrijke ecosysteemdiensten leveren (zoals plaagbestrijding en bestuiving), maar ze staan onder druk door habitatverlies, klimaatverandering en menselijke infrastructuur (zoals windmolens). Het monitoren van vleermuizen is echter uitdagend vanwege hun nachtelijke levensstijl en het gebruik van ultrasone echolocatie.
Hoewel passief akoestisch monitoren (PAM) grote hoeveelheden data genereert, vormt de verwerking hiervan een knelpunt:

1. Beperkte tools: Bestaande software is vaak commercieel, duur, gebrekkig gedocumenteerd of beperkt tot specifieke geografische regio's.
2. Gebrek aan veelzijdigheid: De meeste tools focussen uitsluitend op de zoekfase van echolocatie (search phase calls) en missen functionaliteit voor het detecteren van voerbuzzes (feeding buzzes) en sociale roepen.
3. Moeilijke aanpasbaarheid: Open-source oplossingen vereisen vaak programmeerkennis om aan te passen aan nieuwe locaties of soorten. Als een model wordt ingezet in een omgeving met andere ruisbronnen of soorten, daalt de prestatie sterk. Er is behoefte aan een tool die eenvoudig opnieuw getraind (retrainable) kan worden zonder coding-ervaring.

Methodologie

De auteurs hebben BatSpot ontwikkeld, een reeks convolutionele neurale netwerken (CNN's) gebaseerd op het bestaande ANIMAL-SPOT-framework. Het systeem bestaat uit drie hoofdmotoren:

1. Roepdetector (Call Detector):

   • Doel: Detectie van zoekfase-echolocatie in continue opnames.
   • Training: Getraind op 10.766 doelvoorbeelden en 12.396 ruisvoorbeelden (uit Denemarken), met extra ruisaugmentatie.
   • Parameters: 20 ms clips, frequentiebereik 1-95 kHz.
   • Output: Een binaire classificatie (roep aanwezig/afwezig) met een waarschijnlijkheidsscore.

2. Roepclassificator (Call Classifier):

   • Doel: Classificatie van gedetecteerde zoekfase-roepen tot op soort-niveau (of complex-niveau).
   • Training: Getraind op 12 soorten(-complexen) uit Denemarken, inclusief Myotis, Pipistrellus, Eptesicus, etc. Ook zijn buzzes, aanvalsroepen en sociale roepen meegenomen als "ruis" (negatieve voorbeelden) om de detector te filteren.
   • Aanpassing: Het frequentiebereik is uitgebreid tot 10-125 kHz (250 kHz sample rate) om hoge frequenties van bepaalde soorten vast te leggen.
   • Strategie: Soorten die moeilijk te onderscheiden zijn (bijv. Myotis soorten) worden gegroepeerd in generische categorieën (M. sp. of ENV-complex) om de nauwkeurigheid te verhogen.

3. Buzz- en Sociale Roep Detectoren:

   • Buzz Detector: Getraind op data uit Denemarken, Duitsland en Panama (1.288 voorbeelden). Cliplengte: 200 ms. Doel: Detectie van voerbuzzes.
   • Sociale Roep Detector: Getraind op Deense data (1.412 voorbeelden). Cliplengte: 75 ms. Doel: Detectie van langere sociale vocalisaties.

Retraining en Transfer Learning:
Een kerncomponent is de mogelijkheid om de modellen opnieuw te trainen met een kleine dataset (transfer learning). De auteurs tonen aan dat het importeren van de gewichten van een bestaand model en het verder trainen met slechts een paar tientallen nieuwe opnames de prestaties in een nieuwe omgeving drastisch verbetert.

Validatie:
De modellen zijn getest op handmatig geannoteerde datasets uit Denemarken, Duitsland en Panama. De prestaties zijn vergeleken met bestaande software (o.a. BatDetect2, Kaleidoscope, Sonochiro, BSG-BAT) op basis van Recall, Precision en F1-score.

Belangrijkste Resultaten

• Algemene Prestaties:

  • De Call Detector bereikte een testnauwkeurigheid van 0,97.
  • De Call Classifier bereikte een testnauwkeurigheid van 0,87.
  • Op bestandsniveau (file-level) scoorde BatSpot een F1-score van 0,97 voor detectie en classificatie, wat beter is dan alle geteste concurrenten (o.a. BatDetect2: 0,96, Sonochiro: 0,88).
  • De Buzz Detector presteerde uitstekend over drie landen heen (F1: 0,95), terwijl de concurrent buzzfindr slechts een F1-score van 0,37 behaalde op dezelfde data.
  • De Sociale Roep Detector behaalde een F1-score van 0,91.

• Retraining Effectiviteit:

  • Een model getraind op Deense data presteerde slecht op Duitse data (F1: 0,48) door verschillen in ruis en soorten.
  • Na retraining met slechts 59 opnames uit Duitsland, steeg de F1-score naar 0,79.
  • Retraining presteerde beter dan het trainen van een model vanaf nul (scratch) met dezelfde kleine dataset (F1: 0,73).

• Vergelijking met Concurrenten:
  BatSpot overtrof zowel commerciële als open-source oplossingen, vooral in de balans tussen het vinden van echte roepen (recall) en het vermijden van valse positieven (precision).

Bijdragen en Innovatie

1. Veelzijdigheid: BatSpot is een van de eerste open-source tools die niet alleen zoekfase-roepen detecteert, maar ook voerbuzzes en sociale roepen kan identificeren. Dit stelt onderzoekers in staat om gedrag (zoals foerageren en sociale interacties) te analyseren, niet alleen de aanwezigheid van soorten.
2. Gebruiksvriendelijkheid (GUI): De auteurs hebben een Grafische Gebruikersinterface (GUI) ontwikkeld. Dit maakt het mogelijk voor onderzoekers zonder programmeerkennis om modellen te valideren, opnieuw te trainen (retrain) en transfer learning toe te passen voor specifieke locaties.
3. Global South Toepasbaarheid: Het succes van de buzz-detector op data uit Panama (een land met hoge biodiversiteit) toont aan dat het model robuust is voor verschillende omgevingen en geluidssferen, mits het correct wordt aangepast.
4. Open Data en Code: Alle trainingsdata, modelbestanden en scripts zijn openbaar beschikbaar via GitHub en Zenodo, wat bijdraagt aan een groeiende gemeenschappelijke dataset voor wereldwijde vleermuismonitoring.

Significantie

BatSpot vormt een belangrijke doorbraak in de passieve akoestische monitoring van vleermuizen. Door de drempel voor het gebruik van geavanceerde deep learning te verlagen (via de GUI en eenvoudige retraining) en door functionaliteit toe te voegen voor gedragsonderzoek (buzzes en sociale roepen), kan dit instrument wereldwijd worden ingezet voor:

• Conservatie: Effectiever monitoren van bedreigde soorten.
• Milieu-impact assessments: Betere evaluatie van de impact van windmolens en andere infrastructuur.
• Gedragsonderzoek: Het automatisch analyseren van foerageergedrag en sociale dynamiek.

De paper benadrukt dat hoewel geen enkel model perfect is voor elke situatie, de mogelijkheid tot lokaal aanpassen (retraining) met minimale data de sleutel is tot robuuste, wereldwijde monitoring.