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

Este estudo demonstra que o uso de espectrogramas mel, processados automaticamente, é eficaz para a identificação individual e classificação de classes etárias em vocalizações de macacas-japonesas selvagens, mesmo com conjuntos de dados de pequena escala.

O essencial

Imagine que você está em uma floresta densa, tentando reconhecer os vizinhos apenas pelo som das suas vozes, sem vê-los. Agora, imagine que esses "vizinhos" são macacos e que você precisa distinguir não apenas quem está falando, mas também quão velho é o falante, tudo isso sem usar um microscópio para medir a frequência exata das ondas sonoras.

É exatamente isso que os cientistas fizeram neste estudo com macacos-japoneses na ilha de Yakushima. Aqui está a explicação, traduzida para uma linguagem simples e cheia de analogias:

1. O Problema: O "Detetive" Tradicional vs. O "Gênio" Moderno

Antigamente, para identificar macacos pelo som, os cientistas agiam como detetives manuais. Eles pegavam cada som, mediam coisas específicas (como a altura da voz ou o "timbre" exato) e tentavam encontrar padrões. O problema? Era trabalhoso, dependia muito da escolha do detetive e funcionava mal se os dados fossem poucos.

Os cientistas modernos, com a Inteligência Artificial (Deep Learning), geralmente agem como supercomputadores. Eles conseguem aprender coisas incríveis, mas precisam de milhões de exemplos para estudar. O problema é que, na natureza, é muito difícil conseguir milhões de gravações de macacos. É como tentar ensinar uma criança a reconhecer gatos mostrando apenas 50 fotos, em vez de 50.000.

2. A Solução: A "Pintura de Som" (Espectrograma Mel)

Para resolver isso, os pesquisadores usaram uma técnica chamada Espectrograma Mel.

• A Analogia: Imagine que o som de um macaco não é apenas uma linha reta, mas sim uma pintura abstrata colorida.
  • O eixo horizontal é o tempo.
  • O eixo vertical é a frequência (agudo vs. grave).
  • A cor representa a intensidade.
• Em vez de medir "quantos hertz" tem a voz, o computador olha para a pintura inteira. É como se, em vez de descrever um rosto dizendo "olhos azuis, nariz grande", você mostrasse uma foto completa para a IA e dissesse: "aprenda a reconhecer essa pessoa olhando a foto inteira".

3. A Missão: Dois Desafios

Os pesquisadores pegaram 651 gravações de "coos" (um tipo de vocalização de contato, como um "olá" ou "estou aqui") de 6 macacas fêmeas e deram dois desafios para a IA:

• Desafio 1: Quem é você? (Identificação Individual)
  A IA precisava dizer: "Este som veio da Sasa, não da Kapa".

  • Resultado: A IA acertou cerca de 81-82% das vezes.
  • O que isso significa: É como se você estivesse em uma festa escura e, ao ouvir alguém dizer "olá", conseguisse adivinhar quem é a pessoa em 8 de cada 10 vezes. Não é perfeito, mas é impressionante considerando que eles não viram os rostos e usaram poucos dados.

• Desafio 2: Quem é o mais velho? (Classificação por Idade)
  A IA precisava separar as macacas "jovens" (menos de 10 anos) das "velhas" (mais de 20 anos).

  • Resultado: A IA acertou cerca de 91-93% das vezes!
  • O Segredo: As vozes dos macacos mais velhos parecem ter uma "aspereza" ou um "desgaste" natural (como uma madeira antiga que range diferente de uma madeira nova). A IA conseguiu capturar essa textura geral na "pintura de som", mesmo sem medir nada especificamente.

4. Por que isso é importante?

Imagine que você é um biólogo tentando contar quantos animais vivem em uma floresta sem perturbá-los.

• Antes: Você precisava pegar o animal, colocar uma etiqueta (marcação) e depois tentar reconhecê-lo visualmente.
• Agora: Com essa técnica, você pode apenas gravar os sons à noite ou de longe. A IA funciona como um reconhecimento facial auditivo. Se a IA consegue identificar o macaco com 80% de precisão usando poucos dados, os cientistas podem usar isso para estimar o tamanho de populações inteiras de animais sem precisar vê-los de perto.

Resumo da Ópera

Os cientistas provaram que, mesmo com poucos dados (o que é comum na natureza), a Inteligência Artificial consegue "olhar" para a forma completa de um som (a pintura) e aprender a reconhecer quem é o macaco e quão velho ele é, sem precisar de um manual de instruções sobre como medir a voz.

É como se a IA tivesse desenvolvido um "ouvido absoluto" para a personalidade e a idade dos macacos, apenas ouvindo a "textura" do som.

Resumo técnico

Título: Análise de identificação individual e classificação de classes etárias de vocalizações de macacas selvagens sem medição de parâmetros acústicos baseados em pitch e formantes

---

1. Problema e Contexto

A bioacústica tradicional para identificação de indivíduos e classificação de repertórios vocais em primatas depende frequentemente da medição manual de características acústicas específicas (como frequência fundamental/pitch e formantes). Embora eficazes, esses métodos apresentam limitações:

• Subjetividade: A seleção de características acústicas pode ser arbitrária.
• Falta de Versatilidade: Características específicas de uma espécie podem não se aplicar a outras.
• Dependência de Dados: Técnicas modernas de Deep Learning (aprendizado profundo) exigem conjuntos de dados massivos (milhares a milhões de amostras), o que é difícil de obter em estudos de campo com animais selvagens devido ao tempo e custo de coleta.
• ** lacuna de Pesquisa:** Não existiam modelos validados que utilizassem características acústicas processadas automaticamente para identificar indivíduos em conjuntos de dados relativamente pequenos de macacos selvagens.

O estudo visa preencher essa lacuna, testando se espectrogramas Mel (uma representação de características acústicas processadas automaticamente) são eficazes para identificar indivíduos e classificar faixas etárias em macacos-japoneses selvagens (Macaca fuscata yakui) sem medir parâmetros acústicos específicos manualmente.

---

2. Metodologia

Coleta de Dados

• Local e Sujeitos: Grupos de macacos-japoneses na Ilha de Yakushima, Japão. O estudo focou no "Grupo Petit", selecionando 6 fêmeas adultas (idades variando de 7 a ~25 anos).
• Amostragem: 112 horas de observação focal entre outubro e dezembro de 2023.
• Vocalizações: Foram selecionados chamados de contato ("coo calls").
• Pré-processamento: Das 1181 gravações, foram selecionados 651 chamados de alta qualidade que atendiam a critérios rigorosos (baixo ruído de fundo, sem sobreposição, vocalizador identificado com certeza, duração < 1s).

Processamento de Sinais e Extração de Recursos

• Técnica: Utilização de Espectrogramas Mel.
• Ferramentas: Python com a biblioteca librosa.
• Parâmetros:
  • 40 bandas Mel.
  • Janela de 30 ms (STFT).
  • Pulo (hop size) de 3,75 ms.
  • Preenchimento com zeros (zero-padding) para padronizar a duração dos chamados.
  • Transformação Z (z-transform) para normalização de intensidade.
• Dimensão: Cada chamado resultou em um vetor de 10.360 dimensões.

Análise e Classificação

• Análise Estrutural: Uso de UMAP (Uniform Manifold Approximation and Projection) para redução de dimensionalidade, comparando abordagens supervisionadas (usando rótulos) e não supervisionadas. Métricas: Silhouette score e distâncias intra/interclasse.
• Modelos de Classificação:
  • Algoritmos: Random Forest (RF) e Support Vector Machine (SVM).
  • Tarefas:
    1. Identificação Individual (6 fêmeas).
    2. Classificação Etária (Jovens: <10 anos vs. Idosas: >20 anos).
  • Validação: Divisão treino-teste com 1000 iterações (80 chamados por indivíduo, 64 treino / 16 teste).
  • Métrica de Desempenho: Acurácia Balanceada (para corrigir desequilíbrios de tamanho de classe).
  • Otimização: Grid Search com validação cruzada para ajuste de hiperparâmetros.

---

3. Resultados Principais

Identificação Individual

• Desempenho:
  • Random Forest: Acurácia balanceada média de 81%.
  • SVM: Acurácia balanceada média de 82%.
• Variabilidade: A precisão variou entre indivíduos (68-94%). As fêmeas mais jovens (Kapa, Rine) tiveram maior taxa de confusão mútua, enquanto Sasa teve a maior precisão.
• Análise UMAP: O UMAP supervisionado mostrou agrupamento claro por indivíduo (Silhouette médio de 0,60), enquanto o não supervisionado falhou em separar as classes (0,05), indicando que as características do espectrograma Mel contêm informações discriminativas que só se tornam evidentes com a orientação do rótulo.
• Chamados de Baixa Precisão: Cerca de 55 chamados (8,4%) foram classificados como "baixa precisão" (<1/6 de chance), sugerindo que alguns chamados são menos distintos ou influenciados pelo contexto social.

Classificação Etária (Jovens vs. Idosas)

• Desempenho:
  • Random Forest: Acurácia balanceada média de 91%.
  • SVM: Acurácia balanceada média de 93%.
• Detalhes: A precisão para indivíduos jovens foi superior a 98%, enquanto para os idosos foi inferior a 87%. A maioria dos erros consistiu em classificar chamados de idosos como de jovens.
• Interpretação: A alta precisão sugere que os espectrogramas Mel capturam eficazmente características relacionadas ao envelhecimento (como "aspereza" ou ruído no sinal), que são difíceis de medir manualmente com pitch ou formantes isolados.

---

4. Contribuições Chave

1. Validação em Pequena Escala: Demonstra que características acústicas processadas automaticamente (Mel Spectrograms) são eficazes para classificação em conjuntos de dados pequenos (651 chamados), superando a barreira da necessidade de grandes bancos de dados típicos do Deep Learning.
2. Abordagem sem Medição Manual: Elimina a necessidade de extrair manualmente pitch e formantes, reduzindo a subjetividade e o viés na seleção de características.
3. Aplicabilidade em Campo: Prova a viabilidade de identificar indivíduos e estimar idade em macacos selvagens em seu habitat natural, onde a qualidade do áudio e a quantidade de dados são limitadas.
4. Insights sobre Envelhecimento: Sugere que o envelhecimento vocal em macacos envolve mudanças espectrais complexas (capturadas pelo espectrograma) que podem ser usadas para distinção etária, mesmo com amostras limitadas de idosos.

---

5. Significado e Implicações

• Monitoramento Não Invasivo: A técnica permite estimativas de densidade populacional e monitoramento de indivíduos específicos sem captura física, utilizando apenas gravações de áudio (potencialmente noturnas).
• Escalabilidade: O método pode ser adaptado para outras espécies de primatas e mamíferos, facilitando estudos bioacústicos em espécies com dados limitados.
• Futuro da Pesquisa: Embora promissor, o estudo destaca a necessidade de validar esses modelos com grupos maiores, incluindo machos e uma faixa etária mais ampla, para garantir a generalização dos resultados. A interpretação exata de quais propriedades acústicas específicas o modelo está usando (além da "aspereza") permanece um desafio para estudos futuros.

Em resumo, o artigo estabelece um novo paradigma para a bioacústica de primatas, mostrando que a inteligência artificial aplicada a representações espectrais brutas pode superar métodos tradicionais mesmo com dados limitados de campo.