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

该研究证实，利用梅尔频谱图结合随机森林和支持向量机，能够在无需传统声学参数测量的情况下，有效基于野外采集的少量猕猴叫声数据实现个体识别和年龄分类。

要点

这篇论文讲述了一个非常有趣的故事：研究人员试图教电脑“听音辨人”，而且是在野外环境下，面对的是日本猕猴（一种猴子）。

为了让你轻松理解，我们可以把这项研究想象成**“给猴子开一场‘声音盲盒’大会”**。

1. 核心挑战：猴子太多，数据太少

想象一下，你有一群猴子，它们都会发出一种叫"coo"的叫声（就像人类打招呼说“嗨”一样）。

• 传统方法：以前的科学家像**“老派侦探”**。他们拿着精密的尺子和计算器，去测量声音的“音高”（像唱歌的调子）和“共振峰”（像声音的音色）。但这就像试图用尺子去量云彩的形状，既麻烦又不准确，而且不同种类的猴子声音不一样，这套尺子没法通用。
• 现代难题：现在的“超级侦探”（深度学习/AI）很厉害，但它们胃口很大，需要成千上万份录音才能学会认人。但在野外，很难收集到那么多高质量的录音。
• 本研究的目标：能不能用一种**“不需要量尺子”**的方法，只给电脑看声音的“照片”，就能在只有几百个样本的情况下，认出是哪只猴子在叫，甚至猜出它是“年轻猴子”还是“老年猴子”？

2. 研究方法：把声音变成“指纹照片”

研究人员没有去测量具体的音高数据，而是做了一件很酷的事：

• 制作“声音指纹照”（梅尔频谱图）：
  想象一下，如果把一段声音像切面包一样切成无数薄片，然后把这些薄片堆叠起来，就会形成一张像**“指纹”或“地形图”**一样的图片。这张图叫“梅尔频谱图”。
  • 这就好比，我们不再去数猴子的牙齿有多少颗（传统测量），而是直接给猴子的叫声拍一张**“全身照”**，让电脑自己去发现照片里独特的纹理和图案。
• 训练“考官”：
  研究人员收集了 6 只野生母猴的 651 声“嗨”（coo 叫）。他们把这张“声音指纹照”喂给两种聪明的“考官”（算法：随机森林和支持向量机）。
  • 任务一：猜猜这是哪只猴子？（个体识别）
  • 任务二：猜猜这是年轻猴子（10 岁以下）还是老年猴子（20 岁以上）？（年龄分类）

3. 实验结果：电脑成了“听音神探”

结果非常令人惊讶，就像电脑突然开了天眼：

• 认人任务（个体识别）：
  电脑猜对哪只猴子在叫的准确率达到了 81%-82%。

  • 比喻：想象你在一个嘈杂的派对上，闭着眼睛听人说话，能认出 80% 的朋友是谁，这已经非常厉害了！
  • 有趣的是，有些猴子的声音特别有辨识度（像“大嗓门”或“独特口音”），电脑很容易认出；而有些猴子的声音比较“大众脸”，电脑就容易认错。

• 猜年龄任务（年龄分类）：
  电脑猜对是“年轻”还是“年老”的准确率高达 91%-93%！

  • 比喻：这就像你听到一个人的声音，不用看脸，就能 9 成把握判断他是“精力充沛的年轻人”还是“声音有点沙哑的老人”。
  • 为什么这么准？ 研究人员推测，老年猴子的声音可能带有一种天然的“粗糙感”或“沙哑感”（就像老唱片的声音），这种整体特征被“声音指纹照”完美捕捉到了，而传统的测量方法反而容易漏掉这种微妙的感觉。

4. 这意味着什么？

这项研究就像给野生动物保护者发了一把**“万能钥匙”**：

1. 不用数数，也能知道有多少猴子：以前要数猴子得靠眼睛看，或者给猴子戴项圈（很麻烦）。现在，只要录下声音，用这个 AI 模型就能知道“哦，刚才那是猴子 A 在叫，那是猴子 B 在叫”，从而估算猴群的数量。
2. 不用抓猴子，也能知道猴子的年龄：通过声音就能判断猴子的年龄段，这对于研究猴子的社会结构、健康状况非常有价值。
3. 小数据也能办大事：证明了即使没有成千上万的数据，只要方法对（用“声音指纹照”代替“尺子测量”），AI 也能在野外这种复杂环境下工作得很好。

总结

简单来说，这篇论文告诉我们：不需要像老派科学家那样拿着尺子去量声音的细节，只要把声音变成一张独特的“照片”，电脑就能像认人一样认出猴子，甚至能听出它是老还是少。 这为未来在野外研究动物提供了一种更聪明、更省力的新方法。

技术摘要

这是一份关于 Kimpara 等人（2025/2026）发表的论文《Analysis of individual identification and age-class classification of wild female macaque vocalizations without pitch- and formant-based acoustic parameter measurements》（无需基于音高和共振峰参数测量的野生雌性猕猴叫声个体识别与年龄分类分析）的详细技术总结。

1. 研究背景与问题 (Problem)

• 传统方法的局限性： 传统的生物声学分析依赖于人工测量特定的声学特征（如基频、共振峰等），然后结合降维和多变量分析进行分类。这种方法存在特征选择的主观性，且缺乏跨物种的通用性。
• 深度学习的数据瓶颈： 虽然深度学习（Deep Learning）能够自动处理声学信号并避免人工特征提取的缺陷，但其通常需要海量的监督数据（数千至数百万样本）。在野外生物声学研究中，获取大量高质量、标注好的数据极其困难且耗时，导致难以构建适用于小样本数据的深度学习模型。
• 核心挑战： 如何在小样本（Small-scale data）条件下，利用自动提取的声学特征（如梅尔频谱图），对野生灵长类动物的叫声进行有效的个体识别和年龄分类，而无需显式测量特定的声学参数。

2. 研究方法 (Methodology)

2.1 数据采集与预处理

• 研究对象： 日本屋久岛（Yakushima Island）的野生日本猕猴（Macaca fuscata yakui）"Petit"群体。
• 样本选择： 选取了 6 只成年雌性猕猴作为目标个体（Kapa, Rine, Sasa, Sazae, Taiko, Taiwu），年龄跨度从 7 岁到 25 岁。
• 数据收集： 2023 年 10 月至 12 月，通过焦点动物采样法（Focal animal sampling）录制了 112 小时的音频。
• 筛选标准： 从 1181 个录音片段中，筛选出 651 个高质量的"Coo"叫声（接触叫声）。筛选标准包括：低背景噪声、无重叠、发声者明确、时长小于 1 秒。
• 特征工程（梅尔频谱图）：
  • 使用 Python 的 librosa 库生成梅尔频谱图（Mel Spectrogram）。
  • 参数设置： 40 个梅尔频带，30ms 的 STFT 窗口，汉宁窗（Hann window），频率范围 0-24kHz。
  • 归一化： 对频谱图进行零填充（Zero-padding）以统一长度，并进行 Z-score 变换以消除振幅差异。
  • 输入维度： 每个叫声最终转化为 10,360 维的特征向量。

2.2 数据分析与模型构建

• 降维可视化： 使用 UMAP（Uniform Manifold Approximation and Projection）进行监督和无监督降维，评估个体和年龄类别的可分性，并计算轮廓系数（Silhouette Score）和类间/类内距离。
• 分类任务：
  1. 个体识别： 区分 6 只不同的雌性猕猴。
  2. 年龄分类： 区分年轻组（<10 岁）和老年组（>20 岁）。
• 分类器选择： 随机森林（Random Forest, RF）和支持向量机（SVM）。
• 实验设计：
  • 由于样本不平衡，每次迭代从每只猴子的数据中随机选取 80 个叫声（64 个训练，16 个测试）。
  • 重复 1000 次迭代以获得稳健的性能估计。
  • 使用网格搜索（Grid Search）结合 5 折交叉验证进行超参数调优。
• 评估指标： 平衡准确率（Balanced Accuracy），以消除类别样本量不平衡带来的偏差。

3. 主要结果 (Key Results)

3.1 数据结构分析 (UMAP)

• 个体识别： 监督 UMAP 显示出清晰的个体聚类（平均轮廓系数 0.60），而无监督 UMAP 聚类效果较差（0.05）。这表明梅尔频谱图包含个体特异性信息，但需要标签引导才能有效分离。
• 年龄分类： 监督 UMAP 中，年轻组和老年组分离紧密（轮廓系数分别为 0.86 和 0.80），类间距离远大于类内距离。无监督 UMAP 则未能有效分离。

3.2 分类性能

• 个体识别任务：
  • 随机森林 (RF)： 平均平衡准确率为 81%。
  • 支持向量机 (SVM)： 平均平衡准确率为 82%。
  • 个体差异： 准确率在不同个体间存在差异（Sasa 最高，Kapa 最低）。主要错误发生在 Kapa、Rine 和 Taiwu 之间的混淆。
  • 高/低准确率叫声分布： 叫声准确率呈现双峰分布，约 68% 的叫声（447/651）属于高准确率（>0.9），而约 8% 属于低准确率（<1/6）。
• 年龄分类任务：
  • 随机森林 (RF)： 平均平衡准确率高达 91%。
  • 支持向量机 (SVM)： 平均平衡准确率高达 93%。
  • 分类细节： 年轻个体的识别率极高（>98%），但老年个体的识别率较低（<87%）。主要的误判是将老年个体的叫声误判为年轻个体。
  • 低准确率样本： 绝大多数低准确率样本来自两只老年猴（Sazae 和 Taiko）。

4. 关键贡献 (Key Contributions)

1. 小样本下的自动特征有效性验证： 证明了即使在没有人工提取特定声学特征（如基频、共振峰）的情况下，仅使用自动生成的梅尔频谱图，结合传统机器学习算法（RF/SVM），也能在小样本（651 个样本，6 个个体）的野外数据上实现高准确率的个体识别和年龄分类。
2. 无需人工干预的特征提取流程： 提出了一种无需依赖物种特异性声学知识（如定义特定的共振峰）的通用工作流程，降低了生物声学研究的门槛。
3. 年龄分类的潜力： 展示了梅尔频谱图能够捕捉到与衰老相关的复杂声学特征（如声音的粗糙度/harshness），这些特征难以通过传统的单一参数（如音高）来量化。
4. 方法论指导： 强调了监督 UMAP 在预检查数据结构方面的价值，它比无监督 UMAP 更能揭示类别间的潜在结构。

5. 局限性与讨论 (Limitations & Discussion)

• 样本量限制： 老年组仅包含 2 只个体，导致年龄分类的高准确率可能部分归因于个体特异性而非普遍的衰老特征。未来需要更多老年个体样本以验证泛化能力。
• 误判原因： 老年个体的叫声有时会被误判为年轻个体，可能是因为老年个体在某些情境下发出的叫声具有年轻个体的声学特征，或者个体间差异掩盖了年龄特征。
• 数据偏差： 野外录音不可避免地存在背景噪声和采样偏差（如某些类型的叫声更容易被记录或筛选掉）。
• 可解释性： 虽然模型表现良好，但梅尔频谱图作为高维特征，难以直接解释模型具体依赖了哪些声学属性（如具体的粗糙度变化）进行分类。

6. 研究意义 (Significance)

• 非侵入式种群监测： 该研究为利用声学数据进行非侵入式的野生动物种群密度估计（Mark-Recapture 方法）提供了强有力的工具，特别是在夜间或难以直接观察的物种中。
• 衰老研究的新视角： 为研究非人类灵长类动物的衰老过程及其对发声系统的影响提供了新的技术手段，有助于理解声音在社交互动中如何反映个体的生理状态。
• 推广潜力： 该方法论可推广至其他缺乏大量标注数据的野生动物声学研究中，促进生物声学领域的自动化和标准化发展。

总结： 该论文成功证明了在野外小样本条件下，利用梅尔频谱图和传统机器学习模型，可以高效地实现野生猕猴的个体识别和年龄分类，为未来的生物声学监测和动物行为学研究开辟了新途径。