Vocal repertoire of adult domestic pigs in a laboratory environment

本研究通过结合主观听觉视觉分析与客观聚类技术，对实验室环境下的成年家猪进行了系统性的声音特征分析，成功构建了包含 5 大类 16 种叫声类型的详细声谱框架，为利用非侵入性声音指标评估猪只福利及开展生物医学研究奠定了重要基础。

要点

这篇论文就像是在给实验室里的猪做一场"声音指纹"的大普查。

想象一下，如果你走进一个全是猪的实验室，你会听到各种各样的声音：哼哼、尖叫、咆哮、甚至有点像狗叫的“汪汪”声。以前，科学家们虽然知道猪会叫，但对于这些叫声具体代表什么、有多少种不同的“方言”，并没有一本统一的“字典”。

这篇研究就是为了解决这个问题，给成年家猪在实验室环境下的声音建立了一套详细的“声音词典”。

以下是用通俗语言和比喻对这篇论文核心内容的解读：

1. 为什么要给猪“录音”？（背景）

猪在医学研究中越来越重要，因为它们和人类很像（比如体型、器官结构）。但是，猪很聪明，也会感到疼痛或压力。

• 比喻：就像我们去医院，如果病人不能说话，医生就得看脸色、摸脉搏来判断病情。猪不会说“我疼”，但它们会叫。如果科学家能听懂猪的叫声，就能像翻译官一样，知道猪是开心、害怕还是疼，从而更好地照顾它们。

2. 科学家是怎么做的？（方法）

研究人员找了 12 只猪（5 公 7 母），把它们放在实验室里。

• 场景：他们记录了猪在两种情况下的声音：
  1. 日常互动：比如研究人员走过来摸摸它们，或者给它们喂食（这通常是开心的或中性的）。
  2. 特殊时刻：比如被抓住、被针扎（模拟打针）、或者被分开又重逢（这通常是紧张或痛苦的）。
• 工具：他们用了高灵敏度的麦克风和摄像机，把声音变成了声谱图（就像把声音变成了看得见的“波浪画”）。
• 分类法：
  • 方法一（耳朵听 + 眼睛看）：专家像品酒师一样，一边听声音，一边看声谱图，凭经验把声音分成不同的类别。
  • 方法二（电脑算）：让电脑根据声音的频率、长短等数据，自动把相似的声音“聚类”在一起，看看能不能分出几类。

3. 他们发现了什么？（结果）

这是最精彩的部分！他们发现猪的声音世界比想象中丰富得多。

• 五大“声部”和 16 种“方言”：
  研究人员把猪的叫声分成了 5 个大类（就像音乐里的声部），下面又细分为 16 种具体的叫声。

  1. 哼哼声 (Grunts)：最常见，占了一半以上。就像我们满足时的“嗯嗯”声。
     • 细分：有短促的、有像打呼噜的、还有像“咯咯”笑的。
  2. 尖叫声 (Squeals)：高频、刺耳。
     • 细分：有经典的尖叫，也有像小狗一样的“呜咽”（Whine，以前没发现过），还有像“咯咯”声的“ squeak"。
  3. 尖叫/哀嚎 (Screams)：持续时间很长，非常痛苦或恐惧。
     • 细分：有的声音是颤抖的（Modulated），有的声音很平稳但很长（Stable）。
  4. 复杂叫声 (Complex)：就像混合饮料，比如先哼哼一声，紧接着尖叫一声（“哼 - 啊！”）。
  5. ** bark (吠叫)**：很短促的低频声音，有点像狗叫，以前很少被注意到。

• 新发现：
  以前大家以为猪只会“哼哼”和“尖叫”。但这篇论文发现，猪其实会发出像**“呜咽” (Whine)** 和 “稳定的尖叫” (Stable Scream) 这样细腻的声音。这就像发现一个人不仅会大笑和大哭，还会发出“委屈的抽泣”和“愤怒的咆哮”一样，情感表达更丰富了。

4. 电脑和人的看法一致吗？（验证）

• 比喻：就像让一位老厨师（人类专家）和一位 AI 机器人（电脑算法）去分水果。
• 结果：虽然电脑倾向于把声音简单粗暴地分成“低音组”和“高音组”（只有两类），但人类专家分出了 16 种。不过，电脑和人类专家在大的分类上高度一致（一致性达到 67%）。
• 启示：这说明猪的声音确实有高低之分，但猪的“语言”非常细腻，电脑简单的分类法可能会漏掉很多细节。就像把语言只分成“大声”和“小声”是不够的，我们还需要区分“愤怒的大声”和“兴奋的大声”。

5. 这对我们有什么意义？（结论）

这项研究就像给猪的叫声编写了一本《新华字典》。

• 统一语言：以前不同实验室的科学家对同一种叫声叫法不同，现在大家有了统一的标准（比如什么是“稳定的尖叫”，什么是“呜咽”）。
• 提升福利：未来，科学家可以开发像**“智能翻译器”**一样的设备。只要猪一叫，设备就能立刻分析出：“哦，这只猪刚才被针扎了，它在发出‘稳定尖叫’，说明它很疼，我们需要减轻它的痛苦。”
• 科研进步：这能让医学研究更人道，也能让实验结果更准确（因为猪的状态更稳定了）。

一句话总结：
这篇论文告诉我们，猪不仅仅是只会“哼哼”的动物，它们拥有丰富细腻的声音语言。科学家通过“听音辨位”和“电脑分析”，终于为这些实验室里的猪建立了一套声音身份证，这将帮助人类更好地理解它们、照顾它们，并让医学研究变得更科学、更人道。

技术摘要

这是一份关于**实验室环境下成年家猪（Domestic Pigs）声音库（Vocal Repertoire）**研究的详细技术总结。该研究旨在填补成年家猪在生物医学实验室环境下的声音特征描述空白，为动物福利评估和转化医学研究提供非侵入性工具。

1. 研究背景与问题 (Problem)

• 研究背景： 家猪（Sus scrofa domesticus）作为人类病理生理学模型在生物医学研究中的应用迅速增加。然而，目前缺乏针对成年家猪在实验室环境下可靠、非侵入性的健康和福利评估指标。
• 现有局限：
  • 现有的声音分类研究多集中在仔猪（piglets）或野猪（wild boars），且多在农业或自然环境中进行。
  • 实验室环境（混凝土结构、回声、频繁的人为互动）可能导致猪的声音特征与自然环境中的猪不同。
  • 以往的声音分类多依赖主观感知，缺乏客观的声学参数标准化定义，导致不同实验室间难以进行数据比较。
• 核心问题： 需要系统地描述成年家猪在实验室环境下的声音库，建立包含感知描述和客观声学参数的标准化分类体系，以区分不同的叫声类型。

2. 方法论 (Methodology)

• 实验对象： 12 只混种家猪（5 雄 7 雌，2-3 个月大，体重 11-13 kg），饲养于生物医学实验室的单栏中。
• 实验设计：
  • 录音情境： 分为两类：
    1. 实验室程序： 研究人员接近、触摸、围栏限制、肌肉注射模拟、喂食、牵绳行走。
    2. 社会互动： 出笼、与同伴分离/重聚、社会等级建立。
  • 时间线： 记录分为“适应前”（到达当天）和“适应后”（经过 2 周适应训练，包括脱敏和牵绳训练）两个阶段。
  • 设备： 使用 Beyerdynamic 枪式麦克风（48 kHz 采样率，16 位）和 GoPro 相机同步录音录像。
• 数据分析流程：
  1. 预处理： 使用 Raven Pro 1.5 生成声谱图，排除重叠噪音和回声严重的片段。
  2. 感知 - 视觉分类 (Aural-Visual, AV)： 由不知晓实验情境的研究人员，基于听觉和声谱图特征，采用分层方法将声音归类为：声音类别 (Classes) -> 子类 (Subclasses) -> 具体叫声类型 (Call types)。
  3. 声学参数提取： 提取了 6 个稳健的声学参数（避免极值干扰）：5% 频率 (f5)、第一四分位频率 (Q1f)、中心频率 (Cf)、90% 带宽 (BW90)、四分位距带宽 (IQRBW) 和 90% 持续时间 (DUR90)。
  4. 客观聚类分析： 使用两步聚类法（Two-step cluster analysis），基于上述 6 个参数进行无监督聚类，以确定最优聚类数量（基于 BIC 准则）。
  5. 一致性评估： 使用 Cramer's V 统计量评估 AV 分类与聚类分析结果之间的一致性。
  6. 独立性检验： 使用混合线性模型评估个体猪的差异对分类结果的影响。

3. 关键贡献 (Key Contributions)

• 建立了分层声音库： 首次详细描述了成年家猪在实验室环境下的声音结构，识别出 5 个主要声音类别，细分为 11 个子类，最终定义为 16 种具体的叫声类型。
• 标准化定义： 为每种叫声类型提供了结合描述性（听觉/视觉）和定量（声学参数）的标准化定义，解决了以往研究缺乏统一术语的问题。
• 发现新叫声类型： 识别出几种在以往文献中未被明确区分或报道的叫声，包括：
  • Whines (哀鸣)： 具有短促谐波的低频声音。
  • Yelps (尖叫/短促叫声)： 高频、短促，区别于 Bark。
  • Stable Screams (稳定尖叫)： 长持续时间、高频但频率调制较低的声音。
  • Complex Screams (复合尖叫)： 由 grunt 过渡到 scream 的混合叫声。
• 验证了分类的稳健性： 证明了个体差异（不同猪只）对声音分类的影响不显著，且感知分类与客观聚类结果具有高度一致性。

4. 主要结果 (Results)

• 数据量： 分析了 69 次录音中的 1,136 个 高质量叫声。
• AV 分类结构：
  • Grunts (哼声)： 最丰富（占 81.95%），分为 Classic（含 Croak, Growl, Modulated）和 Short 两类。
  • Squeals (尖叫声)： 次丰富，分为 Classic, Yelp, Whine, Squeak。
  • Complex (复合声)： 包含 Grunt-Squeal 等组合，细分为 Complex Squeal, Yelp, Whine, Scream。
  • Screams (尖叫)： 分为 Modulated（高频率调制）和 Stable（低频率调制）。
  • Barks (吠声)： 低频、短促的爆发声。
• 声学特征：
  • Screams 具有最高的频率、频率调制和持续时间。
  • Grunts 和 Barks 频率最低，持续时间最短。
  • Squeals 和 Complex 处于中等水平。
• 聚类分析结果：
  • 两步聚类分析显示 2 个簇 是统计上的最优解（BIC = 4325.82），这与许多将猪叫声简单分为“低频”和“高频”两类的研究一致。
  • Cluster 1 包含 95.9% 的数据（主要是低频声音，如 Grunts），Cluster 2 包含高频声音。
  • 尽管 2 簇是统计最优，但在 5 簇和 19 簇处 BIC 值也有显著下降，暗示声音结构比简单的二分法更复杂。
• 一致性检验： AV 分类与两步聚类结果之间的 Cramer's V 为 0.67 ($p < 0.0001$)，表明两者具有中等至高度的相关性。
• 个体差异： 个体猪只对中心频率（Cf）变异的解释度仅为 3-4%，且统计上不显著，说明分类主要基于叫声类型而非个体特征。

5. 意义与影响 (Significance)

• 动物福利评估： 该研究提供的标准化声音库和定义，使研究人员能够通过非侵入性的声学监测来实时评估实验室猪的疼痛、压力或情绪状态（例如区分稳定尖叫和调制尖叫可能对应不同的应激源）。
• 转化医学研究： 随着猪作为大型动物模型在药物测试和手术训练中的普及，准确解读其行为反应至关重要。统一的声音语言有助于跨实验室的数据比较和元分析。
• 方法论启示： 研究指出，虽然统计聚类倾向于将声音分为两类（高/低频），但猪作为社会性复杂的物种，其声音库具有更丰富的梯度结构（gradation）。未来的研究可能需要采用模糊聚类（Fuzzy clustering）等更高级的方法来处理这种连续变化的声学特征。
• 环境适应性证据： 研究证实了实验室环境下的成年猪具有独特的声音特征（如 Whines 和 Stable Screams），强调了在特定研究环境中建立本地化声音库的必要性。

总结： 该论文通过结合主观感知和客观统计方法，成功构建了成年家猪在实验室环境下的详细声音图谱。它不仅验证了传统分类的有效性，还揭示了新的叫声类型，为未来利用声学指标优化猪的福利管理和提升生物医学研究质量奠定了坚实基础。