使用合成训练数据对老鼠超声波发声的监督分类
K Jack Scott1, Lucinda J Speers1,2, David K Bilkey1
1Department of Psychology, University of Otago, William James Building, 275 Leith Walk, Dunedin 9016, New Zealand.
The Journal of the Acoustical Society of America
|January 18, 2024
概括
这项研究比较了用于分析动物超声波发声 (USV) 的机器学习模型. 在检测和分类USV方面,VocalMat (VM) 显示出卓越的性能,特别是在使用合成数据进行训练时.
科学领域:
- 生物声学是一种生物声学.
- 动物沟通动物沟通
- 机器学习在生物学中的应用
背景情况:
- 动物的超声波发声 (USVs) 对社会行为和沟通至关重要.
- 手动分析USV是劳动密集型和耗时的.
- 目前用于USV分析的机器学习方法在准确性和训练数据要求方面存在局限性.
研究的目的:
- 为了比较两个卷积神经网络 (CNN),DeepSqueak (DS) 和VocalMat (VM) 在检测和分类大鼠USV的性能.
- 评估使用合成USVs来增强VM CNN的训练数据的影响.
- 评估这些自动化方法在实验室使用中的潜力.
主要方法:
- 人类专家性能与DS和VM CNN用于USV检测和分类的比较.
- 评估VM CNN的性能,并没有合成USV数据增强.
- 对老鼠USV录音的分析.
主要成果:
- 在USV识别和分类准确性方面,VocalMat (VM) CNN的表现优于DeepSqueak (DS) CNN.
- 用合成USV增强VM训练数据显著提高了其分类准确性.
- 增强的VM CNN实现了与人类专家相提并论的性能.
结论:
- 使用CNN对动物USV的自动分析是可行的和高效的.
- VocalMat,特别是合成数据增强,为研究环境中USV分析提供了一个有前途的工具.
- 这种方法可以减少手工工作量,并提高USV分析的一致性.
