Submitted by Márcia Silva (marcialbuquerq@yahoo.com.br) on 2017-11-16T18:57:52Z No. of bitstreams: 1 Tese_completa_JuanGColonna.pdf: 14919946 bytes, checksum: e525d20972ecf19b31a0f8f85772dbe0 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2017-11-16T20:14:41Z (GMT) No. of bitstreams: 1 Tese_completa_JuanGColonna.pdf: 14919946 bytes, checksum: e525d20972ecf19b31a0f8f85772dbe0 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2017-11-16T20:17:45Z (GMT) No. of bitstreams: 1 Tese_completa_JuanGColonna.pdf: 14919946 bytes, checksum: e525d20972ecf19b31a0f8f85772dbe0 (MD5) / Made available in DSpace on 2017-11-16T20:17:46Z (GMT). No. of bitstreams: 1 Tese_completa_JuanGColonna.pdf: 14919946 bytes, checksum: e525d20972ecf19b31a0f8f85772dbe0 (MD5) Previous issue date: 2017-09-15 / CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico / Wildlife monitoring is often used by biologists and ecologists to acquire information about animals and their natural habitats. In survey programs, specialists collect environmental information to infer about animal population status and their variations over time. The main goal of such programs is to identify environmental problems in early stages. However, acquiring the necessary data for this purpose is a manual work and must be carried out by groups of experts in areas of di cult access during long periods of time. In this context, Wireless Sensor Networks (WSNs) are useful alternatives to alleviate the manual work. Such networks are made up of small sensors with transmission, storage, and local processing capabilities. These networks enable bioacoustic methods for automatic species recognition to be embedded in the sensor nodes in order to automate and simplify the monitoring task. Since animal sounds usually provide a species ngerprint, it can be used to recognize the presence or absence of a target species in a site. Accordingly, in this thesis, we present an approach that combines machine learning methods, WSNs and bioacoustic signal processing techniques for wildlife monitoring based on animal calls. As a proof-of-concept, we choose anurans as the target animals. The reason is that anurans are already used by biologists as an early indicator of ecological stress, since they provide relevant information about terrestrian and aquatic ecosystems. Our solution integrates four fundamental steps: noise ltering and bioacoustic signal enhancement, automatic signal segmentation, acoustic features extraction, and classi cation. We also consider the WSNs limitations, trying to reduce the communication and processing load to extend the sensors' lifetime. To accomplish with the restriction imposed by the hardware, we represent the acoustic signals by a set of low-level acoustic descriptors (LLDs or features). This representation allows us to identify speci c signal patterns of each species, reducing the amount of information necessary to classify it. The adverse environmental conditions of the rainforest pose additional challenges, such as noise ltering. We developed a ltering method based on Singular Spectrum Analysis (SSA). This choice was based on several comparisons with other ltering methods. The SSA method has additional advantages: it is non-parametric, it adapts to the di erent input signals, and it has an equivalent / O monitoramento de animais silvestres em seu habitat natural é objeto de estudo de biólogos e ecólogos que coletam informações ambientais para inferir o estado das popula ções animais e suas variações ao longo do tempo. Um objetivo especí co desses estudos é identi car problemas ecológicos em estágios iniciais. No entanto, a coleta das informações é um trabalho manual que deve ser realizado por um grupo de especialistas em áreas de difícil acesso durante períodos de tempo prolongados. Neste contexto, as Redes de Sensores Sem Fio (RSSF) são uma alternativa viável ao monitoramento manual. Estas redes são constituídas por pequenos sensores com capacidade de transmissão, armazenamento e processamento local. Isto possibilita que métodos bioacústicos para reconhecimento automático de espécies sejam embarcados nos nós sensores para automatizar e simpli car a tarefa de monitoramento. Como os sons produzidos pelos animais oferecem uma impressão digital bioacústica, esta pode ser usada para identi car a presença ou ausência de uma espécie particular em uma região. Neste trabalho, apresentamos uma abordagem que utiliza aprendizagem de máquina, RSSF e processamento digital de sinais bioacústicos para reconhecer espécies animais com base em suas vocalizações. Como prova-de-conceito, aplicamos nossa solução para identi- car de forma automática diferentes espécies de anuros. Escolhemos anuros uma vez que são utilizados como indicadores precoces de estresse ecológico, pelo fato de serem sensíveis às mudanças do habitat e oferecerem informações sobre os ecossistemas terrestre e aquático. Nossa abordagem integra quatro operações fundamentais: filtragem de ruídos e aprimoramento dos sinais acústicos, segmentação automática desses sinais, extração de descritores acústicos e classificação. Além disso, nossa solução considera as limitações de RSSF, buscando reduzir a carga de processamento e comunicação para prolongar o tempo de vida dos sensores. Portanto, representamos os sinais por um conjunto de descritores acústicos de baixo nível (Low-Level Acoustic Descriptors - LLDs) conhecidos como Mel Frequency Cepstral Coe cients (MFCCs). A técnica escolhida para filtrar os ruídos ambientais foi o Singular Spectrum Analysis (SSA), esta escolha foi baseada nas diversas comparações que zemos com outros métodos de filtragem. Além disso, o SSA é não paramétrico, se adapta ao coaxar de cada espécie e possui um esquema equivalente na teoria de ltros FIR, o que possibilita ter uma implementação com complexidade computacional constante. Ainda no método de ltragem, desenvolvemos uma versão robusta do SSA. Esta nova versão é mais tolerante aos diferentes ruídos ambientais, sejam estes Gaussianos ou não. A robustez também permitiu identi car os componentes acústicos causados pelos ruídos ambientais associados com as baixas frequências. No que diz respeito à segmentação, primeiro realizamos uma comparação entre diferentes LLDs baseados na teoria da informação. Nesta etapa, desenvolvemos um método não supervisionado capaz de se adaptar às diferentes condições de ruídos ambientais, sejam estes branco ou coloridos. Na segunda etapa, adaptamos dois dos LLDs comparados para funcionamento incremental. Assim, foi possível de nir uma metodologia para segmentar os sinais acústicos em tempo real com custo de memória constante, ideal para ser embarcado em um nó sensor de baixo custo e obter as porções dos áudios que possuem as informações relevantes para o reconhecimento das espécies. Finalmente, avaliamos diferentes estratégias de classi cação e propusemos uma nova forma de validação cruzada para avaliar a capacidade de generaliza ção do método. Portanto, a validação cruzada tradicional de sílaba-por-sílaba foi substituída por uma validação cruzada que separa diferentes indivíduos nos conjuntos de teste e treinamento. Isto viabilizou uma avaliação mais justa e permitiu estimar o comportamento nal que o método de classi cação embarcado no nó sensor teria em uma situação real. Dentre os métodos de classi cação planos comparados descobrimos que SVM e kNN são os mais promissores. Todavia, propomos e desenvolvemos uma estratégia de classi cação hierárquica multirótulo para decompor e simpli car o espaço de decisões do classi cador e simultaneamente reconhecer a família, o gênero e a espécie de cada amostra. Isto nos permite concluir que nossa abordagem é exível o su ciente para se adaptar aos diferentes cenários monitorados, sem deixar de otimizar a relação custo-benefício da solução de monitoramento proposta.

Made available in DSpace on 2015-04-11T14:03:20Z (GMT). No. of bitstreams: 1 JUAN_G_Colonna.pdf: 4938138 bytes, checksum: 3d27bcde3035f46e94b9cbed83b4935d (MD5) Previous issue date: 2012-03-06 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Wildlife monitoring is often used by biologist to acquire information about animals and their habitat. In this context, animal sounds and vocalizations usually provide a specie fingerprint that is used for classifying the target species in a given site. For that matter, Wireless Sensor Networks (WSNs) represent an interesting option for automa- tically classifying animal species based on their vocalizations. In this work, we provide a solution that applies machine learning and signal processing techniques for classifying wildlife based on their vocalization. As a proof-of-concept, we choose anurans as the target animals. The reason is that anurans are already used by biologists as an early indicator of ecological stress, since they provide relevant information about terrestrian and aquatic ecosystems. Any solution must consider WSN limitations, trying to reduce the communication load to extend the network lifetime. Therefore, our solution repre- sents the acoustic signals by a set of features. This representation allows us to identifiy specific signal patterns for each specie, reducing the amount of information necessary to classify it. Identifying such features, and/or combinations among them, is a key point to improve the solution benefit-cost ratio. As a consequence, we implemented and compared sets of existing features based on Fourier and Wavelet transforms. In our analysis, we first compare the sets of spectral and temporal characteristic, by using the entropy as a criterion for generating the combinations. Second, we reduce the set of features by using genetic algorithm. The proposed framework contains three steps: (i) the pre-processing to prepare the signals and perform the extraction of syllables, (ii) the extraction of features, and (iii) the species classification, using k-NN or SVM. Our experiments comprise four case studies, evaluating the effect of sampling frequency of the hardware and the number of bits used to represent each sample. This enable us to conclude that, in enviromental monitoring using WSNs, the set of Mel coefficients is the most appropriate for classifying anuran calls. / O monitoramento de animais selvagens é frequentemente usado por biólogos para cole- tar informações a cerca dos animais e seus habitats. Neste contexto, os sons produzidos pelos animais oferecem uma impressão biométrica que pode ser usada para classificar os animais em uma dada região. Assim, Redes de Sensores Sem Fio (RSSFs) representam uma importante alternativa para a classificação automática de animais, baseando-se nos sons por eles produzidos. Neste trabalho, apresentamos uma solução, que usa aprendizagem de máquina e processamento de sinais, para classificar animais selva- gens com base em suas vocalizações. Como prova-de-conceito, aplicamos a solução para classificar anuros. O motivo é que anuros já são utilizados por biólogos como indicador precoce de estresse ecológico, oferecendo informação a cerca de ecossistemas terrestre e aquático. Além disso, a solução deve considerar as limitações de RSSFs, buscando reduzir a carga de comunicação para prolongar o tempo de vida da rede. Portanto, representamos os sinais acústicos por conjuntos de características. Esta re- presentação nos permite identificar padrões específicos que descrevem cada uma das espécies monitoradas, reduzindo, assim, o volume de informação a ser trafegado na rede. A identificação destas características, ou combinações delas, é um ponto chave para aprimorar a relação custo-benefício da solução. Em nossa análise, primeiramente comparamos os conjuntos de características temporais e espectrais, usando a entropia como critério para geração das combinações. A seguir, reduzimos o conjunto de ca- racterísticas, usando algoritmos genéticos. O framework proposto contém três passos: (i) pré-processamento, para preparar os sinais e extrair unidades chamadas sílabas; (ii) extração de características; e (iii) classificação, usando k-NN ou SVM. Os experimentos consistem de quatro estudos de casos, avaliando o efeito da quantização e o número de bits usados para representar o sinal quantizado. Isto nos permite concluir que, para os cenários avaliados, o conjunto de coeficientes Mel é o mais adequado para classificar vocalizações de anuros.