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.
| Identifer | oai:union.ndltd.org:IBICT/oai:http://localhost:tede/6014 |
| Date | 15 September 2017 |
| Creators | Colonna, Juan Gabriel, (92) 98416-0589 |
| Contributors | secretaria.ppglufam@gmail.com, Nakamura, Eduardo Freire |
| Publisher | Universidade Federal do Amazonas, Programa de Pós-graduação em Informática, UFAM, Brasil, Instituto de Computação |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UFAM, instname:Universidade Federal do Amazonas, instacron:UFAM |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | -312656415484870643, 600, 500, 1052477850274827528 |
Page generated in 0.0029 seconds