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.
| Identifer | oai:union.ndltd.org:IBICT/oai:http://localhost:tede/2964 |
| Date | 06 March 2012 |
| Creators | Colonna, Juan Gabriel |
| Contributors | Nakamura, Eduardo Freire, Santos, Eulanda Miranda dos |
| Publisher | Universidade Federal do Amazonas, Programa de Pós-graduação em Informática, UFAM, BR, Instituto de Computação |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| 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, 600, 1052477850274827528 |
Page generated in 0.0026 seconds