Змішані сигнали: машинне навчання допомагає виявляти рик левів за допомогою нашийників без запису звуку

Рикання на великі відстані є ключовою особливістю поведінки левів. Вони спілкуються всередині прайдів, а також з іншими тваринами, використовуючи чіткі послідовності риків та бурчання. Науковці з ініціативи GAIA опублікували в журналі Ecological Informatics метод машинного навчання, який покращує способи вивчення такої поведінки. Алгоритм здатний надійно виявляти рик на великих відстанях, спираючись виключно на дані акселерометра (ACC), які фіксують нашийники — без мікрофона, без енерговитратного запису звуку та без аудіофайлів, що потребують багато місця для зберігання. Уперше такий алгоритм надійно працює як із самцями, так і з левицями, і навіть зі змішаними сигналами, коли тварини йдуть під час рикання.

Леви живуть у високосоціальних групах (прайдах) із тісними зв’язками та складною системою комунікації, що охоплює візуальні, хімічні, тактильні та акустичні сигнали. Вони використовують їх для координації своїх рухів та уникнення конфліктів. Єдиний спосіб спілкування левів на великих відстанях — це рикання. Оскільки члени прайду часто розкидані на значних територіях, рик відіграє центральну роль у спілкуванні всередині групи. Хоча акустичні деталі цих звуків уже ретельно задокументовані та проаналізовані, просторова поведінка, пов’язана з риканням, і його функції у внутрішньовидовій комунікації вивчені лише частково.

«Відомо, що самці левів не рикають, аби вразити левиць, і є припущення — хоча поки що без наукових доказів — що вони роблять це для захисту своєї території», — зазначає доктор Ортвін Ашенборн, ветеринар диких тварин і науковець ініціативи GAIA в Інституті досліджень зоопарків і дикої природи імені Лейбніца (Leibniz-IZW). «Комунікація на великих відстанях серед левиць залишається абсолютно недослідженою».

Традиційні методи аудіозапису не є практичними для такого типу досліджень: ручні мікрофони можуть лише спорадично фіксувати окремі звуки левів на відстані. Пристрої для запису звуку, прикріплені до тварин, як-от аудіологери, поєднані з нашийниками, потребують багато енергії та пам’яті, а також записують великі обсяги даних, які не потрібні для відповіді на ці дослідницькі питання. Щоб проаналізувати рик у поєднанні з патернами просторового переміщення і, відповідно, соціальною поведінкою, необхідно протягом тривалого часу фіксувати, коли та де лев (або левиця) рикає. Цю інформацію можна отримати з аналізу так званих даних прискорення (ACC), які записують нашийники. Дані акселерометра фіксують навіть найменші рухи у трьох вимірах з високою частотою та протягом тривалих періодів, що дає змогу ідентифікувати широкий спектр поведінкових реакцій. Штучний інтелект є незамінним помічником у цьому процесі: алгоритми машинного навчання можна навчити розпізнавати специфічні патерни в даних прискорення та співвідносити їх із певною поведінкою. Патерни рухів, такі як біг, політ або плавання, вже можна дуже надійно виявляти в багатьох видів тварин і вивчати науково, наприклад, у поєднанні з GPS-координатами, які записують одночасно. Однак класифікація вокалізацій на основі даних акселерометра досі є рідкістю, оскільки це пов’язано зі значними методологічними труднощами.

Повнозгорткова нейронна мережа ініціативи GAIA здатна розпізнати рик лева в даних акселерометра, навіть якщо він супроводжується іншими діями, наприклад, бігом

На відміну від бігу чи польоту, патерни рухів, пов’язані з вокалізацією, супроводжуються лише ледь помітними, дрібними рухами, які часто охоплюють лише частину тіла тварини. Хоча рик лева дуже гучний (його можна почути на відстані до восьми кілометрів), отриманий сигнал акселерометра є відносно слабким. Крім того, вокалізація може змішуватися з іншими формами поведінки, наприклад, коли лев — як це часто буває — рухається під час рикання, і датчики фіксують суміш різних поведінкових патернів.

«Попередні моделі для класифікації рику левів за даними прискорення навчали лише на даних самців, які не здійснювали жодних інших рухів», — пояснює Ваня Раст, фахівець зі штучного інтелекту в галузі дикої природи ініціативи GAIA та аспірант Leibniz-IZW. «Наша нова розробка здатна на більше: ми навчили так звану мережу U-Net, яка може виявляти рик як самців, так і левиць — і під час руху, і коли вони стоять на місці».

U-Net — це варіант згорткової нейронної мережі (CNN), методу машинного навчання, який переважно використовують для обробки зображень та аудіофайлів. Дані обробляють у шарах за допомогою згорток, унаслідок чого із вхідного значення формують вихідне значення (у випадку дослідження левів — «рик» або «немає рику»). Модель навчали з використанням еталонних даних від семи левів у Національному парку Етоша, які протягом кількох місяців носили GPS-нашийники з акселерометрами та аудіологерами. Загалом науковці зафіксували 1333 випадки рикання. Дані прискорення та аудіо були синхронізовані, щоб сигнали рику можна було ідентифікувати в потоці даних акселерометра.

Після навчання мережа U-Net змогла виконувати цю класифікацію з точністю від 90 до 96 відсотків, спираючись виключно на дані прискорення — штучний інтелект пропустив лише кілька справжніх риків (хибнонегативні результати). З іншого боку, близько 81 відсотка позначених риків були справжніми; трохи менш ніж у 20 відсотках випадків ШІ помилився (хибнопозитивні результати). Обидва показники однаково стосуються як самців, так і левиць. «Рик під час ходьби в середньому класифікували трохи менш надійно; однак подальші етапи фільтрації дозволили покращити виявлення до рівня, порівнянного з риком без руху», — зазначає Раст.

Нашийники з акселерометрами можуть — для певних завдань — замінити аудіологери на левах і відкрити нові можливості для досліджень

Науковці ініціативи GAIA в Leibniz-IZW переконані, що для певних дослідницьких питань цілком можливо й доцільно покладатися на класифікацію даних прискорення за допомогою ШІ для вивчення поведінки тварин у зв’язку з вокалізацією. «Порівняно зі звукозаписами, які зберігають аудіологери, дані прискорення можна зберігати протягом тривалішого часу: для цього потрібно менше енергії та місця в пам’яті», — каже доктор Йорґ Мельцгаймер, науковець ініціативи GAIA в Leibniz-IZW. Однак записують не сам звук — наприклад, рик чи бурчання — а лише факт того, коли й (у поєднанні з GPS-координатами) де він пролунав.

«Крім того, добре навчену модель класифікації даних прискорення можна застосовувати й до наявних наборів даних. Це означає, що інформацію можна використовувати для досліджень вокальної поведінки, навіть якщо її спочатку не збирали для цієї мети», — додає Мельцгаймер. «Водночас слід зазначити, що цей метод працює лише за умови успішного тренування моделі машинного навчання».

Команді ініціативи GAIA вдалося досягти цього у випадку з риком левів, проте цілком можливо, що спроби застосувати цей підхід до інших видів будуть менш успішними або взагалі зазнають невдачі, оскільки не кожна вокалізація супроводжується характерними чи достатньо вираженими сигналами акселерометра. Спираючись на цей метод машинного навчання, команда GAIA має намір продовжити дослідження поведінки левів під час рикання як ключового аспекту внутрішньовидової комунікації. Науковці також планують розробити концепцію «акустичного паркану» на межах природоохоронних територій, де стратегічно розміщені в ландшафті датчики та гучномовці долучатимуться до комунікації левів у вирішальні моменти. Мета полягає в тому, щоб утримати левів у межах цих заповідних зон і зменшити кількість контактів та конфліктів із людьми.