Processing and classifying bird songs using wavelet techniques and supervised learning

This study proposes an integrated framework for the processing and classification of invasive bird species vocalizations within natural soundscapes, characterized by high levels of environmental noise. We address the challenge of signal degradation by employing a Bayesian wavelet shrinkage methodology based on the Epanechnikov kernel prior, which offers a closed form decision rule and high computational efficiency for processing large bioacoustic datasets. The methodology was applied to recordings of three species obtained from the iNaturalist platform: \textit{Euphonia violacea}, \textit{Leiothrix lutea}, and \textit{Passer domesticus}. After signal denoising, we extracted a comprehensive set of features, including Mel-Frequency Cepstral Coefficients (MFCCs) and spectral indices such as entropy and zero-crossing rate. Several supervised learning models: Random Forest, Multinomial Logistic Regression and Support Vector Machine (SVM) were evaluated across different feature dimensionalities. Our results demonstrate that the proposed wavelet based preprocessing significantly enhances classification performance, with the SVM model achieving the highest accuracy (up to 0.9398) under a 10-dimensional MFCC configuration. This research provides a robust statistical tool for automated ecological monitoring and the management of biological invasions.

한 줄 요약

고음질 환경 소음 속 조류 소리 분류를 위해 베이지안 웨이블릿 기법과 SVM 분류기 결합한 통합 프레임워크를 제안한다.

핵심 기여도

**Epanechnikov 커널 기반 베이지안 웨이블릿 셰이킹**을 사용하여 대규모 생물음향 데이터셋 처리 효율성 향상.
**MFCC 10차원 특징**과 **SVM 분류기**를 결합하여 최대 **정확도 0.9398** 달성.
**iNaturalist 플랫폼**의 **Euphonia violacea, Leiothrix lutea, Passer domesticus** 3종 데이터셋에 적용.
**고정밀 생태 모니터링**을 위한 통계적 도구 제시.

핵심 아이디어

본 연구는 자연 소음이 높은 환경에서 조류 소리 분류를 정확히 수행하기 위해 **웨이블릿 기반 신호 전처리**와 **감독 학습 모델**을 결합한 통합 프레임워크를 제안한다. 기존 웨이블릿 셰이킹 방법은 고정된 임계값 기반으로 소음을 제거하지만, 본 연구는 **Epanechnikov 커널을 사전 분포로 사용한 베이지안 접근법**을 도입하여, **신호의 스파르시티와 노이즈 수준에 따라 적응적으로 계수를 축소**한다. 이는 **닫힌 형태의 결정 규칙**을 제공하며, **계산 효율성**을 높인다.

특히, **MFCC와 스펙트럼 지표**(엔트로피, 제로 크로스링 레이트)를 결합한 특징 추출 과정에서, **10차원 MFCC**가 SVM 모델에 가장 효과적인 입력으로 나타났다. 이는 **낮은 차원에서도 핵심 정보를 유지**할 수 있음을 시사하며, **데이터 증강 없이도 높은 성능**을 달성할 수 있음을 보여준다.

기술적 접근법

**신호 전처리**: 고정밀 웨이블릿 셰이킹을 사용한 노이즈 제거.
**특징 추출**: MFCC, 엔트로피, 제로 크로스링 레이트 등.
**모델**: Random Forest, Multinomial Logistic Regression, SVM.
**특징 차원**: 4차원, 10차원 MFCC 구성 평가.
**데이터셋**: iNaturalist 플랫폼에서 수집한 3종 조류 소리.
**성능 평가 지표**: 정확도, 민감도, 특이도, Kappa, Mcnemar’s Test.

주요 결과

**SVM 모델**이 **10차원 MFCC** 입력에서 **정확도 0.9398** 달성.
**Euphonia violacea**와 **Leiothrix lutea**는 **첫 번째 주성분**(PC1)을 기준으로 명확히 분리됨.
**Passer domesticus**와 **Leiothrix lutea**는 **약간의 중첩**이 있지만, **전체 구조는 명확**.
**MFCC_min2, MFCC_mean2, MFCC_med1, MFCC_max2**가 **4차원 구성**에서 가장 중요한 특징.
**엔트로피와 ZCR**이 **10차원 구성**에서 가장 높은 예측 기여도를 보임.

의의 및 한계

본 연구는 **고환경 소음 조건**에서 조류 소리 분류를 위한 **통계적 신호 처리와 머신러닝 모델의 결합**을 제시하며, **생태 모니터링 자동화**에 기여한다. 특히, **Epanechnikov 커널 기반 웨이블릿 셰이킹**은 **계산 효율성과 정확도**를 동시에 달성하는 데 성공했다.

하지만, **데이터셋 크기**가 제한적이었으며, **다양한 환경 조건**(예: 낮과 밤, 계절)에서의 일반화 가능성은 추가 연구가 필요하다. 또한, **CNN 기반의 전이 학습**(transfer learning)과 **데이터 증강**이 **소규모 프로젝트**에서 유용할 수 있다는 언급은, **딥러닝 접근법**과의 비교 연구 필요성을 시사한다.

실용적 활용

본 연구는 **생물 침입종 모니터링**, **생태계 보전**, **자연 보존 지역의 자동 음향 분석**에 활용 가능하다. 특히, **iNaturalist와 같은 플랫폼**에서 수집된 데이터를 기반으로 **저비용, 고정밀 생태 모니터링 시스템** 구축에 기여할 수 있다.