Automated ultrasonic vocalization analysis: Training and testing VocalMat on a rat-based dataset
Notice bibliographique
Résumé
Background: Ultrasonic vocalizations (USVs) offer another way to study the behaviour of rodents in addition to commonly used visual methods. USV subtypes have been associated with behaviour such as the concurrence of 22-kHz calls and signs of distress (defensive behaviour). (1,2) However, the categories used to analyze USVs are a source of contention, most notably with 50-kHz calls, and may even be arbitrary altogether. (3) To facilitate subtyping calls, VocalMat has been developed for USV identification and classification, and it has shown an accuracy of greater than 98% for mice USV detection and 86% for mice USV classification. (4) In this project, we have constructed a rat-based dataset of USVs and then used it to train the VocalMat program to assess automated USV classification. Methods: Avisoft-SASLab Pro was used to manually classify USVs from 216 audio files. The sorted USVs were then used to train VocalMat’s classification program. Results: Our results show overall accuracies greater than 90% with the highest in the trill and flat categories (97.2% and 91.0%). We experimented with the number of USV categories and found high accuracies when grouping spectrographically similar calls, which are flat calls with up and down ramp calls (96.9%) and trill calls with trill jump and flat-trill calls (98.7%). Limitations: There are large variations in the number of calls per category in our dataset. More data is needed to fill these gaps and provide more training samples for infrequent calls. Conclusions: By creating a database of rat USVs and then using it to train VocalMat, we have shown the potential of its adaption to a rat vocal repertoire. Going forward, we hope to test more variations of USV categories on machine learning programs to establish a robust approach to classifying USVs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».