Modelo oculto de Markov basado en análisis discriminante lineal para la detección de vocalizaciones de misticetos

Los misticetos producen vocalizaciones distintivas que se utilizan para la ecolocalización, la comunicación y otras funciones marinas. Estas vocalizaciones crípticas son estudiadas por científicos marinos para determinar los patrones de comportamiento y el movimiento de este suborden de cetáceos dentro de su ecosistema. En la práctica, estas vocalizaciones se recogen utilizando monitoreo acústico pasivo durante días, semanas, meses e incluso años. Por lo tanto, es complejo estudiar estos sonidos utilizando técnicas tradicionales de inspección visual porque los conjuntos de datos recopilados son enormes. Las herramientas de aprendizaje automático (ML) como los modelos de mezcla gausiana (GMM), las máquinas de soporte vectorial (SVM) y los modelos ocultos de Markov (HMM) se han adoptado en tiempos recientes para ofrecer soluciones analíticas para detectar y estudiar automáticamente estas vocalizaciones crípticas. Sin embargo, las técnicas de extracción de características empleadas juegan un papel vital en determinar el rendimiento de estas herramientas de ML. En la mayoría de los casos, el rendimiento de la técnica de extracción de características es directamente proporcional al rendimiento de las herramientas de ML. Así, el método de análisis discriminante lineal (LDA) se presenta en este artículo como una técnica de extracción de características que puede adaptarse a los HMM (LDA-HMM) para detectar sin problemas las vocalizaciones de los misticetos. El rendimiento del detector LDA-HMM propuesto se compara con otros detectores recientes para vocalizaciones de misticetos en la literatura utilizando dos especies diferentes: canciones de ballena jorobada y pulsos de ballena de Bryde. Los resultados experimentales muestran que el detector LDA-HMM desarrollado es una alternativa eficiente en términos de rendimiento en comparación con las técnicas de detección recientes estudiadas en este artículo. Además, el detector LDA-HMM ofrece menor complejidad de tiempo computacional; por lo tanto, es más adecuado para aplicaciones en tiempo real.