Golfinhos são amplamente reconhecidos como mamíferos marinhos inteligentes, com comunicação e ecolocalização sofisticadas. Classificar com precisão seus assobios é essencial para entender seus padrões de comunicação e monitorar seu tamanho populacional, estrutura e distribuição. Neste estudo, montamos um grande conjunto de dados de alta qualidade de sinais de assobios de golfinhos nariz-de-garrafa do Indo-Pacífico (Tursiops aduncus) coletados no Chimelong Ocean Kingdom. O conjunto de dados incluiu várias categorias de assobios, incluindo um tipo de assobio que não estava disponível anteriormente para pesquisa. Em seguida, aplicamos redes neurais convolucionais (CNNs) para classificar os sinais de assobio, usando cinco arquiteturas de CNN para analisar os sinais. O desempenho do modelo foi avaliado usando precisão média (mAP), e o modelo com melhor desempenho atingiu 0.929 em mAP no conjunto de teste, demonstrando que abordagens baseadas em CNN podem distinguir efetivamente entre diferentes classes de assobios. Para sondar a robustez, também introduzimos ruído em níveis de SNR definidos para aumentar a complexidade do teste e avaliar a estabilidade do classificador. O modelagem de propagação acústica BELLHOP foi usada para gerar respostas ao impulso do canal. Esses sinais simulados foram combinados com os dados de sinal originais para construir um conjunto de treinamento aumentado. Os resultados indicam que essa augmentação melhorou a robustez do modelo de classificação. Diferenciar os tipos de assobios é crucial, pois as categorias de assobios podem refletir variações na estrutura da comunicação, contexto comportamental ou padrões acústicos em nível de grupo. Portanto, a abordagem proposta pode apoiar a análise bioacústica em grande escala e fornecer informações úteis para futuros estudos sobre comunicação, comportamento e conservação dos golfinhos.
向明 et al. (Sex,) estudaram essa questão.