[논문]해양환경 모니터링을 위한 순환 신경망 기반의 돌고래 클릭 신호 분류 알고리즘 개발

정서제; 정우근; 신성렬; 김동현; 김재수; 변기훈; 이다운

doi:10.7582/gge.2023.26.3.126

해양환경 모니터링을 위한 순환 신경망 기반의 돌고래 클릭 신호 분류 알고리즘 개발
Development of Dolphin Click Signal Classification Algorithm Based on Recurrent Neural Network for Marine Environment Monitoring 원문보기

지구물리와 물리탐사 = Geophysics and geophysical exploration, v.26 no.3, 2023년, pp.126 - 137

정서제 (한국해양대학교 해양과학기술융합학과) , 정우근 (한국해양대학교 에너지자원공학과) , 신성렬 (한국해양대학교 에너지자원공학과) , 김동현 (한국해양대학교 수중운동체특화연구센터) , 김재수 (한국해양대학교 해양공학과) , 변기훈 (한국해양대학교 해양과학기술융합학과) , 이다운 (한국해양대학교 에너지자원공학과)

초록
AI-Helper

본 연구에서는 해양 모니터링 중에 기록된 돌고래 클릭 신호를 분류하기 위해 순환 신경망(RNN)을 적용하는 방법을 검토했다. 클릭 신호 분류의 정확도를 높이기 위해 단일 시계열 자료를 분수 푸리에 변환을 사용하여 분수 영역으로 변환하여 특징을 확장했으며, 분류를 위한 최적의 네트워크를 결정하기 위해 세 가지 순환 신경망 모델(LSTM, GRU, BiLSTM)을 비교 분석하였다. 순환 신경망 모델의 입력 자료로써 이용된 분수 영역 자료의 경우, 분수 푸리에 변환 시 회전 각도에 따라 다른 특성을 가지므로, 각 네트워크 모델에 따라 우수한 성능을 가지는 회전 각도 범위를 분석했다. 이때 네트워크 성능 분석을 위해 정확도, 정밀도, 재현율, F1-점수와 같은 성능 평가 지표를 도입했다. 수치실험 결과, 세 가지 네트워크 모두 높은 성능을 보였으며, BiLSTM 네트워크가 LSTM, GRU에 비해 뛰어난 학습 결과를 제공했다. 마지막으로, 현장 자료 적용 가능성 측면에서 BiLSTM 네트워크가 다른 네트워크에 비해 낮은 오탐지 결과를 제공하였다.

Abstract ▼ AI-Helper

In this study, a recurrent neural network (RNN) was employed as a methodological approach to classify dolphin click signals derived from ocean monitoring data. To improve the accuracy of click signal classification, the single time series data were transformed into fractional domains using fractional Fourier transform to expand its features. Transformed data were used as input for three RNN models: long short-term memory (LSTM), gated recurrent unit (GRU), and bidirectional LSTM (BiLSTM), which were compared to determine the optimal network for the classification of signals. Because the fractional Fourier transform displayed different characteristics depending on the chosen angle parameter, the optimal angle range for each RNN was first determined. To evaluate network performance, metrics such as accuracy, precision, recall, and F1-score were employed. Numerical experiments demonstrated that all three networks performed well, however, the BiLSTM network outperformed LSTM and GRU in terms of learning results. Furthermore, the BiLSTM network provided lower misclassification than the other networks and was deemed the most practically appliable to field data.

주제어

표/그림 (14)

그림 Fig. 1. (a) Collection of 16 acoustic dolphin click signals from ocean monitoring data, (b) Enlarged view of the first acoustic signal within 0 ~ 1 s range, and (c) Frequency spectrum of signal displayed in (b).
$Fig. 2. (a) Time-series data with click signals and (b) Data after fractional Fourier transform.$ 그림 Fig. 2. (a) Time-series data with click signals and (b) Data after fractional Fourier transform.
표 Table 1. Parameters of the experimental environment.
그림 Fig. 3. Flowchart of the proposed network model.
표 Table 2. Hyperparameter and training settings for the proposed network models.
그림 Fig. 4. (a) Time-series data with click signals, (b) click #1, and (c) click #2.
그림 Fig. 5. Schematic representation of synthetic data generation.
그림 Fig. 6. Input data: (a) Synthetic data with click signals before FrFT, and (b) Data after FrFT.
그림 Fig. 7. Validation accuracy (a, c, e) and loss curve (b, d, f): (a, b) LSTM, (c, d) GRU, and (e, f) BiLSTM.
표 Table 3. Validation loss and validation accuracy by angle for LSTM, GRU, and BiLSTM.
그림 Fig. 8. Confusion matrix used to evaluate performance of the three classification models.
그림 Fig. 9. Performance evaluation of the three classification models: (a-c) Accuracy, (d-f) Precision, (g-i) Recall, and (j-l) F1-score.
표 Table 4. Performance metrics (accuracy, precision, recall, F1-score) by angle for LSTM, GRU, and BiLSTM by angle.
그림 Fig. 10. (a) Field data, and test results of: (b) LSTM test result, (c) GRU test result, and (d) BiLSTM. Blue zones represent section that were accurately classified the proposed algorithms, whereas red zones highlight misclassified sections.

참고문헌 (30)

Almeida, L. B., 1994, The fractional Fourier transform and？time-frequency representations, IEEE Trans. Signal Process,？42(11), 3084-3091. doi: 10.1109/78.330368

상세보기
Au, W. W., and Herzing, D. L., 2003, Echolocation signals of？wild Atlantic spotted dolphin (Stenella frontalis), J. Acoust.？Soc. Am., 113(1), 598-604. https://doi.org/10.1121/1.1518980

상세보기
Caruso, F., Dong, L., Lin, M., Liu, M., Gong, Z.,Xu, W.,？Alonge, G., and Li, S., 2020, Monitoring of a Nearshore？Small Dolphin Species Using Passive Acoustic Platforms？and Supervised Machine Learning Techniques, Front. Mar.？Sci., 7, 267. https://doi.org/10.3389/fmars.2020.00267

상세보기
Cho, K., Van Merrienboer, B., Gulcehre, C., Bahdanau, D.,？Bougares, F., Schwenk, H., and Bengio, Y., 2014, Learning？phrase representations using RNN encoder-decoder for statistical machine translation, arXiv preprint arXiv:1406.1078.？https://doi.org/10.48550/arXiv.1406.1078
Choi, K. H., Yoon, Y. G., Kim, S., Kim, H., Cho, J. W., Bae, H.？S., and Park, K., 2019, Analysis of echolocation click signals？of Indo-Pacific bottlenose dolphin (Tursiops aduncus) in Jeju？Island, J. Acoust. Soc. Korea, 38(1), 56-65 (in Korean with？English abstract). https://doi.org/10.7776/ASK.2019.38.1.056

원문보기 상세보기
Cui, Q., Yang, B., Liu, B., Li, Y., and Ning, J., 2022, Tea Category Identification Using Wavelet Signal Reconstruction of？Hyperspectral Imagery and Machine Learning, Agriculture,？12(8), 1085. https://doi.org/10.3390/agriculture12081085

상세보기
Dey, R., and Salem, F. M., 2017, Gate-variants of gated recurrent unit (GRU) neural networks, In 2017 IEEE 60th International Midwest Symposium on Circuits and Systems？(MWSCAS), 1597-1600. https://doi.org/10.48550/arXiv.1701.05923
Ditria, E. M., Buelow, C. A., Gonzalez-Rivero, M., and Connolly, R. M., 2022, Artificial intelligence and automated？monitoring for assisting conservation of marine ecosystems:？A perspective, Front. Mar. Sci., 9, 918104. https://doi.org/10.3389/fmars.2022.918104

상세보기
Frasier, K. E., Roch, M. A., Soldevilla, M. S., Wiggins, S. M.,？Garrison, L. P., and Hildebrand, J. A., 2017, Automated classification of dolphin echolocation click types from the Gulf？of Mexico, PLoS Comput. Biol., 13(12), e1005823. https://doi.org/10.1371/journal.pcbi.1005823

상세보기
Graves, A., Mohamed, A. R., and Hinton, G., 2013, Speech recognition with deep recurrent neural networks, In 2013 IEEE？International Conference on Acoustics, Speech and Signal？Processing, 6645-6649. doi: 10.1109/ICASSP.2013.6638947
Hochreiter, S., and Schmidhuber, J., 1997, Long short-term？memory, Neural Comput, 9(8), 1735-1780. https://doi.org/10.1162/neco.1997.9.8.1735

상세보기
Jiang, J. J., Bu, L. R., Duan, F. J., Wang, X. Q., Liu, W., Sun, Z.？B., and Li, C. Y., 2019, Whistle detection and classification？for whales based on convolutional neural networks, Applied？Acoustics, 150, 169-178. https://doi.org/10.1016/j.apacoust.2019.02.007

상세보기
Jin, C., Kim, M., Jang, S., and Paeng, D. G., 2022, Semantic？segmentation-based whistle extraction of indo-pacific bottlenose dolphin residing at the coast of jeju island, Ecol. Indic,？137, 108792. doi: 10.1016/j.ecolind.2022.108792

상세보기
Jozefowicz, R., Zaremba, W., and Sutskever, I., 2015, An？empirical exploration of recurrent network architectures, In？International conference on machine learning, PMLR, 2342-2350. https://proceedings.mlr.press/v37/jozefowicz15.html
Kavanagh, A. S., Nykanen, M., Hunt, W., Richardson, N., and？Jessopp, M. J., 2019, Seismic surveys reduce cetacean sightings across a large marine ecosystem, Scientific Reports,？9(1), 19164. https://doi.org/10.1038/s41598-019-55500-4

상세보기
Kim, D., Kim, J. S., and Song, J., 2022a, Cancellation of dolphin sonar clicks in a communication signal based on adaptive time reversal processing, JASA Express Lett, 2(5), 056001. https://doi.org/10.1121/10.0010375

상세보기
Kim, J. H., and Kim, J. Y., 2022, Comparative analysis of performance of BI-LSTM and GRU algorithm for predicting the？number of Covid-19 confirmed cases, Journal of the Korea？Institute of Information and Communication Engineering,？26(2), 187-192 (in Korean with English abstract). https://doi.org/10.6109/jkiice.2022.26.2.187

원문보기 상세보기
Kim, J. S., Yoon, Y. G., Han, D. G., La, H. S., and Choi, J. W.,？2022b, Classification of bearded seals signal based on convolutional neural network, J. Acoust. Soc. Korea, 41(2), 235-241 (in Korean with English abstract). https://doi.org/10.7776/ASK.2022.41.2.235

원문보기 상세보기
Namias, V., 1980, The fractional order Fourier transform and its？application to quantum mechanics, IMA J. Appl. Math.,？25(3), 241-265. https://doi.org/10.1093/imamat/25.3.241

상세보기
Ozaktas, H. M., and Kutay, M. A., 2001, The Fractional Fourier？Transform, In 2001 European Control Conference (ECC).？IEEE, 1477-1483. doi: 10.23919/ECC.2001.7076127
Radford, C. A., Jeffs, A. G., Tindle, C. T., and Montgomery, J.？C., 2008, Temporal patterns in ambient noise of biological？origin from a shallow water temperate reef, Oecologia,？156(4), 921-929. doi: 10.1007/s00442-008-1041-y

상세보기
Read, J., Pfahringer, B., Holmes, G., and Frank, E., 2011, Classifier chains for multi-label classification, Mach. Learn., 85,？333-359. https://doi.org/10.1007/s10994-011-5256-5

상세보기
Saxena, R., and Singh, K, 2005, Fractional Fourier transform: A novel tool for signal processing, J. Indian Inst. Sci., 85(1),？11-26. https://www.researchgate.net/publication/228341636_Fractional_Fourier_transform_A_novel_tool_for_signal_processing
Schmidhuber, J., 2015, Deep learning in neural networks: An？overview, Neural Networks, 61, 85-117. https://doi.org/10.1016/j.neunet.2014.09.003

상세보기
Schuster, M., and Paliwal, K. K., 1997, Bidirectional recurrent？neural networks, IEEE Trans. Signal Process, 45(11), 2673-2681. https://ieeexplore.ieee.org/document/650093

상세보기
Sugimatsu, H., Kojima, J., Ura, T., Bahl, R., and Tomuro, S.,？2015, Development of an automatic discrimination method？of the bio-sonar clicks of Irrawaddy dolphin (Orcaella brevirostris) from various types of boat noises, OCEANS 2015 -？MTS/IEEE Washington, 1-9. doi: 10.23919/OCEANS.2015.7404489
Thomas, M., Martin, B., Kowarski, K., Gaudet, B., and Matwin,？S., 2019, An end-to-end approach for true detection of low？frequency marine mammal vocalizations, J. Acoust. Soc.？Am., 146(4), 2959. https://doi.org/10.1121/1.5137278

상세보기
Tian, L., 2021, Seismic spectral decomposition using short-time？fractional Fourier transform spectrograms, J. Appl. Geophys.,？192, 104400. https://doi.org/10.1016/j.jappgeo.2021.104400

상세보기
Wenz, G. M., 1962, Acoustic ambient noise in the ocean: Spectra and sources, J. Acoust. Soc. Am., 34(12), 1936-1956.？https://doi.org/10.1121/1.1909155

상세보기
Zhai, M. Y., 2014. Seismic data denoising based on the fractional Fourier transformation, J. Appl. Geophys., 109, 62-70.？https://doi.org/10.1016/j.jappgeo.2014.07.012

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증