1. На главную
  2. Электронные версии
  3. Доклады Российской академии наук. Математика, информатика, процессы управления
  4. T. 514, № 2, 2023

Доклады Российской академии наук. Математика, информатика, процессы управления, 2023, T. 514, № 2, стр. 39-48

НЕЙРОСЕТЕВОЙ ПОДХОД К КЛАССИФИКАЦИИ АКУСТИЧЕСКИХ СИГНАЛОВ С ИСПОЛЬЗОВАНИЕМ ИНФОРМАЦИОННЫХ ПРИЗНАКОВ

П. В. Лысенко 1, *, И. А. Насонов 1, **, Член-корреспондент РАН А. А. Галяев 1, ***, Л. М. Берлин 1, ****

1 Институт проблем управления им. В.А. Трапезникова Российской академии наук
Москва, Россия

* E-mail: pavellysen@ipu.ru
** E-mail: nasonov.ia18@physics.msu.ru
*** E-mail: galaev@ipu.ru
**** E-mail: berlin.lm@phystech.edu

Поступила в редакцию 22.08.2023
После доработки 30.08.2023
Принята к публикации 10.09.2023

Аннотация

В работе рассмотрена задача бинарной классификации акустических сигналов биологического происхождения, записанных в естественных условиях. В качестве признакового описания объектов выбраны информационные характеристики, такие как энтропия и статистическая сложность. Методы решения основаны на трех архитектурах нейронных сетей, модифицированных авторами (на ядре Inception, на ядре Inception и технологии Residual, на структуре Self-Attention с блоками LSTM). Использован датасет из соревнования на Kaggle по обнаружению акустических сигнатур китов, и проведено сравнение между моделями по качеству решения рассматриваемой задачи на стандартном наборе метрик. Получено значение AUC ROC более 90%, что говорит об успешном решении задачи обнаружения полезного сигнала и указывает на возможную применимость информационных характеристик к подобным задачам.

Ключевые слова: классификация временных рядов, спектрограмма, статистическая сложность, глубокое обучение

Список литературы

  1. Bishop Christopher M. Pattern Recognition and Machine Learning (Information Science and Statistics) / Christopher M. Bishop. Berlin, Heidelberg: Springer-Verlag, 2006. https://link.springer.com/book/9780387310732.

  2. LSTM Fully Convolutional Networks for Time Series Classification / Fazle Karim, Somshubra Majumdar, Houshang Darabi, Shun Chen // IEEE Access. 2018. V. 6. P. 1662–1669. http://ieeexplore.ieee.org/document/8141873/.

  3. Deep Learning-Based ECG Arrhythmia Classiшacation: A Systematic Review / Qiao Xiao, Khuan Lee, Siti Aisah Mokhtar et al. // Applied Sciences. 2023. apr. V. 13. № 8. P. 4964. https://www.mdpi.com/2076-3417/13/8/4964.

  4. Pham Tuan D. Time–frequency time–space LSTM for robust classification of physiological signals / Tuan D. Pham // Scientific Reports. 2021. mar. V. 11. № 1. P. 6936. https://www.nature.com/articles/s41598-021-86432-7.

  5. The Use of Time-Frequency Moments as Inputs of LSTM Network for ECG Signal Classification / Grzegorz Kłosowski, Tomasz Rymarczyk, Dariusz Wójcik et al. // Electronics. 2020. sep. V. 9. № 9. P. 1452. https://www.mdpi.com/2079-9292/9/9/1452.

  6. Deep residual learning for image recognition / Kai-ming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun // Proceedings of the IEEE conference on computer vision and pattern recognition. 2016. P. 770–778.

  7. Performance of a deep neural network at detecting North Atlantic right whale upcallsa) / Oliver S. Kirsebom, Fabio Frazao, Yvan Simard et al. // The Journal of the Acoustical Society of America. 2020. 04. V. 147. № 4. P. 2636–2646. https://doi.org/10.1121/10.0001132

  8. InceptionTime: Finding AlexNet for time series classification / Hassan Ismail Fawaz, Benjamin Lucas, Germain Forestier et al. // Data Mining and Knowledge Discovery. 2020. V. 34. № 6. P. 1936–1962. https://link.springer.com/10.1007/s10618-020-00710-y.

  9. Convolutional neural networks for time series classification / Bendong Zhao, Huanzhang Lu, Shangfeng Chen et al. // Journal of Systems Engineering and Electronics. 2017. feb. V. 28. № 1. P. 162–169. http://ieeexplore.ieee.org/document/7870510/.

  10. Attention is all you need / Ashish Vaswani, Noam Shazeer, Niki Parmar et al. // Advances in neural information processing systems. 2017. V. 30. https://arxiv.org/abs/1706.03762.

  11. Liu Gang. Bidirectional LSTM with attention mechanism and convolutional layer for text classification / Gang Liu, Jiabao Guo // Neurocomputing. 2019. V. 337. P. 325–338. https://www.sciencedirect.com/science/article/pii/ S0925231219301067.

  12. Doan Van-Sang. Underwater Acoustic Target Classification Based on Dense Convolutional Neural Network / Van-Sang Doan, Thien Huynh-The, Dong-Seong Kim // IEEE Geoscience and Remote Sensing Letters. 2022. V. 19. P. 1–5. https://ieeexplore.ieee.org/document/9229102/.

  13. Deep Machine Learning Techniques for the Detection and Classification of Sperm Whale Bioacoustics / Peter C. Bermant, Michael M. Bronstein, Robert J. Wood et al. // Scientific Reports. 2019. aug. V. 9. № 1. P. 12588. https://www.nature.com/articles/s41598-019-48909-4.

  14. Interpretable features for underwater acoustic target recognition / Junjun Jiang, Zhenning Wu, Junan Lu et al. // Measurement. 2021. mar. V. 173. P. 108586. https://linkinghub.elsevier.com/retrieve/pii/ S0263224120310988.

  15. Berlin Leonid. Comparison of Information Criteria for Detection of Useful Signals in Noisy Environments / Leonid Berlin, Andrey Galyaev, Pavel Lysenko // Sensors. 2023. V. 23. № 4. https://www.mdpi.com/1424-8220/23/4/2133.

  16. Berlin Leonid. Statistical complexity as a criterion for the useful signal detection problem / Leonid Berlin, Andrey Galyaev, Pavel Lysenko // Automation and remote control. 2023. V. 84. P. 852–871. http://ait.mtas.ru/en/archive/volume84issue7/AutRemControl2023-07-07Galyaev.pdf.

  17. Wang Junxiong. Feature Extraction of Ship-Radiated Noise Based on Intrinsic Time-Scale Decomposition and a Statistical Complexity Measure / Junxiong Wang, Zhe Chen // Entropy. 2019. V. 21. № 11. https://www.mdpi.com/1099-4300/21/11/1079.

  18. A Complexity-Based Approach for the Detection of Weak Signals in Ocean Ambient Noise / Shashidhar Siddagangaiah, Yaan Li, Xijing Guo et al. // Entropy. 2016. V. 18. № 3. https: //www.mdpi.com/1099-4300/18/3/101.

  19. The Marinexplore and Cornell University Whale Detection Challenge. https://www.kaggle.com/competitions/whale-detection-challenge/overview/. 2013.

Дополнительные материалы отсутствуют.

Инструменты

следующая статья выпуска предыдущая статья выпуска содержание выпуска

Доклады Российской академии наук. Математика, информатика, процессы управления

Архивы выпусков Информация о журнале Отправить рукопись в журнал