《Ecology and Evolution》：A Self-Supervised Approach for Hainan Gibbon Call Separation in Passive Acoustic Monitoring
编辑推荐：
被动声学监测（passive acoustic monitoring, PAM）为生态研究和濒危物种保护提供了有效途径。然而，由于环境噪声以及缺乏成对干净参考录音，对极危海南长臂猿（Nomascus hainanus）PAM录音的自动分析仍具挑战性。监督式源分
被动声学监测（passive acoustic monitoring, PAM）为生态研究和濒危物种保护提供了有效途径。然而，由于环境噪声以及缺乏成对干净参考录音，对极危海南长臂猿（Nomascus hainanus）PAM录音的自动分析仍具挑战性。监督式源分离（supervised source separation）方法通常需要大量标注数据集，限制了其在真实生态录音中的适用性。为应对这些挑战，研究人员提出MC-RemixIT，一种面向复杂声学条件下海南长臂猿叫声的自监督源分离（self-supervised source separation）方法。MC-RemixIT在RemixIT基础上引入带注意力机制（attention mechanisms）的轻量级叫声增强模块（lightweight call enhancement module）、用于改善目标-噪声分离的信号互相关约束（signal cross-correlation constraints）以及增强分离稳健性的多训练约束（multiple training constraints）。该方法直接作用于原始波形（raw waveforms），训练中不需要完全干净的参考信号。实验结果表明，与RemixIT和生物声学去噪框架（bioacoustic denoising frameworks）相比，MC-RemixIT持续提高分离性能。此外，下游叫声存在检测（downstream call presence detection）实验显示，MC-RemixIT生成的目标叫声估计（target-call estimates）在多种深度学习架构（deep learning architectures）上提高检测性能，表明分离信号用于自动声学分析的可用性增强。MC-RemixIT为在噪声环境中改善野生动物声学录音提供了实用的自监督解决方案，并支持濒危物种的大规模生物声学监测。
海南长臂猿（Nomascus hainanus）为极危灵长类，仅存于海南热带雨林国家公园霸王岭，连续监测其生存和种群动态对区域生态平衡与生物多样性保护十分重要。传统视觉调查受复杂地形、密植被、恶劣天气和人为干扰限制，声学监测尤其被动声学监测（passive acoustic monitoring, PAM）可非侵入、大尺度、长期远程监测。但PAM长期录音产生大量冗余数据，目标信号提取耗时且依赖专家知识；黎明合唱等时段多物种同时鸣叫造成声谱—时间重叠；野外录音还受昆虫、风雨和人为噪声干扰，低信噪比（signal-to-noise ratio, SNR）下目标叫声关键声学特征易被掩蔽。深度学习中的卷积神经网络（convolutional neural networks, CNN）和端到端架构已用于生物声学源分离，但多数依赖干净目标信号作为真值参考，而真实监测中完全隔离的目标叫声常不可得；固定声源数假设难以适应野外动态声景；合成数据易产生域不匹配。已有无监督或弱监督方法如ORCA-PARTY、MixIT、PriorDeNet、MixIT结合图注意力和Biodenoising等仍存在依赖合成数据、固定输出源数、过分离、依赖中间数据质量、背景噪声主导时分离不佳或偏向人语音等局限；灵长类源分离研究也较少。海南长臂猿叫声持续时间较长、谐波结构突出，且录制于声学复杂的热带雨林声景，因此需要专门方法。RemixIT教师—学生自监督框架可直接从真实混合录音训练，无需干净参考，适合生态监测；研究人员据此提出MC-RemixIT。
关键技术方法概述：数据来自Wang数据集（2021.09—2022.12，06:00—18:00连续录音，48 kHz）和Dufourq数据集（2016.03—08，日出后连续8 h，多数9600 Hz），经10 s窗、1 s步长、单声道和16 kHz重采样。教师训练集由Wang数据集中500段低噪声叫声与WHAM!人为噪声按不同SNR混合为4000样本；学生训练集来自Dufourq数据集，随机配对混合生成复合源并按录音级划分。方法基于RemixIT教师—学生自监督框架和SuDoRM-RF骨干，前端加入LCE模块（lightweight call enhancement；含1D卷积、PReLU、深度可分离卷积、高效通道注意力（Efficient Channel Attention, ECA）和残差），教师损失加入信号互相关约束，学生训练采用谱平坦度与能量一致性多约束，EMA更新教师；评估采用DNSMOS（Deep Noise Suppression Mean Opinion Score；无参考感知质量评分）三维评分及ResNet34/50、MobileNetV3s/V4下游检测。
3.1 叫声分离结果的可视化分析：研究人员选取低SNR、复杂背景噪声及多只个体叫声重叠等代表性野外场景，通过声谱图比较RemixIT与MC-RemixIT。结果显示，MC-RemixIT估计的叫声谐波结构更清晰、音节轮廓更连续、残留背景干扰更少，估计噪声中残留目标叫声成分也明显减少；低SNR示例的DNSMOS评分中，SIG由2.82升至2.93，BAK由2.94升至3.06，OVRL由2.57升至2.63。对含昆虫声、其他动物声及风雨等干扰的三段录音，MC-RemixIT在各评价维度上均较RemixIT改善，背景噪声抑制提升尤为明显，说明其在复杂声景下能较稳定提取目标叫声并抑制噪声。
3.2 分离性能的定量评估：研究人员以DNSMOS比较MC-RemixIT、RemixIT和Biodenoising，并开展消融实验。MC-RemixIT的BAK均值由2.03升至2.32且标准差降低，SIG略高，OVRL均值和median更高、方差更低；Biodenoising虽BAK均值略高（2.35），但SIG均值2.51、OVRL均值1.94显著较低，表明MC-RemixIT在目标叫声保真与背景噪声抑制之间取得更好平衡。消融中，加入教师互相关策略（TeaXcorr）后各指标改善；再加入多约束策略（MC）使SIG由2.99升至3.01但BAK略降；加入学生互相关约束（StuXcorr）使BAK升至2.17、OVRL升至2.51；最终加入LCE后BAK和OVRL达最高（OVRL 2.54、BAK 2.32、SIG 2.99），说明各模块组合可有效改善目标叫声与背景噪声分离并尽量保留叫声保真度。
3.3 下游检测任务：研究人员构建海南长臂猿叫声存在检测任务，比较未分离Source、RemixIT目标叫声估计和MC-RemixIT目标叫声估计三种输入。整体测试集上，分离输入普遍提高四种主流模型的准确率、精确率、召回率和F1-score，MC-RemixIT总体检测性能最佳；ResNet50和ResNet34准确率分别由80.60%、81.84%升至90.80%、88.31%，F1-score达91.31%、88.84%；MobileNetV3s准确率由76.62%升至88.56%，高于RemixIT的80.85%。按录音来源分析，Dufourq测试子集上MC-RemixIT在四个模型中均取得最高精确率、召回率和F1-score，ResNet50分别达91.93%、91.63%、91.60%，较Source提高6.40、7.66、8.24个百分点，较RemixIT提高5.30、4.80、5.47个百分点；ResNet34、MobileNetV4、MobileNetV3s的F1-score分别为90.13%、90.71%、89.42%。Wang测试子集（n=47）中三种输入相对表现随模型变化：ResNet50和MobileNetV4上RemixIT与MC-RemixIT均高于Source；ResNet34上RemixIT优于Source而MC-RemixIT三项指标低于Source；MobileNetV3s上RemixIT低于Source而MC-RemixIT召回率和F1-score高于Source。总体上，MC-RemixIT在整体测试集和Dufourq子集上一致改善下游检测，Wang子集存在变异。
讨论部分指出，因缺乏成对干净参考，研究采用DNSMOS进行无参考感知质量评估；但DNSMOS原为人语音增强开发，可能不能完全反映动物发声的物种特异性声学特征，因此下游叫声存在检测提供任务导向的互补评估。MC-RemixIT可提升长期PAM中用于检测、行为监测和生态评估的声学输入质量，支持将源分离作为复杂录音条件下自动生态声学监测的前端预处理。来源特异评估中，MC-RemixIT在Dufourq录音上优势较稳定，而Wang录音上不同分离方法的相对表现随模型变化，原文认为可能与Wang测试子集样本量较小、缺少absence类、录音级划分以及两来源录音条件差异有关，需更大且类别更平衡、覆盖更广录音条件的数据进一步评估。原文还指出物种特异性深度学习模型在野生动物监测中渐多，MC-RemixIT针对海南长臂猿无干净参考录音设计，其优化策略可为其他面临类似数据限制的物种提供参考。局限包括：极低SNR下目标叫声被强背景掩蔽时分离性能可能下降；本研究聚焦目标叫声与背景噪声分离，尚未处理同种多个体重叠叫声，个体级叫声重叠仍是PAM的重要挑战。
研究结论翻译：总体而言，MC-RemixIT为在真实PAM条件下从复杂背景噪声中分离海南长臂猿叫声提供了有效解决方案，同时减少了对野外难以获得的全干净参考录音的依赖。分离质量提高与下游叫声存在检测改善相关，表明自监督源分离可作为自动生态声学分析的有效前端预处理步骤。这些发现凸显了MC-RemixIT用于海南长臂猿长期PAM的价值，并且更广泛地表明其在提高可用于生态分析和保护研究的声学数据质量方面具有潜力。
