《Poultry Science》:Two-stage acoustic detection and fine-grained classification of laying-hen vocalizations for heat-stress monitoring
编辑推荐:
为解决蛋鸡热应激连续、非接触式群体监测的难题,本研究创新性地将监测重点从零星的异常叫声转向对典型叫声的精细识别与类内分析。研究人员开发了一种基于声学生物标志物的热应激评估框架,通过两阶段自动分析流程(基于能量的声音活动检测VAD与二元分类器过滤,以及结合基础声学特征的双分支卷积神经网络CNN进行五类细粒度分类),实现了对蛋鸡叫声的高精度检测与分类。研究发现,热应激会改变蛋鸡叫声的组成结构(“其他”类叫声比例显著升高)和类内声学特征(如C1和“其他”类叫声时长缩短,C5叫声基频F0的变异度降低)。这为利用结构化声学监测作为蛋鸡热应激评估的非接触式方法提供了初步证据,对提升蛋鸡福利与生产效率具有重要意义。
在蛋鸡养殖业中,热应激是一个普遍存在且危害严重的环境挑战。它不仅会降低采食量和体重,影响产蛋量与蛋品质量,严重时还会削弱免疫功能,增加死亡率。传统的热应激评估方法往往依赖于人工观察或接触式传感器,难以实现对整个鸡群的持续、无扰监控。近年来,利用动物叫声来监测其健康与应激状态成为一种颇具前景的新思路。因为动物的发声与其生理和情绪状态紧密相关,其速率、音高、节奏的变化能够反映环境的改变。相比传统方法,声学监测具有非接触、连续、成本相对较低的优点,尤其适合群体层面的福利评估。
然而,现有的家禽声学监测研究大多聚焦于识别咳嗽、打喷嚏等异常呼吸音。这些声音虽然可以作为特定疾病的早期指标,但在实际养殖场中相对罕见且强度较弱,极易被背景噪声掩盖,导致有效样本匮乏。此外,异常叫声的特征受个体差异和环境干扰影响大,稳定性不足,这使得构建能在不同生产环境中稳健泛化的自动检测模型变得困难。这表明,仅依赖异常叫声可能无法在真实养殖条件下提供足够稳健的指示。
于是,一项发表在《Poultry Science》上的研究转换了思路,将分析焦点从罕见、不规则的异常声音,转向了蛋鸡更常见的正常叫声,并探究其在热应激下声学模式的变化。与咳嗽等异常音相比,正常叫声在真实养殖场中数量丰富、声学特征更为稳定,更适合长期声学监测。本研究旨在开发一个基于声学生物标志物的热应激评估框架,通过精细识别与类内分析蛋鸡的典型叫声,为实现连续、非接触的群体热应激监测探索新路径。
为了开展这项研究,研究人员运用了几个关键的技术方法。首先,他们设计了一个受控环境实验,将20只健康的京粉6号蛋鸡随机分为对照组和热应激组,在连续5天的实验期内,每天中午12:00至14:00对热应激组施加短期高温高湿环境(温度30–32°C,相对湿度75–85%,温湿指数THI ≥ 81),并同步采集音频。其次,构建了一套两阶段的自动分析流程:第一阶段通过基于能量的声音活动检测(Voice Activity Detection, VAD)和二元分类器,从连续录音中检测并确认蛋鸡叫声片段;第二阶段则利用一个融合了基础声学特征的双分支卷积神经网络(Convolutional Neural Network, CNN),将确认的叫声进一步细分为五个预定义的类别,并将低置信度的输出归为“其他”类。此外,研究引入了声音活动率(Vocal Activity Rate, VAR)来量化鸡群层面的日常叫声活动节律,并据此确定了标准化的分析时间窗口。最后,采用基于天数级汇总统计量的曼-惠特尼U检验(Mann-Whitney U test)等方法,对热应激组和对照组在叫声数量、类型组成及类内声学特征上的差异进行了统计分析。
研究结果
1. 蛋鸡叫声的声音事件分类
研究人员根据频谱图形态及谐波结构、节奏、粗糙度相关噪声等核心声学特性,将蛋鸡叫声事件定义为五种主要类型。例如,窄带谐波事件(C1)能量集中在0.5–1.5 kHz,谐波结构简单;而扩散粗糙谐波事件(C5)则谐波扩散且掺杂更多高频噪声,表现出更强的频谱平坦度。这为后续自动化分类和温度相关叫声变化分析提供了结构基础。
2. 轻量级声音识别模型的分类性能评估
开发的两阶段模型表现出色。二元分类任务准确率达到97.58%。五类细分类任务在独立测试集上总体准确率为94.77%,宏平均F1分数为94.54%。混淆矩阵分析显示,C1和C2分类近乎完美,C3和C5准确率稍低,错误多发生在谐波特征相似的类别之间。这表明该轻量级架构能够以高一致性区分五类叫声事件,支持后续对温度相关叫声变化的分析。
3. 热中性条件下的昼夜叫声节律
在热中性条件下,蛋鸡的叫声活动呈现出规律的日周期变化:夜间活动率低,白天逐渐升高,并在上午和下午出现两个峰值,其中下午峰值更为明显。基于此节律,研究选择了12:00至14:00这个叫声活动稳步升高且持续处于较高水平、同时又避开了极端下午峰值的时间段,作为标准化的监测窗口。
4. 蛋鸡叫声的自动检测与组成分析
应用预训练模型对热应激组和对照组在监测窗口内的叫声进行自动检测与分类分析,发现热应激组的总叫声数在前三天较高,随后两天明显下降,而对照组则保持相对稳定。在叫声类型组成上,热应激组“其他”类叫声的比例显著高于对照组,而五个预定义类型(C1-C5)的比例则无显著差异。这表明热应激下,蛋鸡的叫声模式结构稳定性降低,出现了更多变异性高、难以归类的叫声。
对C1、C5和“其他”类叫声进行类内声学特征分析发现,在热应激下,C1和“其他”类叫声的时长中位数显著缩短,C5叫声的基频F0的四分位距(Interquartile Range, IQR)减小,表明其音高变异性降低。这些类内声学特征的改变,反映了热应激对蛋鸡发声产生的生理性约束。
研究结论与意义
本研究通过一个轻量级、分步式的声学分析框架,系统探究了热应激对蛋鸡叫声行为的影响。研究得出结论,热应激会改变蛋鸡的整体叫声活动模式、叫声类型组成以及类内声学结构。具体表现为:在热暴露早期,总叫声数增加,随后下降;无法被模型高置信度分类的“其他”类叫声比例显著升高;在特定叫声类型内部,C1和“其他”类叫声的时长缩短,C5叫声的音高变异性(F0IQR)降低。
这些发现具有重要的理论和实践意义。首先,它将声学监测的焦点从罕见的异常声音扩展到丰富且稳定的正常叫声,为持续、非接触的动物福利监测开辟了新思路。其次,研究识别出三个具有潜在监测价值的声学生物标志物:“其他”类叫声比例升高、“其他”类叫声时长缩短以及C5叫声音高变异性降低。这些标志物在热应激下表现出一致的定向变化,且不单纯依赖于总叫声频率,支持它们作为鸡舍环境中连续声学监测的可行指标。
从发声生理学角度,这些变化可能与热应激引起的呼吸模式改变有关。当呼吸同时被用于喘息散热时,维持长时间、连续的叫声变得困难。而基频F0受鸣管张力和气囊压力控制,热应激可能损害神经肌肉控制和呼吸支持,从而导致音高稳定性下降。这为观察到的声学变化提供了合理的生理学解释。
当然,该研究框架依赖于预训练模型,其结构和泛化能力可能影响结果。未来研究需要在不同日龄、不同商业品种(如海兰、罗曼)的蛋鸡中验证此框架,并利用可解释人工智能方法量化标志物的贡献,或采用联邦学习进行跨农场模型训练,以提升其在实际多样化养殖环境中的稳健性和实用性。
总之,这项工作为利用蛋鸡的正常叫声作为非接触式热应激评估工具提供了有力的初步证据。通过深入剖析叫声的“结构”与“细节”,我们或许能“听”懂蛋鸡在高温下的不适与压力,从而为实现精准、人性化的智能养殖管理迈出关键一步。