《Behavioural Brain Research》：Bioacoustic processing and analyses of mouse vocalizations: current methods and future directions
编辑推荐：
研究人员旨在为处理和分析小鼠（Mus musculus）发声录音的新生物声学工具提供批判性全面综述，涵盖从时频表示到深度学习方法的完整流程，重点关注最小化误差传播，提出新的USV分类层级框架，并探讨技术挑战与解决方案。
研究人员旨在为处理和分析小鼠（Mus musculus）发声录音的新生物声学工具提供批判性全面综述，涵盖从时频表示到深度学习方法的完整流程，重点关注最小化误差传播，提出新的USV分类层级框架，并探讨技术挑战与解决方案。
该综述发表于《Behavioural Brain Research》，系统梳理了小鼠发声生物声学处理与分析领域的方法学进展与挑战。研究背景在于，动物声学通信研究长期受限于音频处理分析所需的大量人力时间，阻碍了该领域发展；同时，高质量注释数据集的构建维护成本高，限制了开放科学倡议。家鼠作为广泛研究的模式物种，其超声通信（USV）在行为生物学、神经科学及生物医学研究中价值日益凸显，尤其为探究人类言语遗传基础提供模型。然而，背景噪声、检测分类误差传播等技术瓶颈制约着研究进展。
研究人员开展了以下研究并得出结论：系统评估了时频表示（TFR）方法，包括传统短时傅里叶变换（STFT）谱图与基于鼠听觉系统的伽马音调（Gammatone）滤波器组、小波变换等替代方法；比较了机器学习（ML）与信号处理方法的USV自动检测效果，强调需改进降噪与频率等高线跟踪；综述了监督分类与无监督标注方法，提出新的USV层级分类框架，并探讨了序列分析方法。研究强调开放数据、可重复性及标准化评估指标的重要性，指出当前工具在泛化性方面存在不足。
该研究的重要意义在于：为小鼠发声研究提供了方法学整合框架，推动误差控制与标准化实践，促进跨研究比较与开放科学；其分类框架有助于统一领域术语混乱，提出的未来方向为技术优化指明路径，对理解啮齿类社交通信及相关神经发育疾病模型具有重要价值。
关键技术方法包括：时频表示生成（STFT谱图、Gammatone滤波器组、连续Morlet小波变换）；基于卷积神经网络（CNN）的USV检测与分类；先进降噪技术（经验Wiener收缩、多锥形谱图、时频重分配）；频率等高线（脊线）跟踪（Viterbi算法、恒定Q变换自相关）；以及序列分析方法（一阶Markov模型、Bayesian半参数Markov更新混合模型、UMAP降维）。
研究结果如下。
**时频表示**：传统STFT谱图应用最广泛，但存在时频分辨率权衡问题。Gammatone滤波器组（MUPET、BootSnap采用）适配鼠听觉系统，更具生物学相关性。小波变换提供频率依赖的时间分辨率，但感知频率尺度匹配不足。建议优化TFR参数（母小波/窗口选择、子采样率、滤波器数量），开源工具箱LTFAT及适配鼠耳蜗频率图的Audlet滤波器组等方向具有前景。
**信号检测**：A-MUD等工具基于信号/图像处理或深度学习（DeepSqueak、HybridMouse、U-NET），处理速度远超人工但面临低信噪比（SNR）挑战。评估存在两大问题：金标准建立需多评估者确定观察者间一致性（IOR），而此步骤常被忽略；泛化性评估不足，多数工具仅基于样本内数据验证，跨品系/情境的样本外验证稀缺。ContourUSV在样本外数据表现下降，A-MUD保持较高真阳性率但假阳性增加，U-NET虽表现优异但样本外性能仍有下降。建议采用F1分数等适配类别不平衡的指标，建立标准化评估协议，公开注释数据集以促进独立验证。
**降噪**：社交情境录音背景噪声显著，影响阿尔-管影响检测、频率跟踪及分类准确性。现有方法包括MUPET的谱减法、USVSEG的多锥形谱图平坦化、VocalMat的对比度增强自适应阈值处理，以及Abbasi等整合经验Wiener收缩、多锥形与时频重分配的方法。图示比较显示，谱减法残留噪声多，USVSEG法未能保留USV结构，多锥形重分配仍含宽带噪声伪影。未来可采用小波方法、源分离、谱门控（如noisereduce）及基于深度学习的降噪。强调需在回放实验中使用降噪并清晰报告方法参数。
**频率等高线跟踪**：现有工具（DeepSqueak基于每帧最大振幅频率、A-MUD基于三峰值Viterbi算法）在高SNR下表现良好，但低SNR或多成分情况下失效。Abbasi等新方法整合时频重分配、经验Wiener收缩、多锥形重分配及恒定Q变换自相关，显著改善多成分USV跟踪精度，但背景噪声与USV幅度相当时仍受限。需开发低SNR人工标注脊线数据集以评估改进算法。
**分类方法——监督与无监督方法**：手动分类存在离散与连续变体之争。建议采用软分类（如模糊C均值）替代硬分类以捕捉渐变特性。提出包含结构/非结构化USV、连续/非连续类型、变频方向及谐波成分的层级分类框架。连续USV（无频率跳变）可分为平坦、上升、下降、U形、倒U形、复杂等类型；非连续USV（≥1次频率跳变）按跳变数细分。谐波成分应作为跨类别的声学特征而非独立类别。
**USV类型与手动分类可靠性**：综合26项研究，USV音节类型描述数从3到15种不等 differing in classification methods and criteria。频率调制阈值从2 kHz到12.5 kHz不等，多为任意设定。发现两类强烈情境关联：谐波USV与雄性性行为密切相关（求偶后期约30%音节含谐波），"极高频"USV（>91 kHz）仅见于野生鼠。指出简短USV、谐波USV及倒U形USV的分类一致性较差，需报告IOR，典型值约为85%（15类）至90%（6大类）。
**监督机器学习分类**：基于TFR的CNN方法为主流，但面临公开标注数据集稀缺（如DeepSqueak、VocalMat等未完全公开数据）、训练数据一致性不足、泛化性验证缺乏（仅BootSnap明确评估样本外性能）、评估指标不当（准确率 misleading in class imbalance）及可解释性不足等挑战。建议采用迁移学习/微调策略，报告精确率、召回率、F1分数及精确率-召回率曲线下面积，并应用注意力机制等提升可解释性。
**无监督聚类**：Holy与Guo采用Isomap，Sainburg等及Goffinet等应用UMAP提出USV变异为连续分布、无离散类型的观点。研究人员指出，连续变异存在于某些类型间，但典型代表仍可区分；且维度降维方法本身引入人为偏倚。聚类结果受输入表示选择（基频vs.谱图vs.学习表示）、聚类数量设定（常用启发式而非量化标准）及样本量影响显著。建议探索混合方法如可学习音频前端（LEAF）。
**序列分析**：综述了六种主要方法：Holy与Guo采用一阶Markov模型；Burkett等计算句法熵与一阶转移概率；DeepSqueak结合k-均值聚类与Markov转移；Hertz等基于互信息改进聚类并应用深度-2后缀树；Goffinet等应用UMAP分析序列结构；Wu等提出Bayesian半参数Markov更新混合模型联合建模离散音节转移与连续音节间间隔（ISI）。指出序列定义阈值差异大（160-500 ms）、常用一阶Markov模型忽略高阶依赖、忽略个体差异与社会情境、数据集稀疏限制统计效力等问题。建议在回放实验中使用自然序列而非人工构造序列，借鉴鸟鸣研究的节律分析方法。
**讨论与结论**：核心关切为串行处理流程中的误差传播（误差级联），强调各阶段最小化误差的重要性。共享限制包括：可靠人工注释对基准和训练仍不可或缺，但可用数据集通常规模小、情境特定且罕以开放数据形式发布；多数工具在开发数据集上表现良好，但应用于不同实验室或实验条件的录音时准确性下降；评估实践不一致，准确率作为性能指标在类别不平衡时具有误导性；缺乏标准化基准数据集使方法难以等价比较。
研究人员强调，不应追求单一通用工具，而应详细描述方法、记录处理与评估步骤，通过MouseTube等仓库公开注释数据集、原始录音及元数据，分享可本地复现分析的软件实现。评估自动性能的金标准人工检测分类需报告IOR。提出的层级分类基于高频共识（BBV/MFV/USV区分、连续/非连续区分），但承认边界模糊性，所有分类均为基于谱图视觉差异的人为假设，未必对应小鼠感知。序列分析相对不足，需更灵活方法捕捉高阶结构与时序模式。
未来方向包括：混合专家设计与数据驱动ML方法；提升TFRs的生物学相关性；改进降噪与等高线跟踪；开发软分类方法；建立标准化基准与公平评估协议；加强开放科学实践。最终，研究结论指出，啮齿动物声音通信研究进展将依赖于透明记录的方法论、数据与代码的开放获取，以及一致、公平的评估协议，这些实践将促进更稳健、可泛化工具的开发，为更广泛的动物交流研究奠定更牢固、可重复的基础。
