《Marine Mammal Science》：Identifying Dolphin Whistle Producers With Deep Learning: Moving Beyond Signature Whistles
编辑推荐：
研究人员利用卷积神经网络（Convolutional Neural Network, CNN）对原始振幅向量进行操作，以分类哪位海豚产生了特定的哨声（共20只不同海豚），且不受哨声轮廓类型的限制，直接从哨声录音的原始时间序列中进行判断。宽吻海豚（Tursiop
研究人员利用卷积神经网络（Convolutional Neural Network, CNN）对原始振幅向量进行操作，以分类哪位海豚产生了特定的哨声（共20只不同海豚），且不受哨声轮廓类型的限制，直接从哨声录音的原始时间序列中进行判断。宽吻海豚（Tursiops truncatus）能够产生多种类型的哨声轮廓，包括特征性哨声（signature whistles）、共享哨声（shared whistles）、同种个体特征性哨声的复制哨声（copies of conspecifics' signature whistles）以及变异哨声（variant whistles）。尽管作为个体识别标志的特征性哨声已被广泛研究，但利用非特征性哨声类型进行海豚个体识别的研究仍显不足。共享哨声由多只海豚共同产生，而特征性哨声的复制哨声尤为难以分类；变异哨声在个体识别中的潜力则 largely 尚未被探索。当模型使用所有哨声类型进行训练时，其在哨声生产者分类中表现出强劲的性能（准确率为85.20%），其中特征性哨声（96.10%）和共享哨声（92.50%）的准确率最高，变异哨声达到中等准确率（72.10%），而特征性哨声复制哨声的准确率最低（17.20%）。为评估分类准确率与生态相关性之间的权衡，仅使用特征性哨声训练的模型达到了93.70%的准确率。该研究代表了在充分研究的种群中，跨越不同哨声类型进行发声者识别的第一步，而非仅仅依赖个体独特的特征性哨声。这些结果还展示了深度学习（Deep Learning, DL）与原始音频时间序列在支持齿鲸（odontocetes）被动声学监测未来进展方面的潜力。
研究背景与问题
在海洋哺乳动物声学研究领域，宽吻海豚（Tursiops truncatus）的声学通讯研究已取得长足进展。自1965年Caldwell夫妇首次描述特征性哨声以来，这种具有个体特异性的哨声轮廓被认为在个体分离时传递发声者身份信息，成为海豚个体识别的重要声学标志。然而，传统分析方法依赖专家目视评估和人工比对建立目录，过程耗时费力。更为重要的是，特征性哨声仅占野生自由游动海豚哨声 repertoire 的40%至70%，且在同种个体存在时其使用比例趋向于该范围的下限——恰恰是群体聚集、个体身份最难以确定的场景。海豚还会产生共享哨声（由群体中多个个体共同使用的非特征性哨声轮廓）、复制同种个体的特征性哨声，以及变异哨声等非特征性哨声类型。这些非特征性哨声在社会互动和群体凝聚事件中频繁出现，却长期缺乏有效的个体识别方法，严重限制了研究人员在社会动态最丰富的情境中推断个体行为的能力。
现有研究方法的局限性进一步凸显了这一问题的紧迫性。传统的机器学习（Machine Learning, ML）方法依赖人工定义的声谱图特征提取，受限于用户预设的参数选择；而基于图像的计算机视觉方法虽被应用于完整声谱图，但其性能对快速傅里叶变换（Fast Fourier Transform, FFT）大小、窗长、重叠度等预处理参数高度敏感，且存在时序信息丢失的风险。因此，开发能够跨越哨声类型、直接从原始音频信号中识别发声者的方法，成为推动海豚被动声学监测发展的关键需求。
研究方法与技术路线
本研究的数据来源于美国海军海洋哺乳动物计划（U.S. Navy Marine Mammal Program, MMP）饲养的20只宽吻海豚（雄性12只，雌性8只），该种群自2019年起维护包含特征性哨声、共享哨声和非特征性哨声的发声目录。声学数据通过三种记录系统采集：自校准单通道或四通道Soundtrap水听器系统、以及配有High Tech Inc.高频水听器的Behringer UMC202HD声卡配合Microsoft Surface Pro平板电脑。研究人员使用RavenPro 1.6或定制的Matlab应用程序进行哨声检测和标注，将每只海豚的哨声按类型和个体编号标记后导出为独立的.wav文件（16位，96 kHz采样率）。为获得标注数据，研究团队采用"声学体检"（acoustic physicals）程序：训练海豚在"竖起大拇指"的手势信号下以头部朝向水听器的位置发出特定哨声，每周记录五次，同时采集自由发出和诱发产生的哨声样本。
在模型构建方面，研究人员采用Dai等人于2016年提出的M18深度残差时间卷积神经网络（residual temporal convolutional neural network）架构，并针对高采样率生物声学数据进行适配。该模型直接以原始音频振幅时间序列作为输入，通过高通滤波（2000 Hz）和信号归一化（零均值、单位方差）预处理后，经由18层一维卷积运算提取时序依赖关系，配合最大池化（max-pooling）层进行信息浓缩，利用残差连接（residual connections）保留关键特征，最后通过全连接神经网络输出各潜在哨声生产者的概率分布。训练采用Adam优化器，学习率1e
-4，批次大小16，共训练40个周期。数据按海豚×日期进行95%/5%的独立拆分，确保训练集和验证集的声音环境不重叠，避免模型依赖背景噪声等非哨声特征进行判断。研究设置了多重比较分析：首先在所有哨声类型上训练并测试模型；其次单独在特征性哨声上训练模型，以量化分类准确率与生态覆盖范围之间的权衡。
研究结果
训练测试于全部哨声类型的模型结果
当使用所有哨声类型对20只海豚进行训练时，M18模型达到85.3%的哨声生产者分类准确率，显著高于加权随机概率基准（15.1%），p < 0.001。各类哨声表现差异显著：特征性哨声的准确率最高，达96.1%；共享哨声表现优异，准确率为92.5%，该类别包含11只训练海豚和7只测试海豚的贡献，其中"群体哨声"（由8只海豚共享的单一轮廓）共贡献7131次共享哨声记录；变异哨声的准确率为72.1%，来自17只训练海豚和12只测试海豚；特征性哨声复制哨声的准确率最低，仅17.2%，且样本量受限（6只海豚贡献训练集，3只贡献测试集，其中26/29的测试样本集中于单一个体）。各海豚的模型准确率波动较大，范围为30.2%至100.0%（均值M=81.1%±4.0%标准误）。
训练测试于特征性哨声的模型结果
仅使用特征性哨声训练的模型准确率达93.7%，各海豚准确率范围为66.7%至100.0%（M=91.5%±2.2%标准误）。值得注意的是，全类型模型对特征性哨声的分类表现（96.1%）甚至优于特征哨声专用模型（93.7%），提示接触完整哨声 repertoire 可能使模型学习到更多关于个体哨声特征的补充信息。
讨论与结论
本研究首次证明了利用原始音频时间序列的端到端深度学习，可以跨越完整哨声 repertoire 实现海豚哨声生产者的识别。M18模型在全类型哨声上的成功（85.3%准确率），特别是共享哨声的高分类准确率（92.5%），表明即使频率-时间轮廓高度相似的共享信号中，仍存在稳定的生产者特异性声学特征。这一发现支持了海豚哨声中个体身份信息超越单纯轮廓形状、可能涉及振幅调制及其他"嗓音"相关特征的假说，与Jones等人此前关于共享哨声个体内变异小于个体间变异的研究结论相吻合。
研究人员推测，这些个体特异性差异可能源于发声器官（phonic lip complex）的解剖结构、生物力学特性或运动控制差异，这些因素可能在保持哨声轮廓一致的同时，影响频率调制、持续时间、谐波结构、振幅包络等声学特征。然而，这种解释的机理基础仍需进一步研究。变异哨声（72.1%准确率）的成功分类进一步拓展了个体信息在非典型哨声中的存在范围，为未来探索个体特异性声学特征在更自然社会情境中的应用奠定了基础。
特征性哨声复制哨声的低准确率（17.2%）主要受限于样本量不足和数据分布偏斜，多数测试样本集中于单一个体，尚不能据此否定该类哨声的识别潜力。研究同时指出若干需改进的局限：单一训练-验证分割可能引入抽样偏差；模型目前依赖人工哨声检测和分割，距完全自动化尚有距离；原始波形对采样率敏感，48 kHz的下采样可能损失24-48 kHz高频信息；现有数据的高信噪比条件（水听器距海豚额隆约1米）与野外被动声学监测的实际场景存在差距。
尽管存在上述挑战，该研究为海洋哺乳动物生物声学监测提供了重要概念验证：基于原始音频时间序列的深度学习能够减少研究者预设特征的人工干预，让模型自主发现最相关的声学信息。随着transformer等更高效架构的发展，以及通过噪声增强提升模型泛化能力的策略实施，该方法有望从well-studied种群逐步扩展至更广泛的野外监测应用，最终实现对齿鲸个体发声者的非侵入式持续追踪，深化对海洋哺乳动物社会通讯与种群动态的理解。该论文发表于《Marine Mammal Science》。
