窃听在自然栖息地交配的石斑鱼并不令人毛骨悚然。事实上，确保他们的生存是必不可少的。多年来，科学家们一直使用被动声学监测技术来研究鱼类的行为。该技术的特定应用用于观察鱼类(包括石斑鱼)的繁殖周期。

在一项新的研究中，佛罗里达大西洋大学工程与计算机科学与海洋分支海洋学研究所的研究人员和合作者使用深度神经网络将这项技术提升到了一个新的水平 - 一套以人脑为模型的算法。他们开发了一种有效的方法，通过声音或“石斑鱼叫声”对石斑鱼物种进行分类。

发表在美国声学学会杂志上的这项研究结果表明，采用这种新方法，研究人员对四种石斑鱼 - 红背(E. guttatus)，拿骚石斑鱼的发声分类准确率达到90%左右。(E.纹)，黄(M. venenosa)和黑色石斑鱼(M. bonaci)。这种新技术明显优于以前报道的石斑鱼呼叫自动分类方法。

许多鱼产生声音有很多原因，如求爱和交配，导航，以及保护他们的领土免受入侵者侵害。一些石斑鱼在产卵聚集过程中会产生与物种相关的求爱声。它们长距离游泳并以高密度聚集，以便在精确的位置和时间进行大规模繁殖。这种广泛的生殖策略通常在石斑鱼之间共享。

“石斑鱼的声音在10到500赫兹频率范围内变化，并且具有独特的特征，可以在频谱图中看到，它是声音或其他信号中频率频谱的直观表示，”Hanqi Zhang博士说。 D.，FAU的主要作者，副主席和计算机与电子工程和计算机科学系的教授。“例如，红色的石斑鱼叫声在100到200赫兹的波段，而拿骚石斑鱼的声音在30到300赫兹的波段。”

在早期的工作中，FAU研究人员开发了一种自动分类算法FADAR(鱼声探测算法研究)，能够在自然环境中识别四种石斑鱼，分类精度约为82%。FADAR主要由三个阶段组成：信号去噪，特征提取和分类。尽管FADAR提供了一种自动化的声乐分类方法，但这种机器学习方法仍然在很大程度上依赖于精心设计的处理和特征提取方法。

由FAU研究人员开发的新型基于深度学习的探测器和分类器不需要复杂的预处理和手工制作的特征提取程序。

对于这项研究，庄和共同作者Ali K. Ibrahim是FAU的研究生;Laurent M. Cherubin，博士，FAU海港分公司副研究员;Michelle T. Scharer-Umpierre博士，波多黎各大学相关研究员;FAU计算机与电子工程与计算机科学系主任兼教授Nurgun Erdol博士测试了卷积神经网络和长短期记忆网络，对四种石斑鱼产生的声音进行分类。他们能够证明，他们在研究中使用的数据驱动特征提取器的表现优于手工制作的特征提取器。

石斑鱼产卵季节的集中性和持续时间短 - 每年几个月 - 使它们特别容易受到过度捕捞的影响。此外，它们通常需要5至10年才能达到性成熟，然后才能繁殖和补充其种群。

“据报道，如果目前的过度捕捞趋势继续存在，全球163种石斑鱼物种中约有12%面临灭绝的危险，另有13%的物种接近受威胁，”FAU工程学院院长Stella Batalama博士说。和计算机科学。“我们的海洋资源不是无限的，研究石斑鱼和其他物种的产卵聚集对于旨在扭转全球濒危鱼类消耗和维持海洋生物多样性的保护工作至关重要。我们的研究人员开发的技术是帮助实现这一目标的关键工具。重要的努力。“

该研究的结果还将有助于向渔业管理人员提供必要的保护措施。未来的研究将实施研究人员在实时平台上开发的新算法，并将探索应用此方法检测和分类其他鱼类呼叫的潜力。