1) O documento descreve um projeto que usa uma rede de sensores sem fio para classificar anuros (sapos e pererecas) com base em seus chamados, a fim de monitorar o estresse ecológico. 2) Os sensores detectam os chamados, extraem características de áudio e classificam as espécies usando técnicas de aprendizado de máquina. 3) Os resultados mostram que a fusão dos resultados dos sensores melhora a classificação em comparação com um sensor individual, mas o ganho é pequeno, enquant

1. Classificação de Anuros usando
Rede de Sensores Sem Fio
Juan Gabriel Colonna
Eduardo Freire Nakamura
Instituto de Computação (Icomp)
Universidade Federal do Amazonas (UFAM)

2. Projeto ANURA
Objetivo: Determinar estresse ecológico usando como
indicador as variações das populações de anuros.
Sensíveis às mudanças
do ecossistema
A. andreae
Detecção do som
Leptodactylus hylaedactylus
Lima, A.P.; Erdtmann, L.K.; Ferrão, M., Costeira, J.M.; Oliveira, A.S.; Oliveira, D.M.S. 2012.
SAPOTECA: biblioteca de sons e vídeos de anuros amazônicos. CENBAM, Manaus, Amazonas, Brasil.
Rhinella major

3. Reconhecimento de áudio
Problemas: detecção
e reconhecimento
Método: Coeficientes Mel e SVM ou k-NN.

4. Redes de sensores
Cenário 1
Cenário 2
Trade-off: processamento vs
transmissão
Cenário 3

5. Colaboração e fusão
●
●
Propriedade colaborativa
da rede
Fusão: média,
votação, etc.
NAKAMURA, E. F. ; LOUREIRO, A. A. F. ; FRERY, A. C. . Information Fusion for Wireless Sensor Networks: Methods, Models, and Classifications.
ACM Computing Surveys, v. 39, p. 9/1-9/55, 2007.

6. Trabalhos relacionados
Err=
ErrP +β∗ErrS
1+β
Vantagem: imunidade aos ruídos, classificador simples
Desvantagem: clusttering (sincronização, escolha de k, descartar clustter),
gerar combinações de saída.
RIBAS, A. D. ; COLONNA, J. G. ; FIGUEIREDO, C. M. S. ; NAKAMURA, E. F. . Similarity Clustering for Data Fusion in Wireless Sensor Networks Using k-Means. In: International
Joint Conference on Neural Networks, 2012, Brisbane. Proceedings of the 2012 International Joint Conference on Neural Networks (IJCNN 2012), 2012. p. 488-494.

7. O problema da
Confusão
●
●
●
●
Padrões de sinal misturados
Ruídos
Outros animais
Espécies que não estão na base
Scinax ruber
Dendropsophus minutus

8. Objetivo e Hipóteses
Objetivo: Elaborar um método de fusão e rejeição que melhore
a acurácia de classificação em cenários distribuídos
●
●
H1: A técnica de rejeição diminui os erros de
classificação.
H2: Usar um comitê de sensores é melhor que usar
somente um sensor.

9. Método
Método:
1. Cada sensor detecta e classifica;
2. Os vetores de probabilidades a posteriori são transmitidos ao líder;
3. O líder aplica uma votação;
4. Calcula-se a entropia do vetor de probabilidades a posteriori;
5. Aplica-se uma regra de decisão.

10. Classificadores
1.
2.
3.
4.
kNN (k=3) (98.2%)
Árvore (94.6%)
Naive Bayes (93.6%)
Discriminant analysis
Distância de Mahalanobis
D(i , j)= √( x i−μ j ) S j ( x i −μ j )
T
−1
Probabilidade a posteriori
q j = p( x i∣μ j , S j ) π j
●
Se as Sj de cada grupo são iguais então
usamos funções discriminantes lineares
log (q j )=
●
Senão usamos funções discriminantes
quadráticas
log (q j )=
http://www.mathworks.com/help/stats/discriminant-analysis.html
−1 2
D +log (π j )+c 0
2 i, j
−1 2
1
D i , j +log(π j )− log∣S j∣+c 0
2
2

11. Regras de Votação
●
●
Cenário: Dado um vetor de características
desconhecido x, cada classificador produz as
probabilidades a posteriori para as M classes,
sendo Pj(wi|x), i=1...M e j=1...L
Objetivo: Combinar as probabilidades a
posteriori para melhorar a probabilidade final
P(wi|x)
{
L
+1 par
2
lc=
L+1
impar
2
●
Voto majoritário
●
Voto majoritário ponderado (power): Pw=
1
N
∑ x2
L
●
Regra geométrica:
max w ∏ P j (w i∣x)
i
j=1
L
●
Regra aritmética:
1
P(w i∣x)= ∑ P j (w i∣x)
L j =1
Theodoridis, S. and Koutroumbas, K. Pattern Recognition, 4th.
Comitê de sensores == Conjunto de Classificadores

12. Método de Rejeição
h=−p i ∑ pi
Exemplo:
[0 0 . . . 1 . . 0 0]
Entropia: -0*log2(0) . . . -1*log2(1) = 0
[0 0,25 . . . 0,75 . . 0 0]
Entropia: -0,25*log2(0,25) - 0,75*log2(0,75) = -0,8
[0 0,5 . . . 0,5 . . 0 0]
Entropia: -0,5*log2(0,5) – 0,5*log2(0,5) = -1 (rejeitar)
Nota: O método de rejeição permite transformar o
problema de classificação em um problema bi-classe.

13. Experimentos
✔
✔
✔
✔
✔
✔
Um clustter de 4 sensores formando um grid
perturbado separados 5[m] + N~(0,0.1),
Tamanho da área 10x10 [mts],
9 Espécies diferentes,
Ruído aditivo gaussiano N~(0,0.1),
Modelo de atenuação equ.(1)
com alfa = 0.10 dB/m,
Modelo de combinação
linear de sílabas equ.(2)
Equação 1
atte=
S new =α1∗S1 +α 2 S 2
1
10
α
Equação 2
di
20
α= Absorção Atmosférica(dB /m)
d i =distância (m)
http://www.csgnetwork.com/atmossndabsorbcalc.html
S1 =sílaba da espécie 1
S 2 =sílaba da espécie 2

14. Resultados para um sensor
Erro da espécie 1 antes de rejeitar = 0,52
Erro da espécie 2 antes de rejeitar = 0,68
Erro da espécie 1 após rejeitar = 0,37
AUC_sensor1_discriminant = 0.5566
AUC_sensor1_naive = 0.5395

15. Resultados para um sensor
Matriz de confusão da entropia
limiar = 0,1
Erro = 0.43
Precisão = TP / (TP+FP) = 0.55
Revocação = TP / (TP+FN) = 0.7
F1 = 0.6
Kappa = 0.23
Matriz de confusão da entropia
limiar = 0,2
Erro = 0.45
Precisão = TP / (TP+FP) = 0.55
Revocação = TP / (TP+FN) = 0.55
F1 = 0.55
Kappa = 0.1
previsão
Conf
10677
TP
4397
FN
Não
Conf
8730
FP
6196
TN
Conf
Não
Conf
Conf
8412
TP
6662
FN
Não
Conf
6860
FP
8066
TN
Não
Conf
Conf
previsão
*Nota: objetivo futuro penaliza FN → 0

16. Resultados do comitê de sensores

17. Resultados do comitê de sensores

18. O ganho após a rejeição
Ganho=erro antes de rejeitar−erro após rejeitar

19. Comportamento dos FN
not fn=lim
fn→ 0
tp+ fp+tn
≃1
tp+ fp+tn+ fn

20. ROC – Método discriminante
AUC: é uma medida de quão bem o limiar de entropia pode detectar um cenário confuso.
AUC_sensor1_discriminant = 0.5566
AUC_geometric_discriminant = 0.5884
http://www.medcalc.org/manual/roc-curves.php
AUC_sensor1_naive = 0.5395
AUC_majority_weighted_naive = 0.5742

21. Conclusões
●
●
●
O método de classificação de Naive Bayes produz resultados que
variam proporcionalmente ao limiar da entropia (correlação +) com
custo de classificação menor;
O ganho na taxa de acerto ao usar votação comparada com
somente um sensor foi no máximo 5%, sendo pouco significante;
Os ganho produzidos deveram-se mais ao efeito da rejeição do que
à votação;
●
Futuramente usar uma matriz de custos para reduzir os FN.
●
Futuramente aplicar Stqacking

22. Stacking
Time taken to build model: 6.48 seconds
=== Stratified cross-validation ===
=== Summary ===
Correctly Classified Instances
29407
98.0233 %
Incorrectly Classified Instances
593
1.9767 %
Kappa statistic
0.9605
Mean absolute error
0.0464
Root mean squared error
0.1401
Relative absolute error
9.2837 %
Root relative squared error
28.0186 %
Coverage of cases (0.95 level)
99.6367 %
Mean rel. region size (0.95 level)
59.8617 %
Total Number of Instances
30000
=== Detailed Accuracy By Class ===
TP Rate FP Rate Precision Recall F-Measure MCC
ROC Area PRC Area
Class
0.967 0.007 0.993
0.967 0.980
0.961 0.996 0.995 1
0.993 0.033 0.968
0.993 0.980
0.961 0.996 0.993 0
Weighted Avg. 0.980 0.020 0.981
0.980 0.980
0.961 0.996 0.994
=== Confusion Matrix ===
a b <-- classified as
14579 495 | a = 1
98 14828 | b = 0