Hausmäuse kommunizieren über komplexe Ultraschallvokalisationen, die für Menschen nicht hörbar sind. Wie diese akustischen Signale soziales und sexuelles Verhalten steuern, wird bislang nur unzureichend verstanden. Eine kürzlich veröffentlichte Publikation des Konrad-Lorenz-Instituts für Vergleichende Verhaltensforschung (KLIVV) der Vetmeduni in Zusammenarbeit mit Forschenden am Institut für Schallforschung (ISF) der Österreichischen Akademie der Wissenschaften bietet nun einen umfassenden Überblick über die neuesten bioakustischen Methoden und Verfahren des maschinellen Lernens zur Erforschung der akustischen Kommunikation von Nagern.
Die Analyse tierischer Lautäußerungen ist eine äußerst anspruchsvolle und zeitintensive Aufgabe in der Verhaltensbiologie. In bioakustischen Analysen wird häufig mit enormen Datenmengen gearbeitet, die nun mit Hilfe von Künstlicher Intelligenz (KI) und dem Machine Learning (ML) einfacher und schneller ausgewertet werden können. „Lange Zeit war die Forschung zur Tierkommunikation durch den Aufwand bei der Aufbereitung und Analyse von Audiodaten begrenzt. Heute ermöglichen neue KI-gestützte Methoden wesentlich effizientere und präzisere Analysen“, erklärt Sarah M. Zala (KLIVV), Letztautorin der Studie.
Auf Basis bestehender Studien geben die Wissenschafter:innen einen umfassenden Überblick über aktuell verfügbare Werkzeuge zur Verarbeitung und Analyse von Mäusevokalisationen. Besonderes Augenmerk legte das Team auf die einzelnen Schritte der Datenverarbeitung – von der Aufzeichnung und der Signalvorverarbeitung über die automatische Erkennung von Ultraschallvokalisationen bis hin zu deren Klassifikation und Auswertung. Ziel zukünftiger Studien sei es, so Zala, „Fehler in jedem Verarbeitungsschritt zu minimieren und ihre Fortsetzung entlang der Analyse-Pipeline zu verhindern“. Der Vergleich etablierter signalverarbeitender Verfahren mit Methoden des maschinellen Lernens zeigt, dass die automatisierte Erkennung von Vokalisationen in den vergangenen Jahren erhebliche Fortschritte gemacht hat. Gleichzeitig bestehen weiterhin Herausforderungen – etwa bei der Unterdrückung von Hintergrundgeräuschen, der verlässlichen Verfolgung von Frequenzverläufen und der Extraktion biologisch relevanter Merkmale. Aber auch die klare Abgrenzung einiger Rufe bzw. Rufarten voneinander, stellt weiterhin eine Herausforderung dar. Die Forschenden betonen daher die Bedeutung hochwertiger, manuell kuratierter Datensätze als Referenz für das Training und die Validierung automatisierter Verfahren.
