Juan Gabriel ColonnaEduardo Freire Nakamura

Instituto de Computação (Icomp)Universidade Federal do Amazonas (UFAM)

Classificação de Anuros usando Rede de Sensores Sem Fio

Projeto ANURAObjetivo: Determinar estresse ecológico usando como indicador as variações das populações de anuros.

Sensíveis às mudançasdo ecossistema

Detecção do som

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.

Leptodactylus hylaedactylus

A. andreae

Rhinella major

Reconhecimento de áudio

Método: Coeficientes Mel e SVM ou k-NN.

Problemas: detecção e reconhecimento

Redes de sensores

Trade-off: processamento vs transmissão

Cenário 1 Cenário 2

Cenário 3

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.

Trabalhos relacionados

Vantagem: imunidade aos ruídos, classificador simplesDesvantagem: 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.

Err=ErrP+β∗ErrS

1+β

O problema da Confusão

● Padrões de sinal misturados● Ruídos● Outros animais● Espécies que não estão na base

Scinax ruberDendropsophus minutus

Objetivo e HipótesesObjetivo: 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.

MétodoMétodo: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.

Classificadores1. kNN (k=3) (98.2%)2. Árvore (94.6%)3. Naive Bayes (93.6%)4. Discriminant analysis

D(i , j)=√(x i−μ j)T S j

−1(x i−μ j)

Distância de Mahalanobis

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

● Senão usamos funções discriminantes quadráticas

log (q j)=−12

Di , j2

+ log (π j)+c0

log (q j)=−12

Di , j2

+ log(π j)−12

log∣S j∣+c0

http://www.mathworks.com/help/stats/discriminant-analysis.html

Regras de Votação

Comitê de sensores == Conjunto de Classificadores

● Cenário: Dado um vetor de características desconhecido x, cada classificador produz as probabilidades a posteriori para as M classes, sendo P

j(w

i|x), i=1...M e j=1...L

● Objetivo: Combinar as probabilidades a posteriori para melhorar a probabilidade final P(w

i|x)

● Voto majoritário

● Voto majoritário ponderado (power):

● Regra geométrica:

● Regra aritmética:

lc={L2+1 par

L+12

impar

Pw=1N∑ x2

maxwi∏j=1

L

P j (wi∣x)

P(wi∣x)=1L∑j=1

L

P j (w i∣x)

Theodoridis, S. and Koutroumbas, K. Pattern Recognition, 4th.

Método de Rejeição

Exemplo:

[0 0 . . . 1 . . 0 0] Entropia: -0*log

2(0) . . . -1*log

2(1) = 0

[0 0,25 . . . 0,75 . . 0 0] Entropia: -0,25*log

2(0,25) - 0,75*log

2(0,75) = -0,8

[0 0,5 . . . 0,5 . . 0 0] Entropia: -0,5*log

2(0,5) – 0,5*log

2(0,5) = -1 (rejeitar)

Nota: O método de rejeição permite transformar o problema de classificação em um problema bi-classe.

h=−pi∑ pi

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)

Equação1

atte=1

10α

d i

20

α=Absorção Atmosférica(dB /m)

di=distância (m)

Equação 2

Snew=α1∗S1+α2 S2

S1=sílabadaespécie1S2=sílabadaespécie2

http://www.csgnetwork.com/atmossndabsorbcalc.html

Resultados para um sensor

Erro da espécie 1 antes de rejeitar = 0,52Erro da espécie 2 antes de rejeitar = 0,68

Erro da espécie 1 após rejeitar = 0,37

AUC_sensor1_discriminant = 0.5566AUC_sensor1_naive = 0.5395

Resultados para um sensor

previsão

Conf Não Conf

Conf10677

TP4397 FN

Não Conf

8730 FP

6196TN

Matriz de confusão da entropia limiar = 0,1Erro = 0.43Precisão = TP / (TP+FP) = 0.55Revocação = TP / (TP+FN) = 0.7F1 = 0.6Kappa = 0.23

Matriz de confusão da entropia limiar = 0,2Erro = 0.45Precisão = TP / (TP+FP) = 0.55Revocação = TP / (TP+FN) = 0.55F1 = 0.55Kappa = 0.1

previsão

ConfNão Conf

Conf 8412TP

6662FN

Não Conf

6860FP

8066TN

*Nota: objetivo futuro penaliza FN → 0

Resultados do comitê de sensores

Resultados do comitê de sensores

O ganho após a rejeição

Ganho=erro antes de rejeitar−erro após rejeitar

Comportamento dos FNnot fn=lim

fn→0

tp+ fp+tntp+ fp+tn+ fn

≃1

ROC – Método discriminanteAUC: é uma medida de quão bem o limiar de entropia pode detectar um cenário confuso.

http://www.medcalc.org/manual/roc-curves.php

AUC_sensor1_discriminant = 0.5566AUC_geometric_discriminant = 0.5884

AUC_sensor1_naive = 0.5395AUC_majority_weighted_naive = 0.5742

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

StackingTime 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 0.9605Mean absolute error 0.0464Root mean squared error 0.1401Relative 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 0Weighted 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