米兰大学发布论文与猫咪叫声数据集，分类喵喵叫

在开始学习之前推荐大家可以多在 FlyAI竞赛服务平台 多参加训练和竞赛，以此来提升自己的能力。FlyAI是为AI开发者提供数据竞赛并支持GPU离线训练的一站式服务平台。每周免费提供项目开源算法样例，支持算法能力变现以及快速的迭代算法模型。

米兰大学的研究团队在期刊《动物福利》上发布了论文《猫在不同环境中叫声的自动分类》。

他们通过音频信号处理和模式识别 算法 ，实现了对猫叫声的自动分类。此外，团队还开放了一个包含 440 段由 21 只猫收集的叫声数据集。

收集二十一只猫，在三种状态的喵喵叫

猫，一直以来都是最受欢迎和喜爱的家庭宠物之一，通过对它们的行为、各类研究加强对猫的全面了解。

研究团队展开的这项研究，希望能够找出猫在几个常见环境下的叫声是否存在共性和规律， 能通过机器学习的方式，找到这些规律，以了解猫的行为意图或心理活动。

他们选择了 10 只缅因猫和 11 只英国短毛猫两个品种共二十一只猫，仔细记录下它们的性别、绝育情况。

数据集收录了它们三种环境状态下的叫声，分别是： 被抚摸时、陌生环境、喂食前， 并严格保证每只猫在三种环境中的各种变量。

比如在收录猫咪在陌生环境中的叫声前，会让主人陪伴猫咪在环境中共处至少 30 分钟，以免激发它们的情绪波动。在保证猫咪情绪稳定后，主人离开当前环境，收录猫咪独处的十分钟里的叫声。

在数据收集过程中，还需要尽量减少房屋、家具装饰等对收音的影响，团队还测试了各种收音设备，包括宠物穿戴设备，确保收音质量。

基于声音文件，研究团队提取了两组声学参数，即梅尔频率倒谱系数（MFCC）和时序特征。用这些参数使用基于有向无环图等分类方案，将问题空间进行分类。
研究团队共使用了五种分类方案： DAG-HMM（有向无环图-隐式马尔科夫）、class-specific HMMs, universal HMM 、SVM 支持向量机 和 ESN 回声状态网络（Echo State Network）五种分类方法。

结果显示 GAG-HMM 方法对三种状态的猫叫声，都有着很高的识别率。尤其对于等待喂食状态下的声音，有着 100% 的准确识别率。

这一研究结果让团队大受鼓舞，实验证明了猫叫声是可以被有效分类的。他们计划下一步的研究将尝试结合猫咪的身体动作，建立分析模型，继续分析猫咪的情绪特征。

结果显示 GAG-HMM 方法对三种状态的猫叫声，都有着很高的识别率。尤其对于等待喂食状态下的声音，有着 100% 的准确识别率。

这一研究结果让团队大受鼓舞，实验证明了猫叫声是可以被有效分类的。他们计划下一步的研究将尝试结合猫咪的身体动作，建立分析模型，继续分析猫咪的情绪特征。

读论文，下载数据集，就能理解猫？

论文访问 https://www. mdpi.com/2076-2615/9/8/ 543/htm 进行阅读
数据集访问 https:// openbayes.com/console/o penbayes/datasets/cxuvZ3QDu2S/ 注册后下载

---

更多精彩内容请访问 FlyAI-AI竞赛服务平台 ；为AI开发者提供数据竞赛并支持GPU离线训练的一站式服务平台；每周免费提供项目开源算法样例，支持算法能力变现以及快速的迭代算法模型。

挑战者，都在FlyAI！！！