Representação matemática e agrupamento de assovios de golfinhos a partir de contornos tempo-frequência

Oliveira, Luiz Affonso Henderson Guedes de

Universidade Federal do Rio Grande do Norte

2025-12-08

Bioacústica

Golfinhos

Contorno Tonal

Análise de Sinais

Clusterização

UMAP

HDBSCAN.

Este trabalho apresenta um pipeline computacional para a caracterização automática de assovios de golfinhos a partir de espectrogramas obtidos com gravador autônomo subaquático. As vocalizações foram inicialmente segmentadas e anotadas manualmente, permitindo a geração de máscaras tempo–frequência que foram convertidas em contornos tonais. Cada contorno passou por suavização e foi posteriormente ajustado por polinômios de Chebyshev de grau 9, resultando em um conjunto de atributos compactos que descrevem sua modulação de frequência. A partir dessas representações, aplicou-se redução de dimensionalidade utilizando UMAP e agrupamento por densidade via HDBSCAN, possibilitando a identificação de 22 clusters principais de assovios. A análise das curvas médias revelou padrões tonais distintos, incluindo perfis ascendentes, descendentes, convexos e côncavos, refletindo tendências estruturais observadas nos espectrogramas reais. Embora alguns clusters apresentem correspondência direta com rótulos manuais tradicionais, outros exibiram maior heterogeneidade interna, indicando zonas de transição entre diferentes formas de modulação. Os resultados demonstram a eficácia da abordagem proposta na organização estrutural dos assovios e na identificação de padrões acústicos emergentes, além de oferecer uma base quantitativa promissora para estudos futuros de classificação automática e análise comportamental em bioacústica.

This work presents a computational pipeline for the automatic characterization of dolphin whistles from spectrograms collected using autonomous underwater acoustic recorder. The vocalizations were manually segmented and annotated to generate time–frequency masks, which were then converted into tonal contours. Each contour was smoothed and fitted using degree-9 Chebyshev polynomials, producing a compact set of features that describe its frequency modulation. Based on these representations, dimensionality reduction was performed using UMAP, followed by density-based clustering with HDBSCAN, resulting in 22 main whistle groups. Analysis of the mean curves revealed distinct tonal patterns, including ascending, descending, convex, and concave profiles, consistent with structural tendencies observed in real spectrograms. While some clusters showed strong correspondence with traditional manual labels, others displayed greater internal heterogeneity, indicating transitional regions between different modulation shapes. The results demonstrate the effectiveness of the proposed approach in organizing whistle structures and identifying emerging acoustic patterns, providing a promising quantitative basis for future research in automatic classification and behavioral analysis in bioacoustics.