基于轻量级联想记忆Hopfield神经网络的生物声学检测首创新型AI模型

研究人员针对保护生物声学中被动声学监测(PAM)数据量大、分析耗时的问题，开发了一种基于Hopfield神经网络(HNN)的轻量级AI模型。该模型仅需单一样本训练(3毫秒)，在标准笔记本电脑上5.4秒即可完成10,384段蝙蝠回声定位信号的分类，内存占用仅144.09MB，准确率达86%。这种透明可解释的模型为边缘计算设备提供了可持续的生物声学分析方案。

在生物多样性快速丧失的背景下，被动声学监测(PAM)已成为生态调查的重要手段。然而海量的声学数据带来了巨大分析负担，当前主流的卷积神经网络(CNN)方法存在训练数据需求大、计算资源消耗高、"黑箱"不可解释等问题。英国伍尔弗汉普顿大学计算与数理科学系的研究人员另辟蹊径，借鉴诺贝尔物理学奖得主Hopfield提出的联想记忆神经网络原理，开发出全球首个用于生物声学检测的轻量级AI模型，相关成果发表在《Ecological Indicators》上。

研究采用快速傅里叶变换(FFT)将声波信号转换为频域信息，通过Hebbian学习规则将两种蝙蝠(Pipistrellus pipistrellus/PIPI和Pipistrellus pygmaeus/PIPY)的特征频率模式存储为Hopfield网络的检索状态。测试时，未知信号经FFT处理后激活网络，通过迭代收敛判断其与存储模式的相似性。

研究结果显示：

1. 1.

   模型性能：在过滤掉49-51kHz争议频段后，模型2的总体准确率达80%，PIPY识别精确度达86%，F1分数稳定在0.81。

2. 2.

   计算效率：训练仅需3毫秒，处理10,384段录音仅耗时5.4秒，内存占用144.09MB，较传统CNN节省72倍预处理时间。

3. 3.

   数据质疑：发现原数据集存在3,677段不符合专家共识(<48kHz或>52kHz)的争议标注，模型通过"UnID"分类有效识别出这些异常信号。

这项研究开创性地将神经科学原理应用于生态监测，其"训练快、耗能低、可解释"三大特性完美契合野外工作的现实需求。特别是网络收敛至伪状态时返回"UnID"的设计，既体现了算法透明度，又为数据质量控制提供了新思路。该模型不仅适用于蝙蝠监测，其通用架构还可扩展至其他生物声学场景，为可持续的生态AI发展提供了范式转变。