Volgens het Gun Violence Archive zijn er dit jaar 296 massale schietpartijen geweest in de Verenigde Staten. Helaas ligt 2021 op schema om Amerika's dodelijkste jaar van wapengeweld in de afgelopen twee decennia te worden.

Onderscheid maken tussen een gevaarlijke audiogebeurtenis zoals een pistoolschot en een niet-levensbedreigende gebeurtenis, zoals een barstende plastic zak, kan het verschil betekenen tussen leven en dood. Daarnaast kan het ook bepalen of er al dan niet openbare veiligheidsmedewerkers worden ingezet. Mensen, maar ook computers, verwarren vaak de geluiden van het knappen van een plastic zak en echte geweerschoten.

In de afgelopen jaren is er enige aarzeling geweest over de implementatie van enkele van de bekende beschikbare akoestische schotdetectorsystemen, aangezien deze kostbaar en vaak onbetrouwbaar kunnen zijn.

In een experimenteel onderzoek richtten onderzoekers van het Florida Atlantic University's College of Engineering and Computer Study zich op het aanpakken van de betrouwbaarheid van deze detectiesystemen in verband met het percentage valse positieven. Het vermogen van een model om geluiden correct te onderscheiden, zelfs in de meest subtiele scenario's, zal een goed getraind model onderscheiden van een model dat niet erg efficiënt is.

Met de ontmoedigende taak om rekening te houden met alle geluiden die vergelijkbaar zijn met het geluid van een geweerschot, creëerden de onderzoekers een nieuwe dataset bestaande uit audio-opnames van explosies van plastic zakken verzameld in verschillende omgevingen en omstandigheden, zoals de grootte van de plastic zak en de afstand tot de opname microfoons. Opnamen van de audioclips varieerden van 400 tot 600 milliseconden.

Onderzoekers ontwikkelden ook een classificatie-algoritme op basis van een convolutioneel neuraal netwerk (CNN), als een basislijn, om de relevantie van deze inspanning voor het verzamelen van gegevens te illustreren. De gegevens werden vervolgens, samen met een schotgeluidsdataset, gebruikt om een ​​classificatiemodel te trainen op basis van een CNN om levensbedreigende schotgebeurtenissen te onderscheiden van niet-levensbedreigende explosies van plastic zakken.

De resultaten van het onderzoek, gepubliceerd in het tijdschrift Sensors, laten zien hoe valse geweerschoten een detectiesysteem voor geweerschoten gemakkelijk kunnen verwarren. Vijfenzeventig procent van de popgeluiden van plastic zakken werden verkeerd geclassificeerd als schotgeluiden. Het op deep learning gebaseerde classificatiemodel, getraind met een populaire stedelijke geluidsdataset met geweerschotgeluiden, kon geen plastic zakgeluiden onderscheiden van geweerschotgeluiden. Toen de popgeluiden van plastic zakken eenmaal in de modeltraining waren geïnjecteerd, ontdekten onderzoekers dat het CNN-classificatiemodel goed presteerde bij het onderscheiden van daadwerkelijke geweerschotgeluiden van plastic zakgeluiden.

"Als mensen gebruiken we extra zintuiglijke input en ervaringen uit het verleden om geluiden te identificeren. Computers daarentegen zijn getraind om informatie te ontcijferen die vaak niet relevant of niet waarneembaar is voor menselijke oren", zegt Hanqi Zhuang, Ph.D., senior auteur , hoogleraar en voorzitter, afdeling Elektrotechniek en Informatica, College of Engineering and Computer Science. "Net als hoe vleermuizen rond objecten vliegen terwijl ze hoge geluidsgolven uitzenden die met verschillende tijdsintervallen naar hen terugkaatsen, hebben we verschillende omgevingen gebruikt om het machine learning-algoritme een beter perceptiegevoel te geven van de differentiatie van de nauw verwante geluiden. "

Voor het onderzoek werden geweerschotachtige geluiden opgenomen op locaties waar de kans bestond dat geweren zouden worden afgevuurd, waaronder in totaal acht binnen- en buitenlocaties. Het proces voor het verzamelen van gegevens begon met het experimenteren met verschillende soorten zakken, waarbij voeringen voor vuilnisbakken als de meest geschikte werden geselecteerd. De meeste audioclips zijn opgenomen met zes opnameapparaten. Om na te gaan in hoeverre een geluidsclassificatiemodel kan worden verward door nepgeweerschoten, hebben onderzoekers het model getraind zonder het bloot te stellen aan popgeluiden van plastic zakken.

Er waren 374 geweerschoten die aanvankelijk werden gebruikt om het model te trainen, die werden verkregen uit de stedelijke geluidsdatabase. Onderzoekers gebruikten 10 klassen uit de database (geweerschot, blaffende hond, spelende kinderen, claxon, airconditioning, straatmuziek, sirene, stationair draaiende motor, drilboor en boren). Na de training werd het model vervolgens gebruikt om te testen of het in staat was om popgeluiden van plastic zakken af ​​te wijzen als echte geweerschoten.

"Het hoge percentage misclassificatie geeft aan dat het voor een classificatiemodel erg moeilijk is om geweerschotachtige geluiden te onderscheiden, zoals die van popgeluiden van plastic zakken en echte geweerschoten", zegt Rajesh Baliram Singh, eerste auteur en een Ph.D. student in FAU's Department of Electrical Engineering and Computer Science. "Dit rechtvaardigt het proces van het ontwikkelen van een dataset met geluiden die lijken op echte geweerschoten."

Bij schotdetectie kan het hebben van een database met een bepaald geluid dat kan worden verward met schotgeluid maar toch rijk is aan diversiteit, leiden tot een effectiever schotdetectiesysteem. Dit concept motiveerde de onderzoekers om een ​​database te maken met explosiegeluiden van plastic zakken. Hoe groter de diversiteit van hetzelfde geluid, hoe groter de kans dat het machine learning-algoritme dat specifieke geluid correct zal detecteren.

"Het verbeteren van de prestaties van een algoritme voor het detecteren van geweerschoten, in het bijzonder om het aantal valse positieven te verminderen, zal de kans verkleinen dat onschadelijke audio-trigger-gebeurtenissen worden behandeld als gevaarlijke audio-gebeurtenissen waarbij vuurwapens betrokken zijn", zegt Stella Batalama, Ph.D., decaan, College van techniek en computerwetenschappen. "Deze door onze onderzoekers ontwikkelde dataset, samen met het classificatiemodel dat ze hebben getraind voor geweerschoten en geweerschotachtige geluiden, is een belangrijke stap die leidt tot veel minder valse positieven en tot het verbeteren van de algehele openbare veiligheid door kritisch personeel alleen in te zetten wanneer dat nodig is."