Pflanzen-Emotionen mit KI

Aus dem Signal wird ein Bild, und ein vortrainiertes Netz liest es: Kann man dem Pflanzensignal ansehen, ob der Mensch daneben gerade glücklich war? Reine Inferenz — du trainierst kein eigenes Netz.

Worum es geht

Wenn eine Pflanze auf Licht reagiert — reagiert sie auch auf uns? In einer Selbststudie über elf Tage saß ein Mensch an seinem Schreibtisch, einen halben Meter neben einer Tradescantia. Ein einfacher Sensor griff das elektrische Signal der Pflanze ab; gleichzeitig schätzte eine Happimeter-Smartwatch am Handgelenk laufend die Stimmung — glücklich, gestresst, niedergeschlagen. So liegen zwei Spuren nebeneinander: hier das Pflanzensignal, dort die Stimmung des Menschen.

Die Frage ist heikel und darum spannend: Steckt im Pflanzensignal wirklich etwas über den Menschen? Statt es zu glauben, machst du es zum Bild und lässt eine KI schauen — und prüfst dann ehrlich, ob ihre Vermutung besser ist als reines Raten.

Ein bisschen Hintergrund

Wieder ein Bild aus dem Signal. Das Verfahren ist dir vertraut: Ein Signal über der Zeit wird zum Spektrogramm — einem Bild seiner Frequenzen — und dann liest es dieselbe bilderkennende Maschinerie wie Katzenlaut, Stimme und Herzschlag. Neu ist nur: Wir trainieren das Netz nicht selbst, sondern nehmen ein fertiges, das schon an Millionen Bildern gelernt hat, und nutzen seine „Sicht“ als Merkmale. Das ist der Kern von Transfer und Inferenz.

Warum die Pflanze langsam ist. Das Pflanzensignal ändert sich über Sekunden bis Minuten, nicht über Millisekunden. Darum schauen wir pro Stimmungs-Lesung auf ein Fenster von einigen Minuten davor — lang genug, dass die langsamen Rhythmen der Pflanze im Spektrogramm sichtbar werden.

Fenster schneiden und Spektrogramme bauen

Zu jeder Happimeter-Lesung holen wir das Pflanzensignal der letzten drei Minuten, bringen es auf ein gleichmässiges 1-Hz-Raster und machen ein Spektrogramm. Der vollständige Code liegt auf GitHub.

import numpy as np, pandas as pd
from scipy import signal, interpolate

roh  = pd.read_csv("plant_raw.csv",  parse_dates=["timestamp"]).sort_values("timestamp")
mess = pd.read_csv("predictions.csv", parse_dates=["timestamp"])   # Happimeter-Lesungen

EPOCHE = pd.Timestamp("1970-01-01")                              # fester Nullpunkt
t    = ((roh["timestamp"] - EPOCHE) / pd.Timedelta(seconds=1)).to_numpy()   # Sekunden
volt = roh["voltage"].to_numpy()

FENSTER = 180                          # Sekunden Pflanzensignal vor jeder Lesung
GRID    = np.arange(0, FENSTER, 1.0)   # auf 1 Hz vereinheitlichen

def spektrogramm(ende_s):
    m = (t >= ende_s - FENSTER) & (t < ende_s)
    if m.sum() < 120:                  # zu wenige Messpunkte -> ueberspringen
        return None
    w = interpolate.interp1d(t[m] - (ende_s - FENSTER), volt[m],
                             bounds_error=False, fill_value="extrapolate")(GRID)
    w = (w - w.mean()) / (w.std() + 1e-9)          # normieren
    _, _, S = signal.spectrogram(w, fs=1.0, nperseg=32, noverlap=16)
    return np.log1p(S)                             # Bild der langsamen Rhythmen

specs, y = [], []
for _, r in mess.iterrows():
    S = spektrogramm((r["timestamp"] - EPOCHE) / pd.Timedelta(seconds=1))
    if S is not None:
        specs.append(S)
        y.append(int(r["happy"] >= 2))            # 1 = gluecklich, 0 = weniger
y = np.array(y)
print(len(specs), "Fenster  |  gluecklich-Balance:", np.bincount(y))

Das vortrainierte Netz liest — reine Inferenz

Jetzt der Kern: Ein ResNet, vortrainiert auf Millionen Bildern, verwandelt jedes Spektrogramm in einen Merkmalsvektor — seine „Sicht“ des Bildes. Es lernt dabei nichts; wir lassen nur ein schlichtes Nächste-Nachbarn-Verfahren aus diesen Merkmalen die Stimmung erraten.

import torch, torch.nn as nn
from torchvision.models import resnet18, ResNet18_Weights
from PIL import Image
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import cross_val_score

gewichte = ResNet18_Weights.IMAGENET1K_V1        # laedt einmalig die Gewichte (Internet noetig)
netz = resnet18(weights=gewichte); netz.fc = nn.Identity(); netz.eval()
vorbereiten = gewichte.transforms()

def merkmale(S):                                 # Spektrogramm -> Bild -> ResNet-Sicht
    a = (S - S.min()) / (np.ptp(S) + 1e-9)
    bild = Image.fromarray((a * 255).astype("uint8")).convert("RGB").resize((64, 64))
    with torch.no_grad():
        return netz(vorbereiten(bild).unsqueeze(0))[0].numpy()

X = np.array([merkmale(S) for S in specs])       # reine Inferenz: das Netz wird nicht trainiert

zufall  = max(np.bincount(y)) / len(y)
treffer = cross_val_score(KNeighborsClassifier(5), X, y, cv=5).mean()
print("Treffer (5-fach):", round(treffer, 2), " |  Zufallslinie:", round(zufall, 2))

Arbeitsblatt

Wenn's klemmt

Zum Nachdenken

• Reine Inferenz ist ein mächtiger Hebel: Ein Netz, das nie ein Pflanzensignal gesehen hat, liefert trotzdem brauchbare Merkmale — weil ein Spektrogramm eben ein Bild ist. Dasselbe Verfahren, von der Tomate bis zur Börse.
• Dies ist das Kapitel, in dem das ganze Buch auf die Probe gestellt wird. Ein mündiger Mensch glaubt eine erstaunliche Behauptung nicht, nur weil sie aufregend ist — auch nicht, wenn sie von einem Professor kommt, der ein Buch darüber schreibt. Du hast selbst nachgemessen: eine schwache Spur für „glücklich“, kaum etwas für „stress“.
• Und die Grenze bleibt: Selbst ein echter Zusammenhang ist noch kein Verstehen. Die Spur führt vermutlich über den Herzschlag und über Duftstoffe — nicht über ein Bewusstsein der Pflanze. Das Staunen braucht die Nüchternheit nicht zu fürchten.

Erweiterung

• Spektrogramme ansehen. Zeichne je ein Spektrogramm aus einem „glücklichen“ und einem „nicht glücklichen“ Fenster nebeneinander. Siehst du mit blossem Auge einen Unterschied — oder erst das Netz?
• Andere Emotionen, andere Fenster. Variiere das Ziel (stress, depression) und die Fensterlänge. Welche Kombination zeigt am ehesten ein Signal über dem Zufall — und welche gar keins?
• Das echte Pflanzen-Netz. Statt eines Foto-Netzes kannst du Peters eigene, auf Pflanzensignale trainierte Pipeline nutzen (github.com/pgloor/hiddenbiosignals, Ordner plant_spectrograms) und die Ergebnisse vergleichen.