Drei Reiche auf einer Zeitachse

Ein einziges Pflanzensignal — und darin steckt, wer in der Nähe war: nichts, ein Mensch, ein Hund, ein Schaf. Die drei Reiche treffen sich in einer bioelektrischen Spur.

Worum es geht

Vier Teile lang hast du gelernt, einzelne Wesen zu lesen — Menschen, Tiere, Pflanzen, ganze Gruppen. Dieses Kapitel legt sie endlich nebeneinander und zeigt das Verblüffende: Es war immer dasselbe Verfahren, und es waren immer dieselben Signale. Hier machst du diese Konvergenz selbst greifbar — an einem einzigen Fall, in dem alle drei Reiche zusammenkommen.

In einer Studie aus dem COINs-Seminar hängten Studierende einen selbstgebauten Sensor an eine Basilikum-Pflanze und setzten ihr nacheinander verschiedene Gäste vor die Nase: mal niemanden (Baseline), mal einen Menschen, mal einen Hund (Fleischfresser), mal ein Schaf (Pflanzenfresser). Dann fragten sie: Kann man allein aus dem Pflanzensignal erraten, wer da war? Die Antwort war ein überraschend klares Ja — und genau das baust du nach.

Ein bisschen Hintergrund

Was die Pflanze verrät. Die Studie fand klare, statistisch signifikante Unterschiede (Welch-Test, p < 0,05). Mensch und Hund liessen das Signal unruhiger werden — mehr Varianz, mehr Rauschen. Das Schaf dagegen liess die Signalenergie sinken, eine Art Verstummen — vielleicht, vermuten die Autoren, eine alte Reaktion auf einen Pflanzenfresser. Ein XGBoost-Modell erreichte über alle vier Klassen rund 83 Prozent Treffer, mit F1-Werten über 90 Prozent für Mensch und Hund; das Schaf blieb am schwersten.

Wieder ein Bild aus dem Signal. Das Verfahren ist dir vertraut: Der Sensor (ein OPA2134-Verstärker an einem ESP32, 380 Hz) schneidet das Signal in 3-Sekunden-Stücke. Aus jedem Stück ziehen wir dieselben Klang-Merkmale wie bei der Katze in 12.1 — MFCC, spektraler Schwerpunkt, Nulldurchgangsrate, Energie und ihre Änderungsraten. Kurz: Wir hören der Pflanze zu, als wäre ihr Signal ein Laut.

Merkmale ziehen und das Modell trainieren

Erst die Merkmale je 3-Sekunden-Fenster, dann XGBoost — das Siegermodell der Studie. Der vollständige Code liegt auf GitHub.

import librosa, numpy as np, glob, os
from xgboost import XGBClassifier
from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report

def merkmale(datei):
    y, sr = librosa.load(datei)                     # 3-Sekunden-Fenster laden
    mfcc  = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=13)
    delta = librosa.feature.delta(mfcc)             # Aenderungsrate
    zentroid = librosa.feature.spectral_centroid(y=y, sr=sr)[0]
    nulldg   = librosa.feature.zero_crossing_rate(y)[0]
    energie  = librosa.feature.rms(y=y)[0]
    return np.concatenate([
        mfcc.mean(axis=1), mfcc.std(axis=1),        # Form + Volatilitaet
        delta.mean(axis=1),                         # wie schnell sich das Signal wandelt
        [zentroid.mean(), zentroid.std(),           # Frequenz-Schwerpunkt
         nulldg.mean(),   nulldg.std(),             # Rauigkeit
         energie.mean(),  energie.std()],           # Intensitaet
    ])

KLASSEN = ["baseline", "human", "dog", "sheep"]
X, y = [], []
for k in KLASSEN:
    for datei in glob.glob(f"daten/{k}/*.wav"):
        X.append(merkmale(datei)); y.append(k)
X = np.array(X)
print("gelesen:", len(X), "Fenster")

kod = LabelEncoder().fit(y)
Xtr, Xte, ytr, yte = train_test_split(X, kod.transform(y), test_size=0.2,
                                      random_state=0, stratify=y)
modell = XGBClassifier(objective="multi:softprob", num_class=len(kod.classes_),
                       eval_metric="mlogloss")
modell.fit(Xtr, ytr)

print("Treffer gesamt:", round(modell.score(Xte, yte), 2))
print(classification_report(yte, modell.predict(Xte), target_names=kod.classes_))

Die gemeinsame Zeitachse

Jetzt das Bild, das dem Kapitel den Namen gibt. Zeichne die Signalenergie Fenster für Fenster über die Zeit und färbe sie nach dem, wer gerade da war. Du siehst die Reiche nebeneinander — die ruhige Baseline, das unruhige Auf und Ab bei Mensch und Hund, das Absinken beim Schaf.

import matplotlib.pyplot as plt

farbe = {"baseline":"#9db3a3", "human":"#6B7A8F", "dog":"#E0A82E", "sheep":"#B5524C"}
plt.figure(figsize=(10, 3.5))
i = 0
for k in KLASSEN:
    for datei in sorted(glob.glob(f"daten/{k}/*.wav")):
        y, sr = librosa.load(datei)
        plt.scatter(i, librosa.feature.rms(y=y)[0].mean(), color=farbe[k], s=12)
        i += 1
plt.xlabel("Fenster (der Reihe nach)"); plt.ylabel("Signalenergie")
plt.title("Drei Reiche, eine Pflanze, eine Zeitachse"); plt.tight_layout(); plt.show()

Arbeitsblatt

Wenn's klemmt

Zum Nachdenken

• Sieh genau hin: Es war stets derselbe Griff. Eine Stimme, ein Katzenlaut, ein Herzschlag, ein Pflanzensignal — mit jedem hast du dasselbe getan: aufgezeichnet, in ein Bild verwandelt, von derselben Maschinerie lesen lassen. Ein einziges Verfahren, von der Tomate bis zur Börse.
• Und tiefer: Quer durch alle Reiche tauchen dieselben ehrlichen Signale auf — Rhythmus, das Auf und Ab von Anspannung und Ruhe, die Wiederkehr fester Muster. Auf einer gemeinsamen Zeitachse rücken Mensch, Tier und Pflanze überraschend nah zusammen: nicht, weil sie gleich wären, sondern weil sie verwandt sind in der Art, wie sie auf ihre Welt antworten.
• Halte auch hier die Grenze: Gemessen ist eine Korrelation zwischen Nähe und Signalform — kein Beweis, dass die Pflanze „weiss“, wer da ist. Das Erstaunliche braucht die Nüchternheit nicht zu fürchten; es hält ihr stand.

Erweiterung

• Eigene Reiche. Nimm mit dem Biolingo-Sensor deine eigene Vier-Klassen-Reihe auf: niemand, du, dein Haustier, ein zweiter Mensch. Erreichst du auch nur annähernd die Trennschärfe der Studie?
• Zeitliche Form statt Mittelwerte. Die Studie probierte ein LSTM, das die rohe Zeitreihe statt gemittelter Merkmale liest — mit hoher Trefferquote fürs Schaf. Ersetze die MFCC-Mittelwerte durch die rohe Fensterfolge und vergleiche.
• Konfusionsmatrix. Zeichne mit sklearn.metrics.confusion_matrix, welche Reiche am häufigsten verwechselt werden. Fällt das Schaf, wie in der Studie, am ehesten in die Baseline?