Maskinlæringsalgoritme klassificerer automatisk søvnstadier for laboratoriemus

Forskere ved University of Tsukuba har skabt et nyt kunstig intelligens-program til automatisk klassificering af søvnstadier hos mus, der kombinerer to populære maskinlæringsmetoder. Kaldt MC-SleepNet, Algoritmen opnåede nøjagtighedsrater på over 96 procent og høj robusthed mod støj i de biologiske signaler. Brugen af ​​dette system til automatisk annotering af data kan i høj grad hjælpe søvnforskere, når de analyserer resultaterne af deres eksperimenter.

Forskere, der studerer søvn, bruger ofte mus som dyremodeller for bedre at forstå, hvordan aktiviteten i hjernen ændrer sig i de forskellige faser. Disse faser kan klassificeres som vågne, REM (hurtige øjenbevægelser) søvn, og ikke-REM-søvn. Tidligere, forskere, der overvågede hjernebølgerne fra sovende mus, endte med bjerge af data, der krævede mærkning i hånden, ofte af hold af studerende. Dette repræsenterede en stor flaskehals i forskningen.

Nu, forskere ved University of Tsukuba har introduceret et program til automatisk klassificering af søvnstadiet, som en mus oplevede baseret på dens elektroencefalogram (EEG) og elektromyogram (EMG) signaler, som registrerer elektrisk aktivitet i hjernen og kroppen, henholdsvis. De kombinerede to maskinlæringsteknikker, convolutional neurale netværk (CNN) og langtidshukommelse (LSTM) tilbagevendende neurale netværk for at opnå nøjagtigheder, der overgår de bedste eksisterende automatiske metoder.

"Machine learning er et spændende nyt forskningsfelt med vigtige applikationer, der kombinerer medicin med datalogi. Det giver os mulighed for automatisk at klassificere nye data baseret på mærkede eksempler, " forklarer den tilsvarende forfatter Kazumasa Horie. Dette er især værdifuldt, når de mønstre, man skal kigge efter, ikke er velkendte, som med søvnstadier. På denne måde algoritmen kan "lære" hvordan man træffer komplekse beslutninger uden at være eksplicit programmeret. I dette projekt, nøjagtigheden var meget høj på grund af det store datasæt, der blev brugt. Med over 4, 200 biologiske signaler, det var det hidtil største datasæt af nogen søvnforskning. Også, ved at implementere en CNN, Algoritmen viste høj robusthed over for individuelle forskelle og støj.

Det vigtigste fremskridt i dette arbejde var at dele opgaven mellem de to maskinlæringsmetoder. Først blev et CNN brugt til at udtrække træk af interesse fra optagelserne af den elektriske aktivitet i hjernen og kroppen. Disse data blev derefter sendt til en LSTM for at bestemme, hvilke funktioner der var mest indikative for den søvnfase, som musen oplevede. "Vi er optimistiske om, at vi kan omsætte dette arbejde til at klassificere søvnstadier hos mennesker, " siger seniorforfatter Hiroyuki Kitagawa. I mellemtiden, dette program kan allerede fremskynde arbejdet for forskere inden for søvn, hvilket kan føre til en meget klarere forståelse af, hvordan søvn fungerer.