相关实验视频
Updated: Jul 7, 2025
08:45
Polygraphic Recording Procedure for Measuring Sleep in Mice
Published on: January 25, 2016
23.7K
一种简单快速的基于ANN的方法,用于研究自由移动的老鼠的慢波睡眠微观结构
Dmitrii Perevozniuk1, Ivan Lazarenko1, Nadezhda Semenova2
1Institute of the Higher Nervous Activity and Neurophysiology of Russian Academy of Sciences, Butlerova Str., 5A, 117485, Moscow, Russia.
Bio Systems
|December 27, 2023
概括
我们开发了一个快速的人工神经网络 (ANN),用于分析老鼠睡眠EEG数据. 这种方法准确地识别了慢波睡眠和睡眠微观结构,提供了对老鼠睡眠模式的见解.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 动物行为 动物行为
背景情况:
- 电脑电图 (EEG) 对于测量大脑活动至关重要.
- 人工神经网络 (ANN) 为复杂的大脑动态提供了洞察力.
- 分析大型EEG数据集需要高效的计算方法.
研究的目的:
- 开发一种简单,快速,浅的ANN用于在老鼠脑电图中识别睡眠.
- 使用与睡眠微观结构相关的概率方法来优化ANN性能.
- 为了分析自由移动的老鼠的睡眠模式.
主要方法:
- 使用开源软件构建一个浅的ANN.
- 将ANN切割为一个单一的公式,具有定义的权重系数.
- 在模型优化和睡眠微观结构分析中应用概率相关方法.
主要成果:
- 该ANN在识别慢波睡眠方面取得了很高的准确性 (灵敏度为0.91,特异性为0.98).
- 最佳的模型性能是在80-90秒的最低睡眠时间和14-18秒的睡眠中断时获得的.
- 确定了潜在的原型微兴奋和睡眠"构建块"在老鼠睡眠.
结论:
- 开发的ANN为分析大规模大鼠EEG数据提供了有效的工具.
- 14-18秒的睡眠中断可能代表了大鼠特有的微刺激.
- 老鼠慢波睡眠可能包括重复的睡眠"构建块"80-90秒.
