基于注意力的CNN-BiLSTM用于空间时空广场成像数据的睡眠状态分类
ArXiv
|February 5, 2024
概括
使用CNN-BiLSTM网络进行自动睡眠状态分类,从广场成像数据中准确识别清醒,NREM和REM睡眠,改进了手动评分方法.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 睡眠科学 睡眠科学
背景情况:
- 广场成像 (WFCI) 能够记录小鼠的时空神经活动.
- 来自WFCI的手动睡眠状态评分 (清醒,NREM,REM) 是耗时的,侵入性的和不可靠的.
- 需要对睡眠状态的WFCI数据进行自动分类.
结论:
- 在CNN-BiLSTM取得了0.67的kappa,与人类EEG/EMG得分 (kappa0.65) 相比.
- 这种方法有效地从时空WFCI数据对睡眠状态进行分类.
- 这种方法促进了WFCI在睡眠研究中的更广泛应用.
