基于注意力的CNN-BiLSTM用于空间时空宽场成像数据的睡眠状态分类
Xiaohui Zhang1, Eric C Landsness2, Hanyang Miao2
1Department of Bioengineering, University of Illinois Urbana-Champaign, Urbana, IL 61801, USA.
Journal of neuroscience methods
|August 16, 2024
概括
使用广场成像 (WFCI) 和CNN-BiLSTM网络的自动睡眠状态分类实现了84%的准确性. 这种方法为睡眠研究中手动评分提供了可靠的替代方案.
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
- 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.
- 手动将WFCI数据分成睡眠状态 (清醒,NREM,REM) 是耗时且不可靠的.
- 需要对睡眠状态的WFCI数据进行自动分类.
研究的目的:
- 从WFCI数据开发一种自动化方法来对睡眠状态进行分类.
- 在睡眠研究中克服手动评分的局限性.
主要方法:
- 使用的是混合CNN-BiLSTM网络架构.
- 美国有线电视新闻网从图像框架中提取空间特征.
- BiLSTM 认真识别了状态分类的时间依赖.
主要成果:
- 在CNN-BiLSTM模型中,准确度达到84%,科恩的 κ值为0.64.
- 皮层区域 (NREM前部,清醒后部) 显示出不同的重要性.
- 该网络利用了短距离和长距离的时间依赖.
结论:
- 根据WFCI数据,CNN-BiLSTM模型有效地对睡眠状态进行分类.
- 性能与基于人类EEG/EMG的评分 (κ=0.67对0.65) 相当.
- 这种方法促进了WFCI在睡眠研究中的更广泛应用.
