由监督训练算法 (SIESTA) 启用的睡眠识别:一个开源平台,用于自动测定动物电皮图和电肌图数据的睡眠阶段

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:

• 准确的睡眠阶段测定对于研究睡眠功能和睡眠障碍至关重要.
• 电皮质谱 (ECoG) 和电肌谱 (EMG) 记录的手动评分是费力和耗时的,特别是在长期研究中.
• 目前的方法对于大型实验队伍和昼夜节律研究是不切实际的.

研究的目的:

• 开发一种自动化的开源工具,用于精确检测动物的睡眠阶段.
• 为分析ECoG和EMG记录的大型数据集提供一个用户友好的解决方案.
• 通过克服手动评分瓶来促进动物模型的睡眠研究.

主要方法:

• 开发SIESTA,这是一个开源的Python工具包,使用监督机器学习算法.
• SIESTA使用基于逻辑回归的等级分类器来评分睡眠阶段.
• 从ECoG和EMG信号中提取特征,用于自动检测清醒,REM和NREM睡眠.

主要成果:

• SIESTA获得了高的F1平均得分:清醒为0.94,NREM睡眠为0.94,REM睡眠为0.74.
• 该工具包在各种条件下的野生类型小鼠,突变小鼠线和大鼠的数据上得到验证.
• 通过来自三个独立实验室的手动评分数据进行外部验证,证实了SIESTA的准确性.

结论:

• SIESTA提供了一个准确而高效的自动化解决方案,用于对动物的睡眠阶段进行评分.
• 开源性质和用户友好的界面使SIESTA可供研究人员使用,而不需要编码专业知识.
• 预计这一工具包将通过实现大规模数据分析,在动物模型中显著推进睡眠研究.