一个深度学习软件工具,用于通过单通道EEG对老鼠进行自动睡眠分期

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:

• 睡眠质量差与认知能力下降和各种疾病有关.
• 在临床前模型中准确的睡眠分期对于理解睡眠病理至关重要.
• 通过多睡眠学 (PSG) 手动测定睡眠阶段是耗时且劳动密集的.

研究的目的:

• 开发和验证一种深度学习工具,用于在老鼠中自动分类睡眠阶段.
• 为了分类三个警觉状态:REM/悖论性睡眠,NREM/慢波睡眠和清醒.
• 为了实现高通量睡眠分析,并加快研究睡眠相关疾病.

主要方法:

• 使用单通道脑电图 (EEG) 来自16只老鼠的数据,记录了24小时的记录.
• 在专家标记的10秒时代上训练了一个深度神经网络 (DNN) 模型.
• 在一个大数据集上使用交叉验证验证了DNN模型.

主要成果:

• 在DNN模型中,用于分类睡眠阶段的F1平均得分为87.6%.
• 准确预测睡眠架构的关键参数:总发作时间,平均发作时间和发作次数.
• 显著减少了手动睡眠评分的需要,使得高通量分析.

结论:

• 一种深度学习方法有效地自动化了使用单通道EEG的老鼠的睡眠阶段分类.
• 这种工具简化了睡眠分析,促进了对睡眠相关病态的研究.
• 公开发布了超过700小时的专家评分的睡眠数据,以支持未来的研究.