在小鼠的睡眠-清醒状态和的自动分类

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
• 的研究研究.

背景情况:

• 睡眠-觉醒状态和是相互关联的,但潜在的机制仍然不清楚.
• 分析大规模的睡眠,和后状态的电生理记录是具有挑战性的.
• 现有的自动化方法难以处理复杂的数据集,特别是那些与有关的EEG异常.

研究的目的:

• 开发一种自动化方法来分类小鼠的睡眠和清醒状态,发作和后发作状态.
• 为了克服大量慢性电生理记录数据集的注释局限性.
• 为了促进睡眠-清醒周期和的机制研究.

主要方法:

• 利用了来自对照小鼠和酸治疗小鼠的大量电肌图,电脑图 (EEG) 和海马区域局部场势数据集.
• 评估了现有的睡眠-觉醒分类器和支持矢量机器,发现它们不足.
• 训练并评估多个神经网络架构,重点是双向长期短期记忆 (BiLSTM) 模型.

主要成果:

• 开发的双向长期短期记忆模型,SWISC,在基准真相和预测状态之间实现了高一致性 (96.41%±3.80%在性小鼠中,97.77%±1.40%在对照组中).
• 斯威斯克显示了稳健性,仅使用EEG信号保持了~90%的一致性,表明了广泛的适用性.
• 该分类器在各种数据集中被证明是有效的,包括具有显著背景EEG异常的数据集.

结论:

• 在和对照的小鼠模型中,SWISC能够有效地组合得分睡眠-觉醒和发作状态.
• 这种自动化工具显著提升了对的睡眠-清醒动态进行全面和机械研究的潜力.
• 斯威斯克的表现凸显了深度学习在分析复杂的神经数据方面的实用性.