在小鼠中使用监督机器学习视觉检测发作

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 药理学 药理学是指药理学的学科.

背景情况:

• 发作是由异常同步的大脑活动引起的.
• 目前的视觉评分方法 (例如,Racine尺度) 是耗时的,主观的和低通量.
• 需要可扩展的,定量化的扣押评估方法.

研究的目的:

• 开发使用监督机器学习的自动分类器,从非侵入性视频数据中预测发作的严重程度.
• 为了实现高通量,非侵入性和标准化的得分.

主要方法:

• 使用监督机器学习方法.
• 训练有素的仅视频分类器,用于预测pentylenetetrazole (PTZ) 诱导的小鼠发作模型中的ictal事件.
• 结合预测事件来确定复合和时间局部的强度得分.

主要成果:

• 成功开发了自动分类器,从视频数据中预测发作事件和强度.
• 通过使用空中视频,证明了对事件和整体强度的严格量化.
• 实现了高通量,非侵入性和标准化的得分.

结论:

• 对视频数据应用的监督机器学习提供了一个可扩展和客观的扣押量化方法.
• 这种方法促进了高效的神经遗传研究和治疗发现.
• 自动化视频分析克服了传统视觉得分的局限性.