基于注意力机制的 CNN-BiLSTM 用于时空宽场钙成像数据的睡眠状态分类
图像与视频处理
2024-01-17 v1 神经元与认知
摘要
背景：使用基因编码钙指示剂的宽场钙成像（WFCI）允许对小鼠的神经元活动进行时空记录。当应用于睡眠研究时，WFCI 数据通过辅助的 EEG 和 EMG 记录被手动划分为清醒、非快速眼动（NREM）和快速眼动（REM）等睡眠状态。然而，这一过程耗时、具有侵入性，且通常存在评分者间和评分者内信度较低的问题。因此，需要一种能够对时空 WFCI 数据进行操作的自动化睡眠状态分类方法。新方法：提出了一种混合网络架构，包含用于提取图像帧空间特征的卷积神经网络（CNN）和带有注意力机制以识别不同时间点间时间依赖性的双向长短期记忆网络（BiLSTM），用于将 WFCI 数据分类为清醒、NREM 和 REM 睡眠状态。结果：睡眠状态分类的准确率为 84%，Cohen's kappa 为 0.64。梯度加权类激活映射显示，当将 WFCI 数据分类为 NREM 睡眠时，皮层额区携带更多重要性，而后区对清醒状态的识别贡献最大。注意力分数表明，所提出的网络以状态特异性的方式关注短程和长程时间依赖性。与现有方法的比较：在 3 小时的 WFCI 记录上，CNN-BiLSTM 达到了 0.67 的 kappa，与基于人类 EEG/EMG 评分对应的 0.65 的 kappa 相当。结论：CNN-BiLSTM 有效地从时空 WFCI 数据中分类睡眠状态，并将使 WFCI 在睡眠研究中的更广泛应用成为可能。
关键词
引用
@article{arxiv.2401.08098,
title = {Attention-Based CNN-BiLSTM for Sleep State Classification of Spatiotemporal Wide-Field Calcium Imaging Data},
author = {Xiaohui Zhang and Eric C. Landsness and Hanyang Miao and Wei Chen and Michelle Tang and Lindsey M. Brier and Joseph P. Culver and Jin-Moo Lee and Mark A. Anastasio},
journal= {arXiv preprint arXiv:2401.08098},
year = {2024}
}