基于深度学习的小鼠睡眠阶段与 EEG 伪迹自动分类
定量方法
2018-09-25 v1 机器学习
摘要
睡眠评分是睡眠研究中一项必要且耗时的任务。在动物模型（如小鼠）或人类中，使这一繁琐过程自动化有望促进长期研究，并推动睡眠生物学成为数据驱动的领域。我们引入了一种深度神经网络模型，能够从 EEG 和 EMG 记录中预测小鼠的不同意识状态（清醒、非快速眼动、快速眼动），对样本外数据具有优异的评分结果。预测以 4 秒长度的时段为单位进行，并将各时段分类为无伪迹或有伪迹。该模型架构借鉴了深度学习和卷积神经网络研究的最新进展。与以往自动化睡眠评分方法不同，我们的模型不依赖人工定义的数据特征，而是自动学习预测性特征。我们期望像我们这样的深度学习模型能在不同领域广泛应用，使许多此前难以处理的重复性认知任务实现自动化。
引用
@article{arxiv.1809.08443,
title = {Automated Classification of Sleep Stages and EEG Artifacts in Mice with Deep Learning},
author = {Justus T. C. Schwabedal and Daniel Sippel and Moritz D. Brandt and Stephan Bialonski},
journal= {arXiv preprint arXiv:1809.08443},
year = {2018}
}
备注
7 pages, 3 figures, 4 tables