基于深度学习的小鼠前REM睡眠自动评分
定量方法
2021-06-17 v2 机器学习
摘要
将劳动密集型的动物睡眠人工评分任务可靠自动化，有助于长期睡眠研究的分析。近年来，从数据中学习最优特征的基于深度学习的系统，提升了对觉醒(Wake)、REM和非REM经典睡眠阶段的评分准确度。同时，人们认识到介于非REM与REM之间的过渡阶段（如pre-REM）的统计可能提供对睡眠生理的额外洞察，正受到热烈研究。我们提出了一种基于简单神经网络架构的分类系统，可对小鼠的经典阶段及pre-REM睡眠进行评分。当仅限于经典阶段时，优化后的网络在雄性C57BL/6J小鼠中表现出最先进的分类性能，样本外F1分数为0.95。当不加限制时，网络在pre-REM上的F1分数（0.5）低于经典阶段。该结果可与先前在其他物种中评分过渡阶段的尝试相比，如大鼠的过渡睡眠或人类的N1睡眠。尽管如此，我们观察到包含pre-REM的预测序列通常从非REM过渡到REM，反映了人工评分者观察到的睡眠动力学。我们的发现进一步证明了评分过渡睡眠阶段的困难性，可能因为这些睡眠阶段在典型数据集中代表性不足或表现出较大的评分者间差异。我们进一步提供了源代码及一个使用训练网络运行预测的在线平台。
引用
@article{arxiv.2105.01933,
title = {Automated scoring of pre-REM sleep in mice with deep learning},
author = {Niklas Grieger and Justus T. C. Schwabedal and Stefanie Wendel and Yvonne Ritze and Stephan Bialonski},
journal= {arXiv preprint arXiv:2105.01933},
year = {2021}
}
备注
14 pages, 5 figures