基于机器学习与特征工程的啮齿动物自动警觉状态分类
信号处理
2025-07-22 v1 机器学习
摘要
前临床睡眠研究受限于耗时的手动警觉状态分类和评估者间的变异性，制约了其处理能力和可重复性。本研究由 Team Neural Prognosticators 开发，提出一种自动框架，用于将小型啮齿动物的脑电（EEG）记录分类为三种关键警觉状态：瞬时睡眠（REM）、慢波睡眠（SWS）和清醒状态。该系统整合了高级信号处理技术与机器学习，利用来自时域和频域的工程化特征，包括经典 EEG 频段（从 δ 带到 γ 带）的谱功率、通过最大-最小距离捕获的时序动力学，以及交叉频率耦合指标。这些特征捕获了清醒时高频去同步、SWS 中的 δ 振荡以及 REM 特有的脉冲等 distinct neurophysiological 特征。该方法在 2024 年 Big Data Health Science Case Competition（University of South Carolina Big Data Health Science Center, 2024）期间经验证，其 XGBoost 模型实现了 91.5% 的总体准确率、86.8% 的精确率、81.2% 的召回率和 83.5% 的 F1 分数，超越所有基线方法。我们的做法代表了自动睡眠状态分类的重要进展，为加速睡眠科学的发现以及开发针对慢性睡眠障碍的靶向干预提供了宝贵工具。此外，计划公开的代码资源（BDHSC）将为进一步的研究作出贡献。
引用
@article{arxiv.2507.14166,
title = {Automated Vigilance State Classification in Rodents Using Machine Learning and Feature Engineering},
author = {Sankalp Jajee and Gaurav Kumar and Homayoun Valafar},
journal= {arXiv preprint arXiv:2507.14166},
year = {2025}
}
备注
8 pages, 5 figures