Forskare vid University of Tsukuba har skapat ett nytt program för artificiell intelligens för att automatiskt klassificera sömnstadierna hos möss som kombinerar två populära maskininlärningsmetoder. Dubbade MC-SleepNet, algoritmen uppnådde noggrannhet över 96 procent och hög robusthet mot brus i de biologiska signalerna. Användningen av detta system för att automatiskt kommentera data kan avsevärt hjälpa sömnforskare när de analyserar resultaten av deras experiment.

Forskare som studerar sömn använder ofta möss som djurmodeller för att bättre förstå hur aktiviteten i hjärnan förändras under de olika faserna. Dessa faser kan klassificeras som vakna, REM (snabb ögonrörelse) sömn, och sömn utan REM. Tidigare, forskare som övervakade hjärnvågorna hos sovande möss hamnade med berg av data som krävde märkning för hand, ofta av grupper av studenter. Detta utgjorde en stor flaskhals i forskningen.

Nu, forskare vid universitetet i Tsukuba har introducerat ett program för automatisk klassificering av sömnstadiet som en mus upplevde baserat på dess elektroencefalogram (EEG) och elektromyogram (EMG) signaler, som registrerar elektrisk aktivitet i hjärnan och kroppen, respektive. De kombinerade två maskininlärningstekniker, konvolutionella neurala nätverk (CNN) och långa korttidsminne (LSTM) återkommande neurala nätverk för att uppnå noggrannheter som överträffar de av de bästa befintliga automatiska metoderna.

"Maskininlärning är ett spännande nytt forskningsområde med viktiga tillämpningar som kombinerar medicin med datavetenskap. Det gör att vi automatiskt kan klassificera ny data baserat på märkta exempel, "förklarar motsvarande författare Kazumasa Horie. Detta är särskilt värdefullt när mönstren att leta efter inte är välkända, som med sömnstadier. På det här sättet, algoritmen kan "lära sig" hur man fattar komplexa beslut utan att uttryckligen programmeras. I detta projekt, noggrannheten var mycket hög på grund av den stora datamängden som användes. Med över 4, 200 biologiska signaler, det var den största datasetet av någon sömnforskning hittills. Också, genom att implementera ett CNN, algoritmen visade hög robusthet mot individuella skillnader och brus.

Det främsta framsteget i detta arbete var att dela uppgiften mellan de två maskininlärningsmetoderna. Först användes ett CNN för att extrahera intressanta funktioner från inspelningarna av den elektriska aktiviteten i hjärnan och kroppen. Dessa data överfördes sedan till en LSTM för att avgöra vilka funktioner som var mest indikativa för sömnfasen musen upplevde. "Vi är optimistiska att vi kan översätta detta arbete till att klassificera sömnstadier hos människor, "säger författaren Hiroyuki Kitagawa. Under tiden, detta program kan redan påskynda forskarnas arbete inom sömnområdet, vilket kan leda till en mycket tydligare förståelse för hur sömnen fungerar.