筑波大学(University of Tsukuba)的研究人员发明了一种新的人工智能程序,该程序结合了两种流行的机器学习方法,可以自动对老鼠的睡眠阶段进行分类。该算法被称为MC-SleepNet,实现了96%的准确率和对生物信号噪声的高鲁棒性。使用这个自动标注数据的系统可以大大帮助睡眠研究人员分析他们的实验结果。

研究睡眠的科学家经常用老鼠作为动物模型,以更好地了解大脑活动在不同阶段的变化方式。这些阶段可以分为清醒、快速眼动睡眠和非快速眼动睡眠。在此之前,研究人员在监测睡着的老鼠的脑电波时,最终得到了大量的数据,这些数据需要学生团队手工标记。这是研究中的一个主要瓶颈。

现在,筑波大学的研究人员引进了一种程序,该程序可以根据老鼠的脑电图(EEG)和肌电图(EMG)信号自动对老鼠的睡眠阶段进行分类,这两种信号分别记录了老鼠大脑和身体的电活动。他们结合了两种机器学习技术,卷积神经网络(CNN)和长短期记忆(LSTM)递归神经网络,其精确度超过了现有最好的自动方法。

“机器学习是一个令人兴奋的新研究领域,具有将医学和计算机科学结合起来的重要应用。它允许我们根据标记的例子自动分类新的数据,”通讯作者堀江一正解释说。当我们寻找的模式还不为人所知时,这一点尤其有价值,比如睡眠阶段。通过这种方式,算法可以“学习”如何在没有显式编程的情况下做出复杂的决策。在这个项目中,由于使用了大数据集,所以精度非常高。它拥有超过4200个生物信号,是迄今为止所有睡眠研究中最大的数据集。同时,通过实现一个CNN,该算法对个体差异和噪声具有较高的鲁棒性。

这项工作的主要进展是将任务划分为两种机器学习方法。首先,CNN被用来从大脑和身体的电活动记录中提取感兴趣的特征。然后将这些数据传递给LSTM,以确定哪些特征最能说明鼠标所经历的睡眠阶段。资深作者Hiroyuki Kitagawa说:“我们乐观地认为,我们可以把这项工作转化为对人类睡眠阶段的分类。”与此同时,这个项目已经可以加快睡眠领域研究人员的工作,这可能会使人们更清楚地了解睡眠是如何运作的。