Onderzoekers van de Universiteit van Tsukuba hebben een nieuw programma voor kunstmatige intelligentie ontwikkeld voor het automatisch classificeren van de slaapstadia van muizen, dat twee populaire methoden voor machinaal leren combineert. Nagesynchroniseerd MC-SleepNet, het algoritme behaalde een nauwkeurigheid van meer dan 96 procent en een hoge robuustheid tegen ruis in de biologische signalen. Het gebruik van dit systeem voor het automatisch annoteren van gegevens kan slaaponderzoekers aanzienlijk helpen bij het analyseren van de resultaten van hun experimenten.

Wetenschappers die slaap bestuderen, gebruiken muizen vaak als diermodellen om beter te begrijpen hoe de activiteit in de hersenen verandert tijdens de verschillende fasen. Deze fasen kunnen worden geclassificeerd als wakker, REM-slaap (snelle oogbeweging), en niet-REM-slaap. Eerder, onderzoekers die de hersengolven van slapende muizen volgden, eindigden met bergen gegevens die met de hand moesten worden gelabeld, vaak door teams van studenten. Dit vormde een belangrijk knelpunt in het onderzoek.

Nutsvoorzieningen, onderzoekers van de Universiteit van Tsukuba hebben een programma geïntroduceerd voor het automatisch classificeren van het slaapstadium dat een muis heeft ervaren op basis van zijn elektro-encefalogram (EEG) en elektromyogram (EMG) signalen, die elektrische activiteit in de hersenen en het lichaam registreren, respectievelijk. Ze combineerden twee machine learning-technieken, convolutionele neurale netwerken (CNN) en lange korte termijn geheugen (LSTM) terugkerende neurale netwerken om nauwkeurigheden te bereiken die die van de beste bestaande automatische methoden overtreffen.

"Machine learning is een opwindend nieuw onderzoeksgebied met belangrijke toepassingen die geneeskunde combineren met informatica. Het stelt ons in staat om automatisch nieuwe gegevens te classificeren op basis van gelabelde voorbeelden, " legt corresponderende auteur Kazumasa Horie uit. Dit is vooral waardevol wanneer de patronen waarnaar moet worden gezocht niet goed bekend zijn, zoals bij slaapstadia. Op deze manier, het algoritme kan "leren" complexe beslissingen te nemen zonder expliciet geprogrammeerd te zijn. In dit project, de nauwkeurigheid was zeer hoog vanwege de grote dataset die werd gebruikt. Met meer dan 4, 200 biologische signalen, het was de grootste dataset van enig slaaponderzoek tot nu toe. Ook, door een CNN te implementeren, het algoritme toonde een hoge robuustheid tegen individuele verschillen en ruis.

De belangrijkste vooruitgang in dit werk was om de taak te verdelen over de twee machine learning-methoden. Eerst werd een CNN gebruikt om interessante kenmerken te extraheren uit de opnames van de elektrische activiteit in de hersenen en het lichaam. Deze gegevens werden vervolgens doorgegeven aan een LSTM om te bepalen welke kenmerken het meest indicatief waren voor de slaapfase die de muis doormaakte. "We zijn optimistisch dat we dit werk kunnen vertalen in het classificeren van slaapstadia bij mensen, " zegt senior auteur Hiroyuki Kitagawa. In de tussentijd, dit programma kan het werk van onderzoekers op het gebied van slaap nu al versnellen, wat kan leiden tot een veel duidelijker begrip van hoe slaap werkt.