مقالة منهجية

IntelliSleepScorer ، حزمة برامج مع واجهة مستخدم رسومية لتسجيل مرحلة النوم الآلي للفئران

DOI:

10.3791/66950

⸱

نوفمبر 8, 2024

 ,  ,  , 
1Stanley Center for Psychiatric Research, Broad Institute of MIT and Harvard, 2Stanford University

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نقدم حزمة برامج مع واجهة مستخدم رسومية للباحثين الذين ليس لديهم خبرة في الترميز لتسجيل مراحل النوم في الفئران من خلال تنزيل وتشغيل بسيطين.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تسجيل مرحلة النوم في القوارض هو عملية تحديد المراحل الثلاث: نوم حركة العين غير السريعة (NREM) ، ونوم حركة العين السريعة (REM) ، والاستيقاظ. يعد تسجيل مرحلة النوم أمرا بالغ الأهمية لدراسة المقاييس والتأثيرات الخاصة بمرحلة النوم.

تختلف أنماط النوم في القوارض عن تلك الموجودة في البشر ، وتتميز بنوبات أقصر من حركة العين غير السريعة وحركة العين السريعة المتباعدة عن طريق الاستيقاظ ، كما أن تسجيل مرحلة النوم اليدوي التقليدي من قبل الخبراء البشريين يستغرق وقتا طويلا. لمعالجة هذه المشكلة ، استخدمت الدراسات السابقة مناهج قائمة على التعلم الآلي لتطوير خوارزميات لتصنيف مراحل النوم تلقائيا ، ولكن النماذج عالية الأداء ذات قابلية التعميم الكبيرة غالبا ما تكون غير متاحة للجمهور / خالية من التكلفة ولا سهلة الاستخدام لباحثي النوم غير المدربين.

لذلك ، قمنا بتطوير خوارزمية LightGBM قائمة على التعلم الآلي مدربة على مجموعة بيانات كبيرة. لجعل النموذج متاحا للباحثين في مجال النوم دون خبرة في الترميز ، تم تطوير أداة برمجية تسمى IntelliSleepScorer (الإصدار 1.2 - أحدث إصدار) بناء على النموذج ، والذي يتميز بواجهة مستخدم رسومية سهلة الاستخدام. في هذه المخطوطة ، نقدم إرشادات خطوة بخطوة لاستخدام البرنامج لإظهار أداة تسجيل مرحلة النوم التلقائية المريحة والفعالة في الفئران للباحثين في النوم.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تسجيل مرحلة النوم في القوارض هو إجراء لتحديد المراحل الثلاث: نوم حركة العين غير السريعة (NREM) ، ونوم حركة العين السريعة (REM) ، والاستيقاظ2. في القوارض ، يتميز NREM بانخفاض نشاط العضلات ، والتنفس البطيء والمنتظم ، وانخفاض معدل ضربات القلب ، والتذبذبات منخفضة التردد لموجات الدماغ. تظهر حركة العين السريعة في القوارض ، على غرار البشر ، ونى العضلات ، وتنشيط مخطط كهربية الدماغ ، وحركات العين السريعة ، على الرغم من أن حدوث الحلم الحي أقل وضوحا في القوارض مقارنة بالبشر2،3. تتميز حالة "الاستيقاظ" في القوارض بنشاط الدماغ غير المتزامن مع موجات عالية التردد ومنخفضة السعة ، وزيادة قوة العضلات ، والسلوك النشط ، مثل الاستمالة والاستكشاف4. يمكن تحديد هذه المراحل الثلاث عن طريق فحص إشارات مخطط كهربية الدماغ (EEG) ومخطط كهربية العضل (EMG)5.

نماذج تسجيل مرحلة النوم التلقائية في القوارض في حاجة ماسة. أولا ، يعد تسجيل مرحلة النوم اليدوي من قبل خبراء بشريين كثيف العمالة ويستغرق وقتا طويلا. ثانيا ، تختلف أنماط النوم في القوارض عن تلك الموجودة في البشر ولديها نوبات أكثر تجزئة من حركة العين غير السريعة وحركة العين السريعة المتباعدة عن طريق الاستيقاظ ، حوالي 10 دقائق ، على عكس 60-120 دقيقة في البشر6. لذلك ، فإن تحديد هذه الفترات القصيرة أثناء التسجيل اليدوي يمثل تحديا. كانت هناك العديد من المحاولات منذ الستينيات لتطوير نظام تسجيل تلقائي لبيانات نوم القوارض7. على الرغم من وجود العديد من طرق تسجيل نوم القوارض الآلية ، إلا أن أدائها يختلف8،9،10،11،12،13،14،15،16،17،18. الأهم من ذلك ، أن معظم النماذج عالية الأداء ذات قابلية التعميم العالية ليست متاحة للجمهور (يحتاج بعضها إلى طلبات خاصة من المطورين) أو ليست مجانية للباحثين في مجال النوم.

لذلك ، لسد الفجوة التكنولوجية الحالية ، قمنا بتطوير نموذج قائم على التعلم الآلي باستخدام مجموعة بيانات كبيرة تبلغ 5776 ساعة من إشارات EEG و EMG من 519 تسجيلا عبر 124 فأرا باستخدام خوارزمية LightGBM1. يستخدم lightGBM نهجا لتعزيز التدرج لإنشاء أشجار القرار19. في Wang et al. ، 2023 ، حقق نموذج LightGBM (الذي يتكون من أكثر من 8000 شجرة قرار) دقة إجمالية تبلغ 95.2٪ و kappa كوهين بنسبة 0.91 ، والتي تفوقت على نموذجين أساسيين مستخدمين على نطاق واسع مثل نموذج الانحدار اللوجستي (الدقة = 93.3٪) ونموذج الغابة العشوائية (الدقة = 94.3٪ ، كابا = 0.89). أظهر الأداء العام للنموذج أيضا أداء مشابها لأداء الخبراء البشريين. الأهم من ذلك ، ثبت أن النموذج يتمتع بقابلية التعميم وليس مجهزا بشكل مفرط لبيانات التدريب الأصلية1: 1) كان أداؤه جيدا (الدقة > 89٪) على مجموعتي بيانات مستقلتين أخريين متاحتين للجمهور ، من ميلادينوفيتش وزملاؤه11 ، بترددات أخذ عينات وأطوال حقبة مختلفة. 2) لا يتأثر أداء النموذج بدورة الضوء / الظلام للفئران ؛ 3) كان أداء نموذج LightGBM المعدل جيدا على البيانات التي تحتوي على قطب كهربية كهربية الدماغ واحد فقط وقطب كهربية العضل مع كابا ≥ 0.89 ؛ 4) تم استخدام كل من الفئران البرية والطافرة للاختبار وكان أداء النموذج دقيقا. يشير هذا إلى أن النموذج يمكنه تسجيل مراحل النوم للفئران ذات الخلفيات الجينية المختلفة.

من أجل جعل هذا النموذج في متناول الباحثين في مجال النوم الذين قد لا يكون لديهم خبرة في الترميز ، قمنا بتطوير IntelliSleepScorer ، وهي أداة برمجية سهلة الاستخدام بواجهة بديهية بصريا. يمكن للبرنامج أتمتة إجراء تسجيل النوم بالكامل في الفئران. ينتج تصورات تفاعلية للإشارات والمخطط المغناطيسي وقيم Shapley Additive exPlanations (SHAP) من إدخال ملف تنسيق البيانات الأوروبي (EDF) / EDF +. يعزز نهج قيمة SHAP ، المستند إلى نظرية الألعاب التعاونية ، قابلية تفسير نماذج التعلمالآلي 20. يقدم النموذج قيم SHAP العالمية والحقبة ، مما يكشف عن كيفية مساهمة قيم الميزات المختلفة في قرار تسجيل النقاط للنموذج بشكل عام ولكل حقبة. يقلل هذا البرنامج المتقدم بشكل كبير من الوقت والجهد اللازمين لتسجيل مرحلة النوم في الفئران مع ضمان أن التحليل النهائي يمكن أن يعتمد على نتائج عالية الدقة. في هذه المخطوطة ، نقدم استخداما خطوة بخطوة ل IntelliSleepScorer (الإصدار 1.2) مع العديد من التحديثات على الإصدار 1.0 ، بما في ذلك خيار لتشغيل تحليل SHAP بشكل منفصل عن التنبؤ بنمط النوم ، وطول فترة قابل للتعديل للمستخدم لتسجيل مرحلة النوم ، وميزة التصحيح اليدوي لمرحلة السكون مدمجة في واجهة المستخدم الرسومية.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

استخدمت هذه الدراسة البيانات التي تم جمعها من تجارب في الجسم الحي على الفئران. لم تشارك أي تجارب بشرية في الدراسة. تمت الموافقة على جميع التجارب على من قبل اللجنة المؤسسية لرعاية واستخدامه في معهد برود. تم إجراء جميع التجارب وفقا للمبادئ التوجيهية واللوائح ذات الصلة. لا تنطبق إرشادات ARRIVE على هذه الدراسة لأن تركيز هذه الدراسة ينصب على تطوير نماذج التعلم الآلي بدلا من مقارنة مجموعات العلاج المختلفة.

1. إعداد البيانات

ملاحظة: توافق البيانات: يمكن أن يكون للبيانات المسجلة أي معدل أخذ عينات أعلى من 40 هرتز. ليست هناك حاجة لتمرير النطاق لتصفية الإشارة لأن ممر النطاق الترددي للبرنامج يقوم بتصفية إشارات EEG و EMG في الخطوة الأولى. تم تطوير نماذج LightGBM واختبارها باستخدام بيانات من الفئران. لا يوجد دليل على أداء نماذج LightGBM في أنواع أخرى من المختبر. يجب وضع أقطاب التسجيل في القشرة الأمامية والجدارية ، أو في أي من المكانين إذا تم تسجيل قناة مخطط كهربية الدماغ واحدة فقط.

  1. ترتيب ومتطلبات تنسيق EDF / EDF +
    ملاحظة: يقرأ البرنامج المستخدم في هذه الدراسة ملفات EDF / EDF + فقط باستخدام حزمة MNE-Python. يجب تطبيق مواصفات EDF / EDF + القياسية لإنشاء ملفات EDF / EDF +. بالإضافة إلى المواصفات القياسية، تأكد من ترميز التعليقات التوضيحية EDF/EDF+ في UTF-8. خلاف ذلك ، سوف يتعطل تطبيق البرنامج.
    1. قم بتحويل ملف آخر (ملف غير EDF / EDF +) إلى تنسيق EDF / EDF + باستخدام أدوات مجانية عبر الإنترنت.
      ملاحظة: لا توجد متطلبات لمرشح الجهاز عند الحصول على إشارات EEG و EMG. طالما أن المستخدمين يأخذون عينات من بيانات EEG و EMG الخاصة بهم بتردد 40 هرتز أو أعلى ، فسيعمل البرنامج بشكل صحيح. هذا لأنه ، في خطوة المعالجة المسبقة الأولية ، تخضع الإشارات لتصفية ممر النطاق بين 1 هرتز و 40 هرتز. تم دمج تصفية ممر النطاق هذا في خط أنابيب المعالجة المسبقة للبرنامج ، مما يلغي المستخدمين الذين يحتاجون إلى إجراء أي معالجة إضافية للإشارة.
  2. هناك نوعان من النماذج داخل البرنامج لتسجيل التسجيل. أحدهما هو LightGBM-2EEG ، والآخر هو LightGBM-1EEG. تم تخصيص نموذج LightGBM-2EEG لتسجيل البيانات التي تحتوي على قناتين EEG وقناة EMG واحدة. قم بتنفيذ الخطوات التالية حسب الطراز.
    1. تنظيم ملفات البيانات ل LightGBM-2EEG على وجه التحديد بالترتيب التالي: 1) قناة EEG المسجلة في المنطقة الجدارية ؛ 2) قناة مخطط كهربية الدماغ المسجلة في المنطقة الأمامية ؛ 3) قناة EMG. تم تخصيص LightGBM-1EEG للبيانات التي تحتوي فقط على قناة EEG واحدة (وضع القطب الكهربائي على المنطقة الجدارية أو الأمامية) وقناة EMG واحدة.
    2. قم بتنظيم القنوات في ملفات EDF / EDF + ل LightGBM-1EEG بالترتيب التالي: 1) قناة EEG ؛ 2) قناة EMG.

2. تنزيل IntelliSleepScorer لمستخدمي Windows و Mac و Linux

  1. بالنسبة لمستخدمي Windows ، يتوفر Windows Executable للبرنامج باستخدام PyInstaller. ابحث عن رابط التنزيل في صفحة أبحاث مجموعة عموم https://sites.broadinstitute.org/pan-lab/resources. بالنسبة لمستخدمي MacOS أو Linux ، استخدم الكود المصدري على مستودع GitHub https://github.com/broadinstitute/IntelliSleepScorer لتشغيل البرنامج.
  2. قم بالوصول إلى مثالين مسجلين لاختبار البرنامج المحفوظ كملفات EDF عن طريق تنزيلهما من خلال مستودع GitHub.
  3. لا يتضمن مستودع التعليمات البرمجية المصدر مجلد النماذج بسبب حدود الحجم. بدلا من ذلك ، قم بتنزيل models.zip وفك ضغطه وانسخ مجلد النماذج داخل المستودع لتشغيل البرنامج. خلاف ذلك ، سوف يتعطل البرنامج بسبب فقدان ملفات الطراز.

3. سير العمل وتشغيل البرنامج

  1. قم بتشغيل IntelliSleepScorer
    1. لتشغيل البرنامج في Windows ، انقر نقرا مزدوجا فوق IntelliSleepScorer.exe الموجود في المجلد الجذر. لتشغيل البرنامج في MacOS أو Linux ، افتح محاكيا طرفيا ، وقم بتغيير الدليل إلى المجلد الجذر للبرنامج ، ثم قم بتشغيل البرنامج باستخدام الأمر: python3 IntelliSleepScorer.py.
  2. بمجرد فتح البرنامج ، انقر فوق تحديد ملف (ملفات) EDF / EDF + لتحديد الملف (الملفات) المقصود لتسجيله. إذا تم تحديد الملفات عن طريق الخطأ، فانقر فوق الزر "مسح " لمسح قائمة الملفات المحددة.
    ملاحظة: بشكل افتراضي، يقوم البرنامج بتشفير مراحل السكون ك Wake:1 وNREM:2 وREM:3 في ملفات درجات الإخراج. يتم تعيين طول العصر الافتراضي على 10 ثوان. يسمح الإصدار الحالي (v1.2) من واجهة المستخدم الرسومية للمستخدمين بتغيير ترميزات المرحلة أو أطوال الفترات إلى 4 ثوان أو 10 ثوان أو 20 ثانية باستخدام القائمة المنسدلة.
  3. حدد طول الحقبة المطلوب. استخدم القائمة المنسدلة المتوفرة لتحديد طول الحقبة المقصود من بين خيارات 4 ثوان و 10 ثوان و 20 ثانية لتسجيل مرحلة السكون.
  4. حدد النموذج الذي سيتم استخدامه لتسجيل نقاط النوم. تم تصميم LightGBM-2EEG لملفات البيانات التي تحتوي على قناتين EEG وقناة EMG واحدة ، بينما تم تصميم LightGBM-1EEG للبيانات التي تحتوي على قناة EEG واحدة وقناة EMG واحدة.
  5. قبل تشغيل التنبؤ بمرحلة النوم، قم بتضمين حساب SHAP الإضافي الذي يساعد في شرح نتائج التنبؤ بمرحلة النوم. لمعالجة حساب SHAP، حدد خانة الاختيار تشغيل/رسم SHAP . يتطلب حساب SHAP حوالي 5-10 دقائق للمعالجة.
  6. انقر فوق تسجيل جميع الملفات. يقوم النموذج تلقائيا بتسجيل جميع ملفات EDF / EDF + ويحسب قيم SHAP العمومية والحقبة لتفسير قرارات التسجيل في القائمة إذا تم اختيارها للقيام بذلك.
    ملاحظة: أثناء عملية تسجيل النقاط ، يقوم النموذج بإنشاء الملفات التالية وحفظها في نفس المجلد حيث توجد ملفات EDF / EDF +. يستخدم النموذج هذه الملفات لرسم قيم SHAP العالمية وقيم SHAP العصرية.

    "اسم ملف EDF / EDF +}} _ {model_name} _features.csv" ؛ يخزن هذا الملف جميع قيم الميزات المستخرجة.
    "اسم ملف EDF / EDF +}} _ {model_name} _scores.csv" ؛ يخزن هذا الملف مراحل السكون المتوقعة.
    "اسم ملف EDF / EDF +}} _ {model_name} _rs_100hz.npy" ؛ يخزن هذا الملف نسخة من الإشارات المعاد تشكيلها/التقليل من العينات (100 هرتز). لتحسين سرعة التصور ، يستخدم النموذج الإشارة التي تم أخذ عينات منها بدلا من الإشارة الأصلية عند رسم الإشارة.
    "اسم ملف EDF / EDF +}_ {model_name} شرح. مخلل"؛ "{اسم ملف EDF / EDF +} {model_name} shap_500samples.pickle" ؛ "{اسم ملف EDF / EDF +} {model_name} _indicies_500samples.npy" ؛
  7. بعد الانتهاء من عملية تسجيل النوم ، انقر فوق خيار تصور الملف المحدد لتصور إشارات مخطط كهربية الدماغ / مخطط كهربية الدماغ ومخطط التنويم المغناطيسي المحاذي للوقت مع الإشارات.
    1. قم بتسجيل الملف المحدد مرة أخرى قبل التصور إذا تم تغيير طول الحقبة.

4. التنقل في النتائج المسجلة

  1. انقر فوق أزرار التنقل المتوفرة للتحرك للأمام والخلف لرؤية بيانات الحقبة المختلفة.
  2. إذا تم اختيار حساب SHAP ليتم إجراؤه، فقم بعرض قيم SHAP على مستوى العصر والعالمي. انقر بزر الماوس الأيمن فوق حقبة لرسم قيم SHAP على مستوى الحقبة.
    ملاحظة: سيستغرق الأمر بضع ثوان لتحديث مخطط SHAP على مستوى الحقبة. يوضح الشكل 1 نظرة عامة على صفحة واجهة المستخدم الرسومية بعد تشغيل التنبؤ بملف EDF/EDF+ على سبيل المثال 1 باستخدام نموذج 1_LightBGM-2EEG.

5. تفسير مراحل النوم المسجل المخطط المغناطيسي

ملاحظة: هناك 4 صفوف في التنويم المغناطيسي (الشكل 2). الصف العلوي هو النتائج المتوقعة. الصفوف الثلاثة السفلية هي بيانات أولية لقنالتين من EEG و 1 EMG ، على التوالي. في الصف العلوي ، يشير اللون البرتقالي إلى مرحلة الاستيقاظ ، ويشير اللون الأزرق إلى مرحلة حركة العين غير السريعة ، ويشير اللون الأحمر إلى مرحلة حركة العين السريعة في كل حقبة.

  1. لتغيير عدد العصور المراد عرضها ، انقر فوق مربع القائمة الموجود على يمين تحديد عدد الحصور المراد عرضها واختر القيمة المطلوبة. في الشكل 2 ، تم اختيار 100 حقبة. لذلك ، يتم عرض 100 حقبة فقط في مخطط التنبؤ بمرحلة النوم. حدد رقما أصغر في القائمة المنسدلة لتكبير المخطط.
  2. يشير الشريط الوردي الشفاف على يسار الشكل 2 إلى الموقع الحالي للحقبة. انقر بزر الماوس الأيسر على أي مكان في المخطط المغناطيسي للتبديل إلى حقبة أخرى ، أو ببساطة انقر فوق Go to Epoch وأدخل عددا محددا من الحقب التي يجب ملاحظتها. انقر بزر الماوس الأيمن فوق الحقبة المحددة لإنشاء مخطط SHAP الخاص بها إذا قام المستخدم بتمكين الدالة SHAP.

6. التصحيح اليدوي لمراحل السكون المتوقعة على واجهة المستخدم الرسومية (اختياري)

ملاحظة: إذا لم يلاحظ أي شذوذ أو لم تكن الدقة العالية للغاية مطلوبة للتنبؤ بمرحلة حركة العين السريعة، فلن تكون هناك حاجة للتحقق اليدوي.

  1. انقر بزر الماوس الأيسر على حقبة في مخطط التنبؤ بمرحلة النوم (المؤامرة العلوية) لتحديد حقبة معينة. يظهر النموذج المتوقع المرحلة من الحقبة المختارة على يمين النص. لتغيير المرحلة المتوقعة يدويا في تلك الحقبة ، انقر فوق عنصر واجهة المستخدم وحدد مرحلة جديدة من خيارات Wake و NREM و REM في القائمة المنسدلة.
  2. يتم تمييز المراحل التي تم تصحيحها من قبل المستخدم بخطوط متقطعة أعلى المخطط الأصلي (الشكل 3). أغلق واجهة المستخدم الرسومية، وسيتم إنشاء ملف جديد بنتائج التنبؤ المصححة تلقائيا في نفس المجلد.
    1. لفتح ملف مسجل محفوظ على واجهة المستخدم الرسومية مرة أخرى، تأكد من أن إعداد طول الحقبة والنموذج المحدد يتطابقان مع الإعداد المستخدم عند معالجة ملف EDF في البداية لتتمكن من إعادة فتحه. سيتم تحميل جميع المعلومات المعدلة / المسجلة مسبقا بسرعة.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

هناك ثلاث مخططات (فقط المخطط العلوي إذا لم يتم تشغيل قيم SHAP) تم إنشاؤها في واجهة المستخدم الرسومية بعد تسجيل مرحلة السكون: تقدم المخطط العلوي قنوات مخطط كهربية الدماغ ومخطط كهربية العضل مع مخطط مغناطيسي للتنبؤ بمرحلة النوم. يقدم المخطط الأوسط قيم SHAP للحقبة. يعرض المخطط السفلي قيم SHAP العالمية (الشكل 1).

هناك 4 أنواع من البيانات المعروضة في مخطط التنويم المغناطيسي للتنبؤ بمرحلة النوم (الشكل 2). الصف العلوي هو النتائج المتوقعة. الصفوف الثلاثة السفلية هي بيانات أولية لقنالتين من EEG و 1 EMG ، على التوالي. في الصف العلوي ، يشير اللون البرتقالي إلى مرحلة "الاستيقاظ" ، ويشير اللون الأزرق إلى مرحلة "NREM" ، ويشير اللون الأحمر إلى مرحلة "REM" في كل حقبة. حقبة المثال الحالية هي في عام 1305 وهي في مرحلة "الاستيقاظ" لأن شريط الموقع الوردي يتداخل مع خط برتقالي اللون.

في الشكل 3 ، يتم تمييز المرحلة التي تم تصحيحها من قبل المستخدم بخطوط متقطعة أعلى الأصل. يشير الخط الأحمر المتقطع إلى تغيير مرحلة السكون من "Wake" إلى "REM".

في الشكل 4 ، يتم عرض مثال على نتيجة العصر 1305 في مثال الملف 1. يظهر المحور Y لمخطط Epoch SHAP أهم 10 ميزات مع أعلى قيم SHAP المطلقة للعصر المحدد. يعرض المحور x قيم SHAP، والتي تشير إلى مساهمة كل ميزة في التنبؤ مقارنة بمتوسط التنبؤ. تشير قيمة SHAP الإيجابية إلى مساهمة إيجابية في التنبؤ ، والعكس صحيح. الميزة "emg_abs_max" لها قيمة SHAP إيجابية للغاية على مستوى الحقبة ل Wake ، مما يشير إلى أن "emg_abs_max" من الحقبة المحددة تزيد من احتمالية تسجيل الحقبة المختارة على أنها "Wake" (الشكل 4). هذا معقول من الناحية الفسيولوجية لأن سعة مخطط كهربية العضل الكبيرة تدل على الحركات النشطة ، مما يشير إلى مرحلة "الاستيقاظ".

في مثال مخطط SHAP العالمي (الشكل 5) ، تمثل كل نقطة في مخطط السرب p عينة واحدة من البيانات. يظهر المحور y للمخططات أهم 10 ميزات مع أعلى قيم SHAP العالمية المطلقة المحسوبة من 500 حقبة تم أخذ عينات عشوائية. يعرض المحور x قيم SHAP، والتي تشير إلى مساهمة كل ميزة في التنبؤ مقارنة بمتوسط التنبؤ. يختلف مخطط SHAP العالمي عن مخطط SHAP العصري ، وله بعدان: قيمة x لكل نقطة وشدة لون النقطة. تشير قيمة SHAP للمحور x الإيجابية إلى مساهمة إيجابية في التنبؤ ، والعكس صحيح. تحتوي العينات ذات اللون الأحمر الداكن على قيم ميزات أعلى. من خلال الفحص البصري لارتباطات الموضع ولون 500 نقطة لكل ميزة ، يمكن للمرء تفسير كيفية اتخاذ LightGBM للقرارات بناء على قيم كل ميزة. في مخطط SHAP العالمي "Wake" ، حيث تزداد قيم SHAP ل "emg_abs_max" من كونها أكثر سلبية إلى أكثر إيجابية ، يصبح لون النقاط أغمق. يشير إلى أن الاحتمال المتزايد للتنبؤ به على أنه "يقظ" يرتبط ارتباطا إيجابيا بالقيمة المتزايدة ل "emg_abs_max". تجدر الإشارة أيضا إلى أن الميزات ذات التوزيعات الأوسع لقيم SHAP (القيم المطلقة الأعلى) تساهم بشكل أكبر في التنبؤ بواسطة النموذج. على سبيل المثال ، يحتوي مخطط NREM SHAP العالمي (الشكل 5) على انتشار واسع من النقاط لميزة "eeg2_gamma_delta_ratio". تقلل قيمة SHAP السلبية للغاية للميزة من احتمالية تسجيل النموذج كمرحلة "NREM".

figure-results-1
الشكل 1: نظرة عامة على صفحة واجهة المستخدم الرسومية بعد تشغيل التنبؤ لملف EDF/EDF+ على سبيل المثال 1 باستخدام نموذج 1_LightBGM-2EEG. يتم تسجيل كل من التنبؤ بمرحلة النوم وحساب SHAP. تظهر المخطط العلوي قنوات EEG و EMG مع مخطط مغناطيسي للتنبؤ بمرحلة النوم. يظهر المخطط الأوسط قيم حقبة SHAP. يعرض المخطط السفلي قيم SHAP العالمية. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-2
الشكل 2: التنويم المغناطيسي للتنبؤ بمرحلة السكون من ملف Example-1 EDF / EDF +. هناك 4 بيانات معروضة في المؤامرة. الصف العلوي هو النتائج المتوقعة. الصفوف الثلاثة السفلية هي بيانات أولية لقنالتين من EEG و 1 EMG ، على التوالي. في الصف العلوي ، يشير اللون البرتقالي إلى مرحلة "الاستيقاظ" ، ويشير اللون الأزرق إلى مرحلة "NREM" ، ويشير اللون الأحمر إلى مرحلة "REM" في كل حقبة. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-3
الشكل 3: التنويم المغناطيسي للتنبؤ بمرحلة السكون من ملف EDF / EDF + Example-1 مع التصحيح اليدوي المعدل من قبل المستخدم. تم تغيير العصر 1305 من مرحلة "الاستيقاظ" إلى المرحلة "REM" كعرض توضيحي للتصحيح اليدوي لمرحلة النوم داخل واجهة المستخدم الرسومية. يشير الخط الأحمر المتقطع إلى مرحلة السكون المعدلة من قبل المستخدم "REM". الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-4
الشكل 4: قيم Wake و NREM و REM Epoch SHAP لملف Example-1 EDF / EDF + في العصر 1305. يظهر المحور y لمخطط Epoch SHAP أهم 10 ميزات مع أعلى قيم SHAP المطلقة للعصر المحدد. يعرض المحور x قيم SHAP، والتي تشير إلى مساهمة كل ميزة في التنبؤ مقارنة بمتوسط التنبؤ. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-5
الشكل 5: قيم Wake وNREM وREM Global SHAP لملف Example-1 EDF/EDF+. تمثل كل نقطة في مخطط السرب p عينة واحدة من البيانات. يظهر المحور y للمخططات أهم 10 ميزات مع أعلى قيم SHAP العالمية المطلقة المحسوبة من 500 حقبة تم أخذ عينات عشوائية. يعرض المحور x قيم SHAP، والتي تشير إلى مساهمة كل ميزة في التنبؤ مقارنة بمتوسط التنبؤ. المحور x لقيمة SHAP العالمية له بعدان: قيمة x لكل نقطة وشدة لون النقطة. تشير قيمة SHAP للمحور x الإيجابية إلى مساهمة إيجابية في التنبؤ ، والعكس صحيح. تحتوي العينات ذات اللون الأحمر الداكن على قيم ميزات أعلى. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقدم هذه الورقة كيفية استخدام واجهة المستخدم الرسومية IntelliSleepScorer (v1.2) لتسجيل مراحل النوم للفئران تلقائيا وكيفية الاستفادة من قيم / مخططات SHAP لفهم درجات مرحلة النوم التي تم إنشاؤها بواسطة النموذج بشكل أفضل.

من الاعتبارات المهمة عند استخدام البرنامج توافق البيانات. اقتصرت البيانات الداخلية المستخدمة في هذه الدراسة على الأقطاب الكهربائية الموضوعة في المناطق الأمامية والجدارية في مجموعة البيانات المستقلة من ميلادينوفيتشوزملاؤه 11 ، على الرغم من اختلاف إحداثيات الأقطاب الكهربائية لهذه المناطق ، حافظ البرنامج على أداء مرض. على الرغم من أن البرنامج قد يكون قابلا للتطبيق على مناطق الدماغ الأخرى ، إلا أننا لم نجري اختبارات لتأكيد ذلك. لذلك ، لا يمكننا التأكيد على عدم وجود قيود فيما يتعلق بوضع القطب. ومع ذلك، فإننا نشجع المستخدمين على اختباره إذا كان لديهم تسجيلات من مناطق أخرى.

تختلف مدة جلسات تسجيل مخطط كهربية الدماغ / مخطط كهربية العضل لتحليل مرحلة النوم اعتمادا على الأهداف المحددة للدراسة. عادة ما تستمر جلسات التسجيل إما 12 ساعة ، تغطي إما المرحلة الفاتحة أو المظلمة ، أو 24 ساعة ، وتشمل كلتا المرحلتين في يوم واحد. تستخدم كل من التسجيلات على مدار 12 ساعة و 24 ساعة بشكل شائع لالتقاط أنماط النوم والاستيقاظ المميزة وإيقاعات الساعة البيولوجية. يظهر الاختبار على النموذج أن تسجيل مرحلة النوم موثوق ودقيق لكل من الجلسات المسجلة لمدة 12 ساعة و 24 ساعة. لا يوجد حد أعلى معروف لمدة التسجيلات.

خطوتان جديتان بالملاحظة في بروتوكول البرنامج هما المعالجة المسبقة للبيانات والتحقق اليدوي. لتعزيز قابلية تعميم النماذج المدربة ، سمحنا بالضوضاء والتحف في بيانات الإدخال ونفذنا الحد الأدنى من تدابير مراقبة الجودة. تهدف مراقبة الجودة التي أجريناها إلى استبعاد التسجيلات السيئة بسبب فقدان الإشارات. عادة ما يحدث فقدان الإشارات بسبب مشكلات في الاتصال ، مثل انفصال الأقطاب الكهربائية أو سقوطها. قد يتسبب فقدان الإشارات في حدوث أخطاء في درجات النوم التي تم إنشاؤها بواسطة البرنامج. على سبيل المثال ، قد يشترك الخط المسطح في قناة مخطط كهربية العضل للماوس المستيقظ بسبب قطب كهربية العضل السائب في نفس ميزة مرحلة عدم الحركة / النوم للفئران ، مما قد يؤدي إلى تنبؤ "NREM" أو "REM" بواسطة نماذج LightGBM. كمرجع ، استخدمنا المعايير التالية لاستبعاد التسجيلات التي تحتوي على قدر كبير من فقدان الإشارة تلقائيا: 1) سعة أي إشارة مخطط كهربية الدماغ أقل من 1 ميكروفولت لمدة 50٪ على الأقل من مدة التسجيل ، أو 2) سعة إشارة مخطط كهربية العضل أقل من 1 فولت لمدة 50٪ على الأقل من مدة التسجيل. يحتاج المستخدمون إلى تنفيذ معايير مراقبة الجودة الخاصة بهم بناء على الإعداد التجريبي ونظام التسجيل الخاص بهم. عادة ما توجد ضوضاء الخط الناتجة عن التيار المتردد عند 50 هرتز أو 60 هرتز. ستتم إزالة ضوضاء الخط هذه أثناء خطوة مرشح ممر النطاق (1-40 هرتز) المنفذة في البرنامج. لذلك ، ليست هناك حاجة للمستخدمين للمعالجة المسبقة لضوضاء الخط قبل إدخال البيانات في البرنامج. تم النظر في الضوضاء الطفيفة أو العوامل المتداخلة ، مثل حركات الجسم ، أثناء تطوير النموذج1. يضمن النهج المستخدم في هذه الدراسة أن قابلية تعميم النموذج يمكن أن تتسامح مع هذه القطع الأثرية الثانوية التي لا تؤثر بشكل كبير على نتائج التدريج النهائية للنوم. يعد تنسيق وجودة التسجيل والتسلسل التنظيمي لملفات بيانات EDF كلها مكونات مهمة لتحسين أداء هذا النموذج المدرب مسبقا.

للتحقق اليدوي ، نظرا لأن نموذج LightGBM كان ضعيفا (REM F1-score < 0.6) في عدد قليل من التسجيلات ، نوصي المستخدمين بالتحقق من مراحل السكون التي تم إنشاؤها بواسطة النموذج إذا كان تسجيل مرحلة REM الدقيق أمرا بالغ الأهمية. بالنسبة للدراسات التي تركز على فسيولوجيا مرحلة الاستيقاظ أو NREM ، لا يزال نموذج LightGBM يدعم خط أنابيب تحليلي قوي للغاية ومؤتمت بالكامل. يمكن أن يصبح تفسير قيم SHAP أداة ممتازة بالاقتران مع التحقق اليدوي لتأكيد دقة النتائج التي تم إنشاؤها بواسطة البرامج. SHAP هو نهج يستخدم نظرية الألعاب لشرح مخرجات نماذج التعلم الآلي. يربط التخصيص الأمثل للائتمان بالتفسيرات المحلية باستخدام قيم Shapley الكلاسيكية وامتداداتهاذات الصلة 20. على سبيل المثال ، في مخطط قيم NREM SHAP العالمي (الشكل 4) ، إذا ظهرت نقطة حمراء داكنة فجأة على الجانب الأيمن الأقصى من ميزة "eeg2_gamma_delta_ratio" ، فقد يشير ذلك إلى وجود شذوذ في تلك الحقبة. وذلك لأن نقطة عينة العصر المعزولة تنحرف عن مجموعة البيانات بأكملها. يمكن أن يوفر تفسير مخططات SHAP للمستخدمين شرحا واضحا وسهل الاستخدام لتسجيل مراحل النوم. على سبيل المثال ، توفر مخططات عصر SHAP معلومات حول الميزات التي تعد العامل الحاسم الأعلى لتسجيل مرحلة النوم. يوفر المخطط المغناطيسي للتنبؤ بالنتيجة (الشكل 2) أيضا معلومات مهمة حول نتائج التنبؤ. في الحالات التي تظهر فيها مراحل النوم المسجلة في المخطط المغناطيسي تحولات متكررة بين مرحلتي "الاستيقاظ" و "حركة العين السريعة" ، وهو أمر غير طبيعي من الناحية الفسيولوجية ، يوصى بإجراء تقييم شامل للتسجيل وقيم SHAP المقابلة للتأكد من جودة النتائج. باستخدام مخططات SHAP والتنويم المغناطيسي ، يمكن للباحثين تحديد أي خطأ في التنبؤ بسرعة أثناء تسجيل مراحل النوم. ومع ذلك ، في حين أن قيم SHAP تشرح كيفية قيام النموذج بالتنبؤات ، إلا أنها لا تعني بالضرورة أن التنبؤات أو الطريقة التي يقوم بها النموذج ببعض التنبؤات صحيحة. الهدف من تقديم قيم SHAP هو مساعدة المستخدمين على فهم عملية تسجيل النقاط لمرحلة السكون وتمكين المستخدمين من تحديد أي خطأ بسرعة من خلال فحص منطق نموذج LightGBM.

هناك ميزتان بارزتان في الإصدار الحالي (الإصدار 1.2) من النموذج. أولا ، باتباع الفقرة السابقة ، قد يكون التحقق / التصحيح اليدوي مملا للغاية وغير مريح إذا احتاج المستخدمون إلى العودة إلى ملفات CSV لإجراء تعديلات ، خاصة بالنسبة للتسجيلات الطويلة. لذلك ، نقدم ميزة التصحيح اليدوي المدمجة مباشرة في واجهة المستخدم الرسومية للمستخدمين لتغيير مرحلة السكون المسجلة في أي حقبة. بعد أن ينقر المستخدم على حقبة معينة ، سيتم عرض مرحلة السكون المسجلة إما "Wake" أو "REM" أو "NREM" في القائمة المنسدلة أعلى شريط واجهة المستخدم الرسومية. إذا رغب المستخدم في تغيير المرحلة من مرحلة إلى أخرى ، فيمكنه ببساطة تحديد مرحلة أخرى من القائمة المنسدلة ، وسيتم إنشاء ملف جديد تم تصحيحه يدويا من قبل المستخدمين. علاوة على ذلك ، بدلا من طول الحقبة القياسي الثابت البالغ 10 ثوان المقدم للتحليل ، نقدم خيارا لتعديل طول الحقبة على واجهة المستخدم الرسومية لتلبية الاحتياجات التجريبية المحددة لمختلف باحثي النوم. الخيارات الآن هي عصور 4 و 10 و 20 ثانية ، وكلها شائعة الاستخدام بين الباحثين في النوم. على الرغم من أن هذا النموذج قد تم تدريبه على بيانات داخلية من عصور 10 ثوان ، إلا أن أداء النموذج في الاختبارات المستقلة لبيانات عصور 4 ثوان من مختبرات مختلفة كان مشابها لأداء الخبراء البشريين في جميع مراحلالنوم 1. يجب على المستخدمين توخي الحذر عند تنفيذ 20 ثانية لأن 1) تسجيل الفئران النوم / الاستيقاظ مع 20 ثانية حقب قد تفوت الأحداث القصيرة جدا مثل الإثارة العابرة; 2) من المرجح أن تشمل عصور العشرين مراحل مختلطة في كل حقبة8.

سيكون من المفيد مقارنة هذا النموذج بطرق تسجيل مرحلة النوم الآلية الأخرى الحالية للمستخدمين. إلى جانب IntelliSleepScorer ، هناك بعض النماذج المطورة الأخرى لتسجيل مرحلة النوم التلقائي بدرجات متفاوتة من الدقة والتعقيدات والكفاءات8،9،10،11،12،13،14،15،16،17،18. يستخدم النموذج المستخدم في هذه الدراسة خوارزمية LightGBM لتحقيق دقة عالية في تسجيل مرحلة النوم ، يمكن مقارنتها بالنماذج الحالية. في تقييمنا ، أظهر IntelliSleepScorer دقة إجمالية تبلغ 95.2٪ ، وهو ما يتساوى مع مقاييس الأداء التي تم الإبلاغ عنها لنماذج مماثلة مثل MC-SleepNet8 و Sleep-Deep-Learner9. ومع ذلك ، فإن التمييز الحقيقي ل IntelliSleepScorer لا يكمن فقط في دقته ولكن أيضا في إمكانية الوصول إليه وسهولة استخدامه للباحثين غير المدربين ذوي الخبرة المحدودة في الترميز.

MC-SleepNet8 ، المدربة باستخدام الشبكات العصبية العميقة على مجموعة بيانات كبيرة من 4200 فأر ، تحقق دقة تسجيل عالية تبلغ 96.4٪ وإحصائية كابا تبلغ 0.94 ، متجاوزة معظم الطرق الحالية. ومع ذلك ، على حد علمنا ، لا يوجد برنامج يعتمد على MC-SleepNet متاح للجمهور / مجانا حتى الآن.

يعمل Sleep-Deep-Learner9 على أتمتة التسجيل في الفئران بدرجة F1 تبلغ 0.86 لنوم حركة العين السريعة ، و 0.95 لنوم حركة العين غير السريعة ، و 0.97 لليقظة. ومع ذلك ، تناول المؤلفون في الورقة أن Sleep-Deep-Learner غير مناسب للأفراد الذين ليسوا على دراية جيدة بتسجيل النوم والاستيقاظ ، لأنه يتطلب مجموعة فرعية من الحصور المسجلة يدويا. من ناحية أخرى ، لا يتطلب IntelliSleepScorer أي معالجة يدوية أخرى أثناء تسجيل مرحلة النوم ولديه واجهة مستخدم رسومية سهلة الاستخدام للغاية لأي باحث.

Somnivore10 هو نظام متعدد الاستخدامات ومتعدد الطبقات مصمم لتسجيل مرحلة الاستيقاظ والنوم الآلي ، وهو بارع في التعلم من مجموعات تدريب محدودة مع مدخلات تخطيط النوم المعقدة. إنه يعمل بكفاءة حسابية سريعة ويوضح تعميما قويا عبر مواضيع متنوعة ، بما في ذلك البشر والقوارض (البرية والمعدلة وراثيا) والحمام. ومع ذلك ، فإن Somnivore ليس مجانيا.

يمكن الوصول إلى كل من SlumberNet11 و AccuSleep12 بسهولة على Zenodo و GitHub ، على التوالي ، ولديهما دقة تسجيل تبلغ 97٪ و 96.8٪. ومع ذلك ، فإن كلا النموذجين لهما أحجام بيانات تدريب صغيرة نسبيا من 9 أو 10 فئران ولم يشملوا التحقق من صحة الاختبار المستقل. لذلك ، لا يزال أداؤهم في العالم الحقيقي غير معروف.

SPINDLE13 هو نموذج آخر قائم على الويب تم تدريبه باستخدام مجموعة بيانات أصغر مع 4-6 فئران / فئران تستفيد من الشبكات العصبية التلافيفية. تم التحقق من صحة SPINDLE عبر البيانات من ثلاثة مختبرات نوم مستقلة ، وحققت متوسط معدلات اتفاق تتراوح بين 93٪ و 99٪ مع تسجيل الخبراء البشريين من مختبرات مختلفة ، مما يعكس القدرة البشرية.

أخيرا ، أظهر Somnotate14 دقة تبلغ 0.97 ± 0.01 ودرجة F1 مرجحة تبلغ 0.97 ± 0.01 عند تقييمها على مجموعات البيانات الداخلية التي تضمنت ستة تسجيلات على مدار 24 ساعة بناء على إجماع ثلاثة تعليقات توضيحية يدوية على الأقل. عند اختباره على مجموعة بيانات Somnotate ، انخفض أداء IntelliSleepScorer ، بدقة 0.75 ± 0.04 ودرجة F1 مرجحة تبلغ 0.73 ± 0.0514. قد يعزى هذا الأداء المنخفض إلى الاختلافات في الإعدادات التجريبية أو ظروف التسجيل عبر مجموعات البيانات. نظرا لتنوع حالات الاستخدام في العالم الحقيقي ، فإننا نشجع المستخدمين على تقييم أداء IntelliSleepScorer على مجموعات البيانات الخاصة بهم خاصة إذا كانت إعداداتهم التجريبية أو ظروف التسجيل تختلف اختلافا كبيرا عن إعداداتنا. إذا كان أداء البرنامج لا يلبي التوقعات ، فسيكون لدى المستخدمين خيار ضبط النموذج المدرب مسبقا ببياناتهم حيث جعلنا النماذج والتعليمات البرمجية المستخدمة للتطوير مفتوحة المصدر.

إلى جانب أمثلة النماذج الحالية التي تمت مناقشتها أعلاه ، هناك بعض أنظمة التدريج الأوتوماتيكي الأخرى المطورة للنوم والتي يمكن للمحققين الاختيار من بينها اعتمادا على الاحتياجات المحددة والمختلفة لدراساتهم15،16،17،18.

في العمل المستقبلي ، نهدف إلى تطوير / تدريب نموذج جديد يحسن وقت التسجيل التلقائي لمراحل النوم. حاليا ، تعالج واجهة المستخدم الرسومية 12 ساعة من التسجيلات التي تم أخذ عينات منها عند 1000 هرتز في حوالي 10 دقائق على وحدة المعالجة المركزية Intel Core i7-8550U @ 1.80 جيجاهرتز. ومع ذلك ، يزداد وقت المعالجة بحوالي 2.5 مرة عند تسجيل مراحل النوم مع فترات 4 ثوان مقارنة بفترات 10 ثوان الافتراضية. يمكن أن يلبي هذا النموذج الجديد احتياجات بعض المستخدمين الذين يرغبون في تسجيل مرحلة النوم التلقائي بشكل أسرع في الفئران. كما أننا نستمع دائما إلى ملاحظات المستخدمين ، ويمكن إضافة أي ميزة جديدة عند الطلب.

باختصار ، نحن نقدم برنامج واجهة المستخدم الرسومية المجاني والمتاح للجمهور وسهل الاستخدام ، IntelliSleepScorer ، لإنشاء خط أنابيب آلي مناسب لتسجيل مرحلة نوم الفئران. بالإضافة إلى ذلك ، ذهبنا إلى أبعد من ذلك من خلال تقديم تصورات قيمة SHAP التي تشرح قرار التسجيل الذي يتخذه النموذج. يمكن للمستخدمين ذوي الخبرة أيضا ضبط نموذجنا المدرب مسبقا ببياناتهم ، نظرا لأن ملفات النموذج والبرامج النصية لاستخراج ميزات التدريب / الضبط الدقيق كلها متاحة للجمهور في مستودع GitHub. نأمل أن يتمكن هذا النموذج المتاح بشكل مفتوح من تضييق الفجوة التكنولوجية وتسهيل التقدم من جمع البيانات إلى النتائج الجديدة باستخدام نماذج الفئران في أبحاث النوم مع تقليل العمل كثيف العمالة.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ويعلن أصحاب البلاغ عدم وجود تضارب في المصالح.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نشكر Kerena Yan و Jingwen Hu على تسجيل مراحل النوم يدويا و Eunah و Soonwiik على التسجيلات.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
Canonical Unbuntu 18.04Canonicalhttps://releases.ubuntu.com/18.04/يدعم نظام التشغيل للبرنامج IntelliSleep Scorer: Windows أو Mac أو Linux
Core i7-8550U CPU @ 1.80 جيجاهرتز 1.99 جيجاهرتز ؛ ذاكرة الوصول العشوائي: 24 جيجابايت Intel Corphttps://www.intel.com/content/www/us/en/products/details/processors/core-ultra.htmlHardware للبرنامج: تم استخدام كل من Inte Core المدرجين هنا لمعالجة البيانات. تستغرق معالجة 12 ساعة من التسجيل التي تم أخذ عينات منها عند 1000 هرتز حوالي 10 دقائق لكلا الجهازين. أي أجهزة مماثلة أو متفوقة من شأنها أن تسفر عن أداء مماثل أو أفضل.  
وحدة المعالجة المركزية Intel Core i7-10610U @ 1.80 جيجاهرتز 2.30 جيجاهرتز ؛ ذاكرة الوصول العشوائي: 16 جيجابايتIntel Corphttps://www.intel.com/content/www/us/en/products/details/processors/core-ultra.htmlمتطلبات الأجهزة للبرنامج: تم استخدام كل من Inte Core المدرجين هنا لمعالجة البيانات. تستغرق معالجة 12 ساعة من التسجيل التي تم أخذ عينات منها عند 1000 هرتز حوالي 10 دقائق لكلا الجهازين. أي أجهزة مماثلة أو متفوقة من شأنها أن تسفر عن أداء مماثل أو أفضل.  
LightGBMMicrosofthttps://lightgbm.readthedocs.io/en/latest/index.htmlخوارزمية قائمة على التعلم الآلي تم استخدامها لتدريب البرنامج.
MacBook ProApplehttps://www.apple.com/in/macbook-pro/دعم نظام التشغيل للبرنامج IntelliSleep Scorer: Windows أو Mac أو Linux
Windowshttps://www.microsoft.com/en-in/windows/?r=1يدعم Microsoft نظام التشغيل للبرنامج IntelliSleep Scorer: Windows أو Mac أو Linux
Intel متطلبات

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Wang, L. A., Kern, R., Yu, E., Choi, S., Pan, J. Q. Intellisleepscorer, a software package with a graphic user interface for automated sleep stage scoring in mice based on a light gradient boosting machine algorithm. Sci Rep. 13 (1), 4275(2023).
  2. Astori, S., Wimmer, R. D., Luthi, A. Manipulating sleep spindles--expanding views on sleep, memory, and disease. Trends Neurosci. 36 (12), 738-748 (2013).
  3. Fraigne, J. J., Torontali, Z. A., Snow, M. B., Peever, J. H. Rem sleep at its core-circuits, neurotransmitters, and pathophysiology. Front Neurol. 6, 123(2015).
  4. Huber, R., Deboer, T., Tobler, I. Effects of sleep deprivation on sleep and sleep eeg in three mouse strains: Empirical data and simulations. Brain Res. 857 (1-2), 8-19 (2000).
  5. Brown, R. E., Basheer, R., Mckenna, J. T., Strecker, R. E., Mccarley, R. W. Control of sleep and wakefulness. Physiol Rev. 92 (3), 1087-1187 (2012).
  6. Lacroix, M. M., et al. Improved sleep scoring in mice reveals human-like stages. BioRxiv. 489005, (2018).
  7. Rayan, A., et al. Sleep scoring in rodents: Criteria, automatic approaches and outstanding issues. Eur J Neurosci. 59 (4), 526-553 (2024).
  8. Yamabe, M., et al. Mc-sleepnet: Large-scale sleep stage scoring in mice by deep neural networks. Sci Rep. 9 (1), 15793(2019).
  9. Katsuki, F., Spratt, T. J., Brown, R. E., Basheer, R., Uygun, D. S. Sleep-deep-learner is taught sleep-wake scoring by the end-user to complete each record in their style. Sleep Adv. 5 (1), zpae022(2024).
  10. Allocca, G., et al. Validation of 'somnivore', a machine learning algorithm for automated scoring and analysis of polysomnography data. Front Neurosci. 13, 207(2019).
  11. Jha, P. K., Valekunja, U. K., Reddy, A. B. Slumbernet: Deep learning classification of sleep stages using residual neural networks. Sci Rep. 14 (1), 4797(2024).
  12. Barger, Z., Frye, C. G., Liu, D., Dan, Y., Bouchard, K. E. Robust, automated sleep scoring by a compact neural network with distributional shift correction. PLoS One. 14 (12), e0224642(2019).
  13. Miladinovic, D., et al. Spindle: End-to-end learning from eeg/emg to extrapolate animal sleep scoring across experimental settings, labs and species. PLoS Comput Biol. 15 (4), e1006968(2019).
  14. Brodersen, P. J. N., et al. Somnotate: A probabilistic sleep stage classifier for studying vigilance state transitions. PLoS Comput Biol. 20 (1), e1011793(2024).
  15. Akada, K., et al. A deep learning algorithm for sleep stage scoring in mice based on a multimodal network with fine-tuning technique. Neurosci Res. 173, 99-105 (2021).
  16. Rytkonen, K. M., Zitting, J., Porkka-Heiskanen, T. Automated sleep scoring in rats and mice using the naive Bayes classifier. J Neurosci Methods. 202 (1), 60-64 (2011).
  17. Kam, K., Rapoport, D. M., Parekh, A., Ayappa, I., Varga, A. W. Wavesleepnet: An interpretable deep convolutional neural network for the continuous classification of mouse sleep and wake. J Neurosci Methods. 360, 109224(2021).
  18. Crisler, S., Morrissey, M. J., Anch, A. M., Barnett, D. W. Sleep-stage scoring in the rat using a support vector machine. J Neurosci Methods. 168 (2), 524-534 (2008).
  19. Ke, G., et al. Lightgbm: A highly efficient gradient boosting decision tree. Neural Information Processing Systems. , (2017).
  20. A unified approach to interpreting model predictions. Lundberg, S. M., Lee, S. I. In Proceedings of the 31st International Conference on Neural Information Processing Systems (NIPS'17), , Curran Associates Inc. Red Hook, NY. 4768-4777 (2017).

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

Automated Sleep ScoringMouse Sleep StagesSleep Stage ScoringLightGBM AlgorithmEEG EMG AnalysisSHAP Value VisualizationGraphic User InterfaceManual Sleep CorrectionSleep Research SoftwareSleep Stage Classification

مقالات ذات صلة