Name: IntelliSleepScorer, ein Softwarepaket mit grafischer Benutzeroberfläche für die automatisierte Bewertung des Schlafstadiums von Mäusen (Video) | JoVE Journal
Uploaded: 2024-11-08T13:20:00.000+00:00
Duration: 4 min 54 s
Description: Erfahren Sie, wie IntelliSleepScorer Schlafstadien bei Mäusen mit 95,2% Genauigkeit automatisch bewertet. Die benutzerfreundliche Software bietet manuelle Korrekturen und SHAP-Visualisierungen für transparente Entscheidungen.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<meta charset="utf8"></head><body>Automatisiertes Tool zur Bewertung des Schlafstadiums für Nagetiere mit LightGBM

<ol><li>Wang, L. A., Kern, R., Yu, E., Choi, S., Pan, J. Q. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Intellisleepscorer%2C+a+software+package+with+a+graphic+user+interface+for+automated+sleep+stage+scoring+in+mice+based+on+a+light+gradient+boosting+machine+algorithm%5BTitle%5D)+AND+%22Sci+Rep%22%5BJournal%5D)">Intellisleepscorer, a software package with a graphic user interface for automated sleep stage scoring in mice based on a light gradient boosting machine algorithm.</a> Sci Rep. 13 (1), 4275(2023).</li>
<li>Astori, S., Wimmer, R. D., Luthi, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Manipulating+sleep+spindles--expanding+views+on+sleep%2C+memory%2C+and+disease%5BTitle%5D)+AND+%22Trends+Neurosci%22%5BJournal%5D)">Manipulating sleep spindles--expanding views on sleep, memory, and disease.</a> Trends Neurosci. 36 (12), 738-748 (2013).</li>
<li>Fraigne, J. J., Torontali, Z. A., Snow, M. B., Peever, J. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Rem+sleep+at+its+core-circuits%2C+neurotransmitters%2C+and+pathophysiology%5BTitle%5D)+AND+%22Front+Neurol%22%5BJournal%5D)">Rem sleep at its core-circuits, neurotransmitters, and pathophysiology.</a> Front Neurol. 6, 123(2015).</li>
<li>Huber, R., Deboer, T., Tobler, I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Effects+of+sleep+deprivation+on+sleep+and+sleep+eeg+in+three+mouse+strains%3A+Empirical+data+and+simulations%5BTitle%5D)+AND+%22Brain+Res%22%5BJournal%5D)">Effects of sleep deprivation on sleep and sleep eeg in three mouse strains: Empirical data and simulations.</a> Brain Res. 857 (1-2), 8-19 (2000).</li>
<li>Brown, R. E., Basheer, R., Mckenna, J. T., Strecker, R. E., Mccarley, R. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Control+of+sleep+and+wakefulness%5BTitle%5D)+AND+%22Physiol+Rev%22%5BJournal%5D)">Control of sleep and wakefulness.</a> Physiol Rev. 92 (3), 1087-1187 (2012).</li>
<li>Lacroix, M. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Improved+sleep+scoring+in+mice+reveals+human-like+stages%5BTitle%5D)+AND+%22BioRxiv%22%5BJournal%5D)">Improved sleep scoring in mice reveals human-like stages.</a> BioRxiv. 489005, (2018).</li>
<li>Rayan, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Sleep+scoring+in+rodents%3A+Criteria%2C+automatic+approaches+and+outstanding+issues%5BTitle%5D)+AND+%22Eur+J+Neurosci%22%5BJournal%5D)">Sleep scoring in rodents: Criteria, automatic approaches and outstanding issues.</a> Eur J Neurosci. 59 (4), 526-553 (2024).</li>
<li>Yamabe, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mc-sleepnet%3A+Large-scale+sleep+stage+scoring+in+mice+by+deep+neural+networks%5BTitle%5D)+AND+%22Sci+Rep%22%5BJournal%5D)">Mc-sleepnet: Large-scale sleep stage scoring in mice by deep neural networks.</a> Sci Rep. 9 (1), 15793(2019).</li>
<li>Katsuki, F., Spratt, T. J., Brown, R. E., Basheer, R., Uygun, D. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Sleep-deep-learner+is+taught+sleep-wake+scoring+by+the+end-user+to+complete+each+record+in+their+style%5BTitle%5D)+AND+%22Sleep+Adv%22%5BJournal%5D)">Sleep-deep-learner is taught sleep-wake scoring by the end-user to complete each record in their style.</a> Sleep Adv. 5 (1), zpae022(2024).</li>
<li>Allocca, G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Validation+of+%27somnivore%27%2C+a+machine+learning+algorithm+for+automated+scoring+and+analysis+of+polysomnography+data%5BTitle%5D)+AND+%22Front+Neurosci%22%5BJournal%5D)">Validation of 'somnivore', a machine learning algorithm for automated scoring and analysis of polysomnography data.</a> Front Neurosci. 13, 207(2019).</li>
<li>Jha, P. K., Valekunja, U. K., Reddy, A. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Slumbernet%3A+Deep+learning+classification+of+sleep+stages+using+residual+neural+networks%5BTitle%5D)+AND+%22Sci+Rep%22%5BJournal%5D)">Slumbernet: Deep learning classification of sleep stages using residual neural networks.</a> Sci Rep. 14 (1), 4797(2024).</li>
<li>Barger, Z., Frye, C. G., Liu, D., Dan, Y., Bouchard, K. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Robust%2C+automated+sleep+scoring+by+a+compact+neural+network+with+distributional+shift+correction%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">Robust, automated sleep scoring by a compact neural network with distributional shift correction.</a> PLoS One. 14 (12), e0224642(2019).</li>
<li>Miladinovic, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spindle%3A+End-to-end+learning+from+eeg%2Femg+to+extrapolate+animal+sleep+scoring+across+experimental+settings%2C+labs+and+species%5BTitle%5D)+AND+%22PLoS+Comput+Biol%22%5BJournal%5D)">Spindle: End-to-end learning from eeg/emg to extrapolate animal sleep scoring across experimental settings, labs and species.</a> PLoS Comput Biol. 15 (4), e1006968(2019).</li>
<li>Brodersen, P. J. N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Somnotate%3A+A+probabilistic+sleep+stage+classifier+for+studying+vigilance+state+transitions%5BTitle%5D)+AND+%22PLoS+Comput+Biol%22%5BJournal%5D)">Somnotate: A probabilistic sleep stage classifier for studying vigilance state transitions.</a> PLoS Comput Biol. 20 (1), e1011793(2024).</li>
<li>Akada, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+deep+learning+algorithm+for+sleep+stage+scoring+in+mice+based+on+a+multimodal+network+with+fine-tuning+technique%5BTitle%5D)+AND+%22Neurosci+Res%22%5BJournal%5D)">A deep learning algorithm for sleep stage scoring in mice based on a multimodal network with fine-tuning technique.</a> Neurosci Res. 173, 99-105 (2021).</li>
<li>Rytkonen, K. M., Zitting, J., Porkka-Heiskanen, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+sleep+scoring+in+rats+and+mice+using+the+naive+Bayes+classifier%5BTitle%5D)+AND+%22J+Neurosci+Methods%22%5BJournal%5D)">Automated sleep scoring in rats and mice using the naive Bayes classifier.</a> J Neurosci Methods. 202 (1), 60-64 (2011).</li>
<li>Kam, K., Rapoport, D. M., Parekh, A., Ayappa, I., Varga, A. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Wavesleepnet%3A+An+interpretable+deep+convolutional+neural+network+for+the+continuous+classification+of+mouse+sleep+and+wake%5BTitle%5D)+AND+%22J+Neurosci+Methods%22%5BJournal%5D)">Wavesleepnet: An interpretable deep convolutional neural network for the continuous classification of mouse sleep and wake.</a> J Neurosci Methods. 360, 109224(2021).</li>
<li>Crisler, S., Morrissey, M. J., Anch, A. M., Barnett, D. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Sleep-stage+scoring+in+the+rat+using+a+support+vector+machine%5BTitle%5D)+AND+%22J+Neurosci+Methods%22%5BJournal%5D)">Sleep-stage scoring in the rat using a support vector machine.</a> J Neurosci Methods. 168 (2), 524-534 (2008).</li>
<li>Ke, G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Lightgbm%3A+A+highly+efficient+gradient+boosting+decision+tree%5BTitle%5D)+AND+%22Neural+Information+Processing+Systems%22%5BJournal%5D)">Lightgbm: A highly efficient gradient boosting decision tree.</a> Neural Information Processing Systems. , (2017).</li>
<li>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).</li>
</ol>

<table><tbody><tr><td>Canonical Unbuntu 18.04</td><td>Canonical</td><td>https://releases.ubuntu.com/18.04/</td> <td>Unterstützendes Betriebssystem für die Software IntelliSleep Scorer: Windows, Mac oder Linux</td></tr><tr><td>Intel Core i7-8550U CPU @ 1,80 GHz 1,99 GHz; Arbeitsspeicher: 24 GB&nbsp;</td><td>Intel Corp</td><td>https://www.intel.com/content/www/us/en/products/details/processors/core-ultra.html</td><td>Hardwareanforderung für die Software: Für die Verarbeitung der Daten wurden beide hier aufgeführten Inte Core verwendet. Es dauert etwa 10 Minuten, um 12 Stunden Aufnahme zu verarbeiten, die bei 1000 Hz für beide Hardwares abgetastet wurden. Jede ähnliche oder überlegene Hardware würde zu einer vergleichbaren oder besseren Leistung führen. &nbsp;</td></tr><tr><td>Intel Core i7-10610U CPU @1,80 GHz 2,30 GHz; RAM: 16 GB</td><td>Intel Corp</td><td>https://www.intel.com/content/www/us/en/products/details/processors/core-ultra.html</td><td>Hardwarebedarf für die Software: Für die Verarbeitung der Daten wurden beide hier aufgeführten Inte Core verwendet. Es dauert etwa 10 Minuten, um 12 Stunden Aufnahme zu verarbeiten, die bei 1000 Hz für beide Hardwares abgetastet wurden. Jede ähnliche oder überlegene Hardware würde zu einer vergleichbaren oder besseren Leistung führen. &nbsp;</td></tr><tr><td>LightGBM</td><td>Microsoft</td><td>https://lightgbm.readthedocs.io/en/latest/index.html</td><td>auf maschinellem Lernen basierender Algorithmus, der zum Trainieren der Software verwendet wurde.</td></tr><tr><td>MacBook Pro</td><td></td><td>Apple https://www.apple.com/in/macbook-pro/</td> <td>Unterstützendes Betriebssystem für die Software IntelliSleep Scorer: Windows, Mac oder Linux</td></tr><tr><td>Windows</td><td></td><td>Microsoft https://www.microsoft.com/en-in/windows/?r=1</td><td>Unterstützendes Betriebssystem für die Software IntelliSleep Scorer: Windows, Mac oder Linux</td></tr></tbody></table>

intellisleepscorer, ein softwarepaket mit grafischer benutzeroberfläche für die automatisierte bewertung des schlafstadiums von mäusen

IntelliSleepScorer, a Software Package with a Graphic User Interface for Mice Automated Sleep Stage Scoring

Es gibt drei Diagramme (nur das obere Diagramm, wenn die SHAP-Werte nicht ausgeführt wurden), die in der GUI nach der Bewertung der Schlafphase generiert werden: Das obere Diagramm zeigt EEG- und EMG-Kanäle mit einem Hypnogramm der Vorhersage der Schlafphase. Das mittlere Diagramm zeigt die SHAP-Werte der Epochen. Das untere Diagramm zeigt die globalen SHAP-Werte (Abbildung 1).
Es gibt 4 Arten von Daten, die im Hypnogramm zur Vorhersage des Schlafstadiums dargestellt werden (Abbildung 2). Die oberste Zeile zeigt die vorhergesagten Ergebnisse. Die unteren 3 Zeilen sind Rohdaten von 2 EEG- bzw. 1 EMG-Kanälen. In der oberen Reihe steht Orange für die "Wake"-Phase, Blau für die "NREM"-Phase und Rot für die "REM"-Phase in jeder Epoche. Die aktuelle Beispielepoche befindet sich auf 1305 und befindet sich in der Phase "Wake", da die rosa Positionsleiste mit einer orangefarbenen Linie überlappt.
In Abbildung 3 ist eine vom Benutzer korrigierte Bühne mit gestrichelten Linien über dem Original markiert. Die rote gestrichelte Linie zeigt an, dass die Schlafphase von "Wake" auf "REM" geändert wurde.
In Abbildung 4 ist ein Beispielergebnis der Epoche 1305 in der Beispieldatei 1 dargestellt. Die Y-Achse des SHAP-Diagramms der Epoche zeigt die Top 10 Features mit den höchsten absoluten SHAP-Werten für die ausgewählte Epoche. Die X-Achse zeigt die SHAP-Werte, die den Beitrag der einzelnen Features zur Vorhersage im Vergleich zur durchschnittlichen Vorhersage angeben. Der positive SHAP-Wert gibt einen positiven Beitrag zur Vorhersage an und umgekehrt. Das Merkmal "emg_abs_max" weist einen sehr positiven SHAP-Wert auf Epochenebene für Wake auf, was darauf hindeutet, dass "emg_abs_max" aus der ausgewählten Epoche die Wahrscheinlichkeit erhöht, dass die ausgewählte Epoche als "Wake" bewertet wird (Abbildung 4). Dies ist physiologisch sinnvoll, da eine große EMG-Amplitude aktive Bewegungen anzeigt und damit das "Wach"-Stadium anzeigt.
Im Beispiel für ein globales SHAP-Diagramm (Abbildung 5) stellt jeder Punkt im p-Schwarmdiagramm eine Datenstichprobe dar. Die y-Achse der Diagramme zeigt die Top 10 Features mit den höchsten absoluten globalen SHAP-Werten, die aus 500 zufällig ausgewählten Epochen berechnet wurden. Die X-Achse zeigt die SHAP-Werte, die den Beitrag der einzelnen Features zur Vorhersage im Vergleich zur durchschnittlichen Vorhersage angeben. Anders als das Epochen-SHAP-Diagramm hat das globale SHAP-Diagramm zwei Dimensionen: den x-Wert jedes Punktes und die Intensität der Punktfarbe. Der positive SHAP-Wert der x-Achse gibt einen positiven Beitrag zur Vorhersage an und umgekehrt. Beispiele mit einer dunkleren roten Farbe weisen höhere Merkmalswerte auf. Durch die visuelle Untersuchung der Korrelationen der Position und der Farbe der 500 Punkte für jedes Merkmal kann interpretiert werden, wie LightGBM Entscheidungen auf der Grundlage der Werte der einzelnen Merkmale trifft. Wenn im globalen SHAP-Diagramm "Wake" die SHAP-Werte für "emg_abs_max" von negativer zu positiver werden, wird die Farbe der Punkte dunkler. Es deutet darauf hin, dass die erhöhte Wahrscheinlichkeit, als "Wake" vorhergesagt zu werden, positiv mit dem erhöhten Wert von "emg_abs_max" korreliert. Es ist auch erwähnenswert, dass Features mit breiteren Verteilungen von SHAP-Werten (höhere absolute Werte) mehr zur Vorhersage durch das Modell beitragen. Das globale NREM-SHAP-Diagramm (Abbildung 5) weist beispielsweise eine große Streuung von Punkten für das Feature "eeg2_gamma_delta_ratio" auf. Der stark negative SHAP-Wert des Merkmals verringert die Wahrscheinlichkeit, dass das Modell als "NREM"-Stadium bewertet wird.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/66950/66950fig01.jpg"> Abbildung 1: Übersicht der GUI-Seite nach dem Ausführen der Vorhersage für Example-1 EDF/EDF+-Datei mit 1_LightBGM-2EEG-Modell. Sowohl die Vorhersage des Schlafstadiums als auch die SHAP-Berechnung werden bewertet. Das obere Diagramm zeigt EEG- und EMG-Kanäle mit einem Hypnogramm zur Vorhersage des Schlafstadiums. Das mittlere Diagramm zeigt SHAP-Werte der Epoche. Das untere Diagramm zeigt globale SHAP-Werte. <a href="https://www.jove.com/files/ftp_upload/66950/66950fig01large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/66950/66950fig02.jpg"> Abbildung 2: Hypnogramm zur Vorhersage des Schlafstadiums aus Beispiel-1 EDF/EDF+-Datei. Es gibt 4 Daten, die in der Grafik dargestellt sind. Die oberste Zeile zeigt die vorhergesagten Ergebnisse. Die unteren 3 Zeilen sind Rohdaten von 2 EEG- bzw. 1 EMG-Kanälen. In der oberen Reihe steht Orange für die "Wake"-Phase, Blau für die "NREM"-Phase und Rot für die "REM"-Phase in jeder Epoche. <a href="https://www.jove.com/files/ftp_upload/66950/66950fig02large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/66950/66950fig03.jpg"> Abbildung 3: Hypnogramm zur Vorhersage des Schlafstadiums aus Beispiel-1 EDF/EDF+ Datei mit benutzerdefinierter manueller Korrektur. Epoche 1305 wurde von der Stufe "Wake" in die Stufe "REM" geändert, um die manuelle Korrektur der Schlafphase in der GUI zu demonstrieren. Die gestrichelte rote Linie zeigt die vom Benutzer geänderte Schlafstufe "REM" an. <a href="https://www.jove.com/files/ftp_upload/66950/66950fig03large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/66950/66950fig04.jpg"> Abbildung 4: SHAP-Werte für Wake-, NREM- und REM-Epoche für Example-1 EDF/EDF+-Datei bei Epoche 1305. Die y-Achse des SHAP-Diagramms für Epochen zeigt die Top 10 Features mit den höchsten absoluten SHAP-Werten für die ausgewählte Epoche. Die X-Achse zeigt die SHAP-Werte, die den Beitrag der einzelnen Features zur Vorhersage im Vergleich zur durchschnittlichen Vorhersage angeben. <a href="https://www.jove.com/files/ftp_upload/66950/66950fig04large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/66950/66950fig05.jpg"> Abbildung 5: Wake-, NREM- und REM-Global-SHAP-Werte für Example-1 EDF/EDF+-Datei. Jeder Punkt im p-Schwarmdiagramm stellt eine Stichprobe von Daten dar. Die y-Achse der Diagramme zeigt die Top 10 Features mit den höchsten absoluten globalen SHAP-Werten, die aus 500 zufällig ausgewählten Epochen berechnet wurden. Die X-Achse zeigt die SHAP-Werte, die den Beitrag der einzelnen Features zur Vorhersage im Vergleich zur durchschnittlichen Vorhersage angeben. Die x-Achse des globalen SHAP-Werts hat zwei Dimensionen: den x-Wert jedes Punktes und die Intensität der Punktfarbe. Der positive SHAP-Wert der x-Achse gibt einen positiven Beitrag zur Vorhersage an und umgekehrt. Beispiele mit einer dunkleren roten Farbe weisen höhere Merkmalswerte auf. <a href="https://www.jove.com/files/ftp_upload/66950/66950fig05large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>

IntelliSleepScorer, ein Softwarepaket mit grafischer Benutzeroberfläche für die automatisierte Bewertung des Schlafstadiums von Mäusen

Sleep stage scoring in rodents is the process of identifying the three stages: nonrapid eye movement sleep (NREM), rapid eye movement sleep (REM), and ...

intellisleepscorer-software-package-with-graphic-user-interface-for

Research

Forschung

JoVE Journal

Neuroscience

Neurowissenschaften

Dieses Video zeigt ein Protokoll für die Implantation einer Elektroenzephalogramm (EEG) und Elektromyogramm (EMG) Elektrodenanordnung in eine anästhesierte Maus. Der Prozess umfasst die Befestigung der Maus auf einem stereotaktischen Rahmen, einen Mittellinienschnitt im Schädel, das Bohren von Löchern für die Elektroden und das Fixieren der Elektrodeneinheit für die Signalaufzeichnung. Nach der Wiederherstellung wird das Schlaf-Wach-Verhalten der Maus anhand der aufgezeichneten Signale...

Analyse des Schlafverhaltens bei Mäusen durch Elektroenzephalogramm und Elektromyogramm-Aufzeichnungen

Vollautomatisches System zur Messung physiologisch sinnvollen Eigenschaften der Mechanismen der Vermittlung räumliche Lokalisierung, zeitliche Lokalisierung, Dauer, Geschwindigkeit und Wahrscheinlichkeitsschätzung, Risikobewertung, Impulsivität und die Genauigkeit und Präzision der Erinnerung, um die Auswirkungen der genetischen und pharmakologischen Manipulationen bewerten grundlegenden Mechanismen der Kognition bei Mäusen.

Automatisierte, Quantitative Kognition / Verhalten Screening der Mäuse: Für Genetik, Pharmakologie, Animal Cognition und Undergraduate-Unterricht

Die Aufzeichnung von Elektroenzephalogramm (EEG) und Elektromyogramm (EMG) bei frei verhaltenden Mäusen ist ein kritischer Schritt, um Verhalten und Physiologie mit Schlaf und Wachheit zu korrelieren. Das hierin beschriebene experimentelle Protokoll stellt ein kabelbasiertes System zur Erfassung von EEG- und EMG-Aufzeichnungen bei Mäusen bereit.

Polygraphic Recording Verfahren zur Messung von Schlaf bei Mäusen

Hier stellen wir experimentelle und analytische Verfahren vor, um die zeitliche Dynamik der neuronalen und kardialen Variablen des Nicht-REM-Schlafes bei Mäusen zu beschreiben, die die Schlafreaktion auf akustische Reize modulieren.

Quantifizierung der infra-langsamen Dynamik der spektralen Kraft und der Herzfrequenz bei schlafenden Mäusen

Wir beschreiben eine Hochdurchsatz-Methode zur Messung der Schlaf durch Activity based Überwachung Haus-Käfig. Diese Methode bietet Vorteile gegenüber herkömmlichen EEG-basierten Methoden. Es kann ist gut für die Bestimmung der gesamten Schlafdauer validiert und ein mächtiges Werkzeug, Schlaf in Nager-Modelle der menschlichen Krankheit zu überwachen.

Nicht-invasive High-Throughput-Bestimmung der Schlafdauer bei Nagern

Änderungen in den Kynurenin Weg (KP) neuroaktive Metaboliten sind in psychiatrischer Erkrankungen verwickelt. Untersuchung der funktionellen Ergebnisse einer veränderten Kynurenin Weg Stoffwechsel in Vivo bei Nagern kann helfen, neue therapeutische Ansätze zu erläutern. Das aktuelle Protokoll verbindet biochemischen und Verhaltensstörungen Ansätze zur Untersuchung der Auswirkungen einer akuten Kynurenin Herausforderung bei Ratten.

Ein High-Performance Liquid Chromatography-Messung von Kynurenin und Kynurenic Säure: Biochemie zur Kognition und Schlaf bei Ratten

Hier präsentieren wir Ihnen ein Protokoll zur Verbesserung der Qualität der Daten aus dem Hause Schlaf Tests durch Bereitstellung einer Methode zur Verbesserung der Anleitung durch einen strukturierten Teilnehmer Besuch. Dieses Protokoll beinhaltet die Implementierung einer pädagogischen Schritt für Schritt Anleitung mit Fotos, um die richtige Platzierung von Geräten zu gewährleisten.

Multimodale Haus Schlaf Überwachung bei älteren Erwachsenen

Dieses Protokoll stellt ein Open-Source-, kompiliertes MATLAB-Programm bereit, das Multitaper-Spektrogramme für elektroenzephalografische Daten generiert.

Computerbasiertes Multitaper-Spektrogrammprogramm für elektroenzephalographische Daten

Hier stellen wir ein Protokoll vor, das den Zusammenhang zwischen kognitiven Symptomen und Schlafqualität bei Patienten mit schweren depressiven Störungen untersucht. Das THINC-integrierte Tool und die Polysomnographie wurden verwendet, um die kognitiven Symptome und die Schlafqualität zu bewerten.

Zusammenhang zwischen Schlafqualität und kognitiven Symptomen bei Patienten mit schwerer depressiver Störung

Wir beschreiben ein Protokoll für die schnelle und sensitive Quantifizierung der Schwere der Erkrankung in Mausmodellen der Ataxie. Die Maßnahmen umfassen Hinterbein umklammert, ledge Test, Gang-und Kyphose. Dieses Protokoll effektiv unterscheidet zwischen betroffenen und nicht betroffenen Personen, und erkennt das Fortschreiten der Betroffenen im Laufe der Zeit.

Eine einfache Composite-Phänotyp Scoring System für die Beurteilung von Mausmodellen zerebelläre Ataxie

Erfahren Sie, wie IntelliSleepScorer Schlafstadien bei Mäusen mit 95,2% Genauigkeit automatisch bewertet. Die benutzerfreundliche Software bietet manuelle Korrekturen und SHAP-Visualisierungen für transparente Entscheidungen.

IntelliSleepScorer, ein Softwarepaket mit grafischer Benutzeroberfläche für die automatisierte Bewertung des Schlafstadiums von Mäusen (Video) | JoVE Journal

IntelliSleepScorer, ein Softwarepaket mit grafischer Benutzeroberfläche für die automatisierte Bewertung des Schlafstadiums von Mäusen

Weitere Videos entdecken