Name: IntelliSleepScorer, un progiciel doté d’une interface utilisateur graphique pour l’évaluation automatisée des phases de sommeil chez la souris (Vidéo) | JoVE Journal
Uploaded: 2024-11-08T13:20:00.000+00:00
Duration: 4 min 54 s
Description: Découvrez IntelliSleepScorer, un logiciel avec interface graphique pour l'évaluation automatisée des phases de sommeil chez la souris. Cet outil atteint 95,2% de précision et offre des visualisations SHAP pour expliquer les décisions du modèle.

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>Outil automatisé de notation des phases de sommeil pour les rongeurs à l’aide de 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>Prise en charge du logiciel IntelliSleep Scorer : Windows, Mac ou Linux</td></tr><tr><td>Intel Core i7-8550U CPU @ 1,80 GHz 1,99 GHz ; Mémoire vive : 24 Go</td><td>Intel Corp</td><td>https://www.intel.com/content/www/us/en/products/details/processors/core-ultra.html</td><td>Exigence matérielle pour le logiciel : Les deux processeurs Intel Core répertoriés ici ont été utilisés pour traiter les données. Il faut environ 10 minutes pour traiter 12 h d’enregistrement échantillonné à 1000 Hz pour les deux matériels. Tout matériel similaire ou supérieur donnerait des performances comparables ou supérieures. &nbsp ;</td></tr><tr><td>Processeur Intel Core i7-10610U @1,80 GHz 2,30 GHz ; RAM : 16 Go</td><td>Intel Corp</td><td>https://www.intel.com/content/www/us/en/products/details/processors/core-ultra.html</td><td>Matériel requis pour le logiciel : Les deux processeurs Intel Core répertoriés ici ont été utilisés pour traiter les données. Il faut environ 10 minutes pour traiter 12 h d’enregistrement échantillonné à 1000 Hz pour les deux matériels. Tout matériel similaire ou supérieur donnerait des performances comparables ou supérieures. &nbsp ;</td></tr><tr><td>LightGBM</td><td>Microsoft</td><td>https://lightgbm.readthedocs.io/en/latest/index.html</td><td>algorithme basé sur l’apprentissage automatique qui a été utilisé pour entraîner le logiciel.</td></tr><tr><td>MacBook Pro</td><td>Apple</td><td>https://www.apple.com/in/macbook-pro/</td> <td>Système d’exploitation pris en charge pour le logiciel IntelliSleep Scorer : Windows, Mac ou Linux</td></tr><tr><td>Windows</td><td>Microsoft</td><td>https://www.microsoft.com/en-in/windows/?r=1</td><td>Système d’exploitation pris en charge pour le logiciel IntelliSleep Scorer : Windows, Mac ou Linux</td></tr></tbody></table>

intellisleepscorer, un progiciel doté d’une interface utilisateur graphique pour l’évaluation automatisée des phases de sommeil chez la souris

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

Il y a trois graphiques (seulement le graphique du haut si les valeurs SHAP n’ont pas été exécutées) générés dans l’interface graphique après le score de la phase de sommeil : le graphique du haut présente les canaux EEG et EMG avec un hypnogramme de la prédiction de la phase de sommeil. Le graphique du milieu présente les valeurs SHAP d’époque. Le graphique du bas présente les valeurs globales de SHAP (Figure 1).
Il y a 4 types de données présentées dans le graphique de l’hypnogramme de prédiction du stade de sommeil (Figure 2). La ligne supérieure est les résultats prévus. Les 3 rangées inférieures sont des données brutes de 2 canaux EEG et 1 canal EMG, respectivement. Sur la rangée du haut, l’orange suggère l’étape « Wake », le bleu suggère l’étape « NREM » et le rouge suggère l’étape « REM » à chaque époque. L’époque de l’exemple actuel est sur 1305 et se trouve dans une phase de « Wake » car la barre de localisation rose se chevauche avec une ligne de couleur orange.
Dans la figure 3, une étape corrigée par l’utilisateur est marquée de lignes pointillées au-dessus de l’original. La ligne pointillée rouge indique que la phase de sommeil est passée de « Veille » à « REM ».
La figure 4 montre un exemple de résultat de l’époque 1305 dans le fichier d’exemple 1. L’axe Y du graphique SHAP d’époque affiche les 10 principales entités avec les valeurs SHAP absolues les plus élevées pour l’époque sélectionnée. L’axe des x montre les valeurs SHAP, qui indiquent la contribution de chaque caractéristique à la prédiction par rapport à la prédiction moyenne. La valeur SHAP positive indique une contribution positive à la prédiction, et vice versa. La caractéristique « emg_abs_max » a une valeur SHAP très positive au niveau de l’époque pour Wake, ce qui indique que « emg_abs_max » de l’époque sélectionnée augmente la probabilité que l’époque choisie soit notée comme « Wake » (Figure 4). C’est physiologiquement raisonnable car une grande amplitude EMG signifie des mouvements actifs, indiquant ainsi l’étape « Wake ».
Dans l’exemple de graphique SHAP global (Figure 5), chaque point du graphique p-swarm représente un échantillon de données. L’axe des y des graphiques montre les 10 principales entités avec les valeurs SHAP globales absolues les plus élevées calculées à partir de 500 époques échantillonnées au hasard. L’axe des x montre les valeurs SHAP, qui indiquent la contribution de chaque caractéristique à la prédiction par rapport à la prédiction moyenne. Différent du graphique SHAP d’époque, le graphique SHAP global a deux dimensions : la valeur x de chaque point et l’intensité de la couleur du point. La valeur SHAP positive de l’axe des x indique une contribution positive à la prédiction, et vice versa. Les échantillons de couleur rouge plus foncé ont des valeurs de caractéristiques plus élevées. En examinant visuellement les corrélations de position et de couleur des 500 points pour chaque caractéristique, on peut interpréter comment LightGBM prend des décisions en fonction des valeurs de chaque caractéristique. Dans le graphique SHAP global « Wake », à mesure que les valeurs SHAP pour « emg_abs_max » passent de plus négatives à plus positives, la couleur des points devient plus foncée. Il indique que la probabilité accrue d’être prédit comme « Wake » est positivement corrélée avec la valeur accrue de « emg_abs_max ». Il convient également de noter que les caractéristiques avec des distributions plus larges de valeurs SHAP (valeurs absolues plus élevées) contribuent davantage à la prédiction du modèle. Par exemple, le graphique global NREM SHAP (Figure 5) présente une large gamme de points pour la caractéristique « eeg2_gamma_delta_ratio ». La valeur SHAP très négative de la caractéristique diminue la probabilité que le modèle soit noté en tant qu’étape « NREM ».
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/66950/66950fig01.jpg"> Figure 1 : Vue d’ensemble de la page de l’interface graphique après l’exécution de la prédiction pour le fichier EDF/EDF+ de l’exemple 1 avec le modèle 1_LightBGM-2EEG. La prédiction du stade de sommeil et le calcul SHAP sont notés. Le graphique du haut montre les canaux EEG et EMG avec un hypnogramme de la prédiction du stade de sommeil. Le graphique du milieu montre les valeurs SHAP d’époque. Le graphique du bas montre les valeurs SHAP globales. <a href="https://www.jove.com/files/ftp_upload/66950/66950fig01large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/66950/66950fig02.jpg"> Figure 2 : Hypnogramme de prédiction du stade de sommeil à partir de l’exemple 1 du fichier EDF/EDF+. Il y a 4 données présentées dans le graphique. La ligne supérieure est les résultats prévus. Les 3 rangées inférieures sont des données brutes de 2 canaux EEG et 1 canal EMG, respectivement. Sur la rangée du haut, l’orange suggère l’étape « Wake », le bleu suggère l’étape « NREM » et le rouge suggère l’étape « REM » à chaque époque. <a href="https://www.jove.com/files/ftp_upload/66950/66950fig02large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/66950/66950fig03.jpg"> Figure 3 : Hypnogramme de prédiction du stade de sommeil de l’exemple 1 Fichier EDF/EDF+ avec correction manuelle modifiée par l’utilisateur. L’époque 1305 a été remplacée par l’étape « Wake » par l’étape « REM » en tant que démonstration de la correction manuelle de l’étape de veille dans l’interface graphique. La ligne rouge pointillée indique la phase de sommeil « REM » modifiée par l’utilisateur. <a href="https://www.jove.com/files/ftp_upload/66950/66950fig03large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/66950/66950fig04.jpg"> Figure 4 : Valeurs SHAP de sillage, NREM et REM pour le fichier EDF/EDF+ de l’exemple 1 à l’époque 1305. L’axe des y du graphique SHAP d’époque montre les 10 principales entités avec les valeurs SHAP absolues les plus élevées pour l’époque sélectionnée. L’axe des x montre les valeurs SHAP, qui indiquent la contribution de chaque caractéristique à la prédiction par rapport à la prédiction moyenne. <a href="https://www.jove.com/files/ftp_upload/66950/66950fig04large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/66950/66950fig05.jpg"> Figure 5 : Valeurs SHAP globales de Wake, NREM et REM pour l’exemple 1 fichier EDF/EDF+. Chaque point du graphique p-swarm représente un échantillon de données. L’axe des y des graphiques montre les 10 principales entités avec les valeurs SHAP globales absolues les plus élevées calculées à partir de 500 époques échantillonnées au hasard. L’axe des x montre les valeurs SHAP, qui indiquent la contribution de chaque caractéristique à la prédiction par rapport à la prédiction moyenne. L’axe des x de la valeur SHAP globale a deux dimensions : la valeur x de chaque point et l’intensité de la couleur du point. La valeur SHAP positive de l’axe des x indique une contribution positive à la prédiction, et vice versa. Les échantillons de couleur rouge plus foncé ont des valeurs de caractéristiques plus élevées. <a href="https://www.jove.com/files/ftp_upload/66950/66950fig05large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>

IntelliSleepScorer, un progiciel doté d’une interface utilisateur graphique pour l’évaluation automatisée des phases de sommeil chez la souris

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

Recherche

JoVE Journal

Neuroscience

Neurosciences

Cette vidéo présente un protocole d’implantation d’un ensemble d’électrodes d’électroencéphalogramme (EEG) et d’électromyogramme (EMG) dans une souris anesthésiée. Le processus consiste à fixer la souris sur un cadre stéréotaxique, à faire une incision médiane dans le crâne, à percer des trous pour les électrodes et à fixer l’unité d’électrode pour l’enregistrement du signal. Après la récupération, le comportement veille-sommeil de la souris est analysé à l'aide des signaux enregistrés.

Analyse du comportement en sommeil chez la souris à l’aide d’enregistrements d’électroencéphalogramme et d’électromyogramme

Système entièrement automatisé pour mesurer les propriétés physiologiquement significatives des mécanismes de médiation localisation spatiale, la localisation temporelle, la durée, le taux et estimation de la probabilité, l'évaluation des risques, l'impulsivité et l'exactitude et la précision de la mémoire, afin d'évaluer les effets des manipulations génétiques et pharmacologiques sur mécanismes fondamentaux de la cognition chez les souris.

Automatisé, quantitative cognitive / comportementale dépistage de souris: pour la génétique, la pharmacologie, la Cognition Animale et de formation de premier cycle

L’enregistrement de l’électroencéphalogramme (EEG) et de l’électromyogramme (EMG) chez les souris se comportant librement est une étape essentielle pour corréler le comportement et la physiologie avec le sommeil et l’éveil. Le protocole expérimental décrit dans le présent document fournit un système câblé pour l’acquisition d’enregistrements EEG et EMG chez la souris.

Procédure d&#39;enregistrement polygraphique pour la mesure du sommeil chez la souris

Ici, nous présentons des procédures expérimentales et analytiques pour décrire la dynamique temporelle des variables neuronales et cardiaques du sommeil non-REM chez la souris, qui modulent la réactivité du sommeil aux stimuli acoustiques.

Quantification de la dynamique infra-lente de la puissance spectrale et de la fréquence cardiaque chez les souris dormantes

Nous décrivons une méthode de haut-débit de mesure sommeil au moyen fondé sur l’activité de surveillance maison-cage. Cette méthode présente des avantages par rapport aux méthodes traditionnelles axées sur l’EEG. Il est bien validé pour la détermination de la durée totale du sommeil et peut être un outil puissant pour surveiller le sommeil dans les modèles de maladies humaines.

Non invasive, High-throughput détermination de la durée du sommeil chez les rongeurs

Altérations dans les métabolites de neuroactive kynurénine voie (KP) sont impliquées dans les troubles psychiatriques. Enquête sur les résultats fonctionnels d’une altération kynurénine voie métabolisme in vivo chez les rongeurs peut aider à expliquer des nouvelles approches thérapeutiques. Le protocole actuel combine les approches biochimiques et comportementales afin d’étudier l’impact d’un défi de kynurénine aiguë chez le rat.

Une mesure de chromatographie liquide à haute performance de kynurénine et acide kynurénique : biochimie sur la Cognition et sommeil chez le rat

Nous présentons ici un protocole visant à améliorer la qualité des données de sommeil maison test en fournissant une méthode pour améliorer des instructions par une visite participante structurée. Ce protocole prévoit la mise en oeuvre d’un manuel pédagogique étape par étape avec des photos pour assurer le positionnement correct de l’équipement.

Accueil multimodale sommeil suivi in Older Adults

Ce protocole fournit un programme MATLAB ouvert et compilé qui génère des spectrogrammes multitapers pour les données électroencéphalographiques.

Programme de spectrogrammes multitaper s'informatisé pour les données électroencéphalographiques

Ici, nous présentons un protocole qui étudie la relation entre les symptômes cognitifs et la qualité du sommeil chez les patients atteints de trouble dépressif majeur. L’outil intégré à THINC et la polysomnographie ont été utilisés pour évaluer les symptômes cognitifs et la qualité du sommeil.

Association entre la qualité du sommeil et les symptômes cognitifs chez les patients atteints de trouble dépressif majeur

Nous décrivons un protocole pour la quantification rapide et sensible de la gravité de la maladie dans des modèles murins de l'ataxie cérébelleuse. Les mesures comprennent des membres postérieurs en joignant, corniche de test, la démarche et une cyphose. Ce protocole est discriminatoire efficace entre les individus affectés et non affectés, et détecte la progression des personnes touchées au cours du temps.

Un simple système de notation composite phénotype pour l&#39;évaluation des modèles murins de l&#39;ataxie cérébelleuse

Découvrez IntelliSleepScorer, un logiciel avec interface graphique pour l'évaluation automatisée des phases de sommeil chez la souris. Cet outil atteint 95,2% de précision et offre des visualisations SHAP pour expliquer les décisions du modèle.

IntelliSleepScorer, un progiciel doté d’une interface utilisateur graphique pour l’évaluation automatisée des phases de sommeil chez la souris (Vidéo) | JoVE Journal

IntelliSleepScorer, un progiciel doté d’une interface utilisateur graphique pour l’évaluation automatisée des phases de sommeil chez la souris

Explorer plus de vidéos