We presenteren een softwarepakket met een grafische gebruikersinterface voor onderzoekers zonder codeerervaring om slaapstadia bij muizen te scoren met een eenvoudige download en bediening.
Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.
Methodenartikel
IntelliSleepScorer, een softwarepakket met een grafische gebruikersinterface voor muizen Geautomatiseerde Sleep Stage Scoring
In dit artikel
Samenvatting
Samenvatting
Het scoren van de slaapfase bij knaagdieren is het proces van het identificeren van de drie fasen: slaap zonder snelle oogbewegingen (NREM), slaap met snelle oogbewegingen (REM) en waken. Het scoren van slaapfasen is cruciaal voor het bestuderen van slaapfasespecifieke maatregelen en effecten.
Slaappatronen bij knaagdieren verschillen van die bij mensen, gekenmerkt door kortere episodes van NREM en REM met tussenruimte tussen het ontwaken, en traditionele handmatige slaapfasescores door menselijke experts zijn tijdrovend. Om dit probleem aan te pakken, hebben eerdere studies op machine learning gebaseerde benaderingen gebruikt om algoritmen te ontwikkelen om slaapfasen automatisch te categoriseren, maar goed presterende modellen met een grote generaliseerbaarheid zijn vaak niet openbaar beschikbaar/gratis of gebruiksvriendelijk voor niet-opgeleide slaaponderzoekers.
Daarom hebben we een op machine learning gebaseerd LightGBM-algoritme ontwikkeld dat is getraind met een grote dataset. Om het model beschikbaar te maken voor slaaponderzoekers zonder codeerervaring, werd op basis van het model een softwaretool ontwikkeld met de naam IntelliSleepScorer (v1.2- nieuwste versie), die een gebruiksvriendelijke grafische gebruikersinterface heeft. In dit manuscript presenteren we stapsgewijze instructies voor het gebruik van de software om een handige en effectieve automatische tool voor het scoren van slaapfasen bij muizen voor slaaponderzoekers te demonstreren.
Inleiding
Het scoren van slaapfasen bij knaagdieren is de procedure om de drie fasen te identificeren: slaap zonder snelle oogbewegingen (NREM), slaap met snelle oogbewegingen (REM) en wakkerworden 2. Bij knaagdieren wordt NREM gekenmerkt door verminderde spieractiviteit, langzame en regelmatige ademhaling, verlaagde hartslag en laagfrequente oscillaties van de hersengolven. REM bij knaagdieren, vergelijkbaar met mensen, vertoont spieratonie, EEG-activering en snelle oogbewegingen, hoewel het optreden van levendige dromen minder duidelijk is bij knaagdieren in vergelijking met mensen 2,3. De "waak"-toestand bij knaagdieren wordt gekenmerkt door gedesynchroniseerde hersenactiviteit met hoogfrequente golven met lage amplitude, verhoogde spierspanning en actief gedrag, zoals verzorging en verkenning4. Deze drie fasen kunnen worden geïdentificeerd door elektro-encefalogram (EEG) en elektromyogram (EMG) signalen te inspecteren5.
Er is grote behoefte aan de modellen voor het automatisch scoren van de slaapfase bij knaagdieren. Ten eerste is het handmatig scoren van de slaapfase door menselijke experts arbeidsintensief en tijdrovend. Ten tweede verschillen de slaappatronen bij knaagdieren van die bij mensen en hebben ze meer gefragmenteerde episodes van NREM en REM met tussenruimte tussen het ontwaken, ongeveer 10 minuten, in tegenstelling tot 60-120 minuten bij mensen6. Daarom is het een uitdaging om deze korte perioden tijdens handmatig scoren te identificeren. Sinds de jaren 60 zijn er veel pogingen gedaan om een automatisch scoresysteem van slaapgegevens van knaagdieren te ontwikkelen7. Hoewel er veel geautomatiseerde methoden voor het scoren van de slaap van knaagdieren bestaan, variëren hun prestaties 8,9,10,11,12,13,14,15,16,17,18. Belangrijk is dat de meeste goed presterende modellen met een hoge generaliseerbaarheid niet openbaar beschikbaar zijn (sommige hebben speciale verzoeken van ontwikkelaars nodig) of niet gratis zijn voor slaaponderzoekers.
Om de huidige technologische kloof op te vullen, hebben we daarom een op machine learning gebaseerd model ontwikkeld met behulp van een grote dataset van 5776 uur EEG- en EMG-signalen van 519 opnames op 124 muizen met het LightGBM-algoritme1. De lightGBM maakt gebruik van een gradiëntverhogende benadering om beslissingsbomen te construeren19. In Wang et al., 2023, behaalde het LightGBM-model (bestaande uit meer dan 8000 beslissingsbomen) een algehele nauwkeurigheid van 95,2% en een Cohen's kappa van 0,91, die beter presteerde dan twee veelgebruikte basismodellen, zoals het logistische regressiemodel (nauwkeurigheid = 93,3%) en het random forest-model (nauwkeurigheid = 94,3%, kappa = 0,89). De algehele prestaties van het model vertoonden ook een vergelijkbare prestatie als die van menselijke experts. Het belangrijkste is dat is bewezen dat het model generaliseerbaar is en niet te veel is afgestemd op de oorspronkelijke trainingsgegevens1: 1) Het presteerde goed (nauwkeurigheid > 89%) op twee andere openbaar beschikbare onafhankelijke datasets, van Miladinovic en collega's11, met verschillende bemonsteringsfrequenties en epoch-lengtes; 2) De prestaties van het model worden niet beïnvloed door de licht/donker-cyclus van muizen; 3) Een gemodificeerd LightGBM-model presteerde goed op gegevens die slechts één EEG- en één EMG-elektrode bevatten met kappa-≥ 0,89; 4) Zowel wildtype als gemuteerde muizen werden gebruikt voor het testen en de prestaties van het model waren beide nauwkeurig. Dit suggereert dat het model slaapstadia kan scoren voor muizen met verschillende genetische achtergronden.
Om dit model toegankelijk te maken voor slaaponderzoekers die misschien geen codeerexpertise hebben, ontwikkelden we IntelliSleepScorer, een gebruiksvriendelijke softwaretool met een visueel intuïtieve interface. De software kan de procedure voor het scoren van slaap bij muizen volledig automatiseren. Het produceert interactieve visualisaties van de signalen, hypnogrammen en Shapley Additieve uitlegingen (SHAP)-waarden van een Europees gegevensformaat (EDF)/EDF+ bestandsinvoer. De SHAP-waardebenadering, gebaseerd op coöperatieve speltheorie, verbetert de interpreteerbaarheid van machine learning-modellen20. Het model biedt SHAP-waarden op zowel globaal als epoch-niveau, waardoor wordt onthuld hoe verschillende functiewaarden bijdragen aan de scorebeslissing van het model in het algemeen en voor elk tijdperk. Dit geavanceerde programma vermindert de tijd en moeite die nodig is voor het scoren van de slaapfase bij muizen aanzienlijk, terwijl het ervoor zorgt dat stroomafwaartse analyse kan vertrouwen op zeer nauwkeurige resultaten. In dit manuscript presenteren we het stapsgewijze gebruik van IntelliSleepScorer (v1.2) met verschillende updates op versie 1.0, waaronder een optie om SHAP-analyse los van slaappatroonvoorspelling uit te voeren, een door de gebruiker instelbare epoch-lengte voor het scoren van slaapfasen en een handmatige correctiefunctie voor slaapfasen die is geïntegreerd in de GUI.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Protocol
Deze studie maakte gebruik van gegevens die waren verzameld uit in vivo experimenten bij muizen. Er waren geen menselijke experimenten betrokken bij het onderzoek. Alle experimenten met dieren werden goedgekeurd door de Institutional Animal Care and Use Committee van het Broad Institute. Alle experimenten zijn uitgevoerd in overeenstemming met de relevante richtlijnen en voorschriften. De ARRIVE-richtlijnen zijn niet van toepassing op dit onderzoek, omdat de focus van dit onderzoek ligt op het ontwikkelen van machine learning-modellen in plaats van het vergelijken van verschillende behandelingsgroepen.
1. Voorbereiding van de gegevens
OPMERKING: Gegevenscompatibiliteit: de opgenomen gegevens kunnen een bemonsteringsfrequentie hebben die hoger is dan 40 Hz. Het is niet nodig om het signaal te filteren met een bandpass, omdat de softwarebandpass de EEG- en EMG-signalen bij de eerste stap filtert. De LightGBM-modellen zijn ontwikkeld en getest met behulp van gegevens van muizen. Er is geen bewijs beschikbaar met betrekking tot de prestaties van de LightGBM-modellen in andere soorten proefdieren. De opname-elektroden moeten op de frontale en de pariëtale cortex worden geplaatst, of op een van beide plaatsen als er slechts één EEG-kanaal is opgenomen.
- Indeling en vereisten van het EDF/EDF+-formaat
OPMERKING: De software die in dit onderzoek wordt gebruikt, leest alleen EDF/EDF+-bestanden met behulp van het MNE-Python-pakket. De standaard EDF/EDF+-specificatie moet worden toegepast om de EDF/EDF+-bestanden te genereren. Zorg er naast de standaardspecificatie voor dat de EDF/EDF+-annotaties zijn gecodeerd in UTF-8. Anders crasht de softwaretoepassing.- Converteer een ander bestandsformaat (niet-EDF/EDF+-bestand) naar EDF/EDF+-formaat met gratis online tools.
NOTITIE: Er is geen vereiste voor het apparaatfilter bij het verkrijgen van EEG- en EMG-signalen. Zolang gebruikers hun EEG- en EMG-gegevens bemonsteren met een frequentie van 40 Hz of hoger, zal de software correct functioneren. Dit komt omdat de signalen in de eerste voorbewerkingsstap een banddoorlaatfiltering ondergaan tussen 1 Hz en 40 Hz. Deze bandpass-filtering is geïntegreerd in de voorverwerkingspijplijn van de software, waardoor gebruikers geen extra signaalverwerking hoeven uit te voeren.
- Converteer een ander bestandsformaat (niet-EDF/EDF+-bestand) naar EDF/EDF+-formaat met gratis online tools.
- Er zijn twee modellen in de software voor het scoren. De ene is LightGBM-2EEG en de andere is LightGBM-1EEG. Het LightGBM-2EEG-model is bedoeld voor het opnemen van gegevens met 2 EEG-kanalen en 1 EMG-kanaal. Voer de volgende stappen uit, afhankelijk van het model.
- Organiseer gegevensbestanden voor LightGBM-2EEG specifiek in de volgende volgorde: 1) EEG-kanaal opgenomen in het pariëtale gebied; 2) EEG-kanaal opgenomen in het frontale gebied; 3) EMG-kanaal. De LightGBM-1EEG is bedoeld voor gegevens die slechts 1 EEG-kanaal bevatten (plaatsing van de elektrode op pariëtaal of frontaal gebied) en 1 EMG-kanaal.
- Organiseer de kanalen in EDF/EDF+-bestanden voor LightGBM-1EEG in de volgende volgorde: 1) EEG-kanaal; 2) EMG-kanaal.
2. IntelliSleepScorer downloaden voor Windows-, Mac- en Linux-gebruikers
- Voor Windows-gebruikers is een Windows-uitvoerbaar bestand voor de software beschikbaar met behulp van PyInstaller. Vind de downloadlink op de onderzoekspagina van de Pan-groep https://sites.broadinstitute.org/pan-lab/resources. Voor MacOS- of Linux-gebruikers gebruikt u de broncode op de GitHub-repository https://github.com/broadinstitute/IntelliSleepScorer om de software te starten.
- Krijg toegang tot twee opgenomen voorbeeldgegevens om het programma te testen dat is opgeslagen als EDF-bestanden door ze te downloaden via de GitHub-repository.
- De opslagplaats voor broncode bevat de map modellen niet vanwege groottelimieten. Download in plaats daarvan models.zip, pak het uit en kopieer de modellenmap in de opslagplaats om het programma uit te voeren. Anders crasht de software vanwege ontbrekende modelbestanden.
3. Workflow en lancering en werking van het programma
- Start IntelliSleepScorer
- Om de software in Windows te starten, dubbelklikt u op IntelliSleepScorer.exe in de hoofdmap. Om de software in MacOS of Linux te starten, opent u een terminalemulator, wijzigt u de map in de hoofdmap van de software en start u vervolgens de software met de opdracht: python3 IntelliSleepScorer.py.
- Zodra de software is geopend, klikt u op Selecteer EDF/EDF+-bestand(en) om de beoogde bestanden te selecteren om te scoren. Als bestanden per ongeluk zijn geselecteerd, klikt u op de knop Wissen om de lijst met geselecteerde bestanden te wissen.
OPMERKING: Standaard codeert de software de slaapfasen als Wake:1, NREM:2 en REM:3 in de uitvoerscorebestanden. De standaard epoche lengte is ingesteld op 10 s. De huidige versie (v1.2) van de GUI stelt gebruikers in staat om fasecoderingen of epoch-lengtes te wijzigen in 4 s, 10 s of 20 s met het dropdown-menu. - Selecteer de gewenste epoch lengte. Gebruik het meegeleverde vervolgkeuzemenu om de beoogde epoch-lengte te selecteren uit opties van 4 s, 10 s en 20 s voor het scoren van slaapfasen.
- Selecteer het model dat moet worden gebruikt voor het scoren van slaap. LightGBM-2EEG is bedoeld voor databestanden met twee EEG-kanalen en één EMG-kanaal, terwijl de LightGBM-1EEG is ontworpen voor data met één EEG-kanaal en één EMG-kanaal.
- Voordat u de voorspelling van de slaapfase uitvoert, neemt u de aanvullende SHAP-berekening op die helpt bij het verklaren van de resultaten van de voorspelling van de slaapfase. Als u de SHAP-berekening wilt verwerken, schakelt u het selectievakje SHAP uitvoeren/plotten in. De SHAP-berekening heeft ongeveer 5-10 minuten nodig om te verwerken.
- Klik op Score toevoegen aan alle bestanden. Het model scoort automatisch alle EDF/EDF+-bestanden en berekent de globale en epoch SHAP-waarden om de scorebeslissingen in de lijst te interpreteren als daarvoor wordt gekozen.
OPMERKING: Tijdens het scoreproces genereert het model de volgende bestanden en slaat deze op in dezelfde map waar de EDF/EDF+-bestanden zich bevinden. Het model gebruikt deze bestanden om de globale SHAP-waarden en epoch SHAP-waarden te plotten.
"EDF/EDF+ bestandsnaam}_{model_name}_features.csv"; In dit bestand worden alle geëxtraheerde functiewaarden opgeslagen.
"EDF/EDF+ bestandsnaam}_{model_name}_scores.csv"; In dit bestand worden de voorspelde slaapfasen opgeslagen.
"EDF/EDF+ bestandsnaam}_{model_name}_rs_100hz.npy"; In dit bestand wordt een kopie van de geresamplede/gedownsamplede signalen (100Hz) opgeslagen. Om de visualisatiesnelheid te verbeteren, gebruikt het model het gedownsamplede signaal in plaats van het oorspronkelijke signaal bij het plotten van het signaal.
"EDF/EDF+ bestandsnaam}_{model_name}uitleg. augurk"; "{EDF/EDF+ bestandsnaam}{model_name}shap_500samples.pickle"; "{EDF/EDF+ bestandsnaam}{model_name}_indicies_500samples.npy"; - Nadat u het slaapscoreproces hebt voltooid, klikt u op de optie Het geselecteerde bestand visualiseren om de EEG/EMG-signalen en een hypnogram te visualiseren die op tijd is afgestemd op de signalen.
- Snijd het geselecteerde bestand opnieuw in voordat u het visualiseert als de epoche lengte wordt gewijzigd.
4. Navigeren door de gescoorde resultaten
- Klik op de meegeleverde navigatieknoppen om vooruit en achteruit te gaan om verschillende epoch-gegevens te zien.
- Als SHAP-berekening is gekozen om uit te voeren, bekijkt u zowel de globale SHAP-waarden als de SHAP-waarden op epoch-niveau. Klik met de rechtermuisknop op een tijdvak om de SHAP-waarden op epoch-niveau te plotten.
OPMERKING: Het duurt een paar seconden om de SHAP-plot op epoch-niveau bij te werken. Figuur 1 toont het overzicht van de GUI-pagina na het uitvoeren van de voorspelling voor het EDF/EDF+-bestand van Example-1 met 1_LightBGM-2EEG-model.
5. Interpretatie van het hypnogram van de gescoorde slaapstadia
OPMERKING: Er zijn 4 rijen in het hypnogram (Figuur 2). De bovenste rij zijn de voorspelde resultaten. De onderste 3 rijen zijn onbewerkte gegevens van respectievelijk 2 EEG- en 1 EMG-kanalen. Op de bovenste rij suggereert oranje de Wake-fase , blauw de NREM-fase en rood de REM-fase in elk tijdperk.
- Om het aantal weer te geven epochs te wijzigen, klikt u op het menuvak rechts van Selecteer aantal weer te geven epochs en kiest u een gewenste waarde. In figuur 2 zijn 100 tijdperken gekozen. Daarom worden slechts 100 epochs weergegeven in de voorspellingsgrafiek van de slaapfase. Selecteer een kleiner getal in het vervolgkeuzemenu om in te zoomen op de plot.
- De roze transparante balk aan de linkerkant van figuur 2 geeft de huidige locatie van het tijdperk aan. Klik met de linkermuisknop op een willekeurige plaats op het hypnogram om naar een ander tijdperk te gaan, of klik gewoon op Ga naar tijdperk en voer een specifiek aantal epochs in dat moet worden waargenomen. Klik met de rechtermuisknop op de geselecteerde epoch om de epoch SHAP-plot te genereren als de gebruiker de SHAP-functie heeft ingeschakeld.
6. Handmatige correctie van de voorspelde slaapfasen op GUI (optioneel)
OPMERKING: als er geen anomalie wordt waargenomen of als er geen extreem hoge nauwkeurigheid vereist is voor de voorspelling van de REM-fase, is handmatige verificatie niet nodig.
- Klik met de linkermuisknop op een epoch in de voorspellingsplot van de slaapfase (bovenste plot) om een specifieke epoch te selecteren. Het door het model voorspelde stadium van het geselecteerde tijdperk wordt rechts in de tekst weergegeven. Om de voorspelde fase van dat tijdperk handmatig te wijzigen, klikt u op de widget en selecteert u een nieuwe fase uit de opties Wake, REM en REM in het vervolgkeuzemenu.
- De door de gebruiker gecorrigeerde fasen zijn gemarkeerd met stippellijnen bovenop de oorspronkelijke plot (Figuur 3). Sluit de GUI en er wordt automatisch een nieuw bestand met gecorrigeerde voorspellingsresultaten gegenereerd in dezelfde map.
- Om een opgeslagen scorebestand op de GUI opnieuw te openen, moet u ervoor zorgen dat de instelling voor de epoch-lengte en het geselecteerde model overeenkomen met het model dat is gebruikt toen het EDF-bestand voor het eerst werd verwerkt om het opnieuw te kunnen openen. Alle eerder gewijzigde/gescoorde informatie wordt snel geladen.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Resultaten
Er zijn drie grafieken (alleen de bovenste grafiek als er geen SHAP-waarden zijn uitgevoerd) die in de GUI worden gegenereerd na het scoren van de slaapfase: de bovenste grafiek presenteert EEG- en EMG-kanalen met een hypnogram van de voorspelling van de slaapfase. De middelste grafiek geeft de SHAP-waarden van de epoch weer. De onderste grafiek geeft de globale SHAP-waarden weer (Figuur 1).
Er worden 4 soorten gegevens gepresente...
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Discussie
In dit artikel wordt uitgelegd hoe u de grafische gebruikersinterface van IntelliSleepScorer (v1.2) kunt gebruiken om de slaapfasen van muizen automatisch te scoren en hoe u SHAP-waarden/grafieken kunt gebruiken om de slaapfasescores die door het model worden gegenereerd beter te begrijpen.
Een belangrijke overweging bij het gebruik van de software is de compatibiliteit van gegevens. De interne gegevens die in deze studie werden gebruikt, waren beperkt tot ele...
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Openbaarmakingen
De auteurs verklaren dat er geen sprake is van belangenverstrengeling.
Dankbetuigingen
We danken Kerena Yan en Jingwen Hu voor het handmatig scoren van slaapstadia en Eunah en Soonwiik voor de opnames.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Materialen
| Naam | Bedrijf | Catalogusnummer | Opmerkingen |
|---|---|---|---|
| Canonical Unbuntu 18.04 | Canonical | https://releases.ubuntu.com/18.04/ | Ondersteunend besturingssysteem voor de software IntelliSleep Scorer: Windows, Mac of Linux |
| Intel Core i7-8550U CPU @ 1.80 GHz 1.99 GHz; RAM: 24 GB | Intel Corp | https://www.intel.com/content/www/us/en/products/details/processors/core-ultra.html | Hardware vereiste voor de software: Beide Inte Core die hier zijn vermeld, zijn gebruikt om de gegevens te verwerken. Het duurt ongeveer 10 minuten om 12 uur opname te verwerken die met 1000 Hz is bemonsterd voor beide hardwares. Elk vergelijkbaar of superieur hardware zou vergelijkbare of betere prestaties opleveren. |
| Intel Core i7-10610U CPU @1.80 GHz 2.30 GHz; RAM: 16 GB | Intel Corp | https://www.intel.com/content/www/us/en/products/details/processors/core-ultra.html | Hardware vereiste voor de software: Beide Inte Core die hier zijn vermeld, zijn gebruikt om de gegevens te verwerken. Het duurt ongeveer 10 minuten om 12 uur opname te verwerken die met 1000 Hz is bemonsterd voor beide hardwares. Elk vergelijkbaar of superieur hardware zou vergelijkbare of betere prestaties opleveren. |
| LightGBM | Microsoft | https://lightgbm.readthedocs.io/en/latest/index.html | Machine learning-gebaseerd algoritme dat werd gebruikt om de software te trainen. |
| MacBook Pro | Apple | https://www.apple.com/in/macbook-pro/ | Ondersteunend besturingssysteem voor de software IntelliSleep Scorer: Windows, Mac of Linux |
| Windows | Microsoft | https://www.microsoft.com/en-in/windows/?r=1 | Ondersteunend besturingssysteem voor de software IntelliSleep Scorer: Windows, Mac of Linux |
Referenties
- 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).
- Astori, S., Wimmer, R. D., Luthi, A. Manipulating sleep spindles--expanding views on sleep, memory, and disease. Trends Neurosci. 36 (12), 738-748 (2013).
- 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).
- 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).
- 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).
- Lacroix, M. M., et al. Improved sleep scoring in mice reveals human-like stages. BioRxiv. 489005, (2018).
- Rayan, A., et al. Sleep scoring in rodents: Criteria, automatic approaches and outstanding issues. Eur J Neurosci. 59 (4), 526-553 (2024).
- Yamabe, M., et al. Mc-sleepnet: Large-scale sleep stage scoring in mice by deep neural networks. Sci Rep. 9 (1), 15793(2019).
- 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).
- Allocca, G., et al. Validation of 'somnivore', a machine learning algorithm for automated scoring and analysis of polysomnography data. Front Neurosci. 13, 207(2019).
- 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).
- 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).
- 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).
- Brodersen, P. J. N., et al. Somnotate: A probabilistic sleep stage classifier for studying vigilance state transitions. PLoS Comput Biol. 20 (1), e1011793(2024).
- 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).
- 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).
- 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).
- 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).
- Ke, G., et al. Lightgbm: A highly efficient gradient boosting decision tree. Neural Information Processing Systems. , (2017).
- 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).
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Herprints en machtigingen
