Yöntem makalesi

IntelliSleepScorer, Fareler için Grafik Kullanıcı Arayüzüne Sahip Bir Yazılım Paketi Otomatik Uyku Aşaması Puanlaması

DOI:

10.3791/66950

⸱

8 Kasım 2024

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

Bu makalede

Özet

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

Kodlama deneyimi olmayan araştırmacıların farelerde uyku evrelerini basit bir indirme ve çalıştırma ile puanlamaları için grafik kullanıcı arayüzüne sahip bir yazılım paketi sunuyoruz.

Özet

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

Kemirgenlerde uyku evresi puanlaması, üç aşamayı belirleme sürecidir: hızlı olmayan göz hareketi uykusu (NREM), hızlı göz hareketi uykusu (REM) ve uyanma. Uyku evresi puanlaması, uyku evresine özgü ölçümleri ve etkileri incelemek için çok önemlidir.

Kemirgenlerdeki uyku düzenleri, insanlardakinden farklıdır, uyanma ile aralıklı daha kısa NREM ve REM atakları ile karakterize edilir ve insan uzmanlar tarafından geleneksel manuel uyku aşaması puanlaması zaman alıcıdır. Bu sorunu ele almak için, önceki çalışmalar, uyku aşamalarını otomatik olarak kategorize etmek için algoritmalar geliştirmek için makine öğrenimi tabanlı yaklaşımlar kullanmıştır, ancak büyük genelleştirilebilirliğe sahip yüksek performanslı modeller genellikle kamuya açık / ücretsiz veya eğitimli olmayan uyku araştırmacıları için kullanıcı dostu değildir.

Bu nedenle, büyük bir veri seti ile eğitilmiş makine öğrenmesi tabanlı bir LightGBM algoritması geliştirdik. Modeli kodlama deneyimi olmayan uyku araştırmacılarının kullanımına sunmak için, kullanımı kolay bir grafik kullanıcı arayüzüne sahip olan modele dayalı olarak IntelliSleepScorer (v1.2- en yeni sürüm) adlı bir yazılım aracı geliştirildi. Bu el yazmasında, uyku araştırmacıları için farelerde uygun ve etkili bir otomatik uyku aşaması puanlama aracını göstermek için yazılımı kullanmak için adım adım talimatlar sunuyoruz.

Giriş

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

Kemirgenlerde uyku evresi puanlaması, üç aşamayı tanımlama prosedürüdür: hızlı olmayan göz hareketi uykusu (NREM), hızlı göz hareketi uykusu (REM) ve uyanıklık2. Kemirgenlerde NREM, azalmış kas aktivitesi, yavaş ve düzenli nefes alma, kalp atış hızının azalması ve beyin dalgalarının düşük frekanslı salınımları ile karakterizedir. Kemirgenlerde REM, insanlara benzer şekilde kas atonisi, EEG aktivasyonu ve hızlı göz hareketleri gösterir, ancak kemirgenlerde canlı rüya görme oluşumu insanlara göre daha az belirgindir 2,3. Kemirgenlerdeki "uyanma" durumu, yüksek frekanslı, düşük genlikli dalgalar, artmış kas tonusu ve tımar ve keşif gibi aktif davranışlarla senkronize olmayan beyin aktivitesi ile işaretlenir4. Bu üç aşama, elektroensefalogram (EEG) ve elektromiyogram (EMG) sinyallerininincelenmesiyle tanımlanabilir 5.

Kemirgenlerde otomatik uyku evresi puanlama modellerine büyük ihtiyaç duyulmaktadır. İlk olarak, insan uzmanlar tarafından manuel uyku aşaması puanlaması emek yoğun ve zaman alıcıdır. İkincisi, kemirgenlerdeki uyku düzenleri insanlardakinden farklıdır ve insanlarda 60-120 dakikanın aksine, yaklaşık 10 dakika uyanma ile aralıklı daha parçalı NREM ve REM ataklarına sahiptir6. Bu nedenle, manuel puanlama sırasında bu kısa dönemleri belirlemek zordur. 60'lı yıllardan bu yana kemirgen uyku verilerinin otomatik puanlama sistemini geliştirmek için birçok girişimde bulunulmuştur7. Birçok otomatik kemirgen uyku skorlama yöntemi mevcut olmasına rağmen, performansları 8,9,10,11,12,13,14,15,16,17,18 olarak değişmektedir. Daha da önemlisi, yüksek genelleştirilebilirliğe sahip yüksek performanslı modellerin çoğu halka açık değildir (bazılarının geliştiricilerden özel isteklere ihtiyacı vardır) veya uyku araştırmacıları için ücretsiz değildir.

Bu nedenle, mevcut teknoloji boşluğunu doldurmak için, LightGBM algoritması1 ile 124 farede 519 kayıttan 5776 saat EEG ve EMG sinyallerinden oluşan büyük bir veri seti kullanarak makine öğrenimi tabanlı bir model geliştirdik. LightGBM, karar ağaçları oluşturmak için gradyan artırma yaklaşımı kullanır19. Wang ve diğerleri, 2023'te, LightGBM modeli (8000'den fazla karar ağacından oluşan) %95,2'lik bir genel doğruluk ve 0,91'lik bir Cohen kappası elde etti ve bu da lojistik regresyon modeli (doğruluk = %93,3) ve rastgele orman modeli (doğruluk = %94,3, kappa = 0,89) gibi yaygın olarak kullanılan iki temel modelden daha iyi performans gösterdi. Modelin genel performansı da insan uzmanlarınkine benzer bir performans sergiledi. En önemlisi, modelin genelleştirilebilirliğe sahip olduğu ve orijinal eğitim verilerine aşırı uymadığı kanıtlanmıştır1: 1) Miladinovic ve meslektaşlarının11, farklı örnekleme frekanslarına ve dönem uzunluklarına sahip, halka açık diğer iki bağımsız veri setinde iyi performans gösterdi (%89 >doğruluk); 2) Modelin performansı, farelerin aydınlık/karanlık döngüsünden etkilenmez; 3) Modifiye edilmiş bir LightGBM modeli, yalnızca bir EEG ve kappa ≥ 0.89 olan bir EMG elektrodu içeren veriler üzerinde iyi performans gösterdi; 4) Test için hem vahşi tip hem de mutant fareler kullanıldı ve modelin performansları doğruydu. Bu, modelin farklı genetik geçmişlere sahip fareler için uyku aşamalarını puanlayabileceğini düşündürmektedir.

Bu modeli, kodlama uzmanlığına sahip olmayan uyku araştırmacıları için erişilebilir hale getirmek için, görsel olarak sezgisel bir arayüze sahip kullanıcı dostu bir yazılım aracı olan IntelliSleepScorer'ı geliştirdik. Yazılım, farelerde uyku puanlama prosedürünü tamamen otomatikleştirebilir. Bir Avrupa veri formatı (EDF)/EDF+ dosya girişinden sinyallerin, hipnogramın ve Shapley Katkı Açıklaması (SHAP) değerlerinin etkileşimli görselleştirmelerini üretir. İşbirlikçi oyun teorisine dayanan SHAP değer yaklaşımı, makine öğrenimi modellerinin yorumlanabilirliğini artırır20. Model, hem genel hem de dönem düzeyinde SHAP değerleri sunarak, farklı özellik değerlerinin genel olarak ve her dönem için modelin puanlama kararına nasıl katkıda bulunduğunu ortaya çıkarır. Bu gelişmiş program, farelerde uyku evresi puanlaması için gereken zamanı ve çabayı önemli ölçüde azaltırken, aşağı akış analizinin son derece doğru sonuçlara dayanabilmesini sağlar. Bu el yazmasında, IntelliSleepScorer'ın (v1.2) adım adım kullanımını, SHAP analizini uyku düzeni tahmininden ayrı olarak çalıştırma seçeneği, uyku aşaması puanlaması için kullanıcı tarafından ayarlanabilen bir dönem uzunluğu ve GUI'ye entegre edilmiş bir uyku aşaması manuel düzeltme özelliği dahil olmak üzere sürüm 1.0'a göre çeşitli güncellemelerle sunuyoruz.

Protokol

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

Bu çalışmada farelerde yapılan in vivo deneylerden toplanan veriler kullanılmıştır. Çalışmada hiçbir insan deneyi yer almadı. Hayvanlarla yapılan tüm deneyler, Broad Enstitüsü'ndeki Kurumsal Hayvan Bakımı ve Kullanımı Komitesi tarafından onaylandı. Tüm deneyler ilgili yönergelere ve düzenlemelere uygun olarak gerçekleştirildi. ARRIVE kılavuzları bu çalışma için geçerli değildir, çünkü bu çalışmanın odak noktası farklı tedavi gruplarını karşılaştırmak yerine makine öğrenimi modelleri geliştirmektir.

1. Veri hazırlama

NOT: Veri uyumluluğu: kaydedilen veriler 40 Hz'den daha yüksek herhangi bir örnekleme hızına sahip olabilir. Yazılım bant geçişi ilk adımda EEG ve EMG sinyallerini filtrelediği için sinyali bant geçirerek filtrelemeye gerek yoktur. LightGBM modelleri, farelerden alınan veriler kullanılarak geliştirilmiş ve test edilmiştir. LightGBM modellerinin diğer laboratuvar hayvanı türlerindeki performansına ilişkin herhangi bir kanıt mevcut değildir. Kayıt elektrotlarının frontal ve parietal kortekse veya sadece bir EEG kanalı kaydedilmişse her iki yere de yerleştirilmesi gerekir.

  1. EDF/EDF+ format düzenlemesi ve gereksinimi
    NOT: Bu çalışmada kullanılan yazılım yalnızca MNE-Python paketini kullanan EDF/EDF+ dosyalarını okur. EDF/EDF+ dosyalarını oluşturmak için standart EDF/EDF+ spesifikasyonunun uygulanması gerekir. Standart spesifikasyona ek olarak, EDF/EDF+ ek açıklamalarının UTF-8 olarak kodlandığından emin olun. Aksi takdirde, yazılım uygulaması çökecektir.
    1. Çevrimiçi ücretsiz araçlarla başka bir dosya (EDF/EDF+ olmayan dosya) biçimini EDF/EDF+ biçimine dönüştürün.
      NOT: EEG ve EMG sinyalleri alınırken aparat filtresine gerek yoktur. Kullanıcılar EEG ve EMG verilerini 40 Hz veya daha yüksek bir frekansta örnekledikleri sürece, yazılım doğru şekilde çalışacaktır. Bunun nedeni, ilk ön işleme adımında sinyallerin 1 Hz ile 40 Hz arasında bant geçiren filtrelemeye tabi tutulmasıdır. Bu bant geçiren filtreleme, yazılımın ön işleme hattına entegre edilmiştir ve kullanıcıların herhangi bir ek sinyal işleme gerçekleştirme ihtiyacını ortadan kaldırır.
  2. Puanlama için yazılımın içinde iki model vardır. Biri LightGBM-2EEG, diğeri ise LightGBM-1EEG'dir. LightGBM-2EEG modeli, 2 EEG kanalı ve 1 EMG kanalı olan verileri kaydetmek için tasarlanmıştır. Modele bağlı olarak aşağıdaki adımları gerçekleştirin.
    1. LightGBM-2EEG için veri dosyalarını özellikle aşağıdaki sırayla düzenleyin: 1) parietal alanda kaydedilen EEG kanalı; 2) Ön bölgede kaydedilen EEG kanalı; 3) EMG kanalı. LightGBM-1EEG, yalnızca 1 EEG kanalı (parietal veya frontal alana elektrot yerleştirme) ve 1 EMG kanalı içeren veriler için tasarlanmıştır.
    2. LightGBM-1EEG için EDF/EDF+ dosyalarındaki kanalları aşağıdaki sırayla düzenleyin: 1) EEG kanalı; 2) EMG kanalı.

2. Windows, Mac ve Linux kullanıcıları için IntelliSleepScorer'ı indirme

  1. Windows kullanıcıları için, yazılım için bir Windows Yürütülebilir Dosyası PyInstaller kullanılarak kullanılabilir. İndirme bağlantısını Pan grubu araştırma sayfasında https://sites.broadinstitute.org/pan-lab/resources bulun. MacOS veya Linux kullanıcıları için, yazılımı başlatmak için GitHub deposundaki kaynak kodunu https://github.com/broadinstitute/IntelliSleepScorer kullanın.
  2. EDF dosyaları olarak kaydedilen programı GitHub deposundan indirerek test etmek için kaydedilmiş iki örnek veriye erişin.
  3. Kaynak kodu deposu, boyut sınırları nedeniyle modeller klasörünü içermez. Bunun yerine, models.zip indirin, sıkıştırmasını açın ve programın çalışması için deponun içindeki modeller klasörünü kopyalayın. Aksi takdirde, eksik model dosyaları nedeniyle yazılım çökecektir.

3. İş Akışı ve Programın başlatılması ve çalıştırılması

  1. IntelliSleepScorer'ı başlatın
    1. Yazılımı Windows'ta başlatmak için, kök klasörde bulunan IntelliSleepScorer.exe çift tıklayın. Yazılımı MacOS veya Linux'ta başlatmak için bir terminal öykünücüsü açın, dizini yazılımın kök klasörüne değiştirin ve ardından şu komutu kullanarak yazılımı başlatın: python3 IntelliSleepScorer.py.
  2. Yazılım açıldıktan sonra, puanlanacak dosya(lar)ı seçmek için EDF/EDF+ Dosya(lar)ını Seç'e tıklayın. Dosyalar yanlışlıkla seçilmişse, seçili dosya listesini temizlemek için Temizle düğmesine tıklayın.
    NOT: Varsayılan olarak, yazılım uyku aşamalarını çıktı puanı dosyalarında Wake:1, NREM:2 ve REM:3 olarak kodlar. Varsayılan dönem uzunluğu 10 s olarak ayarlanmıştır. GUI'nin mevcut sürümü (v1.2), kullanıcıların açılır menü ile aşama kodlamalarını veya dönem uzunluklarını 4 sn, 10 sn veya 20 sn olarak değiştirmesine olanak tanır.
  3. İstediğiniz dönem uzunluğunu seçin. Uyku aşaması puanlaması için 4 sn, 10 sn ve 20 sn seçenekleri arasından hedeflenen dönem uzunluğunu seçmek için sağlanan açılır menüyü kullanın.
  4. Uyku puanlaması için kullanılacak modeli seçin. LightGBM-2EEG, iki EEG kanalı ve bir EMG kanalı olan veri dosyaları için tasarlanırken, LightGBM-1EEG, bir EEG kanalı ve bir EMG kanalı olan veriler için tasarlanmıştır.
  5. Uyku aşaması tahminini çalıştırmadan önce, uyku aşaması tahmin sonuçlarını açıklamaya yardımcı olan ek SHAP hesaplamasını ekleyin. SHAP hesaplamasını işlemek için SHAP'ı Çalıştır/Çiz onay kutusunu işaretleyin. SHAP hesaplamasının işlenmesi yaklaşık 5-10 dakika sürer.
  6. Tüm Dosyaları Puanla'yı tıklatın. Model, tüm EDF/EDF+ dosyalarını otomatik olarak puanlar ve seçilirse listedeki puanlama kararlarını yorumlamak için genel ve dönem SHAP değerlerini hesaplar.
    NOT: Puanlama işlemi sırasında model aşağıdaki dosyaları oluşturur ve bunları EDF/EDF+ dosyalarının bulunduğu klasöre kaydeder. Model, genel SHAP değerlerini ve dönem SHAP değerlerini çizmek için bu dosyaları kullanır.

    "EDF/EDF+ dosya adı}_{model_name}_features.csv"; Bu dosya, ayıklanan tüm özellik değerlerini depolar.
    "EDF/EDF+ dosya adı}_{model_name}_scores.csv"; Bu dosya, tahmin edilen uyku aşamalarını depolar.
    "EDF/EDF+ dosya adı}_{model_name}_rs_100hz.npy"; Bu dosya, yeniden örneklenmiş/alt örneklenmiş sinyallerin (100Hz) bir kopyasını depolar. Görselleştirme hızını artırmak için model, sinyali çizerken orijinal sinyal yerine alt örneklenmiş sinyali kullanır.
    "EDF/EDF+ dosya adı}_{model_name}açıklayıcı. turşu"; "{EDF/EDF+ dosya adı}{model_name}shap_500samples.turşu"; "{EDF/EDF+ dosya adı}{model_name}_indicies_500samples.npy";
  7. Uyku puanlama işlemini bitirdikten sonra, EEG/EMG sinyallerini ve sinyallerle zaman uyumlu bir hipnogramı görselleştirmek için Seçilen Dosyayı Görselleştir seçeneğine tıklayın.
    1. Dönem uzunluğu değiştirilirse, görselleştirmeden önce seçilen dosyayı yeniden puanlayın.

4. Puanlanan sonuçlarda gezinme

  1. Farklı dönem verilerini görmek üzere ileri ve geri gitmek için sağlanan Gezinme düğmelerine tıklayın.
  2. SHAP hesaplaması gerçekleştirilmek üzere seçilirse, hem global hem de dönem düzeyinde SHAP değerlerini görüntüleyin. Dönem düzeyinde SHAP değerlerini çizmek için bir döneme sağ tıklayın.
    NOT: Dönem düzeyinde SHAP grafiğinin güncellenmesi birkaç saniye sürecektir. Şekil 1 , 1_LightBGM-2EEG modeliyle Örnek-1 EDF/EDF+ dosyası için tahmini çalıştırdıktan sonra GUI sayfasına genel bakışı göstermektedir.

5. Puanlanmış uyku evreleri hipnogramının yorumlanması

NOT: Hipnogramda 4 sıra vardır (Şekil 2). En üst satır, tahmin edilen sonuçlardır. Alttaki 3 satır sırasıyla 2 EEG ve 1 EMG kanalının ham verileridir. En üst sırada, turuncu Uyanma aşamasını, mavi NREM aşamasını ve kırmızı her çağdaki REM aşamasını önerir.

  1. Görüntülenecek dönem sayısını değiştirmek için, Görüntülenecek Dönem Sayısını Seç'in sağındaki menü kutusuna tıklayın ve istediğiniz değeri seçin. Şekil 2'de 100 dönem seçilmiştir. Bu nedenle, uyku aşaması tahmin grafiğinde yalnızca 100 dönem görüntülenir. Grafiği yakınlaştırmak için açılır menüden daha küçük bir sayı seçin.
  2. Şekil 2'nin solundaki pembe şeffaf çubuk, çağın mevcut konumunu gösterir. Başka bir çağa geçmek için hipnogramdaki herhangi bir yere sol tıklayın veya Çağa Git'e tıklayın ve gözlemlenecek belirli bir çağ sayısı girin. Kullanıcı SHAP işlevini etkinleştirdiyse, dönem SHAP grafiğini oluşturmak için seçili dönemi sağ tıklatın.

6. GUI'de tahmin edilen uyku aşamalarının manuel olarak düzeltilmesi (İsteğe bağlı)

NOT: Herhangi bir anormallik gözlenmezse veya REM aşaması tahmini için son derece yüksek doğruluk gerekmiyorsa, manuel doğrulamaya gerek yoktur.

  1. Belirli bir dönemi seçmek için uyku aşaması tahmin grafiğinde (üst grafik) bir döneme sol tıklayın. Seçilen Dönemin Tahmin Edilen Aşaması metnin sağında gösterilir. Bu dönemde tahmin edilen aşamayı manuel olarak değiştirmek için widget'a tıklayın ve açılır menüdeki Wake, NREM ve REM seçeneklerinden yeni bir aşama seçin.
  2. Kullanıcı tarafından düzeltilen aşamalar, orijinal çizimin üstünde kesikli çizgilerle işaretlenmiştir (Şekil 3). GUI'yi kapatın ve aynı klasörde otomatik olarak düzeltilmiş tahmin sonuçlarına sahip yeni bir dosya oluşturulacaktır.
    1. GUI'de kaydedilmiş puanlanmış bir dosyayı yeniden açmak için, dönem uzunluğu ayarının ve seçilen modelin, EDF dosyasını yeniden açabilmek için ilk işlendiğinde kullanılan modelle eşleştiğinden emin olun. Daha önce değiştirilen/puanlanan tüm bilgiler hızlı bir şekilde yüklenecektir.

Sonuçlar

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

Uyku aşaması puanlamasından sonra GUI'de oluşturulan üç çizim (yalnızca SHAP değerleri çalıştırılmadıysa en üstteki grafik) vardır: en üstteki grafik, uyku aşaması tahmini hipnogramı ile EEG ve EMG kanallarını sunar. Ortadaki çizim, dönem SHAP değerlerini sunar. Alttaki grafik, Global SHAP değerlerini sunar (Şekil 1).

Uyku evresi tahmini hipnogram grafiğinde sunulan 4 tür veri vardır (Şekil 2). En üst satır, tahmin edilen sonuçlardır. Alttaki 3 satır sırasıyla 2 EEG ve 1 EMG kanalının ham verileridir. En üst sırada, turuncu "Uyandırma" aşamasını, mavi "NREM" aşamasını ve kırmızı her çağdaki "REM" aşamasını önerir. Mevcut örnek dönem 1305'tedir ve pembe konum çubuğu turuncu renkli bir çizgiyle çakıştığı için "Uyandırma" aşamasındadır.

Şekil 3'te, kullanıcı tarafından düzeltilen bir aşama, orijinalin üstünde kesikli çizgilerle işaretlenmiştir. Kırmızı kesikli çizgi, uyku aşamasının "Uyandırma"dan "REM"e değiştirildiğini gösterir.

Şekil 4'te, örnek dosya 1'deki dönem 1305'in örnek bir sonucu gösterilmektedir. Epoch SHAP grafiğinin Y ekseni, seçilen dönem için en yüksek mutlak SHAP değerlerine sahip ilk 10 özelliği gösterir. X ekseni, ortalama tahmine kıyasla her bir özelliğin tahmine katkısını gösteren SHAP değerlerini gösterir. Pozitif SHAP değeri, tahmine olumlu bir katkıyı gösterir ve bunun tersi de geçerlidir. "emg_abs_max" özelliği, Wake için çok pozitif bir dönem düzeyinde SHAP değerine sahiptir, bu da seçilen dönemden "emg_abs_max" seçeneğinin seçilen dönemin "Wake" olarak puanlanma olasılığını artırdığını gösterir (Şekil 4). Bu fizyolojik olarak mantıklıdır, çünkü büyük bir EMG genliği aktif hareketleri gösterir, böylece "Uyandırma" aşamasını gösterir.

Global SHAP grafiği örneğinde (Şekil 5), p-swarm grafiğindeki her nokta bir veri örneğini temsil eder. Grafiklerin y ekseni, rastgele örneklenmiş 500 dönemden hesaplanan en yüksek mutlak global SHAP değerlerine sahip ilk 10 özelliği gösterir. X ekseni, ortalama tahmine kıyasla her bir özelliğin tahmine katkısını gösteren SHAP değerlerini gösterir. Dönem SHAP grafiğinden farklı olarak, global SHAP grafiğinin iki boyutu vardır: her noktanın x değeri ve nokta renginin yoğunluğu. Pozitif x ekseni SHAP değeri, tahmine olumlu bir katkıyı gösterir ve bunun tersi de geçerlidir. Daha koyu kırmızı renge sahip numuneler daha yüksek özellik değerlerine sahiptir. Her bir özellik için 500 noktanın konum ve renk korelasyonlarını görsel olarak inceleyerek, LightGBM'nin her bir özelliğin değerlerine dayalı olarak nasıl kararlar verdiğini yorumlayabilirsiniz. "Uyandırma" genel SHAP grafiğinde, "emg_abs_max" için SHAP değerleri daha negatiften daha pozitife yükseldikçe, noktaların rengi daha koyu hale gelir. "Wake" olarak tahmin edilme olasılığının artmasının, "emg_abs_max" değerinin artmasıyla pozitif korelasyon gösterdiğini gösterir. Ayrıca, SHAP değerlerinin daha geniş dağılımlarına (daha yüksek mutlak değerler) sahip özelliklerin, model tarafından tahmin edilmesine daha fazla katkıda bulunduğunu belirtmekte fayda var. Örneğin, global NREM SHAP grafiği (Şekil 5) "eeg2_gamma_delta_ratio" özelliği için geniş bir nokta dağılımına sahiptir. Özelliğin son derece negatif SHAP değeri, modelin "NREM" aşaması olarak puanlanma olasılığını azaltır.

figure-results-1
Şekil 1: 1_LightBGM-2EEG modelli Örnek-1 EDF/EDF+ dosyası için tahmin çalıştırıldıktan sonra GUI sayfasına genel bakış. Hem uyku evresi tahmini hem de SHAP hesaplaması puanlanır. En üstteki grafik, uyku evresi tahmini hipnogramı ile EEG ve EMG kanallarını gösterir. Ortadaki grafik, dönem SHAP değerlerini gösterir. Alttaki çizim Global SHAP değerlerini gösterir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-2
Şekil 2: Örnek-1 EDF/EDF+ dosyasından uyku evresi tahmin hipnogramı. Grafikte sunulan 4 veri vardır. En üst satır, tahmin edilen sonuçlardır. Alttaki 3 satır sırasıyla 2 EEG ve 1 EMG kanalının ham verileridir. En üst sırada, turuncu "Uyandırma" aşamasını, mavi "NREM" aşamasını ve kırmızı her çağdaki "REM" aşamasını önerir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-3
Şekil 3: Kullanıcı tarafından değiştirilmiş manuel düzeltmeli Örnek-1 EDF/EDF+ Dosyasından uyku aşaması tahmin hipnogramı. Epoch 1305, uyku aşamasının bir gösterimi olarak "Uyandırma" aşamasından "REM" aşamasına değiştirildi, GUI içinde manuel düzeltme. Kesikli kırmızı çizgi, kullanıcı tarafından değiştirilen uyku aşamasını gösterir.tage "REM". Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-4
Şekil 4: Epoch 1305'teki Example-1 EDF/EDF+ dosyası için Wake, NREM ve REM Epoch SHAP değerleri. Epoch SHAP grafiğinin y ekseni, seçilen dönem için en yüksek mutlak SHAP değerlerine sahip ilk 10 özelliği gösterir. X ekseni, ortalama tahmine kıyasla her bir özelliğin tahmine katkısını gösteren SHAP değerlerini gösterir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-5
Şekil 5: Örnek-1 EDF/EDF+ dosyası için Wake, NREM ve REM Global SHAP değerleri. p-swarm grafiğindeki her nokta bir veri örneğini temsil eder. Grafiklerin y ekseni, rastgele örneklenmiş 500 dönemden hesaplanan en yüksek mutlak global SHAP değerlerine sahip ilk 10 özelliği gösterir. X ekseni, ortalama tahmine kıyasla her bir özelliğin tahmine katkısını gösteren SHAP değerlerini gösterir. Global SHAP değerinin x ekseninin iki boyutu vardır: her noktanın x değeri ve nokta renginin yoğunluğu. Pozitif x ekseni SHAP değeri, tahmine olumlu bir katkıyı gösterir ve bunun tersi de geçerlidir. Daha koyu kırmızı renge sahip numuneler daha yüksek özellik değerlerine sahiptir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Tartışma

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

Bu makalede, farelerin uyku aşamalarını otomatik olarak puanlamak için IntelliSleepScorer (v1.2) grafik kullanıcı arabiriminin nasıl kullanılacağı ve model tarafından oluşturulan uyku aşaması puanlarını daha iyi anlamak için SHAP değerlerinden/grafiklerinden nasıl yararlanılacağı anlatılmaktadır.

Yazılımı kullanırken göz önünde bulundurulması gereken önemli bir husus veri uyumluluğudur. Bu çalışmada kullanılan kurum içi veriler, frontal ve parietal bölgelere yerleştirilen elektrotlarla sınırlıydı. Miladinovic ve meslektaşlarının11 bağımsız veri setinde, bu bölgeler için farklı elektrot koordinatlarına rağmen, yazılım tatmin edici performansı korudu. Yazılım beynin diğer bölgelerine de uygulanabilir olsa da, bunu doğrulamak için testler yapmadık. Bu nedenle, elektrot yerleşimi ile ilgili herhangi bir sınırlama olduğunu iddia edemeyiz. Ancak, kullanıcıların başka bölgelerden kayıtları varsa test etmelerini öneririz.

Uyku evresi analizi için EEG/EMG kayıt seanslarının süresi, çalışmanın spesifik hedeflerine bağlı olarak değişir. Tipik olarak, kayıt oturumları aydınlık veya karanlık fazı kapsayan 12 saat veya tek bir günde her iki fazı da kapsayan 24 saat sürer. Hem 12 saatlik hem de 24 saatlik kayıtlar, farklı uyku-uyanıklık modellerini ve sirkadiyen ritimleri yakalamak için yaygın olarak kullanılır. Model üzerinde yapılan testler, uyku evresi puanlamasının hem 12 saatlik hem de 24 saatlik kaydedilen oturumlar için güvenilir ve doğru olduğunu göstermektedir. Kayıtların süresi için bilinen bir üst sınır yoktur.

Yazılım protokolünde dikkate değer iki adım, veri ön işleme ve manuel doğrulamadır. Eğitilen modellerin genelleştirilebilirliğini artırmak için, girdi verilerinde gürültü ve artefaktlara izin verdik ve minimum kalite kontrol önlemleri uyguladık. Gerçekleştirdiğimiz kalite kontrolü, sinyal kaybı nedeniyle kötü kayıtları hariç tutmayı amaçlıyor. Sinyal kaybı genellikle elektrotların gevşemesi veya düşmesi gibi bağlantı sorunlarından kaynaklanır. Sinyallerin kaybı, yazılım tarafından oluşturulan uyku puanlarında hatalara neden olabilir. Örneğin, gevşek bir EMG elektrodu nedeniyle uyanık bir farenin EMG kanalındaki düz bir çizgi, farelerin hareketsiz / uyku fazı ile aynı özelliği paylaşabilir ve bu da LightGBM modelleri tarafından "NREM" veya "REM" tahminine yol açabilir. Referans olarak, önemli miktarda sinyal kaybı olan kayıtları otomatik olarak hariç tutmak için aşağıdaki kriterleri kullandık: 1) herhangi bir EEG sinyalinin genliği, kayıt süresinin en az %50'si boyunca 1 μV'den azdır veya 2) EMG sinyalinin genliği, kayıt süresinin en az %50'si boyunca 1 pV'den azdır. Kullanıcıların, deney düzenekleri ve kayıt sistemlerine dayalı olarak kendi kalite kontrol kriterlerini uygulamaları gerekmektedir. Alternatif akımdan kaynaklanan hat gürültüleri genellikle 50 Hz veya 60 Hz'de bulunur. Bu hat sesleri, yazılımda uygulanan bant geçiren filtre (1-40 Hz) adımı sırasında kaldırılacaktır. Bu nedenle, kullanıcıların verileri yazılıma girmeden önce hat seslerini önceden işlemesine gerek yoktur. Model geliştirme sırasında küçük sesler veya vücut hareketleri gibi engelleyici faktörler göz önünde bulundurulmuştur1. Bu çalışmada kullanılan yaklaşım, modelin genelleştirilebilirliğinin, nihai uyku evreleme sonuçlarını önemli ölçüde etkilemeyen bu küçük artefaktları tolere edebilmesini sağlar. EDF veri dosyalarının formatı, kalitesi ve organizasyon sırası, bu önceden eğitilmiş modelin performansını optimize etmek için kritik bileşenlerdir.

Manuel doğrulama için, LightGBM modelinin birkaç kayıtta kötü performans gösterdiği (REM F1 puanı < 0,6) göz önüne alındığında, doğru REM aşaması puanlaması kritikse kullanıcıların model tarafından oluşturulan uyku aşamalarını doğrulamasını öneririz. Uyanıklık veya NREM evre fizyolojisine odaklanan çalışmalar için, LightGBM modeli hala çok sağlam ve tam otomatik bir analitik boru hattını desteklemektedir. SHAP değerlerini yorumlamak, yazılım tarafından oluşturulan sonuçların doğruluğunu onaylamak için manuel doğrulama ile birlikte mükemmel bir araç haline gelebilir. SHAP, makine öğrenimi modellerinin çıktısını açıklamak için oyun teorisini kullanan bir yaklaşımdır. Klasik Shapley değerlerini ve ilgili uzantılarını kullanarak optimal kredi tahsisini yerel açıklamalarla birleştirir20. Örneğin, Global NREM SHAP Değerleri grafiğinde (Şekil 4), 'eeg2_gamma_delta_ratio" özelliğinin en sağ tarafında aniden koyu kırmızı bir nokta belirirse, bu çağda bir anormalliğe işaret edebilir. Bunun nedeni, izole edilmiş dönem örnek noktasının tüm veri kümesinden sapmasıdır. SHAP grafiklerini yorumlamak, kullanıcılara uyku aşamalarının puanlanmasına ilişkin net ve kullanıcı dostu bir açıklama da sağlayabilir. Örneğin, dönem SHAP grafikleri, uyku aşaması puanlaması için hangi özelliklerin en önemli belirleyici faktör olduğu hakkında bilgi sağlar. Sonuç tahmin hipnogramı (Şekil 2) ayrıca tahmin sonuçları hakkında önemli bilgiler sağlar. Hipnogramda puanlanan uyku evrelerinin, fizyolojik olarak anormal olan "Uyanma" ve "REM" aşamaları arasında sık sık kaymalar sergilediği durumlarda, sonuçların kalitesini belirlemek için puanlamanın ve karşılık gelen SHAP değerlerinin kapsamlı bir değerlendirmesinin yapılması önerilir. SHAP ve hipnogram grafikleri ile araştırmacılar, uyku evrelerinin puanlanması sırasında herhangi bir tahmin hatasını hızlı bir şekilde belirleyebilirler. Bununla birlikte, SHAP değerleri modelin tahminleri nasıl yaptığını açıklarken, tahminlerin veya modelin belirli tahminleri yapma şeklinin doğru olduğu anlamına gelmez. SHAP değerlerinin sunulmasının amacı, kullanıcıların uyku aşamasının puanlama sürecini anlamalarına yardımcı olmak ve kullanıcıların LightGBM modelinin mantığını inceleyerek herhangi bir hatayı hızlı bir şekilde tanımlamalarını sağlamaktır.

Modelin güncel sürümünde (v1.2) öne çıkan iki özellik bulunuyor. İlk olarak, önceki paragrafı takiben, kullanıcıların özellikle uzun kayıtlar için değişiklik yapmak için CSV dosyalarına dönmeleri gerekiyorsa, manuel doğrulama/düzeltme çok sıkıcı ve elverişsiz olabilir. Bu nedenle, kullanıcıların herhangi bir dönemde puanlanan uyku aşamasını değiştirmeleri için doğrudan GUI'ye entegre edilmiş bir manuel düzeltme özelliği sunuyoruz. Kullanıcı belirli bir döneme tıkladıktan sonra, GUI çubuğunun üst kısmındaki açılır menüde "Uyandırma", "REM" veya "NREM" puanlanmış uyku aşaması gösterilecektir. Kullanıcı aşamayı birinden diğerine değiştirmek isterse, açılır menüden başka bir aşama seçebilir ve kullanıcılar tarafından manuel olarak düzeltilen yeni bir puanlanmış dosya oluşturulur. Bunun da ötesinde, analiz için sağlanan standart bir sabit 10 saniyelik dönem uzunluğu yerine, farklı uyku araştırmacılarının özel deneysel ihtiyaçlarını karşılamak için GUI'de dönem uzunluğunun ayarlanması için bir seçenek sunuyoruz. Şimdiki seçenekler, uyku araştırmacıları arasında yaygın olarak kullanılan 4-s, 10-s ve 20-s dönemleridir. Bu model, 10 s'lik dönemlerin kurum içi verileriyle eğitilmiş olsa da, modelin farklı laboratuvarlardan alınan 4'lü dönemlere ait verilerin bağımsız testleri üzerindeki performansı, tüm uyku evreleri1'deki insan uzmanlarınkiyle karşılaştırılabilirdi. Kullanıcılar 20 sn dönemleri uygularken dikkatli olmalıdır çünkü 1) 20 sn dönemlerle uyku / uyanma puanlaması, geçici uyarılmalar gibi çok kısa olayları kaçırabilir; 2) 20'li dönemlerin herçağda karışık aşamaları kapsaması daha olasıdır 8.

Bu modeli, kullanıcılar için mevcut diğer otomatik uyku aşaması puanlama yöntemleriyle karşılaştırmak anlayışlı olacaktır. IntelliSleepScorer'ın yanı sıra, değişen derecelerde doğruluk, karmaşıklık ve verimliliklere sahip otomatik uyku aşaması puanlaması için geliştirilmiş başka modeller de vardır 8,9,10,11,12,13,14,15,16,17,18 . Bu çalışmada kullanılan model, mevcut modellerle karşılaştırılabilir şekilde uyku evresi puanlamasında yüksek doğruluk elde etmek için LightGBM algoritmasını kullanır. Değerlendirmemizde IntelliSleepScorer, MC-SleepNet8 ve Sleep-Deep-Learner9 gibi benzer modeller için bildirilen performans ölçümleriyle aynı seviyede olan %95,2'lik bir genel doğruluk gösterdi. Bununla birlikte, IntelliSleepScorer'ın gerçek farkı yalnızca doğruluğunda değil, aynı zamanda sınırlı kodlama deneyimine sahip eğitimsiz araştırmacılar için erişilebilirliği ve kullanım kolaylığında da yatmaktadır.

4200 fareden oluşan geniş bir veri kümesinde derin sinir ağları kullanılarak eğitilen MC-SleepNet8, mevcut yöntemlerin çoğunu geride bırakarak %96,4'lük yüksek bir puanlama doğruluğu ve 0,94'lük kappa istatistiği elde eder. Bununla birlikte, bildiğimiz kadarıyla, bugüne kadar halka açık / ücretsiz olarak kullanılabilen MC-SleepNet tabanlı bir yazılım yoktur.

Sleep-Deep-Learner9, REM uykusu için 0,86, NREM uykusu için 0,95 ve uyanıklık için 0,97 F1 puanı ile farelerde puanlamayı otomatikleştirir. Bununla birlikte, yazarlar makalede, Sleep-Deep-Learner'ın, manuel olarak puanlanan dönemlerin bir alt kümesini gerektirdiğinden, uyku-uyanıklık puanlamasında iyi bilgi sahibi olmayan kişiler için uygun olmadığını belirtti. IntelliSleepScorer ise uyku aşaması puanlaması sırasında daha fazla manuel manipülasyon gerektirmez ve herhangi bir araştırmacı için çok kullanıcı dostu bir GUI'ye sahiptir.

Somnivore10 , karmaşık polisomnografi girdilerine sahip sınırlı eğitim setlerinden öğrenmede usta, otomatik uyanma-uyku aşaması puanlaması için tasarlanmış çok yönlü, çok katmanlı bir sistemdir. Hızlı hesaplama verimliliği ile çalışır ve insanlar, kemirgenler (vahşi tip ve transgenik) ve güvercinler dahil olmak üzere çeşitli konularda sağlam genelleme gösterir. Ancak, Somnivore ücretsiz değildir.

SlumberNet11 ve AccuSleep12'ye sırasıyla Zenodo ve GitHub'dan kolayca erişilebilir ve %97 ve %96,8'lik bir puanlama doğruluğuna sahiptir. Bununla birlikte, her iki model de 9 veya 10 farelik nispeten küçük eğitim veri boyutlarına sahiptir ve bağımsız test doğrulaması içermemiştir. Bu nedenle, gerçek dünyadaki performansları bilinmemektedir.

SPINDLE13 , evrişimli sinir ağlarından yararlanan 4-6 fare/sıçan içeren daha küçük bir veri kümesiyle eğitilmiş başka bir web tabanlı modeldir. Üç bağımsız uyku laboratuvarından elde edilen veriler arasında doğrulanan SPINDLE, farklı laboratuvarlardan gelen insan uzman puanlamasıyla ortalama %93-%99 arasında uyum oranları elde etti ve insan kapasitesini yansıttı.

Son olarak, Somnotate14 , en az üç manuel ek açıklamanın fikir birliğine dayalı olarak altı adet 24 saatlik kayıt içeren kurum içi veri kümelerinde değerlendirildiğinde 0,97 ± 0,01'lik bir doğruluk ± 0,97 0,01 ağırlıklı F1 puanı gösterdi. Somnotate'in veri kümesi üzerinde test edildiğinde, IntelliSleepScorer'ın performansı 0,75 ± 0,04 doğruluk ve 0,73 ± 0,05 ağırlıklı F1 puanı ile düştü14. Bu düşük performans, deney kurulumlarındaki farklılıklara veya veri kümelerindeki kayıt koşullarına bağlanabilir. Gerçek dünyadaki kullanım durumlarının çeşitliliği göz önüne alındığında, kullanıcıları, özellikle deney kurulumları veya kayıt koşulları bizimkinden önemli ölçüde farklıysa, IntelliSleepScorer'ın veri kümelerindeki performansını değerlendirmeye teşvik ediyoruz. Yazılımın performansı beklentileri karşılamıyorsa, geliştirme için kullanılan modelleri ve kodu açık kaynak haline getirdiğimiz için kullanıcılar verileriyle önceden eğitilmiş modele ince ayar yapma seçeneğine sahiptir.

Yukarıda tartışılan mevcut modellerin örneklerinin yanı sıra, araştırmacıların çalışmaları için özel ve farklı ihtiyaçlara bağlı olarak seçebilecekleri başka gelişmiş otomatik uyku evreleme sistemleri de vardır 15,16,17,18.

Gelecekteki çalışmalarda, uyku evrelerinin otomatik puanlama süresini optimize eden yeni bir model geliştirmeyi / eğitmeyi amaçlıyoruz. Şu anda GUI, Intel Core i7-8550U CPU @ 1,80 GHz üzerinde yaklaşık 10 dakikada 1000 Hz'de örneklenen 12 saatlik kaydı işlemektedir. Bununla birlikte, varsayılan 10 sn dönemlerine kıyasla 4 sn dönemlerle uyku aşamaları puanlanırken işlem süresi yaklaşık 2,5 kat artar. Bu yeni model, farelerde daha hızlı otomatik uyku aşaması puanlaması isteyen bazı kullanıcıların ihtiyaçlarını karşılayabilir. Ayrıca her zaman kullanıcıların geri bildirimlerini dinliyoruz ve istek üzerine herhangi bir yeni özellik eklenebilir.

Özetle, farelerin uyku aşaması puanlaması için uygun bir otomatik işlem hattı oluşturmak için ücretsiz, halka açık ve kullanıcı dostu bir GUI yazılımı olan IntelliSleepScorer'ı sağlıyoruz. Ek olarak, modelin verdiği puanlama kararını açıklayan SHAP değer görselleştirmeleri sunarak bir adım daha ileri gittik. Eğitim/ince ayar özelliklerini ayıklamak için model dosyalarının ve betiklerin tümü GitHub deposunda genel kullanıma açık olduğundan, deneyimli kullanıcılar da verileriyle önceden eğitilmiş modelimize ince ayar yapabilir. Umarız ki bu açık model, teknoloji açığını daraltabilir ve emek yoğun işleri azaltırken uyku araştırmalarında fare modellerini kullanarak veri toplamadan yeni bulgulara ilerlemeyi kolaylaştırabilir.

Açıklamalar

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

Yazarlar herhangi bir çıkar çatışması beyan etmemektedir.

Teşekkürler

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

Uyku aşamalarını manuel olarak puanladıkları için Kerena Yan ve Jingwen Hu'ya, kayıtlar için Eunah ve Soonwiik'e teşekkür ederiz.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Canonical Unbuntu 18.04Canonicalhttps://releases.ubuntu.com/18.04/IntelliSleep Scorer yazılımı için İşletim Sistemini Destekleme: Windows, Mac veya Linux
Intel Core i7-8550U CPU @ 1.80 GHz 1.99 GHz; RAM: 24 GB Yazılım için Intel Corphttps://www.intel.com/content/www/us/en/products/details/processors/core-ultra.htmlDonanım gereksinimi: Burada listelenen her iki Inte Core da verileri işlemek için kullanılmıştır. Her iki donanım için de 1000 Hz'de örneklenen 12 saatlik kaydın işlenmesi yaklaşık 10 dakika sürer. Benzer veya daha üstün herhangi bir donanım, karşılaştırılabilir veya daha iyi performans sağlayacaktır.  
Intel Core i7-10610U CPU @1.80 GHz 2.30 GHz; RAM: 16 GBIntel Corphttps://www.intel.com/content/www/us/en/products/details/processors/core-ultra.htmlYazılım için donanım gereksinimi: Burada listelenen her iki Inte Core da verileri işlemek için kullanılmıştır. Her iki donanım için de 1000 Hz'de örneklenen 12 saatlik kaydın işlenmesi yaklaşık 10 dakika sürer. Benzer veya daha üstün herhangi bir donanım, karşılaştırılabilir veya daha iyi performans sağlayacaktır.  
LightGBMMicrosofthttps://lightgbm.readthedocs.io/en/latest/index.htmlYazılımı eğitmek için kullanılan makine öğrenimi tabanlı algoritma. 
MacBook ProApplehttps://www.apple.com/in/macbook-pro/IntelliSleep Scorer yazılımı için Destek İşletim Sistemi: Windows, Mac veya Linux
WindowsMicrosofthttps://www.microsoft.com/en-in/windows/?r=1IntelliSleep Scorer yazılımı için Destek İşletim Sistemi: Windows, Mac veya Linux

Kaynaklar

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

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

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

İlgili makaleler