新研究用机器学习模型自动分类睡眠阶段，准确率超96%

大数据文摘出品

来源：sciencedaily

编译：徐玲

现在机器学习已经不满足于对日常生活进行取材学习了，研究人员把研究“魔爪”伸向了睡眠时间。

筑波大学(University of Tsukuba)的研究人员结合两种流行的机器学习方法，创造了一种新的人工智能程序，可以自动对老鼠的睡眠阶段进行分类。

该算法被称为“MC-SleepNet”，其准确率超过96％，并且对生物信号中的噪声具有很高的鲁棒性，使用此系统自动标注数据可以极大地帮助睡眠研究人员分析实验结果。

利用机器学习对睡眠阶段分类

研究睡眠的科学家经常使用小鼠作为动物模型，以更好地了解大脑活动在各个阶段的变化方式。这些阶段可分为清醒，REM（快速眼动）睡眠和non-REM睡眠。

在此之前，研究人员对睡眠中小鼠的脑电波进行了监测，结果得到了大量的数据，这些数据需要手工费力地贴上标签，通常是由学生组成的团队完成，这是研究的一个主要瓶颈。

现在，筑波大学的研究人员已经推出了一种程序，可以根据小鼠的脑电图（EEG）和肌电图（EMG）信号自动对其经历的睡眠阶段进行分类，该信号分别记录大脑和身体的电活动。 他们结合了卷积神经网络（CNN）和长短期记忆（LSTM）递归神经网络这两种机器学习技术，以实现超越现有最佳自动方法的准确性。

机器学习在医学与计算机科学相结合的重要应用方面，是一个令人兴奋的新研究领域。它使我们能够基于标记的示例对新数据进行自动分类。”通讯作者Kazumasa Horie解释说。

在寻找未知模型方面很有价值

当要寻找的模型不为人所知时（例如睡眠阶段），这特别有价值。算法可以“学习” 如何在不经过明确编程的情况下做出复杂的决定。在该项目中，由于使用了大数据集，因此准确性非常高。

迄今为止，它拥有超过4,200种生物信号，是所有睡眠研究中最大的数据集。 此外，通过实现CNN，该算法对个体差异和噪声表现出很高的鲁棒性。

这项工作的主要进展是将任务划分为两种机器学习方法。首先，使用CNN从大脑和身体的电活动记录中提取感兴趣的特征。然后将这些数据传递给LSTM，以确定哪些特征最能说明小鼠正在经历的睡眠阶段。

资深作者Hiroyuki Kitagawa说：“我们很乐观地将这项工作转化为人类睡眠阶段的分类。”同时，该程序已经可以加快研究人员在睡眠领域的工作，这可能会使人们对睡眠的运作方式有更清晰的了解。

相关报道：

https://www.sciencedaily.com/releases/2019/12/191203094818.htm