Los investigadores de la Universidad de Tsukuba han creado un nuevo programa de inteligencia artificial para clasificar automáticamente las etapas de sueño de los ratones que combina dos métodos populares de aprendizaje automático. Conocido como "MC-SleepNet", el algoritmo alcanzó tasas de precisión superiores al 96% y una alta robustez frente aruido en las señales biológicas. El uso de este sistema para anotar automáticamente los datos puede ayudar significativamente a los investigadores del sueño al analizar los resultados de sus experimentos.
Los científicos que estudian el sueño a menudo usan ratones como modelos animales para comprender mejor la forma en que cambia la actividad en el cerebro durante las diversas fases. Estas fases pueden clasificarse como sueño despierto, REM movimiento rápido de los ojos y sueño no REM.Anteriormente, los investigadores que controlaban las ondas cerebrales de los ratones dormidos terminaban con montañas de datos que debían ser laboriosamente etiquetados a mano, a menudo por equipos de estudiantes, lo que representaba un importante cuello de botella en la investigación.
Ahora, los investigadores de la Universidad de Tsukuba han introducido un programa para clasificar automáticamente la etapa del sueño que experimentó un ratón en función de sus señales de electroencefalograma EEG y electromiograma EMG, que registran la actividad eléctrica en el cerebro y el cuerpo, respectivamenteCombinaron dos técnicas de aprendizaje automático, redes neuronales convolucionales CNN y redes neuronales recurrentes de memoria a largo plazo LSTM, para lograr precisiones que superan las de los mejores métodos automáticos existentes.
"El aprendizaje automático es un nuevo campo de investigación emocionante con aplicaciones importantes que combinan la medicina con la informática. Nos permite clasificar automáticamente nuevos datos basados en ejemplos etiquetados", explica el autor correspondiente Kazumasa Horie. Esto es especialmente valioso cuando los patronesbuscar no son bien conocidos, como con las etapas de sueño. De esta manera, el algoritmo puede "aprender" cómo tomar decisiones complejas sin ser programado explícitamente. En este proyecto, la precisión fue muy alta debido al gran conjunto de datos utilizado.4.200 señales biológicas, fue el mayor conjunto de datos de cualquier investigación sobre el sueño hasta ahora. Además, al implementar una CNN, el algoritmo mostró una gran robustez frente a las diferencias individuales y el ruido.
El principal avance en este trabajo fue dividir la tarea entre los dos métodos de aprendizaje automático. Primero se utilizó una CNN para extraer características de interés de las grabaciones de la actividad eléctrica en el cerebro y el cuerpo. Estos datos se pasaron a unLSTM para determinar qué características son más indicativas de la fase de sueño que estaba experimentando el ratón. "Somos optimistas de que podamos traducir este trabajo en clasificar las etapas de sueño en humanos", dice el autor principal Hiroyuki Kitagawa. Mientras tanto, este programa ya puede acelerarAumenta el trabajo de los investigadores en el campo del sueño, lo que puede conducir a una comprensión mucho más clara de cómo funciona el sueño.
Fuente de la historia :
Materiales proporcionado por Universidad de Tsukuba . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :