結(jié)合兩種流行的機器學(xué)習(xí)方法，創(chuàng)造了一種新的人工智能程序

筑波大學(xué)（Universityof Tsukuba）的研究人員結(jié)合兩種流行的機器學(xué)習(xí)方法，創(chuàng)造了一種新的人工智能程序，用于對老鼠的睡眠階段進(jìn)行自動分類。該算法被稱為MC-SleepNet，其準(zhǔn)確率超過96%，對生物信號中的噪聲具有很強的魯棒性。利用該系統(tǒng)對數(shù)據(jù)進(jìn)行自動標(biāo)注，可以極大地幫助睡眠研究人員分析他們的實驗結(jié)果。

研究睡眠的科學(xué)家經(jīng)常用老鼠作為動物模型，以便更好地了解大腦活動在不同階段的變化方式。這些階段可以分為清醒、REM（快速眼動）睡眠和非快速眼動睡眠。

圖1.每個階段的EEG / EMG信號示例

（A）喚醒-Wake （B）非快速眼動non-REM （C）快速眼動-REM

在此之前，研究人員對睡著的老鼠的腦電波進(jìn)行了監(jiān)測，結(jié)果得到了海量的數(shù)據(jù)，而這些數(shù)據(jù)需要團(tuán)隊人員進(jìn)行大量的手工標(biāo)注。這成為了研究過程的一個非常重要的瓶頸。

現(xiàn)在，筑波大學(xué)（Universityof Tsukuba）的研究人員在該項研究中提出了MC-SleepNet算法，該算法可以根據(jù)小鼠的腦電圖（EEG）和肌電圖（EMG）信號，對其睡眠階段進(jìn)行自動分類，這兩種信號分別記錄了小鼠大腦和身體的電活動。這種算法結(jié)合了兩種機器學(xué)習(xí)技術(shù)，卷積神經(jīng)網(wǎng)絡(luò)（CNN）和長短時記憶（LSTM）遞歸神經(jīng)網(wǎng)絡(luò)，以達(dá)到超過現(xiàn)有的最佳自動方法的精度。

MC-SleepNet結(jié)構(gòu)

MC-SleepNet使用八種類型的層：卷積層、最大池化層、dropout層、連接層、按元素順序添加層、bi-LSTM層、全連接層和softmax層。每一層的參數(shù)在方框中說明。

項目研究人員、該論文通訊作者KazumasaHorie解釋道：“機器學(xué)習(xí)是一個激動人心的新研究領(lǐng)域，它的重要應(yīng)用是將醫(yī)學(xué)與計算機科學(xué)相結(jié)合。它允許我們根據(jù)標(biāo)注的示例自動對新數(shù)據(jù)進(jìn)行分類。”當(dāng)需要尋找的模式不為人所知時，比如睡眠階段，其價值尤為明顯。通過這種方式，算法可以“學(xué)習(xí)”如何在不顯式編程的情況下做出復(fù)雜的決策。

在這個項目中，由于使用了較大的數(shù)據(jù)集，所以準(zhǔn)確性非常高。它收集了超過4200個生物信號，是迄今為止所有睡眠研究中最大的數(shù)據(jù)集。同時，通過實現(xiàn)CNN，該算法對個體差異和噪聲具有較強的魯棒性。

MC-SleepNet的睡眠階段評分結(jié)果示例

基于MC-SleepNet的特征提取模塊提取特征的實例。

（左）窄CNN提取腦電圖特征。（中）寬帶CNN提取腦電圖特征。（右）肌電圖特征。

這項工作的主要進(jìn)展是將任務(wù)分配給兩種機器學(xué)習(xí)方法。首先使用CNN從大腦和身體的電活動記錄中提取感興趣的特征。然后將這些數(shù)據(jù)傳遞給LSTM，以確定哪些特征最能反映老鼠所經(jīng)歷的睡眠階段。研究人員Hiroyuki Kitagawa 表示“把這項工作轉(zhuǎn)化為對人類睡眠階段的分類是可以的?！?/p>