使用机器学习和特征工程进行自动啮齿动物警觉状态分类-计算机科学-机器学习-睡眠研究.pdf

使用机器学习和特征工程进行自动啮齿动物警觉状态分类

111

SankalpJajee,GauravKumar,HomayounValafar

1UniversityofSouthCarolina

摘要眠障碍影响了超过7000万的美国人，并且对

临床前睡眠研究仍然受到劳动密集型、手全球发病率、死亡率和经济负担做出了重大贡

本动警觉状态分类和评分者间变异性的影献。理解睡眠背后的神经生理机制对于开发针

响，限制了其产出率和可重复性。本研究介对性干预措施至关重要，但进展受到睡眠结构

译绍了一个由NeuralPrognosticators团队开发复杂性和当前分析方法限制的约束。

中的自动化框架，用于将小型啮齿动物的脑小型啮齿动物模型在临床前睡眠研究

1电图（EEG）记录分类为三种关键警觉状态

v(RechtschaffenandBergmann,2002)中处于核

6——矛盾睡眠（REM）、慢波睡眠（SWS）以心地位，提供了有关睡眠调节、昼夜节律以

6及清醒状态。该系统结合了先进的信号处

1理与机器学习技术，利用时间域和频率域及睡眠干扰影响的见解。这些研究依赖于脑

4

1中的工程特征，包括跨典型EEG频带（从电图（EEG）记录来分类警觉状态：矛盾睡眠

.

7到频段）的频谱功率、通过最大最小距离（REM），以高频低振幅活动为特征，并与记忆

0

5（MMD）(Aboalayonetal.,2016)的时间动态巩固相关；慢波睡眠（SWS），以其高振幅的

2特性以及交叉频率耦合指标。这些特征捕delta波为特点，对恢复过程至关重要；以及清

:

v捉了不同的神经生理学特征，如清醒时的

i醒状态，定义为不规则、混合频率的脑电图活

x高频去同步化、SWS中的振荡和REM特

r动，与认知和行为有关。

a异性的爆发。在2024大数据健康科学案例

传统上，警觉状态分类是由经过训练的研

竞赛(UniversityofSouthCarolinaBigData

HealthScienceCenter,2024)中验证了我们究人员手动完成的，他们通过视觉检查EEG片

的XGBoost模型，其整体准确率为91.5%，段来分配状态。尽管被广泛采用，这种方法耗

精确率为86.8%，召回率为81.2%，F1得时、主观且难以扩展。通常需要数小时才能对

分为83.5%，超越了所有基线方法。我们即使是适度的数据集进行评分，并且存在评分

的方法代表了自动睡眠状态分类的关键进者间变异性的问题，这削弱了实验室之间的可

展，并且是促进睡眠科学研究和开发针对

重复性。此外，状态间的模糊过渡和非典型睡