[论文解读] Automated Classification of Sleep Stages and EEG Artifacts in Mice with Deep Learning

Justus T. C. Schwabedal, Daniel Sippel+2 more|arXiv (Cornell University)|Sep 22, 2018

Sleep and Wakefulness Research参考文献 13被引用 9

一句话总结

本论文提出了一种深度学习模型，通过在4秒的EEG和EMG数据段上进行端到端训练，实现了小鼠睡眠阶段分类（清醒、非快速眼动、快速眼动）和EEG伪影检测的自动化。该模型通过自动学习判别性特征，超越了传统基于人工特征工程的方法，在无伪影数据上实现了高F1分数，并通过多通道记录提升了鲁棒性。

ABSTRACT

Sleep scoring is a necessary and time-consuming task in sleep studies. In animal models (such as mice) or in humans, automating this tedious process promises to facilitate long-term studies and to promote sleep biology as a data-driven field. We introduce a deep neural network model that is able to predict different states of consciousness (Wake, Non-REM, REM) in mice from EEG and EMG recordings with excellent scoring results for out-of-sample data. Predictions are made on epochs of 4 seconds length, and epochs are classified as artifact-free or not. The model architecture draws on recent advances in deep learning and in convolutional neural networks research. In contrast to previous approaches towards automated sleep scoring, our model does not rely on manually defined features of the data but learns predictive features automatically. We expect deep learning models like ours to become widely applied in different fields, automating many repetitive cognitive tasks that were previously difficult to tackle.

研究动机与目标

• 自动化小鼠EEG/EMG研究中耗时的手动睡眠评分过程。
• 通过端到端学习预测表征，消除对手工设计特征的依赖。
• 实现高时间分辨率的睡眠分期（4秒时间段），以捕捉小鼠中短暂的睡眠转换。
• 通过利用多通道记录提升对EEG伪影的鲁棒性。
• 通过支持可扩展、数据驱动的大规模记录分析，促进长期睡眠研究。

提出的方法

• 在小鼠的4秒EEG和EMG信号段上，对深度卷积神经网络进行端到端训练。
• 该模型可接收最多三个输入通道（EEG1、EEG2、EMG），并预测各睡眠阶段的概率及伪影存在的可能性。
• 特征学习由网络自动完成，无需预先设计频带或谱特征。
• 该架构利用了近期在序列时间序列数据中应用CNN的进展，类似于音频和自然语言处理中的方法。
• 模型训练采用带替换的类别平衡采样，以应对数据不平衡问题（无伪影段远多于含伪影段）。
• 提供了TensorFlow.js实现，支持在线推理并提升可及性。

实验结果

研究问题

• RQ1 深度学习模型是否能在不依赖手工设计特征的情况下，实现小鼠高精度的自动化睡眠分期？
• RQ2 在含伪影条件下，模型性能如何随输入记录通道数量的变化而变化？
• RQ3 4秒的时间段分辨率是否足以捕捉小鼠中短暂的睡眠状态（如短暂觉醒）？
• RQ4 无伪影与含伪影段之间的数据不平衡在多大程度上影响模型泛化能力？
• RQ5 迁移学习是否能够使模型在极少微调的情况下适配新小鼠品系或电极位置？

主要发现

• 在外部样本的无伪影数据上，模型实现了高F1分数，表明其具有出色的泛化性能。
• 当仅使用单个输入通道时，27.5%的REM段被错误分类为清醒，凸显了输入受限的脆弱性。
• 增加输入通道数量显著提升了在含伪影数据上的预测鲁棒性，减少了误分类。
• 即使通道数较少，模型在无伪影数据上仍保持高性能，表明其能从最小输入中学习到强大特征。
• 在含伪影数据上的性能低于清洁数据，可能源于训练集中类别不平衡。
• 作者预计，更大且更平衡的数据集将进一步提升模型在含伪影记录上的表现。