JoVE Logo
Authors
Contact Us

Sign In

A subscription to JoVE is required to view this content. Sign in or start your free trial.

In This Article

  • Summary
  • Abstract
  • Introduction
  • Protocol
  • النتائج
  • Discussion
  • Disclosures
  • Acknowledgements
  • Materials
  • References
  • Reprints and Permissions

Summary

نقدم حزمة برامج مع واجهة مستخدم رسومية للباحثين الذين ليس لديهم خبرة في الترميز لتسجيل مراحل النوم في الفئران من خلال تنزيل وتشغيل بسيطين.

Abstract

تسجيل مرحلة النوم في القوارض هو عملية تحديد المراحل الثلاث: نوم حركة العين غير السريعة (NREM) ، ونوم حركة العين السريعة (REM) ، والاستيقاظ. يعد تسجيل مرحلة النوم أمرا بالغ الأهمية لدراسة المقاييس والتأثيرات الخاصة بمرحلة النوم.

تختلف أنماط النوم في القوارض عن تلك الموجودة في البشر ، وتتميز بنوبات أقصر من حركة العين غير السريعة وحركة العين السريعة المتباعدة عن طريق الاستيقاظ ، كما أن تسجيل مرحلة النوم اليدوي التقليدي من قبل الخبراء البشريين يستغرق وقتا طويلا. لمعالجة هذه المشكلة ، استخدمت الدراسات السابقة مناهج قائمة على التعلم الآلي لتطوير خوارزميات لتصنيف مراحل النوم تلقائيا ، ولكن النماذج عالية الأداء ذات قابلية التعميم الكبيرة غالبا ما تكون غير متاحة للجمهور / خالية من التكلفة ولا سهلة الاستخدام لباحثي النوم غير المدربين.

لذلك ، قمنا بتطوير خوارزمية LightGBM قائمة على التعلم الآلي مدربة على مجموعة بيانات كبيرة. لجعل النموذج متاحا للباحثين في مجال النوم دون خبرة في الترميز ، تم تطوير أداة برمجية تسمى IntelliSleepScorer (الإصدار 1.2 - أحدث إصدار) بناء على النموذج ، والذي يتميز بواجهة مستخدم رسومية سهلة الاستخدام. في هذه المخطوطة ، نقدم إرشادات خطوة بخطوة لاستخدام البرنامج لإظهار أداة تسجيل مرحلة النوم التلقائية المريحة والفعالة في الفئران للباحثين في النوم.

Introduction

تسجيل مرحلة النوم في القوارض هو إجراء لتحديد المراحل الثلاث: نوم حركة العين غير السريعة (NREM) ، ونوم حركة العين السريعة (REM) ، والاستيقاظ2. في القوارض ، يتميز NREM بانخفاض نشاط العضلات ، والتنفس البطيء والمنتظم ، وانخفاض معدل ضربات القلب ، والتذبذبات منخفضة التردد لموجات الدماغ. تظهر حركة العين السريعة في القوارض ، على غرار البشر ، ونى العضلات ، وتنشيط مخطط كهربية الدماغ ، وحركات العين السريعة ، على الرغم من أن حدوث الحلم الحي أقل وضوحا في القوارض مقارنة بالبشر2،3. تتميز حالة "الاستيقاظ" في القوارض بنشاط الدماغ غير المتزامن مع موجات عالية التردد ومنخفضة السعة ، وزيادة قوة العضلات ، والسلوك النشط ، مثل الاستمالة والاستكشاف4. يمكن تحديد هذه المراحل الثلاث عن طريق فحص إشارات مخطط كهربية الدماغ (EEG) ومخطط كهربية العضل (EMG)5.

نماذج تسجيل مرحلة النوم التلقائية في القوارض في حاجة ماسة. أولا ، يعد تسجيل مرحلة النوم اليدوي من قبل خبراء بشريين كثيف العمالة ويستغرق وقتا طويلا. ثانيا ، تختلف أنماط النوم في القوارض عن تلك الموجودة في البشر ولديها نوبات أكثر تجزئة من حركة العين غير السريعة وحركة العين السريعة المتباعدة عن طريق الاستيقاظ ، حوالي 10 دقائق ، على عكس 60-120 دقيقة في البشر6. لذلك ، فإن تحديد هذه الفترات القصيرة أثناء التسجيل اليدوي يمثل تحديا. كانت هناك العديد من المحاولات منذ الستينيات لتطوير نظام تسجيل تلقائي لبيانات نوم القوارض7. على الرغم من وجود العديد من طرق تسجيل نوم القوارض الآلية ، إلا أن أدائها يختلف8،9،10،11،12،13،14،15،16،17،18. الأهم من ذلك ، أن معظم النماذج عالية الأداء ذات قابلية التعميم العالية ليست متاحة للجمهور (يحتاج بعضها إلى طلبات خاصة من المطورين) أو ليست مجانية للباحثين في مجال النوم.

لذلك ، لسد الفجوة التكنولوجية الحالية ، قمنا بتطوير نموذج قائم على التعلم الآلي باستخدام مجموعة بيانات كبيرة تبلغ 5776 ساعة من إشارات EEG و EMG من 519 تسجيلا عبر 124 فأرا باستخدام خوارزمية LightGBM1. يستخدم lightGBM نهجا لتعزيز التدرج لإنشاء أشجار القرار19. في Wang et al. ، 2023 ، حقق نموذج LightGBM (الذي يتكون من أكثر من 8000 شجرة قرار) دقة إجمالية تبلغ 95.2٪ و kappa كوهين بنسبة 0.91 ، والتي تفوقت على نموذجين أساسيين مستخدمين على نطاق واسع مثل نموذج الانحدار اللوجستي (الدقة = 93.3٪) ونموذج الغابة العشوائية (الدقة = 94.3٪ ، كابا = 0.89). أظهر الأداء العام للنموذج أيضا أداء مشابها لأداء الخبراء البشريين. الأهم من ذلك ، ثبت أن النموذج يتمتع بقابلية التعميم وليس مجهزا بشكل مفرط لبيانات التدريب الأصلية1: 1) كان أداؤه جيدا (الدقة > 89٪) على مجموعتي بيانات مستقلتين أخريين متاحتين للجمهور ، من ميلادينوفيتش وزملاؤه11 ، بترددات أخذ عينات وأطوال حقبة مختلفة. 2) لا يتأثر أداء النموذج بدورة الضوء / الظلام للفئران ؛ 3) كان أداء نموذج LightGBM المعدل جيدا على البيانات التي تحتوي على قطب كهربية كهربية الدماغ واحد فقط وقطب كهربية العضل مع كابا ≥ 0.89 ؛ 4) تم استخدام كل من الفئران البرية والطافرة للاختبار وكان أداء النموذج دقيقا. يشير هذا إلى أن النموذج يمكنه تسجيل مراحل النوم للفئران ذات الخلفيات الجينية المختلفة.

من أجل جعل هذا النموذج في متناول الباحثين في مجال النوم الذين قد لا يكون لديهم خبرة في الترميز ، قمنا بتطوير IntelliSleepScorer ، وهي أداة برمجية سهلة الاستخدام بواجهة بديهية بصريا. يمكن للبرنامج أتمتة إجراء تسجيل النوم بالكامل في الفئران. ينتج تصورات تفاعلية للإشارات والمخطط المغناطيسي وقيم Shapley Additive exPlanations (SHAP) من إدخال ملف تنسيق البيانات الأوروبي (EDF) / EDF +. يعزز نهج قيمة SHAP ، المستند إلى نظرية الألعاب التعاونية ، قابلية تفسير نماذج التعلمالآلي 20. يقدم النموذج قيم SHAP العالمية والحقبة ، مما يكشف عن كيفية مساهمة قيم الميزات المختلفة في قرار تسجيل النقاط للنموذج بشكل عام ولكل حقبة. يقلل هذا البرنامج المتقدم بشكل كبير من الوقت والجهد اللازمين لتسجيل مرحلة النوم في الفئران مع ضمان أن التحليل النهائي يمكن أن يعتمد على نتائج عالية الدقة. في هذه المخطوطة ، نقدم استخداما خطوة بخطوة ل IntelliSleepScorer (الإصدار 1.2) مع العديد من التحديثات على الإصدار 1.0 ، بما في ذلك خيار لتشغيل تحليل SHAP بشكل منفصل عن التنبؤ بنمط النوم ، وطول فترة قابل للتعديل للمستخدم لتسجيل مرحلة النوم ، وميزة التصحيح اليدوي لمرحلة السكون مدمجة في واجهة المستخدم الرسومية.

Protocol

استخدمت هذه الدراسة البيانات التي تم جمعها من تجارب في الجسم الحي على الفئران. لم تشارك أي تجارب بشرية في الدراسة. تمت الموافقة على جميع التجارب على من قبل اللجنة المؤسسية لرعاية واستخدامه في معهد برود. تم إجراء جميع التجارب وفقا للمبادئ التوجيهية واللوائح ذات الصلة. لا تنطبق إرشادات ARRIVE على هذه الدراسة لأن تركيز هذه الدراسة ينصب على تطوير نماذج التعلم الآلي بدلا من مقارنة مجموعات العلاج المختلفة.

1. إعداد البيانات

ملاحظة: توافق البيانات: يمكن أن يكون للبيانات المسجلة أي معدل أخذ عينات أعلى من 40 هرتز. ليست هناك حاجة لتمرير النطاق لتصفية الإشارة لأن ممر النطاق الترددي للبرنامج يقوم بتصفية إشارات EEG و EMG في الخطوة الأولى. تم تطوير نماذج LightGBM واختبارها باستخدام بيانات من الفئران. لا يوجد دليل على أداء نماذج LightGBM في أنواع أخرى من المختبر. يجب وضع أقطاب التسجيل في القشرة الأمامية والجدارية ، أو في أي من المكانين إذا تم تسجيل قناة مخطط كهربية الدماغ واحدة فقط.

  1. ترتيب ومتطلبات تنسيق EDF / EDF +
    ملاحظة: يقرأ البرنامج المستخدم في هذه الدراسة ملفات EDF / EDF + فقط باستخدام حزمة MNE-Python. يجب تطبيق مواصفات EDF / EDF + القياسية لإنشاء ملفات EDF / EDF +. بالإضافة إلى المواصفات القياسية، تأكد من ترميز التعليقات التوضيحية EDF/EDF+ في UTF-8. خلاف ذلك ، سوف يتعطل تطبيق البرنامج.
    1. قم بتحويل ملف آخر (ملف غير EDF / EDF +) إلى تنسيق EDF / EDF + باستخدام أدوات مجانية عبر الإنترنت.
      ملاحظة: لا توجد متطلبات لمرشح الجهاز عند الحصول على إشارات EEG و EMG. طالما أن المستخدمين يأخذون عينات من بيانات EEG و EMG الخاصة بهم بتردد 40 هرتز أو أعلى ، فسيعمل البرنامج بشكل صحيح. هذا لأنه ، في خطوة المعالجة المسبقة الأولية ، تخضع الإشارات لتصفية ممر النطاق بين 1 هرتز و 40 هرتز. تم دمج تصفية ممر النطاق هذا في خط أنابيب المعالجة المسبقة للبرنامج ، مما يلغي المستخدمين الذين يحتاجون إلى إجراء أي معالجة إضافية للإشارة.
  2. هناك نوعان من النماذج داخل البرنامج لتسجيل التسجيل. أحدهما هو LightGBM-2EEG ، والآخر هو LightGBM-1EEG. تم تخصيص نموذج LightGBM-2EEG لتسجيل البيانات التي تحتوي على قناتين EEG وقناة EMG واحدة. قم بتنفيذ الخطوات التالية حسب الطراز.
    1. تنظيم ملفات البيانات ل LightGBM-2EEG على وجه التحديد بالترتيب التالي: 1) قناة EEG المسجلة في المنطقة الجدارية ؛ 2) قناة مخطط كهربية الدماغ المسجلة في المنطقة الأمامية ؛ 3) قناة EMG. تم تخصيص LightGBM-1EEG للبيانات التي تحتوي فقط على قناة EEG واحدة (وضع القطب الكهربائي على المنطقة الجدارية أو الأمامية) وقناة EMG واحدة.
    2. قم بتنظيم القنوات في ملفات EDF / EDF + ل LightGBM-1EEG بالترتيب التالي: 1) قناة EEG ؛ 2) قناة EMG.

2. تنزيل IntelliSleepScorer لمستخدمي Windows و Mac و Linux

  1. بالنسبة لمستخدمي Windows ، يتوفر Windows Executable للبرنامج باستخدام PyInstaller. ابحث عن رابط التنزيل في صفحة أبحاث مجموعة عموم https://sites.broadinstitute.org/pan-lab/resources. بالنسبة لمستخدمي MacOS أو Linux ، استخدم الكود المصدري على مستودع GitHub https://github.com/broadinstitute/IntelliSleepScorer لتشغيل البرنامج.
  2. قم بالوصول إلى مثالين مسجلين لاختبار البرنامج المحفوظ كملفات EDF عن طريق تنزيلهما من خلال مستودع GitHub.
  3. لا يتضمن مستودع التعليمات البرمجية المصدر مجلد النماذج بسبب حدود الحجم. بدلا من ذلك ، قم بتنزيل models.zip وفك ضغطه وانسخ مجلد النماذج داخل المستودع لتشغيل البرنامج. خلاف ذلك ، سوف يتعطل البرنامج بسبب فقدان ملفات الطراز.

3. سير العمل وتشغيل البرنامج

  1. قم بتشغيل IntelliSleepScorer
    1. لتشغيل البرنامج في Windows ، انقر نقرا مزدوجا فوق IntelliSleepScorer.exe الموجود في المجلد الجذر. لتشغيل البرنامج في MacOS أو Linux ، افتح محاكيا طرفيا ، وقم بتغيير الدليل إلى المجلد الجذر للبرنامج ، ثم قم بتشغيل البرنامج باستخدام الأمر: python3 IntelliSleepScorer.py.
  2. بمجرد فتح البرنامج ، انقر فوق تحديد ملف (ملفات) EDF / EDF + لتحديد الملف (الملفات) المقصود لتسجيله. إذا تم تحديد الملفات عن طريق الخطأ، فانقر فوق الزر "مسح " لمسح قائمة الملفات المحددة.
    ملاحظة: بشكل افتراضي، يقوم البرنامج بتشفير مراحل السكون ك Wake:1 وNREM:2 وREM:3 في ملفات درجات الإخراج. يتم تعيين طول العصر الافتراضي على 10 ثوان. يسمح الإصدار الحالي (v1.2) من واجهة المستخدم الرسومية للمستخدمين بتغيير ترميزات المرحلة أو أطوال الفترات إلى 4 ثوان أو 10 ثوان أو 20 ثانية باستخدام القائمة المنسدلة.
  3. حدد طول الحقبة المطلوب. استخدم القائمة المنسدلة المتوفرة لتحديد طول الحقبة المقصود من بين خيارات 4 ثوان و 10 ثوان و 20 ثانية لتسجيل مرحلة السكون.
  4. حدد النموذج الذي سيتم استخدامه لتسجيل نقاط النوم. تم تصميم LightGBM-2EEG لملفات البيانات التي تحتوي على قناتين EEG وقناة EMG واحدة ، بينما تم تصميم LightGBM-1EEG للبيانات التي تحتوي على قناة EEG واحدة وقناة EMG واحدة.
  5. قبل تشغيل التنبؤ بمرحلة النوم، قم بتضمين حساب SHAP الإضافي الذي يساعد في شرح نتائج التنبؤ بمرحلة النوم. لمعالجة حساب SHAP، حدد خانة الاختيار تشغيل/رسم SHAP . يتطلب حساب SHAP حوالي 5-10 دقائق للمعالجة.
  6. انقر فوق تسجيل جميع الملفات. يقوم النموذج تلقائيا بتسجيل جميع ملفات EDF / EDF + ويحسب قيم SHAP العمومية والحقبة لتفسير قرارات التسجيل في القائمة إذا تم اختيارها للقيام بذلك.
    ملاحظة: أثناء عملية تسجيل النقاط ، يقوم النموذج بإنشاء الملفات التالية وحفظها في نفس المجلد حيث توجد ملفات EDF / EDF +. يستخدم النموذج هذه الملفات لرسم قيم SHAP العالمية وقيم SHAP العصرية.

    "اسم ملف EDF / EDF +}} _ {model_name} _features.csv" ؛ يخزن هذا الملف جميع قيم الميزات المستخرجة.
    "اسم ملف EDF / EDF +}} _ {model_name} _scores.csv" ؛ يخزن هذا الملف مراحل السكون المتوقعة.
    "اسم ملف EDF / EDF +}} _ {model_name} _rs_100hz.npy" ؛ يخزن هذا الملف نسخة من الإشارات المعاد تشكيلها/التقليل من العينات (100 هرتز). لتحسين سرعة التصور ، يستخدم النموذج الإشارة التي تم أخذ عينات منها بدلا من الإشارة الأصلية عند رسم الإشارة.
    "اسم ملف EDF / EDF +}_ {model_name} شرح. مخلل"؛ "{اسم ملف EDF / EDF +} {model_name} shap_500samples.pickle" ؛ "{اسم ملف EDF / EDF +} {model_name} _indicies_500samples.npy" ؛
  7. بعد الانتهاء من عملية تسجيل النوم ، انقر فوق خيار تصور الملف المحدد لتصور إشارات مخطط كهربية الدماغ / مخطط كهربية الدماغ ومخطط التنويم المغناطيسي المحاذي للوقت مع الإشارات.
    1. قم بتسجيل الملف المحدد مرة أخرى قبل التصور إذا تم تغيير طول الحقبة.

4. التنقل في النتائج المسجلة

  1. انقر فوق أزرار التنقل المتوفرة للتحرك للأمام والخلف لرؤية بيانات الحقبة المختلفة.
  2. إذا تم اختيار حساب SHAP ليتم إجراؤه، فقم بعرض قيم SHAP على مستوى العصر والعالمي. انقر بزر الماوس الأيمن فوق حقبة لرسم قيم SHAP على مستوى الحقبة.
    ملاحظة: سيستغرق الأمر بضع ثوان لتحديث مخطط SHAP على مستوى الحقبة. يوضح الشكل 1 نظرة عامة على صفحة واجهة المستخدم الرسومية بعد تشغيل التنبؤ بملف EDF/EDF+ على سبيل المثال 1 باستخدام نموذج 1_LightBGM-2EEG.

5. تفسير مراحل النوم المسجل المخطط المغناطيسي

ملاحظة: هناك 4 صفوف في التنويم المغناطيسي (الشكل 2). الصف العلوي هو النتائج المتوقعة. الصفوف الثلاثة السفلية هي بيانات أولية لقنالتين من EEG و 1 EMG ، على التوالي. في الصف العلوي ، يشير اللون البرتقالي إلى مرحلة الاستيقاظ ، ويشير اللون الأزرق إلى مرحلة حركة العين غير السريعة ، ويشير اللون الأحمر إلى مرحلة حركة العين السريعة في كل حقبة.

  1. لتغيير عدد العصور المراد عرضها ، انقر فوق مربع القائمة الموجود على يمين تحديد عدد الحصور المراد عرضها واختر القيمة المطلوبة. في الشكل 2 ، تم اختيار 100 حقبة. لذلك ، يتم عرض 100 حقبة فقط في مخطط التنبؤ بمرحلة النوم. حدد رقما أصغر في القائمة المنسدلة لتكبير المخطط.
  2. يشير الشريط الوردي الشفاف على يسار الشكل 2 إلى الموقع الحالي للحقبة. انقر بزر الماوس الأيسر على أي مكان في المخطط المغناطيسي للتبديل إلى حقبة أخرى ، أو ببساطة انقر فوق Go to Epoch وأدخل عددا محددا من الحقب التي يجب ملاحظتها. انقر بزر الماوس الأيمن فوق الحقبة المحددة لإنشاء مخطط SHAP الخاص بها إذا قام المستخدم بتمكين الدالة SHAP.

6. التصحيح اليدوي لمراحل السكون المتوقعة على واجهة المستخدم الرسومية (اختياري)

ملاحظة: إذا لم يلاحظ أي شذوذ أو لم تكن الدقة العالية للغاية مطلوبة للتنبؤ بمرحلة حركة العين السريعة، فلن تكون هناك حاجة للتحقق اليدوي.

  1. انقر بزر الماوس الأيسر على حقبة في مخطط التنبؤ بمرحلة النوم (المؤامرة العلوية) لتحديد حقبة معينة. يظهر النموذج المتوقع المرحلة من الحقبة المختارة على يمين النص. لتغيير المرحلة المتوقعة يدويا في تلك الحقبة ، انقر فوق عنصر واجهة المستخدم وحدد مرحلة جديدة من خيارات Wake و NREM و REM في القائمة المنسدلة.
  2. يتم تمييز المراحل التي تم تصحيحها من قبل المستخدم بخطوط متقطعة أعلى المخطط الأصلي (الشكل 3). أغلق واجهة المستخدم الرسومية، وسيتم إنشاء ملف جديد بنتائج التنبؤ المصححة تلقائيا في نفس المجلد.
    1. لفتح ملف مسجل محفوظ على واجهة المستخدم الرسومية مرة أخرى، تأكد من أن إعداد طول الحقبة والنموذج المحدد يتطابقان مع الإعداد المستخدم عند معالجة ملف EDF في البداية لتتمكن من إعادة فتحه. سيتم تحميل جميع المعلومات المعدلة / المسجلة مسبقا بسرعة.

النتائج

هناك ثلاث مخططات (فقط المخطط العلوي إذا لم يتم تشغيل قيم SHAP) تم إنشاؤها في واجهة المستخدم الرسومية بعد تسجيل مرحلة السكون: تقدم المخطط العلوي قنوات مخطط كهربية الدماغ ومخطط كهربية العضل مع مخطط مغناطيسي للتنبؤ بمرحلة النوم. يقدم المخطط الأوسط قيم SHAP للحقبة. يعرض المخطط ا?...

Discussion

تقدم هذه الورقة كيفية استخدام واجهة المستخدم الرسومية IntelliSleepScorer (v1.2) لتسجيل مراحل النوم للفئران تلقائيا وكيفية الاستفادة من قيم / مخططات SHAP لفهم درجات مرحلة النوم التي تم إنشاؤها بواسطة النموذج بشكل أفضل.

من الاعتبارات المهمة عند استخدام البرنامج توافق ا...

Disclosures

ويعلن أصحاب البلاغ عدم وجود تضارب في المصالح.

Acknowledgements

نشكر Kerena Yan و Jingwen Hu على تسجيل مراحل النوم يدويا و Eunah و Soonwiik على التسجيلات.

Materials

NameCompanyCatalog NumberComments
Canonical Unbuntu 18.04Canonicalhttps://releases.ubuntu.com/18.04/Supporting Operating System for the software IntelliSleep Scorer: Windows, Mac, or Linux
Intel Core i7-8550U CPU @ 1.80 GHz 1.99 GHz; RAM: 24 GB Intel Corphttps://www.intel.com/content/www/us/en/products/details/processors/core-ultra.htmlHardware requirment for the software: Both Inte Core listed here have been used to process the data. It takes around 10 min to process 12 h of recording sampled at 1000 Hz for both hardwares. Any similar or superior hardware would yield comparable or better performance.  
Intel Core i7-10610U CPU @1.80 GHz 2.30 GHz; RAM: 16 GBIntel Corphttps://www.intel.com/content/www/us/en/products/details/processors/core-ultra.htmlHardware requirment for the software: Both Inte Core listed here have been used to process the data. It takes around 10 min to process 12 h of recording sampled at 1000 Hz for both hardwares. Any similar or superior hardware would yield comparable or better performance.  
LightGBMMicrosofthttps://lightgbm.readthedocs.io/en/latest/index.htmlMachine learning-based algorithm that was used to train the software. 
MacBook ProApplehttps://www.apple.com/in/macbook-pro/Supporting Operating System for the software IntelliSleep Scorer: Windows, Mac, or Linux
WindowsMicrosofthttps://www.microsoft.com/en-in/windows/?r=1Supporting Operating System for the software IntelliSleep Scorer: Windows, Mac, or Linux

References

  1. Wang, L. A., Kern, R., Yu, E., Choi, S., Pan, J. Q. Intellisleepscorer, a software package with a graphic user interface for automated sleep stage scoring in mice based on a light gradient boosting machine algorithm. Sci Rep. 13 (1), 4275 (2023).
  2. Astori, S., Wimmer, R. D., Luthi, A. Manipulating sleep spindles--expanding views on sleep, memory, and disease. Trends Neurosci. 36 (12), 738-748 (2013).
  3. Fraigne, J. J., Torontali, Z. A., Snow, M. B., Peever, J. H. Rem sleep at its core-circuits, neurotransmitters, and pathophysiology. Front Neurol. 6, 123 (2015).
  4. Huber, R., Deboer, T., Tobler, I. Effects of sleep deprivation on sleep and sleep eeg in three mouse strains: Empirical data and simulations. Brain Res. 857 (1-2), 8-19 (2000).
  5. Brown, R. E., Basheer, R., Mckenna, J. T., Strecker, R. E., Mccarley, R. W. Control of sleep and wakefulness. Physiol Rev. 92 (3), 1087-1187 (2012).
  6. Lacroix, M. M., et al. Improved sleep scoring in mice reveals human-like stages. BioRxiv. 489005, (2018).
  7. Rayan, A., et al. Sleep scoring in rodents: Criteria, automatic approaches and outstanding issues. Eur J Neurosci. 59 (4), 526-553 (2024).
  8. Yamabe, M., et al. Mc-sleepnet: Large-scale sleep stage scoring in mice by deep neural networks. Sci Rep. 9 (1), 15793 (2019).
  9. Katsuki, F., Spratt, T. J., Brown, R. E., Basheer, R., Uygun, D. S. Sleep-deep-learner is taught sleep-wake scoring by the end-user to complete each record in their style. Sleep Adv. 5 (1), zpae022 (2024).
  10. Allocca, G., et al. Validation of 'somnivore', a machine learning algorithm for automated scoring and analysis of polysomnography data. Front Neurosci. 13, 207 (2019).
  11. Jha, P. K., Valekunja, U. K., Reddy, A. B. Slumbernet: Deep learning classification of sleep stages using residual neural networks. Sci Rep. 14 (1), 4797 (2024).
  12. Barger, Z., Frye, C. G., Liu, D., Dan, Y., Bouchard, K. E. Robust, automated sleep scoring by a compact neural network with distributional shift correction. PLoS One. 14 (12), e0224642 (2019).
  13. Miladinovic, D., et al. Spindle: End-to-end learning from eeg/emg to extrapolate animal sleep scoring across experimental settings, labs and species. PLoS Comput Biol. 15 (4), e1006968 (2019).
  14. Brodersen, P. J. N., et al. Somnotate: A probabilistic sleep stage classifier for studying vigilance state transitions. PLoS Comput Biol. 20 (1), e1011793 (2024).
  15. Akada, K., et al. A deep learning algorithm for sleep stage scoring in mice based on a multimodal network with fine-tuning technique. Neurosci Res. 173, 99-105 (2021).
  16. Rytkonen, K. M., Zitting, J., Porkka-Heiskanen, T. Automated sleep scoring in rats and mice using the naive Bayes classifier. J Neurosci Methods. 202 (1), 60-64 (2011).
  17. Kam, K., Rapoport, D. M., Parekh, A., Ayappa, I., Varga, A. W. Wavesleepnet: An interpretable deep convolutional neural network for the continuous classification of mouse sleep and wake. J Neurosci Methods. 360, 109224 (2021).
  18. Crisler, S., Morrissey, M. J., Anch, A. M., Barnett, D. W. Sleep-stage scoring in the rat using a support vector machine. J Neurosci Methods. 168 (2), 524-534 (2008).
  19. Ke, G., et al. Lightgbm: A highly efficient gradient boosting decision tree. Neural Information Processing Systems. , (2017).
  20. Lundberg, S. M., Lee, S. I. A unified approach to interpreting model predictions. , 4768-4777 (2017).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Explore More Articles

213 NREM REM LightGBM

This article has been published

Video Coming Soon

JoVE Logo

Privacy

Terms of Use

Policies

Contact Us

Recommend to library

JoVE NEWSLETTERS

Research

Education

Authors

Librarians

ABOUT JoVE

Copyright © 2025 MyJoVE Corporation. All rights reserved