IntelliSleepScorer, un progiciel doté d’une interface utilisateur graphique pour l’évaluation automatisée des phases de sommeil chez la souris

Résumé

Nous présentons un progiciel avec une interface utilisateur graphique pour les chercheurs sans expérience de codage afin de noter les phases de sommeil chez les souris avec un téléchargement et une opération simples.

Résumé

Le score des stades de sommeil chez les rongeurs est le processus d’identification des trois stades : le sommeil à mouvements oculaires non rapides (NREM), le sommeil à mouvements oculaires rapides (REM) et l’éveil. L’évaluation des phases de sommeil est cruciale pour étudier les mesures et les effets spécifiques aux phases de sommeil.

Les habitudes de sommeil des rongeurs diffèrent de celles des humains, caractérisées par des épisodes plus courts de NREM et de REM espacés par le réveil, et la notation manuelle traditionnelle des phases de sommeil par des experts humains prend beaucoup de temps. Pour résoudre ce problème, des études antérieures ont utilisé des approches basées sur l’apprentissage automatique pour développer des algorithmes permettant de catégoriser automatiquement les phases de sommeil, mais les modèles très performants avec une grande généralisabilité ne sont souvent pas accessibles au public, gratuits ou conviviaux pour les chercheurs du sommeil non formés.

Par conséquent, nous avons développé un algorithme LightGBM basé sur l’apprentissage automatique, entraîné avec un grand ensemble de données. Pour mettre le modèle à la disposition des chercheurs du sommeil sans expérience de codage, un outil logiciel nommé IntelliSleepScorer (v1.2 - dernière version) a été développé sur la base du modèle, qui dispose d’une interface utilisateur graphique facile à utiliser. Dans ce manuscrit, nous présentons des instructions étape par étape pour l’utilisation du logiciel afin de démontrer un outil pratique et efficace de notation automatique des phases de sommeil chez la souris pour les chercheurs sur le sommeil.

Introduction

Le score des stades de sommeil chez les rongeurs est la procédure permettant d’identifier les trois stades : le sommeil à mouvements oculaires non rapides (NREM), le sommeil à mouvements oculaires rapides (REM) et le réveil². Chez les rongeurs, le NREM se caractérise par une activité musculaire réduite, une respiration lente et régulière, une diminution du rythme cardiaque et des oscillations à basse fréquence des ondes cérébrales. Le sommeil paradoxal chez les rongeurs, semblable à celui des humains, montre une atonie musculaire, une activation de l’EEG et des mouvements oculaires rapides, bien que l’apparition de rêves vifs soit moins claire chez les rongeurs que chez les humains ^2,3. L’état de « sillage » chez les rongeurs est marqué par une activité cérébrale désynchronisée avec des ondes de haute fréquence et de faible amplitude, une augmentation du tonus musculaire et un comportement actif, tel que le toilettage et l’exploration⁴. Ces trois étapes peuvent être identifiées en inspectant les signaux de l’électroencéphalogramme (EEG) et de l’électromyogramme (EMG)⁵.

Les modèles de notation automatique des phases de sommeil chez les rongeurs sont très nécessaires. Tout d’abord, la notation manuelle des phases de sommeil par des experts humains demande beaucoup de travail et de temps. Deuxièmement, les habitudes de sommeil chez les rongeurs diffèrent de celles des humains et présentent des épisodes plus fragmentés de NREM et de REM espacés par le réveil, environ 10 min, contre 60-120 min chez l’homme⁶. Par conséquent, il est difficile d’identifier ces brèves périodes lors de la notation manuelle. Il y a eu de nombreuses tentatives depuis les années 60 pour développer un système de notation automatique des données de sommeil des rongeurs⁷. Bien qu’il existe de nombreuses méthodes automatisées de notation du sommeil des rongeurs, leurs performances varient 8,9,10,11,12,13,14,15,16,17,18. Il est important de noter que la plupart des modèles très performants avec une généralisabilité élevée ne sont pas accessibles au public (certains nécessitent des demandes spéciales de la part des développeurs) ou ne sont pas gratuits pour les chercheurs sur le sommeil.

Par conséquent, pour combler le manque technologique actuel, nous avons développé un modèle basé sur l’apprentissage automatique en utilisant un grand ensemble de données de 5776 h de signaux EEG et EMG à partir de 519 enregistrements sur 124 souris avec l’algorithme LightGBM¹. Le lightGBM utilise une approche de renforcement du gradient pour construire des arbres de décision¹⁹. Dans Wang et al., 2023, le modèle LightGBM (composé de plus de 8000 arbres de décision) a atteint une précision globale de 95,2 % et un kappa de Cohen de 0,91, ce qui a surpassé deux modèles de référence largement utilisés tels que le modèle de régression logistique (précision = 93,3 %) et le modèle de forêt aléatoire (précision = 94,3 %, kappa = 0,89). Les performances globales du modèle ont également montré des performances similaires à celles des experts humains. Plus important encore, il a été prouvé que le modèle était généralisable et qu’il n’était pas surajusté aux données d’entraînement d’origine¹ : 1) Il a bien fonctionné (précision > 89 %) sur deux autres ensembles de données indépendants accessibles au public, de Miladinovic et de ses collègues¹¹, avec des fréquences d’échantillonnage et des durées d’époque différentes ; 2) Les performances du modèle ne sont pas affectées par le cycle lumière/obscurité des souris ; 3) Un modèle LightGBM modifié a donné de bons résultats sur des données contenant seulement une électrode EEG et une électrode EMG avec un kappa ≥ 0,89 ; 4) Des souris de type sauvage et mutantes ont été utilisées pour les tests et les performances du modèle étaient toutes deux précises. Cela suggère que le modèle peut noter les phases de sommeil pour des souris ayant des antécédents génétiques différents.

Afin de rendre ce modèle accessible aux chercheurs du sommeil qui n’ont peut-être pas d’expertise en codage, nous avons développé IntelliSleepScorer, un outil logiciel convivial avec une interface visuellement intuitive. Le logiciel peut entièrement automatiser la procédure de score du sommeil chez les souris. Il produit des visualisations interactives des signaux, de l’hypnogramme et des valeurs SHAP (Shapley Additive ExPlanations) à partir d’une entrée de fichier au format de données européen (EDF)/EDF+. L’approche de la valeur SHAP, basée sur la théorie des jeux coopératifs, améliore l’interprétabilité des modèles d’apprentissage automatique²⁰. Le modèle propose des valeurs SHAP globales et au niveau de l’époque, révélant comment différentes valeurs de caractéristiques contribuent à la décision de notation du modèle dans son ensemble et pour chaque époque. Ce programme avancé réduit considérablement le temps et les efforts nécessaires à l’évaluation des phases de sommeil chez les souris, tout en garantissant que l’analyse en aval peut s’appuyer sur des résultats très précis. Dans ce manuscrit, nous présentons l’utilisation étape par étape d’IntelliSleepScorer (v1.2) avec plusieurs mises à jour par rapport à la version 1.0, y compris une option permettant d’exécuter l’analyse SHAP séparément de la prédiction des habitudes de sommeil, une durée d’époque réglable par l’utilisateur pour l’évaluation des phases de sommeil et une fonction de correction manuelle des phases de sommeil intégrée à l’interface graphique.

Protocole

Cette étude a utilisé des données recueillies lors d’expériences in vivo sur des souris. Aucune expérience humaine n’a été impliquée dans l’étude. Toutes les expériences sur des animaux ont été approuvées par le Comité institutionnel de soin et d’utilisation des animaux du Broad Institute. Toutes les expériences ont été réalisées conformément aux directives et réglementations en vigueur. Les lignes directrices d’ARRIVE ne s’appliquent pas à cette étude, car l’objectif de cette étude est de développer des modèles d’apprentissage automatique plutôt que de comparer différents groupes de traitement.

1. Préparation des données

REMARQUE : Compatibilité des données : les données enregistrées peuvent avoir n’importe quelle fréquence d’échantillonnage supérieure à 40 Hz. Il n’est pas nécessaire de filtrer le signal car le logiciel filtre les signaux EEG et EMG à la première étape. Les modèles LightGBM ont été développés et testés à l’aide de données provenant de souris. Aucune preuve concernant les performances des modèles LightGBM chez d’autres types d’animaux de laboratoire n’est disponible. Les électrodes d’enregistrement doivent être placées au niveau du cortex frontal et du cortex pariétal, ou à l’un ou l’autre endroit si un seul canal EEG est enregistré.

1. Agencement et exigences du format EDF/EDF+
   REMARQUE : Le logiciel utilisé dans cette étude ne lit que les fichiers EDF/EDF+ à l’aide du package MNE-Python. La spécification standard EDF/EDF+ doit être appliquée pour générer les fichiers EDF/EDF+. En plus de la spécification standard, assurez-vous que les annotations EDF/EDF+ sont encodées en UTF-8. Sinon, l’application logicielle se bloquera.
   1. Convertissez un autre format de fichier (fichier non EDF/EDF+) au format EDF/EDF+ avec des outils gratuits en ligne.
      REMARQUE : Il n’est pas nécessaire d’utiliser le filtre de l’appareil lors de l’obtention de signaux EEG et EMG. Tant que les utilisateurs échantillonnent leurs données EEG et EMG à une fréquence de 40 Hz ou plus, le logiciel fonctionnera correctement. En effet, dans l’étape initiale de prétraitement, les signaux subissent un filtrage passe-bande entre 1 Hz et 40 Hz. Ce filtrage passe-bande est intégré dans le pipeline de prétraitement du logiciel, ce qui évite aux utilisateurs d’avoir à effectuer un traitement supplémentaire du signal.
2. Il existe deux modèles de notation à l’intérieur du logiciel. L’un est LightGBM-2EEG et l’autre est LightGBM-1EEG. Le modèle LightGBM-2EEG est conçu pour l’enregistrement de données qui dispose de 2 canaux EEG et d’un canal EMG. Effectuez les étapes suivantes selon le modèle.
   1. Organisez les fichiers de données pour LightGBM-2EEG spécifiquement dans l’ordre suivant : 1) Canal EEG enregistré dans la zone pariétale ; 2) Canal EEG enregistré dans la zone frontale ; 3) Canal EMG. Le LightGBM-1EEG est conçu pour les données qui ne contiennent qu'1 canal EEG (placement de l’électrode sur la zone pariétale ou frontale) et 1 canal EMG.
   2. Organisez les canaux dans les fichiers EDF/EDF+ pour LightGBM-1EEG dans l’ordre suivant : 1) Canal EEG ; 2) Canal EMG.

2. Téléchargement d’IntelliSleepScorer pour les utilisateurs de Windows, Mac et Linux

1. Pour les utilisateurs de Windows, un exécutable Windows pour le logiciel est disponible à l’aide de PyInstaller. Vous trouverez le lien de téléchargement sur la page de recherche du groupe Pan https://sites.broadinstitute.org/pan-lab/resources. Pour les utilisateurs de MacOS ou Linux, utilisez le code source sur le référentiel GitHub https://github.com/broadinstitute/IntelliSleepScorer pour lancer le logiciel.
2. Accédez à deux exemples de données enregistrés pour tester le programme enregistré sous forme de fichiers EDF en les téléchargeant via le référentiel GitHub.
3. Le référentiel de code source n’inclut pas le dossier models en raison de limites de taille. Au lieu de cela, téléchargez-models.zip, décompressez-le et copiez le dossier models dans le référentiel pour que le programme s’exécute. Sinon, le logiciel se bloquera en raison de fichiers de modèle manquants.

3. Flux de travail et lancement et fonctionnement du programme

1. Lancer IntelliSleepScorer
   1. Pour lancer le logiciel sous Windows, double-cliquez sur IntelliSleepScorer.exe situé dans le dossier racine. Pour lancer le logiciel sous MacOS ou Linux, ouvrez un émulateur de terminal, remplacez le répertoire par le dossier racine du logiciel, puis lancez le logiciel à l’aide de la commande : python3 IntelliSleepScorer.py.
2. Une fois le logiciel ouvert, cliquez sur Sélectionner le(s) fichier(s) EDF/EDF+ pour sélectionner le(s) fichier(s) souhaité(s) à noter. Si des fichiers ont été sélectionnés par erreur, cliquez sur le bouton Effacer pour effacer la liste des fichiers sélectionnés.
   REMARQUE : par défaut, le logiciel encode les phases de veille sous la forme Wake :1, NREM :2 et REM :3 dans les fichiers de score de sortie. La durée d’époque par défaut est de 10 s. La version actuelle (v1.2) de l’interface graphique permet aux utilisateurs de modifier les encodages d’étape ou les longueurs d’époque en 4 s, 10 s ou 20 s à l’aide du menu déroulant.
3. Sélectionnez la durée d’époque souhaitée. Utilisez le menu déroulant fourni pour sélectionner la durée d’époque prévue parmi les options de 4 s, 10 s et 20 s pour l’évaluation de la phase de sommeil.
4. Sélectionnez le modèle à utiliser pour l’évaluation du sommeil. Le LightGBM-2EEG est destiné aux fichiers de données avec deux canaux EEG et un canal EMG, tandis que le LightGBM-1EEG est conçu pour les données avec un canal EEG et un canal EMG.
5. Avant d’exécuter la prédiction du stade de sommeil, incluez le calcul SHAP supplémentaire qui permet d’expliquer les résultats de la prédiction du stade de sommeil. Pour traiter le calcul SHAP, cochez la case Exécuter/Tracer SHAP . Le calcul SHAP nécessite environ 5 à 10 minutes de traitement.
6. Cliquez sur Noter tous les fichiers. Le modèle note automatiquement tous les fichiers EDF/EDF+ et calcule les valeurs SHAP globales et d’époque pour interpréter les décisions de notation de la liste si celle-ci est choisie pour le faire.
   REMARQUE : Au cours du processus de notation, le modèle génère les fichiers suivants et les enregistre dans le même dossier que celui où se trouvent les fichiers EDF/EDF+. Le modèle utilise ces fichiers pour tracer les valeurs SHAP globales et les valeurs SHAP d’époque.
   
   « Nom de fichier EDF/EDF+}_{model_name}_features.csv » ; Ce fichier stocke toutes les valeurs de fonction extraites.
   « Nom de fichier EDF/EDF+}_{model_name}_scores.csv » ; Ce fichier stocke les phases de sommeil prévues.
   « Nom de fichier EDF/EDF+}_{model_name}_rs_100hz.npy » ; Ce fichier stocke une copie des signaux rééchantillonnés/sous-échantillonnés (100 Hz). Pour améliorer la vitesse de visualisation, le modèle utilise le signal sous-échantillonné au lieu du signal d’origine lors du traçage du signal.
   "Nom de fichier EDF/EDF+}_{model_name}explainer. cornichon » ; « {Nom de fichier EDF/EDF+}{model_name}shap_500samples.pickle » ; « {Nom de fichier EDF/EDF+}{model_name}_indicies_500samples.npy » ;
7. Après avoir terminé le processus de notation du sommeil, cliquez sur l’option Visualiser le fichier sélectionné pour visualiser les signaux EEG/EMG et un hypnogramme aligné dans le temps avec les signaux.
   1. Évaluez à nouveau le fichier sélectionné avant la visualisation si la durée de l’époque est modifiée.

4. Naviguer dans les résultats notés

1. Cliquez sur les boutons de navigation fournis pour avancer ou reculer afin d’afficher différentes données d’époque.
2. Si le calcul SHAP est sélectionné, affichez les valeurs SHAP globales et au niveau de l’époque. Cliquez avec le bouton droit de la souris sur une époque pour tracer les valeurs SHAP au niveau de l’époque.
   REMARQUE : La mise à jour du tracé SHAP au niveau de l’époque prendra quelques secondes. La figure 1 montre la vue d’ensemble de la page de l’interface graphique après l’exécution de la prédiction pour le fichier EDF/EDF+ de l’exemple 1 avec le modèle 1_LightBGM-2EEG.

5. Interprétation de l’hypnogramme des stades de sommeil notés

REMARQUE : Il y a 4 rangées dans l’hypnogramme (Figure 2). La ligne supérieure est les résultats prévus. Les 3 rangées inférieures sont des données brutes de 2 canaux EEG et 1 canal EMG, respectivement. Sur la rangée du haut, l’orange suggère l’étape Wake , le bleu suggère l’étape NREM et le rouge suggère l’étape REM à chaque époque.

1. Pour modifier le nombre d’époques à afficher, cliquez sur la boîte de menu à droite de Sélectionner le nombre d’époques à afficher et choisissez la valeur souhaitée. Dans la figure 2, 100 époques ont été choisies. Par conséquent, seules 100 époques sont affichées dans le graphique de prédiction du stade de sommeil. Sélectionnez un nombre plus petit dans le menu déroulant pour zoomer sur le graphique.
2. La barre transparente rose à gauche de la figure 2 indique l’emplacement actuel de l’époque. Faites un clic gauche sur n’importe quel endroit de l’hypnogramme pour passer à une autre époque, ou cliquez simplement sur Aller à l’époque et entrez un nombre spécifique d’époques à observer. Cliquez avec le bouton droit de la souris sur l’époque sélectionnée pour générer son tracé SHAP d’époque si l’utilisateur a activé la fonction SHAP.

6. Correction manuelle des phases de sommeil prévues sur l’interface graphique (facultatif)

REMARQUE : si aucune anomalie n’est observée ou si une précision extrêmement élevée n’est pas requise pour la prédiction de l’étape REM, une vérification manuelle n’est pas nécessaire.

1. Cliquez avec le bouton gauche de la souris sur une époque dans le graphique de prédiction de la phase de sommeil (graphique du haut) pour sélectionner une époque spécifique. Le modèle prédit Étape de l’époque sélectionnée est illustré à droite du texte. Pour modifier manuellement l’étape prédite à cette époque, cliquez sur le widget et sélectionnez une nouvelle étape dans les options Wake, NREM et REM dans le menu déroulant.
2. Les étapes corrigées par l’utilisateur sont marquées par des lignes pointillées au-dessus du tracé d’origine (Figure 3). Fermez l’interface graphique et un nouveau fichier avec des résultats de prédiction corrigés sera automatiquement généré dans le même dossier.
   1. Pour ouvrir à nouveau un fichier partitionné enregistré sur l’interface graphique, assurez-vous que le paramètre de longueur d’époque et le modèle sélectionné correspondent à ceux utilisés lors du traitement initial du fichier EDF afin de pouvoir le rouvrir. Toutes les informations précédemment modifiées/notées seront rapidement chargées.

Résultats

Il y a trois graphiques (seulement le graphique du haut si les valeurs SHAP n’ont pas été exécutées) générés dans l’interface graphique après le score de la phase de sommeil : le graphique du haut présente les canaux EEG et EMG avec un hypnogramme de la prédiction de la phase de sommeil. Le graphique du milieu présente les valeurs SHAP d’époque. Le graphique du bas présente les valeurs globales de SHAP (Figure 1).

Discussion

Cet article explique comment utiliser l’interface utilisateur graphique IntelliSleepScorer (v1.2) pour noter automatiquement les phases de sommeil des souris et comment exploiter les valeurs/tracés SHAP pour mieux comprendre les scores de phases de sommeil générés par le modèle.

La compatibilité des données est un élément important à prendre en compte lors de l’utilisation du logiciel. Les données internes utilisées dans cette étude se limitai...

matériels

Name	Company	Catalog Number	Comments
Canonical Unbuntu 18.04	Canonical	https://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 Corp	https://www.intel.com/content/www/us/en/products/details/processors/core-ultra.html	Hardware 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 GB	Intel Corp	https://www.intel.com/content/www/us/en/products/details/processors/core-ultra.html	Hardware 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.
LightGBM	Microsoft	https://lightgbm.readthedocs.io/en/latest/index.html	Machine learning-based algorithm that was used to train the software.
MacBook Pro	Apple	https://www.apple.com/in/macbook-pro/	Supporting Operating System for the software IntelliSleep Scorer: Windows, Mac, or Linux
Windows	Microsoft	https://www.microsoft.com/en-in/windows/?r=1	Supporting Operating System for the software IntelliSleep Scorer: Windows, Mac, or Linux