IntelliSleepScorer, Fareler için Grafik Kullanıcı Arayüzüne Sahip Bir Yazılım Paketi Otomatik Uyku Aşaması Puanlaması

Özet

Kodlama deneyimi olmayan araştırmacıların farelerde uyku evrelerini basit bir indirme ve çalıştırma ile puanlamaları için grafik kullanıcı arayüzüne sahip bir yazılım paketi sunuyoruz.

Özet

Kemirgenlerde uyku evresi puanlaması, üç aşamayı belirleme sürecidir: hızlı olmayan göz hareketi uykusu (NREM), hızlı göz hareketi uykusu (REM) ve uyanma. Uyku evresi puanlaması, uyku evresine özgü ölçümleri ve etkileri incelemek için çok önemlidir.

Kemirgenlerdeki uyku düzenleri, insanlardakinden farklıdır, uyanma ile aralıklı daha kısa NREM ve REM atakları ile karakterize edilir ve insan uzmanlar tarafından geleneksel manuel uyku aşaması puanlaması zaman alıcıdır. Bu sorunu ele almak için, önceki çalışmalar, uyku aşamalarını otomatik olarak kategorize etmek için algoritmalar geliştirmek için makine öğrenimi tabanlı yaklaşımlar kullanmıştır, ancak büyük genelleştirilebilirliğe sahip yüksek performanslı modeller genellikle kamuya açık / ücretsiz veya eğitimli olmayan uyku araştırmacıları için kullanıcı dostu değildir.

Bu nedenle, büyük bir veri seti ile eğitilmiş makine öğrenmesi tabanlı bir LightGBM algoritması geliştirdik. Modeli kodlama deneyimi olmayan uyku araştırmacılarının kullanımına sunmak için, kullanımı kolay bir grafik kullanıcı arayüzüne sahip olan modele dayalı olarak IntelliSleepScorer (v1.2- en yeni sürüm) adlı bir yazılım aracı geliştirildi. Bu el yazmasında, uyku araştırmacıları için farelerde uygun ve etkili bir otomatik uyku aşaması puanlama aracını göstermek için yazılımı kullanmak için adım adım talimatlar sunuyoruz.

Giriş

Kemirgenlerde uyku evresi puanlaması, üç aşamayı tanımlama prosedürüdür: hızlı olmayan göz hareketi uykusu (NREM), hızlı göz hareketi uykusu (REM) ve uyanıklık². Kemirgenlerde NREM, azalmış kas aktivitesi, yavaş ve düzenli nefes alma, kalp atış hızının azalması ve beyin dalgalarının düşük frekanslı salınımları ile karakterizedir. Kemirgenlerde REM, insanlara benzer şekilde kas atonisi, EEG aktivasyonu ve hızlı göz hareketleri gösterir, ancak kemirgenlerde canlı rüya görme oluşumu insanlara göre daha az belirgindir ^2,3. Kemirgenlerdeki "uyanma" durumu, yüksek frekanslı, düşük genlikli dalgalar, artmış kas tonusu ve tımar ve keşif gibi aktif davranışlarla senkronize olmayan beyin aktivitesi ile işaretlenir⁴. Bu üç aşama, elektroensefalogram (EEG) ve elektromiyogram (EMG) sinyallerinin^{incelenmesiyle tanımlanabilir 5}.

Kemirgenlerde otomatik uyku evresi puanlama modellerine büyük ihtiyaç duyulmaktadır. İlk olarak, insan uzmanlar tarafından manuel uyku aşaması puanlaması emek yoğun ve zaman alıcıdır. İkincisi, kemirgenlerdeki uyku düzenleri insanlardakinden farklıdır ve insanlarda 60-120 dakikanın aksine, yaklaşık 10 dakika uyanma ile aralıklı daha parçalı NREM ve REM ataklarına sahiptir⁶. Bu nedenle, manuel puanlama sırasında bu kısa dönemleri belirlemek zordur. 60'lı yıllardan bu yana kemirgen uyku verilerinin otomatik puanlama sistemini geliştirmek için birçok girişimde bulunulmuştur⁷. Birçok otomatik kemirgen uyku skorlama yöntemi mevcut olmasına rağmen, performansları 8,9,10,11,12,13,14,15,16,17,18 olarak değişmektedir. Daha da önemlisi, yüksek genelleştirilebilirliğe sahip yüksek performanslı modellerin çoğu halka açık değildir (bazılarının geliştiricilerden özel isteklere ihtiyacı vardır) veya uyku araştırmacıları için ücretsiz değildir.

Bu nedenle, mevcut teknoloji boşluğunu doldurmak için, LightGBM algoritması¹ ile 124 farede 519 kayıttan 5776 saat EEG ve EMG sinyallerinden oluşan büyük bir veri seti kullanarak makine öğrenimi tabanlı bir model geliştirdik. LightGBM, karar ağaçları oluşturmak için gradyan artırma yaklaşımı kullanır¹⁹. Wang ve diğerleri, 2023'te, LightGBM modeli (8000'den fazla karar ağacından oluşan) %95,2'lik bir genel doğruluk ve 0,91'lik bir Cohen kappası elde etti ve bu da lojistik regresyon modeli (doğruluk = %93,3) ve rastgele orman modeli (doğruluk = %94,3, kappa = 0,89) gibi yaygın olarak kullanılan iki temel modelden daha iyi performans gösterdi. Modelin genel performansı da insan uzmanlarınkine benzer bir performans sergiledi. En önemlisi, modelin genelleştirilebilirliğe sahip olduğu ve orijinal eğitim verilerine aşırı uymadığı kanıtlanmıştır¹: 1) Miladinovic ve meslektaşlarının¹¹, farklı örnekleme frekanslarına ve dönem uzunluklarına sahip, halka açık diğer iki bağımsız veri setinde iyi performans gösterdi (%89 >doğruluk); 2) Modelin performansı, farelerin aydınlık/karanlık döngüsünden etkilenmez; 3) Modifiye edilmiş bir LightGBM modeli, yalnızca bir EEG ve kappa ≥ 0.89 olan bir EMG elektrodu içeren veriler üzerinde iyi performans gösterdi; 4) Test için hem vahşi tip hem de mutant fareler kullanıldı ve modelin performansları doğruydu. Bu, modelin farklı genetik geçmişlere sahip fareler için uyku aşamalarını puanlayabileceğini düşündürmektedir.

Bu modeli, kodlama uzmanlığına sahip olmayan uyku araştırmacıları için erişilebilir hale getirmek için, görsel olarak sezgisel bir arayüze sahip kullanıcı dostu bir yazılım aracı olan IntelliSleepScorer'ı geliştirdik. Yazılım, farelerde uyku puanlama prosedürünü tamamen otomatikleştirebilir. Bir Avrupa veri formatı (EDF)/EDF+ dosya girişinden sinyallerin, hipnogramın ve Shapley Katkı Açıklaması (SHAP) değerlerinin etkileşimli görselleştirmelerini üretir. İşbirlikçi oyun teorisine dayanan SHAP değer yaklaşımı, makine öğrenimi modellerinin yorumlanabilirliğini artırır²⁰. Model, hem genel hem de dönem düzeyinde SHAP değerleri sunarak, farklı özellik değerlerinin genel olarak ve her dönem için modelin puanlama kararına nasıl katkıda bulunduğunu ortaya çıkarır. Bu gelişmiş program, farelerde uyku evresi puanlaması için gereken zamanı ve çabayı önemli ölçüde azaltırken, aşağı akış analizinin son derece doğru sonuçlara dayanabilmesini sağlar. Bu el yazmasında, IntelliSleepScorer'ın (v1.2) adım adım kullanımını, SHAP analizini uyku düzeni tahmininden ayrı olarak çalıştırma seçeneği, uyku aşaması puanlaması için kullanıcı tarafından ayarlanabilen bir dönem uzunluğu ve GUI'ye entegre edilmiş bir uyku aşaması manuel düzeltme özelliği dahil olmak üzere sürüm 1.0'a göre çeşitli güncellemelerle sunuyoruz.

Protokol

Bu çalışmada farelerde yapılan in vivo deneylerden toplanan veriler kullanılmıştır. Çalışmada hiçbir insan deneyi yer almadı. Hayvanlarla yapılan tüm deneyler, Broad Enstitüsü'ndeki Kurumsal Hayvan Bakımı ve Kullanımı Komitesi tarafından onaylandı. Tüm deneyler ilgili yönergelere ve düzenlemelere uygun olarak gerçekleştirildi. ARRIVE kılavuzları bu çalışma için geçerli değildir, çünkü bu çalışmanın odak noktası farklı tedavi gruplarını karşılaştırmak yerine makine öğrenimi modelleri geliştirmektir.

1. Veri hazırlama

NOT: Veri uyumluluğu: kaydedilen veriler 40 Hz'den daha yüksek herhangi bir örnekleme hızına sahip olabilir. Yazılım bant geçişi ilk adımda EEG ve EMG sinyallerini filtrelediği için sinyali bant geçirerek filtrelemeye gerek yoktur. LightGBM modelleri, farelerden alınan veriler kullanılarak geliştirilmiş ve test edilmiştir. LightGBM modellerinin diğer laboratuvar hayvanı türlerindeki performansına ilişkin herhangi bir kanıt mevcut değildir. Kayıt elektrotlarının frontal ve parietal kortekse veya sadece bir EEG kanalı kaydedilmişse her iki yere de yerleştirilmesi gerekir.

1. EDF/EDF+ format düzenlemesi ve gereksinimi
   NOT: Bu çalışmada kullanılan yazılım yalnızca MNE-Python paketini kullanan EDF/EDF+ dosyalarını okur. EDF/EDF+ dosyalarını oluşturmak için standart EDF/EDF+ spesifikasyonunun uygulanması gerekir. Standart spesifikasyona ek olarak, EDF/EDF+ ek açıklamalarının UTF-8 olarak kodlandığından emin olun. Aksi takdirde, yazılım uygulaması çökecektir.
   1. Çevrimiçi ücretsiz araçlarla başka bir dosya (EDF/EDF+ olmayan dosya) biçimini EDF/EDF+ biçimine dönüştürün.
      NOT: EEG ve EMG sinyalleri alınırken aparat filtresine gerek yoktur. Kullanıcılar EEG ve EMG verilerini 40 Hz veya daha yüksek bir frekansta örnekledikleri sürece, yazılım doğru şekilde çalışacaktır. Bunun nedeni, ilk ön işleme adımında sinyallerin 1 Hz ile 40 Hz arasında bant geçiren filtrelemeye tabi tutulmasıdır. Bu bant geçiren filtreleme, yazılımın ön işleme hattına entegre edilmiştir ve kullanıcıların herhangi bir ek sinyal işleme gerçekleştirme ihtiyacını ortadan kaldırır.
2. Puanlama için yazılımın içinde iki model vardır. Biri LightGBM-2EEG, diğeri ise LightGBM-1EEG'dir. LightGBM-2EEG modeli, 2 EEG kanalı ve 1 EMG kanalı olan verileri kaydetmek için tasarlanmıştır. Modele bağlı olarak aşağıdaki adımları gerçekleştirin.
   1. LightGBM-2EEG için veri dosyalarını özellikle aşağıdaki sırayla düzenleyin: 1) parietal alanda kaydedilen EEG kanalı; 2) Ön bölgede kaydedilen EEG kanalı; 3) EMG kanalı. LightGBM-1EEG, yalnızca 1 EEG kanalı (parietal veya frontal alana elektrot yerleştirme) ve 1 EMG kanalı içeren veriler için tasarlanmıştır.
   2. LightGBM-1EEG için EDF/EDF+ dosyalarındaki kanalları aşağıdaki sırayla düzenleyin: 1) EEG kanalı; 2) EMG kanalı.

2. Windows, Mac ve Linux kullanıcıları için IntelliSleepScorer'ı indirme

1. Windows kullanıcıları için, yazılım için bir Windows Yürütülebilir Dosyası PyInstaller kullanılarak kullanılabilir. İndirme bağlantısını Pan grubu araştırma sayfasında https://sites.broadinstitute.org/pan-lab/resources bulun. MacOS veya Linux kullanıcıları için, yazılımı başlatmak için GitHub deposundaki kaynak kodunu https://github.com/broadinstitute/IntelliSleepScorer kullanın.
2. EDF dosyaları olarak kaydedilen programı GitHub deposundan indirerek test etmek için kaydedilmiş iki örnek veriye erişin.
3. Kaynak kodu deposu, boyut sınırları nedeniyle modeller klasörünü içermez. Bunun yerine, models.zip indirin, sıkıştırmasını açın ve programın çalışması için deponun içindeki modeller klasörünü kopyalayın. Aksi takdirde, eksik model dosyaları nedeniyle yazılım çökecektir.

3. İş Akışı ve Programın başlatılması ve çalıştırılması

1. IntelliSleepScorer'ı başlatın
   1. Yazılımı Windows'ta başlatmak için, kök klasörde bulunan IntelliSleepScorer.exe çift tıklayın. Yazılımı MacOS veya Linux'ta başlatmak için bir terminal öykünücüsü açın, dizini yazılımın kök klasörüne değiştirin ve ardından şu komutu kullanarak yazılımı başlatın: python3 IntelliSleepScorer.py.
2. Yazılım açıldıktan sonra, puanlanacak dosya(lar)ı seçmek için EDF/EDF+ Dosya(lar)ını Seç'e tıklayın. Dosyalar yanlışlıkla seçilmişse, seçili dosya listesini temizlemek için Temizle düğmesine tıklayın.
   NOT: Varsayılan olarak, yazılım uyku aşamalarını çıktı puanı dosyalarında Wake:1, NREM:2 ve REM:3 olarak kodlar. Varsayılan dönem uzunluğu 10 s olarak ayarlanmıştır. GUI'nin mevcut sürümü (v1.2), kullanıcıların açılır menü ile aşama kodlamalarını veya dönem uzunluklarını 4 sn, 10 sn veya 20 sn olarak değiştirmesine olanak tanır.
3. İstediğiniz dönem uzunluğunu seçin. Uyku aşaması puanlaması için 4 sn, 10 sn ve 20 sn seçenekleri arasından hedeflenen dönem uzunluğunu seçmek için sağlanan açılır menüyü kullanın.
4. Uyku puanlaması için kullanılacak modeli seçin. LightGBM-2EEG, iki EEG kanalı ve bir EMG kanalı olan veri dosyaları için tasarlanırken, LightGBM-1EEG, bir EEG kanalı ve bir EMG kanalı olan veriler için tasarlanmıştır.
5. Uyku aşaması tahminini çalıştırmadan önce, uyku aşaması tahmin sonuçlarını açıklamaya yardımcı olan ek SHAP hesaplamasını ekleyin. SHAP hesaplamasını işlemek için SHAP'ı Çalıştır/Çiz onay kutusunu işaretleyin. SHAP hesaplamasının işlenmesi yaklaşık 5-10 dakika sürer.
6. Tüm Dosyaları Puanla'yı tıklatın. Model, tüm EDF/EDF+ dosyalarını otomatik olarak puanlar ve seçilirse listedeki puanlama kararlarını yorumlamak için genel ve dönem SHAP değerlerini hesaplar.
   NOT: Puanlama işlemi sırasında model aşağıdaki dosyaları oluşturur ve bunları EDF/EDF+ dosyalarının bulunduğu klasöre kaydeder. Model, genel SHAP değerlerini ve dönem SHAP değerlerini çizmek için bu dosyaları kullanır.
   
   "EDF/EDF+ dosya adı}_{model_name}_features.csv"; Bu dosya, ayıklanan tüm özellik değerlerini depolar.
   "EDF/EDF+ dosya adı}_{model_name}_scores.csv"; Bu dosya, tahmin edilen uyku aşamalarını depolar.
   "EDF/EDF+ dosya adı}_{model_name}_rs_100hz.npy"; Bu dosya, yeniden örneklenmiş/alt örneklenmiş sinyallerin (100Hz) bir kopyasını depolar. Görselleştirme hızını artırmak için model, sinyali çizerken orijinal sinyal yerine alt örneklenmiş sinyali kullanır.
   "EDF/EDF+ dosya adı}_{model_name}açıklayıcı. turşu"; "{EDF/EDF+ dosya adı}{model_name}shap_500samples.turşu"; "{EDF/EDF+ dosya adı}{model_name}_indicies_500samples.npy";
7. Uyku puanlama işlemini bitirdikten sonra, EEG/EMG sinyallerini ve sinyallerle zaman uyumlu bir hipnogramı görselleştirmek için Seçilen Dosyayı Görselleştir seçeneğine tıklayın.
   1. Dönem uzunluğu değiştirilirse, görselleştirmeden önce seçilen dosyayı yeniden puanlayın.

4. Puanlanan sonuçlarda gezinme

1. Farklı dönem verilerini görmek üzere ileri ve geri gitmek için sağlanan Gezinme düğmelerine tıklayın.
2. SHAP hesaplaması gerçekleştirilmek üzere seçilirse, hem global hem de dönem düzeyinde SHAP değerlerini görüntüleyin. Dönem düzeyinde SHAP değerlerini çizmek için bir döneme sağ tıklayın.
   NOT: Dönem düzeyinde SHAP grafiğinin güncellenmesi birkaç saniye sürecektir. Şekil 1 , 1_LightBGM-2EEG modeliyle Örnek-1 EDF/EDF+ dosyası için tahmini çalıştırdıktan sonra GUI sayfasına genel bakışı göstermektedir.

5. Puanlanmış uyku evreleri hipnogramının yorumlanması

NOT: Hipnogramda 4 sıra vardır (Şekil 2). En üst satır, tahmin edilen sonuçlardır. Alttaki 3 satır sırasıyla 2 EEG ve 1 EMG kanalının ham verileridir. En üst sırada, turuncu Uyanma aşamasını, mavi NREM aşamasını ve kırmızı her çağdaki REM aşamasını önerir.

1. Görüntülenecek dönem sayısını değiştirmek için, Görüntülenecek Dönem Sayısını Seç'in sağındaki menü kutusuna tıklayın ve istediğiniz değeri seçin. Şekil 2'de 100 dönem seçilmiştir. Bu nedenle, uyku aşaması tahmin grafiğinde yalnızca 100 dönem görüntülenir. Grafiği yakınlaştırmak için açılır menüden daha küçük bir sayı seçin.
2. Şekil 2'nin solundaki pembe şeffaf çubuk, çağın mevcut konumunu gösterir. Başka bir çağa geçmek için hipnogramdaki herhangi bir yere sol tıklayın veya Çağa Git'e tıklayın ve gözlemlenecek belirli bir çağ sayısı girin. Kullanıcı SHAP işlevini etkinleştirdiyse, dönem SHAP grafiğini oluşturmak için seçili dönemi sağ tıklatın.

6. GUI'de tahmin edilen uyku aşamalarının manuel olarak düzeltilmesi (İsteğe bağlı)

NOT: Herhangi bir anormallik gözlenmezse veya REM aşaması tahmini için son derece yüksek doğruluk gerekmiyorsa, manuel doğrulamaya gerek yoktur.

1. Belirli bir dönemi seçmek için uyku aşaması tahmin grafiğinde (üst grafik) bir döneme sol tıklayın. Seçilen Dönemin Tahmin Edilen Aşaması metnin sağında gösterilir. Bu dönemde tahmin edilen aşamayı manuel olarak değiştirmek için widget'a tıklayın ve açılır menüdeki Wake, NREM ve REM seçeneklerinden yeni bir aşama seçin.
2. Kullanıcı tarafından düzeltilen aşamalar, orijinal çizimin üstünde kesikli çizgilerle işaretlenmiştir (Şekil 3). GUI'yi kapatın ve aynı klasörde otomatik olarak düzeltilmiş tahmin sonuçlarına sahip yeni bir dosya oluşturulacaktır.
   1. GUI'de kaydedilmiş puanlanmış bir dosyayı yeniden açmak için, dönem uzunluğu ayarının ve seçilen modelin, EDF dosyasını yeniden açabilmek için ilk işlendiğinde kullanılan modelle eşleştiğinden emin olun. Daha önce değiştirilen/puanlanan tüm bilgiler hızlı bir şekilde yüklenecektir.

Sonuçlar

Uyku aşaması puanlamasından sonra GUI'de oluşturulan üç çizim (yalnızca SHAP değerleri çalıştırılmadıysa en üstteki grafik) vardır: en üstteki grafik, uyku aşaması tahmini hipnogramı ile EEG ve EMG kanallarını sunar. Ortadaki çizim, dönem SHAP değerlerini sunar. Alttaki grafik, Global SHAP değerlerini sunar (Şekil 1).

Uyku evresi tahmini hipnogram grafiğinde sunulan 4 tür veri vardır (

Tartışmalar

Bu makalede, farelerin uyku aşamalarını otomatik olarak puanlamak için IntelliSleepScorer (v1.2) grafik kullanıcı arabiriminin nasıl kullanılacağı ve model tarafından oluşturulan uyku aşaması puanlarını daha iyi anlamak için SHAP değerlerinden/grafiklerinden nasıl yararlanılacağı anlatılmaktadır.

Yazılımı kullanırken göz önünde bulundurulması gereken önemli bir husus veri uyumluluğudur. Bu çalışmada kullanılan kurum içi v...

Malzemeler

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