用机器学习简单检测大鼠脑电图中的睡眠时段
摘要：一种用于自由活动大鼠的行为性睡眠（BS）和清醒状态（WS）的自动识别的新方法：基于大鼠电皮层图（ECoG）数据。使用双侧前额和右枕叶脑区的三路ECoG信号进行记录。采用简单的人工神经网络（ANN），使用两个或三个通道的ECoG信号的平均值和标准差作为ANN的输入。使用相同数据的基于小波的BS/WS识别结果来训练ANN和评估我们的分类器的正确性。我们测试了不同的ECoG通道组合以检测BS/WS。我们的结果显示，ANN分类的准确性不依赖于ECoG通道。对于任何ECoG通道，我们在一个大鼠上训练网络，并将其应用于另一个大鼠，准确率至少为80％。重要的是，我们采用了非常简单的网络拓扑结构，以实现相对较高的分类准确性。我们的分类器基于输入信号的简单线性组合及其权重，这些权重可以用所有训练的ANN的平均权重代替而不降低分类准确性。总的来说，我们介绍了一种不需要额外网络训练的睡眠识别方法。只需要知道本文中提出的系数和方程式就足够了。所提出的方法表现出非常快速的性能和简单的计算，因此可以在实时实验中使用。在需要警觉控制或监测睡眠-觉醒模式的啮齿动物的基础研究中可能会有很高的需求。
作者：Konstantin Sergeev, Anastasiya Runnova, Maxim Zhuravlev, Evgenia Sitnikova, Elizaveta Rutskova, Kirill Smirnov, Andrei Slepnev, Nadezhda Semenova
论文ID：2302.00933
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2023-06-09