Investigadores de la Universidad de Tsukuba han creado un nuevo programa de inteligencia artificial para clasificar automáticamente las etapas del sueño de los ratones que combina dos métodos populares de aprendizaje automático. Apodado MC-SleepNet, el algoritmo logró tasas de precisión superiores al 96 por ciento y una alta robustez frente al ruido en las señales biológicas. El uso de este sistema para anotar datos automáticamente puede ayudar significativamente a los investigadores del sueño a analizar los resultados de sus experimentos.

Los científicos que estudian el sueño a menudo utilizan ratones como modelos animales para comprender mejor las formas en que cambia la actividad en el cerebro durante las diversas fases. Estas fases se pueden clasificar como despiertas, Sueño REM (movimiento ocular rápido), y sueño no REM. Previamente, Los investigadores que monitorearon las ondas cerebrales de ratones dormidos terminaron con montañas de datos que requerían etiquetar a mano. a menudo por equipos de estudiantes. Esto representó un cuello de botella importante en la investigación.

Ahora, Investigadores de la Universidad de Tsukuba han introducido un programa para clasificar automáticamente la etapa del sueño que experimenta un ratón en función de sus señales de electroencefalograma (EEG) y electromiograma (EMG). que registran la actividad eléctrica en el cerebro y el cuerpo, respectivamente. Combinaron dos técnicas de aprendizaje automático, Redes neuronales convolucionales (CNN) y redes neuronales recurrentes de memoria a corto plazo largo (LSTM) para lograr precisiones que superan las de los mejores métodos automáticos existentes.

"El aprendizaje automático es un nuevo y apasionante campo de investigación con importantes aplicaciones que combinan la medicina con la informática. Nos permite clasificar automáticamente nuevos datos basados ​​en ejemplos etiquetados, ", explica el autor correspondiente, Kazumasa Horie. Esto es especialmente valioso cuando los patrones que se deben buscar no se conocen bien, como ocurre con las etapas del sueño. De este modo, el algoritmo puede "aprender" cómo tomar decisiones complejas sin ser programado explícitamente. En este proyecto, la precisión fue muy alta debido al gran conjunto de datos utilizado. Con más de 4, 200 señales biológicas, fue el mayor conjunto de datos de cualquier investigación sobre el sueño hasta ahora. También, implementando una CNN, el algoritmo mostró una alta robustez frente a las diferencias individuales y al ruido.

El principal avance de este trabajo fue dividir la tarea entre los dos métodos de aprendizaje automático. Primero se utilizó una CNN para extraer características de interés de las grabaciones de la actividad eléctrica en el cerebro y el cuerpo. Luego, estos datos se pasaron a un LSTM para determinar qué características eran más indicativas de la fase de sueño que estaba experimentando el ratón. "Somos optimistas de que podemos traducir este trabajo en la clasificación de las etapas del sueño en humanos, ", dice el autor principal Hiroyuki Kitagawa. Mientras tanto, este programa ya puede acelerar el trabajo de los investigadores en el campo del sueño, lo que puede llevar a una comprensión mucho más clara de cómo funciona el sueño.