机器学习具有将医学与计算机科学相结合的重要作用

作者：王韵壹、李英、熊慧卿

筑波大学的研究人员创建了一个新的人工智能程序，用于对老鼠的睡眠阶段进行自动分类，该程序结合了两种流行的机器学习方法。该算法被称为“ MC-SleepNet”，其准确率超过96%，并且对生物信号中的噪声具有很高的鲁棒性。使用该系统自动注释数据可以极大地帮助睡眠研究人员分析实验结果。

研究睡眠的科学家经常使用小鼠作为动物模型，以更好地了解大脑活动在各个阶段的变化方式。这些阶段可分为清醒，REM(快速眼动)睡眠和非REM睡眠。以前，监视睡眠小鼠脑电波的研究人员最终获得了大量数据，而这些数据通常需要由学生团队手工进行费力地标记。这代表了研究中的主要瓶颈。

现在，筑波大学的研究人员已经推出了一种程序，可以根据其脑电图(EEG)和肌电图(EMG)信号自动对小鼠经历的睡眠阶段进行分类，该信号分别记录大脑和人体的电活动。他们结合了两种机器学习技术：卷积神经网络(CNN)和长短期记忆(LSTM)递归神经网络，以实现超越现有最佳自动方法的准确性。

AL t4518534914688000 机器学习具有将医学与计算机科学相结合的重要作用

机器作者Kazumasa Horie解释说：“机器学习是一个激动人心的新研究领域，具有将医学与计算机科学相结合的重要应用程序。它使我们能够根据标记的示例自动对新数据进行分类。”当要寻找的模式不为人所知时(例如睡眠阶段)，这特别有价值。这样，该算法就可以“学习”如何做出复杂的决策而无需进行显式编程。在该项目中，由于使用了庞大的数据集，因此准确性非常高，拥有超过4,200个生物信号，是任何睡眠中最大的数据集此外，通过实现CNN，该算法在抵抗个体差异和噪声方面表现出很高的鲁棒性。

这项工作的主要进展是将任务划分为两种机器学习方法。首先，使用CNN从大脑和身体的电活动记录中提取感兴趣的特征。然后将这些数据传递给LSTM，以确定哪些功能最能说明小鼠正在经历的睡眠阶段。高级作者北川博之说：“我们很乐观地将这项工作转化为人类睡眠阶段的分类。”同时，该程序已经可以加快研究人员在睡眠领域的工作，这可能导致人们对睡眠的运作方式有了更清晰的了解。
（责任编辑：fqj）