筑波大學（Universityof Tsukuba）的研究人員結合兩種流行的機器學習方法，創造了一種新的人工智能程序，用于對老鼠的睡眠階段進行自動分類。該算法被稱為MC-SleepNet，其準確率超過96%，對生物信號中的噪聲具有很強的魯棒性。利用該系統對數據進行自動標注，可以極大地幫助睡眠研究人員分析他們的實驗結果。

研究睡眠的科學家經常用老鼠作為動物模型，以便更好地了解大腦活動在不同階段的變化方式。這些階段可以分為清醒、REM（快速眼動）睡眠和非快速眼動睡眠。

圖1.每個階段的EEG / EMG信號示例

（A）喚醒-Wake （B）非快速眼動non-REM （C）快速眼動-REM

在此之前，研究人員對睡著的老鼠的腦電波進行了監測，結果得到了海量的數據，而這些數據需要團隊人員進行大量的手工標注。這成為了研究過程的一個非常重要的瓶頸。

現在，筑波大學（Universityof Tsukuba）的研究人員在該項研究中提出了MC-SleepNet算法，該算法可以根據小鼠的腦電圖（EEG）和肌電圖（EMG）信號，對其睡眠階段進行自動分類，這兩種信號分別記錄了小鼠大腦和身體的電活動。這種算法結合了兩種機器學習技術，卷積神經網絡（CNN）和長短時記憶（LSTM）遞歸神經網絡，以達到超過現有的最佳自動方法的精度。

MC-SleepNet結構

MC-SleepNet使用八種類型的層：卷積層、最大池化層、dropout層、連接層、按元素順序添加層、bi-LSTM層、全連接層和softmax層。每一層的參數在方框中說明。

項目研究人員、該論文通訊作者KazumasaHorie解釋道：“機器學習是一個激動人心的新研究領域，它的重要應用是將醫學與計算機科學相結合。它允許我們根據標注的示例自動對新數據進行分類。”當需要尋找的模式不為人所知時，比如睡眠階段，其價值尤為明顯。通過這種方式，算法可以“學習”如何在不顯式編程的情況下做出復雜的決策。

在這個項目中，由于使用了較大的數據集，所以準確性非常高。它收集了超過4200個生物信號，是迄今為止所有睡眠研究中最大的數據集。同時，通過實現CNN，該算法對個體差異和噪聲具有較強的魯棒性。

MC-SleepNet的睡眠階段評分結果示例

基于MC-SleepNet的特征提取模塊提取特征的實例。

（左）窄CNN提取腦電圖特征。（中）寬帶CNN提取腦電圖特征。（右）肌電圖特征。

這項工作的主要進展是將任務分配給兩種機器學習方法。首先使用CNN從大腦和身體的電活動記錄中提取感興趣的特征。然后將這些數據傳遞給LSTM，以確定哪些特征最能反映老鼠所經歷的睡眠階段。研究人員Hiroyuki Kitagawa 表示“把這項工作轉化為對人類睡眠階段的分類是可以的。”