结合两种流行的机器学习方法，创造了一种新的人工智能程序

筑波大学（Universityof Tsukuba）的研究人员结合两种流行的机器学习方法，创造了一种新的人工智能程序，用于对老鼠的睡眠阶段进行自动分类。该算法被称为MC-SleepNet，其准确率超过96%，对生物信号中的噪声具有很强的鲁棒性。利用该系统对数据进行自动标注，可以极大地帮助睡眠研究人员分析他们的实验结果。

研究睡眠的科学家经常用老鼠作为动物模型，以便更好地了解大脑活动在不同阶段的变化方式。这些阶段可以分为清醒、REM（快速眼动）睡眠和非快速眼动睡眠。

图1.每个阶段的EEG / EMG信号示例

（A）唤醒-Wake （B）非快速眼动non-REM （C）快速眼动-REM

在此之前，研究人员对睡着的老鼠的脑电波进行了监测，结果得到了海量的数据，而这些数据需要团队人员进行大量的手工标注。这成为了研究过程的一个非常重要的瓶颈。

现在，筑波大学（Universityof Tsukuba）的研究人员在该项研究中提出了MC-SleepNet算法，该算法可以根据小鼠的脑电图（EEG）和肌电图（EMG）信号，对其睡眠阶段进行自动分类，这两种信号分别记录了小鼠大脑和身体的电活动。这种算法结合了两种机器学习技术，卷积神经网络（CNN）和长短时记忆（LSTM）递归神经网络，以达到超过现有的最佳自动方法的精度。

MC-SleepNet结构

MC-SleepNet使用八种类型的层：卷积层、最大池化层、dropout层、连接层、按元素顺序添加层、bi-LSTM层、全连接层和softmax层。每一层的参数在方框中说明。

项目研究人员、该论文通讯作者KazumasaHorie解释道：“机器学习是一个激动人心的新研究领域，它的重要应用是将医学与计算机科学相结合。它允许我们根据标注的示例自动对新数据进行分类。”当需要寻找的模式不为人所知时，比如睡眠阶段，其价值尤为明显。通过这种方式，算法可以“学习”如何在不显式编程的情况下做出复杂的决策。

在这个项目中，由于使用了较大的数据集，所以准确性非常高。它收集了超过4200个生物信号，是迄今为止所有睡眠研究中最大的数据集。同时，通过实现CNN，该算法对个体差异和噪声具有较强的鲁棒性。

MC-SleepNet的睡眠阶段评分结果示例

基于MC-SleepNet的特征提取模块提取特征的实例。

（左）窄CNN提取脑电图特征。（中）宽带CNN提取脑电图特征。（右）肌电图特征。

这项工作的主要进展是将任务分配给两种机器学习方法。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，以确定哪些特征最能反映老鼠所经历的睡眠阶段。研究人员Hiroyuki Kitagawa 表示“把这项工作转化为对人类睡眠阶段的分类是可以的。”