Summary

IntelliSleepScorer, ein Softwarepaket mit grafischer Benutzeroberfläche für die automatisierte Bewertung des Schlafstadiums von Mäusen

Published: November 08, 2024
doi:

Summary

Wir präsentieren ein Softwarepaket mit einer grafischen Benutzeroberfläche für Forscher ohne Programmiererfahrung, um Schlafstadien bei Mäusen mit einem einfachen Download und einer einfachen Bedienung zu bewerten.

Abstract

Die Bewertung des Schlafstadiums bei Nagetieren ist der Prozess der Identifizierung der drei Stadien: Nonrapid Eye Movement Sleep (NREM), Rapid Eye Movement Sleep (REM) und Wake. Die Bewertung der Schlafphase ist entscheidend für die Untersuchung von schlafphasenspezifischen Maßnahmen und Effekten.

Die Schlafmuster bei Nagetieren unterscheiden sich von denen beim Menschen und sind durch kürzere Episoden von NREM und REM gekennzeichnet, die durch das Aufwachen unterbrochen werden, und die traditionelle manuelle Bewertung der Schlafstadien durch menschliche Experten ist zeitaufwändig. Um dieses Problem anzugehen, haben frühere Studien auf maschinellem Lernen basierende Ansätze verwendet, um Algorithmen zur automatischen Kategorisierung von Schlafstadien zu entwickeln, aber leistungsstarke Modelle mit großer Generalisierbarkeit sind oft weder öffentlich verfügbar/kostenlos noch benutzerfreundlich für nicht geschulte Schlafforscher.

Aus diesem Grund haben wir einen auf maschinellem Lernen basierenden LightGBM-Algorithmus entwickelt, der mit einem großen Datensatz trainiert wurde. Um das Modell Schlafforschern ohne Programmiererfahrung zur Verfügung zu stellen, wurde auf Basis des Modells ein Software-Tool namens IntelliSleepScorer (v1.2 – neueste Version) entwickelt, das über eine einfach zu bedienende grafische Benutzeroberfläche verfügt. In diesem Manuskript stellen wir eine Schritt-für-Schritt-Anleitung für die Verwendung der Software vor, um ein praktisches und effektives automatisches Tool zur Bewertung des Schlafstadiums bei Mäusen für Schlafforscher zu demonstrieren.

Introduction

Die Bewertung des Schlafstadiums bei Nagetieren ist das Verfahren zur Identifizierung der drei Stadien: Non-Rapid Eye Movement Sleep (NREM), Rapid Eye Movement Sleep (REM) und Wake2. Bei Nagetieren ist NREM durch verminderte Muskelaktivität, langsame und regelmäßige Atmung, verminderte Herzfrequenz und niederfrequente Schwingungen der Gehirnwellen gekennzeichnet. REM bei Nagetieren, ähnlich wie beim Menschen, zeigt Muskelatonie, EEG-Aktivierung und schnelle Augenbewegungen, obwohl das Auftreten von lebhaftem Träumen bei Nagetieren im Vergleich zum Menschen weniger klar ist 2,3. Der “Wachzustand” bei Nagetieren ist gekennzeichnet durch desynchronisierte Gehirnaktivität mit hochfrequenten Wellen mit niedriger Amplitude, erhöhtem Muskeltonus und aktivem Verhalten, wie z. B. Fellpflege und Erkundung4. Diese drei Stadien können durch Untersuchung der Signale des Elektroenzephalogramms (EEG) und des Elektromyogramms (EMG) identifiziert werden5.

Die Modelle zur automatischen Bewertung des Schlafstadiums bei Nagetieren sind dringend erforderlich. Erstens ist die manuelle Bewertung des Schlafstadiums durch menschliche Experten arbeitsintensiv und zeitaufwändig. Zweitens unterscheiden sich die Schlafmuster von Nagetieren von denen beim Menschen und weisen fragmentiertere Episoden von NREM und REM auf, die durch das Aufwachen unterbrochen werden, etwa 10 Minuten, im Gegensatz zu 60-120 Minuten beim Menschen6. Daher ist es eine Herausforderung, diese kurzen Zeiträume während der manuellen Bewertung zu identifizieren. Seit den 60er Jahren gab es viele Versuche, ein automatisches Bewertungssystem für Schlafdaten von Nagetieren zu entwickeln7. Obwohl es viele automatisierte Methoden zur Bewertung des Schlafs von Nagetieren gibt, variieren ihre Leistungen 8,9,10,11,12,13,14,15,16,17,18. Wichtig ist, dass die meisten leistungsstarken Modelle mit hoher Generalisierbarkeit nicht öffentlich verfügbar sind (einige erfordern spezielle Wünsche von Entwicklern) oder für Schlafforscher nicht kostenlos sind.

Um die derzeitige Technologielücke zu schließen, haben wir daher ein auf maschinellem Lernen basierendes Modell entwickelt, das einen großen Datensatz von 5776 h EEG- und EMG-Signalen aus 519 Aufzeichnungen von 124 Mäusen mit dem LightGBM-Algorithmus1 verwendet. Das lightGBM verwendet einen gradientenverstärkenden Ansatz, um Entscheidungsbäumezu konstruieren 19. In Wang et al., 2023, erreichte das LightGBM-Modell (bestehend aus über 8000 Entscheidungsbäumen) eine Gesamtgenauigkeit von 95,2 % und einen Cohen-Kappa von 0,91, was zwei weit verbreitete Baseline-Modelle wie das logistische Regressionsmodell (Genauigkeit = 93,3 %) und das Random-Forest-Modell (Genauigkeit = 94,3 %, Kappa = 0,89) übertraf. Auch die Gesamtleistung des Modells zeigte eine ähnliche Leistung wie die von menschlichen Experten. Am wichtigsten ist, dass bewiesen wurde, dass das Modell verallgemeinerbar ist und nicht an die ursprünglichen Trainingsdaten angepasst ist1: 1) Es schnitt bei zwei anderen öffentlich zugänglichen unabhängigen Datensätzen von Miladinovic und Kollegen11 mit unterschiedlichen Abtasthäufigkeiten und Epochenlängen gut ab (Genauigkeit > 89 %). 2) Die Leistung des Modells wird nicht durch den Hell-Dunkel-Zyklus von Mäusen beeinflusst; 3) Ein modifiziertes LightGBM-Modell schnitt bei Daten mit nur einer EEG- und einer EMG-Elektrode mit Kappa-≥ 0,89 gut ab; 4) Für den Test wurden sowohl Wildtyp- als auch mutierte Mäuse verwendet, und die Leistungen des Modells waren genau. Dies deutet darauf hin, dass das Modell die Schlafstadien von Mäusen mit unterschiedlichem genetischen Hintergrund bewerten kann.

Um dieses Modell Schlafforschern zugänglich zu machen, die möglicherweise nicht über Programmierkenntnisse verfügen, haben wir IntelliSleepScorer entwickelt, ein benutzerfreundliches Software-Tool mit einer visuell intuitiven Benutzeroberfläche. Die Software kann das Verfahren zur Schlafbewertung bei Mäusen vollständig automatisieren. Es erstellt interaktive Visualisierungen der Signale, des Hypnogramms und der Shapley Additive Explanations (SHAP)-Werte aus einer Eingabe in einer Datei im europäischen Datenformat (EDF)/EDF+. Der SHAP-Wertansatz, der auf der kooperativen Spieltheorie basiert, verbessert die Interpretierbarkeit von Modellen des maschinellen Lernens20. Das Modell bietet sowohl globale als auch epochale SHAP-Werte und zeigt, wie unterschiedliche Merkmalswerte zur Bewertungsentscheidung des Modells insgesamt und für jede Epoche beitragen. Dieses fortschrittliche Programm reduziert den Zeit- und Arbeitsaufwand für die Bewertung des Schlafstadiums bei Mäusen erheblich und stellt gleichzeitig sicher, dass sich die nachgelagerte Analyse auf hochpräzise Ergebnisse verlassen kann. In diesem Manuskript stellen wir eine schrittweise Verwendung von IntelliSleepScorer (v1.2) mit mehreren Updates gegenüber Version 1.0 vor, einschließlich einer Option zum Ausführen der SHAP-Analyse getrennt von der Vorhersage des Schlafmusters, einer vom Benutzer einstellbaren Epochenlänge für die Bewertung der Schlafphase und einer in die GUI integrierten manuellen Korrekturfunktion für die Schlafphase.

Protocol

In dieser Studie wurden Daten aus In-vivo-Experimenten an Mäusen verwendet. In der Studie waren keine Versuche am Menschen beteiligt. Alle Tierversuche wurden vom Institutional Animal Care and Use Committee des Broad Institute genehmigt. Alle Experimente wurden in Übereinstimmung mit den einschlägigen Richtlinien und Vorschriften durchgeführt. Die ARRIVE-Richtlinien sind auf diese Studie nicht anwendbar, da der Schwerpunkt dieser Studie auf der Entwicklung von Modellen für …

Representative Results

Es gibt drei Diagramme (nur das obere Diagramm, wenn die SHAP-Werte nicht ausgeführt wurden), die in der GUI nach der Bewertung der Schlafphase generiert werden: Das obere Diagramm zeigt EEG- und EMG-Kanäle mit einem Hypnogramm der Vorhersage der Schlafphase. Das mittlere Diagramm zeigt die SHAP-Werte der Epochen. Das untere Diagramm zeigt die globalen SHAP-Werte (Abbildung 1). Es gibt 4 Arten von Daten, die im Hypnogramm zur Vo…

Discussion

In diesem Dokument wird vorgestellt, wie die grafische Benutzeroberfläche von IntelliSleepScorer (v1.2) verwendet wird, um die Schlafphasen von Mäusen automatisch zu bewerten, und wie SHAP-Werte/Diagramme genutzt werden, um die vom Modell generierten Schlafphasenbewertungen besser zu verstehen.

Ein wichtiger Aspekt bei der Nutzung der Software ist die Datenkompatibilität. Die in dieser Studie verwendeten internen Daten beschränkten sich auf Elektroden, die…

Offenlegungen

The authors have nothing to disclose.

Acknowledgements

Wir danken Kerena Yan und Jingwen Hu für die manuelle Vertonung der Schlafphasen und Eunah und Soonwiik für die Aufnahmen.

Materials

Canonical Unbuntu 18.04 Canonical https://releases.ubuntu.com/18.04/ Supporting Operating System for the software IntelliSleep Scorer: Windows, Mac, or Linux
Intel Core i7-8550U CPU @ 1.80 GHz 1.99 GHz; RAM: 24 GB  Intel Corp https://www.intel.com/content/www/us/en/products/details/processors/core-ultra.html Hardware requirment for the software: Both Inte Core listed here have been used to process the data. It takes around 10 min to process 12 h of recording sampled at 1000 Hz for both hardwares. Any similar or superior hardware would yield comparable or better performance.  
Intel Core i7-10610U CPU @1.80 GHz 2.30 GHz; RAM: 16 GB Intel Corp https://www.intel.com/content/www/us/en/products/details/processors/core-ultra.html Hardware requirment for the software: Both Inte Core listed here have been used to process the data. It takes around 10 min to process 12 h of recording sampled at 1000 Hz for both hardwares. Any similar or superior hardware would yield comparable or better performance.  
LightGBM Microsoft https://lightgbm.readthedocs.io/en/latest/index.html Machine learning-based algorithm that was used to train the software. 
MacBook Pro Apple https://www.apple.com/in/macbook-pro/ Supporting Operating System for the software IntelliSleep Scorer: Windows, Mac, or Linux
Windows Microsoft https://www.microsoft.com/en-in/windows/?r=1 Supporting Operating System for the software IntelliSleep Scorer: Windows, Mac, or Linux

Referenzen

  1. Wang, L. A., Kern, R., Yu, E., Choi, S., Pan, J. Q. Intellisleepscorer, a software package with a graphic user interface for automated sleep stage scoring in mice based on a light gradient boosting machine algorithm. Sci Rep. 13 (1), 4275 (2023).
  2. Astori, S., Wimmer, R. D., Luthi, A. Manipulating sleep spindles–expanding views on sleep, memory, and disease. Trends Neurosci. 36 (12), 738-748 (2013).
  3. Fraigne, J. J., Torontali, Z. A., Snow, M. B., Peever, J. H. Rem sleep at its core-circuits, neurotransmitters, and pathophysiology. Front Neurol. 6, 123 (2015).
  4. Huber, R., Deboer, T., Tobler, I. Effects of sleep deprivation on sleep and sleep eeg in three mouse strains: Empirical data and simulations. Brain Res. 857 (1-2), 8-19 (2000).
  5. Brown, R. E., Basheer, R., Mckenna, J. T., Strecker, R. E., Mccarley, R. W. Control of sleep and wakefulness. Physiol Rev. 92 (3), 1087-1187 (2012).
  6. Lacroix, M. M., et al. Improved sleep scoring in mice reveals human-like stages. BioRxiv. 489005, (2018).
  7. Rayan, A., et al. Sleep scoring in rodents: Criteria, automatic approaches and outstanding issues. Eur J Neurosci. 59 (4), 526-553 (2024).
  8. Yamabe, M., et al. Mc-sleepnet: Large-scale sleep stage scoring in mice by deep neural networks. Sci Rep. 9 (1), 15793 (2019).
  9. Katsuki, F., Spratt, T. J., Brown, R. E., Basheer, R., Uygun, D. S. Sleep-deep-learner is taught sleep-wake scoring by the end-user to complete each record in their style. Sleep Adv. 5 (1), zpae022 (2024).
  10. Allocca, G., et al. Validation of ‘somnivore’, a machine learning algorithm for automated scoring and analysis of polysomnography data. Front Neurosci. 13, 207 (2019).
  11. Jha, P. K., Valekunja, U. K., Reddy, A. B. Slumbernet: Deep learning classification of sleep stages using residual neural networks. Sci Rep. 14 (1), 4797 (2024).
  12. Barger, Z., Frye, C. G., Liu, D., Dan, Y., Bouchard, K. E. Robust, automated sleep scoring by a compact neural network with distributional shift correction. PLoS One. 14 (12), e0224642 (2019).
  13. Miladinovic, D., et al. Spindle: End-to-end learning from eeg/emg to extrapolate animal sleep scoring across experimental settings, labs and species. PLoS Comput Biol. 15 (4), e1006968 (2019).
  14. Brodersen, P. J. N., et al. Somnotate: A probabilistic sleep stage classifier for studying vigilance state transitions. PLoS Comput Biol. 20 (1), e1011793 (2024).
  15. Akada, K., et al. A deep learning algorithm for sleep stage scoring in mice based on a multimodal network with fine-tuning technique. Neurosci Res. 173, 99-105 (2021).
  16. Rytkonen, K. M., Zitting, J., Porkka-Heiskanen, T. Automated sleep scoring in rats and mice using the naive Bayes classifier. J Neurosci Methods. 202 (1), 60-64 (2011).
  17. Kam, K., Rapoport, D. M., Parekh, A., Ayappa, I., Varga, A. W. Wavesleepnet: An interpretable deep convolutional neural network for the continuous classification of mouse sleep and wake. J Neurosci Methods. 360, 109224 (2021).
  18. Crisler, S., Morrissey, M. J., Anch, A. M., Barnett, D. W. Sleep-stage scoring in the rat using a support vector machine. J Neurosci Methods. 168 (2), 524-534 (2008).
  19. Ke, G., et al. Lightgbm: A highly efficient gradient boosting decision tree. Neural Information Processing Systems. , (2017).
  20. Lundberg, S. M., Lee, S. I. A unified approach to interpreting model predictions. , 4768-4777 (2017).
This article has been published
Video Coming Soon
Keep me updated:

.

Diesen Artikel zitieren
Zhu, Z., Wang, L. A., Kern, R., Pan, J. Q. IntelliSleepScorer, a Software Package with a Graphic User Interface for Mice Automated Sleep Stage Scoring. J. Vis. Exp. (213), e66950, doi:10.3791/66950 (2024).

View Video