神经网络架构与归一化技术用于啮齿动物脑电/肌电信号的自动睡眠分期:一项系统比较研究

《PLOS One》:Neural network architectures and normalization techniques for automated sleep stage classification using rodent EEG and EMG signals

【字体: 大 中 小 】 时间:2026年04月24日 来源:PLOS One 2.6

编辑推荐:

  本研究针对动物睡眠分期研究中手动标注费时费力、自动化模型缺乏系统比较的现状,系统评估了三种代表性神经网络架构(1D-CNN、2D-CNN-AccuSleep、CNN+biLSTM-DeepSleepNet)在啮齿动物EEG/EMG数据上的性能。结果表明,1D-CNN与DeepSleepNet在多数条件下优于AccuSleep,且原始数据输入通常优于标准化处理;研究强调在动物睡眠分期中,简单的CNN架构与数据特性对齐的预处理策略更具优势,为跨物种睡眠研究提供了模型选择与优化的重要参考。

  
睡眠,这一占据我们生命近三分之一时间的神秘状态,不仅是休养生息的关键,更是认知、免疫、代谢乃至情绪健康的基石。然而,当睡眠被剥夺或扰乱时,一系列健康问题便接踵而至——从认知功能下降到免疫失调,从代谢紊乱到神经精神疾病风险增高。为了深入理解睡眠的生理机制并开发有效的干预策略,科学家们常常借助动物模型,尤其是啮齿动物,在可控条件下进行研究。在这一过程中,精确划分睡眠的不同阶段(如非快速眼动睡眠NREM、快速眼动睡眠REM和觉醒期Wake)是解码“睡眠结构”的核心任务。
传统上,这项工作依赖于专家手动标注多导睡眠图(Polysomnography, PSG)数据,这个过程不仅耗时耗力,还存在评分者间的主观差异。随着人工智能的崛起,基于深度学习的自动睡眠分期方法已成为研究热点。然而,将针对人类睡眠(通常有5个阶段,且睡眠周期较长、较连续)开发的模型直接应用于啮齿动物(通常只有3个阶段,且睡眠呈多相性、片段化)面临挑战。目前,专门为动物睡眠分期设计的模型较少,且不同模型在相同条件下的直接性能比较仍然有限。此外,诸如标准化(归一化)等数据预处理策略的效果是否因模型架构而异,也尚无定论。
为了解决这些悬而未决的问题,一项发表在《PLOS One》上的研究进行了一项系统的、可复现的比较分析。研究人员聚焦于三种在现有研究中具有代表性的神经网络架构:处理原始时序信号的一维卷积神经网络(1D-CNN)、基于时频谱图的二维卷积神经网络(2D-CNN,即AccuSleep模型),以及结合了卷积和双向长短期记忆网络的混合模型(CNN+biLSTM,即DeepSleepNet模型)。他们使用公开的、包含10只小鼠脑电图(Electroencephalogram, EEG)和肌电图(Electromyogram, EMG)记录的数据集,在相同的数据和验证方案下,系统评估了这些模型在“被试内”(在同只动物内划分训练与测试)和“被试间”(用一只动物的数据训练,测试其他动物)两种验证框架下的性能,并比较了原始数据、标准z-score标准化以及混合z-score标准化三种预处理方法的效果。
关键技术方法
研究使用了来自AccuSleep研究的公开数据集,包含10只小鼠的EEG/EMG记录。采用三种神经网络架构:1D-CNN(五层卷积块处理原始双通道信号)、2D-CNN(AccuSleep,处理EEG频谱图与EMG均方根组成的二维图像)和CNN+biLSTM(DeepSleepNet,适配为双通道输入的混合模型)。比较了原始数据、标准z-score和混合z-score三种输入标准化方法。采用合成少数类过采样技术(Synthetic Minority Over-sampling Technique, SMOTE)处理类别不平衡。训练中使用了不同的优化器(Adam, SGD)和学习率。性能通过准确率和F1分数评估,并进行了统计检验(ANOVA, Tukey HSD)。此外,应用梯度加权类激活映射(Gradient-weighted Class Activation Mapping, Grad-CAM)对2D-CNN进行可解释性分析,并分析了DeepSleepNet第一层卷积滤波器的峰值频率分布。
研究结果
1. 不同归一化方法下的整体模型性能
在被试内验证中,使用原始数据训练的DeepSleepNet取得了最高的平均准确率(94.1%)和F1分数(93.8%)。然而,统计比较显示DeepSleepNet与1D-CNN之间并无显著差异。重要的是,当使用原始数据或z-score数据时,这两者均在F1分数上显著优于AccuSleep模型。AccuSleep使用原始数据时的准确率也显著低于DeepSleepNet。
在被试间验证中,1D-CNN使用原始数据时取得了最高的平均准确率(92.2%)和F1分数(91.8%)。同样,1D-CNN与DeepSleepNet无显著差异,但两者在使用原始数据时,在准确率和F1分数上均显著优于AccuSleep。
2. 分阶段(类别)性能
在被试内验证中,对于Wake和NREM阶段,各模型间的F1分数无显著差异。然而,在REM分类上,当使用原始或z-score数据时,AccuSleep的表现持续差于1D-CNN和DeepSleepNet。使用混合z-score时,DeepSleepNet在REM分类上的表现也优于AccuSleep。
在被试间验证中,所有模型和预处理方法在NREM分类上均无显著差异。在Wake分类上,使用原始数据时,1D-CNN和DeepSleepNet的F1分数显著高于AccuSleep。在REM分类上,使用原始或z-score数据时,1D-CNN和DeepSleepNet consistently outperformed AccuSleep。
3. 归一化方法的影响
在被试间验证中,归一化效果呈现模型和类别特异性。对于1D-CNN和DeepSleepNet,原始数据通常在REM分类中带来显著更高的F1分数。相反,标准化(尤其是z-score)会降低它们在Wake分类上的性能。对于NREM分类,混合z-score会导致1D-CNN和DeepSleepNet的F1分数显著低于原始数据。
对于AccuSleep,混合z-score在Wake检测上带来了适度的性能改善,但其REM分类性能依然较差。总的来说,归一化并非对啮齿动物睡眠分期普遍有益,对于从原始信号中学习的CNN模型,它甚至可能损害性能。
4. 神经网络架构的可解释性
应用Grad-CAM对2D-CNN模型的分析显示,其较后的卷积层会优先关注与特定睡眠阶段相关的频带:REM阶段关注theta频带,Wake阶段关注高频带,NREM阶段关注低频带。这与其决策依赖于阶段特异性频谱特征是吻合的。
对DeepSleepNet第一层卷积滤波器的频谱分析表明,其“宽”分支滤波器的峰值频率集中在delta–theta–纺锤波频段,而“窄”分支滤波器主要捕获时间模式。这表明两种架构都利用了阶段特异性的频谱线索。
研究结论与讨论
本研究的系统比较表明,在大多数条件下,1D-CNN和CNN+biLSTM (DeepSleepNet) 模型的表现优于2D-CNN (AccuSleep),其中AccuSleep在REM分类上的缺陷尤为明显,这可能与类别不平衡(REM仅占约10%)以及基于频谱图的模型在小数据集上捕捉变异性的能力有限有关。
一个关键发现是,尽管DeepSleepNet整合了biLSTM以捕获时间上下文,但它在啮齿动物数据上并未显著优于简单的1D-CNN。这可能是由于数据集规模有限限制了LSTM学习长程依赖的能力,同时也反映了啮齿动物多相性、碎片化的睡眠结构与人类不同,使得简单的CNN可能足以应对其三阶段分期任务。相比之下,在人类数据集中,DeepSleepNet通常在N1等少数阶段显示出优势,突显了模型收益的数据和物种依赖性。
在预处理方面,研究结果表明归一化的效果具有模型特异性。对于1D-CNN和DeepSleepNet,原始输入通常能产生最佳性能,而混合z-score往往会降低REM和NREM的分类表现。这意味着原始EEG/EMG信号已包含足够的信息特征,基于CNN的模型无需标准化即可有效学习判别模式。对于AccuSleep,混合z-score在Wake检测上仅有微弱改善。因此,盲目应用标准化并非最佳选择,预处理策略应与模型架构和数据特性对齐。
通过整合其他研究结果,本研究进一步指出,模型选择应与睡眠结构、类别分布和数据集规模相匹配:对于啮齿动物的三阶段睡眠分期,简单的CNN可能已足够且稳健;而对于人类数据集或大规模的啮齿动物队列,时间模型(如结合LSTM)可能在少数阶段分类上更具优势。
重要意义
这项工作为自动化啮齿动物睡眠分期研究提供了重要的实证依据和实用指南。它强调了在将复杂深度学习模型应用于动物研究时,必须充分考虑物种特有的生理特性和数据规模。研究表明,并非更复杂的模型总是更好,在某些情况下,简单的架构搭配合适的(甚至不进行)预处理,可能是更有效、更稳健的选择。这有助于研究人员避免不必要的计算开销,并更明智地选择模型和预处理流程。研究也指出了当前领域的局限性,如数据集规模小、类别不平衡,并为未来研究方向提出了建议,包括探索注意力/Transformer架构、应用代价敏感学习以及开展跨物种的迁移学习,以进一步提升模型的泛化能力和可解释性,最终推动转化睡眠研究的发展。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号