I ricercatori dell'Università di Tsukuba hanno creato un nuovo programma di intelligenza artificiale per classificare automaticamente le fasi del sonno dei topi che combina due popolari metodi di apprendimento automatico. Soprannominato MC-SleepNet, l'algoritmo ha raggiunto tassi di precisione superiori al 96 percento e un'elevata robustezza contro il rumore nei segnali biologici. L'uso di questo sistema per l'annotazione automatica dei dati può aiutare in modo significativo i ricercatori del sonno durante l'analisi dei risultati dei loro esperimenti.

Gli scienziati che studiano il sonno usano spesso i topi come modelli animali per comprendere meglio i modi in cui l'attività del cervello cambia durante le varie fasi. Queste fasi possono essere classificate come sveglie, sonno REM (movimento rapido degli occhi), e il sonno non REM. In precedenza, i ricercatori che hanno monitorato le onde cerebrali dei topi addormentati sono finiti con montagne di dati che hanno richiesto l'etichettatura a mano, spesso da squadre di studenti. Questo ha rappresentato un grosso collo di bottiglia nella ricerca.

Ora, i ricercatori dell'Università di Tsukuba hanno introdotto un programma per classificare automaticamente lo stadio del sonno sperimentato da un topo in base ai segnali dell'elettroencefalogramma (EEG) e dell'elettromiogramma (EMG), che registrano l'attività elettrica nel cervello e nel corpo, rispettivamente. Hanno combinato due tecniche di apprendimento automatico, reti neurali convoluzionali (CNN) e reti neurali ricorrenti di memoria a breve termine (LSTM) per ottenere precisioni che superano quelle dei migliori metodi automatici esistenti.

"L'apprendimento automatico è un nuovo entusiasmante campo di ricerca con importanti applicazioni che combinano la medicina con l'informatica. Ci consente di classificare automaticamente i nuovi dati sulla base di esempi etichettati, " spiega l'autore corrispondente Kazumasa Horie. Ciò è particolarmente utile quando i modelli da cercare non sono ben noti, come con le fasi del sonno. In questo modo, l'algoritmo può "imparare" come prendere decisioni complesse senza essere esplicitamente programmato. In questo progetto, la precisione era molto elevata a causa del grande set di dati utilizzato. Con oltre 4, 200 segnali biologici, era il più grande set di dati di qualsiasi ricerca sul sonno finora. Anche, implementando una CNN, l'algoritmo ha mostrato un'elevata robustezza rispetto alle differenze individuali e al rumore.

Il principale progresso in questo lavoro è stato quello di dividere il compito tra i due metodi di apprendimento automatico. Per prima cosa è stata utilizzata una CNN per estrarre le caratteristiche di interesse dalle registrazioni dell'attività elettrica nel cervello e nel corpo. Questi dati sono stati quindi passati a un LSTM per determinare quali caratteristiche erano più indicative della fase di sonno che stava vivendo il topo. "Siamo ottimisti sul fatto che possiamo tradurre questo lavoro nella classificazione delle fasi del sonno negli esseri umani, " afferma l'autore senior Hiroyuki Kitagawa. Nel frattempo, questo programma può già accelerare il lavoro dei ricercatori nel campo del sonno, che può portare a una comprensione molto più chiara di come funziona il sonno.