テクノロジー?材料
睡眠ステージを自動的に判定する手法を開発 ～マウス4,200匹の睡眠時生体信号を学習?解析～
筑波大学计算科学研究センター 北川博之教授、堀江和正助教、塩川浩昭助教および、国际统合睡眠医科学研究机构（奥笔滨-滨滨滨厂） 柳沢正史教授、船戸弘正客员教授らの研究グループは、マウスの脳波や筋电位からその睡眠ステージを自动的に判定する手法（惭颁-厂濒别别辫狈别迟）を开発しました。本手法は、睡眠の基础研究の基盘充実や高度化につながると考えられます。
この手法は、脳波?筋電位と睡眠ステージの対応関係を深層学習モデルで学習し、前者から後者を推定するもので、判定に有効な波形の特徴の自動的な発見?利用、 睡眠ステージの変遷法則の獲得といった機能を有しています。これらの機能は、畳み込みニューラルネットや、Long short-terms memoryなどの手法により実現しています。
また、本研究では、深层学习モデルの训练や性能评価に、4,200匹ものマウスから计测した生体信号を使用しています。これは従来研究の约40倍に相当する最大规模のデータセットで、高い精度やノイズに対する顽健性を确保しています。また、本データセットを精度検証に利用すると、多种多様な脳波?筋电位データに対して、安定したステージ判定を行うことができます。
図 マウス睡眠ステージと自动判定
一般に、マウスの睡眠は脳波（贰贰骋）や筋电位（贰惭骋）の状态から覚醒（奥补办别）、ノンレム（狈辞苍-搁贰惭）、レム（搁贰惭）の3ステージに分类されます。これまでは専门家による目视でこれらのステージを判定していましたが、非常に时间がかかっていました。本手法は専门家との判定一致率96．6%を达成、専门家の代替として睡眠ステージを判定することが可能です。
この手法は、脳波?筋電位と睡眠ステージの対応関係を深層学習モデルで学習し、前者から後者を推定するもので、判定に有効な波形の特徴の自動的な発見?利用、 睡眠ステージの変遷法則の獲得といった機能を有しています。これらの機能は、畳み込みニューラルネットや、Long short-terms memoryなどの手法により実現しています。
また、本研究では、深层学习モデルの训练や性能评価に、4,200匹ものマウスから计测した生体信号を使用しています。これは従来研究の约40倍に相当する最大规模のデータセットで、高い精度やノイズに対する顽健性を确保しています。また、本データセットを精度検証に利用すると、多种多様な脳波?筋电位データに対して、安定したステージ判定を行うことができます。
図 マウス睡眠ステージと自动判定
一般に、マウスの睡眠は脳波（贰贰骋）や筋电位（贰惭骋）の状态から覚醒（奥补办别）、ノンレム（狈辞苍-搁贰惭）、レム（搁贰惭）の3ステージに分类されます。これまでは専门家による目视でこれらのステージを判定していましたが、非常に时间がかかっていました。本手法は専门家との判定一致率96．6%を达成、専门家の代替として睡眠ステージを判定することが可能です。