Pesquisadores da Universidade de Tsukuba criaram um novo programa de inteligência artificial para classificar automaticamente os estágios do sono de ratos que combina dois métodos populares de aprendizado de máquina. Apelidado de MC-SleepNet, o algoritmo alcançou taxas de precisão superiores a 96 por cento e alta robustez contra ruído nos sinais biológicos. O uso desse sistema para anotar dados automaticamente pode auxiliar significativamente os pesquisadores do sono na análise dos resultados de seus experimentos.

Os cientistas que estudam o sono costumam usar ratos como modelos animais para entender melhor como a atividade cerebral muda durante as várias fases. Essas fases podem ser classificadas como despertas, Sono REM (movimento rápido dos olhos), e sono não REM. Anteriormente, pesquisadores que monitoraram as ondas cerebrais de ratos adormecidos acabaram com montanhas de dados que exigiam rotulagem à mão, frequentemente por equipes de alunos. Isso representou um grande gargalo na pesquisa.

Agora, pesquisadores da Universidade de Tsukuba introduziram um programa para classificar automaticamente o estágio do sono que um rato experimentou com base em seus sinais de eletroencefalograma (EEG) e eletromiograma (EMG), que registram a atividade elétrica no cérebro e no corpo, respectivamente. Eles combinaram duas técnicas de aprendizado de máquina, redes neurais convolucionais (CNN) e memória de longo prazo (LSTM) redes neurais recorrentes para obter precisões que superam as dos melhores métodos automáticos existentes.

"O aprendizado de máquina é um novo campo de pesquisa empolgante com aplicativos importantes que combinam a medicina com a ciência da computação. Ele nos permite classificar automaticamente novos dados com base em exemplos rotulados, "o autor correspondente, Kazumasa Horie explica. Isso é especialmente valioso quando os padrões a serem procurados não são bem conhecidos, como acontece com os estágios do sono. Desta maneira, o algoritmo pode "aprender" como tomar decisões complexas sem ser explicitamente programado. Neste projeto, a precisão era muito alta devido ao grande conjunto de dados usado. Com mais de 4, 200 sinais biológicos, foi o maior conjunto de dados de qualquer pesquisa do sono até agora. Também, implementando uma CNN, o algoritmo mostrou alta robustez contra diferenças individuais e ruído.

O principal avanço neste trabalho foi dividir a tarefa entre os dois métodos de aprendizado de máquina. Primeiro, uma CNN foi usada para extrair características de interesse das gravações da atividade elétrica no cérebro e no corpo. Esses dados foram então passados ​​para um LSTM para determinar quais recursos eram mais indicativos da fase de sono que o camundongo estava experimentando. "Estamos otimistas de que podemos traduzir este trabalho na classificação dos estágios do sono em humanos, "disse o autor sênior Hiroyuki Kitagawa. Enquanto isso, esse programa já pode agilizar o trabalho de pesquisadores da área do sono, o que pode levar a uma compreensão muito mais clara de como o sono funciona.