Des chercheurs de l'Université de Tsukuba ont créé un nouveau programme d'intelligence artificielle pour classer automatiquement les stades de sommeil des souris qui combine deux méthodes d'apprentissage automatique populaires. Baptisé MC-SleepNet, l'algorithme a atteint des taux de précision supérieurs à 96 pour cent et une grande robustesse contre le bruit dans les signaux biologiques. L'utilisation de ce système pour annoter automatiquement les données peut considérablement aider les chercheurs en sommeil lors de l'analyse des résultats de leurs expériences.

Les scientifiques qui étudient le sommeil utilisent souvent des souris comme modèles animaux pour mieux comprendre comment l'activité cérébrale change au cours des différentes phases. Ces phases peuvent être classées comme éveillées, sommeil paradoxal (mouvements oculaires rapides), et le sommeil non paradoxal. Précédemment, les chercheurs qui ont surveillé les ondes cérébrales de souris endormies se sont retrouvés avec des montagnes de données nécessitant un étiquetage à la main, souvent par des équipes d'étudiants. Cela représentait un goulot d'étranglement majeur dans la recherche.

Maintenant, des chercheurs de l'Université de Tsukuba ont introduit un programme pour classer automatiquement le stade de sommeil qu'une souris a connu en fonction de ses signaux d'électroencéphalogramme (EEG) et d'électromyogramme (EMG), qui enregistrent l'activité électrique dans le cerveau et le corps, respectivement. Ils ont combiné deux techniques d'apprentissage automatique, les réseaux de neurones convolutifs (CNN) et les réseaux de neurones récurrents à mémoire à long court terme (LSTM) pour obtenir des précisions supérieures à celles des meilleures méthodes automatiques existantes.

« L'apprentissage automatique est un nouveau domaine de recherche passionnant avec des applications importantes qui combinent la médecine et l'informatique. Il nous permet de classer automatiquement de nouvelles données sur la base d'exemples étiquetés, " explique l'auteur correspondant Kazumasa Horie. Ceci est particulièrement utile lorsque les modèles à rechercher ne sont pas bien connus, comme pour les phases de sommeil. De cette façon, l'algorithme peut "apprendre" à prendre des décisions complexes sans être explicitement programmé. Dans ce projet, la précision était très élevée en raison du grand ensemble de données utilisé. Avec plus de 4, 200 signaux biologiques, c'était le plus grand ensemble de données de toutes les recherches sur le sommeil à ce jour. Aussi, en mettant en place un CNN, l'algorithme a montré une grande robustesse contre les différences individuelles et le bruit.

La principale avancée de ce travail a été de répartir la tâche entre les deux méthodes d'apprentissage automatique. Tout d'abord, un CNN a été utilisé pour extraire les caractéristiques d'intérêt des enregistrements de l'activité électrique dans le cerveau et le corps. Ces données ont ensuite été transmises à un LSTM pour déterminer quelles caractéristiques étaient les plus indicatives de la phase de sommeil que la souris vivait. "Nous sommes optimistes que nous pouvons traduire ce travail en classant les stades du sommeil chez l'homme, " dit l'auteur principal Hiroyuki Kitagawa. En attendant, ce programme peut déjà accélérer les travaux des chercheurs dans le domaine du sommeil, ce qui peut conduire à une compréhension beaucoup plus claire du fonctionnement du sommeil.