Einfachere CNNs übertreffen komplexe Modelle bei der Schlafstadienklassifizierung von Nagetieren

Untersuchungsdesign

Eine systematische Untersuchung von Jinyoung Choi, Hankil Oh und Minkyu Ahn analysierte die Eignung dreier neuronaler Netzarchitekturen zur automatischen Klassifizierung von Schlafstadien bei Ratten anhand von Elektroenzephalogramm- und Elektromyogrammdaten. Ziel war es, die Leistungsfähigkeit unter einheitlichen Bedingungen zu vergleichen und Empfehlungen für die Datenvorverarbeitung zu geben.

Modelle im Vergleich

Die getesteten Architekturen umfassten ein herkömmliches eindimensionales Convolutional Neural Network (1D‑CNN), das zweidimensionale Convolutional Neural Network AccuSleep sowie das kombinierte Convolutional Neural Network mit bidirektionalem Long Short‑Term Memory (DeepSleepNet).

Validierungsmethoden

Die Bewertung erfolgte sowohl im Within‑Subject‑ als auch im Cross‑Subject‑Validierungsrahmen. Zusätzlich wurden drei Vorverarbeitungsstrategien – Rohdaten, Z‑Scoring und Misch‑Z‑Scoring – angewendet, um deren Einfluss auf die Modellleistung zu prüfen.

Hauptergebnisse

Die Ergebnisse zeigten, dass sowohl 1D‑CNN als auch DeepSleepNet die AccuSleep‑Architektur konsequent übertrafen. Der Unterschied war besonders ausgeprägt beim Rapid Eye Movement (REM), wo AccuSleep aufgrund eines Klassenungleichgewichts deutlich schlechter abschnitt.

Klassifikationsstabilität

Eine klassenweise Analyse bestätigte, dass die Klassifizierung von Non‑Rapid Eye Movement (NREM) bei allen Modellen stabil blieb, während AccuSleep bei REM und Wake weniger robust war.

Einfluss der Normalisierung

Die Wirkung der Vorverarbeitung war modellabhängig: Rohdaten lieferten für 1D‑CNN und DeepSleepNet die besten Resultate, während AccuSleep durch Misch‑Z‑Scoring eine leichte Verbesserung bei der Wake‑Erkennung erzielte.

Vergleich mit Humanstudien

Ein Vergleich mit Literatur zu menschlichen EEG‑Datensätzen ergab, dass DeepSleepNet dort einen stärkeren Vorteil gegenüber 1D‑CNN aufweist, insbesondere bei NREM‑Stadium 1, was vermutlich auf Unterschiede in der Schlafarchitektur zurückzuführen ist.

Implikationen

Die Autoren schließen daraus, dass einfachere CNN‑Modelle für die Schlafstadienklassifizierung bei Nagetieren besonders geeignet sind und betonen die Notwendigkeit, Vorverarbeitungsstrategien an die jeweilige Modellarchitektur und Datencharakteristik anzupassen.Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.