日本語AIでPubMedを検索
機械学習を用いた若いCBA/CaJマウスの音響驚愕反射波形の自動分類
Automated classification of acoustic startle reflex waveforms inyoung CBA/CaJ mice using machine learning.
PMID: 32668315 DOI: 10.1016/j.jneumeth.2020.108853.
抄録
背景:
音響的驚愕反応（ASR）は、動物が短い大きな音を聞いた後に全身の運動反応を起こす単純な反射であり、多くの分野で多感覚ツールとして使用されています。残念ながら、ASRの記録、処理、分析方法はまだ標準化されておらず、研究室内や研究室間でASRの収集、分析、解釈に大きなばらつきがあります。
BACKGROUND: The acoustic startle response (ASR) is a simple reflex that results in a whole body motor response after animals hear a brief loud sound and is used a multisensory tool across many disciplines. Unfortunately, a method of how to record, process and analyze ASRs has yet to be standardized, leading to high variability in the collection, analysis, and interpretation of ASRs within and between laboratories.
ニューメソッド:
若年成人CBA/CaJマウスから収集したASR波形を、波形から抽出した特徴量、得られたパワースペクトル密度推定値、および連続ウェーブレット変換で正規化した。その後、特徴量をトレーニングセットとテスト/検証セットに分割した。異なるアルゴリズムのファミリーからの機械学習法を用いて、スタートル関連の特徴をロバストな予測モデルに結合し、ASR波形がスタートルであるかどうかを予測した。
NEW METHOD: ASR waveforms collected from young adult CBA/CaJ mice were normalized with features extracted from the waveform, the resulting power spectral density estimates, and the continuous wavelet transforms. The features were then partitioned into training and test/validation set. Machine learning methods from different families of algorithms were used to combine startle-related features into robust predictive models to predict whether an ASR waveform is a startle or not a startle.
結果:
いくつかの機械学習モデルのアンサンブルは、平均ROCが0.9779、トレーニング精度が0.9993、テスト精度が0.9301で、ASR波形がスタートルか非スタートルかを予測する非常にロバストなモデルをもたらした。
RESULTS: An ensemble of several machine learning models resulted in an extremely robust model to predict whether an ASR waveform is a startle or non-startle with a mean ROC of 0.9779, training accuracy of 0.9993, and testing accuracy of 0.9301.
既存の手法との比較:
閾値およびRMS法を用いてASR波形を解析した結果、手動で分類した場合には、受け入れた驚愕の80%以上が実際には非驚愕であったのに対し、機械学習法では2.2%であったため、ASR指標（驚愕振幅やプレパルス抑制など）に統計的に有意な差が生じた。
COMPARISON WITH EXISTING METHODS: ASR waveforms analyzed using the threshold and RMS techniques resulted in over 80% of accepted startles actually being non-startles when manually classified versus 2.2% for the machine learning method, resulting in statistically significant differences in ASR metrics (such as startle amplitude and pre-pulse inhibition) between classification methods.
結論:
この論文で紹介する機械学習のアプローチは、ほぼすべてのASRパラダイムに適応して、驚愕の反応を正確に処理、分類、分類することができます。
CONCLUSIONS: The machine learning approach presented in this paper can be adapted to nearly any ASR paradigm to accurately process, sort, and classify startle responses.
Copyright © 2020. Published by Elsevier B.V.