导语


随着电生理学、网络建模、机器学习、统计物理、类脑计算等多种技术方法的发展，我们对大脑神经元相互作用机理与连接机制，对意识、语言、情绪、记忆、社交等功能的认识逐渐深入，大脑复杂系统的谜底正在被揭开。为了促进神经科学、系统科学、计算机科学等领域研究者的交流合作，我们发起了【神经动力学模型读书会】。


【神经动力学模型读书会】第十三期，我们邀请到贾子钰和魏依娜，分享主题：基于深度学习的睡眠分期及NREM期的记忆巩固机制。本期读书会将于7月3日（本周日）上午9:00-11:00举办，直播报名入口见后文。







背景




神经动力学模型读书会第七期，杨冬平老师结合神经生物基础和EEG信号特征以及相应的睡眠分期图特征来系统介绍睡眠调控的生物物理建模和动力学机制研究。本期读书会将对深度学习在睡眠分期中的应用和NREM期的记忆巩固机制两个主题进行分享。





简介




深度学习在睡眠分期中的应用：睡眠分期对于个人睡眠质量的分析和临床上对睡眠障碍病人的诊断和治疗都有着重要意义。为提高睡眠分期的效率，自动睡眠分期方法近些年来逐渐被应用。本次分享将从睡眠分期的背景开始，分享前沿的睡眠分期方法。


NREM期的记忆巩固机制：每个人大约花三分之一左右的时间在睡眠上。睡眠过程中虽然大脑与外界几乎切断了联系，但是大脑中的神经细胞却忙碌地重放着清醒状态下学习到的信息，从而实现记忆的巩固。然而，睡眠对记忆巩固的作用机理尚不明确，而且很难在活体中进行神经生物学机制的研究。本次分享将围绕一个具有生物物理学特性的丘脑-皮层网络计算模型，探索非快动眼睡眠中脑电信号的产生以及其在记忆巩固任务中的作用和机制。此研究有望将睡眠中的脑电信号作为阿尔兹海默症等认知功能障碍疾病的生物标志物，为期早期预防、诊断及干预提供坚实的理论依据。





大纲




分享一 深度学习在睡眠分期中的应用：

  • 睡眠与睡眠分期

  • 睡眠分期机器学习方法

  • 睡眠分期深度学习方法

  • 应用前景

分享二 NREM期的记忆巩固：
  • 研究背景：记忆，睡眠，记忆巩固
  • 丘脑-皮层计算模型

  • 非快动眼睡眠在记忆巩固中的作用





前置知识




  • 睡眠分期

  • 生理信号

  • 卷积神经网络

  • 循环神经网络

  • 图神经网络





主讲人




贾子钰，目前是北京交通大学在读博士，师从林友芳教授和王晶副教授。研究兴趣集中于时间序列数据分析及其在智慧医疗、脑机接口、情感计算的应用，在IJCAI、ICDM、ACM MM、ECML-PKDD、IEEE Trans 等顶级会议和期刊上发表论文10余篇，相关工作的源码陆续开源到 GitHub （https://github.com/ziyujia）

魏依娜，研究员，之江实验室研究专家， 入选杭州市全球引才“521”人才， 本硕毕业于浙江大学生物医学工程系，博士毕业于宾夕法尼亚州立大学工程科学与力学系（神经工程方向）。曾工作于加州大学河滨分校、加州大学圣地亚哥分校、艾伦研究所。长期致力于计算神经科学领域，探索正常大脑活动和神经疾病的机理，取得了一系列突破性成果。研究涉及脑机接口，脑疾病机理，脑卒中康复，睡眠与脑认知等。成果发表在本领域国际一流期刊上，包括Cell Reports（封面论文）， Journal of Neuroscience， PLOS Computational Biology等，研究工作被ScienceDaily， EurekAlert等科技媒体网站报道。担任了Nature Communications， PLOS Computational Biology， Frontiers in Neuroscience等著名期刊的审稿人。





参考文献




分享一参考文献及代码
提出了一种自适应的时空图卷积神经网络捕获睡眠脑电数据的时空特征，进行自动的睡眠分期。该模型也是一种多变量时间序列分类的通用图神经网络框架并首次应用于睡眠阶段分类。
[1]GraphSleepNet: Adaptive Spatial-Temporal Graph Convolutional Networks for Sleep Stage Classification, IJCAI 2020 (https://github.com/ziyujia/GraphSleepNet)
这项工作提出了一种基于域泛化的多视图时空图卷积神经网络进行睡眠分期，该模型使用域泛化方法有效地解决了受试者差异性问题，在无需目标域数据的情况下提取去个性化的睡眠特征，提高了模型的泛化性；同时充分建模多视图脑网络（脑功能性连接视图和脑空间距离视图）的空间特性。与现有的SOTA模型相比较，达到了最佳的性能。
[2]Multi-View Spatial-Temporal Graph Convolutional Networks with Domain Generalization for Sleep Stage Classification, IEEE TNSRE 2021 (https://github.com/ziyujia/MSTGCN)
睡眠专家通常利用视觉检查的方式对原始睡眠信号进行特征波形的标注和人工分类，但人工标注费时费力且容易受到主观意识的影响。因此，大多数深度学习的方法为了自动化进行睡眠阶段分类，通常提取时频特征间接捕获显著性的特征波形进行分类。该论文提出了一种显著性波形检测模型，将时间序列分类问题转化为显著性检测问题并应用于睡眠阶段分类。提出模型不依赖于时频特征提取，可以直接从原始信号中探测显著波形。
[3]SalientSleepNet: Multimodal Salient Wave Detection Network for Sleep Staging, IJCAI 2021 (https://github.com/ziyujia/SalientSleepNet)
提出了一种多模态多变量的生理时间序列模型SleepPrintNet，该模型能够同时捕获PSG信号中的多维特征进行睡眠阶段分类。
[4]SleepPrintNet: A Multivariate Multimodal Neural Network based on Physiological Time-series for Automatic Sleep Staging, IEEE TAI 2021 (https://github.com/xiyangcai/SleepPrintNet)
提出了一种分层递归神经网络SeqSleepNet，针对epoch级别的处理，该网络由filterbank layer和基于注意的递归层（recurtive layer）组成的。在序列处理级别，将递归层放置在所学epoch特征的顶部，用于epoch序列的长期建模。在一个包含200名受试者的公开数据集上，所提出的网络优于最先进的方法。
[5]SeqSleepNet: End-to-End Hierarchical Recurrent Neural Network for Sequence-to-Sequence Automatic Sleep Staging, TNSRE 2019
更多Sleep Stages Classification Papers List (https://github.com/ziyujia/Sleep-Stages-Classification-Papers)

分享二参考文献
最早发现睡眠中出现白天学习过的任务的replay的动物实验文章
[1] Ji, D., Wilson, M. Coordinated memory replay in the visual cortex and hippocampus during sleep. Nat Neurosci 10, 100–107 (2007).
首个实验从突触角度证明睡眠中促进记忆巩固的证据
[2] Yang G, Lai CS, Cichon J, Ma L, Li W, Gan WB. Sleep promotes branch-specific formation of dendritic spines after learning. Science. 2014 Jun 6;344(6188):1173-8.
首个实验证明快动眼睡眠中对情境记忆有巩固作用
[3] Boyce R, Glasgow SD, Williams S, Adamantidis A. Causal evidence for the role of REM sleep theta rhythm in contextual memory consolidation. Science. 2016 May 13;352(6287):812-6.
睡眠中记忆巩固的综述
[4] Klinzing JG, Niethard N, Born J. Mechanisms of systems memory consolidation during sleep. Nat Neurosci. 2019 Oct;22(10):1598-1610.
首个人体实验证据睡眠中加速重放
[5] Rubin DB, Hosman T, Kelemen JN, Kapitonava A, Willett FR, Coughlin BF, Halgren E, Kimchi EY, Williams ZM, Simeral JD, Hochberg LR, Cash SS. Learned Motor Patterns Are Replayed in Human Motor Cortex during Sleep. J Neurosci. 2022
[6] Eichenlaub JB, Jarosiewicz B, Saab J, Franco B, Kelemen J, Halgren E, Hochberg LR, Cash SS. Replay of Learned Neural Firing Sequences during Rest in Human Motor Cortex. Cell Rep. 2020 May 5;31(5):107581.
下面几篇是本人的模型文章，用计算模型来证明睡眠中记忆巩固是怎么发生的以及这些记忆巩固达到的作用
[7] Wei Y, Krishnan GP, Bazhenov M. Synaptic Mechanisms of Memory Consolidation during Sleep Slow Oscillations. J Neurosci. 2016 Apr 13;36(15):4231-47.
[8] Wei Y, Krishnan GP, Komarov M, Bazhenov M. Differential roles of sleep spindles and sleep slow oscillations in memory consolidation. PLoS Comput Biol. 2018 Jul 9;14(7):e1006322.
[9] Wei Y, Krishnan GP, Marshall L, Martinetz T, Bazhenov M. Stimulation Augments Spike Sequence Replay and Memory Consolidation during Slow-Wave Sleep. J Neurosci. 2020 Jan 22;40(4):811-824.





直播信息




时间：
2022年7月3日（本周日）上午9:00-11:00

参与方式：

1. 文末扫码参与神经动力学模型读书会，加入群聊，获取系列读书会回看权限，成为神经动力学社区的种子用户，与550余位神经动力学社区的一线科研工作者与企业实践者沟通交流，共同推动神经动力学的发展（扫描下方二维码报名本次读书会，扫描文末二维码报名整季读书会）。

扫码报名



神经动力学模型读书会启动


本着促进神经科学、系统科学以及计算机科学等不同领域的学术工作者的交流与合作，激发有志于加入脑科学与类脑研究这一领域的同学们的研究兴趣，集智俱乐部和天桥脑科学研究院联合发起了神经动力学模型读书会。聚焦于神经科学中的动力学建模这一前沿课题，围绕神经网络多尺度建模及其在脑疾病、脑认知方面的应用进行研讨。读书会已于2022年3月19日开始，每周六下午14:00-16:00（或每周五晚上19:00-21:00，根据实际情况调整）进行，预计持续10-12周。

读书会大纲一览：

  1. 复杂神经动力学：分析与建模
  2. 神经元动力学
  3. 神经动力学场论
  4. 全脑动态模拟
  5. 多尺度生成模型
  6. 睡眠调控
  7. 癫痫发作的神经动力学
  8. 神经调控
  9. 决策的神经计算机制
  10. 脉冲神经网络的应用
  11. 总结圆桌会





点击“阅读原文”，报名直播