Resumo
- Houve problemas com a qualidade dos dados devido a diferentes montagens e etapas de pré-processamento, aumentando a variabilidade.
- A classificação do aprendizado de máquina foi muito precisa de 97% na discriminação de pré-meditação e meditação final, indicando uma diferença entre os co-espectros de EEG para essas condições.
- Havia uma relação entre o tempo de meditação e a probabilidade de classificação da meditação final, com D2S2 mais rápido em induzir o estado de meditação final do que D3S2.
- Havia diferenças nas faixas de força do EEG, com cada técnica de meditação induzindo diferentes padrões de mudanças nas faixas de força.
Resumo
- Havia diferenças nas faixas de força do EEG, com cada técnica de meditação induzindo diferentes padrões de mudanças nas faixas de força.
- Sem filtragem
- Passa-banda de 0.1-60 Hz
- Passa-banda de 0.5-80 Hz; havia 3 tipos diferentes de filtragem aplicados anteriormente
- A classificação do aprendizado de máquina foi muito precisa de 97% na discriminação de pré-meditação e meditação final, indicando uma diferença entre os co-espectros de EEG para essas condições.
- Havia uma relação entre o tempo de meditação e a probabilidade de classificação da meditação final, com D2S2 mais rápido em induzir o estado de meditação final do que D3S2.
- Havia diferenças nas faixas de força do EEG, com cada técnica de meditação induzindo diferentes padrões de mudanças nas faixas de força.