tradução ausente: en.general.general.skip_content

Seu carrinho

Fechar carrinho

Resultados de meditação EEG

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.

Problemas de pré-processamento

Os dados brutos de EEG foram processados, com algumas inconsistências principais encontradas em relação ao pré-processamento anterior:

  • Havia 3 tipos diferentes de filtragem aplicados anteriormente
    • Sem filtragem
    • Passa-banda de 0.1-60 Hz
    • Passa-banda de 0.5-80 Hz
  • No entanto, em alguns casos, a filtragem não parecia ter sido aplicada a todos os eletrodos
  • Havia diferentes layouts de eletrodos de EEG (montagens) usados ​​com diferentes eletrodos de referência
    • Alguns tinham mais eletrodos, provavelmente sensores EMG
    • Alguns excluíram A1, enquanto outros o incluíram
  • A duração da sessão foi bastante variável, com intervalo de aproximadamente ~ 6 minutos a 90 minutos
    • Esta variabilidade não foi uniformemente distribuída entre as condições com a maioria das gravações do dia 2 da sessão 1 e do dia 3 da sessão 1 tendo uma duração de ~ 6 minutos.
    • Isso impede a análise das mudanças dinâmicas durante a meditação para essas sessões e pode tornar a publicação de tal análise difícil, pois essa variabilidade é uma variável de confusão potencial.

Dada a variabilidade no pré-processamento e nas montagens, selecionei o maior grupo: passa-banda de 0.5-80 Hz e excluí os outros conjuntos de dados da análise.

Pré-processando

Os dados de EEG foram exportados em formato EDF e importados para MNE-Python (Versão 17.1, Gramfort et al., 2013, 2014) para análise subsequente. O pipeline PREP foi usado para detectar canais corrompidos por ruído (Bigdely-Shamlo, Mullen, Kothe, Su, & Robbins, 2015) com todos os eletrodos ruins interpolados por meio de splines esféricos (Perrin, Pernier, Bertrand, & Echallier, 1989, 1990 ) Os dados foram então filtrados em banda de 1-50 Hz com filtro FIR (Rabiner & Gold, 1975). Piscadas potenciais foram detectadas usando uma mediana móvel, com uma mediana entre 30 a 300 microvolts com uma janela de 15 amostras (60-ms) rotuladas como uma piscada, conforme medido nos eletrodos Fp1 e Fp2. Os dados foram transformados pelo Laplaciano de superfície (via interpolação esférica) para fornecer um sinal livre de referência mais robusto (Kayser & Tenke, 2006a, 2006b). Os dados em torno dos eventos de piscar de olhos foram segmentados em períodos de -500 a 500 ms. A análise de componentes independentes foi conduzida usando o algoritmo de Picard (Ablin, Cardoso, & Gramfort, 2018a, 2018b), para isolar e remover artefatos EOG presentes nos dados, selecionando o componente com o maior coeficiente de correlação absoluto de Pearson r para os períodos de piscar de olhos via função find_bad_eog em MNE-Python. Os últimos cinco minutos de pré-meditação e gravações de meditação foram usados ​​para comparar os efeitos dos vários tipos de meditação nos espectros de EEG, e o EEG registrado durante a meditação foi usado para avaliar a dinâmica neural da meditação. Ggplot2 e MNE-Python foram usados ​​para criar as Figuras (Wickham, 2009).

Figura 1: Precisão do classificador por técnica de meditação

Referências

Ablin, P., Cardoso, JF, & Gramfort, A. (2018a). ICA mais rápido sob restrição ortogonal. Em ICASSP, ieee conferência internacional sobre acústica, fala e processamento de sinais - procedimentos. http://doi.org/10.1109/ICASSP.2018.8461662

Ablin, P., Cardoso, JF, & Gramfort, A. (2018b). Análise de componentes independentes mais rápida por pré-condicionamento com aproximações de hessian. Transações IEEE no processamento de sinais. http://doi.org/10.1109/TSP.2018. 2844203

Bigdely-Shamlo, N., Mullen, T., Kothe, C., Su, K.-M., & Robbins, K. a. (2015). O pipeline PREP: pré-processamento padronizado para análise de EEG em grande escala. Frontiers in Neuroinformatics, 9 (junho), 1-20. http://doi.org/10.3389/fninf.2015.00016

Carpenter, B., Gelman, A., Hoffman, M., Lee, D., Goodrich, B., Betancourt, M.,. . . Riddell, A. (2017). Stan: A Probabilistic Programming Language. Journal of Statistical Software, 76 (1), 1-32. http://doi.org/10. 18637 / jss.v076.i01

Nós acreditamos em

possibilidade

o poder de mudar a nós mesmos

a capacidade do corpo de curar

o incomum

celebrando a vida

milagres

um amor superior

futuro

atitude

evidência

um ao outro

o invisível

sabedoria

nossos filhos

sincronicidades

liberdade

nossos anciãos

mente sobre a matéria

Você acredita? Junte-se ao movimento

* Ao preencher este formulário, você se inscreve para receber nossos e-mails e pode cancelar a inscrição a qualquer momento