отсутствует перевод: en.general.general.skip_content

Ваша корзина

Закрыть корзину

Результаты медитации ЭЭГ

Заключение

  • Были проблемы с качеством данных из-за различий в монтаже и этапах предварительной обработки, увеличивающих вариативность.
  • Классификация машинного обучения была очень точной 97% при различении пре-медитации и конечной медитации, что указывает на разницу между ко-спектрами ЭЭГ для этих состояний.
  • Существовала взаимосвязь между временем в медитации и вероятностью классификации конечной медитации, причем D2S2 быстрее вызывал состояние конечной медитации, чем D3S2.
  • Были различия в диапазонах мощности ЭЭГ, при этом каждая техника медитации вызывала разные паттерны изменений в диапазонах мощности.

Проблемы с предварительной обработкой

Были обработаны необработанные данные ЭЭГ, с некоторыми существенными несоответствиями, обнаруженными в отношении предшествующей предварительной обработки:

  • Ранее применялись 3 различных типа фильтрации.
    • Без фильтрации
    • Полоса пропускания 0.1-60 Гц
    • Полоса пропускания 0.5-80 Гц
  • Однако в некоторых случаях фильтрация не выглядела так, как будто она была применена ко всем электродам.
  • Были использованы разные схемы расположения (монтажа) электродов ЭЭГ с разными электродами сравнения.
    • У некоторых было больше электродов, скорее всего, датчики ЭМГ
    • Некоторые исключили A1, в то время как другие включили его
  • Продолжительность сеанса варьировалась от ~ 6 минут до 90 минут.
    • Эта изменчивость не была равномерно распределена по условиям с большинством записей сеанса 2 дня 1 и сеанса 3 дня 1, имеющих продолжительность ~ 6 минут.
    • Это затрудняет анализ динамических изменений во время медитации для этих сеансов и может затруднить публикацию такого анализа, поскольку эта изменчивость является потенциальной мешающей переменной.

Учитывая вариабельность предварительной обработки и монтажа, я выбрал самую большую группу: полосу пропускания 0.5-80 Гц и исключил другие наборы данных из анализа.

предварительная обработка

Данные ЭЭГ были экспортированы в формат EDF и импортированы в MNE-Python (версия 17.1, Gramfort et al., 2013, 2014) для последующего анализа. Был использован конвейер PREP для обнаружения каналов, которые были повреждены шумом (Bigdely-Shamlo, Mullen, Kothe, Su, & Robbins, 2015) со всеми неисправными электродами, интерполированными с помощью сферических сплайнов (Perrin, Pernier, Bertrand, & Echallier, 1989, 1990). ). Затем данные подвергались полосовой фильтрации до 1-50 Гц с помощью FIR-фильтра (Rabiner & Gold, 1975). Возможные моргания глаз были обнаружены с использованием скользящей медианы со средним значением от 30 до 300 микровольт с окном из 15 образцов (60 мс), помеченным как мигание, при измерении на электродах Fp1 и Fp2. Данные были преобразованы с помощью поверхностного лапласиана (посредством сферической интерполяции) для получения более надежного сигнала без опорных точек (Kayser & Tenke, 2006a, 2006b). Данные, относящиеся к событиям моргания глаз, были сегментированы на периоды от -500 до 500 мс. Независимый компонентный анализ был проведен с использованием алгоритма Пикара (Ablin, Cardoso, & Gramfort, 2018a, 2018b), чтобы изолировать и удалить артефакты EOG, присутствующие в данных, путем выбора компонента с наибольшим абсолютным коэффициентом корреляции Пирсона r для эпох моргания глаз с помощью find_bad_eog в MNE-Python. Последние пять минут записей перед медитацией и медитацией использовались для сравнения эффектов различных типов медитации на спектры ЭЭГ, а ЭЭГ, записанная во время медитации, использовалась для оценки нейронной динамики медитации. Ggplot2 и MNE-Python использовались для создания фигур (Wickham, 2009).

Рисунок 1: Точность классификатора по технике медитации

дело

Аблин, П., Кардосо, Дж. Ф., и Грамфорт, А. (2018a). Более быстрый ICA при ортогональных ограничениях. В ICASSP, т. Е. Международной конференции по акустике, обработке речи и сигналов - сборник материалов. http://doi.org/10.1109/ICASSP.2018.8461662

Аблин, П., Кардосо, Дж. Ф., и Грамфорт, А. (2018b). Более быстрый независимый компонентный анализ за счет предварительной обработки гессианскими приближениями. Транзакции IEEE по обработке сигналов. http://doi.org/10.1109/TSP.2018. 2844203

Бигдели-Шамло, Н., Маллен, Т., Коте, К., Су, К.-М., и Роббинс, К. а. (2015). Конвейер PREP: стандартизованная предварительная обработка для крупномасштабного анализа ЭЭГ. Границы в нейроинформатике, 9 (июнь), 1–20. http://doi.org/10.3389/fninf.2015.00016

Карпентер, Б., Гельман, А., Хоффман, М., Ли, Д., Гудрич, Б., Бетанкур, М.,. . . Ридделл А. (2017). Стэн: вероятностный язык программирования. Журнал статистического программного обеспечения, 76 (1), 1–32. http://doi.org/10. 18637 / jss.v076.i01

Мы верим в

возможность

сила изменить себя

способность тела исцелять

необычное

празднуя жизнь

чудеса

высшая любовь

будущее

отношение

доказательства

друг друга

невидимое

мудрость

наши дети

синхроничности

свобода

наши старейшины

разум над материей

А Вы верите? Присоединяйтесь к нашему движению

* Заполняя эту форму, вы подписываетесь на наши электронные письма и можете отказаться от подписки в любое время.