traduzione mancante: en.general.general.skip_content

Il carrello

Chiudi Carrello

Risultati della meditazione EEG

sommario

  • Si sono verificati problemi con la qualità dei dati a causa di diversi montaggi e passaggi di pre-elaborazione che aumentavano la variabilità.
  • La classificazione dell'apprendimento automatico era molto accurata al 97% nel discriminare la pre-meditazione e la meditazione finale, indicando una differenza tra i co-spettri EEG per queste condizioni.
  • C'era una relazione tra il tempo in meditazione e la probabilità di classificazione della fine della meditazione, con D2S2 più veloce nell'indurre lo stato di meditazione finale rispetto a D3S2.
  • C'erano differenze nelle bande di potenza EEG, con ogni tecnica di meditazione che induceva diversi modelli di cambiamenti nelle bande di potenza.

Problemi di pre-elaborazione

Sono stati elaborati dati EEG grezzi, con alcune importanti incongruenze riscontrate rispetto alla preelaborazione precedente:

  • C'erano 3 diversi tipi di filtri applicati in precedenza
    • Nessun filtro
    • Passa banda 0.1-60 Hz
    • Passa banda 0.5-80 Hz
  • Tuttavia, in alcuni casi, il filtraggio non sembrava essere stato applicato a tutti gli elettrodi
  • C'erano diversi layout di elettrodi EEG (montaggi) usati con diversi elettrodi di riferimento
    • Alcuni avevano più elettrodi, molto probabilmente sensori EMG
    • Alcuni hanno escluso A1 mentre altri l'avevano incluso
  • La durata della sessione era abbastanza variabile con un intervallo da circa 6 minuti a 90 minuti
    • Questa variabilità non è stata distribuita uniformemente tra le condizioni con la maggior parte delle registrazioni della sessione 2 del giorno 1 e della sessione 3 del giorno 1 con una durata di ~ 6 minuti.
    • Ciò impedisce l'analisi dei cambiamenti dinamici durante la meditazione per queste sessioni e può rendere difficile la pubblicazione di tale analisi poiché questa variabilità è una potenziale variabile di confusione.

Data la variabilità nella preelaborazione e nei montaggi, ho selezionato il gruppo più numeroso: passa-banda 0.5-80 Hz ed escluso gli altri set di dati dall'analisi.

Pre-elaborazione

I dati EEG sono stati esportati in formato EDF e importati in MNE-Python (Versione 17.1, Gramfort et al., 2013, 2014) per la successiva analisi. La pipeline PREP è stata utilizzata per rilevare i canali corrotti dal rumore (Bigdely-Shamlo, Mullen, Kothe, Su, & Robbins, 2015) con tutti gli elettrodi difettosi interpolati tramite le spline sferiche (Perrin, Pernier, Bertrand, & Echallier, 1989, 1990) ). I dati sono stati quindi filtrati passa-banda a 1-50 Hz con filtro FIR (Rabiner & Gold, 1975). Potenziali battiti di ciglia sono stati rilevati utilizzando una mediana mobile, con una mediana compresa tra 30 e 300 microvolt con una finestra di 15 campioni (60 ms) etichettati come un ammiccamento, misurata agli elettrodi Fp1 e Fp2. I dati sono stati trasformati dalla superficie laplaciana (tramite interpolazione sferica) per fornire un segnale più robusto e privo di riferimento (Kayser & Tenke, 2006a, 2006b). I dati relativi agli eventi di ammiccamento degli occhi sono stati segmentati in epoche comprese tra -500 e 500 ms. L'analisi dei componenti indipendenti è stata condotta utilizzando l'algoritmo di Picard (Ablin, Cardoso e Gramfort, 2018a, 2018b), per isolare e rimuovere gli artefatti EOG presenti nei dati selezionando il componente con il più grande coefficiente di correlazione di Pearson r assoluto alle epoche di ammiccamento degli occhi tramite funzione find_bad_eog in MNE-Python. Gli ultimi cinque minuti di pre-meditazione e registrazioni di meditazione sono stati utilizzati per confrontare gli effetti dei vari tipi di meditazione sugli spettri EEG e l'EEG registrato durante la meditazione è stato utilizzato per valutare le dinamiche neurali della meditazione. Ggplot2 e MNE-Python sono stati utilizzati per creare le figure (Wickham, 2009).

Figura 1: accuratezza del classificatore per tecnica di meditazione

Referenze

Ablin, P., Cardoso, JF e Gramfort, A. (2018a). ICA più veloce con vincolo ortogonale. In ICASSP, ieee conferenza internazionale sull'acustica, il parlato e l'elaborazione del segnale - procedimenti. http://doi.org/10.1109/ICASSP.2018.8461662

Ablin, P., Cardoso, JF e Gramfort, A. (2018b). Analisi dei componenti indipendenti più rapida mediante precondizionamento con approssimazioni di iuta. Transazioni IEEE sull'elaborazione del segnale. http://doi.org/10.1109/TSP.2018. 2844203

Bigdely-Shamlo, N., Mullen, T., Kothe, C., Su, K.-M., & Robbins, K. a. (2015). La pipeline PREP: preelaborazione standardizzata per analisi EEG su larga scala. Frontiers in Neuroinformatics, 9 (giugno), 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: un linguaggio di programmazione probabilistico. Journal of Statistical Software, 76 (1), 1–32. http://doi.org/10. 18637 / jss.v076.i01

Noi crediamo

possibilità

il potere di cambiare noi stessi

la capacità del corpo di guarire

il raro

celebrare la vita

miracoli

un amore superiore

futuro

atteggiamento

prova

altro

l'invisibile

saggezza

I nostri figli

sincronicità

libertà

i nostri anziani

mente sulla materia

Credi? Unisciti al movimento

* Completando questo modulo ti iscrivi per ricevere le nostre e-mail e puoi cancellarti in qualsiasi momento