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
Riferimenti
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