对于单个和多个会话的爱的善良冥想EEG的分类的共同空间模式
Nalinda D Liyanagedera1,2, Ali Abdul Hussain3, Amardeep Singh4
1School of Mathematical and Computational Sciences, Massey University, Palmerston North, 4410, New Zealand. N.Liyanagedera@massey.ac.nz.
Brain informatics
|September 9, 2023
概括
这项研究成功地分类了爱心冥想 (LKM) 和非冥想状态的脑电图 (EEG) 数据,在单次和多次会话中实现了高精度. 这些发现为开发支持冥想实践的算法铺平了道路.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 生物医学工程 生物医学工程
背景情况:
- 有限的研究存在于对多会话脑电图 (EEG) 数据进行爱心冥想 (LKM) 的分类.
- 开发支持冥想实践的算法需要从EEG数据中对冥想状态进行强有力的分类.
研究的目的:
- 为了对LKM和非冥想状态的单次和多次会话EEG数据进行分类.
- 探索共同空间模式 (CSP) 在冥想EEG分析中的特征提取的实用性.
- 为了比较不同冥想和休息状态的分类准确度.
主要方法:
- 收集了32名参与者在四个条件下的EEG数据:休息前,休息后,LKM-自己和LKM-其他人.
- 应用常见空间模式 (CSP) 用于特征提取.
- 利用线性差异分析 (LDA) 进行冥想/非冥想实例的分类.
主要成果:
- 在单次冥想/休息前EEG数据的分类中获得了99.5%的准确性.
- 在多次 (五次) 冥想/休息前EEG数据中获得了83.6%的准确性.
- 休息前的数据显示出不同的特征,导致与其他心智任务相比,分类准确度更高.
结论:
- 证明了从EEG数据分类冥想状态的可行性,即使在多个会话中.
- 在冥想EEG分析中CSP的应用为研究开辟了新的途径.
- 这些发现支持开发对冥想实践及其影响的客观措施.
