基于EEG的研究,研究正念冥想训练对深度学习和传统机器学习的状态和特征的影响
Baoxiang Shang1,2, Feiyan Duan1,3, Ruiqi Fu4
1School of Biomedical Engineering, Shenzhen University Medical School, Shenzhen University, Shenzhen, China.
Frontiers in human neuroscience
|September 18, 2023
概括
短期的正念训练显示出可检测的脑部变化. 深度学习方法可以准确地识别冥想者的脑电图 (EEG) 数据中的状态和特征效应.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 心理学 心理学 心理学
背景情况:
- 基于正念的压力减轻 (MBSR) 是一种广泛研究的干预措施.
- 了解短期冥想的神经生理效应至关重要.
- 脑电图 (EEG) 提供了对大脑活动的非侵入性测量.
研究的目的:
- 调查短期MBSR培训对状态和特征的影响.
- 为了比较深度学习 (ConvNets) 和传统机器学习 (SVM) 方法的有效性,分析与冥想相关的EEG数据.
- 评估不同学科和培训阶段的分类准确性.
主要方法:
- 利用了11名MBSR初学者在休息和冥想状态下的EEG数据.
- 使用的卷积神经网络 (CNN) 和支持向量机器 (SVM) 具有共同空间模式 (CSP) 和过器银行 CSP (FBCSP) 功能.
- 应用了各种分类策略,包括主体间,混合主体,主体内和主体转移.
主要成果:
- 浅层ConvNets取得的分类准确度优于先前对状态和特征效应的研究.
- 过器银行CSP (FBCSP) + SVM分类器产生了68.50% (状态),85.00% (特征,冥想) 和78.96% (特征,休息) 的学科间准确率.
- 深度学习在初学者冥想者的状态效应识别方面表现出优越性.
结论:
- 短期冥想训练会产生EEG可识别的状态和特征效应.
- 深度学习方法为分析冥想诱导的EEG变化提供了高精度.
- 这些发现支持MBSR培训的神经生理影响.
