卷积神经网络用于根据EEG数据对健康个体进行练习或不练习冥想的分类
X Fu1, S S Tamozhnikov2, A E Saprygin3
1Novosibirsk State University, Novosibirsk, Russia.
Vavilovskii zhurnal genetiki i selektsii
|January 12, 2024
概括
这项研究开发了一个卷积神经网络,使用电脑电图 (EEG) 数据对冥想者和非冥想者进行分类. 该模型实现了82%的准确性,显示了评估压力和心理健康状况的潜力.
科学领域:
- 应用神经科学 应用神经科学
- 计算神经科学是一种计算神经科学.
- 机器学习在医疗保健中的应用
背景情况:
- 客观的压力评估在神经科学中至关重要.
- 冥想练习可以增强自我控制,减少压力和焦虑.
- 电脑电图 (EEG) 分析为压力水平的分类提供了潜力.
研究的目的:
- 开发和验证一个卷积神经网络 (CNN) 用于对冥想者进行分类.
- 在分类的停止信号范式中分析与事件相关的大脑潜力 (ERP).
- 评估CNN在根据冥想习惯区分个人方面的有效性.
主要方法:
- 在100名参与者 (51名冥想者,49名非冥想者) 的EEG数据上开发和训练了四个非深度CNN架构.
- 利用停止信号范式记录与事件相关的大脑潜力 (ERP).
- 在一个独立的25人样本上测试模型,并采用规范化和退出等技术来减轻过度装配.
主要成果:
- 一个具有1D卷积层和双层完全连接网络的CNN架构展示了卓越的性能.
- 通过模型调整,参数初始化,规范化,退出和交叉验证,成功管理了过度装配.
- 优化的模型在将个人分为冥想者和非冥想者群体时达到82%的准确性.
结论:
- 通过使用EEG数据,CNN可以有效地根据冥想实践对个人进行分类.
- 这种方法对客观的压力水平评估和识别对焦虑和抑郁的倾向有希望.
- 进一步的研究可以将这种方法扩展到各种主题组,以获得更广泛的心理健康应用.
