从马波段有效连接中对正念体验的分类:在休息,呼吸和身体扫描上应用机器学习算法
Ai-Ling Hsu1, Chun-Yu Wu2, Hei-Yin Hydra Ng3
1Department of Artificial Intelligence, Chang Gung University, Taoyuan, Taiwan; Department of Psychiatry, Chang Gung Memorial Hospital at Linkou, Taoyuan, Taiwan.
Computer methods and programs in biomedicine
|October 6, 2024
概括
通过脑电图 (EEG) 的脑连接,可以预测正念体验. 一个决策树模型实现了91.7%的准确性,从静止状态EEG数据分类正念状态.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 心理学 心理学 心理学
背景情况:
- 正念练习通过改变大脑功能来增强整体感知意识,减轻压力和调节情绪.
- 脑电图 (EEG) 导出的大脑连接显示出在区分正念体验水平方面的潜力.
- 对正念状态的客观定量差异化可以促进心理健康的远程诊断.
研究的目的:
- 调查EEG有效连接对正念体验的预测性能.
- 为了比较各种机器学习 (ML) 算法来优化正念预测准确性.
- 识别可解释的大脑连接特征,表明正念状态.
主要方法:
- 直接定向传输函数 (dDTF) 用于分析EEG数据中的马波段有效连接.
- 七个机器学习 (ML) 算法被评估为分类正念体验历史.
- 在三个状态中收集了EEG数据:休息,集中呼吸和身体扫描.
主要成果:
- 决策树算法使用静止状态EEG数据实现了最高的预测准确率91.7%.
- 支持向量机和天真贝叶斯分类器也显示出明显的准确度超过机会水平.
- 将EEG分析减少到四个关键通道 (F7,F8,T7,P7) 保持了83.3%的准确性,额叶连接是至关重要的.
结论:
- 开发了一个基于EEG的分类器,以客观地检测正念体验.
- 决策树模型在区分正念状态与静止状态EEG方面表现出最佳的准确性.
- 这些发现为在可穿戴的神经反系统和用于正念预测的数字治疗中使用EEG分类提供了指导.
