意识地振荡:使用机器学习来描述集中注意力冥想期间的系统级电生理活动
Noga Aviad1, Oz Moskovich2, Ophir Orenstein2
1Observing Minds Laboratory, School of Psychological Science, University of Haifa, Haifa, Israel.
Biological psychiatry global open science
|February 6, 2025
概括
机器学习使用脑电图 (EEG) 数据准确地区分了冥想和心灵流浪状态. 这种方法确定了EEG的关键特征,如高频振荡,特征集中注意力冥想.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 计算神经科学是一种神经科学.
背景情况:
- 对正念和冥想的神经电生理学研究正在迅速增长.
- 传统的分析方法与冥想神经生理学的复杂,非线性性质作斗争.
- 了解冥想期间大脑的活动需要先进的分析技术.
研究的目的:
- 揭示冥想状态的复杂,系统的神经电生理学.
- 应用机器学习来分析冥想期间的脑电图 (EEG) 数据.
- 为了确定特征特征的EEG特征,特征集中注意力冥想.
主要方法:
- 将极端梯度增强分类算法应用于EEG数据.
- 使用了4种互补的特征重要性方法.
- 记录了26名经验丰富的冥想者在集中注意力冥想和心灵流浪状态期间的EEG.
主要成果:
- 机器学习算法在将冥想与心灵流浪状态分类时取得了83%的准确性.
- 在ROC曲线下的面积为79%,F1得分为74%.
- 确定了10个EEG特征,包括增加高频功率和连贯性,与冥想相关.
结论:
- 这些发现描绘了冥想特征的复杂系统性振荡活动.
- 机器学习为分析冥想研究中的神经生理学数据提供了一个强大的工具.
- 特定的EEG模式与经验丰富的冥想者的集中注意力状态有关.


