在多个冥想和非冥想课程中对主体独立的EEG数据分类的基于机器学习的比较分析
Nalinda D Liyanagedera1,2, Corinne A Bareham3, Heather Kempton4
1School of Mathematical and Computational Sciences, Massey University, Palmerston North 4410, New Zealand.
Sensors (Basel, Switzerland)
|November 27, 2025
概括
爱心冥想 (LKM) 和非冥想的对象独立的脑电图 (EEG) 分类是可行的. 机器学习模型实现了中度的准确性,结合CSP + STFT功能和更多的培训课程改善了结果.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 认知科学 认知科学
背景情况:
- 脑电图 (EEG) 是研究冥想期间大脑活动的关键工具.
- 之前的研究重点是学科内部分类,限制了现实世界的应用.
- 独立于主体的分类对于开发实用的脑计算机接口 (BCI) 至关重要.
研究的目的:
- 调查主体独立的,多次会话EEG对慈爱冥想 (LKM) 和非冥想的分类的可行性.
- 为了比较不同BCI管道 (CSP,STFT,CSP+STFT) 在此分类任务中的性能.
- 评估不同培训次数对分类准确性的影响.
主要方法:
- 利用了来自12名参与者在多次会议中的EEG数据,将LKM (自我和他人) 与非冥想进行了比较.
- 采用了三个BCI管道,包括特征提取 (CSP,STFT,CSP + STFT) 和神经网络分类.
- 通过汇集数据和随机选择培训和测试会话,并进行重复试验以进行概括,实施了独立于学科的方法.
主要成果:
- 与主体内研究相比,主体独立研究中的平均分类准确度较低.
- CSP + STFT 管道总体上表现优于单独的 CSP 或 STFT (83.3% 的实例).
- 在大多数情况下 (75.0%的实例中),增加培训课程对的数量提高了分类准确性.
结论:
- 在特定的条件下,可以对冥想状态进行主体独立的,多次会话的EEG分类.
- CSP + STFT的特征提取方法和增加的培训数据显示了提高准确性的前景.
- 这些发现支持开发主体独立的算法来指导冥想实践.
