Zusammenfassung
- Es gab Probleme mit der Datenqualität aufgrund unterschiedlicher Montagen und Vorverarbeitungsschritte, die die Variabilität erhöhten.
- Die Klassifizierung des maschinellen Lernens war bei der Unterscheidung von Vormeditation und Endmeditation zu 97% sehr genau, was auf einen Unterschied zwischen den EEG-Co-Spektren für diese Bedingungen hinweist.
- Es gab eine Beziehung zwischen der Zeit in der Meditation und der Wahrscheinlichkeit der Klassifizierung der Endmeditation, wobei D2S2 den Endmeditationszustand schneller induzierte als D3S2.
- Es gab Unterschiede in den EEG-Leistungsbändern, wobei jede Meditationstechnik unterschiedliche Muster von Änderungen in den Leistungsbändern hervorrief.
Zusammenfassung
- Es gab Unterschiede in den EEG-Leistungsbändern, wobei jede Meditationstechnik unterschiedliche Muster von Änderungen in den Leistungsbändern hervorrief.
- Keine Filterung
- 0.1-60 Hz Bandpass
- 0.5-80 Hz Bandpass Es gab 3 verschiedene Arten der Filterung, die zuvor angewendet wurden
- Die Klassifizierung des maschinellen Lernens war bei der Unterscheidung von Vormeditation und Endmeditation zu 97% sehr genau, was auf einen Unterschied zwischen den EEG-Co-Spektren für diese Bedingungen hinweist.
- Es gab eine Beziehung zwischen der Zeit in der Meditation und der Wahrscheinlichkeit der Klassifizierung der Endmeditation, wobei D2S2 den Endmeditationszustand schneller induzierte als D3S2.
- Es gab Unterschiede in den EEG-Leistungsbändern, wobei jede Meditationstechnik unterschiedliche Muster von Änderungen in den Leistungsbändern hervorrief.