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.
Vorverarbeitungsprobleme
EEG-Rohdaten wurden verarbeitet, wobei einige wesentliche Inkonsistenzen in Bezug auf die vorherige Vorverarbeitung festgestellt wurden:
- Bisher wurden 3 verschiedene Filterarten angewendet
- Keine Filterung
- 0.1-60 Hz Bandpass
- 0.5-80 Hz Bandpass
- In einigen Fällen sah die Filterung jedoch nicht so aus, als ob sie auf alle Elektroden angewendet worden wäre
- Es wurden verschiedene EEG-Elektrodenlayouts (Montagen) mit verschiedenen Referenzelektroden verwendet
- Einige hatten mehr Elektroden, höchstwahrscheinlich EMG-Sensoren
- Einige schlossen A1 aus, andere hatten es aufgenommen
- Die Sitzungsdauer war mit einem Bereich von ungefähr ~ 6 Minuten bis 90 Minuten ziemlich variabel
- Diese Variabilität war nicht gleichmäßig über die Bedingungen verteilt, wobei die Mehrzahl der Aufzeichnungen von Tag 2, Sitzung 1 und Tag 3, Sitzung 1 eine Dauer von ~ 6 Minuten hatte.
- Dies behindert die Analyse dynamischer Änderungen während der Meditation für diese Sitzungen und kann die Veröffentlichung einer solchen Analyse erschweren, da diese Variabilität eine potenziell verwirrende Variable ist.
Angesichts der Variabilität bei Vorverarbeitung und Montage habe ich die größte Gruppe ausgewählt: 0.5-80 Hz Bandpass und die anderen Datensätze von der Analyse ausgeschlossen.
Anarbeitung
EEG-Daten wurden im EDF-Format exportiert und zur anschließenden Analyse in MNE-Python (Version 17.1, Gramfort et al., 2013, 2014) importiert. Die PREP-Pipeline wurde verwendet, um Kanäle zu erkennen, die durch Rauschen verfälscht wurden (Bigdely-Shamlo, Mullen, Kothe, Su & Robbins, 2015), wobei alle fehlerhaften Elektroden über die sphärischen Splines interpoliert wurden (Perrin, Pernier, Bertrand & Echallier, 1989, 1990) ). Die Daten wurden dann mit einem FIR-Filter (Rabiner & Gold, 1) bandpassgefiltert auf 50-1975 Hz. Potenzielle Augenzwinkern wurden unter Verwendung eines sich bewegenden Medians mit einem Median zwischen 30 und 300 Mikrovolt mit einem Fenster von 15 Proben (60 ms), das als Blinzeln markiert war, gemessen an den Elektroden Fp1 und Fp2, festgestellt. Die Daten wurden vom Oberflächen-Laplace (über sphärische Interpolation) transformiert, um ein robusteres referenzfreies Signal bereitzustellen (Kayser & Tenke, 2006a, 2006b). Die Daten, die die Augenzwinkernereignisse umgeben, wurden in Epochen von -500 bis 500 ms segmentiert. Eine unabhängige Komponentenanalyse wurde unter Verwendung des Picard-Algorithmus (Ablin, Cardoso & Gramfort, 2018a, 2018b) durchgeführt, um in den Daten vorhandene EOG-Artefakte zu isolieren und zu entfernen, indem die Komponente mit dem größten absoluten Pearson-r-Korrelationskoeffizienten für die Augenzwinkern-Epochen über ausgewählt wurde find_bad_eog Funktion in MNE-Python. Die letzten fünf Minuten der Vormeditations- und Meditationsaufzeichnungen wurden verwendet, um die Auswirkungen der verschiedenen Meditationstypen auf die EEG-Spektren zu vergleichen, und das während der Meditation aufgezeichnete EEG wurde verwendet, um die neuronale Dynamik der Meditation zu bewerten. Ggplot2 und MNE-Python wurden verwendet, um die Figuren zu erstellen (Wickham, 2009).
Abbildung 1: Genauigkeit des Klassifikators nach Meditationstechnik
Referenzen
Ablin, P., Cardoso, JF & Gramfort, A. (2018a). Schnellere ICA unter orthogonalen Bedingungen. In ICASSP, dh internationale Konferenz über Akustik, Sprach- und Signalverarbeitung - Verfahren. http://doi.org/10.1109/ICASSP.2018.8461662
Ablin, P., Cardoso, JF & Gramfort, A. (2018b). Schnellere unabhängige Komponentenanalyse durch Vorkonditionierung mit hessischen Näherungen. IEEE-Transaktionen zur Signalverarbeitung. http://doi.org/10.1109/TSP.2018. 2844203
N. Bigdely-Shamlo, T. Mullen, C. Kothe, K.-M. Su & K. a. Robbins. (2015). Die PREP-Pipeline: Standardisierte Vorverarbeitung für die groß angelegte EEG-Analyse. Frontiers in Neuroinformatics, 9. Juni, 1–20. http://doi.org/10.3389/fninf.2015.00016
B. Carpenter, A. Gelman, M. Hoffman, D. Lee, B. Goodrich, M. Betancourt, . . Riddell, A. (2017). Stan: Eine probabilistische Programmiersprache. Journal of Statistical Software, 76 (1), 1–32. http://doi.org/10. 18637 / jss.v076.i01