Podsumowanie
- Wystąpiły problemy z jakością danych, spowodowane różnymi montażami i etapami wstępnego przetwarzania, które zwiększały zmienność.
- Klasyfikacja uczenia maszynowego była bardzo dokładna w 97% przy rozróżnianiu premedytacji i zakończenia medytacji, co wskazuje na różnicę między współ-widmami EEG dla tych stanów.
- Wystąpił związek między czasem w medytacji a prawdopodobieństwem klasyfikacji końcowej medytacji, przy czym D2S2 szybciej wywołuje stan zakończenia medytacji niż D3S2.
- Występowały różnice w pasmach mocy EEG, a każda technika medytacji wywoływała różne wzorce zmian w pasmach mocy.
Podsumowanie
- Występowały różnice w pasmach mocy EEG, a każda technika medytacji wywoływała różne wzorce zmian w pasmach mocy.
- Bez filtrowania
- Pasmo przenoszenia 0.1-60 Hz
- Pasmo przenoszenia 0.5-80 Hz Wcześniej stosowano 3 różne typy filtrowania
- Klasyfikacja uczenia maszynowego była bardzo dokładna w 97% przy rozróżnianiu premedytacji i zakończenia medytacji, co wskazuje na różnicę między współ-widmami EEG dla tych stanów.
- Wystąpił związek między czasem w medytacji a prawdopodobieństwem klasyfikacji końcowej medytacji, przy czym D2S2 szybciej wywołuje stan zakończenia medytacji niż D3S2.
- Występowały różnice w pasmach mocy EEG, a każda technika medytacji wywoływała różne wzorce zmian w pasmach mocy.