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.
Problemy z przetwarzaniem wstępnym
Przetworzono nieprzetworzone dane EEG, z pewnymi poważnymi niespójnościami w odniesieniu do wcześniejszego przetwarzania wstępnego:
- Wcześniej stosowano 3 różne typy filtrowania
- Bez filtrowania
- Pasmo przenoszenia 0.1-60 Hz
- Pasmo przenoszenia 0.5-80 Hz
- Jednak w niektórych przypadkach filtrowanie nie wyglądało tak, jakby zostało zastosowane do wszystkich elektrod
- Z różnymi elektrodami odniesienia stosowano różne układy (montaż) elektrod EEG
- Niektórzy mieli więcej elektrod, najprawdopodobniej czujniki EMG
- Niektórzy wykluczyli A1, podczas gdy inni go włączyli
- Długość sesji była dość zmienna i wahała się od około 6 minut do 90 minut
- Ta zmienność nie była równomiernie rozłożona w różnych warunkach, przy czym większość nagrań z dnia 2 sesji 1 i dnia 3 sesji 1 miała czas trwania ~ 6 minut.
- Utrudnia to analizę dynamicznych zmian podczas medytacji dla tych sesji i może utrudniać publikowanie takiej analizy, ponieważ ta zmienność jest potencjalną zmienną zakłócającą.
Biorąc pod uwagę zmienność w przetwarzaniu wstępnym i montażu, wybrałem największą grupę: pasmowoprzepustowy 0.5-80 Hz i wykluczyłem inne zestawy danych z analizy.
Przetwarzanie wstępne
Dane EEG zostały wyeksportowane w formacie EDF i zaimportowane do MNE-Python (wersja 17.1, Gramfort i in., 2013, 2014) w celu dalszej analizy. Potok PREP został użyty do wykrywania kanałów, które zostały uszkodzone przez szum (Bigdely-Shamlo, Mullen, Kothe, Su i Robbins, 2015) ze wszystkimi złymi elektrodami interpolowanymi za pomocą splajnów sferycznych (Perrin, Pernier, Bertrand i Echallier, 1989, 1990 ). Dane następnie przefiltrowano pasmowo do 1-50 Hz z filtrem FIR (Rabiner i Gold, 1975). Potencjalne mrugnięcia do oczu wykryto przy użyciu ruchomej mediany, z medianą od 30 do 300 mikrowoltów z oknem 15 próbek (60 ms) oznaczonych jako mrugnięcie, mierzoną na elektrodach Fp1 i Fp2. Dane zostały przekształcone przez powierzchnię Laplacian (poprzez interpolację sferyczną), aby zapewnić bardziej wytrzymały sygnał pozbawiony odniesienia (Kayser i Tenke, 2006a, 2006b). Dane dotyczące mrugnięć powiekami podzielono na segmenty w okresach od -500 do 500 ms. Niezależną analizę składową przeprowadzono za pomocą algorytmu Picarda (Ablin, Cardoso i Gramfort, 2018a, 2018b), aby wyodrębnić i usunąć artefakty EOG obecne w danych, wybierając składnik o największym bezwzględnym współczynniku korelacji r Pearsona do epok mrugnięcia okiem poprzez Funkcja find_bad_eog w MNE-Pythonie. Ostatnie pięć minut nagrań przed medytacją i medytacji wykorzystano do porównania wpływu różnych rodzajów medytacji na widma EEG, a zapis EEG zarejestrowany podczas medytacji wykorzystano do oceny dynamiki neuronalnej medytacji. Do tworzenia liczb wykorzystano Ggplot2 i MNE-Python (Wickham, 2009).
Rycina 1: Dokładność klasyfikatora metodą medytacji
Referencje
Ablin, P., Cardoso, JF i Gramfort, A. (2018a). Szybsze ICA pod wiązaniem ortogonalnym. W ICASSP, tj. Międzynarodowa konferencja dotycząca akustyki, mowy i przetwarzania sygnałów - postępowanie. http://doi.org/10.1109/ICASSP.2018.8461662
Ablin, P., Cardoso, JF i Gramfort, A. (2018b). Szybsza niezależna analiza komponentów dzięki uwarunkowaniu wstępnemu z przybliżeniami hessusa. Transakcje IEEE dotyczące przetwarzania sygnałów. http://doi.org/10.1109/TSP.2018. 2844203
Bigdely-Shamlo, N., Mullen, T., Kothe, C., Su, K.-M., & Robbins, K. a. (2015). Potok PREP: znormalizowane przetwarzanie wstępne do analizy EEG na dużą skalę. Frontiers in Neuroinformatics, 9 (czerwiec), 1–20. http://doi.org/10.3389/fninf.2015.00016
Carpenter, B., Gelman, A., Hoffman, M., Lee, D., Goodrich, B., Betancourt, M.,. . . Riddell, A. (2017). Stan: Probabilistyczny język programowania. Journal of Statistical Software, 76 (1), 1–32. http://doi.org/10. 18637 / jss.v076.i01