falta traducción: en.general.general.skip_content

TU PEDIDO

Cerrar Carrito

Resultados de EEG de meditación

Resumen

  • Hubo problemas con la calidad de los datos debido a diferentes montajes y pasos de preprocesamiento que aumentaron la variabilidad.
  • La clasificación de aprendizaje automático fue muy precisa del 97% en la discriminación previa a la meditación y la meditación final, lo que indica una diferencia entre los espectros de EEG para estas condiciones.
  • Hubo una relación entre el tiempo de meditación y la probabilidad de clasificación de meditación final, con D2S2 más rápido para inducir el estado de meditación final que D3S2.
  • Hubo diferencias en las bandas de potencia del EEG, con cada técnica de meditación induciendo diferentes patrones de cambios en las bandas de potencia.

Problemas de preprocesamiento

Se procesaron datos de EEG sin procesar, y se encontraron algunas inconsistencias importantes con respecto al preprocesamiento previo:

  • Se aplicaron previamente 3 tipos diferentes de filtrado
    • Sin filtros
    • Paso de banda de 0.1 a 60 Hz
    • Paso de banda de 0.5 a 80 Hz
  • Sin embargo, en algunos casos, el filtrado no parecía que se hubiera aplicado a todos los electrodos.
  • Se utilizaron diferentes diseños de electrodos de EEG (montajes) con diferentes electrodos de referencia.
    • Algunos tenían más electrodos, probablemente sensores EMG
    • Algunos excluyeron A1 mientras que otros lo habían incluido
  • La duración de la sesión fue bastante variable con un rango de aproximadamente ~ 6 minutos a 90 minutos
    • Esta variabilidad no se distribuyó de manera uniforme entre las condiciones, y la mayoría de las grabaciones del día 2 sesión 1 y del día 3 sesión 1 tuvieron una duración de ~ 6 minutos.
    • Esto impide el análisis de los cambios dinámicos a lo largo de la meditación para estas sesiones y puede dificultar la publicación de dicho análisis, ya que esta variabilidad es una posible variable de confusión.

Dada la variabilidad en el preprocesamiento y los montajes, seleccioné el grupo más grande: paso de banda de 0.5 a 80 Hz y excluí los otros conjuntos de datos del análisis.

preprocesamiento

Los datos de EEG se exportaron en formato EDF y se importaron a MNE-Python (Versión 17.1, Gramfort et al., 2013, 2014) para su posterior análisis. La tubería PREP se utilizó para detectar canales que estaban dañados por el ruido (Bigdely-Shamlo, Mullen, Kothe, Su y Robbins, 2015) con todos los electrodos defectuosos interpolados a través de las splines esféricas (Perrin, Pernier, Bertrand y Echallier, 1989, 1990 ). A continuación, los datos se filtraron en paso de banda a 1-50 Hz con un filtro FIR (Rabiner & Gold, 1975). Los parpadeos potenciales del ojo se detectaron usando una mediana móvil, con una mediana entre 30 y 300 microvoltios con una ventana de 15 muestras (60 ms) etiquetadas como un parpadeo, medido en los electrodos Fp1 y Fp2. Los datos fueron transformados por el laplaciano de superficie (mediante interpolación esférica) para proporcionar una señal sin referencia más robusta (Kayser & Tenke, 2006a, 2006b). Los datos que rodean los eventos de parpadeo del ojo se segmentaron en épocas de -500 a 500 ms. El análisis de componentes independientes se realizó utilizando el algoritmo de Picard (Ablin, Cardoso y Gramfort, 2018a, 2018b), para aislar y eliminar los artefactos EOG presentes en los datos mediante la selección del componente con el mayor coeficiente de correlación absoluta r de Pearson para las épocas de parpadeo mediante función find_bad_eog en MNE-Python. Los últimos cinco minutos de premeditación y grabaciones de meditación se utilizaron para comparar los efectos de los diversos tipos de meditación en los espectros de EEG, y el EEG registrado durante la meditación se utilizó para evaluar la dinámica neuronal de la meditación. Se utilizaron Ggplot2 y MNE-Python para crear las Figuras (Wickham, 2009).

Figura 1: Precisión del clasificador por técnica de meditación

Referencias

Ablin, P., Cardoso, JF y Gramfort, A. (2018a). ICA más rápido bajo restricción ortogonal. En ICASSP, conferencia internacional ieee sobre acústica, procesamiento de voz y señales - actas. http://doi.org/10.1109/ICASSP.2018.8461662

Ablin, P., Cardoso, JF y Gramfort, A. (2018b). Análisis de componentes independientes más rápido mediante el preacondicionamiento con aproximaciones de arpillera. Transacciones IEEE sobre procesamiento de señales. http://doi.org/10.1109/TSP.2018. 2844203

Bigdely-Shamlo, N., Mullen, T., Kothe, C., Su, K.-M. y Robbins, K. a. (2015). La tubería PREP: preprocesamiento estandarizado para análisis EEG a gran escala. Frontiers in Neuroinformatics, 9 (junio), 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: un lenguaje de programación probabilístico. Journal of Statistical Software, 76 (1), 1–32. http://doi.org/10. 18637 / jss.v076.i01

Creemos en

posibilidad

el poder de cambiarnos a nosotros mismos

la capacidad del cuerpo para sanar

lo poco común

celebrando la vida

milagros

un amor superior

el futuro

actitud

la evidencia

entre sí

Lo nunca visto

sabiduría

nuestros hijos

sincronicidades

libertad

nuestros mayores

mente sobre materia

¿Tu crees? Unete al movimiento

* Al completar este formulario, se registra para recibir nuestros correos electrónicos y puede darse de baja en cualquier momento.