Résumé
- Il y avait des problèmes avec la qualité des données en raison de différents montages et étapes de prétraitement augmentant la variabilité.
- La classification de l'apprentissage automatique était très précise à 97% pour distinguer la pré-méditation et la fin de la méditation, indiquant une différence entre les co-spectres EEG pour ces conditions.
- Il y avait une relation entre le temps de méditation et la probabilité de classification de fin de méditation, avec D2S2 plus rapide à induire l'état de fin de méditation que D3S2.
- Il y avait des différences dans les bandes de puissance EEG, chaque technique de méditation induisant différents modèles de changements dans les bandes de puissance.
Résumé
- Il y avait des différences dans les bandes de puissance EEG, chaque technique de méditation induisant différents modèles de changements dans les bandes de puissance.
- Pas de filtrage
- Passe-bande 0.1-60 Hz
- Passe-bande 0.5-80 Hz Il y avait 3 types de filtrage différents précédemment appliqués
- La classification de l'apprentissage automatique était très précise à 97% pour distinguer la pré-méditation et la fin de la méditation, indiquant une différence entre les co-spectres EEG pour ces conditions.
- Il y avait une relation entre le temps de méditation et la probabilité de classification de fin de méditation, avec D2S2 plus rapide à induire l'état de fin de méditation que D3S2.
- Il y avait des différences dans les bandes de puissance EEG, chaque technique de méditation induisant différents modèles de changements dans les bandes de puissance.