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.
Problèmes de prétraitement
Les données EEG brutes ont été traitées, avec quelques incohérences majeures constatées par rapport au prétraitement antérieur:
- Il y avait 3 types de filtrage différents précédemment appliqués
- Pas de filtrage
- Passe-bande 0.1-60 Hz
- Passe-bande 0.5-80 Hz
- Cependant, dans certains cas, le filtrage ne semblait pas avoir été appliqué à toutes les électrodes
- Il y avait différentes dispositions d'électrodes EEG (montages) utilisées avec différentes électrodes de référence
- Certains avaient plus d'électrodes, probablement des capteurs EMG
- Certains ont exclu A1 tandis que d'autres l'ont inclus
- La durée de la session était assez variable avec une plage d'environ 6 minutes à 90 minutes
- Cette variabilité n'était pas répartie uniformément entre les conditions, la majorité des enregistrements du jour 2 de la session 1 et du jour 3 de la session 1 ayant une durée d'environ 6 minutes.
- Cela empêche l'analyse des changements dynamiques tout au long de la méditation pour ces sessions et peut rendre la publication d'une telle analyse difficile car cette variabilité est une variable de confusion potentielle.
Compte tenu de la variabilité du prétraitement et des montages, j'ai sélectionné le plus grand groupe: passe-bande 0.5-80 Hz et exclu les autres ensembles de données de l'analyse.
Prétraitement
Les données EEG ont été exportées au format EDF et importées dans MNE-Python (Version 17.1, Gramfort et al., 2013, 2014) pour une analyse ultérieure. Le pipeline PREP a été utilisé pour détecter les canaux corrompus par le bruit (Bigdely-Shamlo, Mullen, Kothe, Su et Robbins, 2015) avec toutes les mauvaises électrodes interpolées via les splines sphériques (Perrin, Pernier, Bertrand et Echallier, 1989, 1990 ). Les données ont ensuite été filtrées passe-bande à 1 à 50 Hz avec un filtre FIR (Rabiner & Gold, 1975). Les clignements oculaires potentiels ont été détectés en utilisant une médiane mobile, avec une médiane entre 30 et 300 microvolts avec une fenêtre de 15 échantillons (60 ms) marqués comme un clignotement, tel que mesuré aux électrodes Fp1 et Fp2. Les données ont été transformées par le laplacien de surface (par interpolation sphérique) pour fournir un signal sans référence plus robuste (Kayser et Tenke, 2006a, 2006b). Les données entourant les événements de clignement des yeux ont été segmentées entre des époques de -500 à 500 ms. Une analyse indépendante des composants a été menée à l'aide de l'algorithme de Picard (Ablin, Cardoso et Gramfort, 2018a, 2018b), pour isoler et éliminer les artefacts EOG présents dans les données en sélectionnant le composant avec le plus grand coefficient de corrélation absolu de Pearson r aux époques de clignement des yeux via fonction find_bad_eog dans MNE-Python. Les cinq dernières minutes des enregistrements de pré-méditation et de méditation ont été utilisées pour comparer les effets des différents types de méditation sur les spectres EEG, et l'EEG enregistré pendant la méditation a été utilisé pour évaluer la dynamique neurale de la méditation. Ggplot2 et MNE-Python ont été utilisés pour créer les Figures (Wickham, 2009).
Figure 1: Précision du classificateur par technique de méditation
Références
Ablin, P., Cardoso, JF et Gramfort, A. (2018a). ICA plus rapide sous contrainte orthogonale. Dans ICASSP, ieee conférence internationale sur l'acoustique, la parole et le traitement du signal - actes. http://doi.org/10.1109/ICASSP.2018.8461662
Ablin, P., Cardoso, JF et Gramfort, A. (2018b). Analyse plus rapide des composants indépendants par préconditionnement avec des approximations de Hesse. Transactions IEEE sur le traitement du signal. http://doi.org/10.1109/TSP.2018. 2844203
Bigdely-Shamlo, N., Mullen, T., Kothe, C., Su, K.-M., et Robbins, K. a. (2015). Le pipeline PREP: un prétraitement standardisé pour une analyse EEG à grande échelle. Frontiers in Neuroinformatics, 9 (juin), 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 langage de programmation probabiliste. Journal of Statistical Software, 76 (1), 1–32. http://doi.org/10. 18637 / jss.v076.i01