Machine Learning-Based Classification of Jhana Advanced Concentrative Absorption Meditation (ACAM-J) using 7T fMRI

Resumen Técnico: Clasificación de la Meditación de Absorción Concentrada Avanzada (ACAM-J) basada en Aprendizaje Automático utilizando fMRI de 7T

1. Problema y Contexto

Los estados avanzados de meditación, específicamente la secuencia de Jhana (denominada en el estudio como ACAM-J o Meditación de Absorción Concentrada Avanzada de tipo Jhana), representan modos de conciencia altamente estructurados y no ordinarios. A pesar de su importancia en las tradiciones contemplativas y su potencial para comprender la conciencia humana y el bienestar, estos estados han sido escasamente estudiados neurocientíficamente.

• Limitaciones actuales: La investigación previa se ha basado principalmente en análisis univariados que detectan diferencias a nivel de grupo pero fallan en capturar la "huella digital neural" multidimensional que distingue estos estados específicos.
• Desafío metodológico: La rareza de los practicantes expertos capaces de mantener estados ACAM-J profundos y la variabilidad interindividual dificultan el uso de técnicas de aprendizaje profundo estándar, requiriendo enfoques robustos para muestras pequeñas y desbalanceadas.

2. Metodología

El estudio propone un marco computacional integrado diseñado específicamente para estados cognitivos raros y dependientes de la experiencia.

• Datos y Adquisición:

  • Escaneo: Se utilizó resonancia magnética funcional de ultra alto campo (7T) para obtener una resolución espacial superior.
  • Cohortes: Se combinaron datos de nivel grupal de 20 meditadores avanzados (con una media de ~20,500 horas de práctica) y datos intensivos de un caso de estudio individual (un maestro con >25 años de experiencia y ~20,000 horas de práctica).
  • Condiciones: Se compararon los estados ACAM-J (desde el acceso hasta los 8 estados de absorción) contra tareas de control no meditativas: una tarea de conteo (contar hacia atrás desde 10,000) y una tarea de memoria (recordar eventos de la semana pasada). Se evitó el estado de reposo para prevenir la inducción involuntaria de estados meditativos.
  • Reporte Fenomenológico: Se recogieron calificaciones subjetivas (estabilidad, amplitud de atención, intensidad) para correlacionar la experiencia interna con los datos neurales.

• Preprocesamiento y Características:

  • Métrica Principal: Se calculó la Homogeneidad Regional (ReHo), que mide la similitud en los patrones de activación temporal entre un vóxel y sus vecinos, sirviendo como índice de conectividad funcional local.
  • Regiones de Interés (ROI): Se extrajeron características de 498 regiones cerebrales (corticales, subcorticales, tronco encefálico y cerebelo) utilizando atlas estandarizados (Schaefer, Tian, Bianciardi, MDTB).

• Pipeline de Aprendizaje Automático:

  • Manejo de Desequilibrio: Dado el desbalance entre los datos del caso de estudio y el grupo, se aplicó la técnica SMOTE (Synthetic Minority Over-sampling Technique) para generar muestras sintéticas y equilibrar las clases (ratio 1:1) durante el entrenamiento, evitando el sobreajuste a la clase mayoritaria.
  • Selección de Características: Se utilizó Eliminación Recursiva de Características (RFE) con un modelo de Random Forest para identificar los ROIs más informativos, eliminando aquellos con puntuaciones de importancia normalizada < 0.5.
  • Modelos: Se entrenaron seis algoritmos: Regresión Logística, Árboles de Decisión, Random Forest, SVM (kernel lineal), k-Vecinos Más Cercanos (kNN) y Redes Neuronales Artificiales (ANN).
  • Ensemble Learning: Se combinaron los tres mejores modelos mediante un promedio de probabilidades (ensemble averaging) para mejorar la precisión predictiva y reducir la varianza.
  • Validación: Se empleó validación cruzada estratificada de 5 pliegues para mantener la distribución de clases en cada división. La evaluación final se realizó en el conjunto de datos del caso de estudio (no modificado) para probar la generalización.
  • Análisis de Residuos: Se realizó un análisis de regresión lineal para eliminar la varianza asociada a las reportes fenomenológicos de los datos de ReHo, aislando así las señales neurales específicas del estado ACAM-J.

3. Resultados Clave

• Rendimiento de Clasificación:
  • El modelo ensemble logró una precisión global del 66.82% (p < 0.05) para distinguir los estados ACAM-J de las condiciones de control.
  • La precisión específica frente a la tarea de conteo fue del 73.19% (Kappa de Cohen = 0.2604).
  • La precisión frente a la tarea de memoria fue del 63.94% (Kappa = 0.1908).
  • La clasificación entre pares de estados adyacentes (ej. J1 vs J2) alcanzó un promedio del 64.22%, siendo la distinción entre J1 y J6 la más alta (80.30%).
• Análisis de Importancia de Características:
  • Las regiones más discriminativas fueron la corteza prefrontal, el córtex cingulado anterior, la ínsula, los lóbulos parietales y el locus coeruleus.
  • Estos hallazgos se alinean con redes de control, de saliencia, de modo predeterminado (DMN) y sistemas de arousal (locus coeruleus).
• Impacto del Análisis de Residuos:
  • Al eliminar la varianza fenomenológica, la precisión aumentó de un 65.87% a un 66.82%, demostrando que controlar las diferencias subjetivas individuales mejora la detección de firmas neurales objetivas.
• Mapas de Superposición (Lesion Overlap):
  • El análisis de "lesión" (eliminación de regiones) confirmó que la corteza prefrontal, el cingulado anterior, la ínsula y el locus coeruleus son críticos; su eliminación redujo significativamente la precisión del modelo.

4. Contribuciones Clave

1. Primera Decodificación Predictiva de ACAM-J: Es el primer estudio que demuestra la viabilidad de decodificar estados progresivos de absorción profunda (Jhana) utilizando datos de fMRI y aprendizaje automático.
2. Marco Metodológico para Estados Raros: Propone un pipeline robusto que integra SMOTE, validación cruzada estratificada y aprendizaje por conjuntos (ensemble), diseñado específicamente para manejar muestras pequeñas y desbalanceadas en neurociencia cognitiva.
3. Integración Fenomenología-Neurociencia: Demuestra que incorporar y luego controlar los reportes subjetivos (fenomenología) es crucial para aislar las firmas neurales puras de los estados meditativos avanzados.
4. Modelo Neural de Absorción: Sugiere un modelo de red donde la absorción concentrada implica un reajuste del acoplamiento arousal-atención (aumento de actividad en el locus coeruleus con menor arousal), una mayor dependencia de la red de saliencia para mantener el objeto meditativo, y una disminución progresiva de la actividad de la red de modo predeterminado (DMN) a medida que se profundiza en los estados.

5. Significado e Implicaciones

• Neurociencia Contemplativa: Este trabajo valida que los estados meditativos avanzados tienen correlatos neurales medibles y distinguibles, proporcionando una base empírica para el estudio de la conciencia humana en sus límites superiores.
• Aplicaciones Clínicas y Translacionales:
  • Neurofeedback: Los biomarcadores identificados podrían utilizarse para desarrollar protocolos de neurofeedback en tiempo real, ayudando a los practicantes a estabilizar la atención y detectar lapsos antes de que sean conscientes.
  • Neuromodulación: Los hallazgos guían el uso de técnicas como TMS o tDCS para modular redes específicas (salencia, control) y facilitar estados de absorción.
  • Monitoreo Objetivo: Ofrece criterios basados en datos para evaluar la profundidad de la meditación en ensayos clínicos y terapéuticos, reduciendo la dependencia exclusiva de reportes subjetivos.
• Futuro: Establece una hoja de ruta para estudios multimodales (fMRI + EEG/MEG) y el uso de aprendizaje por transferencia a medida que se disponga de conjuntos de datos más grandes, avanzando hacia una cartografía científica de la conciencia.