Classification of meditative phases through EEG analysis

Resumen Técnico: Clasificación de Fases Meditativas mediante el Análisis de EEG

Planteamiento del Problema
La meditación es ampliamente reconocida por sus beneficios psicológicos; sin embargo, proporcionar marcadores objetivos y no dependientes del sujeto para las distintas fases meditativas sigue siendo un desafío significativo. Si bien se ha utilizado la EEG para detectar la distracción mental o distinguir estados generales, la discriminación entre fases contemplativas estrechamente relacionadas —específicamente Concentración (C), Amor Benevolente (LK) y Vacuidad (E)— resulta difícil. Los enfoques existentes suelen tener problemas con la generalización entre sujetos, donde los modelos entrenados en un grupo fallan al clasificar los datos de nuevos sujetos. Además, los modelos de aprendizaje profundo de alto rendimiento carecen a menudo de interpretabilidad, lo que dificulta la derivación de reglas de retroalimentación accionables para los practicantes. Este estudio aborda la necesidad de un marco de clasificación independiente del sujeto que equilibre el rendimiento predictivo con una interpretabilidad total.

Metodología
El estudio utilizó un conjunto de datos de 35 sujetos (30 procesados con éxito tras la eliminación de artefactos) del Monasterio Sera Jey, India. Cada participante se sometió a un protocolo que involucraba tres bloques de meditación de 15 minutos (C, LK, E) en un orden fijo, registrados mediante un sistema EEG de 19 canales (estándar 10-20, muestreo de 512 Hz submuestreado a 100 Hz).

1. Representación de Datos y Preprocesamiento:
A diferencia de los enfoques tradicionales que tratan las ventanas de tiempo cortas como muestras independientes, los autores propusieron una representación espacio-temporal:

• Extracción de Características: A partir de las grabaciones de 15 minutos, se extrajeron características con una resolución de 1 minuto. El conjunto de características incluyó 601 rasgos compuestos por:
  • 16 características globales (entropía espectral, potencia de banda, coherencia, índice de desfase).
  • 45 características locales de Región de Interés (ROI) (potencia por región/banda).
  • 540 características de conectividad interregional (coherencia real, coherencia imaginaria e índice de desfase a través de 36 pares de regiones y 5 bandas de frecuencia).
• Codificación de la Derivada Temporal: Para capturar la dinámica lenta, la serie temporal de 15 puntos para cada característica fue transformada en una derivada de primer orden. Estas derivadas se discretizaron en tres tendencias categóricas: "disminución" (< -1 DE), "estabilidad" (-1 a 1 DE) e "incremento" (> 1 DE).
• Codificación: Las tendencias categóricas se convirtieron en vectores binarios de longitud fija utilizando un esquema de inverso de uno-hot (zero-hot), resultando en un vector binario de 42 dimensiones por cada característica original (14 pasos de tiempo × 3 categorías). La dimensión de entrada final fue de 25,242 características (601 características × 42).

2. Protocolos de Clasificación:

• Validación: La evaluación principal utilizó un protocolo de Dejar un Sujeto Fuera (LOSO) para asegurar la generalización independiente del sujeto. Los resultados se promediaron sobre 10 repeticiones con diferentes semillas aleatorias.
• Modelos:
  • Árboles de Decisión (DT): Entrenados con una profundidad máxima de 4 para prevenir el sobreajuste y asegurar reglas legibles por humanos. La división se basó en el Índice de Gini.
  • Bosque Aleatorio (RF): Un ensamble de 2000 árboles con la misma restricción de profundidad, utilizado para comparar el rendimiento contra el DT individual.
  • Líneas Base: El estudio comparó su método propuesto contra líneas base estándar que incluyen características temporales/espectrales con Redes Neuronales (NN), arquitecturas de aprendizaje profundo establecidas (EEGNet, Deep4Net, ShallowFBCSPNet) y un modelo fundacional (LaBraM).

Contribuciones Clave

1. Representación de EEG Espacio-Temporal: Un nuevo flujo de trabajo que codifica las trayectorias de las características minuto a minuto y sus tendencias de derivada en patrones discretos categóricos, preservando la estructura temporal en lugar de tratar las ventanas como independientes.
2. Flujo de Trabajo Diseñado para la Explicabilidad: La implementación de un marco de árbol de decisión basado en el índice de Gini diseñado específicamente para generar reglas de decisión interpretables bajo una validación estricta de sujetos disjuntos.
3. Identificación de Señales Discriminativas: Evidencia empírica de que la conectividad interregional de baja frecuencia, específicamente la coherencia de la banda delta entre las regiones medio-anterior (MA) y centro-izquierda (LC) durante la fase temprana de la meditación (minutos 4–5), sirve como la señal discriminativa más estable entre los sujetos.

Resultos

• Rendimiento de la Línea Base: Las líneas base estándar (Aprendizaje Profundo, Características Personalizadas, Modelos Fundacionales) alcanzaron una alta precisión (58–88%) bajo una validación cruzada de 5 pliegues estratificada (5FCV), pero se degradaron a niveles cercanos al azar (29–35%) bajo una validación agrupada por sujetos (G5FCV), confirmando la dificultad de la generalización entre sujetos.
• Rendimiento del Árbol de Decisión: El enfoque DT propuesto logró una precisión media del 44.67% (±1.6) y un macro-F1 de 43.8% bajo LOSO. Esto es significativamente superior al nivel de azar del 33.33% para tres clases.
• Rendimiento del Bosque Aleatorio: El modelo RF logró una precisión media más alta del 52.44% (±1.4) y un macro-F1 del 51.57% utilizando únicamente características basadas en coherencia.
• Importancia de las Características: El análisis de los árboles de decisión y los puntajes de impureza de RF resaltaron consistentemente las características de coherencia local como las más informativas. La característica del nodo raíz más recurrente fue la coherencia entre las regiones MA y LC en la banda delta en el índice de tiempo t3 (transición entre los minutos la 4 y 5).
• Variabilidad Inter-Sujeto: Mientras que algunos sujetos fueron clasificados con una precisión cercana al techo (hasta el 100%), otros permanecieron cerca del azar, lo que indica que las dinámicas de coherencia son altamente informativas para individuos específicos pero no son universalmente uniformes.

Significancia y Reivindicaciones
El artículo sostiene que los patrones de conectividad temporalmente estructurados codifican firmas reproducibles entre sujetos de fases contemplativas estrechamente relacionadas. Los autores argumentan que, si bien los modelos de aprendizaje profundo ofrecen un mayor poder predictivo, a menudo carecen de la visión mecánica requerida para las herramientas de retroalimentación. En contraste, los modelos simples y explicables propuestos proporcionan una base sólida para futuros sistemas de retroalimentación independientes del sujeto.

El estudio enfatiza que la coherencia delta de la fase temprana no es simplemente un marcador de presencia, sino una característica discriminativa capaz de separar distintos estados meditativos entre diferentes individuos. Los autores concluyen que su enfoque demuestra con éxito que la decodificación de la meditación entre sujetos puede ser tanto superior al azar como interpretable cuando la representación prioriza las tendencias temporales de la conectividad espacial sobre ventanas cortas y no solapadas.

Limitaciones
Los autores reconocen limitaciones, incluyendo el tamaño de muestra relativamente pequeño (35 sujetos) y el orden fijo de las fases de meditación, lo que puede confundir los efectos de la fase con el tiempo de la tarea o la fatiga. Señalan que la secuencia fija es una necesidad metodológica para preservar la integridad ecológica de la práctica contemplativa tibetana estudiada. Se propone para trabajos futuros expandir a cohortes más grandes y explorar estrategias de modelado híbrido.