Classification of meditative phases through EEG analysis

Résumé technique : Classification des phases méditatives par analyse de l'EEG

Énoncé du problème
La méditation est largement reconnue pour ses bienfaits psychologiques, pourtant, fournir des marqueurs objectifs et indépendants du sujet pour les différentes phases méditatives demeure un défi de taille. Bien que l'EEG ait été utilisé pour détecter l'errance mentale ou distinguer des états larges, la discrimination entre des phases contemplatives étroitement liées — spécifiquement la Concentration (C), la Bienveillance (LK) et la Vacuité (E) — est difficile. Les approches existantes peinent souvent à la généralisation inter-sujets, où les modèles entraînés sur un groupe échouent à classifier les données de nouveaux sujets. De plus, les modèles d'apprentissage profond performants manquent souvent d'interprétabilité, ce qui rend difficile l'élaboration de règles de rétroaction exploitables pour les pratiquants. Cette étude répond au besoin d'un cadre de classification indépendant du sujet qui équilibre la performance prédictive et une interprétabilité totale.

Méthodologie
L'étude a utilisé un ensemble de données de 35 sujets (30 traités avec succès après suppression des artefacts) provenant du monastère de Sera Jey, en Inde. Chaque participant a suivi un protocole impliquant trois blocs de méditation de 15 minutes (C, LK, E) dans un ordre fixe, enregistrés via un système EEG à 19 canaux (norme 10-20, échantillonnage de 512 Hz sous-échantillonné à 100 Hz).

1. Représentation des données et prétraitement :
Contrairement aux approches traditionnelles qui traitent les fenêtres temporelles courtes comme des échantillons indépendants, les auteurs proposent une représsentation spatio-temporelle :

• Extraction de caractéristiques : À partir des enregistrements de 15 minutes, les caractéristiques ont été extraites à une résolution de 1 minute. L'ensemble de caractéristiques comprenait 601 éléments comprenant :
  • 16 caractéristiques globales (entropie spectrale, puissance de bande, cohérence, indice de déphasage).
  • 45 caractéristiques locales de régions d'intérêt (ROI) (puissance par région/bande).
  • 540 caractéristiques de connectivité inter-régionale (cohérence réelle, cohérence imaginaire et indice de déphasage à travers 36 paires de régions et 5 bandes de fréquences).
• Encodage de la dérivée temporelle : Pour capturer les dynamiques lentes, la série temporelle de 15 points pour chaque caractéristique a été transformée en une dérivée de premier ordre. Ces dérivées ont été discrétisées en trois tendances catégorielles : « diminution » (< -1 SD), « stabilité » (-1 à 1 SD) et « augmentation » (> 1 SD).
• Encodage : Les tendances catégorielles ont été converties en vecteurs binaires de longueur fixe à l'aide d'un schéma d'inverse one-hot (zero-hot), résultant en un vecteur binaire de 42 dimensions par caractéristique originale (14 étapes temporelles × 3 catégories). La dimension d'entrée finale était de 25 242 caractéristiques (601 caractéristiques × 42).

2. Protocoles de classification :

• Validation : L'évaluation primaire a utilisé un protocole de Leave-One-Subject-Out (LOSO) (exclusion d'un sujet) pour garantir une généralisation indépendante du sujet. Les résultats ont été moyennés sur 10 répétitions avec différentes graines aléatoires.
• Modèles :
  • Arbres de décision (DT) : Entraînés avec une profondeur maximale de 4 pour éviter le surapprentissage et garantir des règles lisibles par l'homme. La division était basée sur l'indice de Gini.
  • Forêt aléatoire (RF) : Un ensemble de 2000 arbres avec la même contrainte de profondeur, utilisé pour comparer les performances par rapport à l'arbre de décision unique.
  • Lignes de base (Baselines) : L'étude a comparé la méthode proposée à des lignes de base standards incluant des caractéristiques temporelles/spectrales personnalisées avec des réseaux de neurones (NN), des arbres de décision, des architectures d'apprentissage profond établies (EEGNet, Deep4Net, ShallowFBCSPNet) et un modèle de fondation (LaBraM).

Principales contributions

1. Représentation EEG spatio-temporelle : Un nouveau pipeline qui encode les trajectoires de caractéristiques minute par minute et leurs tendances de dérivées en motifs catégoriels discrets, préservant la structure temporelle plutôt que de traiter les fenêtres comme indépendantes.
2. Pipeline conçu pour l'explicabilité : L'implémentation d'un cadre d'arbre de décision basé sur l'indice de Gini spécifiquement conçu pour produire des règles de décision interprétables sous une validation stricte de séparation des sujets.
3. Identification de signaux discriminants : La preuve empirique que la connectivité inter-régionale à basse fréquence, spécifiquement la cohérence de la bande delta entre les régions médio-antérieures (MA) et centro-gauches (LC) durant la phase précoce de la méditation (minutes 4–5), sert de signal discriminant le plus stable entre les sujets.

Résultats

• Performance des lignes de base : Les lignes de base standards (Apprentissage profond, Caractéristiques personnalisées, Modèles de fondation) ont atteint une précision élevée (58–88 %) sous une validation croisée à 5 plis stratifiée (5FCV), mais se sont dégradées jusqu'à des niveaux proches du hasard (29–35 %) sous une validation par groupe de sujets (G5FCV), confirmant la difficulté de la généralisation inter-sujets.
• Performance de l'arbre de décision : L'approche DT proposée a atteint une précision moyenne de 44,67 % (±1,6) et un macro-F1 de 43,8 % sous LOSO. Cela est significativement supérieur au niveau de chance de 33,33 % pour trois classes.
• Performance de la forêt aléatoire : Le modèle RF a obtenu une précision moyenne plus élevée de 52,44 % (±1,4) et un macro-F1 de 51,57 % en utilisant uniquement des caractéristiques de cohérence.
• Importance des caractéristiques : L'analyse des arbres de décision et des scores d'impureté de la RF a systématiquement mis en évidence les caractéristiques de cohérence locale comme étant les plus informatives. La caractéristique du nœud racine la plus récurrente était la cohérence entre les régions MA et LC dans la bande delta à l'indice temporel t3 (transition entre les minutes 4 et 5).
• Variabilité inter-sujets : Bien que certains sujets aient été classés avec une précision proche du plafond (jusqu'à 100 %), d'autres restaient proches du hasard, indiquant que les dynamiques de cohérence sont très informatives pour des individus spécifiques mais ne sont pas universellement uniformes.

Signification et affirmations
L'article affirme que les motifs de connectivité temporellement structurés encodent des signatures reproductibles et inter-sujets de phases contemplatives étroitement liées. Les auteurs soutiennent que si les modèles d'apprentissage profond offrent une puissance prédictive supérieure, ils manquent souvent de l'aperçu mécaniste requis pour les outils de rétroaction. En revanche, les modèles simples et explicables proposés fournissent une base principielle pour les futurs systèmes de rétroaction indépendants du sujet.

L'étude souligne que la cohérence delta de phase précoce n'est pas seulement un marqueur de présence, mais une caractéristique discriminante capable de séparer des états méditatifs distincts chez différents individus. Les auteurs concluent que leur approche démontre avec succès que le décodage de la méditation inter-sujets peut être à la fois supérieur au hasard et interprétable lorsque la représentation privilégie les tendances temporelles de la connectivité spatiale plutôt que des fenêtres courtes et non chevauchantes.

Limites
Les auteurs reconnaissent les limites, incluant la taille relativement petite de l'échantillon (35 sujets) et l'ordre fixe des phases de méditation, qui peut confondre les effets de phase avec le temps passé sur la tâche ou la fatigue. Ils notent que la séquence fixe est une nécessité méthodologique pour préserver l'intégrité écologique de la pratique contemplative tibétaine étudiée. Des travaux futurs sont proposés pour étendre cela à des cohortes plus larges et explorer des stratégies de modélisation hybrides.