Classification of meditative phases through EEG analysis

Sintesi Tecnica: Classificazione delle Fasi Meditative attraverso l'Analisi EEG

Definizione del Problema
La meditazione è ampiamente riconosciuta per i suoi benefici psicologici, tuttavia fornire marcatori oggettivi e indipendenti dal soggetto per le diverse fasi meditative rimane una sfida significativa. Sebbene l'EEG sia stato utilizzato per rilevare il vagabondaggio mentale o distinguere stati ampi, discriminare tra fasi contemplative strettamente correlate — specificamente Concentrazione (C), Gentilezza Amorevole (LK) ed Emptiness (E, Vuoto) — è difficile. Gli approcci esistenti spesso faticano con la generalizzazione cross-subject, dove i modelli addestrati su un gruppo falliscono nel classificare i dati di nuovi soggetti. Inoltre, i modelli di deep learning ad alte prestazioni mancano spesso di interpretabilità, rendendo difficile derivare regole di feedback azionabili per i praticanti. Questo studio affronta la necessità di un framework di classificazione indipendente dal soggetto che bilanci le prestazioni predittive con la piena interpretabilità.

Metodologia
Lo studio ha utilizzato un dataset di 35 soggetti (30 elaborati con successo dopo la rimozione degli artefatti) provenienti dal monastero di Sera Jey, India. Ogni partecipante è stato sottoposto a un protocollo che prevedeva tre blocchi meditativi da 15 minuti (C, LK, E) in un ordine fisso, registrati tramite un sistema EEG a 19 canali (standard 10-20, 512 Hz sottocampionati a 100 Hz).

1. Rappresentazione dei Dati e Preprocessing:
A differenza degli approcci tradizionali che trattano brevi finestre temporali come campioni indipendenti, gli autori hanno proposto una rappresentazione spazio-temporale:

• Estrazione delle Caratteristiche: Dalle registrazioni di 15 minuti, le caratteristiche sono state estratte con una risoluzione di 1 minuto. Il set di caratteristiche comprendeva 601 feature composte da:
  • 16 caratteristiche globali (entropia spettrale, potenza di banda, coerenza, indice di lag di fase).
  • 45 caratteristiche locali delle Regioni di Interesse (ROI) (potenza per regione/banda).
  • 540 caratteristiche di connettività inter-regionale (coerenza reale, coerenza immaginaria e indice di lag di fase attraverso 36 coppie di regioni e 5 bande di frequenza).
• Codifica della Derivata Temporale: Per catturare la dinamica lenta, la serie temporale a 15 punti per ogni caratteristica è stata trasformata in una derivata del primo ordine. Queste derivate sono state discretizzate in tre tendenze categoriche: "diminuzione" (< -1 SD), "stabilità" (-1 a 1 SD) e "aumento" (> 1 SD).
• Codifica: Le tendenze categoriche sono state convertite in vettori binari a lunghezza fissa utilizzando uno schema di inverse one-hot (zero-hot), risultando in un vettore binario di 42 dimensioni per ogni caratteristica originale (14 step temporali × 3 categorie). La dimensione finale dell'input era di 25.242 caratteristiche (601 caratteristiche × 42).

2. Protocolli di Classificazione:

• Validazione: La valutazione primaria ha utilizzato un protocolo Leave-One-Subject-Out (LOSO) per garantire la generalizzazione indipendente dal soggetto. I risultati sono stati mediati su 10 ripetizioni con diversi seed casuali.
• Modelli:
  • Alberi di Decisione (DT): Addestrati con una profondità massima di 4 per prevenire l'overfitting e garantire regole leggibili dall'uomo. La suddivisione si è basata sull'Indice di Gini.
  • Random Forest (RF): Un ensemble di 2000 alberi con lo stesso vincolo di profondità, utilizzato per confrontare le prestazioni rispetto al singolo DT.
  • Baseline: Lo studio ha confrontato il metodo proposto con baseline standard, inclusi modelli con caratteristiche temporali/spettrali personalizzate con Reti Neurali (NN) e Alberi di Decisione, architetture di deep learning consolidate (EEGNet, Deep4Net, ShallowFBCSPNet) e un modello di fondazione (LaBraM).

Contributi Chiave

1. Rappresentazione EEG Spazio-Temporale: Una nuova pipeline che codifica le traiettorie delle caratteristiche minuto per minuto e le loro tendenze derivate in pattern categorici discreti, preservando la struttura temporale invece di trattare le finestre come indipendenti.
2. Pipeline Progettata per l'Interpretabilità (Explainable-by-Design): L'implementazione di un framework di albero di decisione basato sull'indice di Gini, progettato specificamente per produrre regole decisionali interpretabili sotto una validazione rigorosamente subject-disjoint.
3. Identificazione di Segnali Discriminativi: L'evidenza empirica che la connettività inter-regionale a bassa frequenza, specificamente la coerenza nella banda delta tra le regioni mid-anterior (MA) e left-central (LC) durante la fase iniziale della meditazione (minuti 4–5), funge da segnale discriminativo più stabile tra i soggetti.

Risultati

• Prestazioni Baseline: Le baseline standard (Deep Learning, Caratteristiche Personalizzate, Modelli di Fondazione) hanno raggiunto un'accuratezza elevata (58–88%) sotto una validazione incrociata a 5 pieghe stratificata (5FCV), ma sono degradate a livelli vicini al caso (29–35%) sotto una validazione raggruppata per soggetti (G5FCV), confermando la difficoltà della generalizzazione cross-subject.
• Prestazioni dell'Albero di Decisione: L'approccio DT proposto ha raggiunto un'accuratezza media del 44,67% (±1,6) e un macro-F1 del 43,8% sotto LOSO. Questo è significativamente al di sopra del livello del caso del 33,33% per tre classi.
• Prestazioni della Random Forest: Il modello RF ha ottenuto un'accuratezza media più elevata del 52,44% (±1,4) e un macro-F1 del 51,57% utilizzando solo le caratteristiche basate sulla coerenza.
• Importanza delle Caratteristiche: L'analisi degli alberi di decisione e degli score di impurità della RF ha evidenziato costantemente le caratteristiche di coerenza locale come le più informative. La caratteristica del nodo radice più ricorrente è stata la coerenza tra le regioni MA e LC nella banda delta al tempo indice t3 (transizione tra i minuti 4 e 5).
• Variabilità Inter-Soggetto: Mentre alcuni soggetti sono stati classificati con un'accuratezza vicina al limite superiore (fino al 100%), altri sono rimasti vicini al caso, indicando che le dinamiche di coerenza sono altamente informative per individui specifici ma non universalmente uniformi.

Significato e Rivendicazioni
L'articolo sostiene che i pattern di connettività temporalmente strutturati codificano firme riproducibili e cross-subject di fasi contemplative strettamente correlate. Gli autori sostengono che, sebbene i modelli di deep learning offrano una maggiore potenza predittiva, essi spesso mancano della comprensione meccanicistica necessaria per gli strumenti di feedback. Al contrario, i modelli semplici ed esplicabili proposti forniscono una base rigorosa per futuri sistemi di feedback indipendenti dal soggetto.

Lo studio sottolinea che la coerenza delta nella fase iniziale non è solo un marcatore di presenza, ma una caratteristica discriminativa capace di separare distinti stati meditativi tra diversi individui. Gli autori concludono che il loro approccio dimostra con successo che la decodifica della meditazione cross-subject può essere sia superiore al caso che interpretabile quando la rappresentazione privilegia le tendenze temporali della connettività spaziale rispetto a brevi finestre non sovrapposte.

Limitazioni
Gli autori riconoscono limitazioni, incluso il campione relativamente piccolo (35 soggetti) e l'ordine fisso delle fasi di meditazione, che potrebbe confondere gli effetti della fase con il tempo trascorso o la fatica. Notano che la sequenza fissa è una necessità metodologica per preservare l'integrità ecologica della pratica contemplativa tibetana studiata. Si propone come lavoro futuro l'espansione verso coorti più ampie e l'esplorazione di strategie di modellazione ibride.