Classification of meditative phases through EEG analysis

Resumo Técnico: Classificação de Fases Meditativas através de Análise de EEG

Problema
A meditação é amplamente reconhecida por seus benefícios psicológicos, mas fornecer marcadores objetivos e independentes de sujeito para distintas fases meditativas permanece um desafio significativo. Embora o EEG tenha sido utilizado para detectar a distração mental ou distinguir estados amplos, discriminar entre fases contemplativas intimamente relacionadas — especificamente Concentração (C), Bondade Amorosa (LK) e Vacuidade (E) — é difícil. As abordagens existentes frequentemente lutam com a generalização entre sujeitos, onde modelos treinados em um grupo falham ao classificar dados de novos sujeitos. Além disso, modelos de aprendizado profundo de alto desempenho carecem frequentemente de interpretabilidade, tornando difícil derivar regras de feedback acionáveis para os praticantes. Este estudo aborda a necessidade de um framework de classificação independente de sujeito que equilibre o desempenho preditivo com total interpretabilidade.

Metodologia
O estudo utilizou um conjunto de dados de 35 sujeitos (30 processados com sucesso após a remoção de artefatos) do Mosteiro Sera Jey, Índia. Cada participante passou por um protocolo envolvendo três blocos de meditação de 15 minutos (C, LK, E) em uma ordem fixa, registrados via um sistema de EEG de 19 canais (padrão 10-20, 512 Hz reduzido para 100 Hz).

1. Representação de Dados e Pré-processamento:
Ao contrário das abordagens tradicionais que tratam janelas temporais curtas como amostras independentes, os autores propuseram uma representação temporal-espacial:

• Extração de Características: A partir das gravações de 15 minutos, as características foram extraídas com uma resolução de 1 minuto. O conjunto de características incluiu 601 características compostas por:
  • 16 características globais (entropia espectral, potência de banda, coerência, índice de atraso de fase).
  • 45 características locais de Região de Interesse (ROI) (potência por região/banda).
  • 540 características de conectividade inter-regional (coerência real, coerência imaginária e índice de atraso de fase entre 36 pares de regiões e 5 bandas de frequência).
• Codificação de Derivada Temporal: Para capturar dinâmicas lentas, a série temporal de 15 pontos para cada característica foi transformada em uma derivada de primeira ordem. Essas derivadas foram discretizadas em três tendências categóricas: "decréscimo" (< -1 DP), "estabilidade" (-1 a 1 DP) e "acréscimo" (> 1 DP).
• Codificação: As tendências categóricas foram convertidas em vetores binários de comprimento fixo usando um esquema de inverse one-hot (zero-hot), resultando em um vetor binário de 42 dimensões por característica original (14 passos temporais × 3 categorias). A dimensão de entrada final foi de 25.242 características (601 características × 42).

2. Protocolos de Classificação:

• Validação: A avaliação primária utilizou um protocolo Leave-One-Subject-Out (LOSO) para garantir a generalização independente de sujeito. Os resultados foram calculados pela média de 10 repetições com diferentes sementes aleatórias.
• Modelos:
  • Árvores de Decisão (DT): Treinadas com uma profundidade máxima de 4 para evitar o sobreajuste (overfitting) e garantir regras legíveis por humanos. A divisão foi baseada no Índice de Gini.
  • Random Forest (RF): Um ensemble de 2000 árvores com a mesma restrição de profundidade, utilizada para comparar o desempenho contra a Árvore de Decisão única.
  • Baselines: O estudo comparou o método proposto contra baselines padrão, incluindo características temporais/espectrais customizadas com Redes Neurais (NN) e Árvores de Decisão, arquiteturas de aprendizado profundo estabelecidas (EEGNet, Deep4Net, ShallowFBCSPNet) e um modelo de fundação (LaBraM).

Principais Contribuições

1. Representação de EEG Temporal-Espacial: Um novo pipeline que codifica trajetórias de características minuto a minuto e suas tendências de derivada em padrões categóricos discretos, preservando a estrutura temporal em vez de tratar as janelas como independentes.
2. Pipeline Projetado para Ser Explicável: A implementação de um framework de árvore de decisão baseado no Índice de Gini, projetado especificamente para gerar regras de decisão interpretáveis sob validação estritamente disjunta de sujeitos.
3. Identificação de Sinais Discriminativos: Evidência empírica de que a conectividade inter-regional de baixa frequência, especificamente a coerência na banda delta entre as regiões médio-anterior (MA) e centro-esquerda (LC) durante a fase inicial da meditação (minutos 4–5), serve como o sinal discriminativo mais estável entre os sujeitos.

Resultados

• Desempenho dos Baselines: Baselines padrão (Aprendizado Profundo, Características Customizadas, Modelos de Fundação) alcançaram alta precisão (58–88%) sob validação cruzada de 5 dobras estratificada (5FCV), mas degradaram para níveis próximos ao acaso (29–35%) sob validação agrupada por sujeito (G5FCV), confirmando a dificuldade da generalização entre sujeitos.
• Desempenho da Árvore de Decisão: A abordagem de DT proposta alcançou uma precisão média de 44,67% (±1,6) e um macro-F1 de 43,8% sob LOSO. Isso é significativamente acima do nível de acaso de 33,33% para três classes.
• Desempenho da Random Forest: O modelo RF alcançou uma precisão média superior de 52,44% (±1,4) e macro-F1 de 51,57% utilizando apenas características de coerência.
• Importância das Características: A análise das árvores de decisão e dos escores de impureza da RF destacou consistentemente as características de coerência local como as mais informativas. A característica do nó raiz mais recorrente foi a coerência entre as regiões MA e LC na banda delta no índice de tempo t3 (transição entre os minutos 4 e 5).
• Variabilidade Inter-Sujeito: Embora alguns sujeitos tenham sido classificados com precisão próxima ao teto (até 100%), outros permaneceram próximos ao acaso, indicando que as dinâmicas de coerência são altamente informativas para indivíduos específicos, mas não universalmente uniformes.

Significância e Alegações
O artigo alega que padrões de conectividade temporalmente estruturados codificam assinaturas reprodutíveis de fases contemplativas de perto entre diferentes sujeitos. Os autores argumentam que, embora os modelos de aprendizado profundo ofereçam maior poder preditivo, eles frequentemente carecem da visão mecanística necessária para ferramentas de feedback. Em contraste, os modelos simples e explicáveis propostos fornecem uma base principiológica para futuros sistemas de feedback independente de sujeito.

O estudo enfatiza que a coerência delta de fase inicial não é meramente um marcador de presença, mas uma característica discriminativa capaz de separar distintos estados meditativos entre diferentes indivíduos. Os autores concluem que sua abordagem demonstra com sucesso que a decodificação da meditação entre sujeitos pode ser tanto acima do acaso quanto interpretável quando a representação prioriza tendências temporais de conectividade espacial sobre janelas curtas e não sobrepostas.

Limitações
Os autores reconhecem limitações, incluindo o tamanho de amostra relativamente pequeno (35 sujeitos) e a ordem fixa das fases de meditação, que pode confundir efeitos de fase com tempo de tarefa ou fadiga. Eles observam que a sequência fixa é uma necessidade metodológica para preservar a integridade ecológica da prática contemplativa tibetana estudada. O trabalho futuro é proposto para expandir para coortes maiores e explorar estratégias de modelagem híbrida.