相关问题冥想的主要判别力特征是什么主要体现在脑电时间序列的非线性、复杂性与动态稳定性相关脑区是什么额叶和顶叶在识别冥想状态时起到关键作用冥想时可能经历状态变化如何刻画?动态特征提取使用ST_MomentCorr_002_02_mean_std_sqrt_density等特征在短时间窗口内计算统计量捕捉信号的快速波动时间序列分割将长时间的EEG记录分割成较短的、有重叠的片段如10秒的epoch分别计算其特征观察特征随时间的变化轨迹。聚类利用hctsa的特征对EEG片段进行无监督聚类客观地识别出数据中存在的不同“状态”。实验结果21个被试采用每10s分段keywordsf002_s01_sanbu_AF3_ep001代表第 2 个被处理的set文件中第 1 号被试在散步状态下AF3 通道的第 1 个 10 秒脑电片段。横坐标Time (samples)是采样点采样率128hz每个片段10s共128×101280个采样点图中横坐标 0~1280 对应10 秒的脑电数据1280 之后的部分是绘图时的留白没有实际数据。纵坐标是脑电信号幅值正常清醒状态下的脑电信号幅值范围通常是0~200μV因此对幅值超过 2000μV 疑似眼动伪迹或肌电伪迹的巨大尖峰进行剔除。基于部分文件的幅值分布我们将最优阈值设置为300μV超过300μV的进行剔除总共剔除 33183 个坏段剩余 93825 个干净片段总体剔除率为26.1%。其中散步状态的剔除率最高约35%~40%这是因为身体运动导致大量肌电伪迹打坐状态剔除率最低约 10%-15%这时候身体完全静止伪迹最少。按照行禅、打坐、散步、闲坐四种状态分类标签现在所有特征都在相似的尺度上将时间序列绘制为行特征为列评估每个时间序列上的特征后以颜色从低蓝色到高红色显示重新排序特征和时间序列使相似的行和列彼此靠近再次绘制内存不足导致没法重排TS_TopFeatures后得到单个特征列表和一些可视化该图为所有特征的准确度分布在28.46%基于四状态冥想脑电分类筛选出的前 40 个最具区分度的特征分类准确率 36.4%~39.1%显著高于 25% 的随机水平通过 Spearman 相关性层次聚类自然形成 12 个功能独立的特征簇。每个簇内特征高度相关相关系数普遍 0.8簇间相关性较低对应冥想对大脑活动影响的 12 个独立维度。我们识别出四组重要特征超簇1紫色分支最左上角黑框SY_滑动窗口 EN_mse 多尺度熵对应动力学 / 时序可预测平稳性簇包含滑动窗口自相关、多尺度样本熵、时序预测残差统计量衡量脑电随时间变化的可预测性、动态波动平稳度闲坐手部动作波动大、可预测性差熵值高打坐 / 行禅平稳熵值低。超簇2粉色分支中间上方大黑框CO_CompareMinAMI 互信息对应分布平稳性簇包含互信息、分位数均值 / 中位数、分段分布一致性脑电幅值分布在时序内是否稳定、分段分布差异冥想打坐 / 行禅幅值分布全程稳定散步、闲坐分段分布波动大。超簇3黄色分支中间偏下黑框EN_mse_diff 差分熵、SY_Spread 随机扩散超簇 4橙色末端分支最右下角黑框MF_相空间嵌入、DN 拟合分布多尺度差分标准化样本熵ID2889数据集 Top 判别性能特征用于量化脑电时序动态可预测性特征数值越高代表神经活动波动越平稳有序。Top12 高区分度特征的组间小提琴图小提琴的宽度代表该数值下的样本密度中间横线为各组中位数。12 个特征的单特征四分类准确率在37.1%~39.1%之间显著高于四分类的随机水平25%从分布重叠度看打坐和行禅分布几乎完全分离组间差异最显著散步和闲坐分布部分重叠差异次之同类型状态静息类打坐 / 闲坐运动类散步 / 行禅内部特征更相似。PCA 降维散点图 t-SNE 降维散点图对标准化后的全部时序特征分别采用 PCA 线性降维、t-SNE 非线性降维进行低维可视化。PCA 前两个主成分仅解释 35.46% 总方差四类实验样本散点大面积重叠线性 SVM 分类准确率仅 30.00%说明全局特征存在大量冗余线性变换难以挖掘四类任务间区分信息。t-SNE 非线性降维可捕捉脑电时序非线性动力学差异样本出现局部聚集。。