پژوهشگران دانشگاه هلسینکی فنلاند، دانشگاه جاوسکیله فنلاند، دانشگاه آئلتو فنلاند، و یونیورسیتی کالج لندن در پژوهشی که گزارش آن به تازگی منتشر شده است به بررسی تحلیلی فعالیت مغزی در حالت‌های مختلف توجه در مغز پرداختند.
??? روش پژوهش:
در این پژوهش که با استفاده از مگنتوآنسفالوگرافی (MEG) انجام شد، ۲۴ داوطلب ۲۱ تا ۳۳ سال تحت MEG در تکالیف مراقبه، برنامه‌ریزی برای آینده، و مشاهده تصاویر هیجانی اضطراب آور (بعنوان ۳ حالت توجه در مغز) شرکت نمودند. نتایج توسط رویکردهای طیفی و ارتباطی تحلیل شد.
??? نتایج نشان دادند:
- با وجودی که در حالت توجهی مراقبه (تمرکز و توجه کامل) مهم‌ترین مولفه باند آلفا است، اما سایر باندهای امواج مغزی نیز در ایجاد تمایز بین این وضعیت توجهی با سایر وضعیت‌ها تاثیر معنادار دارند. این امر برخلاف تصور عرفی و رایج تک باندی از توجه در مغز است.
- فعالیت‌های عصبی در وضعیت برنامه‌ریزی برای آینده و مواجهه با تصاویر هیجانی اضطراب آور شبیه یکدیگرند؛ به این معنا که الگوی فعال‌سازی عصبی مشابهی را در مغز ایجاد می‌کنند که شامل فعال‌سازی عمومی عصبی مغز است. این دو وضعیت تفاوت معناداری با وضعیت مراقبه دارند. این احتمال نیز وجود دارد که الگوریتم‌های محاسباتی فعلی توان تمایز بین این دو وضعیت توجه در مغز را ندارند.
Decoding attentional states for neurofeedback: Mindfulness vs. wandering thoughts
Abstract
Neurofeedback requires a direct translation of neuronal brain activity to sensory input given to the user or subject. However, decoding certain states, e.g., mindfulness or wandering thoughts, from ongoing brain activity remains an unresolved problem.
Method:
In this study, we used magnetoencephalography (MEG) to acquire brain activity during mindfulness meditation and thought-inducing tasks mimicking wandering thoughts.
We used a novel real-time feature extraction to decode the mindfulness, i.e., to discriminate it from the thought-inducing tasks.
The key methodological novelty of our approach is usage of MEG power spectra and functional connectivity of independent components as features underlying mindfulness states. Performance was measured as the classification accuracy on a separate session but within the same subject.
Results:
We found that the spectral- and connectivity-based classification approaches allowed discriminating mindfulness and thought-inducing tasks with an accuracy around 60% compared to the 50% chance-level. Both classification approaches showed similar accuracy, although the connectivity approach slightly outperformed the spectral one in a few cases.
Detailed analysis showed that the classification coefficients and the associated independent components were highly individual among subjects and a straightforward transfer of the coefficients over subjects provided near chance-level classification accuracy.
Conclusion:
Thus, discriminating between mindfulness and wandering thoughts seems to be possible, although with limited accuracy, by machine learning, especially on the subject-level.
Our hope is that the developed spectral- and connectivity-based decoding methods can be utilized in real-time neurofeedback to decode mindfulness states from ongoing neuronal activity, and hence, provide a basis for improved, individualized mindfulness training.
Keywords
Neurofeedback, Magnetoencephalography, Machine learning, Mindfulness.
لینک منبع پیشنهادی برای مطالعه بیشتر 
(further reading)
(further reading)
(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
کانال تلگرام
