[Paper] 基于机器学习的 Jhana 高级专注吸收冥想 (ACAM-J) 分类，使用 7T fMRI

Source: arXiv - 2602.13008v1

（请提供需要翻译的正文内容，我将为您翻译成简体中文。）

概述

本文研究了使用超高场（7 特斯拉）功能性磁共振成像捕获的大脑活动模式，是否能够自动识别 Jhana 高级专注吸收冥想（ACAM‑J）。通过对区域同质性（ReHo）图谱应用机器学习分类器，作者展示了深度冥想状态的细微神经特征可以与普通对照任务区分开来——为高级冥想的客观、数据驱动监测开辟了道路。

关键贡献

• 首次基于机器学习的 ACAM‑J 分类，使用 7 T fMRI 派生的 ReHo 特征。
• 通过集成模型展示了 66.8% 的准确率（统计显著，p < 0.05），用于区分 ACAM‑J 与对照条件。
• 通过特征重要性分析确定 前额皮质和前扣带皮质 为最具信息量的区域，支持了现有关于注意力和元认知的神经科学文献。
• 提供了 单案例泛化测试：使用一位高度有经验的冥想者数据评估模型在超出群体层面训练集的可迁移性。
• 引入了可复现的工作流（预处理 → ReHo 计算 → ROI 特征提取 → 分层交叉验证），可适用于其他改变意识状态。

方法论

1. 数据收集

   • 组数据集: 20 位专家冥想者在进行 ACAM‑J 和若干对照任务的同时接受 7 T fMRI 扫描。
   • 单案例数据集: 一位资深练习者在单独的扫描会话中完成相同任务，用于样本外测试。

2. 预处理与 ReHo 计算

   • 标准 fMRI 预处理（运动校正、切片时间校正、空间标准化）。
   • 区域同质性 (Regional Homogeneity, ReHo): 对每个体素，计算其与最近 27 个邻近体素的 Kendall 一致系数，得到全脑局部同步性的映射。

3. 特征提取

   • 预定义的解剖学 感兴趣区 (ROIs)（例如背外侧前额叶皮层、前扣带皮层、岛叶）。
   • 每个 ROI 内的平均 ReHo 值构成每次扫描的特征向量。

4. 机器学习流程

   • 测试了多种分类器（逻辑回归、支持向量机、随机森林、梯度提升以及堆叠集成）。
   • 分层 5 折交叉验证 确保每折中冥想与对照扫描的比例平衡。
   • 使用准确率、Cohen’s κ 和基于置换的显著性检验评估模型性能。

5. 可解释性

   • 特征重要性分数（例如基于树模型的 Gini 重要性）揭示了哪些 ROI 驱动了分类决策。

结果与发现

总体而言，研究表明局部同步性（ReHo）包含足够的判别信息，能够将高度训练的冥想状态与基线活动区分开来，且集成机器学习方法能够利用此信号。

实际意义

• 神经反馈与训练工具： 实时 fMRI 或 EEG 代理可以利用已识别的 ROI 模式，为从业者提供进入 ACAM‑J 的客观反馈，加速技能获取。
• 临床健康项目： 深度冥想状态的客观生物标志物可以帮助将冥想整合到心理健康干预中，使临床医生能够监测遵从性和疗效。
• 脑机接口（BCIs）： 该特征集（前额叶 & ACC ReHo）可以映射到更便携的模态（例如高密度 EEG），用于随时检测专注状态。
• 研究可重复性： 该工作流提供了一个模板，用于使用机器学习驱动的分类研究其他改变意识的现象（如心流、迷幻状态）。

局限性与未来工作

• 样本量与多样性： 仅使用了20名冥想者和一个案例；需要更大、更多样化的队列以确认结果的普遍性。
• 时间分辨率： fMRI 捕捉的是缓慢的血流动力学变化；结合更快的模态（EEG/MEG）可能提升实时检测能力。
• 特征范围： 研究依赖于 ROI 平均的 ReHo；探索全脑体素级模式或连通性指标可能提升准确性。
• 任务设计： 对照条件相对简单；加入认知负荷更高的基线可以检验分类器的特异性。
• 可解释性深度： 虽然强调了前额叶和 ACC 区域，但 ReHo 变化与主观体验之间的因果关系仍有待阐明。

未来的工作应扩大数据集，测试多模态传感器融合，并优化模型，以实现针对冥想干预的 临床级可靠性。

作者

• Puneet Kumar
• Winson F. Z. Yang
• Alakhsimar Singh
• Xiaobai Li
• Matthew D. Sacchet

论文信息

• arXiv ID: 2602.13008v1
• 类别: cs.LG, cs.NE
• 出版日期: 2026年2月13日
• PDF: 下载 PDF