用于冥想神經(jīng)反饋系統(tǒng)的腦電圖數(shù)據(jù)挖掘研究

徐　昊,黃　敏,2,周昌樂*

(1.廈門大學(xué) 信息科學(xué)與技術(shù)學(xué)院,福建省類腦計(jì)算技術(shù)及應(yīng)用重點(diǎn)實(shí)驗(yàn)室,2.廈門大學(xué)人文學(xué)院,福建 廈門 361005)

現(xiàn)代社會(huì)繁榮發(fā)展,人們內(nèi)心卻越來(lái)越焦慮、失落和幸福感下降,各類心理和精神疾病呈上升趨勢(shì)[1]，此現(xiàn)象的一種可能原因是人們?nèi)鄙賹?duì)自我內(nèi)心的關(guān)注,缺乏自我調(diào)節(jié)能力和技巧.“樂易心法”是廈門大學(xué)周昌樂教授經(jīng)過(guò)深入研究并改造中華傳統(tǒng)心法而創(chuàng)建的適合現(xiàn)代人的科學(xué)禪修方法,由易道洗心秘法、臨濟(jì)宗門禪法和圣學(xué)傳統(tǒng)心法三部分融會(huì)貫通而得[2],其實(shí)踐部分包括打坐冥想等內(nèi)容.科學(xué)合理地修習(xí)樂易心法能夠提升心理素質(zhì),完善心理品質(zhì),提高心理能力.冥想能夠改變腦電圖(electroencephalograph,EEG)特征[3-4],樂易心法的修行效果已得到眾多學(xué)員的主觀肯定及神經(jīng)科學(xué)實(shí)證[5].

神經(jīng)反饋(neurofeedback,NFB)是一種神經(jīng)治療方法,可用于多動(dòng)癥、抑郁癥等精神障礙的治療[6].其治療思路為:醫(yī)生根據(jù)經(jīng)驗(yàn)及健康人的EEG特征值,為病人設(shè)置其EEG特征的目標(biāo)值,NFB系統(tǒng)采集并計(jì)算其EEG特征,病人根據(jù)系統(tǒng)的反饋信息進(jìn)行大腦自我調(diào)節(jié),使其EEG特征與目標(biāo)值趨于一致.準(zhǔn)確識(shí)別EEG模式是NFB系統(tǒng)的關(guān)鍵,生物信息數(shù)據(jù)挖掘是數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)的重要前沿方向[7],該領(lǐng)域許多算法能夠?qū)ι镄畔⑦M(jìn)行模式識(shí)別和分類,可用于NFB系統(tǒng).

將中華傳統(tǒng)心法中的冥想與NFB結(jié)合起來(lái),研發(fā)有利于人們身心健康的智能應(yīng)用是一個(gè)有價(jià)值又充滿挑戰(zhàn)的課題.市場(chǎng)上已出現(xiàn)冥想主題的NFB系統(tǒng)[8-11],但這些系統(tǒng)引導(dǎo)用戶做的事情與以“禪悟”為目標(biāo)的禪修在修行方式和水平檢驗(yàn)方面有根本區(qū)別,禪修要求修行者“以心觀心”,其禪悟水平必須由禪修導(dǎo)師“以心驗(yàn)心”[12]，已有系統(tǒng)皆不具備.因此,符合傳統(tǒng)禪修目標(biāo)和方式、針對(duì)初學(xué)者群體的冥想NFB系統(tǒng)還需要深入研究.

本研究采集樂易心法七日禪學(xué)員冥想EEG信號(hào),選用6個(gè)波段能量、6個(gè)波段能量比和3種不同類別的EEG現(xiàn)代分析方法作為EEG特征,以禪修學(xué)員水平作為分類目標(biāo),對(duì)數(shù)據(jù)采用個(gè)性化校準(zhǔn)方案,測(cè)試了隨機(jī)森林(random forest,RF)、支持向量機(jī)(support vector machine,SVM)、k近鄰(k-nearest neighbor,kNN)、貝葉斯網(wǎng)絡(luò)(BayesNet)等多種分類和回歸算法的準(zhǔn)確率性能.

1　實(shí)驗(yàn)方法

1.1　禪修過(guò)程及實(shí)驗(yàn)對(duì)象

樂易心法七日禪為時(shí)長(zhǎng)7 d的封閉式禪修訓(xùn)練,由樂易心法創(chuàng)始人周昌樂教授親自參與組織、指導(dǎo)和管理,主要內(nèi)容包括開示、打坐冥想、參公案、行禪、眾人討論和請(qǐng)益等環(huán)節(jié),禪修期間所有被試統(tǒng)一活動(dòng),統(tǒng)一作息,不使用手機(jī)、互聯(lián)網(wǎng),不接觸外界信息.

選取20名樂易心法七日禪修行結(jié)業(yè)36 h內(nèi)的學(xué)員作為實(shí)驗(yàn)被試，8女12男，年齡在20歲到48歲之間，平均年齡(35.4±8.3)歲.其中擁有博士學(xué)位者2人、碩士學(xué)位者6人、本科學(xué)歷者10人、大專學(xué)歷者1人和初中學(xué)歷者1人.所有被試身體健康、無(wú)精神病或大腦創(chuàng)傷史、無(wú)宗教背景、無(wú)禪修經(jīng)驗(yàn)，有一定的樂易心法入門知識(shí)，右利手，自愿參加實(shí)驗(yàn)并簽署同意書.

1.2　實(shí)驗(yàn)步驟及數(shù)據(jù)采集

實(shí)驗(yàn)在安靜房間內(nèi)進(jìn)行,溫度和光線適中，EEG采集步驟如圖1所示.

圖1　實(shí)驗(yàn)流程圖Fig.1 The flowchart of experiment

1) 15 min靜慮冥想:被試按照禪修靜慮方法冥想,該步驟無(wú)提示材料,目的是消除雜念并安靜下來(lái),此步驟獲取的數(shù)據(jù)在后文中被稱作“基準(zhǔn)數(shù)據(jù)”.

2) 8 min專注冥想:先呈現(xiàn)2 min動(dòng)畫和文字提示供被試把握專注要點(diǎn),再進(jìn)行6 min專注冥想,專注提示材料如圖2(a)所示.

圖2　3類冥想提示材料Fig.2 Instructions of 3 types of meditation

3) 8 min正念冥想:先呈現(xiàn)2 min動(dòng)畫和文字提示供被試把握正念要點(diǎn),再進(jìn)行6 min正念冥想,正念提示材料如圖2(b)所示.

4) 8 min坐忘冥想:先呈現(xiàn)2 min動(dòng)畫和文字提示供被試把握坐忘要點(diǎn),再進(jìn)行6 min坐忘冥想,坐忘提示材料如圖2(c)所示.

被試的禪修水平由禪修導(dǎo)師周昌樂教授根據(jù)被試7 d中的禪修表現(xiàn)、領(lǐng)悟水平、悟性高低等因素進(jìn)行綜合評(píng)分(采用10分制),7分及以上視作高分,評(píng)分分布見表1,高分學(xué)員占20%,低分學(xué)員占80%.

表1　禪修水平得分分布表

數(shù)據(jù)采集使用Emotiv Epoc便攜式腦電儀,采樣頻率128 Hz,左右乳突為參考電極[13]．已有研究表明大腦前額葉是與冥想關(guān)聯(lián)程度最大的腦區(qū)[14],本研究關(guān)注前額葉F3電極,將F4電極數(shù)據(jù)作備用，電極位置如圖3所示.

圖3　電極位置Fig.3 Electrode positions

2　數(shù)據(jù)處理

2.1　預(yù)處理

預(yù)處理包括數(shù)據(jù)分段、濾波、數(shù)據(jù)挑選3個(gè)步驟.

1) 數(shù)據(jù)分段:根據(jù)實(shí)驗(yàn)過(guò)程的時(shí)間軸對(duì)EEG進(jìn)行階段劃分,并將原始EEG以10 s為長(zhǎng)度進(jìn)行分段.

2) 濾波:對(duì)分段后的EEG數(shù)據(jù)分別進(jìn)行δ(0.5～4 Hz)、θ(4～8 Hz)、α(8～13 Hz)、β(13～30 Hz)和γ(30～50 Hz)帶通濾波,再對(duì)濾波后的數(shù)據(jù)分別進(jìn)行快速傅里葉變換,求出這5個(gè)頻段的能量.

3) 數(shù)據(jù)挑選:將能量過(guò)高和大幅震蕩視為異常,不予選取.針對(duì)每名被試,從第一步驟“靜慮冥想”數(shù)據(jù)中隨機(jī)采樣12段合格數(shù)據(jù)(12×10 s=120 s);從第二步驟“專注冥想”隨機(jī)采樣20段合格數(shù)據(jù)(20×10 s=200 s);從第三步驟“正念冥想”隨機(jī)采樣20段合格數(shù)據(jù)(20×10 s=200 s);從第四步驟“坐忘冥想”隨機(jī)采樣20段合格數(shù)據(jù)(20×10 s=200 s).有4名被試(3個(gè)5分，1個(gè)4分)的數(shù)據(jù)因異常而被拋棄,最終共16名被試的1 152個(gè)樣本用于后續(xù)研究.

2.2　特征計(jì)算

為了盡可能利用和發(fā)揮數(shù)據(jù)挖掘研究方式的優(yōu)點(diǎn)和潛力,本研究選用6個(gè)波段能量、6個(gè)波段能量比和3種不同類別的EEG現(xiàn)代分析方法作為EEG特征,將每個(gè)樣本處理成15維特征向量:δ波能量(Eδ)、θ波能量(Eθ)、α波能量(Eα)、β波能量(Eβ)、γ波能量(Eγ)、總能量、Eα/Eθ、Eβ/Eθ、Eγ/Eθ、Eβ/Eα、Eγ/Eα、Eγ/Eβ、C0復(fù)雜度[15]、盒維數(shù)[16-17]、信息熵[18].

2.2.1C0復(fù)雜度

C0復(fù)雜度是一種適用于EEG這樣的非平穩(wěn)、非線性連續(xù)信號(hào)的復(fù)雜度指標(biāo),計(jì)算量較小，易于推廣到高維,在實(shí)際應(yīng)用中效果較好[15],能夠識(shí)別癲癇發(fā)作和衡量睡眠程度.它的直觀想法是將數(shù)據(jù)分為規(guī)則和非規(guī)則兩部分,C0復(fù)雜度定義為信號(hào)非規(guī)則部分的能量與信號(hào)總能量的比值.

設(shè)f(k)(k=0,1,2,…,N-1)是一個(gè)長(zhǎng)度為N的時(shí)間序列,

設(shè)FN(j)的均方值為

記

定義C0復(fù)雜度為

2.2.2盒維數(shù)

盒維數(shù)(又稱閔可夫斯基維數(shù)[17])是分形維數(shù)的一種,用于表征復(fù)雜對(duì)象的分形特性[14].分形S的盒維數(shù)被定義為

其中，格子邊長(zhǎng)為ε,N(ε)表示覆蓋分形S最少所需的格子數(shù).通過(guò)格子的逐步精化,統(tǒng)計(jì)覆蓋分形S所需的格子數(shù)目的變化,從而計(jì)算出盒維數(shù).

本研究利用相空間重構(gòu)和經(jīng)典的Takens時(shí)間嵌入定理[19],將EEG信號(hào)嵌入二維平面構(gòu)成二維軌跡,令該二維軌跡的盒維數(shù)代表該段EEG信號(hào)的盒維數(shù).

2.2.3信息熵

信息熵研究的是一段信號(hào)的不確定程度,反映信號(hào)分布的均勻度,信息熵方法在過(guò)去十幾年中被越來(lái)越多地證明可以有效地分析復(fù)雜的EEG信號(hào)[5,15,20]，經(jīng)典信息熵的數(shù)學(xué)定義為

H(X)=-∑iP(xi)log2P(xi),

其中,X是符號(hào)xi組成的集合,P(xi)是符號(hào)xi出現(xiàn)的概率.

3　數(shù)據(jù)挖掘及結(jié)果

數(shù)據(jù)挖掘是從大量數(shù)據(jù)中獲取隱含有用信息的技術(shù),可劃分為分類、回歸、聚類、關(guān)聯(lián)規(guī)則、特征選擇等.為了找到禪修分類性能較好的算法,本研究使用開源機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘軟件Weka[21]，嘗試了回歸分析和多分類算法,包括RF、隨機(jī)樹(random tree,RT)、C4.8決策樹(J48)、局部決策樹(partial decision tree,PART)[22]、SVM、BayesNet、多層感知機(jī) (multilayer perceptron,MP)、kNN,將15維EEG特征和禪修評(píng)分作為輸入,并嘗試對(duì)每位被試的數(shù)據(jù)進(jìn)行個(gè)性化校準(zhǔn),以解決個(gè)體差異問(wèn)題,提高分類準(zhǔn)確率.

回歸分析將禪修評(píng)分視作數(shù)值型數(shù)據(jù),對(duì)評(píng)分進(jìn)行擬合.這相當(dāng)于直接構(gòu)造一個(gè)打分模型,將高維特征映射為一個(gè)數(shù)值型得分.采用10折交叉驗(yàn)證,結(jié)果以相關(guān)系數(shù)的形式給出,相關(guān)系數(shù)越高意味著擬合結(jié)果與測(cè)試集越接近.

多分類將禪修導(dǎo)師打分視作離散型數(shù)據(jù),2分至8分共7類,采用10折交叉驗(yàn)證.

進(jìn)一步地,考慮到準(zhǔn)確識(shí)別出高水平學(xué)員的EEG特征是問(wèn)題關(guān)鍵,對(duì)低分樣例進(jìn)行詳細(xì)劃分和挖掘的意義不大,因此將高分樣例(分?jǐn)?shù)≥7,前25%)作為正例,其余樣例作為反例進(jìn)行二分類,采用10折交叉驗(yàn)證未經(jīng)校準(zhǔn)過(guò)程的數(shù)據(jù)挖掘?qū)嶒?yàn)結(jié)果，如表2所示.

表2　未經(jīng)校準(zhǔn)過(guò)程的數(shù)據(jù)挖掘結(jié)果

Tab.2　Data mining result without calibration

數(shù)據(jù)挖掘方法相關(guān)系數(shù)(回歸分析)準(zhǔn)確率(多分類)/%準(zhǔn)確率(二分類)/%專注正念坐忘專注正念坐忘專注正念坐忘RF0.6070.6340.86268.470.980.682.781.193.7RT0.3400.3880.69554.760.666.679.977.691.2J4861.664.376.379.678.590.0PART57.263.470.978.679.590.9SVM0.5200.5040.74561.962.564.779.679.886.2BayesNet45.048.666.677.076.785.3MP0.5460.3590.35759.153.865.676.777.084.6kNN(k=1)0.3600.3400.65254.152.261.378.379.287.5kNN(k=5)0.4780.4820.74055.959.063.178.978.986.2

EEG的個(gè)體差異往往很大,它既與被試生理差異有關(guān),又和被試當(dāng)時(shí)的意念狀態(tài)、情緒、思維、性格等心理因素有關(guān).本研究嘗試?yán)渺o慮冥想的基準(zhǔn)數(shù)據(jù)對(duì)每名被試進(jìn)行個(gè)性化校準(zhǔn),假設(shè)被試靜慮時(shí)的EEG包含該被試的個(gè)體特征,在其進(jìn)行專注、正念和坐忘任務(wù)時(shí)的EEG既包含特定冥想任務(wù)特征,也包含相同的個(gè)體特征,兩者相減就能夠得到表征特定冥想任務(wù)的EEG特征.

本研究針對(duì)相對(duì)校準(zhǔn)和絕對(duì)校準(zhǔn)兩種情況進(jìn)行數(shù)據(jù)挖掘，結(jié)果分別如表3和表4所示.

為了更精確衡量絕對(duì)校準(zhǔn)方案對(duì)二分類問(wèn)題準(zhǔn)確率的提升作用,本研究進(jìn)一步對(duì)比了絕對(duì)校準(zhǔn)前后RF、SVM和BayesNet算法的準(zhǔn)確率，查準(zhǔn)率-查全率曲線面積和受試者工作特征曲線下面積[23],結(jié)果如表5所示.由表5可知，絕對(duì)校準(zhǔn)后分類效果均有改善.

4　討　論

本研究專門針對(duì)樂易心法打坐冥想流程設(shè)計(jì)實(shí)驗(yàn),被試皆為樂易心法七日禪學(xué)員,采集到的EEG數(shù)據(jù)對(duì)樂易心法冥想具有較高參考價(jià)值,比一般的正念冥想研究[3，4，11，24]和類似“開心禪”和“禪定花園”等應(yīng)用更具中華傳統(tǒng)文化內(nèi)涵,也更具前沿性和難度.樂易心法禪修按中華傳統(tǒng)禪修方式進(jìn)行,所有禪修者與導(dǎo)師一起封閉培訓(xùn),這樣的禪修班難以大批量復(fù)制,使得本研究被試數(shù)量較少．Hashemi等[11]研究人員對(duì)600多名各個(gè)年齡段的被試進(jìn)行了研究,發(fā)現(xiàn)了EEG特征在年齡上的變化規(guī)律.但該研究采用的冥想為“呼吸計(jì)數(shù)法”,只是讓用戶通過(guò)冥想來(lái)放松心情,無(wú)禪修和禪悟的內(nèi)容.相比于MeditAid系統(tǒng)[10]利用雙耳節(jié)奏神經(jīng)相關(guān)效應(yīng)(binaural beats neurocorrelate)通過(guò)播放音頻激發(fā)特定α波的做法,本研究嘗試將NFB技術(shù)與傳統(tǒng)禪修方式融合,被試的禪修水平由禪修導(dǎo)師評(píng)估,能夠更好地為禪修者服務(wù).本研究廣泛利用了多種EEG指標(biāo)和分析方法,分類準(zhǔn)確性能夠隨著數(shù)據(jù)集的增大有更好的表現(xiàn).

表3　相對(duì)校準(zhǔn)后數(shù)據(jù)挖掘結(jié)果

Tab.3　Data mining result with relative calibration

數(shù)據(jù)挖掘方法相關(guān)系數(shù)(回歸分析)準(zhǔn)確率(多分類)/%準(zhǔn)確率(二分類)/%專注正念坐忘專注正念坐忘專注正念坐忘RF0.6920.7410.86966.671.380.987.288.194.7RT0.3970.4980.73758.161.966.980.380.391.2J4856.664.175.683.884.489.4PART57.868.471.681.384.191.3SVM0.6580.6400.78361.657.866.381.985.993.1BayesNet61.358.870.682.591.993.4MP0.4160.4620.51163.855.970.078.885.393.1kNN(k=1)0.4420.5010.76557.253.164.478.181.693.1kNN(k=5)0.5820.6000.79261.359.468.481.086.691.9

表4　絕對(duì)校準(zhǔn)后數(shù)據(jù)挖掘結(jié)果

采用本研究提出的個(gè)性化校準(zhǔn)方案后,多個(gè)回歸和分類算法結(jié)果均有大幅度提升,這可能與將“靜慮”作為基準(zhǔn)數(shù)據(jù)有關(guān).樂易心法中的靜慮要求禪修者去除雜念,平靜內(nèi)心,是一種禪修語(yǔ)境下“更純粹”的意念狀態(tài).本研究假設(shè)靜慮時(shí)的EEG包含被試個(gè)體差異特征成分,在個(gè)性化校準(zhǔn)時(shí)減去靜慮特征值就能抵消個(gè)體差異和無(wú)關(guān)信息,從而突出反映后續(xù)冥想階段的特征,提高分類算法的準(zhǔn)確率.絕對(duì)校準(zhǔn)后RF算法對(duì)二分類問(wèn)題的準(zhǔn)確率均高于93%,證明了NFB系統(tǒng)能夠較好地識(shí)別冥想好壞狀態(tài),幫助使用者及時(shí)糾正錯(cuò)誤.

受限于被試人數(shù)和實(shí)驗(yàn)時(shí)間,本研究實(shí)際的被試數(shù)只有16人,高分人數(shù)只有4人,在訓(xùn)練和測(cè)試時(shí)雖然使用10折交叉驗(yàn)證,但每個(gè)學(xué)員的樣例均以高概率參與了訓(xùn)練,因此本研究的實(shí)驗(yàn)條件很接近測(cè)試集，即訓(xùn)練集的情況.

表5　絕對(duì)校準(zhǔn)前后二分類準(zhǔn)確率結(jié)果

Tab.5　Accuracy result without/with absolute calibration

冥想類別方法準(zhǔn)確率/%曲線面積查準(zhǔn)率-查全率工作特性專注RF82.7→93.10.891→0.9680.865→0.962BayesNet77.0→88.40.715→0.9450.654→0.928SVM79.6→85.00.689→0.7630.612→0.700正念RF81.1→93.80.886→0.9820.862→0.979BayesNet76.7→87.20.713→0.9430.611→0.930SVM79.8→82.80.691→0.7330.603→0.665坐忘RF93.7→96.90.972→0.9970.971→0.997BayesNet85.3→96.60.854→0.9930.822→0.993SVM86.2→90.30.781→0.8490.726→0.831

注：校準(zhǔn)前結(jié)果→校準(zhǔn)后結(jié)果.

考察各個(gè)算法給出的分類模型后發(fā)現(xiàn),模型用到的特征數(shù)量一般在5個(gè)以上,直接使用主成分分析對(duì)15維數(shù)據(jù)進(jìn)行降維后給出的數(shù)據(jù)維度是7,這說(shuō)明想要達(dá)到較好的識(shí)別準(zhǔn)確度,算法必須同時(shí)利用多個(gè)特征.但主成分分析重構(gòu)線性空間后新坐標(biāo)系的可解讀性和可分析性變差,不利于對(duì)EEG結(jié)果進(jìn)行解讀和分析,因此本研究不采用主成分分析進(jìn)行維度壓縮.由于人的注意力和意念控制能力有限,若NFB系統(tǒng)反饋的參數(shù)過(guò)多,很容易令使用者顧此失彼,達(dá)不到訓(xùn)練效果.優(yōu)秀的NFB系統(tǒng)既要能準(zhǔn)確識(shí)別目標(biāo)狀態(tài),又要為使用者反饋精簡(jiǎn)有效的特征調(diào)整指令,因此后續(xù)研究應(yīng)著眼于特征降維.另外,將禪修導(dǎo)師判斷學(xué)員水平的一些依據(jù)納入NFB系統(tǒng)也許是個(gè)可行辦法.

5　結(jié)　論

本研究采集和研究了樂易心法七日禪學(xué)員打坐冥想的EEG數(shù)據(jù),采用數(shù)據(jù)挖掘的研究思路和方法,使用15維EEG特征和禪修導(dǎo)師評(píng)分作為數(shù)據(jù)集,以禪修學(xué)員水平作為分類目標(biāo),對(duì)數(shù)據(jù)采用個(gè)性化校準(zhǔn)方案,測(cè)試了RF、SVM、kNN、BayesNet等多種分類和回歸算法的準(zhǔn)確率.實(shí)驗(yàn)結(jié)果表明,本研究提出的15維EEG特征和個(gè)性化校準(zhǔn)方案可以有效地解決EEG研究中的個(gè)體差異問(wèn)題,提高冥想水平分類準(zhǔn)確率,為更智能的冥想NFB系統(tǒng)研發(fā)提供了支持,也為相關(guān)研究領(lǐng)域提供了一種解決EEG個(gè)體差異問(wèn)題的思路.

參考文獻(xiàn)：

[1]余國(guó)良,董妍.我國(guó)心理健康研究的現(xiàn)狀、熱點(diǎn)與發(fā)展趨勢(shì)[J].教育研究,2012,33(6):97-102.

[2]周昌樂.博學(xué)切問(wèn)[M].廈門:廈門大學(xué)出版社,2015:209-212.

[3]TANG Y Y,HOLZEL K,POSNER M.The neuroscience of mindfulness meditation[J].Nature Reviews Neuroscience,2015,16(4):213-225.

[4]ZHOU R L,LIU L.Eight-week mindfulness training enhances left frontal EEG asymmetry during emotional challenge:a randomized controlled trial[J].Mindfulness,2017,1(8):181-189.

[5]趙建強(qiáng),周昌樂.短期禪修效果的腦電圖多尺度排列熵分析[J].廈門大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,55(3):420-425.

[6]EVANS R J.Handbook of neurofeedback[M].Binghamton:The Haworth Medical Press,2007:3-10.

[7]吳金華,張艷秋,唐毅.數(shù)據(jù)挖掘在生物信息學(xué)中的應(yīng)用文獻(xiàn)計(jì)量學(xué)視角[J].生物信息學(xué),2016,14(4):249-253.

[8]LIU Y S，SOURINA O,HOU X Y.Neurofeedback games to improve cognitive abilities[C]∥2014 International Conference on Cyberworlds.Santander:IEEE,2014:161-168.

[9]BRANDMEYER T,DELORME A.Meditation and neurofeedback[J].Frontiers in Psychology,2013,4(1):688670.

[10]SAS C,CHOPRA R.Medit aid:a wearable adaptive neurofeedback-based system for training mindfulness state[J].Pers Ubiquit Comput,2015,7(19):1169-1182.

[11]HASHEMI A,PINO J L,MOFFAT G,et al.Characterizing population EEG dynamics throughout adulthood[J].eNeuro,2016,3(6):1-13

[12]周昌樂.從當(dāng)代腦科學(xué)看禪定狀態(tài)達(dá)成的可能性及其意義[J].杭州師范大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版),2015(3):17-23.

[13]Emotiv Inc.Emotiv epoc & testbenchTMspecifications[EB/OL].[2017-10-07].https:∥www.emotiv.com/files/Emotiv-EPOC-Product-Sheet-2014.pdf.

[14]FELL J,AXMACHER N,HAUPT S.From alpha to gamma:electrophysiological correlates of meditation-related states of consciousness[J].Medical Hypotheses,2010,75(2):218-224.

[15]汪云九.神經(jīng)信息學(xué)神經(jīng)系統(tǒng)的理論和模型[M].北京:高等教育出版社,2006:403-407.

[16]佩特根,于爾根斯,紹柏.混沌與分形[M].田逢喜,譯.北京:國(guó)防工業(yè)出版社,2008:300-305.

[17]WEISSTEIN W E.Minkowski-bouligand dimension[EB/OL].[2017-12-18].http:∥mathworld.wolfram.com/Minkowski-BouligandDimension.html.

[18]SHANNON C.A mathematical theory of communication[J].Bell Systems Technical Journal,1948,3(27):379-423.

[19]TAKENS F.Detecting strange attractors in turbulence[C]∥Dynamical Systems and Turbulence.Heidelberg:Springer,1981:366-381.

[20]李穎潔,邱意弘,朱貽盛.腦電信號(hào)分析方法及其應(yīng)用[M].北京:科學(xué)出版社,2009:1-3.

[21]FRANK E,HALL A M,WITTEN H I.The WEKA workbench[M].San Francisco:Morgan Kaufmann,2016:1-8.

[22]FRANK E,WITTEN H I.Generating accurate rule sets without global optimization[C]∥ICML′98 Proceedings of the Fifteenth International Conference on Machine Learning.San Francisco:Morgan Kaufmann,1998:144-151.

[23]周志華.機(jī)器學(xué)習(xí)[M].北京:清華大學(xué)出版社,2016:30-35.

[24]CHIESA A,CALATI R,SERRETTI A.Does mindfulness training improve cognitive abilities? A systematic review of neuropsychological findings[J].Clinical Psychology Review,2011,31(3):449-464.