تخمين عمق مديتيشن با استفاده از سيگنال‏هاي الكتروآنسفالوگرام و نرخ ضربان قلب

Estimating the Depth of Meditation Using Electroencephalogram and Heart Rate Signals

زمينه و هدف: مديتيشن به عنوان يك روش كمك درماني در مديريت بيماري‏هاي روانپزشكي (نظير اضطراب و افسردگي) و حفظ سلامت ذهن مورد توجه قرار گرفته است. تاكنون براساس ويژگي‏هاي سيگنال‏هاي بيولوژيكي در هيچ يك از مطالعات، شاخصي براي تخمين عمق مديتيشن ارايه نشده است. از آنجا كه تخمين عمق مديتيشن مي‏تواند به كنترل سطوح مختلف عمق مديتيشن و همچنين بازخورد به فرد براي رسيدن يا باقي ماندن به سطح مطلوبي از عمق مديتيشن به‌كار رود، از اين رو در اين تحقيق شاخصي از عمق مديتيشن براساس ويژگي‏هاي سيگنال‏هاي الكتروآنسفالوگرام و نرخ ضربان قلب ارايه شد. روش بررسي: بدين منظور، سيگنال‏هاي نرخ ضربان قلب و الكتروآنسفالوگرام در سه كانال Fz، Cz و Pz در هنگام مديتيشن و قبل از آن در قالب دو مجموعه داده‌ي مجزا از 25 نفر زن جمع‏آوري شد. سپس براساس ويژگي توان نسبي آلفاي سيگنال الكتروآنسفالوگرام و ويژگي زماني نرخ ضربان قلب الگوريتمي پيشنهاد گرديد تا عمق‏هاي مختلف مديتيشن را تخمين بزند. يافته‏ها: تحليل سيگنال‏هاي بيولوژيكي با استفاده از اين الگوريتم نشان ‏داد كه از بين 25 فرد شركت‏كننده، 22 نفر به عميق‏ترين سطح مديتيشن خود رسيدند و دو نفر از گروه مبتدي و يك نفر از گروه باتجربه با راهنمايي مربي نتوانسته‏اند به عميق‏ترين سطح مديتيشن خود برسند. اين نتايج با تحليل پرسشنامه نيز تاييد مي‏گردد. نتيجه‌گيري: الگوريتم پيشنهادي، داراي خصوصياتي نظير امكان كاليبره شدن براي هر فرد و همچنين عدم نياز به حجم محاسباتي بالا و زمان زياد براي اجرا بود.

Background and Objective: Meditation is commonly perceived as an alternative medicine management tool for psychological diseases such as depression and anxiety disorders. To our knowledge, there is no published study providing an index for estimating meditationʹs depth from biological signals. Estimating the depth of meditation can be useful in controlling its different levels, and it can be used as a biofeedback technique to help a person achieve the desired state of meditation. In this study, an index for meditation depth is offered using the features of electroencephalogram and heart rate signals. Material and Methods: For this purpose, EEG signals in Fz, Cz, and Pz channels, and the heart rate time series of 25 healthy women were collected both before and during the meditations. The algorithm is suggested based on the rational alpha power of EEG signals and the time domain feature of the heart rate to estimate the depth of meditation. Results: The analysis of biological signals using this method suggests that 22 of the 25 participants have experienced the deepest meditation state. Interestingly, 2 of the beginners as well as one expert-mediators could not reach the deepest state by following up the master mediator. These results were in line with the evaluation of the questionnaire. Conclusions: The suggested algorithm has some practical characteristics including: the option of being calibrated for each subject; not requiring high-volume calculations; and it does not take much time. Keywords: Electroencephalogram, Estimate, Frequency powers, Heart rate signals, Meditation depth