論文の概要: Machine Learning-Based Classification of Jhana Advanced Concentrative Absorption Meditation (ACAM-J) using 7T fMRI

• arxiv url: http://arxiv.org/abs/2602.13008v1
• Date: Fri, 13 Feb 2026 15:16:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:54.003057
• Title: Machine Learning-Based Classification of Jhana Advanced Concentrative Absorption Meditation (ACAM-J) using 7T fMRI
• Title（参考訳）: 7T fMRIを用いたJhana Advanced Concentrative absorption Meditation (ACAM-J)の機械学習による分類
• Authors: Puneet Kumar, Winson F. Z. Yang, Alakhsimar Singh, Xiaobai Li, Matthew D. Sacchet,
• Abstract要約: Jhana Advanced concentration absorption meditation (ACAM-J)は、意識と認知処理の大幅な変化に関連している。 本研究では,機能的MRI由来の局所的均一性(ReHo)を用いて,機械学習手法を用いてACAM-Jを分類できるかどうかを評価する。
• 参考スコア（独自算出の注目度）: 11.667573175951631
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Jhana advanced concentration absorption meditation (ACAM-J) is related to profound changes in consciousness and cognitive processing, making the study of their neural correlates vital for insights into consciousness and well-being. This study evaluates whether functional MRI-derived regional homogeneity (ReHo) can be used to classify ACAM-J using machine-learning approaches. We collected group-level fMRI data from 20 advanced meditators to train the classifiers, and intensive single-case data from an advanced practitioner performing ACAM-J and control tasks to evaluate generalization. ReHo maps were computed, and features were extracted from predefined brain regions of interest. We trained multiple machine learning classifiers using stratified cross-validation to evaluate whether ReHo patterns distinguish ACAM-J from non-meditative states. Ensemble models achieved 66.82% (p < 0.05) accuracy in distinguishing ACAM-J from control conditions. Feature-importance analysis indicated that prefrontal and anterior cingulate areas contributed most to model decisions, aligning with established involvement of these regions in attentional regulation and metacognitive processes. Moreover, moderate agreement reflected in Cohen's kappa supports the feasibility of using machine learning to distinguish ACAM-J from non-meditative states. These findings advocate machine-learning's feasibility in classifying advanced meditation states, future research on neuromodulation and mechanistic models of advanced meditation.
• Abstract（参考訳）: Jhana Advanced concentration absorption meditation (ACAM-J) は、意識と認知処理の深い変化に関連しており、その神経の相関が意識と幸福への洞察に不可欠である。 本研究では,機能的MRI由来の局所的均一性(ReHo)を用いて,機械学習手法を用いてACAM-Jを分類できるかどうかを評価する。 AAM-Jと制御タスクを遂行し、一般化を評価するため、20個の高度なメディエータからグループレベルのfMRIデータを収集し、分類器を訓練した。 ReHoマップが計算され、関心のある脳の領域から特徴が抽出された。 我々は、階層化されたクロスバリデーションを用いて複数の機械学習分類器を訓練し、ReHoパターンがACAM-Jと非媒介状態とを区別するかどうかを評価する。 アンサンブルモデルは制御条件からACAM-Jを区別するために66.82%(p < 0.05)の精度を達成した。 特徴重要度分析では,前頭前帯と前頭前帯の領域が最もモデル決定に寄与し,これらの領域の注意制御やメタ認知過程への関与が認められた。 さらに、コーエンのカッパに反映された穏健な合意は、ACAM-Jと非メディエート状態の区別に機械学習を使用することの可能性を支持する。 これらの知見は, 先進覚醒状態の分類における機械学習の可能性, 神経調節モデル, 先進覚醒状態の力学モデルに関する今後の研究を提唱するものである。

関連論文リスト

• Demystifying Deep Learning-based Brain Tumor Segmentation with 3D UNets and Explainable AI (XAI): A Comparative Analysis [1.5958130875154202]
  この研究は、脳腫瘍のセグメンテーションにUNetモデルを適用することに焦点を当てた。 3つのディープラーニングモデルを評価し,最も優れたモデルを特定した。 ResUNetは最高のパフォーマンスモデルであることが判明した。
  論文  参考訳（メタデータ） (2025-10-09T05:03:31Z)
• Benchmarking Class Activation Map Methods for Explainable Brain Hemorrhage Classification on Hemorica Dataset [0.0]
  本研究は脳出血の診断について,CAM(Class Activation Mapping)技術による説明可能性に着目して検討した。 9つの最先端CAMアルゴリズムを用いて,分類モデルから画素レベルのセグメンテーションと検出アノテーションを抽出するパイプラインを開発した。
  論文  参考訳（メタデータ） (2025-08-25T06:16:32Z)
• Learning Through Guidance: Knowledge Distillation for Endoscopic Image Classification [40.366659911178964]
  内視鏡は消化管(GI)の根底にある異常を同定する上で重要な役割を担っている。 ディープラーニング、特にCNN(Convolution Neural Networks)は、従来の機能エンジニアリングを使わずに自動機能学習を実行するように設計されている。 KDに基づく3つの学習フレームワーク、応答ベース、特徴ベース、関係ベースメカニズムについて検討し、関係ベース学習を支援するために、新しい多面的注意型特徴融合機構を導入する。
  論文  参考訳（メタデータ） (2023-08-17T02:02:11Z)
• Discrepancy-based Active Learning for Weakly Supervised Bleeding Segmentation in Wireless Capsule Endoscopy Images [36.39723547760312]
  本稿では,CAMと地上の真理のギャップをいくつかのアノテーションで埋めるために,新たな離散型ベースEdアクティブラーニング手法を提案する。 具体的には、労働を解放するために、ノイズの多いCAMを正確なモデル予測といくつかの人間ラベルに置き換えるために、新しい離散デコーダとCAMPUS基準を設計する。 提案手法は最先端のアクティブラーニング手法より優れており,トレーニングデータの10%しかラベル付けされていない完全アノテートデータセットでトレーニングされたものと同等の性能を発揮する。
  論文  参考訳（メタデータ） (2023-08-09T15:04:17Z)
• A Novel Confidence Induced Class Activation Mapping for MRI Brain Tumor Segmentation [19.52081109414247]
  弱教師付きセマンティックセグメンテーションのための信頼誘導CAM(Cfd-CAM)を提案する。 Cfd-CAMは、対象クラスの信頼度を用いて、各特徴マップの重みを算出する。 2つの脳腫瘍データセットに対する実験により、Cfd-CAMは既存の最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-06-08T18:01:08Z)
• Behavior Score-Embedded Brain Encoder Network for Improved Classification of Alzheimer Disease Using Resting State fMRI [36.40726715739385]
  本稿では、日常的に管理される心理検査情報を、被験者の静止状態fMRIデータの符号化手順に統合する行動スコア埋め込みエンコーダネットワーク(BSEN)を提案する。 BSENは、MMSE(MiniMental State Examination)とCDR(Citical Dementia Rating)の行動スコアを併用した3次元畳み込み自己エンコーダ構造に基づく。 提案するBSENを用いた分類フレームワークは, 総合的認識精度59.44%(AD, MCI, Healthy Control)を達成し, 健康管理(HC)と健康管理(HC)の最も差別的な領域を抽出した。
  論文  参考訳（メタデータ） (2022-11-04T09:58:45Z)
• The Brain Tumor Sequence Registration (BraTS-Reg) Challenge: Establishing Correspondence Between Pre-Operative and Follow-up MRI Scans of Diffuse Glioma Patients [31.567542945171834]
  脳腫瘍シーケンス登録(BraTS-Reg)の課題について述べる。 BraTS-Regは、変形可能な登録アルゴリズムのための最初の公開ベンチマーク環境である。 BraTS-Regの目的は、引き続き研究の活発な資源として機能することである。
  論文  参考訳（メタデータ） (2021-12-13T19:25:16Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• Tensorizing GAN with High-Order Pooling for Alzheimer's Disease Assessment [38.936005220639316]
  軽度認知障害 (MCI) とアルツハイマー病 (AD) を評価するために, 高次プールを用いた新しいテンソル化GANを提案する。 GAN(THS-GAN)は,MRI画像によるAD診断の分類を行う最初の試みである。
  論文  参考訳（メタデータ） (2020-08-03T10:04:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。