[論文レビュー] Machine Learning-Based Classification of Jhana Advanced Concentrative Absorption Meditation (ACAM-J) using 7T fMRI

Puneet Kumar, Winson F. Z. Yang+3 more|arXiv (Cornell University)|Feb 13, 2026

Mindfulness and Compassion Interventions被引用数 0

ひとこと要約

論文は7T fMRIからのfMRI由来の局所的一致性（ReHo）特徴を用いて、ACAM-J瞑想と非瞑想状態を識別する機械学習分類器を訓練し、特徴重要度は前頭前野と前部帯状皮質の関与を強調し、約66.82%の精度を達成する。

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.

研究の動機と目的

• 高磁場fMRIデータを用いてACAM-J瞑想の神経相関を調査する。
• 事前定義された脳領域のReHoパターンがACAM-Jと非瞑想状態を区別できるか評価する。
• 高度な瞑想状態を分類する機械学習の実現可能性を評価する。
• 注意制御とメタ認知に関連する分類器の決定において影響力のある脳領域を特定する。

提案手法

• 参加者のfMRI regional homogeneity (ReHo)マップを計算する。
• 事前定義された興味ある脳領域から特徴を抽出する。
• 層別交差検証を用いて複数の機械学習分類器を訓練する。
• ACAM-Jと対照条件を区別する分類器の性能を評価する。
• 影響力のある脳領域を特定するための特徴重要度分析を実施する。

実験結果

リサーチクエスチョン

• RQ1 7T fMRIのReHoベースの特徴は機械学習を用いてACAM-J瞑想を非瞑想状態と区別できるか。
• RQ2 分類に最も寄与する脳領域はどれか。
• RQ3 グループデータで訓練されたモデルの個々の実践者によるACAM-J適用の一般化可能性はどうか。
• RQ4 ACAM-Jを対照条件と区別する際に統計的に有意な精度が得られるか。

主な発見

• アンサンブルモデルはACAM-Jと対照条件を区別する際66.82%の精度を達成（p < 0.05）。
• 特徴重要度分析により前頭前野と前部帯状皮質領域が上位寄与領域として示唆される。
• これらの領域における注意制御とメタ認知処理の既知の役割と一致する。
• コーエンのκによる中程度の一致がMLベースの状態分類の実現可能性を支持する。
• 結果は神経調律と高度瞑想の機序モデルに向けた今後の研究を支持する。