[논문 리뷰] Machine Learning-Based Classification of Jhana Advanced Concentrative Absorption Meditation (ACAM-J) using 7T fMRI

Puneet Kumar, Winson F. Z. Yang외 3명|arXiv (Cornell University)|2026. 02. 13.

Mindfulness and Compassion Interventions인용 수 0

한 줄 요약

본 논문은 7T fMRI에서 fMRI 유래 지역동질성(ReHo) 특징을 사용하여 ACAM-J 명상과 비명상 상태를 구분하는 머신러닝 분류기를 학습시켜 특징 중요도 분석에서 전전두엽 및 전전대상피질의 관여를 강조하며 약 66.82%의 정확도를 달성했다.

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.

연구 동기 및 목표

• 고전장 fMRI 데이터를 사용하여 ACAM-J 명상의 신경상관을 조사한다.
• 미리 정의된 뇌 영역 전체의 ReHo 패턴이 ACAM-J를 비명상 상태와 구분할 수 있는지 평가한다.
• 고급 명상 상태를 분류하기 위한 머신러닝의 가능성을 평가한다.
• 주의 조절 및 메타인지와 관련된 분류기 결정에 가장 큰 영향을 미치는 뇌 영역을 식별한다.

제안 방법

• 참가자의 fMRI 지역동질성(ReHo) 맵을 계산한다.
• 미리 정의된 관심 뇌 영역에서 특징을 추출한다.
• 계층화된 교차 검증으로 여러 머신러닝 분류기를 학습한다.
• ACAM-J와 대조 조건을 구분하는 분류기 성능을 평가한다.
• 특징 중요도 분석을 수행하여 영향력 있는 뇌 영역을 식별한다.

실험 결과

연구 질문

• RQ1 7T fMRI의 ReHo 기반 특징이 기계 학습을 통해 ACAM-J 명상을 비명상 상태와 구분할 수 있는가?
• RQ2 어떤 뇌 영역이 ACAM-J 상태 분류에 가장 크게 기여하는가?
• RQ3 집단 데이터로 학습된 모델의 일반화 가능성은 ACAM-J를 수행하는 단일 수행자에게 있는가?
• RQ4 ACAM-J와 대조 조건 구분에서 통계적으로 유의한 정확도가 있는가?

주요 결과

• 앙상블 모델은 ACAM-J를 대조 조건과 구분하는 데 66.82%의 정확도를 달성( p < 0.05 ).
• 특징 중요도 분석은 전전두엽 및 전전대상피질 영역을 주요 기여자로 지목한다.
• 이들 영역에서 주의 조절과 메타인지 처리의 알려진 역할과 일치하는 결과이다.
• 코헨의 카파(Cohen’s kappa)로 보이는 보통의 일치는 ML 기반 상태 분류의 실현 가능성을 지지한다.
• 결과는 신경조절 및 고급 명상 메커니즘 모델에 대한 향후 연구를 뒷받침한다.