[论文解读] 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 0

一句话总结

该论文使用来自 7T fMRI 的基于 fMRI 的区域同质性（ReHo）特征来训练机器学习分类器，以区分 ACAM-J 冥想状态与非冥想状态，准确率约 66.82%，并通过特征重要性突出前额叶和前扣带皮层的参与。

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.

研究动机与目标

• 使用高场强 fMRI 数据调查 ACAM-J 冥想的神经相关性。
• 评估在预定义脑区域中 ReHo 模式是否可以区分 ACAM-J 与非冥想状态。
• 评估机器学习对分类高级冥想状态的可行性。
• 确定对注意力调节与元认知相关的分类器决策中最具影响的脑区域。

提出的方法

• 为参与者计算 fMRI 区域同质性（ReHo）图。
• 从预定义的感兴趣脑区提取特征。
• 使用分层交叉验证训练多种机器学习分类器。
• 评估分类器在区分 ACAM-J 与对照条件方面的表现。
• 进行特征重要性分析，以识别有影响力的脑区域。

实验结果

研究问题

• RQ1 7T fMRI 的 ReHo 基于特征能否使用机器学习区分 ACAM-J 冥想与非冥想状态？
• RQ2 哪些脑区对 ACAM-J 状态的分类贡献最大？
• RQ3 在基于群体数据训练的模型对执行 ACAM-J 的单个练习者的泛化性如何？
• RQ4 区分 ACAM-J 与对照条件是否具有统计显著的准确性？

主要发现

• 集合模型在区分 ACAM-J 与对照条件方面达到 66.82% 的准确率（p < 0.05）。
• 特征重要性分析将前额叶与前扣带皮层确认为主要贡献区域。
• 这些发现与注意力调节和元认知处理在这些区域的已知作用一致。
• 通过 Cohen’s kappa 的中等一致性观察支持基于 ML 的状态分类的可行性。
• 结果支持未来在神经调控与高级冥想机制模型方面的工作。