相关问题：

冥想的主要判别力特征是什么？

：主要体现在脑电时间序列的非线性、复杂性与动态稳定性

相关脑区是什么？

：额叶和顶叶在识别冥想状态时起到关键作用

冥想时可能经历状态变化，如何刻画?

：动态特征提取：使用ST_MomentCorr_002_02_mean_std_sqrt_density等特征，在短时间窗口内计算统计量，捕捉信号的快速波动

时间序列分割：将长时间的EEG记录分割成较短的、有重叠的片段（如10秒的epoch），分别计算其特征，观察特征随时间的变化轨迹。

聚类：利用hctsa的特征对EEG片段进行无监督聚类，客观地识别出数据中存在的不同“状态”。

实验结果

21个被试采用每10s分段，keywords=f002_s01_sanbu_AF3_ep001代表第 2 个被处理的set文件中第 1 号被试在散步状态下AF3 通道的第 1 个 10 秒脑电片段。横坐标Time (samples)是采样点，采样率128hz，每个片段10s，共128×10=1280个采样点，图中横坐标 0~1280 对应10 秒的脑电数据，1280 之后的部分是绘图时的留白，没有实际数据。纵坐标是脑电信号幅值，正常清醒状态下的脑电信号幅值范围通常是0~200μV，因此对幅值超过 2000μV 疑似眼动伪迹或肌电伪迹的巨大尖峰进行剔除。

基于部分文件的幅值分布，我们将最优阈值设置为300μV，超过300μV的进行剔除，总共剔除 33183 个坏段，剩余 93825 个干净片段，总体剔除率为26.1%。其中散步状态的剔除率最高，约35%~40%，这是因为身体运动导致大量肌电伪迹，打坐状态剔除率最低，约 10%-15%，这时候身体完全静止，伪迹最少。

按照行禅、打坐、散步、闲坐四种状态分类标签

现在所有特征都在相似的尺度上，将时间序列绘制为行，特征为列，评估每个时间序列上的特征后，以颜色从低（蓝色）到高（红色）显示

重新排序特征（和时间序列），使相似的行和列彼此靠近，再次绘制（内存不足导致没法重排）

TS_TopFeatures后得到单个特征列表和一些可视化

该图为所有特征的准确度分布，在28.46%

基于四状态冥想脑电分类筛选出的前 40 个最具区分度的特征（分类准确率 36.4%~39.1%，显著高于 25% 的随机水平），通过 Spearman 相关性层次聚类自然形成 12 个功能独立的特征簇。每个簇内特征高度相关（相关系数普遍 > 0.8），簇间相关性较低，对应冥想对大脑活动影响的 12 个独立维度。

我们识别出四组重要特征：超簇1：紫色分支（最左上角黑框，SY_滑动窗口 + EN_mse 多尺度熵）对应动力学 / 时序可预测平稳性簇，包含滑动窗口自相关、多尺度样本熵、时序预测残差统计量；衡量脑电随时间变化的可预测性、动态波动平稳度；闲坐手部动作波动大、可预测性差，熵值高；打坐 / 行禅平稳，熵值低。

超簇2：粉色分支（中间上方大黑框，CO_CompareMinAMI 互信息）对应分布平稳性簇，包含互信息、分位数均值 / 中位数、分段分布一致性；脑电幅值分布在时序内是否稳定、分段分布差异；冥想（打坐 / 行禅）幅值分布全程稳定；散步、闲坐分段分布波动大。

超簇3：黄色分支（中间偏下黑框，EN_mse_diff 差分熵、SY_Spread 随机扩散）

超簇 4：橙色末端分支（最右下角黑框，MF_相空间嵌入、DN 拟合分布）

多尺度差分标准化样本熵（ID=2889，数据集 Top 判别性能特征）用于量化脑电时序动态可预测性，特征数值越高代表神经活动波动越平稳有序。

Top12 高区分度特征的组间小提琴图

小提琴的宽度代表该数值下的样本密度，中间横线为各组中位数。12 个特征的单特征四分类准确率在37.1%~39.1%之间，显著高于四分类的随机水平（25%）

从分布重叠度看：打坐和行禅分布几乎完全分离，组间差异最显著；散步和闲坐分布部分重叠，差异次之；同类型状态（静息类：打坐 / 闲坐；运动类：散步 / 行禅）内部特征更相似。

PCA 降维散点图 + t-SNE 降维散点图

对标准化后的全部时序特征分别采用 PCA 线性降维、t-SNE 非线性降维进行低维可视化。PCA 前两个主成分仅解释 35.46% 总方差，四类实验样本散点大面积重叠，线性 SVM 分类准确率仅 30.00%，说明全局特征存在大量冗余，线性变换难以挖掘四类任务间区分信息。t-SNE 非线性降维可捕捉脑电时序非线性动力学差异，样本出现局部聚集。

。