基于有标定的多源域对抗式域适应的冥想与静息脑电分类

Abstract

Meditation aims to guide individuals into a state of deep calm and focused attention, and in recent years, it has shown promising potential in the field of medical treatment. Numerous studies have demonstrated that electroencephalogram (EEG) patterns change during meditation, suggesting the feasibility of using deep learning techniques to monitor meditation states. However, significant inter-subject differences in EEG signals poses challenges to the performance of such monitoring systems. To address this issue, this study proposed a novel model—calibrated multi-source adversarial adaptation network (CMAAN). The model first trained multiple domain-adversarial neural networks in a pairwise manner between various source-domain individuals and the target-domain individual. These networks were then integrated through a calibration process using a small amount of labeled data from the target domain to enhance performance. We evaluated the proposed model on an EEG dataset collected from 18 subjects undergoing methamphetamine rehabilitation. The model achieved a classification accuracy of 73.09%. Additionally, based on the learned model, we analyzed the key EEG frequency bands and brain regions involved in the meditation process. The proposed multi-source domain adaptation framework improves both the performance and robustness of EEG-based meditation monitoring and holds great promise for applications in biomedical informatics and clinical practice.

0. 引言

冥想作为提升心理健康和应对物质使用障碍的一种辅助干预方式，近年来受到广泛关注^[1-2]。其可通过增强大脑自控网络的活动、调节神经振荡频段等机制，改善自我调节能力与减少成瘾行为^[3-4]。为了评估冥想干预的实际效果，建立客观、可靠的状态监测手段显得尤为重要。尽管目前常用的主观量表如正念注意力觉察量表具有一定参考价值，但其结果易受个体自我感知偏差影响^[5]。相比之下，脑电信号能够实时反映大脑的神经活动变化，为冥想状态的客观识别提供了可能^[6-7]。研究发现，冥想状态下α波和θ波通常增强，而其他频段变化则更具个体差异^[8-9]。然而，这种差异性也给基于脑电的状态分类模型带来挑战。现有迁移学习方法难以有效适应源域与目标个体之间的差异^[10-11]。因此，本研究基于脑电数据，设计了一种新的神经网络架构，尝试结合多源域适应与标定机制，构建对不同个体具有良好泛化能力的分类模型，希望为冥想状态的客观监测提供一种更为精准和可靠的方法论框架。

1. 方法

1.1. 相关工作

迁移学习旨在利用源域知识提升模型在特征分布不同的目标域上的预测能力^[12]，其中域适应通过对齐源域与目标域的特征分布实现跨域迁移。相比传统的单一源域方法，多源域适应能更有效地整合不同来源的数据，缓解分布差异问题。例如，Yang等^[13]提出的自适应支持向量机（adaptive support vector machines，a-SVM）通过调整已有分类器实现跨域适应。Zhu等^[14]提出的多特征空间适应网络（multiple feature spaces adaptation network，MFSAN）则利用差异损失对齐分类器，增强决策一致性。此外，增量学习通过逐步融入新数据提升模型适应性，域增量学习允许输入分布变化但保持标签空间不变^[15]。尽管常用的重放策略有效，但面临存储和隐私风险。为此，Wang等^[16]提出S-Prompts方法，通过令牌压缩和融合新旧数据，提升效率与隐私保护，同时合理调控学习率和权重更新也有助于增强其稳定性与性能。

1.2. 多源域对抗式域适应方法

脑电数据中的个体差异对冥想与静息状态分类带来显著挑战^[17]。传统迁移学习难以应对源域内差异与源-目标域差异并存的问题，限制了泛化性能^[18]。为此，本研究提出一种融合多源对抗式域适应与目标域标定的方法，在训练中利用多源带标签数据，并通过少量有标签的目标域校准数据优化模型。在该框架下，本研究假设存在N个源域，依次标记为，以及一个目标域D_T。对于每个源域D_i，它由一组脑电数据及其对应的标签构成，具体表示为，其中代表脑电信号，为相应的状态标签，而则表示该源域中每个受试者的数据样本数量。目标域D_T的数据被划分为两部分：一部分是带有标签的校准数据，记为，其中和分别表示校准数据中的脑电信号和标签，n_T,c为校准数据的样本数量。在实际应用过程中，这相当于要求受试者在使用模型之前，根据特定提示进行冥想或静息获得用于校准的数据。另一部分则是无标签的测试数据，表示为。因此，目标域D_T可以综合表示为校准数据和测试数据的并集，即D_T = D_T,c∪D_T,u。本研究所提出的方法框架如图1所示，该方法分两个阶段进行。第一阶段是成对域适应阶段，使用对抗式域适应模型（domain-adversarial neural networks，DANN）^[19]将目标域的校准数据D_T,c与每个源域的数据进行配对结合，构建出N个针对特定域的分类器。DANN模型由特征提取器、任务分类器和域分类器组成，特征提取器与域分类器间通过梯度反转层实现对抗训练：前者最小化任务分类损失以提升识别能力，后者最大化域分类损失以模糊源域与目标域差异，从而学习具有跨域泛化能力的特征表示。第二阶段是目域标定阶段，在该阶段，模型并行整合所有域特定分类器，利用校准数据标签进行微调。通过分类损失提升准确性，引入离散损失对齐各分类器输出^[20]，并基于局部准确率动态调整权重，优化整体性能。

图 1.

The proposed method

本研究提出的方法

该方法分为两个阶段：阶段一为基于成对训练的域适应，阶段二为多模型集成与目标域校准

the method consists of two stages: the first stage involves pairwise domain adaptation training, and the second stage performs multi-model integration and target domain calibration

1.2.1. 成对域适应阶段

在这一阶段，模型将每个源域D_i与目标域D_T的数据进行混合，并利用DANN依次在每一对之间训练一个特定于该域的分类器C_i。通过优化分类损失函数，模型提升特征提取能力并优化任务分类器判断两类脑电的能力。同时，模型中引入了一个域分类器，其任务是判别输入的脑电数据是来自源域还是目标域。域分类器通过计算域分类损失来实现这一目标。为了使得源域与目标域之间的特征差异更加难以区分，增强模型的泛化能力，模型在特征提取器与域分类器之间加入了一个梯度反转层。通过这种设计，DANN在训练过程中不仅优化了任务分类器，提高了任务的分类准确性，还通过梯度反转层减少了源域与目标域之间的特征差异。这样，模型能够更好地适应目标域的数据分布，实现跨域知识的迁移。

在DANN中，分类损失和域分类损失均通过交叉熵损失函数进行计算^[21]。交叉熵损失函数是分类任务重常用的损失函数，具体的综合损失函数在初始训练阶段定义如下：

其中，表示交叉熵损失函数。为实际的任务标签，即源域数据的真实分类标签；为预测的任务标签，即模型对源域数据的分类预测结果。为真实的域标签，用于表明数据是来自源域还是目标域；为预测的域标签，即模型对数据来源的域预测结果。用来于控制域分类损失在总损失中的权重。

1.2.2. 目标域标定阶段

在目标域校准阶段，模型利用目标域D_T中的校准数据D_T,c来提升其在目标域中的分类准确性，并调整多个源域的域特定分类器间的相互关系。这一阶段的目标是有策略地选择最合适的源域知识，增强模型在目标域的准确率。为了实现这一目标并防止校准阶段模型过度偏离源域知识，模型对分类器学习率进行了约束。在目标域标定阶段，模型仅使用带标签的校准数据D_T,c作为模型的输入。通过分类损失，评估模型在目标域上的分类准确性，并据此调整模型参数以提高分类性能，在这一阶段，本研究对每个域特定分类器的交叉熵分类损失进行了重新定义，具体如下：

其中，表示交叉熵损失函数，代表校准数据的实际标签，而则是模型对校准数据的预测标签。同时，由于不同源域的特征存在差异，每个域特定分类器对边界样本可能产生不一致的预测。为了减轻这种不一致性和由此带来的波动，本研究引入了差异损失，其具体公式如下：

其中，和分别是分类器和的预测结果。差异损失量化了各个域特定分类器之间预测结果的距离。通过最小化，可以有效地缩小各域特定分类器预测向量之间的距离，使得这些分类器的预测结果更加一致。最终，模型整体的损失函数在目标域校准阶段可以表示为以下形式：

其中，是差异损失的权重超参数，它表示差异损失在整体损失中的相对重要性。此外，本研究还考虑了局部准确率来进一步更新模型。在微调过程中，每个域特定分类器都会记录其局部准确率，该准确率反映了分类器在处理目标域校准数据时的表现。标定过程中，局部准确率会在多个训练周期中持续更新。最终的分类结果是通过加权平均每个域特定分类器的分类结果来获得的，其中局部准确率决定了每个分类器在最终分类中的权重。最终分类的计算方式如下：

其中，表示第i个分类器的局部准确率，是分类器的预测结果。

2. 实验结果与分析

2.1. 数据集

本研究从某戒毒所招募20名甲基苯丙胺使用障碍男性患者，方案经伦理审批^[22]。所有受试者在数据采集前接受10天正念冥想结合常规治疗的干预训练，干预内容包括每天一次、持续2 h的正念冥想治疗与常规治疗结合的方案。在这10天的干预后受试者填写正念觉察量表评估初始水平，进行脑电采集，每人完成5 min冥想与5 min静息，记录相应脑电信号。由于2名受试者的数据损坏，最终纳入18名受试者，研究过程和脑电采集流程如图2所示。受试者年龄为（32.00 ± 5.43）岁，受教育年限为（11.17 ± 2.81）年，累计吸毒年限为（9.11 ± 6.09）年，平均吸毒计量为（0.64 ± 0.35）g。

图 2.

The study procedure

研究流程

共招募18名受试者，完成10 d冥想训练后进行脑电采集，包括5 min冥想、睁眼过渡、5 min静息。在跨被试实验中，目标域受试者仅提供冥想与静息各1 min的有标签数据，其余数据均为无标签

eighteen participants completed a 10-day meditation training, followed by EEG recording: 5 min of meditation, an eyes-open transition, and 5 min of resting. In cross-subject experiments, the target subject provided only 1 min of labeled data for both states; the remaining data were treated as unlabeled

本研究采用了BrainAmp MR plus系统及配备的按照国际10/20系统扩展的64电极帽（SynAmps 2/RT，Neural Scan，美国）记录脑电信号，原始采样频率设定为1 000 Hz^[23]。在数据处理时，由于Fp1与Fp2通道主要记录眼电活动，本研究将其排除，保留其余62通道信号用于分析。对于每次采集的脑电数据，本研究进行了一系列预处理操作。首先，将原始信号从1 000 Hz下采样至200 Hz。随后，使用50 Hz陷波滤波器滤除由交流电带来的噪声并且使用通过带宽为0.2～60 Hz的带通滤波器，滤除由肌肉运动等产生的与脑电无关的电信号噪音^[24]。

接下来，本研究从过滤后的时域信号中提取频域特征。对于每个电极，本研究通过1 s的窗口长度，将每5 min脑电数据分为300段。针对每个片段，本研究提取其在频域上的信息。频域依照常见方法被划分成了五个频段（δ：1～4 Hz；θ：4～8 Hz；α：8～4 Hz；β：14～31 Hz；γ：31～50 Hz）。本研究选用微分熵特征作为频域特征^[25]。微分熵特征是衡量一个连续信号源平均信息量的指标，它基于信号的概率密度函数进行计算^[26]，经过带通滤波器处理脑电信号符合正态分布。微分熵的简化计算公式如以下方程所示：

其中，表示频带i上的谱功率，x代表时间序列脑电数据，N是x的长度。

综上所述，经过数据处理和特征提取后，本研究获得了每位受试者5 min冥想状态下的脑电数据和5 min静息状态下的脑电数据。每段数据包含300个数据点，每个数据点的维度为310。对每名受试者的脑电数据，本研究使用Z-Score方法对其进行归一化处理。

2.2. 实验涉及模型所使用的超参数

为评估所提方法的有效性，本研究在实验中引入了多种对比模型，涵盖传统机器学习方法，例如支持向量机（support vector machine，SVM）和多层感知网络（multilayer perceptron，MLP），以及近年来广泛应用的深度学习架构。除SVM模型外，所有模型均采用Adam优化器和Xavier正态分布方法初始化^[27]。SVM模型使用径向基函数作为核函数，其惩罚项C的取值范围设定在集合{2ⁱ∣i = −10, −9, ···, 9, 10}中^[28]。

EEG-Transformer（EEGT）模型是一个用于脑电相关任务的包含多头自注意力机制的Transformer模型^[29]。该网络由3层神经元构成隐藏层，层间通过GELU激活函数连接，每层包含512个神经元，注意力头的数量设置为5。其可选学习率在集合{10⁻ⁱ∣i = 1, 2, ···, 5}中选择。训练时，本研究在输入中加入了分类令牌，用于完成分类任务。

MLP模型由3层神经元组成，隐藏层的神经元数量分别为1 024、256和2。除最后一层使用softmax作为激活函数外，其余层均采用ReLU函数。MLP模型的可选学习率为10⁻ⁱ，其中i = 1, 2, ···, 5。本研究使用校准数据对基于上述超参数组合获得的最高准确率的MLP模型进行微调，三层的学习率组合为(10⁻⁽²⁺ⁱ⁾, 5 × 10⁻⁽²⁺ⁱ⁾, 10⁻⁽¹⁺ⁱ⁾)，其中i = 0, 1, ···, 5^[30]。

MFSAN模型包含一个1 024神经元的共用特征提取器和17个并行的域特定分类器。每个域特定分类器由一个256神经元的域特定特征提取器和一个无隐藏层的分类器组成。每个域特定特征提取器的输出通过最大均值差异损失^[31]进行更新，记作。分类器接受标注的源域数据特征，并通过交叉熵损失进行更新，记作。对于每一对分类器，本研究计算它们在同一数据上的判别差异损失，记作。总损失如下列公式所示：

其中，{0.1, 1, 10}是的超参数，{0.1, 1, 10}是的超参数。MFSAN的可选学习率集为{10⁻³, 10⁻⁴, 10⁻⁵, 10⁻⁶}。MFSAN+模型是MFSAN模型在有标定数据的实验设置下的修改版本，它使用标注的校准数据通过来增强性能，模型结构和超参数与MFSAN相同。

DANN模型由特征提取器、任务分类器和域分类器组成。特征提取器的两层隐藏层大小分别为1 024和256，域分类器的隐藏层大小为128，任务分类器无隐藏层。所有全连接层后均采用ReLU激活函数。在特征提取器和域分类器之间设有一个梯度反转层。可选的来自集合{0.01, 0.1, 1, 10, 100}，可选学习率在集合{10⁻³, 10⁻⁴, 10⁻⁵}中。校准策略与前述的MLP模型相似。在表1中，“成对”的DANN模型指针对一个目标域受试者，分别与每位其他受试者单独配对构成源域，逐一训练多个DANN模型；“堆叠集成”的DANN模型则是基于上述多个配对模型的输出，再训练一个集成模型以融合结果，最终分类输出由该集成模型给出，各模型在集成中的权重根据其在目标域标定数据上的表现确定；“微调”的DANN模型表示在初步训练完成后，使用目标域中少量有标签数据对模型进行进一步优化；“平均”的DANN模型表示将所有与目标域成对训练得到的多个DANN模型的分类结果进行平均，以获得最终输出。

表 1. Performance comparison of classification accuracy (%) for meditation and resting states.

多个模型在冥想静息状态脑电分类任务的准确率（%）比较

实验设置	方法	准确率	精确率	召回率	F1分数
注：粗体数字表示当前实验设置下的最优结果，各指标数值越大结果越好
被试依赖	EEGT	64.75 ± 9.24	68.02 ± 12.56	62.15 ± 20.89	61.60 ± 17.43
	MLP	66.82 ± 13.46	66.84 ± 13.06	68.77 ± 18.84	66.79 ± 14.37
	SVM	68.32 ± 15.12	67.45 ± 15.60	72.29 ± 19.07	69.12 ± 15.72
跨被试	DANN（成对，平均）	53.04 ± 5.96	53.16 ± 6.30	53.80 ± 14.04	50.99 ± 9.10
	MLP	55.86 ± 7.48	45.53 ± 25.53	46.46 ± 31.60	44.16 ± 25.60
	SVM	57.22 ± 9.59	59.33 ± 11.27	46.02 ± 26.81	47.43 ± 20.57
	EEGT	58.00 ± 7.18	56.30 ± 15.14	54.17 ± 24.72	53.00 ± 17.56
	DANN	60.63 ± 8.53	61.96 ± 7.75	56.57 ± 21.25	57.24 ± 13.02
	MFSAN	65.97 ± 8.59	67.62 ± 10.46	69.00 ± 20.30	65.69 ± 11.30
有标定的跨被试	DANN（成对，堆叠集成）	59.32 ± 13.20	58.61 ± 12.90	64.12 ± 21.14	60.12 ± 14.97
	DANN（微调）	65.87 ± 10.41	62.13 ± 17.82	67.92 ± 22.91	64.14 ± 18.66
	DANN（微调，成对，平均）	66.35 ± 13.72	65.95 ± 13.14	67.81 ± 19.54	65.83 ± 15.24
	MLP（微调）	66.98 ± 11.62	66.07 ± 10.84	72.18 ± 20.72	67.56 ± 13.65
	MFSAN+	71.71 ± 10.10	71.34 ± 9.88	73.84 ± 13.71	72.02 ± 10.47
	提出的方法CMAAN	73.09 ± 11.19	73.38 ± 11.91	76.48 ± 12.32	74.14 ± 9.71

本研究提出的CMAAN方法通过图1所示的方式，将17个成对训练的最优域特定DANN模型的特征提取器和任务分类器进行整合。在校准阶段，的可选值来自集合{0.01, 0.1, 1, 10}。在校准过程中，每个域特定DANN的三层学习率组合为(10 ⁻⁽²⁺ⁱ⁾, 5 × 10 ⁻⁽²⁺ⁱ⁾, 10 ⁻⁽¹⁺ⁱ⁾)，其中i = 0, 1, ···, 5。

2.3. 冥想静息脑电区分实验

在被试依赖的实验设置中，对于每位受试者，模型采用他们冥想和静息脑电数据各自的前1 min数据进行训练，后4 min则用于测试。在跨被试实验设置中，所有模型均采用留一法交叉验证进行评估。每次迭代中，训练集包括所有非目标受试者的冥想与静息脑电数据，测试集则包括目标受试者后4 min的冥想与静息数据。在有标定的跨被试实验中，本研究同样采用留一法交叉验证。训练阶段，模型使用所有非目标受试者的完整5 min冥想与静息脑电数据。随后使用目标受试者的前1 min数据对模型进行校准，最后用其剩余4 min数据进行测试。

本研究提出的模型和其他基线模型的冥想静息脑电分类准确率的比较结果列于表1中。图3呈现了几个实验中模型的精确率-召回率曲线及接收者操作特征曲线，图4给出了相应的混淆矩阵。基于这些实验结果，本研究可以得出以下结论：

图 3.

Precision-recall curve (left) and receiver operating characteristic curve (right) of six models

六个模型的精确率-召回率曲线（左）与接收者操作特征曲线（右）

图中曲线表示留一法交叉验证中18名受试者的平均值，阴影区域表示偏差范围

the curve represents the average value of all 18 subjects in the leave-one-out cross validation and the shallow represents the deviation

图 4.

Confusion matrix of six models

六个模型的混淆矩阵

矩阵中的数值表示留一法交叉验证中18名受试者结果的平均值

the values in the matrix are the average result of 18 subjects in the leave-one-out cross validation

（1）在对比实验中，本研究提出的方法CMAAN展现出了较高准确率。特别是在有标定的跨被试实验设置下，其准确率超越了MFSAN+和其他方法。

（2）与其他基于迁移学习的算法相比，该方法能够能更有效整合多源域特征，增强目标域分类性能；部分源域数据对分类可能存在干扰。

（3）标定后的CMAAN模型相比未标定情况下表现最佳的MFSAN，准确率提升了7.12%，表明少量标定数据能够显著提升模型性能。

2.4. 消融实验

为了评估本研究提出方法中各个组件对于提升冥想静息脑电分类任务准确度的贡献，本研究设计并进行了一组消融实验^[32]，具体包括以下三个不同的实验设置：① 消融校准阶段的差异损失；② 消融校准阶段的分类损失；③ 消融校准阶段的局部准确率。

消融实验的结果如表2所示。其中，消融对本研究提出的方法性能影响最为显著。这一结果表明，域差异损失在对齐不同域数据差异方面发挥了至关重要的作用。相反，消融局部准确率对整体性能的影响相对较小，这说明使用未加权的平均值，而非通过局部准确率加权的平均值，并不会对模型最终效果造成明显的衰退。

表 2. Performance of classification accuracy (%) of proposed method when one component is ablated.

消融实验中去除各个组件后模型的准确率（%）比较

方法	准确率	精确率	召回率	F1分数
原方法	73.09 ± 11.19	73.38 ± 11.91	76.48 ± 12.32	74.14 ± 9.71
消融Ldisc	69.46 ± 10.69	69.58 ± 10.01	71.18 ± 20.81	69.72 ± 17.68
消融Lcls	69.83 ± 13.88	70.88 ± 13.73	71.16 ± 16.89	68.35 ± 13.62
消融局部准确率	72.73 ± 11.08	71.60 ± 11.21	79.72 ± 12.76	74.63 ± 9.50

2.5. 标定数据量敏感性实验

本实验探讨了CMAAN对有标签数据数据量的敏感性。在之前的实验设置中，使用冥想与静息各前1 min数据进行标定，测试模型在后续4 min数据上的表现。本节将分析不同校准数据量对模型性能的影响，从冥想与静息各前1 min数据中按10%递增比例进行类别平衡采样作为校准数据，直至第1 min全部数据都被用作校准数据。除验证CMAAN外，还评估微调MLP对校准数据量的敏感性，结果如图5所示。观察结果可以发现，本研究所提出的方法CMAAN对于校准数据的使用量不敏感。在本实验中，即使仅使用10%的第1 min数据进行校准，其分类准确率与采用全部校准数据的结果相比下降幅度有限。相比之下，当在有标定的跨被试实验设置中使用MLP进行分类时，其对校准数据量的变化更为敏感。

图 5.

The impact of different proportions of calibration data on classification accuracy

不同比例校准数据对分类准确率的影响

2.6. 关键脑区分析

本节分析CMAAN模型如何依据脑电特征区分冥想与静息状态。为量化各特征对模型预测的贡献，采用集成梯度方法^[33]。集成梯度的核心理念在于，在输入特征空间中，从一个参考点（通常是输入特征的零值或某个已知的参考值）逐步过渡到目标输入值。在这个过程中，每一步都计算模型的预测梯度并进行累积，最终得到一个总的梯度变化量。这个累积的梯度变化量就反映了每个特征对模型输出的影响程度。

通过计算每个输入特征的集成梯度，本研究得到了一个与输入特征维度相匹配的向量，其中的每个分量都代表了对应特征对模型输出的贡献大小。结果如图6所示，可以观察到，在这组受试者中，冥想状态下δ波和β波的能量出现了增加，而θ波和α波的能量则普遍下降。值得注意的是，脑电中的β波与积极思维、专注以及警觉性密切相关^[34]。这一现象表明，在冥想过程中，戒毒者可能会体验到积极的情绪，并能够更好地集中注意力^[35]。

图 6.

Contribution distribution of each electrode and frequency band to meditation state classification

各电极及各频段对冥想状态分类的贡献度分布

红色表示正向贡献，蓝色表示负向贡献，颜色深浅表示影响程度

red indicates positive contribution, blue indicates negative contribution, and color intensity reflects the magnitude of influence

3. 讨论

本研究提出了一种名为有标定的多源域对抗式域适应网络的深度学习方法，用于基于脑电信号对冥想状态与静息状态进行分类。研究采集了18名物质使用障碍男性患者在冥想与静息状态下的脑电数据，并对其进行状态标注。针对脑电数据中显著的个体差异问题，本研究引入了少量目标个体的带标签校准数据，以提升模型在新个体上的适应能力。CMAAN采用两阶段建模策略，首先通过构建多个基于成对DANN模型的迁移路径，从不同源域中学习稳定特征，然后通过特征对齐与加权整合机制将多个子模型融合为统一分类器，从而有效缓解了源域之间的异质性和源-目标域之间的分布偏移问题。

在对比实验中，CMAAN在跨被试分类任务中表现优于传统的非迁移方法以及现有的迁移学习模型。在目标个体仅提供极少量标注数据的情境下，依然展现出较高的鲁棒性和良好的泛化性能。此外，基于该模型的进一步特征分析揭示了冥想过程中与状态变化显著相关的关键脑区与频段，为冥想状态的神经机制研究提供了新的量化支持。

本研究的分类模型不仅提升了脑电冥想状态的跨个体识别能力，也在临床干预场景中展现出应用潜力。对于物质使用障碍人群，冥想疗法正逐步成为辅助性康复手段之一，而准确监测其冥想状态将有助于个体化干预策略的制定与执行。所提出的CMAAN方法能够在不同受试者之间迁移已有知识，通过少量标签数据实现适应性校准，未来有望集成于闭环神经反馈系统中，实现对戒毒患者冥想效果的实时评估与反馈。此外，该方法亦可推广至其他精神疾病中的冥想或放松训练状态监测，辅助治疗依从性管理和康复评估，具有较高的推广价值。

尽管本研究在方法设计和实验验证方面取得了积极成果，仍存在一定局限性。首先，样本规模有限，且受试者群体单一，仅包括男性物质使用障碍患者，限制了模型的泛化能力。其次，脑电信号的非平稳性可能影响模型的稳定性，未来可结合时间序列建模与噪声鲁棒机制进行优化。后续研究可进一步扩大样本规模与人群多样性，引入多模态生理信号提升识别精度，并探索更高效的低标注或无监督校准策略，以降低实际部署成本。综上，CMAAN为跨个体冥想状态识别提供了有效的新方法，未来有望应用于个性化冥想干预和临床康复的智能监测系统中。

4. 总结

本研究提出的CMAAN方法在基于脑电的冥想状态分类中展现出了出色的性能，其准确率高达73.09%，超越了基线方法。这充分凸显了通过标定和域适应方法在克服个体差异性和提升分类准确性中的关键作用。此外，本研究还发现了冥想状态可能会增强正在接受戒毒治疗个体的脑电中β波的能量，这一发现为潜在的临床研究提供了宝贵的见解。

重要声明

利益冲突声明：本文全体作者均声明不存在利益冲突。

作者贡献声明：苟明宇完成了算法设计、算法相关的实验以及全文撰写；尹昊龙完成了部分算法相关的设计工作和文章校对；陈天真、程菲和杜江完成了伦理审批和数据收集工作；吕宝粮和郑伟龙完成了整个项目的指导工作和文章修改工作。

伦理声明：本研究通过了上海市精神卫生中心伦理委员会的审批（批文编号：2018KY-20）。

Funding Statement

国家自然科学基金（62376158）；科技创新2030-重大项目（2022ZD0208500）；上海交通大学医工交叉研究基金“交大之星”计划（YG2023ZD25）；上海市科技重大专项（2021SHZDZX）；上海市浦江计划（22PJ1408600）；上海交通大学医学院附属瑞金医院广慈教授计划