L-FAME：纵向关注注意力冥想 EEG 数据集与基准
信号处理
2026-05-25 v1 机器学习
摘要
我们介绍一种新型的纵向关注注意力冥想电生理信号（L-FAME）数据集及其附带基准，旨在促进针对各种冥想实践及其随时间演变的神经效应的研究。数据集包含来自 74 名健康大学生的 EEG 记录和心理评估，分别在干预前和干预后两个时间点收集。将参与者随机分配到三个不同的冥想组别：两个基于口诵的技术（SA-TA-NA-MA 和 Hare Krishna）和一种呼吸聚焦练习。依托这一独特的纵向和比较数据集，我们提出的基准套装包括三个不同的分类任务：（1）认知状态解码以区分休息和冥想状态，（2）对特定冥想技术的精细分类，（3）跨会话适应以评估模型在纵向时间间隔上的泛化能力。我们提供了使用多种经典机器学习算法和深度学习架构对这些任务进行的全面基线结果。该完整数据集、预处理管道以及基准评估代码将公开发布，为计算冥想研究和基于 EEG 的机器学习领域的新分析方法开发与比较提供了宝贵资源和标准化框架。数据集可在 https://huggingface.co/datasets/L-FAME-Dataset-Benchmark/L-FAME 访问。
引用
@article{arxiv.2605.22893,
title = {L-FAME: Longitudinal Focused Attention Meditation EEG Dataset and Benchmark},
author = {Angqi Li and Ab Basit Rafi Syed and Hamzeh Alzweri and Taosheng Liu and Barry H. Cohen and Saiprasad Ravishankar},
journal= {arXiv preprint arXiv:2605.22893},
year = {2026}
}
备注
Code and dataset available at: https://huggingface.co/datasets/L-FAME-Dataset-Benchmark/L-FAME