Unveiling neural correlates of awe with an EEG microstate analysis and machine learning

This thesis explores the neural correlates of awe induced by virtual reality (VR) experiences through EEG microstates analysis. It involved healthy participants in a baseline condition (eyes closed) and four VR environments (three awe-inducing, one neutral). EEG data were analyzed across five frequency bands (1-40 Hz, including theta, alpha, beta, and gamma) and four clustering solutions (K=4, 5, 6, 7) to identify topological and dynamic features for each condition. Using 1-40 Hz band and using clustering solution K=4, Baseline results in A, C, D, F microstates, the Reference, mountains and waterfall VR conditions result in C, D, E, G and earth VR scenario in D,E,F,G. Univariate statistical comparisons of EEG microstate features (within 1-40 Hz) were conducted to differentiate between conditions. The tests found differences between the Reference VR and Baseline conditions, highlighting neural correlates of neutral VR stimulation through mean occurrences and durations. However, no significant common differences were detected between awe-inducing VR environments and the Reference condition. Instead, environment-specific differences were found in transition probabilities. Two machine learning models were developed using features extracted from theta and alpha rhythms, combined with features extracted from 1-40 Hz band. To test classifiers’ performances, a validation scheme has been used: a Nested CV approach. To extract then the predictors, the model explaining the best performance level, has been tuned on the entire dataset, via a grid search CV, and re-trained to learn the optimal parameters. The KNN model classifying Reference VR vs Baseline resulted in an accuracy value of 0.91 ± 0.07 and the most influential predictors were the ones related to microstates A and G. The model with the best performance classifying the awe-inducing VR scenarios vs Reference VR was the SVC, which resulted in an accuracy value of 0.73 ± 0.06 and the most influential predictor was the duration std of microstate E. Albeit being preliminary, these results suggest that complex emotional experiences like awe can be automatically captured through the underlying EEG microstates. If reproduced on independent samples, these findings pave the way for the discovery of the neural correlates of awe experiences and consequently helping to explore the potential use of awe-inducing environments for maintaining mental health or treating depression.

Questa tesi esplora i correlati neurali del sublime indotto da esperienze di realtà virtuale (VR) attraverso l'analisi dei microstati EEG. Ha coinvolto partecipanti sani in una condizione baseline (occhi chiusi) e in quattro ambienti VR (tre suscitanti il sublime, uno neutro). I dati EEG sono stati analizzati attraverso cinque bande di frequenza (1-40 Hz, incluse theta, alpha, beta e gamma) e quattro soluzioni di clustering (K=4, 5, 6, 7) per identificare le caratteristiche topologiche e dinamiche di ciascuna condizione. Utilizzando la banda 1-40 Hz e la soluzione di clustering K=4, Baseline ha mostrato i microstati A, C, D e F, mentre le condizioni VR di Reference, montagne e cascata hanno mostrato i microstati C, D, E e G e l'ambiente VR della Terra ha mostrato i microstati D, E, F e G. I confronti statistici univariati delle caratteristiche dei microstati EEG (nella banda 1-40 Hz) hanno rivelato differenze tra le condizioni Reference VR e Baseline, evidenziando i correlati neurali della stimolazione VR neutra attraverso le occorrenze e le durate medie dei microstati. Tuttavia, non sono emerse differenze significative tra gli ambienti VR con sublime e la condizione Reference; sono state invece riscontrate differenze specifiche per ambiente nelle probabilità di transizione. Sono stati sviluppati due modelli di machine learning utilizzando caratteristiche dei ritmi theta e alpha, insieme a quelle della banda 1-40 Hz. Le prestazioni dei classificatori sono state valutate con un approccio Nested Cross Validation e i modelli sono stati ottimizzati e riaddestrati tramite grid search CV per identificare i parametri ottimali. Il modello KNN che classifica Reference VR vs Baseline ha ottenuto un'accuratezza di 0,91 ± 0,07, con i predittori più influenti relativi ai microstati A e G. Il modello con le migliori prestazioni nella classificazione degli scenari VR sublimi vs Reference VR è stato il SVC, che ha ottenuto un'accuratezza di 0,73 ± 0,06 e il predittore più influente è stato la deviazione standard della durata del microstato E. Anche se preliminari, i risultati suggeriscono che i microstati EEG possono rilevare automaticamente emozioni complesse come il sublime. Se confermati su campioni indipendenti, potrebbero aiutare a scoprire i correlati neurali del sublime e ad esplorare l'uso di ambienti che suscitano tale emozione per la salute mentale e il trattamento della depressione.