方法文章

利用小波熵揭示正念练习如何增强不规则脑活动与心脏活动之间的协调性

15.5K 次观看

⸱

DOI：

10.3791/55455

⸱

2017年5月10日

 ,  ,  ,  ,  , 
1Centre of Buddhist Studies, The University of Hong Kong, 2Department of Electrical and Electronic Engineering, The University of Hong Kong

本文内容

摘要

本文描述了如何使用小波熵指数来分析高密度脑电图（EEG）和心电图（ECG）数据。我们发现，在基于正念的减压训练过程中，大脑和心脏活动的不规则性变得更加协调。

摘要

在东方和西方，传统教义均认为心与脑在某种程度上密切相关，尤其是在进行精神修习时。要客观证明这一点存在一个困难，即大脑活动与心脏活动的本质截然不同。本文提出一种方法，利用小波熵来测量脑电图（EEG）和心电图（ECG）数据的混沌水平，并展示如何利用该方法探索在不同实验条件下心与脑之间可能存在的协调关系。此外，采用统计参数映射（Statistical Parametric Mapping, SPM）来识别在实验条件下脑电小波熵变化最显著的脑区。作为示例，我们在为期8周的标准正念减压（Mindfulness-based Stress Reduction, MBSR）训练课程开始前（前测）和课程结束后（后测），分别在两种不同条件下（正常静息和正念呼吸）记录了受试者的脑电图和心电图。使用所提出的方法，结果一致显示，在MBSR正念呼吸状态下，大脑脑电图的小波熵较闭眼静息状态有所降低。同样，在MBSR正念呼吸期间，心率的小波熵也较低。然而，在前测与后测之间，MBSR正念呼吸期间的小波熵未发现差异。所有参与者在正常静息状态下，脑电波熵与心率熵之间均未观察到相关性，而在MBSR正念呼吸期间则观察到显著相关性。此外，相关性最强的脑区主要位于大脑中央区域。本研究提供了一种方法学基础，用以建立证据，表明正念练习（即正念呼吸）可能增强心与脑活动之间的协调性。

引言

随着神经科学和医学的进步1，我们已处于更有利的位置来理解正念和冥想对心理与生理疾病带来的非药物性益处。大量研究表明，基于正念的减压训练（Mindfulness-based Stress Reduction, MBSR）作为一种心理锻炼，能够主动减少身心不必要的压力2。在冥想练习过程中，身体与心智可能变得更加协调同步。这些问题已引起学术界和公众的广泛关注，并促使我们设计一种方法学，用以探索在不同条件下心智与身体（或更具体地说，大脑与心脏）之间潜在的协调关系，从而评估MBSR训练与实践的效果。

在传统的脑电图（EEG）谱分析中，脑电图信号的不规则性通常被视为噪声，但它可能包含有用信息，并可通过信号熵进行量化。脑电图熵已被用作癫痫、阿尔茨海默病和麻醉等临床状况的指标，一些证据表明，脑电图熵可能是比传统脑电图谱分析更敏感的大脑状态监测指标3,4。熵在热力学中长期被用作描述系统混乱状态的指标。脑电图所记录的脑电波因其神经网络在有序与混沌之间运行而表现出动态活动特征5。在多种熵的计算方法中，小波熵提供了一种在不同观测尺度下计算能量熵的方法，特别适用于分析在不同尺度下特征高度变化的脑电图信号。对于一个完全随机的信号，其在不同分辨率水平上的相对能量将相同，此时熵达到最大值。因此，小波熵可作为脑电图中混沌活动程度的度量，并可用作区分不同意识状态的指标6。

既往心电图（ECG）研究一致表明，与冥想前状态相比，冥想会引起心率变异性发生改变7。心跳由自主神经系统（包括交感神经和副交感神经系统）调节。自主神经张力受到神经节、窦房结、迷走神经以及延髓、岛叶和边缘系统等高级脑结构之间相互作用的调节。这些结构构成一个层级系统，其非线性活动可通过熵进行测量8。例如，高级脑结构中的神经放电可影响心率节律9。在临床条件下，癫痫发作等脑部疾病会扰乱心律10。神经心脏病学研究也提示心脏与大脑之间存在密切的相互作用11。

研究脑信号与心信号关联性的一个难点在于，它们在信号内容和时间尺度上存在显著差异。因此，一个主要挑战是找到一种共同的度量方法，这种方法不仅适用于脑和心的信号，而且在身心协调的背景下具有可解释的意义。本文提出使用小波熵，通过关联脑电图（EEG）与心跳信号的熵值，来检测脑与心脏活动不规则性之间可能存在的协调关系，并可通过正念减压疗法（MBSR）实验对结果进行评估。

由于正念减压疗法（MBSR）涉及身心两方面的正念练习，我们假设MBSR中的正念呼吸练习可能不仅影响大脑活动，还可能影响心跳。以往的研究主要分别从不同角度探讨了正念训练和/或练习对大脑或心脏的影响；而这两个密切相关系统之间的同步变化在很大程度上仍未被探索。仅有少数研究报道了正念训练后身心协调性的改善12。通过所提出的方法、代表性结果以及一项先前的研究13表明，MBSR正念训练可能增强身心在混沌活动方面的协调性，这可能为正念训练对中枢神经系统和周围神经系统的影响提供新的见解。

方案

本研究已获得香港大学机构审查委员会批准。所有参与者在参加本研究前均签署了书面知情同意书。

1. 实验设计

figure-protocol-1
表1. 正念减压课程概述。 参与者所接受的为期8周的正念减压训练课程。

  1. 招募参与者。
    注意：本 EEG 研究共纳入来自本地正念减压（MBSR）课程的 11 名健康成年人（5 名女性），年龄为 28 至 52 岁。根据贝克抑郁量表（Beck Depression Inventory）评估为患有抑郁症的参与者被排除在研究之外。该课程遵循标准的 MBSR 培训方案（表 1），参与者需承诺遵守培训的结构安排。
  2. EEG 记录系统。
    1. 在安静的房间内使用包含 EEG 帽、放大器、头盒和台式计算机的 128 导 EEG 系统进行 EEG 记录。

2. 脑电图与心电图数据采集

注意：脑电图（EEG）数据采集遵循标准流程，类似于先前描述的方法14。要求每位受试者在前往实验地点前清洗头发和头皮。向受试者说明实验流程，主要包括其将在 EEG 和 ECG 设备记录下正常休息 10 分钟，随后进行 10 分钟正念呼吸练习。

  1. 使用酒精棉片清洁受试者的面部区域和乳突部位。
  2. 使用卷尺测量受试者的头围，并据此选择合适尺寸的帽套。从鼻根点（nasion）到枕外隆凸点（inion）测量一次长度，另一次测量则横跨双耳顶部并经过头皮。用软头记号笔标记头顶点（vertex），即鼻根点与枕外隆凸点之间的中点，以及左右两耳之间的中点。
  3. 根据 10-5 电极系统15设置电极位置。将帽套放置妥当，使 Cz 电极位于头顶点上方，Nz 电极位于鼻根点，Lz 电极位于枕外隆凸点，RM 电极位于右侧乳突，LM 电极位于左侧乳突。
    1. 将心电图（ECG）电极分别置于左右锁骨下窝。
    2. 使用钝头注射器向电极 holder 中注入导电凝胶。
    3. 确保每个电极的阻抗低于 20 kΩ。通过调整电极位置以增加与头皮的接触面积来降低阻抗；必要时可添加更多凝胶。
    4. 系紧下颌带，并要求受试者保持静止不动。
    5. 将脑电图（EEG）设备的采样率设置为 1,000 Hz，以左侧乳突作为原始参考点。
  4. 在正念减压课程（MBSR）开始时（两周内）记录脑电图数据（步骤 1.2.1）。
    1. 让受试者进行简短的身体扫描，以放松全身。在呼吸时，引导其关注自身的呼吸过程。在脑电图数据采集期间，每位受试者需完成 10 分钟的 MBSR 正念呼吸（MBSR 正念条件）和 10 分钟的正常休息（对照条件）。由此生成包含两种条件的 MBSR 训练前数据集。
      注意：在不同受试者之间交替安排正念呼吸与正常休息的顺序。
  5. 在受试者完成 MBSR 课程约 1 个月后再次记录脑电图数据。
    1. 要求每位受试者在脑电图数据采集期间完成 10 分钟的正念呼吸和 10 分钟的正常休息。由此生成包含两种条件的 MBSR 训练后数据集。

3. 脑电图和心电图数据分析

注意：前四个步骤用于数据预处理，其余步骤用于小波熵计算和相关性分析。此处使用了一款名为 EEGLAB16 的开源软件进行脑电图（EEG）分析，但不同软件之间的操作应大致相似。以下将以基于 EEGLAB 的操作为例进行说明。详情请参考 EEGLAB 手册（https://sccn.ucsd.edu/wiki/EEGLAB_Wiki#EEGLAB_Tutorial）。

  1. 使用脑电图（EEG）软件，通过选择“工具”（Tools）将数据重采样至 250 Hz > 更改采样率。选择“工具”，使用有限脉冲响应（FIR）滤波器进行带通滤波，通带范围为 0.5 - 100 Hz > 过滤数据 > 基础FIR滤波器。
    1. 为降低因国家/地区而异的市电交流电引起的噪声，选择“工具”，使用短阶非线性无限冲激响应（IIR）滤波器，在47–53 Hz阻带范围内进行陷波滤波。 > 过滤数据 > 短非线性IIR滤波器。该滤波器可覆盖谱分析中的所有相关频率，同时去除不必要的噪声。
  2. 使用脑电图软件，通过选择“Plot”来目视滚动并检查脑电信号 > 通道数据（滚动）
    1. 识别并删除包含明显肌电噪声及其他异常事件的 EEG 片段。通过鼠标左键单击并拖动以选中不良片段，随后 "删除" 或 "拒绝" 使用脑电图软件对这些片段进行分析。
      注意：吞咽或面部表情等肌肉活动常会产生不连续且不规则的信号。异常事件通常由头部或身体运动引起，这些运动常导致脑电图（EEG）信号在低频段出现显著漂移。
    2. 确定是否存在坏导。通过选择工具，使用球面插值法重建每个坏导。 > 插值通道
  3. 使用脑电图软件进行独立成分分析17 （独立成分分析，ICA）对数据进行分析，选择工具 > 运行独立成分分析（ICA）。由经验丰富的脑电图操作员通过选择“工具”来目视识别并剔除与眼动、眨眼、肌肉运动以及其他可能噪声相关的成分。 > 使用独立成分分析（ICA）剔除数据 > 按图剔除组分；工具 > 移除组分。脑电图软件将使用保留的组分自动重建数据。
  4. 使用脑电图软件，在进一步分析前选择“工具”以将数据重参考至所有通道的平均值 > 重新参考。
  5. 光谱分析
    1. 使用脑电图（EEG）软件的命令行功能 "频谱地形图" 使用Welch功率谱密度估计法计算脑电图（EEG）频谱18 并获取 δ（1 - 4 Hz）、θ（4 - 8 Hz）、α（8 - 12 Hz）、β（12 - 30 Hz）和 γ（30 - 80 Hz）波的对数功率（dB）。
    2. 计算每种波的相对功率18 (即 相应频段功率占总谱功率的比例。
  6. 使用统计参数映射（Statistical Parametric Mapping, SPM）方法进行脑电图源分析。
    1. 使用最小范数估计19 将头皮电极记录的脑电图信号转换为三维脑源信号。
      注：此处原始通道数为122，已转换为分布在三维脑模型中的8,196个通道。显著性水平设定为 p = 0.01。请参考 SPM 手册中的源分析部分（www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf）。
  7. 使用以下步骤计算每个 EEG 通道（以及估计的三维脑源信号）的小波熵：
    1. 给定一个信号 figure-protocol-2，计算小波系数如下 figure-protocol-3，其中 figure-protocol-4 是Haar小波族的正交归一基，并且 figure-protocol-5 表示分解水平（N = 10 本研究中）。
    2. 将相对能量定义为 figure-protocol-6，与 figure-protocol-7.
    3. 计算小波熵 figure-protocol-8对所有通道的小波熵取平均值，以获得每位参与者脑电图（EEG）的小波熵。
  8. 使用软件包对 ECG 数据进行峰分析，以获取心率信号，该信号包含 ECG 波形峰的数量及峰间间隔。
    注意：假设在正常静息状态和正念呼吸状态下，正常心率为每分钟60-100次，则心跳次数 N 持续10分钟的时间段内应相对较小，满足600 < N < 1,000.
    1. 为从心率信号中获得可靠的的小波熵，使用500个点的滑动窗口和10个点的步长增量，按照第3.7节中所述用于脑电图（EEG）的相同方法计算一系列小波熵，并以均值作为最终的小波熵值。
  9. 使用具有皮尔逊相关函数的任意统计软件，分析受试者间 ECG 的小波熵与 EEG 在头皮每个通道的小波熵之间的脑-心相关性。
    1. 使用 EEG 软件的命令行功能 "地形图" 构建与心率熵相关的统计头皮图。仅针对与心率熵显著相关的脑电通道，绘制心率熵与这些通道平均脑电熵之间的线性相关图（参见代表性结果部分）。

结果

光谱分析

在脑电图（EEG）数据的频谱分析中，与正常静息状态相比，正念减压训练（MBSR）中的正念呼吸阶段表现出增强的α波（8 - 12 Hz）和β波（12 - 30 Hz），以及减弱的δ波（1 - 4 Hz）。α波的增强在全脑范围内具有显著性，尤其在额叶和枕叶区域；而β波的增强主要出现在额叶。中央-顶叶区域则观察到δ波的减弱（图1）。然而，我们未发现MBSR训练前后存在显著差异。

figure-results-1
图1. MBSR正念呼吸与正常静息状态的频谱分析。频谱分析显示，MBSR练习可改变脑部活动，这体现在脑电图（EEG）的不同频谱上。原始来源：参考文献13。请点击此处查看该图的放大版本。

图2展示了定义的兴趣区域：枕叶（通道N19 - 21、N41 - 46、N67 - 72、N96 - 100以及N119）、中额叶（通道N53 - 61和N79 - 83）以及中顶叶（通道N48 - 50、N64 - 66和N74 - 76）。表2列出了在MBSR正念呼吸和正常静息条件下各频谱的功率和熵值，以及针对每个兴趣区域两种条件之间差异的t检验的p值。由于MBSR训练前后两个阶段之间无显著差异，我们将这两个阶段的脑电图数据进行了合并。

figure-results-2
图2. 定义的兴趣区域。代表额中回、顶中回和枕叶的脑电图通道的定义区域。请点击此处查看此图的放大版本。

DeltaTheta阿尔法β伽马熵
额中回正念减压疗法18.96 ± 3.1022.29 ± 5.8630.90 ± 7.760.12 ± 43.77-467.25 ± 79.480.753 ± 0.060
休息22.40 ± 6.5622.76 ± 5.9826.91 ± 7.14-7.11 ± 42.27-449.76 ± 102.920.785 ± 0.066
p值0.02430.65550.00850.01140.44190.0084
枕叶正念减压疗法15.39 ± 3.3017.91 ± 6.5333.38 ± 6.50-8.03 ± 40.72-466.23 ± 61.460.719 ± 0.048
休息19.82 ± 6.3220.38 ± 8.1129.73 ± 5.30-11.62 ± 40.22-439.03 ± 102.810.763 ± 0.055
p值0.01340.12130.01250.07960.89360.0098
顶叶正念减压疗法17.95 ± 3.6019.46 ± 6.5432.84 ± 6.682.68 ± 38.23-487.72 ± 104.130.738 ± 0.072
休息21.24 ± 6.3721.16 ± 8.0029.79 ± 6.60-1.27 ± 34.42-490.01 ± 123.830.764 ± 0.075
p值0.01570.09630.01770.15070.28780.0368

表2. 不同脑区的频谱与熵值比较。 在三个预定义的兴趣区域（ROI）中，对比正念呼吸（MBSR）与正常静息状态下的频谱与熵值。

小波熵分析

对脑电图的小波熵分析显示，在MBSR正念呼吸期间，与正常静息状态相比，MBSR训练前和训练后阶段的脑电图熵均有所降低。由于这两个阶段之间无显著差异，因此将它们合并以生成平均图谱（见图3第三行所示）。熵值降低的主要区域位于额叶以及顶枕叶区域。

figure-results-3
图3. 小波熵分析。 Rest 1 和 MBSR 1 表示MBSR训练前状态，而 Rest 2 和 MBSR 2 表示MBSR训练后状态。小波熵分析表明，MBSR练习可降低脑电活动的不规则性。原始来源：参考文献13。 请点击此处查看该图的放大版本。

小波熵的源分析

通过对脑电（EEG）信号进行源分析，可将头皮记录的EEG信号反卷积为大脑皮层表面的电活动，从而提高空间分辨率20。分析结果显示，正念减压训练（MBSR）主要影响的脑区位于左侧中枕叶、楔前叶、上颞叶以及左侧梭状回（图4）。在表3中，针对源分析获得的四个解剖学标记区域，我们提供了MBSR正念状态与正常静息状态之间熵值差异的t检验结果。

figure-results-4
图4. 源分析。 源分析显示，在MBSR正念呼吸状态下，大脑多个区域（以红色突出显示）的熵值降低。请点击此处查看该图的放大版本。

解剖标签体素x, y, zt 值
左侧颞中回1,728-44 -60 163.77
右侧楔前叶1,324  2 -56 283.63
左侧枕叶749 -2 -102 -123.61
左侧梭状回142-1023.51

表3. 源分析报告。 在正念呼吸减压法（MBSR）与正常静息条件下，脑熵存在显著差异的脑区解剖位置。L，脑的左侧；R，脑的右侧（p < 0.001，t-检验，未经校正）。

心率小波熵

分析结果显示，平均心率在MBSR正念呼吸期间无显著差异，但MBSR训练前后的心率熵均较低（表4）。

静息1正念减压训练1静息2正念减压训练2
心率（次/分钟） 68.2 ± 9.567.7 ± 9.371.8 ± 8.170.7 ± 8.4
心率小波熵0.89 ± 0.050.79 ± 0.11*0.89 ± 0.070.80 ± 0.12#

表4. MBSR正念呼吸与正常静息状态下的心率及心率小波熵。 在MBSR训练前后两个时间点对两种状态进行比较。*静息1与MBSR1之间差异显著（p <0.05）。#静息2与MBSR2之间差异显著（p <0.05）。

心脏与大脑活动之间的相关性

鉴于大脑与心脏之间可能存在的关联，我们分析了全脑脑电图熵（即 单个受试者所有脑电通道的脑电熵平均值）与MBSR正念呼吸和正常静息状态下的心率熵。在MBSR正念呼吸期间，大脑与心脏的熵值呈显著相关，而在正常静息状态下则无此相关性。如上图所示 图5脑中央区域各通道脑电图熵与心率熵之间的相关性最为显著。下图显示了中央区域脑电图熵（与心率熵显著相关的虚线通道的平均值）与心率熵之间的相关性。

figure-results-5
图5. 心脏与大脑电活动的小波熵之间的相关性。 大脑活动的小波熵为右上图所示中央区域显著通道的平均值。心脏的小波熵基于心率间期。下图所示的相关性是针对所有受试者在MBSR训练前和训练后的结果进行计算的。原始来源：参考文献 13。 请点击此处查看该图的放大版本。

讨论

该脑电图研究提供了确凿证据，表明与正常休息相比，正念减压疗法（MBSR）中的正念呼吸可增强额叶和枕叶的α波。这与大多数关于冥想期间α波增加的报道一致，尤其是在初学者中21。α波通常表示一种觉醒、警觉且不专注于特定任务的状态。这种心理状态正是冥想的目标之一，即保持头脑清晰敏锐，既不受幻想干扰，也不陷入昏沉。在MBSR练习期间增强的α波同步性，可能也有助于提升身心协调性22。

大脑中大量神经元的电活动构成一个非线性层次系统，其不规则性可通过熵进行良好度量8我们发现，在正念减压训练（MBSR）练习过程中，大脑电活动的不规则性在大部分头皮脑电图（EEG）区域降低，尤其在额极和双侧枕叶区域更为显著。进一步对小波熵进行源分析显示，MBSR练习期间枕叶和楔前叶活动的不规则性有所下降。其他相关脑区还包括右侧中扣带回和上颞叶。这一结果与另一项研究一致，该研究表明经过MBSR训练后，楔前叶的灰质体积增加。23高级冥想练习者在非快速眼动睡眠期间通常具有较高的顶枕区脑电图伽马波1正念减压训练（MBSR）的一个重要特征是对大脑信息流保持非评判性的态度。这可能有助于降低大脑活动的不规则性。由于大脑的主要信息来源之一是视觉皮层，因此与视觉相关的大脑区域相较于其他区域可能受到MBSR练习更显著的影响。这使得心智对无关信息的反应减弱，从而能够更加专注于正念呼吸。

小波熵分析显示，在正念呼吸期间，心率的不规则性较正常静息状态有所降低，表明由于副交感与交感神经张力之间相对稳定的相互作用，自主神经系统的平衡更为精细。正念呼吸还可能通过肺部感觉传入神经向中脑的心迷走运动神经元发出抑制性投射，进而通过迷走神经抑制心率，从而影响心率24。心肺相互作用由脑干和大脑中的边缘系统介导25。鉴于中枢神经系统与心脏活动之间的联系，通过训练心智，正念减压疗法（MBSR）或其他冥想练习也可能影响其他身体功能，例如重置压力感受器反射敏感性、提高肺部气体交换效率，以及调节自主神经系统的平衡26。

许多东方传统都强调身心之间的联系。在这方面，我们的研究首次从熵的角度提供了客观证据。在正念减压训练（MBSR）练习期间，大脑和心脏活动的不规则性变得更加协调，且这种协调性在双侧躯体感觉区域最为显著。该区域直接负责身体的感觉输入和运动控制，这种增强的协调性表明在MBSR练习过程中身体觉察力有所提升。已有功能性磁共振成像（fMRI）研究发现，正念训练可增强内脏-躯体区域的活动，而fMRI的空间分辨率优于脑电图（EEG）27。我们的结果提示，在MBSR练习期间，大脑与心脏的活动可能变得更加同步，从而减少了系统中不必要的熵28。由于心跳由自主神经系统调节，而自主神经张力受到神经节、窦房结、迷走神经以及延髓、岛叶和边缘系统等高级脑结构之间相互作用的调控，因此在MBSR练习过程中，自主神经系统与中枢神经系统可能变得更加协调。

在我们这类研究中，一个重要的步骤是选择合适的熵指数来测量脑电图（EEG）和心电图（ECG）的不规则性。与 Renu Madhavi et al. 使用近似熵29不同，我们选择使用小波熵，以关注不同尺度下能量分布的复杂性。由于大脑电活动源自大量在不同尺度和频谱中具有不同特性的神经元，因此小波熵应更适合用于测量 EEG 的不规则性30。同样，瞬时心率在不同时间尺度下也表现出不同的特征，因此将小波熵应用于 ECG 是合理的31。此外，香农熵和近似熵对采样频率较为敏感，而近似熵的计算耗时较长，且随数据长度呈指数增长，这还不包括在源空间中的计算开销。

本研究存在若干局限性，值得指出。首先，尽管头皮脑电图（EEG）具有较高的时间分辨率，但其空间分辨率相对较低。为解决这一问题，本研究采用了源分析方法。脑电图源重建是一个病态问题，一种替代方法是利用既往功能性磁共振成像（fMRI）研究提供的空间先验信息，这有助于提高重建的准确性32,33。另一个局限性在于，脑与心脏活动之间的协调性是在被试间进行评估的，而个体内协调性有待未来研究进一步探讨。此外，心电图（ECG）的熵并非直接从ECG信号中提取，而是来源于心率间期，因为ECG信号的幅度易受电极位置和皮肤阻抗的显著影响，因此在不同被试之间不具备可比性。

以往的研究通常对脑电（EEG）信号进行频谱分析，将EEG中的不规则性视为噪声而忽略。相比之下，我们提出使用小波熵作为更敏感的指标，以衡量大脑混乱的电活动，从而反映心理状态。该方法为传统假设提供了客观证据，即在冥想过程中，大脑与心脏的协调性更强。

由于小波熵能够较为敏感地监测冥想状态，因此它可能被应用于心理训练领域，正如熵在临床实践中被用于测量手术期间的麻醉水平一样。利用类似于小波熵的指标，无线脑电图（EEG）设备可方便地用于监测个体日常的冥想练习或其他用于教育目的的心理训练。然而，由于无线脑电图通常只能稳定地测量前额区域的通道信号，我们需要探讨这些通道是否足够敏感，以有效监测心理状态。

该实验的关键步骤包括：保持每个电极的皮肤阻抗较低，以获得更好的信号质量和更少的噪声；正确且恰当地实施正念减压训练（MBSR）；确保实验前处于良好且非疲劳的精神状态，因为冥想需要消耗大量精力；选择合适的熵指数（小波熵）；以及熟悉脑电数据的SPM源分析方法。

披露

作者声明不存在任何竞争性经济利益。

致谢

本研究由香港大学 SPF-201209176152 基金资助。感谢马海伦博士讲授课程并招募正念减压疗法（MBSR）参与者。

材料

本文使用的材料清单
姓名公司目录编号评论
Synamps 2/RT 128通道脑电图/诱发电位/事件相关电位系统Compumedics NeuroScan型号 8050放大器及
脑电数据采集
Quik-CapEEG 128导电极帽Compumedics NeuroScan脑电电极帽
Quik-GelCompumedics NeuroScan导电电极凝胶
EEGLAB斯沃茨计算神经科学中心脑电分析软件
Matlab R2011aMathWorksEEGLAB 基于 Matlab 平台
SPM惠康信托神经影像中心脑电源分析软件

参考文献

  1. Ferrarelli, F., et al. Experienced mindfulness meditators exhibit higher parietal-occipital EEG gamma activity during NREM sleep. Plos One. 8 (8), e73417(2013).
  2. Grossman, P., Niemann, L., Schmidt, S., Walach, H. Mindfulness-based stress reduction and health benefits: a meta-analysis. J. Psychosom. Res. 57 (1), 35-43 (2004).
  3. Abasolo, D., et al. Analysis of regularity in the EEG background activity of Alzheimer's disease patients with approximate entropy. Clin. Neurophysiol. 116 (8), 1826-1834 (2005).
  4. An approach to absence epileptic seizures detection using approximate entropy. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Giannakakis, G., et al. , Conference proceedings 413-416 (2013).
  5. Kitzbichler, M. G., Smith, M. L., Christensen, S. R., Bullmore, E. T. Broadband criticality of human brain network synchronization. Plos Comput. Biol. 5 (3), e1000314(2009).
  6. Quiroga, R. Q., Rosso, O. A., Basar, E., Schurmann, M. Wavelet entropy in event-related potentials: a new method shows ordering of EEG oscillations. Biol. Cybern. 84 (4), 291-299 (2001).
  7. Peng, C. K., et al. Exaggerated heart rate oscillations during two meditation techniques. International J. Cardiology. 70 (2), 101-107 (1999).
  8. Vadigepalli, R., Doyle, F. J., Schwaber , J. S. Analysis and neuronal modeling of the nonlinear characteristics of a local cardiac reflex in the rat. Neural Comput. 13 (10), 2239-2271 (2001).
  9. Pokrovskii, V. M. Integration of the heart rhythmogenesis levels: heart rhythm generator in the brain. J. Integr. Neurosci. 4 (2), 161-168 (2005).
  10. Wolber, T., Namdar, M., Duru, F. Heart obeys the brain: seizure ceases cardiac rhythm. PACE. 33 (8), e72-e75 (2010).
  11. van der Wall, E. E., van Gilst, W. H. Neurocardiology: close interaction between heart and brain. Neth. Heart J. 21 (2), 51-52 (2013).
  12. Tang, Y. Y., et al. Central and autonomic nervous system interaction is altered by short-term meditation. Proc. Natl. Acad. Sci. USA. 106 (22), 8865-8870 (2009).
  13. Gao, J. L., et al. Entrainment of chaotic activities in brain and heart during MBSR mindfulness training. Neurosci. Lett. 616, 218-223 (2016).
  14. Slotnick, S. D. High density event-related potential data acquisition in cognitive neuroscience. J. Vis. Exp. (38), (2010).
  15. Jurcak, V., Tsuzuki, D., Dan, I. 10/20, 10/10, and 10/5 systems revisited: their validity as relative head-surface-based positioning systems. Neuroimage. 34 (4), 1600-1611 (2007).
  16. Delorme, A., Makeig, S. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. J. Neurosci. Methods. 134 (1), 9-21 (2004).
  17. Hyvarinen, A., Oja, E. Independent component analysis: algorithms and applications. Neural Netw. 13 (4-5), 411-430 (2000).
  18. Welch, P. D. The use of fast Fourier transform for the estimation of power spectra: a method based on time averaging over short, modified periodograms. IEEE Transactions on Audio and Electroacoustics. 15 (2), 70-73 (1967).
  19. Hamalainen, M. S., Ilmoniemi, R. J. Interpreting magnetic-fields of the brain: minimum norm estimates. Med. Biol. Eng. Comput. 32 (1), 35-42 (1994).
  20. Lee, T. M., et al. Distinct neural activity associated with focused-attention meditation and loving-kindness meditation. Plos One. 7 (8), e40054(2012).
  21. Kim, D. K., Rhee, J. H., Kang, S. W. Reorganization of the brain and heart rhythm during autogenic meditation. Front. Integr. Neurosci. 7, 109(2014).
  22. Hebert, R., Lehmann, D., Tan, G., Travis, F., Arenander, A. Enhanced EEG alpha time-domain phase synchrony during transcendental meditation: implications for cortical integration theory. Signal Process. 85 (11), 2213-2232 (2005).
  23. Kurth, F., Luders, E., Wu, B., Black, D. S. Brain gray matter changes associated with mindfulness meditation in older adults: an exploratory pilot study using voxel-based morphometry. Neuro. 1 (1), 23-26 (2014).
  24. West, J. B., West, J. B. Pulmonary pathophysiology--the essentials. , 5th edn, Williams & Wilkins. (1998).
  25. Clark, M. T., et al. Breath-by-breath analysis of cardiorespiratory interaction for quantifying developmental maturity in premature infants. J. Appl. Physiol. 112 (5), 859-867 (2012).
  26. Phongsuphapa, S., Pongsupap, Y., Chandanamattha, P., Lursinsap, C. Changes in heart rate variability during concentration meditation. Int. J. of Cardiol. 130 (3), 481-484 (2008).
  27. Farb, N. A. S., et al. Attending to the present: mindfulness meditation reveals distinct neural modes of self-reference. Soc. Cogn. Affect. Neur. 2 (4), 313-322 (2007).
  28. Fingelkurts, A. A., Fingelkurts, A. A., Neves, C. E. H. Natural world physical, brain operational, and mind phenomenal space-time. Phys. Life Rev. 7 (2), 195-249 (2010).
  29. Renu Madhavi, C., Ananth, A. G. Estimation of approximate entropy of heart rate variability of healthy subjects and investigation of the effect of meditation on it. International Conference on Signal Acquisition and Processing: ICSAP 2010, Proceedings. , 304-306 (2010).
  30. Ocak, H. Automatic detection of epileptic seizures in EEG using discrete wavelet transform and approximate entropy. Expert Syst. Appl. 36 (2), 2027-2036 (2009).
  31. Alcaraz, R., Rieta, J. J. Application of wavelet entropy to predict atrial fibrillation progression from the surface ECG. Comput. Math Method M. , (2012).
  32. Sun, D. L., Lee, T. M. C., Wang, Z. X., Chan, C. C. H. Unfolding the spatial and temporal neural processing of making dishonest choices. Plos One. 11 (4), (2016).
  33. Sun, D. L., Lee, T. M. C., Chan, C. C. H. Unfolding the spatial and temporal neural processing of lying about face familiarity. Cereb. Cortex. 25 (4), 927-936 (2015).

重印与许可

标签

脑电图分析心电图分析统计参数映射独立成分分析带通滤波陷波滤波球面插值正念呼吸
利用小波熵揭示正念练习如何增强不规则脑活动与心脏活动之间的协调性
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。