方法文章

宗教诵念与自我相关脑区：一项多模态神经影像学研究

2.1K 次观看

⸱

DOI：

10.3791/66221

⸱

2024年5月31日

 ,  ,  ,  ,  ,  , 
1Buddhist Practices and Counselling Science Lab, Centre of Buddhist Studies, The University of Hong Kong, 2Department of Biological and Medical Psychology, Faculty of Psychology, University of Bergen, 3Department of Social Work and Social Administration, The University of Hong Kong, Hong Kong

本文内容

摘要

本文介绍了一种研究多种冥想形式（包括宗教诵念）神经生理相关性的实验方案。该方法的独特之处在于，利用k均值聚类法将功能磁共振成像（fMRI）的特征向量结果用于脑电图（EEG）源分析中的脑区选择。研究结果深入揭示了重复性宗教诵念所涉及的神经活动过程。

摘要

本方案介绍了一种多模态神经影像学方法，用于探索与重复性宗教诵念相关的潜在脑活动。宗教诵念是东西方文化中广泛存在的一种心智训练形式。高密度脑电图（EEG）具有优异的时间分辨率，能够捕捉宗教诵念过程中脑活动的动态变化。通过源定位方法，这些脑电信号可被归因于多个潜在的脑区来源。本研究对20名宗教诵念实践者进行了EEG测量。然而，与功能磁共振成像（fMRI）相比，EEG的空间分辨率相对较低。因此，本研究另对一名经验丰富的实践者进行了fMRI扫描，以更精确地指导源定位分析。fMRI数据有助于指导EEG源定位的区域选择，从而使对20名中级实践者群体的EEG源定位进行K均值聚类计算更为精确和可靠。该方法增强了EEG识别在宗教诵念期间特异性激活脑区的能力，尤其突出了后扣带皮层（PCC）的核心作用。PCC是与注意力集中和自我参照加工相关的脑区。这些多模态神经影像学与神经生理学结果表明，与非宗教性诵念和静息状态相比，重复性宗教诵念可导致较低的中心性以及更高的delta波功率。fMRI与EEG源分析的结合，提供了对大脑在重复性宗教诵念中反应的更深入理解。本方案对当前日益受到关注的宗教与冥想实践相关神经机制研究具有重要贡献。本研究结果可能对未来神经反馈技术及心理干预方法的开发具有重要意义。

引言

宗教诵经在东方文化中是一种非常普遍的实践，常被比作西方社会中的祈祷1。尽管这种实践广泛存在，但关于宗教诵经神经机制的科学研究仍相当有限。本研究采用先进的多模态电生理和神经影像技术，旨在填补这一知识空白，并探索念诵阿弥陀佛（Amitābha Buddha）的神经关联——这是流传最广、历史最悠久且至今仍被积极传承的宗教传统之一2,3。重复性的宗教诵经可作为佛教心理咨询中的一种有效技术，有助于平息纷乱的思绪与情绪，使心境安宁。

由于功能性磁共振成像（fMRI）具有较高的空间分辨率，因此可用于克服传统脑电图（EEG）研究的局限性4。通过将fMRI 与基于独立成分分析（ICA）的脑电图（EEG）源聚类相结合，该研究识别并汇总了不同受试者之间的脑活动独立成分。该方法提出了一种识别混合EEG信号源或跨受试者不同信号源的新策略，而由于大脑解剖结构和电极放置位置的个体差异，此类信号的分离此前一直存在挑战。

本方案所研究的重复性宗教诵念形式，涉及对阿弥陀佛名号的反复念诵。这也是一种冥想修行，据报可引发愉悦感和超验体验。在各种佛教修行中，念诵 Amitābha Buddha 的修行方式 简单且易于实践。该修行承诺所有诚心称念此名号者皆可往生净土，这一点与西方宗教中的某些传统具有相似之处1,3。

通过多模态神经影像技术，本研究旨在全面理解重复性宗教诵念的神经相关机制。该方案可为宗教与冥想实践对神经生理效应这一蓬勃发展的研究领域提供贡献。

本研究假设，重复的宗教诵念会导致负责自我相关过程的脑区出现显著的信号变化。此外，鉴于阿弥陀佛被认为具有积极情绪效应，我们假设在宗教诵念过程中会发生情绪转变。这些有效变化可能与外周生理指标的改变同时发生，例如多频段心率变异性（HRV）指数和呼吸频率的变化5。

方案

本研究在开展前已获得香港大学的伦理批准。所有参与者在参加脑电图（EEG）和功能磁共振成像（fMRI）实验前均已签署书面知情同意书。

1. 受试者选择与准备

  1. 招募具有至少1年宗教性念诵阿弥陀佛经验的参与者，每日念诵时间不少于15分钟。确保参与者的年龄范围在40至52岁之间。通过功效分析估算所需参与者人数。在本研究中，共招募了21名参与者。
    注：功效分析基于预实验及现有冥想相关脑电图（EEG）和功能磁共振成像（fMRI）文献中观察到的效应量进行。通常情况下，被试内设计在区分不同条件方面具有更高的统计功效，因为个体间的变异通常大于个体内的变异。
  2. 向参与者说明研究目的及相关流程。
  3. 使用贝克抑郁量表（Beck Depression Inventory）确认参与者无抑郁症状。
  4. 确保参与者身体健康，且未受任何可能影响其生理反应的物质影响。
    注：排除标准包括患有抑郁症、神经精神疾病，或处于酒精及精神活性物质影响之下。此外，针对磁共振成像（MRI）的特定排除标准还包括装有心脏起搏器、深部脑刺激器，或不适用于MRI检查的金属植入物。
  5. 确保参与者适合参加脑电图（EEG）/心电图（ECG）/磁共振成像（MRI）研究。
    注：EEG与MRI数据分别记录。为优化每种模态的数据质量，并考虑参与者的疲劳程度与舒适度，EEG与fMRI的数据采集时长有所不同。我们的预实验发现，fMRI在揭示神经相关性方面更为敏感，而EEG数据通常包含较多伪迹或不良片段，因此需要稍长的记录时间以确保最终分析有足够的有效数据。因此，EEG的记录时间略长于MRI。由于不同成像技术的设备限制，在EEG与fMRI数据采集过程中需采用不同的体位。实验条件顺序通过计算机生成的随机化方案进行随机分配，以控制顺序效应。EEG与fMRI的实验顺序并不相同。

2. 脑电图数据采集与分析

  1. 根据制造商的说明设置128通道脑电图（EEG）及多种生理数据记录设备。
  2. 确保参与者在开始脑电图（EEG）/心电图（ECG）数据采集前彻底清洗头发。
  3. 让参与者放松并舒适地坐着。
  4. 向参与者介绍实验内容。
  5. 要求参与者先进行一次实验的试运行。
  6. 在每位参与者处于三种不同条件下（闭眼默念“阿弥陀佛”、闭眼默念“圣诞老人”以及静息状态）时采集脑电图（EEG）数据。每种条件下记录10分钟的脑电图数据。
  7. 为每位参与者的数据进行妥善保存并正确标注。
  8. 确保数据安全存储，并做好备份。

3. MRI 数据采集

  1. 准备一台 3.0 T MRI 扫描仪，并在开始数据采集前确保其正常运行。在开始扫描前，确保受试者感到舒适并已理解实验流程。
  2. 首先进行 T1 加权扫描序列，参数设置如下：视野（FoV）= 256 mm × 150 mm × 240 mm，采集矩阵 = 256 × 256，重复时间（TR）= 15 ms，回波时间（TE）= 3.26 ms，翻转角 = 25°，层厚 = 1.5 mm，层数 = 100，体素分辨率（x, y, z）= 0.94 mm × 1 mm × 1.5 mm。
  3. 使用 8 通道 SENSE 头线圈，通过梯度回波平面成像（EPI）获取 fMRI 图像。序列参数设置如下：视野（FoV）= 230 mm × 140 mm × 230 mm，采集矩阵 = 64 × 64，TR = 2000 ms，TE = 30 ms，翻转角 = 90°，层数 = 32，层厚 = 3 mm，层间距 = 1.5 mm。
  4. 在每位受试者处于三种不同状态时开始 fMRI 数据采集：宗教诵念、非宗教诵念和静息状态。记录每种状态持续期间的数据：每种状态包含 243 个体动态扫描，总时长为 8.1 分钟。

4. 生理数据采集

  1. 根据制造商的说明，设置生理数据采集系统，用于采集心电、呼吸及其他生理数据。
    注：脑电（EEG）和生理数据是同时采集的。
  2. 将三个心电图（ECG）电极分别连接至受试者左手、右手和左脚。
  3. 在受试者身上安装两个呼吸带，一个用于测量胸部呼吸，另一个用于测量腹部呼吸。
  4. 监测受试者的皮肤电反应（GSR）和血氧饱和度水平。
  5. 在每位受试者处于三种不同状态时，同步开始数据采集与脑电（EEG）数据记录：念诵“阿弥陀佛”、念诵“圣诞老人”，以及闭眼静息状态。
  6. 为每位受试者正确保存并标注数据。确保数据安全存储，且质量足以用于后续分析。

5. 脑电图数据的分析

  1. 使用适当的软件处理和分析脑电图（EEG）数据。此处使用了开源软件 EEGLAB。
  2. 将数据加载到程序中。点击 文件 > 加载现有数据集。
  3. 通过点击 工具 > 更改采样率，将数据从 1000 Hz 重采样至 250 Hz。
  4. 通过点击 工具 > 滤波数据 > 基本 FIR 滤波器，使用通带为 0.1–100 Hz 的有限冲激响应（FIR）滤波器对数据进行滤波。
  5. 再次使用阻带为 47–53 Hz 的陷波滤波器对数据进行滤波，以去除交流电噪声。点击 工具 > 滤波数据，并选择 使用陷波滤波而非通带滤波 选项。
  6. 通过点击 绘图 > 通道数据（滚动查看）目视检查数据，以排除眼动和肌电等伪迹。
    注：可使用指定的眼电图（EOG）通道作为参考。
  7. 目视检查数据，标记需剔除的不良通道。
  8. 通过点击 工具 > 插值电极，并从数据通道中选择，基于周围通道进行球面插值以重建不良通道。
  9. 使用 runica 算法执行独立成分分析（ICA）。为此，请点击 工具 > 运行 ICA。
  10. 通过点击 工具 > 使用 ICA 剔除数据 > 按空间分布图剔除成分，从数据中剔除对应于眼动、肌电噪声和工频噪声的独立成分（ICs）。
  11. 通过点击 工具 > 剔除成分，使用剩余的独立成分重建数据。
  12. 点击 工具 > 滤波数据 > 基本 FIR 滤波器，使用 47 Hz 低通滤波器对数据进行滤波。
  13. 利用 EEGLAB 的 STUDY 功能，评估独立成分（ICs）之间的相似性，并将其分组为功能等效的聚类。点击 文件 > 创建研究 > 使用所有已加载的数据集。
  14. 使用 DIPFIT2 功能估计每个独立成分的偶极子位置。点击 工具 > 使用 DIPFIT 2.x 定位偶极子 > 自动拟合。
  15. 使用 k 均值聚类方法，根据相似的偶极子位置（权重：2/3）和功率谱（权重：1/3）创建独立成分聚类。点击 研究 > 主成分聚类 > 构建预聚类数组。
  16. 重复聚类过程十次，每次设置不同的 k 参数。确定能够生成明显且合理的聚类的 k 参数设置。点击 研究 > 编辑/绘制聚类。
  17. 对特定感兴趣聚类中的独立成分进行功率谱分析，并在所有主要频段上进行单因素方差分析（one-way ANOVA）。
    注：应特别关注后扣带皮层（PCC），因为研究发现，在宗教诵念过程中，该区域因局部内源性 delta 振荡增强而导致其中枢性下降。

6. fMRI 数据分析

  1. 使用莱比锡图像处理与统计推断算法软件（Leipzig Image Processing and Statistical Inference Algorithms software，LIPSIA 2.2.7）对fMRI数据进行预处理。
    1. 进行包括信号强度归一化、运动校正、空间标准化至MNI空间、全宽半高（FWHM）= 6 mm的空间平滑，以及截止频率为1/90 Hz的时间高通滤波等预处理步骤，以消除fMRI时间序列中的低频漂移。有关这些步骤，请参见数据处理流程1（补充文件1）。
  2. 通过回归方法去除与研究无关的协变量，例如全局信号波动和运动参数，对每种条件对应的每个扫描序列分别进行处理。
  3. 最后，应用特征向量中心性映射（Eigenvector Centrality Mapping, ECM）方法进行全脑功能连接组学分析；该方法是一种图论方法，用于识别网络中最具影响力的节点。将两种条件下的ECM图像相互相减，得到最终的对比图像。有关这些步骤，请参见数据处理流程2（补充文件2）。

7. 心电图及其他生理数据分析

  1. 通过巴特沃斯带通滤波器对原始心电图及其他生理数据进行去噪处理，并在使用样条插值替换异常值后提取逐搏间期（IBI）。
  2. 对IBI数据进行去趋势处理，并利用开源工具箱HRVAS计算心率变异性（HRV）的时域/频域特征。
  3. 设定VLF频段为0–0.04 Hz，LF频段为0.04–0.15 Hz，HF频段为0.15–0.4 Hz。
  4. 采用Lomb-Scargle周期图法估算选定频段的功率。
  5. 对提取的HRV指标进行统计检验，使用单因素重复测量方差分析及事后检验评估不同条件之间的差异，显著性水平α设为0.05。
  6. 使用分析软件计算其他生理数据，例如每位参与者在每种条件下的呼吸间期。
  7. 在分析软件中使用findpeaks函数检测呼吸曲线的峰值。
  8. 区分吸气期与呼气期，然后计算呼吸频率。
  9. 使用单因素重复测量方差分析及事后检验比较不同条件之间的差异。

结果

fMRI 分析结果表明，宗教性诵经与非宗教性诵经在特征向量中心性上的最强差异主要位于后扣带皮层（PCC）；见图1。该发现被用于评估和验证脑电独立成分聚类的选择，该聚类同样在PCC区域附近表现出一个聚类。

突出显示神经激活区域的脑部MRI扫描；带有激活强度标尺的示意图。
图1：多模态神经影像与电生理学结果。 对fMRI数据应用特征向量中心性映射发现，在进行宗教唱诵时，相较于非宗教唱诵，后扣带皮层是脑内中心性下降最显著的区域。本图经Gao等1许可使用。请点击此处查看该图的放大版本。

独立成分聚类分析（与脑电图无关）得到了七个不同的独立成分（IC）簇，每个簇对应一种脑电活动来源。值得注意的是，其中一个簇位于后扣带皮层（PCC），这一发现与功能磁共振成像（fMRI）结果一致（见图2）。

带有三维坐标的脑部图谱、fMRI数据分析、神经科学研究。
图 2：EEG 独立成分聚类分析也在后扣带皮层（PCC）发现了一个聚类。本图已获 Gao 等人1 的许可使用。请点击此处查看该图的放大版本。

随后选择该特定簇进行深入分析，包括频谱分析。单因素方差分析显示，诵经对 delta 频段（1-4 Hz，见图3和图4）功率具有显著的主效应。

声频分析；对数功率（dB）与频率（Hz）关系图；图表比较了宗教性与非宗教性诵念。
图3：单因素方差分析显示，诵念对delta频段（1-4 Hz）功率具有显著的主效应。本图已获Gao等人的许可使用1。请点击此处查看此图的放大版本。

Delta 功率分析；比较宗教诵念、非宗教诵念和静息状态的柱状图。
图 4：宗教诵念与非宗教诵念条件的事后分析。 分析结果显示，宗教诵念诱导的 Delta 功率高于非宗教诵念条件（p = .011）。请点击此处查看该图的放大版本。

进一步的事后分析表明，与无 chanting 状态相比，宗教 chanting 期间心率变异性（HRV）的功率显著降低（见图5）。

比较宗教诵念、非宗教诵念和静息状态下的心率变异性柱状图
图 5：无诵念静息状态与宗教诵念条件的事后分析。 分析显示，与无诵念静息状态相比，宗教诵念导致心率变异性总功率降低、绝对高频功率降低以及绝对极低频功率降低。本图已获 Gao 等人1 的许可使用。请点击此处查看此图的放大版本。

研究结果表明，与非宗教性诵念相比，后扣带皮层（PCC）的特征向量中心性降低，这可能是由内源性δ振荡的局部增强所驱动。这些功能变化独立于外周心脏或呼吸活动，且并非由隐含的语言加工所引发。相反，它们似乎与超越性的欣快体验以及自我中心认知的减弱相关。

补充文件1：数据处理流程1。 请点击此处下载该文件。

补充文件 2：数据处理流程 2。 请点击此处下载该文件。

讨论

尽管所使用的128通道脑电图（EEG）系统属于高密度EEG系统，但与功能性磁共振成像（fMRI）相比，EEG的空间分辨率仍然相对较低，这一局限性也会影响EEG源定位的准确性，尤其是在存在多个可能的大脑区域候选时。因此，MRI更深的探测能力和更高的空间分辨率可显著提升EEG源分析的空间准确性6，并指导选择最重要的脑区簇进行后续分析。本实验方案采用了多模态神经影像技术，包括EEG、心电图（ECG）和fMRI的数据采集与分析方法，展示了一种全面探索宗教诵念及其他形式心智训练神经生理相关性的研究路径。方案中的关键步骤是将fMRI结果应用于EEG源分析中。所采集EEG数据的质量对于后续分析和结果解释至关重要。在EEG数据分析中结合使用独立成分分析（ICA） 和k均值聚类方法，并与fMRI结果相互印证，有助于更深入地理解数据特征7,8。在宗教诵念过程中观察到的delta频段功率调制现象，与现有文献一致，提示delta节律可能通过同步化神经活动来调节行为。delta波可能促进注意力集中，并减少与默认模式网络相关的自我参照性思维。这种增强的delta活动反映了深度恢复性状态，可能构成了诵念疗法效应的神经基础，通过强化认知与情绪加工过程发挥治疗作用9。

本研究的结果表明，与非宗教性吟诵相比，宗教性吟诵期间 delta 波段功率显著增加。fMRI 结果显示，在宗教性吟诵过程中，与自我相关加工有关的脑区中心性显著降低10。生理数据结果也表明，宗教性吟诵的影响不同于非宗教性吟诵，并排除了其他潜在的混杂因素，包括语言加工或心脏活动差异所致的影响。总体而言，这些发现提示，通过佛教心理咨询应用宗教性吟诵，可能为促进"无执"1,11,12 提供了一条有前景的临床途径。

局限性包括功能性磁共振成像（fMRI）和脑电图（EEG）数据来自不同的受试者13。其次，鉴于受试者在宗教诵念经验方面存在较大个体差异1,14，若所有受试者均接受fMRI扫描则更为理想。我们未来的研究将致力于解决这些局限性，并进一步探索不同宗教与冥想实践的神经生理效应。

尽管存在这些局限性，本方案的独特之处在于结合了多模态神经影像和生理测量工具，包括脑电图（EEG）、心电图（ECG）和功能性磁共振成像（fMRI）数据，从而更全面地揭示宗教诵念的神经生理相关机制。这种多模态神经影像方法有助于深入理解宗教与冥想实践，而这是仅依赖单一类型数据的方法所无法实现的15,16。

披露

作者声明不存在任何竞争性经济利益。

致谢

本研究由国家自然科学基金资助
中国国家自然科学基金（NSFC.61841704）

材料

本文使用的材料清单
姓名公司目录编号评论
3.0 T Philips MRI 扫描仪Philips3.0TMRI 数据采集设备
EEGLABSwartz 计算神经科学中心13.6.5b脑电图分析软件
脑电图（EEG）系统Electrical Geodesics, Inc. (EGI)GES 200EEG 采集设备
HRVASRamshur, J.版本 1用于处理 ECG 数据的 EEGLAB 插件
HydroCel GSN 128 导联Electrical Geodesics, Inc. (EGI)GSN 130EEG 帽
iMac 27"Apple版本 10.8用于运行 Netstation 软件
LabChartADInstruments版本 8生理数据采集软件
LIPSIA马克斯·普朗克人类认知与脑科学研究所版本 2.2.7fMRI 数据分析软件
MatlabMathWorksR2011aEEGLAB 基于 Matlab，用于 EEG 数据的统计分析工具
NetstationElectrical Geodesics, Inc. (EGI)版本 3EEG 数据采集软件
PowerLab 8/35ADInstrumentsPL3508生理数据采集硬件
SPSSIBM版本 27用于行为数据和 EEG ROI 数据的统计分析工具
Windows PCDell版本 8用于运行 LabChart 软件

参考文献

  1. Gao, J., Leung, H. K., Wu, B. W. Y., Skouras, S., Sik, H. H. The neurophysiological correlates of religious chanting. Sci Rep. 9 (1), 4262(2019).
  2. Sik, H. H., et al. Modulation of the neurophysiological response to fearful and stressful stimuli through repetitive religious chanting. J Vis Exp. (181), e62960(2022).
  3. Gao, J., et al. Repetitive religious chanting invokes positive emotional schema to counterbalance fear: A multimodal functional and structural MRI study. Front Behav Neurosci. 14, 548856(2020).
  4. Saarikivi, K., Chan, T. M. V., Huotilainen, M., Tervaniemi, M., Putkinen, V. Enhanced neural mechanisms of set shifting in musically trained adolescents and young adults: converging fMRI, EEG, and behavioral evidence. Cereb Cortex. 33 (11), 7237-7249 (2023).
  5. Suzuki, K., Laohakangvalvit, T., Matsubara, R., Sugaya, M. Constructing an emotion estimation model based on EEG/HRV indexes using feature extraction and feature selection algorithms. Sensors (Basel). 21 (9), 2910(2021).
  6. Zhang, J., et al. The neural correlates of amplitude of low-frequency fluctuation: a multimodal resting-state MEG and fMRI-EEG study. Cereb Cortex. 33 (4), 1119-1129 (2023).
  7. Maruyama, Y., Ogata, Y., Martinez-Tejada, L. A., Koike, Y., Yoshimura, N. Independent components of EEG activity correlating with emotional state. Brain Sci. 10 (10), 669(2020).
  8. Bigdely-Shamlo, N., Mullen, T., Kreutz-Delgado, K., Makeig, S. Measure projection analysis: a probabilistic approach to EEG source comparison and multi-subject inference. Neuroimage. 72, 287-303 (2013).
  9. Harmony, T. The functional significance of delta oscillations in cognitive processing. Front Integr Neurosci. 7, 83(2013).
  10. Tompson, S., Chua, H. F., Kitayama, S. Connectivity between mPFC and PCC predicts post-choice attitude change: The self-referential processing hypothesis of choice justification. Hum Brain Mapp. 37 (11), 3810-3820 (2016).
  11. Lee, K. C. The Guide to Buddhist Counseling. , Routledge, Taylor & Francis Group. London. (2022).
  12. Wu, B. W. Y., Gao, J., Leung, H. K., Sik, H. H. A Randomized Controlled Trial of Awareness Training Program (ATP), a Group-Based Mahayana Buddhist Intervention. Mindfulness. 10, 1280-1293 (2019).
  13. Gomes, B. A., Plaska, C. R., Ortega, J., Ellmore, T. M. A simultaneous EEG-fMRI study of thalamic load-dependent working memory delay period activity. Front Behav Neurosci. 17, 1132061(2023).
  14. Gao, J., et al. Repetitive religious chanting modulates the late-stage brain response to fear-and stress-provoking pictures. Front Psychol. 7, 2055(2017).
  15. Ciccarelli, G., et al. Simultaneous real-time EEG-fMRI neurofeedback: A systematic review. Front Hum Neurosci. 17, 1123014(2023).
  16. Abreu, R., Nunes, S., Leal, A., Figueiredo, P. Physiological noise correction using ECG-derived respiratory signals for enhanced mapping of spontaneous neuronal activity with simultaneous EEG-fMRI. Neuroimage. 154, 115-127 (2017).

重印与许可

标签

宗教诵念与自我相关脑区：一项多模态神经影像学研究
联系我们
向图书馆推荐

隐私

使用条款

政策

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