使用 fNIRS 的块设计瑜伽体式练习期间前额叶皮层活动的静息态连接和神经影像学

摘要

本研究使用功能性近红外光谱 （fNIRS） 测量了 27 名成人在 23 分钟块状设计瑜伽体式序列中的前额叶皮层活动。在练习前后记录静息态连接。研究结果强调了 fNIRS 在基于运动的研究中的有效性，并为瑜伽体式的效果提供了神经学见解。

摘要

本研究旨在使用功能性近红外光谱 （fNIRS） 移动神经成像技术来检查瑜伽体式（身体瑜伽姿势）之前、期间和之后前额叶皮层 （PFC） 活动的变化。共有 27 名健康成年人参加了使用块状设计的 23 分钟瑜伽体式课程。在序列之前和之后，参与者完成了两个 6 分钟的、与任务无关的静息状态。使用位于颅骨前部区域的 fNIRS 仪器连续记录 PFC 活性。该会话包括一个控制姿势和三个主动姿势交替。每个主动姿势保持 30 s，然后是 25-30 s 的控制姿势间隔，重复 8 次。这种块设计产生了 25 个控制姿势间隔和每个活动姿势的 24 次重复。分析包括对原始 fNIRS 数据进行预处理以计算氧合血红蛋白 （HbO） 和脱氧血红蛋白 （HbR） 的浓度、运动伪影校正以及使用具有 Bonferroni 校正的方差分析进行统计评估。连接分析检查了前额叶皮层的半球间和半球内相关性。总之，本研究证明了 fNIRS 在现实世界、基于运动的环境中的效用，并提供了对瑜伽体式效果的神经学见解。

引言

瑜伽是一种古老的印度练习，它融合了身体姿势 （体式）、呼吸练习 （pranayama）、冥想和道德原则，以促进整体身心健康。近年来，瑜伽越来越被认为是治疗心理健康状况的补充干预措施，并得到了越来越多的科学研究的支持。大量研究表明，定期练习瑜伽可以显着减轻焦虑、抑郁和压力的症状，同时增强情绪、情绪调节和整体心理弹性 ^1,2,3。荟萃分析和随机对照试验进一步证实了瑜伽作为抑郁症和创伤后应激障碍辅助疗法的疗效，证据还表明可以改善生活质量和认知功能 ^4,5,6,7,8。

尽管有这些有希望的证据基础，但基于运动的瑜伽练习背后的神经机制，尤其是身体姿势（体式），仍然知之甚少 ^9,10。这种知识差距阻碍了将瑜伽整合到神经认知干预模型的努力。本研究的目标是实时调查与瑜伽体式练习相关的大脑活动，从而有助于对基于运动的沉思练习如何影响皮质功能的机械理解。

为了实现这一目标，我们采用了功能性近红外光谱 （fNIRS），这是一种非侵入性、便携式神经成像技术，可测量大脑皮层的血流动力学反应¹¹。使用 fNIRS 的基本原理植根于它能够在自然、直立运动期间监测大脑活动——这种方法是 fMRI 或 PET 等传统成像方法无法实现的，该方法要求参与者在人工环境中保持不动¹²。与这些替代方案相比，fNIRS 具有几个优点：它安静、运动容忍，并允许在真实环境中研究生态有效的任务¹³。因此，它已被广泛用于运动学习、认知工作量、婴儿发育、步态和平衡以及正念练习的研究，对静态和动态条件下的前额叶皮层活动产生可靠的见解 14,15,16,17,18.它在自然环境中的应用，尤其是在运动过程中，为研究具身认知和综合健康干预的神经基质开辟了新的途径。

然而，很少有研究专门将这种技术应用于瑜伽体式，而且很少有人在一次训练的整个时间弧线上这样做——从练习前到练习中再到练习后——使用具有人口代表性的样本。为了解决这个问题，目前的研究采用了使用 fNIRS 的块设计方案来检查结构化瑜伽体式序列之前、期间和之后的皮质活动和静息态连接。该研究是在自然主义的环境中进行的，包括来自墨西哥的 27 名以西班牙语为母语的参与者，从而解决了关于瑜伽对拉丁裔西班牙语人群影响的文献中的重大空白。参与者的年龄从 18 岁到 65 岁不等，包括具有广泛瑜伽经验的男性和女性，从完全的初学者到具有长达 15 年定期练习的练习者。所有参与者都报告没有严重的心理或生理状况会阻止他们完成 23 分钟的瑜伽课程。患有严重精神疾病或行动受限的身体状况的个体被排除在外。虽然参与者没有接受特定的医学病理学检查，如高血压或糖尿病，但在会议前明确解释说，如果他们感到不适或不舒服，他们可以随时停止。事先商定，任何未完成的会议都将被排除在分析之外。

在最初的 30 名参与者中，没有人因瑜伽练习期间的不适而退出。然而，由于硬件干扰或技术软件故障可能引起的信号噪声过大，3 项研究被排除在最终分析之外。通过包括人口统计学上多样化和具有代表性的样本并允许实时、运动容忍成像，这项研究提高了研究结果的生态有效性和普遍性。寻求研究基于运动的冥想练习的神经动力学的研究人员和临床医生可能会发现这种方法与认知神经科学、康复科学和综合心理健康研究中的应用特别相关。

方案

实验程序根据赫尔辛基宣言进行，由圣路易斯波托西自治大学伦理委员会机构审查委员会 [CIACYT-CEI-003] 审查和批准。所有参与者都提供了签署的知情同意书。

1. 参与者招募和人口统计

1. 通过口碑和社交媒体平台（包括 Facebook 和 Instagram）招募参与者。告知潜在参与者研究目标、要求以及他们随时退出且无需支付罚款的权利。
2. 通过面对面访谈收集自我报告的人口统计信息，包括年龄、体重、身高、生理性别、教育程度和瑜伽经验（表 1）。为每个参与者分配一个唯一的匿名编号代码，并将他们的信息记录在加密的电子表格文件中。
3. 包括 18-65 岁且具有不同瑜伽体式经验水平的参与者。排除患有神经或精神疾病或因身体限制而无法执行瑜伽姿势的人。这项研究包括 18 至 65 岁之间具有不同瑜伽体式经验水平的参与者，同时排除了患有已知神经或精神疾病的个体，以及那些身体受限而无法安全执行瑜伽姿势的人。目前，该协议不包括被排除参与者的变化，尽管探索此类适应代表了未来研究的宝贵方向。
4. 确保所有程序均符合机构道德准则和《赫尔辛基宣言》。所有参与者均提供签署的知情同意书。告知参与者，他们不会获得任何经济补偿，并且他们可以随时终止实验。

2. 实验程序

1. 使用便携式 fNIRS 设备进行数据收集。该设备在 760 nm 和 850 nm 双波长下工作，提供连续波近红外光，用于评估含氧 （HbO） 和脱氧 （HbR） 血红蛋白浓度的变化。该系统支持多达 27 个通道，并以 50 Hz 的采样率进行记录，从而在自然任务期间可靠地检测皮层激活。
   1. 根据制造商提供的双侧前额叶皮层 （PFC） 布局，通过将光源 （S） 和检测器 （D） 定位到帽架中来准备 fNIRS 设置（参见 图 1）。确保源检测器 （SD） 间隔 3.0 cm，以优化皮质信号检测。
   2. 此外，包括两个短分离通道 （1.0 cm），以解释和回归浅表血流动力学信号，例如头皮血流，这些信号可能会混淆皮质测量。使用短分离通道是一种经过验证的方法，可以通过将皮质血流动力学反应与颅外污染隔离来提高信号特异性¹⁹。
2. 为本研究选择四种瑜伽体式，它们是所有风格的哈达瑜伽中普遍采用的基本姿势。它们构成了广为人知的 Surya Namaskar（太阳敬礼）序列的核心，该序列在每年 6 月 21 日国际瑜伽日²⁰ 期间得到全球认可和练习。有意选择这些姿势不仅是为了它们在瑜伽传统中的可访问性和标准化，而且还允许对倒立（头部在心脏下方的姿势）和背部伸展对大脑活动的影响进行具体研究——这两种身体形式通常在抑郁症和情绪障碍的治疗性瑜伽方案中推荐^21,22。
3. 在实验期间以 PowerPoint 格式设计演示文稿，这也是参与者的视觉和听觉指南。确保每张幻灯片都显示一个姿势的照片和名称，用参与者的母语（西班牙语）书写，括号中为原始梵文名称：姿势 A （Tadasana）、姿势 B （Uttanasana）、姿势 C （Adho Mukha Svanasana） 和姿势 D （Urdhva Mukha Svanasana）。
4. 每 30 秒以随机顺序自动循环显示姿势 B、C 和 D 的图像，同时实验者同时大声喊出姿势的名称以加强提示。
5. 随机组织活跃的体式，确保基线姿势穿插在每个体式之间。这种安排提供了一个平衡的顺序，同时保持了一个可变的刺激间间隔，以减少潜在的练习和习惯效应。
6. 为了实现数据管理和一致性，在参与者之间标准化所有视觉材料（包括图像和字体）的大小和样式。以高分辨率适当地调整瑜伽姿势图像的大小，并以其母语西班牙语名称和传统梵语进行清晰的标签。
7. 在开始之前，请确保每个参与者都能清楚地阅读和看到演示提示。要执行的主动体式和基线体式描述如下：
   Tadasana - 山式（基线姿势）：直立、中立的姿势。
   Uttanasana - 前弯（主动姿势）：从臀部向前折叠，头部在心脏下方。
   Adho Mukha Svanasana - 朝下的狗（主动姿势）：倒 V 形姿势，手脚着地，臀部抬高。
   Urdhva Mukha Svanasana - 朝上的狗（主动姿势）：胸部向后抬起，目光向上移动。
8. 通过设置瑜伽垫、壁挂式瑜伽绳系统（见 材料表）和位于参与者面前的演示屏幕来准备实验区域 - 足够近以便清楚地看到姿势，但又足够远以避免阻碍运动。该设置如图 2 所示。在开始会话之前确认屏幕的可见性和可读性。
9. 通过确保所有组件（包括盖子、光电和记录软件）都已充满电、功能正常并与数据采集系统兼容来校准 fNIRS 系统。为了校准，根据国际 10-20 系统将 optodes 准确定位在参与者的头皮上，确保前额叶区域的解剖定位一致。调整帽子和视光器支架以适应个人头部形状和头发密度，最大限度地减少光衰减和运动伪影。使用系统的信号质量接口（例如信噪比和头皮耦合指数）来验证每个通道是否满足建议的阈值。
   注意：此过程对于确保可靠和可重复的血流动力学测量以及最大限度地减少由于传感器接触不良或信号丢失而导致的数据丢失或误解至关重要 16,23,24,25。
10. 让参与者坐在椅子上，确保他们的双脚平放在地面上，双手轻轻放在膝盖上，背部由椅子轻轻支撑。在继续之前，请口头确认参与者坐得舒适。
11. 使用 3-D 数字化器（一种光学跟踪设备，旨在捕获头皮上光体的空间位置）来记录帽子的位置。此过程生成蒙特利尔神经学研究所 （MNI） 坐标，使用这些坐标来识别和标准化每个测量通道下方的解剖脑区域。
    注意：准确的数字化确保了参与者之间的一致性，并能够将 fNIRS 数据精确映射到皮层结构上以进行小组级分析。
12. 使用下巴带固定 optode 帽，然后用竹签轻轻分开头发来手动调整每个 optode，以确保直接接触头皮（图 3A）。 图 3B 显示毛发阻塞了视柱，而 图 3C 说明了使用竹棍成功清除障碍物。使用采集软件中的 DAQ 值模块评估信号质量。始终通过询问是否有任何疼痛或不适来确认参与者的舒适度，并根据需要调整视镜位置，以在不影响舒适度的情况下优化信号清晰度。
    注意：根据测量过程中的经验观察，此步骤最多可能需要 30 分钟，具体取决于参与者的头发类型。头发浓密、深色或卷曲的人通常需要额外的时间和调整，以确保视光与头皮的正确接触。在这些情况下，发现用手术绷带固定 fNIRS 帽可有效维持稳定的视光放置。头发上有凝胶的参与者提出了进一步的挑战，因为该产品会干扰 optode 的依从性。通过反复试验，我们观察到，扎一个紧马尾辫或使用发夹将头发固定到位比依赖任何类型的头发固定剂更有效。这些调整显著提高了信号质量和数据可靠性。

3. 静息状态、瑜伽体式块设计、测量练习

注意：如图 4 所示，每个动态姿势（B、C、D）保持 30 秒，并与姿势 A 交错作为基线条件，保持 25-30 秒。该基线作为生理参考点，以隔离和比较特定于其他姿势的大脑活动。为了最大限度地减少疲劳并确保研究侧重于形式而不是劳累，参与者使用 Kurunta 绳索以每个姿势提供支持，Kurunta 绳索是艾扬格瑜伽治疗性的一种方法，可以让保持姿势而不会拉伤。此外，在体式序列之前和之后记录了 6 分钟的静息态测量值，在此期间，参与者闭着眼睛坐着，以捕捉练习前后的大脑连接。

1. 使用蓝牙将 fNIRS 帽连接到软件，以监测静息前和静息后状态以及整个瑜伽体式练习期间的实时信号采集。
2. 当参与者坐在椅子上时，将 fNIRS 帽牢固地固定到位，进行体式前静息状态测量。指导参与者双脚着地放松，双手放在膝盖上，闭上眼睛静坐 6 分钟。以 25 Hz 收集 fNIRS 数据。
   1. 为确保最少的运动并确保测量值是静息状态而不是睡眠状态，请告知参与者在静息状态下不要抬眉或抓挠脸。此外，请他们避免入睡，并通过询问他们在完成休息状态后是否睡着来仔细检查是否发生这种情况。
3. 完成第一个静止状态后，移开椅子，让参与者站起来，确保仍然有清晰的信号。指导参与者在自动进行时按照 paradigm 说明遵循并执行预编程的演示。
4. 在演示过程中为参与者提供口头指导，并在每张幻灯片过渡时手动记录标记为 A、B、C 和 D 的预定姿势标记。这些标记对应于瑜伽序列的特定阶段，用于分割 fNIRS 数据以进行分析：A 表示基线姿势 （Tadasana），而 B、C 和 D 代表随后的主动姿势（分别为 Uttanasana、Adho Mukha Svanasana 和 Urdhva Mukha Svanasana），如图 4 所示。在展示每个姿势幻灯片并且参与者过渡到姿势的那一刻，使用采集软件（OxySoft、Artinis Medical Systems）中的事件注释功能手动记录标记。这种手动事件标记已在 fNIRS 研究中得到广泛使用和验证，以促进对血流动力学反应的刺激锁定分析 23,24,25。
5. 测量后，通过将手动标记的时间戳与自动显示时间戳进行匹配，检查在测量过程中是否使用了正确的标记，以确保准确的数据标记。
6. 确保 fNIRS 帽仍然牢固地固定到位并且信号仍然清晰，让参与者坐在椅子上进行体式后静息状态测量。指导参与者双脚着地放松，双手放在膝盖上，闭上眼睛静坐 6 分钟。以 25 Hz 收集 fNIRS 数据。
7. 在执行体式后静息状态之前，可能需要 2-5 分钟的体式后时间才能确保 fNIRS 设置正确校准且不受信号干扰。向参与者提供与静息前状态测量相同的说明，以确保最小的运动并确保测量是静息状态而不是睡眠状态。

4. 瑜伽体式期间血流动力学反应功能的 fNIRS 数据分析

注意：功能性近红外光谱 （fNIRS） 通过两个主要参数测量皮质血流动力学的变化：氧合血红蛋白 （HbO） 和脱氧血红蛋白 （HbR）。这些生物标志物是由神经血管耦合原理介导的神经活动的血管相关性。神经元激活增加导致耗氧率增加，局部脑血流量升高过度补偿，通常导致 HbO 同时增加和 HbR 降低。在这项研究中，使用多通道 fNIRS 系统记录这两个参数，以量化瑜伽体式练习期间的血流动力学反应。测量平均 HbO 值提供了一个稳健可靠的激活指标，尤其是在基于运动的任务中，因为它对噪声和建模假设的敏感性低于模型衍生的 β 系数 ²⁶。然而，虽然 HbO 因其较高的信噪比而经常被优先考虑，但结合 HbR 对于增强数据的生理解释至关重要。HbR 信号通过深入了解大脑的代谢反应和氧提取动力学来补充 HbO²⁷。同时分析 HbO 和 HbR 有助于避免过度简化并增强观察到的神经模式的有效性 ²⁸。

1. 要评估瑜伽体式期间的血流动力学反应函数 （HRF），首先将原始功能近红外光谱 （fNIRS） 数据转换为光密度 （OD），然后使用 HOMER 3 工具箱 （RRID：SCR_009586） 进行处理。根据公式 ²⁹，使用修改后的比尔-朗伯定律 （MBLL） 计算 HbO 和 HbR 浓度的变化。
   
   MBLL 考虑了生物组织的散射特性，并将光吸收 （ΔA） 的变化与发色团浓度的变化 （Δμ_a） 联系起来，从而允许从测量的光强度中量化血红蛋白动力学。 R_SD 表示源-检测器距离， DPF 是差分光程因子。这种线性近似能够估计含氧血红蛋白和脱氧血红蛋白的相对浓度变化。包括短通道回归，以最大限度地减少浅表血管活动的影响并更好地隔离皮质信号。
2. 在 MATLAB 中分析数据。计算每个参与者、通道和条件的区块平均值，以保持一致性。通过排除光密度波动显著、信噪比 （SNR） 低或源检测器距离较大的读数来开始质量控制。使用 hmrR_PruneChannels 功能并设置参数，例如有效范围 1 x ^10-7 到 1 x 10⁷、SNR 阈值 2 和 0.45 mm 至 45 mm 的源-探测器距离。
3. 使用 hmrR_MotionArtifactByChannel 功能检测每个通道的运动伪影。如果信号振幅超过 0.5 （AMPthresh） 或标准偏差在 1 秒的时间窗口 （tMotion） 内增加超过 15 倍 （SDthresh），则标记段。排除已标记的段，每个段持续 1 秒 （tMask）。
4. 应用一般线性模型 （GLM），时间窗口从刺激开始前 2 秒到刺激开始后 23 秒。GLM 是一种统计方法，用于解释一组观测数据中的变化，方法是将其建模为一个或多个已知变量（预测变量）和一个误差项的组合。它估计每个预测变量对观察到的结果的贡献程度，使研究人员能够在考虑噪声的同时隔离感兴趣的影响。在这种情况下，使用 GLM 将短跨度 （SS） 回归因子应用于长跨度 （LS） 通道，以减少全身生理噪声，并更准确地隔离大脑活动以进行血流动力学反应函数 （HRF） 估计 19,30,31,32,33,34。
5. 使用普通最小二乘法求解 GLM。为了进一步解决运动伪影，应用正则化嵌入式典型相关分析 （TCCA） 与参与者的静息态数据 （30-210 s） 作为回归变量³⁵。在此之后，估计每个通道、条件和参与者的 HRF，确保可靠的神经反应估计和改进的信噪比。
6. 使用 Origin 执行单因子重复测量 ANOVA。通过比较基线姿势 A （Tadasana） 和姿势 B （Uttanasana） 来评估长通道中平均 HbO 值的差异，这是一种站立前倾姿势，其中头部位于心脏下方，将其归类为倒立;姿势 C （Adho Mukha Svanasana），俗称下犬，一种半倒立的姿势，拉长脊柱并激活上半身;和姿势 D （Urdhva Mukha Svanasana），或朝上的狗，打开胸部并加强后链的背部伸展。
7. 评估姿势 B、C 和 D 之间的差异。使用 Shapiro-Wilk 检验检查数据分布是否正常。对多个检验使用 Bonferroni 校正进行事后成对比较，使用 <0.05 的 p 值阈值表示显著性。使用 Cohen 的 d^36,37 计算 HbO 反应显着差异的效应量。

5. 静息态功能连接的 fNIRS 数据分析

1. 要分析静息态功能连接 （rsFC），请评估每个参与者在每个半球内（半球内）和半球之间（半球间）的连接性。基于时间序列之间的统计依赖性，反映了大脑区域的共同激活。
   注意：测量 rsFC 可以在没有外部刺激的情况下深入了解大脑的内在功能组织，并且越来越被认为是识别细微神经改变和功能或功能障碍的生物标志物的宝贵工具。先前的研究表明，rsFC 模式已被提议作为重度抑郁症患者抗抑郁治疗反应的预测生物标志物³⁸，强调了静息态分析在捕获特征样神经特征方面的效用。通过评估半球内和半球间的连通性，这种方法可以更全面地了解大脑的功能整合和偏侧化，特别是在瑜伽等干预的情况下，这可能会调节这些静息态网络^38,39。
2. 选择 6 分钟的静息状态进行分析，因为这属于普遍接受的 5-10 分钟范围，通常在 5 分钟后获得足够的 rsFC 26,27,28,35。与主动体式相比，在静息态测量期间利用降低的噪音水平来评估 HbO、HbR 和 HbT 浓度 34,40,41。
3. 首先识别并纠正数据中的运动伪影。校正后，对时间序列应用带通滤波器 （0.009-0.08 Hz） 以隔离功能连接频率范围，然后使用修改后的 Bouguer-Beer-Lambert 定律将过滤后的信号转换为血红蛋白浓度，以进行进一步分析 40,42,43。专注于没有运动伪影的时间点（使用 MotionArtifactByChannel 函数），以保持半球间连接的完整性⁴⁴.
4. 为了解释所有通道中常见的自发波动，应用短分离通道 （SSC） 信号回归。首先计算所有 SSC 的平均时间进程，然后使用 Tikhonov 正则化方法⁴² 从测量的 fNIRS 时间序列中回归 SSC 信号。
5. 使用生成的残差时间序列，通过计算所有通道对之间的 Pearson 相关性来构建连接矩阵。
6. 对于半球内连通性，分别计算左半球和右半球内通道之间的平均相关系数。对于半球间连接，计算每个通道与其对侧对应通道之间的平均相关性³⁹。
7. 执行统计分析时，在执行 Wilcoxon-Mann-Whitney 检验之前，将 Pearson 的 r 值转换为 Fisher z 分数。使用错误发现率 （FDR） 方法校正多重比较。
   注意：本研究中使用的代码和数据在 Zenodo⁴⁵ 中公开提供，https://zenodo.org/records/11098997 DOI：10.5281/zenodo.11098996。

结果

主动通道的初步分析显示，控制姿势 A 与姿势 B 和 C 之间存在显着差异（图 5A-B）。然后使用软件包 Origin（Pro） 2018 版进行单向重复测量方差分析，以评估跨通道估计的血流动力学反应函数 （HRF） 的平均 HbO 值的统计差异。使用 Shapiro-Wilk 检验评估正态性假设。

当使用多通道功能近红外光谱 （fNIRS） 时，从多个通道收集数据需要执行大量统计测试。这自然会增加 I 类错误的可能性，其中至少一个真零假设可能会因比较量大而被错误地拒绝⁴⁶。为了解决这个问题，考虑到显着性阈值 p < 0.05，应用了与 Bonferroni 校正的事后成对比较来调整多重比较。Bonferroni 校正根据为帮助管理系列误差率 （FWER） 而进行的检验数量修改显著性阈值。尽管 Bonferroni 方法以高度保守而闻名，可能导致更高的 II 型错误率或错过真实效果，但它在本研究中是合...

讨论

本研究利用 fNIRS 来评估结构化瑜伽体式练习期间的 PFC 活动，强调实际神经影像学的关键方法学考虑和进步。关键的协议要素包括精确的 fNIRS 光头放置、最佳源-检测器间距 （3.0 cm） 和适当的光头-头皮耦合，以确保准确的信号采集。在瑜伽绳索的支持下，在主动姿势 （B、C、D） 和基线姿势 （A） 之间交替的随机块设计，最大限度地减少了参与者的疲劳并确保了一致的数据收集。使用较短的分离通道（间距 1.0 cm）减少了浅表血流动力学干扰，提高了测量精度。为了隔离神经信号并减轻基于运动的研究中常见的运动伪影，采用了 GLM 和 TCCA 滤波器。

实时监测光电定位和信号质量，允许立即进行调整，以防止信号因毛发或耦合不良而退化。尽管采取了这些预防措施，但残余运动伪影仍然存在，这凸显了信号校正算法和硬件进一步改进的必要性。

这种方法的主要局限性是它对运动伪影的敏感性，尽管有 TCCA 滤波器和短分离通道回归，这仍然导致了数据可变性。自适应滤波技术、卡尔曼滤...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
3-D 数字化仪	阿蒂尼斯医疗	DGT-456型	用于瓶盖放置和区域映射
Brite MKII fNIRS 设备	阿蒂尼斯医疗	BR-MK2型	用于PFC数据的便携式fNIRS仪器
Harmony 瑜伽垫 3/16”（5 毫米）厚 68 英寸（173 厘米）	玉	HAR368	练习体式的稳定表面
HOMER 3 软件	波士顿大学神经光子学中心（开源）	荷马 v1.54	用于fNIRS数据预处理
Origin（Pro） 软件	起源实验室	组织-2023	数据统计分析
Oxysoft 软件	阿蒂尼斯医疗	氧-001	实时信号采集
Piola 棉 12 毫米绳索	防水布用品	不适用	壁挂式瑜伽绳系统的一部分
PowerPoint 演示文稿设置	Microsoft	不适用	用于教学视觉效果
不锈钢挂钩	霍姆希尔	流西-050	壁挂式瑜伽绳系统的一部分
壁挂式瑜伽绳系统	定制	不适用	瑜伽姿势的辅助工具