Ruhezustandskonnektivität und Neuroimaging der präfrontalen Kortexaktivität während einer Yoga-Asana-Praxis im Blockdesign mit fNIRS

Zusammenfassung

In dieser Studie wurde funktionelle Nahinfrarotspektroskopie (fNIRS) verwendet, um die Aktivität des präfrontalen Kortex während einer 23-minütigen Yoga-Asana-Sequenz im Blockdesign mit 27 Erwachsenen zu messen. Die Konnektivität im Ruhezustand wurde vor und nach dem Training aufgezeichnet. Die Ergebnisse unterstreichen die Wirksamkeit von fNIRS in der bewegungsbasierten Forschung und geben neurologische Einblicke in die Wirkung von Yoga-Asanas.

Zusammenfassung

Ziel dieser Studie war es, mit Hilfe der mobilen Neuroimaging-Technologie der funktionellen Nahinfrarotspektroskopie (fNIRS) Veränderungen der Aktivität des präfrontalen Kortex (PFC) vor, während und nach Yoga-Asanas (physische Yoga-Haltungen) zu untersuchen. Insgesamt nahmen 27 gesunde Erwachsene an einer 23-minütigen Yoga-Asana-Sitzung mit einem Blockdesign teil. Vor und nach der Sequenz absolvierten die Teilnehmer zwei 6-minütige, aufgabenunabhängige Ruhezustände. Die PFC-Aktivität wurde kontinuierlich mit dem fNIRS-Instrument aufgezeichnet, das im vorderen Bereich des Schädels positioniert war. Die Sitzung beinhaltete eine Kontrollhaltung, die sich mit drei aktiven Haltungen abwechselte. Jede aktive Haltung wurde 30 s lang gehalten, gefolgt von einem Kontrollhaltungsintervall von 25-30 s und achtmal wiederholt. Dieses Blockdesign führte zu 25 Kontrollhaltungsintervallen und 24 Wiederholungen jeder aktiven Haltung. Die Analyse umfasste die Vorverarbeitung von fNIRS-Rohdaten zur Berechnung der Konzentrationen von Oxyhämoglobin (HbO) und Desoxyhämoglobin (HbR), die Korrektur von Bewegungsartefakten und die statistische Auswertung mittels ANOVA mit Bonferroni-Korrekturen. Konnektivitätsanalysen untersuchten interhemisphärische und intrahemisphärische Korrelationen im präfrontalen Kortex. Zusammenfassend lässt sich sagen, dass diese Studie den Nutzen von fNIRS in realen, bewegungsbasierten Kontexten demonstriert und neurologische Einblicke in die Wirkung von Yoga-Asanas bietet.

Einleitung

Yoga ist eine alte indische Praxis, die Körperhaltungen (Asana), Atemübungen (Pranayama), Meditation und ethische Prinzipien integriert, um ganzheitliches körperliches und geistiges Wohlbefinden zu fördern. In den letzten Jahren ist Yoga zunehmend als ergänzende Intervention bei psychischen Erkrankungen anerkannt worden, die durch eine wachsende Zahl wissenschaftlicher Forschung unterstützt wird. Zahlreiche Studien haben gezeigt, dass regelmäßige Yogapraxis die Symptome von Angstzuständen, Depressionen und Stress deutlich reduzieren und gleichzeitig die Stimmung, die emotionale Regulation und die allgemeine psychische Widerstandsfähigkeit verbessern^{kann 1,2,3}. Metaanalysen und randomisierte kontrollierte Studien haben die Wirksamkeit von Yoga als Zusatztherapie bei Depressionen und posttraumatischen Belastungsstörungen weiter untermauert, wobei die Beweise auch auf eine Verbesserung der Lebensqualität und der kognitiven Funktion hindeuten 4,5,6,7,8.

Trotz dieser vielversprechenden Evidenzbasis sind die neuronalen Mechanismen, die bewegungsbasierten Yogapraktiken zugrunde liegen, insbesondere die Körperhaltungen (Asanas), nach wie vor wenig verstanden ^9,10. Diese Wissenslücke hat die Bemühungen behindert, Yoga in neurokognitive Interventionsmodelle zu integrieren. Das Ziel der vorliegenden Studie ist es, die mit der Yoga-Asana-Praxis verbundene Gehirnaktivität in Echtzeit zu untersuchen und so zu einem mechanistischen Verständnis darüber beizutragen, wie bewegungsbasierte kontemplative Praktiken die kortikale Funktion beeinflussen.

Um dies zu erreichen, setzten wir die funktionelle Nahinfrarotspektroskopie (fNIRS) ein, eine nicht-invasive, tragbare Neuroimaging-Technik, die hämodynamische Reaktionen in der Großhirnrinde misst¹¹. Die Begründung für die Verwendung von fNIRS liegt in seiner Fähigkeit, die Gehirnaktivität während naturalistischer, aufrechter Bewegungen zu überwachen - ein Ansatz, der mit herkömmlichen bildgebenden Verfahren wie fMRT oder PET nicht möglich ist, bei denen die Teilnehmer in künstlichen Umgebungen bewegungslos bleiben müssen¹². Im Vergleich zu diesen Alternativen bietet fNIRS mehrere Vorteile: Es ist leise, bewegungstolerant und ermöglicht die Untersuchung ökologisch valider Aufgaben in realen Umgebungen¹³. Folglich wurde es häufig in Studien zum motorischen Lernen, zur kognitiven Arbeitsbelastung, zur Entwicklung von Säuglingen, zum Gang und Gleichgewicht sowie zu Achtsamkeitspraktiken verwendet, um zuverlässige Einblicke in die Aktivität des präfrontalen Kortex sowohl unter statischen als auch unter dynamischen Bedingungen zu liefern 14,15,16,17,18. Seine Anwendung in naturalistischen Umgebungen, insbesondere während der Bewegung, hat neue Wege für die Erforschung der verkörperten Kognition und der neuronalen Substrate integrativer Gesundheitsinterventionen eröffnet.

Allerdings haben nur wenige Studien diese Technik speziell auf Yoga-Asanas angewendet, und noch weniger haben dies über den gesamten zeitlichen Bogen einer Sitzung getan - von vor und während bis nach der Praxis - mit einer bevölkerungsrepräsentativen Stichprobe. Um dies zu beheben, wurde in der aktuellen Studie ein Blockdesign-Protokoll mit fNIRS verwendet, um die kortikale Aktivität und die Konnektivität des Ruhezustands vor, während und nach einer strukturierten Yoga-Asana-Sequenz zu untersuchen. Die Studie wurde in einem naturalistischen Umfeld durchgeführt und umfasste 27 spanischsprachige Teilnehmer aus Mexiko, wodurch eine signifikante Lücke in der Literatur über die Auswirkungen von Yoga in der lateinisch-spanischsprachigen Bevölkerung geschlossen wurde. Die Teilnehmer waren zwischen 18 und 65 Jahre alt und umfassten sowohl männliche als auch weibliche Personen mit einem breiten Spektrum an Yoga-Erfahrung, von Anfängern bis hin zu Praktizierenden mit bis zu 15 Jahren regelmäßiger Praxis. Alle Teilnehmer berichteten von keinen schwerwiegenden psychologischen oder physiologischen Erkrankungen, die sie daran hindern würden, die 23-minütige Yogastunde zu absolvieren. Ausgeschlossen wurden Personen mit schweren psychiatrischen Störungen oder körperlichen Beeinträchtigungen, die die Mobilität einschränken. Obwohl die Teilnehmer nicht auf bestimmte medizinische Pathologien wie Bluthochdruck oder Diabetes untersucht wurden, wurde vor der Sitzung klar erklärt, dass sie jederzeit aufhören können, wenn sie sich unwohl oder unwohl fühlen. Im Vorfeld wurde vereinbart, dass unvollständige Sitzungen von der Analyse ausgeschlossen werden.

Von den ursprünglich 30 Teilnehmern zog sich keiner wegen Unwohlsein während der Yogapraxis zurück. Drei wurden jedoch von der abschließenden Analyse ausgeschlossen, da es sich um übermäßiges Signalrauschen handelte, das wahrscheinlich durch Hardwarestörungen oder technische Softwarefehler verursacht wurde. Durch die Einbeziehung einer demografisch vielfältigen und repräsentativen Stichprobe und die Ermöglichung einer bewegungstoleranten Bildgebung in Echtzeit verbessert diese Studie sowohl die ökologische Validität als auch die Generalisierbarkeit der Ergebnisse. Forscher und Kliniker, die die neuronale Dynamik bewegungsbasierter kontemplativer Praktiken untersuchen möchten, könnten diese Methode besonders für Anwendungen in den kognitiven Neurowissenschaften, der Rehabilitationswissenschaft und der integrativen Forschung zur psychischen Gesundheit relevant finden.

Protokoll

Die experimentellen Verfahren wurden in Übereinstimmung mit der Deklaration von Helsinki durchgeführt, die von der Coordinación para la Innovación y la Aplicación de la Ciencia y la Tecnología (CIACYT), Universidad Autónoma de San Luis Potosí Ethics Committee Institutional Review Board [CIACYT-CEI-003] überprüft und genehmigt wurde. Alle Teilnehmer gaben eine unterschriebene Einverständniserklärung ab.

1. Teilnehmerrekrutierung und Demografie

1. Rekrutieren Sie Teilnehmer über Mundpropaganda und Social-Media-Plattformen, einschließlich Facebook und Instagram. Informieren Sie potenzielle Teilnehmer über die Studienziele, Anforderungen und ihr Recht, jederzeit ohne Vertragsstrafe zurückzutreten.
2. Sammeln Sie selbstberichtete demografische Informationen, einschließlich Alter, Gewicht, Größe, biologisches Geschlecht, Bildung und Yoga-Erfahrung mit persönlichen Interviews (Tabelle 1). Weisen Sie jedem Teilnehmer einen eindeutigen, nummerierten Code zu, um die Anonymität zu wahren, und halten Sie seine Informationen in einer verschlüsselten Tabellenkalkulationsdatei fest.
3. Dazu gehören Teilnehmer im Alter von 18 bis 65 Jahren mit unterschiedlicher Erfahrung in Yoga-Asanas. Schließen Sie Personen mit neurologischen oder psychiatrischen Erkrankungen oder Personen aus, die aufgrund körperlicher Einschränkungen nicht in der Lage sind, Yoga-Posen auszuführen. Diese Studie umfasste Teilnehmer im Alter von 18 bis 65 Jahren mit unterschiedlicher Erfahrung in Yoga-Asanas, wobei Personen mit bekannten neurologischen oder psychiatrischen Erkrankungen sowie Personen mit körperlichen Einschränkungen, die sie daran hindern würden, die Yogastellungen sicher auszuführen, ausgeschlossen wurden. Derzeit enthält das Protokoll keine Variationen für ausgeschlossene Teilnehmer, obwohl die Erforschung solcher Anpassungen eine wertvolle Richtung für zukünftige Forschung darstellt.
4. Stellen Sie sicher, dass alle Verfahren den ethischen Richtlinien der Institutionen entsprechen und mit der Erklärung von Helsinki übereinstimmen. Alle Teilnehmer geben eine unterschriebene Einverständniserklärung ab. Informieren Sie die Teilnehmer, dass sie keine finanzielle Entschädigung erhalten und dass sie das Experiment jederzeit beenden können.

2. Experimenteller Ablauf

1. Verwenden Sie das tragbare fNIRS-Gerät für die Datenerfassung. Das Gerät arbeitet mit zwei Wellenlängen von 760 nm und 850 nm und liefert kontinuierliches Nahinfrarotlicht für die Beurteilung von Änderungen der sauerstoffhaltigen (HbO) und desoxygenierten (HbR) Hämoglobinkonzentrationen. Das System unterstützt bis zu 27 Kanäle und zeichnet mit einer Abtastrate von 50 Hz auf, was eine zuverlässige Erkennung der kortikalen Aktivierung bei naturalistischen Aufgaben ermöglicht.
   1. Bereiten Sie den fNIRS-Aufbau vor, indem Sie Lichtquellen (S) und Detektoren (D) entsprechend dem vom Hersteller bereitgestellten bilateralen präfrontalen Kortex (PFC) Layout in die Kappenhalter einbringen (siehe Abbildung 1). Stellen Sie sicher, dass der Abstand zwischen Quelle und Detektor (S-D) 3,0 cm beträgt, um die Erkennung kortikaler Signale zu optimieren.
   2. Fügen Sie außerdem zwei kurze Trennkanäle (1,0 cm) hinzu, um oberflächliche hämodynamische Signale, wie z. B. den Blutfluss der Kopfhaut, zu berücksichtigen und zu regressieren, die kortikale Messungen verwirren können. Die Verwendung von kurzen Trennkanälen ist eine validierte Methode zur Verbesserung der Signalspezifität durch Isolierung kortikaler hämodynamischer Reaktionen von extrazerebraler Kontamination¹⁹.
2. Wählen Sie für diese Studie vier Yoga-Asanas aus, bei denen es sich um grundlegende Haltungen handelt, die in allen Stilen des Hatha Yoga praktiziert werden. Sie bilden den Kern der weithin bekannten Surya Namaskar (Sonnengruß) Sequenz, die weltweit anerkannt ist und jährlich am 21. Juni während des Internationalen Tages des Yoga²⁰ praktiziert wird. Diese Posen wurden absichtlich gewählt, nicht nur wegen ihrer Zugänglichkeit und Standardisierung in allen Yoga-Traditionen, sondern auch, um eine spezifische Untersuchung der Auswirkungen von Umkehrhaltungen (Haltungen, bei denen sich der Kopf unter dem Herzen befindet) und Rückenstreckungen auf die Gehirnaktivität zu ermöglichen - zwei körperliche Formen, die in therapeutischen Yogaprotokollen oft bei Depressionen und Stimmungsstörungen empfohlen^{werden 21,22}.
3. Gestalten Sie die Präsentation während des Experiments im PowerPoint-Format, das auch ein visueller und auditiver Leitfaden für die Teilnehmer ist. Stellen Sie sicher, dass jede Folie das Foto und den Namen einer Haltung enthält, die in der Muttersprache des Teilnehmers (Spanisch) mit dem ursprünglichen Sanskrit-Namen in Klammern geschrieben ist: Haltung A (Tadasana), Haltung B (Uttanasana), Haltung C (Adho Mukha Svanasana) und Haltung D (Urdhva Mukha Svanasana).
4. Durchlaufen Sie die Präsentation automatisch alle 30 s in zufälliger Reihenfolge durch die Bilder der Haltungen B, C und D, während der Experimentator gleichzeitig den Namen der Haltung laut rief, um den Hinweis zu verstärken.
5. Ordnen Sie die aktiven Asanas nach dem Zufallsprinzip an und stellen Sie sicher, dass die Grundhaltung zwischen den einzelnen Asanas eingestreut ist. Diese Anordnung bietet eine ausgewogene Sequenz unter Beibehaltung eines variablen Inter-Stimulus-Intervalls, um potenzielle Übungs- und Gewöhnungseffekte zu reduzieren.
6. Um das Datenmanagement und die Konsistenz zu gewährleisten, standardisieren Sie alle visuellen Materialien, einschließlich Bilder und Schriftarten, in Größe und Stil für alle Teilnehmer. Passen Sie die Bilder der Yoga-Haltungen mit hoher Auflösung und klaren Beschriftungen sowohl in ihren spanischen Mutternamen als auch in ihrem traditionellen Sanskrit an.
7. Stellen Sie sicher, dass jeder Teilnehmer die Präsentationsaufforderung deutlich lesen und sehen kann, bevor er beginnt. Die aktiven Asanas und Grundasanas, die ausgeführt werden sollen, werden im Folgenden beschrieben:
   Tadasana - Mountain Pose (Grundhaltung): Eine aufrechte, neutrale Haltung im Stehen.
   Uttanasana - Vorwärtsbeuge (aktive Haltung): Eine Vorwärtsbeuge aus der Hüfte mit dem Kopf unter dem Herzen.
   Adho Mukha Svanasana - Herabschauender Hund (aktive Haltung): Eine umgekehrte V-Position, mit Händen und Füßen auf dem Boden und angehobenen Hüften.
   Urdhva Mukha Svanasana - Nach oben gerichteter Hund (aktive Haltung): Die Brust wird in einer Rückenstreckung angehoben, wobei der Blick nach oben gerichtet ist.
8. Bereiten Sie den Experimentierbereich vor, indem Sie eine Yogamatte, ein an der Wand befestigtes Yogaseilsystem (siehe Materialtabelle) und einen Präsentationsbildschirm vor dem Teilnehmer aufstellen - nah genug für eine klare Sichtbarkeit der Haltungen, aber weit genug, um die Bewegung nicht zu behindern. Die Einrichtung ist in Abbildung 2 dargestellt. Bestätigen Sie die Sichtbarkeit und Lesbarkeit des Bildschirms, bevor Sie die Sitzung beginnen.
9. Kalibrieren Sie das fNIRS-System, indem Sie sicherstellen, dass alle Komponenten – einschließlich der Kappe, der Optoden und der Aufzeichnungssoftware – vollständig aufgeladen, funktionsfähig und mit dem Datenerfassungssystem kompatibel sind. Positionieren Sie die Optoden zur Kalibrierung genau auf der Kopfhaut des Teilnehmers gemäß dem internationalen 10-20-System, um eine konsistente anatomische Ausrichtung der präfrontalen Regionen zu gewährleisten. Passen Sie die Kappe und die Optodenhalter an individuelle Kopfformen und Haardichte an, um Lichtdämpfung und Bewegungsartefakte zu minimieren. Verwenden Sie die Signalqualitätsschnittstelle des Systems (z. B. Signal-Rausch-Verhältnis und Scalp-Coupling-Index), um zu überprüfen, ob jeder Kanal die empfohlenen Schwellenwerte erfüllt.
   HINWEIS: Dieser Prozess ist unerlässlich, um zuverlässige und reproduzierbare hämodynamische Messungen zu gewährleisten und Datenverluste oder Fehlinterpretationen aufgrund von schlechtem Sensorkontakt oder Signalausfall 16,23,24,25 zu minimieren.
10. Wenn der Teilnehmer auf einem Stuhl sitzt, stellen Sie sicher, dass seine Füße flach auf dem Boden stehen, die Hände sanft im Schoß ruhen und der Rücken leicht vom Stuhl gestützt wird. Bestätigen Sie mündlich, dass der Teilnehmer bequem sitzt, bevor Sie fortfahren.
11. Verwenden Sie einen 3D-Digitalisierer, ein optisches Tracking-Gerät, das die räumliche Position von Optoden auf der Kopfhaut erfasst, um die Platzierung der Kappe aufzuzeichnen. Dieser Prozess generiert Koordinaten des Montreal Neurological Institute (MNI) und verwendet diese, um die anatomischen Hirnregionen, die jedem Messkanal zugrunde liegen, zu identifizieren und zu standardisieren.
    HINWEIS: Die genaue Digitalisierung gewährleistet die Konsistenz zwischen den Teilnehmern und ermöglicht eine präzise Zuordnung von fNIRS-Daten zu kortikalen Strukturen für die Analyse auf Gruppenebene.
12. Befestigen Sie die Optodenkappe mit dem Kinnriemen und stellen Sie jede Optode manuell ein, indem Sie das Haar vorsichtig mit einem Bambusstab scheiteln, um einen direkten Kontakt mit der Kopfhaut zu gewährleisten (Abbildung 3A). Abbildung 3B zeigt Haare, die die Optode blockieren, während Abbildung 3C die erfolgreiche Entfernung der Obstruktion mit einem Bambusstab zeigt. Verwenden Sie das Modul für den Datenerfassungswert in der Erfassungssoftware, um die Signalqualität zu beurteilen. Bestätigen Sie immer den Komfort der Teilnehmer, indem Sie fragen, ob es Schmerzen oder Beschwerden gibt, und passen Sie die Optodenpositionen nach Bedarf an, um die Signalklarheit zu optimieren, ohne den Komfort zu beeinträchtigen.
    HINWEIS: Basierend auf empirischen Beobachtungen während des Messvorgangs kann dieser Schritt je nach Haartyp des Teilnehmers bis zu 30 Minuten dauern. Personen mit dickem, dunklem oder lockigem Haar benötigen oft zusätzliche Zeit und Anpassungen, um den richtigen Kontakt zwischen Optode und Kopfhaut zu gewährleisten. In diesen Fällen erwies sich die Sicherung der fNIRS-Kappe mit einem chirurgischen Verband als wirksam, um eine stabile Optodenplatzierung aufrechtzuerhalten. Teilnehmer, die mit Gel im Haar ankamen, stellten eine weitere Herausforderung dar, da das Produkt die Optodenhaftung beeinträchtigte. Durch Versuch und Irrtum haben wir festgestellt, dass das Erstellen eines engen Pferdeschwanzes oder die Verwendung von Haarnadeln, um das Haar an Ort und Stelle zu halten, effektiver ist, als sich auf irgendeine Art von Haarfixiermittel zu verlassen. Diese Anpassungen verbesserten die Signalqualität und die Zuverlässigkeit der Daten erheblich.

3. Ruhezustand, Gestaltung von Yoga-Asana-Blöcken und Messpraxis

HINWEIS: Wie in Abbildung 4 dargestellt, wurde jede der dynamischen Haltungen (B, C, D) 30 s lang gehalten und mit Haltung A als Ausgangsbedingung verschachtelt, die 25-30 s lang gehalten wurde. Diese Basislinie diente als physiologischer Bezugspunkt, um die Gehirnaktivität, die für die anderen Posen spezifisch ist, zu isolieren und zu vergleichen. Um die Ermüdung zu minimieren und sicherzustellen, dass sich die Studie auf die Form und nicht auf die Anstrengung konzentrierte, wurden die Teilnehmer in jeder Haltung mit Kurunta-Seilen unterstützt, einer Methode aus dem therapeutischen Iyengar Yoga, die es ermöglicht, Haltungen ohne Belastung zu halten. Zusätzlich wurden Ruhezustandsmessungen sowohl vor als auch nach der Asana-Sequenz 6 Minuten lang aufgezeichnet, wobei die Teilnehmer mit geschlossenen Augen saßen, um die Konnektivität des Gehirns vor und nach dem Training zu erfassen.

1. Verbinden Sie die fNIRS-Kappe über Bluetooth mit der Software, um die Signalerfassung in Echtzeit sowohl vor als auch nach dem Ruhezustand sowie während der gesamten Yoga-Asana-Praxis zu überwachen.
2. Wenn die fNIRS-Kappe sicher an Ort und Stelle gehalten wird, während die Teilnehmer auf einem Stuhl sitzen, führen Sie die Messung des Ruhezustands vor der Asana durch. Weisen Sie die Teilnehmer an, sich mit den Füßen auf dem Boden und den Händen auf dem Schoß zu entspannen und 6 Minuten lang mit geschlossenen Augen still zu sitzen. Erfassen Sie fNIRS-Daten bei 25 Hz.
   1. Um minimale Bewegungen zu gewährleisten und sicherzustellen, dass es sich bei den Messungen um den Ruhezustand und nicht um einen Schlafzustand handelt, informieren Sie die Teilnehmer, während des Ruhezustands keine Augenbrauen zu heben oder sich im Gesicht zu kratzen. Bitten Sie sie auch, das Einschlafen zu vermeiden, und überprüfen Sie, ob dies passiert ist, indem Sie sie fragen, ob sie nach Beendigung des Ruhezustands eingeschlafen sind.
3. Entfernen Sie nach Beendigung des ersten Ruhezustands den Stuhl und lassen Sie die Teilnehmer stehen und vergewissern Sie sich, dass noch ein klares Signal zu hören ist. Weisen Sie die Teilnehmer an, der vorprogrammierten Präsentation zu folgen und sie mit den Paradigmenanweisungen durchzuführen, während sie automatisch fortschreitet.
4. Geben Sie den Teilnehmern während der Präsentation verbale Anleitungen und zeichnen Sie die vorgegebenen Haltungsmarkierungen mit den Bezeichnungen A, B, C und D manuell auf, während jede Folie übergeht. Diese Marker entsprechen bestimmten Phasen der Yoga-Sequenz und wurden verwendet, um die fNIRS-Daten für die Analyse zu segmentieren: A steht für die Grundhaltung (Tadasana), während B, C und D die nachfolgenden aktiven Haltungen (Uttanasana, Adho Mukha Svanasana bzw. Urdhva Mukha Svanasana) darstellen, wie in Abbildung 4 dargestellt. Die Marker wurden manuell mit der Ereignisanmerkungsfunktion in der Erfassungssoftware (OxySoft, Artinis Medical Systems) in dem Moment aufgezeichnet, in dem jede Haltungsfolie präsentiert wurde und der Teilnehmer in die Haltung überging. Diese manuelle Ereignismarkierung wurde in fNIRS-Studien häufig verwendet und validiert, um die stimulusgebundene Analyse hämodynamischer Reaktionen zu erleichtern 23,24,25.
5. Überprüfen Sie nach der Messung, ob während des Messvorgangs die richtigen Marker verwendet wurden, indem Sie die manuell markierten Zeitstempel mit den Zeitstempeln der automatischen Präsentation abgleichen, um eine genaue Datenbeschriftung zu gewährleisten.
6. Stellen Sie sicher, dass die fNIRS-Kappe noch sicher an Ort und Stelle sitzt und das Signal noch klar ist, und lassen Sie die Teilnehmer auf einem Stuhl sitzen, um die Messung des Ruhezustands nach der Asana durchzuführen. Weisen Sie die Teilnehmer an, sich mit den Füßen auf dem Boden, den Händen auf dem Schoß zu entspannen und 6 Minuten lang mit geschlossenen Augen still zu sitzen. Erfassen Sie fNIRS-Daten bei 25 Hz.
7. Es kann 2-5 Minuten nach der Asana dauern, um sicherzustellen, dass das fNIRS-Setup korrekt kalibriert ist, ohne Signalstörungen, bevor der Ruhezustand nach der Asana ausgeführt wird. Geben Sie den Teilnehmern die gleichen Anweisungen wie bei der Messung des Ruhezustands, um minimale Bewegungen zu gewährleisten und sicherzustellen, dass es sich bei den Messungen um einen Ruhezustand und nicht um einen Schlafzustand handelt.

4. fNIRS-Datenanalyse der hämodynamischen Reaktionsfunktion während der Yoga-Asana

HINWEIS: Die funktionelle Nahinfrarotspektroskopie (fNIRS) misst Veränderungen der kortikalen Hämodynamik anhand von zwei primären Parametern: sauerstoffreiches Hämoglobin (HbO) und sauerstoffarmes Hämoglobin (HbR). Diese Biomarker sind vaskuläre Korrelate der neuronalen Aktivität, die durch das Prinzip der neurovaskulären Kopplung vermittelt wird. Eine erhöhte neuronale Aktivierung führt zu einem erhöhten Sauerstoffverbrauch, der durch einen erhöhten regionalen zerebralen Blutfluss überkompensiert wird, was typischerweise zu einem gleichzeitigen Anstieg des HbO und einer Abnahme des HbR führt. In dieser Studie wurden beide Parameter mit einem Mehrkanal-fNIRS-System aufgezeichnet, um hämodynamische Reaktionen während der Yoga-Asana-Praxis zu quantifizieren. Die Messung der mittleren HbO-Werte liefert einen robusten und zuverlässigen Indikator für die Aktivierung, insbesondere bei bewegungsbasierten Aufgaben, da sie weniger empfindlich auf Rauschen und Modellierungsannahmen reagiert als modellabgeleitete Beta-Koeffizienten ²⁶. Obwohl HbO aufgrund seines höheren Signal-Rausch-Verhältnisses oft priorisiert wird, ist die Einbeziehung von HbR entscheidend für die Verbesserung der physiologischen Interpretation der Daten. HbR-Signale ergänzen HbO, indem sie Einblicke in die Stoffwechselreaktion des Gehirns und die Dynamik der Sauerstoffextraktion bieten²⁷. Die gleichzeitige Analyse von HbO und HbR hilft, eine übermäßige Vereinfachung zu vermeiden und stärkt die Gültigkeit der beobachteten neuronalen Muster ²⁸.

1. Um die hämodynamische Reaktionsfunktion (HRF) während der Yoga-Asana zu bewerten, beginnen Sie mit der Umwandlung von Rohdaten der funktionellen Nahinfrarotspektroskopie (fNIRS) in optische Dichte (O.D.) und verarbeiten Sie diese mit der HOMER 3-Toolbox (RRID:SCR_009586). Verwenden Sie das modifizierte Beer-Lambert-Gesetz (MBLL), um Änderungen der HbO- und HbR-Konzentrationen gemäß Gleichung ²⁹ zu berechnen.
   
   MBLL berücksichtigt die Streueigenschaften von biologischem Gewebe und setzt Änderungen der Lichtabsorption (ΔA) mit Änderungen der Chromophorkonzentration (Δμ_a) in Beziehung, was die Quantifizierung der Hämoglobindynamik aus der gemessenen Lichtintensität ermöglicht. r_sd bezeichnet den Abstand zwischen Quelle und Detektor und DPF ist der differentielle Weglängenfaktor. Diese lineare Approximation ermöglicht die Abschätzung relativer Konzentrationsänderungen von sauerstoffhaltigem und desoxygeniertem Hämoglobin. Integrieren Sie eine Kurzkanalregression, um den Einfluss der oberflächlichen Gefäßaktivität zu minimieren und kortikale Signale besser zu isolieren.
2. Analysieren Sie die Daten in MATLAB. Berechnen Sie Blockdurchschnitte für jeden Teilnehmer, Kanal und jede Bedingung, um die Konsistenz zu wahren. Beginnen Sie mit der Qualitätskontrolle, indem Sie Messwerte mit erheblichen optischen Dichteschwankungen, niedrigen Signal-Rausch-Verhältnissen (SNR) oder großen Quellen-Detektor-Abständen ausschließen. Verwenden Sie die Funktion hmrR_PruneChannels und stellen Sie Parameter wie einen gültigen Bereich von 1 x ^10-7 bis 1 x 10⁷, einen SNR-Schwellenwert von 2 und einen Quellen-Detektor-Abstand von 0,45 mm bis 45 mm ein.
3. Erkennen Sie Bewegungsartefakte für jeden Kanal mit der Funktion hmrR_MotionArtifactByChannel. Flaggensegmente, wenn die Signalamplitude 0,5 (AMPthresh) überschreitet oder wenn die Standardabweichung innerhalb eines Zeitfensters von 1 s um mehr als den Faktor 15 (SDthresh) zunimmt (tMotion). Markierte Segmente mit einer Dauer von jeweils 1 s (tMask) ausschließen.
4. Wenden Sie ein allgemeines lineares Modell (GLM) mit einem Zeitfenster an, das sich über 2 s vor bis 23 s nach dem Stimulusbeginn erstreckt. Das GLM ist eine statistische Methode, die verwendet wird, um die Variation in einem Satz beobachteter Daten zu erklären, indem sie als Kombination aus einer oder mehreren bekannten Variablen (Prädiktoren) und einem Fehlerterm modelliert wird. Es schätzt, wie viel jeder Prädiktor zum beobachteten Ergebnis beiträgt, und ermöglicht es den Forschern, die interessierenden Effekte zu isolieren und gleichzeitig das Rauschen zu berücksichtigen. Verwenden Sie in diesem Zusammenhang das GLM, um Regressoren mit kurzer Spanne (SS) auf weitspannige (LS) Kanäle anzuwenden, um systemisches physiologisches Rauschen zu reduzieren, und isolieren Sie die Gehirnaktivität für die Schätzung der hämodynamischen Reaktionsfunktion (HRF) genauer 19,30,31,32,33,34.
5. Lösen Sie das GLM mit den gewöhnlichen kleinsten Quadraten. Um Bewegungsartefakte weiter zu untersuchen, wenden Sie die regularisierte eingebettete kanonische Korrelationsanalyse (TCCA) mit den Ruhezustandsdaten der Teilnehmer (30-210 s) als Regressor^{an 35}. Schätzen Sie danach die HRFs für jeden Kanal, jede Bedingung und jeden Teilnehmer, um zuverlässige Schätzungen der neuronalen Reaktion mit einem verbesserten Signal-Rausch-Verhältnis zu gewährleisten.
6. Verwenden Sie Origin, um eine unidirektionale ANOVA mit wiederholten Messungen durchzuführen. Bewerten Sie Unterschiede in den mittleren HbO-Werten über lange Kanäle, indem Sie die Grundhaltung A (Tadasana), eine neutrale stehende Pose, die Ausrichtung und Stabilität fördert, mit der Haltung B (Uttanasana) vergleichen, einer stehenden Vorwärtsbeuge, bei der der Kopf unterhalb des Herzens positioniert ist, und klassifizieren Sie sie als Umkehrhaltung; Haltung C (Adho Mukha Svanasana), allgemein bekannt als herabschauender Hund, eine halb umgekehrte Pose, die die Wirbelsäule verlängert und den Oberkörper aktiviert; und Haltung D (Urdhva Mukha Svanasana) oder nach oben gerichteter Hund, eine Rückenstreckung, die die Brust öffnet und die hintere Kette stärkt.
7. Beurteilen Sie die Unterschiede zwischen den Haltungen B, C und D. Überprüfen Sie die normale Datenverteilung mit dem Shapiro-Wilk-Test. Führen Sie paarweise Post-hoc-Vergleiche mit Bonferroni-Korrekturen für mehrere Tests durch, wobei Sie einen p-Wert-Schwellenwert von <0,05 für die Signifikanz verwenden. Berechnen Sie die Effektstärken für signifikante Unterschiede in der HbO-Reaktion mit Cohens d^36,37.

5. fNIRS-Datenanalyse der funktionellen Konnektivität im Ruhezustand

1. Um die funktionelle Konnektivität im Ruhezustand (rsFC) zu analysieren, bewerten Sie die Konnektivität innerhalb jeder Hemisphäre (intrahemisphärisch) und zwischen den Hemisphären (interhemisphärisch) für jeden Teilnehmer. Dies basiert auf der statistischen Abhängigkeit zwischen Zeitreihen, die die Koaktivierung von Hirnregionen widerspiegelt.
   HINWEIS: Die Messung von rsFC bietet Einblick in die intrinsische funktionelle Organisation des Gehirns in Abwesenheit äußerer Reize und wird zunehmend als wertvolles Werkzeug zur Identifizierung subtiler neuronaler Veränderungen und Biomarker für Funktion oder Dysfunktion anerkannt. Frühere Forschungen haben gezeigt, dass rsFC-Muster als prädiktive Biomarker für das Ansprechen auf die Behandlung mit Antidepressiva bei Patienten mit schwerer depressiver Störung vorgeschlagen wurden³⁸, was die Nützlichkeit der Ruhezustandsanalyse bei der Erfassung merkmalsähnlicher neuronaler Signaturen unterstreicht. Durch die Bewertung sowohl der intra- als auch der interhemisphärischen Konnektivität ermöglicht dieser Ansatz ein umfassenderes Verständnis der funktionellen Integration und Lateralisierung des Gehirns, insbesondere im Zusammenhang mit Interventionen wie Yoga, die diese Ruhezustandsnetzwerke modulieren können^38,39.
2. Wählen Sie für die Analyse einen Ruhezustand von 6 Minuten, da dieser in den allgemein akzeptierten Bereich von 5-10 Minuten fällt, wobei ein ausreichender rsFC in der Regel nach 5 Minuten^{erreicht wird} 26,27,28,35. Nutzen Sie den reduzierten Geräuschpegel während der Ruhezustandsmessungen im Vergleich zu aktiven Asanas, um die HbO-, HbR- und HbT-Konzentrationen zu beurteilen 34,40,41.
3. Beginnen Sie mit der Identifizierung und Korrektur von Bewegungsartefakten in den Daten. Nach der Korrektur wenden Sie einen Bandpassfilter (0,009-0,08 Hz) auf die Zeitreihe an, um den Frequenzbereich der funktionellen Konnektivität zu isolieren, und wandeln Sie dann die gefilterten Signale in Hämoglobinkonzentrationen um, wobei das modifizierte Bouguer-Beer-Lambert-Gesetz für die weitere Analyse verwendet^wird 40,42,43. Fokussieren Sie sich auf Zeitpunkte, die frei von Bewegungsartefakten sind (unter Verwendung der MotionArtifactByChannel-Funktion), um die Integrität der interhemisphärischen Konnektivität^{zu bewahren 44}.
4. Um spontane Fluktuationen zu berücksichtigen, die auf allen Kanälen auftreten, wenden Sie die SSC-Signalregression (Short Separation Channel) an. Beginnen Sie mit der Berechnung des durchschnittlichen Zeitverlaufs über alle SSCs und regressieren Sie dann das SSC-Signal aus den gemessenen fNIRS-Zeitreihen mit der Tichonov-Regularisierungsmethode⁴².
5. Verwenden Sie die resultierende Restzeitreihe, um Konnektivitätsmatrizen zu konstruieren, indem Sie Pearson-Korrelationen zwischen allen Kanalpaaren berechnen.
6. Für die intrahemisphärische Konnektivität berechnen Sie die durchschnittlichen Korrelationskoeffizienten zwischen Kanälen innerhalb der linken Hemisphäre und innerhalb der rechten Hemisphäre separat. Für interhemisphärische Konnektivität berechnen Sie die durchschnittlichen Korrelationen zwischen jedem Kanal und seinem kontralateralen Gegenstück³⁹.
7. Wenn Sie statistische Analysen durchführen, transformieren Sie die r-Werte von Pearson in Fisher-z-Werte, bevor Sie Wilcoxon-Mann-Whitney-Tests durchführen. Korrigieren Sie Mehrfachvergleiche mit der Methode der False Discovery Rate (FDR).
   HINWEIS: Der Code und die Daten, die in dieser Studie verwendet wurden, sind in Zenodo⁴⁵ unter https://zenodo.org/records/11098997 mit DOI: 10.5281/zenodo.11098996 frei verfügbar.

Ergebnisse

Die vorläufige Analyse der aktiven Kanäle ergab signifikante Unterschiede zwischen der Kontrollhaltung A und den Haltungen B und C (Abbildung 5A-B). Anschließend wurde eine ANOVA mit einmaligen Messungen durchgeführt, um statistische Unterschiede in den mittleren HbO-Werten der geschätzten hämodynamischen Antwortfunktion (HRF) über Kanäle hinweg unter Verwendung des Softwarepakets Origin(Pro), Version 2018, zu bewerten. Die Annahme der Normalität wurde mit H...

Diskussion

In dieser Studie wurde fNIRS verwendet, um die PFC-Aktivität während einer strukturierten Yoga-Asana-Praxis zu bewerten, wobei wichtige methodische Überlegungen und Fortschritte in der realen Neurobildgebung hervorgehoben wurden. Zu den kritischen Protokollelementen gehörten die präzise Platzierung der fNIRS-Optode mit optimalem Quellen-Detektor-Abstand (3,0 cm) und die richtige Kopplung von Optode und Kopfhaut, um eine genaue Signalerfassung zu gewährleisten. Ein randomisiertes Blockdes...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
3D-Digitalisierer	Artinis Medizin	DGT-456	Wird für die Platzierung von Verschlüssen und die Zuordnung von Regionen verwendet
Brite MKII fNIRS-Gerät	Artinis Medizin	BR-MK2	Tragbares fNIRS-Gerät für PFC-Daten
Harmony Yogamatte 3/16" (5mm) dick 68" (173cm)	Jade	HAR368	Stabile Unterlage zum Üben von Asanas
HOMER 3 Software	Neurophotonik-Zentrum der Boston University (Open Source)	Homer v1.54	Für die Vorverarbeitung von fNIRS-Daten
Origin(Pro) Software	OriginLab	ORG-2023	Statistische Analyse der Daten
Oxysoft Software	Artinis Medizin	OXY-001	Signalerfassung in Echtzeit
Piola Cotton 12mm Seile	Tarpsupplies	N/A	Teil des an der Wand montierten Yoga-Seilsystems
PowerPoint-Präsentation einrichten	Microsoft	N/A	Für didaktische Visuals
Haken aus Edelstahl	Homheal	LIUXI-050	Teil des an der Wand montierten Yoga-Seilsystems
Wandmontiertes Yoga-Seilsystem	Sonderanfertigung	N/A	Hilfsmittel für Yoga-Haltungen