May 10th, 2017
Dieses Manuskript beschreibt, wie man den Wavelet-Entropie-Index verwendet, um hochdichte Elektroenzephalographie (EEG) und Elektrokardiographie (ECG) Daten zu analysieren. Wir zeigen, dass die Unregelmäßigkeit der zerebralen und kardialen Aktivitäten bei der Achtsamkeits-gestützten Stressreduzierungspraxis stärker koordiniert wurde.
Das übergeordnete Ziel dieses EEG-Experiments ist es, den Wavelet-Entropieindex zur Analyse von EEG- und EKG-Daten mit hoher Dichte zu verwenden. Wir zeigen, dass die Unregelmäßigkeit von zerebralen und kardialen Aktivitäten während der achtsamkeitsbasierten Stressreduktionspraxis besser koordiniert wurde. Diese Methode kann helfen, die Fragen in den Neurowissenschaften und der Psychologie zu beantworten, wie man die chaotischen Aktivitäten von Geist und Herz während der Praxis der Achtsamkeit messen und vergleichen kann.
Die Einzigartigkeit dieser Methode besteht in der Erstellung eines gemeinsamen Index mit Hilfe der Wavelet-Entropieanalyse, um chaotische Aktivitäten im Gehirn und im Herzen zu messen, so dass ihre Beziehung effektiv analysiert und verglichen werden kann. Eine Vielzahl von religiösen und spirituellen Traditionen glauben, dass Körper und Geist irgendwie aufeinander abgestimmt sind. Wissenschaftler haben jedoch Schwierigkeiten, dies zu beweisen, da sie keinen gemeinsamen Index finden können, um die beiden zu vergleichen.
Diese Methode kann auch einen Einblick in den Wirkmechanismus geben, wie Achtsamkeit und andere mentale Trainings die Aktivitäten des Gehirns und des Herzens modulieren können. Wir hatten zuerst die Idee, die Wavelet-Entropie zu nutzen, um die Korrelation zwischen Gehirn und Herz zu erforschen, als wir herausfanden, dass die Wavelet-Entropie empfindlich auf die Auswirkungen auf die verschiedenen mentalen Zustände reagiert. Neben Junling und Jicon wird auch Hang Kin aus meinem Labor bei der Demonstration dieser Verfahren behilflich sein.
Er wird auch bei den Vorführungen unser Thema sein. Beginnen Sie damit, den Teilnehmer in einen ruhigen Elektroenzephalographie- oder EEG-Raum zu begleiten. Um die Aufzeichnung durchzuführen, stellen Sie ein 128-Kanal-EEG-System zusammen, das aus einer EEG-Kappe, einem Verstärker, einem Headbox und einem Desktop-Computer besteht.
Verwenden Sie anschließend Alkoholtupfer, um den Gesichtsbereich und das Mastoid des Teilnehmers zu reinigen. Messen Sie den Kopfumfang des Teilnehmers mit einem Maßband und wählen Sie dann eine Kappe in geeigneter Größe. Nehmen Sie eine Messung von der Nase bis zum Inion und eine weitere Messung über die Oberseite der Ohren und über die Kopfhaut.
Markieren Sie den Scheitelpunkt, den Punkt in der Mitte des Abstands zwischen der Nase und dem Inion in der Mitte zwischen den beiden Ohren, mit einem weichen Markierungsstift. Stellen Sie anschließend die Elektrodenpositionen gemäß dem 10-5-Elektrodensystem ein. Positionieren Sie die Kappe so, dass sich die Cz-Elektrode über dem Scheitelpunkt, die Nz-Elektrode am Nasion, die Lz-Elektrode am Inion, die RM-Elektrode am rechten Mastoid und die LM-Elektrode am linken Mastoid befindet.
Füllen Sie die Elektrodenhalter mit einer stumpfen Spritze mit Gel. Platzieren Sie dann die EKG-Elektroden sowohl an der linken als auch an der rechten Fossa infraclavicularis. Halten Sie die Impedanz für jede Elektrode unter 20 Kiloohm.
Reduzieren Sie die Impedanz, indem Sie die Elektrodenplatzierung anpassen, um den Kontakt mit der Kopfhaut zu erhöhen, und fügen Sie bei Bedarf mehr Gel hinzu. Zeichnen Sie als Nächstes zu Beginn des Kurses zur achtsamkeitsbasierten Stressreduktion (MBSR) EEG-Daten auf. Lassen Sie den Teilnehmer einen kurzen Körperscan durchführen, um den ganzen Körper zu entspannen, indem Sie ihn bitten, beim Ein- und Ausatmen auf seinen Atem zu achten.
Lassen Sie schließlich jeden Teilnehmer während der EEG-Datenerfassung 10 Minuten MBSR-achtsames Atmen und 10 Minuten normale Ruhe durchführen, um ein Pre-MBSR-Trainingsdataset mit zwei Bedingungen zu generieren. Wiederholen Sie dann dieses EEG-Verfahren nach zwei Monaten, um ein Post-MBSR-Trainingsdataset mit zwei Bedingungen zu generieren. Öffnen Sie zunächst die EEG-Software und laden Sie den Datensatz, und wählen Sie dann Tools und Abtastrate ändern aus, um die Daten neu zu berechnen.
Wählen Sie dann Werkzeuge, Daten filtern und Einfacher FIR-Filter aus, um den Filter "Endliche Impulsantwort" für die Bandpassfilterung mit einem Durchlassbereich von 0,5 bis 100 Hertz zu verwenden. Um das Rauschen aufgrund des Netzwechselstroms zu reduzieren, wählen Sie Werkzeuge, Daten filtern und Kurzer nichtlinearer IIR-Filter, um den kurzen nichtlinearen Filter mit unendlichem Impulsantwort für die Kerbfilterung mit einem Sperrband von 47 bis 53 Hertz zu verwenden. Wählen Sie als Nächstes Plot- und Kanaldaten in der EEG-Software, um visuell durch das EEG-Signal zu scrollen und es zu überprüfen.
Klicken Sie dann mit der linken Maustaste und ziehen Sie die Maus über fehlerhafte Segmente, um EEG-Segmente zu markieren und zu löschen, die offensichtliches Muskelrauschen und andere seltsame Ereignisse enthalten. Stellen Sie nach dem Löschen fehlerhafter Segmente fest, ob fehlerhafte Kanäle vorhanden sind. Rekonstruieren Sie jeden fehlerhaften Kanal mit der sphärischen Interpolationsmethode, indem Sie Werkzeuge und Kanal interpolieren auswählen.
Wählen Sie als Nächstes Extras und ICA ausführen aus, um eine unabhängige Komponentenanalyse für die Daten durchzuführen. Identifizieren Sie dann visuell gute Komponenten, und verwerfen Sie Komponenten von Augenbewegungen und Blinzeln, Muskelbewegungen und Komponenten anderer möglicher Geräusche, indem Sie Werkzeuge, Daten mit ICA ablehnen, gefolgt von Komponenten nach Karte ablehnen, dann Werkzeuge und Komponenten entfernen auswählen. Wählen Sie abschließend Tools und Rereference aus, um die Daten vor der weiteren Analyse erneut auf den Durchschnitt aller Kanäle zu beziehen.
Verwenden Sie dann die hier gezeigte Formel, um die Wavelet-Koeffizienten zu berechnen, die relative Energie zu definieren und die Wavelet-Entropie zu berechnen. In der Spektralanalyse von EEG-Daten gab es im Vergleich zu normaler Ruhe verstärkte Alpha- und Beta-Wellen und reduzierte Delta-Wellen während der MBSR-Achtsamkeitsatmung. Darüber hinaus zeigt die Quellenanalyse, dass die wichtigsten Gehirnregionen, die vom MBSR-Achtsamkeitstraining betroffen waren, im linken Okzipitalgyrus, im rechten Precuneus, im mittleren Gyrus temporalis und im linken fusiformen Gyrus lagen.
Schließlich waren die Entropien des Gehirns und des Herzens während der MBSR-Achtsamkeitsatmung signifikant korreliert, nicht jedoch während der normalen Ruhe. Einmal gemeistert, kann das Verfahren in einer Woche durchgeführt werden, wenn es richtig durchgeführt wird. Wenn Sie dieses Verfahren ausprobieren, ist es erwähnenswert, dass alle richtigen Sensorschritte unerlässlich sind, um die erwarteten Ergebnisse zu erzielen.
Nach diesem Verfahren können wir herausfinden, ob andere mentale Trainings und Praktiken, wie Chanten, Gebet, Yoga, Tai Chi und ähnliche kontemplative Übungen, die Mitnahme von Körper und Geist verbessern können. Nachdem Sie sich dieses Video angesehen haben, sollten Sie ein gutes Verständnis dafür haben, wie Sie die Wavelet-Entropie nutzen können, um die Beziehung zwischen den elektrischen Aktivitäten von Gehirn und Herz während Achtsamkeitsmeditationen zu messen und zu erforschen.
Dieses Manuskript beschreibt die Verwendung des Wavelet-Entropie-Index zur Analyse von hochdichter Elektroenzephalographie (EEG) und Elektrokardiographie (EKG) Daten. Die Studie zeigt, dass die Unregelmäßigkeit zerebraler und kardialer Aktivitäten während der Praxis der achtsamkeitsbasierten Stressreduktion koordinierter wird.
Establishing objective biomarkers for mind-body coordination addresses a critical gap in neuropsychiatric target validation, where subjective endpoints limit predictive confidence in CNS drug development. This methodology provides a quantitative, electrophysiology-based framework to assess mechanistic engagement of mindfulness-modulated pathways, supporting de-risking of neuropsychiatric indications. By enabling cross-modal correlation analysis between neural and autonomic outputs, it enhances translational continuity from early discovery to preclinical validation.
The method integrates into discovery workflows by providing a mechanistic readout for early target validation, progressing through assay development to preclinical evaluation of CNS-active compounds influencing autonomic regulation.