Artículo de método

Modulación de la respuesta neurofisiológica a estímulos temerosos y estresantes a través del canto religioso repetitivo

5.6K visualizaciones

⸱

DOI:

10.3791/62960

⸱

4 de noviembre de 2021

 ,  ,  ,  ,  , 
1Buddhism and Science Research Lab, Centre of Buddhist Studies, The University of Hong Kong, 2School of Biomedical Engineering, Shenzhen University

En este artículo

Aviso de erratum

Important: There has been an erratum issued for this article. View Erratum Notice

Resumen

El presente estudio de potencial relacionado con eventos (ERP) proporciona un protocolo único para investigar cómo el canto religioso puede modular las emociones negativas. Los resultados demuestran que el potencial positivo tardío (LPP) es una respuesta neurofisiológica robusta a los estímulos emocionales negativos y puede ser modulado eficazmente por el canto religioso repetitivo.

Resumen

En los experimentos neuropsicológicos, el potencial positivo tardío (LPP) es un componente de potencial relacionado con eventos (ERP) que refleja el nivel de excitación emocional de uno. Este estudio investiga si el canto religioso repetitivo modula la respuesta emocional a los estímulos que provocan miedo y estrés, lo que lleva a un LPP menos receptivo. Veintiún participantes con al menos un año de experiencia en el canto religioso repetitivo de "Buda Amitabha" fueron reclutados. Se utilizó un sistema de electroencefalografía (EEG) de 128 canales para recopilar datos de EEG. Los participantes recibieron instrucciones de ver imágenes negativas o neutrales seleccionadas del Sistema Internacional de Imágenes Afectivas (IAPS) bajo tres condiciones: canto religioso repetitivo, canto no religioso repetitivo y no canto. Los resultados demostraron que la visualización de las imágenes negativas que provocan miedo y estrés indujo LPP más grandes en los participantes que la visualización de imágenes neutrales en las condiciones de canto no cantado y canto no religioso. Sin embargo, este aumento del LPP desapareció en gran medida bajo condiciones de canto religioso repetitivo. Los hallazgos indican que el canto religioso repetitivo puede aliviar efectivamente la respuesta neurofisiológica a situaciones temerosas o estresantes para los practicantes.

Introducción

El potencial positivo tardío (LPP) ha estado acompañado durante mucho tiempo por la excitación emocional, y se ha utilizado de manera confiable en la investigación relacionada con las emociones1,2. La práctica religiosa está muy extendida tanto en los países orientales como en los occidentales. Se afirma que puede aliviar la ansiedad y el estrés del practicante cuando se enfrenta a eventos adversos, especialmente en momentos de dificultad3. Sin embargo, esto rara vez se ha demostrado bajo entornos experimentales rigurosos.

Numerosos estudios han confirmado que la regulación de las emociones se puede aprender con diferentes estrategias y marcos4,5,6. Algunos estudios han demostrado que el mindfulness y la meditación pueden modular la respuesta neuronal a los eventos afectivos7,8. Recientemente, se encontró que los practicantes de meditación pueden emplear estrategias de modulación de emociones distintas de la evaluación cognitiva, la supresión y la distracción8,9. Los estímulos del Sistema Internacional de Imágenes Afectivas (IAPS) se pueden utilizar para provocar emociones positivas o negativas de manera confiable, y existen criterios estándar para encontrar imágenes diseñadas con niveles específicos de valencia y excitación en la investigación afectiva10.

Los estímulos emocionales pueden causar respuestas tempranas y posteriores en el cerebro3,11. Del mismo modo, la tradición budista hizo un análisis analógico sobre los pensamientos mentales mediante procesos mentales iniciales y secundarios3,12,13. El Sallatha Sutta (La Flecha Sutta), un texto budista temprano, menciona que el entrenamiento cognitivo puede domar la emoción. El Arrow Sutta afirma que tanto un practicante budista bien entrenado como una persona no entrenada experimentan una percepción inicial y negativa del dolor cuando se enfrentan a un evento dañino13. Este dolor inicial inevitable es similar a una persona que es golpeada por una flecha, como se describe en el Sallatha Sutta. El dolor perceptivo temprano es idéntico a la etapa de procesamiento temprano cuando una persona ve una imagen altamente negativa. El procesamiento neuronal temprano generalmente provoca un componente N1. Las personas no entrenadas pueden desarrollar emociones excesivas, como preocupación, ansiedad y estrés, después de experimentar los sentimientos dolorosos iniciales e inevitables. Según el Sallatha Sutta, esta emoción negativa o dolor psicológico de desarrollo tardío es como ser golpeado por una segunda flecha. Un experimento de potencial relacionado con eventos (ERP) puede capturar los procesos psicológicos tempranos y posteriores del diseño actual, asumiendo que N1 y LPP podrían corresponder a las dos flechas mencionadas anteriormente.

En este protocolo, el canto repetitivo del nombre "Buda Amitabha" (Sanskit: Amitābha) fue elegido para probar el efecto potencial del canto religioso cuando un individuo se encuentra en una situación temerosa o estresante. Este canto religioso es una de las prácticas más populares de las personas con orientaciones religiosas entre los budistas chinos, y es una práctica central del budismo de la Tierra Pura de Asia Oriental14. Se planteó la hipótesis de que el canto religioso repetitivo reduciría la respuesta cerebral a los estímulos provocadores, a saber, el LPP inducido por imágenes temerosas o estresantes. Se recopilaron datos de EEG y electrocardiograma (ECG) para evaluar las respuestas neurofisiológicas de los participantes en diferentes condiciones.

Protocolo

Este estudio de ERP fue aprobado por la Junta de Revisión Institucional de la Universidad de Hong Kong. Antes de participar en este estudio, todos los participantes firmaron un formulario de consentimiento informado por escrito.

1. Diseño experimental

  1. Reclutar participantes
    1. Reclutar participantes con al menos 1 año (~ 200-3,000 h) de experiencia en el canto del nombre de "Buda Amitabha" para este estudio.
      NOTA: En el presente estudio, se seleccionaron 21 participantes humanos de entre 40 y 52 años de edad; 11 eran varones.
  2. Canto religioso vs. canto no religioso
    1. Canta el nombre de "Buda Amitabha" durante 40 s. Primeros 20 s con la imagen de Buda Amitabha y los siguientes 20 s con imágenes IAPS.
      1. Canta solo cuatro caracteres del nombre de "Buda Amitabha" mientras ves la imagen del Buda Amitabha en la escuela Pureland14.
    2. Canta el nombre de Santa Claus (condición de canto no religioso) durante 40 s. Primeros 20 s mientras se ve la imagen de Santa Claus y los siguientes 20 s con imágenes IAPS.
      1. Canta solo cuatro personajes del nombre de Santa Claus e imagina al Santa Claus.
    3. Guarda silencio durante 40 s. Los primeros 20 s con una imagen en blanco para fines de control y los siguientes 20 s con imágenes IAPS.
      NOTA: No hay cantos.
  3. Sistema de grabación EEG
    1. Registre datos de EEG utilizando un sistema de EEG de 128 canales que consta de un amplificador, una caja de cabeza, una tapa de EEG y dos computadoras de escritorio (consulte la Tabla de materiales).
  4. Sistema de presentación de estímulos
    1. Utilice un software de presentación de estímulos (consulte la Tabla de materiales) para mostrar imágenes neutras y negativas del IAPS en una computadora de escritorio.
  5. Sistema de grabación de ECG
    1. Utilice un sistema de registro de datos fisiológicos para registrar los datos del ECG (consulte la Tabla de materiales).

2. Experimento de modulación afectiva

NOTA: El experimento tuvo dos factores con un diseño de 2 x 3: El primer factor fue el tipo de imagen: neutral y negativo (que provoca miedo y estrés). El segundo factor fue el tipo de canto: cantar "Buda Amitabha", cantar "Santa Claus" y no cantar (vista silenciosa).

  1. Utilice un diseño de bloque, ya que puede provocar de manera más efectiva componentes relacionados con las emociones15.
    NOTA: Hubo seis condiciones, y las secuencias fueron aleatorias y contrabalanceadas entre los participantes (Figura 1). Las seis condiciones eran las siguientes: canto religioso al ver imágenes negativas (AmiNeg); canto religioso mientras se ven imágenes neutras (AmiNeu); no cantar mientras se ven imágenes negativas (PasNeg); no cantar mientras se ven imágenes neutrales (PasNeu); canto no religioso al ver imágenes negativas (SanNeg); y cantos no religiosos mientras se ven imágenes neutras (SanNeu).

figure-protocol-1
Figura 1: El procedimiento experimental. Hubo seis condiciones pseudoaleatorias, y cada participante recibió una secuencia pseudoaleatoria. Cada condición se repitió seis veces en dos sesiones separadas. Esta figura ha sido adaptada de reference3. Haga clic aquí para ver una versión más grande de esta figura.

  1. Muestre cada imagen durante ~ 1.8-2.2 s, con un intervalo interestímulo (ISI) de 0.4-0.6 s.
    NOTA: Hubo 10 imágenes del mismo tipo (neutrales o negativas) en cada sesión.
  2. Permita un período de descanso de 20 s después de cada sesión para contrarrestar los posibles efectos residuales del canto o la visualización de imágenes en la siguiente sesión.
  3. Presente las imágenes en un monitor CRT a una distancia de 75 cm de los ojos de los participantes, con ángulos visuales de 15° (vertical) y 21° (horizontal).
  4. Pida a los participantes que observen las imágenes cuidadosamente.
  5. Proporcione una breve carrera de práctica a los participantes para permitirles familiarizarse con cada condición. Use un monitor de video para asegurarse de que los participantes no se duerman.
  6. Dé a los participantes un descanso de 10 minutos en medio del experimento de 40 minutos.

3. Recopilación de datos de EEG y ECG

NOTA: Antes de venir al experimento, pida a cada participante que se lave bien el cabello y el cuero cabelludo sin usar un acondicionador o cualquier otra cosa que pueda aumentar la impedancia del sistema. Recopile los datos de EEG y ECG simultáneamente mediante dos sistemas separados.

  1. Informar a cada participante de los procedimientos experimentales, es decir, que las imágenes efectivas se vieron bajo diferentes condiciones de canto.
  2. Ajuste la frecuencia de muestreo a 1.000 Hz y mantenga la impedancia de cada electrodo por debajo de 30 kΩ siempre que sea posible o de acuerdo con los requisitos del sistema.
  3. Recopilar datos fisiológicos, incluidos los datos de ECG utilizando un sistema de registro de datos fisiológicos (consulte la Tabla de materiales).

4. Análisis de datos de EEG

  1. Procesar y analizar los datos del EEG con EEGLAB (ver Tabla de Materiales), Archivo Complementario 1-2, un software de código abierto16 siguiendo los pasos a continuación.
  2. Utilice la función EEGLAB "pop_resample" para volver a muestrear los datos de 1.000 Hz a 250 Hz para mantener un tamaño de archivo de datos razonable. Haga clic en Herramientas > Cambiar frecuencia de muestreo.
  3. Utilice la función EEGLAB "pop_eegfiltnew" para filtrar los datos con un filtro de respuesta de impulso finito (FIR) con banda de paso de 0,1-100 Hz. Haga clic en Herramientas > Filtrar los datos > filtro FIR básico (nuevo, predeterminado).
  4. Filtre los datos de nuevo con un filtro no lineal de respuesta de impulso infinito (IIR) con una banda de parada de 47-53 Hz para reducir el ruido de la corriente alterna. Haga clic en Herramientas > Filtrar los datos > seleccione Filtro de muesca de los datos en lugar de banda de paso.
  5. Inspeccione visualmente los datos para eliminar artefactos fuertes generados por los movimientos oculares y musculares. Haga clic en Trazar > datos del canal (desplazarse).
  6. Inspeccione visualmente los datos nuevamente para detectar cualquier ruido constante generado por cualquier canal, y se anotaron los canales defectuosos.
  7. Reconstruir los canales defectuosos mediante interpolación esférica. Haga clic en Herramientas > Interpolar electrodos > Seleccionar de los canales de datos.
  8. Ejecute análisis de componentes independientes (ICA) con el algoritmo de código abierto "runica"16. Haga clic en Herramientas > Ejecutar ICA.
  9. Retire los componentes independientes (CI) correspondientes a los movimientos oculares, parpadeos, movimiento muscular y ruido de línea. Haga clic en Herramientas > Rechazar datos usando ICA > Rechazar componentes por mapa.
  10. Reconstruya los datos utilizando los CI restantes. Haga clic en Herramientas > Quitar componentes.
  11. Filtre los datos con un filtro de paso bajo de 30 Hz. Haga clic en Herramientas > Filtrar los datos > filtro FIR básico (nuevo, predeterminado).
  12. Obtenga datos de ERP extrayendo y promediando épocas bloqueadas en el tiempo para cada condición con una ventana de tiempo de -200 a 0 ms como línea de base y de 0 a 800 ms como ERP. Haga clic en Herramientas > Extraer épocas.
  13. Vuelva a referenciar los datos del ERP con el promedio de los canales mastoides izquierdo y derecho. Haga clic en Herramientas > Volver a referenciar.
  14. Repita los pasos anteriores para los conjuntos de datos de todos los participantes y compare las diferencias entre las condiciones utilizando la prueba t o ANOVA de medidas repetidas en un software de análisis estadístico (consulte la Tabla de materiales).
  15. Definir ventanas de tiempo para N1 y LPP en base a teorías establecidas8,17 y los datos actuales3.
    NOTA: En este trabajo, N1 se definió como 100-150 ms, mientras que LPP como 300-600 ms desde el inicio del estímulo; La LPP es más prominente en la región parietal central (Figura 2).
  16. Encuentre la diferencia de imagen neutra vs. negativa en el componente N1 utilizando la prueba t emparejada entre tres condiciones (Figura 3).
  17. Encuentre la diferencia de imagen neutra vs. negativa en el componente LPP utilizando la prueba t emparejada entre tres condiciones (Figura 4).
  18. Realice análisis de región de interés (ROI) en componentes N1 y LPP promediando los canales relevantes para representar una región.
    NOTA: Para seleccionar el ROI, las épocas de las tres condiciones se promediaron para calcular aquellos canales donde las imágenes neutrales y negativas tenían una diferencia que era significativa en la ventana de tiempo específica (por ejemplo, para N1 o LPP).
  19. Compare la diferencia en N1 y LPP por separado, utilizando medidas repetidas ANOVA y estadísticas post hoc en software de análisis estadístico.
    NOTA: Utilice el análisis post hoc (corrección de Bonferroni) y determine las diferencias significativas entre las dos condiciones por separado si el modelo fue significativo. El umbral de significancia se fijó en p < 0,05.

5. Análisis de fuentes ERP

  1. Realice el análisis de la fuente ERP18 con el software de código abierto SPM19 (consulte la Tabla de materiales) siguiendo los pasos a continuación.
  2. Vincule el sistema de coordenadas del sensor de la tapa del EEG al sistema de coordenadas de una imagen de resonancia magnética estructural estándar (coordenadas del Instituto Neurológico de Montreal (MNI)) mediante el registro conjunto basado en puntos de referencia. En SPM, haga clic en Batch > SPM > M/EEG > Source > Especificación del modelo principal.
  3. Realice cálculos hacia adelante para calcular el efecto de cada dipolo en la malla cortical impuesta a los sensores EEG. En el mismo editor por lotes, haga clic en SPM > M/EEG > reconstrucción de origen > inversión de origen.
    NOTA: Estos resultados se colocaron en una matriz G (n x m), donde n es el número de sensores (dimensión espacial EEG) y m es el número de vértices de malla (dimensión espacio fuente). El modelo de origen fue X = GS, donde X es una matriz n x k que denota los datos ERP de cada condición, k es el número de puntos de tiempo y S es una matriz m x k que indica la fuente ERP.
  4. Utilice el codicioso algoritmo de priores dispersos basado en búsquedas múltiples (ya que S es desconocido) en el tercer paso (entre los muchos algoritmos disponibles) para realizar la reconstrucción inversa porque es más confiable que otros métodos20. Elija MSP (GS) para el tipo Inversión en la ventana Inversión de origen.
  5. Determine la diferencia entre las condiciones utilizando el modelado lineal general en SPM. Establezca el nivel de significancia en p < 0,05. En Editor de lotes, haga clic en SPM > Especificación de diseño de estadísticas > factorial.

6. Datos de ECG y análisis de evaluación del comportamiento

  1. Utilice software fisiológico y de procesamiento de datos para procesar y analizar los datos del ECG (consulte la Tabla de materiales). Calcule las puntuaciones medias para cada condición. En EEGLAB, haga clic en Herramientas > Herramientas FMRIB > Detectar eventos QRS21.
    NOTA: Similar al análisis de amplitud erp, se utilizó un software estadístico para analizar más a fondo los datos con medidas repetidas ANOVA. Se realizó un análisis post hoc para determinar las diferencias significativas entre las dos condiciones por separado si el modelo era significativo. El nivel de significancia se estableció en p < 0,05.
  2. Pida a los participantes que califiquen su creencia en la eficacia de cantar el nombre del sujeto (Buda Amitabha, Santa Claus, etc.) en una escala de 1 a 9, donde 1 se considera el más débil y 9 el más fuerte.

Resultados

Resultados conductuales
Los resultados para la creencia de los participantes de cantar revelaron un puntaje promedio de 8.16 ± 0.96 para "Buda Amitabha", 3.26 ± 2.56 para "Santa Claus" y 1.95 ± 2.09 para la condición de control en blanco (Tabla suplementaria 1).

Resultados erp
El canal representativo de Pz (lóbulo parietal) demostró que las condiciones de canto tenían diferentes efectos en el procesamiento temprano (N1) y tardío (LPP) de imágenes neutras y negativas. Mostró la ventana de tiempo de N1 y LPP, respectivamente (Figura 2).

Etapa perceptiva temprana
Los resultados de ERP mostraron un aumento de N1 mientras se veían las imágenes negativas en tres condiciones de canto (Figura 3). Mostró que las imágenes negativas indujeron actividades cerebrales centrales más fuertes que las imágenes neutras, y los aumentos son comparables en tres condiciones.

Etapa emocional/cognitiva tardía
El ERP demostró un aumento de LPP en las condiciones de canto no religioso y no canto. Sin embargo, el LPP inducido por imágenes negativas es apenas visible cuando el participante canta el nombre del Buda Amitabha (Figura 4).

Análisis de la región de interés (ROI)
Las tres condiciones se combinaron para estimar las regiones que generalmente se activaron en los componentes N1 y LPP. Las medidas repetidas ANOVA se realizaron con software estadístico para calcular la diferencia en los componentes N1 y LPP entre las condiciones de canto (Figura 5).

Las tres columnas de la izquierda muestran la diferencia en el componente N1 para las tres condiciones de canto: la condición de visualización silenciosa, la condición de canto no religioso y la condición de canto religioso. Las diferencias en el componente N1 fueron similares en las tres condiciones. Las tres columnas de la derecha muestran la diferencia en el componente LPP para las tres condiciones de canto. Esto demuestra que la diferencia en el componente LPP es mucho menor en la condición de canto religioso que en la condición de canto no religioso y la condición de visualización silenciosa.

Análisis de fuentes
Se aplicó el análisis de la fuente para extraer el mapeo cerebral potencial basado en los resultados de LPP (Figura 6). Los resultados muestran que, en comparación con las imágenes neutras, las imágenes negativas inducen una mayor activación parietal en la condición de canto no religioso y ninguna condición de canto. En contraste, esta activación inducida por la imagen negativa desaparece en gran medida en la condición de canto religioso.

Resultados fisiológicos: frecuencia cardíaca
Hubo un cambio significativo en la frecuencia cardíaca (FC) entre las imágenes negativas y neutras en la condición de canto no religioso. Una tendencia similar se encontró en la condición de no cantar. Sin embargo, no se encontró tal diferencia de HR en la condición de canto religioso (Figura 7).

figure-results-1
Figura 2: Un canal representativo (Pz) mostró diferentes ERP en seis condiciones de canto. Las seis condiciones son (1) canto religioso mientras se ven imágenes neutrales (AmiNeu); (2) canto religioso al ver imágenes negativas (AmiNeg); (3) canto no religioso mientras se ven imágenes neutrales (SanNeu); (4) canto no religioso al ver imágenes negativas (SanNeg); (5) no cantar mientras se ven imágenes neutrales (PasNeu); y (6) no cantar mientras se ven imágenes negativas (PasNeg). El canal Pz ubicado en el área parietal media del cuero cabelludo. Haga clic aquí para ver una versión más grande de esta figura.

figure-results-2
Figura 3: Los resultados del ERP para demostrar el componente N1 en las tres condiciones de canto. Mapas bidimensionales del componente N1 para las tres condiciones para cada tipo de imagen. En la última columna, los canales con diferencias significativas (p < 0,05) se muestran con puntos; los puntos que están en color más oscuro indican una mayor importancia (es decir, valores p más pequeños). Haga clic aquí para ver una versión más grande de esta figura.

figure-results-3
Figura 4: Los resultados del ERP para demostrar el componente LPP en las tres condiciones de canto. Mapas bidimensionales del componente de potencial positivo tardío (LPP) para las tres condiciones para cada tipo de imagen. En la última columna, los canales con diferencias significativas (p < 0,05) se muestran con puntos; los puntos que están en color más oscuro indican una mayor importancia (es decir, valores p más pequeños). Haga clic aquí para ver una versión más grande de esta figura.

figure-results-4
Figura 5: Análisis de la región de interés (ROI). El análisis de la Región de Interés (ROI) sobre la diferencia entre las respuestas cerebrales negativas y neutras inducidas por imágenes para el componente temprano, N1, y el componente tardío, el potencial positivo tardío (LPP). Haga clic aquí para ver una versión más grande de esta figura.

figure-results-5
Figura 6: Análisis de la fuente del componente de potencial positivo tardío (LPP) bajo las tres condiciones. Las áreas resaltadas indican una mayor actividad cerebral en condiciones negativas frente a neutrales. Haga clic aquí para ver una versión más grande de esta figura.

figure-results-6
Figura 7: Los intervalos de latidos del corazón bajo las tres condiciones de canto. Los intervalos entre latidos (RR) del electrocardiograma bajo cada combinación de tipo de imagen /canto y los valores de p correspondientes. Ami: Amitabha Buddha chanting condition, San: Santa Claus chanting condition, Pas: passive viewing condition, Neu: neutral picture, Neg: negative picture. Haga clic aquí para ver una versión más grande de esta figura.

Tabla suplementaria 1: Calificación de la creencia en la eficacia del sujeto que canta (Buda Amitabha, Santa Claus). Utiliza una escala del 1 al 9, donde 1 indica la creencia más pequeña y 9 la creencia más fuerte. Haga clic aquí para descargar esta tabla.

Expediente complementario 1: Código para el preprocesamiento por lotes de datos EEG. Elimina los canales defectuosos, vuelve a muestrear los datos a 250 Hz y, a continuación, filtra los datos. Haga clic aquí para descargar este archivo.

Archivo complementario 2: Código para la reparación de datos ERP. Repara épocas malas con picos ruidosos. Haga clic aquí para descargar este archivo.

Discusión

La singularidad de este estudio es la aplicación de un método neurocientífico para sondear los mecanismos neuronales subyacentes a una práctica religiosa generalizada, es decir, el canto religioso repetitivo. Dado su efecto prominente, este método podría permitir nuevas intervenciones para terapeutas o médicos para tratar a los clientes que enfrentan problemas emocionales y sufren de ansiedad y estrés. Junto con estudios previos, se debe considerar una investigación más amplia sobre la regulación de las emociones en estudios futuros7,8,9,22.

Hay pocos estudios de ERP sobre el canto, dada la dificultad de construir experimentos que combinen el canto y otros eventos cognitivos. Este estudio demuestra un protocolo factible para investigar el efecto afectivo del canto / oración, que es bastante popular en el mundo real. Estudios previos de resonancia magnética funcional (IRMf) encontraron que la oración recluta áreas de la cognición social23. Un estudio de resonancia magnética funcional en estado de reposo reveló que el canto "OM" redujo las salidas de las cortezas cingulada, ínsula y orbitofrontal anteriores24. Otro estudio de EEG encontró que la meditación "OM" aumentó las ondas delta, induciendo la experiencia de relajación y sueño profundo25. Sin embargo, estos métodos no pudieron investigar con precisión los cambios específicos relacionados con el evento después del canto religioso.

Los investigadores deben controlar los factores de confusión del procesamiento del lenguaje y la familiaridad para investigar con éxito el efecto potencial del canto religioso repetitivo con éxito. Como los participantes practicaron extensa y diariamente cantando el nombre "Buda Amitabha" (caracteres chinos: figure-discussion-1; Pronunciación cantonesa: o1-nei4-to4-fat6), usamos el nombre "Santa Claus" (caracteres chinos: ; figure-discussion-2 Pronunciación cantonesa: sing3-daan3-lou5-jan4) como condición de control porque el local está familiarizado con Santa Claus. En chino, ambos nombres contienen cuatro caracteres, controlando así la similitud del idioma. En cuanto a la familiaridad, Santa Claus también es bastante popular en Hong Kong porque es una ciudad parcialmente occidentalizada. Además, Santa Claus también es una figura algo positiva en Hong Kong, donde hay vacaciones oficiales de Navidad. Sin embargo, este control de la familiaridad es parcial, ya que es difícil igualar por completo la comprensión del nombre del Buda Amitabha para los practicantes.

Un paso crítico en el estudio actual fue la preparación de las imágenes que provocan miedo o estrés. Como el canto religioso puede funcionar mejor cuando ocurren eventos amenazantes, la selección de estímulos adecuados del grupo de imágenes de IAPS26 fue crucial. Se recomienda que los participantes potenciales sean entrevistados y que se elijan imágenes adecuadas para evitar demasiado miedo o disgusto. Las imágenes altamente negativas podrían evitar que los participantes desviaran deliberadamente su atención; al mismo tiempo, los estímulos que provocan miedo y estrés deben permitir a los participantes experimentar una amenaza suficiente. Otra cuestión crítica es el diseño de bloques del estudio. La señal EEG/ERP es lo suficientemente sensible y dinámica para seguir cada evento. Sin embargo, sería más apropiado implementar un diseño de bloque con un período de visualización de 20-30 s porque el patrón de función cardíaca o emoción puede no cambiar del orden de los segundos27. Por otro lado, un bloqueo de 60 s podría ser demasiado largo, y la respuesta neuronal podría habituarse en los estudios erp.

La etapa de procesamiento de datos EEG necesita hacer una copia de seguridad durante cada paso, ya que cada paso altera los datos y registra los cambios realizados durante esos pasos. Esto se puede utilizar para realizar un seguimiento de los cambios y facilitar la búsqueda de errores durante el procesamiento por lotes. Mejorar la calidad de los datos también es esencial, por lo que se necesita experiencia en la limpieza de datos sin procesar y la identificación de circuitos integrados defectuosos. En el análisis estadístico, se realizaron comparaciones en grandes promedios y se aplicó ANOVA. Advertimos que esta estadística con el modelo de efectos fijos es susceptible a efectos aleatorios28. Los modelos de efectos mixtos pueden adaptarse para controlar factores extraños29, y la suposición de linealidad puede afectar potencialmente a las inferencias extraídas de los datos del ERP30.

Vale la pena señalar varias limitaciones. Una limitación es que el estudio actual inscribió solo a un grupo de participantes que practicaban el budismo De las Tierras Puras. Inscribir a un grupo de control sin ninguna experiencia en canto religioso para la comparación podría ayudar a determinar si el efecto del canto religioso está mediado por la creencia o la familiaridad. Por lo general, un ensayo controlado aleatorio sería más convincente para examinar el impacto de la modulación de la emoción en el canto religioso31. Sin embargo, es difícil garantizar que cualquier participante cante repetidamente "Buda Amitabha" con total disposición. Además, la LPP se ve afectada por otros factores, como el sonido emocional o el cebado positivo32,33. Por lo tanto, se necesitan experimentos mejor controlados para delinear más claramente el neuromecanismo fundamental que subyace al efecto del canto religioso.

En suma, estudios previos han demostrado que el cerebro humano es subjetivo a la plasticidad neuronal y a la rápida alteración de los estados34,35; con suficiente práctica e intención, el cerebro puede remodelarse a sí mismo y responder de manera diferente a los estímulos normalmente temerosos. Este estudio proporciona información sobre el desarrollo de estrategias de afrontamiento efectivas para manejar la angustia emocional en contextos contemporáneos. Siguiendo este protocolo, los investigadores deben examinar el efecto del canto religioso u otras prácticas tradicionales para identificar formas factibles de ayudar a las personas a mejorar sus sufrimientos emocionales.

Divulgaciones

Los autores declaran que no tienen intereses financieros contrapuestos.

Agradecimientos

El estudio fue apoyado por el proyecto de fondo pequeño de HKU y NSFC.61841704.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
E-Prime 2.0Herramientas de software de psicología Presentaciónde estímulos, recopilación de datos de comportamiento
EEGLABCentro Swartz de NeurocienciaSoftware de análisis de EEG
HydroCel GSN 128 canales ElectricalGeodesics, Inc. (EGI)Gorra de EEG
LabChartADInstrumentosdatos fisiológicos (incluido el ECG) software
Matlab R2011aMathWorksEEGLAB y SPM se basan en Matlab; herramienta de análisis estadístico para EEG y datos fisiológicos
Netstation Electrical Geodesics, Inc. (EGI)Software de adquisición de EEG
PowerLab 8/35ADInstrumentsPL3508hardware de adquisición de datos fisiológicos (incluido el ECG)
SPMWellcome Trust Centro de NeuroimagenSoftware de análisis de fuentes de EEG
FMRIBUniversity of Oxford Centre for Functional MRI of the Brain (FMRIB)Plug-in para EEGLAB para procesar datos de ECG
SPSSHerramientapara el comportamiento y los datos de ROI de EEG
iMac 27"Applecon el software Netstation
, Windows PCHPcon E-Prime 2.0 software
PC con Windows Dellejecutando el software LabChart
Computacional adquisición de de análisis estadístico IBM

Referencias

  1. Kennedy, H., Montreuil, T. C. The late positive potential as a reliable neural marker of cognitive reappraisal in children and youth: A brief review of the research literature. Frontiers in Psychology. 11, 608522(2020).
  2. Yu, Q., Kitayama, S. Does facial action modulate neural responses of emotion? An examination with the late positive potential (LPP). Emotion. 21 (2), 442-446 (2021).
  3. Gao, J. L., et al. Repetitive religious chanting modulates the late-stage brain response to fear and stress-provoking pictures. Frontiers in Psychology. 7, 2055(2017).
  4. Barkus, E. Effects of working memory training on emotion regulation: Transdiagnostic review. PsyCh Journal. 9 (2), 258-279 (2020).
  5. Denny, B. T. Getting better over time: A framework for examining the impact of emotion regulation training. Emotion. 20 (1), 110-114 (2020).
  6. Champe, J., Okech, J. E. A., Rubel, D. J. Emotion regulation: Processes, strategies, and applications to group work training and supervision. Journal for Specialists in Group Work. 38 (4), 349-368 (2013).
  7. Sobolewski, A., Holt, E., Kublik, E., Wrobel, A. Impact of meditation on emotional processing-A visual ERP study. Neuroscience Research. 71 (1), 44-48 (2011).
  8. Katyal, S., Hajcak, G., Flora, T., Bartlett, A., Goldin, P. Event-related potential and behavioural differences in affective self-referential processing in long-term meditators versus controls. Cognitive Affective & Behavioral Neuroscience. 20 (2), 326-339 (2020).
  9. Uusberg, H., Uusberg, A., Talpsep, T., Paaver, M. Mechanisms of mindfulness: The dynamics of affective adaptation during open monitoring. Biological Psychology. 118, 94-106 (2016).
  10. Bradley, M. M., Lang, P. J. Handbook of emotion elicitation and assessment. Series in affective science. Coan, J. A., Allen, J. B. 483, Oxford University Press. 483-488 (2007).
  11. Gao, J. L., et al. Repetitive religious chanting invokes positive emotional schema to counterbalance fear: A multi-modal functional and structural MRI study. Frontiers in Behavioral Neuroscience. 14, 548856(2020).
  12. Somaratne, G. A. The Jhana-cittas: The methods of swapping existential planes via samatha. Journal Of The Postgraduate Institute Of Pali And Buddhist Studies. 2, 1-21 (2017).
  13. Bhikkhu, T. Sallatha Sutta: The arrow (SN 36.6), Translated from the pali. Access to Insight Legacy Edition. , (2013).
  14. Halkias, G. Luminous bliss : a religious history of Pure Land literature in Tibet : with an annotated English translation and critical analysis of the Orgyan-gling gold manuscript of the short Sukhāvatīvȳuha-sūtra. , University of Hawaiʻi Press. (2013).
  15. Stewart, J. L., et al. Attentional bias to negative emotion as a function of approach and withdrawal anger styles: An ERP investigation. International Journal of Psychophysiology. 76 (1), 9-18 (2010).
  16. Delorme, A., Makeig, S. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods. 134 (1), 9-21 (2004).
  17. Ito, T. A., Larsen, J. T., Smith, N. K., Cacioppo, J. T. Negative information weighs more heavily on the brain: The negativity bias in evaluative categorizations. Journal of Personality and Social Psychology. 75 (4), 887-900 (1998).
  18. Grech, R., et al. Review on solving the inverse problem in EEG source analysis. Journal of NeuroEngineering and Rehabilitation. 5, 25(2008).
  19. Penny, W. D., Friston, K. J., Ashburner, J. T., Kiebel, S. J., Nichols, T. E. Statistical Parametric Mapping: The Analysis of Functional BrainIimages: The Analysis of Functional Brain Images. , Academic Press. (2011).
  20. Friston, K., et al. Multiple sparse priors for the M/EEG inverse problem. NeuroImage. 39 (3), 1104-1120 (2008).
  21. Niazy, R. K., Beckmann, C. F., Iannetti, G. D., Brady, J. M., Smith, S. M. Removal of FMRI environment artifacts from EEG data using optimal basis sets. Neuroimage. 28 (3), 720-737 (2005).
  22. Nakamura, H., Tawatsuji, Y., Fang, S. Y., Matsui, T. Explanation of emotion regulation mechanism of mindfulness using a brain function model. Neural Networks. 138, 198-214 (2021).
  23. Schjoedt, U., Stdkilde-Jorgensen, H., Geertz, A. W., Roepstorff, A. Highly religious participants recruit areas of social cognition in personal prayer. Social Cognitive and Affective Neuroscience. 4 (2), 199-207 (2009).
  24. Rao, N. P., et al. Directional brain networks underlying OM chanting. Asian Journal of Psychiatry. 37, 20-25 (2018).
  25. Harne, B. P., Bobade, Y., Dhekekar, R. S., Hiwale, A. SVM classification of EEG signal to analyze the effect of OM Mantra meditation on the brain. 2019 Ieee 16th India Council International Conference (Ieee Indicon 2019). , (2019).
  26. Coan, J. A., Allen, J. J. B. Handbook of Emotion Elicitation and Assessment. , Oxford University Press. (2007).
  27. Meseguer, V., et al. Mapping the apetitive and aversive systems with emotional pictures using a Block-design fMRI procedure. Psicothema. 19 (3), 483-488 (2007).
  28. Luck, S. J., Gaspelin, N. How to get statistically significant effects in any ERP experiment (and why you shouldn't). Psychophysiology. 54 (1), 146-157 (2017).
  29. Meteyard, L., Davies, R. A. I. Best practice guidance for linear mixed-effects models in psychological science. Journal of Memory and Language. 112, 104092(2020).
  30. Tremblay, A., Newman, A. J. Modeling nonlinear relationships in ERP data using mixed-effects regression with R examples. Psychophysiology. 52 (1), 124-139 (2015).
  31. Wu, B. W. Y., Gao, J. L., Leung, H. K., Sik, H. H. A randomized controlled trial of Awareness Training Program (ATP), a group-based mahayana buddhist intervention. Mindfulness. 10 (7), 1280-1293 (2019).
  32. Brown, D. R., Cavanagh, J. F. The sound and the fury: Late positive potential is sensitive to sound affect. Psychophysiology. 54 (12), 1812-1825 (2017).
  33. Hill, L. D., Starratt, V. G., Fernandez, M., Tartar, J. L. Positive affective priming decreases the middle late positive potential response to negative images. Brain and Behavior. 9 (1), 01198(2019).
  34. Belzung, C., Wigmore, P. Current Topics in Behavioral Neurosciences,1 online resource. , Springer Berlin Heidelberg. Berlin Heidelberg. (2013).
  35. Denes, G. Neural Plasticity Across The Lifespan: How The Brain Can Change. , CRC Press, an imprint of the Taylor & Francis Group. (2016).

Reimpresiones y permisos

Erratum


Formal Correction: Erratum: Modulation of the Neurophysiological Response to Fearful and Stressful Stimuli Through Repetitive Religious Chanting
Posted by JoVE Editors on 3/25/2022. Citeable Link.

An erratum was issued for: Modulation of the Neurophysiological Response to Fearful and Stressful Stimuli Through Repetitive Religious Chanting. The Authors section was updated.

The authors section was updated from:

Hin Hung Sik1, Georgios T. Halkias1, Chunqi Chang2, Junling Gao1, Hang Kin Leung1, Bonnie W. Y. Wu1
1Centre of Buddhist Studies, The University of Hong Kong,
2School of Biomedical Engineering, Shenzhen University

To:

Hin Hung Sik1, Georgios T. Halkias1, Chunqi Chang2, Junling Gao1, Hang Kin Leung1, Bonnie Wai Yan Wu1
1Buddhism and Science Research Lab, Centre of Buddhist Studies, The University of Hong Kong,
2School of Biomedical Engineering, Shenzhen University

Etiquetas

Activación emocionalpotencial positivo tardíopotenciales relacionados con eventosestímulos temerososelectroencefalografía EEGInternational Affective Picture Systemanálisis de la fuente de ERP
Modulación de la respuesta neurofisiológica a estímulos temerosos y estresantes a través del canto religioso repetitivo
Contáctenos
Recomendar a la biblioteca

Privacidad

Términos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.