Waiting
Procesando inicio de sesión ...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

Modulering av nevrofysiologisk respons på fryktinngytende og stressende stimuli gjennom repeterende religiøs chanting

Published: November 4, 2021 doi: 10.3791/62960
Automatic Translation
1, 1, 2, 1, 1, 1
1Buddhism and Science Research Lab, Centre of Buddhist Studies, The University of Hong Kong, 2School of Biomedical Engineering, Shenzhen University

ERRATUM NOTICE

Summary

Den nåværende hendelsesrelaterte studien (ERP) gir en unik protokoll for å undersøke hvordan religiøs chanting kan modulere negative følelser. Resultatene viser at det sene positive potensialet (LPP) er en robust nevrofysiologisk respons på negative emosjonelle stimuli og effektivt kan moduleres ved repeterende religiøs chanting.

Abstract

I nevropsykologiske eksperimenter er det sene positive potensialet (LPP) en hendelsesrelatert potensiell (ERP) komponent som gjenspeiler nivået av ens følelsesmessige opphisselse. Denne studien undersøker om repeterende religiøs chanting modulerer den emosjonelle responsen på frykt- og stressprovoserende stimuli, og fører dermed til en mindre responsiv LPP. 21 deltakere med minst ett års erfaring i den repeterende religiøse chantingen av "Amitabha Buddha" ble rekruttert. Et 128-kanals elektroencefalografisystem (EEG) ble brukt til å samle inn EEG-data. Deltakerne ble instruert til å se negative eller nøytrale bilder valgt fra International Affective Picture System (IAPS) under tre forhold: repeterende religiøs chanting, repeterende ikke-religiøs chanting og ingen chanting. Resultatene viste at det å se de negative frykt- og stressprovoserende bildene induserte større LPPer i deltakerne enn å se nøytrale bilder under de ikke-chanting og ikke-kvalifiserte sangforholdene. Imidlertid forsvant denne økte LPP i stor grad under repeterende religiøse sangforhold. Funnene tyder på at repeterende religiøs chanting effektivt kan lindre den nevrofysiologiske responsen på fryktinngytende eller stressende situasjoner for utøvere.

Introduction

Det sene positive potensialet (LPP) har lenge vært ledsaget av emosjonell opphisselse, og det har blitt pålitelig brukt i følelsesrelatert forskning1,2. Religiøs praksis er utbredt i både østlige og vestlige land. Det hevdes at det kan lindre utøverens angst og stress når du står overfor uønskede hendelser, spesielt i vanskelige tider3. Likevel har dette sjelden blitt demonstrert under strenge eksperimentelle omgivelser.

Tallrike studier har bekreftet at følelsesregulering kan læres med ulike strategier og rammer4,5,6. Noen få studier har vist at mindfulness og meditasjon kan modulere nevral respons på affektive hendelser7,8. Nylig ble det funnet at meditasjonsutøvere kan bruke andre følelsesmoduleringsstrategier enn kognitiv vurdering, undertrykkelse og distraksjon8,9. Stimuli fra International Affective Picture System (IAPS) kan brukes til å fremkalle positive eller negative følelser pålitelig, og det er standardkriterier for å finne designede bilder med spesifisert valens og opphisselsesnivåer i affektiv forskning10.

Emosjonelle stimuli kan forårsake tidlige og senere reaksjoner i hjernen3,11. På samme måte gjorde buddhismetradisjonen analoge analyser av tanketankene ved innledende og sekundære mentale prosesser3,12,13. Sallatha Sutta (The Arrow Sutta), en tidlig buddhistisk tekst, nevner at kognitiv trening kan temme følelser. Arrow Sutta sier at både en godt trent buddhistisk utøver og en utrent person opplever en innledende og negativ oppfatning av smerte når de står overfor en skadelig hendelse13. Denne uunngåelige første smerten ligner en person som blir truffet av en pil, som beskrevet i Sallatha Sutta. Tidlig perseptuell smerte er identisk med scenen for tidlig behandling når en person ser på et svært negativt bilde. Tidlig nevral behandling fremkaller vanligvis en N1-komponent. Utrente personer kan utvikle overdreven følelser, som bekymring, angst og stress, etter å ha opplevd de første, uunngåelige smertefulle følelsene. Ifølge Sallatha Sutta er denne senutviklende negative følelsen eller psykologiske smerten som å bli truffet av en annen pil. Et hendelsesrelatert potensialeksperiment (ERP) kan fange opp den nåværende designens tidlige og senere psykologiske prosesser, forutsatt at N1 og LPP kan tilsvare de to pilene nevnt ovenfor.

I denne protokollen ble den repeterende chantingen av navnet "Amitabha Buddha" (Sanskit: Amitābha) valgt for å teste den potensielle effekten av religiøs chanting når en person er i en fryktelig eller stressende situasjon. Denne religiøse chantingen er en av de mest populære praksisene til personer med religiøse orienteringer blant kinesiske buddhister, og det er en kjernepraksis av østasiatisk ren land buddhisme14. Det ble hypoteset at repeterende religiøs chanting ville redusere hjernens respons på provoserende stimuli, nemlig LPP indusert av fryktelige eller stressende bilder. Både EEG- og elektrokardiogramdata (EKG) ble samlet inn for å vurdere deltakernes nevrofysiologiske responser under ulike forhold.

Protocol

Denne ERP-studien ble godkjent av University of Hong Kong Institutional Review Board. Før de deltok i denne studien, signerte alle deltakerne et skriftlig informert samtykkeskjema.

1. Eksperimentell design

  1. Rekruttere deltakere
    1. Rekrutter deltakere med minst 1 år (~ 200-3000 h) erfaring med å rope navnet "Amitabha Buddha" for denne studien.
      MERK: I den nåværende studien ble 21 menneskelige deltakere fra 40-52 år valgt; 11 var menn.
  2. Religiøs chanting vs. ikke-religiøs chanting
    1. Rop navnet "Amitabha Buddha" i 40 s. Første 20-tallet med bildet av Amitabha Buddha og de neste 20 s med IAPS-bilder.
      1. Chant bare fire tegn av navnet "Amitabha Buddha" mens du ser på bildet av Amitabha Buddha i Pureland skole14.
    2. Rop navnet julenissen (ikke-religiøs chanting tilstand) for 40 s. Første 20-tallet mens du ser på bildet av julenissen og de neste 20-tallet med IAPS-bilder.
      1. Chant bare fire tegn av navnet julenissen og forestill deg julenissen.
    3. Vær stille i 40 s. Første 20 s med et tomt bilde for kontrollformål og de neste 20 s med IAPS-bilder.
      MERK: Ingen chanting.
  3. EEG-opptakssystem
    1. Registrer EEG-data ved hjelp av et 128-kanals EEG-system som består av en forsterker, hodeboks, EEG-hette og to stasjonære datamaskiner (se Materialfortegnelser).
  4. Stimuli presentasjonssystem
    1. Bruk stimuluspresentasjonsprogramvare (se Materialfortegnelse) for å vise nøytrale og negative bilder fra IAPS på en stasjonær datamaskin.
  5. EKG-opptakssystem
    1. Bruk et fysiologisk dataregistreringssystem til å registrere EKG-data (se Materialfortegnelse).

2. Affektivt modulasjonseksperiment

MERK: Eksperimentet hadde to faktorer med en 2 x 3 design: Den første faktoren var bildetypen: nøytral og negativ (frykt- og stressprovoserende). Den andre faktoren var chanting-typen: chanting "Amitabha Buddha", chanting "Santa Claus" og ingen chanting (stille utsikt).

  1. Bruk en blokkutforming, da den mer effektivt kan fremkalle følelsesrelaterte komponenter15.
    MERK: Det var seks betingelser, og sekvensene ble randomisert og motvekt mellom deltakerne (figur 1). De seks forholdene var som følger: religiøs chanting mens du ser på negative bilder (AmiNeg); religiøs chanting mens du ser på nøytrale bilder (AmiNeu); ingen chanting mens du ser på negative bilder (PasNeg); ingen chanting mens du ser nøytrale bilder (PasNeu); ikke-kvalifisert chanting mens du ser på negative bilder (SanNeg); og ikke-berettiget chanting mens du ser på nøytrale bilder (SanNeu).

Figure 1
Figur 1: Den eksperimentelle prosedyren. Det var seks pseudorandomiserte tilstander, og hver deltaker fikk en pseudorandomisert sekvens. Hver betingelse ble gjentatt seks ganger i to separate økter. Dette tallet er tilpasset fra Referanse3. Klikk her for å se en større versjon av denne figuren.

  1. Vis hvert bilde for ~1,8-2,2 s, med et interstimulusintervall (ISI) på 0,4-0,6 s.
    MERK: Det var 10 bilder av samme type (nøytral eller negativ) i hver økt.
  2. Tillat en hvileperiode på 20 s etter hver økt for å motvirke de potensielle resteffektene av chanting eller bildevisning i neste økt.
  3. Presenter bildene på en CRT-skjerm i en avstand på 75 cm fra deltakernes øyne, med visuelle vinkler på 15° (vertikal) og 21° (horisontal).
  4. Be deltakerne observere bildene nøye.
  5. Gi deltakerne en kort øvelseskjøring slik at de kan gjøre seg kjent med hver betingelse. Bruk en videoskjerm for å sikre at deltakerne ikke sovner.
  6. Gi deltakerne en 10 min hvile midt i 40 min eksperimentet.

3. Innsamling av EEG- og EKG-data

MERK: Før du kommer til eksperimentet, be hver deltaker om å vaske håret og hodebunnen grundig uten å bruke balsam eller noe annet som kan øke systemets impedans. Samle inn EEG- og EKG-dataene samtidig av to separate systemer.

  1. Informer hver deltaker om de eksperimentelle prosedyrene, det vil si at effektive bilder ble sett under forskjellige sangforhold.
  2. Sett samplingsfrekvensen til 1000 Hz, og oppretthold impedansen til hver elektrode under 30 kΩ når det er mulig eller i henhold til systemets krav.
  3. Samle inn fysiologiske data, inkludert EKG-data ved hjelp av et fysiologisk dataregistreringssystem (se Materialfortegnelser).

4. EEG-dataanalyse

  1. Behandle og analyser EEG-dataene med EEGLAB (se Materialfortegnelse) , Tilleggsfil 1-2, en programvare med åpen kildekode16 ved å følge trinnene nedenfor.
  2. Bruk EEGLAB-funksjonen "pop_resample" for å ta nytt utsnitt av dataene fra 1000 Hz til 250 Hz for å opprettholde en rimelig datafilstørrelse. Klikk på Verktøy > Endre samplingsfrekvens.
  3. Bruk EEGLAB-funksjonen "pop_eegfiltnew" til å filtrere dataene med et endelig IMpulsresponsfilter (FIR) med 0,1-100 Hz passband. Klikk verktøy > Filtrer dataene > grunnleggende FIR-filter (nytt, standard).
  4. Filtrer dataene på nytt med et ikke-lineært IIR-filter (infinite impulse response) med et stoppbånd på 47-53 Hz for å redusere støyen fra vekselstrøm. Klikk på Verktøy > Filtrer dataene > velg Hakk filtrere dataene i stedet for passbånd.
  5. Inspiser dataene visuelt for å fjerne sterke artefakter generert av øye- og muskelbevegelser. Klikk på Plott > Kanaldata (rull).
  6. Undersøk dataene visuelt igjen for konsekvent støy generert av en hvilken som helst kanal, og de dårlige kanalene ble notert.
  7. Rekonstruer de dårlige kanalene ved hjelp av sfærisk interpolering. Klikk på Verktøy > Interpoler elektroder > Velg fra datakanalene.
  8. Kjør uavhengig komponentanalyse (ICA) med åpen kildekode-algoritmen "runica"16. Klikk på Verktøy > Kjør ICA.
  9. Fjern de uavhengige komponentene (ICene) som tilsvarer øyebevegelser, blink, muskelbevegelse og linjestøy. Klikk på Verktøy > Avvis data ved hjelp av ICA > Avvis komponenter etter kart.
  10. Rekonstruer dataene ved hjelp av de gjenværende ICene. Klikk Verktøy > Fjern komponenter.
  11. Filtrer dataene med et 30 Hz low-pass-filter. Klikk verktøy > Filtrer dataene > grunnleggende FIR-filter (nytt, standard).
  12. Hent ERP-data ved å trekke ut og beregne gjennomsnittet av tidslåste epoker for hver betingelse med et tidsvindu på -200 til 0 ms som grunnlinje og 0 til 800 ms som ERP. Klikk på Verktøy > Trekk ut epoker.
  13. Referer ERP-dataene på nytt med gjennomsnittet av venstre og høyre mastoidkanaler. Klikk verktøy > referanse på nytt.
  14. Gjenta trinnene ovenfor for datasettene fra alle deltakerne, og sammenlign forskjellene mellom forhold ved hjelp av t-testen eller gjentatte mål ANOVA i en statistisk analyseprogramvare (se Materialfortegnelse).
  15. Definer tidsvinduer for N1 og LPP basert på etablerte teorier8,17og gjeldende data3.
    MERK: I dette arbeidet ble N1 definert som 100-150 ms, mens LPP som 300-600 ms fra stimulus utbrudd; LPP er mest fremtredende i det sentrale parietalområdet (figur 2).
  16. Finn den nøytrale kontra negative bildeforskjellen ved N1-komponenten ved hjelp av parret t-test blant tre betingelser (figur 3).
  17. Finn den nøytrale kontra negative bildeforskjellen på LPP-komponenten ved hjelp av parret t-test mellom tre betingelser (figur 4).
  18. Utfør interesseområdeanalyse (ROI) på N1- og LPP-komponenter ved å beregne gjennomsnittet for relevante kanaler for å representere en region.
    MERK: For å velge avkastning ble epokene til alle tre betingelsene i gjennomsnitt beregnet de kanalene der de nøytrale og negative bildene hadde en forskjell som var signifikant i det spesifikke tidsvinduet (f.eks. for N1 eller LPP).
  19. Sammenlign forskjellen ved N1 og LPP separat ved hjelp av gjentatte mål ANOVA og post hoc statistikk i statistisk analyse programvare.
    MERK: Bruk post hoc-analyse (Bonferroni-korreksjon) og bestem signifikante forskjeller mellom de to forholdene separat hvis modellen var signifikant. Signifikansterskelen ble satt til p < 0,05.

5. ERP-kildeanalyse

  1. Utfør ERP-kildeanalysen18 med SPM19-programvaren med åpen kildekode (se Materialfortegnelser) ved å følge trinnene nedenfor.
  2. Koble EEG cap sensor koordinatsystem til koordinatsystemet til et standard strukturell MR-bilde (Montreal Neurological Institute (MNI) koordinater) ved landemerkebasert medregistrering. I SPM klikker du på Batch > SPM > M/EEG > Source reconstruction > Head model specification.
  3. Utfør fremoverberegning for å beregne effekten av hver dipol på det kortikale nettet som er pålagt EEG-sensorene. Under samme Batch Editor, klikk på SPM > M / EEG > Kilde rekonstruksjon > Kilde inversjon.
    MERK: Disse resultatene ble plassert i en G-matrise (n x m), der n er antall sensorer (EEG-romdimensjon) og m er antall nettingtoppunkt (kilderomdimensjon). Kildemodellen var X = GS, der X er en n x k-matrise som angir ERP-dataene for hver betingelse, k er antall tidspunkter, og S er en m x k-matrise som angir ERP-kilden.
  4. Bruk den grådige søkebaserte multippel sparsommelige priors-algoritmen (siden S er ukjent) i det tredje trinnet (blant de mange tilgjengelige algoritmene) for å utføre den omvendte rekonstruksjonen fordi den er mer pålitelig enn andre metoder20. Velg MSP (GS) for inversjonstypen i vinduet Kildeinversjon .
  5. Bestem forskjellen mellom betingelser ved hjelp av generell lineær modellering i SPM. Sett signifikansnivået til p < 0,05. Under Batch Editor klikker du på SPM > Stats > Factorial design spesifikasjon.

6. EKG-data og atferdsvurderingsanalyse

  1. Bruk fysiologisk programvare og databehandlingsprogramvare til å behandle og analysere EKG-dataene (se Materialfortegnelse). Beregn gjennomsnittspoengene for hver betingelse. I EEGLAB klikker du på Verktøy > FMRIB Tools > Detect QRS events21.
    MERK: I likhet med ERP-amplitudeanalysen ble statistisk programvare brukt til å analysere dataene ytterligere med gjentatte tiltak ANOVA. Post hoc-analyse ble utført for å bestemme de signifikante forskjellene mellom de to forholdene separat hvis modellen var signifikant. Signifikansnivået ble satt til p < 0,05.
  2. Be deltakerne rangere sin tro på effekten av å rope subjektets navn (Amitabha Buddha, Julenissen, etc.) på en 1-9 skala, hvor 1 regnes som svakest og 9 den sterkeste.

Representative Results

Atferdsmessige resultater
Resultatene for deltakernes tro på chanting avslørte en gjennomsnittlig poengsum på 8,16 ± 0,96 for "Amitabha Buddha", 3,26 ± 2,56 for "Julenissen", og 1,95 ± 2,09 for den tomme kontrolltilstanden (Supplerende tabell 1).

ERP-resultater
Den representative kanalen til Pz (parietal lobe) viste at messeforholdene hadde forskjellige effekter på tidlig (N1) og sen (LPP) behandling av nøytrale og negative bilder. Den viste tidsvinduet til henholdsvis N1 og LPP (figur 2).

Tidlig perseptuell stadium
ERP-resultatene viste en økt N1 mens de så på de negative bildene under tre messeforhold (figur 3). Den viste at negative bilder induserte sterkere sentrale hjerneaktiviteter enn nøytrale bilder, og økningen er sammenlignbar under tre forhold.

Sen emosjonell / kognitiv stadium
ERP demonstrerte en økt LPP i de ikke-kvalifiserte chanting og no-chanting forholdene. Imidlertid er LPP indusert av negative bilder knapt synlig når deltakeren synger Amitabha Buddhas navn (figur 4).

Region for interesseanalyse (ROI)
De tre betingelsene ble kombinert for å estimere regionene som generelt ble aktivert ved N1- og LPP-komponenter. Gjentatte tiltak ANOVA ble utført med statistisk programvare for å beregne forskjellen i N1- og LPP-komponentene mellom messeforholdene (figur 5).

De tre venstre kolonnene viser forskjellen i N1-komponenten for de tre messeforholdene: den stille visningsbetingelsen, den ikke-kvalifiserte chanting-tilstanden og den religiøse chanting-tilstanden. Forskjellene i N1-komponenten var like på tvers av de tre forholdene. De tre høyre kolonnene viser forskjellen i LPP-komponenten for de tre sangbetingelsene. Dette viser at forskjellen i LPP-komponenten er mye mindre i religiøs chanting-tilstand enn i den ikke-kvalifiserte chanting-tilstanden og den stille visningsbetingelsen.

Kildeanalyse
Kildeanalyse ble brukt for å trekke ut den potensielle hjernekartleggingen basert på LPP-resultatene (figur 6). Resultatene viser at sammenlignet med nøytrale bilder, induserer negative bilder mer parietal aktivering i den ikke-kvalifiserte chanting-tilstanden og ingen chanting-tilstand. Derimot forsvinner denne negative bildeinduserte aktiveringen i stor grad i den religiøse chanting-tilstanden.

Fysiologiske resultater: hjertefrekvens
Det var en betydelig endring i hjertefrekvensen (HR) mellom de negative og nøytrale bildene i den ikke-kvalifiserte chanting-tilstanden. En lignende trend ble funnet i no-chanting tilstand. Det ble imidlertid ikke funnet noen slik HR-forskjell i den religiøse chanting-tilstanden (figur 7).

Figure 2
Figur 2: En representativ kanal (Pz) viste forskjellige ERPer under seks messeforhold. De seks forholdene er (1) religiøs chanting mens du ser på nøytrale bilder (AmiNeu); (2) religiøs chanting mens du ser på negative bilder (AmiNeg); (3) ikke-berettiget chanting mens du ser på nøytrale bilder (SanNeu); (4) ikke-kvalifisert chanting mens du ser på negative bilder (SanNeg); (5) ingen chanting mens du ser nøytrale bilder (PasNeu); og (6) ingen chanting mens du ser på negative bilder (PasNeg). Kanalen Pz ligger i midten av parietalområdet i hodebunnen. Klikk her for å se en større versjon av denne figuren.

Figure 3
Figur 3: ERP-resultatene for å demonstrere N1-komponenten under de tre messeforholdene. Todimensjonale kart over N1-komponenten for de tre betingelsene for hver bildetype. I den siste kolonnen vises kanaler med signifikante forskjeller (p < 0,05) med prikker; Prikker som er i mørkere farge, angir større betydning (dvs. mindre p-verdier). Klikk her for å se en større versjon av denne figuren.

Figure 4
Figur 4: ERP-resultatene for å demonstrere LPP-komponenten under de tre messeforholdene. Todimensjonale kart over komponenten for sent positivt potensial (LPP) for de tre betingelsene for hver bildetype. I den siste kolonnen vises kanaler med signifikante forskjeller (p < 0,05) med prikker; Prikker som er i mørkere farge, angir større betydning (dvs. mindre p-verdier). Klikk her for å se en større versjon av denne figuren.

Figure 5
Figur 5: Interesseområdeanalyse (ROI). Interesseområdet (ROI) analyserer forskjellen mellom negative kontra nøytrale bildeinduserte hjerneresponser for den tidlige komponenten, N1, og den sene komponenten, det sene positive potensialet (LPP). Klikk her for å se en større versjon av denne figuren.

Figure 6
Figur 6: Kildeanalyse av komponenten for senpositivt potensial (LPP) under de tre forholdene. Uthevede områder indikerer høyere hjerneaktivitet under negative kontra nøytrale forhold. Klikk her for å se en større versjon av denne figuren.

Figure 7
Figur 7: Hjerteslagintervallene under de tre sangforholdene. Elektrokardiogrammets inter-beat intervaller (RRs) under hver bildetype / chanting kombinasjon og de tilsvarende p-verdiene . Ami: Amitabha Buddha chanting tilstand, San: Santa Claus chanting tilstand, Pas: passiv visningsbetingelse, Neu: nøytralt bilde, Neg: negativt bilde. Klikk her for å se en større versjon av denne figuren.

Supplerende tabell 1: Vurdering av troen på effekten av chanting subjektet (Amitabha Buddha, Julenissen). Den bruker en 1-9 skala, hvor 1 indikerer minst tro og 9 den sterkeste troen. Klikk her for å laste ned denne tabellen.

Tilleggsfil 1: Kode for forhåndsbehandling av EEG-databunke. Den fjerner dårlige kanaler, tar nytt utsnitt av dataene til 250 Hz, og filtrerer deretter dataene. Klikk her for å laste ned denne filen.

Tilleggsfil 2: Kode for REPARASJON av ERP-data. Den reparerer dårlige epoker med støyende pigger. Klikk her for å laste ned denne filen.

Discussion

Det unike ved denne studien er anvendelsen av en nevrovitenskapelig metode for å sondere nevrale mekanismer som ligger til grunn for en utbredt religiøs praksis, det vil si repeterende religiøs chanting. Gitt sin fremtredende effekt, kan denne metoden gjøre det mulig for nye intervensjoner for terapeuter eller klinikere å behandle klienter som arbeider med følelsesmessige problemer og lider av angst og stress. Sammen med tidligere studier bør bredere følelsesreguleringsforskning vurderes i fremtidige studier7,8,9,22.

Det er få ERP-studier på chanting, gitt vanskeligheten med å konstruere eksperimenter som kombinerer chanting og andre kognitive hendelser. Denne studien viser en gjennomførbar protokoll for å undersøke den affektive effekten av chanting / bønn, noe som er ganske populært i den virkelige verden. Tidligere funksjonelle MR-studier (fMRI) fant at bønn rekrutterer områder av sosial kognisjon23. En fMRI-studie fra hviletilstanden viste at chanting "OM" reduserte produksjonene fra den fremre cingulate, insula og orbitofrontal cortices24. En annen EEG-studie fant at "OM" meditasjon økte deltabølger, noe som induserte opplevelsen av avslapning og dyp søvn25. Disse metodene kunne imidlertid ikke nøyaktig undersøke de spesifikke hendelsesrelaterte endringene etter religiøs chanting.

Forskere bør kontrollere de forvirrende faktorene for språkbehandling og kjennskap for å lykkes med å undersøke den potensielle effekten av repeterende religiøs chanting vellykket. Som deltakerne praktiserte mye og daglig chanting navnet "Amitabha Buddha" (kinesiske tegn: Equation 1; Kantonesisk uttale: o1-nei4-to4-fat6), brukte vi navnet "Julenissen" (kinesiske tegn: ; Equation 2 Kantonesisk uttale: sing3-daan3-lou5-jan4) som kontrolltilstand fordi lokalbefolkningen er kjent med julenissen. På kinesisk inneholder begge navnene fire tegn, og kontrollerer dermed for språklikhet. Når det gjelder kjennskap, er julenissen også ganske populær i Hong Kong fordi det er en delvis vestlig by. I tillegg er julenissen også en noe positiv figur i Hong Kong, hvor det er offisiell juleferie. Likevel er denne kontrollen av kjennskap delvis, da det er vanskelig å helt matche forståelsen av Amitabha Buddhas navn for utøverne.

Et kritisk skritt i den nåværende studien var utarbeidelsen av frykt- eller stressprovoserende bilder. Ettersom religiøs chanting kan fungere bedre når truende hendelser oppstår, var det avgjørende å velge riktige stimuli fra IAPS-bildepuljen26. Det anbefales at potensielle deltakere intervjues og at egnede bilder velges for å unngå for mye frykt eller avsky. Svært negative bilder kan hindre deltakerne i å avverge oppmerksomheten med vilje; Samtidig bør de frykt- og stressprovoserende stimuliene gjøre det mulig for deltakerne å oppleve en tilstrekkelig trussel. Et annet kritisk problem er blokkutformingen av studien. EEG/ERP-signalet er tilstrekkelig følsomt og dynamisk til å følge hver hendelse. Det ville imidlertid være mer hensiktsmessig å implementere en blokkdesign med en 20-30 s visningsperiode fordi mønsteret av hjertefunksjon eller følelser kanskje ikke endres i rekkefølgen av sekunder27. På den annen side kan en blokk på 60 s være for lang, og den nevrale responsen kan bli habituated i ERP-studiene.

Behandlingsstadiet for EEG-data må ta en sikkerhetskopi i løpet av hvert trinn, ettersom hvert trinn endrer dataene og registrerer endringene som er gjort i løpet av disse trinnene. Dette kan brukes til å spore endringer og gjøre det enklere å finne feil under satsvis behandling. Det er også viktig å forbedre datakvaliteten, så det er nødvendig med erfaring med rådatarengjøring og identifisering av dårlige ICer. I den statistiske analysen ble sammenligninger gjort på gjennomsnittet, og ANOVA ble brukt. Vi advarer om at denne statistikken med fasteffektsmodellen er utsatt for tilfeldige effekter28. Modeller med blandede effekter kan tilpasses for å kontrollere fremmede faktorer29, og antagelsen om linearitet kan potensielt påvirke slutninger trukket fra ERP-dataene30.

Flere begrensninger er verdt å merke seg. En begrensning er at den nåværende studien bare registrerte en gruppe deltakere som praktiserte Pureland Buddhism. Å registrere en kontrollgruppe uten erfaring med religiøs chanting for sammenligning kan bidra til å avgjøre om effekten av religiøs chanting formidles av tro eller kjennskap. Vanligvis ville en randomisert kontrollert studie være mer overbevisende å undersøke virkningen av følelsesmodulering på religiøs chanting31. Det er imidlertid vanskelig å garantere at enhver deltaker gjentatte ganger vil synge "Amitabha Buddha" med fullstendig vilje. I tillegg påvirkes LPP av andre faktorer, for eksempel emosjonell lyd eller positiv grunning32,33. Dermed er det nødvendig med bedre kontrollerte eksperimenter for å avgrense tydeligere den grunnleggende nevromekanismen som ligger til grunn for effekten av religiøs chanting.

I sum har tidligere studier vist at den menneskelige hjerne er subjektiv mot nevral plastisitet og rask endring av stater34,35; med tilstrekkelig praksis og intensjon kan hjernen omforme seg selv og reagere annerledes på normalt fryktelige stimuli. Denne studien gir innsikt i utviklingen av effektive mestringsstrategier for håndtering av emosjonell nød i moderne sammenhenger. Etter denne protokollen bør forskere undersøke effekten av religiøs chanting eller annen tradisjonell praksis for å identifisere mulige måter å hjelpe folk med å forbedre sine følelsesmessige lidelser.

Disclosures

Forfatterne erklærer at de ikke har konkurrerende økonomiske interesser.

Acknowledgments

Studien ble støttet av det lille fondsprosjektet HKU og NSFC.61841704.

Materials

Name Company Catalog Number Comments
E-Prime 2.0 Psychology Software Tools stimulus presentation, behavior data collection
EEGLAB Swartz Center for Computational Neuroscience EEG analysis software
HydroCel GSN 128 channels Electrical Geodesics, Inc. (EGI) EEG cap
LabChart ADInstruments physiological data (including ECG) acquisition software
Matlab R2011a MathWorks EEGLAB and SPM are based on Matlab; statistical analysis tool for EEG and physiological data
Netstation Electrical Geodesics, Inc. (EGI) EEG acquisition software
PowerLab 8/35 ADInstruments PL3508 physiological data (including ECG) acquisition hardware
SPM Wellcome Trust Centre for Neuroimaging EEG source analysis software
FMRIB University of Oxford Centre for Functional MRI of the Brain (FMRIB) Plug-in for EEGLAB to process ECG data
SPSS IBM statistical analysis tool for behavior and EEG ROI data
iMac 27" Apple running the Netstation software
Windows PC HP running the E-Prime 2.0 software
Windows PC Dell running the LabChart software

DOWNLOAD MATERIALS LIST

References

  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).

Tags

Nevrovitenskap utgave 177

Erratum

Formal Correction: Erratum: Modulation of the Neurophysiological Response to Fearful and Stressful Stimuli Through Repetitive Religious Chanting
Posted by JoVE Editors on 03/25/2022. 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

Modulering av nevrofysiologisk respons på fryktinngytende og stressende stimuli gjennom repeterende religiøs chanting
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Sik, H. H., Halkias, G. T., Chang,… More

Sik, H. H., Halkias, G. T., Chang, C., Gao, J., Leung, H. K., Wu, B. W. Y. Modulation of the Neurophysiological Response to Fearful and Stressful Stimuli Through Repetitive Religious Chanting. J. Vis. Exp. (177), e62960, doi:10.3791/62960 (2021).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter