Conectividad en estado de reposo y neuroimagen de la actividad de la corteza prefrontal durante una práctica de asanas de yoga de diseño de bloques con fNIRS

Resumen

Este estudio utilizó espectroscopia funcional de infrarrojo cercano (fNIRS) para medir la actividad de la corteza prefrontal durante una secuencia de asanas de yoga de diseño en bloque de 23 minutos con 27 adultos. La conectividad en estado de reposo se registró antes y después de la práctica. Los hallazgos destacan la efectividad de fNIRS en la investigación basada en el movimiento y proporcionan información neurológica sobre los efectos de las asanas de yoga.

Resumen

Este estudio tuvo como objetivo utilizar la tecnología de neuroimagen móvil de espectroscopia funcional de infrarrojo cercano (fNIRS) para examinar los cambios en la actividad de la corteza prefrontal (PFC) antes, durante y después de las asanas de yoga (posturas físicas de yoga). Un total de 27 adultos sanos participaron en una sesión de asanas de yoga de 23 minutos utilizando un diseño de bloques. Antes y después de la secuencia, los participantes completaron dos estados de descanso de 6 minutos, independientes de la tarea. La actividad de PFC se registró de forma continua utilizando el instrumento fNIRS, colocado en la zona frontal del cráneo. La sesión incluyó una postura de control alternada con tres posturas activas. Cada postura activa se mantuvo durante 30 s, seguida de un intervalo de postura de control de 25-30 s, y se repitió ocho veces. Este diseño de bloques dio como resultado 25 intervalos de postura de control y 24 repeticiones de cada postura activa. El análisis incluyó el preprocesamiento de datos brutos de fNIRS para calcular las concentraciones de oxihemoglobina (HbO) y desoxihemoglobina (HbR), la corrección de artefactos de movimiento y la evaluación estadística mediante ANOVA con correcciones de Bonferroni. Los análisis de conectividad examinaron las correlaciones interhemisféricas e intrahemisféricas en la corteza prefrontal. En conclusión, este estudio demuestra la utilidad de fNIRS en contextos del mundo real basados en el movimiento y proporciona información neurológica sobre los efectos de las asanas de yoga.

Introducción

El yoga es una antigua práctica india que integra posturas físicas (asana), ejercicios de respiración (pranayama), meditación y principios éticos para promover el bienestar físico y mental holístico. En los últimos años, el yoga se ha reconocido cada vez más como una intervención complementaria para las afecciones de salud mental, respaldada por un creciente cuerpo de investigación científica. Numerosos estudios han demostrado que la práctica regular de yoga puede reducir significativamente los síntomas de ansiedad, depresión y estrés, al tiempo que mejora el estado de ánimo, la regulación emocional y la resiliencia psicológica general ^1,2,3. Los metaanálisis y los ensayos controlados aleatorios han corroborado aún más la eficacia del yoga como terapia complementaria para la depresión y el trastorno de estrés postraumático, con evidencia que también sugiere una mejora de la calidad de vida y la función cognitiva 4,5,6,7,8.

A pesar de esta prometedora base de evidencia, los mecanismos neuronales que subyacen a las prácticas de yoga basadas en el movimiento, en particular las posturas físicas (asanas), siguen siendo poco conocidos ^9,10. Esta brecha en el conocimiento ha obstaculizado los esfuerzos para integrar el yoga en los modelos neurocognitivos de intervención. El objetivo del presente estudio es investigar la actividad cerebral asociada con la práctica de asanas de yoga en tiempo real, contribuyendo así a una comprensión mecanicista de cómo las prácticas contemplativas basadas en el movimiento afectan la función cortical.

Para lograr esto, empleamos espectroscopia funcional de infrarrojo cercano (fNIRS), una técnica de neuroimagen portátil y no invasiva que mide las respuestas hemodinámicas en la corteza cerebral¹¹. La justificación para el uso de fNIRS se basa en su capacidad para monitorear la actividad cerebral durante el movimiento naturalista y erguido, un enfoque que no es posible con los métodos de imagen convencionales como la resonancia magnética funcional o la PET, que requieren que los participantes permanezcan inmóviles^{en entornos} artificiales. En comparación con estas alternativas, fNIRS ofrece varias ventajas: es silencioso, tolerante al movimiento y permite el estudio de tareas ecológicamente válidas en entornos del mundo real¹³. En consecuencia, se ha utilizado ampliamente en estudios sobre el aprendizaje motor, la carga de trabajo cognitiva, el desarrollo infantil, la marcha y el equilibrio, y las prácticas de atención plena, produciendo información confiable sobre la actividad de la corteza prefrontal durante condiciones estáticas y dinámicas 14,15,16,17,18. Su aplicación en entornos naturalistas, particularmente durante el movimiento, ha abierto nuevas vías para estudiar la cognición incorporada y los sustratos neuronales de las intervenciones de salud integral.

Sin embargo, pocos estudios han aplicado esta técnica a las asanas de yoga específicamente, y aún menos lo han hecho a lo largo de todo el arco temporal de una sesión, desde antes hasta durante y después de la práctica, con una muestra representativa de la población. Para abordar esto, el estudio actual empleó un protocolo de diseño de bloques utilizando fNIRS para examinar la actividad cortical y la conectividad en estado de reposo antes, durante y después de una secuencia estructurada de asanas de yoga. El estudio se llevó a cabo en un entorno naturalista e incluyó a 27 participantes nativos de habla hispana de México, abordando así un vacío significativo en la literatura sobre los efectos del yoga en las poblaciones de habla latina y española. Los participantes tenían edades comprendidas entre los 18 y los 65 años, e incluían tanto hombres como mujeres con una amplia gama de experiencia en yoga, desde principiantes hasta practicantes con hasta 15 años de práctica regular. Todos los participantes informaron que no había condiciones psicológicas o fisiológicas graves que les impidieran completar la sesión de yoga de 23 minutos. Se excluyeron los individuos con trastornos psiquiátricos graves o condiciones físicas que limitaran la movilidad. Si bien los participantes no fueron examinados para detectar patologías médicas específicas como hipertensión o diabetes, se les explicó claramente antes de la sesión que podían detenerse en cualquier momento si se sentían mal o incómodos. Se acordó de antemano que las sesiones incompletas quedarían excluidas del análisis.

De los 30 participantes originales, nadie se retiró debido a molestias durante la práctica de yoga. Sin embargo, tres fueron excluidos del análisis final debido a un ruido excesivo de la señal, probablemente causado por interferencias de hardware o mal funcionamiento del software técnico. Al incluir una muestra demográficamente diversa y representativa y permitir imágenes en tiempo real y tolerantes al movimiento, este estudio mejora tanto la validez ecológica como la generalizabilidad de los hallazgos. Los investigadores y médicos que buscan investigar la dinámica neuronal de las prácticas contemplativas basadas en el movimiento pueden encontrar este método especialmente relevante para aplicaciones en neurociencia cognitiva, ciencia de la rehabilitación e investigación integrativa de la salud mental.

Protocolo

Los procedimientos experimentales se realizaron de acuerdo con la Declaración de Helsinki, revisada y aprobada por la Coordinación para la Innovación y la Aplicación de la Ciencia y la Tecnología (CIACYT) del Comité de Ética de la Universidad Autónoma de San Luis Potosí (CIACYT-CEI-003). Todos los participantes dieron su consentimiento informado firmado.

1. Reclutamiento de participantes y datos demográficos

1. Recluta participantes a través del boca a boca y las plataformas de redes sociales, incluidas Facebook e Instagram. Informar a los posibles participantes sobre los objetivos del estudio, los requisitos y su derecho a retirarse en cualquier momento sin penalización.
2. Recopile información demográfica autoinformada, incluida la edad, el peso, la altura, el sexo biológico, la educación y la experiencia en yoga con entrevistas en persona (Tabla 1). Asigne a cada participante un código numerado único para mantener el anonimato y registre su información en un archivo de hoja de cálculo cifrado.
3. Incluye participantes de entre 18 y 65 años con diferentes niveles de experiencia en asanas de yoga. Excluya a las personas con afecciones neurológicas o psiquiátricas o aquellas que no pueden realizar posturas de yoga debido a limitaciones físicas. Este estudio incluyó a participantes de 18 a 65 años con diferentes niveles de experiencia en asanas de yoga, mientras que excluyó a individuos con afecciones neurológicas o psiquiátricas conocidas, así como a aquellos con limitaciones físicas que les impedirían realizar las posturas de yoga de manera segura. Actualmente, el protocolo no incluye variaciones para los participantes excluidos, aunque explorar tales adaptaciones representa una dirección valiosa para futuras investigaciones.
4. Asegurar que todos los procedimientos cumplan con las directrices éticas institucionales y estén de acuerdo con la Declaración de Helsinki. Todos los participantes dan su consentimiento informado firmado. Informar a los participantes que no recibirán ninguna compensación económica y que pueden finalizar el experimento en cualquier momento.

2. Procedimiento experimental

1. Utilice el dispositivo fNIRS portátil para la recopilación de datos. El dispositivo funciona con longitudes de onda duales de 760 nm y 850 nm, proporcionando luz infrarroja cercana de onda continua para la evaluación de cambios en las concentraciones de hemoglobina oxigenada (HbO) y desoxigenada (HbR). El sistema admite hasta 27 canales y graba a una frecuencia de muestreo de 50 Hz, lo que permite una detección fiable de la activación cortical durante tareas naturalistas.
   1. Prepare la configuración fNIRS colocando las fuentes de luz (S) y los detectores (D) en los soportes de tapas de acuerdo con el diseño de la corteza prefrontal bilateral (PFC) proporcionada por el fabricante (consulte la Figura 1). Garantice una separación fuente-detector (S-D) de 3,0 cm para optimizar la detección de señales corticales.
   2. Además, incluya dos canales de separación corta (1,0 cm) para tener en cuenta y eliminar las señales hemodinámicas superficiales, como el flujo sanguíneo del cuero cabelludo, que pueden confundir las mediciones corticales. El uso de canales de separación corta es un método validado para mejorar la especificidad de la señal mediante el aislamiento de las respuestas hemodinámicas corticales de la contaminación extracerebral¹⁹.
2. Selecciona cuatro asanas de yoga para este estudio que son posturas fundamentales que se practican comúnmente en todos los estilos de Hatha Yoga. Forman el núcleo de la ampliamente conocida secuencia Surya Namaskar (Saludo al Sol), que es mundialmente reconocida y practicada anualmente el 21 de junio durante el Día Internacional del Yoga²⁰. Estas posturas fueron elegidas intencionalmente no solo por su accesibilidad y estandarización en todas las tradiciones del yoga, sino también para permitir una investigación específica sobre los efectos de las inversiones (posturas en las que la cabeza está debajo del corazón) y las extensiones de la espalda en la actividad cerebral, dos formas físicas a menudo recomendadas en los protocolos terapéuticos de yoga para la depresión y los trastornos del estado de ^ánimo.
3. Diseñar la presentación durante el experimento en formato PowerPoint, que además es una guía visual y auditiva para los participantes. Asegúrese de que cada diapositiva muestre la foto y el nombre de una postura, escrito en el idioma nativo del participante (español) con el nombre original en sánscrito entre paréntesis: Postura A (Tadasana), Postura B (Uttanasana), Postura C (Adho Mukha Svanasana) y Postura D (Urdhva Mukha Svanasana).
4. Recorra la presentación a través de imágenes de las posturas B, C y D automáticamente cada 30 segundos en orden aleatorio, mientras el experimentador grita simultáneamente el nombre de la postura en voz alta para reforzar la señal.
5. Organice aleatoriamente las asanas activas, asegurándose de que la postura de referencia esté intercalada entre cada una. Esta disposición proporciona una secuencia equilibrada mientras se mantiene un intervalo variable entre estímulos para reducir los posibles efectos de la práctica y la habituación.
6. Para la gestión de datos y la coherencia, estandarice todos los materiales visuales, incluidas las imágenes y las fuentes, en tamaño y estilo entre los participantes. Dimensione las imágenes de las posturas de yoga de manera adecuada con alta resolución y etiquetas claras tanto en sus nombres nativos españoles como en su sánscrito tradicional.
7. Asegúrese de que cada participante pueda leer y ver claramente el mensaje de la presentación antes de comenzar. A continuación se describen las asanas activas y las asanas basales a realizar:
   Tadasana - Postura de la montaña (postura de referencia): Una postura neutral y de pie.
   Uttanasana - Flexión hacia adelante (postura activa): Un pliegue hacia adelante desde las caderas con la cabeza por debajo del corazón.
   Adho Mukha Svanasana - Perro mirando hacia abajo (postura activa): Una posición en V invertida, con las manos y los pies en el suelo y las caderas elevadas.
   Urdhva Mukha Svanasana - Perro mirando hacia arriba (postura activa): Pecho levantado en una extensión de espalda con la mirada movida hacia arriba.
8. Prepare el área experimental colocando una colchoneta de yoga, un sistema de cuerdas de yoga montado en la pared (ver Tabla de Materiales) y una pantalla de presentación colocada frente al participante, lo suficientemente cerca para una clara visibilidad de las posturas, pero lo suficientemente lejos para evitar obstruir el movimiento. La configuración se ilustra en la Figura 2. Confirme la visibilidad y legibilidad de la pantalla antes de comenzar la sesión.
9. Calibre el sistema fNIRS asegurándose de que todos los componentes, incluidos el tapón, los optodos y el software de registro, estén completamente cargados, funcionen y sean compatibles con el sistema de adquisición de datos. Para calibrar, coloque con precisión los optodes en el cuero cabelludo del participante de acuerdo con el sistema internacional 10-20, asegurando una orientación anatómica consistente de las regiones prefrontales. Ajuste los soportes de la tapa y el optodo para adaptarse a las formas individuales de la cabeza y la densidad del cabello, minimizando la atenuación de la luz y los artefactos de movimiento. Utilice la interfaz de calidad de la señal del sistema (por ejemplo, la relación señal-ruido y el índice de acoplamiento del scalp) para verificar que cada canal cumple con los umbrales recomendados.
   NOTA: Este proceso es esencial para garantizar mediciones hemodinámicas fiables y reproducibles y para minimizar la pérdida de datos o la interpretación errónea debido a un contacto deficiente con el sensor o a la pérdida de señal 16,23,24,25.
10. Con el participante sentado en una silla, asegúrese de que sus pies estén apoyados en el suelo, las manos descansando suavemente en su regazo y su espalda ligeramente apoyada en la silla. Confirme verbalmente que el participante está sentado cómodamente antes de continuar.
11. Utilice un digitalizador 3D, un dispositivo de seguimiento óptico diseñado para capturar la ubicación espacial de los optódos en el cuero cabelludo, para registrar la colocación de la gorra. Este proceso genera coordenadas del Instituto Neurológico de Montreal (MNI), utilícelas para identificar y estandarizar las regiones anatómicas del cerebro subyacentes a cada canal de medición.
    NOTA: La digitalización precisa garantiza la coherencia entre los participantes y permite un mapeo preciso de los datos fNIRS en estructuras corticales para el análisis a nivel de grupo.
12. Asegure la tapa del optótodo con la correa de la barbilla y ajuste manualmente cada optótodo separando suavemente el cabello con un palo de bambú para asegurar el contacto directo con el cuero cabelludo (Figura 3A). La Figura 3B muestra el cabello obstruyendo el optodo, mientras que la Figura 3C ilustra la eliminación exitosa de la obstrucción con un palo de bambú. Utilice el módulo de valores DAQ en el software de adquisición para evaluar la calidad de la señal. Confirme siempre la comodidad del participante preguntando si hay algún dolor o molestia y ajuste las posiciones del optódico según sea necesario para optimizar la claridad de la señal sin comprometer la comodidad.
    NOTA: Según las observaciones empíricas durante el proceso de medición, este paso puede tardar hasta 30 minutos, dependiendo del tipo de cabello del participante. Las personas con cabello grueso, oscuro o rizado a menudo requieren tiempo y ajustes adicionales para garantizar el contacto adecuado entre el optódio y el cuero cabelludo. En estos casos, se encontró que asegurar el capuchón fNIRS con un vendaje quirúrgico era eficaz para mantener la colocación estable del optodo. Los participantes que llegaron con gel en el cabello presentaron más desafíos, ya que el producto interfirió con la adherencia al optodo. A través de prueba y error, observamos que crear una cola de caballo apretada o usar horquillas para mantener el cabello en su lugar era más efectivo que confiar en cualquier tipo de fijador de cabello. Estos ajustes mejoraron significativamente la calidad de la señal y la fiabilidad de los datos.

3. Estado de reposo, diseño de bloques de asanas de yoga y práctica de medición

NOTA: Como se ilustra en la Figura 4, cada una de las posturas dinámicas (B, C, D) se mantuvo durante 30 s y se intercaló con la Postura A como condición de referencia, mantenida durante 25-30 s. Esta línea de base sirvió como punto de referencia fisiológico para aislar y comparar la actividad cerebral específica de las otras poses. Para minimizar la fatiga y garantizar que el estudio se centrara en la forma en lugar del esfuerzo, los participantes fueron apoyados en cada postura utilizando cuerdas Kurunta, un método del Yoga Iyengar terapéutico que permite mantener las posturas sin esfuerzo. Además, se registraron las mediciones del estado de reposo durante 6 minutos antes y después de la secuencia de asanas, durante los cuales los participantes se sentaron con los ojos cerrados para capturar la conectividad cerebral antes y después de la práctica.

1. Conecte la tapa fNIRS al software mediante Bluetooth para monitorear la adquisición de señal en tiempo real durante los estados previos y posteriores al descanso, así como durante la práctica de asanas de yoga.
2. Con el gorro fNIRS sujeto de forma segura en su lugar mientras los participantes se sientan en una silla, realice la medición del estado de reposo previo a la asana. Indique a los participantes que se relajen con los pies en el suelo, las manos en el regazo y que se queden quietos con los ojos cerrados durante 6 minutos. Recopile datos fNIRS a 25 Hz.
   1. Para garantizar un movimiento mínimo y asegurarse de que las mediciones sean del estado de reposo y no de un estado de sueño, informe a los participantes que no levanten las cejas ni se rasquen la cara durante el estado de reposo. Además, pídales que eviten quedarse dormidos y verifique si esto ocurrió preguntándoles si se durmieron después de completar el estado de reposo.
3. Después de completar el primer estado de descanso, retire la silla y haga que los participantes se pongan de pie y se aseguren de que todavía haya una señal clara. Indique a los participantes que sigan y realicen la presentación preprogramada con las instrucciones del paradigma a medida que avanza automáticamente.
4. Proporcione orientación verbal a los participantes durante la presentación y registre manualmente los marcadores de postura predeterminados, etiquetados como A, B, C y D, a medida que cada diapositiva hace la transición. Estos marcadores corresponden a fases específicas de la secuencia de yoga y se utilizaron para segmentar los datos fNIRS para su análisis: A indica la postura basal (Tadasana), mientras que B, C y D representan las posturas activas posteriores (Uttanasana, Adho Mukha Svanasana y Urdhva Mukha Svanasana, respectivamente), como se describe en la Figura 4. Los marcadores se registraron manualmente utilizando la función de anotación de eventos en el software de adquisición (OxySoft, Artinis Medical Systems) en el momento en que se presentaba cada diapositiva de postura y el participante pasaba a la postura. Este marcaje manual de eventos ha sido ampliamente utilizado y validado en estudios fNIRS para facilitar el análisis de las respuestas hemodinámicas bloqueadas por estímulos 23,24,25.
5. Después de la medición, revise que se utilizaron los marcadores correctos durante el proceso de medición haciendo coincidir las marcas de tiempo marcadas manualmente con las marcas de tiempo de presentación automática para garantizar un etiquetado de datos preciso.
6. Asegúrate de que el tapón fNIRS aún esté bien colocado y que la señal aún sea clara, haz que los participantes se sienten en una silla para realizar la medición del estado de reposo posterior a asana. Indique a los participantes que se relajen con los pies en el suelo, las manos en el regazo y que se queden quietos con los ojos cerrados durante 6 minutos. Recopile datos fNIRS a 25 Hz.
7. Puede tomar de 2 a 5 minutos después de asana para asegurarse de que la configuración de fNIRS esté correctamente calibrada sin interferencia de señal antes de realizar el estado de reposo posterior a asana. Proporcione la misma instrucción a los participantes que en la medición del estado de reposo previo para garantizar un movimiento mínimo y asegurarse de que las mediciones sean de estado de reposo y no de sueño.

4. Análisis de datos fNIRS de la función de respuesta hemodinámica durante las asanas de yoga

NOTA: La espectroscopia funcional de infrarrojo cercano (fNIRS) mide los cambios en la hemodinámica cortical a través de dos parámetros principales: hemoglobina oxigenada (HbO) y hemoglobina desoxigenada (HbR). Estos biomarcadores son correlatos vasculares de la actividad neuronal mediada por el principio de acoplamiento neurovascular. El aumento de la activación neuronal da como resultado un aumento de la tasa de consumo de oxígeno, sobrecompensado por un flujo sanguíneo cerebral regional elevado, lo que generalmente resulta en un aumento simultáneo de HbO y una disminución de HbR. En este estudio, ambos parámetros se registraron utilizando un sistema fNIRS multicanal para cuantificar las respuestas hemodinámicas durante la práctica de asanas de yoga. La medición de los valores medios de HbO proporciona un indicador robusto y fiable de la activación, especialmente durante las tareas basadas en el movimiento, ya que es menos sensible al ruido y a las hipótesis de modelización que los coeficientes beta derivados del modelo ²⁶. Sin embargo, aunque a menudo se prioriza el HbO debido a su mayor relación señal-ruido, la incorporación de HbR es fundamental para mejorar la interpretación fisiológica de los datos. Las señales de HbR complementan la HbO al ofrecer información sobre la respuesta metabólica del cerebro y la dinámica de extracción de oxígeno²⁷. El análisis simultáneo de HbO y HbR ayuda a evitar la simplificación excesiva y refuerza la validez de los patrones neuronales observados ²⁸.

1. Para evaluar la función de respuesta hemodinámica (HRF) durante las asanas de yoga, comience por convertir los datos brutos de espectroscopia funcional de infrarrojo cercano (fNIRS) en densidad óptica (O.D.) y procéselos utilizando la caja de herramientas HOMER 3 (RRID:SCR_009586). Utilice la ley de Beer-Lambert modificada (MBLL) para calcular los cambios en las concentraciones de HbO y HbR, según la ecuación ²⁹.
   
   MBLL explica las propiedades de dispersión del tejido biológico y relaciona los cambios en la absorción de luz (ΔA) con los cambios en la concentración de cromóforos (Δμ_a), lo que permite la cuantificación de la dinámica de la hemoglobina a partir de la intensidad de luz medida. r_sd denota la distancia fuente-detector y DPF es el factor de longitud de camino diferencial. Esta aproximación lineal permite estimar los cambios relativos en la concentración de hemoglobina oxigenada y desoxigenada. Incluir regresión de canal corto para minimizar la influencia de la actividad vascular superficial y aislar mejor las señales corticales.
2. Analice los datos en MATLAB. Calcule los promedios de bloques para cada participante, canal y condición para mantener la coherencia. Comience el control de calidad excluyendo lecturas con fluctuaciones significativas de densidad óptica, bajas relaciones señal-ruido (SNR) o grandes distancias fuente-detector. Utilice la función hmrR_PruneChannels y ajuste parámetros como un rango válido de 1 x ^10-7 a 1 x 10⁷, un umbral SNR de 2 y una distancia fuente-detector de 0,45 mm a 45 mm.
3. Detecte artefactos de movimiento para cada canal con la función hmrR_MotionArtifactByChannel. Marca segmentos si la amplitud de la señal supera 0,5 (AMPthresh) o si la desviación estándar aumenta en más de un factor de 15 (SDthresh) dentro de una ventana de tiempo de 1 s (tMotion). Excluya los segmentos marcados, cada uno de los cuales dura 1 s (tMask).
4. Aplique un Modelo Lineal General (GLM) con una ventana de tiempo que abarque desde 2 s antes hasta 23 s después del inicio del estímulo. El GLM es un método estadístico utilizado para explicar la variación en un conjunto de datos observados modelándolos como una combinación de una o más variables conocidas (predictores) y un término de error. Estima cuánto contribuye cada predictor al resultado observado, lo que permite a los investigadores aislar los efectos del interés al tiempo que tiene en cuenta el ruido. En este contexto, utilice el GLM para aplicar regresores de tramo corto (SS) a canales de tramo largo (LS) para reducir el ruido fisiológico sistémico y aislar con mayor precisión la actividad cerebral para la estimación de la función de respuesta hemodinámica (HRF) 19,30,31,32,33,34.
5. Resuelve el GLM usando mínimos cuadrados ordinarios. Para abordar aún más los artefactos de movimiento, aplique el análisis de correlación canónica (TCCA) integrado regularizado con los datos de estado de reposo de los participantes (30-210 s) como regresor³⁵. Después de esto, estime las HRF para cada canal, condición y participante, lo que garantiza estimaciones confiables de la respuesta neuronal con una relación señal-ruido mejorada.
6. Utilice Origin para realizar un ANOVA de medidas repetidas de un factor. Evaluar las diferencias en los valores medios de HbO a través de canales largos comparando la postura basal A (Tadasana), una postura de pie neutral que promueve la alineación y la estabilidad, con la postura B (Uttanasana), un pliegue hacia adelante de pie en el que la cabeza se coloca debajo del corazón, clasificándola como una inversión; postura C (Adho Mukha Svanasana), comúnmente conocida como Perro Boca Abajo, una postura semi-invertida que alarga la columna vertebral y activa la parte superior del cuerpo; y la postura D (Urdhva Mukha Svanasana), o Perro Mirando hacia Arriba, una extensión de la espalda que abre el pecho y fortalece la cadena posterior.
7. Evalúe las diferencias entre las posturas B, C y D. Verifique la distribución normal de los datos utilizando la prueba de Shapiro-Wilk. Realice comparaciones post-hoc por pares con correcciones de Bonferroni para múltiples pruebas, utilizando un umbral de valor p de <0,05 para la significación. Calcule los tamaños del efecto para las diferencias significativas en la respuesta de HbO utilizando la d^36,37 de Cohen.

5. Análisis de datos fNIRS de la conectividad funcional en estado de reposo

1. Para analizar la conectividad funcional en estado de reposo (rsFC), evalúe la conectividad dentro de cada hemisferio (intrahemisférica) y entre hemisferios (interhemisférica) para cada participante. Basar esto en la dependencia estadística entre series temporales, lo que refleja la co-activación de regiones cerebrales.
   NOTA: La medición de rsFC proporciona información sobre la organización funcional intrínseca del cerebro en ausencia de estímulos externos y se reconoce cada vez más como una herramienta valiosa para identificar alteraciones neuronales sutiles y biomarcadores de función o disfunción. Investigaciones anteriores han demostrado que los patrones de rsFC se han propuesto como biomarcadores predictivos de la respuesta al tratamiento con antidepresivos en pacientes con trastorno depresivo mayor,^{lo que subraya} la utilidad del análisis del estado de reposo en la captura de firmas neuronales similares a rasgos. Al evaluar la conectividad intra e interhemisférica, este enfoque permite una comprensión más completa de la integración funcional y la lateralización del cerebro, particularmente en el contexto de intervenciones como el yoga, que pueden modular estas redes de estado de reposo^38,39.
2. Seleccione un período de estado de reposo de 6 minutos para el análisis, ya que se encuentra dentro del rango comúnmente aceptado de 5 a 10 minutos, con suficientes rsFC generalmente alcanzados después de 5 minutos 26,27,28,35. Aproveche los niveles de ruido reducidos durante las mediciones en estado de reposo en comparación con las asanas activas para evaluar las concentraciones de HbO, HbR y HbT 34,40,41.
3. Comience por identificar y corregir los artefactos de movimiento en los datos. Una vez corregido, se aplica un filtro de paso de banda (0,009-0,08 Hz) a la serie temporal para aislar el rango de frecuencia de conectividad funcional, y luego se convierten las señales filtradas en concentraciones de hemoglobina utilizando la ley de Bouguer-Beer-Lambert modificada para su posterior análisis 40,42,43. Concéntrese en los puntos de tiempo libres de artefactos de movimiento (utilizando la función MotionArtifactByChannel) para preservar la integridad de la conectividad interhemisférica⁴⁴.
4. Para tener en cuenta las fluctuaciones espontáneas comunes a todos los canales, aplique la regresión de señal de canal de separación corta (SSC). Comience por calcular el curso de tiempo promedio en todos los SSC, luego retroceda la señal de SSC de la serie de tiempo fNIRS medida utilizando el método de regularización de Tikhonov⁴².
5. Utilice las series temporales residuales resultantes para construir matrices de conectividad mediante el cálculo de las correlaciones de Pearson entre todos los pares de canales.
6. Para la conectividad intrahemisférica, calcule los coeficientes de correlación promedio entre los canales dentro del hemisferio izquierdo y dentro del hemisferio derecho por separado. Para la conectividad interhemisférica, calcule las correlaciones promedio entre cada canal y su contraparte contralateral³⁹.
7. Al realizar un análisis estadístico, transforme los valores r de Pearson en puntuaciones z de Fisher antes de realizar las pruebas de Wilcoxon-Mann-Whitney. Corrija las comparaciones múltiples mediante el método de tasa de detección falsa (FDR).
   NOTA: El código y los datos que se utilizaron en este estudio están disponibles abiertamente en Zenodo⁴⁵ en https://zenodo.org/records/11098997 con DOI: 10.5281/zenodo.11098996.

Resultados

El análisis preliminar de los canales activos reveló diferencias significativas entre la postura de control A y las posturas B y C (Figura 5A-B). A continuación, se realizó un ANOVA de medidas repetidas de un factor para evaluar las diferencias estadísticas en los valores medios de HbO de la función de respuesta hemodinámica (HRF) estimada en todos los canales utilizando el paquete de software Origin(Pro), versión 2018. El supuesto de normalidad se evaluó me...

Discusión

Este estudio utilizó fNIRS para evaluar la actividad de PFC durante una práctica estructurada de asanas de yoga, enfatizando las consideraciones metodológicas clave y los avances en neuroimagen del mundo real. Los elementos críticos del protocolo incluían la colocación precisa del optótodo fNIRS, con un espaciado óptimo entre la fuente y el detector (3,0 cm) y un acoplamiento adecuado entre el optódico y el cuero cabelludo para garantizar una adquisición precisa de la señal. Un diseño de...

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Digitalizador 3D	Artinis Medical	DGT-456	Se utiliza para la colocación de mayúsculas y la asignación de regiones
Dispositivo Brite MKII fNIRS	Artinis Medical	BR-MK2	Instrumento fNIRS portátil para datos PFC
Esterilla de yoga Harmony 3/16" (5 mm) de grosor 68" (173 cm)	Jade	HAR368	Superficie estable para practicar asanas
HOMER 3 Software	Centro de Neurofotónica de la Universidad de Boston (código abierto)	Homero v1.54	Para el preprocesamiento de datos fNIRS
Origin(Pro) Software	Laboratorio de origen	ORG-2023	Análisis estadístico de datos
Oxysoft Software	Artinis Medical	OXY-001	Adquisición de señales en tiempo real
Cuerdas de algodón Piola de 12 mm	Suministros de lona	N/A	Parte del sistema de cuerdas de yoga montado en la pared
Configuración de presentación de PowerPoint	Microsoft	N/A	Para imágenes instructivas
Gancho de acero inoxidable	Homheal	LIUXI-050	Parte del sistema de cuerdas de yoga montado en la pared
Sistema de cuerda de yoga montado en la pared	Hecho a medida	N/A	Ayuda para posturas de yoga