May 10th, 2017
Este manuscrito describe cómo usar el índice de entropía wavelet para analizar datos de electroencefalografía de alta densidad (EEG) y electrocardiograma (ECG). Mostramos que la irregularidad de las actividades cerebrales y cardíacas se coordinó durante la práctica de reducción del estrés basada en la atención plena.
El objetivo general de este experimento de EEG es utilizar el índice de entropía wavelet para analizar datos de EEG y ECG de alta densidad. Demostramos que la irregularidad de las actividades cerebrales y cardíacas se volvió más coordinada durante la práctica de reducción del estrés basada en la atención plena. Este método puede ayudar a responder las preguntas de la neurociencia y la psicología sobre cómo medir y comparar las actividades caóticas de la mente y el corazón durante la práctica de la atención plena.
La singularidad de este método es la creación de un índice común utilizando el análisis de entropía de ondículas para medir las actividades caóticas del cerebro y el corazón, de modo que su relación pueda analizarse y compararse de manera efectiva. Una variedad de tradiciones religiosas y espirituales creen que el cuerpo y la mente están coordinados de alguna manera. Sin embargo, los científicos han tenido dificultades para demostrarlo porque no pueden encontrar un índice común para comparar los dos.
Este método también puede proporcionar información sobre el mecanismo de funcionamiento de cómo la atención plena y otros entrenamientos mentales pueden modular las actividades del cerebro y el corazón. Primero tuvimos la idea de usar la entropía de ondículas para explorar la correlación entre el cerebro y el corazón cuando descubrimos que la entropía de ondículas es sensible a las acciones en las diferentes condiciones mentales. Además de Junling y Jicong, Hang Kin, de mi laboratorio, ayudará con la demostración de estos procedimientos.
Él también será nuestro sujeto durante las manifestaciones. Comience acompañando al participante a una sala tranquila de electroencefalografía o EEG. Para llevar a cabo la grabación, reúna un sistema de EEG de 128 canales que consta de una gorra de EEG, un amplificador, una caja de entrada y una computadora de escritorio.
A continuación, utilice hisopos con alcohol para limpiar el área de la cara y la mastoides del participante. Mida la circunferencia de la cabeza del participante con una cinta métrica y luego elija una gorra del tamaño adecuado. Tome una medida desde el nasion hasta el inion y otra medida en la parte superior de las orejas y sobre el cuero cabelludo.
Marque el vértice, el punto a media distancia entre el nasion y el inion a media distancia entre las dos orejas, con un rotulador suave. A continuación, configure las posiciones de los electrodos de acuerdo con el sistema de electrodos 10-5. Coloque la tapa de tal manera que el electrodo Cz esté por encima del vértice, el electrodo Nz esté en la nasión, el electrodo Lz esté en el pión, el electrodo RM esté en la mastoides derecha y el electrodo LM esté en la mastoides izquierda.
Llene los portaelectrodos con gel con una jeringa de punta roma. A continuación, coloque los electrodos de ECG en las fosas infraclaviculares izquierda y derecha. Mantenga la impedancia por debajo de 20 kiloohmios para cada electrodo.
Reduzca la impedancia ajustando la colocación del electrodo para aumentar el contacto con el cuero cabelludo y agregue más gel si es necesario. A continuación, registre los datos del EEG al comienzo del curso de reducción del estrés basado en la atención plena, o MBSR. Pida al participante que realice una breve exploración corporal para relajar todo el cuerpo pidiéndole que preste atención a su respiración mientras inhala y exhala.
Finalmente, haga que cada participante realice 10 minutos de respiración consciente MBSR y 10 minutos de descanso normal durante la recopilación de datos de EEG para generar un conjunto de datos de entrenamiento previo a MBSR con dos condiciones. A continuación, repita este procedimiento de EEG después de dos meses para generar un conjunto de datos de entrenamiento posterior a MBSR con dos condiciones. Comience abriendo el software de EEG y cargando el conjunto de datos y, a continuación, seleccione Herramientas y Cambiar frecuencia de muestreo para volver a muestrear los datos.
A continuación, seleccione Herramientas, Filtrar los datos y Filtro FIR básico para utilizar el filtro Respuesta a impulsos finitos para el filtrado de paso de banda con una banda de paso de 0,5 a 100 hercios. Para reducir el ruido debido a la corriente alterna de la red, seleccione Herramientas, Filtrar los datos y Filtro IIR no lineal corto para utilizar el filtro de respuesta a impulsos infinitos no lineal corto para el filtrado de muescas con una banda de parada de 47 a 53 hercios. A continuación, seleccione Trazar y canalizar datos dentro del software de EEG para desplazarse visualmente e inspeccionar la señal de EEG.
A continuación, haga clic con el botón izquierdo y arrastre el ratón sobre los segmentos defectuosos para resaltar y eliminar los segmentos de EEG que contienen ruido muscular obvio y cualquier otro evento extraño. Después de cualquier eliminación de segmentos incorrectos, determine si hay canales incorrectos. Vuelva a construir cada canal incorrecto utilizando el método de interpolación esférica seleccionando Herramientas e Interpolar canal.
A continuación, seleccione Herramientas y Ejecutar ICA para realizar un análisis de componentes independiente en los datos. A continuación, identifique visualmente los componentes correctos y descarte los componentes del movimiento ocular y el parpadeo, los movimientos musculares y los componentes de otro ruido posible seleccionando Herramientas, Rechazar datos mediante ICA, seguido de Rechazar componentes por mapa y, a continuación, Herramientas y Eliminar componentes. Por último, seleccione Herramientas y Rereferencia para volver a referenciar los datos al promedio de todos los canales antes de realizar un análisis más detallado.
Luego, use la fórmula que se ve aquí para calcular los coeficientes de ondícula, para definir la energía relativa y calcular la entropía de ondículas. En el análisis del espectro de los datos de EEG, en comparación con el reposo normal, hubo un aumento de las ondas alfa y beta y una reducción de las ondas delta durante la respiración consciente MBSR. Además, el análisis de la fuente muestra que las principales regiones del cerebro afectadas por el entrenamiento de atención plena MBSR estaban en el giro occipital izquierdo, el precúneo derecho, el giro temporal medio y el fusiforme izquierdo.
Por último, las entropías del cerebro y el corazón se correlacionaron significativamente durante la respiración consciente MBSR, pero no durante el descanso normal. Una vez dominado, el procedimiento se puede realizar en una semana si se realiza correctamente. Cuando intente este procedimiento, vale la pena señalar que todos los pasos de detección adecuados son esenciales para lograr los resultados esperados.
Siguiendo este procedimiento, podemos averiguar si otros entrenamientos y prácticas mentales, como el canto, la oración, el yoga, el tai chi y ejercicios contemplativos similares, pueden mejorar el arrastre del cuerpo y la mente. Después de ver este video, deberías tener una buena comprensión de cómo usar la entropía de ondículas para medir y explorar la relación entre las actividades eléctricas del cerebro y el corazón durante las meditaciones de atención plena.
Este manuscrito describe el uso del índice de entropía de ondículas para analizar datos de electroencefalografía (EEG) de alta densidad y electrocardiografía (ECG). El estudio demuestra que la irregularidad de las actividades cerebrales y cardíacas se vuelve más coordinada durante la práctica de reducción del estrés basada en la atención plena.
Establishing objective biomarkers for mind-body coordination addresses a critical gap in neuropsychiatric target validation, where subjective endpoints limit predictive confidence in CNS drug development. This methodology provides a quantitative, electrophysiology-based framework to assess mechanistic engagement of mindfulness-modulated pathways, supporting de-risking of neuropsychiatric indications. By enabling cross-modal correlation analysis between neural and autonomic outputs, it enhances translational continuity from early discovery to preclinical validation.
The method integrates into discovery workflows by providing a mechanistic readout for early target validation, progressing through assay development to preclinical evaluation of CNS-active compounds influencing autonomic regulation.