Article de méthode

Chants religieux et régions cérébrales auto-liées : une étude de neuroimagerie multimodale

2.1K vues

⸱

DOI :

10.3791/66221

⸱

31 mai 2024

 ,  ,  ,  ,  ,  , 
1Buddhist Practices and Counselling Science Lab, Centre of Buddhist Studies, The University of Hong Kong, 2Department of Biological and Medical Psychology, Faculty of Psychology, University of Bergen, 3Department of Social Work and Social Administration, The University of Hong Kong, Hong Kong

Dans cet article

Résumé

Ici, nous présentons un protocole pour étudier les corrélats neurophysiologiques de diverses formes de méditation, y compris le chant religieux. Cette méthode intègre de manière unique les résultats des vecteurs propres de l’IRMf pour la sélection de régions dans l’analyse des sources d’électroencéphalogramme (EEG) à l’aide du clustering k-means. Les résultats fournissent une compréhension approfondie des processus neuronaux impliqués dans les chants religieux répétitifs.

Résumé

Ce protocole présente une approche de neuroimagerie multimodale pour explorer l’activité cérébrale potentielle associée aux chants religieux répétitifs, une forme répandue d’entraînement de l’esprit dans les cultures orientales et occidentales. L’électroencéphalogramme (EEG) à haute densité, avec sa résolution temporelle supérieure, permet de capturer les changements dynamiques de l’activité cérébrale pendant les chants religieux. Grâce aux méthodes de localisation des sources, celles-ci peuvent être attribuées à diverses sources potentielles alternatives de régions cérébrales. Vingt pratiquants de chant religieux ont été mesurés par EEG. Cependant, la résolution spatiale de l’EEG est moins précise que celle de l’imagerie par résonance magnétique fonctionnelle (IRMf). Ainsi, un praticien très expérimenté a subi une séance d’IRMf pour guider plus précisément la localisation de la source. Les données d’IRMf ont aidé à guider la sélection de la localisation de la source EEG, ce qui a rendu le calcul des moyennes K de la localisation de la source EEG dans le groupe de 20 praticiens intermédiaires plus précis et plus fiable. Cette méthode a amélioré la capacité de l’EEG à identifier les régions cérébrales spécifiquement engagées pendant le chant religieux, en particulier le rôle cardinal du cortex cingulaire postérieur (CCP). Le PCC est une zone cérébrale liée à la concentration et au traitement autoréférentiel. Ces résultats de neuroimagerie multimodale et neurophysiologiques révèlent que les chants religieux répétitifs peuvent induire une centralité plus faible et une puissance d’onde delta plus élevée par rapport aux chants non religieux et aux conditions d’état de repos. La combinaison de l’IRMf et de l’analyse de la source EEG permet de mieux comprendre la réponse du cerveau aux chants religieux répétitifs. Le protocole contribue de manière significative à la recherche sur les mécanismes neuronaux impliqués dans les pratiques religieuses et méditatives, qui prend de plus en plus d’importance de nos jours. Les résultats de cette étude pourraient avoir des implications importantes pour le développement de futures techniques de neurofeedback et d’interventions psychologiques.

Introduction

Le chant religieux, une pratique très populaire dans les cultures orientales, est souvent comparé à la prière dans les sociétés occidentales1. Malgré sa prévalence, les recherches scientifiques sur les corrélats neuronaux du chant religieux restent plutôt limitées. Des techniques sophistiquées d’électrophysiologie et de neuroimagerie multimodales ont été utilisées dans cette étude pour combler cette lacune dans les connaissances et pour explorer les associations neuronales du chant du Bouddha Amitābha, l’une des traditions religieuses les plus répandues et l’une des plus anciennes activement préservées 2,3. Les chants religieux répétitifs peuvent servir de technique efficace dans le conseil bouddhiste pour aider à apaiser l’esprit des pensées et des émotions turbulentes.

Compte tenu de la haute résolution spatiale de l’imagerie par résonance magnétique fonctionnelle (IRMf), elle peut être appliquée pour surmonter les limites des études EEG traditionnelles4. En combinant l’IRMf et le regroupement de sources d’électroencéphalogramme (EEG) via l’analyse en composantes indépendantes (ICA), l’étude identifie et regroupe les composantes indépendantes de l’activité cérébrale chez les participants. Cette méthode introduit une nouvelle stratégie pour identifier les signaux provenant de sources EEG mixtes ou de sources disparates entre les participants, ce qui s’est avéré difficile en raison des différences dans l’anatomie du cerveau et le placement des électrodes.

La forme de chant religieux répétitif qui a été étudiée avec ce protocole implique la récitation répétitive du nom du Bouddha Amitābha. C’est aussi une pratique méditative qui a été rapportée pour susciter des sensations de béatitude et des expériences transcendantales. Parmi les différentes pratiques bouddhistes, la pratique de la chante du Bouddha Amitābha est simple et facilement accessible. Cette pratique promet une renaissance dans la Terre Pure pour tous ceux qui invoquent sincèrement ce nom, qui présente des similitudes avec certaines traditions de la religion occidentale 1,3.

Grâce à la neuroimagerie multimodale, cette étude vise à fournir une compréhension complète des corrélats neuronaux des chants religieux répétitifs. Le protocole peut contribuer au domaine en plein essor de la recherche sur les effets neurophysiologiques des différentes pratiques religieuses et méditatives.

L’étude a émis l’hypothèse que les chants religieux répétitifs entraîneraient des changements significatifs du signal dans les régions du cerveau responsables des processus auto-liés. De plus, étant donné les émotions positives attribuées au Bouddha Amitābha, nous avons émis l’hypothèse que des changements émotionnels se produiraient pendant le chant religieux. Ces changements effectifs sont susceptibles de coïncider avec des modifications des indicateurs physiologiques périphériques, tels que les variations des indices de variabilité de la fréquence cardiaque (VFC) multibandes et de la fréquence respiratoire5.

Protocole

L’approbation éthique de l’étude a été obtenue de l’Université de Hong Kong avant l’expérience. Tous les participants avaient signé un formulaire de consentement écrit avant de participer aux expériences EEG et IRMf.

1. Sélection et préparation des participants

  1. Recrutez des participants qui ont au moins 1 an d’expérience méditative dans le chant religieux du Bouddha Amitābha pendant un minimum de 15 minutes par jour. Assurez-vous que la tranche d’âge se situe entre 40 et 52 ans. Estimez le nombre de participants par analyse de puissance. Dans la présente étude, 21 participants ont été recrutés.
    REMARQUE : L’analyse de puissance a été effectuée sur la base des tailles d’effet observées dans les études pilotes et de la littérature existante sur les études EEG et IRMf de la méditation. En général, la conception intra-sujet a un meilleur pouvoir de différencier différentes conditions, étant donné que la variation entre les sujets est généralement plus grande.
  2. Informez les participants de l’objectif de l’étude et des procédures impliquées.
  3. Assurez-vous que les participants ne sont pas déprimés à l’aide de l’inventaire de la dépression de Beck.
  4. Assurez-vous que les participants sont en bonne santé et qu’ils ne sont pas sous l’influence de substances susceptibles d’affecter leurs réponses physiologiques.
    REMARQUE : Les critères d’exclusion comprennent la dépression, la pathologie neuropsychiatrique ou le fait d’être sous l’influence de l’alcool ou de substances psychoactives. De plus, les critères d’exclusion spécifiques à l’IRM comprennent la présence d’un stimulateur cardiaque, d’implants cérébraux profonds ou d’implants métalliques qui ne sont pas compatibles avec un contrôle IRM.
  5. S’assurer que les participants sont aptes à assister à l’étude EEG/électrocardiogramme (ECG)/IRM.
    REMARQUE : Les données EEG et IRM ont été enregistrées séparément. La durée de collecte des données différait entre l’EEG et l’IRMf afin d’optimiser la qualité des données pour chaque modalité, compte tenu de la fatigue et du confort des participants. Notre étude pilote a révélé que l’IRMf est plus sensible à la mise en évidence de corrélats neuronaux, tandis que les données EEG comportaient généralement de mauvais segments ou d’autres artefacts et nécessitaient une durée légèrement plus longue pour garantir suffisamment de données pour l’analyse finale. Ainsi, le temps de l’EEG était légèrement plus long que le temps de l’IRM. Différentes postures lors de la collecte des données EEG et IRMf ont été nécessaires en raison des contraintes de chaque modalité d’imagerie. Les conditions ont été randomisées à l’aide d’un calendrier de randomisation généré par ordinateur pour contrôler les effets d’ordre. La séquence n’était pas la même entre l’EEG et l’IRMf.

2. Acquisition et analyse de données EEG

  1. Configurez l’EEG à 128 canaux et l’équipement d’enregistrement de plusieurs données physiologiques selon les instructions du fabricant.
  2. Assurez-vous que les participants se lavent soigneusement les cheveux avant de commencer l’acquisition des données EEG/ECG.
  3. Demandez aux participants de se détendre et de s’asseoir confortablement.
  4. Présentez l’expérience aux participants.
  5. Demandez au participant de faire une version d’essai de l’expérience.
  6. Acquérez des données EEG pendant que chaque participant se trouve dans trois conditions différentes : chanter le Bouddha Amitābha, chanter le Père Noël et se reposer, le tout les yeux fermés. Enregistrez 10 minutes de données EEG dans chaque condition.
  7. Enregistrez et étiquetez les données de manière appropriée pour chaque participant.
  8. Assurez-vous que les données sont stockées en toute sécurité à l’aide de sauvegardes.

3. Acquisition de données IRM

  1. Préparez un scanner IRM 3.0 T et assurez-vous qu’il fonctionne correctement avant de commencer l’acquisition des données. Assurez-vous que le participant est à l’aise et qu’il comprend la procédure avant de commencer l’examen.
  2. Commencez par une séquence de balayage pondérée T1 avec les paramètres suivants : champ de vision (FoV) = 256 mm × 150 mm × 240 mm, matrice d’acquisition = 256 × 256, temps de répétition (TR) = 15 ms, temps d’écho (TE) = 3,26 ms, angle de retournement = 25°, épaisseur de la tranche = 1,5 mm, nombre de tranches = 100, résolution du voxel (x,y,z,) = 0,94 mm × 1 mm × 1,5 mm.
  3. Obtenez des images IRMf avec l’imagerie par écho-plan de gradient (EPI) à l’aide d’une bobine de tête SENSE à 8 canaux. Réglez les paramètres de séquence comme suit : FoV = 230 mm × 140 mm × 230 mm, matrice d’acquisition = 64 × 64, TR = 2000 ms, TE = 30 ms, angle de retournement = 90°, nombre de tranches = 32, épaisseur de la tranche = 3 mm et écart entre les tranches = 1,5 mm.
  4. Démarrez l’acquisition des données d’IRMf pendant que chaque participant est sous trois conditions : chant religieux, chant non religieux et état de repos. Enregistrez les données pour la durée de chaque condition : chaque condition comprenait 243 volumes dynamiques, d’une durée totale de 8,1 min.

4. Acquisition de données physiologiques

  1. Mettre en place le système d’acquisition de données physiologiques pour recueillir des données cardiaques, respiratoires et autres données physiologiques selon les instructions du fabricant.
    REMARQUE : Les données EEG et physiologiques ont été acquises en même temps.
  2. Fixez trois électrodes ECG sur la main gauche et la main droite et le pied gauche, respectivement.
  3. Installez deux ceintures respiratoires sur le participant, l’une pour mesurer l’haleine mammaire et l’autre pour mesurer l’haleine abdominale.
  4. Surveiller la réponse galvanique de la peau (GSR) et les niveaux de saturation en oxygène des participants.
  5. Commencez l’acquisition des données en même temps que la collecte des données EEG pendant que chaque participant est sous trois conditions : chanter le Bouddha Amitābha, chanter le Père Noël et se reposer, le tout les yeux fermés.
  6. Enregistrez et étiquetez les données de manière appropriée pour chaque participant. Assurez-vous que les données sont stockées en toute sécurité et qu’elles sont suffisamment bonnes pour une analyse plus approfondie.

5. Analyse des données EEG

  1. Traitez et analysez les données EEG à l’aide d’un logiciel approprié. Ici, un logiciel open source EEGLAB a été utilisé.
  2. Chargez les données dans le programme. Cliquez sur Fichier > charger un ensemble de données existant.
  3. Rééchantillonnez les données de 1000 Hz à 250 Hz en cliquant sur Outils > Modifier la fréquence d’échantillonnage.
  4. Filtrez les données à l’aide d’un filtre FIR (Finite Impulse Response) avec une bande passante de 0,1 à 100 Hz en cliquant sur Outils > Filtrer les données > filtre FIR de base.
  5. Filtrez à nouveau les données avec un filtre coupe-bande avec une bande d’arrêt de 47-53 Hz pour supprimer le bruit de courant alternatif. Cliquez sur Outils > Filtrer les données et sélectionnez l’option Filtre d’encoche les données au lieu de passer la bande.
  6. Inspectez visuellement les données pour éliminer les artefacts tels que les mouvements oculaires et musculaires en cliquant sur Tracer > les données de canal (défilement).
    REMARQUE : Les canaux d’électro-oculographie (EOG) désignés peuvent être utilisés comme référence.
  7. Inspectez visuellement les données pour noter les canaux défectueux à supprimer.
  8. Appliquez une interpolation sphérique basée sur les canaux environnants pour reconstruire les canaux défectueux en cliquant sur Outils > Interpoler les électrodes et en sélectionnant l’un des canaux de données.
  9. Exécutez l’analyse en composantes indépendantes (ICA) à l’aide de l’algorithme runica. Pour cela, cliquez sur Outils > Exécuter ICA.
  10. Supprimez les composants indépendants (CI) qui correspondent aux mouvements oculaires, au bruit musculaire et au bruit de ligne des données en cliquant sur Outils > Rejeter les données à l’aide de ICA > Rejeter les composants par carte.
  11. Reconstruisez les données à l’aide des Ics restants en cliquant sur Outils > Supprimer des composants.
  12. Cliquez sur Outils > Filtrer les données > le filtre FIR de base pour filtrer les données avec un filtre passe-bas 47 Hz.
  13. Estimez la similitude des CI et regroupez-les en clusters fonctionnellement équivalents à l’aide des fonctions STUDY d’EEGLAB. Cliquez sur Fichier > Créer une étude > Utilisation de tous les ensembles de données chargés.
  14. Générez les emplacements des dipôles de chaque circuit intégré à l’aide de la fonction DIPFIT2. Cliquez sur Outils > localiser le dipôle à l’aide de DIPFIT 2.x > Autofit.
  15. Utilisez le clustering k-means pour créer des clusters IC basés sur des emplacements dipolaires (poids : 2/3) et un spectre de puissance (poids : 1/3) similaires. Cliquez sur Study > PCA Clustering > Build Preclustering Array.
  16. Répétez la procédure de clustering dix fois, à chaque fois avec un paramètre k différent. Identifiez le paramètre k qui génère des clusters distinctifs mais raisonnables. Cliquez sur Étudier > modifier/tracer des grappes.
  17. Effectuer une analyse spectrale et effectuer une ANOVA unidirectionnelle sur toutes les principales bandes de fréquences à l’aide des circuits intégrés d’un groupe d’intérêt spécifique.
    REMARQUE : Portez une attention particulière au cortex cingulaire postérieur (CCP), car il a été constaté que cette zone diminue en importance en raison d’une augmentation régionale de la génération endogène d’oscillations delta pendant le chant religieux.

6. Analyse des données IRMf

  1. Prétraitez les données d’IRMf à l’aide du logiciel Leipzig Image Processing and Statistical Inference Algorithms (LIPSIA 2.2.7).
    1. Effectuez un prétraitement qui inclut la normalisation de l’intensité du signal, la correction de mouvement, la normalisation spatiale dans l’espace MNI, le lissage spatial avec FWHM = 6 mm et le filtrage passe-haut temporel avec une fréquence de coupure de 1/90 Hz pour supprimer les dérives de basse fréquence dans les séries chronologiques IRMf. Reportez-vous à ces étapes dans le pipeline de traitement des données 1 (Fichier supplémentaire 1).
  2. Supprimez les covariables sans intérêt, telles que les fluctuations globales du signal et les paramètres de mouvement, en les régressant hors des données pour chaque séquence de balayage qui correspond à chacune des trois conditions.
  3. Enfin, étudiez la connectomique fonctionnelle du cerveau entier en appliquant la cartographie de centralité des vecteurs propres (ECM), une méthode de théorie des graphes qui identifie les nœuds les plus influents au sein d’un réseau, et les images ECM de deux conditions sont soustraites l’une de l’autre pour produire l’image de contraste résultante. Reportez-vous à ces étapes dans le pipeline de traitement des données 2 (Fichier supplémentaire 2).

7. Analyse de l’ECG et d’autres données physiologiques

  1. Nettoyez l’ECG brut et d’autres données physiologiques à l’aide d’un filtre passe-bande de Butterworth et extrayez l’intervalle entre les battements (IBI) après avoir remplacé les valeurs aberrantes par interpolation spline.
  2. Dégradez les données IBI et calculez les caractéristiques du domaine temps/fréquence de la VFC (variabilité de la fréquence cardiaque) à l’aide de la boîte à outils open source HRVAS.
  3. Réglez les plages de fréquences du VLF sur 0-0,04 Hz, LF sur 0,04-0,15 Hz et HF sur 0,15-0,4 Hz.
  4. Estimez la puissance des bandes de fréquences sélectionnées à l’aide de la méthode du périodogramme de Lomb-Scargle.
  5. Soumettre les mesures de VFC dérivées à des tests statistiques à l’aide de mesures répétées unidirectionnelles, d’ANOVA et de tests post-hoc pour évaluer les différences entre les conditions. Définissez le niveau de signification alpha à 0,05.
  6. Calculez d’autres données physiologiques, telles que les intervalles respiratoires pour chaque participant et chaque condition, à l’aide d’un logiciel d’analyse.
  7. Utilisez la fonction findpeaks dans le logiciel d’analyse pour détecter le pic de la courbe respiratoire.
  8. Différenciez les périodes inspiratoire et expiratoire, puis calculez la fréquence respiratoire.
  9. Comparez la différence entre les conditions à l’aide de mesures répétées unidirectionnelles, d’ANOVA et de tests post-hoc.

Résultats

Les résultats de l’analyse IRMf ont indiqué que la plus forte différence de centralité du vecteur propre entre les chants religieux et non religieux était principalement située dans le cortex cingulaire postérieur (CCP) ; voir la figure 1. Cette constatation a été exploitée pour évaluer et valider la sélection du regroupement de composants indépendant de l’EEG, qui a également manifesté un cluster à proximité de la région PCC.

figure-results-1
Figure 1 : Résultats de neuroimagerie multimodale et électrophysiologique. La cartographie de la centralité des vecteurs propres, appliquée aux données d’IRMf, a révélé que le cortex cingulaire postérieur est la zone du cerveau dont la centralité a le plus diminué pendant les chants religieux par rapport aux chants non religieux. Cette figure a été obtenue avec la permission de Gao et al.1. Veuillez cliquer ici pour voir une version agrandie de cette figure.

L’analyse de regroupement des composants indépendants de l’EEG a produit sept grappes de CI distinctes, chacune correspondant à une source d’activité EEG. Notamment, l’un de ces groupes était situé dans le PCC, une constatation qui correspond aux résultats de l’IRMf (voir la figure 2).

figure-results-2
Figure 2 : L’analyse de regroupement des composants indépendants de l’EEG a également mis en vedette un cluster dans le PCC. Cette figure a été obtenue avec la permission de Gao et al.1. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Ce groupe particulier a par la suite été choisi pour une analyse approfondie, y compris l’analyse du spectre. Une ANOVA unidirectionnelle a révélé un effet principal significatif du chant sur la puissance de la bande de fréquence delta (1-4 Hz, voir Figure 3 et Figure 4).

figure-results-3
Figure 3 : L’ANOVA à un facteur a révélé un effet principal significatif du chant sur la puissance de la bande delta (1-4 Hz). Cette figure a été obtenue avec la permission de Gao et al.1. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-results-4
Figure 4 : Analyse a posteriori des conditions de chant religieux par rapport aux conditions de chant non religieux. L’analyse a montré que le chant religieux induisait une puissance delta plus élevée que la condition de chant non religieux (p = 0,011). Veuillez cliquer ici pour voir une version agrandie de cette figure.

Une analyse post-hoc plus poussée a indiqué une puissance significativement plus faible de la VFC pendant le chant religieux par rapport à la condition de non-chant (voir la figure 5).

figure-results-5
Figure 5 : Analyse a posteriori de l’absence de chant au repos par rapport aux conditions de chant religieux. L’analyse a montré que, par rapport à l’absence de chant, l’état de repos du chant religieux induisait une puissance totale de VRC plus faible, une puissance absolue à haute fréquence plus faible et une puissance absolue à très basse fréquence plus faible. Cette figure a été obtenue avec la permission de Gao et al.1. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Les résultats indiquent que, par rapport au chant non religieux, il y a une diminution de la centralité des vecteurs propres dans le PCC, probablement due à une augmentation régionale des oscillations deltaïques endogènes. Ces changements fonctionnels sont indépendants des activités cardiaques ou respiratoires périphériques et ne sont pas déclenchés par le traitement implicite du langage. Au lieu de cela, ils semblent être associés à des expériences de félicité transcendantale et à une réduction de la cognition égocentrique.

Fichier supplémentaire 1 : Pipeline de traitement des données 1. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 2 : Pipeline de traitement des données 2. Veuillez cliquer ici pour télécharger ce fichier.

Discussion

Bien que le système EEG à 128 canaux utilisé soit un système EEG à haute densité, la résolution spatiale de l’EEG reste relativement faible par rapport à l’IRMf, et cette lacune affecte également la précision de la localisation de la source EEG, en particulier lorsque plusieurs candidats dans la région du cerveau sont plausibles. Ainsi, la résolution spatiale plus profonde et plus élevée de l’IRM peut améliorer considérablement la précision spatiale de l’analyse des sources EEG6 et guider la sélection des groupes les plus importants pour une analyse plus approfondie. Le protocole actuel utilise des outils de neuroimagerie multimodaux, notamment des méthodes d’acquisition et d’analyse de données EEG, ECG et IRMf. Il démontre une approche globale de l’exploration des corrélats neurophysiologiques du chant religieux et potentiellement d’autres formes d’entraînement de l’esprit. Une étape critique du protocole est l’application des résultats de l’IRMf dans l’analyse de la source EEG. La qualité des données EEG acquises reste cruciale pour l’analyse et l’interprétation ultérieures des résultats. L’utilisation de l’ICA et du regroupement des moyennes k dans l’analyse des données EEG, en conjonction avec les résultats de l’IRMf, permet une compréhension plus nuancée des données 7,8. La modulation observée de la puissance de la bande delta pendant les chants religieux s’aligne sur la littérature suggérant que les rythmes delta peuvent réguler le comportement par la synchronisation de l’activité neuronale. L’onde delta peut favoriser une attention concentrée et une réduction potentielle de la pensée autoréférentielle associée au réseau du mode par défaut. Cette activité delta accrue, indicatrice d’états profondément réparateurs, pourrait sous-tendre les effets thérapeutiques du chant en renforçant le traitement cognitif et émotionnel9.

Les résultats de cette étude mettent en évidence une augmentation significative de la puissance de la bande delta pendant les chants religieux, par rapport aux chants non religieux. Les résultats de l’IRMf indiquent une forte diminution de la centralité dans les régions du cerveau associées au traitement auto-lié10 pendant le chant religieux. Les résultats des données physiologiques démontrent également que les effets du chant religieux sont distincts de ceux du chant non religieux et excluent d’autres facteurs de confusion potentiels, y compris les différences dues au traitement du langage ou à l’activité cardiaque. Dans l’ensemble, les résultats suggèrent une voie prometteuse vers l’application clinique du chant religieux par le biais du conseil bouddhiste afin de faciliter la promotion du « non-attachement »1,11,12.

Les limites incluent le fait que les données IRMf et EEG ont été acquises chez des sujets différents13. Deuxièmement, étant donné les variations considérables entre les sujets en ce qui concerne leur expérience de chant religieux 1,14, il serait préférable que tous les sujets aient également subi une IRMf. Nos recherches futures viseront à aborder ces limites et à explorer davantage les effets neurophysiologiques de différentes pratiques religieuses et méditatives.

Malgré ces limites, ce protocole est unique en ce qu’il combine la neuroimagerie multimodale et les outils de mesure physiologique, y compris les données EEG, ECG et IRMf, afin de fournir une vue plus complète des corrélats neurophysiologiques du chant religieux. Cette approche multimodale de neuroimagerie permet une compréhension plus profonde des pratiques religieuses et méditatives, ce qui ne serait pas possible avec des méthodes qui reposent uniquement sur un seul type de données15,16.

Déclarations de divulgation

Les auteurs déclarent qu’ils n’ont pas d’intérêts financiers concurrents.

Remerciements

La recherche a été soutenue par le National Natural Science
Fondation de la Chine (NSFC.61841704).

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
3.0 T Scanner IRM PhilipsAppareil d’acquisition de données IRMPhilips3.0T
EEGLABSwartz Center for Computational Neuroscience13.6.5bLogiciel d’analyse EEG Système d’électroencéphalogramme
(EEG) ElectricalGeodesics, Inc. (EGI)GES 200Appareil d’acquisition EEG
HRVASRamshur, J.Version 1Plug-in pour EEGLAB pour le traitement des données ECG
HydroCel GSN 128 canauxElectrical Geodesics, Inc. (EGI)GSN 130Casque EEG
iMac 27"AppleVersion 10.8Exécution du logiciel Netstation
LabChartADInstrumentsVersion 8Logiciel d’acquisition de données physiologiques
LIPSIAMax-Planck-Institute for Human Cognitive and Brain SciencesVersion 2.2.7Logiciel d’analyse de données IRMf
MatlabMathWorksR2011aEEGLAB est basé sur Matlab, outil d’analyse statistique pour les données EEG
NetstationElectrical Geodesics, Inc. (EGI)Version 3Logiciel d’acquisition EEG
PowerLab 8/35ADInstrumentsPL3508Matériel d’acquisition de données physiologiques
SPSSIBMVersion 27Outil d’analyse statistique du comportement et des données EEG ROI
PC WindowsDellVersion 8Exécution du logiciel LabChart

Références

  1. Gao, J., Leung, H. K., Wu, B. W. Y., Skouras, S., Sik, H. H. The neurophysiological correlates of religious chanting. Sci Rep. 9 (1), 4262(2019).
  2. Sik, H. H., et al. Modulation of the neurophysiological response to fearful and stressful stimuli through repetitive religious chanting. J Vis Exp. (181), e62960(2022).
  3. Gao, J., et al. Repetitive religious chanting invokes positive emotional schema to counterbalance fear: A multimodal functional and structural MRI study. Front Behav Neurosci. 14, 548856(2020).
  4. Saarikivi, K., Chan, T. M. V., Huotilainen, M., Tervaniemi, M., Putkinen, V. Enhanced neural mechanisms of set shifting in musically trained adolescents and young adults: converging fMRI, EEG, and behavioral evidence. Cereb Cortex. 33 (11), 7237-7249 (2023).
  5. Suzuki, K., Laohakangvalvit, T., Matsubara, R., Sugaya, M. Constructing an emotion estimation model based on EEG/HRV indexes using feature extraction and feature selection algorithms. Sensors (Basel). 21 (9), 2910(2021).
  6. Zhang, J., et al. The neural correlates of amplitude of low-frequency fluctuation: a multimodal resting-state MEG and fMRI-EEG study. Cereb Cortex. 33 (4), 1119-1129 (2023).
  7. Maruyama, Y., Ogata, Y., Martinez-Tejada, L. A., Koike, Y., Yoshimura, N. Independent components of EEG activity correlating with emotional state. Brain Sci. 10 (10), 669(2020).
  8. Bigdely-Shamlo, N., Mullen, T., Kreutz-Delgado, K., Makeig, S. Measure projection analysis: a probabilistic approach to EEG source comparison and multi-subject inference. Neuroimage. 72, 287-303 (2013).
  9. Harmony, T. The functional significance of delta oscillations in cognitive processing. Front Integr Neurosci. 7, 83(2013).
  10. Tompson, S., Chua, H. F., Kitayama, S. Connectivity between mPFC and PCC predicts post-choice attitude change: The self-referential processing hypothesis of choice justification. Hum Brain Mapp. 37 (11), 3810-3820 (2016).
  11. Lee, K. C. The Guide to Buddhist Counseling. , Routledge, Taylor & Francis Group. London. (2022).
  12. Wu, B. W. Y., Gao, J., Leung, H. K., Sik, H. H. A Randomized Controlled Trial of Awareness Training Program (ATP), a Group-Based Mahayana Buddhist Intervention. Mindfulness. 10, 1280-1293 (2019).
  13. Gomes, B. A., Plaska, C. R., Ortega, J., Ellmore, T. M. A simultaneous EEG-fMRI study of thalamic load-dependent working memory delay period activity. Front Behav Neurosci. 17, 1132061(2023).
  14. Gao, J., et al. Repetitive religious chanting modulates the late-stage brain response to fear-and stress-provoking pictures. Front Psychol. 7, 2055(2017).
  15. Ciccarelli, G., et al. Simultaneous real-time EEG-fMRI neurofeedback: A systematic review. Front Hum Neurosci. 17, 1123014(2023).
  16. Abreu, R., Nunes, S., Leal, A., Figueiredo, P. Physiological noise correction using ECG-derived respiratory signals for enhanced mapping of spontaneous neuronal activity with simultaneous EEG-fMRI. Neuroimage. 154, 115-127 (2017).

Réimpressions et autorisations

Mots-clés

Localisation des sources EEGIRM fonctionnellecortex cingulaire post rieurpuissance des ondes deltavariabilit de la fr quence cardiaquecartographie de la centralitpratiques m ditatives
Chants religieux et régions cérébrales auto-liées : une étude de neuroimagerie multimodale
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d'utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.