Connectivité à l’état de repos et neuroimagerie de l’activité du cortex préfrontal lors d’une pratique d’asana de yoga en bloc à l’aide de la fNIRS

Résumé

Cette étude a utilisé la spectroscopie fonctionnelle dans le proche infrarouge (fNIRS) pour mesurer l’activité du cortex préfrontal pendant une séquence d’asanas de yoga de 23 minutes avec 27 adultes. La connectivité à l’état de repos a été enregistrée avant et après l’entraînement. Les résultats mettent en évidence l’efficacité de la fNIRS dans la recherche basée sur le mouvement et fournissent des informations neurologiques sur les effets des asanas de yoga.

Résumé

Cette étude visait à utiliser la technologie de neuroimagerie mobile par spectroscopie proche infrarouge fonctionnelle (fNIRS) pour examiner les changements dans l’activité du cortex préfrontal (PFC) avant, pendant et après les asanas de yoga (postures de yoga physiques). Au total, 27 adultes en bonne santé ont participé à une séance d’asanas de yoga de 23 minutes en utilisant un design de bloc. Avant et après la séquence, les participants ont effectué deux états de repos de 6 minutes, indépendants de la tâche. L’activité PFC a été enregistrée en continu à l’aide de l’instrument fNIRS, positionné sur la zone frontale du crâne. La séance comprenait une posture de contrôle alternant avec trois postures actives. Chaque posture active a été maintenue pendant 30 s, suivie d’un intervalle de posture de contrôle de 25 à 30 s, et répétée huit fois. Cette conception en bloc a donné lieu à 25 intervalles de posture de contrôle et à 24 répétitions de chaque posture active. L’analyse comprenait le prétraitement des données fNIRS brutes pour calculer les concentrations d’oxyhémoglobine (HbO) et de désoxyhémoglobine (HbR), la correction de l’artefact de mouvement et l’évaluation statistique à l’aide de l’ANOVA avec corrections de Bonferroni. Les analyses de connectivité ont examiné les corrélations interhémisphériques et intrahémisphériques dans le cortex préfrontal. En conclusion, cette étude démontre l’utilité de la fNIRS dans des contextes réels, basés sur le mouvement, et fournit des informations neurologiques sur les effets des asanas de yoga.

Introduction

Le yoga est une ancienne pratique indienne qui intègre des postures physiques (asanas), des exercices de respiration (pranayama), la méditation et des principes éthiques pour promouvoir un bien-être physique et mental holistique. Au cours des dernières années, le yoga est devenu de plus en plus reconnu comme une intervention complémentaire pour les problèmes de santé mentale, soutenue par un nombre croissant de recherches scientifiques. De nombreuses études ont montré que la pratique régulière du yoga peut réduire considérablement les symptômes de l’anxiété, de la dépression et du stress, tout en améliorant l’humeur, la régulation émotionnelle et la résilience psychologique globale ^1,2,3. Des méta-analyses et des essais contrôlés randomisés ont encore étayé l’efficacité du yoga en tant que thérapie d’appoint pour la dépression et le trouble de stress post-traumatique, avec des preuves suggérant également une amélioration de la qualité de vie et de la fonction cognitive 4,5,6,7,8.

Malgré cette base de preuves prometteuses, les mécanismes neuronaux sous-jacents à la pratique du yoga basé sur le mouvement, en particulier les postures physiques (asanas), restent mal compris ^9,10. Ce manque de connaissances a entravé les efforts visant à intégrer le yoga dans les modèles d’intervention neurocognitifs. L’objectif de la présente étude est d’étudier l’activité cérébrale associée à la pratique des asanas de yoga en temps réel, contribuant ainsi à une compréhension mécaniste de l’impact des pratiques contemplatives basées sur le mouvement sur la fonction corticale.

Pour ce faire, nous avons utilisé la spectroscopie fonctionnelle dans le proche infrarouge (fNIRS), une technique de neuroimagerie portable non invasive qui mesure les réponses hémodynamiques dans le cortex cérébral¹¹. La raison d’être de l’utilisation de la fNIRS est enracinée dans sa capacité à surveiller l’activité cérébrale lors d’un mouvement vertical naturaliste - une approche impossible avec les méthodes d’imagerie conventionnelles telles que l’IRMf ou la TEP, qui obligent les participants à rester immobiles dans des environnements artificiels¹². Par rapport à ces alternatives, la fNIRS offre plusieurs avantages : elle est silencieuse, tolérante au mouvement et permet d’étudier des tâches écologiquement valides dans des environnements réels¹³. Par conséquent, il a été largement utilisé dans les études sur l’apprentissage moteur, la charge de travail cognitive, le développement du nourrisson, la marche et l’équilibre, et les pratiques de pleine conscience, produisant des informations fiables sur l’activité du cortex préfrontal dans des conditions statiques et dynamiques 14,15,16,17,18. Son application dans des contextes naturalistes, en particulier pendant le mouvement, a ouvert de nouvelles voies pour l’étude de la cognition incarnée et des substrats neuronaux des interventions de santé intégrative.

Cependant, peu d’études ont appliqué cette technique spécifiquement aux asanas de yoga, et encore moins l’ont fait sur l’ensemble de l’arc temporel d’une séance - de la pré- à la pendant et à la post-pratique - avec un échantillon représentatif de la population. Pour résoudre ce problème, l’étude actuelle a utilisé un protocole de conception de blocs utilisant la fNIRS pour examiner l’activité corticale et la connectivité de l’état de repos avant, pendant et après une séquence structurée d’asanas de yoga. L’étude a été menée dans un cadre naturaliste et a inclus 27 participants hispanophones du Mexique, comblant ainsi une lacune importante dans la littérature concernant les effets du yoga dans les populations latino-hispanophones. Les participants étaient âgés de 18 à 65 ans et comprenaient des hommes et des femmes ayant une large expérience du yoga, des débutants complets aux pratiquants ayant jusqu’à 15 ans de pratique régulière. Tous les participants n’ont signalé aucune condition psychologique ou physiologique grave qui les empêcherait de terminer la séance de yoga de 23 minutes. Les personnes atteintes de troubles psychiatriques graves ou de problèmes physiques limitant la mobilité ont été exclues. Bien que les participants n’aient pas été dépistés pour des pathologies médicales spécifiques telles que l’hypertension ou le diabète, il a été clairement expliqué avant la séance qu’ils pouvaient arrêter à tout moment s’ils se sentaient mal ou mal à l’aise. Il a été convenu à l’avance que toute séance incomplète serait exclue de l’analyse.

Sur les 30 participants initiaux, personne ne s’est retiré en raison d’une gêne pendant la pratique du yoga. Cependant, trois d’entre eux ont été exclus de l’analyse finale en raison d’un bruit de signal excessif probablement causé par des interférences matérielles ou un dysfonctionnement technique du logiciel. En incluant un échantillon démographiquement diversifié et représentatif et en permettant une imagerie en temps réel et tolérante au mouvement, cette étude améliore à la fois la validité écologique et la généralisabilité des résultats. Les chercheurs et les cliniciens qui cherchent à étudier la dynamique neuronale des pratiques contemplatives basées sur le mouvement peuvent trouver cette méthode particulièrement pertinente pour des applications en neurosciences cognitives, en sciences de la réadaptation et en recherche intégrative sur la santé mentale.

Protocole

Les procédures expérimentales ont été effectuées conformément à la Déclaration d’Helsinki, examinées et approuvées par la Coordinación para la Innovación y la Aplicación de la Ciencia y la Tecnología (CIACYT), Universidad Autónoma de San Luis Potosí Ethics Committee Institutional Review Board [CIACYT-CEI-003]. Tous les participants ont fourni un consentement éclairé signé.

1. Recrutement des participants et données démographiques

1. Recrutez des participants par le bouche-à-oreille et les plateformes de médias sociaux, y compris Facebook et Instagram. Informez les participants potentiels des objectifs de l’étude, des exigences et de leur droit de se retirer à tout moment sans pénalité.
2. Recueillir des renseignements démographiques autodéclarés, notamment l’âge, le poids, la taille, le sexe biologique, le niveau de scolarité et l’expérience du yoga, au moyen d’entrevues en personne (tableau 1). Attribuez à chaque participant un code numéroté unique pour l’anonymat et enregistrez ses informations dans un fichier tableur crypté.
3. Incluez des participants âgés de 18 à 65 ans ayant différents niveaux d’expérience des asanas de yoga. Exclure les personnes atteintes de troubles neurologiques ou psychiatriques ou celles qui sont incapables d’effectuer des poses de yoga en raison de limitations physiques. Cette étude a inclus des participants âgés de 18 à 65 ans ayant divers niveaux d’expérience des asanas de yoga, tout en excluant les personnes souffrant de troubles neurologiques ou psychiatriques connus, ainsi que celles ayant des limitations physiques qui les empêcheraient d’effectuer les postures de yoga en toute sécurité. À l’heure actuelle, le protocole n’inclut pas de variations pour les participants exclus, bien que l’exploration de ces adaptations représente une orientation précieuse pour les recherches futures.
4. S’assurer que toutes les procédures sont conformes aux directives éthiques institutionnelles et à la Déclaration d’Helsinki. Tous les participants fournissent un consentement éclairé signé. Informez les participants qu’ils ne recevront aucune compensation financière et qu’ils peuvent mettre fin à l’expérience à tout moment.

2. Procédure expérimentale

1. Utilisez l’appareil portable fNIRS pour la collecte de données. L’appareil fonctionne avec des longueurs d’onde doubles de 760 nm et 850 nm, fournissant une lumière proche infrarouge à ondes continues pour l’évaluation des changements dans les concentrations d’hémoglobine oxygénée (HbO) et désoxygénée (HbR). Le système prend en charge jusqu’à 27 canaux et enregistre à une fréquence d’échantillonnage de 50 Hz, ce qui permet une détection fiable de l’activation corticale lors de tâches naturalistes.
   1. Préparez la configuration fNIRS en positionnant les sources lumineuses (S) et les détecteurs (D) dans les supports de capuchon conformément à la disposition bilatérale du cortex préfrontal (PFC) fournie par le fabricant (voir Figure 1). Assurer une séparation source-détecteur (S-D) de 3,0 cm pour optimiser la détection du signal cortical.
   2. De plus, incluez deux canaux à courte distance (1,0 cm) pour prendre en compte et faire régresser les signaux hémodynamiques superficiels, tels que le flux sanguin du cuir chevelu, qui peuvent fausser les mesures corticales. L’utilisation de canaux à séparation courte est une méthode validée pour améliorer la spécificité du signal en isolant les réponses hémodynamiques corticales de la contamination extracérébrale¹⁹.
2. Sélectionnez quatre asanas de yoga pour cette étude qui sont des postures fondamentales couramment pratiquées dans tous les styles de Hatha Yoga. Ils forment le noyau de la séquence largement connue Surya Namaskar (Salutation au Soleil), qui est mondialement reconnue et pratiquée chaque année le 21 juin lors de la Journée internationale du Yoga²⁰. Ces poses ont été intentionnellement choisies non seulement pour leur accessibilité et leur uniformisation dans toutes les traditions de yoga, mais aussi pour permettre une enquête spécifique sur les effets des inversions (postures où la tête est sous le cœur) et des extensions du dos sur l’activité cérébrale - deux formes physiques souvent recommandées dans les protocoles de yoga thérapeutique pour la dépression et les troubles de l’humeur^21,22.
3. Concevez la présentation pendant l’expérience au format PowerPoint, qui est également un guide visuel et auditif pour les participants. Assurez-vous que chaque diapositive affiche la photo et le nom d’une posture, écrits dans la langue maternelle du participant (espagnol) avec le nom sanskrit original entre parenthèses : Posture A (Tadasana), Posture B (Uttanasana), Posture C (Adho Mukha Svanasana) et Posture D (Urdhva Mukha Svanasana).
4. Faites défiler la présentation à travers des images des postures B, C et D automatiquement toutes les 30 secondes dans un ordre aléatoire, pendant que l’expérimentateur appelait simultanément le nom de la posture à haute voix pour renforcer le signal.
5. Organisez au hasard les asanas actifs, en veillant à ce que la posture de base soit intercalée entre chacun. Cette disposition permet d’obtenir une séquence équilibrée tout en maintenant un intervalle variable entre les stimuli afin de réduire les effets potentiels de la pratique et de l’accoutumance.
6. Pour la gestion et l’uniformité des données, normalisez tous les supports visuels, y compris les images et les polices, en termes de taille et de style pour tous les participants. Dimensionnez les images des postures de yoga de manière appropriée avec une haute résolution et des étiquettes claires dans leurs noms espagnols et leur sanskrit traditionnel.
7. Assurez-vous que chaque participant peut lire et voir clairement l’invite de présentation avant de commencer. Les asanas actifs et les asanas de base à effectuer sont décrits ci-dessous :
   Tadasana - Posture de la montagne (posture de base) : Une posture debout et neutre.
   Uttanasana - Flexion vers l’avant (posture active) : Un pli vers l’avant à partir des hanches avec la tête sous le cœur.
   Adho Mukha Svanasana - Chien tête en bas (posture active) : Une position en V inversé, avec les mains et les pieds sur le sol et les hanches surélevées.
   Urdhva Mukha Svanasana - Chien orienté vers le haut (posture active) : Poitrine soulevée dans une extension du dos avec le regard déplacé vers le haut.
8. Préparez l’espace d’expérimentation en installant un tapis de yoga, un système de corde de yoga mural (voir Tableau des matières) et un écran de présentation positionné devant le participant, suffisamment près pour que les postures soient bien visibles, mais suffisamment éloignés pour éviter d’obstruer les mouvements. La configuration est illustrée à la figure 2. Confirmez la visibilité et la lisibilité de l’écran avant de commencer la session.
9. Étalonnez le système fNIRS en vous assurant que tous les composants, y compris le capuchon, les optodes et le logiciel d’enregistrement, sont entièrement chargés, fonctionnels et compatibles avec le système d’acquisition de données. Pour calibrer, positionnez avec précision les optodes sur le cuir chevelu du participant selon le système international 10-20, assurant un ciblage anatomique cohérent des régions préfrontales. Ajustez le capuchon et les supports d’optode pour s’adapter à la forme de la tête et à la densité des cheveux, minimisant ainsi l’atténuation de la lumière et les artefacts de mouvement. Utilisez l’interface de qualité du signal du système (par exemple, le rapport signal/bruit et l’indice de couplage du cuir chevelu) pour vérifier que chaque canal respecte les seuils recommandés.
   REMARQUE : Ce processus est essentiel pour garantir des mesures hémodynamiques fiables et reproductibles et pour minimiser la perte de données ou les erreurs d’interprétation dues à un mauvais contact du capteur ou à une perte de signal 16,23,24,25.
10. Une fois le participant assis sur une chaise, assurez-vous que ses pieds sont à plat sur le sol, que les mains reposent doucement sur ses genoux et que son dos est légèrement soutenu par la chaise. Confirmez verbalement que le participant est assis confortablement avant de continuer.
11. Utilisez un numériseur 3D, un dispositif de suivi optique conçu pour capturer l’emplacement spatial des optodes sur le cuir chevelu, afin d’enregistrer l’emplacement du capuchon. Ce processus génère les coordonnées de l’Institut neurologique de Montréal (INM), qui les utilisent pour identifier et normaliser les régions anatomiques du cerveau sous-jacentes à chaque canal de mesure.
    REMARQUE : La numérisation précise garantit la cohérence entre les participants et permet une cartographie précise des données fNIRS sur les structures corticales pour l’analyse au niveau du groupe.
12. Fixez le capuchon d’optode à l’aide de la mentonnière et ajustez manuellement chaque optode en séparant doucement les cheveux avec un bâton de bambou pour assurer un contact direct avec le cuir chevelu (Figure 3A). La figure 3B montre des cheveux obstruant l’optode, tandis que la figure 3C illustre l’élimination réussie de l’obstruction à l’aide d’un bâton de bambou. Utilisez le module de valeur DAQ du logiciel d’acquisition pour évaluer la qualité du signal. Confirmez toujours le confort du participant en lui demandant s’il y a de la douleur ou de l’inconfort et ajustez les positions des optodes au besoin pour optimiser la clarté du signal sans compromettre le confort.
    REMARQUE : Sur la base d’observations empiriques pendant le processus de mesure, cette étape peut prendre jusqu’à 30 min, selon le type de cheveux du participant. Les personnes aux cheveux épais, foncés ou bouclés ont souvent besoin de plus de temps et d’ajustements pour assurer un bon contact optode-cuir chevelu. Dans ces cas, la fixation du capuchon fNIRS avec un bandage chirurgical s’est avérée efficace pour maintenir un placement stable des optodes. Les participants qui sont arrivés avec du gel dans les cheveux ont présenté d’autres défis, car le produit interférait avec l’adhérence des optodes. À force d’essais et d’erreurs, nous avons observé que la création d’une queue de cheval serrée ou l’utilisation d’épingles à cheveux pour maintenir les cheveux en place était plus efficace que de s’appuyer sur tout type de fixateur capillaire. Ces ajustements ont considérablement amélioré la qualité du signal et la fiabilité des données.

3. État de repos, conception de blocs d’asanas de yoga et pratique de la mesure

REMARQUE : Comme l’illustre la figure 4, chacune des postures dynamiques (B, C, D) a été maintenue pendant 30 s et entrelacée avec la posture A comme condition de base, maintenue pendant 25 à 30 s. Cette base de référence a servi de point de référence physiologique pour isoler et comparer l’activité cérébrale spécifique aux autres postures. Pour minimiser la fatigue et s’assurer que l’étude se concentre sur la forme plutôt que sur l’effort, les participants ont été soutenus dans chaque posture à l’aide de cordes Kurunta, une méthode du yoga thérapeutique Iyengar qui permet de tenir des postures sans effort. De plus, les mesures de l’état de repos ont été enregistrées pendant 6 minutes avant et après la séquence d’asanas, au cours desquelles les participants étaient assis les yeux fermés pour capturer la connectivité cérébrale avant et après la pratique.

1. Connectez le capuchon fNIRS au logiciel à l’aide de Bluetooth pour surveiller l’acquisition du signal en temps réel pendant les états de pré et post-repos, ainsi que tout au long de la pratique des asanas de yoga.
2. Avec le capuchon fNIRS bien maintenu en place pendant que les participants sont assis sur une chaise, effectuez la mesure de l’état de repos pré-asana. Demandez aux participants de se détendre avec leurs pieds sur le sol, leurs mains sur leurs genoux, et de rester assis sans bouger, les yeux fermés, pendant 6 min. Collectez des données fNIRS à 25 Hz.
   1. Pour assurer un mouvement minimal et s’assurer que les mesures sont de l’état de repos et non d’un état de sommeil, informez les participants de ne pas lever les sourcils ou de se gratter le visage pendant l’état de repos. Demandez-leur également d’éviter de s’endormir et vérifiez si cela s’est produit en leur demandant s’ils se sont endormis après avoir terminé l’état de repos.
3. Après avoir terminé le premier état de repos, retirez la chaise et demandez aux participants de se lever et de s’assurer qu’il y a toujours un signal clair. Demandez aux participants de suivre et d’effectuer la présentation préprogrammée avec les instructions du paradigme au fur et à mesure qu’elle progresse automatiquement.
4. Fournissez des conseils verbaux aux participants pendant la présentation et enregistrez manuellement les marqueurs de posture prédéterminés, étiquetés A, B, C et D, au fur et à mesure que chaque diapositive passe. Ces marqueurs correspondent à des phases spécifiques de la séquence de yoga et ont été utilisés pour segmenter les données fNIRS à des fins d’analyse : A indique la posture de base (Tadasana), tandis que B, C et D représentent les postures actives ultérieures (Uttanasana, Adho Mukha Svanasana et Urdhva Mukha Svanasana, respectivement), comme indiqué dans la figure 4. Les marqueurs ont été enregistrés manuellement à l’aide de la fonction d’annotation d’événements dans le logiciel d’acquisition (OxySoft, Artinis Medical Systems) au moment où chaque diapositive de posture était présentée et que le participant passait à la posture. Ce marquage manuel des événements a été largement utilisé et validé dans les études fNIRS pour faciliter l’analyse des réponses hémodynamiques 23,24,25.
5. Après la mesure, vérifiez que les bons marqueurs ont été utilisés pendant le processus de mesure en faisant correspondre les horodatages marqués manuellement avec les horodatages de présentation automatique pour garantir un étiquetage précis des données.
6. Assurez-vous que le capuchon fNIRS est toujours bien maintenu en place et que le signal est toujours clair, demandez aux participants de s’asseoir sur une chaise pour effectuer la mesure de l’état de repos post-asana. Demandez aux participants de se détendre avec les pieds sur le sol, les mains sur leurs genoux et de rester assis les yeux fermés pendant 6 min. Collectez des données fNIRS à 25 Hz.
7. Il peut s’écouler 2 à 5 minutes après l’asana pour s’assurer que la configuration fNIRS est correctement calibrée sans interférence de signal avant d’effectuer l’état de repos post-asana. Donnez aux participants les mêmes instructions que pour la mesure de l’état de pré-repos afin d’assurer un mouvement minimal et assurez-vous que les mesures sont de l’état de repos et non d’un état de sommeil.

4. Analyse des données fNIRS de la fonction de réponse hémodynamique pendant l’asana de yoga

REMARQUE : La spectroscopie fonctionnelle dans le proche infrarouge (fNIRS) mesure les changements de l’hémodynamique corticale à l’aide de deux paramètres principaux : l’hémoglobine oxygénée (HbO) et l’hémoglobine désoxygénée (HbR). Ces biomarqueurs sont des corrélats vasculaires de l’activité neuronale médiés par le principe du couplage neurovasculaire. L’augmentation de l’activation neuronale entraîne une augmentation du taux de consommation d’oxygène, surcompensée par un débit sanguin cérébral régional élevé, entraînant généralement une augmentation simultanée de l’HbO et une diminution de l’HbR. Dans cette étude, les deux paramètres ont été enregistrés à l’aide d’un système fNIRS multicanal pour quantifier les réponses hémodynamiques pendant la pratique des asanas de yoga. La mesure des valeurs moyennes d’HbO fournit un indicateur robuste et fiable de l’activation, en particulier lors de tâches basées sur le mouvement, car elle est moins sensible au bruit et aux hypothèses de modélisation que les coefficients bêta dérivés du modèle ²⁶. Cependant, alors que l’HbO est souvent priorisée en raison de son rapport signal/bruit plus élevé, l’incorporation de l’HbR est essentielle pour améliorer l’interprétation physiologique des données. Les signaux HbR complètent l’HbO en offrant un aperçu de la réponse métabolique du cerveau et de la dynamique de l’extraction de l’oxygène²⁷. L’analyse simultanée de l’HbO et de l’HbR permet d’éviter une simplification excessive et renforce la validité des modèles neuronaux observés ²⁸.

1. Pour évaluer la fonction de réponse hémodynamique (HRF) pendant l’asana de yoga, commencez par convertir les données brutes de spectroscopie fonctionnelle proche infrarouge (fNIRS) en densité optique (O.D.) et traitez-les à l’aide de la boîte à outils HOMER 3 (RRID :SCR_009586). Utilisez la loi de Beer-Lambert modifiée (MBLL) pour calculer les variations des concentrations d’HbO et d’HbR, selon l’équation ²⁹.
   
   La MBLL tient compte des propriétés de diffusion du tissu biologique et établit un lien entre les modifications de l’absorption de la lumière (ΔA) et les modifications de la concentration des chromophores (Δμ_a), ce qui permet de quantifier la dynamique de l’hémoglobine à partir de l’intensité lumineuse mesurée. r_sd désigne la distance source-détecteur et DPF est le facteur de longueur de trajet différentiel. Cette approximation linéaire permet d’estimer les changements de concentration relatifs dans l’hémoglobine oxygénée et désoxygénée. Inclure la régression à canal court pour minimiser l’influence de l’activité vasculaire superficielle et mieux isoler les signaux corticaux.
2. Analysez les données dans MATLAB. Calculez les moyennes de bloc pour chaque participant, canal et condition afin de maintenir la cohérence. Commencez le contrôle qualité en excluant les lectures présentant des fluctuations significatives de densité optique, de faibles rapports signal/bruit (SNR) ou de grandes distances source-détecteur. Utilisez la fonction hmrR_PruneChannels et réglez des paramètres tels qu’une plage valide de 1 x ^10-7 à 1 x 10⁷, un seuil SNR de 2 et une distance source-détecteur de 0,45 mm à 45 mm.
3. Détectez les artefacts de mouvement pour chaque canal à l’aide de la fonction hmrR_MotionArtifactByChannel. Signalez les segments si l’amplitude du signal dépasse 0,5 (AMPthresh) ou si l’écart type augmente de plus d’un facteur 15 (SDthresh) dans une fenêtre de temps de 1 s (tMotion). Excluez les segments marqués d’une durée de 1 s chacun (tMask).
4. Appliquez un modèle linéaire général (GLM) avec une fenêtre temporelle allant de 2 s avant à 23 s après le début du stimulus. Le GLM est une méthode statistique utilisée pour expliquer la variation d’un ensemble de données observées en la modélisant comme une combinaison d’une ou plusieurs variables connues (prédicteurs) et d’un terme d’erreur. Il estime dans quelle mesure chaque prédicteur contribue au résultat observé, ce qui permet aux chercheurs d’isoler les effets d’intérêt tout en tenant compte du bruit. Dans ce contexte, utilisez le GLM pour appliquer des régresseurs à courte portée (SS) aux canaux à longue portée (LS) afin de réduire le bruit physiologique systémique, et d’isoler plus précisément l’activité cérébrale pour l’estimation de la fonction de réponse hémodynamique (HRF) 19,30,31,32,33,34.
5. Résolvez le GLM en utilisant les moindres carrés ordinaires. Pour traiter plus en détail les artefacts de mouvement, appliquez l’analyse de corrélation canonique (TCCA) intégrée régularisée avec les données d’état de repos des participants (30-210 s) en tant que régresseur³⁵. Ensuite, estimez les HRF pour chaque canal, condition et participant, en assurant des estimations fiables de la réponse neuronale avec un meilleur rapport signal/bruit.
6. Utilisez Origin pour effectuer une ANOVA à mesures répétées unidirectionnelles. Évaluez les différences dans les valeurs moyennes d’HbO entre les canaux longs en comparant la posture de base A (Tadasana), une posture debout neutre qui favorise l’alignement et la stabilité, à la posture B (Uttanasana), un pli avant debout dans lequel la tête est positionnée sous le cœur, en la classant comme une inversion ; la posture C (Adho Mukha Svanasana), communément appelée chien tête en bas, une posture semi-inversée qui allonge la colonne vertébrale et active le haut du corps ; et la posture D (Urdhva Mukha Svanasana), ou chien orienté vers le haut, une extension du dos qui ouvre la poitrine et renforce la chaîne postérieure.
7. Évaluez les différences entre les postures B, C et D. Vérifiez la distribution normale des données à l’aide du test de Shapiro-Wilk. Effectuez des comparaisons post-hoc par paires avec des corrections de Bonferroni pour plusieurs tests, en utilisant un seuil de valeur p de <0,05 pour la signification. Calculez les tailles d’effet pour les différences significatives dans la réponse HbO à l’aide du d^36,37 de Cohen.

5. Analyse des données fNIRS de la connectivité fonctionnelle à l’état de repos

1. Pour analyser la connectivité fonctionnelle à l’état de repos (rsFC), évaluez la connectivité à l’intérieur de chaque hémisphère (intrahémisphérique) et entre les hémisphères (interhémisphérique) pour chaque participant. Basé sur la dépendance statistique entre les séries chronologiques, reflétant la co-activation des régions cérébrales.
   REMARQUE : La mesure de rsFC donne un aperçu de l’organisation fonctionnelle intrinsèque du cerveau en l’absence de stimuli externes et est de plus en plus reconnue comme un outil précieux pour identifier les altérations neuronales subtiles et les biomarqueurs de fonction ou de dysfonctionnement. Des recherches antérieures ont démontré que les modèles rsFC ont été proposés comme biomarqueurs prédictifs de la réponse au traitement antidépresseur chez les patients atteints de trouble dépressif majeur³⁸, soulignant l’utilité de l’analyse de l’état de repos dans la capture de signatures neuronales semblables à des traits. En évaluant à la fois la connectivité intra et interhémisphérique, cette approche permet une compréhension plus complète de l’intégration fonctionnelle et de la latéralisation du cerveau, en particulier dans le contexte d’interventions comme le yoga, qui peuvent moduler ces réseaux d’état de repos^38,39.
2. Sélectionnez une période de repos de 6 minutes pour l’analyse, car elle se situe dans la plage communément acceptée de 5 à 10 minutes, avec un rsFC suffisant généralement atteint après 5 minutes 26,27,28,35. Tirez parti de la réduction des niveaux de bruit pendant les mesures à l’état de repos par rapport aux asanas actifs pour évaluer les concentrations d’HbO, d’HbR et d’HbT 34,40,41.
3. Commencez par identifier et corriger les artefacts de mouvement dans les données. Une fois corrigé, appliquez un filtre passe-bande (0,009-0,08 Hz) à la série temporelle pour isoler la gamme de fréquences de connectivité fonctionnelle, puis convertissez les signaux filtrés en concentrations d’hémoglobine en utilisant la loi de Bouguer-Beer-Lambert modifiée pour une analyse plus approfondie 40,42,43. Concentrez-vous sur les points temporels exempts d’artefacts de mouvement (à l’aide de la fonction MotionArtifactByChannel) afin de préserver l’intégrité de la connectivité interhémisphérique⁴⁴.
4. Pour tenir compte des fluctuations spontanées communes à tous les canaux, appliquez la régression du signal de canal de séparation courte (SSC). Commencez par calculer l’évolution temporelle moyenne de tous les SSC, puis faites régresser le signal SSC à partir de la série chronologique fNIRS mesurée à l’aide de la méthode de régularisation de Tikhonov⁴².
5. Utilisez les séries chronologiques résiduelles résultantes pour construire des matrices de connectivité en calculant les corrélations de Pearson entre toutes les paires de canaux.
6. Pour la connectivité intrahémisphérique, calculez séparément les coefficients de corrélation moyens entre les canaux de l’hémisphère gauche et de l’hémisphère droit. Pour la connectivité interhémisphérique, calculez les corrélations moyennes entre chaque canal et son homologue controlatéral³⁹.
7. Lorsque vous effectuez une analyse statistique, transformez les valeurs r de Pearson en z-scores de Fisher avant d’effectuer des tests de Wilcoxon-Mann-Whitney. Corrigez les comparaisons multiples à l’aide de la méthode du taux de fausses découvertes (FDR).
   REMARQUE : Le code et les données utilisés dans cette étude sont librement disponibles dans Zenodo⁴⁵ au https://zenodo.org/records/11098997 avec DOI : 10.5281/zenodo.11098996.

Résultats

L’analyse préliminaire des canaux actifs a révélé des différences significatives entre la posture de contrôle A et les postures B et C (Figure 5A-B). Une ANOVA à mesures répétées à un facteur a ensuite été réalisée pour évaluer les différences statistiques dans les valeurs moyennes d’HbO de la fonction de réponse hémodynamique (HRF) estimée entre les canaux à l’aide du progiciel Origin(Pro), version 2018. L’hypothèse de normalité a été évaluée à l’aide du te...

Discussion

Cette étude a utilisé la fNIRS pour évaluer l’activité du PFC pendant une pratique structurée des asanas de yoga, en mettant l’accent sur les considérations méthodologiques clés et les avancées de la neuroimagerie du monde réel. Les éléments critiques du protocole comprenaient un placement précis des optodes fNIRS, avec un espacement optimal entre la source et le détecteur (3,0 cm) et un couplage optode-cuir chevelu approprié pour assurer une acquisition précise du signal. Une conception...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Numériseur 3D	Artinis Medical	DGT-456	Utilisé pour le placement des majuscules et le mappage de région
Dispositif Brite MKII fNIRS	Artinis Medical	BR-MK2	Instrument fNIRS portable pour les données PFC
Tapis de yoga Harmony 3/16" (5mm) d’épaisseur 68" (173cm)	Jade	HAR368	Surface stable pour la pratique des asanas
Logiciel HOMER 3	Centre de neurophotonique de l’Université de Boston (Open Source)	Homère v1.54	Pour le prétraitement des données fNIRS
Logiciel Origin(Pro)	Laboratoire d’origine	ORG-2023	Analyse statistique des données
Logiciel Oxysoft	Artinis Medical	OXY-001	Acquisition de signaux en temps réel
Cordes Piola Coton 12mm	Fournitures de bâche	N/A	Fait partie du système de corde de yoga mural
Configuration de la présentation PowerPoint	Microsoft	N/A	Pour les visuels pédagogiques
Crochet en acier inoxydable	Homheal	Liuxi-050	Fait partie du système de corde de yoga mural
Système de corde de yoga mural	Sur mesure	N/A	Aide aux postures de yoga