May 10th, 2017
Ce manuscrit décrit comment utiliser l'indice d'entropie des ondelettes pour analyser les données d'électrodéphalographie à haute densité (EEG) et d'électrocardiographie (ECG). Nous montrons que l'irrégularité des activités cérébrales et cardiaques est de plus en plus coordonnée lors de la pratique de réduction du stress axée sur la conscience.
L’objectif global de cette expérience EEG est d’utiliser l’indice d’entropie des ondelettes pour analyser des données EEG et ECG à haute densité. Nous montrons que l’irrégularité des activités cérébrales et cardiaques est devenue plus coordonnée lors de la pratique de réduction du stress basée sur la pleine conscience. Cette méthode peut aider à répondre aux questions des neurosciences et de la psychologie sur la façon de mesurer et de comparer les activités chaotiques de l’esprit et du cœur pendant la pratique de la pleine conscience.
L’unicité de cette méthode réside dans la création d’un indice commun utilisant l’analyse de l’entropie en ondelettes pour mesurer les activités chaotiques du cerveau et du cœur afin que leur relation puisse être analysée et comparée efficacement. Une variété de traditions religieuses et spirituelles croient que le corps et l’esprit sont en quelque sorte coordonnés. Cependant, les scientifiques ont eu du mal à le prouver car ils ne peuvent pas trouver d’indice commun pour comparer les deux.
Cette méthode peut également donner un aperçu du mécanisme de fonctionnement de la façon dont la pleine conscience et d’autres entraînements mentaux peuvent moduler les activités du cerveau et du cœur. Nous avons d’abord eu l’idée d’utiliser l’entropie d’ondelettes pour explorer la corrélation entre le cerveau et le cœur lorsque nous avons découvert que l’entropie d’ondelettes est sensible aux actions sur les différentes conditions mentales. En plus de Junling et Jicong, Hang Kin, de mon laboratoire, aidera à la démonstration de ces procédures.
Il sera également notre sujet lors des manifestations. Commencez par escorter le participant jusqu’à une salle d’électroencéphalographie (EEG) silencieuse. Pour effectuer l’enregistrement, rassemblez un système EEG à 128 canaux composé d’un casque EEG, d’un amplificateur, d’une boîte de tête et d’un ordinateur de bureau.
Ensuite, utilisez des tampons imbibés d’alcool pour nettoyer la zone du visage et la mastoïde du participant. Mesurez le tour de tête du participant à l’aide d’un ruban à mesurer, puis choisissez une casquette de taille appropriée. Prenez une mesure de la nasion à l’inion et une autre mesure sur le dessus des oreilles et sur le cuir chevelu.
Marquez le sommet, le point à mi-distance entre la nasion et l’inion à mi-distance entre les deux oreilles, avec un marqueur doux. Ensuite, réglez les positions des électrodes selon le système d’électrodes 10-5. Positionnez le capuchon de telle sorte que l’électrode Cz soit au-dessus du sommet, l’électrode Nz soit à la nasion, l’électrode Lz soit à l’ionion, l’électrode RM soit à la mastoïde droite et l’électrode LM soit à la mastoïde gauche.
Remplissez les porte-électrodes de gel à l’aide d’une seringue à pointe émoussée. Ensuite, placez les électrodes ECG sur les fosses infraclaviculaires gauche et droite. Maintenez l’impédance inférieure à 20 kiloohms pour chaque électrode.
Réduisez l’impédance en ajustant le placement des électrodes pour augmenter le contact avec le cuir chevelu et ajoutez plus de gel si nécessaire. Ensuite, enregistrez les données EEG au début du cours de réduction du stress basé sur la pleine conscience, ou MBSR. Demandez au participant d’effectuer un bref balayage corporel pour détendre tout le corps en lui demandant de faire attention à sa respiration tout en inspirant et en expirant.
Enfin, demandez à chaque participant d’effectuer 10 minutes de respiration consciente MBSR et 10 minutes de repos normal pendant la collecte de données EEG pour générer un ensemble de données d’entraînement pré-MBSR avec deux conditions. Répétez ensuite cette procédure EEG après deux mois pour générer un ensemble de données d’entraînement post-MBSR avec deux conditions. Commencez par ouvrir le logiciel EEG et charger le jeu de données, puis sélectionnez Outils et Modifier le taux d’échantillonnage pour rééchantillonner les données.
Ensuite, sélectionnez Outils, Filtrer les données et Filtre FIR de base pour utiliser le filtre à réponse impulsionnelle finie pour le filtrage passe-bande avec une bande passante de 0,5 à 100 hertz. Pour réduire le bruit dû au courant alternatif du secteur, sélectionnez Outils, Filtrer les données et Filtre IIR non linéaire court pour utiliser le filtre à réponse impulsionnelle infinie non linéaire court pour le filtrage coupe-bande avec une bande d’arrêt de 47 à 53 hertz. Ensuite, sélectionnez les données de tracé et de canal dans le logiciel EEG pour faire défiler et inspecter visuellement le signal EEG.
Ensuite, faites un clic gauche et faites glisser la souris sur les segments défectueux pour mettre en évidence et supprimer les segments EEG qui contiennent un bruit musculaire évident et tout autre événement étrange. Après la suppression d’un segment défectueux, déterminez s’il existe des canaux défectueux. Reconstruisez chaque canal défectueux à l’aide de la méthode d’interpolation sphérique en sélectionnant Outils et Interpoler le canal.
Ensuite, sélectionnez Outils et Exécuter ICA pour effectuer une analyse indépendante des composants sur les données. Ensuite, identifiez visuellement les composants corrects et éliminez les composants des mouvements oculaires et des clignements des yeux, des mouvements musculaires et des autres composants de bruit possibles en sélectionnant Outils, Rejeter les données à l’aide d’ICA, puis Rejeter les composants par carte, puis Outils et Supprimer les composants. Enfin, sélectionnez Outils et Reréférencer pour réréférencer les données à la moyenne de tous les canaux avant une analyse plus approfondie.
Ensuite, utilisez la formule présentée ici pour calculer les coefficients d’ondelettes, pour définir l’énergie relative et calculer l’entropie des ondelettes. Dans l’analyse spectrale des données EEG, par rapport au repos normal, il y avait une augmentation des ondes alpha et bêta et une réduction des ondes delta pendant la respiration consciente MBSR. De plus, l’analyse des sources montre que les principales régions cérébrales affectées par l’entraînement à la pleine conscience MBSR se trouvaient dans le gyrus occipital gauche, le précuneus droit, le gyrus temporal moyen et le fusiforme gauche.
Enfin, les entropies du cerveau et du cœur étaient significativement corrélées pendant la respiration consciente MBSR, mais pas pendant le repos normal. Une fois maîtrisée, la procédure peut être réalisée en une semaine si elle est effectuée correctement. Lorsque vous tentez cette procédure, il convient de noter que toutes les étapes de détection appropriées sont essentielles pour obtenir les résultats escomptés.
En suivant cette procédure, nous pouvons découvrir si d’autres entraînements et pratiques mentaux, tels que le chant, la prière, le yoga, le tai-chi et des exercices contemplatifs similaires, peuvent améliorer l’entraînement du corps et de l’esprit. Après avoir regardé cette vidéo, vous devriez avoir une bonne compréhension de la façon d’utiliser l’entropie en ondelettes pour mesurer et explorer la relation entre les activités électriques du cerveau et du cœur pendant les méditations de pleine conscience.
Ce manuscrit décrit l'utilisation de l'indice d'entropie par ondelettes pour analyser des données d'électroencéphalographie (EEG) et d'électrocardiographie (ECG) à haute densité. L'étude démontre que l'irrégularité des activités cérébrales et cardiaques devient plus coordonnée pendant la pratique de réduction du stress basée sur la pleine conscience.
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.