Waiting
Elaborazione accesso...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

Modulering af det neurofysiologiske svar på frygtelige og stressende stimuli gennem gentagen religiøs sang

Published: November 4, 2021 doi: 10.3791/62960
Automatic Translation
1, 1, 2, 1, 1, 1
1Buddhism and Science Research Lab, Centre of Buddhist Studies, The University of Hong Kong, 2School of Biomedical Engineering, Shenzhen University

ERRATUM NOTICE

Summary

Den nuværende begivenhedsrelaterede potentialeundersøgelse (ERP) giver en unik protokol til undersøgelse af, hvordan religiøs chanting kan modulere negative følelser. Resultaterne viser, at det sene positive potentiale (LPP) er et robust neurofysiologisk svar på negative følelsesmæssige stimuli og effektivt kan moduleres ved gentagen religiøs sang.

Abstract

I neuropsykologiske eksperimenter er det sene positive potentiale (LPP) en begivenhedsrelateret potentiel (ERP) komponent, der afspejler niveauet af ens følelsesmæssige ophidselse. Denne undersøgelse undersøger, om gentagen religiøs sang modulerer den følelsesmæssige reaktion på frygt- og stressfremkaldende stimuli, hvilket fører til en mindre lydhør LPP. Enogtyve deltagere med mindst et års erfaring i den gentagne religiøse sang af "Amitabha Buddha" blev rekrutteret. Et 128-kanals elektroencefalografi (EEG) system blev brugt til at indsamle EEG-data. Deltagerne blev instrueret i at se negative eller neutrale billeder udvalgt fra International Affective Picture System (IAPS) under tre betingelser: gentagen religiøs sang, gentagen ikke-religiøs sang og ingen sang. Resultaterne viste, at visning af de negative frygt- og stressfremkaldende billeder inducerede større LPP'er hos deltagerne end at se neutrale billeder under de ikke-messende og ikke-religiøse sangforhold. Imidlertid forsvandt denne øgede LPP stort set under gentagne religiøse sangforhold. Resultaterne tyder på, at gentagen religiøs sang effektivt kan lindre den neurofysiologiske reaktion på frygtelige eller stressende situationer for praktikere.

Introduction

Det sene positive potentiale (LPP) har længe været ledsaget af følelsesmæssig ophidselse, og det er blevet pålideligt brugt i følelsesrelateret forskning1,2. Religiøs praksis er udbredt i både østlige og vestlige lande. Det hævdes, at det kan lindre den praktiserende læges angst og stress, når han står over for utilsigtede hændelser, især i svære tider3. Ikke desto mindre er dette sjældent blevet demonstreret under strenge eksperimentelle indstillinger.

Talrige undersøgelser har bekræftet, at følelsesregulering kan læres med forskellige strategier og rammer4,5,6. Et par undersøgelser har vist, at mindfulness og meditation kan modulere det neurale respons på affektive begivenheder7,8. For nylig blev det konstateret, at meditationsudøvere kan anvende andre følelsesmoduleringsstrategier end kognitiv vurdering, undertrykkelse og distraktion8,9. Stimuli fra International Affective Picture System (IAPS) kan bruges til at fremkalde positive eller negative følelser pålideligt, og der er standardkriterier for at finde designede billeder med specificerede valens- og ophidselsesniveauer i affektiv forskning10.

Følelsesmæssige stimuli kan forårsage tidlige - og senere - reaktioner i hjernen3,11. På samme måde foretog buddhismens tradition en analogisk analyse af sindets tanker ved hjælp af indledende og sekundære mentale processer3,12,13. Sallatha Sutta (Pilen Sutta), en tidlig buddhistisk tekst, nævner, at kognitiv træning kan tæmme følelser. Arrow Sutta siger, at både en veluddannet buddhistisk praktiserende læge og en utrænet person oplever en indledende og negativ opfattelse af smerte, når de står over for en skadelig begivenhed13. Denne uundgåelige indledende smerte svarer til, at en person bliver ramt af en pil, som beskrevet i Sallatha Sutta. Tidlig perceptuel smerte er identisk med scenen for tidlig behandling, når en person ser et meget negativt billede. Tidlig neural behandling fremkalder normalt en N1-komponent. Utrænede personer kan udvikle overdrevne følelser, såsom bekymring, angst og stress, efter at have oplevet de indledende, uundgåelige smertefulde følelser. Ifølge Sallatha Sutta er denne sent udviklende negative følelse eller psykologiske smerte som at blive ramt af en anden pil. Et ERP-eksperiment (event-related potential) kan fange det nuværende designs tidlige og senere psykologiske processer, forudsat at N1 og LPP kunne svare til de to pile, der er nævnt ovenfor.

I denne protokol blev den gentagne sang af navnet "Amitabha Buddha" (Sanskit: Amitābha) valgt for at teste den potentielle virkning af religiøs sang, når en person er i en frygtelig eller stressende situation. Denne religiøse sang er en af de mest populære praksisser hos personer med religiøs orientering blandt kinesiske buddhister, og det er en kernepraksis i østasiatisk pure landbuddhisme14. Det blev antaget, at gentagen religiøs sang ville reducere hjernens reaktion på provokerende stimuli, nemlig LPP induceret af frygtelige eller stressende billeder. Både EEG- og elektrokardiogramdata (EKG) blev indsamlet for at vurdere deltagernes neurofysiologiske reaktioner under forskellige forhold.

Protocol

Denne ERP-undersøgelse blev godkendt af University of Hong Kong Institutional Review Board. Før de deltog i denne undersøgelse, underskrev alle deltagere en skriftlig informeret samtykkeformular.

1. Eksperimentelt design

  1. Rekruttere deltagere
    1. Rekrutter deltagere med mindst 1 års (~ 200-3.000 h) erfaring med at synge navnet "Amitabha Buddha" til denne undersøgelse.
      BEMÆRK: I denne undersøgelse blev 21 menneskelige deltagere fra 40-52 år udvalgt; 11 var mænd.
  2. Religiøs sang vs. ikke-religiøs sang
    1. Chant navnet "Amitabha Buddha" i 40 s. Først 20 s med billedet af Amitabha Buddha og de næste 20 s med IAPS billeder.
      1. Chant kun fire tegn af navnet "Amitabha Buddha", mens du ser billedet af Amitabha Buddha i Pureland skole14.
    2. Chant navnet på julemanden (ikke-religiøs chanting tilstand) i 40 s. Først 20 s mens du ser billedet af julemanden og de næste 20 s med IAPS billeder.
      1. Chant kun fire tegn af navnet på julemanden og forestil dig julemanden.
    3. Hold stille i 40 s. Først 20 s med et tomt billede til kontrolformål og de næste 20 s med IAPS-billeder.
      BEMÆRK: Ingen sang.
  3. EEG-registreringssystem
    1. Registrer EEG-data ved hjælp af et 128-kanals EEG-system, der består af en forstærker, headbox, EEG-hætte og to stationære computere (se Tabel over materialer).
  4. Stimuli præsenterer system
    1. Brug stimuluspræsentationssoftware (se Tabel over materialer) til at vise neutrale og negative billeder fra IAPS på en stationær computer.
  5. EKG-registreringssystem
    1. Brug et fysiologisk dataregistreringssystem til at registrere EKG-data (se materialetabel).

2. Affektiv modulering eksperiment

BEMÆRK: Eksperimentet havde to faktorer med et 2 x 3 design: Den første faktor var billedtypen: neutral og negativ (frygt- og stressfremkaldende). Den anden faktor var den messende type: chanting "Amitabha Buddha", chanting "Santa Claus" og ingen chanting (stille visning).

  1. Brug et blokdesign, da det mere effektivt kan fremkalde følelsesrelaterede komponenter15.
    BEMÆRK: Der var seks betingelser, og sekvenserne blev randomiseret og opvejet mellem deltagerne (figur 1). De seks betingelser var som følger: religiøs sang, mens man ser negative billeder (AmiNeg); religiøs sang, mens du ser neutrale billeder (AmiNeu); ingen chanting mens du ser negative billeder (PasNeg); ingen chanting mens du ser neutrale billeder (PasNeu); ikke-religiøs sang, mens du ser negative billeder (SanNeg); og ikke-religiøs sang, mens du ser neutrale billeder (SanNeu).

Figure 1
Figur 1: Den eksperimentelle procedure. Der var seks pseudorandomiserede tilstande, og hver deltager modtog en pseudorandomiseret sekvens. Hver tilstand blev gentaget seks gange i to separate sessioner. Dette tal er tilpasset fra reference3. Klik her for at se en større version af denne figur.

  1. Vis hvert billede i ~ 1,8-2,2 s, med et interstimulusinterval (ISI) på 0,4-0,6 s.
    BEMÆRK: Der var 10 billeder af samme type (neutral eller negativ) i hver session.
  2. Tillad en hvileperiode på 20 s efter hver session for at imødegå de potentielle resterende virkninger af chanting eller billedvisning på den næste session.
  3. Præsenter billederne på en CRT-skærm i en afstand af 75 cm fra deltagernes øjne med synsvinkler på 15° (lodret) og 21° (vandret).
  4. Bed deltagerne om at observere billederne omhyggeligt.
  5. Giv deltagerne en kort øvelseskørsel, så de kan gøre sig bekendt med hver tilstand. Brug en videoskærm til at sikre, at deltagerne ikke falder i søvn.
  6. Giv deltagerne 10 minutters hvile midt i 40 minutters eksperimentet.

3. Indsamling af EEG- og EKG-data

BEMÆRK: Før du kommer til eksperimentet, skal du bede hver deltager om at vaske deres hår og hovedbund grundigt uden at bruge en balsam eller andet, der kan øge systemets impedans. Indsaml EEG- og EKG-data samtidigt ved hjælp af to separate systemer.

  1. Informer hver deltager om de eksperimentelle procedurer, det vil sige, at effektive billeder blev set under forskellige chanting betingelser.
  2. Indstil samplingshastigheden til 1.000 Hz, og hold impedansen for hver elektrode under 30 kΩ, når det er muligt eller i henhold til systemets krav.
  3. Indsamle fysiologiske data, herunder EKG-data, ved hjælp af et fysiologisk dataregistreringssystem (se materialetabellen).

4. Analyse af EEG-data

  1. Behandl og analysér EEG-dataene med EEGLAB (se Materialetabel) , Supplerende fil 1-2, en open source-software16 ved at følge nedenstående trin.
  2. Brug EEGLAB-funktionen "pop_resample" til at gensample dataene fra 1.000 Hz til 250 Hz for at opretholde en rimelig datafilstørrelse. Klik på Værktøjer > Skift samplingshastighed.
  3. Brug EEGLAB-funktionen "pop_eegfiltnew" til at filtrere dataene med et FIR-filter (finite impulse response) med 0,1-100 Hz passband. Klik på Værktøjer > Filtrer dataene > Grundlæggende FIR-filter (nyt, standard).
  4. Filtrer dataene igen med et IIR-filter (Nonlinear Infinite Impulse Response) med et 47-53 Hz stopbånd for at reducere støjen fra vekselstrømmen. Klik på Værktøjer > Filtrer dataene > vælg Hak filtrer dataene i stedet for passbånd.
  5. Undersøg visuelt dataene for at fjerne stærke artefakter genereret af øjen- og muskelbevægelser. Klik på Plot > Channel data (rulle).
  6. Undersøg visuelt dataene igen for enhver konsistent støj genereret af enhver kanal, og de dårlige kanaler blev noteret.
  7. Rekonstruer de dårlige kanaler ved hjælp af sfærisk interpolation. Klik på Værktøjer > Interpolere elektroder > Vælg fra datakanalerne.
  8. Kør uafhængig komponentanalyse (ICA) med open source-algoritmen "runica"16. Klik på Værktøjer > Kør ICA.
  9. Fjern de uafhængige komponenter (IC'er), der svarer til øjenbevægelser, blink, muskelbevægelse og linjestøj. Klik på Værktøjer > Afvis data ved hjælp af ICA > Afvis komponenter efter kort.
  10. Rekonstruer dataene ved hjælp af de resterende IC'er. Klik på Værktøjer > Fjern komponenter.
  11. Filtrer dataene med et 30 Hz lavpasfilter. Klik på Værktøjer > Filtrer dataene > Grundlæggende FIR-filter (nyt, standard).
  12. Få ERP-data ved at udtrække og gennemsnitlige tidslåste epoker for hver tilstand med et tidsvindue på -200 til 0 ms som basislinje og 0 til 800 ms som ERP. Klik på Værktøjer > Extract epoker.
  13. Henvis igen til ERP-dataene med gennemsnittet af venstre og højre mastoidkanaler. Klik på Værktøjer > re-reference.
  14. Gentag ovenstående trin for datasæt fra alle deltagere, og sammenlign forskellene mellem betingelserne ved hjælp af t-testen eller ANOVA med gentagne målinger i en statistisk analysesoftware (se Tabel over materialer).
  15. Definer tidsvinduer for N1 og LPP baseret på etablerede teorier8,17 og de aktuelle data3.
    BEMÆRK: I dette arbejde blev N1 defineret som 100-150 ms, mens LPP som 300-600 ms fra stimulusstart; LPP er mest fremtrædende i den centrale parietale region (figur 2).
  16. Find den neutrale vs. negative billedforskel ved N1-komponenten ved hjælp af parret t-test blandt tre betingelser (figur 3).
  17. Find den neutrale vs. negative billedforskel ved LPP-komponenten ved hjælp af parret t-test blandt tre betingelser (figur 4).
  18. Udfør ROI-analyse (region of interest) på N1- og LPP-komponenter ved at beregne et gennemsnit af relevante kanaler, der repræsenterer et område.
    BEMÆRK: For at vælge ROI blev epoker af alle tre betingelser gennemsnitligt for at beregne de kanaler, hvor de neutrale og negative billeder havde en forskel, der var signifikant i det specifikke tidsvindue (f.eks. For N1 eller LPP).
  19. Sammenlign forskellen ved N1 og LPP separat ved hjælp af gentagne målinger ANOVA og post hoc statistik i statistisk analysesoftware.
    BEMÆRK: Brug post hoc-analyse (Bonferroni-korrektion) og bestem signifikante forskelle mellem de to betingelser separat, hvis modellen var signifikant. Signifikanstærsklen blev fastsat til p < 0,05.

5. ERP-kildeanalyse

  1. Udfør ERP-kildeanalysen18 med SPM19 open source-softwaren (se materialetabellen) ved at følge nedenstående trin.
  2. Link EEG-hættesensorens koordinatsystem til koordinatsystemet for et standard strukturelt MR-billede (Montreal Neurological Institute (MNI) koordinater) ved landemærkebaseret samregistrering. I SPM skal du klikke på Batch > SPM > M/EEG > Source reconstruction > Head model specifikation.
  3. Udfør fremadrettet beregning for at beregne effekten af hver dipol på det kortikale net, der pålægges EEG-sensorerne. Under den samme Batch Editor skal du klikke på SPM > M / EEG > Source reconstruction > Source inversion.
    BEMÆRK: Disse resultater blev placeret i en G-matrix (n x m), hvor n er antallet af sensorer (EEG-rumdimension) og m er antallet af maskehjørner (kilderumsdimension). Kildemodellen var X = GS, hvor X er en n x k-matrix , der angiver ERP-dataene for hver tilstand, k er antallet af tidspunkter, og S er en m x k-matrix , der angiver ERP-kilden.
  4. Brug den grådige søgebaserede multiple sparse priors-algoritme (da S er ukendt) i tredje trin (blandt de mange tilgængelige algoritmer) til at udføre den inverse rekonstruktion, fordi den er mere pålidelig end andre metoder20. Vælg MSP (GS) for typen Inversion i vinduet Kildeinversion .
  5. Bestem forskellen mellem betingelser ved hjælp af generel lineær modellering i SPM. Indstil signifikansniveauet til p < 0,05. Under Batch Editor skal du klikke på SPM > Stats > Factorial designspecifikation.

6. EKG-data og adfærdsmæssig vurderingsanalyse

  1. Brug fysiologisk software og databehandlingssoftware til at behandle og analysere EKG-data (se materialetabel). Beregn de gennemsnitlige scorer for hver betingelse. I EEGLAB skal du klikke på Værktøjer > FMRIB-værktøjer > registrere QRS-hændelser21.
    BEMÆRK: I lighed med ERP-amplitudeanalysen blev statistisk software brugt til yderligere at analysere dataene med gentagne målinger ANOVA. Post hoc-analyse blev udført for at bestemme de signifikante forskelle mellem de to betingelser separat, hvis modellen var signifikant. Signifikansniveauet blev sat til p < 0,05.
  2. Bed deltagerne om at bedømme deres tro på effektiviteten af at synge motivets navn (Amitabha Buddha, julemanden osv.) på en skala fra 1-9, hvor 1 betragtes som svageste og 9 den stærkeste.

Representative Results

Adfærdsmæssige resultater
Resultaterne for deltagernes tro på chanting afslørede en gennemsnitlig score på 8,16 ± 0,96 for "Amitabha Buddha", 3,26 ± 2,56 for "Santa Claus" og 1,95 ± 2,09 for den tomme kontroltilstand (supplerende tabel 1).

ERP resultater
Den repræsentative kanal for Pz (parietal lobe) viste, at chantingbetingelserne havde forskellige virkninger på den tidlige (N1) og sene (LPP) behandling af neutrale og negative billeder. Det viste tidsvinduet for henholdsvis N1 og LPP (figur 2).

Tidligt perceptuelt stadium
ERP-resultaterne viste en øget N1, mens de negative billeder blev set i tre messende forhold (figur 3). Det viste, at negative billeder inducerede stærkere centrale hjerneaktiviteter end neutrale billeder, og stigningerne er sammenlignelige under tre forhold.

Sent følelsesmæssigt/kognitivt stadium
ERP demonstrerede en øget LPP i de ikke-religiøse chanting og no-chanting betingelser. LPP induceret af negative billeder er imidlertid næppe synlig, når deltageren synger Amitabha Buddhas navn (figur 4).

Analyse af interesseområde (ROI)
De tre betingelser blev kombineret for at estimere de regioner, der generelt blev aktiveret ved N1- og LPP-komponenter. Gentagne målinger ANOVA blev udført med statistisk software til beregning af forskellen i N1- og LPP-komponenterne mellem chantingbetingelserne (figur 5).

De tre venstre kolonner viser forskellen i N1-komponenten for de tre messende forhold: den tavse synstilstand, den ikke-religiøse chanting-tilstand og den religiøse chanting-tilstand. Forskellene i N1-komponenten var ens på tværs af de tre betingelser. De tre højre kolonner viser forskellen i LPP-komponenten for de tre chanting-betingelser. Dette viser, at forskellen i LPP-komponenten er meget mindre i den religiøse chanting tilstand end i den ikke-religiøse chanting tilstand og den tavse visning tilstand.

Kilde analyse
Kildeanalyse blev anvendt til at udtrække den potentielle hjernekortlægning baseret på LPP-resultaterne (figur 6). Resultaterne viser, at sammenlignet med neutrale billeder inducerer negative billeder mere parietal aktivering i den ikke-religiøse chanting tilstand og ingen chanting tilstand. I modsætning hertil forsvinder denne negative billedinducerede aktivering stort set i den religiøse messende tilstand.

Fysiologiske resultater: puls
Der var en signifikant ændring i pulsen (HR) mellem de negative og neutrale billeder i den ikke-religiøse chanting tilstand. En lignende tendens blev fundet i den ikke-chanting tilstand. En sådan HR-forskel blev imidlertid ikke fundet i den religiøse chanting-tilstand (figur 7).

Figure 2
Figur 2: En repræsentativ kanal (Pz) viste forskellige ERP'er under seks messende forhold. De seks betingelser er (1) religiøs sang, mens man ser neutrale billeder (AmiNeu); (2) religiøs sang, mens du ser negative billeder (AmiNeg); (3) ikke-religiøs sang, mens du ser neutrale billeder (SanNeu); (4) ikke-religiøs sang, mens du ser negative billeder (SanNeg); (5) ingen sang under visning af neutrale billeder (PasNeu); og (6) ingen sang, mens du ser negative billeder (PasNeg). Kanalen Pz placeret i midten af parietalområdet i hovedbunden. Klik her for at se en større version af denne figur.

Figure 3
Figur 3: ERP-resultaterne for at demonstrere N1-komponenten i de tre chanting-betingelser. Todimensionelle kort over N1-komponenten for de tre betingelser for hver billedtype. I den sidste kolonne vises kanaler med betydelige forskelle (p < 0,05) med prikker; prikker, der er i mørkere farve, indikerer større betydning (dvs. mindre p-værdier). Klik her for at se en større version af denne figur.

Figure 4
Figur 4: ERP-resultaterne for at demonstrere LPP-komponenten i de tre chanting-betingelser. Todimensionelle kort over LPP-komponenten (late positive potential) for de tre betingelser for hver billedtype. I den sidste kolonne vises kanaler med signifikante forskelle (p < 0,05) med prikker; prikker, der er i mørkere farve, indikerer større betydning (dvs. mindre p-værdier). Klik her for at se en større version af denne figur.

Figure 5
Figur 5: Analyse af interesseområde (ROI). Region of interest (ROI) analysen af forskellen mellem negative vs. neutrale billedinducerede hjerneresponser for den tidlige komponent, N1, og den sene komponent, det sene positive potentiale (LPP). Klik her for at se en større version af denne figur.

Figure 6
Figur 6: Kildeanalyse af komponenten for sent positivt potentiale (LPP) under de tre betingelser. Fremhævede områder indikerer højere hjerneaktivitet under negative vs. neutrale forhold. Klik her for at se en større version af denne figur.

Figure 7
Figur 7: Hjerteslagintervallerne under de tre messende forhold. Elektrokardiogrammets inter-beat-intervaller (RR'er) under hver billedtype/chanting-kombination og de tilsvarende p-værdier . Ami: Amitabha Buddha chanting tilstand, San: Julemanden chanting tilstand, Pas: passiv visning tilstand, Neu: neutralt billede, Neg: negativt billede. Klik her for at se en større version af denne figur.

Supplerende tabel 1: Bedømmelse af troen på effektiviteten af det messende emne (Amitabha Buddha, julemanden). Det bruger en 1-9 skala, hvor 1 angiver den mindste tro og 9 den stærkeste tro. Klik her for at downloade denne tabel.

Supplerende fil 1: Kode til forbehandling af EEG-databatch. Det fjerner dårlige kanaler, gensampler dataene til 250 Hz og filtrerer derefter dataene. Klik her for at downloade denne fil.

Supplerende fil 2: Kode til reparation af ERP-data. Det reparerer dårlige epoker med støjende pigge. Klik her for at downloade denne fil.

Discussion

Det unikke ved denne undersøgelse er anvendelsen af en neurovidenskabelig metode til at undersøge de neurale mekanismer, der ligger til grund for en udbredt religiøs praksis, dvs. gentagen religiøs sang. I betragtning af sin fremtrædende effekt kan denne metode muliggøre nye interventioner for terapeuter eller klinikere til at behandle klienter, der beskæftiger sig med følelsesmæssige problemer og lider af angst og stress. Sammen med tidligere undersøgelser bør bredere følelsesreguleringsforskning overvejes i fremtidige undersøgelser7,8,9,22.

Der er få ERP-undersøgelser af chanting, i betragtning af vanskeligheden ved at konstruere eksperimenter, der kombinerer chanting og andre kognitive begivenheder. Denne undersøgelse viser en gennemførlig protokol til undersøgelse af den affektive virkning af chanting / praying, som er ret populær i den virkelige verden. Tidligere funktionelle MR-undersøgelser (fMRI) viste, at bøn rekrutterer områder med social kognition23. En hviletilstands fMRI-undersøgelse afslørede, at chanting "OM" reducerede output fra de forreste cingulat-, insula- og orbitofrontale kortikater24. En anden EEG-undersøgelse viste, at "OM"-meditation øgede deltabølgerne, hvilket fremkaldte oplevelsen af afslapning og dyb søvn25. Disse metoder kunne imidlertid ikke præcist undersøge de specifikke begivenhedsrelaterede ændringer efter religiøs sang.

Forskere bør kontrollere de forvirrende faktorer for sprogbehandling og fortrolighed for med succes at undersøge den potentielle effekt af gentagen religiøs sang med succes. Da deltagerne øvede sig flittigt og dagligt i at synge navnet "Amitabha Buddha" (kinesiske tegn: Equation 1; Kantonesisk udtale: o1-nei4-to4-fat6), vi brugte navnet "Santa Claus" (kinesiske tegn: ; Equation 2 Kantonesisk udtale: sing3-daan3-lou5-jan4) som kontrolbetingelse, fordi den lokale er bekendt med julemanden. På kinesisk indeholder begge navne fire tegn og styrer således for sproglighed. Med hensyn til fortrolighed er julemanden også ret populær i Hong Kong, fordi det er en delvist vestlig by. Derudover er julemanden også en noget positiv figur i Hong Kong, hvor der er officiel juleferie. Ikke desto mindre er denne kontrol over fortrolighed delvis, da det er svært helt at matche forståelsen af Amitabha Buddhas navn for udøverne.

Et kritisk skridt i den aktuelle undersøgelse var udarbejdelsen af de frygt- eller stressfremkaldende billeder. Da religiøs sang kan fungere bedre, når truende begivenheder opstår, var det afgørende at vælge passende stimuli fra IAPS-billedpuljen26. Det anbefales, at potentielle deltagere interviewes, og at der vælges passende billeder for at undgå for meget frygt eller afsky. Meget negative billeder kunne forhindre deltagerne i bevidst at afværge deres opmærksomhed; Samtidig skal de frygt- og stressfremkaldende stimuli sætte deltagerne i stand til at opleve en tilstrækkelig trussel. Et andet kritisk spørgsmål er undersøgelsens blokdesign. EEG/ERP-signalet er tilstrækkeligt følsomt og dynamisk til at følge enhver hændelse. Det ville dog være mere hensigtsmæssigt at implementere et blokdesign med en visningsperiode på 20-30 s, fordi mønsteret af hjertefunktion eller følelser muligvis ikke ændres i størrelsesordenen sekunder27. På den anden side kan en 60 s blok være for lang, og det neurale respons kan blive vant i ERP-studierne.

EEG-databehandlingsfasen skal foretage en sikkerhedskopi under hvert trin, da hvert trin ændrer dataene og registrerer de ændringer, der er foretaget under disse trin. Dette kan bruges til at spore ændringer og gøre det lettere at finde fejl under batchbehandling. Forbedring af datakvaliteten er også afgørende, så der er behov for erfaring med rå datarensning og identifikation af dårlige IC'er. I den statistiske analyse blev der foretaget sammenligninger på store gennemsnit, og ANOVA blev anvendt. Vi advarer om, at denne statistik med modellen med fast effekt er modtagelig for tilfældige effekter28. Mixed-effects-modeller kan tilpasses til at kontrollere fremmede faktorer29, og antagelsen om linearitet kan potentielt påvirke slutninger fra ERP-dataene30.

Flere begrænsninger er værd at bemærke. En begrænsning er, at den nuværende undersøgelse kun indskrev en gruppe deltagere, der praktiserede Pureland Buddhisme. Tilmelding af en kontrolgruppe uden nogen erfaring med religiøs sang til sammenligning kan hjælpe med at afgøre, om effekten af religiøs sang er formidlet af tro eller fortrolighed. Normalt ville et randomiseret kontrolleret forsøg være mere overbevisende for at undersøge virkningen af følelsesmodulering på religiøs sang31. Det er dog svært at garantere, at nogen deltager gentagne gange vil synge "Amitabha Buddha" med fuldstændig vilje. Derudover påvirkes LPP af andre faktorer, såsom følelsesmæssig lyd eller positiv priming32,33. Således er der behov for bedre kontrollerede eksperimenter for mere tydeligt at afgrænse den grundlæggende neuromekanisme, der ligger til grund for effekten af religiøs sang.

Sammenfattende har tidligere undersøgelser vist, at den menneskelige hjerne er subjektiv over for neural plasticitet og hurtig ændring af tilstande34,35; med tilstrækkelig øvelse og hensigt kan hjernen omforme sig selv og reagere anderledes på normalt frygtelige stimuli. Denne undersøgelse giver indsigt i udviklingen af effektive coping strategier til håndtering af følelsesmæssig nød i nutidige sammenhænge. Efter denne protokol bør forskere undersøge effekten af religiøs sang eller anden traditionel praksis for at identificere mulige måder at hjælpe folk med at forbedre deres følelsesmæssige lidelser.

Disclosures

Forfatterne erklærer, at de ikke har nogen konkurrerende økonomiske interesser.

Acknowledgments

Undersøgelsen blev støttet af det lille fondsprojekt HKU og NSFC.61841704.

Materials

Name Company Catalog Number Comments
E-Prime 2.0 Psychology Software Tools stimulus presentation, behavior data collection
EEGLAB Swartz Center for Computational Neuroscience EEG analysis software
HydroCel GSN 128 channels Electrical Geodesics, Inc. (EGI) EEG cap
LabChart ADInstruments physiological data (including ECG) acquisition software
Matlab R2011a MathWorks EEGLAB and SPM are based on Matlab; statistical analysis tool for EEG and physiological data
Netstation Electrical Geodesics, Inc. (EGI) EEG acquisition software
PowerLab 8/35 ADInstruments PL3508 physiological data (including ECG) acquisition hardware
SPM Wellcome Trust Centre for Neuroimaging EEG source analysis software
FMRIB University of Oxford Centre for Functional MRI of the Brain (FMRIB) Plug-in for EEGLAB to process ECG data
SPSS IBM statistical analysis tool for behavior and EEG ROI data
iMac 27" Apple running the Netstation software
Windows PC HP running the E-Prime 2.0 software
Windows PC Dell running the LabChart software

DOWNLOAD MATERIALS LIST

References

  1. Kennedy, H., Montreuil, T. C. The late positive potential as a reliable neural marker of cognitive reappraisal in children and youth: A brief review of the research literature. Frontiers in Psychology. 11, 608522 (2020).
  2. Yu, Q., Kitayama, S. Does facial action modulate neural responses of emotion? An examination with the late positive potential (LPP). Emotion. 21 (2), 442-446 (2021).
  3. Gao, J. L., et al. Repetitive religious chanting modulates the late-stage brain response to fear and stress-provoking pictures. Frontiers in Psychology. 7, 2055 (2017).
  4. Barkus, E. Effects of working memory training on emotion regulation: Transdiagnostic review. PsyCh Journal. 9 (2), 258-279 (2020).
  5. Denny, B. T. Getting better over time: A framework for examining the impact of emotion regulation training. Emotion. 20 (1), 110-114 (2020).
  6. Champe, J., Okech, J. E. A., Rubel, D. J. Emotion regulation: Processes, strategies, and applications to group work training and supervision. Journal for Specialists in Group Work. 38 (4), 349-368 (2013).
  7. Sobolewski, A., Holt, E., Kublik, E., Wrobel, A. Impact of meditation on emotional processing-A visual ERP study. Neuroscience Research. 71 (1), 44-48 (2011).
  8. Katyal, S., Hajcak, G., Flora, T., Bartlett, A., Goldin, P. Event-related potential and behavioural differences in affective self-referential processing in long-term meditators versus controls. Cognitive Affective & Behavioral Neuroscience. 20 (2), 326-339 (2020).
  9. Uusberg, H., Uusberg, A., Talpsep, T., Paaver, M. Mechanisms of mindfulness: The dynamics of affective adaptation during open monitoring. Biological Psychology. 118, 94-106 (2016).
  10. Bradley, M. M., Lang, P. J. Handbook of emotion elicitation and assessment. Series in affective science. Coan, J. A., Allen, J. B. 483, Oxford University Press. 483-488 (2007).
  11. Gao, J. L., et al. Repetitive religious chanting invokes positive emotional schema to counterbalance fear: A multi-modal functional and structural MRI study. Frontiers in Behavioral Neuroscience. 14, 548856 (2020).
  12. Somaratne, G. A. The Jhana-cittas: The methods of swapping existential planes via samatha. Journal Of The Postgraduate Institute Of Pali And Buddhist Studies. 2, 1-21 (2017).
  13. Bhikkhu, T. Sallatha Sutta: The arrow (SN 36.6), Translated from the pali. Access to Insight Legacy Edition. , (2013).
  14. Halkias, G. Luminous bliss : a religious history of Pure Land literature in Tibet : with an annotated English translation and critical analysis of the Orgyan-gling gold manuscript of the short Sukhāvatīvȳuha-sūtra. , University of Hawaiʻi Press. (2013).
  15. Stewart, J. L., et al. Attentional bias to negative emotion as a function of approach and withdrawal anger styles: An ERP investigation. International Journal of Psychophysiology. 76 (1), 9-18 (2010).
  16. Delorme, A., Makeig, S. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods. 134 (1), 9-21 (2004).
  17. Ito, T. A., Larsen, J. T., Smith, N. K., Cacioppo, J. T. Negative information weighs more heavily on the brain: The negativity bias in evaluative categorizations. Journal of Personality and Social Psychology. 75 (4), 887-900 (1998).
  18. Grech, R., et al. Review on solving the inverse problem in EEG source analysis. Journal of NeuroEngineering and Rehabilitation. 5, 25 (2008).
  19. Penny, W. D., Friston, K. J., Ashburner, J. T., Kiebel, S. J., Nichols, T. E. Statistical Parametric Mapping: The Analysis of Functional BrainIimages: The Analysis of Functional Brain Images. , Academic Press. (2011).
  20. Friston, K., et al. Multiple sparse priors for the M/EEG inverse problem. NeuroImage. 39 (3), 1104-1120 (2008).
  21. Niazy, R. K., Beckmann, C. F., Iannetti, G. D., Brady, J. M., Smith, S. M. Removal of FMRI environment artifacts from EEG data using optimal basis sets. Neuroimage. 28 (3), 720-737 (2005).
  22. Nakamura, H., Tawatsuji, Y., Fang, S. Y., Matsui, T. Explanation of emotion regulation mechanism of mindfulness using a brain function model. Neural Networks. 138, 198-214 (2021).
  23. Schjoedt, U., Stdkilde-Jorgensen, H., Geertz, A. W., Roepstorff, A. Highly religious participants recruit areas of social cognition in personal prayer. Social Cognitive and Affective Neuroscience. 4 (2), 199-207 (2009).
  24. Rao, N. P., et al. Directional brain networks underlying OM chanting. Asian Journal of Psychiatry. 37, 20-25 (2018).
  25. Harne, B. P., Bobade, Y., Dhekekar, R. S., Hiwale, A. SVM classification of EEG signal to analyze the effect of OM Mantra meditation on the brain. 2019 Ieee 16th India Council International Conference (Ieee Indicon 2019). , (2019).
  26. Coan, J. A., Allen, J. J. B. Handbook of Emotion Elicitation and Assessment. , Oxford University Press. (2007).
  27. Meseguer, V., et al. Mapping the apetitive and aversive systems with emotional pictures using a Block-design fMRI procedure. Psicothema. 19 (3), 483-488 (2007).
  28. Luck, S. J., Gaspelin, N. How to get statistically significant effects in any ERP experiment (and why you shouldn't). Psychophysiology. 54 (1), 146-157 (2017).
  29. Meteyard, L., Davies, R. A. I. Best practice guidance for linear mixed-effects models in psychological science. Journal of Memory and Language. 112, 104092 (2020).
  30. Tremblay, A., Newman, A. J. Modeling nonlinear relationships in ERP data using mixed-effects regression with R examples. Psychophysiology. 52 (1), 124-139 (2015).
  31. Wu, B. W. Y., Gao, J. L., Leung, H. K., Sik, H. H. A randomized controlled trial of Awareness Training Program (ATP), a group-based mahayana buddhist intervention. Mindfulness. 10 (7), 1280-1293 (2019).
  32. Brown, D. R., Cavanagh, J. F. The sound and the fury: Late positive potential is sensitive to sound affect. Psychophysiology. 54 (12), 1812-1825 (2017).
  33. Hill, L. D., Starratt, V. G., Fernandez, M., Tartar, J. L. Positive affective priming decreases the middle late positive potential response to negative images. Brain and Behavior. 9 (1), 01198 (2019).
  34. Belzung, C., Wigmore, P. Current Topics in Behavioral Neurosciences,1 online resource. , Springer Berlin Heidelberg. Berlin Heidelberg. (2013).
  35. Denes, G. Neural Plasticity Across The Lifespan: How The Brain Can Change. , CRC Press, an imprint of the Taylor & Francis Group. (2016).

Tags

Neurovidenskab udgave 177

Erratum

Formal Correction: Erratum: Modulation of the Neurophysiological Response to Fearful and Stressful Stimuli Through Repetitive Religious Chanting
Posted by JoVE Editors on 03/25/2022. Citeable Link.

An erratum was issued for: Modulation of the Neurophysiological Response to Fearful and Stressful Stimuli Through Repetitive Religious Chanting. The Authors section was updated.

The authors section was updated from:

Hin Hung Sik1, Georgios T. Halkias1, Chunqi Chang2, Junling Gao1, Hang Kin Leung1, Bonnie W. Y. Wu1
1Centre of Buddhist Studies, The University of Hong Kong,
2School of Biomedical Engineering, Shenzhen University

To:

Hin Hung Sik1, Georgios T. Halkias1, Chunqi Chang2, Junling Gao1, Hang Kin Leung1, Bonnie Wai Yan Wu1
1Buddhism and Science Research Lab, Centre of Buddhist Studies, The University of Hong Kong,
2School of Biomedical Engineering, Shenzhen University

Modulering af det neurofysiologiske svar på frygtelige og stressende stimuli gennem gentagen religiøs sang
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Sik, H. H., Halkias, G. T., Chang,… More

Sik, H. H., Halkias, G. T., Chang, C., Gao, J., Leung, H. K., Wu, B. W. Y. Modulation of the Neurophysiological Response to Fearful and Stressful Stimuli Through Repetitive Religious Chanting. J. Vis. Exp. (177), e62960, doi:10.3791/62960 (2021).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter