Waiting
Elaborazione accesso...

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

Neuroscience

Modulatie van de neurofysiologische reactie op angstige en stressvolle stimuli door repetitief religieus chanten

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

De huidige event-related potential (ERP) studie biedt een uniek protocol om te onderzoeken hoe religieuze chanting negatieve emoties kan moduleren. De resultaten tonen aan dat het late positieve potentieel (LPP) een robuuste neurofysiologische reactie is op negatieve emotionele stimuli en effectief kan worden gemoduleerd door repetitief religieus chanten.

Abstract

In neuropsychologische experimenten is het late positieve potentieel (LPP) een gebeurtenisgerelateerd potentieel (ERP) component dat het niveau van iemands emotionele opwinding weerspiegelt. Deze studie onderzoekt of repetitief religieus chanten de emotionele reactie op angst- en stress-provocerende stimuli moduleert, wat leidt tot een minder responsieve LPP. Eenentwintig deelnemers met minstens een jaar ervaring in het repetitieve religieuze gezang van "Amitabha Boeddha" werden gerekruteerd. Een 128-kanaals elektro-encefalografie (EEG) systeem werd gebruikt om EEG-gegevens te verzamelen. De deelnemers kregen de opdracht om negatieve of neutrale foto's te bekijken die waren geselecteerd uit het International Affective Picture System (IAPS) onder drie omstandigheden: repetitief religieus gezang, repetitief niet-religieus gezang en geen chanten. De resultaten toonden aan dat het bekijken van de negatieve angst- en stress-provocerende foto's grotere LPP's bij de deelnemers veroorzaakte dan het bekijken van neutrale foto's onder de niet-chantende en niet-religieuze chantende omstandigheden. Deze verhoogde LPP verdween echter grotendeels onder repetitieve religieuze chantomstandigheden. De bevindingen geven aan dat repetitief religieus chanten de neurofysiologische reactie op angstige of stressvolle situaties voor beoefenaars effectief kan verlichten.

Introduction

Het late positieve potentieel (LPP) gaat al lang gepaard met emotionele opwinding en is betrouwbaar gebruikt in emotiegerelateerd onderzoek1,2. Religieuze praktijken zijn wijdverspreid in zowel oosterse als westerse landen. Er wordt beweerd dat het de angst en stress van de beoefenaar kan verlichten wanneer hij wordt geconfronteerd met bijwerkingen, vooral in tijden van moeilijkheden3. Niettemin is dit zelden aangetoond onder rigoureuze experimentele omgevingen.

Talrijke studies hebben bevestigd dat emotieregulatie kan worden geleerd met verschillende strategieën en kaders4,5,6. Een paar studies hebben aangetoond dat mindfulness en meditatie de neurale reactie op affectieve gebeurtenissen kunnen moduleren7,8. Onlangs werd ontdekt dat meditatiebeoefenaars andere emotiemodulatiestrategieën kunnen gebruiken dan cognitieve beoordeling, onderdrukking en afleiding8,9. Stimuli van het International Affective Picture System (IAPS) kunnen worden gebruikt om op betrouwbare wijze positieve of negatieve emoties op te wekken, en er zijn standaardcriteria voor het vinden van ontworpen foto's met gespecificeerde valentie- en opwindingsniveaus in affectief onderzoek10.

Emotionele prikkels kunnen vroege en latere reacties in de hersenen veroorzaken3,11. Evenzo maakte de boeddhistische traditie analoge analyse van de gedachten van de geest door initiële en secundaire mentale processen3,12,13. De Sallatha Sutta (De pijl Sutta), een vroege boeddhistische tekst, vermeldt dat cognitieve training emoties kan temmen. De Arrow Sutta stelt dat zowel een goed opgeleide boeddhistische beoefenaar als een ongetraind persoon een eerste en negatieve perceptie van pijn ervaren wanneer ze worden geconfronteerd met een schadelijke gebeurtenis13. Deze onvermijdelijke initiële pijn is vergelijkbaar met een persoon die wordt geraakt door een pijl, zoals beschreven in de Sallatha Sutta. Vroege perceptuele pijn is identiek aan het stadium van vroege verwerking wanneer een persoon een zeer negatief beeld bekijkt. Vroege neurale verwerking lokt meestal een N1-component uit. Ongetrainde personen kunnen overmatige emoties ontwikkelen, zoals zorgen, angst en stress, na het ervaren van de eerste, onvermijdelijke pijnlijke gevoelens. Volgens de Sallatha Sutta is deze laat ontwikkelende negatieve emotie of psychologische pijn alsof je door een tweede pijl wordt geraakt. Een event-related potential (ERP) experiment kan de vroege en latere psychologische processen van het huidige ontwerp vastleggen, ervan uitgaande dat N1 en LPP zouden kunnen overeenkomen met de twee hierboven genoemde pijlen.

In dit protocol werd het herhaaldelijk chanten van de naam "Amitabha Boeddha" (Sanskit: Amitābha) gekozen om het potentiële effect van religieus chanten te testen wanneer een persoon zich in een angstige of stressvolle situatie bevindt. Dit religieuze chanten is een van de meest populaire praktijken van personen met religieuze oriëntaties onder Chinese boeddhisten, en het is een kernbeoefening van het Oost-Aziatische Pure Land Boeddhisme14. Er werd verondersteld dat repetitief religieus chanten de reactie van de hersenen op provocerende stimuli zou verminderen, namelijk de LPP veroorzaakt door angstige of stressvolle beelden. Zowel EEG- als elektrocardiogramgegevens (ECG) werden verzameld om de neurofysiologische reacties van de deelnemers onder verschillende omstandigheden te beoordelen.

Protocol

Deze ERP-studie werd goedgekeurd door de Institutional Review Board van de Universiteit van Hong Kong. Alvorens deel te nemen aan dit onderzoek ondertekenden alle deelnemers een schriftelijk formulier voor geïnformeerde toestemming.

1. Experimenteel ontwerp

  1. Werf deelnemers
    1. Rekruteer deelnemers met ten minste 1 jaar (~ 200-3.000 uur) ervaring in het chanten van de naam "Amitabha Boeddha" voor deze studie.
      OPMERKING: In de huidige studie werden 21 menselijke deelnemers, variërend van 40-52 jaar oud, geselecteerd; 11 waren mannen.
  2. Religieus chanten versus niet-religieus chanten
    1. Chant de naam van "Amitabha Boeddha" voor 40 s. De eerste 20 s met het beeld van Amitabha Boeddha en de volgende 20 s met IAPS beelden.
      1. Chant slechts vier tekens met de naam "Amitabha Boeddha" terwijl je het beeld van de Amitabha Boeddha in Pureland school bekijkt14.
    2. Chant de naam van de Kerstman (niet-religieuze chantende voorwaarde) voor 40 s. De eerste 20 s tijdens het bekijken van het beeld van de Kerstman en de volgende 20 s met IAPS beelden.
      1. Chant slechts vier tekens met de naam van de kerstman en stel je de kerstman voor.
    3. Zwijg gedurende 40 s. De eerste 20 s met een lege afbeelding voor besturingsdoeleinden en de volgende 20 s met IAPS-afbeeldingen.
      OPMERKING: Geen gezang.
  3. EEG-opnamesysteem
    1. Registreer EEG-gegevens met behulp van een 128-kanaals EEG-systeem dat bestaat uit een versterker, headbox, EEG-dop en twee desktopcomputers (zie Materiaaltabel).
  4. Stimuli presenterend systeem
    1. Gebruik stimuluspresentatiesoftware (zie Tabel met materialen) om neutrale en negatieve foto's van de IAPS op een desktopcomputer weer te geven.
  5. ECG-opnamesysteem
    1. Gebruik een fysiologisch gegevensregistratiesysteem om ECG-gegevens te registreren (zie Tabel met materialen).

2. Affectief modulatie-experiment

OPMERKING: Het experiment had twee factoren met een 2 x 3 ontwerp: De eerste factor was het beeldtype: neutraal en negatief (angst- en stress-provocerend). De tweede factor was het chanttype: het chanten van "Amitabha Buddha", het chanten van "Santa Claus" en geen chanting (silent view).

  1. Gebruik een blokontwerp, omdat dit effectiever emotiegerelateerde componenten kan oproepen15.
    OPMERKING: Er waren zes voorwaarden en de sequenties werden gerandomiseerd en gecompenseerd tussen de deelnemers (figuur 1). De zes voorwaarden waren als volgt: religieus gezang tijdens het bekijken van negatieve foto's (AmiNeg); religieus gezang tijdens het bekijken van neutrale foto's (AmiNeu); geen gezang tijdens het bekijken van negatieve foto's (PasNeg); geen gezang tijdens het bekijken van neutrale foto's (PasNeu); niet-religieuze chanten tijdens het bekijken van negatieve foto's (SanNeg); en niet-religieuze gezang tijdens het bekijken van neutrale foto's (SanNeu).

Figure 1
Figuur 1: De experimentele procedure. Er waren zes pseudorandomiseerde aandoeningen en elke deelnemer kreeg een pseudorandomiseerde sequentie. Elke aandoening werd zes keer herhaald in twee afzonderlijke sessies. Dit cijfer is overgenomen uit Reference3. Klik hier om een grotere versie van deze figuur te bekijken.

  1. Toon elke foto voor ~1,8-2,2 s, met een interstimulusinterval (ISI) van 0,4-0,6 s.
    OPMERKING: Er waren 10 foto's van hetzelfde type (neutraal of negatief) in elke sessie.
  2. Laat een rustperiode van 20 s na elke sessie om de mogelijke resterende effecten van chanten of het bekijken van foto's bij de volgende sessie tegen te gaan.
  3. Presenteer de foto's op een CRT-monitor op een afstand van 75 cm van de ogen van de deelnemers, met visuele hoeken van 15° (verticaal) en 21° (horizontaal).
  4. Vraag de deelnemers om de foto's goed te observeren.
  5. Geef de deelnemers een korte oefenrun zodat ze vertrouwd kunnen raken met elke aandoening. Gebruik een videomonitor om ervoor te zorgen dat de deelnemers niet in slaap vallen.
  6. Geef de deelnemers 10 minuten rust in het midden van het 40 minuten durende experiment.

3. Eeg- en ECG-gegevensverzameling

OPMERKING: Voordat u naar het experiment komt, vraagt u elke deelnemer om hun haar en hoofdhuid grondig te wassen zonder een conditioner of iets anders te gebruiken dat de impedantie van het systeem kan verhogen. Verzamel de EEG- en ECG-gegevens tegelijkertijd door twee afzonderlijke systemen.

  1. Informeer elke deelnemer over de experimentele procedures, dat wil zeggen dat effectieve foto's werden bekeken onder verschillende chantende omstandigheden.
  2. Stel de bemonsteringsfrequentie in op 1.000 Hz en houd de impedantie van elke elektrode waar mogelijk of volgens de vereisten van het systeem onder de 30 kΩ.
  3. Verzamel fysiologische gegevens, inclusief ECG-gegevens met behulp van een fysiologisch gegevensregistratiesysteem (zie Materiaaltabel).

4. EEG-gegevensanalyse

  1. Verwerk en analyseer de EEG-gegevens met EEGLAB (zie Materiaaltabel), Aanvullend bestand 1-2, een open-source software16 volgens de onderstaande stappen.
  2. Gebruik de EEGLAB-functie "pop_resample" om de gegevens van 1.000 Hz tot 250 Hz opnieuw te bemonsteren om een redelijke gegevensbestandsgrootte te behouden. Klik op Extra > De bemonsteringsfrequentie wijzigen.
  3. Gebruik de EEGLAB-functie "pop_eegfiltnew" om de gegevens te filteren met een eindige impulsrespons (FIR) filter met 0,1-100 Hz passband. Klik op Extra > De gegevens filteren > Basis FIR-filter (nieuw, standaard).
  4. Filter de gegevens opnieuw met een niet-lineaire oneindige impulsrespons (IIR) filter met een 47-53 Hz stopband om de ruis van de wisselstroom te verminderen. Klik op Extra > De gegevens filteren > selecteer Notch filter de gegevens in plaats van passband.
  5. Inspecteer de gegevens visueel om sterke artefacten te verwijderen die worden gegenereerd door oog- en spierbewegingen. Klik op Plot > Channel data (scroll).
  6. Inspecteer de gegevens opnieuw visueel op consistente ruis die door een kanaal wordt gegenereerd en de slechte kanalen werden opgemerkt.
  7. Reconstrueer de slechte kanalen met behulp van sferische interpolatie. Klik op Extra > Interpoleer elektroden > Selecteer uit de gegevenskanalen.
  8. Voer onafhankelijke componentanalyse (ICA) uit met het open-source algoritme "runica"16. Klik op Extra > ICA uitvoeren.
  9. Verwijder de onafhankelijke componenten (IC's) die overeenkomen met oogbewegingen, knipperen, spierbewegingen en lijnruis. Klik op Extra > Gegevens weigeren met behulp van ICA > Onderdelen afwijzen op kaart.
  10. Reconstrueer de gegevens met behulp van de resterende IC's. Klik op Extra > Componenten verwijderen.
  11. Filter de gegevens met een 30 Hz low-pass filter. Klik op Extra > De gegevens filteren > Basis FIR-filter (nieuw, standaard).
  12. Verkrijg ERP-gegevens door tijdgebonden tijdperken voor elke voorwaarde te extraheren en te gemiddelden met een tijdvenster van -200 tot 0 ms als basislijn en 0 tot 800 ms als ERP. Klik op Extra > tijdperken extraheren.
  13. Verwijs opnieuw naar de ERP-gegevens met het gemiddelde van de linker- en rechter mastoïdekanalen. Klik op Extra > Re-reference.
  14. Herhaal de bovenstaande stappen voor de datasets van alle deelnemers en vergelijk de verschillen tussen de omstandigheden met behulp van de t-test of herhaalde metingen ANOVA in een statistische analysesoftware (zie Tabel met materialen).
  15. Definieer tijdvensters voor N1 en LPP op basis van gevestigde theorieën8,17en de huidige gegevens3.
    OPMERKING: In dit werk werd N1 gedefinieerd als 100-150 ms, terwijl LPP als 300-600 ms vanaf het begin van de stimulus; LPP is het meest prominent in het centraal-pariëtale gebied (figuur 2).
  16. Zoek het neutrale versus negatieve beeldverschil bij de N1-component met behulp van een gepaarde t-test onder drie omstandigheden (figuur 3).
  17. Zoek het neutrale versus negatieve beeldverschil bij de LPP-component met behulp van een gepaarde t-test onder drie omstandigheden (figuur 4).
  18. Voer een ROI-analyse (Region of Interest) uit op N1- en LPP-componenten door het gemiddelde te nemen van relevante kanalen om een regio weer te geven.
    OPMERKING: Om de ROI te selecteren, werden de tijdperken van alle drie de omstandigheden gemiddeld om die kanalen te berekenen waar de neutrale en negatieve afbeeldingen een verschil hadden dat significant was in het specifieke tijdvenster (bijvoorbeeld voor N1 of LPP).
  19. Vergelijk het verschil bij N1 en LPP afzonderlijk, met behulp van herhaalde metingen ANOVA en post hoc statistieken in statistische analysesoftware.
    OPMERKING: Gebruik post-hocanalyse (Bonferroni-correctie) en bepaal significante verschillen tussen de twee voorwaarden afzonderlijk als het model significant was. De significantiedrempel werd vastgesteld op p < 0,05.

5. ERP bron analyse

  1. Voer de ERP-bronanalyse18 uit met de SPM19 open-source software (zie Tabel met materialen) volgens de onderstaande stappen.
  2. Koppel het EEG-dopsensorcoördinatensysteem aan het coördinatensysteem van een standaard structureel MRI-beeld (coördinaten van het Montreal Neurological Institute (MNI) door middel van co-registratie op basis van oriëntatiepunten. Klik in SPM op Batch > SPM > M/EEG > Source reconstruction > Head model specification.
  3. Voer voorwaartse berekeningen uit om het effect van elke dipool op het corticale gaas te berekenen dat aan de EEG-sensoren wordt opgelegd. Klik onder dezelfde batcheditor op SPM > M/EEG > bronreconstructie > broninversie.
    OPMERKING: Deze resultaten werden in een G-matrix (n x m) geplaatst, waarbij n het aantal sensoren is (EEG-ruimtedimensie) en m het aantal gaaspunten (bronruimtedimensie). Het bronmodel was X = GS, waarbij X een n x k-matrix is die de ERP-gegevens van elke voorwaarde aangeeft, k het aantal tijdspunten en S een m x k-matrix die de ERP-bron aangeeft.
  4. Gebruik het op hebzuchtige zoekwerk gebaseerde algoritme voor meerdere spaarzame priors (omdat S onbekend is) in de derde stap (onder de vele beschikbare algoritmen) om de omgekeerde reconstructie uit te voeren omdat het betrouwbaarder is dan andere methoden20. Kies MSP (GS) voor het type Inversie in het venster Broninversie .
  5. Bepaal het verschil tussen de omstandigheden met behulp van algemene lineaire modellering in SPM. Stel het significantieniveau in op p < 0,05. Klik onder Batch Editor op SPM > Stats > Factorial design specification.

6. ECG-gegevens en gedragsbeoordelingsanalyse

  1. Gebruik fysiologische en gegevensverwerkende software om de ECG-gegevens te verwerken en te analyseren (zie Tabel met materialen). Bereken de gemiddelde scores voor elke aandoening. Klik in EEGLAB op Tools > FMRIB Tools > QRS events detecteren21.
    OPMERKING: Net als bij de ERP-amplitudeanalyse werd statistische software gebruikt om de gegevens verder te analyseren met herhaalde metingen ANOVA. Post-hocanalyse werd uitgevoerd om de significante verschillen tussen de twee voorwaarden afzonderlijk te bepalen als het model significant was. Het significantieniveau werd ingesteld op p < 0,05.
  2. Vraag de deelnemers om hun geloof in de effectiviteit van het chanten van de naam van het onderwerp (Amitabha Boeddha, de Kerstman, enz.) te beoordelen op een schaal van 1-9, waarbij 1 als zwakste en 9 als sterkste wordt beschouwd.

Representative Results

Gedragsresultaten
De resultaten voor de overtuiging van de deelnemers om te chanten onthulden een gemiddelde score van 8,16 ± 0,96 voor "Amitabha Buddha", 3,26 ± 2,56 voor "Santa Claus" en 1,95 ± 2,09 voor de blanco controleconditie (aanvullende tabel 1).

ERP resultaten
Het representatieve kanaal van Pz (pariëtale kwab) toonde aan dat de chantende omstandigheden verschillende effecten hadden op de vroege (N1) en late (LPP) verwerking van neutrale en negatieve beelden. Het toonde het tijdvenster van respectievelijk N1 en LPP (figuur 2).

Vroege perceptuele fase
De ERP-resultaten toonden een verhoogde N1 tijdens het bekijken van de negatieve beelden in drie chantende omstandigheden (figuur 3). Het toonde aan dat negatieve beelden sterkere centrale hersenactiviteiten veroorzaakten dan neutrale beelden, en de toenames zijn vergelijkbaar in drie omstandigheden.

Late emotionele/cognitieve fase
De ERP toonde een verhoogde LPP in de niet-religieuze chanting en no-chanting omstandigheden. De LPP veroorzaakt door negatieve foto's is echter nauwelijks zichtbaar wanneer de deelnemer de naam van Amitabha Boeddha zingt (figuur 4).

Analyse van de regio van belang (ROI)
De drie voorwaarden werden gecombineerd om de regio's te schatten die over het algemeen werden geactiveerd bij N1- en LPP-componenten. Herhaalde metingen ANOVA werd uitgevoerd met statistische software om het verschil in de N1- en LPP-componenten tussen de chantingcondities te berekenen (figuur 5).

De linker drie kolommen tonen het verschil in de N1-component voor de drie chantende omstandigheden: de stille kijkconditie, de niet-religieuze chanting-conditie en de religieuze chanting-conditie. De verschillen in de N1-component waren vergelijkbaar in de drie omstandigheden. De rechter drie kolommen tonen het verschil in de LPP-component voor de drie chantingcondities. Dit toont aan dat het verschil in de LPP-component veel kleiner is in de religieuze chantconditie dan in de niet-religieuze chanting-conditie en de stille kijkconditie.

Bronanalyse
Bronanalyse werd toegepast om de potentiële hersenkartering te extraheren op basis van de LPP-resultaten (figuur 6). De resultaten laten zien dat in vergelijking met neutrale foto's, negatieve beelden meer pariëtale activering induceren in de niet-religieuze chanting conditie en geen chanting conditie. Daarentegen verdwijnt deze negatieve beeld-geïnduceerde activering grotendeels in de religieuze chantende toestand.

Fysiologische resultaten: hartslag
Er was een significante verandering in de hartslag (HR) tussen de negatieve en neutrale beelden in de niet-religieuze chantende conditie. Een vergelijkbare trend werd gevonden in de toestand van het niet-chanten. Een dergelijk HR-verschil werd echter niet gevonden in de religieuze chantingconditie (figuur 7).

Figure 2
Figuur 2: Een representatief kanaal (Pz) toonde verschillende ERP's in zes chantende omstandigheden. De zes voorwaarden zijn (1) religieus chanten tijdens het bekijken van neutrale foto's (AmiNeu); (2) religieus gezang tijdens het bekijken van negatieve foto's (AmiNeg); (3) niet-religieuze gezang tijdens het bekijken van neutrale foto's (SanNeu); (4) niet-religieuze gezang tijdens het bekijken van negatieve foto's (SanNeg); (5) geen gezang tijdens het bekijken van neutrale foto's (PasNeu); en (6) geen gezang tijdens het bekijken van negatieve foto's (PasNeg). Het kanaal Pz bevindt zich in het midden-pariëtale gebied van de hoofdhuid. Klik hier om een grotere versie van deze figuur te bekijken.

Figure 3
Figuur 3: De ERP-resultaten voor het demonstreren van de N1-component in de drie chanting-omstandigheden. Tweedimensionale afbeeldingen van de N1-component voor de drie voorwaarden voor elk beeldtype. In de laatste kolom worden kanalen met significante verschillen (p < 0,05) weergegeven met stippen; stippen die in een donkerdere kleur zijn, geven een grotere betekenis aan (d.w.z. kleinere p-waarden). Klik hier om een grotere versie van deze figuur te bekijken.

Figure 4
Figuur 4: De ERP-resultaten voor het demonstreren van de LPP-component in de drie chanting-omstandigheden. Tweedimensionale afbeeldingen van de component late positive potential (LPP) voor de drie voorwaarden voor elk beeldtype. In de laatste kolom worden kanalen met significante verschillen (p < 0,05) weergegeven met stippen; stippen die in een donkerdere kleur zijn, geven een grotere betekenis aan (d.w.z. kleinere p-waarden). Klik hier om een grotere versie van deze figuur te bekijken.

Figure 5
Figuur 5: Regio van belang (ROI) analyse. De Region of interest (ROI) analyse over het verschil tussen negatieve versus neutrale beeld-geïnduceerde hersenresponsen voor de vroege component, N1, en de late component, de late positieve potentiaal (LPP). Klik hier om een grotere versie van deze figuur te bekijken.

Figure 6
Figuur 6: Bronanalyse van de laat-positieve potentiaalcomponent (LPP) onder de drie omstandigheden. Gemarkeerde gebieden duiden op hogere hersenactiviteit in negatieve versus neutrale omstandigheden. Klik hier om een grotere versie van deze figuur te bekijken.

Figure 7
Figuur 7: De hartslagintervallen onder de drie chantende omstandigheden. De inter-beat inter-beat intervallen (RR's) van het elektrocardiogram onder elke combinatie van beeldtype/chanting en de bijbehorende p-waarden . Ami: Amitabha Boeddha chantende conditie, San: Santa Claus chanting conditie, Pas: passieve kijkconditie, Neu: neutrale foto, Neg: negatief beeld. Klik hier om een grotere versie van deze figuur te bekijken.

Aanvullende tabel 1: Beoordeling van het geloof in de effectiviteit van het chantende onderwerp (Amitabha Boeddha, Kerstman). Het gebruikt een schaal van 1-9, waarbij 1 het minste geloof aangeeft en 9 het sterkste geloof. Klik hier om deze tabel te downloaden.

Aanvullend bestand 1: Code voor eeg-gegevens batch voorbewerking. Het verwijdert slechte kanalen, resampled de gegevens naar 250 Hz en filtert vervolgens de gegevens. Klik hier om dit bestand te downloaden.

Aanvullend bestand 2: Code voor erp-gegevensreparatie. Het herstelt slechte tijdperken met luidruchtige spikes. Klik hier om dit bestand te downloaden.

Discussion

Het unieke van deze studie is de toepassing van een neurowetenschappelijke methode om de neurale mechanismen te onderzoeken die ten grondslag liggen aan een wijdverspreide religieuze praktijk, d.w.z. repetitief religieus chanten. Gezien het prominente effect zou deze methode nieuwe interventies voor therapeuten of clinici mogelijk kunnen maken om cliënten te behandelen die te maken hebben met emotionele problemen en lijden aan angst en stress. Samen met eerdere studies moet in toekomstige studies rekening worden gehouden met breder onderzoek naar emotieregulatie7,8,9,22.

Er zijn weinig ERP-studies over chanten, gezien de moeilijkheid om experimenten te construeren die chanten en andere cognitieve gebeurtenissen combineren. Deze studie toont een haalbaar protocol voor het onderzoeken van het affectieve effect van chanten / bidden, wat nogal populair is in de echte wereld. Eerdere functionele MRI (fMRI) studies toonden aan dat bidden gebieden van sociale cognitie rekruteert23. Een fMRI-studie in rusttoestand toonde aan dat het chanten van "OM" de output van het voorste cingulate, insula en orbitofrontale cortices verminderde24. Een andere EEG-studie wees uit dat "OM" -meditatie deltagolven verhoogde, waardoor de ervaring van ontspanning en diepe slaap werd opgewekt25. Deze methoden konden echter niet precies de specifieke gebeurtenisgerelateerde veranderingen na religieuze chanting onderzoeken.

Onderzoekers moeten de verstorende factoren van taalverwerking en vertrouwdheid beheersen om het potentiële effect van repetitief religieus chanten met succes te onderzoeken. Terwijl de deelnemers uitgebreid en dagelijks oefenden met het chanten van de naam "Amitabha Buddha" (Chinese karakters: Equation 1; Kantonese uitspraak: o1-nei4-to4-fat6), gebruikten we de naam "Santa Claus" (Chinese karakters: ; Equation 2 Kantonese uitspraak: sing3-daan3-lou5-jan4) als controlevoorwaarde omdat de local bekend is met de Kerstman. In het Chinees bevatten beide namen vier karakters, waardoor de taalovereenkomst wordt gecontroleerd. Wat bekendheid betreft, is de Kerstman ook vrij populair in Hong Kong omdat het een gedeeltelijk verwesterde stad is. Daarnaast is de Kerstman ook een wat positieve figuur in Hong Kong, waar officiële kerstvakantie is. Niettemin is deze controle van vertrouwdheid gedeeltelijk, omdat het moeilijk is om het begrip van de naam van Amitabha Boeddha voor de beoefenaars volledig te evenaren.

Een cruciale stap in het huidige onderzoek was het opstellen van de angst- of stressveroorzakende beelden. Omdat religieuze chanting beter kan werken wanneer zich bedreigende gebeurtenissen voordoen, was het selecteren van de juiste stimuli uit de IAPS-beeldpool26 cruciaal. Het wordt aanbevolen om potentiële deelnemers te interviewen en geschikte foto's te kiezen om te veel angst of walging te voorkomen. Zeer negatieve foto's kunnen voorkomen dat de deelnemers moedwillig hun aandacht afwenden; tegelijkertijd moeten de angst- en stressveroorzakende prikkels de deelnemers in staat stellen een voldoende dreiging te ervaren. Een ander kritiek punt is de blokopzet van de studie. Het EEG/ERP-signaal is voldoende gevoelig en dynamisch om elke gebeurtenis te volgen. Het zou echter passender zijn om een blokontwerp te implementeren met een kijkperiode van 20-30 s, omdat het patroon van hartfunctie of emotie mogelijk niet verandert in de orde van seconden27. Aan de andere kant kan een blok van 60 s te lang zijn en kan de neurale respons gewend raken in de ERP-studies.

De EEG-gegevensverwerkingsfase moet tijdens elke stap een back-up maken, omdat elke stap de gegevens wijzigt en de wijzigingen registreert die tijdens die stappen zijn aangebracht. Dit kan worden gebruikt om wijzigingen bij te houden en het gemakkelijker te maken om fouten te vinden tijdens batchverwerking. Het verbeteren van de datakwaliteit is ook essentieel, dus ervaring met het opschonen van ruwe data en het identificeren van slechte IC's is nodig. In de statistische analyse werden vergelijkingen gemaakt op grote gemiddelden en werd ANOVA toegepast. We waarschuwen dat deze statistiek met het fixed-effect model gevoelig is voor willekeurige effecten28. Modellen met gemengde effecten kunnen worden aangepast om externe factoren29 te beheersen, en de aanname van lineariteit kan mogelijk van invloed zijn op gevolgtrekkingen uit de ERP-gegevens30.

Verschillende beperkingen zijn het vermelden waard. Een beperking is dat de huidige studie slechts één groep deelnemers inschreef die het Pureland-boeddhisme beoefenden. Het inschrijven van een controlegroep zonder enige ervaring in religieus chanten ter vergelijking kan helpen bepalen of het effect van religieus chanten wordt gemedieerd door geloof of bekendheid. Meestal zou een gerandomiseerde gecontroleerde studie overtuigender zijn om de impact van emotiemodulatie op religieuze chanting te onderzoeken31. Het is echter moeilijk om te garanderen dat een deelnemer herhaaldelijk "Amitabha Boeddha" zou chanten met volledige bereidheid. Bovendien wordt de LPP beïnvloed door andere factoren, zoals emotioneel geluid of positieve priming32,33. Er zijn dus beter gecontroleerde experimenten nodig om het fundamentele neuromechanisme dat ten grondslag ligt aan het effect van religieus chanten duidelijker af te bakenen.

Kortom, eerdere studies hebben aangetoond dat het menselijk brein subjectief is voor neurale plasticiteit en snelle verandering van toestanden34,35; met voldoende oefening en intentie kunnen de hersenen zichzelf hervormen en anders reageren op normaal angstige stimuli. Deze studie geeft inzicht in de ontwikkeling van effectieve copingstrategieën voor het omgaan met emotionele nood in hedendaagse contexten. Volgens dit protocol moeten onderzoekers het effect van religieuze chanting of andere traditionele praktijken onderzoeken om haalbare manieren te vinden om mensen te helpen hun emotionele lijden te verlichten.

Disclosures

De auteurs verklaren dat zij geen concurrerende financiële belangen hebben.

Acknowledgments

Het onderzoek werd ondersteund door het kleine fondsproject van HKU en 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

Neurowetenschappen Nummer 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

Modulatie van de neurofysiologische reactie op angstige en stressvolle stimuli door repetitief religieus chanten
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