Articolo metodologico

Canto religioso e regioni cerebrali autocorrelate: uno studio di neuroimaging multimodale

2.1K visualizzazioni

⸱

DOI:

10.3791/66221

⸱

31 maggio 2024

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

In questo articolo

Sommario

Qui, presentiamo un protocollo per indagare i correlati neurofisiologici di varie forme di meditazione, incluso il canto religioso. Questo metodo integra in modo univoco i risultati degli autovettori fMRI per la selezione della regione nell'analisi della sorgente dell'elettroencefalogramma (EEG) utilizzando il clustering k-means. I risultati forniscono una comprensione approfondita dei processi neurali coinvolti nel canto religioso ripetitivo.

Abstract

Questo protocollo presenta un approccio di neuroimaging multimodale per esplorare la potenziale attività cerebrale associata al canto religioso ripetitivo, una forma diffusa di allenamento mentale sia nelle culture orientali che in quelle occidentali. L'elettroencefalogramma ad alta densità (EEG), con la sua risoluzione temporale superiore, consente di catturare i cambiamenti dinamici nell'attività cerebrale durante il canto religioso. Attraverso i metodi di localizzazione delle fonti, questi possono essere attribuiti a varie potenziali fonti alternative della regione del cervello. Venti praticanti di canto religioso sono stati misurati con EEG. Tuttavia, la risoluzione spaziale dell'EEG è meno precisa, rispetto alla risonanza magnetica funzionale (fMRI). Pertanto, un professionista di grande esperienza si è sottoposto a una sessione di scansione fMRI per guidare la localizzazione della sorgente in modo più preciso. I dati fMRI hanno contribuito a guidare la selezione della localizzazione della sorgente EEG, rendendo più preciso e affidabile il calcolo delle medie K della localizzazione della sorgente EEG nel gruppo di 20 professionisti intermedi. Questo metodo ha migliorato la capacità dell'EEG di identificare le regioni cerebrali specificamente impegnate durante il canto religioso, in particolare il ruolo cardinale della corteccia cingolata posteriore (PCC). La PCC è un'area del cervello correlata alla messa a fuoco e all'elaborazione autoreferenziale. Questi risultati di neuroimaging multimodale e neurofisiologici rivelano che il canto religioso ripetitivo può indurre una minore centralità e una maggiore potenza delle onde delta rispetto al canto non religioso e alle condizioni di stato di riposo. La combinazione di fMRI e analisi della sorgente EEG fornisce una comprensione più dettagliata della risposta del cervello al canto religioso ripetitivo. Il protocollo contribuisce in modo significativo alla ricerca sui meccanismi neurali coinvolti nelle pratiche religiose e meditative, che sta diventando sempre più importante al giorno d'oggi. I risultati di questo studio potrebbero avere implicazioni significative per lo sviluppo di future tecniche di neurofeedback e interventi psicologici.

Introduzione

Il canto religioso, una pratica molto popolare nelle culture orientali, è spesso paragonato alla preghiera nelle società occidentali1. Nonostante la sua prevalenza, la ricerca scientifica sui correlati neurali del canto religioso rimane piuttosto limitata. In questo studio sono state utilizzate sofisticate tecniche elettrofisiologiche e di neuroimaging multimodali per colmare questa lacuna di conoscenza e per esplorare le associazioni neurali del canto dell'Amitābha Buddha, una delle tradizioni religiose più diffuse e una delle più antiche attivamente conservate 2,3. Il canto religioso ripetitivo può servire come tecnica efficace nella consulenza buddista per aiutare a calmare la mente da pensieri ed emozioni turbolenti.

Data l'elevata risoluzione spaziale della risonanza magnetica funzionale (fMRI), può essere applicata per superare i limiti degli studi EEG tradizionali4. Combinando la risonanza magnetica funzionale e il clustering della sorgente dell'elettroencefalogramma (EEG) tramite l'analisi delle componenti indipendenti (ICA), lo studio identifica e raggruppa le componenti indipendenti dell'attività cerebrale tra i partecipanti. Questo metodo introduce una nuova strategia per identificare i segnali provenienti da sorgenti EEG miste o da fonti disparate tra i partecipanti, che è stata impegnativa a causa delle differenze nell'anatomia del cervello e nel posizionamento degli elettrodi.

La forma di canto religioso ripetitivo che è stata studiata con questo protocollo prevede la recitazione ripetitiva del nome di Amitābha Buddha. È anche una pratica meditativa che è stata segnalata per suscitare sensazioni di beatitudine ed esperienze trascendentali. Tra le diverse pratiche buddiste, la pratica del canto di Amitābha Buddha è semplice e facilmente accessibile. Questa pratica promette la rinascita nella Terra Pura per tutti coloro che invocano sinceramente questo nome, che ha somiglianze con certe tradizioni della religione occidentale 1,3.

Attraverso il neuroimaging multimodale, questo studio mira a fornire una comprensione completa dei correlati neurali del canto religioso ripetitivo. Il protocollo può contribuire al fiorente campo della ricerca sugli effetti neurofisiologici di diverse pratiche religiose e meditative.

Lo studio ha ipotizzato che il canto religioso ripetitivo porterebbe a cambiamenti significativi del segnale nelle regioni del cervello responsabili dei processi auto-correlati. Inoltre, date le emozioni positive attribuite ad Amitābha Buddha, abbiamo ipotizzato che durante il canto religioso si sarebbero verificati cambiamenti emotivi. È probabile che questi cambiamenti efficaci coincidano con modifiche negli indicatori fisiologici periferici, come le variazioni degli indici di variabilità della frequenza cardiaca multibanda (HRV) e della frequenza respiratoria5.

Protocollo

L'approvazione etica per lo studio è stata ottenuta dall'Università di Hong Kong prima dell'esperimento. Tutti i partecipanti avevano firmato un modulo di consenso scritto prima di partecipare agli esperimenti EEG e fMRI.

1. Selezione e preparazione dei partecipanti

  1. Reclutare partecipanti che abbiano almeno 1 anno di esperienza meditativa nel canto religioso dell'Amitābha Buddha per un minimo di 15 minuti al giorno. Assicurati che la fascia d'età sia compresa tra i 40 e i 52 anni. Stimare il numero di partecipanti mediante l'analisi della potenza. Nel presente studio, sono stati reclutati 21 partecipanti.
    NOTA: L'analisi della potenza è stata condotta sulla base delle dimensioni dell'effetto osservate negli studi pilota e nella letteratura esistente sugli studi EEG e fMRI della meditazione. In generale, il design all'interno del soggetto ha un potere migliore di differenziare le diverse condizioni, dato che la variazione tra i soggetti è solitamente maggiore.
  2. Informare i partecipanti sullo scopo dello studio e sulle procedure coinvolte.
  3. Assicurati che i partecipanti non siano depressi utilizzando l'inventario della depressione di Beck.
  4. Assicurarsi che i partecipanti siano in buona salute e non siano sotto l'influenza di sostanze che possono influenzare le loro risposte fisiologiche.
    NOTA: I criteri di esclusione includono la depressione, la patologia neuropsichiatrica o l'essere sotto l'effetto di alcol o sostanze psicoattive. Inoltre, i criteri di esclusione specifici per la risonanza magnetica includono un pacemaker, impianti cerebrali profondi o impianti metallici che non sono compatibili con un controllo MRI.
  5. Assicurarsi che i partecipanti siano idonei a partecipare allo studio EEG/elettrocardiogramma (ECG)/risonanza magnetica.
    NOTA: I dati EEG e MRI sono stati registrati separatamente. La durata della raccolta dei dati differiva tra EEG e fMRI per ottimizzare la qualità dei dati per ciascuna modalità, considerando l'affaticamento e il comfort dei partecipanti. Il nostro studio pilota ha rilevato che la risonanza magnetica funzionale è più sensibile alla dimostrazione dei correlati neurali, mentre i dati EEG di solito presentavano segmenti errati o altri artefatti e necessitavano di una durata leggermente più lunga per garantire dati sufficienti per l'analisi finale. Quindi, il tempo EEG era leggermente più lungo del tempo della risonanza magnetica. Durante la raccolta dei dati EEG e fMRI sono state necessarie posture diverse a causa dei vincoli di ciascuna modalità di imaging. Le condizioni sono state randomizzate utilizzando un programma di randomizzazione generato al computer per controllare gli effetti dell'ordine. La sequenza non era la stessa tra EEG e fMRI.

2. Acquisizione e analisi dei dati EEG

  1. Configurare l'EEG a 128 canali e più apparecchiature di registrazione dei dati fisiologici secondo le istruzioni del produttore.
  2. Assicurarsi che i partecipanti si lavino accuratamente i capelli prima di iniziare l'acquisizione dei dati EEG/ECG.
  3. Chiedi ai partecipanti di rilassarsi e sedersi comodamente.
  4. Presenta l'esperimento ai partecipanti.
  5. Chiedi al partecipante di fare una versione di prova dell'esperimento.
  6. Acquisisci i dati EEG mentre ogni partecipante si trova in tre diverse condizioni: cantare Amitābha Buddha, cantare Babbo Natale e stare a riposo, il tutto con gli occhi chiusi. Registra 10 minuti di dati EEG in ogni condizione.
  7. Salvare ed etichettare i dati in modo appropriato per ogni partecipante.
  8. Assicurati che i dati siano archiviati in modo sicuro con i backup.

3. Acquisizione dati MRI

  1. Preparare uno scanner MRI da 3,0 T e assicurarsi che funzioni correttamente prima di iniziare l'acquisizione dei dati. Assicurarsi che il partecipante si senta a proprio agio e comprenda la procedura prima di iniziare la scansione.
  2. Inizia con una sequenza di scansione pesata T1 con i seguenti parametri: Campo visivo (FoV) = 256 mm × 150 mm × 240 mm, matrice di acquisizione = 256 × 256, tempo di ripetizione (TR) = 15 ms, tempo di eco (TE) = 3,26 ms, angolo di ribaltamento = 25°, spessore della fetta = 1,5 mm, numero di fette = 100, risoluzione voxel (x,y,z,) = 0,94 mm × 1 mm × 1,5 mm.
  3. Ottieni immagini fMRI con l'imaging ecoplanare a gradiente (EPI) utilizzando una bobina di testa SENSE a 8 canali. Impostare i parametri della sequenza come segue: FoV = 230 mm × 140 mm × 230 mm, matrice di acquisizione = 64 × 64, TR = 2000 ms, TE = 30 ms, angolo di ribaltamento = 90°, numero di fette = 32, spessore della fetta = 3 mm e distanza tra le fette = 1,5 mm.
  4. Avviare l'acquisizione dei dati fMRI mentre ogni partecipante si trova in tre condizioni: canto religioso, canto non religioso e stato di riposo. Registra i dati per la durata di ciascuna condizione: ogni condizione comprendeva 243 volumi dinamici, con una durata totale di 8,1 minuti.

4. Acquisizione dati fisiologici

  1. Configurare il sistema di acquisizione dei dati fisiologici per la raccolta di dati cardiaci, respiratori e altri dati fisiologici secondo le istruzioni del produttore.
    NOTA: Contemporaneamente sono stati acquisiti i dati EEG e fisiologici.
  2. Collegare tre elettrodi ECG rispettivamente sulla mano sinistra e destra e sul piede sinistro.
  3. Installare due cinture respiratorie sul partecipante, una per misurare il respiro al seno e un'altra per misurare il respiro addominale.
  4. Monitorare la risposta galvanica della pelle (GSR) e i livelli di saturazione di ossigeno dei partecipanti.
  5. Inizia l'acquisizione dei dati insieme alla raccolta dei dati EEG mentre ogni partecipante si trova in tre condizioni: cantare Amitābha Buddha, cantare Babbo Natale e stare a riposo, il tutto con gli occhi chiusi.
  6. Salvare ed etichettare i dati in modo appropriato per ogni partecipante. Assicurati che i dati siano archiviati in modo sicuro e che siano sufficientemente validi per ulteriori analisi.

5. Analisi dei dati EEG

  1. Elaborare e analizzare i dati EEG con un software appropriato. In questo caso è stato utilizzato un software open-source EEGLAB.
  2. Caricare i dati nel programma. Fare clic su File > caricare il set di dati esistente.
  3. Ricampionare i dati da 1000 Hz a 250 Hz facendo clic su Strumenti > Modifica frequenza di campionamento.
  4. Filtrare i dati con un filtro FIR (Finite Impulse Response) con una banda passante compresa tra 0,1 e 100 Hz facendo clic su Strumenti > Filtra i dati > filtro FIR di base.
  5. Filtrare nuovamente i dati con un filtro notch con una banda di arresto di 47-53 Hz per rimuovere il rumore della corrente alternata. Fare clic su Strumenti > Filtra i dati e selezionare l'opzione Tacca per filtrare i dati anziché passare la banda.
  6. Ispezionare visivamente i dati per eliminare artefatti come i movimenti degli occhi e dei muscoli facendo clic su Traccia > dati canale (scorrimento).
    NOTA: I canali designati per l'elettro-oculografia (EOG) possono essere utilizzati come riferimento.
  7. Ispezionare visivamente i dati per notare i canali danneggiati per la rimozione.
  8. Applicate l'interpolazione sferica in base ai canali circostanti per ricostruire i canali danneggiati facendo clic su Strumenti (Tools) > Interpola elettrodi (Interpolate Electrodes ) e selezionate uno dei canali dati.
  9. Esegui l'analisi dei componenti indipendenti (ICA) utilizzando l'algoritmo runica. Per questo, fare clic su Strumenti > Esegui ICA.
  10. Per rimuovere i componenti indipendenti (IC) che corrispondono al movimento degli occhi, al rumore muscolare e al rumore delle linee, fare clic su Strumenti > Rifiuta dati utilizzando ICA > Rifiuta componenti per mappa.
  11. Ricostruire i dati utilizzando gli Ics rimanenti facendo clic su Strumenti > Rimuovi componenti (Remove Components).
  12. Fare clic su Strumenti > Filtra i dati > filtro FIR di base per filtrare i dati con un filtro passa-basso a 47 Hz.
  13. Stimare la somiglianza dei circuiti integrati e raggrupparli in cluster funzionalmente equivalenti utilizzando le funzioni STUDY di EEGLAB. Fare clic su File > Crea > studio utilizzando tutti i set di dati caricati.
  14. Genera le posizioni di dipolo di ciascun circuito integrato utilizzando la funzione DIPFIT2. Fare clic su Strumenti > Individua dipolo utilizzando DIPFIT 2.x > Autofit.
  15. Utilizza il clustering k-means per creare cluster IC basati su posizioni di dipolo (peso: 2/3) e spettro di potenza (peso: 1/3) simili. Fare clic su Study > PCA Clustering > Build Preclustering Array.
  16. Ripetere la procedura di clustering dieci volte, ogni volta con un'impostazione diversa del parametro k. Identificare l'impostazione del parametro k che genera cluster distintivi ma ragionevoli. Fare clic su Studia > Modifica/Traccia cluster.
  17. Eseguire l'analisi dello spettro e condurre un'ANOVA unidirezionale su tutte le principali bande di frequenza utilizzando i circuiti integrati di uno specifico cluster di interesse.
    NOTA: Prestare particolare attenzione alla corteccia cingolata posteriore (PCC), poiché è stato riscontrato che quest'area diminuisce di centralità a causa di un aumento regionale della generazione endogena di oscillazioni delta durante il canto religioso.

6. Analisi dei dati fMRI

  1. Pre-elabora i dati fMRI utilizzando il software Leipzig Image Processing and Statistical Inference Algorithms (LIPSIA 2.2.7).
    1. Esegui la pre-elaborazione che include la normalizzazione dell'intensità del segnale, la correzione del movimento, la normalizzazione spaziale nello spazio MNI, il livellamento spaziale con FWHM (Full Width at Half Maximum) = 6 mm e il filtraggio passa-alto temporale con una frequenza di taglio di 1/90 Hz per rimuovere le derive a bassa frequenza nella serie temporale fMRI. Fare riferimento a questi passaggi nella pipeline di elaborazione dati 1 (File supplementare 1).
  2. Rimuovi le covariate di nessun interesse, come le fluttuazioni globali del segnale e i parametri di movimento, facendole regredire dai dati per ogni sequenza di scansione che corrisponde a ciascuna delle tre condizioni.
  3. Infine, studia la connettomica funzionale dell'intero cervello applicando l'Eigenvector Centrality Mapping (ECM), un metodo di teoria dei grafi che identifica i nodi più influenti all'interno di una rete, e le immagini ECM di due condizioni vengono sottratte l'una dall'altra per produrre l'immagine di contrasto risultante. Fare riferimento a questi passaggi nella pipeline di elaborazione dati 2 (File supplementare 2).

7. ECG e altre analisi di dati fisiologici

  1. Pulisci l'ECG grezzo e altri dati fisiologici tramite un filtro passa-banda di Butterworth ed estrai l'intervallo tra battiti (IBI) dopo aver sostituito i valori anomali con l'interpolazione spline.
  2. Detrend dei dati IBI e calcola le caratteristiche nel dominio del tempo/frequenza dell'HRV (variabilità della frequenza cardiaca) utilizzando il toolbox open source HRVAS.
  3. Impostare le gamme di frequenza per il VLF su 0-0,04 Hz, LF su 0,04-0,15 Hz e HF su 0,15-0,4 Hz.
  4. Stimare la potenza delle bande di frequenza selezionate utilizzando il metodo del periodogramma di Lomb-Scargle.
  5. Sottoporre le metriche HRV derivate a test statistici utilizzando misure ripetute unidirezionali, ANOVA e test post hoc per valutare le differenze tra le condizioni. Impostare il livello alfa di significatività su 0,05.
  6. Calcola altri dati fisiologici, come gli intervalli di respiro per ogni partecipante e ogni condizione, utilizzando il software di analisi.
  7. Utilizzare la funzione findpeaks nel software di analisi per rilevare il picco della curva respiratoria.
  8. Differenziare i periodi inspiratorio ed espiratorio, quindi calcolare la frequenza respiratoria.
  9. Confronta la differenza tra le condizioni utilizzando misure ripetute unidirezionali, ANOVA e test post hoc.

Risultati

I risultati dell'analisi fMRI hanno indicato che la differenza più forte nella centralità degli autovettori tra il canto religioso e quello non religioso era prevalentemente localizzata nella corteccia cingolata posteriore (PCC); vedere la Figura 1. Questo risultato è stato sfruttato per valutare e convalidare la selezione del clustering dei componenti EEG-indipendente, che in modo simile manifestava un cluster in prossimità della regione PCC.

figure-results-1
Figura 1: Neuroimaging multimodale e risultati elettrofisiologici. La mappatura della centralità degli autovettori applicata ai dati fMRI, ha rivelato che la corteccia cingolata posteriore è l'area del cervello che diminuisce maggiormente in centralità durante il canto religioso rispetto al canto non religioso. Questa cifra è stata ottenuta con il permesso di Gao et al.1. Clicca qui per visualizzare una versione più grande di questa figura.

L'analisi del clustering dei componenti indipendenti dall'EEG ha prodotto sette distinti cluster IC, ciascuno corrispondente a una fonte di attività EEG. In particolare, uno di questi cluster era situato nel PCC, un risultato che si allinea con i risultati della risonanza magnetica funzionale (vedi Figura 2).

figure-results-2
Figura 2: L'analisi del clustering dei componenti indipendenti dall'EEG presentava anche un cluster nel PCC. Questa cifra è stata ottenuta con il permesso di Gao et al.1. Clicca qui per visualizzare una versione più grande di questa figura.

Questo particolare cluster è stato successivamente scelto per un'analisi approfondita, compresa l'analisi dello spettro. Un'ANOVA unidirezionale ha rivelato un effetto principale significativo del canto sulla potenza della banda di frequenza delta (1-4 Hz, vedi Figura 3 e Figura 4).

figure-results-3
Figura 3: L'ANOVA unidirezionale ha rivelato un effetto principale significativo del canto sulla potenza della banda delta (1-4 Hz). Questa cifra è stata ottenuta con il permesso di Gao et al.1. Clicca qui per visualizzare una versione più grande di questa figura.

figure-results-4
Figura 4: Analisi post hoc delle condizioni di canto religioso rispetto a quelle non religiose. L'analisi ha mostrato che il canto religioso induce una potenza delta più elevata rispetto alla condizione di canto non religioso (p = 0,011). Clicca qui per visualizzare una versione più grande di questa figura.

Ulteriori analisi post hoc hanno indicato una potenza significativamente inferiore dell'HRV durante il canto religioso rispetto alla condizione di assenza di canto (vedi Figura 5).

figure-results-5
Figura 5: Analisi post hoc dello stato di riposo senza canto rispetto alle condizioni di canto religioso. L'analisi ha mostrato che, rispetto allo stato di riposo senza canto, il canto religioso induce una potenza totale HRV inferiore, una potenza assoluta ad alta frequenza inferiore e una potenza assoluta a frequenza molto bassa inferiore. Questa cifra è stata ottenuta con il permesso di Gao et al.1. Clicca qui per visualizzare una versione più grande di questa figura.

I risultati indicano che, rispetto al canto non religioso, c'è una diminuzione della centralità degli autovettori nel PCC, probabilmente guidata da un aumento regionale delle oscillazioni delta endogene. Questi cambiamenti funzionali sono indipendenti dalle attività cardiache o respiratorie periferiche e non sono innescati dall'elaborazione implicita del linguaggio. Invece, sembrano essere associati a esperienze di beatitudine trascendentale e a una riduzione della cognizione egocentrica.

File supplementare 1: Pipeline di elaborazione dati 1. Clicca qui per scaricare questo file.

File supplementare 2: Pipeline di elaborazione dati 2. Clicca qui per scaricare questo file.

Discussione

Sebbene il sistema EEG a 128 canali utilizzato fosse un sistema EEG ad alta densità, la risoluzione spaziale dell'EEG rimane relativamente scarsa rispetto alla fMRI e questa carenza influisce anche sull'accuratezza della localizzazione della sorgente EEG, specialmente quando sono plausibili più candidati della regione cerebrale. Pertanto, la risoluzione spaziale più profonda e più elevata della risonanza magnetica può migliorare significativamente l'accuratezza spaziale dell'analisi della sorgente EEG6 e guidare la selezione dei cluster più importanti per ulteriori analisi. Il presente protocollo utilizza strumenti di neuroimaging multimodale, tra cui metodi di acquisizione e analisi dei dati EEG, ECG e fMRI. Dimostra un approccio completo all'esplorazione dei correlati neurofisiologici del canto religioso e potenzialmente di altre forme di allenamento mentale. Un passaggio critico del protocollo è l'applicazione dei risultati della risonanza magnetica funzionale nell'analisi della sorgente EEG. La qualità dei dati EEG acquisiti rimane fondamentale per la successiva analisi e interpretazione dei risultati. L'uso del clustering ICA e k-means nell'analisi dei dati EEG, in combinazione con i risultati della fMRI, consente una comprensione più sfumata dei dati 7,8. La modulazione osservata della potenza della banda delta durante il canto religioso si allinea con la letteratura che suggerisce che i ritmi delta possono regolare il comportamento attraverso la sincronizzazione dell'attività neurale. L'onda delta può favorire l'attenzione focalizzata e una potenziale riduzione del pensiero autoreferenziale associato alla rete in modalità predefinita. Questa maggiore attività delta, indicativa di stati profondamente ricostituenti, potrebbe sostenere gli effetti terapeutici del canto rafforzando l'elaborazione cognitiva ed emotiva9.

I risultati di questo studio evidenziano un aumento significativo della potenza della banda delta durante il canto religioso, rispetto al canto non religioso. I risultati della risonanza magnetica funzionale indicano una forte diminuzione della centralità nelle regioni cerebrali associate all'elaborazione auto-correlata10 durante il canto religioso. I risultati dei dati fisiologici dimostrano anche che gli effetti del canto religioso sono distinti da quelli del canto non religioso ed escludono altri potenziali fattori confondenti, comprese le differenze dovute all'elaborazione del linguaggio o all'attività cardiaca. Nel complesso, i risultati implicano una strada promettente verso l'applicazione clinica del canto religioso attraverso la consulenza buddista al fine di facilitare la promozione del "non attaccamento"1,11,12.

Le limitazioni includono il fatto che i dati fMRI ed EEG sono stati acquisiti da soggetti diversi13. In secondo luogo, data la notevole variazione tra i soggetti per quanto riguarda la loro esperienza di canto religioso 1,14, sarebbe preferibile se tutti i soggetti fossero stati sottoposti anche a risonanza magnetica funzionale. La nostra ricerca futura mirerà ad affrontare queste limitazioni e ad esplorare ulteriormente gli effetti neurofisiologici di diverse pratiche religiose e meditative.

Nonostante queste limitazioni, questo protocollo è unico nel combinare il neuroimaging multimodale e gli strumenti di misurazione fisiologica, tra cui i dati EEG, ECG e fMRI, per fornire una visione più completa dei correlati neurofisiologici del canto religioso. Questo approccio di neuroimaging multimodale consente una comprensione più profonda delle pratiche religiose e meditative, cosa che non sarebbe possibile utilizzando metodi che si basano esclusivamente su un singolo tipo di dati15,16.

Dichiarazioni

Gli autori dichiarano di non avere interessi finanziari concorrenti.

Ringraziamenti

La ricerca è stata sostenuta dal National Natural Science
Fondazione della Cina (NSFC.61841704).

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
3.0 T Philips Scanner MRIPhilips3.0TDispositivo di acquisizione dati MRI
EEGLABSwartz Center for Computational Neuroscience13.6.5bSoftware di analisi EEG
Sistema di elettroencefalogramma (EEG)Electrical Geodesics, Inc. (EGI)GES 200Dispositivo di acquisizione EEG
HRVASRamshur, J.Versione 1Plug-in per EEGLAB per l'elaborazione dei dati ECG
HydroCel GSN 128 canaliElectrical Geodesics, Inc. (EGI)GSN 130Cappuccio EEG
iMac 27"AppleVersione 10.8Esecuzione del software
Netstation LabChartADInstrumentsVersione 8Software di acquisizione dati fisiologici
LIPSIAMax-Planck-Institute for Human Cognitive and Brain Softwareanalisi dati fMRIversione 2.2.7
MatlabMathWorksR2011aEEGLAB si basa su Matlab, strumento di analisi statistica per dati EEG
NetstationElectrical Geodesics, Inc. (EGI)Versione 3Software di acquisizione EEG
PowerLab 8/35ADInstrumentsPL3508Hardware di acquisizione dati fisiologici
SPSSIBMVersione 27Strumento di analisi statistica per il comportamento e i dati sul ROI EEG
PC WindowsDellversione 8Esecuzione del software LabChart
di

Riferimenti

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

Ristampe e permessi

Tag

Localizzazione delle sorgenti EEGRisonanza Magnetica FunzionaleCorteccia Cingolata PosteriorePotenza delle Onde DeltaVariabilit della Frequenza CardiacaMappatura della CentralitPratiche Meditative
Canto religioso e regioni cerebrali autocorrelate: uno studio di neuroimaging multimodale
Contattaci
Raccomanda alla biblioteca

Privacy

Termini di utilizzo

Politiche

Copyright © 2026 MyJoVE Corporation. Tutti i diritti riservati.