Methodenartikel

Religieus gezang en zelfgerelateerde hersengebieden: een multimodale neuroimaging-studie

2.1K weergaven

⸱

DOI:

10.3791/66221

⸱

31 mei 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 dit artikel

Samenvatting

Hier presenteren we een protocol om de neurofysiologische correlaten van verschillende meditatievormen, waaronder religieus gezang, te onderzoeken. Deze methode integreert op unieke wijze fMRI-eigenvectorresultaten voor regioselectie in elektro-encefalogram (EEG) bronanalyse met behulp van k-means clustering. De resultaten bieden een diepgaand inzicht in de neurale processen die betrokken zijn bij repetitief religieus gezang.

Samenvatting

Dit protocol presenteert een multimodale neuroimaging-benadering om de mogelijke hersenactiviteit te onderzoeken die verband houdt met repetitief religieus gezang, een wijdverbreide vorm van geestestraining in zowel oosterse als westerse culturen. High-density elektro-encefalogram (EEG), met zijn superieure temporele resolutie, maakt het mogelijk om de dynamische veranderingen in hersenactiviteit tijdens religieuze gezangen vast te leggen. Door middel van bronlokalisatiemethoden kunnen deze worden toegeschreven aan verschillende alternatieve potentiële bronnen van hersengebieden. Twintig beoefenaars van religieuze gezangen werden gemeten met EEG. De ruimtelijke resolutie van EEG is echter minder nauwkeurig in vergelijking met functionele magnetische resonantiebeeldvorming (fMRI). Zo onderging een zeer ervaren beoefenaar een fMRI-scansessie om de bronlokalisatie nauwkeuriger te begeleiden. De fMRI-gegevens hielpen bij de selectie van de lokalisatie van de EEG-bron, waardoor de berekening van het K-gemiddelde van de EEG-bronlokalisatie in de groep van 20 tussenliggende beoefenaars nauwkeuriger en betrouwbaarder werd. Deze methode verbeterde het vermogen van EEG om de hersengebieden te identificeren die specifiek betrokken zijn bij religieuze gezangen, met name de kardinale rol van de posterieure cingulate cortex (PCC). De PCC is een hersengebied dat verband houdt met focus en zelfreferentiële verwerking. Deze multimodale neuroimaging- en neurofysiologische resultaten laten zien dat repetitief religieus gezang een lagere centraliteit en een hoger deltagolfvermogen kan veroorzaken in vergelijking met niet-religieus gezang en rusttoestand. De combinatie van fMRI- en EEG-bronanalyse biedt een gedetailleerder inzicht in de reactie van de hersenen op repetitief religieus gezang. Het protocol levert een belangrijke bijdrage aan het onderzoek naar de neurale mechanismen die betrokken zijn bij religieuze en meditatieve praktijken, dat tegenwoordig steeds prominenter wordt. De resultaten van deze studie kunnen belangrijke implicaties hebben voor de ontwikkeling van toekomstige neurofeedbacktechnieken en psychologische interventies.

Inleiding

Religieuze gezangen, een zeer populaire praktijk in oosterse culturen, worden vaak vergeleken met gebed in westerse samenlevingen. Ondanks de prevalentie ervan blijft wetenschappelijk onderzoek naar de neurale correlaten van religieuze gezangen vrij beperkt. Geavanceerde multimodale elektrofysiologische en neuroimaging-technieken werden in deze studie gebruikt om deze kennislacune op te vullen en om de neurale associaties van het chanten van Amitābha Boeddha te onderzoeken, een van de meest wijdverbreide en een van de oudste actief bewaarde religieuze tradities 2,3. Repetitief religieus gezang kan dienen als een effectieve techniek in boeddhistische counseling om iemands geest te kalmeren van turbulente gedachten en emoties.

Gezien de hoge ruimtelijke resolutie van functionele magnetische resonantiebeeldvorming (fMRI), kan het worden toegepast om de beperkingen van traditionele EEG-onderzoeken te overwinnen4. Door fMRI en elektro-encefalogram (EEG) bronclustering te combineren via onafhankelijke componentanalyse (ICA), identificeert en groepeert de studie onafhankelijke componenten van hersenactiviteit bij de deelnemers. Deze methode introduceert een nieuwe strategie voor het identificeren van signalen van gemengde EEG-bronnen of ongelijksoortige bronnen bij deelnemers, wat een uitdaging was vanwege verschillen in de anatomie van de hersenen en de plaatsing van de elektroden.

De vorm van repetitief religieus gezang die met dit protocol werd bestudeerd, omvat het herhaaldelijk reciteren van de naam van Amitābha Boeddha. Het is ook een meditatieve praktijk waarvan is gemeld dat het gelukzalige sensaties en transcendentale ervaringen opwekt. Onder de verschillende boeddhistische praktijken is het chanten van Amitābha Boeddha eenvoudig en gemakkelijk toegankelijk. Deze praktijk belooft wedergeboorte in het Reine Land voor al diegenen die oprecht deze naam aanroepen, die overeenkomsten vertoont met bepaalde tradities in de westerse religie 1,3.

Door middel van multimodale neuroimaging wil deze studie een uitgebreid begrip geven van de neurale correlaten van repetitief religieus gezang. Het protocol kan bijdragen aan het bloeiende onderzoeksveld naar de neurofysiologische effecten van verschillende religieuze en meditatieve praktijken.

De studie veronderstelde dat repetitief religieus gezang zou leiden tot significante signaalveranderingen in hersengebieden die verantwoordelijk zijn voor zelfgerelateerde processen. Bovendien, gezien de positieve emoties die aan Amitābha Boeddha worden toegeschreven, veronderstelden we dat er emotionele verschuivingen zouden optreden tijdens religieus chanten. Deze effectieve veranderingen vallen waarschijnlijk samen met veranderingen in perifere fysiologische indicatoren, zoals variaties in multi-band hartslagvariabiliteitsindices (HRV) en ademhalingsfrequentie5.

Protocol

Ethische goedkeuring werd verkregen voor de studie van de Universiteit van Hong Kong vóór het experiment. Alle deelnemers hadden een schriftelijk toestemmingsformulier ondertekend voordat ze deelnamen aan de EEG- en fMRI-experimenten.

1. Selectie en voorbereiding van de deelnemers

  1. Rekruteer deelnemers die ten minste 1 jaar meditatieve ervaring hebben in het religieus chanten van Amitābha Boeddha gedurende minimaal 15 minuten per dag. Zorg ervoor dat de leeftijdscategorie tussen 40 en 52 jaar oud is. Schat het aantal deelnemers door middel van een vermogensanalyse. In de huidige studie werden 21 deelnemers gerekruteerd.
    OPMERKING: Vermogensanalyse werd uitgevoerd op basis van de effectgroottes die werden waargenomen in pilotstudies en bestaande literatuur over EEG- en fMRI-studies van meditatie. Over het algemeen heeft het ontwerp binnen het onderwerp een beter vermogen om verschillende omstandigheden te onderscheiden, aangezien de variatie tussen onderwerpen meestal groter is.
  2. Informeer de deelnemers over het doel van het onderzoek en de procedures die daarbij komen kijken.
  3. Zorg ervoor dat de deelnemers niet depressief zijn met behulp van de Beck Depression Inventory.
  4. Zorg ervoor dat de deelnemers in goede gezondheid verkeren en niet onder invloed zijn van stoffen die hun fysiologische reacties kunnen beïnvloeden.
    OPMERKING: Uitsluitingscriteria zijn onder meer depressie, neuropsychiatrische pathologie of onder invloed zijn van alcohol of psychoactieve stoffen. Verder omvatten MRI-specifieke uitsluitingscriteria het hebben van een pacemaker, diepe hersenimplantaten of metalen implantaten die niet compatibel zijn met een MRI-controle.
  5. Zorg ervoor dat de deelnemers geschikt zijn om het EEG/elektrocardiogram (ECG)/MRI-onderzoek bij te wonen.
    OPMERKING: De EEG- en MRI-gegevens werden afzonderlijk geregistreerd. De duur van de gegevensverzameling verschilde tussen EEG en fMRI om de gegevenskwaliteit voor elke modaliteit te optimaliseren, rekening houdend met de vermoeidheid en het comfort van de deelnemers. Uit onze pilotstudie bleek dat fMRI gevoeliger is voor het aantonen van neurale correlaten, terwijl EEG-gegevens meestal slechte segmenten of andere artefacten hadden en een iets langere duur nodig hadden om voldoende gegevens te garanderen voor de uiteindelijke analyse. De EEG-tijd was dus iets langer dan de MRI-tijd. Verschillende houdingen tijdens het verzamelen van EEG- en fMRI-gegevens waren nodig vanwege de beperkingen van elke beeldvormingsmodaliteit. De condities werden gerandomiseerd met behulp van een door de computer gegenereerd randomisatieschema om te controleren op orde-effecten. De sequentie was niet hetzelfde tussen EEG en fMRI.

2. Verzameling en analyse van EEG-gegevens

  1. Stel de 128-kanaals EEG en meerdere fysiologische gegevensregistratieapparatuur in volgens de instructies van de fabrikant.
  2. Zorg ervoor dat deelnemers hun haar grondig wassen voordat ze beginnen met het verzamelen van EEG/ECG-gegevens.
  3. Vraag de deelnemers om te ontspannen en comfortabel te zitten.
  4. Stel het experiment voor aan de deelnemers.
  5. Vraag de deelnemer om een proefversie van het experiment uit te voeren.
  6. Verkrijg EEG-gegevens terwijl elke deelnemer zich onder drie verschillende omstandigheden bevindt: Amitābha Boeddha chanten, de kerstman chanten en rusten, allemaal met gesloten ogen. Noteer 10 minuten EEG-gegevens in elke toestand.
  7. Sla de gegevens op en label ze op de juiste manier voor elke deelnemer.
  8. Zorg ervoor dat de gegevens veilig worden opgeslagen met back-ups.

3. Verzameling van MRI-gegevens

  1. Bereid een 3.0 T MRI-scanner voor en zorg ervoor dat deze goed functioneert voordat u met de gegevensverzameling begint. Zorg ervoor dat de deelnemer zich op zijn gemak voelt en de procedure begrijpt voordat u met de scan begint.
  2. Begin met een T1-gewogen scansequentie met de volgende parameters: Gezichtsveld (FoV) = 256 mm × 150 mm × 240 mm, acquisitiematrix = 256 × 256, herhalingstijd (TR) = 15 ms, echotijd (TE) = 3,26 ms, fliphoek = 25°, plakdikte = 1,5 mm, aantal plakjes = 100, voxelresolutie (x,y,z,) = 0,94 mm × 1 mm × 1,5 mm.
  3. Verkrijg fMRI-beelden met gradiënt echo-planaire beeldvorming (EPI) met behulp van een 8-kanaals SENSE-kopspoel. Stel de sequentieparameters als volgt in: FoV = 230 mm × 140 mm × 230 mm, acquisitiematrix = 64 × 64, TR = 2000 ms, TE = 30 ms, fliphoek = 90°, aantal plakjes = 32, plakdikte = 3 mm en plakopening = 1,5 mm.
  4. Start de fMRI-gegevensverzameling terwijl elke deelnemer onder drie voorwaarden is: religieus gezang, niet-religieus gezang en rusttoestand. Noteer de gegevens voor de duur van elke aandoening: elke voorwaarde bestond uit 243 dynamische volumes, met een totale duur van 8,1 min.

4. Fysiologische gegevensverzameling

  1. Stel het fysiologische gegevensverzamelingssysteem in voor het verzamelen van hart-, ademhalings- en andere fysiologische gegevens volgens de instructies van de fabrikant.
    OPMERKING: EEG- en fysiologische gegevens werden tegelijkertijd verkregen.
  2. Bevestig drie ECG-elektroden op respectievelijk de linker- en rechterhand en de linkervoet.
  3. Plaats twee ademgordels op de deelnemer, één voor het meten van de borstadem en een andere voor het meten van de buikademhaling.
  4. Bewaak de Galvanic Skin Response (GSR) en zuurstofverzadigingsniveaus van de deelnemers.
  5. Begin de gegevensverzameling samen met het verzamelen van EEG-gegevens terwijl elke deelnemer onder drie voorwaarden is: Amitābha Boeddha chanten, de kerstman zingen en rusten, allemaal met gesloten ogen.
  6. Sla de gegevens op en label ze op de juiste manier voor elke deelnemer. Zorg ervoor dat de gegevens veilig worden opgeslagen en goed genoeg zijn voor verdere analyse.

5. Analyse van EEG-gegevens

  1. Verwerk en analyseer de EEG-gegevens met de juiste software. Hier werd gebruik gemaakt van een open-source software EEGLAB.
  2. Laad de gegevens in het programma. Klik op Bestand > Bestaande gegevensset laden.
  3. Wijzig het aantal pixels van de gegevens van 1000 Hz naar 250 Hz door te klikken op Extra > Bemonsteringsfrequentie wijzigen.
  4. Filter de gegevens met een FIR-filter (finite impulse response) met een passband van 0.1-100 Hz door te klikken op Extra > de gegevens filteren > basis FIR-filter.
  5. Filter de gegevens opnieuw met een notch-filter met een stopband van 47-53 Hz om wisselstroomruis te verwijderen. Klik op Extra > Filter de gegevens en selecteer de optie Inkeping filter de gegevens in plaats van pass band.
  6. Inspecteer de gegevens visueel om artefacten zoals oog- en spierbewegingen te elimineren door te klikken op Plotten > kanaalgegevens (scrollen).
    NOTITIE: Aangewezen elektro-oculografie (EOG) kanalen kunnen als referentie worden gebruikt.
  7. Inspecteer de gegevens visueel om slechte kanalen voor verwijdering op te merken.
  8. Pas sferische interpolatie toe op basis van de omringende kanalen om de slechte kanalen te reconstrueren door op Extra te klikken > Elektroden interpoleren en een keuze te maken uit de datakanalen.
  9. Voer de onafhankelijke componentenanalyse (ICA) uit met behulp van het runica-algoritme. Klik hiervoor op Extra > ICA uitvoeren.
  10. Verwijder onafhankelijke componenten (IC's) die overeenkomen met oogbewegingen, spierruis en lijnruis uit de gegevens door te klikken op Extra > Gegevens afwijzen met behulp van ICA > Componenten afwijzen op kaart.
  11. Reconstrueer de gegevens met behulp van de resterende Ics door te klikken op Tools > Remove Components.
  12. Klik op Extra > de gegevens filteren > basis FIR-filter om de gegevens te filteren met een laagdoorlaatfilter van 47 Hz.
  13. Schat de gelijkenis van IC's en groepeer ze in functioneel equivalente clusters met behulp van de STUDY-functies van EEGLAB. Klik op Bestand > Studie maken > alle geladen datasets gebruiken.
  14. Genereer de dipoollocaties van elk IC met behulp van de functie DIPFIT2. Klik op Extra > Dipool lokaliseren met behulp van DIPFIT 2.x > Autofit.
  15. Gebruik k-means clustering om IC-clusters te maken op basis van vergelijkbare dipoollocaties (gewicht: 2/3) en vermogensspectrum (gewicht: 1/3). Klik op Studie > PCA-clustering > een preclustering-array bouwen.
  16. Herhaal de clusterprocedure tien keer, telkens met een andere k-parameterinstelling. Identificeer de k-parameterinstelling die onderscheidende maar redelijke clusters genereert. Klik op Bestuderen > Clusters bewerken/plotten.
  17. Voer spectrumanalyse uit en voer een eenrichtings-ANOVA uit op alle belangrijke frequentiebanden met behulp van de IC's van een specifiek interessecluster.
    OPMERKING: Besteed bijzondere aandacht aan de posterieure cingulate cortex (PCC), aangezien is vastgesteld dat dit gebied in centraliteit afneemt als gevolg van een regionale toename van de endogene generatie van delta-oscillaties tijdens religieus gezang.

6. Analyse van fMRI-gegevens

  1. Verwerk de fMRI-gegevens voor met behulp van de Leipzig Image Processing and Statistical Inference Algorithms-software (LIPSIA 2.2.7).
    1. Voer voorbewerking uit met normalisatie van de signaalintensiteit, bewegingscorrectie, ruimtelijke normalisatie naar MNI-ruimte, ruimtelijke afvlakking met volledige breedte bij half maximum (FWHM) = 6 mm en tijdelijke hoogdoorlaatfiltering met een afsnijfrequentie van 1/90 Hz om laagfrequente afwijkingen in de fMRI-tijdreeks te verwijderen. Raadpleeg deze stappen in gegevensverwerkingspijplijn 1 (aanvullend bestand 1).
  2. Verwijder covariabelen die niet van belang zijn, zoals globale signaalfluctuaties en bewegingsparameters, door ze uit de gegevens te regresseren voor elke scansequentie die overeenkomt met elk van de drie voorwaarden.
  3. Onderzoek ten slotte functionele connectomics van het hele brein door Eigenvector Centrality Mapping (ECM) toe te passen, een grafentheoriemethode die de meest invloedrijke knooppunten binnen een netwerk identificeert, en de ECM-beelden van twee condities worden van elkaar afgetrokken om het resulterende contrastbeeld te produceren. Raadpleeg deze stappen in gegevensverwerkingspijplijn 2 (aanvullend bestand 2).

7. Analyse van ECG en andere fysiologische gegevens

  1. Reinig onbewerkte ECG en andere fysiologische gegevens via een Butterworth-banddoorlaatfilter en extraheer het interbeat-interval (IBI) na het vervangen van uitschieters door spline-interpolatie.
  2. Detrend de IBI-gegevens en bereken de tijd-/frequentiedomeinkenmerken van de HRV (hartslagvariabiliteit) met behulp van de open-source toolbox HRVAS.
  3. Stel frequentiebereiken voor de VLF in op 0-0.04 Hz, LF op 0.04-0.15 Hz en HF op 0.15-0.4 Hz.
  4. Schat het vermogen van geselecteerde frequentiebanden met behulp van de Lomb-Scargle periodogrammethode.
  5. Onderwerp de afgeleide HRV-metrieken aan statistische tests met behulp van eenrichtingsherhaalde metingen, ANOVA en post-hoctests om verschillen tussen omstandigheden te beoordelen. Stel het alfaniveau van significantie in op 0,05.
  6. Bereken andere fysiologische gegevens, zoals ademintervallen voor elke deelnemer en elke aandoening, met behulp van analysesoftware.
  7. Gebruik de findpeaks-functie in de analysesoftware om de piek van de ademhalingscurve te detecteren.
  8. Onderscheid de inademings- en uitademingsperioden en bereken vervolgens de ademhalingsfrequentie.
  9. Vergelijk het verschil tussen omstandigheden met behulp van eenrichtingsherhaalde metingen, ANOVA en post-hoctests.

Resultaten

De resultaten van de fMRI-analyse gaven aan dat het sterkste verschil in eigenvectorcentraliteit tussen religieus en niet-religieus gezang voornamelijk in de posterieure cingulate cortex (PCC) lag; zie figuur 1. Deze bevinding werd gebruikt om de selectie van de EEG-onafhankelijke componentclustering te evalueren en te valideren, die op dezelfde manier een cluster manifesteerde in de buurt van de PCC-regio.

figure-results-1
Figuur 1: Multimodale neuroimaging en elektrofysiologische resultaten. Eigenvector centraliteitsmapping toegepast op fMRI-gegevens, onthulde dat de posterieure cingulate cortex het gebied van de hersenen is dat het meest in centraliteit afneemt tijdens religieus gezang in vergelijking met niet-religieus gezang. Dit cijfer is verkregen met toestemming van Gao et al.1. Klik hier om een grotere versie van deze figuur te bekijken.

De EEG-onafhankelijke componentclusteringanalyse leverde zeven verschillende IC-clusters op, die elk overeenkomen met een bron van EEG-activiteit. Met name een van deze clusters bevond zich in de PCC, een bevinding die overeenkomt met de fMRI-resultaten (zie figuur 2).

figure-results-2
Figuur 2: In de EEG-onafhankelijke component clustering analyse was ook een cluster in de PCC te zien. Dit cijfer is verkregen met toestemming van Gao et al.1. Klik hier om een grotere versie van deze figuur te bekijken.

Dit specifieke cluster werd vervolgens gekozen voor een diepgaande analyse, inclusief spectrumanalyse. Een eenrichtings-ANOVA onthulde een significant hoofdeffect van chanten op de kracht van de delta-frequentieband (1-4 Hz, zie figuur 3 en figuur 4).

figure-results-3
Figuur 3: De eenrichtings-ANOVA toonde een significant hoofdeffect van chanten op de kracht van de delta-band (1-4 Hz). Dit cijfer is verkregen met toestemming van Gao et al.1. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-4
Figuur 4: Post hoc analyse van religieuze chanting vs. niet-religieuze chanting condities. De analyse toonde aan dat religieus chanten een hoger deltavermogen induceerde dan de niet-religieuze chanting-conditie (p = .011). Klik hier om een grotere versie van deze figuur te bekijken.

Verdere post-hocanalyse wees op een significant lagere sterkte van HRV tijdens religieus chanten in vergelijking met de toestand waarin niet gechant wordt (zie figuur 5).

figure-results-5
Figuur 5: Post hoc analyse van geen chanting rusttoestand vs. religieuze chanting condities. De analyse toonde aan dat in vergelijking met geen rusttoestand van chanten, religieus chanten een lager HRV-totaal vermogen, een lager absoluut hoogfrequent vermogen en een lager absoluut zeer laagfrequent vermogen induceerde. Dit cijfer is verkregen met toestemming van Gao et al.1. Klik hier om een grotere versie van deze figuur te bekijken.

De bevindingen geven aan dat in vergelijking met niet-religieus gezang, er een afname is van de eigenvectorcentraliteit in de PCC, waarschijnlijk gedreven door een regionale golf van endogene delta-oscillaties. Deze functionele veranderingen zijn onafhankelijk van perifere hart- of ademhalingsactiviteiten en worden niet veroorzaakt door impliciete taalverwerking. In plaats daarvan lijken ze te worden geassocieerd met ervaringen van transcendentale gelukzaligheid en een vermindering van egocentrische cognitie.

Aanvullend bestand 1: Pijplijn voor gegevensverwerking 1. Klik hier om dit bestand te downloaden.

Aanvullend bestand 2: Pijplijn voor gegevensverwerking 2. Klik hier om dit bestand te downloaden.

Discussie

Hoewel het gebruikte 128-kanaals EEG-systeem een EEG-systeem met hoge dichtheid was, blijft de ruimtelijke resolutie van EEG relatief slecht in vergelijking met fMRI, en deze tekortkoming heeft ook invloed op de nauwkeurigheid van de lokalisatie van de EEG-bron, vooral wanneer kandidaten voor meerdere hersengebieden aannemelijk zijn. De diepere en hogere ruimtelijke resolutie van MRI kan dus de ruimtelijke nauwkeurigheid van EEG-bronanalyse6 aanzienlijk verbeteren en de selectie van de belangrijkste clusters voor verdere analyse begeleiden. Het huidige protocol maakt gebruik van multimodale neuroimaging-tools, waaronder EEG-, ECG- en fMRI-gegevensverzamelings- en analysemethoden. Het demonstreert een alomvattende benadering voor het verkennen van de neurofysiologische correlaten van religieus gezang en mogelijk andere vormen van geesttraining. Een cruciale stap in het protocol is de toepassing van fMRI-resultaten in de EEG-bronanalyse. De kwaliteit van de verkregen EEG-gegevens blijft cruciaal voor de latere analyse en interpretatie van de resultaten. Het gebruik van ICA- en k-means-clustering in de EEG-gegevensanalyse, in combinatie met fMRI-resultaten, zorgt voor een meer genuanceerd begrip van de gegevens 7,8. De waargenomen modulatie van delta-band vermogen tijdens religieus gezang komt overeen met literatuur die suggereert dat deltaritmes gedrag kunnen reguleren door de synchronisatie van neurale activiteit. Deltagolf kan gerichte aandacht en een mogelijke vermindering van zelfreferentiële gedachten bevorderen die verband houden met het standaardmodusnetwerk. Deze verhoogde delta-activiteit, een indicatie van diep herstellende toestanden, zou de therapeutische effecten van chanten kunnen ondersteunen door de cognitieve en emotionele verwerking te versterken.

De resultaten van deze studie wijzen op een significante toename van het vermogen van de deltaband tijdens religieus gezang, in vergelijking met niet-religieus gezang. De fMRI-resultaten wijzen op een sterke afname van de centraliteit in hersengebieden die verband houden met zelfgerelateerde verwerking10 tijdens religieuze gezangen. De resultaten van fysiologische gegevens tonen ook aan dat de effecten van religieus gezang verschillen van die van niet-religieus gezang en sluiten andere mogelijke verstorende factoren uit, waaronder verschillen als gevolg van taalverwerking of hartactiviteit. Over het algemeen impliceren de bevindingen een veelbelovende weg naar de klinische toepassing van religieus gezang via boeddhistische counseling om het bevorderen van "niet-gehechtheid" te vergemakkelijken1,11,12.

Beperkingen zijn onder meer dat de fMRI- en EEG-gegevens van verschillende proefpersonen zijn verkregen13. Ten tweede, gezien de aanzienlijke variatie tussen proefpersonen met betrekking tot hun religieuze gezangervaring 1,14, zou het beter zijn als alle proefpersonen ook een fMRI-scan hadden ondergaan. Ons toekomstig onderzoek zal erop gericht zijn deze beperkingen aan te pakken en de neurofysiologische effecten van verschillende religieuze en meditatieve praktijken verder te onderzoeken.

Ondanks deze beperkingen is dit protocol uniek in het combineren van multimodale neuroimaging en fysiologische meetinstrumenten, waaronder EEG-, ECG- en fMRI-gegevens, om een uitgebreider beeld te geven van de neurofysiologische correlaten van religieus gezang. Deze multimodale neuroimaging-benadering maakt een dieper begrip van religieuze en meditatieve praktijken mogelijk, wat niet mogelijk zou zijn met methoden die uitsluitend gebaseerd zijn op één enkel type gegevens15,16.

Openbaarmakingen

De auteurs verklaren dat ze geen concurrerende financiële belangen hebben.

Dankbetuigingen

Het onderzoek werd ondersteund door de Nationale Natuurwetenschappen
Oprichting van China (NSFC.61841704).

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
3.0 T Philips MRI scannerPhilips3.0TMRI data acquisitieapparaat
EEGLABSwartz Center for Computational Neuroscience13.6.5bEEG-analysesoftware
Electro-encefalogram (EEG) systeemElectrical Geodesics, Inc. (EGI)GES 200EEG-acquisitieapparaat
HRVASRamshur, J.Versie 1Plug-in voor EEGLAB om ECG-gegevens te verwerken
HydroCel GSN 128 kanalenElectrical Geodesics, Inc. (EGI)GSN 130EEG-cap
iMac 27"AppleVersie 10.8Voert de Netstation-software uit
LabChartADInstrumentsVersie 8Software voor fysiologische gegevensverwerving
LIPSIAMax-Planck-Institut für menschliche Kognition und HirnwissenschaftenVersie 2.2.7fMRI-gegevensanalysesoftware
MatlabMathWorksR2011aEEGLAB is gebaseerd op Matlab, statistisch analysehulpmiddel voor EEG-gegevens
NetstationElectrical Geodesics, Inc. (EGI)Versie 3EEG-acquisitiesoftware
PowerLab 8/35ADInstrumentsPL3508Hardware voor fysiologische gegevensverwerving
SPSSIBMVersie 27Statistisch analysehulpmiddel voor gedrag en EEG ROI-gegevens
Windows PCDellVersie 8Voert de LabChart-software uit

Referenties

  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).

Herprints en machtigingen

Trefwoorden

EEG brongeleidingfunctionele MRIposterior cingulate cortexdelta golfvermogenhartslagvariabiliteitcentraliteitsmappingmeditatieve praktijken
Religieus gezang en zelfgerelateerde hersengebieden: een multimodale neuroimaging-studie
Neem contact met ons op
Aanbevelen aan bibliotheek

Privacy

Gebruiksvoorwaarden

Beleid

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.