Method Article

Wykorzystanie entropii falkowej do pokazania, w jaki sposób praktyka uważności zwiększa koordynację między nieregularnymi czynnościami mózgu i serca

DOI:

10.3791/55455

⸱

May 10th, 2017

 ,  ,  ,  ,  , 
1Centre of Buddhist Studies, The University of Hong Kong, 2Department of Electrical and Electronic Engineering, The University of Hong Kong

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ten manuskrypt opisuje, jak używać wskaźnika entropii falkowej do analizy danych elektroencefalografii (EEG) i elektrokardiografii (EKG) o dużej gęstości. Pokazujemy, że nieregularność czynności mózgowych i sercowych stała się bardziej skoordynowana podczas praktyki redukcji stresu opartej na uważności.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Zarówno na Wschodzie, jak i na Zachodzie, tradycyjne nauki mówią, że umysł i serce są w jakiś sposób ściśle ze sobą powiązane, zwłaszcza podczas praktyki duchowej. Jedną z trudności w obiektywnym udowodnieniu tego jest to, że natura czynności mózgu i serca jest zupełnie inna. W tym artykule proponujemy metodologię, która wykorzystuje entropię falkową do pomiaru chaotycznych poziomów zarówno danych elektroencefalogramu (EEG), jak i elektrokardiogramu (EKG) oraz pokazujemy, w jaki sposób można to wykorzystać do zbadania potencjalnej koordynacji między umysłem a sercem w różnych warunkach eksperymentalnych. Ponadto wykorzystano statystyczne mapowanie parametryczne (SPM) w celu zidentyfikowania regionów mózgu, w których warunki eksperymentalne miały największy wpływ na entropię falek EEG. Dla przykładu, EEG i EKG zostały zarejestrowane w dwóch różnych warunkach (normalny odpoczynek i uważne oddychanie) na początku 8-tygodniowego standardowego kursu szkoleniowego Redukcja stresu opartego na uważności (MBSR) (pretest) i po kursie (posttest). Stosując proponowaną metodę, wyniki konsekwentnie wykazały, że entropia falkowa EEG mózgu zmniejszyła się podczas stanu uważnego oddychania MBSR w porównaniu z tym podczas stanu spoczynku z zamkniętymi oczami. Podobnie, niższą entropię falkową tętna stwierdzono podczas uważnego oddychania MBSR. Nie stwierdzono jednak różnicy w entropii falkowej podczas uważnego oddychania MBSR między testem wstępnym a posttestem. Nie zaobserwowano korelacji między entropią fal mózgowych a entropią tętna podczas normalnego odpoczynku u wszystkich uczestników, natomiast istotną korelację zaobserwowano podczas uważnego oddychania MBSR. Dodatkowo, najbardziej skorelowane regiony mózgu znajdowały się w centralnych obszarach mózgu. Badanie to dostarcza metodologii do ustalenia dowodów na to, że praktyka uważności (tj. uważne oddychanie) może zwiększyć koordynację między czynnościami umysłu i serca.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dzięki postępom w neuronauce i medycynie1, jesteśmy w znacznie lepszej pozycji, aby zrozumieć niefarmakologiczne korzyści płynące z uważności i medytacji nad chorobami psychicznymi i fizycznymi. Liczne badania wykazały, że trening Redukcji Stresu Opartej na Uważności (MBSR) jako rodzaj ćwiczeń umysłowych może aktywnie redukować niepotrzebny stres w umyśle i ciele2. Podczas praktyki medytacyjnej ciało i umysł mogą stać się bardziej porwane. Zagadnienia te wzbudziły zainteresowanie zarówno społeczności akademickiej, jak i ogółu społeczeństwa i zmotywowały nas do zaprojektowania metodologii badania potencjalnej koordynacji między umysłem a ciałem (a dokładniej między mózgiem a sercem) w różnych warunkach, aby ocenić efekt szkolenia i praktyki MBSR.

Nieregularność elektroencefalogramów (EEG) jest zwykle uważana za szum w konwencjonalnej analizie widma EEG, ale może zawierać użyteczne informacje i może być mierzona przez entropię sygnału. Entropia EEG została wykorzystana jako wskaźnik stanów klinicznych, takich jak padaczka, choroba Alzheimera i znieczulenie, a niektóre dowody sugerują, że entropia EEG może być bardziej czułą miarą monitorowania stanów mózgu niż tradycyjna analiza widma EEG3,4. Entropia od dawna jest używana w termodynamice jako wskaźnik opisujący chaotyczny stan układu. Fale mózgowe mierzone za pomocą EEG są znane ze swojej dynamicznej aktywności dzięki sieciom mózgowym działającym między porządkiem a chaosem5. Wśród różnych rodzajów entropii, entropia falkowa oferuje metodę obliczania entropii energii w różnych skalach obserwacji, która dobrze nadaje się do analizy sygnałów EEG o bardzo zróżnicowanych cechach w różnych skalach. W przypadku całkowicie losowego sygnału względne energie na różnych poziomach rozdzielczości będą takie same, a entropia osiągnie maksimum. W związku z tym entropia falkowa służy jako miara chaotycznych działań w EEG i może być używana jako wskaźnik do różnicowania różnych stanów umysłu6.

Poprzednie badania elektrokardiogramu (EKG) dostarczyły spójnych dowodów na związane z medytacją zmiany w zmienności rytmu serca w porównaniu do stanów sprzed medytacji7. Bicie serca jest regulowane przez autonomiczny (w tym współczulny i przywspółczulny) układ nerwowy. Ton autonomiczny jest modulowany przez interakcje między zwojem; węzeł zatokowo-uszny; nerwy błędne; oraz struktury mózgowe wyższego rzędu, takie jak rdzeń przedłużony, wyspa i układ limbiczny. Struktury te tworzą system hierarchiczny, a jego nieliniowa aktywność może być mierzona za pomocą entropii8. Na przykład impulsy neuronalne w strukturach mózgu wyższego rzędu mogą wpływać na rytm tętna9. W stanach klinicznych zaburzenia mózgu, takie jak napady padaczkowe, zaburzają rytm serca10. Badania neurokardiologiczne sugerują również ścisłą zależność między sercem a mózgiem11.

Jedną z trudności w badaniu związku między sygnałami mózgu i serca jest to, że różnią się one znacznie pod względem zawartości sygnału i skali czasowej. W związku z tym głównym wyzwaniem jest zidentyfikowanie wspólnej miary, która nie tylko ma zastosowanie zarówno do sygnałów mózgowych, jak i sercowych, ale także ma znaczenie dla interpretacji w kontekście koordynacji umysł-ciało. W tym artykule proponujemy wykorzystanie entropii falkowej do wykrycia możliwej koordynacji między nieprawidłowościami w czynnościach mózgu i serca poprzez korelację entropii sygnałów EEG i bicia serca, które można następnie ocenić za pomocą eksperymentu MBSR.

Ponieważ MBSR obejmuje praktykę uważności zarówno w ciele, jak i umyśle, przypuszczamy, że praktyka uważnego oddychania MBSR może wpływać nie tylko na aktywność mózgu, ale także na bicie serca. Wcześniejsze badania dotyczyły głównie wpływu treningu i/lub praktyki uważności na mózg lub serce oddzielnie i w oparciu o różne aspekty; Równoczesne zmiany zachodzące w tych dwóch ściśle powiązanych ze sobą układach pozostają w dużej mierze niezbadane. Tylko kilka badań wykazało lepszą koordynację ciała i umysłu po treningu uważności12. Korzystając z proponowanej metodologii, reprezentatywne wyniki i poprzednie badanie13 wykazały, że trening uważności MBSR może zwiększyć koordynację ciała i umysłu w zakresie ich chaotycznych działań, co może dać nowy wgląd w wpływ treningu uważności na centralny i obwodowy układ nerwowy.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

To badanie zostało zatwierdzone przez Instytucjonalną Komisję Rewizyjną Uniwersytetu w Hongkongu. Wszyscy uczestnicy wyrazili pisemną świadomą zgodę przed wzięciem udziału w tym badaniu.

1. Projekt eksperymentalny

figure-protocol-1
Tabela 1. Przegląd kursu MBSR. 8-tygodniowe szkolenie MBSR, w którym uczestniczą uczestnicy.

  1. Rekrutacja uczestników.
    UWAGA: W badaniu EEG wzięło udział jedenaście zdrowych osób dorosłych (pięć kobiet) z lokalnego kursu MBSR w wieku od 28 do 52 lat. Uczestnicy z depresją na podstawie Inwentarza Depresji Becka zostali wykluczeni z badania. Kurs odbywał się zgodnie ze standardowym szkoleniem MBSR (Tabela 1), a uczestnicy musieli zobowiązać się do przestrzegania struktury szkoleniowej.
  2. System rejestracji EEG.
    1. Prowadź zapis EEG w cichym pomieszczeniu za pomocą 128-kanałowego systemu EEG składającego się z nasadki EEG, wzmacniacza, wlewu i komputera stacjonarnego.

2. Akwizycja danych EEG i EKG

UWAGA: Zbieranie danych EEG przebiegało zgodnie ze standardową procedurą podobną do metody opisanej wcześniej14. Poproś każdego uczestnika, aby umył włosy i skórę głowy przed przybyciem do miejsca eksperymentu. Poinformuj uczestnika o procedurach eksperymentalnych, głównie o tym, że będzie normalnie odpoczywał przez 10 minut i uważnie oddychał przez kolejne 10 minut, podczas rejestracji za pomocą urządzeń EEG i EKG.

  1. Oczyść obszar twarzy i wyrostek sutkowaty uczestnika wacikami nasączonymi alkoholem.
  2. Za pomocą miarki zmierz obwód głowy uczestnika, a następnie wybierz czapkę o odpowiednim rozmiarze. Wykonaj jeden pomiar od nasion do wlotu, a drugi pomiar w górnej części uszu i na skórze głowy. Zaznacz wierzchołek (punkt w środkowej odległości między nasionem a inionem i w połowie odległości między dwojgiem uszu) miękkim markerem.
  3. Ustaw pozycje elektrod zgodnie z systemami elektrod 10-515. Ustaw nasadkę w taki sposób, aby elektroda Cz znajdowała się powyżej wierzchołka, elektroda Nz znajdowała się na nasionach, elektroda Lz znajdowała się na wejściu, elektroda RM znajdowała się na prawym wyrostku sutkowatym, a elektroda LM znajdowała się na lewym wyrostku sutkowatym.
    1. Umieść elektrody EKG zarówno na lewym, jak i prawym dole podobojczykowym.
    2. Napełnij uchwyty elektrod żelem za pomocą strzykawki z końcem.
    3. Utrzymuj impedancję poniżej 20 kΩ dla każdej elektrody. Zmniejsz impedancję, dostosowując położenie elektrody, aby zwiększyć kontakt ze skórą głowy; W razie potrzeby dodaj więcej żelu.
    4. Zaciśnij pasek podbródkowy i poproś uczestnika, aby pozostał nieruchomy.
    5. Ustaw częstotliwość próbkowania urządzenia EEG na 1,000 Hz. Użyj lewego wyrostka sutkowatego jako oryginalnego punktu odniesienia.
  4. Zapisz dane EEG (krok 1.2.1) na początku kursu MBSR (w ciągu 2 tygodni).
    1. Poproś uczestnika, aby wykonał krótki skan ciała, aby zrelaksować całe ciało. Poproś uczestnika, aby zwracał uwagę na swój oddech podczas wdechu i wydechu. Niech każdy uczestnik wykona 10 minut uważnego oddychania MBSR (warunek uważności MBSR) i 10 minut normalnego odpoczynku (stan kontrolny) podczas zbierania danych EEG. Spowoduje to wygenerowanie zestawu danych szkoleniowego sprzed MBSR z dwoma warunkami.
      UWAGA: Zrównoważ sekwencję uważnego oddychania i normalnego odpoczynku wśród uczestników.
  5. Zapisz dane EEG ponownie około 1 miesiąc po ukończeniu przez uczestników kursu MBSR.
    1. Poproś każdego uczestnika o wykonanie 10 minut uważnego oddychania i 10 minut normalnego odpoczynku podczas zbierania danych EEG. Spowoduje to wygenerowanie zestawu danych trenowania po użyciu narzędzia MBSR z dwoma warunkami.

3. Analiza danych EEG i EKG

UWAGA: Pierwsze cztery kroki służą do wstępnego przetwarzania danych, a pozostałe kroki służą do obliczania entropii falkowej i analizy korelacji. W tym przypadku do analizy EEG użyto oprogramowania typu open source o nazwie EEGLAB16, ale operacje powinny być podobne w różnych programach. Poniżej przedstawiono jako przykład operacje oparte na EEGLAB. Szczegółowe informacje można znaleźć w podręczniku EEGLAB (https://sccn.ucsd.edu/wiki/EEGLAB_Wiki#EEGLAB_Tutorial).

  1. Użyj oprogramowania EEG, aby ponownie próbkować dane przy 250 Hz, wybierając Narzędzia > Zmień częstotliwość próbkowania. Użyj filtru FIR (Finite Impulse Response) do filtrowania pasmowo-przepustowego z pasmem przepustowym 0,5 - 100 Hz, wybierając Narzędzia > Filtruj dane > Podstawowy filtr FIR.
    1. Aby zredukować szumy spowodowane prądem przemiennym sieciowym, który jest specyficzny dla danego kraju, należy użyć krótkiego, nieliniowego filtra Infinite Impulse Response (IIR) do filtrowania wycinającego z pasmem zaporu 47 - 53 Hz, wybierając Narzędzia > Filtruj dane > Krótki nieliniowy filtr IIR. Obejmuje to wszystkie istotne częstotliwości w analizie widma, jednocześnie usuwając niepotrzebne szumy.
  2. Użyj oprogramowania EEG, aby wizualnie przewinąć i sprawdzić sygnał EEG, wybierając opcję Wykres danych kanału > (przewijanie).
    1. Zidentyfikuj i usuń segmenty EEG, które zawierają oczywiste szumy mięśniowe i wszelkie inne dziwne zdarzenia. Kliknij lewym przyciskiem myszy i przeciągnij myszką nad uszkodzonymi segmentami, aby je podświetlić, a następnie "usuń" lub "odrzuć" segmenty za pomocą oprogramowania EEG.
      UWAGA: Czynności mięśniowe, takie jak połykanie lub wyraz twarzy, często generują nieciągłe i nieregularne sygnały. Dziwne zdarzenia są zwykle spowodowane ruchami głowy lub ciała, które często prowadzą do znacznych przesunięć (przy niskich częstotliwościach) sygnału EEG.
    2. Sprawdź, czy jest jakiś uszkodzony kanał. Zrekonstruuj każdy uszkodzony kanał przy użyciu metody interpolacji sferycznej, wybierając Narzędzia > Interpoluj kanał.
  3. Użyj oprogramowania EEG, aby przeprowadzić niezależną analizę składowych17 (ICA) na danych, wybierając Narzędzia > Uruchom ICA. Poproś doświadczonego operatora EEG o wizualne zidentyfikowanie i odrzucenie składowych ruchu gałek ocznych i mrugania, ruchów mięśni i innych możliwych składników hałasu, wybierając Narzędzia > Odrzuć dane za pomocą ICA > Odrzuć komponenty według mapy; Narzędzia > Usuń komponenty. Oprogramowanie EEG automatycznie zrekonstruuje dane przy użyciu zachowanych komponentów.
  4. Użyj oprogramowania EEG, aby ponownie odwołać dane do średniej ze wszystkich kanałów przed dalszą analizą, wybierając Narzędzia > Ponowne odniesienie.
  5. Analiza widma.
    1. Użyj funkcji wiersza poleceń oprogramowania EEG "spectopo", aby obliczyć widma EEG za pomocą szacowania gęstości widmowej mocy Welcha18 i uzyskaj moc logarytmiczną (dB) fal delta (1 - 4 Hz), theta (4 - 8 Hz), alfa (8 - 12 Hz), beta (12 - 30 Hz) i gamma (30 - 80 Hz).
    2. Oblicz względną moc każdego typu fali18 (tj. proporcję mocy w odpowiednim paśmie częstotliwości w stosunku do całkowitej mocy widma).
  6. Wykonaj analizę źródła EEG przy użyciu podejścia statystycznego mapowania parametrycznego (SPM).
    1. Użyj minimalnej estymacji normy19, aby przekształcić sygnały EEG elektrod skóry głowy w sygnały źródłowe 3D mózgu.
      UWAGA: W tym przypadku oryginalny numer kanału wynosił 122 i został przekształcony na 8196 kanałów rozmieszczonych w trójwymiarowym modelu mózgu. Poziom istotności ustalono na poziomie p = 0,01. Proszę zapoznać się z analizą źródłową w podręczniku SPM (www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf).
  7. Oblicz entropię falkową dla każdego kanału EEG (a także dla szacowanego trójwymiarowego sygnału źródła mózgu), stosując następującą procedurę:
    1. Biorąc pod uwagę sygnał figure-protocol-2, oblicz współczynniki falkowe jako figure-protocol-3, gdzie figure-protocol-4 jest podstawą ortonormalną rodziny falek Haar, a figure-protocol-5 reprezentuje poziomy rozkładu (N = 10 w tym badaniu).
    2. Zdefiniuj energię względną jako figure-protocol-6, z figure-protocol-7.
    3. Oblicz entropię falkową jako figure-protocol-8. Uśrednij entropię falkową dla wszystkich kanałów, aby uzyskać entropię falkową EEG dla każdego uczestnika.
  8. Użyj pakietu oprogramowania, aby przeprowadzić analizę piku na danych EKG w celu uzyskania sygnału bicia serca, który składa się z liczby szczytów fali EKG i odstępu między szczytami.
    UWAGA: Zakładając normalne tętno 60-100 uderzeń / min zarówno w normalnym stanie spoczynku, jak i uważnego oddychania, liczba wystąpień bicia serca N przez 10 minut powinna być stosunkowo niewielka, zadowalając 600 < N < 1,000.
    1. Aby uzyskać wiarygodną entropię falkową z sygnału bicia serca, należy użyć przesuwanego okna o długości 500 punktów i kroku o 10 punktów, aby obliczyć serię entropii falkowych przy użyciu tej samej procedury, co dla EEG, opisanej w sekcji 3.7. Użyj wartości średniej jako końcowej entropii falkowej.
  9. Przeanalizuj korelację mózgu i serca między entropią falkową EKG a entropią EEG w każdym kanale skóry głowy za pomocą dowolnego oprogramowania statystycznego z funkcją korelacji Pearsona.
    1. Użyj funkcji wiersza poleceń oprogramowania EEG "topoplot", aby skonstruować statystyczną mapę skóry głowy dla korelacji. Narysuj wykres korelacji liniowej z entropią tętna i średnią entropią EEG tylko tych kanałów, które są istotnie skorelowane z entropią tętna (patrz sekcja Reprezentatywne wyniki).

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Analiza widma

W analizie widma danych EEG, w porównaniu z normalnym odpoczynkiem, stwierdzono wzmocnienie fal alfa (8 - 12 Hz) i beta (12 - 30 Hz) oraz redukcję delta (1 - 4 Hz) podczas uważnego oddychania MBSR. Przyrost fal alfa był istotny globalnie, zwłaszcza w płacie czołowym i potylicznym, podczas gdy przyrost fal beta występował głównie w płacie czołowym. Zmniejszone fale delta obserwowano w obszarach centralno-ciemieniowych (ryc. 1). Nie zaobserwowaliśmy jednak istotnych zmian między szkoleniem przed i po wprowadzeniu MBSR.

figure-results-1
Rysunek 1. Analiza spektrum uważnego oddychania MBSR i normalnych warunków odpoczynku. Analiza spektrum pokazuje, że praktyka MBSR może zmieniać aktywność mózgu, na co wskazują różne spektrum EEG. Oryginalne źródło: Odniesienie 13. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 2 ilustruje zdefiniowany obszar zainteresowania: płat potyliczny (kanały N19 - 21, N41 - 46, N67 - 72, N96 - 100 i N119), środkowy płat czołowy (kanały N53 - 61 i N79 - 83) oraz środkowy płat ciemieniowy (kanały N48 - 50, N64 - 66 i N74 - 76). Tabela 2 przedstawia moc każdego widma i entropię w warunkach uważnego oddychania MBSR i normalnych warunków spoczynku, wraz z wartością p testu t różnicy między tymi dwoma warunkami dla każdego obszaru zainteresowania. Połączyliśmy dane EEG przed i po treningu MBSR, ponieważ nie było różnicy między tymi dwoma etapami.

figure-results-2
Rysunek 2. Zdefiniowany obszar zainteresowania. Zdefiniowane obszary kanałów EEG, które reprezentują środkowy płat czołowy, środkowy płat ciemieniowy i płat potyliczny. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

TGL pkt. pkt. pkt. TGL TGL TGL
deltaThetaalfaBetaGammaentropia
Środkowy płat czołowyMBSR (Protokół MBSR)18,96 ± 3,1022,29 ± 5,8630,90 ± 7,760,12 ± 43,77-467,25 ± 79,480,753 ± 0,060
odpoczynekgodz. 22.40 ± 6.5622,76 ± 5,98od 26,91 ± 7,14-7,11 ± 42,27-449,76 ± 102,920,785 ± 0,066
Wartość p0,02430,65550,00850,01140,44190,0084
Płat potylicznyMBSR (Protokół MBSR)godz. 15.39 ± 3.3017,91 ± 6,5333.38 ± 6.50-8.03 ± 40.72-466,23 ± 61,460,719 ± 0,048
odpoczynek19.82 ± 6.3220.38 ± 8.1129.73 ± 5.30-11,62 ± 40,22-439,03 ± 102,810,763 ± 0,055
Wartość p0,01340,12130,01250,0796Numer katalogowy: 0,89360,0098
Płat ciemieniowyMBSR (Protokół MBSR)godz. 17.95 ± 3.6019.46 ± 6.5432,84 ± 6,682,68 ± 38,23-487,72 ± 104,130,738 ± 0,072
odpoczynek21.24 ± 6.3721.16 ± 8.00od 29,79 ± 6,60-1,27 ± 34,42-490,01 ± 123,830,764 ± 0,075
Wartość p0,01570,09630,01770,15070,28780,0368

Tabela 2. Widmo i entropia w różnych obszarach mózgu. Uważne oddychanie MBSR i normalne warunki odpoczynku są porównywane między trzema predefiniowanymi regionami zainteresowania (ROI).

Analiza entropii falkowej

Analiza entropii falkowej EEG wykazała zmniejszoną entropię EEG podczas uważnego oddychania MBSR w porównaniu do normalnego odpoczynku, zarówno przed jak i po treningu MBSR. Ponieważ nie było znaczącej różnicy między tymi dwoma etapami, zostały one połączone w celu uzyskania uśrednionej mapy (pokazanej w trzecim rzędzie rysunku 3). Główne obszary o zmniejszonej entropii znajdowały się w płacie czołowym i płacie ciemieniowo-potylicznym.

figure-results-3
Rysunek 3. Analiza entropii falkowej. Reszta 1 i MBSR 1 oznaczają szkolenie przed MBSR, podczas gdy Reszta 2 i MBSR 2 oznaczają szkolenie po MBSR. Analiza entropii falkowej pokazuje, że praktyka MBSR może zmniejszyć nieregularność czynności elektronicznych mózgu. Oryginalne źródło: Reference13. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Źródłowa analiza entropii falkowej

Analiza źródeł sygnałów EEG może poprawić rozdzielczość przestrzenną poprzez przekształcenie EEG skóry głowy w aktywność elektryczną na powierzchni kory mózgowej20. Analiza pokazuje, że główne obszary mózgu dotknięte treningiem uważności MBSR znajdowały się w lewym środkowym płacie potylicznym, przedklinku, górnym płacie skroniowym i lewym wrzecionowatym (ryc. 4). W tabeli 3, dla czterech znaczników anatomicznych uzyskanych z analizy źródłowej, podajemy wyniki testu t dla różnicy w entropii dwóch różnych stanów, stanu uważności MBSR a normalnego spoczynku.

figure-results-4
Rysunek 4. Analiza źródłowa. Analiza źródłowa pokazuje, że entropie różnych obszarów mózgu (zaznaczonych na czerwono) zmniejszają się podczas stanu uważnego oddychania MBSR. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

osób TGL TGLI pkt.
Etykieta anatomicznawokselex, y, zWartość t
środkowy zakręt skroniowy L1 728-44 -60 16Rejon 3,77
przedklinek R1 324 2 -56 28Rejon 3,63
potyliczna L749 -2 -102 -12Pytanie 3,61
wrzecionowaty LRozdział 142-102Pytanie 3,51

Tabela 3. Raport z analizy źródłowej. Anatomiczne obszary mózgu ze znaczącymi różnicami w entropii między uważnym oddychaniem MBSR a normalnymi warunkami spoczynku. L, lewa półkula mózgu. R, prawa półkula mózgu (p < 0,001, test t, nieskorygowany).

Entropia falek tętna

Analiza nie wykazała znaczącej różnicy w średnim tętnie, ale entropia tętna była niższa podczas uważnego oddychania MBSR, zarówno przed, jak i po treningu MBSR (Tabela 4).

) )
Odpoczynek1MBSR1 (Biblioteka MBSR1Odpoczynek2MBSR2 (Biblioteka MBSR2
Tętno (uderzenia na minutę) 68,2 ± 9,567,7 ± 9,371,8 ± 8,170,7 ± 8,4
Entropia falkowa tętna0,89 ± 0,050,79 ± 0,11*0,89 ± 0,070,80 ± 0,12#

Tabela 4. Tętno i entropia falkowa tętna MBSR Uważne oddychanie i normalne warunki spoczynku. Te dwa warunki są porównywane zarówno przed szkoleniem MBSR, jak i po nim. *Istotna różnica (p <0,05) między resztą 1 a MBSR 1. #Significant różnica (p <0,05) między Rest 2 a MBSR 2.

Korelacja między aktywnością serca i mózgu

Biorąc pod uwagę potencjalne połączenie między mózgiem a sercem, przeanalizowaliśmy korelację między entropią EEG całego mózgu (tj. średnią entropią EEG we wszystkich kanałach EEG dla jednego pacjenta) a entropią tętna podczas uważnego oddychania MBSR i normalnych stanów spoczynku. Entropie mózgu i serca były istotnie skorelowane podczas uważnego oddychania MBSR, ale nie podczas normalnego odpoczynku. Jak pokazano w górnej części ryciny 5, znaczenie korelacji między entropią EEG w każdym kanale a entropią tętna jest najbardziej widoczne w centralnej części mózgu. Dolny wykres pokazuje korelację między entropią EEG w regionach centralnych (średnia z tych przerywanych kanałów, które są istotnie skorelowane z entropią tętna) a entropią tętna.

figure-results-5
Rysunek 5. Korelacja między entropiami falkowymi czynności elektronowych serca i mózgu. Entropia falkowa aktywności mózgu jest średnią znaczących kanałów w obszarze centralnym, jak pokazano na prawym górnym rysunku. Entropia falkowa serca opiera się na interwale tętna. Korelacja (dolny panel) jest obliczana dla wszystkich badanych zarówno dla wyników szkolenia przed, jak i po MBSR. Oryginalne źródło: Odniesienie 13. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

To badanie EEG dostarcza konkretnych dowodów na to, że w porównaniu z normalnym odpoczynkiem, uważne oddychanie MBSR wzmacnia fale alfa w płacie czołowym i potylicznym. Jest to zgodne z większością doniesień o zwiększonych falach alfa podczas medytacji, zwłaszcza u początkujących21. Fale alfa zwykle wskazują na stan pobudzenia i czujności oraz wolność od konkretnego zadania. Taki stan umysłu jest jednym z celów medytacji; Oznacza to, że umysł jest czysty i bystry, wolny od fantazji lub od zasypiania. Zwiększona synchronizacja fal alfa podczas praktyki MBSR może również poprawić koordynację między umysłem a ciałem22.

Aktywność elektronowa ogromnej liczby neuronów w mózgu tworzy nieliniowy system hierarchiczny, a jego nieregularność można dobrze zmierzyć za pomocą entropii8. Odkryliśmy, że podczas praktyki MBSR nieregularność czynności elektronicznych mózgu zmniejszyła się w dużej części EEG skóry głowy, zwłaszcza w biegunie czołowym i obustronnych potylicznych obszarach mózgu. Dalsza analiza źródłowa entropii falkowej wykazała, że nieregularność czynności potylicznej i przedklinkowej zmniejszyła się podczas praktyki MBSR. Inne zaangażowane obszary to prawy środkowy zakręt obręczy i górny płat skroniowy. Jest to zgodne z innym badaniem, które wskazuje, że istota szara zwiększa się w przedklinku po treningu MBSR23. Zaawansowani praktycy medytacji zwykle mają wyższe fale gamma EEG ciemieniowo-potylicznego podczas snu bez szybkich ruchów gałek ocznych1. Jedną z ważnych cech treningu MBSR jest nieosądzanie przepływu informacji w umyśle / mózgu. Może to potencjalnie zmniejszyć nieregularność czynności mózgu. Ponieważ głównym źródłem informacji w mózgu jest kora wzrokowa, prawdopodobne jest, że obszary mózgu związane ze wzrokiem są bardziej dotknięte praktyką MBSR niż inne regiony. Dzięki temu umysł staje się mniej wrażliwy na nieistotne informacje i zwraca większą uwagę na uważne oddychanie.

Analiza entropii falkowej wykazała mniejszą nieregularność tętna podczas uważnego oddychania w porównaniu z normalnym stanem spoczynku, co implikuje bardziej wyrafinowaną równowagę autonomicznego układu nerwowego ze względu na stosunkowo niezachwiane interakcje między tonami przywspółczulnymi i współczulnymi. Uważne oddychanie może również wpływać na tętno, ponieważ aferenty czuciowe płuc wysyłają hamujące projekcje do neuronów ruchowych nerwu błędnego serca w śródmózgowiu, które hamują tętno za pośrednictwem nerwu błędnego24. W interakcji krążeniowo-oddechowej pośredniczy pień mózgu i układ limbiczny w mózgu25. Biorąc pod uwagę związek między ośrodkowym układem nerwowym a aktywnością serca, prawdopodobne jest, że poprzez trening umysłu, MBSR lub inne praktyki medytacyjne mogą również wpływać na inne funkcje organizmu, takie jak resetowanie wrażliwości barorefleksu, poprawa efektywności wymiany gazowej w płucach i równoważenie autonomicznegoukładu nerwowego.

Związek umysł-ciało jest podkreślany w wielu wschodnich tradycjach. Pod tym względem nasze badanie dostarcza pierwszych obiektywnych dowodów w zakresie entropii. Nieprawidłowości w czynnościach mózgu i serca stały się bardziej skoordynowane podczas praktyki MBSR, a koordynacja była największa w obustronnych regionach somatosensorycznych. Region ten jest bezpośrednio odpowiedzialny za bodźce sensoryczne i ruch ciała, a ta zwiększona koordynacja oznacza większą świadomość ciała podczas praktyki MBSR. Stwierdzono, że trening uważności zwiększa aktywność obszarów trzewnych w funkcjonalnym badaniu MRI, które ma lepszą rozdzielczość przestrzenną niż EEG27. Nasze wyniki sugerują, że mózg i serce mogą stać się bardziej porwane podczas praktyki MBSR, rozładowując niepotrzebną entropięw systemie. Ponieważ bicie serca jest regulowane przez autonomiczny układ nerwowy, w którym ton autonomiczny jest modulowany przez interakcje między zwojem; węzeł zatokowo-uszny; nerwy błędne; i struktury mózgu wyższego rzędu, takie jak rdzeń przedłużony, wyspa i układ limbiczny, autonomiczny i ośrodkowy układ nerwowy mogą stać się bardziej skoordynowane podczas praktyki MBSR.

Jednym z ważnych kroków w badaniu takim jak nasze jest wybór odpowiedniego wskaźnika entropii do pomiaru nieprawidłowości EEG i EKG. W przeciwieństwie do Renu Madhavi i wsp., którzy użyli przybliżonej entropii29, my zdecydowaliśmy się użyć entropii falkowej, aby skupić się na złożoności energii w różnych skalach. Ponieważ aktywność elektroniczna mózgu wywodzi się z ogromnej liczby neuronów, które mają różne cechy w różnych skalach i spektrum, entropia falkowa powinna być bardziej odpowiednia do pomiaru nieregularności EEG30. Podobnie, chwilowe tętno ma również różne cechy w różnych skalach czasowych, więc rozsądne jest zastosowanie entropii falkowej do EKG31. Co więcej, entropia Shannona i entropia przybliżona są wrażliwe na częstotliwość próbkowania, a przybliżona entropia wymaga dużych czasów obliczeń, które rosną wykładniczo wraz z długością danych, co jest dodatkiem do obliczeń w przestrzeni źródłowej.

Warto zwrócić uwagę na kilka ograniczeń obecnego badania. Po pierwsze, rozdzielczość przestrzenna EEG skóry głowy jest stosunkowo słaba, pomimo wysokiej rozdzielczości czasowej. Aby temu zaradzić, w naszym badaniu zastosowano analizę źródłową. Rekonstrukcja źródła EEG jest źle postawionym problemem, a alternatywnym podejściem jest posiadanie przestrzennych a priori z poprzednich badań funkcjonalnego rezonansu magnetycznego (fMRI), które mogą pomóc w poprawie dokładności rekonstrukcji32,33. Innym ograniczeniem jest to, że koordynacja między czynnościami mózgu i serca była oceniana między badanych; Koordynację wewnątrzprzedmiotową pozostawia się przyszłym badaniom. Ponadto entropia EKG nie wynika bezpośrednio z sygnału EKG, ale raczej z interwału tętna, ponieważ na amplitudę EKG może mieć duży wpływ położenie elektrody i impedancja skóry, a zatem nie jest porównywalna między badanych.

Wcześniejsze badania zwykle przeprowadzały analizę widma sygnału EEG, odrzucając nieprawidłowości w EEG jako szum. W przeciwieństwie do tego, proponujemy użycie entropii falkowej jako bardziej czułego wskaźnika do pomiaru chaotycznych czynności elektronicznych mózgu jako odbicia stanu umysłu. Proponowana metodologia dostarcza obiektywnych dowodów na tradycyjne założenie, że umysł i serce są bardziej skoordynowane podczas medytacji.

Ponieważ entropia falkowa może dość wrażliwie monitorować stan medytacji, może być stosowana w dziedzinie treningu mentalnego, tak jak entropia jest używana w praktyce klinicznej do pomiaru poziomu znieczulenia podczas operacji. Wykorzystując indeks podobny do entropii falkowej, bezprzewodowe urządzenia EEG mogą być używane do wygodnego monitorowania codziennej praktyki medytacyjnej lub innego treningu umysłowego w celach edukacyjnych. Niemniej jednak, ponieważ bezprzewodowe EEG może zwykle stabilnie mierzyć kanały na czole, musimy zbadać, czy kanały te są wystarczająco czułe, aby monitorować stan umysłu.

Krytyczne etapy tej procedury obejmują utrzymanie impedancji powłoki dla każdej elektrody na niskim poziomie, co zapewnia lepszą jakość sygnału i mniej szumów; właściwe i prawidłowe prowadzenie szkoleń MBSR; zapewnienie dobrego, niezmęczonego stanu psychicznego przed eksperymentem, ponieważ medytacja wymaga dużej energii; dobór odpowiedniego wskaźnika entropii (entropii falkowej); oraz znajomość analizy źródłowej danych EEG w SPM.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy oświadczają, że nie mają konkurencyjnych interesów finansowych.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

To badanie było wspierane przez fundusz SPF-201209176152 na Uniwersytecie w Hongkongu. Dziękujemy dr Helen Ma za prowadzenie kursu i rekrutację uczestników MBSR.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Synamps 2/RT 128-kanałowy EEG/EP/ERPCompumedics NeuroScanModel 8050Wzmacniacze i
akwizycja EEG
Elektrody Quik-CapEEG 128Compumedics NeuroScanCzepki EEG
Quik-GelCompumedics NeuroScando elektrod przewodzących
EEGLABCentrum Neuronauki
Matlab R2011aMathWorksEEGLAB jest oparty na oprogramowaniu do
analizy źródła EEGSPMWellcome Trust Centre for Neuroimaging
żel Oprogramowanie do analizy EEG Obliczeniowej Swartz Matlab

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Ferrarelli, F., et al. Experienced mindfulness meditators exhibit higher parietal-occipital EEG gamma activity during NREM sleep. Plos One. 8 (8), e73417(2013).
  2. Grossman, P., Niemann, L., Schmidt, S., Walach, H. Mindfulness-based stress reduction and health benefits: a meta-analysis. J. Psychosom. Res. 57 (1), 35-43 (2004).
  3. Abasolo, D., et al. Analysis of regularity in the EEG background activity of Alzheimer's disease patients with approximate entropy. Clin. Neurophysiol. 116 (8), 1826-1834 (2005).
  4. An approach to absence epileptic seizures detection using approximate entropy. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Giannakakis, G., et al. , Conference proceedings 413-416 (2013).
  5. Kitzbichler, M. G., Smith, M. L., Christensen, S. R., Bullmore, E. T. Broadband criticality of human brain network synchronization. Plos Comput. Biol. 5 (3), e1000314(2009).
  6. Quiroga, R. Q., Rosso, O. A., Basar, E., Schurmann, M. Wavelet entropy in event-related potentials: a new method shows ordering of EEG oscillations. Biol. Cybern. 84 (4), 291-299 (2001).
  7. Peng, C. K., et al. Exaggerated heart rate oscillations during two meditation techniques. International J. Cardiology. 70 (2), 101-107 (1999).
  8. Vadigepalli, R., Doyle, F. J., Schwaber , J. S. Analysis and neuronal modeling of the nonlinear characteristics of a local cardiac reflex in the rat. Neural Comput. 13 (10), 2239-2271 (2001).
  9. Pokrovskii, V. M. Integration of the heart rhythmogenesis levels: heart rhythm generator in the brain. J. Integr. Neurosci. 4 (2), 161-168 (2005).
  10. Wolber, T., Namdar, M., Duru, F. Heart obeys the brain: seizure ceases cardiac rhythm. PACE. 33 (8), e72-e75 (2010).
  11. van der Wall, E. E., van Gilst, W. H. Neurocardiology: close interaction between heart and brain. Neth. Heart J. 21 (2), 51-52 (2013).
  12. Tang, Y. Y., et al. Central and autonomic nervous system interaction is altered by short-term meditation. Proc. Natl. Acad. Sci. USA. 106 (22), 8865-8870 (2009).
  13. Gao, J. L., et al. Entrainment of chaotic activities in brain and heart during MBSR mindfulness training. Neurosci. Lett. 616, 218-223 (2016).
  14. Slotnick, S. D. High density event-related potential data acquisition in cognitive neuroscience. J. Vis. Exp. (38), (2010).
  15. Jurcak, V., Tsuzuki, D., Dan, I. 10/20, 10/10, and 10/5 systems revisited: their validity as relative head-surface-based positioning systems. Neuroimage. 34 (4), 1600-1611 (2007).
  16. Delorme, A., Makeig, S. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. J. Neurosci. Methods. 134 (1), 9-21 (2004).
  17. Hyvarinen, A., Oja, E. Independent component analysis: algorithms and applications. Neural Netw. 13 (4-5), 411-430 (2000).
  18. Welch, P. D. The use of fast Fourier transform for the estimation of power spectra: a method based on time averaging over short, modified periodograms. IEEE Transactions on Audio and Electroacoustics. 15 (2), 70-73 (1967).
  19. Hamalainen, M. S., Ilmoniemi, R. J. Interpreting magnetic-fields of the brain: minimum norm estimates. Med. Biol. Eng. Comput. 32 (1), 35-42 (1994).
  20. Lee, T. M., et al. Distinct neural activity associated with focused-attention meditation and loving-kindness meditation. Plos One. 7 (8), e40054(2012).
  21. Kim, D. K., Rhee, J. H., Kang, S. W. Reorganization of the brain and heart rhythm during autogenic meditation. Front. Integr. Neurosci. 7, 109(2014).
  22. Hebert, R., Lehmann, D., Tan, G., Travis, F., Arenander, A. Enhanced EEG alpha time-domain phase synchrony during transcendental meditation: implications for cortical integration theory. Signal Process. 85 (11), 2213-2232 (2005).
  23. Kurth, F., Luders, E., Wu, B., Black, D. S. Brain gray matter changes associated with mindfulness meditation in older adults: an exploratory pilot study using voxel-based morphometry. Neuro. 1 (1), 23-26 (2014).
  24. West, J. B., West, J. B. Pulmonary pathophysiology--the essentials. , 5th edn, Williams & Wilkins. (1998).
  25. Clark, M. T., et al. Breath-by-breath analysis of cardiorespiratory interaction for quantifying developmental maturity in premature infants. J. Appl. Physiol. 112 (5), 859-867 (2012).
  26. Phongsuphapa, S., Pongsupap, Y., Chandanamattha, P., Lursinsap, C. Changes in heart rate variability during concentration meditation. Int. J. of Cardiol. 130 (3), 481-484 (2008).
  27. Farb, N. A. S., et al. Attending to the present: mindfulness meditation reveals distinct neural modes of self-reference. Soc. Cogn. Affect. Neur. 2 (4), 313-322 (2007).
  28. Fingelkurts, A. A., Fingelkurts, A. A., Neves, C. E. H. Natural world physical, brain operational, and mind phenomenal space-time. Phys. Life Rev. 7 (2), 195-249 (2010).
  29. Renu Madhavi, C., Ananth, A. G. Estimation of approximate entropy of heart rate variability of healthy subjects and investigation of the effect of meditation on it. International Conference on Signal Acquisition and Processing: ICSAP 2010, Proceedings. , 304-306 (2010).
  30. Ocak, H. Automatic detection of epileptic seizures in EEG using discrete wavelet transform and approximate entropy. Expert Syst. Appl. 36 (2), 2027-2036 (2009).
  31. Alcaraz, R., Rieta, J. J. Application of wavelet entropy to predict atrial fibrillation progression from the surface ECG. Comput. Math Method M. , (2012).
  32. Sun, D. L., Lee, T. M. C., Wang, Z. X., Chan, C. C. H. Unfolding the spatial and temporal neural processing of making dishonest choices. Plos One. 11 (4), (2016).
  33. Sun, D. L., Lee, T. M. C., Chan, C. C. H. Unfolding the spatial and temporal neural processing of lying about face familiarity. Cereb. Cortex. 25 (4), 927-936 (2015).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Wavelet EntropyEEG AnalysisECG AnalysisMindfulness PracticeStatistical Parametric MappingIndependent Component AnalysisBand pass FilteringNotch FilteringSpherical InterpolationMindful Breathing

Related Articles