Artykuł metodologiczny

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

15.5K wyświetleń

⸱

DOI:

10.3791/55455

⸱

10 maja 2017

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

W tym artykule

Podsumowanie

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.

Streszczenie

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.

Wprowadzenie

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.

Protokół

Niniejsze badanie zostało zatwierdzone przez Komisję Bioetyczną Uniwersytetu w Hongkongu. Wszyscy uczestnicy wyrazili pisemną świadomą zgodę przed przystąpieniem do badania.

1. Projekt eksperymentu

figure-protocol-1
Tabela 1. Przegląd kursu MBSR. 8-tygodniowy kurs szkoleniowy MBSR ukończony przez uczestników.

  1. Zrekrutuj uczestników.
    UWAGA: W badaniu EEG uczestniczyło jedenaścioro zdrowych osób dorosłych (pięć kobiet) z lokalnego kursu MBSR w wieku od 28 do 52 lat. Z badania wykluczono osoby z depresją stwierdzoną na podstawie Inwentarza Depresji Becka. Kurs przebiegał zgodnie ze standardowym szkoleniem MBSR (Tabela 1), a uczestnicy musieli zobowiązać się do przestrzegania struktury szkolenia.
  2. System rejestracji EEG.
    1. Przeprowadź rejestrację EEG w cichym pomieszczeniu, korzystając z 128-kanałowego systemu EEG składającego się z czepka EEG, wzmacniacza, jednostki sterującej (headbox) oraz komputera stacjonarnego.

2. Pozyskiwanie danych EEG i ECG

UWAGA: Gromadzenie danych EEG przebiegało zgodnie ze standardową procedurą podobną do metody opisanej wcześniej14. Poproś każdego uczestnika o umycie włosów i skóry głowy przed przybyciem na miejsce eksperymentu. Poinformuj uczestnika o procedurach badawczych, przede wszystkim o tym, że będzie on/ona odpoczywać normalnie przez 10 min, a następnie przez kolejne 10 min wykonywać uważne oddychanie podczas rejestracji za pomocą urządzeń EEG i ECG.

  1. Oczyść okolicę twarzy oraz wyrostek sutkowaty uczestnika za pomocą gazików nasączonych alkoholem.
  2. Za pomocą taśmy mierniczej zmierz obwód głowy uczestnika, a następnie wybierz czepek o odpowiednim rozmiarze. Wykonaj jeden pomiar od nasion (nasadzenia nosa) do inion (protuberancjum wewnętrzne potyliczne) oraz drugi pomiar nad górną częścią uszu, przez skórę głowy. Zaznacz vertex (punkt w połowie odległości między nasion a inion oraz w połowie odległości między oboma uszami) za pomocą miękkiego pisaka.
  3. Ustaw pozycje elektrod zgodnie z systemem elektrod 10-515. Ustaw czepek w taki sposób, aby elektroda Cz znajdowała się nad vertex, elektroda Nz na nasion, elektroda Lz na inion, elektroda RM na prawym wyrostku sutkowatym, a elektroda LM na lewym wyrostku sutkowatym.
    1. Umieść elektrody ECG w lewym i prawym dołku nadobojczykowym.
    2. Wypełnij uchwyty elektrod żelem za pomocą strzykawki z tępym końcem.
    3. Utrzymaj impedancję poniżej 20 kΩ dla każdej elektrody. Zmniejsz impedancję poprzez skorygowanie ułożenia elektrody w celu zwiększenia kontaktu ze skórą głowy; w razie potrzeby dodaj więcej żelu.
    4. Zaciśnij pasek podbródkowy i poproś uczestnika o pozostanie w bezruchu.
    5. Ustaw częstotliwość próbkowania urządzenia EEG na 1 000 Hz. Jako pierwotny punkt odniesienia wykorzystaj lewy wyrostek sutkowaty.
  4. Zarejestruj dane EEG (krok 1.2.1) na początku kursu MBSR (w ciągu 2 tygodni).
    1. Poproś uczestnika o wykonanie krótkiego skanowania ciała w celu rozluźnienia całego organizmu. Poproś uczestnika o skupienie uwagi na oddechu podczas wdychania i wydychania powietrza. Poproś każdego uczestnika o wykonanie 10 min uważnego oddychania MBSR (warunek uważności MBSR) oraz 10 min zwykłego odpoczynku (warunek kontrolny) podczas gromadzenia danych EEG. Pozwala to na stworzenie zbioru danych sprzed treningu MBSR z dwiema warunkami.
      UWAGA: Zastosuj przeciwwagę w sekwencji uważnego oddychania i zwykłego odpoczynku pomiędzy uczestnikami.
  5. Ponownie zarejestruj dane EEG około 1 miesiąca po ukończeniu kursu MBSR przez uczestników.
    1. Poproś każdego uczestnika o wykonanie 10 min uważnego oddychania oraz 10 min zwykłego odpoczynku podczas gromadzenia danych EEG. Pozwala to na stworzenie zbioru danych po treningu MBSR z dwiema warunkami.

3. Analiza danych EEG i ECG

UWAGA: Pierwsze cztery kroki służą do wstępnego przetwarzania danych, a pozostałe kroki do obliczenia entropii falkowej i analizy korelacji. W niniejszej procedurze do analizy EEG wykorzystano oprogramowanie open-source o nazwie EEGLAB16, jednak operacje powinny być podobne w różnych programach. Poniżej przedstawiono operacje oparte na programie EEGLAB w formie przykładu. Szczegóły znajdują się w instrukcji EEGLAB (https://sccn.ucsd.edu/wiki/EEGLAB_Wiki#EEGLAB_Tutorial).

  1. Użyj oprogramowania EEG, aby przeprowadzić ponowne próbkowanie danych z częstotliwością 250 Hz, wybierając Tools > Change sampling rate. Zastosuj filtr o skończonej odpowiedzi impulsowej (FIR) do filtrowania pasmowo-przepustowego z pasmem przepustowym 0,5 - 100 Hz, wybierając Tools > Filter the data > Basic FIR filter.
    1. Aby zredukować szum wynikający z prądu przemiennego sieci elektrycznej, który jest specyficzny dla danego kraju, użyj krótkiego, nieliniowego filtra o nieskończonej odpowiedzi impulsowej (IIR) do filtrowania zaporowego z pasmem zaporowym 47 - 53 Hz, wybierając Tools > Filter the data > Short non-linear IIR filter. Pozwala to objąć wszystkie istotne częstotliwości w analizie widmowej przy jednoczesnym usunięciu zbędnego szumu.
  2. Użyj oprogramowania EEG, aby wizualnie przejrzeć i sprawdzić sygnał EEG, wybierając Plot > Channel data (scroll).
    1. Zidentyfikuj i usuń segmenty EEG zawierające oczywisty szum mięśniowy oraz wszelkie inne nietypowe zdarzenia. Kliknij lewym przyciskiem myszy i przeciągnij kursor nad błędne segmenty, aby je zaznaczyć, a następnie „usuń” (delete) lub „odrzuć” (reject) te segmenty za pomocą oprogramowania EEG.
      UWAGA: Aktywność mięśniowa, taka jak połykanie lub mimika twarzy, często generuje sygnały nieciągłe i nieregularne. Nietypowe zdarzenia są zazwyczaj spowodowane ruchami głowy lub ciała, co często prowadzi do znacznych przesunięć (przy niskich częstotliwościach) sygnału EEG.
    2. Ustal, czy występują jakieś błędne kanały. Zrekonstruuj każdy błędny kanał za pomocą metody interpolacji sferycznej, wybierając Tools > Interpolate channel.
  3. Użyj oprogramowania EEG, aby przeprowadzić analizę niezależnych komponentów17 (ICA) danych, wybierając Tools > Run ICA. Doświadczony operator EEG powinien wizualnie zidentyfikować i odrzucić komponenty ruchów gałek ocznych i mrugania, ruchów mięśni oraz komponenty innych możliwych szumów, wybierając Tools > Reject data using ICA > Reject components by map; Tools > Remove components. Oprogramowanie EEG automatycznie zrekonstruuje dane przy użyciu zachowanych komponentów.
  4. Użyj oprogramowania EEG, aby przed dalszą analizą zmienić referencję danych na średnią ze wszystkich kanałów, wybierając Tools > Re-reference.
  5. Analiza widmowa.
    1. Użyj funkcji wiersza poleceń oprogramowania EEG „spectopo”, aby obliczyć widma EEG za pomocą metody estymacji gęstości widmowej mocy Welcha18 i uzyskać logarytmiczne wartości mocy (dB) fal delta (1 - 4 Hz), theta (4 - 8 Hz), alfa (8 - 12 Hz), beta (12 - 30 Hz) oraz gamma (30 - 80 Hz).
    2. Oblicz moc względną każdego rodzaju fali18 (t.j. udział mocy w odpowiednim pasmie częstotliwości w stosunku do całkowitej mocy widma).
  6. Przeprowadź analizę źródeł EEG z wykorzystaniem podejścia Statistical Parametric Mapping (SPM).
    1. Użyj estymacji normy minimalnej19, aby przekształcić sygnały EEG z elektrod skalpowych w trójwymiarowe sygnały źródeł w mózgu.
      UWAGA: W tym przypadku pierwotna liczba kanałów wynosiła 122 i została ona przekształcona w 8 196 kanałów rozmieszczonych w trójwymiarowym modelu mózgu. Poziom istotności ustawiono na p = 0,01. W celu uzyskania szczegółowych informacji należy zapoznać się z analizą źródeł w instrukcji SPM (www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf).
  7. Oblicz entropię falkową dla każdego kanału EEG (jak również dla estymowanego trójwymiarowego sygnału źródła w mózgu), stosując następującą procedurę:
    1. Dla sygnału figure-protocol-2, oblicz współczynniki falkowe jako figure-protocol-3, gdzie figure-protocol-4 jest bazą ortonormalną rodziny falki Haara, a figure-protocol-5 reprezentuje poziomy dekompozycji (N = 10 w niniejszym badaniu).
    2. Zdefiniuj energię względną jako figure-protocol-6, przy figure-protocol-7.
    3. Oblicz entropię falkową jako figure-protocol-8. Oblicz średnią entropię falkową dla wszystkich kanałów, aby uzyskać wartość entropii falkowej EEG dla każdego uczestnika.
  8. Użyj pakietu oprogramowania do przeprowadzenia analizy pików danych EKG w celu uzyskania sygnału tętna, który składa się z liczby pików fal EKG oraz odstępów między pikami.
    UWAGA: Przy założeniu prawidłowej częstotliwości tętna 60-100 uderzeń/min zarówno w stanie normalnego spoczynku, jak i świadomego oddychania, liczba zdarzeń tętna N dla czasu trwania 10 min powinna być stosunkowo niewielka, spełniając warunek 600 < N < 1 000.
    1. Aby uzyskać wiarygodną entropię falkową z sygnału tętna, użyj okna przesuwnego o szerokości 500 punktów i przyrostu kroku 10 punktów, aby obliczyć szereg entropii falkowych, stosując tę samą procedurę co dla EEG, opisaną w sekcji 3.7. Jako ostateczną entropię falkową przyjmij wartość średnią.
  9. Przeanalizuj korelację między mózgiem a sercem u badanych, badając zależność między entropią falkową EKG a entropią falkową EEG w każdym kanale skalpowym, korzystając z dowolnego oprogramowania statystycznego posiadającego funkcję korelacji Pearsona.
    1. Użyj funkcji wiersza poleceń oprogramowania EEG „topoplot”, aby stworzyć statystyczną mapę skalpu dla tej korelacji. Przedstaw wykres korelacji liniowej entropii częstotliwości tętna i średniej entropii EEG tylko dla tych kanałów, które są istotnie skorelowane z entropią tętna (patrz sekcja Reprezentatywne Wyniki).

Wyniki

Analiza widma

W analizie widmowej danych EEG, w porównaniu ze stanem normalnego spoczynku, podczas uważnego oddychania w ramach MBSR odnotowano zwiększenie fal alfa (8 - 12 Hz) i beta (12 - 30 Hz) oraz zmniejszenie fal delta (1 - 4 Hz). Wzrost fal alfa był istotny globalnie, szczególnie w płatach czołowych i potylicznych, natomiast wzrost fal beta występował głównie w płacie czołowym. Zmniejszenie fal delta odnotowano w obszarach centralno-ciemieniowych (Rysunek 1). Nie stwierdzono jednak istotnych zmian między okresem przed i po treningu MBSR.

figure-results-1
Rycina 1. Analiza widmowa uważnego oddychania w ramach MBSR oraz warunków normalnego odpoczynku. Analiza widmowa wykazuje, że praktyka MBSR może zmieniać aktywność mózgu, o czym świadczą różne widma EEG. Źródło oryginalne: Referencja 13. Aby wyświetlić większą wersję tej ryciny, kliknij tutaj.

Rysunek 2 przedstawia zdefiniowane obszary zainteresowania: płat potyliczny (kanały N19 - 21, N41 - 46, N67 - 72, N96 - 100 oraz 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 oraz entropię w warunkach uważnego oddychania MBSR i normalnego odpoczynku, wraz z wartością p testu t dla różnicy między tymi dwoma warunkami dla każdego obszaru zainteresowania. Połączyliśmy dane EEG sprzed i po treningu MBSR, ponieważ nie stwierdzono różnic między tymi dwoma etapami.

figure-results-2
Rysunek 2. Zdefiniowany obszar zainteresowania. Zdefiniowane obszary kanałów EEG reprezentujące środkowy płat czołowy, środkowy płat ciemieniowy oraz płat potyliczny. Aby wyświetlić powiększoną wersję tego rysunku, kliknij tutaj.

DeltaThetaAlfaBetaGammaEntropia
Środkowy płat czołowyMBSR18.96 ± 3.1022.29 ± 5.8630.90 ± 7.760.12 ± 43.77-467.25 ± 79.480.753 ± 0.060
Spoczynek22.40 ± 6.5622.76 ± 5.9826.91 ± 7.14-7.11 ± 42.27-449.76 ± 102.920.785 ± 0.066
wartość p0.02430.65550.00850.01140.44190.0084
Płat potylicznyMBSR15.39 ± 3.3017.91 ± 6.5333.38 ± 6.50-8.03 ± 40.72-466.23 ± 61.460.719 ± 0.048
Spoczynek19.82 ± 6.3220.38 ± 8.1129.73 ± 5.30-11.62 ± 40.22-439.03 ± 102.810.763 ± 0.055
wartość p0.01340.12130.01250.07960.89360.0098
Płat ciemieniowyMBSR17.95 ± 3.6019.46 ± 6.5432.84 ± 6.682.68 ± 38.23-487.72 ± 104.130.738 ± 0.072
Spoczynek21.24 ± 6.3721.16 ± 8.0029.79 ± 6.60-1.27 ± 34.42-490.01 ± 123.830.764 ± 0.075
wartość p0.01570.09630.01770.15070.28780.0368

Tabela 2. Spektrum i entropia w obszarach mózgu. Porównanie warunków uważnego oddychania w programie MBSR oraz normalnego odpoczynku w trzech zdefiniowanych obszarach zainteresowania (ROI).

Analiza entropii falkowej

Analiza entropii falkowej EEG wykazała zmniejszoną entropię EEG podczas uważnego oddychania w ramach MBSR w porównaniu do normalnego spoczynku, zarówno przed, jak i po treningu MBSR. Ze względu na brak istotnych różnic między tymi dwoma etapami, zostały one połączone w celu stworzenia uśrednionej mapy (przedstawionej w trzecim rzędzie) Rysunek 3). Główne obszary o zmniejszonej entropii znajdowały się w płacie czołowym oraz płacie ciemieniowo-potylicznym.

figure-results-3
Rycina 3. Analiza entropii falkowej. Oznaczenia Rest 1 i MBSR 1 odnoszą się do stanu przed treningiem MBSR, natomiast Rest 2 i MBSR 2 do stanu po treningu MBSR. Analiza entropii falkowej wykazuje, że praktyka MBSR może zmniejszyć nieregularność aktywności elektrycznej mózgu. Źródło oryginalne: Referencja13. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

Analiza źródłowa entropii falkowej

Analiza źródła sygnałów EEG może poprawić rozdzielczość przestrzenną poprzez dekonwolucję EEG ze skóry głowy na aktywności elektryczne na powierzchni kory mózgowej20. Analiza wykazuje, że główne obszary mózgu objęte treningiem uważności MBSR znajdowały się w lewym płacie potylicznym środkowym, przedklinie, górnym płacie skroniowym oraz lewym zakręcie wrzecionowatym (Rysunek 4). W Tabeli 3, dla czterech etykiet anatomicznych uzyskanych z analizy źródła, przedstawiono wyniki testu t dla różnicy w entropiach dwóch różnych stanów: stanu uważności MBSR oraz stanu normalnego spoczynku.

figure-results-4
Rysunek 4. Analiza źródła. Analiza źródła wykazuje, że entropia różnych obszarów mózgu (zaznaczonych na czerwono) spada podczas stanu uważnego oddychania w ramach MBSR. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Etykieta anatomicznawokselex, y, zwartość t
lewy zakręt skroniowy środkowy1,728-44 -60 163.77
precuneus prawy1,324  2 -56 283.63
potyliczna L749 -2 -102 -123.61
wrzecionowaty L142-1023.51

Tabela 3. Raport z analizy źródła. Anatomiczne obszary mózgu wykazujące istotne różnice w entropii pomiędzy uważnym oddychaniem w ramach MBSR a warunkami normalnego odpoczynku. L – lewa strona mózgu, R – prawa strona mózgu (p < 0,001, test t, bez korekty).

Entropia falkowa rytmu serca

Analiza nie wykazała istotnych różnic w średniej częstotliwości akcji serca, jednak entropia tętna była niższa podczas uważnego oddychania MBSR, zarówno przed, jak i po treningu MBSR (Tabela 4).

Rest1MBSR1Odpoczynek 2MBSR2
Częstość akcji serca (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. Częstość akcji serca oraz entropia falkowa częstości akcji serca w warunkach uważnego oddychania MBSR i normalnego odpoczynku. Porównano obie warunki zarówno przed, jak i po treningu MBSR. *Istotna różnica (p <0.05) między Rest 1 a MBSR 1. #Istotna różnica (p <0.05) między Rest 2 a MBSR 2.

Korelacja między aktywnością serca a aktywnością mózgu

Biorąc pod uwagę potencjalne powiązanie między mózgiem a sercem, przeanalizowano korelację między entropią EEG całego mózgu (t.j. średnią z entropii EEG ze wszystkich kanałów EEG dla jednego badanego) a entropią rytmu serca podczas uważnego oddychania w ramach MBSR oraz w stanach normalnego spoczynku. Entropie mózgu i serca były istotnie skorelowane podczas uważnego oddychania MBSR, ale nie podczas normalnego spoczynku. Jak pokazano w górnej części Rysunku 5, istotność korelacji między entropią EEG w każdym kanale a entropią rytmu serca jest najbardziej wyraźna w centralnej części mózgu. Dolny wykres przedstawia korelację między entropią EEG w obszarach centralnych (średnią z tych zaznaczonych kropkami kanałów, które są istotnie skorelowane z entropią rytmu serca) a entropią rytmu serca.

figure-results-5
Rysunek 5. Korelacja między entropiami falkowymi aktywności elektrycznej serca i mózgu. Entropia falkowa aktywności mózgu stanowi średnią z istotnych kanałów w regionie centralnym, co przedstawiono na rycinie w prawym górnym rogu. Entropia falkowa serca opiera się na odstępach między uderzeniami serca. Korelacja (dolny panel) została obliczona dla wszystkich badanych osób zarówno dla wyników przed, jak i po treningu MBSR. Źródło oryginalne: Odniesienie 13. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Dyskusja

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.

Oświadczenia

Autorzy oświadczają, że nie mają konkurencyjnych interesów finansowych.

Podziękowania

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

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
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

Bibliografia

  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).

Przedruki i uprawnienia

Tagi

Analiza EEGanaliza EKGstatystyczne mapowanie parametrów (SPM)analiza niezależnych komponentów (ICA)filtrowanie pasmowo-przepustowefiltrowanie notchinterpolacja sferycznauważne oddychanie
Wykorzystanie entropii falkowej do pokazania, w jaki sposób praktyka uważności zwiększa koordynację między nieregularnymi czynnościami mózgu i serca
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.