Artykuł metodologiczny

Modulacja neurofizjologicznej odpowiedzi na bodźce lękowe i stresowe poprzez powtarzające się śpiewy religijne

5.6K wyświetleń

⸱

DOI:

10.3791/62960

⸱

4 listopada 2021

 ,  ,  ,  ,  , 
1Buddhism and Science Research Lab, Centre of Buddhist Studies, The University of Hong Kong, 2School of Biomedical Engineering, Shenzhen University

W tym artykule

Informacja o sprostowaniu

Important: There has been an erratum issued for this article. View Erratum Notice

Podsumowanie

Obecne badanie potencjału związanego z wydarzeniami (ERP) dostarcza unikalnego protokołu do badania, w jaki sposób religijne śpiewy mogą modulować negatywne emocje. Wyniki pokazują, że późny potencjał pozytywny (LPP) jest silną reakcją neurofizjologiczną na negatywne bodźce emocjonalne i może być skutecznie modulowany przez powtarzające się śpiewy religijne.

Streszczenie

W eksperymentach neuropsychologicznych, późny potencjał pozytywny (LPP) jest komponentem potencjału związanego ze zdarzeniem (ERP), który odzwierciedla poziom pobudzenia emocjonalnego. Badanie to ma na celu sprawdzenie, czy powtarzające się śpiewy religijne modulują reakcję emocjonalną na bodźce wywołujące strach i stres, prowadząc w ten sposób do mniej responsywnego LPP. Zrekrutowano dwudziestu jeden uczestników z co najmniej rocznym doświadczeniem w powtarzalnym religijnym intonowaniu "Buddy Amitabha". Do zbierania danych EEG wykorzystano 128-kanałowy system elektroencefalograficzny (EEG). Uczestnicy zostali poinstruowani, aby oglądać negatywne lub neutralne zdjęcia wybrane z Międzynarodowego Systemu Obrazów Afektywnych (IAPS) pod trzema warunkami: powtarzające się śpiewy religijne, powtarzające się śpiewy niereligijne i brak śpiewania. Wyniki pokazały, że oglądanie negatywnych obrazów wywołujących strach i stres wywołało u uczestników większe LPP niż oglądanie neutralnych zdjęć w warunkach zakazu śpiewania i śpiewania niereligijnego. Jednak ten zwiększony LPP w dużej mierze zniknął w powtarzających się warunkach śpiewu religijnego. Wyniki wskazują, że powtarzające się śpiewy religijne mogą skutecznie łagodzić neurofizjologiczną reakcję na sytuacje lękowe lub stresujące u praktykujących.

Wprowadzenie

Późnemu pozytywnemu potencjałowi (LPP) od dawna towarzyszy pobudzenie emocjonalne i jest niezawodnie wykorzystywane w badaniach związanych z emocjami1,2. Praktyki religijne są szeroko rozpowszechnione zarówno w krajach wschodnich, jak i zachodnich. Twierdzi się, że może złagodzić niepokój i stres praktyka w obliczu zdarzeń niepożądanych, szczególnie w trudnych chwilach3. Niemniej jednak rzadko wykazano to w rygorystycznych warunkach eksperymentalnych.

Liczne badania potwierdziły, że regulacji emocji można się nauczyć za pomocą różnych strategii i ram4,5,6. Kilka badań wykazało, że uważność i medytacja mogą modulować reakcję neuronalną na zdarzenia afektywne7,8. Niedawno odkryto, że osoby praktykujące medytację mogą stosować strategie modulacji emocji inne niż ocena poznawcza, tłumienie i rozpraszanie8,9. Bodźce z Międzynarodowego Systemu Obrazów Afektywnych (IAPS) mogą być wykorzystywane do niezawodnego wywoływania pozytywnych lub negatywnych emocji, a w badaniach afektywnych istnieją standardowe kryteria wyszukiwania zaprojektowanych obrazów o określonych poziomach wartościowości i pobudzenia10.

Bodźce emocjonalne mogą powodować wczesne i późniejsze reakcje w mózgu3,11. Podobnie, tradycja buddyjska dokonała analogicznej analizy myśli umysłowych za pomocą początkowych i wtórnych procesów myślowych3,12,13. Sallatha Sutta (Sutta Strzały), wczesny tekst buddyjski, wspomina, że trening poznawczy może okiełznać emocje. Arrow Sutta stwierdza, że zarówno dobrze wyszkolony praktykujący buddyzm, jak i osoba niewyszkolona doświadczają początkowego i negatywnego postrzegania bólu, gdy stają w obliczu szkodliwego wydarzenia13. Ten nieunikniony początkowy ból jest podobny do tego, jak u osoby zostaje trafiona strzałą, jak to opisano w Sallatha Sutcie. Wczesny ból percepcyjny jest identyczny z etapem wczesnego przetwarzania, kiedy dana osoba widzi bardzo negatywny obraz. Wczesne przetwarzanie neuronowe zwykle wywołuje komponent N1. Osoby nieprzeszkolone mogą rozwinąć nadmierne emocje, takie jak zmartwienie, niepokój i stres, po doświadczeniu początkowych, nieuniknionych bolesnych uczuć. Według Sallatha Sutty, ta późno rozwijająca się negatywna emocja lub ból psychiczny jest jak trafienie drugą strzałą. Eksperyment z potencjałem związanym ze zdarzeniami (ERP) może uchwycić wczesne i późniejsze procesy psychologiczne obecnego projektu, zakładając, że N1 i LPP mogą odpowiadać dwóm strzałkom wspomnianym powyżej.

W tym protokole, powtarzające się intonowanie imienia "Budda Amitabha" (sanskit: Amitābha) zostało wybrane do sprawdzenia potencjalnego efektu religijnego śpiewania, gdy dana osoba znajduje się w sytuacji strachu lub stresu. Ten religijny śpiew jest jedną z najpopularniejszych praktyk osób o orientacji religijnej wśród chińskich buddystów i jest podstawową praktyką wschodnioazjatyckiego buddyzmu Czystej Krainy14. Postawiono hipotezę, że powtarzające się śpiewy religijne zmniejszą reakcję mózgu na bodźce prowokujące, a mianowicie LPP wywołane przez przerażające lub stresujące obrazy. Zebrano zarówno dane EEG, jak i elektrokardiogram (EKG) w celu oceny reakcji neurofizjologicznych uczestników w różnych warunkach.

Protokół

Niniejsze badanie ERP zostało zatwierdzone przez Instytucjonalną Radę Przeglądową Uniwersytetu w Hongkongu. Przed przystąpieniem do badania wszyscy uczestnicy podpisali pisemny formularz świadomej zgody.

1. Projekt eksperymentalny

  1. Rekrutacja uczestników
    1. Do badania zrekrutować uczestników z co najmniej rocznym (~ 200-3 000 h) doświadczeniem w recytowaniu imienia „Buddy Amitabhy”.
      UWAGA: W niniejszym badaniu wybrano 21 uczestników w wieku od 40 do 52 lat, z czego 11 było mężczyznami.
  2. Recytowanie religijne vs. recytowanie niereligijne
    1. Recytować imię „Buddy Amitabhy” przez 40 s. Pierwsze 20 s przy obrazie Buddy Amitabhy, a kolejne 20 s przy obrazach IAPS.
      1. Recytować tylko cztery znaki imienia „Buddy Amitabhy”, patrząc na obraz Buddy Amitabhy w szkole Czystej Krainy14.
    2. Recytować imię Świętego Mikołaja (warunek recytowania niereligijnego) przez 40 s. Pierwsze 20 s podczas oglądania obrazu Świętego Mikołaja, a kolejne 20 s przy obrazach IAPS.
      1. Recytować tylko cztery znaki imienia Świętego Mikołaja i wyobrażać sobie Świętego Mikołaja.
    3. Zachować ciszę przez 40 s. Pierwsze 20 s przy pustym obrazie w celu kontrolnym, a kolejne 20 s przy obrazach IAPS.
      UWAGA: Bez recytowania.
  3. System rejestracji EEG
    1. Rejestrować dane EEG za pomocą 128-kanałowego systemu EEG składającego się z wzmacniacza, modułu głowowego (headbox), czepek EEG oraz dwóch komputerów stacjonarnych (patrz Tabela materiałów).
  4. System prezentacji bodźców
    1. Użyć oprogramowania do prezentacji bodźców (patrz Tabela materiałów), aby wyświetlić neutralne i negatywne obrazy z IAPS na komputerze stacjonarnym.
  5. System rejestracji EKG
    1. Użyć systemu rejestracji danych fizjologicznych do zapisu danych EKG (patrz Tabela materiałów).

2. Eksperyment modulacji afektywnej

UWAGA: Eksperyment obejmował dwa czynniki w schemacie 2 x 3: pierwszym czynnikiem był rodzaj obrazu: neutralny i negatywny (wywołujący strach i stres). Drugim czynnikiem był rodzaj śpiewu: śpiewanie „Amitabha Buddha”, śpiewanie „Santa Claus” oraz brak śpiewu (przeglądanie w ciszy).

  1. Zastosuj schemat blokowy, ponieważ może on skuteczniej wywoływać komponenty związane z emocjami15.
    UWAGA: Zastosowano sześć warunków, a sekwencje zostały zrandomizowane i zrównoważone między uczestnikami (Rycina 1). Sześć warunków było następujących: śpiew religijny podczas oglądania negatywnych obrazów (AmiNeg); śpiew religijny podczas oglądania neutralnych obrazów (AmiNeu); brak śpiewu podczas oglądania negatywnych obrazów (PasNeg); brak śpiewu podczas oglądania neutralnych obrazów (PasNeu); śpiew niereligijny podczas oglądania negatywnych obrazów (SanNeg); oraz śpiew niereligijny podczas oglądania neutralnych obrazów (SanNeu).

Schemat osi czasu eksperymentu ilustrujący procedury odpowiedzi emocjonalnej z wykorzystaniem sekwencji oglądania obrazów.
Rysunek 1: Procedura eksperymentalna. Zastosowano sześć warunków pseudolosowych, a każdy uczestnik otrzymał sekwencję pseudolosową. Każdy warunek powtórzono sześć razy w dwóch oddzielnych sesjach. Rysunek został zaadaptowany z pozycji bibliograficznej 3. Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.

  1. Wyświetlaj każdy obrazek przez ok. 1,8-2,2 s, z odstępem między bodźcami (ISI) wynoszącym 0,4-0,6 s.
    UWAGA: W każdej sesji znajdowało się 10 obrazków tego samego typu (neutralnego lub negatywnego).
  2. Zapewnij 20 s przerwy po każdej sesji, aby przeciwdziałać potencjalnym efektom resztkowym recytowania lub oglądania obrazków w następnej sesji.
  3. Prezentuj obrazki na monitorze CRT w odległości 75 cm od oczu uczestników, pod kątami widzenia 15° (pionowo) i 21° (poziomo).
  4. Poproś uczestników o uważne oglądanie obrazków.
  5. Przeprowadź z uczestnikami krótką próbę, aby mogli zapoznać się z każdym warunkiem. Użyj monitora wideo, aby upewnić się, że uczestnicy nie zasną.
  6. Przewidź dla uczestników 10 min przerwy w połowie 40 min eksperymentu.

3. Gromadzenie danych EEG i ECG

UWAGA: Przed przystąpieniem do eksperymentu poproś każdego uczestnika o dokładne umycie włosów i skóry głowy, nie stosując odżywki ani żadnego innego środka, który mógłby zwiększyć impedancję systemu. Dane EEG i ECG zbieraj jednocześnie za pomocą dwóch oddzielnych systemów.

  1. Poinformuj każdego uczestnika o procedurach eksperymentalnych, tj. o tym, że obrazom efektywnym przyglądano się w różnych warunkach intonacji.
  2. Ustaw częstotliwość próbkowania na 1,000 Hz i w miarę możliwości utrzymuj impedancję każdej elektrody poniżej 30 kΩ lub zgodnie z wymaganiami systemu.
  3. Zbierz dane fizjologiczne, w tym dane EKG, korzystając z systemu rejestracji danych fizjologicznych (patrz Tabela materiałów).

4. Analiza danych EEG

  1. Przetwórz i przeanalizuj dane EEG za pomocą EEGLAB (patrz Tabela materiałów) , Plik uzupełniający 1-2, oprogramowanie o otwartym kodzie źródłowym16 postępując zgodnie z poniższymi krokami.
  2. Użyj funkcji EEGLAB „pop_resample”, aby zmienić częstotliwość próbkowania danych z 1000 Hz na 250 Hz w celu utrzymania rozsądnej wielkości pliku danych. Kliknij w Narzędzia > Zmiana częstotliwości próbkowania.
  3. Użyj funkcji EEGLAB „pop_eegfiltnew”, aby przefiltrować dane za pomocą filtru o skończonej odpowiedzi impulsowej (FIR) z pasmem przepustowym 0,1–100 Hz. Kliknij Narzędzia > Filtrowanie danych > Podstawowy filtr FIR (nowy, domyślny).
  4. Ponownie przefiltruj dane za pomocą nieliniowego filtru nieskończonej odpowiedzi impulsowej (IIR) z pasmem zaporowym 47–53 Hz, aby zredukować szumy prądu przemiennego. Kliknij w Narzędzia > Przefiltruj dane > wybierz filtr zaporowy (notch) zamiast pasmowo-przepustowego dla danych.
  5. Przeprowadź wizualną inspekcję danych w celu usunięcia silnych artefaktów wywołanych ruchami gałek ocznych i mięśni. Kliknij w Wykres > Dane kanału (przewiń).
  6. Ponownie przeprowadzono wizualną inspekcję danych w celu wykrycia stałego szumu generowanego przez poszczególne kanały, a następnie odnotowano kanały wadliwe.
  7. Odtwórz uszkodzone kanały, stosując interpolację sferyczną. Kliknij w Narzędzia > Interpolacja elektrod > Wybierz z kanałów danych.
  8. Przeprowadź analizę niezależnych komponentów (ICA) przy użyciu algorytmu open-source „runica”16Kliknij w Narzędzia > Przeprowadź ICA.
  9. Usuń komponenty niezależne (IC) odpowiadające ruchom gałek ocznych, mrugnięciom, ruchom mięśni oraz zakłóceniom sieciowym. Kliknij w Narzędzia > Odrzucanie danych za pomocą ICA > Odrzucanie komponentów na podstawie mapy.
  10. Zrekonstruuj dane, używając pozostałych układów scalonych. Kliknij w Narzędzia > Usuwanie komponentów.
  11. Przefiltruj dane za pomocą filtru dolnoprzepustowego 30 Hz. Kliknij w Narzędzia > Filtrowanie danych > Podstawowy filtr FIR (nowy, domyślny).
  12. Uzyskaj dane ERP poprzez ekstrakcję i uśrednianie epok zsynchronizowanych czasowo dla każdego warunku, przyjmując okno czasowe od -200 do 0 ms jako linię bazową oraz od 0 do 800 ms jako ERP. Kliknij w Narzędzia > Ekstrakcja epok.
  13. Ponownie zreferencuj dane ERP, wykorzystując średnią z kanałów wywodzących się z lewego i prawego wyrostka sutkowatego. Kliknij w Narzędzia > Ponowne odniesienie.
  14. Powtórz powyższe kroki dla zbiorów danych od wszystkich uczestników i porównaj różnice między warunkami za pomocą t-test lub analizę wariancji (ANOVA) z powtarzanymi pomiarami w programie do analizy statystycznej (patrz Tabela materiałów).
  15. Zdefiniuj okna czasowe dla N1 i LPP w oparciu o uznane teorie8,17or de dane aktualne3.
    UWAGA: W niniejszej pracy komponent N1 zdefiniowano jako przedział 100–150 ms, natomiast LPP jako 300–600 ms od początku bodźca; LPP jest najbardziej wyraźny w obszarze centralno-parietalnym (Rysunek 2).
  16. Znajdź różnicę między obrazami neutralnymi a negatywnymi w komponencie N1 przy użyciu prób parzystych Proszę podać tekst źródłowy do tłumaczenia.-test w trzech warunkach (Rycina 3).
  17. Wyznacz różnicę między obrazami neutralnymi a negatywnymi dla komponentu LPP, stosując analizę sparowaną t-test w trzech warunkach (Rysunek 4).
  18. Przeprowadź analizę obszaru zainteresowania (ROI) dla komponentów N1 i LPP, uśredniając odpowiednie kanały w celu reprezentacji danego obszaru.
    UWAGA: Aby wybrać ROI, wyciągnięto średnią z epok dla wszystkich trzech warunków, by obliczyć kanały, w których obrazy neutralne i negatywne wykazywały różnicę istotną statystycznie w określonym oknie czasowym (np. dla N1 lub LPP).
  19. Porównaj różnice osobno dla N1 oraz LPP, stosując analizę wariancji z powtarzanymi pomiarami (repeated measures ANOVA) oraz statystyki post hoc w oprogramowaniu do analizy statystycznej.
    UWAGA: Należy zastosować analizę post hoc (poprawka Bonferroniego) i określić istotne różnice między dwoma warunkami osobno, jeżeli model był istotny. Próg istotności ustalono na poziomie p < 0.05.

5. Analiza źródła ERP

  1. Przeprowadź analizę źródła ERP18 przy użyciu oprogramowania open-source SPM19 (patrz Tabela materiałów), postępując zgodnie z poniższymi krokami.
  2. Powiąż system współrzędnych czujników czepka EEG z systemem współrzędnych standardowego obrazu strukturalnego MRI (współrzędne Montreal Neurological Institute (MNI)) poprzez korejestrację opartą na punktach orientacyjnych. W programie SPM kliknij Batch > SPM > M/EEG > Source reconstruction > Head model specification.
  3. Wykonaj obliczenia bezpośrednie (forward computation), aby obliczyć wpływ każdego dipola na siatkę korową nałożoną na czujniki EEG. W tym samym Edytorze wsadowym (Batch Editor) kliknij SPM > M/EEG > Source reconstruction > Source inversion.
    UWAGA: Wyniki te zostały umieszczone w macierzy G (n x m), gdzie n to liczba czujników (wymiar przestrzeni EEG), a m to liczba wierzchołków siatki (wymiar przestrzeni źródła). Model źródła określono jako X = GS, gdzie X jest macierzą n x k reprezentującą dane ERP dla każdego warunku, k to liczba punktów czasowych, a S to macierz m x k wskazująca źródło ERP.
  4. W trzecim kroku (spośród wielu dostępnych algorytmów) wykorzystaj algorytm wielu rzadkich priorytetów (multiple sparse priors) oparty na zachłannym przeszukiwaniu (greedy search) do wykonania rekonstrukcji odwrotnej (ponieważ S jest nieznane), ponieważ jest on bardziej niezawodny niż inne metody20. W oknie Source Inversion wybierz MSP (GS) jako typ inwersji (Inversion type).
  5. Określ różnicę między warunkami, stosując ogólny model liniowy (general linear modeling) w SPM. Ustaw poziom istotności na p < 0,05. W Batch Editor kliknij SPM > Stats > Factorial design specification.

6. Analiza danych EKG i ocena behawioralna

  1. Użyj oprogramowania do przetwarzania danych fizjologicznych w celu przetworzenia i analizy danych EKG (patrz Tabela materiałów). Oblicz średnie wyniki dla każdego stanu. W programie EEGLAB kliknij Tools > FMRIB Tools > Detect QRS events21.
    UWAGA: Podobnie jak w przypadku analizy amplitudy ERP, do dalszej analizy danych z wykorzystaniem ANOVA dla pomiarów powtarzanych użyto oprogramowania statystycznego. W przypadku istotności modelu przeprowadzono analizę post hoc w celu wyłonienia istotnych różnic między dwoma stanami oddzielnie. Poziom istotności ustalono na p < 0,05.
  2. Poproś uczestników o ocenę przekonania co do skuteczności recytowania imienia osoby (Buddha Amitabha, Święty Mikołaj itp.) w skali od 1 do 9, gdzie 1 oznacza najsłabsze, a 9 najsilniejsze przekonanie.

Wyniki

Wyniki behawioralne
Wyniki dotyczące przekonań uczestników na temat recytowania mantr wykazały średnią punktację 8,16 ± 0,96 dla „Amitabha Buddha”, 3,26 ± 2,56 dla „Santa Claus” oraz 1,95 ± 2,09 dla pustej grupy kontrolnej (Tabela uzupełniająca 1).

Wyniki ERP
Reprezentatywny kanał Pz (płat ciemieniowy) wykazał, że warunki intonowania różnie wpływały na wczesne (N1) i późne (LPP) przetwarzanie obrazów neutralnych i negatywnych. Przedstawiono na nim odpowiednio okna czasowe N1 i LPP (Rysunek 2).

Wczesny etap percepcyjny
Wyniki ERP wykazały zwiększoną amplitudę N1 podczas oglądania negatywnych obrazów w trzech warunkach recytowania mantry (Rysunek 3). Wykazano, że obrazy negatywne wywołują silniejszą aktywność w centrum mózgu niż obrazy neutralne, a wzrosty te są porównywalne we wszystkich trzech warunkach.

Późna faza emocjonalno-poznawcza
ERP wykazał zwiększony LPP w warunkach recytacji niereligijnej oraz w warunkach braku recytacji. Jednakże LPP indukowany przez negatywne obrazy jest ledwo widoczny, gdy uczestnik recytuje imię Buddy Amitabhy (Rysunek 4).

Analiza obszaru zainteresowania (ROI)
Trzy warunki zostały połączone w celu oszacowania obszarów, które były ogólnie aktywowane w komponentach N1 i LPP. Wykorzystano oprogramowanie statystyczne do przeprowadzenia analizy ANOVA z powtarzanymi pomiarami, aby obliczyć różnicę w komponentach N1 i LPP pomiędzy warunkami chantingu (Rysunek 5).

Trzy lewe kolumny przedstawiają różnicę w komponencie N1 dla trzech warunków recytacji: warunku cichego oglądania, warunku recytacji niereligijnej oraz warunku recytacji religijnej. Różnice w komponencie N1 były podobne we wszystkich trzech warunkach. Trzy prawe kolumny przedstawiają różnicę w komponencie LPP dla trzech warunków recytacji. Wykazuje to, że różnica w komponencie LPP jest znacznie mniejsza w warunku recytacji religijnej niż w warunku recytacji niereligijnej oraz w warunku cichego oglądania.

Analiza źródła
Zastosowano analizę źródła w celu wyekstrahowania potencjalnego mapowania mózgu na podstawie wyników LPP (Rycina 6). Wyniki pokazują, że w porównaniu z obrazami neutralnymi, obrazy negatywne wywołują silniejszą aktywację ciemieniową w warunkach nireligijnego śpiewania oraz w warunkach braku śpiewania. W przeciwieństwie do tego, aktywacja wywołana obrazami negatywnymi w dużej mierze znika w warunkach religijnego śpiewania.

Wyniki fizjologiczne: częstość uderzeń serca
W warunku nienależnego śpiewania mantr odnotowano istotną zmianę częstości uderzeń serca (HR) pomiędzy zdjęciami negatywnymi a neutralnymi. Podobna tendencja została zaobserwowana w warunku bez śpiewania mantr. Jednakże w warunku religijnego śpiewania mantr nie stwierdzono takiej różnicy w HR (Rysunek 7).

Wykres elektroencefalograficzny (EEG) pokazujący zmiany potencjału (μV) w czasie (ms) przy różnych bodźcach.
Rysunek 2: Reprezentatywny kanał (Pz) wykazał różne ERP w sześciu warunkach inkantacji. Sześć warunków to (1) inkantacja religijna podczas oglądania neutralnych obrazów (AmiNeu); (2) inkantacja religijna podczas oglądania negatywnych obrazów (AmiNeg); (3) inkantacja niereligijna podczas oglądania neutralnych obrazów (SanNeu); (4) inkantacja niereligijna podczas oglądania negatywnych obrazów (SanNeg); (5) brak inkantacji podczas oglądania neutralnych obrazów (PasNeu); oraz (6) brak inkantacji podczas oglądania negatywnych obrazów (PasNeg). Kanał Pz znajduje się w środkowym obszarze ciemieniowym skóry głowy. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Mapy cieplne wyników EEG; analiza emocji; porównanie testem t; aktywność mózgu; wizualizacja.
Rycina 3: Wyniki ERP wykazujące komponent N1 w trzech warunkach intonowania. Dwuwymiarowe mapy komponentu N1 dla trzech warunków dla każdego rodzaju obrazu. W ostatniej kolumnie kanały z istotnymi różnicami (p < 0,05) są zaznaczone kropkami; kropki w ciemniejszym kolorze wskazują na większą istotność (tj. mniejsze wartości p). Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

Mapy cieplne aktywności EEG; porównanie odpowiedzi mózgu; bodźce neutralne vs negatywne; przetwarzanie emocjonalne.
Rysunek 4: Wyniki ERP wykazujące komponent LPP w trzech warunkach intonowania. Dwuwymiarowe mapy komponentu późnego potencjału pozytywnego (LPP) dla trzech warunków dla każdego typu obrazka. W ostatniej kolumnie kanały z istotnymi różnicami (p < 0,05) są oznaczone kropkami; kropki w ciemniejszym kolorze wskazują większą istotność (tj. mniejsze wartości p). Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

Wykres słupkowy EEG przedstawiający odpowiedzi N1 i LPP podczas pasywnego oglądania obrazów Świętego Mikołaja oraz śpiewów Amitābha.
Rysunek 5: Analiza obszaru zainteresowania (ROI). Analiza obszaru zainteresowania (ROI) różnic między odpowiedziami mózgu indukowanymi obrazami negatywnymi a neutralnymi dla wczesnego komponentu N1 oraz późnego komponentu, czyli późnego potencjału dodatniego (LPP). Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.

Aktywacja mózgu w fMRI, pasywna vs śpiewanie mantry, wizualizacja aktywności neuronalnej, analiza porównawcza.
Rysunek 6: Analiza źródła komponentu późnego potencjału dodatniego (LPP) w trzech warunkach. Podświetlone obszary wskazują wyższą aktywność mózgu w warunkach negatywnych w porównaniu do neutralnych. Proszę kliknąć tutaj, aby zobaczyć powiększoną wersję tego rysunku.

Wykres słupkowy porównujący odpowiedź tętna, przedstawiono wartości p: warunki Ami, San, Pas, uderzenia/minutę.
Rycina 7: Odstępy między uderzeniami serca w trzech warunkach inkantacji. Odstępy między uderzeniami (RRs) w elektrokardiogramie dla każdej kombinacji rodzaju obrazu/inkantacji oraz odpowiadające im wartości p. Ami: warunek inkantacji Buddy Amitabhy, San: warunek inkantacji Świętego Mikołaja, Pas: warunek pasywnego oglądania, Neu: obraz neutralny, Neg: obraz negatywny. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

Tabela uzupełniająca 1: Ocena wiary w skuteczność obiektu inkantacji (Budda Amitabha, Święty Mikołaj). Zastosowano skalę od 1 do 9, gdzie 1 oznacza najsłabszą wiarę, a 9 najsilniejszą wiarę. Prosimy kliknąć tutaj, aby pobrać tę tabelę.

Plik uzupełniający 1: Kod do przetwarzania wsadowego danych EEG. Służy on do usuwania uszkodzonych kanałów, ponownego próbkowania danych do 250 Hz, a następnie filtrowania danych. Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 2: Kod do naprawy danych ERP. Służy do naprawy błędnych epok z szumami w postaci skoków napięcia. Kliknij tutaj, aby pobrać ten plik.

Dyskusja

Wyjątkowość niniejszego badania polega na zastosowaniu metody neuronaukowej do zbadania mechanizmów neuronalnych leżących u podstaw powszechnej praktyki religijnej, jaką jest repetytywne śpiewanie mantr. Ze względu na jej znaczący efekt, metoda ta może umożliwić wprowadzenie nowych interwencji dla terapeutów lub klinicystów w celu leczenia pacjentów z problemami emocjonalnymi, zmagających się z lękiem i stresem. Wraz z poprzednimi badaniami, w przyszłych studiach należy uwzględnić szersze badania nad regulacją emocji7,8,9,22.

Istnieje niewiele badań ERP dotyczących intonowania mantr, ze względu na trudności w konstruowaniu eksperymentów łączących intonowanie z innymi zdarzeniami poznawczymi. Niniejsze badanie prezentuje wykonalny protokół do badania efektów afektywnych intonowania/modlitwy, które są dość popularne w rzeczywistości. Wcześniejsze badania fMRI wykazały, że modlitwa angażuje obszary poznania społecznego23. Jedno badanie fMRI w stanie spoczynku ujawniło, że intonowanie „OM” redukuje aktywność przedniego zakrętu obręczy, wyspy oraz kory orbitofrontalnej24. Inne badanie EEG wykazało, że medytacja „OM” zwiększa liczbę fal delta, wywołując poczucie odprężenia i głębokiego snu25. Metody te nie pozwoliły jednak na precyzyjne zbadanie specyficznych zmian związanych ze zdarzeniami następującymi po religijnym intonowaniu.

Aby skutecznie zbadać potencjalny efekt powtarzalnych inkantacji religijnych, badacze powinni kontrolować czynniki zakłócające związane z przetwarzaniem językowym oraz stopniem zaznajomienia. Ponieważ uczestnicy intensywnie i codziennie praktykowali recytowanie imienia „Amitabha Buddha” (znaki chińskie: Przepraszam, nie mogę pomóc z tym obrazem.; wymowa w języku kantońskim: o1-nei4-to4-fat6), jako warunek kontrolny wykorzystano imię „Święty Mikołaj” (znaki chińskie: Chińska kaligrafia, znaki „聖誕老人”, tekst kulturowy, pismo artystyczne, grudniowe świętowanie.; wymowa w języku kantońskim: sing3-daan3-lou5-jan4), ponieważ postać Świętego Mikołaja jest dobrze znana lokalnej społeczności. W języku chińskim oba imiona składają się z czterech znaków, co pozwala na kontrolę podobieństwa językowego. Jeśli chodzi o stopień zaznajomienia, Święty Mikołaj jest również dość popularny w Hongkongu, gdyż jest to miasto częściowo zwesternizowane. Ponadto Święty Mikołaj jest w Hongkongu postacią postrzeganą raczej pozytywnie, zwłaszcza że obowiązują tam oficjalne święta bożonarodzeniowe. Niemniej jednak ta kontrola stopnia zaznajomienia jest tylko częściowa, ponieważ trudno jest w pełni dopasować zrozumienie imienia Buddy Amitabhy u osób praktykujących.

Kluczowym krokiem w niniejszym badaniu było przygotowanie obrazów wywołujących lęk lub stres. Ponieważ recytacja religijna może działać skuteczniej w obliczu zdarzeń zagrażających, kluczowy był dobór odpowiednich bodźców z puli obrazów IAPS26. Zaleca się przeprowadzenie wywiadów z potencjalnymi uczestnikami oraz wybór odpowiednich zdjęć, aby uniknąć wywołania zbyt silnego lęku lub odrazy. Obrazy o bardzo negatywnym ładunku mogłyby uniemożliwić uczestnikom celowe odwrócenie uwagi; jednocześnie bodźce wywołujące lęk i stres powinny pozwalać uczestnikom na odczuwanie wystarczającego zagrożenia. Inną istotną kwestią był projekt blokowy badania. Sygnał EEG/ERP jest wystarczająco czuły i dynamiczny, aby śledzić każde zdarzenie. Jednakże bardziej odpowiednie byłoby zastosowanie projektu blokowego z okresem oglądania trwającym 20-30 s, ponieważ wzorzec funkcji serca lub emocji może nie zmieniać się w skali sekund27. Z drugiej strony, blok o długości 60 s mógłby być zbyt długi, a odpowiedź neuronalna w badaniach ERP mogłaby ulec habituacji.

Etap przetwarzania danych EEG wymaga tworzenia kopii zapasowych na każdym kroku, ponieważ każdy z nich zmienia dane i rejestruje wprowadzone modyfikacje. Pozwala to na śledzenie zmian i ułatwia wykrywanie błędów podczas przetwarzania wsadowego. Niezbędne jest również poprawienie jakości danych, dlatego wymagane jest doświadczenie w oczyszczaniu surowych danych oraz identyfikacji wadliwych komponentów niezależnych (IC). W analizie statystycznej przeprowadzono porównania średnich zbiorczych i zastosowano analizę wariancji (ANOVA). Ostrzegamy, że statystyka ta z modelem efektów stałych jest podatna na efekty losowe28. Modele efektów mieszanych mogą zostać dostosowane w celu kontrolowania czynników zewnętrznych29, a założenie liniowości może potencjalnie wpływać na wnioski wyciągane z danych ERP30.

Warto odnotować kilka ograniczeń. Jednym z nich jest fakt, że w obecnym badaniu wzięła udział tylko jedna grupa uczestników wyznających buddyzm Czystej Krainy. Włączenie grupy kontrolnej bez żadnego doświadczenia w religijnym śpiewaniu mantr w celu porównania mogłoby pomóc ustalić, czy efekt religijnego śpiewania jest zapośredniczony przez przekonania czy przez zaznajomienie z praktyką. Zazwyczaj randomizowane badanie kontrolowane byłoby bardziej przekonujące w badaniu wpływu modulacji emocji na religijne śpiewanie mantr31. Jednak trudno zagwarantować, aby jakikolwiek uczestnik powtarzalnie i z pełną wolą recytował słowa „Amitabha Buddha”. Dodatkowo na LPP wpływają inne czynniki, takie jak emocjonalne dźwięki lub primowanie pozytywne32,33. W związku z tym konieczne są lepiej kontrolowane eksperymenty, aby dokładniej opisać podstawowy mechanizm neuronowy leżący u podstaw efektu religijnego śpiewania mantr.

Podsumowując, wcześniejsze badania wykazały, że ludzki mózg podlega plastyczności neuronalnej i szybkim zmianom stanów34,35; dzięki odpowiedniej praktyce i intencji mózg może przebudować swoją strukturę i reagować w inny sposób na bodźce, które zazwyczaj budzą lęk. Niniejsza praca dostarcza informacji na temat opracowania skutecznych strategii radzenia sobie z cierpieniem emocjonalnym w kontekstach współczesnych. Postępując zgodnie z tym protokołem, badacze powinni przeanalizować wpływ religijnych śpiewów lub innych tradycyjnych praktyk, aby zidentyfikować możliwe sposoby pomagania ludziom w łagodzeniu ich cierpień emocjonalnych.

Oświadczenia

Autorzy oświadczają, że nie mają konkurencyjnych interesów finansowych.

Podziękowania

Badanie było wspierane przez projekt małego funduszu HKU i NSFC.61841704.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
E-Prime 2.0Psychologia Narzędzia programowe Prezentacjabodźców, gromadzenie danych behawioralnych
EEGLABSwartz Center for Computational NeuroscienceOprogramowanie do analizy EEG
HydroCel GSN 128 kanałówElectrical Geodesics, Inc. (EGI)Czapeczka EEG
LabChartADInstrumenty oprogramowanie
Matlab R2011aMathWorksEEGLAB i SPM są oparte na Matlabie; narzędzie do analizy statystycznej EEG i danych fizjologicznych
NetstationElectrical Geodesics, Inc. (EGI)Oprogramowanie do akwizycji EEG
PowerLab 8/35ADInstrumentsPL3508sprzęt do akwizycji danych fizjologicznych (w tym EKG)
SPMWellcome Trust Centre for NeuroimagingOprogramowanie do analizy źródła EEG
FMRIBUniwersytet Oksfordzki Centrum Funkcjonalnego MRI Mózgu (FMRIB)Wtyczka do EEGLAB do przetwarzania danych EKG
SPSSIBMdla danych o zachowaniu i zwrocie EEG
iMac 27"Applez oprogramowaniem Netstation
Komputer PC z systemem WindowsHPz systemem E-Prime 2.0 oprogramowanie
Komputer z systemem Windows, firma Dellz oprogramowaniem LabChart
dane fizjologiczne (w tym EKG) pozyskiwanie danych fizjologicznych Narzędzie do analizy statystycznej

Bibliografia

  1. Kennedy, H., Montreuil, T. C. The late positive potential as a reliable neural marker of cognitive reappraisal in children and youth: A brief review of the research literature. Frontiers in Psychology. 11, 608522(2020).
  2. Yu, Q., Kitayama, S. Does facial action modulate neural responses of emotion? An examination with the late positive potential (LPP). Emotion. 21 (2), 442-446 (2021).
  3. Gao, J. L., et al. Repetitive religious chanting modulates the late-stage brain response to fear and stress-provoking pictures. Frontiers in Psychology. 7, 2055(2017).
  4. Barkus, E. Effects of working memory training on emotion regulation: Transdiagnostic review. PsyCh Journal. 9 (2), 258-279 (2020).
  5. Denny, B. T. Getting better over time: A framework for examining the impact of emotion regulation training. Emotion. 20 (1), 110-114 (2020).
  6. Champe, J., Okech, J. E. A., Rubel, D. J. Emotion regulation: Processes, strategies, and applications to group work training and supervision. Journal for Specialists in Group Work. 38 (4), 349-368 (2013).
  7. Sobolewski, A., Holt, E., Kublik, E., Wrobel, A. Impact of meditation on emotional processing-A visual ERP study. Neuroscience Research. 71 (1), 44-48 (2011).
  8. Katyal, S., Hajcak, G., Flora, T., Bartlett, A., Goldin, P. Event-related potential and behavioural differences in affective self-referential processing in long-term meditators versus controls. Cognitive Affective & Behavioral Neuroscience. 20 (2), 326-339 (2020).
  9. Uusberg, H., Uusberg, A., Talpsep, T., Paaver, M. Mechanisms of mindfulness: The dynamics of affective adaptation during open monitoring. Biological Psychology. 118, 94-106 (2016).
  10. Bradley, M. M., Lang, P. J. Handbook of emotion elicitation and assessment. Series in affective science. Coan, J. A., Allen, J. B. 483, Oxford University Press. 483-488 (2007).
  11. Gao, J. L., et al. Repetitive religious chanting invokes positive emotional schema to counterbalance fear: A multi-modal functional and structural MRI study. Frontiers in Behavioral Neuroscience. 14, 548856(2020).
  12. Somaratne, G. A. The Jhana-cittas: The methods of swapping existential planes via samatha. Journal Of The Postgraduate Institute Of Pali And Buddhist Studies. 2, 1-21 (2017).
  13. Bhikkhu, T. Sallatha Sutta: The arrow (SN 36.6), Translated from the pali. Access to Insight Legacy Edition. , (2013).
  14. Halkias, G. Luminous bliss : a religious history of Pure Land literature in Tibet : with an annotated English translation and critical analysis of the Orgyan-gling gold manuscript of the short Sukhāvatīvȳuha-sūtra. , University of Hawaiʻi Press. (2013).
  15. Stewart, J. L., et al. Attentional bias to negative emotion as a function of approach and withdrawal anger styles: An ERP investigation. International Journal of Psychophysiology. 76 (1), 9-18 (2010).
  16. Delorme, A., Makeig, S. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods. 134 (1), 9-21 (2004).
  17. Ito, T. A., Larsen, J. T., Smith, N. K., Cacioppo, J. T. Negative information weighs more heavily on the brain: The negativity bias in evaluative categorizations. Journal of Personality and Social Psychology. 75 (4), 887-900 (1998).
  18. Grech, R., et al. Review on solving the inverse problem in EEG source analysis. Journal of NeuroEngineering and Rehabilitation. 5, 25(2008).
  19. Penny, W. D., Friston, K. J., Ashburner, J. T., Kiebel, S. J., Nichols, T. E. Statistical Parametric Mapping: The Analysis of Functional BrainIimages: The Analysis of Functional Brain Images. , Academic Press. (2011).
  20. Friston, K., et al. Multiple sparse priors for the M/EEG inverse problem. NeuroImage. 39 (3), 1104-1120 (2008).
  21. Niazy, R. K., Beckmann, C. F., Iannetti, G. D., Brady, J. M., Smith, S. M. Removal of FMRI environment artifacts from EEG data using optimal basis sets. Neuroimage. 28 (3), 720-737 (2005).
  22. Nakamura, H., Tawatsuji, Y., Fang, S. Y., Matsui, T. Explanation of emotion regulation mechanism of mindfulness using a brain function model. Neural Networks. 138, 198-214 (2021).
  23. Schjoedt, U., Stdkilde-Jorgensen, H., Geertz, A. W., Roepstorff, A. Highly religious participants recruit areas of social cognition in personal prayer. Social Cognitive and Affective Neuroscience. 4 (2), 199-207 (2009).
  24. Rao, N. P., et al. Directional brain networks underlying OM chanting. Asian Journal of Psychiatry. 37, 20-25 (2018).
  25. Harne, B. P., Bobade, Y., Dhekekar, R. S., Hiwale, A. SVM classification of EEG signal to analyze the effect of OM Mantra meditation on the brain. 2019 Ieee 16th India Council International Conference (Ieee Indicon 2019). , (2019).
  26. Coan, J. A., Allen, J. J. B. Handbook of Emotion Elicitation and Assessment. , Oxford University Press. (2007).
  27. Meseguer, V., et al. Mapping the apetitive and aversive systems with emotional pictures using a Block-design fMRI procedure. Psicothema. 19 (3), 483-488 (2007).
  28. Luck, S. J., Gaspelin, N. How to get statistically significant effects in any ERP experiment (and why you shouldn't). Psychophysiology. 54 (1), 146-157 (2017).
  29. Meteyard, L., Davies, R. A. I. Best practice guidance for linear mixed-effects models in psychological science. Journal of Memory and Language. 112, 104092(2020).
  30. Tremblay, A., Newman, A. J. Modeling nonlinear relationships in ERP data using mixed-effects regression with R examples. Psychophysiology. 52 (1), 124-139 (2015).
  31. Wu, B. W. Y., Gao, J. L., Leung, H. K., Sik, H. H. A randomized controlled trial of Awareness Training Program (ATP), a group-based mahayana buddhist intervention. Mindfulness. 10 (7), 1280-1293 (2019).
  32. Brown, D. R., Cavanagh, J. F. The sound and the fury: Late positive potential is sensitive to sound affect. Psychophysiology. 54 (12), 1812-1825 (2017).
  33. Hill, L. D., Starratt, V. G., Fernandez, M., Tartar, J. L. Positive affective priming decreases the middle late positive potential response to negative images. Brain and Behavior. 9 (1), 01198(2019).
  34. Belzung, C., Wigmore, P. Current Topics in Behavioral Neurosciences,1 online resource. , Springer Berlin Heidelberg. Berlin Heidelberg. (2013).
  35. Denes, G. Neural Plasticity Across The Lifespan: How The Brain Can Change. , CRC Press, an imprint of the Taylor & Francis Group. (2016).

Przedruki i uprawnienia

Sprostowanie


Formal Correction: Erratum: Modulation of the Neurophysiological Response to Fearful and Stressful Stimuli Through Repetitive Religious Chanting
Posted by JoVE Editors on 3/25/2022. Citeable Link.

An erratum was issued for: Modulation of the Neurophysiological Response to Fearful and Stressful Stimuli Through Repetitive Religious Chanting. The Authors section was updated.

The authors section was updated from:

Hin Hung Sik1, Georgios T. Halkias1, Chunqi Chang2, Junling Gao1, Hang Kin Leung1, Bonnie W. Y. Wu1
1Centre of Buddhist Studies, The University of Hong Kong,
2School of Biomedical Engineering, Shenzhen University

To:

Hin Hung Sik1, Georgios T. Halkias1, Chunqi Chang2, Junling Gao1, Hang Kin Leung1, Bonnie Wai Yan Wu1
1Buddhism and Science Research Lab, Centre of Buddhist Studies, The University of Hong Kong,
2School of Biomedical Engineering, Shenzhen University

Tagi

Pobudzenie emocjonalnepóźny potencjał dodatnipotencjały wywołanebodźce wywołujące lękelektroencefalografia EEGMiędzynarodowy System Obrazów Afektywnychanaliza źródła ERP
Modulacja neurofizjologicznej odpowiedzi na bodźce lękowe i stresowe poprzez powtarzające się śpiewy religijne
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.