Artykuł metodologiczny

Śpiewy religijne i obszary mózgu związane z sobą: multimodalne badanie neuroobrazowania

2.1K wyświetleń

⸱

DOI:

10.3791/66221

⸱

31 maja 2024

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

W tym artykule

Podsumowanie

Tutaj prezentujemy protokół do zbadania neurofizjologicznych korelatów różnych form medytacji, w tym śpiewu religijnego. Metoda ta w unikalny sposób integruje wyniki wektora własnego fMRI do wyboru regionu w analizie źródła elektroencefalogramu (EEG) przy użyciu grupowania k-średnich. Wyniki pozwalają na dogłębne zrozumienie procesów neuronalnych związanych z powtarzającymi się pieśniami religijnymi.

Streszczenie

Ten protokół przedstawia multimodalne podejście neuroobrazowania do zbadania potencjalnej aktywności mózgu związanej z powtarzającym się śpiewem religijnym, szeroko rozpowszechnioną formą treningu umysłu zarówno w kulturach Wschodu, jak i Zachodu. Elektroencefalogram o dużej gęstości (EEG), o doskonałej rozdzielczości czasowej, pozwala na uchwycenie dynamicznych zmian w aktywności mózgu podczas śpiewu religijnego. Dzięki metodom lokalizacji źródeł można je przypisać różnym alternatywnym potencjalnym źródłom regionów mózgu. Dwudziestu praktykujących śpiew religijny zostało zmierzonych za pomocą EEG. Jednak rozdzielczość przestrzenna EEG jest mniej precyzyjna w porównaniu z funkcjonalnym rezonansem magnetycznym (fMRI). W związku z tym jeden z bardzo doświadczonych lekarzy przeszedł sesję skanowania fMRI, aby dokładniej pokierować lokalizacją źródłową. Dane fMRI pomogły w wyborze lokalizacji źródła EEG, dzięki czemu obliczenia K-średnich lokalizacji źródła EEG w grupie 20 praktyków średnio zaawansowanych są bardziej precyzyjne i wiarygodne. Metoda ta zwiększyła zdolność EEG do identyfikacji obszarów mózgu specyficznie zaangażowanych podczas śpiewania religijnego, w szczególności kardynalnej roli tylnej kory obręczy (PCC). PCC to obszar mózgu związany z koncentracją i przetwarzaniem autoreferencyjnym. Te multimodalne neuroobrazowanie i wyniki neurofizjologiczne ujawniają, że powtarzające się śpiewy religijne mogą indukować niższą centralność i wyższą moc fal delta w porównaniu z niereligijnymi intonacjami i stanami spoczynku. Połączenie fMRI i analizy źródeł EEG zapewnia bardziej szczegółowe zrozumienie reakcji mózgu na powtarzające się śpiewy religijne. Protokół znacząco przyczynia się do badań nad mechanizmami neuronalnymi zaangażowanymi w praktyki religijne i medytacyjne, które stają się coraz bardziej widoczne w dzisiejszych czasach. Wyniki tego badania mogą mieć znaczące implikacje dla rozwoju przyszłych technik neurofeedbacku i interwencji psychologicznych.

Wprowadzenie

Religijne śpiewanie, bardzo popularna praktyka w kulturach Wschodu, jest często porównywane do modlitwy w społeczeństwach zachodnich1. Pomimo jego rozpowszechnienia, badania naukowe nad neuronalnymi korelatami śpiewu religijnego pozostają raczej ograniczone. W tym badaniu wykorzystano zaawansowane multimodalne techniki elektrofizjologiczne i neuroobrazowania, aby wypełnić tę lukę w wiedzy i zbadać neuronalne powiązania śpiewania Buddy Amitaby, jednej z najbardziej rozpowszechnionych i jednej z najstarszych aktywnie zachowanych tradycji religijnych2,3. Powtarzające się śpiewy religijne mogą służyć jako skuteczna technika w poradnictwie buddyjskim, która pomaga uspokoić umysł od burzliwych myśli i emocji.

Biorąc pod uwagę wysoką rozdzielczość przestrzenną funkcjonalnego rezonansu magnetycznego (fMRI), może być ona zastosowana do przezwyciężenia ograniczeń tradycyjnych badań EEG4. Łącząc grupowanie źródeł fMRI i elektroencefalogramu (EEG) za pomocą analizy niezależnych składowych (ICA), badanie identyfikuje i grupuje niezależne składniki aktywności mózgu u uczestników. Metoda ta wprowadza nowatorską strategię identyfikacji sygnałów z mieszanych źródeł EEG lub różnych źródeł u uczestników, co było wyzwaniem ze względu na różnice w anatomii mózgu i rozmieszczeniu elektrod.

Forma powtarzającego się religijnego śpiewania, która była badana za pomocą tego protokołu, polega na powtarzającym się recytowaniu imienia Buddy Amitabhy. Jest to również praktyka medytacyjna, o której doniesiono, że wywołuje błogie doznania i transcendentalne doświadczenia. Wśród różnych praktyk buddyjskich, praktyka śpiewania Buddy Amitābha jest prosta i łatwo dostępna. Praktyka ta obiecuje odrodzenie w Czystej Krainie wszystkim tym, którzy szczerze wzywają tego imienia, które ma podobieństwa do pewnych tradycji religii zachodniej1,3.

Poprzez neuroobrazowanie multimodalne, badanie to ma na celu dostarczenie kompleksowego zrozumienia neuronalnych korelatów powtarzających się religijnych śpiewów. Protokół może przyczynić się do rozwoju rozwijającej się dziedziny badań nad neurofizjologicznymi skutkami różnych praktyk religijnych i medytacyjnych.

Badanie postawiło hipotezę, że powtarzające się religijne śpiewanie doprowadzi do znaczących zmian sygnału w obszarach mózgu odpowiedzialnych za procesy związane z samym sobą. Co więcej, biorąc pod uwagę pozytywne emocje przypisywane Buddzie Amitabrze, postawiliśmy hipotezę, że zmiany emocjonalne mogą nastąpić podczas religijnego śpiewania. Te skuteczne zmiany prawdopodobnie zbiegną się w czasie z modyfikacjami obwodowych wskaźników fizjologicznych, takich jak zmiany wielopasmowych wskaźników zmienności rytmu serca (HRV) i częstości oddechów5.

Protokół

Etyczne zatwierdzenie badania zostało uzyskane od Uniwersytetu w Hongkongu przed eksperymentem. Wszyscy uczestnicy podpisali pisemny formularz zgody przed przystąpieniem do eksperymentów EEG i fMRI.

1. Wybór i przygotowanie uczestników

  1. Rekrutuj uczestników, którzy mają co najmniej 1 rok doświadczenia medytacyjnego w religijnym śpiewaniu Buddy Amitābha przez co najmniej 15 minut dziennie. Upewnij się, że przedział wiekowy wynosi od 40 do 52 lat. Oszacuj liczbę uczestników za pomocą analizy mocy. W obecnym badaniu zrekrutowano 21 uczestników.
    UWAGA: Analizę mocy przeprowadzono w oparciu o wielkości efektu zaobserwowane w badaniach pilotażowych i istniejącej literaturze na temat badań EEG i fMRI medytacji. Ogólnie rzecz biorąc, projektowanie wewnątrzobiektowe ma większą zdolność do różnicowania różnych warunków, biorąc pod uwagę, że różnice między obiektami są zwykle większe.
  2. Poinformuj uczestników o celu badania i związanych z nim procedurach.
  3. Upewnij się, że uczestnicy nie są przygnębieni, korzystając z Inwentarza Depresji Becka.
  4. Upewnij się, że uczestnicy są w dobrym zdrowiu i nie są pod wpływem żadnych substancji, które mogą wpływać na ich reakcje fizjologiczne.
    UWAGA: Kryteria wykluczenia obejmują depresję, patologię neuropsychiatryczną lub bycie pod wpływem alkoholu lub substancji psychoaktywnych. Co więcej, kryteria wykluczenia specyficzne dla MRI obejmują posiadanie rozrusznika serca, głębokich implantów mózgu lub implantów metalowych, które nie są kompatybilne z kontrolą MRI.
  5. Upewnij się, że uczestnicy są uprawnieni do udziału w badaniu EEG/elektrokardiogramu (EKG)/rezonansu magnetycznego.
    UWAGA: Dane EEG i MRI zostały zarejestrowane oddzielnie. Czas zbierania danych różnił się w zależności od EEG i fMRI, aby zoptymalizować jakość danych dla każdej modalności, biorąc pod uwagę zmęczenie i komfort uczestników. Nasze badanie pilotażowe wykazało, że fMRI jest bardziej wrażliwe na wykazanie korelacji neuronalnych, podczas gdy dane EEG zwykle zawierały złe segmenty lub inne artefakty i wymagały nieco dłuższego czasu trwania, aby zapewnić wystarczającą ilość danych do końcowej analizy. Tak więc czas EEG był nieco dłuższy niż czas MRI. Różne pozycje podczas zbierania danych EEG i fMRI były konieczne ze względu na ograniczenia każdej metody obrazowania. Warunki zostały losowo zrandomizowane przy użyciu wygenerowanego komputerowo harmonogramu randomizacji w celu kontroli efektów kolejności. Sekwencja nie była taka sama między EEG a fMRI.

2. Akwizycja i analiza danych EEG

  1. Skonfiguruj 128-kanałowy EEG i wiele urządzeń do rejestracji danych fizjologicznych zgodnie z instrukcjami producenta.
  2. Upewnij się, że uczestnicy dokładnie umyją włosy przed rozpoczęciem zbierania danych EEG/EKG.
  3. Poproś uczestników, aby się zrelaksowali i usiedli wygodnie.
  4. Przedstaw uczestnikom eksperyment.
  5. Poproś uczestnika o wykonanie próbnej wersji eksperymentu.
  6. Zbieraj dane EEG, gdy każdy uczestnik znajduje się w trzech różnych warunkach: intonowaniu Buddy Amitābha, śpiewaniu Świętego Mikołaja i stanie spoczynku, a wszystko to z zamkniętymi oczami. Zapisz 10 minut danych EEG w każdym stanie.
  7. Zapisz i oznacz dane odpowiednio dla każdego uczestnika.
  8. Upewnij się, że dane są bezpiecznie przechowywane za pomocą kopii zapasowych.

3. Akwizycja danych MRI

  1. Przygotuj skaner MRI 3,0 T i upewnij się, że działa prawidłowo przed rozpoczęciem zbierania danych. Upewnij się, że uczestnik czuje się komfortowo i rozumie procedurę przed rozpoczęciem skanowania.
  2. Rozpocznij od sekwencji skanowania ważonej T1 z następującymi parametrami: pole widzenia (FoV) = 256 mm × 150 mm × 240 mm, matryca akwizycji = 256 × 256, czas powtarzania (TR) = 15 ms, czas echa (TE) = 3,26 ms, kąt odwrócenia = 25°, grubość warstwy = 1,5 mm, liczba warstw = 100, rozdzielczość wokseli (x,y,z,) = 0,94 mm × 1 mm × 1,5 mm.
  3. Uzyskaj obrazy fMRI z gradientowym obrazowaniem echoplanarnym (EPI) za pomocą 8-kanałowej cewki głowicy SENSE. Ustaw parametry sekwencji w następujący sposób: FoV = 230 mm × 140 mm × 230 mm, matryca akwizycji = 64 × 64, TR = 2000 ms, TE = 30 ms, kąt odwrócenia = 90°, liczba warstw = 32, grubość warstwy = 3 mm i odstęp między warstwami = 1,5 mm.
  4. Rozpocznij akwizycję danych fMRI, gdy każdy uczestnik znajduje się w trzech warunkach: śpiewanie religijne, śpiewanie niereligijne i stan spoczynku. Rejestruj dane przez czas trwania każdego warunku: każdy warunek składał się z 243 woluminów dynamicznych o łącznym czasie trwania 8,1 min.

4. Akwizycja danych fizjologicznych

  1. Skonfiguruj system gromadzenia danych fizjologicznych do zbierania danych sercowych, oddechowych i innych danych fizjologicznych zgodnie z instrukcjami producenta.
    UWAGA: Dane EEG i fizjologiczne zostały uzyskane w tym samym czasie.
  2. Zamocuj trzy elektrody EKG odpowiednio na lewej i prawej ręce oraz lewej stopie.
  3. Załóż na uczestniczkę dwa pasy oddechowe, jeden do pomiaru oddechu piersi, a drugi do pomiaru oddechu brzusznego.
  4. Monitoruj reakcję galwaniczną skóry (GSR) i poziomy nasycenia tlenem uczestników.
  5. Rozpocznij zbieranie danych wraz z gromadzeniem danych EEG, gdy każdy uczestnik znajduje się w trzech warunkach: intonowanie Buddy Amitābha, śpiewanie Świętego Mikołaja i stan spoczynku, a wszystko to z zamkniętymi oczami.
  6. Zapisz i oznacz dane odpowiednio dla każdego uczestnika. Upewnij się, że dane są bezpiecznie przechowywane i są wystarczająco dobre do dalszej analizy.

5. Analiza danych EEG

  1. Przetwarzaj i analizuj dane EEG za pomocą odpowiedniego oprogramowania. W tym przypadku wykorzystano oprogramowanie open-source EEGLAB.
  2. Załaduj dane do programu. Kliknij Plik> załadować istniejący zestaw danych.
  3. Ponowne próbkowanie danych z zakresu od 1000 Hz do 250 Hz, klikając przycisk Narzędzia > Zmień częstotliwość próbkowania.
  4. Filtruj dane za pomocą filtru o skończonej odpowiedzi impulsowej (FIR) o paśmie przebiegowym 0,1–100 Hz, klikając Narzędzia > Filtruj dane > Podstawowy filtr FIR.
  5. Ponownie przefiltruj dane za pomocą filtra wycinającego o paśmie zaporowym 47-53 Hz, aby usunąć szumy prądu przemiennego. Kliknij Narzędzia > Filtruj dane i wybierz opcję Notch filter the data instead a pass band.
  6. Sprawdź dane wizualnie, aby wyeliminować artefakty, takie jak ruchy gałek ocznych i mięśni, klikając przycisk Kreśl > Dane kanału (przewijanie).
    UWAGA: Wyznaczone kanały elektrookulograficzne (EOG) mogą być używane jako odniesienie.
  7. Sprawdź wizualnie dane, aby zauważyć uszkodzone kanały do usunięcia.
  8. Zastosuj interpolację sferyczną w oparciu o otaczające kanały, aby zrekonstruować uszkodzone kanały, klikając Narzędzia > Interpoluj elektrody i wybierając jeden z kanałów danych.
  9. Wykonaj analizę składowych niezależnych (ICA) przy użyciu algorytmu runica. W tym celu kliknij Narzędzia > Uruchom ICA.
  10. Usuń z danych niezależne komponenty (IC), które odpowiadają ruchom gałek ocznych, szumom mięśni i szumom linii, klikając Narzędzia > Odrzuć dane za pomocą ICA > Odrzuć komponenty według mapy.
  11. Zrekonstruuj dane przy użyciu pozostałych elementów Ics, klikając Narzędzia > Usuń komponenty.
  12. Kliknij Narzędzia > Filtruj dane > Podstawowy filtr FIR, aby przefiltrować dane za pomocą filtra dolnoprzepustowego 47 Hz.
  13. Oszacuj podobieństwo układów scalonych i pogrupuj je w funkcjonalnie równoważne klastry za pomocą funkcji STUDY EEGLAB. Kliknij Plik> utworzyć badanie > przy użyciu wszystkich załadowanych zestawów danych.
  14. Wygeneruj lokalizacje dipolowe każdego układu scalonego za pomocą funkcji DIPFIT2. Kliknij Narzędzia > Zlokalizuj dipol za pomocą DIPFIT 2.x > Autofit.
  15. Użyj klastrowania k-średnich, aby utworzyć klastry IC na podstawie podobnych lokalizacji dipolów (waga: 2/3) i widma mocy (waga: 1/3). Kliknij pozycję Study > PCA Clustering > Build Preclustering Array.
  16. Powtórz procedurę grupowania dziesięć razy, za każdym razem z innym ustawieniem parametru k. Zidentyfikuj ustawienie parametru k, które generuje charakterystyczne, ale rozsądne klastry. Kliknij na Badanie> edytować/kreślić klastry.
  17. Wykonaj analizę widma i przeprowadź jednokierunkową ANOVA na wszystkich głównych pasmach częstotliwości przy użyciu układów scalonych z określonego klastra zainteresowania.
    UWAGA: Zwróć szczególną uwagę na tylną korę obręczy (PCC), ponieważ stwierdzono, że obszar ten zmniejsza swoją centralność z powodu regionalnego wzrostu endogennego generowania oscylacji delta podczas śpiewania religijnego.

6. analiza danych fMRI

  1. Wstępne przetwarzanie danych fMRI przy użyciu oprogramowania Leipzig Image Processing and Statistical Inference Algorithms (LIPSIA 2.2.7).
    1. Wykonaj przetwarzanie wstępne, które obejmuje normalizację intensywności sygnału, korekcję ruchu, normalizację przestrzenną do przestrzeni MNI, wygładzanie przestrzenne z pełną szerokością w połowie maksimum (FWHM) = 6 mm oraz czasowe filtrowanie górnoprzepustowe z częstotliwością odcięcia 1/90 Hz w celu usunięcia dryftów niskich częstotliwości w szeregach czasowych fMRI. Zapoznaj się z poniższymi krokami w temacie Potok przetwarzania danych 1 (Plik uzupełniający 1).
  2. Usuń współzmienne, które nie są interesujące, takie jak globalne fluktuacje sygnału i parametry ruchu, regresując je z danych dla każdej sekwencji skanowania, która odpowiada każdemu z trzech warunków.
  3. Na koniec zbadaj konektomomikę funkcjonalną całego mózgu, stosując mapowanie centralności wektora własnego (ECM), metodę teorii grafów, która identyfikuje najbardziej wpływowe węzły w sieci, a obrazy ECM z dwóch warunków są odejmowane od siebie, aby uzyskać wynikowy obraz kontrastowy. Zapoznaj się z poniższymi krokami w temacie Potok przetwarzania danych 2 (plik uzupełniający 2).

7. EKG i inne dane fizjologiczne

  1. Wyczyść surowe EKG i inne dane fizjologiczne za pomocą filtra pasmowo-przepustowego Butterwortha i wyodrębnij interwał między uderzeniami (IBI) po zastąpieniu wartości odstających interpolacją splajnu.
  2. Detrendyzacja danych IBI i obliczanie cech w dziedzinie czasu/częstotliwości HRV (zmienności tętna) przy użyciu zestawu narzędzi HRVAS typu open source.
  3. Ustaw zakresy częstotliwości dla VLF na 0-0.04 Hz, LF na 0.04-0.15 Hz i HF na 0.15-0.4 Hz.
  4. Oszacuj moc wybranych pasm częstotliwości za pomocą metody periodogramu Lomba-Scargle'a.
  5. Poddaj uzyskane wskaźniki HRV testom statystycznym przy użyciu jednokierunkowych powtarzanych pomiarów, ANOVA i testów post hoc w celu oceny różnic między warunkami. Ustaw poziom istotności alfa na 0,05.
  6. Obliczaj inne dane fizjologiczne, takie jak interwały oddechów dla każdego uczestnika i każdego stanu, za pomocą oprogramowania analitycznego.
  7. Użyj funkcji findpeaks w oprogramowaniu do analizy, aby wykryć szczyt krzywej oddechowej.
  8. Rozróżnij okresy wdechu i wydechu, a następnie oblicz częstość oddechów.
  9. Porównaj różnicę między warunkami, korzystając z jednokierunkowych powtarzanych pomiarów, ANOVA i testów post hoc.

Wyniki

Wyniki analizy fMRI wskazały, że najsilniejsza różnica w centralności wektora własnego pomiędzy chantingiem religijnym a niereligijnym znajdowała się głównie w tylnej części kory obręczy (PCC); patrz Rysunek 1. Wynik ten wykorzystano do oceny i walidacji doboru klastrowania niezależnych komponentów EEG, w którym analogicznie pojawił się klaster w sąsiedztwie obszaru PCC.

Skan MRI mózgu wyróżniający obszary aktywacji neuronalnej; schemat ze skalą intensywności aktywacji.
Rycina 1: Wyniki multimodalnego obrazowania neuronowego i elektrofizjologicznego. Mapowanie centralności wektora własnego zastosowane do danych fMRI wykazało, że tylna część zakrętu obręczy jest obszarem mózgu, w którym centralność spadła najbardziej podczas religijnego śpiewu w porównaniu do śpiewu niereligijnego. Rycina ta została uzyskana za zgodą Gao i wsp.1. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Analiza klastrowania niezależnych komponentów EEG wykazała siedem odrębnych klastrów IC, z których każdy odpowiadał źródłu aktywności EEG. Co istotne, jeden z tych klastrów znajdował się w PCC, co jest wynikiem zgodnym z wynikami fMRI (patrz Rysunek 2).

Schemat mapowania mózgu z współrzędnymi 3D, analiza danych fMRI, badanie neurologiczne.
Rysunek 2: Analiza grupowania niezależnych komponentów EEG wykazała również obecność klastra w PCC. Rysunek został udostępniony za zgodą Gao i wsp.1. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Ten konkretny klaster został następnie wybrany do pogłębionej analizy, obejmującej analizę widmową. Jednoczynnikowa analiza wariancji (ANOVA) wykazała istotny efekt główny intonowania na moc pasma częstotliwości delta (1-4 Hz, patrz Rysunek 3 oraz Rysunek 4).

Analiza częstotliwości dźwięku; log mocy dB względem częstotliwości Hz; wykres porównuje śpiewy religijne i niereligijne.
Rycina 3: Jednoczynnikowa analiza wariancji (ANOVA) wykazała istotny główny efekt śpiewania na moc pasma delta (1-4 Hz). Rycina ta została udostępniona za zgodą Gao et al.1. Kliknij tutaj, aby wyświetlić rycina w większym rozmiarze.

Analiza mocy fal delta; wykres słupkowy porównujący śpiew religijny, śpiew niereligijny oraz stan spoczynku.
Rycina 4: Analiza post hoc warunków śpiewu religijnego w porównaniu do śpiewu niereligijnego. Analiza wykazała, że śpiew religijny wywołał wyższą moc fal delta niż w warunku śpiewu niereligijnego (p = .011). Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Dalsza analiza post hoc wykazała istotnie niższą moc HRV podczas religijnego śpiewu w porównaniu z warunkiem braku śpiewu (patrz Rysunek 5).

Wykres słupkowy porównujący zmienność rytmu serca w stanach śpiewu religijnego, śpiewu niereligijnego oraz w spoczynku.
Rycina 5: Analiza post hoc stanu spoczynku bez śpiewu w porównaniu z warunkami śpiewu religijnego. Analiza wykazała, że w porównaniu ze stanem spoczynku bez śpiewu, śpiew religijny indukuje niższą całkowitą moc HRV, niższą bezwzględną moc wysokich częstotliwości oraz niższą bezwzględną moc bardzo niskich częstotliwości. Rycina ta została udostępniona za zgodą Gao i wsp.1. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Wyniki wskazują, że w porównaniu z chantingiem niereligijnym następuje spadek centralności wektora własnego w PCC, co jest prawdopodobnie spowodowane regionalnym wzrostem endogennych oscylacji delta. Zmiany funkcjonalne te są niezależne od obwodowej aktywności serca lub oddychania i nie są wyzwalane przez ukryte przetwarzanie językowe. Zamiast tego wydają się być związane z doświadczeniami transcendentalnej błogości oraz redukcją poznania skoncentrowanego na sobie.

Plik uzupełniający 1: Potok przetwarzania danych 1. Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 2: Potok przetwarzania danych 2. Kliknij tutaj, aby pobrać ten plik.

Dyskusja

Chociaż zastosowany 128-kanałowy system EEG był systemem EEG o dużej gęstości, rozdzielczość przestrzenna EEG pozostaje stosunkowo słaba w porównaniu z fMRI, a ta wada wpływa również na dokładność lokalizacji źródła EEG, zwłaszcza gdy prawdopodobnych jest wiele kandydatów na regiony mózgu. W związku z tym głębsza i wyższa rozdzielczość przestrzenna MRI może znacznie zwiększyć dokładność przestrzenną analizy źródłaEEG6 i pomóc w wyborze najważniejszych klastrów do dalszej analizy. Niniejszy protokół wykorzystuje multimodalne narzędzia neuroobrazowania, w tym metody pozyskiwania i analizy danych EEG, EKG i fMRI. Demonstruje kompleksowe podejście do badania neurofizjologicznych korelatów śpiewu religijnego i potencjalnie innych form treningu umysłu. Krytycznym krokiem w protokole jest zastosowanie wyników fMRI w analizie źródła EEG. Jakość pozyskanych danych EEG pozostaje kluczowa dla późniejszej analizy i interpretacji wyników. Zastosowanie ICA i grupowania k-średnich w analizie danych EEG, w połączeniu z wynikami fMRI, pozwala na bardziej zniuansowane zrozumienie danych 7,8. Zaobserwowana modulacja mocy pasma delta podczas śpiewu religijnego jest zgodna z literaturą sugerującą, że rytmy delta mogą regulować zachowanie poprzez synchronizację aktywności neuronalnej. Fala Delta może sprzyjać skupieniu uwagi i potencjalnemu zmniejszeniu myśli autoreferencyjnej związanej z siecią w trybie domyślnym. Ta zwiększona aktywność delta, wskazująca na głęboko regenerujące stany, może stanowić podstawę terapeutycznych efektów śpiewania poprzezwzmocnienie przetwarzania poznawczego i emocjonalnego9.

Wyniki tego badania wskazują na znaczny wzrost mocy pasma delta podczas śpiewania religijnego w porównaniu ze śpiewem niereligijnym. Wyniki fMRI wskazują na silny spadek centralności w regionach mózgu związanych z przetwarzaniem związanym z samym sobą10 podczas śpiewania religijnego. Wyniki oparte na danych fizjologicznych pokazują również, że efekty śpiewu religijnego różnią się od skutków śpiewu niereligijnego i wykluczają inne potencjalne czynniki zakłócające, w tym różnice wynikające z przetwarzania języka lub aktywności serca. Ogólnie rzecz biorąc, odkrycia wskazują na obiecującą drogę w kierunku klinicznego zastosowania śpiewu religijnego poprzez poradnictwo buddyjskie w celu ułatwienia wspierania "braku przywiązania"1,11,12.

Ograniczenia obejmują fakt, że dane fMRI i EEG zostały uzyskane od różnych osób13. Po drugie, biorąc pod uwagę znaczne różnice między badanymi pod względem ich doświadczenia związanego ze śpiewem religijnym 1,14, byłoby lepiej, gdyby wszyscy badani przeszli również skanowanie fMRI. Nasze przyszłe badania będą miały na celu zajęcie się tymi ograniczeniami i dalsze badanie neurofizjologicznych skutków różnych praktyk religijnych i medytacyjnych.

Pomimo tych ograniczeń, protokół ten jest wyjątkowy w łączeniu multimodalnego neuroobrazowania i fizjologicznych narzędzi pomiarowych, w tym danych EEG, EKG i fMRI, aby zapewnić bardziej wszechstronny obraz neurofizjologicznych korelatów śpiewu religijnego. To multimodalne podejście do neuroobrazowania pozwala na głębsze zrozumienie praktyk religijnych i medytacyjnych, co nie byłoby możliwe przy użyciu metod opierających się wyłącznie na jednym typie danych15,16.

Oświadczenia

Autorzy oświadczają, że nie mają konkurencyjnych interesów finansowych.

Podziękowania

Badania były wspierane przez National Natural Science
Założenie Chin (NSFC.61841704).

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Skaner MRI 3.0 T PhilipsUrządzenie do akwizycji danych MRIPhilips3.0T
EEGLABSwartz Center for Computational Neuroscience13.6.5b
System elektroencefalogramu (EEG)Electrical Geodesics, Inc. (EGI) GES200Urządzenie do akwizycji EEG
HRVASRamshur, J.Wersja 1Wtyczka do EEGLAB do przetwarzania danych EKG
HydroCel GSN 128 kanałów ElectricalGeodesics, Inc. (EGI)GSN 130Czapka EEG
iMac 27"AppleWersja 10.8Uruchamianie oprogramowania Netstation
LabChartADInstrumentsVersion 8Oprogramowanie do akwizycji danych fizjologicznych
LIPSIAMax-Planck-Institute for Human Cognitive and Brain SciencesWersja 2.2.7Oprogramowanie do analizy danych fMRI
MatlabMathWorksR2011aEEGLAB jest oparty na Matlab, narzędziu do analizy statystycznej danych EEG
NetstationElectrical Geodesics, Inc. (EGI)Wersja 3Oprogramowanie do akwizycji EEG
PowerLab 8/35ADInstrumentsPL3508Sprzęt do akwizycji danych fizjologicznych
SPSSIBMWersja 27Narzędzie do analizy statystycznej danych dotyczących zachowania i zwrotu z inwestycji EEG
Komputer z systemem WindowsDellw wersji 8Uruchamianie oprogramowania LabChart

Bibliografia

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

Przedruki i uprawnienia

Tagi

Lokalizacja r de EEGfunkcjonalny rezonans magnetycznytylna cz kory obr czymoc fal deltazmienno rytmu sercamapowanie centralno cipraktyki medytacyjne
Śpiewy religijne i obszary mózgu związane z sobą: multimodalne badanie neuroobrazowania
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki Korzystania

Zasady

Copyright © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.