Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Łączność w stanie spoczynku i neuroobrazowanie aktywności kory przedczołowej podczas praktyki asan jogi w stylu blokowym przy użyciu fNIRS

1.3K wyświetleń

⸱

DOI:

10.3791/68400

⸱

24 czerwca 2025

 ,  ,  , 
1Coordinación para la Innovación y la Aplicación de la Ciencia y la Tecnología, Universidad Autónoma de San Luis Potosí, 2Faculty of Science, Universidad Autónoma de San Luis Potosí

W tym artykule

Podsumowanie

W badaniu wykorzystano funkcjonalną spektroskopię w bliskiej podczerwieni (fNIRS) do pomiaru aktywności kory przedczołowej podczas 23-minutowej sekwencji asan jogi z udziałem 27 osób dorosłych. Łączność w stanie spoczynku rejestrowano przed i po treningu. Wyniki podkreślają skuteczność fNIRS w badaniach opartych na ruchu i dostarczają neurologicznych informacji na temat efektów asan jogi.

Streszczenie

Badanie to miało na celu wykorzystanie technologii funkcjonalnej spektroskopii bliskiej podczerwieni (fNIRS) do badania zmian w aktywności kory przedczołowej (PFC) przed, w trakcie i po asanie jogi (pozycje jogi fizycznej). W sumie 27 zdrowych dorosłych wzięło udział w 23-minutowej sesji asan jogi przy użyciu projektu blokowego. Przed i po sekwencji uczestnicy wykonali dwa 6-minutowe, niezależne od zadania stany spoczynku. Aktywność PFC była stale rejestrowana za pomocą instrumentu fNIRS, umieszczonego w przedniej części czaszki. Sesja obejmowała postawę kontrolną przeplataną trzema pozycjami aktywnymi. Każda aktywna postawa była utrzymywana przez 30 s, po czym następowała 25-30 sekundowa interwał kontrolny i powtórzona osiem razy. Ta konstrukcja bloku zaowocowała 25 interwałami kontrolnymi postawy i 24 powtórzeniami każdej aktywnej pozycji. Analiza obejmowała wstępne przetwarzanie surowych danych fNIRS w celu obliczenia stężeń oksyhemoglobiny (HbO) i deoksyhemoglobiny (HbR), korekcję artefaktów ruchu oraz ocenę statystyczną przy użyciu ANOVA z poprawkami Bonferroniego. W ramach analiz łączności badano korelacje międzypółkulowe i wewnątrzpółkulowe w korze przedczołowej. Podsumowując, badanie to demonstruje użyteczność fNIRS w rzeczywistych kontekstach opartych na ruchu i dostarcza neurologicznych wglądów w efekty asan jogi.

Wprowadzenie

Joga to starożytna indyjska praktyka, która integruje pozycje fizyczne (asany), ćwiczenia oddechowe (pranajama), medytację i zasady etyczne w celu promowania holistycznego dobrego samopoczucia fizycznego i psychicznego. W ostatnich latach joga jest coraz częściej uznawana za uzupełniającą interwencję w przypadku chorób psychicznych, popartą rosnącą liczbą badań naukowych. Liczne badania wykazały, że regularna praktyka jogi może znacznie zmniejszyć objawy lęku, depresji i stresu, jednocześnie poprawiając nastrój, regulację emocjonalną i ogólną odporność psychiczną 1,2,3. Metaanalizy i randomizowane badania kontrolowane dodatkowo potwierdziły skuteczność jogi jako terapii wspomagającej depresję i zespół stresu pourazowego, a dowody sugerują również poprawę jakości życia i funkcji poznawczych 4,5,6,7,8.

Pomimo tej obiecującej bazy dowodowej, mechanizmy neuronalne leżące u podstaw praktyk jogi opartej na ruchu, w szczególności pozycji fizycznych (asan), pozostająsłabo poznane9,10. Ta luka w wiedzy utrudniła wysiłki zmierzające do włączenia jogi do neurokognitywnych modeli interwencji. Celem niniejszego badania jest zbadanie aktywności mózgu związanej z praktyką asan jogi w czasie rzeczywistym, przyczyniając się w ten sposób do mechanistycznego zrozumienia, w jaki sposób praktyki kontemplacyjne oparte na ruchu wpływają na funkcje kory mózgowej.

Aby to osiągnąć, zastosowaliśmy funkcjonalną spektroskopię w bliskiej podczerwieni (fNIRS), nieinwazyjną, przenośną technikę neuroobrazowania, która mierzy reakcje hemodynamiczne w korze mózgowej11. Uzasadnienie dla stosowania fNIRS jest zakorzenione w jego zdolności do monitorowania aktywności mózgu podczas naturalistycznego, wyprostowanego ruchu – podejścia niemożliwego w przypadku konwencjonalnych metod obrazowania, takich jak fMRI lub PET, które wymagają od uczestników pozostawania w bezruchu w sztucznymśrodowisku. W porównaniu z tymi alternatywami, fNIRS ma kilka zalet: jest cichy, tolerancyjny na ruch i pozwala na badanie ekologicznie uzasadnionych zadań w rzeczywistych środowiskach13. W związku z tym jest szeroko stosowany w badaniach nad uczeniem się motorycznym, obciążeniem poznawczym, rozwojem niemowląt, chodem i równowagą oraz praktykami uważności, dostarczając wiarygodnych informacji na temat aktywności kory przedczołowej zarówno w warunkach statycznych, jak i dynamicznych 14,15,16,17,18. Jego zastosowanie w warunkach naturalistycznych, szczególnie podczas ruchu, otworzyło nowe możliwości badania ucieleśnionego poznania i neuronalnych substratów integracyjnych interwencji zdrowotnych.

Jednak w niewielu badaniach zastosowano tę technikę konkretnie do asan jogi, a jeszcze mniej zrobiło to w całym łuku czasowym sesji - od przed-, w trakcie do po praktyce - na próbie reprezentatywnej dla populacji. Aby temu zaradzić, w obecnym badaniu wykorzystano protokół projektowania blokowego wykorzystujący fNIRS do zbadania aktywności kory mózgowej i połączeń w stanie spoczynku przed, w trakcie i po ustrukturyzowanej sekwencji asan jogi. Badanie zostało przeprowadzone w naturalistycznych warunkach i wzięło w nim udział 27 rodzimych hiszpańskojęzycznych uczestników z Meksyku, wypełniając w ten sposób znaczną lukę w literaturze dotyczącej skutków jogi w populacjach łacińsko-hiszpańskojęzycznych. Uczestnicy byli w wieku od 18 do 65 lat i byli wśród nich zarówno mężczyźni, jak i kobiety z szerokim zakresem doświadczenia w jodze, od zupełnie początkujących po praktykujących z nawet 15-letnim regularnym doświadczeniem. Wszyscy uczestnicy nie zgłosili żadnych poważnych stanów psychicznych lub fizjologicznych, które uniemożliwiłyby im ukończenie 23-minutowej sesji jogi. Wykluczono osoby z poważnymi zaburzeniami psychicznymi lub schorzeniami fizycznymi ograniczającymi mobilność. Chociaż uczestnicy nie byli badani pod kątem konkretnych patologii medycznych, takich jak nadciśnienie czy cukrzyca, przed sesją wyraźnie wyjaśniono, że mogą przestać w dowolnym momencie, jeśli poczują się źle lub niekomfortowo. Z góry uzgodniono, że wszelkie niekompletne sesje zostaną wyłączone z analizy.

Z pierwotnych 30 uczestników nikt nie wycofał się z powodu dyskomfortu podczas praktyki jogi. Trzy z nich zostały jednak wyłączone z końcowej analizy ze względu na nadmierny szum sygnału, który prawdopodobnie był spowodowany zakłóceniami sprzętowymi lub nieprawidłowym działaniem oprogramowania. Uwzględniając demograficznie zróżnicowaną i reprezentatywną próbę oraz umożliwiając obrazowanie w czasie rzeczywistym z tolerancją ruchu, badanie to zwiększa zarówno ważność ekologiczną, jak i możliwość uogólnienia wyników. Badacze i klinicyści chcący zbadać dynamikę neuronalną praktyk kontemplacyjnych opartych na ruchu mogą uznać tę metodę za szczególnie istotną dla zastosowań w neuronauce poznawczej, rehabilitacji i integracyjnych badaniach nad zdrowiem psychicznym.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Procedury eksperymentalne zostały przeprowadzone zgodnie z Deklaracją Helsińską, po przeanalizowaniu i zatwierdzeniu przez Komisję Etyczną (Institutional Review Board) Coordinación para la Innovación y la Aplicación de la Ciencia y la Tecnología (CIACYT) przy Universidad Autónoma de San Luis Potosí [CIACYT-CEI-003]. Wszyscy uczestnicy wyrazili pisemną świadomą zgodę.

1. Rekrutacja i demografia uczestników

  1. Należy zrekrutować uczestników za pomocą poczty pantoflowej oraz platform mediów społecznościowych, w tym Facebooka i Instagrama. Potencjalnych uczestników należy poinformować o celach badania, wymaganiach oraz prawie do wycofania się z udziału w dowolnym momencie bez żadnych konsekwencji.
  2. Należy zebrać dane demograficzne przekazane przez uczestników, w tym wiek, masę ciała, wzrost, płeć biologiczną, wykształcenie oraz doświadczenie w jodze, przeprowadzając wywiady osobiste (Tabela 1). Każdemu uczestnikowi należy przypisać unikalny kod numeryczny w celu zapewnienia anonimowości, a zebrane informacje zapisać w zaszyfrowanym pliku arkusza kalkulacyjnego.
  3. Do badania należy włączyć osoby w wieku 18–65 lat o różnym stopniu doświadczenia w praktyce asan jogi. Należy wykluczyć osoby z zaburzeniami neurologicznymi lub psychiatrycznymi oraz te, które nie są w stanie wykonywać pozycji jogi z powodu ograniczeń fizycznych. W niniejszym badaniu wzięli udział uczestnicy w wieku od 18 do 65 lat o różnym stopniu doświadczenia w asanach jogi, z wyłączeniem osób z rozpoznanymi schorzeniami neurologicznymi lub psychiatrycznymi, a także osób z ograniczeniami fizycznymi, które uniemożliwiłyby im bezpieczne wykonywanie pozycji jogi. Obecnie protokół nie przewiduje wariantów dla uczestników wykluczonych, choć opracowanie takich adaptacji stanowi wartościowy kierunek przyszłych badań.
  4. Należy upewnić się, że wszystkie procedury są zgodne z instytucjonalnymi wytycznymi etycznymi oraz postanowieniami Deklaracji Helsińskiej. Wszyscy uczestnicy muszą dostarczyć podpisaną świadomą zgodę. Należy poinformować uczestników, że nie otrzymają oni wynagrodzenia finansowego i że mogą przerwać eksperyment w dowolnym momencie.

2. Procedura eksperymentalna

  1. Do zbierania danych należy wykorzystać przenośne urządzenie fNIRS. Urządzenie pracuje na dwóch długościach fali: 760 nm i 850 nm, dostarczając światło bliskiej podczerwieni w trybie ciągłym w celu oceny zmian w stężeniach hemoglobiny utlenowanej (HbO) i odtlenowanej (HbR). System obsługuje do 27 kanałów i rejestruje dane z częstotliwością próbkowania 50 Hz, co pozwala na niezawodną detekcję aktywacji kory podczas zadań w warunkach naturalnych.
    1. Należy przygotować zestaw fNIRS, umieszczając źródła światła (S) i detektory (D) w uchwytach czepek zgodnie z układem dla obustronnej kory przedczołowej (PFC) dostarczonym przez producenta (patrz Rycina 1). Należy zapewnić odstęp między źródłem a detektorem (S-D) wynoszący 3,0 cm, aby zoptymalizować detekcję sygnału korowego.
    2. Dodatkowo należy uwzględnić dwa kanały o krótkim odstępie (1,0 cm), aby skompensować i wyeliminować za pomocą regresji powierzchowne sygnały hemodynamiczne, takie jak przepływ krwi w skórze głowy, które mogą zakłócać pomiary korowe. Wykorzystanie kanałów o krótkim odstępie jest uznaną metodą poprawy specyficzności sygnału poprzez izolację korowych odpowiedzi hemodynamicznych od zanieczyszczeń pozamózgowych19.
  2. Do badania należy wybrać cztery asany jogi, które są podstawowymi pozycjami powszechnie praktykowanymi we wszystkich stylach Hatha Jogi. Stanowią one rdzeń szeroko znanej sekwencji Surya Namaskar (Powitanie Słońca), która jest uznawana na całym świecie i praktykowana corocznie 21 czerwca w Międzynarodowy Dzień Jogi20. Pozycje te zostały celowo wybrane nie tylko ze względu na ich dostępność i standaryzację w tradycjach jogi, ale także aby umożliwić szczegółowe zbadanie wpływu inwersji (pozycji, w których głowa znajduje się poniżej serca) i wygięć do tyłu na aktywność mózgu — są to dwie formy fizyczne często zalecane w terapeutycznych protokołach jogi w leczeniu depresji i zaburzeń nastroju21,22.
  3. Prezentację wykorzystywaną podczas eksperymentu należy przygotować w formacie PowerPoint, która służy również jako wizualny i słuchowy przewodnik dla uczestników. Należy upewnić się, że każdy slajd zawiera zdjęcie i nazwę jednej pozycji, zapisaną w języku ojczystym uczestnika (hiszpańskim) z oryginalną nazwą sanskrycką w nawiasach: Pozycja A (Tadasana), Pozycja B (Uttanasana), Pozycja C (Adho Mukha Svanasana) oraz Pozycja D (Urdhva Mukha Svanasana).
  4. Prezentacja powinna automatycznie wyświetlać obrazy pozycji B, C i D co 30 s w losowej kolejności, podczas gdy eksperymentator jednocześnie głośno wypowiada nazwę pozycji, aby wzmocnić sygnał.
  5. Należy losowo zorganizować aktywne asany, dbając o to, aby pozycja bazowa była przeplatana między każdą z nich. Taki układ zapewnia zrównoważoną sekwencję przy zachowaniu zmiennego odstępu między bodźcami, co redukuje potencjalne efekty wprawy i habituacji.
  6. W celu zarządzania danymi i zapewnienia spójności należy ustandaryzować wszystkie materiały wizualne — w tym obrazy i czcionki — pod względem rozmiaru i stylu dla wszystkich uczestników. Obrazy pozycji jogi powinny mieć odpowiedni rozmiar, wysoką rozdzielczość oraz czytelne etykiety w ich rodzimych nazwach hiszpańskich i tradycyjnych nazwach sanskryckich.
  7. Należy upewnić się, że każdy uczestnik może wyraźnie odczytać i zobaczyć polecenie w prezentacji przed rozpoczęciem. Poniżej opisano aktywne asany i asany bazowe do wykonania:
    Tadasana — Pozycja Góry (pozycja bazowa): wyprostowana, neutralna pozycja stojąca.
    Uttanasana — Skłon w przód (pozycja aktywna): skłon w przód z bioder z głową poniżej serca.
    Adho Mukha Svanasana — Pies z głową w dół (pozycja aktywna): pozycja odwróconego V, z dłońmi i stopami na ziemi i uniesionymi biodrami.
    Urdhva Mukha Svanasana — Pies z głową w górę (pozycja aktywna): klatka piersiowa uniesiona w wygięciu do tyłu z wzrokiem skierowanym w górę.
  8. Należy przygotować obszar eksperymentalny, rozkładając matę do jogi, montując ścienny system lin do jogi (patrz Tabela materiałów) oraz ustawiając ekran prezentacji przed uczestnikiem — na tyle blisko, aby pozycje były wyraźnie widoczne, ale na tyle daleko, aby nie utrudniać ruchu. Układ przedstawiono na Rycini 2. Przed rozpoczęciem sesji należy potwierdzić widoczność i czytelność ekranu.
  9. System fNIRS należy skalibrować, upewniając się, że wszystkie komponenty — w tym czepek, optody i oprogramowanie do rejestracji — są w pełni naładowane, sprawne i kompatybilne z systemem akwizycji danych. Aby przeprowadzić kalibrację, należy precyzyjnie umieścić optody na skórze głowy uczestnika zgodnie z międzynarodowym systemem 10-20, zapewniając spójne celowanie anatomiczne w obszary przedczołowe. Należy dopasować czepek i uchwyty optodów do indywidualnego kształtu głowy i gęstości włosów, aby zminimalizować tłumienie światła i artefakty ruchowe. Należy użyć interfejsu jakości sygnału systemu (np. stosunku sygnału do szumu i indeksu sprzężenia ze skórą), aby zweryfikować, czy każdy kanał spełnia zalecane progi.
    UWAGA: Proces ten jest niezbędny do zapewnienia niezawodnych i powtarzalnych pomiarów hemodynamicznych oraz do zminimalizowania utraty danych lub błędnej interpretacji wynikającej ze słabego kontaktu czujnika lub zaniku sygnału 16,23,24,25.
  10. Gdy uczestnik siedzi na krześle, należy upewnić się, że jego stopy spoczywają płasko na ziemi, dłonie lekko leżą na podołku, a plecy są lekko podparte przez oparcie krzesła. Przed przejściem dalej należy ustnie potwierdzić, że uczestnik siedzi wygodnie.
  11. Do zarejestrowania rozmieszczenia czepka należy użyć cyfryzatora 3-D, czyli urządzenia do śledzenia optycznego zaprojektowanego do przechwytywania przestrzennej lokalizacji optodów na skórze głowy. Proces ten generuje współrzędne Montreal Neurological Institute (MNI); należy ich użyć do identyfikacji i standaryzacji anatomicznych obszarów mózgu odpowiadających każdemu kanałowi pomiarowemu.
    UWAGA: Precyzyjna cyfryzacja zapewnia spójność między uczestnikami i umożliwia dokładne mapowanie danych fNIRS na struktury korowe w analizie na poziomie grupy.
  12. Należy zabezpieczyć czepek z optodami za pomocą paska podbródkowego i ręcznie dopasować każdy optod, delikatnie rozgarniając włosy patyczkiem bambusowym, aby zapewnić bezpośredni kontakt ze skórą głowy (Rycina 3A). Na Rycini 3B widoczne są włosy blokujące optod, natomiast Rycina 3C ilustruje skuteczne usunięcie przeszkody za pomocą patyczka bambusowego. Do oceny jakości sygnału należy użyć modułu wartości DAQ w oprogramowaniu do akwizycji. Zawsze należy potwierdzać komfort uczestnika, pytając, czy odczuwa on jakikolwiek ból lub dyskomfort, i w razie potrzeby korygować pozycje optodów, aby zoptymalizować klarowność sygnału bez pogarszania komfortu.
    UWAGA: Na podstawie obserwacji empirycznych przeprowadzonych podczas procesu pomiarowego, krok ten może zająć do 30 min, w zależności od rodzaju włosów uczestnika. Osoby z gęstymi, ciemnymi lub kręconymi włosami często wymagają dodatkowego czasu i korekt w celu zapewnienia prawidłowego kontaktu optodu ze skórą głowy. W takich przypadkach za skuteczne w utrzymaniu stabilnego rozmieszczenia optodów uznano zabezpieczenie czepka fNIRS bandażem chirurgicznym. Uczestnicy, którzy przybyli z żelem do włosów, stanowili dodatkowe wyzwanie, ponieważ produkt ten utrudniał przyleganie optodów. Metodą prób i błędów zaobserwowano, że związanie włosów w ciasny kucyk lub użycie wsuwek do ich utrwalenia było skuteczniejsze niż stosowanie jakiegokolwiek rodzaju utrwalacza do włosów. Korekty te znacząco poprawiły jakość sygnału i niezawodność danych.

3. Stan spoczynku, projekt bloków asan jogi oraz praktyka pomiarowa

UWAGA: Jak zilustrowano na Rysunku 4, każda z dynamicznych pozycji (B, C, D) była utrzymywana przez 30 s i przeplatana Pozycją A jako warunkiem bazowym, utrzymywaną przez 25-30 s. Ta baza służyła jako fizjologiczny punkt odniesienia w celu wyizolowania i porównania aktywności mózgu specyficznej dla pozostałych pozycji. Aby zminimalizować zmęczenie i zapewnić, by badanie koncentrowało się na formie, a nie na wysiłku, uczestnicy byli wspierani w każdej pozycji za pomocą lin Kurunta – metody z terapeutycznej jogi Iyengara, która pozwala na utrzymywanie pozycji bez nadmiernego napięcia. Dodatkowo, pomiary stanu spoczynkowego rejestrowano przez 6 min zarówno przed, jak i po sekwencji asan, podczas których uczestnicy siedzieli z zamkniętymi oczami, aby uchwycić łączność mózgową przed i po praktyce.

  1. Połącz czepkę fNIRS z oprogramowaniem za pomocą Bluetooth, aby monitorować akwizycję sygnału w czasie rzeczywistym zarówno w stanach spoczynku przed i po ćwiczeniach, jak i w trakcie praktyki asan jogi.
  2. Przy stabilnie zamocowanej czepce fNIRS, gdy uczestnicy siedzą na krześle, przeprowadź pomiar stanu spoczynku przed asanami. Poleć uczestnikom rozluźnienie się z stopami opartymi o ziemię, dłońmi spoczywającymi na kolanach i siedzenie w bezruchu z zamkniętymi oczami przez 6 min. Gromadź dane fNIRS z częstotliwością 25 Hz.
    1. Aby zapewnić minimalny ruch i upewnić się, że pomiary dotyczą stanu spoczynku, a nie stanu snu, poinformuj uczestników, aby nie unosili brwi ani nie drapali twarzy podczas stanu spoczynku. Poproś ich również, aby unikali zasypiania, i zweryfikuj, czy do tego nie doszło, pytając ich po zakończeniu stanu spoczynku, czy zasnęli.
  3. Po zakończeniu pierwszego stanu spoczynku usuń krzesło, poproś uczestników o powstanie i upewnij się, że sygnał jest nadal wyraźny. Poleć uczestnikom śledzenie i wykonywanie zaprogramowanej prezentacji z instrukcjami paradygmatu, która przebiega automatycznie.
  4. Zapewnij uczestnikom wskazówki słowne podczas prezentacji i ręcznie zapisuj określone znaczniki pozycji – oznaczone jako A, B, C i D – w momencie przejścia każdego slajdu. Znaczniki te odpowiadają konkretnym fazom sekwencji jogi i zostały użyte do segmentacji danych fNIRS do analizy: A oznacza pozycję wyjściową (Tadasana), natomiast B, C i D reprezentują kolejne pozycje aktywne (odpowiednio Uttanasana, Adho Mukha Svanasana i Urdhva Mukha Svanasana), zgodnie z Rysunkiem 4. Znaczniki były rejestrowane ręcznie przy użyciu funkcji adnotacji zdarzeń w oprogramowaniu do akwizycji (OxySoft, Artinis Medical Systems) w momencie wyświetlenia slajdu z pozycją i przejścia uczestnika do tej pozycji. Takie ręczne oznaczanie zdarzeń jest szeroko stosowane i zwalidowane w badaniach fNIRS w celu ułatwienia analizy odpowiedzi hemodynamicznych zsynchronizowanej ze bodźcem 23,24,25.
  5. Po pomiarze sprawdź, czy podczas procesu pomiarowego użyto poprawnych znaczników, porównując ręcznie oznaczone znaczniki czasu z automatycznymi znacznikami czasu prezentacji, aby zapewnić dokładne etykietowanie danych.
  6. Upewniając się, że czepka fNIRS jest nadal stabilnie zamocowana, a sygnał jest wyraźny, poproś uczestników o zajęcie miejsca na krześle w celu przeprowadzenia pomiaru stanu spoczynku po asanach. Poleć uczestnikom rozluźnienie się z stopami opartymi o ziemię, dłońmi spoczywającymi na kolanach i siedzenie w bezruchu z zamkniętymi oczami przez 6 min. Gromadź dane fNIRS z częstotliwością 25 Hz.
  7. Po asanach może być wymagane 2-5 min, aby upewnić się, że zestaw fNIRS jest poprawnie skalibrowany i brak jest zakłóceń sygnału przed przeprowadzeniem pomiaru stanu spoczynku po asanach. Przekaż uczestnikom te same instrukcje, co podczas pomiaru stanu spoczynku przed ćwiczeniami, aby zapewnić minimalny ruch i upewnić się, że pomiary dotyczą stanu spoczynku, a nie stanu snu.

4. Analiza danych fNIRS funkcji odpowiedzi hemodynamicznej podczas asany jogi

UWAGA: Funkcjonalna spektroskopia bliskiej podczerwieni (fNIRS) mierzy zmiany w hemodynamice kory mózgowej za pomocą dwóch głównych parametrów: hemoglobiny utlenowanej (HbO) i hemoglobiny odtlenowanej (HbR). Biomarkery te są naczyniowymi korelatami aktywności neuronalnej, opartymi na zasadzie sprzężenia neuro naczyniowego. Zwiększona aktywacja neuronów prowadzi do zwiększonego tempa zużycia tlenu, co jest nadkompensowane przez zwiększony regionalny przepływ krwi w mózgu, co zazwyczaj skutkuje jednoczesnym wzrostem poziomu HbO i spadkiem poziomu HbR. W niniejszym badaniu oba parametry rejestrowano za pomocą wielokanałowego systemu fNIRS w celu ilościowego określenia odpowiedzi hemodynamicznych podczas praktyki asan jogi. Pomiar średnich wartości HbO dostarcza solidnego i wiarygodnego wskaźnika aktywacji, szczególnie podczas zadań opartych na ruchu, ponieważ jest mniej podatny na szumy i założenia modelowe niż współczynniki beta pochodzące z modeli 26. Jednakże, choć HbO jest często priorytetowe ze względu na wyższy stosunek sygnału do szumu, uwzględnienie HbR jest kluczowe dla poprawy interpretacji fizjologicznej danych. Sygnały HbR uzupełniają HbO, oferując wgląd w odpowiedź metaboliczną mózgu i dynamikę ekstrakcji tlenu27. Jednoczesna analiza HbO i HbR pomaga uniknąć nadmiernego uproszczenia i wzmacnia trafność zaobserwowanych wzorców neuronalnych 28.

  1. Aby ocenić funkcję odpowiedzi hemodynamicznej (HRF) podczas praktyki asan jogi, należy rozpocząć od konwersji surowych danych z funkcjonalnej spektroskopii bliskiej podczerwieni (fNIRS) na gęstość optyczną (O.D.) i przetworzyć je przy użyciu zestawu narzędzi HOMER 3 (RRID:SCR_009586). Do obliczenia zmian stężeń HbO i HbR należy zastosować zmodyfikowane prawo Beera-Lamberta (MBLL), zgodnie z równaniem 29.
    Wzór ΔA do ilościowego określania absorpcji optycznej; metoda obliczania równowagi statycznej.
    MBLL uwzględnia właściwości rozpraszania tkanki biologicznej i wiąże zmiany absorpcji światła (ΔA) ze zmianami stężenia chromoforów (Δμa), co pozwala na ilościowe określenie dynamiki hemoglobiny na podstawie zmierzonej intensywności światła. rsd oznacza odległość źródło-detektor, a DPF to współczynnik różnicowej długości drogi. Ta aproksymacja liniowa umożliwia oszacowanie względnych zmian stężeń hemoglobiny utlenowanej i odtlenowanej. Należy zastosować regresję krótkich kanałów, aby zminimalizować wpływ powierzchownej aktywności naczyniowej i lepiej wyizolować sygnały korowe.
  2. Dane należy przeanalizować w programie MATLAB. W celu zachowania spójności należy obliczyć średnie blokowe dla każdego uczestnika, kanału i warunku. Kontrolę jakości należy rozpocząć od wykluczenia odczytów ze znacznymi wahaniami gęstości optycznej, niskim stosunkiem sygnału do szumu (SNR) lub dużymi odległościami źródło-detektor. Należy użyć funkcji hmrR_PruneChannels i ustawić parametry takie jak dopuszczalny zakres od 1 x 10-7 do 1 x 107, próg SNR wynoszący 2 oraz odległość źródło-detektor od 0,45 mm do 45 mm.
  3. Artefakty ruchowe dla każdego kanału należy wykryć za pomocą funkcji hmrR_MotionArtifactByChannel. Fragmenty należy oznaczyć, jeśli amplituda sygnału przekracza 0,5 (AMPthresh) lub jeśli odchylenie standardowe wzrasta ponad 15-krotnie (SDthresh) w oknie czasowym 1 s (tMotion). Oznaczone fragmenty, każdy o czasie trwania 1 s (tMask), należy wykluczyć.
  4. Należy zastosować ogólny model liniowy (GLM) z oknem czasowym obejmującym okres od 2 s przed do 23 s po wystąpieniu bodźca. GLM jest metodą statystyczną używaną do wyjaśnienia zmienności w zbiorze zaobserwowanych danych poprzez modelowanie jej jako kombinacji jednej lub większej liczby znanych zmiennych (predyktorów) i składnika błędu. Pozwala on oszacować, w jakim stopniu każdy predyktor przyczynia się do zaobserwowanego wyniku, co umożliwia badaczom wyizolowanie interesujących efektów przy jednoczesnym uwzględnieniu szumu. W tym kontekście należy użyć GLM do zastosowania regresorów krótkiego zasięgu (SS) do kanałów długiego zasięgu (LS), aby zredukować systemowy szum fizjologiczny i dokładniej wyizolować aktywność mózgu do oszacowania funkcji odpowiedzi hemodynamicznej (HRF)19,30,31,32,33,34.
  5. Równania GLM należy rozwiązać metodą zwykłych najmniejszych kwadratów. Aby dodatkowo wyeliminować artefakty ruchowe, należy zastosować zregularizowaną osadzoną analizę korelacji kanonicznej (TCCA), wykorzystując dane uczestników w stanie spoczynku (30-210 s) jako regresor35. Następnie należy oszacować HRF dla każdego kanału, warunku i uczestnika, zapewniając wiarygodne oszacowania odpowiedzi neuronalnej z poprawionym stosunkiem sygnału do szumu.
  6. Do przeprowadzenia jednoczynnikowej analizy wariancji z powtarzanymi pomiarami (ANOVA) należy użyć programu Origin. Należy ocenić różnice w średnich wartościach HbO w kanałach długich, porównując postawę bazową A (Tadasana) – neutralną pozycję stojącą sprzyjającą wyrównaniu i stabilności – z postawą B (Uttanasana) – skłoną w przód w staniu, w której głowa znajduje się poniżej serca (klasyfikowana jako inwersja); postawą C (Adho Mukha Svanasana), powszechnie znaną jako pies z głową w dół – pozycją półinwersyjną, która wydłuża kręgosłup i aktywuje górną część ciała; oraz postawą D (Urdhva Mukha Svanasana), czyli psem z głową w górę – wyprostem grzbietu, który otwiera klatkę piersiową i wzmacnia taśmę tylną.
  7. Należy ocenić różnice między postawami B, C i D. Rozkład danych należy sprawdzić za pomocą testu Shapiro-Wilka. Należy przeprowadzić post-hoc porównania parami z korektą Bonferroniego dla wielu testów, przyjmując próg istotności p <0,05. Dla istotnych różnic w odpowiedzi HbO należy obliczyć wielkość efektu przy użyciu d Cohena36,37.

5. Analiza danych fNIRS w zakresie funkcjonalnej łączności w stanie spoczynku

  1. Aby przeanalizować funkcjonalną łączność w stanie spoczynku (rsFC), należy ocenić łączność w obrębie każdej półkuli (wewnątrzpółkulową) oraz między półkulami (międzypółkulową) dla każdego uczestnika. Analizę tę należy oprzeć na statystycznej zależności między szeregami czasowymi, odzwierciedlającej współaktywację obszarów mózgu.
    UWAGA: Pomiar rsFC dostarcza informacji o wewnętrznej organizacji funkcjonalnej mózgu w przypadku braku bodźców zewnętrznych i jest coraz częściej uznawany za wartościowe narzędzie do identyfikacji subtelnych zmian neuronalnych oraz biomarkerów funkcji lub dysfunkcji. Wcześniejsze badania wykazały, że wzorce rsFC były proponowane jako predykcyjne biomarkery odpowiedzi na leczenie przeciwdepresyjne u pacjentów z depresją jednobiegunową38, co podkreśla użyteczność analizy stanu spoczynku w wychwytywaniu cech neuronalnych o charakterze stałym. Poprzez ocenę łączności zarówno wewnątrz-, jak i międzypółkulowej, podejście to umożliwia bardziej kompleksowe zrozumienie integracji funkcjonalnej i lateralizacji mózgu, szczególnie w kontekście interwencji takich jak joga, która może modulować te sieci stanu spoczynku38,39.
  2. Do analizy należy wybrać 6-minutowy okres stanu spoczynku, ponieważ mieści się on w powszechnie akceptowanym zakresie 5-10 min, a wystarczająca rsFC jest zazwyczaj osiągana po 5 min26,27,28,35. Należy wykorzystać obniżony poziom szumów podczas pomiarów w stanie spoczynku w porównaniu do aktywnych asan, aby ocenić stężenia HbO, HbR oraz HbT34,40,41.
  3. Należy rozpocząć od identyfikacji i korekcji artefaktów ruchowych w danych. Po korekcji należy zastosować filtr pasmowo-przepustowy (0,009-0,08 Hz) do szeregów czasowych, aby wyizolować zakres częstotliwości łączności funkcjonalnej, a następnie przekształcić przefiltrowane sygnały w stężenia hemoglobiny, korzystając z zmodyfikowanego prawa Bouguera-Beera-Lamberta w celu przeprowadzenia dalszej analizy40,42,43. Należy skupić się na punktach czasowych wolnych od artefaktów ruchowych (używając funkcji MotionArtifactByChannel), aby zachować integralność łączności międzypółkulowej44.
  4. Aby uwzględnić spontaniczne fluktuacje wspólne dla wszystkich kanałów, należy zastosować regresję sygnału z kanałów o krótkim odstępie (SSC). Należy zacząć od obliczenia średniego przebiegu czasowego dla wszystkich SSC, a następnie przeprowadzić regresję sygnału SSC z pomiarowych szeregów czasowych fNIRS, stosując metodę regularyzacji Tichonowa42.
  5. Uzyskane rezydualne szeregi czasowe należy wykorzystać do zbudowania macierzy łączności poprzez obliczenie korelacji Pearsona pomiędzy wszystkimi parami kanałów.
  6. W przypadku łączności wewnątrzpółkulowej należy obliczyć średnie współczynniki korelacji oddzielnie dla kanałów w lewej półkuli i kanałów w prawej półkuli. Dla łączności międzypółkulowej należy obliczyć średnie korelacje pomiędzy każdym kanałem a jego odpowiednikiem w przeciwległej półkuli39.
  7. Podczas przeprowadzania analizy statystycznej wartości r Pearsona należy przekształcić w wyniki z Fishera przed wykonaniem testów Wilcoxona-Manna-Whitneya. Należy dokonać korekty na wielokrotne porównania przy użyciu metody FDR (false discovery rate).
    UWAGA: Kod i dane wykorzystane w tej badaniu są ogólnodostępne w serwisie Zenodo45 pod adresem https://zenodo.org/records/11098997 z numerem DOI: 10.5281/zenodo.11098996.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Wstępna analiza aktywnych kanałów wykazała istotne różnice między postawą kontrolną A a postawami B i C (Rycina 5A-B). Następnie przeprowadzono jednoczynnikową analizę wariancji (ANOVA) z powtarzanymi pomiarami, aby ocenić różnice statystyczne w średnich wartościach HbO szacowanej funkcji odpowiedzi hemodynamicznej (HRF) w różnych kanałach, przy użyciu pakietu oprogramowania Origin(Pro), wersja 2018. Założenie o rozkładzie normalnym zweryfikowano za pomocą t...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

W badaniu wykorzystano fNIRS do oceny aktywności PFC podczas ustrukturyzowanej praktyki asan jogi, kładąc nacisk na kluczowe względy metodologiczne i postępy w neuroobrazowaniu w świecie rzeczywistym. Kluczowe elementy protokołu obejmowały precyzyjne rozmieszczenie optody fNIRS, z optymalnymi odstępami między źródłem a detektorem (3,0 cm) oraz odpowiednim sprzężeniem optoda-skalp, aby zapewnić dokładną akwizycję sygnału. Losowy projekt blokowy, naprzemiennie z pozycjami aktywnymi (B, C, D) i postawą bazową (A) ze wsparci...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

M. Goodrick jest właścicielem studia jogi Karmuka Yoga. Pozostali autorzy nie mają do zadeklarowania konfliktu interesów.

Podziękowania

Autorzy serdecznie dziękują CONAHCYT za wsparcie finansowe, które obejmowało stypendium dla głównego autora oraz fundusze na zakup sprzętu fNIRS. Autorzy wyrażają również szczere uznanie dla ochotników, których udział był kluczowy dla powodzenia tego badania. M. Goodrick dziękuje za wsparcie ze strony CONAHCYT poprzez stypendium nr CVU 1241565. E. Guevara dziękuje za wsparcie ze strony projektu CONAHCYT Frontier Science 20884.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Digitizer 3DArtinis MedycznyDGT-456Służy do umieszczania czapek i mapowania regionów
Urządzenie Brite MKII fNIRSArtinis MedycznyBR-MK2 (wersja angielska)Przenośny przyrząd fNIRS do danych PFC
Mata do jogi Harmony 3/16" (5mm) grubości 68" (173cm)NefrytHAR368 powiedział:Stabilna powierzchnia do ćwiczenia asan
Oprogramowanie HOMER 3Centrum Neurofotoniki Uniwersytetu Bostońskiego (Open Source)Homer v1.54Do wstępnego przetwarzania danych fNIRS
Oprogramowanie Origin(Pro)Laboratorium PoczątkoweORGANIZACJA-2023Analiza statystyczna danych
Oprogramowanie OxysoftArtinis MedycznyOXY-001 powiedział:Akwizycja sygnału w czasie rzeczywistym
Liny Piola Bawełniane 12mmZaopatrzenie plandekiN/ACzęść naściennego systemu linowego do jogi
Konfiguracja prezentacji PowerPointFirmy MicrosoftN/ADo wizualizacji instruktażowych
Hak ze stali nierdzewnejHomheal (Ludwik)liuxi-050 powiedział:Część naściennego systemu linowego do jogi
Naścienny system linowy do jogiWykonane na zamówienieN/APomoc w pozycjach jogi

Bibliografia

  1. Cramer, H., et al. Yoga for anxiety: A systematic review and meta-analysis of randomized controlled trials. Depress Anxiety. 35 (9), 830-843 (2018).
  2. Pascoe, M. C., et al. Psychobiological Mechanisms Underlying the Mental Health Benefits of Yoga-Based Interventions: a Narrative Review. Compr Psychoneuroendocrinol. 6, 100037(2021).
  3. Nugent, N. R., et al. Benefits of Yoga on IL-6: Findings from a Randomized Controlled Trial of Yoga for Depression. Behav Med. 47 (1), 21-30 (2021).
  4. Dutta, A., et al. A Comprehensive Review of Yoga Research in 2020. J Integr Complement Med. 28 (2), 114-123 (2022).
  5. Wang, F., Szabo, A. Effects of yoga on stress among healthy adults: A systematic review. Altern Ther Health Med. 26 (4), AT6214(2020).
  6. Zaccari, B., et al. Yoga for veterans with PTSD: Cognitive functioning, mental health, and salivary cortisol. Psychol Trauma. 12 (8), 913-917 (2020).
  7. Cartwright, T., Mason, H., Porter, A., Pilkington, K. Yoga practice in the UK: A cross-sectional survey of motivation, health benefits and behaviours. BMJ Open. 10, e031848(2020).
  8. Streeter, C. C., et al. Thalamic Gamma Aminobutyric Acid Level Changes in Major Depressive Disorder after a 12-Week Iyengar Yoga and Coherent Breathing Intervention. J Altern Complement Med. 26 (3), 190-197 (2020).
  9. Gothe, N. P., McAuley, E. Yoga and Cognition: A Meta-Analysis of Chronic and Acute Effects. Psychosom Med. 77 (7), 784-797 (2015).
  10. Sullivan, M. B., et al. Yoga therapy and polyvagal theory: The convergence of traditional wisdom and contemporary neuroscience for self-regulation and resilience. Front Hum Neurosci. 12, 67(2018).
  11. Boas, D. A., Elwell, C. E., Ferrari, M., Taga, G. Twenty years of functional near-infrared spectroscopy: introduction for the special issue. Neuroimage. 85 Pt 1, 1-5 (2014).
  12. Pinti, P., et al. The present and future use of functional near-infrared spectroscopy (fNIRS) for cognitive neuroscience. Ann N Y Acad Sci. 1464, 5-29 (2020).
  13. Brigadoi, S., et al. Motion artifacts in functional near-infrared spectroscopy: A comparison of motion correction techniques applied to real cognitive data. Neuroimage. 85 Pt 1, 181-191 (2014).
  14. Zhang, Y., Zhu, C. Assessing Brain Networks by Resting-State Dynamic Functional Connectivity: An fNIRS-EEG Study. Front Neurosci. 13, 1430(2020).
  15. Tsow, F., Kumar, A., Hosseini, S. H., Bowden, A. A low-cost, wearable, do-it-yourself functional near-infrared spectroscopy (DIY-fNIRS) headband. HardwareX. 10, e00204(2021).
  16. Tak, S., Ye, J. C. Statistical analysis of fNIRS data: A comprehensive review. NeuroImage. 85 Pt 1, 72-91 (2014).
  17. Mateus, V., Osório, A., Miguel, H. O., Cruz, S., Sampaio, A. Maternal sensitivity and infant neural response to touch: an fNIRS study. Soc Cogn Affect Neurosci. 16 (12), 1256-1263 (2021).
  18. Gao, C., et al. Characteristics of frontal activity relevant to cognitive function in bipolar depression: an fNIRS study. Biomed Opt Express. 13 (3), 1551-1563 (2022).
  19. Gagnon, L., Yücel, M. A., Boas, D. A., Cooper, R. J. Further improvement in reducing superficial contamination in NIRS using double short separation measurements. Neuroimage. 85 Pt 1, 127-135 (2014).
  20. Manjunath, N. The transformative impact of the International Day of Yoga. Int J Yoga. 16 (1), 1-4 (2023).
  21. Iyengar, B. K. S. The Light on Yoga. , Schocken. (1979).
  22. Timothy, B., McCall, M. D. Yoga as Medicine. Vol 1, Bantam. (2007).
  23. Takizawa, R., et al. Neuroimaging-aided differential diagnosis of the depressive state. Neuroimage. 85 Pt 1, 498-507 (2014).
  24. Herold, F., et al. Functional near-infrared spectroscopy in movement science: a systematic review on cortical activity in postural and walking tasks. Neurophotonics. 4 (4), 041403(2017).
  25. Scholkmann, F., Boss, J., Wolf, M. An Efficient Algorithm for Automatic Peak Detection in Noisy Periodic and Quasi-Periodic Signals. Algorithms. 5 (4), 588-603 (2012).
  26. Huppert, T., Barker, J., Schmidt, B., Walls, S., Ghuman, A. Comparison of group-level, source localized activity for simultaneous functional near-infrared spectroscopy-magnetoencephalography and simultaneous fNIRS-fMRI during parametric median nerve stimulation. Neurophotonics. 4 (1), 015001(2017).
  27. Dravida, S., Noah, J. A., Zhang, X., Hirsch, J. Comparison of oxyhemoglobin and deoxyhemoglobin signal reliability with and without global mean removal for digit manipulation motor tasks. Neurophotonics. 5 (1), 011006(2017).
  28. Cui, X., Bray, S., Bryant, D. M., Glover, G. H., Reiss, A. L. A quantitative comparison of NIRS and fMRI across multiple cognitive tasks. Neuroimage. 54 (4), 2808-2821 (2011).
  29. Stute, K., et al. The fNIRS glossary project: a consensus-based resource for functional near-infrared spectroscopy terminology. Neurophotonics. 12 (2), 027801(2025).
  30. Abdalmalak, A., et al. Effects of Systemic Physiology on Mapping Resting-State Networks Using Functional Near-Infrared Spectroscopy. Front Neurosci. 16, 803297(2022).
  31. Gagnon, L., et al. Improved recovery of the hemodynamic response in diffuse optical imaging using short optode separations and state-space modeling. Neuroimage. 56 (3), 1362-1371 (2011).
  32. Gagnon, L., et al. Short separation channel location impacts the performance of short channel regression in NIRS. Neuroimage. 59 (3), 2518-2528 (2012).
  33. Saager, R. B., Berger, A. J. Direct characterization and removal of interfering absorption trends in two-layer turbid media. J Opt Soc Am A Opt Image Sci Vis. 22 (9), 1874-1882 (2005).
  34. Santosa, H., Zhai, X., Fishburn, F., Sparto, P. J., Huppert, T. J. Quantitative comparison of correction techniques for removing systemic physiological signal in functional near-infrared spectroscopy studies. Neurophotonics. 7 (3), 035009(2020).
  35. von Lühmann, A., Li, X., Müller, K. R., Boas, D. A., Yücel, M. A. Improved physiological noise regression in fNIRS: A multimodal extension of the General Linear Model using temporally embedded Canonical Correlation Analysis. Neuroimage. 208, 116472(2020).
  36. Cohen, J. Statistical power analysis for the behavioural sciences. , Lawrence Earlbaum Associates. Hillside, NJ, USA. (1988).
  37. Morris, S. B., DeShon, R. P. Combining effect size estimates in meta-analysis with repeated measures and independent-groups designs. Psychol Methods. 7 (1), 105-125 (2002).
  38. Martens, M. A. G., Filippini, N., Harmer, C. J., Godlewska, B. R. Resting state functional connectivity patterns as biomarkers of treatment response to escitalopram in patients with major depressive disorder. Psychopharmacology (Berl). 239 (11), 3447-3460 (2022).
  39. De Bruyn, N., et al. Functional network connectivity is altered in patients with upper limb somatosensory impairments in the acute phase post stroke: A cross-sectional study. PLoS One. 13 (10), e0205693(2018).
  40. Huppert, T. J., Diamond, S. G., Franceschini, M. A., Boas, D. A. HomER: A review of time-series analysis methods for near-infrared spectroscopy of the brain. Appl Opt. 48 (10), D280-D298 (2009).
  41. Huppert, T. J., Hoge, R. D., Diamond, S. G., Franceschini, M. A., Boas, D. A. A temporal comparison of BOLD, ASL, and NIRS hemodynamic responses to motor stimuli in adult humans. Neuroimage. 29 (2), 368-382 (2006).
  42. Mesquita, R. C., Franceschini, M. A., Boas, D. A. Resting state functional connectivity of the whole head with near-infrared spectroscopy. Biomed Opt Express. 1 (1), 324-336 (2010).
  43. Zhang, T., et al. Altered complexity in resting-state fNIRS signal in autism: A multiscale entropy approach. Physiol Meas. 42 (8), (2021).
  44. Selb, J., et al. Effect of motion artifacts and their correction on near-infrared spectroscopy oscillation data: a study in healthy subjects and stroke patients. J Biomed Opt. 20 (5), 56011(2015).
  45. Goodrick, M., Guevara, E. ZENODO: Yoga Asana Increases Pre-Frontal Cortex Activity and Reduces Resting State Functional Connectivity. Complement Med Res. , 1-10 (2024).
  46. Yücel, M. A., et al. Best practices for fNIRS publications. Neurophotonics. 8 (1), 012101(2021).
  47. Singh, B., et al. Effectiveness of physical activity interventions for improving depression, anxiety and distress: An overview of systematic reviews. Br J Sports Med. 57 (18), 1203-1209 (2023).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Funkcjonalna spektroskopia bliskiej podczerwienineuroobrazowanie fNIRSstężenie oksyhemoglobinyodpowiedź hemodynamicznaobciążenie poznawczesieć aktywności spoczynkowej
Łączność w stanie spoczynku i neuroobrazowanie aktywności kory przedczołowej podczas praktyki asan jogi w stylu blokowym przy użyciu fNIRS
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.