Name: Modulacja neurofizjologicznej odpowiedzi na bodźce lękowe i stresowe poprzez powtarzające się śpiewy religijne (Wideo) | JoVE Journal
Uploaded: 2021-11-04T13:00:00.000+00:00
Duration: 11 min 12 s
Description: Poznaj metodę badania neurofizjologicznych efektów powtarzających się śpiewów religijnych za pomocą potencjałów związanych ze zdarzeniami (ERP) i EEG. Protokół ten pozwala analizować modulację emocji negatywnych.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

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

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
<ol>
	<li>Rekrutacja uczestników
	<ol>
		<li>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.</li>
	</ol>
	</li>
	<li>Recytowanie religijne vs. recytowanie niereligijne
	<ol>
		<li>Recytować imię „Buddy Amitabhy” przez 40 s. Pierwsze 20 s przy obrazie Buddy Amitabhy, a kolejne 20 s przy obrazach IAPS.
		<ol>
			<li>Recytować tylko cztery znaki imienia „Buddy Amitabhy”, patrząc na obraz Buddy Amitabhy w szkole Czystej Krainy14.</li>
		</ol>
		</li>
		<li>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.
		<ol>
			<li>Recytować tylko cztery znaki imienia Świętego Mikołaja i wyobrażać sobie Świętego Mikołaja.</li>
		</ol>
		</li>
		<li>Zachować ciszę przez 40 s. Pierwsze 20 s przy pustym obrazie w celu kontrolnym, a kolejne 20 s przy obrazach IAPS. 
		UWAGA: Bez recytowania.</li>
	</ol>
	</li>
	<li>System rejestracji EEG
	<ol>
		<li>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).</li>
	</ol>
	</li>
	<li>System prezentacji bodźców
	<ol>
		<li>Użyć oprogramowania do prezentacji bodźców (patrz Tabela materiałów), aby wyświetlić neutralne i negatywne obrazy z IAPS na komputerze stacjonarnym.</li>
	</ol>
	</li>
	<li>System rejestracji EKG
	<ol>
		<li>Użyć systemu rejestracji danych fizjologicznych do zapisu danych EKG (patrz Tabela materiałów).</li>
	</ol>
	</li>
</ol>
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).
<ol>
	<li>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).</li>
</ol>
<img alt="Schemat osi czasu eksperymentu ilustrujący procedury odpowiedzi emocjonalnej z wykorzystaniem sekwencji oglądania obrazów." class="xfigimg" src="/files/ftp_upload/62960/62960fig01.jpg" data-altupdatedat="1788282455000" data-alt="Rysunek 1"> 
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. <a href="https://www.jove.com/files/ftp_upload/62960/62960fig01large.jpg" target="_blank">Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.</a>
<ol start="2">
	<li>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).</li>
	<li>Zapewnij 20 s przerwy po każdej sesji, aby przeciwdziałać potencjalnym efektom resztkowym recytowania lub oglądania obrazków w następnej sesji.</li>
	<li>Prezentuj obrazki na monitorze CRT w odległości 75 cm od oczu uczestników, pod kątami widzenia 15° (pionowo) i 21° (poziomo).</li>
	<li>Poproś uczestników o uważne oglądanie obrazków.</li>
	<li>Przeprowadź z uczestnikami krótką próbę, aby mogli zapoznać się z każdym warunkiem. Użyj monitora wideo, aby upewnić się, że uczestnicy nie zasną.</li>
	<li>Przewidź dla uczestników 10 min przerwy w połowie 40 min eksperymentu.</li>
</ol>
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.
<ol>
	<li>Poinformuj każdego uczestnika o procedurach eksperymentalnych, tj. o tym, że obrazom efektywnym przyglądano się w różnych warunkach intonacji.</li>
	<li>Ustaw częstotliwość próbkowania na 1,000 Hz i w miarę możliwości utrzymuj impedancję każdej elektrody poniżej 30 kΩ lub zgodnie z wymaganiami systemu.</li>
	<li>Zbierz dane fizjologiczne, w tym dane EKG, korzystając z systemu rejestracji danych fizjologicznych (patrz Tabela materiałów).</li>
</ol>
4. Analiza danych EEG
<ol>
	<li>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.</li>
	<li>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 &gt; Zmiana częstotliwości próbkowania.</li>
	<li>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 &gt; Filtrowanie danych &gt; Podstawowy filtr FIR (nowy, domyślny).</li>
	<li>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 &gt; Przefiltruj dane &gt; wybierz filtr zaporowy (notch) zamiast pasmowo-przepustowego dla danych.</li>
	<li>Przeprowadź wizualną inspekcję danych w celu usunięcia silnych artefaktów wywołanych ruchami gałek ocznych i mięśni. Kliknij w Wykres &gt; Dane kanału (przewiń).</li>
	<li>Ponownie przeprowadzono wizualną inspekcję danych w celu wykrycia stałego szumu generowanego przez poszczególne kanały, a następnie odnotowano kanały wadliwe.</li>
	<li>Odtwórz uszkodzone kanały, stosując interpolację sferyczną. Kliknij w Narzędzia &gt; Interpolacja elektrod &gt; Wybierz z kanałów danych.</li>
	<li>Przeprowadź analizę niezależnych komponentów (ICA) przy użyciu algorytmu open-source „runica”16Kliknij w Narzędzia &gt; Przeprowadź ICA.</li>
	<li>Usuń komponenty niezależne (IC) odpowiadające ruchom gałek ocznych, mrugnięciom, ruchom mięśni oraz zakłóceniom sieciowym. Kliknij w Narzędzia &gt; Odrzucanie danych za pomocą ICA &gt; Odrzucanie komponentów na podstawie mapy.</li>
	<li>Zrekonstruuj dane, używając pozostałych układów scalonych. Kliknij w Narzędzia &gt; Usuwanie komponentów.</li>
	<li>Przefiltruj dane za pomocą filtru dolnoprzepustowego 30 Hz. Kliknij w Narzędzia &gt; Filtrowanie danych &gt; Podstawowy filtr FIR (nowy, domyślny).</li>
	<li>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 &gt; Ekstrakcja epok.</li>
	<li>Ponownie zreferencuj dane ERP, wykorzystując średnią z kanałów wywodzących się z lewego i prawego wyrostka sutkowatego. Kliknij w Narzędzia &gt; Ponowne odniesienie.</li>
	<li>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).</li>
	<li>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).</li>
	<li>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).</li>
	<li>Wyznacz różnicę między obrazami neutralnymi a negatywnymi dla komponentu LPP, stosując analizę sparowaną t-test w trzech warunkach (Rysunek 4).</li>
	<li>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).</li>
	<li>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 &lt; 0.05.</li>
</ol>
5. Analiza źródła ERP
<ol>
	<li>Przeprowadź analizę źródła ERP18 przy użyciu oprogramowania open-source SPM19 (patrz Tabela materiałów), postępując zgodnie z poniższymi krokami.</li>
	<li>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 &gt; SPM &gt; M/EEG &gt; Source reconstruction &gt; Head model specification.</li>
	<li>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 &gt; M/EEG &gt; Source reconstruction &gt; 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.</li>
	<li>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).</li>
	<li>Określ różnicę między warunkami, stosując ogólny model liniowy (general linear modeling) w SPM. Ustaw poziom istotności na p &lt; 0,05. W Batch Editor kliknij SPM &gt; Stats &gt; Factorial design specification.</li>
</ol>
6. Analiza danych EKG i ocena behawioralna
<ol>
	<li>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 &gt; FMRIB Tools &gt; 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 &lt; 0,05.</li>
	<li>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.</li>
</ol>

<ol><li>Kennedy, H., Montreuil, T. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+late+positive+potential+as+a+reliable+neural+marker+of+cognitive+reappraisal+in+children+and+youth%3A+A+brief+review+of+the+research+literature%5BTitle%5D)+AND+%22Frontiers+in+Psychology%22%5BJournal%5D)">The late positive potential as a reliable neural marker of cognitive reappraisal in children and youth: A brief review of the research literature.</a> Frontiers in Psychology. 11, 608522(2020).</li>
<li>Yu, Q., Kitayama, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Does+facial+action+modulate+neural+responses+of+emotion%3F+An+examination+with+the+late+positive+potential+%28LPP%29%5BTitle%5D)+AND+%22Emotion%22%5BJournal%5D)">Does facial action modulate neural responses of emotion? An examination with the late positive potential (LPP).</a> Emotion. 21 (2), 442-446 (2021).</li>
<li>Gao, J. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Repetitive+religious+chanting+modulates+the+late-stage+brain+response+to+fear+and+stress-provoking+pictures%5BTitle%5D)+AND+%22Frontiers+in+Psychology%22%5BJournal%5D)">Repetitive religious chanting modulates the late-stage brain response to fear and stress-provoking pictures.</a> Frontiers in Psychology. 7, 2055(2017).</li>
<li>Barkus, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Effects+of+working+memory+training+on+emotion+regulation%3A+Transdiagnostic+review%5BTitle%5D)+AND+%22PsyCh+Journal%22%5BJournal%5D)">Effects of working memory training on emotion regulation: Transdiagnostic review.</a> PsyCh Journal. 9 (2), 258-279 (2020).</li>
<li>Denny, B. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Getting+better+over+time%3A+A+framework+for+examining+the+impact+of+emotion+regulation+training%5BTitle%5D)+AND+%22Emotion%22%5BJournal%5D)">Getting better over time: A framework for examining the impact of emotion regulation training.</a> Emotion. 20 (1), 110-114 (2020).</li>
<li>Champe, J., Okech, J. E. A., Rubel, D. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Emotion+regulation%3A+Processes%2C+strategies%2C+and+applications+to+group+work+training+and+supervision%5BTitle%5D)+AND+%22Journal+for+Specialists+in+Group+Work%22%5BJournal%5D)">Emotion regulation: Processes, strategies, and applications to group work training and supervision.</a> Journal for Specialists in Group Work. 38 (4), 349-368 (2013).</li>
<li>Sobolewski, A., Holt, E., Kublik, E., Wrobel, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Impact+of+meditation+on+emotional+processing-A+visual+ERP+study%5BTitle%5D)+AND+%22Neuroscience+Research%22%5BJournal%5D)">Impact of meditation on emotional processing-A visual ERP study.</a> Neuroscience Research. 71 (1), 44-48 (2011).</li>
<li>Katyal, S., Hajcak, G., Flora, T., Bartlett, A., Goldin, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Event-related+potential+and+behavioural+differences+in+affective+self-referential+processing+in+long-term+meditators+versus+controls%5BTitle%5D)+AND+%22Cognitive+Affective+%26+Behavioral+Neuroscience%22%5BJournal%5D)">Event-related potential and behavioural differences in affective self-referential processing in long-term meditators versus controls.</a> Cognitive Affective & Behavioral Neuroscience. 20 (2), 326-339 (2020).</li>
<li>Uusberg, H., Uusberg, A., Talpsep, T., Paaver, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mechanisms+of+mindfulness%3A+The+dynamics+of+affective+adaptation+during+open+monitoring%5BTitle%5D)+AND+%22Biological+Psychology%22%5BJournal%5D)">Mechanisms of mindfulness: The dynamics of affective adaptation during open monitoring.</a> Biological Psychology. 118, 94-106 (2016).</li>
<li>Bradley, M. M., Lang, P. J. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aBradley%2C+MM+%22Handbook+of+emotion+elicitation+and+assessment.+Series+in+affective+science%22">Handbook of emotion elicitation and assessment. Series in affective science</a>. Coan, J. A., Allen, J. B. 483, Oxford University Press. 483-488 (2007).</li>
<li>Gao, J. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Repetitive+religious+chanting+invokes+positive+emotional+schema+to+counterbalance+fear%3A+A+multi-modal+functional+and+structural+MRI+study%5BTitle%5D)+AND+%22Frontiers+in+Behavioral+Neuroscience%22%5BJournal%5D)">Repetitive religious chanting invokes positive emotional schema to counterbalance fear: A multi-modal functional and structural MRI study.</a> Frontiers in Behavioral Neuroscience. 14, 548856(2020).</li>
<li>Somaratne, G. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Jhana-cittas%3A+The+methods+of+swapping+existential+planes+via+samatha%5BTitle%5D)+AND+%22Journal+Of+The+Postgraduate+Institute+Of+Pali+And+Buddhist+Studies%22%5BJournal%5D)">The Jhana-cittas: The methods of swapping existential planes via samatha.</a> Journal Of The Postgraduate Institute Of Pali And Buddhist Studies. 2, 1-21 (2017).</li>
<li>Bhikkhu, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Sallatha+Sutta%3A+The+arrow+%28SN+36.6%29%2C+Translated+from+the+pali%5BTitle%5D)+AND+%22Access+to+Insight+Legacy+Edition%22%5BJournal%5D)">Sallatha Sutta: The arrow (SN 36.6), Translated from the pali.</a> Access to Insight Legacy Edition. , (2013).</li>
<li>Halkias, G. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aHalkias%2C+G+%22Luminous+bliss+%3A+a+religious+history+of+Pure+Land+literature+in+Tibet+%3A+with+an+annotated+English+translation+and+critical+analysis+of+the+Orgyan-gling+gold+manuscript+of+the+short+Sukha%CC%84vati%CC%84vy%CC%84uha-su%CC%84tra%22">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</a>. , University of Hawaiʻi Press. (2013).</li>
<li>Stewart, J. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Attentional+bias+to+negative+emotion+as+a+function+of+approach+and+withdrawal+anger+styles%3A+An+ERP+investigation%5BTitle%5D)+AND+%22International+Journal+of+Psychophysiology%22%5BJournal%5D)">Attentional bias to negative emotion as a function of approach and withdrawal anger styles: An ERP investigation.</a> International Journal of Psychophysiology. 76 (1), 9-18 (2010).</li>
<li>Delorme, A., Makeig, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEGLAB%3A+an+open+source+toolbox+for+analysis+of+single-trial+EEG+dynamics+including+independent+component+analysis%5BTitle%5D)+AND+%22Journal+of+Neuroscience+Methods%22%5BJournal%5D)">EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis.</a> Journal of Neuroscience Methods. 134 (1), 9-21 (2004).</li>
<li>Ito, T. A., Larsen, J. T., Smith, N. K., Cacioppo, J. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Negative+information+weighs+more+heavily+on+the+brain%3A+The+negativity+bias+in+evaluative+categorizations%5BTitle%5D)+AND+%22Journal+of+Personality+and+Social+Psychology%22%5BJournal%5D)">Negative information weighs more heavily on the brain: The negativity bias in evaluative categorizations.</a> Journal of Personality and Social Psychology. 75 (4), 887-900 (1998).</li>
<li>Grech, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Review+on+solving+the+inverse+problem+in+EEG+source+analysis%5BTitle%5D)+AND+%22Journal+of+NeuroEngineering+and+Rehabilitation%22%5BJournal%5D)">Review on solving the inverse problem in EEG source analysis.</a> Journal of NeuroEngineering and Rehabilitation. 5, 25(2008).</li>
<li>Penny, W. D., Friston, K. J., Ashburner, J. T., Kiebel, S. J., Nichols, T. E. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aPenny%2C+WD+%22Statistical+Parametric+Mapping%3A+The+Analysis+of+Functional+BrainIimages%3A+The+Analysis+of+Functional+Brain+Images%22">Statistical Parametric Mapping: The Analysis of Functional BrainIimages: The Analysis of Functional Brain Images</a>. , Academic Press. (2011).</li>
<li>Friston, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multiple+sparse+priors+for+the+M%2FEEG+inverse+problem%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Multiple sparse priors for the M/EEG inverse problem.</a> NeuroImage. 39 (3), 1104-1120 (2008).</li>
<li>Niazy, R. K., Beckmann, C. F., Iannetti, G. D., Brady, J. M., Smith, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Removal+of+FMRI+environment+artifacts+from+EEG+data+using+optimal+basis+sets%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Removal of FMRI environment artifacts from EEG data using optimal basis sets.</a> Neuroimage. 28 (3), 720-737 (2005).</li>
<li>Nakamura, H., Tawatsuji, Y., Fang, S. Y., Matsui, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Explanation+of+emotion+regulation+mechanism+of+mindfulness+using+a+brain+function+model%5BTitle%5D)+AND+%22Neural+Networks%22%5BJournal%5D)">Explanation of emotion regulation mechanism of mindfulness using a brain function model.</a> Neural Networks. 138, 198-214 (2021).</li>
<li>Schjoedt, U., Stdkilde-Jorgensen, H., Geertz, A. W., Roepstorff, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Highly+religious+participants+recruit+areas+of+social+cognition+in+personal+prayer%5BTitle%5D)+AND+%22Social+Cognitive+and+Affective+Neuroscience%22%5BJournal%5D)">Highly religious participants recruit areas of social cognition in personal prayer.</a> Social Cognitive and Affective Neuroscience. 4 (2), 199-207 (2009).</li>
<li>Rao, N. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Directional+brain+networks+underlying+OM+chanting%5BTitle%5D)+AND+%22Asian+Journal+of+Psychiatry%22%5BJournal%5D)">Directional brain networks underlying OM chanting.</a> Asian Journal of Psychiatry. 37, 20-25 (2018).</li>
<li>Harne, B. P., Bobade, Y., Dhekekar, R. S., Hiwale, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((SVM+classification+of+EEG+signal+to+analyze+the+effect+of+OM+Mantra+meditation+on+the+brain%5BTitle%5D)+AND+%222019+Ieee+16th+India+Council+International+Conference+%28Ieee+Indicon+2019%29%22%5BJournal%5D)">SVM classification of EEG signal to analyze the effect of OM Mantra meditation on the brain.</a> 2019 Ieee 16th India Council International Conference (Ieee Indicon 2019). , (2019).</li>
<li>Coan, J. A., Allen, J. J. B. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aCoan%2C+JA+%22Handbook+of+Emotion+Elicitation+and+Assessment%22">Handbook of Emotion Elicitation and Assessment</a>. , Oxford University Press. (2007).</li>
<li>Meseguer, V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mapping+the+apetitive+and+aversive+systems+with+emotional+pictures+using+a+Block-design+fMRI+procedure%5BTitle%5D)+AND+%22Psicothema%22%5BJournal%5D)">Mapping the apetitive and aversive systems with emotional pictures using a Block-design fMRI procedure.</a> Psicothema. 19 (3), 483-488 (2007).</li>
<li>Luck, S. J., Gaspelin, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((How+to+get+statistically+significant+effects+in+any+ERP+experiment+%28and+why+you+shouldn%27t%29%5BTitle%5D)+AND+%22Psychophysiology%22%5BJournal%5D)">How to get statistically significant effects in any ERP experiment (and why you shouldn't).</a> Psychophysiology. 54 (1), 146-157 (2017).</li>
<li>Meteyard, L., Davies, R. A. I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Best+practice+guidance+for+linear+mixed-effects+models+in+psychological+science%5BTitle%5D)+AND+%22Journal+of+Memory+and+Language%22%5BJournal%5D)">Best practice guidance for linear mixed-effects models in psychological science.</a> Journal of Memory and Language. 112, 104092(2020).</li>
<li>Tremblay, A., Newman, A. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Modeling+nonlinear+relationships+in+ERP+data+using+mixed-effects+regression+with+R+examples%5BTitle%5D)+AND+%22Psychophysiology%22%5BJournal%5D)">Modeling nonlinear relationships in ERP data using mixed-effects regression with R examples.</a> Psychophysiology. 52 (1), 124-139 (2015).</li>
<li>Wu, B. W. Y., Gao, J. L., Leung, H. K., Sik, H. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+randomized+controlled+trial+of+Awareness+Training+Program+%28ATP%29%2C+a+group-based+mahayana+buddhist+intervention%5BTitle%5D)+AND+%22Mindfulness%22%5BJournal%5D)">A randomized controlled trial of Awareness Training Program (ATP), a group-based mahayana buddhist intervention.</a> Mindfulness. 10 (7), 1280-1293 (2019).</li>
<li>Brown, D. R., Cavanagh, J. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+sound+and+the+fury%3A+Late+positive+potential+is+sensitive+to+sound+affect%5BTitle%5D)+AND+%22Psychophysiology%22%5BJournal%5D)">The sound and the fury: Late positive potential is sensitive to sound affect.</a> Psychophysiology. 54 (12), 1812-1825 (2017).</li>
<li>Hill, L. D., Starratt, V. G., Fernandez, M., Tartar, J. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Positive+affective+priming+decreases+the+middle+late+positive+potential+response+to+negative+images%5BTitle%5D)+AND+%22Brain+and+Behavior%22%5BJournal%5D)">Positive affective priming decreases the middle late positive potential response to negative images.</a> Brain and Behavior. 9 (1), 01198(2019).</li>
<li>Belzung, C., Wigmore, P. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aBelzung%2C+C+%22Current+Topics+in+Behavioral+Neurosciences%2C1+online+resource%22">Current Topics in Behavioral Neurosciences,1 online resource</a>. , Springer Berlin Heidelberg. Berlin Heidelberg. (2013).</li>
<li>Denes, G. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aDenes%2C+G+%22Neural+Plasticity+Across+The+Lifespan%3A+How+The+Brain+Can+Change%22">Neural Plasticity Across The Lifespan: How The Brain Can Change</a>. , CRC Press, an imprint of the Taylor & Francis Group. (2016).</li>
</ol>

Autorzy oświadczają, że nie mają konkurencyjnych interesów finansowych.

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: <img alt="Przepraszam, nie mogę pomóc z tym obrazem." src="/files/ftp_upload/62960/62960eq01.jpg" data-altupdatedat="1788282455000" data-alt="Równanie 1">; wymowa w języku kantońskim: o1-nei4-to4-fat6), jako warunek kontrolny wykorzystano imię „Święty Mikołaj” (znaki chińskie: <img alt='Chińska kaligrafia, znaki „聖誕老人”, tekst kulturowy, pismo artystyczne, grudniowe świętowanie.' src="/files/ftp_upload/62960/62960eq02.jpg" data-altupdatedat="1788282455000" data-alt="Równanie 2">; 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.

An erratum was issued for:&#160;<a href="https://www.jove.com/t/62960">Modulation of the Neurophysiological Response to Fearful and Stressful Stimuli Through Repetitive Religious Chanting</a>. The Authors section was&#160;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&#160;Yan&#160;Wu1 
1Buddhism and Science Research Lab, Centre of Buddhist Studies, The University of Hong Kong, 
2School of Biomedical Engineering, Shenzhen University

An erratum was issued for:&#160;<a href="https://www.jove.com/t/62960">Modulation of the Neurophysiological Response to Fearful and Stressful Stimuli Through Repetitive Religious Chanting</a>. The Authors section was&#160;updated.

Erratum: Modulation of the Neurophysiological Response to Fearful and Stressful Stimuli Through Repetitive Religious Chanting

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.

<table><tbody><tr><td>E-Prime 2.0</td><td>Psychologia Narzędzia programowe Prezentacja</td><td></td><td>bodźców, gromadzenie danych behawioralnych</td></tr><tr><td>EEGLAB</td><td>Swartz Center for Computational Neuroscience</td><td></td><td>Oprogramowanie do analizy EEG</td></tr><tr><td>HydroCel GSN 128 kanałów</td><td>Electrical Geodesics, Inc. (EGI)</td><td></td><td>Czapeczka EEG</td></tr><tr><td>LabChart</td><td>ADInstrumenty</td> dane fizjologiczne (w tym EKG) pozyskiwanie danych fizjologicznych <td></td><td> oprogramowanie</td></tr><tr><td>Matlab R2011a</td><td>MathWorks</td><td></td><td>EEGLAB i SPM są oparte na Matlabie; narzędzie do analizy statystycznej EEG i danych fizjologicznych</td></tr><tr><td>Netstation</td><td>Electrical Geodesics, Inc. (EGI)</td><td></td><td>Oprogramowanie do akwizycji EEG</td></tr><tr><td>PowerLab 8/35</td><td>ADInstruments</td><td>PL3508</td><td>sprzęt do akwizycji danych fizjologicznych (w tym EKG)</td></tr><tr><td>SPM</td><td>Wellcome Trust Centre for Neuroimaging</td><td></td><td>Oprogramowanie do analizy źródła EEG</td></tr><tr><td>FMRIB</td><td>Uniwersytet Oksfordzki Centrum Funkcjonalnego MRI Mózgu (FMRIB)</td><td></td><td>Wtyczka do EEGLAB do przetwarzania danych EKG</td></tr><tr>Narzędzie do analizy statystycznej<td>SPSS</td><td>IBM</td><td></td><td>dla danych o zachowaniu i zwrocie EEG</td></tr><tr><td>iMac 27"</td><td>Apple</td><td></td><td>z oprogramowaniem Netstation</td></tr><tr><td>Komputer PC z systemem Windows</td><td>HP</td><td></td><td>z systemem E-Prime 2.0 oprogramowanie</td></tr><tr><td>Komputer z systemem Windows</td><td>, firma Dell</td><td></td><td>z oprogramowaniem LabChart</td></tr></tbody></table>

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

Modulation of the Neurophysiological Response to Fearful and Stressful Stimuli Through Repetitive Religious Chanting

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.

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).
<img alt="Wykres elektroencefalograficzny (EEG) pokazujący zmiany potencjału (μV) w czasie (ms) przy różnych bodźcach." class="xfigimg" src="/files/ftp_upload/62960/62960fig02.jpg" data-altupdatedat="1788282455000" data-alt="Rysunek 2"> 
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. <a href="https://www.jove.com/files/ftp_upload/62960/62960fig02large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.</a>
<img alt="Mapy cieplne wyników EEG; analiza emocji; porównanie testem t; aktywność mózgu; wizualizacja." class="xfigimg" src="/files/ftp_upload/62960/62960fig3v2.jpg" data-altupdatedat="1788282455000" data-alt="Rycina 3"> 
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 &lt; 0,05) są zaznaczone kropkami; kropki w ciemniejszym kolorze wskazują na większą istotność (tj. mniejsze wartości p). <a href="https://www.jove.com/files/ftp_upload/62960/62960fig3v2large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.</a>
<img alt="Mapy cieplne aktywności EEG; porównanie odpowiedzi mózgu; bodźce neutralne vs negatywne; przetwarzanie emocjonalne." class="xfigimg" src="/files/ftp_upload/62960/62960fig4v2.jpg" data-altupdatedat="1788282455000" data-alt="Rysunek 4"> 
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 &lt; 0,05) są oznaczone kropkami; kropki w ciemniejszym kolorze wskazują większą istotność (tj. mniejsze wartości p). <a href="https://www.jove.com/files/ftp_upload/62960/62960fig4v2large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.</a>
<img alt="Wykres słupkowy EEG przedstawiający odpowiedzi N1 i LPP podczas pasywnego oglądania obrazów Świętego Mikołaja oraz śpiewów Amitābha." class="xfigimg" src="/files/ftp_upload/62960/62960fig5v2.jpg" data-altupdatedat="1788282455000" data-alt="Rysunek 5"> 
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). <a href="https://www.jove.com/files/ftp_upload/62960/62960fig5v2large.jpg" target="_blank">Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.</a>
<img alt="Aktywacja mózgu w fMRI, pasywna vs śpiewanie mantry, wizualizacja aktywności neuronalnej, analiza porównawcza." class="xfigimg" src="/files/ftp_upload/62960/62960fig06.jpg" data-altupdatedat="1788282455000" data-alt="Rysunek 6"> 
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. <a href="https://www.jove.com/files/ftp_upload/62960/62960fig06large.jpg" target="_blank">Proszę kliknąć tutaj, aby zobaczyć powiększoną wersję tego rysunku.</a>
<img alt="Wykres słupkowy porównujący odpowiedź tętna, przedstawiono wartości p: warunki Ami, San, Pas, uderzenia/minutę." class="xfigimg" src="/files/ftp_upload/62960/62960fig7v2.jpg" data-altupdatedat="1788282455000" data-alt="Rycina 7"> 
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. <a href="https://www.jove.com/files/ftp_upload/62960/62960fig7v2large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.</a>
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. <a href="https://www.jove.com/files/ftp_upload/62960/62960_Supplementary%20Table%201.xlsx" target="_blank">Prosimy kliknąć tutaj, aby pobrać tę tabelę.</a>
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. <a href="https://www.jove.com/files/ftp_upload/62960/EEG_Preprocess.m" target="_blank">Kliknij tutaj, aby pobrać ten plik.</a>
Plik uzupełniający 2: Kod do naprawy danych ERP. Służy do naprawy błędnych epok z szumami w postaci skoków napięcia. <a href="https://www.jove.com/files/ftp_upload/62960/ERP_Repair.m" target="_blank">Kliknij tutaj, aby pobrać ten plik.</a>

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.

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

In neuropsychological experiments, the late positive potential (LPP) is an event-related potential (ERP) component that reflects the level of one's ...

Śpiewanie i modlitwa należą do najpopularniejszych praktyk religijnych. Protokół ten może pomóc naukowcom w zbadaniu neurofizjologicznej reakcji na powtarzające się śpiewy religijne przy użyciu potencjałów związanych ze zdarzeniami. Technika ERP może rozróżniać wczesne i późne etapy neuronowego przetwarzania informacji, analogicznie do pierwszej i drugiej myśli przetwarzania umysłu, jak wyjaśniono w naukach buddyjskich.Postępując zgodnie z tym protokołem, naukowcy mogą badać wpływ śpiewu religijnego lub innych tradycyjnych praktyk, aby zidentyfikować widoczne sposoby, aby pomóc ludziom złagodzić ich cierpienie emocjonalne. Aby rozpocząć to badanie, zrekrutuj uczestników z co najmniej rocznym doświadczeniem w intonowaniu imienia Buddy Amitabhy. Podczas eksperymentu rejestruj dane EEG za pomocą 128-kanałowego systemu EEG składającego się ze wzmacniacza, skrzynki głównej, nasadki EEG i dwóch komputerów stacjonarnych oraz rejestruj dane EKG za pomocą systemu rejestracji danych fizjologicznych.Do wyświetlania neutralnych i negatywowych zdjęć z International Effective Picture System (IAPS). Korzystaj z oprogramowania do prezentacji bodźców na komputerze stacjonarnym. Prezentuj zdjęcia na monitorze w odległości 75 centymetrów od oczu uczestnika, z kątami widzenia 15 stopni w pionie i 21 stopni w poziomie.W eksperymencie użyj projektu blokowego, ponieważ może on skuteczniej wywołać elementy związane z emocjami. Zapewnij krótki przebieg treningowy, aby umożliwić uczestnikom zapoznanie się z każdym stanem i użyj monitora wideo, aby upewnić się, że uczestnicy nie zasną. Rozpocznij eksperyment od warunku śpiewania religijnego.Poproś uczestników, aby przez 40 sekund intonowali cztery znaki imienia Buddy Amitabhy, wyobrażając sobie, że Amitabha postępuje zgodnie ze scenariuszem w szkole Czystej Krainy. Przez pierwsze 20 sekund pokaż uczestnikom obraz Amitabhy-Amitabhy, Amitabhy. I przez następne 20 sekund pokazuj im obrazy IAPS.Poproś uczestników, aby uważnie przyjrzeli się obrazkom. Pokazuj każdy obraz przez około 1,8 do 2,2 sekundy, z interwałem między bodźcami od 0,4 do 0,6 sekundy. Po każdej sesji odczekaj 20 sekund na odpoczynek, aby przeciwdziałać potencjalnym skutkom rezydualnym skandowania lub oglądania zdjęć podczas następnej sesji.Jeśli chodzi o niereligijne śpiewanie, poproś uczestników, aby przez 40 sekund intonowali cztery znaki imienia Świętego Mikołaja, wyobrażając sobie Świętego Mikołaja. W ciągu pierwszych 20 sekund pokaż uczestnikom obraz Świętego Mikołaja, a przez następne 20 sekund pokaż im obrazy IAPS. W przypadku warunku kontrolnego poproś uczestników o zachowanie ciszy przez 40 sekund.W ciągu pierwszych 20 sekund pokaż uczestnikom pusty obraz, a przez następne 20 sekund pokaż im obrazy IAPS. Do przetwarzania i analizowania danych EEG należy użyć oprogramowania open source EEGLAB. Aby zachować rozsądny rozmiar pliku danych, użyj funkcji EEGLAB pop_resample.Kliknij Narzędzia, a następnie Zmień częstotliwość próbkowania, aby ponownie próbkować dane z 1000 Hz na 250 Hz. Następnie przefiltruj dane za pomocą funkcji EEGLAB pop_eegfiltnew. Kliknij Narzędzia, a następnie Filtruj dane, a następnie wybierz Podstawowy filtr FIR nowy, domyślnie, aby filtrować dane za pomocą filtra o skończonej odpowiedzi impulsowej z pasmem przepustowym od 0,1 do 100 Hz.Aby zredukować szum spowodowany prądem przemiennym, kliknij Narzędzia, a następnie Filtruj dane i wybierz Notch filtruj dane zamiast pasma przepustowego. Następnie przefiltruj dane za pomocą nieliniowego filtra odpowiedzi impulsowej z pasmem zatrzymania od 47 do 53 Hz. Następnie kliknij Wykres, a następnie Przewiń dane kanału, aby wizualnie sprawdzić dane i usunąć silne artefakty generowane przez ruchy oczu i mięśni.Następnie kliknij Narzędzia, Interpoluj elektrody i wybierz jeden z kanałów danych, aby zrekonstruować uszkodzone kanały za pomocą interpolacji sferycznej. Następnie kliknij Narzędzia i Uruchom ICA, aby uruchomić niezależną analizę komponentów za pomocą algorytmu runica o otwartym kodzie źródłowym. Następnie ponownie kliknij narzędzia, a następnie Odrzuć dane za pomocą ICA i Odrzuć komponenty według mapy, aby usunąć niezależne komponenty odpowiadające ruchom gałek ocznych, mrugnięciom, ruchom mięśni i szumowi linii.Aby zrekonstruować dane przy użyciu pozostałych niezależnych komponentów, kliknij Narzędzia, a następnie Usuń komponenty. Następnie kliknij Narzędzia, a następnie Filtruj dane i wybierz Podstawowy filtr FIR nowy, domyślnie do filtrowania danych za pomocą filtra dolnoprzepustowego 30 Hz. Następnie kliknij Narzędzia, a następnie Wyodrębnij epoki, aby uzyskać dane ERP, wyodrębniając i uśredniając epoki zablokowane w czasie dla każdego warunku z oknem czasowym od minus 200 do zera milisekund jako linia bazowa i od zera do 800 milisekund jako ERP.Następnie kliknij Narzędzia, a następnie Ponowne odniesienie, aby ponownie odwołać się do danych ERP ze średnią z lewego i prawego kanału wyrostka sutkowatego. Po powtórzeniu powyższych kroków dla zestawów danych od wszystkich uczestników, zdefiniuj okna czasowe dla N1 i późnego potencjału dodatniego, czyli LPP, w oparciu o ustalone teorie i aktualne dane. Następnie, korzystając z sparowanego testu T, znajdź neutralną i ujemną różnicę obrazu w składowej N1 i składowej LPP między trzema warunkami.Następnie przeprowadź analizę regionu zainteresowania dla komponentów N1 i LPP, uśredniając odpowiednie kanały reprezentujące region. Następnie porównaj różnicę w N1 i LPP osobno, używając powtarzanych pomiarów, ANOVA i statystyk post-hoc w oprogramowaniu do analizy statystycznej. Użyj oprogramowania open source SPM, aby przeprowadzić analizę źródła ERP.Połącz układ współrzędnych czujnika nasadki EEG ze standardowym strukturalnym obrazem MRI za pomocą korejestracji opartej na punktach orientacyjnych. W SPM kliknij Partia, a następnie SPM, M/EEG, rekonstrukcja źródła i Specyfikacja modelu głowicy. Następnie wykonaj obliczenia do przodu, aby obliczyć wpływ każdego dipola na siatkę korową nałożoną na czujniki EEG.W tym samym edytorze wsadowym kliknij SPM, a następnie M/EEG, Rekonstrukcja źródła i Inwersja źródła. Aby przeprowadzić rekonstrukcję odwrotną, w trzecim kroku użyj algorytmu wielu rzadkich a priori opartego na zachłannym wyszukiwaniu. Wybierz MSP/GS dla typu Inwersja w oknie Odwrócenie źródła.Określ różnicę między warunkami przy użyciu ogólnego modelowania liniowego w SPM. Po ustawieniu poziomu istotności na P 0,05, w edytorze wsadowym kliknij SPM, a następnie Stats and Factorial design specification. Do przetwarzania i analizy danych EKG należy używać oprogramowania fizjologicznego i do przetwarzania danych.Aby obliczyć średnie wyniki dla każdego warunku w EEGLAB, kliknij Narzędzia, a następnie Narzędzia FMRIB i Wykryj zdarzenia QRS. W celu analizy oceny behawioralnej poproś uczestników, aby ocenili swoje przekonanie o skuteczności skandowania imienia osoby badanej w skali od jednego do dziewięciu, gdzie jeden jest uważany za najsłabszy, a dziewięć za najsilniejszy. Wyniki dotyczące wiary uczestników w śpiewanie wykazały średni wynik 8,16 dla Buddy Amitabhy, 3,26 dla Świętego Mikołaja i 1,95 dla pustego warunku kontrolnego.Reprezentatywny kanał płata ciemieniowego wykazał, że warunki śpiewania miały różny wpływ na wczesne i późne przetwarzanie obrazów neutralnych i negatywowych, pokazując okno czasowe odpowiednio N1 i LPP. Wyniki ERP wykazały wzrost N1 podczas oglądania przerażających obrazów w trzech warunkach skandowania. Obrazy ujemne indukowały silniejszą aktywność ośrodkowego mózgu niż obrazy neutralne, a wzrosty są porównywalne w tych trzech warunkach.ERP wykazał również zwiększoną LPP w warunkach niereligijnych śpiewów i braku śpiewu. Jednak LPP wywołane przerażającymi obrazami jest ledwo widoczne, gdy uczestnicy intonują imię Buddy Amitabha. Analiza regionu zainteresowania wykazała, że różnice w komponencie N1 były podobne we wszystkich trzech warunkach.Różnica w składowej LPP jest jednak znacznie mniejsza w warunkach śpiewania religijnego niż w stanie śpiewania niereligijnego i w stanie cichego oglądania. Analiza źródłowa wykazała, że w porównaniu z neutralnymi obrazami, negatywne obrazy indukowały większą aktywację ciemieniową w stanie niereligijnego śpiewania i braku śpiewania. W przeciwieństwie do tego, ta aktywacja wywołana negatywnym obrazem w dużej mierze znika w stanie religijnego śpiewania.Zauważono znaczącą zmianę w częstości akcji serca między obrazami lękliwymi i neutralnymi w warunkach niereligijnych i bez śpiewania. Nie stwierdzono jednak takiej różnicy w stanie śpiewu religijnego. Ten sam protokół może być również wykorzystany w funkcjonalnych badaniach neuroobrazowych, aby bardziej szczegółowo ujawnić regiony mózgu zaangażowane w śpiew religijny.Badanie to demonstruje metodę badania, w jaki sposób powtarzające się śpiewy religijne i inne podobne praktyki mogą wpływać na reakcję neurofizjologiczną i zmniejszać cierpienie wywołane negatywnymi bodźcami.

modulation-neurophysiological-response-to-fearful-stressful-stimuli

Research

JoVE Journal

Neuroscience

Neuronauka

Opisano metodologię badania mechanizmów neuronalnych wspierających świadome i nieświadome procesy pamięciowe podczas warunkowania lękowego. Metoda ta wykorzystuje funkcjonalny rezonans magnetyczny do monitorowania poziomu utlenowania krwi (BOLD), reakcję przewodnictwa skóry oraz oczekiwanie bodźca bezwarunkowego podczas pawłowowskiego warunkowania lękowego w celu oceny korelatów neuronalnych odrębnych procesów pamięciowych.

Badanie neuronalnych mechanizmów świadomej i nieświadomej pamięci lękowej za pomocą fMRI

Stymulacja nerwu błędnego (VNS) pojawiła się jako narzędzie do wywoływania ukierunkowanej plastyczności synaptycznej w przodomózgowiu w celu modyfikacji szeregu zachowań. Ten protokół opisuje, jak zaimplementować VNS, aby ułatwić konsolidację pamięci wygaszania strachu.

Stymulacja nerwu błędnego jako narzędzie do indukowania plastyczności w szlakach istotnych dla uczenia się wymierania

Tutaj prezentujemy protokół, który sprowokował reaktywność kortyzolu u wrażliwej próbki meksykańskiego Amerykanina, wykorzystując zmodyfikowaną wersję Trier Social Stress Test (TSST). Próbki śliny pobrano na początku badania, 15, 30 i 45 minut po wystąpieniu TSST. Przyszłe badania mogą wykorzystać ten zmodyfikowany TSST w przypadku wrażliwej młodzieży.

Zmodyfikowany test stresu społecznego w Trewirze dla wrażliwych nastolatków meksykańsko-amerykańskich

Ten protokół pokazuje, jak mierzyć przerażenie wzmocnione lękiem podczas paradygmatu pamięci roboczej Sternberga.

Zmniejszanie lęku przed stanem za pomocą utrzymania pamięci roboczej

Stres jest nieuniknionym i trwałym elementem życia, a holistyczne podejście do jego zarządzania jest rozważane. Stworzono ustandaryzowaną metodologię, aby zademonstrować wykonalność protokołu radzenia sobie ze stresem opartego na oddechu, który może być stosowany z dostępną na rynku technologią przenośną.

Społecznościowy program radzenia sobie ze stresem: wykorzystanie urządzeń ubieralnych do oceny reakcji fizjologicznych całego ciała w warunkach nielaboratoryjnych

Zagrożenia niezawodnie wywołują zmiany w inwestycjach ideologicznych na wysokim poziomie, ale do tej pory niewiele pracy badało mechanizmy neuronalne leżące u podstaw tej dynamiki. W artykule opisano, w jaki sposób można zastosować przezczaszkową stymulację magnetyczną wywołaną ciągłym pęknięciem theta do zbadania wpływu tylnej przyśrodkowej kory czołowej (i/lub innych regionów) na zmiany ideologiczne związane z zagrożeniem.

Ciągła stymulacja pęknięcia theta tylnej przyśrodkowej kory czołowej w celu eksperymentalnego zmniejszenia reakcji na zagrożenie ideologiczne

Tutaj opisujemy szczegółową metodologię wymaganą do przeprowadzenia eksperymentów z uczeniem się strachu wzmocnionego stresem (SEFL), przedklinicznego modelu zespołu stresu pourazowego, zarówno u szczurów, jak i myszy. Model wykorzystuje aspekty warunkowania i zamrażania strachu Pawłowa jako wskaźnik zwiększonego strachu u gryzoni.

Uczenie się strachu wzmocnione stresem, solidny model zespołu stresu pourazowego u gryzoni

Ten manuskrypt przedstawia nowy protokół umożliwiający jednoczesne zastosowanie przezczaszkowej stymulacji prądem stałym podczas ekspozycji na sygnały związane z traumą w strefie wojennej za pomocą wirtualnej rzeczywistości dla weteranów z zespołem stresu pourazowego.

Jednoczesne zastosowanie przezczaszkowej stymulacji prądem stałym podczas ekspozycji na rzeczywistość wirtualną

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.

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

Konwencjonalny sprzęt komputerowy nie jest w stanie generować bodźców wizualnych o wystarczająco wysokiej rozdzielczości skali szarości ani mierzyć czasów reakcji z odpowiednią dokładnością. Opisujemy sposób wykorzystania urządzenia VideoSwitcher do tworzenia monochromatycznych wyświetlaczy o wysokiej rozdzielczości oraz RTbox do precyzyjnego pomiaru czasów reakcji przy użyciu standardowego sprzętu komputerowego.

Umożliwienie wyświetlania obrazów o wysokiej rozdzielczości poziomów szarości oraz dokładnych pomiarów czasu odpowiedzi na konwencjonalnych komputerach

Poznaj metodę badania neurofizjologicznych efektów powtarzających się śpiewów religijnych za pomocą potencjałów związanych ze zdarzeniami (ERP) i EEG. Protokół ten pozwala analizować modulację emocji negatywnych.

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

Przeglądaj więcej filmów