Artigo de método

Canto religioso e regiões cerebrais auto-relacionadas: um estudo de neuroimagem multimodal

2.1K vistas

⸱

DOI:

10.3791/66221

⸱

31 de maio de 2024

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

Neste artigo

Resumo

Aqui, apresentamos um protocolo para investigar os correlatos neurofisiológicos de várias formas de meditação, incluindo o canto religioso. Este método integra exclusivamente os resultados do autovetor fMRI para seleção de região na análise da fonte de eletroencefalograma (EEG) usando agrupamento k-means. Os resultados fornecem uma compreensão profunda dos processos neurais envolvidos no canto religioso repetitivo.

Resumo

Este protocolo apresenta uma abordagem de neuroimagem multimodal para explorar a atividade cerebral potencial associada ao canto religioso repetitivo, uma forma difundida de treinamento mental nas culturas oriental e ocidental. O eletroencefalograma (EEG) de alta densidade, com sua resolução temporal superior, permite capturar as mudanças dinâmicas na atividade cerebral durante o canto religioso. Por meio de métodos de localização de fontes, eles podem ser atribuídos a várias fontes alternativas de regiões cerebrais potenciais. Vinte praticantes de canto religioso foram medidos com EEG. No entanto, a resolução espacial do EEG é menos precisa, em comparação com a ressonância magnética funcional (fMRI). Assim, um profissional altamente experiente foi submetido a uma sessão de varredura de fMRI para orientar a localização da fonte com mais precisão. Os dados de fMRI ajudaram a orientar a seleção da localização da fonte de EEG, tornando o cálculo das médias K da localização da fonte de EEG no grupo de 20 profissionais intermediários mais preciso e confiável. Este método aumentou a capacidade do EEG de identificar as regiões cerebrais especificamente envolvidas durante o canto religioso, particularmente o papel fundamental do córtex cingulado posterior (PCC). O PCC é uma área do cérebro relacionada ao foco e ao processamento autorreferencial. Esses resultados neurológicos e neurofisiológicos multimodais revelam que o canto religioso repetitivo pode induzir menor centralidade e maior potência de onda delta em comparação com o canto não religioso e as condições de estado de repouso. A combinação de fMRI e análise de fonte de EEG fornece uma compreensão mais detalhada da resposta do cérebro ao canto religioso repetitivo. O protocolo contribui significativamente para a pesquisa sobre os mecanismos neurais envolvidos nas práticas religiosas e meditativas, que vem se tornando cada vez mais proeminente nos dias de hoje. Os resultados deste estudo podem ter implicações significativas para o desenvolvimento de futuras técnicas de neurofeedback e intervenções psicológicas.

Introdução

O canto religioso, uma prática muito popular nas culturas orientais, é frequentemente comparado à oração nas sociedades ocidentais1. Apesar de sua prevalência, a pesquisa científica sobre os correlatos neurais do canto religioso permanece bastante limitada. Técnicas sofisticadas de eletrofisiologia e neuroimagem multimodais foram utilizadas neste estudo para preencher essa lacuna de conhecimento e explorar as associações neurais do canto do Buda Amitābha, uma das tradições religiosas mais difundidas e uma das mais antigas ativamente preservadas 2,3. O canto religioso repetitivo pode servir como uma técnica eficaz no aconselhamento budista para ajudar a acalmar a mente de pensamentos e emoções turbulentos.

Dada a alta resolução espacial da ressonância magnética funcional (fMRI), ela pode ser aplicada para superar as limitações dos estudos tradicionais de EEG4. Combinando fMRI e agrupamento de fontes de eletroencefalograma (EEG) por meio de análise de componentes independentes (ICA), o estudo identifica e agrupa componentes independentes da atividade cerebral entre os participantes. Este método introduz uma nova estratégia para identificar sinais de fontes mistas de EEG ou fontes díspares entre os participantes, o que tem sido um desafio devido às diferenças na anatomia cerebral e no posicionamento dos eletrodos.

A forma de canto religioso repetitivo que foi estudada com este protocolo envolve a recitação repetitiva do nome do Buda Amitābha. É também uma prática meditativa que foi relatada para provocar sensações bem-aventuradas e experiências transcendentais. Entre as diferentes práticas budistas, a prática de cantar o Buda Amitābha é simples e facilmente acessível. Essa prática promete renascimento na Terra Pura para todos aqueles que sinceramente invocam esse nome, que tem semelhanças com certas tradições da religião ocidental 1,3.

Por meio da neuroimagem multimodal, este estudo visa fornecer uma compreensão abrangente dos correlatos neurais do canto religioso repetitivo. O protocolo pode contribuir para o crescente campo de pesquisa sobre os efeitos neurofisiológicos de diferentes práticas religiosas e meditativas.

O estudo levantou a hipótese de que o canto religioso repetitivo levaria a mudanças significativas de sinal nas regiões do cérebro responsáveis por processos auto-relacionados. Além disso, dadas as emoções positivas atribuídas ao Buda Amitābha, levantamos a hipótese de que mudanças emocionais ocorreriam durante o canto religioso. Essas mudanças efetivas provavelmente coincidem com modificações nos indicadores fisiológicos periféricos, como variações nos índices de variabilidade da frequência cardíaca (VFC) multibanda e na frequência respiratória5.

Protocolo

A aprovação ética para o estudo foi obtida da Universidade de Hong Kong antes do experimento. Todos os participantes assinaram um termo de consentimento por escrito antes de participar dos experimentos de EEG e fMRI.

1. Seleção e preparação dos participantes

  1. Recrute participantes que tenham pelo menos 1 ano de experiência meditativa em cantar religiosamente o Buda Amitābha por um mínimo de 15 minutos por dia. Certifique-se de que a faixa etária esteja entre 40 e 52 anos. Estime o número de participantes por análise de poder. No presente estudo, 21 participantes foram recrutados.
    NOTA: A análise de poder foi conduzida com base nos tamanhos de efeito observados em estudos-piloto e na literatura existente sobre estudos de EEG e fMRI de meditação. Geralmente, o design dentro do sujeito tem um poder melhor para diferenciar diferentes condições, uma vez que a variação entre os sujeitos é geralmente maior.
  2. Informe os participantes sobre o objetivo do estudo e os procedimentos envolvidos.
  3. Certifique-se de que os participantes não estejam deprimidos usando o Inventário de Depressão de Beck.
  4. Certifique-se de que os participantes estejam em boas condições de saúde e não estejam sob a influência de quaisquer substâncias que possam afetar suas respostas fisiológicas.
    NOTA: Os critérios de exclusão incluem depressão, patologia neuropsiquiátrica ou estar sob a influência de álcool ou substâncias psicoativas. Além disso, os critérios de exclusão específicos da ressonância magnética incluem ter um marca-passo, implantes cerebrais profundos ou implantes metálicos que não são compatíveis com uma verificação de ressonância magnética.
  5. Certifique-se de que os participantes estejam aptos a participar do estudo de EEG/eletrocardiograma (ECG)/RM.
    NOTA: Os dados de EEG e RM foram registrados separadamente. A duração da coleta de dados diferiu entre EEG e fMRI para otimizar a qualidade dos dados para cada modalidade, considerando a fadiga e o conforto dos participantes. Nosso estudo piloto descobriu que o fMRI é mais sensível à demonstração de correlatos neurais, enquanto os dados de EEG geralmente tinham segmentos ruins ou outros artefatos e precisavam de uma duração um pouco mais longa para garantir dados suficientes para a análise final. Portanto, o tempo de EEG foi um pouco maior do que o tempo de ressonância magnética. Diferentes posturas durante a coleta de dados de EEG e fMRI foram necessárias devido às restrições de cada modalidade de imagem. As condições foram randomizadas usando um cronograma de randomização gerado por computador para controlar os efeitos de ordem. A sequência não foi a mesma entre EEG e fMRI.

2. Aquisição e análise de dados de EEG

  1. Configure o EEG de 128 canais e vários equipamentos de registro de dados fisiológicos de acordo com as instruções do fabricante.
  2. Certifique-se de que os participantes lavem bem o cabelo antes de iniciar a aquisição de dados de EEG/ECG.
  3. Peça aos participantes que relaxem e se sentem confortavelmente.
  4. Apresente o experimento aos participantes.
  5. Peça ao participante para fazer uma versão de teste do experimento.
  6. Adquira dados de EEG enquanto cada participante está em três condições diferentes: cantando Amitābha Buda, cantando Papai Noel e estado de repouso, todos com os olhos fechados. Registre 10 minutos de dados de EEG em cada condição.
  7. Salve e rotule os dados adequadamente para cada participante.
  8. Certifique-se de que os dados sejam armazenados com segurança com backups.

3. Aquisição de dados de ressonância magnética

  1. Prepare um scanner de ressonância magnética de 3,0 T e certifique-se de que ele funcione corretamente antes de iniciar a aquisição de dados. Certifique-se de que o participante esteja confortável e entenda o procedimento antes de iniciar o exame.
  2. Comece com uma sequência de varredura ponderada em T1 com os seguintes parâmetros: Campo de visão (FoV) = 256 mm × 150 mm × 240 mm, matriz de aquisição = 256 × 256, tempo de repetição (TR) = 15 ms, tempo de eco (TE) = 3,26 ms, ângulo de inversão = 25°, espessura do corte = 1,5 mm, número de cortes = 100, resolução de voxel (x, y, z) = 0,94 mm × 1 mm × 1,5 mm.
  3. Obtenha imagens de fMRI com imagem ecoplanar gradiente (EPI) usando uma bobina de cabeça SENSE de 8 canais. Defina os parâmetros de sequência da seguinte forma: FoV = 230 mm × 140 mm × 230 mm, matriz de aquisição = 64 × 64, TR = 2000 ms, TE = 30 ms, ângulo de inversão = 90°, número de cortes = 32, espessura do corte = 3 mm e folga de corte = 1.5 mm.
  4. Inicie a aquisição de dados de fMRI enquanto cada participante está sob três condições: canto religioso, canto não religioso e estado de repouso. Registre os dados para a duração de cada condição: cada condição compreendeu 243 volumes dinâmicos, com uma duração total de 8,1 min.

4. Aquisição de dados fisiológicos

  1. Configure o sistema de aquisição de dados fisiológicos para coletar dados cardíacos, respiratórios e outros dados fisiológicos de acordo com as instruções do fabricante.
    NOTA: O EEG e os dados fisiológicos foram adquiridos ao mesmo tempo.
  2. Conecte três eletrodos de ECG nas mãos esquerda e direita e no pé esquerdo, respectivamente.
  3. Coloque dois cintos de respiração no participante, um para medir a respiração dos seios e outro para medir a respiração abdominal.
  4. Monitore a Resposta Galvânica da Pele (GSR) e os níveis de saturação de oxigênio dos participantes.
  5. Comece a aquisição de dados junto com a coleta de dados do EEG enquanto cada participante está em três condições: cantando o Buda Amitābha, cantando o Papai Noel e o estado de repouso, todos com os olhos fechados.
  6. Salve e rotule os dados adequadamente para cada participante. Certifique-se de que os dados sejam armazenados com segurança e sejam bons o suficiente para análises posteriores.

5. Análise de dados de EEG

  1. Processe e analise os dados do EEG com o software apropriado. Aqui, foi utilizado um software de código aberto EEGLAB.
  2. Carregue os dados no programa. Clique em Arquivo > carregar conjunto de dados existente.
  3. Reamostre os dados de 1000 Hz a 250 Hz clicando em Ferramentas > Alterar Taxa de Amostragem.
  4. Filtre os dados com um filtro FIR (resposta ao impulso finito) com uma banda passante de 0,1 a 100 Hz clicando em Ferramentas > Filtrar os dados > Filtro FIR básico.
  5. Filtre os dados novamente com um filtro de entalhe com uma banda de parada de 47-53 Hz para remover o ruído de corrente alternada. Clique em Ferramentas > Filtrar os dados e selecione a opção Entalhe filtrar os dados em vez de banda de passagem.
  6. Inspecione os dados visualmente para eliminar artefatos, como movimentos oculares e musculares, clicando em Plotar > dados do canal (rolagem).
    NOTA: Canais de eletrooculografia designados (EOG) podem ser usados como referência.
  7. Inspecione os dados visualmente para observar canais defeituosos para remoção.
  8. Aplique a interpolação esférica com base nos canais circundantes para reconstruir os canais defeituosos clicando em Ferramentas > Interpolar eletrodos e selecione um dos canais de dados.
  9. Execute a análise de componentes independentes (ICA) usando o algoritmo runica. Para isso, clique em Ferramentas > Executar ICA.
  10. Remova os componentes independentes (ICs) que correspondem ao movimento dos olhos, ruído muscular e ruído de linha dos dados clicando em Ferramentas > Rejeitar dados usando ICA > Rejeitar componentes por mapa.
  11. Reconstrua os dados usando os Ics restantes clicando em Ferramentas > Remover componentes.
  12. Clique em Ferramentas > Filtrar os dados > Filtro FIR básico para filtrar os dados com um filtro passa-baixo de 47 Hz.
  13. Estime a semelhança dos CIs e agrupe-os em clusters funcionalmente equivalentes usando as funções STUDY do EEGLAB. Clique em Arquivo > Criar > de estudo usando todos os conjuntos de dados carregados.
  14. Gere os locais de dipolo de cada IC usando a função DIPFIT2. Clique em Ferramentas > Localizar dipolo usando DIPFIT 2.x > Autofit.
  15. Use o clustering k-means para criar clusters IC com base em locais de dipolo semelhantes (peso: 2/3) e espectro de potência (peso: 1/3). Clique em Study > PCA Clustering > Build Preclustering Array.
  16. Repita o procedimento de agrupamento dez vezes, cada vez com uma configuração de parâmetro k diferente. Identifique a configuração do parâmetro k que gera clusters distintos, mas razoáveis. Clique em Estudar > Editar/Plotar Agrupamentos.
  17. Realize análises de espectro e conduza uma ANOVA unidirecional em todas as principais bandas de frequência usando os ICs de um cluster específico de interesse.
    NOTA: Preste atenção especial ao córtex cingulado posterior (PCC), pois esta área diminuiu em centralidade devido a um aumento regional na geração endógena de oscilações delta durante o canto religioso.

6. Análise de dados de fMRI

  1. Pré-processe os dados de fMRI usando o software Leipzig Image Processing and Statistical Inference Algorithms (LIPSIA 2.2.7).
    1. Execute o pré-processamento que inclui normalização da intensidade do sinal, correção de movimento, normalização espacial para o espaço MNI, suavização espacial com largura total na metade do máximo (FWHM) = 6 mm e filtragem passa-alta temporal com uma frequência de corte de 1/90 Hz para remover desvios de baixa frequência na série temporal de fMRI. Consulte estas etapas no pipeline de processamento de dados 1 (Arquivo Suplementar 1).
  2. Remova covariáveis sem interesse, como flutuações de sinal global e parâmetros de movimento, regredindo-as dos dados para cada sequência de varredura que corresponde a cada uma das três condições.
  3. Finalmente, investigue a conectômica funcional de todo o cérebro aplicando o Mapeamento de Centralidade de Vetor Próprio (ECM), um método de teoria dos grafos que identifica os nós mais influentes dentro de uma rede, e as imagens ECM de duas condições são subtraídas uma da outra para produzir a imagem de contraste resultante. Consulte estas etapas no pipeline de processamento de dados 2 (Arquivo Suplementar 2).

7. ECG e outras análises de dados fisiológicos

  1. Limpe o ECG bruto e outros dados fisiológicos por meio de um filtro passa-banda Butterworth e extraia o intervalo entre batimentos (IBI) após substituir os outliers pela interpolação spline.
  2. Analise a tendência dos dados IBI e calcule os recursos no domínio do tempo/frequência da VFC (variabilidade da frequência cardíaca) usando a caixa de ferramentas de código aberto HRVAS.
  3. Defina as faixas de frequência para o VLF para 0-0.04 Hz, LF para 0.04-0.15 Hz e HF para 0.15-0.4 Hz.
  4. Estime a potência das bandas de frequência selecionadas usando o método do periodograma de Lomb-Scargle.
  5. Submeter as métricas derivadas da VFC a testes estatísticos usando ANOVA de medidas repetidas unidirecionais e testes post hoc para avaliar as diferenças entre as condições. Defina o nível alfa de significância em 0,05.
  6. Calcule outros dados fisiológicos, como intervalos de respiração para cada participante e cada condição, usando software de análise.
  7. Use a função findpeaks no software de análise para detectar o pico da curva respiratória.
  8. Diferencie os períodos inspiratório e expiratório e, em seguida, calcule a frequência respiratória.
  9. Compare a diferença entre as condições usando ANOVA de medidas repetidas unidirecionais e testes post hoc.

Resultados

Os resultados da análise de fMRI indicaram que a maior diferença na centralidade do autovetor entre o canto religioso e não religioso estava predominantemente situada no córtex cingulado posterior (PCC); veja a Figura 1. Esse achado foi aproveitado para avaliar e validar a seleção do agrupamento de componentes independentes de EEG, que de forma semelhante manifestou um agrupamento nas proximidades da região do PCC.

figure-results-1
Figura 1: Neuroimagem multimodal e resultados eletrofisiológicos. O mapeamento de centralidade de autovetor aplicado em dados de fMRI revelou que o córtex cingulado posterior é a área do cérebro que mais diminuiu em centralidade durante o canto religioso em comparação com o canto não religioso. Esse valor foi obtido com permissão de Gao et al.1. Clique aqui para ver uma versão maior desta figura.

A análise de agrupamento de componentes independentes de EEG produziu sete clusters de IC distintos, cada um correspondendo a uma fonte de atividade de EEG. Notavelmente, um desses clusters estava situado no PCC, um achado que se alinha com os resultados da fMRI (ver Figura 2).

figure-results-2
Figura 2: A análise de agrupamento de componentes independentes de EEG também apresentou um cluster no PCC. Esse valor foi obtido com permissão de Gao et al.1. Clique aqui para ver uma versão maior desta figura.

Este cluster em particular foi posteriormente escolhido para análise aprofundada, incluindo análise de espectro. Uma ANOVA unidirecional revelou um efeito principal significativo do canto na potência da banda de frequência delta (1-4 Hz, ver Figura 3 e Figura 4).

figure-results-3
Figura 3: A ANOVA unidirecional revelou um efeito principal significativo do canto na potência da banda delta (1-4 Hz). Esse valor foi obtido com permissão de Gao et al.1. Clique aqui para ver uma versão maior desta figura.

figure-results-4
Figura 4: Análise post hoc de condições de canto religioso versus canto não religioso. A análise mostrou que o canto religioso induziu maior potência delta do que a condição de canto não religioso (p = 0,011). Clique aqui para ver uma versão maior desta figura.

Uma análise post hoc adicional indicou um poder significativamente menor de VFC durante o canto religioso em comparação com a condição de não cantar (ver Figura 5).

figure-results-5
Figura 5: Análise post hoc do estado de repouso sem canto versus condições de canto religioso. A análise mostrou que, em comparação com o estado de repouso sem canto, o canto religioso induziu menor potência total da VFC, menor potência absoluta de alta frequência e menor potência absoluta de frequência muito baixa. Esse valor foi obtido com permissão de Gao et al.1. Clique aqui para ver uma versão maior desta figura.

Os resultados indicam que, em comparação com o canto não religioso, há uma diminuição da centralidade do autovetor no PCC, provavelmente impulsionada por um aumento regional nas oscilações delta endógenas. Essas alterações funcionais são independentes das atividades cardíacas ou respiratórias periféricas e não são desencadeadas pelo processamento implícito da linguagem. Em vez disso, eles parecem estar associados a experiências de bem-aventurança transcendental e uma redução na cognição egocêntrica.

Arquivo suplementar 1: Pipeline de processamento de dados 1. Clique aqui para baixar este arquivo.

Arquivo suplementar 2: Pipeline de processamento de dados 2. Clique aqui para baixar este arquivo.

Discussão

Embora o sistema de EEG de 128 canais usado fosse um sistema de EEG de alta densidade, a resolução espacial do EEG permanece relativamente pobre em comparação com o fMRI, e essa deficiência também afeta a precisão da localização da fonte de EEG, especialmente quando vários candidatos a regiões cerebrais são plausíveis. Assim, a resolução espacial mais profunda e mais alta da ressonância magnética pode aumentar significativamente a precisão espacial da análise da fonte de EEG6 e orientar a seleção dos clusters mais importantes para análise posterior. O presente protocolo utiliza ferramentas de neuroimagem multimodais, incluindo métodos de aquisição e análise de dados de EEG, ECG e fMRI. Ele demonstra uma abordagem abrangente para explorar os correlatos neurofisiológicos do canto religioso e potencialmente outras formas de treinamento mental. Uma etapa crítica no protocolo é a aplicação dos resultados da fMRI na análise da fonte de EEG. A qualidade dos dados de EEG adquiridos continua sendo crucial para a análise e interpretação subsequentes dos resultados. O uso de ICA e k-means clustering na análise de dados de EEG, em conjunto com os resultados de fMRI, permite uma compreensão mais sutil dos dados 7,8. A modulação observada da potência da banda delta durante o canto religioso se alinha com a literatura que sugere que os ritmos delta podem regular o comportamento por meio da sincronização da atividade neural. A onda delta pode promover a atenção focada e uma redução potencial no pensamento autorreferencial associado à rede de modo padrão. Essa atividade delta aumentada, indicativa de estados profundamente restauradores, pode sustentar os efeitos terapêuticos do canto, reforçando o processamento cognitivo e emocional9.

Os resultados deste estudo destacam um aumento significativo na potência da banda delta durante o canto religioso, em comparação com o canto não religioso. Os resultados da fMRI indicam uma forte diminuição na centralidade nas regiões cerebrais associadas ao processamento auto-relacionado10 durante o canto religioso. Os resultados dos dados fisiológicos também demonstram que os efeitos do canto religioso são distintos daqueles do canto não religioso e descartam outros fatores de confusão potenciais, incluindo diferenças devido ao processamento da linguagem ou atividade cardíaca. No geral, os achados implicam um caminho promissor para a aplicação clínica do canto religioso por meio do aconselhamento budista, a fim de facilitar a promoção do "desapego"1,11,12.

As limitações incluem que os dados de fMRI e EEG foram adquiridos de diferentes indivíduos13. Em segundo lugar, dada a considerável variação entre os sujeitos em relação à sua experiência de canto religioso 1,14, seria preferível que todos os indivíduos também tivessem sido submetidos a exames de ressonância magnética funcional. Nossa pesquisa futura terá como objetivo abordar essas limitações e explorar ainda mais os efeitos neurofisiológicos de diferentes práticas religiosas e meditativas.

Apesar dessas limitações, este protocolo é único na combinação de neuroimagem multimodal e ferramentas de medição fisiológica, incluindo dados de EEG, ECG e fMRI, para fornecer uma visão mais abrangente dos correlatos neurofisiológicos do canto religioso. Essa abordagem de neuroimagem multimodal permite uma compreensão mais profunda das práticas religiosas e meditativas, o que não seria possível usando métodos que dependem apenas de um único tipo de dados15,16.

Divulgações

Os autores declaram que não têm interesses financeiros concorrentes.

Agradecimentos

A pesquisa foi apoiada pela National Natural Science
Fundação da China (NSFC.61841704).

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
3.0 T Philips MRI scannerPhilips3.0Tdispositivo de aquisição de dados de ressonância magnética
EEGLABSwartz Center for Computational Neuroscience13.6.5bSoftware de análise de EEG
Sistema de eletroencefalograma (EEG)Electrical Geodesics, Inc. (EGI)GES 200Dispositivo de aquisição de EEG
HRVASRamshur, J.Versão 1Plug-in para EEGLAB para processar dados de ECG
HydroCel GSN 128 canaisElectrical Geodesics, Inc. (EGI)GSN 130EEG cap
iMac 27"AppleVersão 10.8Executando o software Netstation
LabChartADInstrumentsVersão 8Software de aquisição de dados fisiológicos
LIPSIAMax-Planck-Institute for Human Cognitive and Brain CiênciasVersão 2.2.7Software de análise de dados fMRI
MatlabMathWorksR2011aEEGLAB é baseado no Matlab, ferramenta de análise estatística para dados EEG
NetstationElectrical Geodesics, Inc. (EGI)Versão 3Software de aquisição de EEG
PowerLab 8/35ADInstrumentsPL3508Hardware de aquisição de dados fisiológicos
SPSSIBMVersão 27Ferramenta de análise estatística para dados de comportamento e ROI de EEG
PC com WindowsDellVersão 8Executando o software LabChart

Referências

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

Reimpressões e permissões

Etiquetas

Localiza o de Fontes de EEGResson ncia Magn tica FuncionalC rtex Cingulado PosteriorPot ncia da Onda DeltaVariabilidade da Frequ ncia Card acaMapeamento de CentralidadePr ticas Meditativas
Canto religioso e regiões cerebrais auto-relacionadas: um estudo de neuroimagem multimodal
Entre em contato
Recomendar à biblioteca

Privacidade

Termos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos os direitos reservados.