Method Article

Использование энтропии вейвлета для демонстрации того, как практика осознанности увеличивает координацию между нерегулярными церебральными и сердечными действиями

DOI:

10.3791/55455

⸱

May 10th, 2017

 ,  ,  ,  ,  , 
1Centre of Buddhist Studies, The University of Hong Kong, 2Department of Electrical and Electronic Engineering, The University of Hong Kong

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Эта рукопись описывает, как использовать энтропийный индекс вейвлета для анализа данных электроэнцефалографии высокой плотности (ЭЭГ) и электрокардиографии (ЭКГ). Мы показываем, что нерегулярность церебральной и сердечной деятельности стала более скоординированной в практике снижения стресса, основанной на осознанности.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

На Востоке и Западе традиционные учения говорят, что ум и сердце так или иначе тесно связаны, особенно во время духовной практики. Одна трудность в доказательстве этого объективно заключается в том, что природа деятельности мозга и сердца совершенно иная. В этой статье мы предлагаем методологию, использующую энтропию вейвлетов для измерения хаотических уровней данных электроэнцефалограммы (ЭЭГ) и ЭКГ, и покажем, как это можно использовать для изучения потенциальной координации между умом и сердцем в разных экспериментальных условиях , Кроме того, статистическое параметрическое картирование (SPM) использовалось для идентификации областей мозга, в которых энтропия ЭЭГ-вейвлета наиболее подверглась воздействию условий эксперимента. В качестве иллюстрации ЭЭГ и ЭКГ были записаны в двух разных условиях (нормальный отдых и внимательное дыхание) в начале 8-недельного стандартного учебного курса по уменьшению стресса (тренировка) на основе Mindfulness (MBS) и после cOurse (посттест). Используя предложенный метод, результаты последовательно показали, что энцепия вейвлета ЭЭГ головного мозга уменьшалась в течение состояния запоминающего дыхания MBSR по сравнению с вейвлет-энтропией в состоянии покоя с закрытыми глазами. Точно так же была обнаружена энтропия нижнего всплеска сердечного ритма во время осознанного дыхания МБСР. Тем не менее, никакой разницы в энтропии вейвлета при сознательном дыхании MBSR не было обнаружено между предварительным тестированием и посттест-тестированием. Корреляция между энтропией мозговых волн и энтропией сердечных сокращений во время нормального отдыха у всех участников не наблюдалась, в то время как достоверная корреляция наблюдалась при внимательном дыхании МБСР. Кроме того, наиболее хорошо скоррелированные области мозга были расположены в центральных областях мозга. Это исследование дает методологию для установления доказательств того, что практика осознанности ( то есть осознанное дыхание) может увеличить координацию действий ума и сердца.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Благодаря достижениям в области нейронауки и медицины 1 , мы находимся в гораздо лучшем положении, чтобы понять нефармакологические преимущества осознанности и медитации при психических и физических заболеваниях. Многочисленные исследования показали, что тренировка по уменьшению стресса, основанная на осознанности (MBSR) как своего рода умственное упражнение, может активно уменьшать ненужное напряжение в разуме и теле 2 . Во время практики медитации тело и ум могут стать более увлеченными. Эти вопросы вызвали интерес как ученого сообщества, так и широкой общественности, и побудили нас разработать методологию для изучения возможной координации между умом и телом (или, точнее, между мозгом и сердцем) в различных условиях для оценки эффекта Обучения и практики MBSR.

Неравномерность электроэнцефалограмм (ЭЭГ) обычно рассматривается как шум в обычном спектральном анализе ЭЭГ, bUt он может содержать полезную информацию и может быть измерен энтропией сигнала. ЭЭГ-энтропия использовалась в качестве показателя клинических состояний, таких как эпилепсия, болезнь Альцгеймера и анестезия, и некоторые данные свидетельствуют о том, что энтропия ЭЭГ может быть более чувствительной мерой мониторинга состояния мозга, чем традиционный анализ спектра ЭЭГ 3 , 4 . Энтропия давно используется в термодинамике в качестве показателя для описания хаотического состояния системы. Мозговые волны, измеряемые ЭЭГ, известны своей динамической активностью из-за сетей мозга, действующих между порядком и хаосом 5 . Среди различных видов энтропий энтропия вейвлетов предлагает метод расчета энтропии энергий в разных масштабах наблюдений, который хорошо подходит для анализа сигналов ЭЭГ с сильно различающимися особенностями в разных масштабах. Для полностью случайного сигнала относительные энергии на разных уровнях разрешения будутТо же самое, и энтропия достигнет своего максимума. Следовательно, вейвлет энтропия служит мерой хаотической активности в ЭЭГ и может быть использована в качестве показателя для дифференцирования различных состояний ума 6 .

Предыдущие исследования электрокардиограммы (ЭКГ) обеспечивали последовательное свидетельство медитационных изменений в вариабельности сердечных сокращений по сравнению с состояниями до медитации 7 . Сердцебиение регулируется вегетативной (в том числе симпатической и парасимпатической) нервной системой. Вегетативный тон модулируется взаимодействием между ганглием; Синусово-ушной узел; Блуждающие нервы; И мозговых структур высших порядков, таких как продолговатый мозг, инсулина и лимбическая система. Эти структуры образуют иерархическую систему, и ее нелинейная активность может измеряться энтропией 8 . Например, нервные всплески в мозговых структурах высших порядков могут влиять на ритм сердечного ритма 9 .В клинических условиях такие нарушения головного мозга, как эпилептические припадки, нарушают сердечный ритм 10 . Исследование нейрокардиологии также предполагает тесную взаимосвязь между сердцем и мозгом 11 .

Одна из трудностей при изучении связи сигналов мозга и сердца заключается в том, что они различаются по содержанию сигнала и временному масштабу. Следовательно, главная проблема заключается в определении общей меры, которая применима не только к сигналам мозга и сердца, но и имеет смысл для интерпретации в контексте координации ума и тела. В этой статье мы предлагаем использовать энтропию вейвлетов для обнаружения возможной координации между нарушениями в деятельности головного мозга и сердца путем корреляции энтропий ЭЭГ и сигналов сердцебиения, которые затем могут быть оценены посредством эксперимента MBSR.

Поскольку MBSR включает в себя практику осознанности как в теле, так и в уме, мы выдвигаем гипотезу о том, что осознанное дыхание MBSR prActice может влиять не только на активность мозга, но и на сердцебиение. Предыдущие исследования в основном изучали влияние тренировки осознанности и / или практики на мозг или сердце отдельно и на основе различных аспектов; Одновременные изменения в этих двух тесно связанных системах остаются в значительной степени неисследованными. Только в нескольких исследованиях сообщалось о лучшей координации тела и разума после тренировки внимательности 12 . Используя предложенную методологию, репрезентативные результаты и предыдущее исследование 13 показали, что тренировка внимательности MBSR может увеличить координацию тела и ума с точки зрения их хаотической деятельности, которая может предложить новое понимание эффектов тренировки осознанности на центральном и периферическом уровнях Нервной системы.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Это исследование было одобрено Институтом Гонконгской комиссии по обзору институтов. Все участники дали свое письменное информированное согласие до участия в этом исследовании.

1. Экспериментальное проектирование

figure-protocol-1
Таблица 1. Обзор курса MBSR. 8-недельный курс MBSR, проведенный участниками.

  1. Вербовка участников.
    ПРИМЕЧАНИЕ. Одиннадцать здоровых взрослых (пять женщин) из местного курса MBSR приняли участие в этом исследовании ЭЭГ и были 28-52-летними. Участник с депрессией, основанный на Инвентаризации Депрессии Бека, был исключен из исследования. Курс соответствовал стандарту MBSR ( Таблица 1 ), и участники должны были посвятить себя тренировочной структуре.
  2. Система записи ЭЭГ.
    1. Проведите регистрацию ЭЭГ в тихом помещении с использованием 128-канальной ЭЭГСостоящий из крышки ЭЭГ, усилителя, напорного ящика и настольного компьютера.

2. Сбор данных ЭЭГ и ЭКГ

ПРИМЕЧАНИЕ. Сбор данных ЭЭГ осуществлялся по стандартной процедуре, аналогичной описанной ранее 14 . Попросите каждого участника вымыть его волосы и скальп, прежде чем приходить на место эксперимента. Сообщите участнику об экспериментальных процедурах, главным образом, что он / она будет нормально отдыхать в течение 10 минут и делать осознанное дыхание еще на 10 минут при записи с помощью электроэнцефалограмм и электрокардиограмм.

  1. Очистите область лица и сосцевидную часть участника спиртовыми тампонами.
  2. Используя измерительную ленту, измерьте окружность головы участника и затем выберите колпачок соответствующего размера. Сделайте одно измерение от нации до луковицы и другое измерение через верхнюю часть ушей и по коже головы. Отметьте вершину (точка на середине расстояния между нацией иD inion и mid-distance между двумя ушами) с мягким маркером.
  3. Установите положения электродов в соответствии с 10-5 электродными системами 15 . Расположите колпачок таким образом, чтобы электрод Cz находился над вершиной, электрод Nz находился на наазисе, электрод Lz находился на входе, электрод RM находился справа от сосцевидного отростка, а электрод LM находился слева от сосцевидного отростка ,
    1. Поместите электроды ЭКГ как в левую, так и в правую внутричерепные ямки.
    2. Заполните держатели электродов гелем с помощью шприца с тупой точкой.
    3. Сопротивление должно составлять менее 20 кОм для каждого электрода. Уменьшите сопротивление, отрегулировав расположение электродов, чтобы увеличить контакт с кожей головы; Добавьте больше геля, если необходимо.
    4. Затяните подбородник и попросите участника не двигаться.
    5. Установите частоту дискретизации устройства ЭЭГ на 1000 Гц. Используйте левую сосцевидную часть в качестве исходной опорной точки.
  4. Запишите данные ЭЭГ (шаг 1.2.1) в начале курса MBSR (в течение 2 недель).
    1. Попросите участника выполнить краткое сканирование тела, чтобы расслабить все тело. Попросите участника обратить внимание на его / ее дыхание во время вдоха и выдоха. Проводите каждый участник 10 мин тренировочного дыхания MBSR (состояние осознанности MBSR) и 10 минут нормального отдыха (контрольное условие) во время сбора данных ЭЭГ. Это создает набор данных для подготовки к MBSR с двумя условиями.
      ПРИМЕЧАНИЕ: уравновешивайте последовательность осознанного дыхания и нормального отдыха среди участников.
  5. Запишите данные ЭЭГ снова примерно через 1 месяц после того, как участники пройдут курс MBSR.
    1. Попросите каждого участника выполнить 10 минут внимательного дыхания и 10 минут нормального отдыха во время сбора данных ЭЭГ. Это создает учебный набор данных после MBSR с двумя условиями.

3. Анализ данных ЭЭГ и ЭКГ

ПРИМЕЧАНИЕ. Первые четыре шагаДля предварительной обработки данных, а остальные этапы - для вычисления энтропии вейвлетов и корреляционного анализа. Здесь для анализа ЭЭГ использовалось программное обеспечение с открытым исходным кодом EEGLAB 16 , но операции должны быть похожими для разных программ. Далее в качестве примера будут приведены операции, основанные на EEGLAB. Подробнее см. В руководстве EEGLAB (https://sccn.ucsd.edu/wiki/EEGLAB_Wiki#EEGLAB_Tutorial).

  1. Используйте программное обеспечение EEG для пересчета данных на частоте 250 Гц, выбрав «Инструменты»> «Изменить частоту дискретизации». Используйте фильтр с конечной импульсной характеристикой (FIR) для полосовой фильтрации с полосой пропускания 0,5-100 Гц, выбрав «Инструменты»> «Фильтрация данных»> «Основной фильтр КИХ».
    1. Чтобы снизить уровень шума из-за переменного переменного тока в конкретной стране, используйте короткий нелинейный фильтр с бесконечной импульсной характеристикой (IIR) для режекторной фильтрации с полосой запирания 47 - 53 Гц, выбрав «Инструменты»> «Фильтрация данных»> «Короткие нелинейныеIIR-фильтр. Это охватывает все соответствующие частоты в спектральном анализе, удаляя ненужные шумы.
  2. Используйте программное обеспечение EEG для визуального прокручивания и проверки сигнала ЭЭГ, выбрав «Plot»> «Данные канала» (прокрутка).
    1. Определите и удалите сегменты ЭЭГ, которые содержат явный мышечный шум и любые другие странные события. Щелкните левой кнопкой мыши и перетащите указатель мыши над плохими сегментами, чтобы выделить их, а затем «удалить» или «отклонить» сегменты с помощью программного обеспечения ЭЭГ.
      ПРИМЕЧАНИЕ. Мышечные активности, такие как глотание или выражение лица, часто создают прерывистые и нерегулярные сигналы. Странные события обычно вызываются движениями головы или тела, которые часто приводят к значительным сдвигам (на низких частотах) сигнала ЭЭГ.
    2. Определите, есть ли плохой канал. Реконструируйте каждый плохой канал, используя метод сферической интерполяции, выбрав «Инструменты»> «Интерполировать канал».
  3. Используйте программное обеспечение EEG для выполнения InЗависимый компонентный анализ 17 (ICA) для данных, выбрав «Инструменты»> «Выполнить ICA». Попросите опытного оператора ЭЭГ визуально идентифицировать и отбросить компоненты движения глаз и мигания, движения мышц и компоненты других возможных помех, выбрав «Инструменты»> «Отклонить данные с помощью ICA»> «Отклонить компоненты по карте»; Инструменты> Удалить компоненты. Программное обеспечение EEG автоматически восстановит данные, используя сохраненные компоненты.
  4. Используйте программное обеспечение EEG для пересчета данных в среднем по всем каналам перед дальнейшим анализом, выбирая Tools> Re-reference.
  5. Спектральный анализ.
    1. Используйте функцию командной строки EEG «spectopo» для вычисления спектров ЭЭГ с использованием оценки спектральной плотности мощности Уэлша 18 и получения логарифмической мощности (дБ) дельта (1 - 4 Гц), тета (4 - 8 Гц), альфа ( 8 - 12 Гц), бета (12-30 Гц) и гамма (30 - 80 Гц) волн.
    2. Вычислить относительную poДля каждого типа волны 18 ( т.е. доля мощности в соответствующем частотном диапазоне относительно общей мощности спектра).
  6. Проведите анализ источника ЭЭГ с использованием подхода статистического параметрического картографирования (SPM).
    1. Используйте оценку минимальной нормы 19 для преобразования сигналов ЭЭГ электродов скальпа в сигналы 3D-источника мозга.
      ПРИМЕЧАНИЕ. Здесь исходный номер канала был 122, и он был преобразован в 8196 каналов, распределенных в трехмерной модели мозга. Уровень значимости был установлен при p = 0,01. Пожалуйста, обратитесь к анализу источника в руководстве по SPM (www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf).
  7. Вычислите энтропию вейвлета для каждого канала ЭЭГ (а также для оцененного трехмерного сигнала источника мозга), используя следующую процедуру:
    1. Учитывая сигнал figure-protocol-2 ,Вычислить вейвлет-коэффициенты как figure-protocol-3 , где figure-protocol-4 Является ортонормированным базисом семейства вейвлетов Хаара и figure-protocol-5 Представляет уровни разложения ( N = 10 в этом исследовании).
    2. Определите относительную энергию как figure-protocol-6 , с figure-protocol-7 ,
    3. Вычислить энтропию вейвлета как figure-protocol-8 , Среднее значение энтропии вейвлета для всех каналов для получения энтропии ЭЭГ-всплеска для каждого участника.
  8. Используйте программный пакет для выполнения пикового анализа данных ЭКГ для получения сигнала сердцебиения, который состоит из числа пиков волны ЭКГ и интервала между пиками.
    ПРИМЕЧАНИЕ. ПредполагаяНормальный сердечный ритм 60-100 уд / мин как в нормальном состоянии покоя, так и в состоянии осознанного дыхания, число экземпляров сердцебиения N в течение 10 мин должно быть относительно небольшим, удовлетворяющим 600 < N <1000.
    1. Чтобы получить надежную вейвлет-энтропию из сигнала сердцебиения, используйте скользящее окно из 500 точек и шаг в 10 точек для вычисления серии энтропий вейвлетов, используя ту же процедуру, что и для ЭЭГ, разработанную в разделе 3.7. Используйте среднее значение в качестве конечной энтропии вейвлета.
  9. Проанализируйте взаимосвязь мозга и сердца между субъектами между энтропией всплеска ЭКГ и ЭЭГ на каждом канале скальпа с помощью любого статистического программного обеспечения, имеющего корреляционную функцию Пирсона.
    1. Используйте функцию командной строки EEG «topoplot», чтобы построить статистическую карту скаля для корреляции. Постройте график линейной корреляции с энтропией сердечного ритма и средней энтропией ЭЭГ только тех чаNnels, которые значительно коррелируют с энтропией сердец (см. Раздел Представитель результатов).

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Спектральный анализ

В спектральном анализе данных ЭЭГ по сравнению с нормальным отдыхом были улучшены альфа (8-12 Гц) и бета (12-30 Гц) и уменьшенные волны дельты (1 - 4 Гц) во время осознанного дыхания МБСР. Приращение альфа-волн было глобально значимым, особенно в лобной и затылочной долях, тогда как увеличение бета-волн было главным образом в лобной доле. В центрально-теменных областях отмечались пониженные дельта-волны ( рис. 1 ). Тем не менее, мы не обнаружили существенных изменений между подготовкой до и после тренинга.

figure-results-1
Рисунок 1. Спектральный анализ MBSR. Осознанное дыхание и нормальные условия отдыха. Спектральный анализ показывает, что практика МБСР может изменять деятельность головного мозга, о чем свидетельствуют различныеСпектров ЭЭГ. Источник: Ссылка 13 . Нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 2 иллюстрирует область, представляющую интерес: затылочная доля (каналы N19 - 21, N41 - 46, N67 - 72, N96 - 100 и N119), средняя лобная доля (каналы N53 - 61 и N79 - 83) и Средней теменной доле (каналы N48 - 50, N64 - 66, N74 - 76). В таблице 2 приведены мощности каждого спектра и энтропии в соответствии с внимательным дыханием MBSR и нормальными условиями покоя, а также p -значение t -критерия различия между двумя условиями для каждой интересующей области. Мы объединили данные ЭЭГ по подготовке и после тренинга, так как между ними не было различий.


Рисунок 2. Определенный регион интересов. Определенные области каналов ЭЭГ, которые представляют среднюю лобную долю, среднюю теменную долю и затылочную долю. Нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
дельта Theta Альфа Бета Гамма Энтропия
Средняя лобная доля MBSR 18,96 ± 3,10 22,29 ± 5,86 30,90 ± 7,76 0,12 ± 43,77 -467,25 ± 79,48 0,753 ± 0,060
Отдых 22,40 ± 6,56 22,76 ± 5,98 26,91 ± 7,14 -7,11 ± 42,27 -449.76 ± 102.92 0,785 ± 0,066
р-значение 0,0243 0,6555 0,0085 0,0114 0,4419 0,0084
Затылочная доля MBSR 15,39 ± 3,30 17,91 ± 6,53 33,38 ± 6,50 -8,03 ± 40,72 -466,23 ± 61,46 0,719 ± 0,048
Отдых 19,82 ± 6,32 20,38 & plusmn; 8,11 29,73 ± 5,30 -11,62 ± 40,22 -439,03 ± 102,81 0,763 ± 0,055
р-значение 0,0134 0,1213 0,0125 0,0796 0,8936 0,0098
Париетальная доля MBSR 17,95 ± 3,60 19,46 ± 6,54 32,84 & plusmn; 6,68 2,68 ± 38,23 -487,72 ± 104,13 0,738 ± 0,072
Отдых 21,24 ± 6,37 21,16 ± 8,00 29,79 ± 6,60 -1,27 ± 34,42 -490,01 ± 123,83 0,764 ± 0,075
р-значение 0,0157 0,0963 0,0177 0,1507 0,2878 0,0368

Таблица 2. Спектр и энтропия в разных областях мозга. Запоминающее дыхание MBSR и нормальные условия покояСравниваются между тремя предопределенными областями интересов (ROI).

Вейвлет-энтропийный анализ

Анализ вейвлет энтропии ЭЭГ показал снижение энтропии ЭЭГ во время осознанного дыхания МБСР по сравнению с нормальным отдыхом, как для подготовки до, так и после тренировки. Поскольку между этими двумя этапами не было существенной разницы, они были объединены для получения усредненной карты (показана в третьей строке рисунка 3 ). Основные области со сниженной энтропией были у лобной доли и париетально-затылочной доли.

figure-results-2
Рисунок 3. Вейвлет-энтропийный анализ. Отдых 1 и MBSR 1 означают обучение перед MBSR, тогда как Rest 2 и MBSR 2 означают обучение после MBSR. Анализ энтропии вейвлета показывает, что практика MBSR может уменьшить неравномерностьЭлектронная деятельность мозга. Источник: Ссылка 13 . Нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Анализ источников вейвлет-энтропии

Исходный анализ сигналов ЭЭГ может улучшить пространственное разрешение путем деконволюции ЭЭГ скальпа в электрическую активность по поверхности коры 20 . Анализ показывает, что основные области головного мозга, затронутые тренировкой осознанности МБСР, находились в левой средней части затылочной доли, переднем крае, верхней височной доле и левом веретеновидном ( рис. 4 ). В таблице 3 для четырех анатомических меток, полученных из исходного анализа, мы предоставляем t- результаты для разности энтропий двух разных состояний, состояния осознанности MBSRПротив нормального отдыха.

figure-results-3
Рисунок 4. Анализ исходного кода. Исходный анализ показывает, что энтропии различных областей головного мозга (выделены красным цветом) уменьшаются в течение состояния запоминания состояния MBSR. Нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Анатомическая этикетка вокселей X, y, z т-значение
Средняя височная извилина L 1728 -44 -60 16 3,77
Precuneus R 1324 2 -56 28 3,63
Затылочный L +749 -2 -102 -12 3,61
Веретенообразный L 142 -102 3,51

Таблица 3. Отчет об анализе исходного кода. Анатомические области мозга со значительными различиями в энтропии между осознанным дыханием МБСР и нормальными условиями покоя. L, левая часть мозга. R, правая сторона мозга ( p <0,001, t- тест, нескорректированная).

Энтропия вейвлета сердечного ритма

Анализ не выявил значимой разницы в среднем сердечном ритме, но энтропия сердечных сокращений была ниже в течение осознанного дыхания MBSR, как до, так и после тренировки по методу MBSR ( таблица 4 ).

Rest1 MBSR1 Rest2 MBSR2
Частота сердечных сокращений (ударов в минуту) 68,2 & plusmn; 9,5 67,7 ± 9,3 71,8 & plusmn; 8,1 70,7 & plusmn; 8,4
Энтропия вейвлета сердечного ритма 0,89 ± 0,05 0,79 ± 0,11 * 0,89 ± 0,07 0,80 ± 0,12 #

Таблица 4. Энтропия волнового импульса Heartrate и Heartrate в MBSR. Осознанное дыхание и нормальные условия отдыха. Эти два условия сравниваются как на подготовительном, так и на послеуниверситетском уровнях. * Значительная разница ( p <0,05) между Rest 1 и MBSR 1. # Значимая разница ( p <0,05) между Rest 2 и MBSR 2.

корреляцияМежду сердечной деятельностью и мозгом

Учитывая потенциальную связь между мозгом и сердцем, мы проанализировали корреляцию между энцепией ЭЭГ всего головного мозга ( то есть средним значением энтропии ЭЭГ по всем каналам ЭЭГ для одного субъекта) и энтропией сердец во время осознанного дыхания MBSR и нормальных покоящихся состояний , Энтропии головного мозга и сердца были значительно коррелированы во время осознанного дыхания MBSR, но не во время нормального отдыха. Как показано в верхней части рисунка 5 , значимость корреляции между энтропией ЭЭГ в каждом канале и энтропией сердец наиболее заметна в центральной части мозга. Нижний график показывает корреляцию между энтропией ЭЭГ в центральных областях (в среднем по тем пунктирным каналам, которые значительно коррелируют с энтропией сердец) и энтропией сердец.


Рисунок 5. Соотношение между вейвлет-энтропиями электронной деятельности сердца и мозга. Вейвлет энтропия активности мозга представляет собой среднее значение значимых каналов в центральной области, как показано на правом верхнем рисунке. Вейвлет энтропия сердца основана на интервале сердечных сокращений. Корреляция (нижняя панель) вычисляется по всем предметам как для результатов подготовки, так и для подготовки после тренинга. Источник: Ссылка 13 . Нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Это исследование ЭЭГ дает конкретные доказательства того, что, по сравнению с нормальным отдыхом, внимательное дыхание MBSR усиливает альфа-волны в лобной и затылочной долях. Это соответствует большинству сообщений об увеличении альфа-волн во время медитации, особенно у новичков 21 . Альфа-волны обычно указывают состояние возбуждения и бдительности и свободу от какой-либо конкретной задачи. Такое психическое состояние является одной из целей медитации; То есть, сохраняя ум чистым и острым, свободным от полетов фантазии или от засыпания. Усиленная синхронизация альфа-волны во время практики MBSR может также улучшить координацию между умом и телом 22 .

Электронная деятельность большого количества нейронов в мозге формирует нелинейную иерархическую систему, и ее неравномерность может быть хорошо измерена энтропией 8 . Мы обнаружили, что во время практики МБСР нерегулярность мозгаOnic уменьшилась по большей части ЭЭГ скальпа, особенно в лобных и двусторонних затылочных областях мозга. Дальнейший исходный анализ энтропии вейвлета показал, что нерегулярность затылочной и пресинусной активности снижалась во время практики МБСР. Другие области включают правую середину cingulate и верхнюю височную долю. Это согласуется с другим исследованием, которое указывает на то, что серое вещество увеличивается в предварительном зубе после тренировки MBSR 23 . У продвинутых практикующих медитацию обычно есть более высокие парието-затылочные ЭЭГ-гамма волны во время небыстрого сна глазного движения 1 . Одной из важных особенностей обучения MBSR является недискриминация потока информации «мозг / мозг». Это может потенциально уменьшить нерегулярность деятельности головного мозга. Поскольку основным источником информации в головном мозге является зрительная кора, представляется правдоподобным, что области мозга, связанные с визуальным изображением, в большей степени подвержены воздействию практики МБСР, чем другие регионынс. Это позволяет уму становиться менее отзывчивым к нерелевантной информации и уделять больше внимания внимательному дыханию.

Вейвлет-энтропийный анализ показал меньшую нерегулярность сердечного ритма при внимательном дыхании по сравнению с нормальным состоянием покоя, что подразумевает более утонченный баланс автономной нервной системы из-за относительно непоколебимого взаимодействия между парасимпатической и симпатической тонами. Внимательное дыхание может также влиять на сердечный ритм, потому что легочные сенсорные афференты посылают тормозные выступы сердечным вагусным моторным нейронам в середине мозга, которые подавляют сердечный ритм через блуждающий нерв 24 . Кардиореспираторное взаимодействие опосредуется мозговой стеной и лимбической системой в мозге 25 . Учитывая связь между центральной нервной системой и сердечной деятельностью, вполне вероятно, что, тренируя ум, МБСР или другие практики медитации также могут влиять на другие функции организма, такие какСброс чувствительности барорефлекса, улучшение эффективности газообмена в легких и балансирование вегетативной нервной системы 26 .

Связь между разумом и телом подчеркивается во многих восточных традициях. В этом отношении наше исследование дает первое объективное свидетельство в терминах энтропии. Неправильности деятельности головного мозга и сердца стали более скоординированными во время практики МБСР, и координация была наибольшей в двусторонних соматосенсорных регионах. Этот регион непосредственно отвечает за сенсорный ввод и движение тела, и эта усиленная координация подразумевает большее осознание тела во время практики МБСР. Было обнаружено, что тренировка внимательности увеличивает активность висцеросоматических областей в исследовании функциональной МРТ, которое имеет лучшее пространственное разрешение, чем ЭЭГ 27 . Наши результаты показывают, что мозг и сердце могут стать более вовлеченными во время практики МБСР, выгружая ненужную энтропию в системе Up class = "xref"> 28. Поскольку сердцебиение регулируется вегетативной нервной системой, где вегетативный тон модулируется взаимодействием между ганглием; Синусово-ушной узел; Блуждающие нервы; И мозговых структур высших порядков, таких как продолговатый мозг, инсул и лимбическая система, автономная и центральная нервная системы могут стать более скоординированными во время практики МБСР.

Одним из важных шагов в таком исследовании, как наш, является выбор правильного индекса энтропии для измерения неравномерности ЭЭГ и ЭКГ. В отличие от Рену Мадхави и др ., Которые использовали приближенную энтропию 29 , мы решили использовать энтропию вейвлетов, чтобы сосредоточиться на сложности среди энергий в разных масштабах. Поскольку электронная деятельность мозга происходит из огромного количества нейронов, которые имеют разные характеристики в разных масштабах и спектрах, энтропия вейвлета должна быть более подходящей для измерения неравномерности ЭЭГ> 30. Аналогичным образом, мгновенное сердцебиение также имеет различные особенности в разных временных масштабах, поэтому разумно применять энтропию вейвлетов к ЭКГ 31 . Кроме того, энтропия Шеннона и приближенная энтропия чувствительны к частоте дискретизации, а приближенная энтропия требует больших периодов вычислений, которые экспоненциально возрастают с длиной данных, это в дополнение к вычислению в исходном пространстве.

Стоит отметить ряд ограничений нынешнего исследования. Во-первых, пространственное разрешение ЭЭГ скальпа относительно плохое, несмотря на его высокое временное разрешение. Для решения этой проблемы в нашем исследовании был использован исходный анализ. Реконструкция источника ЭЭГ представляет собой некорректную задачу, и альтернативный подход состоит в том, чтобы иметь пространственные приоры из предыдущих функциональных исследований магнитно-резонансной томографии (МРТ), которые могут помочь улучшить точность реконструкции 32 , 33 . Другим ограничением является tМежду субъектами оценивалась координация между деятельностью мозга и сердца; Внутрикорпоративная координация остается в будущем. Кроме того, энтропия ЭКГ не происходит непосредственно из сигнала ЭКГ, а скорее из интервала сердечных сокращений, так как амплитуда ЭКГ может сильно зависеть от положения электрода и сопротивления кожи, и, следовательно, она не сопоставима между испытуемыми.

Предыдущие исследования обычно выполняли спектральный анализ сигнала ЭЭГ, отклоняя нерегулярность в ЭЭГ как шум. Напротив, мы предлагаем использовать вейвлет-энтропию как более чувствительный показатель для измерения хаотической электронной активности мозга как отражение состояния ума. Предложенная методология дает объективное свидетельство традиционного предположения, что разум и сердце более координируются во время медитации.

Поскольку энтропия вейвлета может контролировать состояние медитации достаточно чувствительно, она может использоваться в ментальных trainiТак же, как энтропия используется в клинической практике для измерения уровня анестезии во время операции. Используя индекс, подобный энтропии вейвлета, беспроводные устройства ЭЭГ можно использовать для удобного наблюдения за ежедневной медитативной практикой человека или другой психологической подготовкой в ​​образовательных целях. Тем не менее, поскольку беспроводная ЭЭГ обычно только стабильно измеряет каналы на лбу, нам необходимо исследовать, достаточно ли чувствительны эти каналы, чтобы контролировать состояние ума.

Критические этапы этой процедуры включают поддержание скин-импеданса для каждого электрода низким для лучшего качества сигнала и меньшего шума; Надлежащим образом и надлежащим образом проводить обучение МБСР; Обеспечение хорошего, не утомляемого психического состояния перед экспериментом, поскольку медитация требует большой энергии; Выбор правильного энтропийного индекса (энтропия вейвлетов); И быть знакомым с источниковым анализом СЗМ данных ЭЭГ.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Авторы заявляют, что у них нет конкурирующих финансовых интересов.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Это исследование было поддержано фондом SPF-201209176152 в Университете Гонконга. Мы благодарим доктора Хелен Ма за то, что она преподавала курс и набирала участников MBSR.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Synamps 2/RT 128-канальный EEG/EP/ERPКомпумедики NeuroScanModel 8050Усилители и
регистрация ЭЭГ
Электроды Quik-CapEEG 128Компумедики НейроСканЭЭГ колпачки
Quik-GelКомпумедики НейроСканПроводящий электродный гель
EEGLABЦентр вычислительной нейробиологииПрограммное обеспечение для анализа ЭЭГ
Matlab R2011aMathWorksEEGLAB основан на
программном обеспечении для анализа источников источников нейровизуализацииSPMWellcome Trust
Шварца ЭЭГ Matlab Centre

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Ferrarelli, F., et al. Experienced mindfulness meditators exhibit higher parietal-occipital EEG gamma activity during NREM sleep. Plos One. 8 (8), e73417(2013).
  2. Grossman, P., Niemann, L., Schmidt, S., Walach, H. Mindfulness-based stress reduction and health benefits: a meta-analysis. J. Psychosom. Res. 57 (1), 35-43 (2004).
  3. Abasolo, D., et al. Analysis of regularity in the EEG background activity of Alzheimer's disease patients with approximate entropy. Clin. Neurophysiol. 116 (8), 1826-1834 (2005).
  4. An approach to absence epileptic seizures detection using approximate entropy. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Giannakakis, G., et al. , Conference proceedings 413-416 (2013).
  5. Kitzbichler, M. G., Smith, M. L., Christensen, S. R., Bullmore, E. T. Broadband criticality of human brain network synchronization. Plos Comput. Biol. 5 (3), e1000314(2009).
  6. Quiroga, R. Q., Rosso, O. A., Basar, E., Schurmann, M. Wavelet entropy in event-related potentials: a new method shows ordering of EEG oscillations. Biol. Cybern. 84 (4), 291-299 (2001).
  7. Peng, C. K., et al. Exaggerated heart rate oscillations during two meditation techniques. International J. Cardiology. 70 (2), 101-107 (1999).
  8. Vadigepalli, R., Doyle, F. J., Schwaber , J. S. Analysis and neuronal modeling of the nonlinear characteristics of a local cardiac reflex in the rat. Neural Comput. 13 (10), 2239-2271 (2001).
  9. Pokrovskii, V. M. Integration of the heart rhythmogenesis levels: heart rhythm generator in the brain. J. Integr. Neurosci. 4 (2), 161-168 (2005).
  10. Wolber, T., Namdar, M., Duru, F. Heart obeys the brain: seizure ceases cardiac rhythm. PACE. 33 (8), e72-e75 (2010).
  11. van der Wall, E. E., van Gilst, W. H. Neurocardiology: close interaction between heart and brain. Neth. Heart J. 21 (2), 51-52 (2013).
  12. Tang, Y. Y., et al. Central and autonomic nervous system interaction is altered by short-term meditation. Proc. Natl. Acad. Sci. USA. 106 (22), 8865-8870 (2009).
  13. Gao, J. L., et al. Entrainment of chaotic activities in brain and heart during MBSR mindfulness training. Neurosci. Lett. 616, 218-223 (2016).
  14. Slotnick, S. D. High density event-related potential data acquisition in cognitive neuroscience. J. Vis. Exp. (38), (2010).
  15. Jurcak, V., Tsuzuki, D., Dan, I. 10/20, 10/10, and 10/5 systems revisited: their validity as relative head-surface-based positioning systems. Neuroimage. 34 (4), 1600-1611 (2007).
  16. Delorme, A., Makeig, S. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. J. Neurosci. Methods. 134 (1), 9-21 (2004).
  17. Hyvarinen, A., Oja, E. Independent component analysis: algorithms and applications. Neural Netw. 13 (4-5), 411-430 (2000).
  18. Welch, P. D. The use of fast Fourier transform for the estimation of power spectra: a method based on time averaging over short, modified periodograms. IEEE Transactions on Audio and Electroacoustics. 15 (2), 70-73 (1967).
  19. Hamalainen, M. S., Ilmoniemi, R. J. Interpreting magnetic-fields of the brain: minimum norm estimates. Med. Biol. Eng. Comput. 32 (1), 35-42 (1994).
  20. Lee, T. M., et al. Distinct neural activity associated with focused-attention meditation and loving-kindness meditation. Plos One. 7 (8), e40054(2012).
  21. Kim, D. K., Rhee, J. H., Kang, S. W. Reorganization of the brain and heart rhythm during autogenic meditation. Front. Integr. Neurosci. 7, 109(2014).
  22. Hebert, R., Lehmann, D., Tan, G., Travis, F., Arenander, A. Enhanced EEG alpha time-domain phase synchrony during transcendental meditation: implications for cortical integration theory. Signal Process. 85 (11), 2213-2232 (2005).
  23. Kurth, F., Luders, E., Wu, B., Black, D. S. Brain gray matter changes associated with mindfulness meditation in older adults: an exploratory pilot study using voxel-based morphometry. Neuro. 1 (1), 23-26 (2014).
  24. West, J. B., West, J. B. Pulmonary pathophysiology--the essentials. , 5th edn, Williams & Wilkins. (1998).
  25. Clark, M. T., et al. Breath-by-breath analysis of cardiorespiratory interaction for quantifying developmental maturity in premature infants. J. Appl. Physiol. 112 (5), 859-867 (2012).
  26. Phongsuphapa, S., Pongsupap, Y., Chandanamattha, P., Lursinsap, C. Changes in heart rate variability during concentration meditation. Int. J. of Cardiol. 130 (3), 481-484 (2008).
  27. Farb, N. A. S., et al. Attending to the present: mindfulness meditation reveals distinct neural modes of self-reference. Soc. Cogn. Affect. Neur. 2 (4), 313-322 (2007).
  28. Fingelkurts, A. A., Fingelkurts, A. A., Neves, C. E. H. Natural world physical, brain operational, and mind phenomenal space-time. Phys. Life Rev. 7 (2), 195-249 (2010).
  29. Renu Madhavi, C., Ananth, A. G. Estimation of approximate entropy of heart rate variability of healthy subjects and investigation of the effect of meditation on it. International Conference on Signal Acquisition and Processing: ICSAP 2010, Proceedings. , 304-306 (2010).
  30. Ocak, H. Automatic detection of epileptic seizures in EEG using discrete wavelet transform and approximate entropy. Expert Syst. Appl. 36 (2), 2027-2036 (2009).
  31. Alcaraz, R., Rieta, J. J. Application of wavelet entropy to predict atrial fibrillation progression from the surface ECG. Comput. Math Method M. , (2012).
  32. Sun, D. L., Lee, T. M. C., Wang, Z. X., Chan, C. C. H. Unfolding the spatial and temporal neural processing of making dishonest choices. Plos One. 11 (4), (2016).
  33. Sun, D. L., Lee, T. M. C., Chan, C. C. H. Unfolding the spatial and temporal neural processing of lying about face familiarity. Cereb. Cortex. 25 (4), 927-936 (2015).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Wavelet EntropyEEG AnalysisECG AnalysisMindfulness PracticeStatistical Parametric MappingIndependent Component AnalysisBand pass FilteringNotch FilteringSpherical InterpolationMindful Breathing

Related Articles