Summary
Dette manuskript beskriver, hvordan man bruger wavelet entropi indekset til at analysere data med høj densitet elektroencefalografi (EEG) og elektrokardiografi (EKG). Vi viser, at uregelmæssigheden af cerebrale og hjerteaktiviteter blev mere koordineret under mindfulness-baseret stressreduktionspraksis.
Abstract
I både øst og vest siger traditionelle lære at sindet og hjertet er en eller anden måde tæt korreleret, især under åndelig praksis. Et problem med at bevise dette objektivt er, at hjernens og hjerteaktiviteten er helt anderledes. I dette papir foreslås en metode, der bruger wavelet entropi til at måle de kaotiske niveauer af både elektroencefalogrammet (EEG) og elektrokardiogramdata (EKG) og vise, hvordan dette kan bruges til at undersøge den potentielle koordinering mellem sindet og hjertet under forskellige eksperimentelle forhold . Desuden blev Statistisk Parametrisk Kortlægning (SPM) brugt til at identificere hjerneområderne, hvor EEG-wavelet entropi var mest ramt af forsøgsbetingelserne. Som en illustration blev EEG og EKG registreret under to forskellige forhold (normal hvile og opmærksom vejrtrækning) i begyndelsen af et 8-ugers standard Mindfulness-Based stress reduction (MBSR) træningsforløb (pretest) og efter cVores (posttest). Ved hjælp af den foreslåede metode viste resultaterne konsekvent, at wavelet entropien i hjernens EEG faldt under MBSR-sindssynet vejrtrækningstilstand sammenlignet med det i lukkede øjne hvilestatus. Tilsvarende blev der fundet en lavere wavelet entropi af hjertefrekvens under MBSR opmærksom vejrtrækning. Imidlertid blev der ikke fundet nogen forskel i wavelet entropi under MBSR opmærksom vejrtrækning mellem pretest og posttest. Der blev ikke observeret nogen korrelation mellem entropi af hjernebølger og entropi af hjertefrekvens under normal hvile hos alle deltagere, hvorimod en signifikant korrelation blev observeret under MBSR-opmærksom vejrtrækning. Derudover var de mest velkorrelerede hjerneområder placeret i hjernens centrale områder. Denne undersøgelse giver en metode til at bevise, at mindfulness praksis ( dvs. opmærksom vejrtrækning) kan øge koordineringen mellem sind og hjerteaktiviteter.
Introduction
Med fremskridt inden for neurovidenskab og medicin 1 er vi i en langt bedre position til at forstå de ikke-farmakologiske fordele ved mindfulness og meditation på mentale og fysiske sygdomme. Talrige undersøgelser har vist, at Mindfulness-Based Stress Reduction (MBSR) træning som en slags mental træning aktivt kan reducere unødvendig stress i sindet og kroppen 2 . Under øvelsen af meditation kan kroppen og sindet blive mere medvirket. Disse spørgsmål har tiltrukket både det akademiske samfunds og offentligheden interesse og har motiveret os til at designe en metode til at undersøge muligheden for koordinering mellem sind og krop (eller mere specifikt mellem hjernen og hjertet) under forskellige forhold for at vurdere effekten Af MBSR træning og praksis.
Uregelmæssigheden af elektroencefalogrammer (EEG) betragtes normalt som støj i den konventionelle EEG-spektrumanalyse, bUd det kan indeholde nyttig information og kan måles ved signal entropi. EEG entropi er blevet anvendt som et indeks for kliniske tilstande som epilepsi, Alzheimers sygdom og anæstesi, og nogle beviser tyder på, at entropi af EEG kan være en mere følsom foranstaltning til overvågning af hjernestater end den traditionelle EEG spektrumanalyse 3 , 4 . Entropi har længe været anvendt i termodynamik som et indeks for at beskrive systemets kaotiske tilstand. Hjernens bølger målt ved EEG er kendt for deres dynamiske aktivitet på grund af hjernenetværk, der virker mellem orden og kaos 5 . Blandt de forskellige entropier tilbyder wavelet entropi en metode til at beregne entropi af energier under forskellige observationsskalaer, som er velegnet til at analysere EEG signaler med meget varierede funktioner i forskellige skalaer. For et fuldstændigt tilfældigt signal vil de relative energier ved forskellige opløsningsniveauer væreSamme, og entropien vil nå sit maksimum. Derfor fungerer wavelet entropien som et mål for kaotiske aktiviteter i EEG og kan bruges som et indeks til differentiering af forskellige sindstilstande 6 .
Tidligere elektrokardiogramstudier (ECG) gav konsistente beviser for meditationsrelaterede ændringer i hjertefrekvensvariationen sammenlignet med præmeditationssituationer 7 . Heartbeat reguleres af det autonome (herunder det sympatiske og parasympatiske) nervesystem. Den autonome tone moduleres af interaktioner mellem ganglion; Sino-auricular knudepunkt; Vagus nerver; Og højere ordens hjerne strukturer, såsom medulla oblongata, insula og limbic systemet. Disse strukturer danner et hierarkisk system, og dets ikke-lineære aktivitet kan måles gennem entropi 8 . For eksempel kan de neurale udbrud i højere ordens hjernestrukturer påvirke hjerte-rytmen 9 .I kliniske tilstande forstyrrer hjernesygdomme som epileptiske anfald hjerterytmen 10 . Neurokardiologisk forskning foreslår også et tæt samspil mellem hjerte og hjerne 11 .
Et problem ved at undersøge sammenhængen mellem hjerne og hjerte signaler er, at de er helt forskellige i signalindhold og tidsskala. Derfor er en stor udfordring at identificere en fælles foranstaltning, der ikke kun gælder både hjernens og hjertesignalerne, men også betydningsfuld for fortolkning i forbindelse med koordinering af sind-krop. I dette papir foreslår vi brugen af wavelet entropi til at detektere mulig koordinering mellem uregelmæssigheder i hjerne- og hjerteaktivitet ved at korrelere entropierne af EEG- og hjerteslagsignaler, som derefter kan vurderes ved hjælp af et MBSR-eksperiment.
Fordi MBSR involverer mindfulness praksis i både krop og sind, antager vi, at MBSR opmærksom vejrtrækning prAktør kan påvirke ikke kun hjerneaktivitet, men også hjerteslag. Tidligere undersøgelser undersøgte primært effekten af mindfulness træning og / eller praksis på hjernen eller hjertet separat og baseret på forskellige aspekter; De samtidige ændringer i disse to nært beslægtede systemer forbliver stort set uudforskede. Kun få undersøgelser rapporterede bedre koordinering af krop og sind efter mindfulness træning 12 . Ved hjælp af den foreslåede metode viste de repræsentative resultater og en tidligere undersøgelse 13 , at MBSR mindfulness-træning kan øge koordinering af krop og sind med hensyn til deres kaotiske aktiviteter, hvilket kan give nyt indblik i effekten af mindfulness-træning på det centrale og perifere Nervesystemer.
Protocol
Denne undersøgelse blev godkendt af University of Hong Kong Institutional Review Board. Alle deltagere gav deres skriftlige informerede samtykke forud for deltagelse i denne undersøgelse.
1. Eksperimentel Design
Tabel 1. MBSR kursusoversigt. Det 8-ugers MBSR kursus kursus taget af deltagerne.
- Rekruttere deltagere.
BEMÆRK: Elleve raske voksne (fem kvinder) fra en lokal MBSR-kursus deltog i dette EEG-studie og var 28 - 52 årige. Deltager med depression baseret på Beck Depression Inventory blev udelukket fra undersøgelsen. Kurset fulgte standard MBSR træning ( Tabel 1 ), og deltagere skulle forpligte sig til træningsstrukturen. - EEG optagesystem.
- Gennemfør EEG-optagelse i et stille rum ved hjælp af en 128-kanals EEG sYstem bestående af en EEG-hætte, forstærker, hovedboks og stationær computer.
2. EEG- og EKG-dataforsamling
BEMÆRK: EEG-dataindsamling fulgte en standardprocedure svarende til den metode, der er beskrevet tidligere 14 . Bed hver deltager om at vaske hans hår og hovedbunden, inden han kommer til forsøgspladsen. Informer deltagerne om forsøgsprocedurerne, hovedsagelig at han / hun vil hvile normalt i 10 minutter og gøre opmærksom vejrtrækning i yderligere 10 minutter, mens de optages med EEG- og ECG-enheder.
- Rengør ansigtets område og mastoid på deltageren med alkoholvasker.
- Ved hjælp af et målebånd skal du måle deltagerens hovedomkreds og derefter vælge en passende størrelse hætte. Tag en måling fra nasionen til inionen og en anden måling på tværs af ørerne og over hovedbunden. Markér vertexet (punktet i mellemafstanden mellem nasion anD iion og mellemafstand mellem de to ører) med en blød markørpen.
- Indstil elektrodepositionerne i overensstemmelse med 10-5 elektrodesystemerne 15 . Placer hætten på en sådan måde, at Cz-elektroden ligger over vertexet, Nz-elektroden er ved nasionen, Lz-elektroden er ved indgangen, RM-elektroden er på højre mastoid, og LM-elektroden er ved venstre mastoid .
- Placer EKG-elektroderne på både venstre og højre infarklavikale fossae.
- Fyld elektrodeholdere med gel ved hjælp af en sprøjtestump.
- Hold impedansen under 20 kΩ for hver elektrode. Reducer impedansen ved at justere elektrodeplaceringen for at øge kontakten med hovedbunden; Tilsæt mere gel, hvis det er nødvendigt.
- Stram chinstrap og bede deltagerne om at forblive stille.
- Indstil prøvetagningshastigheden for EEG-enheden til 1.000 Hz. Brug venstre mastoid som det oprindelige referencepunkt.
- Optag EEG data (trin 1.2.1) i starten af MBSR-kurset (inden for 2 uger).
- Få deltageren til at lave en kort kroppsscanning for at slappe af hele kroppen. Giv deltageren opmærksomhed på hans / hendes åndedrag, mens han trækker vejret og trækker vejret. Har hver deltager udført 10 min MBSR opmærksom vejrtrækning (MBSR mindfulness tilstand) og 10 min normal hvile (kontrol tilstand) under EEG dataindsamling. Dette genererer et før-MBSR træningsdatasæt med to betingelser.
BEMÆRK: Modvægt rækkefølgen af opmærksom vejrtrækning og normal hvile blandt deltagerne.
- Få deltageren til at lave en kort kroppsscanning for at slappe af hele kroppen. Giv deltageren opmærksomhed på hans / hendes åndedrag, mens han trækker vejret og trækker vejret. Har hver deltager udført 10 min MBSR opmærksom vejrtrækning (MBSR mindfulness tilstand) og 10 min normal hvile (kontrol tilstand) under EEG dataindsamling. Dette genererer et før-MBSR træningsdatasæt med to betingelser.
- Optag EEG data igen ca. 1 måned efter at deltagerne har gennemført MBSR kurset.
- Bed hver deltager om at udføre 10 min opmærksom vejrtrækning og 10 min normal hvile under EEG dataindsamling. Dette genererer et post-MBSR træningsdatasæt med to betingelser.
3. EEG- og EKG-dataanalyse
BEMÆRK: De første fire trin erTil dataforarbejdning, og de resterende trin er til wavelet entropy beregning og korrelationsanalyse. Her blev en open source software, der hedder EEGLAB 16, brugt til EEG analyse, men operationerne skal være ens på tværs af forskellige software. I det følgende vil de operationer, der er baseret på EEGLAB, blive givet som et eksempel. Se EEGLAB manualen for detaljer (https://sccn.ucsd.edu/wiki/EEGLAB_Wiki#EEGLAB_Tutorial).
- Brug EEG-softwaren til at genprøve dataene ved 250 Hz ved at vælge Værktøjer> Skift samplingshastighed. Brug filteret Finite Impulse Response (FIR) til båndpasfiltrering med et passbånd på 0,5 - 100 Hz ved at vælge Værktøjer> Filtrer data> Basic FIR filter.
- For at reducere støj på grund af vekselstrømstrømmen, der er landespecifik, skal du bruge det korte, ikke-lineære filter med uendelig impulsrespons (IIR) for hakfiltrering med et stopbånd på 47-53 Hz ved at vælge Værktøjer> Filtrere data> Kort ikke-lineærIIR filter. Dette dækker alle relevante frekvenser i spektrumanalysen, mens unødig støj fjernes.
- Brug EEG software til visuelt at rulle gennem og inspicere EEG signalet ved at vælge Plot> Channel data (scroll).
- Identificer og slet EEG-segmenter, der indeholder tydelig muskelstøj og andre mærkelige begivenheder. Venstreklik og træk musen over dårlige segmenter for at fremhæve dem og derefter "slet" eller "afvis" segmenterne vha. EEG-softwaren.
BEMÆRK: Muskelaktiviteter som svul- eller ansigtsudtryk genererer ofte diskontinuerlige og uregelmæssige signaler. Mærkelige begivenheder skyldes sædvanligvis hoved- eller kropsbevægelser, hvilket ofte medfører signifikante forskydninger (ved lave frekvenser) af EEG-signalet. - Bestem om der er en dårlig kanal. Rekonstruere hver dårlig kanal ved hjælp af den sfæriske interpolationsmetode ved at vælge Værktøjer> Interpolere kanal.
- Identificer og slet EEG-segmenter, der indeholder tydelig muskelstøj og andre mærkelige begivenheder. Venstreklik og træk musen over dårlige segmenter for at fremhæve dem og derefter "slet" eller "afvis" segmenterne vha. EEG-softwaren.
- Brug EEG-softwaren til at udføre InAfhængig komponentanalyse 17 (ICA) på dataene ved at vælge Værktøjer> Kør ICA. Har en erfaren EEG-operatør visuelt identificere og kassere komponenter i øjenbevægelse og blinker, muskelbevægelser og komponenter i anden mulig støj ved at vælge Værktøjer> Afvis data ved hjælp af ICA> Afvis komponenter efter kort; Værktøjer> Fjern komponenter. EEG-softwaren vil rekonstruere data automatisk ved hjælp af de tilbageholdte komponenter.
- Brug EEG-softwaren til at omregistrere dataene til gennemsnittet af alle kanaler før yderligere analyse ved at vælge Værktøjer> Re-reference.
- Spektrumanalyse.
- Brug EEG-kommandolinjefunktionen "spektopo" til at beregne spektraerne af EEG ved hjælp af Welchs estimationsmængde for spektraldensitet 18 og opnå logkraften (dB) for delta (1 - 4 Hz), theta (4 - 8 Hz), alfa ( 8 - 12 Hz), beta (12 - 30 Hz) og gamma (30 - 80 Hz) bølger.
- Beregn det relative poWer af hver type bølge 18 ( dvs. andelen af effekt i det respektive frekvensbånd i forhold til den samlede spektrumkraft).
- Udfør EEG-kildeanalyse ved hjælp af den statistiske parametriske kortlægning (SPM) tilgang.
- Brug minimum norm estimation 19 til at omdanne EEG signalerne fra hovedbunden elektroder til 3D hjerne kilde signaler.
BEMÆRK: Her var det oprindelige kanalnummer 122, og det blev omdannet til 8.196 kanaler fordelt i den tredimensionelle hjernemodel. Signifikansniveauet blev sat til p = 0,01. Se venligst kildeanalysen i SPM manualen (www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf).
- Brug minimum norm estimation 19 til at omdanne EEG signalerne fra hovedbunden elektroder til 3D hjerne kilde signaler.
- Beregn wavelet entropi for hver EEG kanal (såvel som for det estimerede tredimensionelle hjernekilde signal) ved hjælp af følgende procedure:
- Giv et signal
,Beregne wavelet koefficienterne som 
, hvor 
Er et orthonormalt grundlag for Haar wavelet familien og 
Repræsenterer nedbrydningsniveauerne ( N = 10 i dette studie). - Definer den relative energi som
, Med 
. - Beregn wavelet entropi som
. Gennemsnit wavelet entropi for alle kanaler for at opnå EEG wavelet entropi for hver deltager.
- Giv et signal
- Brug softwarepakken til at udføre en topanalyse på EKG-dataene for at opnå hjerteslagssignalet, som består af antallet af EKG-bølgetopper og intervallet mellem toppe.
BEMÆRK: ForudsatEt normalt hjertefrekvens på 60-100 slag / min i både normale hvile og opmærksomme vejrtrækningsforhold, bør antallet af hjerteslag forekomster N i en varighed på 10 minutter være forholdsvis lille og tilfredsstillende 600 < N <1.000.- For at opnå pålidelig wavelet entropi fra hjerteslagssignalet, brug et glidende vindue på 500 point og et trinstigning på 10 point til beregning af en række wavelet entropier ved anvendelse af samme procedure som for EEG, uddybet i afsnit 3.7. Brug middelværdien som den endelige wavelet entropi.
- Analyser hjernen og hjertekorrelationen på tværs af emner mellem wavelet entropien af EKG og den af EEG på hver kanal i hovedbunden ved hjælp af enhver statistisk software, der har en Pearson korrelationsfunktion.
- Brug EEG-kommandolinjens funktion "topoplot" til at konstruere et statistisk hovedbundskort til korrelationen. Plot en lineær korrelationsgraf med hjertefrekvens entropi og den gennemsnitlige EEG entropi af kun de chaNneller, der er signifikant korreleret med hjertefrekvens entropi (se afsnittet om repræsentative resultater).
,Beregne wavelet koefficienterne som 
, hvor 
Er et orthonormalt grundlag for Haar wavelet familien og 
Repræsenterer nedbrydningsniveauerne ( N = 10 i dette studie). 
, Med 
. 
. Gennemsnit wavelet entropi for alle kanaler for at opnå EEG wavelet entropi for hver deltager. Representative Results
Spektrumanalyse
I spektrumanalysen af EEG-data sammenlignet med normal hvile var der forøget alfa (8-12 Hz) og beta (12-30 Hz) og reduceret delta (1 - 4 Hz) bølger under MBSR-opmærksom vejrtrækning. Forøgelsen af alfa bølger var globalt signifikant, især i frontal og occipitale lobes, mens stigningen af beta bølger hovedsageligt var i frontal lobe. Mindskede deltabølger blev noteret i de centrale parietale områder ( figur 1 ). Vi fandt imidlertid ikke nogen signifikant ændring mellem før og efter MBSR træning.
Figur 1. Spektrumanalyse af MBSR Mindful respiration og normale hvilevilkår. Spektrumanalyse viser, at MBSR-praksis kan ændre hjernens aktiviteter, som angivet af de forskelligeSpektrum af EEG. Oprindelig kilde: Reference 13 . Klik her for at se en større version af denne figur.
Figur 2 illustrerer den definerede region af interesse: den occipitale lobe (kanalerne N19-21, N41 - 46, N67 - 72, N96-100 og N119), den midterste frontalbe (kanalerne N53 - 61 og N79 - 83) og Den midterste parietallobe (kanalerne N48 - 50, N64 - 66 og N74 - 76). Tabel 2 viser kraften i hvert spektrum og entropien under MBSR opmærksom vejrtrækning og normale hvilevilkår sammen med p- værdien af t- testen af forskellen mellem de to betingelser for hver region af interesse. Vi kombinerede præ-og post-MBSR træning EEG data, da der ikke var nogen forskel mellem de to faser.
Figur 2. Defineret region af interesse. De definerede områder af EEG-kanaler, der repræsenterer den midterste frontal lobe, midterparietal og den occipitale lobe. Klik her for at se en større version af denne figur.
| Delta | Theta | Alpha | Beta | Gamma | Entropi | ||
| Mellem Frontal Lobe | 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 | </ Tr>
| Hvile | 22,40 ± 6,56 | 22,76 ± 5,98 | 26,91 ± 7,14 | -7,11 ± 42,27 | -449,76 ± 102,92 | 0.785 ± 0.066 | |
| p-værdi | 0,0243 | 0,6555 | 0,0085 | 0,0114 | 0,4419 | 0,0084 | |
| Occipital Lobe | 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 |
| Hvile | 19,82 ± 6,32 | 20,38 ± 8,11 | 29,73 ± 5,30 | -11,62 ± 40,22 | -439,03 ± 102,81 | 0.763 ± 0.055 | |
| p-værdi | 0,0134 | 0,1213 0,0125 | 0,0796 | 0,8936 | 0,0098 | ||
| Parietal Lobe | MBSR | 17,95 ± 3,60 | 19,46 ± 6,54 | 32,84 ± 6,68 | 2,68 ± 38,23 | -487,72 ± 104,13 | 0,738 ± 0,072 |
| Hvile | 21,24 ± 6,37 | 21,16 ± 8,00 | 29,79 ± 6,60 | -1,27 ± 34,42 | -490,01 ± 123,83 | 0.764 ± 0.075 | |
| p-værdi | 0,0157 | 0,0963 | 0,0177 | 0,1507 | 0,2878 | 0,0368 |
Tabel 2. Spektrum og entropi på tværs af hjerneområder. MBSR opmærksom vejrtrækning og normale hvilevilkårSammenlignes blandt de tre foruddefinerede interesseområder (ROI).
Wavelet Entropy Analysis
Analyse af wavelet entropi af EEG viste nedsat EEG entropi under MBSR opmærksom vejrtrækning i forhold til normal hvile både til før og efter MBSR træning. Da der ikke var nogen signifikant forskel mellem de to faser, blev de fusioneret til at producere et gennemsnitskort (vist i tredje række i figur 3 ). Hovedområderne med nedsat entropi var ved frontalbenet og den parietal-occipitale lobe.
Figur 3. Wavelet Entropy Analysis. Rest 1 og MBSR 1 angiver præ-MBSR træning, mens Rest 2 og MBSR 2 angiver post-MBSR træning. Wavelet entropi analyse viser, at MBSR praksis kan reducere uregelmæssigheden afHjerne elektroniske aktiviteter. Oprindelig kilde: Reference 13 . Klik her for at se en større version af denne figur.
Kildeanalyse af Wavelet Entropy
Kildeanalyse af EEG-signalerne kan forbedre den rumlige opløsning ved at deconvolve hovedbunden EEG i elektriske aktiviteter over den kortikale overflade 20 . Analysen viser, at de store hjernegrupper, der er ramt af MBSR mindfulness-træningen, var i venstre-midter-occipitale lobe, precuneus, overlegen temporal lobe og venstre fusiform ( Figur 4 ). I tabel 3 giver vi for de fire anatomiske mærker opnået fra kildeanalysen t -testresultater for forskellen i entropierne af to forskellige tilstande, MBSR mindfulness stateI modsætning til normal hvile.
Figur 4. Kildeanalyse. Kilden analysen viser, at entropierne i forskellige hjerneområder (fremhævet i rødt) falder i løbet af den MBSR opmærksomme vejrtrækningstilstand. Klik her for at se en større version af denne figur.
| Anatomisk etiket | voxels | X, y, z | t-værdi |
| Midlertidige gyrus L | 1728 | -44 -60 16 | 3,77 |
| Precuneus R | 1.324 | 2 -56 28 | 3,63 |
| Occipital L | 749 | -2 -102 -12 | 3,61 |
| Fusiform L | 142 | -102 | 3,51 |
Tabel 3. Kildeanalyserapport. Anatomiske hjerneområder med betydelige forskelle i entropi mellem MBSR opmærksom vejrtrækning og normale hvilevilkår. L, venstre side af hjernen. R, højre side af hjernen ( p <0,001, t- test, ukorrigeret).
Heart Rate Wavelet Entropy
Analysen viste ingen signifikant forskel i gennemsnitligt hjertefrekvens, men hjertefrekvens entropi var lavere under MBSR-opmærksom vejrtrækning, både før og efter MBSR-træning ( tabel 4 ).
| Rest1 | MBSR1 | REST2 | MBSR2 | |
| Hjertefrekvens (slag pr. Minut) | 68,2 ± 9,5 | 67,7 ± 9,3 | 71,8 ± 8,1 | 70,7 ± 8,4 |
| Heart Rate Wavelet Entropy | 0,89 ± 0,05 | 0,79 ± 0,11 * | 0,89 ± 0,07 | 0,80 ± 0,12 # |
Tabel 4. Heartrate og Heartrate Wavelet Entropy af MBSR Mindful Puste og normale hvilevilkår. De to betingelser sammenlignes ved både før og efter MBSR træning. * Signifikant forskel ( p <0,05) mellem Rest 1 og MBSR 1. # Signifikant forskel ( p <0,05) mellem Rest 2 og MBSR 2.
KorrelationMellem hjerte og hjerneaktiviteter
I betragtning af den potentielle forbindelse mellem hjernen og hjertet analyserede vi sammenhængen mellem hjerne-EEG-entropien ( dvs. gennemsnittet af EEG-entropier over alle EEG-kanaler for et enkelt individ) og hjertefrekvens entropi under MBSR-opmærksom vejrtrækning og normale hvilestillinger . Entropierne i hjernen og hjertet var signifikant korreleret under MBSR opmærksom vejrtrækning, men ikke under normal hvile. Som vist i den øvre del af fig. 5 er signifikansen af korrelationen mellem entropien af EEG i hver kanal og hjerterat entropi mest fremtrædende i den centrale del af hjernen. Det nederste diagram viser korrelationen mellem EEG entropi i de centrale regioner (gennemsnit af de punkterede kanaler, der er signifikant korreleret med hjertefrekvens entropi) og hjertefrekvens entropi.
Figur 5. Korrelation mellem Wavelet Entropies af elektroniske aktiviteter i hjertet og hjernen. Wavelet entropien af hjerneaktivitet er gennemsnittet af de betydelige kanaler i det centrale område, som vist i øverste højre figur. Hjulets wavelet entropi er baseret på hjertefrekvensintervallet. Sammenhængen (nederste panel) beregnes på tværs af alle fag for både før- og efter-MBSR træningsresultater. Oprindelig kilde: Reference 13 . Klik her for at se en større version af denne figur.
Discussion
Denne EEG-undersøgelse giver konkrete tegn på, at i sammenligning med normal hvile forstærker MBSR-opmærksom vejrtrækning alfa-bølgerne i de frontale og occipitale lobes. Dette er i tråd med de fleste rapporter om øgede alfa bølger under meditation, især i begyndere 21 . Alfa bølger angiver normalt en tilstand af ophidselse og årvågenhed og frihed fra enhver bestemt opgave. En sådan mental tilstand er et af målene med meditation; Det vil sige at holde sindet rent og skarpt, fri for enten fancyflyvninger eller at falde i søvn. Den forbedrede alfa-bølge-synkronisering under MBSR-praksis kan også forbedre samordningen mellem sind og krop 22 .
De elektroniske aktiviteter af det store antal neuroner i hjernen danner et ikke-lineært hierarkisk system, og dets uregelmæssighed kan godt måles af entropi 8 . Vi fandt, at under MBSR praksis, uregelmæssigheden af hjernen electrOniske aktiviteter faldt over en stor del af hovedbunden EEG, især i frontpolen og bilaterale occipitale hjerneområder. Yderligere kildeanalyse af wavelet entropi viste, at uregelmæssigheden af occipital og precuneus aktiviteter blev reduceret under MBSR praksis. Andre involverede områder omfatter højre midt cingulate og den overlegne temporal lobe. Dette er i tråd med en anden undersøgelse, der tyder på, at gråt materiale stiger i precuneus efter MBSR træning 23 . Avancerede meditation praktiserende læger har normalt højere parieto-occipitale EEG gamma bølger under ikke-hurtig øjenbevægelse søvn 1 . Et vigtigt træk ved MBSR træning er at være nonjudgmental af sind / hjerne informationsstrømmen. Dette kan muligvis reducere uregelmæssigheden af hjernens aktiviteter. Fordi en hovedkilde i hjernen er den visuelle cortex, er det plausibelt, at de visuelle relaterede hjerneområder er mere påvirket af MBSR-praksis end andre regionerns. Dette gør det muligt for sindet at være mindre lydhør over for irrelevant information og at være mere opmærksom på opmærksom vejrtrækning.
Wavelet entropi analyse viste mindre uregelmæssighed af hjertefrekvens under mindful vejrtrækning i forhold til den normale hvilestatus, hvilket indebærer en mere raffineret balance i det autonome nervesystem på grund af forholdsvis uvæsentlige interaktioner mellem parasympatiske og sympatiske toner. Mindful vejrtrækning kan også påvirke hjertefrekvensen, fordi lungens sensoriske afferenter sender hæmmende fremskrivninger til hjertevagmotoriske neuroner i midterhjernen, som hæmmer hjertefrekvensen via vagusnerven 24 . Den kardiorespiratoriske interaktion medieres af hjernestammen og det limbiske system i hjernen 25 . I betragtning af forbindelsen mellem centralnervesystemet og hjerteaktiviteten er det plausibelt, at ved at træne i sindet, kan MBSR eller andre meditationspraksis også påvirke andre kropsfunktioner, såsomTilbagestilling af baroreflex følsomheden, forbedring af gasudvekslingseffektiviteten i lungerne og afbalancering af det autonome nervesystem 26 .
Kropsforbindelsen understreges i mange østlige traditioner. I den henseende giver vores undersøgelse det første objektive bevis for entropi. Uregelmæssighederne i hjerne- og hjerteaktivitet blev mere koordineret under MBSR-praksis, og koordinationen var størst i de bilaterale somatosensoriske regioner. Denne region har direkte ansvar for kroppens sensoriske input og bevægelse, og denne øgede koordinering indebærer større kropsbevidsthed under MBSR-praksis. Mindfulness-træning viste sig at øge aktiviteterne i de viscerosomatiske områder i et funktionelt MR-studie, som har en bedre rumlig opløsning end EEG 27 . Vores resultater tyder på, at hjernen og hjertet kan blive mere medvirket under MBSR-praksis, idet man unloader unødvendig entropi i systemet.
Et vigtigt skridt i en undersøgelse som vores er at vælge det rigtige entropiindeks for at måle uregelmæssigheden af EEG og EKG. I modsætning til Renu Madhavi et al ., Der brugte omtrentlig entropi 29 , har vi valgt at bruge wavelet entropi til at fokusere på kompleksiteten blandt energierne i forskellige skalaer. Fordi hjernens elektroniske aktiviteter stammer fra et stort antal neuroner, der har forskellige egenskaber i forskellige skalaer og spektrum, bør wavelet entropi være mere egnet til at måle EEG's uregelmæssighed> 30. På samme måde har øjeblikkeligt hjertefrekvens også forskellige funktioner under forskellige tidsskalaer, så det er rimeligt at anvende wavelet entropi på EKG 31 . Endvidere er Shants entropi og tilnærmet entropi følsomme over for prøveudtagningsfrekvensen, og omtrentlig entropi kræver store beregningstider, som øges eksponentielt med datalængde, dette i tillæg til beregningen i kildepladsen.
Flere begrænsninger af den nuværende undersøgelse er værd at bemærke. For det første er den rumlige opløsning af hovedbund EEG forholdsvis dårlig, på trods af dens høje tidsmæssige opløsning. For at løse dette blev kildeanalyse anvendt i vores undersøgelse. EEG-kildekonstruktion er et dårligt problem, og en alternativ tilgang er at have rumlige præstationer fra tidligere funktionelle magnetiske resonansbilleddannelsesundersøgelser (fMRI) -studier, som kan bidrage til at forbedre genopbygningsnøjagtigheden 32 , 33 . En anden begrænsning er tHat koordinering mellem hjerne og hjerte aktiviteter blev vurderet mellem emner; Koordinering inden for fagområdet overlades til fremtidige undersøgelser. Derudover er entropien af EKG ikke afledt direkte fra EKG-signalet, men snarere fra hjerteintervalintervallet, fordi EKG'ens amplitude kan påvirkes stærkt af elektrodepositionen og hudimpedansen og således ikke er sammenlignelig mellem emner.
Tidligere undersøgelser udførte sædvanligvis en spektrumanalyse af EEG-signalet og afviste uregelmæssigheder i EEG som støj. I modsætning hertil foreslår vi at bruge wavelet entropi som et mere følsomt indeks til måling af hjernens kaotiske elektroniske aktiviteter som en afspejling af sindstilstanden. Den foreslåede metode giver objektivt bevis for den traditionelle antagelse, at sindet og hjertet er mere koordinerede under meditation.
Fordi wavelet entropi kan overvåge meditationstilstanden ganske følsomt, kan den bruges i mentaltræningenNg-felt, ligesom entropi anvendes i klinisk praksis til at måle niveauet af anæstesi under operationen. Ved hjælp af et indeks, der ligner wavelet entropi, kan trådløse EEG-enheder bruges til bekvemt at overvåge individets daglige meditationspraksis eller anden mental træning til uddannelsesmæssige formål. Ikke desto mindre, fordi et trådløst EEG normalt kun måler stabilt kanalerne i panden stabilt, skal vi undersøge, om disse kanaler er følsomme nok til at overvåge sindstilstand.
De kritiske trin i denne procedure inkluderer at holde hudimpedansen for hver elektrode lav for bedre signalkvalitet og mindre støj; Passende og korrekt gennemførelse af MBSR-træning At sikre en god, ikke-træt mental tilstand før eksperimentet, da meditation kræver stor energi; Valg af det korrekte entropi indeks (wavelet entropi); Og er bekendt med SPM kilde analyse af EEG data.
Disclosures
Forfatterne erklærer, at de ikke har nogen konkurrerende finansielle interesser.
Acknowledgments
Denne undersøgelse blev støttet af SPF-201209176152-fonden ved The University of Hong Kong. Vi takker Dr. Helen Ma for at undervise i kurset og rekruttere MBSR-deltagere.
Materials
| Name | Company | Catalog Number | Comments |
| Synamps 2/RT 128-channel EEG/EP/ERP | Compumedics NeuroScan | Model 8050 | Amplifiers and EEG acquisition |
| Quik-CapEEG 128 electrodes | Compumedics NeuroScan | EEG caps | |
| Quik-Gel | Compumedics NeuroScan | conductive electrode gel | |
| EEGLAB | Swartz Center for Computational Neuroscience | EEG analysis software | |
| Matlab R2011a | MathWorks | EEGLAB is based on Matlab | |
| SPM | Wellcome Trust Centre for Neuroimaging | EEG source analysis software |
References
- Ferrarelli, F., et al. Experienced mindfulness meditators exhibit higher parietal-occipital EEG gamma activity during NREM sleep. Plos One. 8 (8), e73417 (2013).
- 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).
- 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).
- 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).
- 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).
- 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).
- Peng, C. K., et al. Exaggerated heart rate oscillations during two meditation techniques. International J. Cardiology. 70 (2), 101-107 (1999).
- 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).
- Pokrovskii, V. M. Integration of the heart rhythmogenesis levels: heart rhythm generator in the brain. J. Integr. Neurosci. 4 (2), 161-168 (2005).
- Wolber, T., Namdar, M., Duru, F. Heart obeys the brain: seizure ceases cardiac rhythm. PACE. 33 (8), e72-e75 (2010).
- van der Wall, E. E., van Gilst, W. H. Neurocardiology: close interaction between heart and brain. Neth. Heart J. 21 (2), 51-52 (2013).
- 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).
- Gao, J. L., et al. Entrainment of chaotic activities in brain and heart during MBSR mindfulness training. Neurosci. Lett. 616, 218-223 (2016).
- Slotnick, S. D. High density event-related potential data acquisition in cognitive neuroscience. J. Vis. Exp. (38), (2010).
- 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).
- 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).
- Hyvarinen, A., Oja, E. Independent component analysis: algorithms and applications. Neural Netw. 13 (4-5), 411-430 (2000).
- 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).
- Hamalainen, M. S., Ilmoniemi, R. J. Interpreting magnetic-fields of the brain: minimum norm estimates. Med. Biol. Eng. Comput. 32 (1), 35-42 (1994).
- Lee, T. M., et al. Distinct neural activity associated with focused-attention meditation and loving-kindness meditation. Plos One. 7 (8), e40054 (2012).
- 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).
- 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).
- 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).
- West, J. B., West, J. B. Pulmonary pathophysiology--the essentials. , 5th edn, Williams & Wilkins. (1998).
- 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).
- 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).
- 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).
- 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).
- 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).
- Ocak, H. Automatic detection of epileptic seizures in EEG using discrete wavelet transform and approximate entropy. Expert Syst. Appl. 36 (2), 2027-2036 (2009).
- Alcaraz, R., Rieta, J. J. Application of wavelet entropy to predict atrial fibrillation progression from the surface ECG. Comput. Math Method M. , (2012).
- 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).
- 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).
