Summary
이 원고는 웨이블릿 엔트로피 지수를 사용하여 고밀도 뇌파 검사 (EEG) 및 심전도 (ECG) 데이터를 분석하는 방법을 설명합니다. 우리는 뇌 및 심장 활동의 불규칙성이 mindfulness 기반 스트레스 감소 실습 동안보다 조율 된 것을 보여줍니다.
Abstract
동양과 서양에서 전통적 가르침은 정신과 마음이 어쨌든 밀접한 상관 관계가 있음을 말합니다. 이것을 객관적으로 증명하는 데있어서의 한가지 어려움은 뇌와 심장 활동의 본성이 아주 다르다는 것입니다. 이 논문에서는 웨이브 렛 엔트로피를 사용하여 뇌파 (EEG) 데이터와 심전도 (ECG) 데이터의 혼란 정도를 측정하는 방법을 제안하고 이것이 다른 실험 조건에서 마음과 심장 사이의 잠재적 인 조정을 탐색하는 데 어떻게 사용될 수 있는지 보여줍니다 . 또한, EEG 웨이브 렛 엔트로피가 실험 조건에 가장 큰 영향을받는 뇌 영역을 식별하기 위해 통계적 파라 메트릭 매핑 (SPM)이 사용되었습니다. 예로서, 뇌파와 심전도는 8 주 표준 Mindfulness-based Stress Reduction (MBSR) 훈련 과정 (pretest)의 시작과 c 단계 이후에 두 가지 조건 (정상 휴식과주의 깊은 호흡)으로 기록되었습니다.ourse (사후 테스트). 제안 된 방법을 사용하여 결과는 닫힌 눈 휴식 상태와 비교하여 MBSR 의식 호흡 상태에서 뇌파의 웨이브 렛 엔트로피가 감소한 것을 일관되게 보여 주었다. 마찬가지로 MBSR 의식 호흡 중에 심장 박동수의 낮은 웨이브 렛 엔트로피가 발견되었습니다. 그러나 사전 테스트와 사후 테스트 사이에 MBSR 의식 호흡 중 웨이블릿 엔트로피의 차이는 발견되지 않았다. 모든 참가자에서 정상 휴식 중 뇌파의 엔트로피와 심장 박동수의 엔트로피간에 상관 관계는 없었지만 MBSR 의식 호흡시 유의 한 상관 관계가 관찰되었습니다. 또한, 가장 잘 상관 된 두뇌 영역은 두뇌의 중앙 영역에 위치하고있었습니다. 이 연구는 mindfulness practice ( 예, mindful breathing)가 마음과 심장 활동 사이의 조정을 증가 시킨다는 증거를 확립하기위한 방법론을 제공합니다.
Introduction
신경 과학 및 의학 1의 진보와 함께 우리는 정신 및 신체 질환에 대한 마음 챙김과 명상의 비약리 적 이익을 이해하는 데 훨씬 유리한 위치에 있습니다. 정신 운동의 일종 인 Mindfulness-Based Stress Reduction (MBSR) 교육은 마음과 몸의 불필요한 스트레스를 적극적으로 줄일 수 있다는 많은 연구 결과가 있습니다 2 . 명상을 실천하는 동안 몸과 마음이 더 많이 동원 될 수 있습니다. 이 쟁점들은 학계와 일반 대중 모두의 관심을 끌어 왔으며, 다른 조건 하에서 마음과 신체 사이의 (또는보다 구체적으로는 뇌와 심장 사이의) 잠재적 조정을 탐구하는 방법론을 설계하도록 동기를 부여했습니다 MBSR 교육 및 실습.
뇌파의 불규칙성 (EEG)은 통상적 인 뇌파 분석에서 잡음으로 간주된다. b그것은 유용한 정보를 포함 할 수 있고 신호 엔트로피에 의해 측정 될 수있다. EEG 엔트로피는 간질, 알츠하이머 병 및 마취와 같은 임상 증상의 지표로 사용되어 왔으며 뇌파의 엔트로피가 전통적인 뇌파 스펙트럼 분석보다 뇌 상태를 모니터링하는 데 더 민감한 측정 일 수 있음을 암시하는 몇 가지 증거가 있습니다 3 , 4 . 엔트로피는 오랫동안 열역학에서 시스템의 혼란 상태를 나타내는 지표로 사용되어 왔습니다. EEG에 의해 측정 된 뇌파는 질서와 혼돈 5 사이에서 작동하는 뇌 네트워크로 인해 동적 활동으로 알려져 있습니다. 다양한 종류의 엔트로피 중에서 웨이브 렛 엔트로피는 서로 다른 스케일의 다양한 엔트로피를 계산하는 방법을 제공하며, 다양한 스케일의 매우 다양한 특징을 가진 EEG 신호를 분석하는 데 적합합니다. 완전 무작위 신호의 경우, 서로 다른 해상도 레벨에서 상대적인 에너지는동일하고, 엔트로피는 최대에 도달 할 것이다. 따라서 웨이브 렛 엔트로피는 뇌파에서의 혼돈 된 활동을 측정하는 척도로서 다른 정신 상태를 구별하는 지표로 사용될 수 있습니다 6 .
이전 심전도 (ECG) 연구는 명상 전 상태와 비교할 때 심박 상태 변화의 명상 관련 변화에 대한 일관된 증거를 제공했습니다. 하트 비트는 자율 신경계 (교감 신경 및 부교감 신경계 포함)에 의해 조절됩니다. 자율 신경계는 신경절 간의 상호 작용에 의해 조절됩니다. 청각 - 청각 노드; 미주 신경; 고등 뇌 구조, 예를 들어 뇌간 연골, 뇌 연축 및 변연계. 이러한 구조는 계층 적 시스템을 형성하며, 비선형 활동은 엔트로피 8 을 통해 측정 할 수 있습니다. 예를 들어, 고차 뇌 구조의 신경 파열은 심장 박동 리듬에 영향을 줄 수 있습니다 9 .임상 조건에서 간질 발작과 같은 뇌 질환은 심장 리듬을 방해합니다 10 . 신경 심리학 연구는 또한 심장과 뇌 사이의 밀접한 상호 작용을 제안합니다.
두뇌와 심장 신호 간의 연관성을 조사하는 데있어 한 가지 어려움은 신호 내용과 시간 척도가 상당히 다르다는 것입니다. 따라서 중요한 도전은 뇌와 심장 신호 모두에 적용 할 수있을뿐만 아니라 심신 - 몸 조정의 맥락에서 해석에 의미있는 공통 측정을 확인하는 것입니다. 본 논문에서는 뇌파와 심박동의 엔트로피와 MBSR 실험을 통해 평가할 수있는 심박동 신호를 연관시킴으로써 뇌와 심장 활동의 불규칙성 사이의 가능한 조정을 검출하기 위해 웨이블릿 엔트로피의 사용을 제안한다.
MBSR은 몸과 마음의 mindfulness 연습을 포함하기 때문에 우리는 MBSR 마음 깊은 호흡 pr행동은 뇌의 활동뿐만 아니라 심장 박동에도 영향을 줄 수 있습니다. 이전의 연구는 주로 mindfulness 훈련 및 / 또는 연습이 뇌 또는 심장에 미치는 영향을 개별적으로 조사하고 다른 측면을 기반으로 조사했습니다. 이 두 밀접하게 관련되어있는 시스템의 동시 변화는 아직 미완성 인 상태로 남아 있습니다. mindfulness 훈련 12 후 신체 및 마음의 더 나은 조정을보고 한 연구는 많지 않습니다. 제안 된 방법론을 사용하여 대표 결과 및 이전 연구 13 에서 MBSR 사고 교육이 신체 및 정신의 조정을 혼란스러운 활동으로 증가시킬 수 있음을 보여 주었으며 이는 중추 및 주변 장치에 대한 사고 교육의 효과에 대한 새로운 통찰력을 제공 할 수 있습니다 신경계.
Protocol
이 연구 조사는 The University of Hong Kong Institutional Review Board의 승인을 받았습니다. 모든 참가자는 본 연구에 참여하기 전에 서면 동의서를 제공했습니다.
1. 실험 설계
표 1. MBSR 과정 개요. 참가자가 수행 한 8 주간 MBSR 교육 과정.
- 참가자를 모집합니다.
참고 : 지역 뇌졸중 (MBSR) 과정의 11 명의 건강한 성인 (여성 5 명)이 뇌파 연구에 참여했으며 28-52 세였습니다. Beck Depression Inventory에 기초한 우울증을 가진 참가자는 연구에서 제외되었습니다. 이 과정은 표준 MBSR 교육 ( 표 1 )을 따르고 참가자는 교육 구조에 전념해야했습니다. - 뇌파 기록 시스템.
- 128 채널 EEG를 사용하여 조용한 방에서 뇌파 기록을 수행합니다.뇌파 캡, 앰프, 헤드 박스 및 데스크톱 컴퓨터로 구성된 ystem.
2. EEG 및 ECG 데이터 수집
참고 : 뇌파 데이터 수집은 앞에서 설명한 방법과 유사한 표준 절차를 따릅니다 14 . 실험 현장에 오기 전에 각 참가자에게 머리카락과 두피를 씻도록 요청하십시오. 참가자에게 실험 절차에 대해 알려주며, 주로 10 분 동안 정상적으로 휴식하고 EEG 및 ECG 장치로 기록하면서 10 분 동안주의 깊은 호흡을 수행합니다.
- 알콜 면봉으로 참가자의 얼굴 부위와 유양을 깨끗이합니다.
- 측정 테이프를 사용하여 참가자의 머리 둘레를 측정 한 다음 알맞은 크기의 모자를 선택하십시오. 나 이온에서 이온으로, 또 다른 측정은 귀 꼭대기와 두피에서 측정하십시오. 꼭지점을 표시합니다 (네이밍과두 귀 사이의 중간 거리)에 부드러운 마커 펜이 있습니다.
- 10-5 전극 시스템에 따라 전극 위치를 설정하십시오 15 . Cz 전극이 꼭지점 위에 있고 Nz 전극이 네온에 있고 Lz 전극이 inion에 있고 RM 전극이 오른쪽 유상 돌기에 있고 LM 전극이 왼쪽 유상 돌기에 있도록 .
- ECG 전극을 왼쪽과 오른쪽의 쇄골 하 피하에 놓습니다.
- 무딘 포인트 주사기를 사용하여 전극 홀더에 젤을 채 웁니다.
- 각 전극에 대해 임피던스를 20 kΩ 미만으로 유지하십시오. 두피와의 접촉이 증가하도록 전극 배치를 조정하여 임피던스를 줄입니다. 필요한 경우 젤을 더 추가하십시오.
- 턱걸이 끈을 조이고 참가자에게 조용히 남도록 요청하십시오.
- EEG 장치의 샘플링 속도를 1,000 Hz로 설정하십시오. 좌측 유양 돌기를 원래의 기준점으로 사용하십시오.
- EEG 데이터를 기록합니다 (1.2 단계.1) MBSR 과정 시작 (2 주 이내).
- 참가자에게 전신을 풀기 위해 간단한 신체 검사를 수행하게하십시오. 호흡하고 숨을 쉬는 동안 참가자는 자신의 호흡에주의를 기울 이도록하십시오. EEG 데이터 수집 중에 10 분간의 MBSR 의식 호흡 (MBSR mindfulness condition)과 정상 휴식 (control condition) 10 분을 수행하십시오. 이는 두 가지 조건으로 사전 MBSR 교육 데이터 집합을 생성합니다.
참고 : 참석자들 사이에서 염두에 둔 호흡과 정상 휴식의 순서를 균형을 유지하십시오.
- 참가자에게 전신을 풀기 위해 간단한 신체 검사를 수행하게하십시오. 호흡하고 숨을 쉬는 동안 참가자는 자신의 호흡에주의를 기울 이도록하십시오. EEG 데이터 수집 중에 10 분간의 MBSR 의식 호흡 (MBSR mindfulness condition)과 정상 휴식 (control condition) 10 분을 수행하십시오. 이는 두 가지 조건으로 사전 MBSR 교육 데이터 집합을 생성합니다.
- 참가자가 MBSR 과정을 마친 후 약 1 개월 후에 뇌파 데이터를 다시 기록하십시오.
- EEG 데이터 수집 중에 각 참가자에게 10 분간의주의 깊은 호흡과 정상 휴식 10 분을 수행하도록 요청하십시오. 이렇게하면 두 가지 조건으로 post-MBSR 교육 데이터 집합이 생성됩니다.
3. 뇌파 및 심전도 데이터 분석
참고 : 처음 네 단계는 다음과 같습니다.나머지는 웨이블릿 엔트로피 계산과 상관 분석을위한 단계이다. EEG 분석을 위해 EEGLAB 16 이라는 오픈 소스 소프트웨어가 사용되었지만 다른 소프트웨어에서 작동이 비슷해야합니다. 다음에서는 EEGLAB을 기반으로 한 작업이 예제로 제공됩니다. 자세한 내용은 EEGLAB 매뉴얼을 참조하십시오 (https://sccn.ucsd.edu/wiki/EEGLAB_Wiki#EEGLAB_Tutorial).
- 도구> 샘플링 속도 변경을 선택하여 EEG 소프트웨어를 사용하여 250Hz에서 데이터를 리샘플링합니다. 도구> 데이터 필터링> 기본 FIR 필터를 선택하여 0.5-100 Hz 통과 대역으로 대역 통과 필터링에 FIR (Finite Impulse Response) 필터를 사용합니다.
- 국가 별 상용 교류로 인한 소음을 줄이려면 도구> 데이터 필터링> 짧은 비선형 (Non-linear)을 선택하여 47-53 Hz 정지 대역으로 노치 필터링을위한 짧은 비선형, 무한 임펄스 응답 (IIR) 필터를 사용하십시오.IIR 필터. 이것은 불필요한 잡음을 제거하면서 스펙트럼 분석에서 모든 관련 주파수를 포함합니다.
- EEG 소프트웨어를 사용하여 Plot> Channel data (scroll)를 선택하여 EEG 신호를 시각적으로 스크롤하고 검사하십시오.
- 명백한 근육 소음과 다른 이상한 사건을 포함하는 뇌파 분절을 확인하고 삭제하십시오. 마우스를 왼쪽 버튼으로 클릭하고 마우스를 불량 세그먼트 위로 끌어와 강조 표시 한 다음 EEG 소프트웨어를 사용하여 세그먼트를 "삭제"또는 "거부"하십시오.
참고 : 삼키는 것과 표정을 짓는 것과 같은 근육 활동은 종종 불연속적이고 불규칙한 신호를 생성합니다. 이상한 사건은 대개 머리 또는 몸의 움직임으로 인해 발생하며, 종종 뇌파 신호의 (저주파수에서) 중요한 변화로 이어집니다. - 잘못된 채널이 있는지 확인하십시오. Tools> Interpolate channel을 선택하여 구형 보간 방법을 사용하여 각 불량 채널을 재구성하십시오.
- 명백한 근육 소음과 다른 이상한 사건을 포함하는 뇌파 분절을 확인하고 삭제하십시오. 마우스를 왼쪽 버튼으로 클릭하고 마우스를 불량 세그먼트 위로 끌어와 강조 표시 한 다음 EEG 소프트웨어를 사용하여 세그먼트를 "삭제"또는 "거부"하십시오.
- In을 수행하려면 EEG 소프트웨어를 사용하십시오.도구> ICA 실행을 선택하여 데이터에 대한 ICA (Independent Component Analysis ) 17 을 확인하십시오. Tools> ICA를 사용하여 데이터 거부> 맵별로 구성 요소 거부를 선택하여 숙련 된 EEG 운영자가 눈 운동 및 깜박임, 근육 움직임 및 기타 가능한 잡음의 구성 요소를 시각적으로 식별하고 무시하도록하십시오. 도구> 구성 요소 제거. EEG 소프트웨어는 보존 된 구성 요소를 사용하여 데이터를 자동으로 재구성합니다.
- EEG 소프트웨어를 사용하여 Tools> Re-reference를 선택하여 추가 분석을하기 전에 모든 채널의 평균으로 데이터를 다시 참조하십시오.
- 스펙트럼 분석.
- Welch의 파워 스펙트럼 밀도 추정을 사용하여 EEG 소프트웨어 명령 행 함수 "spectopo"를 사용하여 EEG의 스펙트럼을 계산하고 델타 (1 - 4 Hz), 세타 (4 - 8 Hz), 알파 ( 8-12 Hz), 베타 (12-30 Hz) 및 감마 (30-80 Hz) 파가 있습니다.
- 상대 포지션 계산각각의 유형의 파 ( 18) ( 즉 , 전체 스펙트럼 전력에 대한 각각의 주파수 대역에서의 전력의 비율)를 결정한다.
- Statistical Parametric Mapping (SPM) 접근법을 사용하여 EEG 소스 분석을 수행하십시오.
- 두피 전극의 뇌파 신호를 3D 뇌 소스 신호로 변환하려면 최소 표준 추정을 사용하십시오.
참고 : 여기에서 원래의 채널 번호는 122 였고 3 차원 두뇌 모델에 분산 된 8,196 개의 채널로 변환되었습니다. 유의 수준은 p = 0.01로 설정되었다. SPM 매뉴얼 (www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf)에서 소스 분석을 참조하십시오.
- 두피 전극의 뇌파 신호를 3D 뇌 소스 신호로 변환하려면 최소 표준 추정을 사용하십시오.
- 다음 절차를 사용하여 각 뇌파 채널 (추정 된 3 차원 뇌 소스 신호뿐만 아니라)에 대한 웨이블릿 엔트로피를 계산합니다.
- 주어진 신호
,웨이블릿 계수를 다음과 같이 계산한다. 
, 어디서 
Haar 웨이블릿 패밀리의 직교 정규 기반이며, 
분해 수준 (이 연구에서 N = 10)을 나타낸다. - 상대 에너지를 다음과 같이 정의하십시오.
와 
. - 웨이블릿 엔트로피를 다음과 같이 계산하십시오.
. 각 채널에 대한 평균 웨이브 렛 엔트로피는 각 참가자에 대한 EEG 웨이브 렛 엔트로피를 얻습니다.
- 주어진 신호
- 소프트웨어 패키지를 사용하여 심전도 데이터의 피크 분석을 수행하여 ECG 파 피크의 수와 피크 사이의 간격으로 구성된 하트 비트 신호를 얻습니다.
참고 : 가정정상적인 휴식과주의 깊은 호흡 상태 모두에서 60-100 박동 / 분의 정상 심장 박동수 인 경우, 10 분 동안 심박 증례의 수 N 은 600 N <1,000 미만인 비교적 작아야합니다.- 하트 비트 신호에서 신뢰할 수있는 웨이블릿 엔트로피를 얻으려면 섹션 3.7에서 정교화 된 EEG와 동일한 절차를 사용하여 500 포인트의 슬라이딩 윈도우와 10 포인트의 단계 증분을 사용하여 일련의 웨이블릿 엔트로피를 계산하십시오. 평균값을 최종 잔물결 엔트로피로 사용하십시오.
- 피어슨 상관 함수가있는 통계 소프트웨어를 사용하여 두피의 모든 채널에서 심전도와 심전도의 잔물결 엔트로피 사이의 뇌 및 심장 상관 관계를 분석합니다.
- EEG 소프트웨어 명령 줄 기능 "topoplot"을 사용하여 상관 관계에 대한 통계적 두피 맵을 구성하십시오. 심박수 엔트로피와 그 차의 평균 뇌파 엔트로피와 선형 상관 그래프를 그려라.심장 박동수 엔트로피와 유의 한 상관 관계가 있습니다 (대표 결과 섹션 참조).
,웨이블릿 계수를 다음과 같이 계산한다. 
, 어디서 
Haar 웨이블릿 패밀리의 직교 정규 기반이며, 
분해 수준 (이 연구에서 N = 10)을 나타낸다. 
와 
. 
. 각 채널에 대한 평균 웨이브 렛 엔트로피는 각 참가자에 대한 EEG 웨이브 렛 엔트로피를 얻습니다. Representative Results
스펙트럼 분석
EBS 데이터의 스펙트럼 분석에서, 정상 휴식과 비교하여, MBSR 의식 호흡 동안 알파 (8-12 Hz) 및 베타 (12-30 Hz) 및 감소 된 델타 (1-4 Hz) 파가 향상되었습니다. 알파 파의 증가는 특히 전두엽과 후두엽에서 세계적으로 의미가 있었지만 반면에 베타 파의 증가는 주로 전두엽에 있었다. 감소 된 델타 파는 중앙 - 정수리 영역에서 나타났다 ( 그림 1 ). 그러나 MBSR 사전 및 사후 교육간에 큰 변화는 없었습니다.
그림 1. MBSR Mindful 호흡 및 정상 휴식 조건의 스펙트럼 분석. 스펙트럼 분석에 따르면 MBSR 실행은 다른뇌파의 스펙트럼. 원본 출처 : 참고 자료 13 . 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 2 는 정의 된 관심 영역을 보여줍니다 : 후두엽 (채널 N19-21, N41-46, N67-72, N96-100 및 N119), 중간 전두엽 (채널 N53-61 및 N79-83) 및 중간 두정엽 (채널 N48 - 50, N64 - 66, N74 - 76). 표 2 는 MBSR 의식 호흡 및 정상 휴식 조건 하에서 각 스펙트럼의 파워와 엔트로피를 각 관심 영역에 대한 두 조건 간의 t- 테스트의 p- 테스트와 함께 보여줍니다. 두 단계간에 차이가 없었으므로 MEGR 사전 및 사후 교육 EEG 데이터를 결합했습니다.
그림 2. 정의 된 관심 영역. 중간 전두엽, 중간 두정엽 및 후두엽을 나타내는 뇌파 채널의 정의 된 영역. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
| 델타 | 쎄타 | 알파 | 베타 | 감마 | 엔트로피 | ||
| 중두엽 | 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>
| 휴식 | 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- 값 | 0.0243 | 0.6555 | 0.0085 | 0.0114 | 0.4419 | 0.0084 | |
| 후두엽 | 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 |
| 휴식 | 19.82 ± 6.32 | 20.38 ± 8.11 | 29.73 ± 5.30 | -11.62 ± 40.22 | -439.03 ± 102.81 | 0.763 ± 0.05 | |
| p- 값 | 0.0134 | 0.1213 0.0125 | 0.0796 | 0.8936 | 0.0098 | ||
| 두정엽 | 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 |
| 휴식 | 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- 값 | 0.0157 | 0.0963 | 0.0177 | 0.1507 | 0.2878 | 0.0368 |
표 2. 뇌 영역의 스펙트럼 및 엔트로피. MBSR 의식 깊은 호흡 및 정상적인 휴식 조건3 개의 사전 정의 된 관심 영역 (ROI)간에 비교됩니다.
웨이브 렛 엔트로피 분석
뇌파의 웨이브 렛 엔트로피 분석 결과 MBSR 의식 호흡 중 정상 휴식과 비교하여 MEGR 사전 및 사후 모두의 뇌파 엔트로피가 감소하는 것으로 나타났습니다. 두 단계간에 유의 한 차이가 없었기 때문에 합쳐져 평균 맵을 생성했습니다 ( 그림 3 의 세 번째 행에 표시). 감소 된 엔트로피를 갖는 주요 영역은 전두엽과 두정엽에 있었다.
그림 3. 웨이브 렛 엔트로피 분석. 나머지 1과 MBSR 1은 MBSR 이전 교육을 나타내는 반면 나머지 2와 MBSR 2는 MBSR 이후 교육을 나타냅니다. 웨이블릿 엔트로피 분석에 따르면 MBSR 기법을 사용하면 불규칙성을 줄일 수 있습니다.두뇌 전자 활동. 원본 출처 : 참고 자료 13 . 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
웨이블릿 엔트로피의 소스 분석
EEG 신호의 소스 분석은 두피 EEG를 대뇌 피질의 표면을 통해 전기적 활동으로 디컨 전위함으로써 공간 해상도를 향상시킬 수 있습니다 20 . 분석 결과 MBSR mindfulness training의 영향을받은 주요 뇌 영역은 왼쪽 중간 후두엽, precuneus, superior temporal lobe 및 left fusiform에 있음을 알 수 있습니다 ( 그림 4 ). 표 3 에서 근원 분석으로 얻은 4 개의 해부학 적 레이블에 대해 우리는 두 가지 상태, 즉 MBSR mindfulness 상태의 엔트로피의 차이에 대한 t- 테스트 결과를 제공합니다대 정상 휴식.
그림 4. 소스 분석. 근원 분석은 MBSR 의식있는 호흡 상태 동안 다양한 뇌 영역의 엔트로피 (빨간색으로 강조 표시)가 감소 함을 보여줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
| 해부학 라벨 | 복셀 | x, y, z | 티 값 |
| 중간 측두엽 L | 1,728 | -44 -60 16 | 3.77 |
| 프리 커 너스 R | 1,324 | 2 -56 28 | 3.63 |
| 후두엽 L | 749 | -2 -102 -12 | 3.61 |
| 방추형 패 | 142 | -102 | 3.51 |
표 3. 소스 분석 보고서. MBSR 의식이있는 호흡과 정상적인 휴식 상태 사이 엔트로피에 중요한 차이가있는 해부학 적 뇌 영역. L, 뇌의 왼쪽. R, 뇌의 우측 ( p <0.001, t -test, uncorrected).
심박수 웨이브 렛 엔트로피
분석 결과 평균 심장 박동수에는 유의 한 차이가 없었지만 심박수 엔트로피는 MBSR 의식 호흡 (MBSR 사전 및 사후 훈련 모두)에서 더 낮았습니다 ( 표 4 ).
| 휴식 1 | MBSR1 | 휴식 2 | MBSR2 | |
| 심박수 (분당 박동수) | 68.2 ± 9.5 | 67.7 ± 9.3 | 71.8 ± 8.1 | 70.7 ± 8.4 |
| 심박수 웨이브 렛 엔트로피 | 0.89 ± 0.05 | 0.79 ± 0.11 * | 0.89 ± 0.07 | 0.80 ± 0.12 # |
표 4. MBSR 정신 호흡 및 정상적인 휴식 조건의 심장 박동 및 심장 박동 웨이브 렛 엔트로피. 두 조건은 MBSR 사전 및 사후 교육 과정에서 비교됩니다. * 휴식 1과 MBSR 1 사이의 유의 한 차이 ( p <0.05). # 휴식 2와 MBSR 2 사이의 유의 한 차이 ( p <0.05).
상관 관계심장과 두뇌 활동 사이
뇌와 심장 사이의 잠재적 연관성을 고려하여 MBSR 의식 호흡 및 정상 휴식 상태에서 전뇌 뇌파 뇌파 엔트로피 ( 즉 단일 피험자의 모든 뇌파 채널에 대한 뇌파 엔트로피의 평균)와 심박수 엔트로피 간의 상관 관계를 분석했습니다 . 뇌 및 심장의 엔트로피는 MBSR 의식 호흡 동안 유의하게 상관되었지만 정상 휴식 중에는 유의미한 상관 관계가 없었다. 그림 5 의 상단 부분에서 볼 수 있듯이 각 채널의 뇌파 엔트로피와 심박수 엔트로피 간의 상관 관계의 중요성은 뇌의 중앙 부분에서 가장 두드러진다. 아래 그림은 중심부의 뇌파 엔트로피 (심박수 엔트로피와 유의 한 상관 관계가있는 점선 채널의 평균)와 심박수 엔트로피 간의 상관 관계를 보여줍니다.
그림 5. 심장과 뇌의 전자 활동의 웨이브 렛 엔트로피 사이의 상관 관계. 뇌 활동의 웨이브 렛 엔트로피는 오른쪽 위 그림에서 볼 수 있듯이 중앙 영역의 중요 채널의 평균입니다. 심장의 웨이블릿 엔트로피는 심장 박동 간격을 기반으로합니다. 상관 관계 (하단 패널)는 MBSR 사전 및 사후 교육 결과 모두에 대해 모든 과목에서 계산됩니다. 원본 출처 : 참고 자료 13 . 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
Discussion
이 EEG 연구는 정상 휴식과 비교하여 MBSR 의식 깊은 호흡이 정면 및 후두엽의 알파 파를 향상 시킨다는 구체적인 증거를 제공합니다. 이것은 명상 중 알파 파 증가에 대한 대부분의 보고서, 특히 초보자를 대상으로합니다. 알파 파도는 일반적으로 각성과 경계의 상태를 나타내며 특정 작업을 자유롭게합니다. 그러한 정신 상태는 명상의 목적 중 하나이다. 즉 마음을 청결하고 날카롭게 유지하면서 공상이나 잠들지 않도록하십시오. MBSR 연습 중 강화 된 알파 파 동기는 또한 마음과 몸 사이의 조정을 향상시킬 수 있습니다 22 .
뇌에서 엄청난 수의 뉴런의 전자 활동은 비선형 계통 체계를 형성하며, 그 불규칙성은 엔트로피 8 로 잘 측정 될 수 있습니다. 우리는 MBSR을 시행하는 동안 뇌 전기의 불규칙성onic 활동은 두피 뇌파의 많은 부분에 걸쳐, 특히 전두엽과 양측 후두부 뇌 영역에서 감소했다. 웨이블릿 엔트로피에 대한 추가 소스 분석은 MBSR 연습 동안 후두와 후두엽의 불규칙성이 감소되었음을 보여 주었다. 관련된 다른 영역은 오른쪽 중간 cingulate 및 상사 측두엽을 포함합니다. 이것은 MBSR 훈련 23 후 회색질이 precuneus에서 증가한다는 것을 나타내는 또 다른 연구와 일치합니다 23 . 진보 된 명상 종사자는 비 급속 안구 운동 1 에서 수면기 뇌파 감마파가 더 높습니다. MBSR 교육의 한 가지 중요한 기능은 마음 / 뇌 정보 흐름을 판단 할 수없는 것입니다. 이것은 잠재적으로 뇌 활동의 불규칙성을 감소시킬 수 있습니다. 뇌의 주요 정보원은 시각 피질이기 때문에 시각 관련 뇌 영역이 다른 영역보다 MBSR 실행의 영향을 더받는 것이 타당합니다ns. 이렇게하면 마음이 관련없는 정보에 덜 민감하게 반응하고주의 깊은 호흡에 더주의를 기울일 수 있습니다.
웨이블릿 엔트로피 분석은 정상적인 휴식 상태와 비교하여 의식 호흡 중 심장 박동의 불규칙성이 적다는 것을 보여 주었는데, 이것은 부교감과 교감 신경의 상호 작용이 비교적 자립적이어서 자율 신경계의 균형이 더 잘 이루어 졌다는 것을 의미합니다. 폐 감각 구 심성이 미주 신경의 심장 미주 신경 운동 신경에 억제 계획을 전송하여 미주 신경을 통해 심장 박동을 억제하므로주의 깊은 호흡이 심장 박동에 영향을 줄 수 있습니다 24 . 심장 동맥 상호 작용은 뇌의 뇌간과 변연계에 의해 매개됩니다 25 . 중추 신경계와 심장 활동 사이의 연결을 감안할 때 마음을 훈련함으로써 MBSR 또는 다른 명상 관행이 다른 신체 기능에 영향을 미칠 수 있다고 생각됩니다압통 감도 재설정, 폐의 가스 교환 효율 향상, 자율 신경계 균형 유지 26 .
심신 연결은 많은 동양 전통에서 강조됩니다. 이 점에서 우리의 연구는 엔트로피 측면에서 객관적인 증거를 제시합니다. 뇌 활동과 심장 활동의 불규칙성은 MBSR 실행 중에 더욱 조화를 이루고 양측 체성 감각 영역에서는 조정이 가장 컸다. 이 지역은 신체의 감각 입력 및 이동을 직접 담당하며,이 증가 된 조정은 MBSR 실습 중 신체 인식 향상을 의미합니다. Mindfulness 훈련은 기능적 MRI 연구에서 상완 신경 영역의 활동을 증가시키는 것으로 밝혀졌다. 우리의 결과는 뇌 및 심장이 MBSR 연습 동안보다 더 동반되어 시스템의 불필요한 엔트로피를 오프로드 할 수 있음을 시사합니다
우리와 같은 연구에서 한 가지 중요한 단계는 뇌파 및 심전도의 불규칙성을 측정하기 위해 올바른 엔트로피 지수를 선택하는 것입니다. 근사 엔트로피 29 를 사용했던 Renu Madhavi 외 다른 연구원 과 달리, 우리는 서로 다른 크기의 에너지 사이의 복잡성에 초점을 맞추기 위해 웨이블릿 엔트로피를 사용하기로 결정했습니다. 뇌 전자 활동은 서로 다른 크기와 스펙트럼으로 다른 특성을 갖는 방대한 수의 뉴런에서 비롯되기 때문에 잔상 엔트로피는 뇌파의 불규칙성을 측정하는 데 더 적합해야합니다> 30. 마찬가지로, 순간 심장 박동수는 다른 시간 척도에서 다른 특징을 가지므로 ECG 31 에 웨이블릿 엔트로피를 적용하는 것이 타당합니다. 또한 Shannon의 엔트로피 및 근사 엔트로피는 샘플링 빈도에 민감하며 근사 엔트로피는 소스 공간에서의 계산 외에도 데이터 길이가 기하 급수적으로 증가하는 많은 계산 시간을 필요로합니다.
현재 연구의 몇 가지 제한 사항은 주목할 가치가 있습니다. 첫째, 두피 뇌파의 공간적 해상도는 높은 시간 해상도에도 불구하고 상대적으로 낮습니다. 이를 해결하기 위해 소스 분석이 본 연구에 적용되었습니다. EEG 소스 재구성은 부적 절한 문제이며 대안적인 접근법은 재구성 정밀도를 향상시키는 데 도움이 될 수있는 이전의 기능적 자기 공명 영상 (fMRI) 연구에서 공간 사전을 갖는 것입니다 32 , 33 . 또 다른 한계는 t모자, 뇌 활동과 심장 활동 사이의 조정을 대상간에 평가했다. 피험자 내 조정은 향후 연구에 맡겨져있다. 또한 ECG의 진폭은 전극 위치와 피부 임피던스에 크게 영향을받을 수 있으므로 피검자간에 비교할 수 없기 때문에 심전도의 엔트로피는 심전도 신호에서 직접적으로 얻어지는 것이 아니라 심장 박동 간격에서 유도됩니다.
이전 연구에서는 대개 EEG 신호의 스펙트럼 분석을 수행하여 뇌파의 불규칙성을 소음으로 처리했습니다. 대조적으로, 우리는 마음 상태의 반영으로 두뇌의 혼란스러운 전자 활동을 측정하기 위해보다 민감한 색인으로 웨이블릿 엔트로피를 사용하는 것을 제안합니다. 제안 된 방법론은 마음과 마음이 명상 중에 더욱 조율된다는 전통적인 가정에 대한 객관적인 증거를 제공한다.
웨이블릿 엔트로피는 명상 상태를 매우 민감하게 모니터 할 수 있기 때문에 정신 트레이티에 사용될 수 있습니다엔트로피는 수술 중 마취 수준을 측정하기 위해 임상 실습에서 사용되는 것처럼 필드에서 사용됩니다. 웨이브 렛 엔트로피와 유사한 지표를 사용하여 무선 EEG 장치를 사용하여 개인의 일상 명상 연습 또는 교육 목적을위한 기타 정신 훈련을 편리하게 모니터링 할 수 있습니다. 그럼에도 불구하고 무선 EEG는 일반적으로 이마에있는 채널을 안정적으로 측정 할 수 있기 때문에 이러한 채널이 마음의 상태를 모니터링 할만큼 민감한 지 여부를 조사해야합니다.
이 절차의 중요한 단계는 더 나은 신호 품질과 적은 잡음을 위해 각 전극에 대한 피부 임피던스를 낮게 유지하는 것입니다. 적절하고 적절한 MBSR 교육 실시 명상에 큰 에너지가 필요하기 때문에 실험 전에 좋고 피곤하지 않은 정신 상태를 보장해야합니다. 적절한 엔트로피 지수 (웨이블릿 엔트로피)를 선택하는 것; EEG 데이터의 SPM 소스 분석에 익숙합니다.
Disclosures
저자는 경쟁적인 금전적 이해 관계가 없다고 선언합니다.
Acknowledgments
이 연구는 The University of Hong Kong의 SPF-201209176152 기금에 의해 지원되었습니다. 우리는 Helen Ma 선생님이 과정을 가르치고 MBSR 참가자를 모집 한 것에 감사드립니다.
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).
