Summary
Detta manuskript beskriver hur man använder wavelet entropi index för att analysera data med hög densitet elektroencefalografi (EEG) och elektrokardiografi (EKG). Vi visar att oregelbundenhet av hjärn- och hjärtaktivitet blev mer samordnad under mentalitetsbaserad stressreduceringspraxis.
Abstract
I både öst och väst säger traditionella läror att sinnet och hjärtat på något sätt är nära korrelerade, särskilt under andlig övning. En svårighet att bevisa detta objektivt är att naturen i hjärnans och hjärtaaktiviteten är helt annorlunda. I detta dokument föreslår vi en metod som använder wavelet entropi för att mäta de kaotiska nivåerna av både elektroencefalogrammet (EEG) och elektrokardiogramdata (EKG) och visa hur det kan användas för att undersöka den potentiella samordningen mellan sinnet och hjärtat under olika experimentella förhållanden . Vidare användes statistisk parametrisk kartläggning (SPM) för att identifiera hjärnregionerna där EEG-wavelet entropin var mest påverkad av försöksförhållandena. Som en illustration registrerades EEG och EKG under två olika förhållanden (normal vila och medveten andning) i början av en 8-veckors standard Mindfulness-based stress reduction (MBSR) träningspass (pretest) och efter cOurse (posttest). Med användning av den föreslagna metoden visade resultaten konsekvent att wavelet entropin i hjärnens EEG minskade under det MBSR-uppmärksamma andningstillståndet jämfört med det under det slutna ögat vilande tillståndet. På liknande sätt hittades en lägre wavelet entropi av hjärtfrekvens under MBSR-uppmärksam andning. Emellertid fann ingen skillnad i wavelet entropi under MBSR medveten andning mellan pretest och posttest. Ingen korrelation observerades mellan entropin av hjärnvågor och entropi av hjärtfrekvensen under normal vila hos alla deltagare, medan en signifikant korrelation observerades under MBSR-uppmärksam andning. Dessutom var de mest välkorrelerade hjärnregionerna belägna i hjärnans centrala delar. Denna studie ger en metod för att fastställa bevis för att mindfulness-övning (det vill säga uppmärksam andning) kan öka samordningen mellan hjärnans och hjärnans aktiviteter.
Introduction
Med framsteg inom neurovetenskap och medicin 1 är vi i en mycket bättre position att förstå de icke-farmakologiska fördelarna med mindfulness och meditation på mentala och fysiska sjukdomar. Många studier har visat att Mindfulness-based stress reduction (MBSR) träning som en form av mental träning kan aktivt minska onödig stress i sinnet och kroppen 2 . Under övningen av meditation kan kroppen och sinnet bli mer entrained. Dessa frågor har lockat intresse för både det akademiska samhället och allmänheten och har motiverat oss att utforma en metod för att undersöka möjlig samordning mellan sinne och kropp (eller mer specifikt mellan hjärnan och hjärtat) under olika förhållanden för att bedöma effekten Av MBSR-träning och träning.
Oregelbundenheten av elektroencefalogram (EEG) betraktas vanligtvis som brus i den konventionella EEG-spektrumanalysen, bUt det kan innehålla användbar information och kan mätas med signal entropi. EEG entropi har använts som ett index för kliniska tillstånd som epilepsi, Alzheimers sjukdom och anestesi, och vissa bevis tyder på att entropin av EEG kan vara en mer känslig åtgärd för övervakning av hjärnstater än den traditionella EEG-spektrumanalysen 3 , 4 . Entropi har länge använts i termodynamik som ett index för att beskriva det kaotiska tillståndet för ett system. Hjärnvågorna uppmätta av EEG är kända för sin dynamiska aktivitet på grund av hjärnnätverk som fungerar mellan order och kaos 5 . Bland de olika entropierna erbjuder wavelet entropi en metod för att beräkna entropin av energier under olika observationsskala, vilket är väl lämpat för att analysera EEG-signaler med mycket varierade funktioner i olika skalaer. För en helt slumpmässig signal kommer de relativa energierna vid olika upplösningsnivåer att varaSamma, och entropin når sitt maximala. Därför tjänar wavelet entropin som ett mått på kaotiska aktiviteter i EEG och kan användas som ett index för differentiering av olika sinnena 6 .
Tidigare elektrokardiogramstudier gav konsekvent bevis på meditationsrelaterade förändringar i hjärtfrekvensvariationen jämfört med premeditationssituationer 7 . Heartbeat regleras av det autonoma (inklusive det sympatiska och parasympatiska) nervsystemet. Den autonoma tonen moduleras genom interaktioner mellan ganglion; Sino-auricular nod; Vagus nerver; Och högre ordningens hjärnstrukturer, såsom medulla oblongata, insula och limbiska systemet. Dessa strukturer bildar ett hierarkiskt system, och dess olinjära aktivitet kan mätas genom entropi 8 . Till exempel kan de neurala sprängningarna i högre ordningens hjärnstrukturer påverka hjärtatrytmen 9 .I kliniska tillstånd stör hjärtsjukdomar, såsom epileptiska anfall, hjärtrytmen 10 . Neurokardiologisk forskning tyder också på ett nära samspel mellan hjärtat och hjärnan 11 .
En svårighet att undersöka sambandet mellan hjärn- och hjärtsignaler är att de är ganska olika i signalinnehåll och tidsskala. Därför är en stor utmaning att identifiera en gemensam åtgärd som inte bara är tillämplig på både hjärn- och hjärtsignaler, men också meningsfullt för tolkning i samband med koordinering mellan kropp och själ. I detta dokument föreslår vi användningen av wavelet entropi för att upptäcka möjlig samordning mellan oregelbundenheter i hjärnans och hjärtaktivitet genom att korrelera entropierna av EEG- och hjärtslagsignaler, som då kan utvärderas genom ett MBSR-experiment.
Eftersom MBSR involverar mindfulness-övning i både kropp och själ, förutser vi att MBSR-uppmärksam andning prAktris kan påverka inte bara hjärnaktivitet utan även hjärtslag. Tidigare studier undersökte huvudsakligen effekten av mindfulness träning och / eller övning i hjärnan eller hjärtat separat och baserat på olika aspekter; Samtidiga förändringar i dessa två närbesläktade system förblir i stor utsträckning oförskattade. Endast ett fåtal studier rapporterade bättre koordinering av kropp och själ efter uppmärksamhetsutbildning 12 . Med hjälp av den föreslagna metoden visade representativa resultat och en tidigare studie 13 att MBSR-mindfulness-träning kan öka koordinering av kropp och själ när det gäller deras kaotiska aktiviteter, vilket kan ge ny inblick i effekterna av mindfulness-träning på centrala och perifera Nervsystem.
Protocol
Denna forskningsstudie godkändes av University of Hong Kong Institutional Review Board. Alla deltagare gav sitt skriftliga informerade samtycke innan de deltog i denna studie.
1. Experimentell design
Tabell 1. MBSR Kursöversikt. Den 8-veckors MBSR-kursen som deltagarna tagit.
- Rekrytera deltagare.
OBS: Eleven friska vuxna (fem honor) från en lokal MBSR-kurs deltog i denna EEG-studie och var 28- 52 år. Deltagare med depression baserad på Beck Depression Inventory uteslutes från studien. Kursen följde standard MBSR-träning ( tabell 1 ), och deltagarna var tvungna att begå träningsstrukturen. - EEG inspelningssystem.
- Gör EEG-inspelning i ett tyst rum med hjälp av 128-kanals EEG sYstem bestående av en EEG cap, förstärkare, inloppslåda och stationär dator.
2. EEG- och EKG-dataförvärv
OBS: EEG-datainsamling följde ett standardförfarande som liknar den metod som beskrivits tidigare 14 . Be varje deltagare att tvätta sitt hår och hårbotten innan de kommer till experimentplatsen. Informera deltagaren om försöksförfarandena, främst att han / hon kommer vila normalt i 10 minuter och medge uppmärksam andning i ytterligare 10 minuter under inspelning med EEG- och EKG-enheter.
- Rengör ansiktsområdet och mastoid av deltagaren med alkoholpipor.
- Mäta deltagarens huvudomkrets med hjälp av ett mätband och välj sedan ett passande storlekskåpa. Ta en mätning från nasionen till inionen och en annan mätning över öronen och över hårbotten. Markera vertexen (punkten i mitten avståndet mellan nasion anD och mid-avstånd mellan de två öronen) med en mjuk markörpenna.
- Ställ in elektrodpositionerna enligt 10-5 elektrodesystemen 15 . Placera locket på ett sådant sätt att Cz-elektroden ligger ovanför vertexen, Nz-elektroden ligger vid nationen, Lz-elektroden ligger vid injektionen, RM-elektroden ligger på höger mastoid och LM-elektroden är på vänster mastoid .
- Placera EKG-elektroderna på både vänster och höger infarklavikulära fossa.
- Fyll elektrodhållarna med gel med en sprutspjäll.
- Håll impedansen under 20 kΩ för varje elektrod. Minska impedansen genom att justera elektrodplaceringen för att öka kontakten med hårbotten. Tillsätt mer gel om det behövs.
- Stram chinstrap och be deltagaren att stanna stilla.
- Ställ in provtagningshastigheten för EEG-enheten till 1000 Hz. Använd den vänstra mastoid som den ursprungliga referenspunkten.
- Spela in EEG-data (steg 1.2.1) i början av MBSR-kursen (inom 2 veckor).
- Låt deltagaren göra en kort kroppsskanning för att slappna av hela kroppen. Ta deltagaren uppmärksamhet på hans andetag medan han andas in och andas ut. Ha varje deltagare utföra 10 min MBSR-uppmärksam andning (MBSR mindfulness-tillstånd) och 10 min normal vila (kontrollförhållande) vid EEG-datainsamling. Detta genererar en för-MBSR-träningsdatasats med två villkor.
ANMÄRKNING: Motbalansera ordningen med uppmärksam andning och normal vila bland deltagarna.
- Låt deltagaren göra en kort kroppsskanning för att slappna av hela kroppen. Ta deltagaren uppmärksamhet på hans andetag medan han andas in och andas ut. Ha varje deltagare utföra 10 min MBSR-uppmärksam andning (MBSR mindfulness-tillstånd) och 10 min normal vila (kontrollförhållande) vid EEG-datainsamling. Detta genererar en för-MBSR-träningsdatasats med två villkor.
- Registrera EEG-data igen ungefär 1 månad efter att deltagarna slutförde MBSR-kursen.
- Be varje deltagare att utföra 10 minuter med uppmärksam andning och 10 min normal vila under EEG-datainsamling. Detta genererar en post-MBSR träningsdataset med två villkor.
3. EEG- och EKG-dataanalys
OBS! De första fyra stegen ärFör databehandling och de återstående stegen är för wavelet entropy beräkning och korrelationsanalys. Här användes en öppen källkodsprogram med namnet EEGLAB 16 för EEG-analys, men operationerna borde vara olika över olika program. I det följande kommer de operationer som bygger på EEGLAB att tillhandahållas som ett exempel. Mer information finns i EEGLAB-handboken (https://sccn.ucsd.edu/wiki/EEGLAB_Wiki#EEGLAB_Tutorial).
- Använd EEG-mjukvaran för att prova data vid 250 Hz genom att välja Verktyg> Ändra samplingsfrekvens. Använd filteret för finitimpulsrespons (FIR) för bandpassfiltrering med ett passband på 0,5-100 Hz genom att välja Verktyg> Filtrera data> Basic FIR-filter.
- För att minska bruset på grund av växelströmsnätet som är landsspecifikt, använd det korta, olinjära, Infinite Impulse Response-filtret (IIR) för hakfiltrering med ett 47 - 53 Hz stoppband genom att välja Verktyg> Filtrera data> Korta icke-linjäraIIR filter. Detta täcker alla relevanta frekvenser i spektrumanalysen samtidigt som onödigt buller avlägsnas.
- Använd EEG-programvaran för att visuellt rulla igenom och inspektera EEG-signalen genom att välja Plot> Channel data (scroll).
- Identifiera och ta bort EEG-segment som innehåller uppenbart muskelbuller och andra märkliga händelser. Vänster-klicka och dra musen över dåliga segment för att markera dem och sedan "radera" eller "avvisa" segmenten med hjälp av EEG-programvaran.
OBS! Muskelaktiviteter som sväljande eller ansiktsuttryck genererar ofta diskontinuerliga och oregelbundna signaler. Konstiga händelser orsakas vanligtvis av huvud eller kroppsrörelser, vilket ofta leder till signifikanta skift (vid låga frekvenser) av EEG-signalen. - Bestäm om det finns någon dålig kanal. Rekonstruera varje dålig kanal med den sfäriska interpoleringsmetoden genom att välja Verktyg> Interpolera kanal.
- Identifiera och ta bort EEG-segment som innehåller uppenbart muskelbuller och andra märkliga händelser. Vänster-klicka och dra musen över dåliga segment för att markera dem och sedan "radera" eller "avvisa" segmenten med hjälp av EEG-programvaran.
- Använd EEG-mjukvaran för att utföra InBeroende komponentanalys 17 (ICA) på data genom att välja Verktyg> Kör ICA. Har en erfaren EEG-operatör visuellt identifiera och kassera komponenter i ögonrörelse och blinkande, muskelrörelser och komponenter i annat möjligt brus genom att välja Verktyg> Avvisa data med ICA> Avvisa komponenter efter karta; Verktyg> Ta bort komponenter. EEG-mjukvaran kommer automatiskt att rekonstruera data med hjälp av de behållna komponenterna.
- Använd EEG-mjukvaran för att omregistrera data till medeltalet av alla kanaler före ytterligare analys genom att välja Verktyg> Referens.
- Spektrumanalys.
- Använd EEG-kommandoradsfunktionen "spectopo" för att beräkna EEG-spektra med Welchs spektraldensitetsberäkning 18 och få logkraften (dB) för delta (1 - 4 Hz), theta (4 - 8 Hz), alfa ( 8 - 12 Hz), beta (12-30 Hz) och gamma (30 - 80 Hz) vågor.
- Beräkna den relativa poWer av varje typ av våg 18 ( dvs andelen kraft i respektive frekvensband i förhållande till total spektrumkraft).
- Utför EEG-källanalys med hjälp av statistisk parametrisk kartläggning (SPM).
- Använd minsta normberäkning 19 för att omvandla EEG-signalerna från hårbottenelektroderna till 3D-hjärnkällans signaler.
OBS! Här var det ursprungliga kanalnumret 122 och det omvandlades till 8 196 kanaler fördelade i den tredimensionella hjärnmodellen. Signifikansnivån sattes till p = 0,01. Se källanalysen i SPM-manualen (www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf).
- Använd minsta normberäkning 19 för att omvandla EEG-signalerna från hårbottenelektroderna till 3D-hjärnkällans signaler.
- Beräkna wavelet entropi för varje EEG-kanal (liksom för den beräknade tredimensionella hjärnkällansignalen) med hjälp av följande procedur:
- Givet en signal
,Beräkna wavelet koefficienterna som 
, var 
Är en orthonormal grund av Haar wavelet familjen och 
Representerar sönderdelningsnivåerna ( N = 10 i denna studie). - Definiera den relativa energin som
, Med 
. - Beräkna wavelet entropi som
. Genomsnittlig wavelet entropi för alla kanaler för att få EEG wavelet entropi för varje deltagare.
- Givet en signal
- Använd mjukvarupaketet för att utföra en toppanalys på EKG-data för att få hjärtslagssignalen, som består av antalet EKG-vågtoppar och intervallet mellan topparna.
OBS: AntagEtt normalt hjärtfrekvens på 60-100 slag / min i både normala viloproblem och medveten andningstillstånd bör antalet hjärtinfarkter N i en 10 min lång varaktighet vara relativt liten och uppnå 600 < N <1000.- För att få tillförlitlig wavelet entropi från hjärtslagssignalen, använd ett glidfönster på 500 punkter och ett steg steg på 10 poäng för att beräkna en serie wavelet entropies med samma procedur som för EEG, utarbetat i avsnitt 3.7. Använd medelvärdet som den sista wavelet entropin.
- Analysera hjärnans och hjärtekorrelationen mellan ämnen mellan wavelet entropi av EKG och EEG hos varje kanal i hårbotten med hjälp av någon statistisk programvara som har en Pearson korrelationsfunktion.
- Använd EEG-kommandoradsfunktionen "topoplot" för att konstruera en statistisk hårbottenkarta för korrelationen. Plot en linjär korrelationsgraf med hjärtfrekvens entropi och den genomsnittliga EEG entropin av endast de chaNneller som är signifikant korrelerade med hjärtinfarkt entropi (se avsnittet om representativa resultat).
,Beräkna wavelet koefficienterna som 
, var 
Är en orthonormal grund av Haar wavelet familjen och 
Representerar sönderdelningsnivåerna ( N = 10 i denna studie). 
, Med 
. 
. Genomsnittlig wavelet entropi för alla kanaler för att få EEG wavelet entropi för varje deltagare. Representative Results
Spektrumanalys
I spektrumanalysen av EEG-data jämfört med normal vila förbättrades alfa (8-12 Hz) och beta (12-30 Hz) och reducerade delta (1 - 4 Hz) vågor under MBSR-uppmärksam andning. Ökningen av alfa-vågor var globalt signifikant, speciellt i front- och occipitalloberna, medan ökningen av beta-vågor var främst i frontalloben. Minskade deltavågor noterades i de centrala parietala områdena ( Figur 1 ). Vi hittade emellertid inte någon signifikant förändring mellan träning före och efter MBSR.
Figur 1. Spektrumanalys av MBSR Mindful respiration och normala viloperioder. Spektrumanalysen visar att MBSR-övningen kan förändra hjärnans aktiviteter, vilket indikeras av de olikaSpektrum av EEG. Ursprunglig källa: Referens 13 . Vänligen klicka här för att se en större version av denna figur.
Figur 2 illustrerar den definierade regionen av intresse: den occipitala loben (kanalerna N19-21, N41-46, N67-72, N96-100 och N119), den mellersta frontalloben (kanalerna N53-61 och N79-83) och Den mellersta parietalloben (kanalerna N48 - 50, N64 - 66 och N74 - 76). Tabell 2 visar kraften hos varje spektrum och entropin under MBSR-uppmärksam andning och normala viloperioder, tillsammans med p -värdet av t -testet av skillnaden mellan de två tillstånden för varje region av intresse. Vi kombinerade före och efter MBSR träning EEG data eftersom det inte fanns någon skillnad mellan de två stegen.
Figur 2. Definierad region av intresse. De definierade områdena av EEG-kanaler som representerar den mellersta frontalloben, mellansparialkloben och occipitalloben. Vänligen klicka här för att se en större version av denna figur.
| Delta | theta | Alfa | Beta | Gamma | Entropi | ||
| Middle 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>
| Resten | 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-värde | 0,0243 | 0,6555 | 0,0085 | 0,0114 | 0,4419 | 0,0084 | |
| Occipitala loben | 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 |
| Resten | 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-värde | 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 |
| Resten | 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-värde | 0,0157 | 0,0963 | 0,0177 | 0,1507 | 0,2878 | 0,0368 |
Tabell 2. Spektrum och entropi över hjärnområdena. MBSR medveten andning och normala viloförhållandenJämförs bland de tre fördefinierade intressegrupperna (ROI).
Wavelet Entropy Analysis
Analys av wavelet entropi av EEG visade minskad EEG entropi under MBSR medveten andning jämfört med normal vila, både för före och efter MBSR träning. Eftersom det inte fanns någon signifikant skillnad mellan de två stegen, slogs de samman för att producera en medelvärde karta (visas i tredje raden i figur 3 ). Huvudområdena med minskad entropi var vid frontalsken och parietal-occipitalloben.
Figur 3. Wavelet Entropy Analysis. Vila 1 och MBSR 1 betecknar före MBSR-utbildning, medan resten 2 och MBSR 2 betecknar post-MBSR-träning. Wavelet entropyanalys visar att MBSR-praxis kan minska oegentligheten hosHjärnans elektroniska aktiviteter. Ursprunglig källa: Referens 13 . Vänligen klicka här för att se en större version av denna figur.
Källanalys av Wavelet Entropy
Källanalys av EEG-signalerna kan förbättra den rumsliga upplösningen genom att deformera hårbotten EEG till elektriska aktiviteter över den kortikala ytan 20 . Analysen visar att de stora hjärnregionerna som drabbades av MBSR-mindfulness-träningen var i vänster-mitten occipitalloben, precuneus, överlägsen temporal lobe och left fusiform ( Figur 4 ). I tabell 3 tillhandahåller vi för de fyra anatomiska etiketterna som erhållits från källanalysen t -testresultat för skillnaden i entropierna i två olika tillstånd, MBSR mindfulness stateMot normal vila.
Figur 4. Källa analys. Källanalysen visar att entropierna i olika hjärnregioner (markerade i rött) minskar under MBSR: s uppmärksamma andningstillstånd. Vänligen klicka här för att se en större version av denna figur.
| Anatomisk etikett | voxlar | X, y, z | t-värde |
| Mellans temporal gyrus L | 1728 | -44 -60 16 | 3,77 |
| Precuneus R | 1324 | 2 -56 28 | 3,63 |
| Occipital L | 749 | -2 -102 -12 | 3,61 |
| Fusiform L | 142 | -102 | 3,51 |
Tabell 3. Källanalysrapport. Anatomiska hjärnregioner med signifikanta skillnader i entropi mellan MBSR-uppmärksam andning och normala viloperioder. L, vänster sida av hjärnan. R, högra sidan av hjärnan ( p <0,001, t- test, okorrigerad).
Hjärtfrekvens Wavelet Entropy
Analysen avslöjade ingen signifikant skillnad i genomsnittligt hjärtfrekvens, men hjärtinfarkten var lägre under MBSR-uppmärksam andning, både före och efter MBSR-träning ( tabell 4 ).
| REST1 | MBSR1 | REST2 | MBSR2 | |
| Hjärtfrekvens (slag per minut) | 68,2 ± 9,5 | 67,7 ± 9,3 | 71,8 ± 8,1 | 70,7 ± 8,4 |
| Hjärtfrekvens Wavelet Entropy | 0,89 ± 0,05 | 0,79 ± 0,11 * | 0,89 ± 0,07 | 0,80 ± 0,12 # |
Tabell 4. Hjärthastighet och hjärthastig Wavelet Entropy av MBSR Mindful Pustning och normala viloläge. De två förutsättningarna jämförs både före och efter MBSR-träning. * Signifikant skillnad ( p <0,05) mellan resten 1 och MBSR 1. # Signifikant skillnad ( p <0,05) mellan resten 2 och MBSR 2.
KorrelationMellan hjärta och hjärnaktivitet
Med tanke på den potentiella kopplingen mellan hjärnan och hjärtat analyserade vi sambandet mellan hela hjärnans EEG-entropi ( dvs genomsnittet av EEG-entropier över alla EEG-kanaler för ett enskilt ämne) och hjärtatropet entropi under MBSR-uppmärksam andning och normala vilolägen . Entropierna i hjärnan och hjärtat var signifikant korrelerade under MBSR-uppmärksam andning men inte under normal vila. Såsom visas i den övre delen av figur 5 är signifikansen av korrelationen mellan entropin hos EEG i varje kanal och hjärtratrat entropin mest framträdande i den centrala delen av hjärnan. Den nedre delen visar korrelationen mellan EEG entropi i de centrala regionerna (genomsnittet av de prickade kanalerna som är signifikant korrelerade med hjärtatropropropi) och hjärtatropropropi.
Figur 5. Korrelation mellan Wavelet Entropies av elektroniska aktiviteter i hjärtat och hjärnan. Wavelet entropin av hjärnaktivitet är medelvärdet av de signifikanta kanalerna i den centrala regionen, som visas i den övre högra bilden. Hjärtans entropi är baserat på hjärtfrekvensintervallet. Korrelationen (nedre panelen) beräknas över alla ämnen för både träningsresultat före och efter MBSR. Ursprunglig källa: Referens 13 . Vänligen klicka här för att se en större version av denna figur.
Discussion
Denna EEG-studie ger konkreta bevis för att, jämfört med normal vila, förbättrar MBSR-uppmärksam andning alfabuljorna i front- och occipitalloberna. Detta stämmer överens med majoriteten av rapporterna om ökade alfavågor under meditation, särskilt hos nybörjare 21 . Alfa vågor brukar indikera ett tillstånd av upphetsning och vaksamhet och frihet från en viss uppgift. Ett sådant mentalt tillstånd är ett av målen med meditation; Det vill säga, hålla sinnet rent och skarpt, fritt från antingen snygga flygningar eller somna. Den förbättrade alfavågsynkroniseringen under MBSR-övningen kan också förbättra samordningen mellan sinne och kropp 22 .
De elektroniska aktiviteterna hos det stora antalet neuroner i hjärnan utgör ett olinjärt hierarkiskt system, och dess oegentlighet kan väl mätas av entropi 8 . Vi fann att under MBSR-övning, oregelbundenheten hos hjärnelektronOniska aktiviteter minskade över en stor del av hårbotten EEG, speciellt i främre polen och bilaterala occipital hjärnregioner. Ytterligare källanalys av wavelet entropi visade att oregelbundenheten av occipital och precuneus aktiviteter reducerades under MBSR-praxis. Andra områden som är inblandade inkluderar höger-mellersta cingulate och den överlägsen temporal lobe. Detta stämmer överens med en annan studie som indikerar att gråmaterialet ökar i precuusen efter MBSR-träning 23 . Avancerade meditationsexperter har vanligtvis högre parieto-occipitala EEG-gammavågor under icke-snabb ögonrörelse sömn 1 . Ett viktigt inslag i MBSR-träning är att inte bedöma hjärnans informationsflöde. Detta kan eventuellt minska oregelbundenheten hos hjärnans aktiviteter. Eftersom en viktig informationskälla i hjärnan är den visuella cortexen är det troligt att de synrelaterade hjärnregionerna påverkas mer av MBSR-övning än andra regionerns. Detta gör det möjligt för sinnet att bli mindre mottagligt för irrelevant information och att ägna mer uppmärksamhet åt uppmärksam andning.
Wavelet entropi-analys visade mindre oregelbundenhet av hjärtfrekvensen vid uppmärksam andning jämfört med det normala vilodetillståndet, vilket innebär en mer förfinad balans i det autonoma nervsystemet på grund av relativt oväsentliga interaktioner mellan parasympatiska och sympatiska toner. Mindful andning kan också påverka hjärtfrekvensen, eftersom lungens sensoriska afferenter skickar hämmande projicer till hjärtsvagmotoriska neuroner i mitten av hjärnan, vilket hämmar hjärtfrekvensen via vagusnerven 24 . Den kardiorespiratoriska interaktionen medieras av hjärnstammen och det limbiska systemet i hjärnan 25 . Med tanke på sambandet mellan centrala nervsystemet och hjärtaktiviteten är det troligt att, genom att träna sinnet, kan MBSR eller andra meditationspraxis också påverka andra kroppsfunktioner, såsomÅterställa baroreflex-känsligheten, förbättra gasutbyteseffektiviteten i lungorna och balansera det autonoma nervsystemet 26 .
Sinn-kroppsanslutningen betonas i många östra traditioner. I detta avseende ger vår studie det första objektiva beviset när det gäller entropi. Oegentligheterna i hjärnans och hjärtaaktiviteten blev mer samordnade under MBSR-övningen, och samordningen var störst i de bilaterala somatosensoriska regionerna. Denna region har direkt ansvar för kroppens sensoriska ingång och rörelse, och denna ökade koordinering innebär större kroppsmedvetenhet under MBSR-träning. Mindfulness-utbildning visade sig öka aktiviteten hos de viscerosomatiska områdena i en funktionell MR-studie, som har bättre rumsupplösning än EEG 27 . Våra resultat tyder på att hjärnan och hjärtat kan bli mer involverade under MBSR-övning, avlastning av onödig entropi i systemet
Ett viktigt steg i en studie som vår är att välja rätt entropiindex för att mäta oegentligheten hos EEG och EKG. Till skillnad från Renu Madhavi et al ., Som använde ungefärlig entropi 29 , har vi valt att använda wavelet entropi för att fokusera på komplexiteten bland energierna i olika skalaer. Eftersom hjärnans elektroniska aktiviteter härstammar från ett stort antal neuroner som har olika egenskaper i olika skalor och spektrum, bör wavelet entropi vara mer lämplig för att mäta EEG-oegentligheten> 30. Likaså har momentant hjärtfrekvens också olika egenskaper under olika tidsskala, så det är rimligt att tillämpa wavelet entropi på EKG 31 . Dessutom är Shannon entropi och approximativ entropi känsliga för provtagningsfrekvensen, och ungefärlig entropi kräver stora beräkningstider som ökar exponentiellt med datalängd, detta förutom beräkningen i källrummet.
Flera begränsningar av den aktuella studien är värda att notera. För det första är den rumsliga upplösningen av hårbotten EEG relativt fattig trots sin höga temporala upplösning. För att ta itu med detta användes källanalys i vår studie. EEG-källkonstruktion är ett felaktigt problem, och ett alternativt tillvägagångssätt är att ha rumsliga priorier från tidigare funktionella magnetiska resonansbildningsstudier (fMRI), vilket kan bidra till att förbättra rekonstruktionsnoggrannheten 32 , 33 . En annan begränsning är tHatten koordinerades mellan hjärnans och hjärtans aktiviteter bedömdes mellan ämnen; Samordning inom ämnet är kvar för framtida studier. Dessutom är entropin av EKG inte härledd direkt från EKG-signalen, utan snarare från hjärtfrekvensintervallet eftersom EKG-amplituden kan påverkas starkt av elektrodpositionen och hudimpedansen och således inte är jämförbar mellan subjekt.
Tidigare studier utförde vanligtvis en spektrumanalys av EEG-signalen, avvisande oregelbundenhet i EEG som brus. Däremot föreslår vi att använda wavelet entropi som ett känsligare index för att mäta hjärnans kaotiska elektroniska aktiviteter som en återspegling av sinnet. Den föreslagna metoden ger objektivt bevis för det traditionella antagandet att sinnet och hjärtat samordnas mer under meditation.
Eftersom wavelet entropi kan övervaka meditationstillståndet ganska noggrant, kan det användas i mentaltrainenNg-fält, precis som entropi används i klinisk praxis för att mäta narkosnivå under operationen. Med hjälp av ett index som liknar wavelet entropi kan trådlösa EEG-enheter användas för att enkelt övervaka en persons dagliga meditationspraxis eller annan mental träning för utbildningsändamål. Men eftersom en trådlös EEG normalt bara kan mäta kanalerna stabilt i pannan, måste vi undersöka om dessa kanaler är känsliga nog att övervaka sinnesstämningen.
De kritiska stegen i denna procedur innefattar att hålla hudimpedansen för varje elektrod låg för bättre signalkvalitet och mindre ljud; Korrekt och korrekt genomförande av MBSR-träning Säkerställa ett gott, icke-trött mentalt tillstånd före experimentet, eftersom meditation kräver stor energi; Välja rätt entropiindex (wavelet entropy); Och är bekant med SPM-källanalys av EEG-data.
Disclosures
Författarna förklarar att de inte har några konkurrerande ekonomiska intressen.
Acknowledgments
Denna studie stöddes av SPF-201209176152-fonden vid University of Hong Kong. Vi tackar Dr Helen Ma för att undervisa kursen och rekrytera MBSR-deltagare.
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).
