Summary

Dikkatlilik Uygulamasının Düzensiz Beyin ve Kardiyak Aktiviteler Arasındaki Koordinasyonu Arttırdığını Göstermek için Wavelet Entropisini Kullanma

Published: May 10, 2017
doi:

Summary

Bu el yazısı, yüksek yoğunluklu elektroensefalografi (EEG) ve elektrokardiyografi (EKG) verilerini analiz etmek için dalgacık entropi indeksinin nasıl kullanılacağını anlatmaktadır. Beynin ve kalp hareketlerinin usulsüzlüğünün dikkatlilik temelli stres azaltma uygulamasında daha uyumlu hale geldiğini göstermektedir.

Abstract

Hem doğuda hem de Batıda, geleneksel öğretiler, zihin ve kalbin, özellikle de manevi pratikte yakından ilişkili olduğunu söylüyor. Bunu objektif olarak ispatlamanın bir zorluğu, beyin ve kalp faaliyetlerinin doğalarının oldukça farklı olmasıdır. Bu yazıda hem elektroensefalografi (EEG) hem de elektrokardiyogram (EKG) verilerinin kaotik seviyelerini ölçmek için dalgacık entropisini kullanan bir metodoloji önermekteyiz ve bunun farklı deneysel koşullar altında zihin ve kalp arasındaki potansiyel koordinasyonu araştırmak için nasıl kullanılabileceğini göstereceğiz . Ayrıca, EEG dalgacık entropisinin deneysel koşullardan en fazla etkilenen beyin bölgelerini belirlemek için İstatistiksel Parametrik Eşleştirme (SPM) kullanılmıştır. Bir örnek olarak, EEG ve EKG, 8 haftalık bir Dikkate Alınmış Gerilme Azaltma (MBSR) eğitim dersinin (ön test) başında ve iki hafta boyunca, iki farklı koşulda (normal dinlenme ve dikkatli soluma) kaydedildi.Bizimki (posttest). Önerilen yöntemi kullanarak, sonuçlar sürekli olarak beyin EEG'sinin dalgacık entropisinin MBSR dikkatli nefes alma durumunda kapalı göz dinlenme halindeyken azaldığını gösterdi. Benzer şekilde, MBSR dikkatli soluma sırasında kalp atımının daha düşük bir dalgacık entropisi bulundu. Bununla birlikte, ön test ve sontest arasında MBSR dikkatli soluma sırasında dalgacık entropisinde herhangi bir fark bulunmamıştır. MBSR dikkatli soluma sırasında önemli bir korelasyon gözlenirken, beyin dalgaları entropisi ve normal dinlenme sırasındaki kalp hızı entropisi arasında hiçbir korelasyon gözlemlenmemiştir. Ayrıca, en iyi korelasyona sahip beyin bölgeleri beynin merkez bölgelerinde yerleşmiştir. Bu çalışma, akıl yürütme uygulamasının ( yani, dikkatli nefes alma) zihin ve kalp faaliyetleri arasındaki koordinasyonu artırabileceğine dair kanıtların oluşturulması için bir metodoloji sunmaktadır.

Introduction

Sinirbilim ve tıptaki gelişmelerle 1 , zihinsel ve bedensel hastalıklarda farkındalığın ve meditasyonun farmakolojik olmayan faydalarını anlamak için daha iyi bir konumdayız. Birçok çalışma, Zihin ve vücuttaki gereksiz stresleri zihinsel egzersiz programı olarak Dikkat Edilir tabanlı Stres Azaltma (MBSR) eğitiminin aktif olarak azaltabileceğini göstermiştir. Meditasyon uygulaması sırasında, beden ve zihin daha fazla sürüklenebilir. Bu konular hem akademik çevrenin hem de genel halkın ilgisini çekti ve bizi zihin ve beden arasındaki (veya daha özel olarak beyin ve kalp arasındaki) koordinasyonu farklı koşullar altında araştırmak için bir yöntem tasarlamamıza yol açtı. MBSR eğitim ve uygulama.

Elektroensefalogramların düzensizliği (EEG), konvansiyonel EEG spektrum analizinde genellikle gürültü olarak kabul edilir, bYararlı bilgiler içerebilir ve sinyal entropisi ile ölçülebilir. EEG entropisi, epilepsi, Alzheimer hastalığı ve anestezi gibi klinik durumların bir indeksi olarak kullanılmıştır ve bazı kanıtlar, EEG entropisinin beyin durumlarını izlemek için geleneksel EEG spektrumu analizinden 3 , 4 daha hassas bir önlem olduğunu düşündürmektedir. Entropi, sistemin kaotik halini tanımlamak için termodinamikte uzun zamandır kullanılmaktadır. EEG tarafından ölçülen beyin dalgaları, düzen ve kaos 5 arasında çalışan beyin ağları nedeniyle dinamik aktiviteleri ile bilinir. Çeşitli entropiler arasında dalgacık entropisi, farklı ölçeklerde çok çeşitli özelliklere sahip EEG sinyallerini analiz etmek için çok uygun olan farklı gözlem ölçekleri altındaki enerjilerin entropisini hesaplamak için bir yöntem sunar. Tamamen rasgele bir sinyal için, farklı çözünürlük seviyelerinde göreli enerjilerAynıdır ve entropi maksimuma ulaşacaktır. Dolayısıyla, dalgacık entropisi EEG'deki kaotik aktivitelerin bir ölçüsüdür ve farklı zihin durumlarını ayırt etmede bir endeks olarak kullanılabilir 6 .

Daha önceki elektrokardiyografi (EKG) çalışmaları, meditasyon öncesi meditasyon durumlarıyla karşılaştırıldığında kalp hızı değişkenliğinde meditasyonla ilgili değişikliklerin tutarlı bir kanıtını sağlamıştır 7 . Kalp atışı, otonomik (sempatik ve parasempatik) sinir sistemi tarafından düzenlenir. Otonomik ton, gangliyon arasındaki etkileşimlerle modüle edilir; Çin kulak burun düğümü; Vagus sinirleri; Ve medulla oblongata, insula ve limbik sistem gibi daha üst düzey beyin yapıları. Bu yapılar hiyerarşik bir sistem oluşturur ve doğrusal olmayan aktivitesi entropi 8 yoluyla ölçülebilir. Örneğin, üst düzey beyin yapılarındaki sinir patlamaları kalp atış hızı ritmini etkileyebilir 9 .Klinik koşullarda epileptik nöbetler gibi beyin bozuklukları kalp ritmini bozar 10 . Nörokardiyoloji araştırması aynı zamanda kalp ve beyin arasında yakın bir etkileşim olduğunu göstermektedir 11 .

Beyin ve kalp sinyalleri arasındaki ilişkiyi incelemekteki bir zorluk, sinyal içeriği ve zaman ölçeğinde oldukça farklı olduklarıdır. Bu nedenle, önemli bir zorluk, hem beyin hem de kalp sinyalleri için geçerli olmakla kalmayıp aynı zamanda zihin-beden koordinasyonu bağlamında yorumlama için anlamlı olan ortak bir önlemi tanımlamaktır. Bu yazıda EEG ve kalp atışı sinyallerinin entropilerini ilişkilendirerek beyin ve kalp aktivitelerinde meydana gelen düzensizlikler arasındaki muhtemel eşgüdümün saptanması için dalgacık entropisinin kullanılmasını önermekteyiz ve daha sonra bir MBSR deneyi yoluyla değerlendirilebilir.

MBSR, hem bedende hem de zihinde dikkatlilik pratiğini içerdiğinden, MBSR dikkatli nefes alma prActice sadece beyin aktivitesini değil aynı zamanda kalp atışını da etkileyebilir. Önceki çalışmalar ağırlıklı olarak dikkatlilik eğitiminin ve / veya uygulamanın beyn veya kalp üzerindeki etkisini ayrı ayrı ve farklı yönlere dayalı olarak araştırmış; Birbirine yakın olan bu iki sistemdeki eşzamanlı değişiklikler büyük oranda keşfedilmemiş durumda. Dikkat çekme eğitiminden sonra sadece birkaç çalışma beden ve zihin için daha iyi koordinasyon bildirdi. Önerilen metodolojiyi kullanarak temsilci sonuçları ve daha önceki bir çalışma 13 , MBSR dikkatlilik eğitimi, zihin eğitiminin etkilerini merkezi ve çevresel etkilere yeni bir bakış açısı sağlayacak şekilde kaotik faaliyetler açısından vücut ve zihin koordinasyonunu artırabileceğini göstermiştir Sinir sistemleri.

Protocol

Bu araştırma, Hong Kong Kurumsal İnceleme Kurulu Üniversitesi tarafından onaylandı. Tüm katılımcılar, bu çalışmaya katılmadan önce yazılı bilgilendirilmiş onamlarını sağlamıştır. 1. Deney Tasarımı Tablo 1. MBSR Kursa Genel Bakış. Katılımcılar tarafından alınan 8 haftalık MBSR eğitim kursu. İşe alım katılımcıları. NOT: Bu EEG çalışmasına yerel bir MBSR kursundan katılan on bir sağlıklı yetişkin (beş kadın) ve 28-52 yaşındaydılar. Beck Depresyon Envanteri'ne dayalı depresyonlu katılımcı çalışmadan çıkarıldı. Kurs standart MBSR eğitimini izledi ( Tablo 1 ) ve katılımcılar eğitim yapmayı taahhüt ettiler. EEG kayıt sistemi. 128 kanal EEG s kullanarak sessiz bir odada EEG kaydını gerçekleştirinYSTEM, bir EEG kapağı, amplifikatör, kafa kutusu ve masaüstü bilgisayarından oluşur. 2. EEG ve EKG Veri Toplama NOT: EEG veri toplama işlemi, daha önce açıklanan yönteme benzer standart bir prosedür izledi. 14 . Her katılımcının deney sitesine gelmeden önce saçlarını ve kafa derisini temizlemesini isteyin. Katılımcıyı deneysel prosedürler hakkında bilgilendirin, başta 10 dakika boyunca normal bir şekilde dinlenmek ve EEG ve EKG cihazlarıyla kaydedilirken başka bir 10 dakika nefes nefese tutun. Katılımcının yüz bölgesini ve mastoidini alkollü çubuklarla temizleyin. Bir ölçme bandı kullanarak katılımcının baş çevresini ölçün ve sonra uygun boyutta bir başlık seçin. Nasion'dan inion'a bir ölçüm yapın ve kulak üstü boyunca ve kafa derisi üzerinden başka bir ölçüm yapın. Vertex'i işaretleyin (nasion ve arasındaki orta mesafedeki noktaD inion ve iki kulak arasındaki orta mesafe) yumuşak bir işaret kalemi ile. Elektrot konumlarını 10-5 elektrod sistemlerine göre ayarlayın 15 . Kapağı, Cz elektrotunun tepenin üstünde, Nz elektrodu nasionda, Lz elektrotu inionda, RM elektrodu sağ mastoidte ve LM elektrodu sol mastoidde olacak şekilde yerleştirin . EKG elektrodlarını hem sol hem de sağ infraklaviküler fossalara yerleştirin. Kör nokta şırınga kullanarak elektrot tutacaklarına jel doldurun. Her bir elektrod için empedansı 20 kΩ'un altında tutun. Kafa deriyle teması artırmak için elektrod yerleşimini ayarlayarak empedansı azaltın; Gerekirse daha fazla jel ekleyin. Çalı yığını sıkın ve katılımcının hâlâ kalmasını isteyin. EEG cihazının örnekleme oranını 1.000 Hz olarak ayarlayın. Sol mastoid orijinal referans noktası olarak kullanın. EEG verilerini kaydedin (adım 1.2.1) MBSR dersinin başında (2 hafta içinde). Katılımcının tüm vücudu rahatlatmak için kısa bir vücut taraması yapmasını isteyin. Katılımcı nefes alırken ve nefes alırken nefesine dikkat ettirin. Her bir katılımcının EEG verileri toplarken 10 dakika MBSR dikkatli nefes alma (MBSR dikkatlilik durumu) ve 10 dakika normal dinlenme (kontrol durumu) gerçekleştirmesini sağlayın. Bu, iki koşullu önceden MBSR eğitim veri kümesi oluşturur. NOT: Katılımcılar arasında dikkatli nefes alma ve normal dinlenme dizisini dengeleyin. Katılımcılar MBSR dersini tamamladıktan yaklaşık 1 ay sonra EEG bilgilerini kaydedin. Her bir katılımcının, EEG verileri toplarken 10 dakika dikkatli solunum ve 10 dakika normal dinlenme yapmasını isteyin. Bu, iki koşullu post-MBSR eğitim veri kümesi oluşturur. 3. EEG ve EKG Veri Analizi NOT: İlk dört adımVeri ön işleme için, kalan adımlar ise dalgacık entropisi hesaplaması ve korelasyon analizi içindir. Burada, EEG analizi için EEGLAB 16 adlı açık kaynaklı bir yazılım kullanıldı, ancak işlemler farklı yazılımlarda benzer olmalıdır. Aşağıda, EEGLAB temelli işlemler örnek verilecektir. Ayrıntılar için EEGLAB el kitabına bakın (https://sccn.ucsd.edu/wiki/EEGLAB_Wiki#EEGLAB_Tutorial). Araçlar> Numune alma oranını değiştir'i seçerek verileri 250 Hz'de tekrar örneklemek için EEG yazılımını kullanın. Araçlar> Verileri süzgeç> Temel FIR filtresi'ni seçerek 0.5 – 100 Hz geçiren bant geçiren bant geçiren filtreleme için Sonlu Dürtü Tepki (FIR) filtresini kullanın. Ülkeye özgü şebeke alternatif akımından kaynaklı gürültüyü azaltmak için, Araçlar -> Verileri Filtrele> Kısa doğrusal olmayan'ı seçerek 47 – 53 Hz'lik bir durdurma bantlı çentik filtrelemesi için kısa, doğrusal olmayan, Sonsuz İmpuls Tepki (IIR) filtresini kullanınIIR filtre. Bu, gereksiz gürültüyü ortadan kaldırırken spektrum analizindeki tüm ilgili frekansları kapsar. EEG yazılımını, Plot> Channel data (Çizim)> Kanal verilerini (kaydırma) seçerek görsel olarak ilerleyin ve EEG sinyalini incelemek için kullanın. Açık kas gürültüsü ve diğer garip olayları içeren EEG segmentlerini belirleyin ve silin. Fareyi sol bölümde tıklayın ve onları kötü kesimler üzerinde vurgulamak için sürükleyin ve sonra EEG yazılımını kullanarak kesimleri "silmek" veya "reddetmek" için fare işaretleyin. NOT: Yutma veya yüz ifadesi gibi kas faaliyetleri çoğunlukla kesikli ve düzensiz sinyaller üretir. Garip olaylar genellikle baş veya vücut hareketlerinden kaynaklanır ve bu hareketler EEG sinyallerinde önemli ölçüde kaymalara (düşük frekanslarda) neden olur. Kötü kanal olup olmadığını belirleyin. Araçlar> Boruyu enterpolasyon'u seçerek küresel enterpolasyon yöntemini kullanarak her kötü kanalı yeniden yapılandırın. In gerçekleştirmek için EEG yazılımını kullanın.Araçlar> ICA'yi Çalıştır'ı seçerek verilere bağımlı Bileşen Analizi 17'yi (ICA) Deneyimli bir EEG operatörünün, Araçlar> ICA kullanarak verileri reddet> Bileşenleri haritaya göre reddet seçeneğini seçerek göz hareketinin bileşenlerini ve yanıp sönen, kas hareketlerini ve olası diğer parazit bileşenleri görsel olarak tanımlamasını ve atmasını sağlayın; Araçlar> Bileşenleri kaldırın. EEG yazılımı tutulan bileşenleri kullanarak veriyi otomatik olarak yeniden oluşturacaktır. EEG yazılımını, Araçlar> Re-referans'ı seçerek daha fazla analiz yapmadan önce tüm kanalların ortalamasına tekrar referans yapmak için kullanın. Spektrum analizi. EEG yazılım komut satırı fonksiyonu "spectopo" kullanarak, Welch'in güç spektrum yoğunluk tahmini 18'i kullanarak EEG spektrumlarını hesaplayın ve delta (1 – 4 Hz), teta (4 – 8 Hz), alfa 8-12 Hz), beta (12-30 Hz) ve gama (30-80 Hz) dalgaları. Göreceli po hesaplayın( Yani , toplam spektrum gücüne göre ilgili frekans bandındaki güç oranı). İstatistiksel Parametrik Eşleştirme (SPM) yaklaşımını kullanarak EEG kaynak analizi yapın. Kafa derisi elektrotlarının EEG sinyallerinin 3D beyin kaynak sinyallerine dönüştürülmesi için minimum norm tahmini 19 kullanın. NOT: Buradaki orijinal kanal numarası 122'dir ve üç boyutlu beyin modelinde dağıtılan 8,196 kanala dönüştürülmüştür. Anlamlılık düzeyi p = 0.01 olarak belirlendi. Lütfen SPM el kitabındaki kaynak analizine bakın (www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf). Aşağıdaki prosedürü kullanarak her EEG kanalı için (ve ayrıca üç boyutlu beyin kaynağı sinyali için) dalgacık entropisini hesaplayın: Verilen bir sinyal ,Dalgacık katsayılarını şu şekilde hesaplar , nerede Haar wavelet ailesinin ortonormal bir temelidir ve Ayrışma seviyelerini (bu çalışmada N = 10) temsil eder. Göreli enerjiyi şu şekilde tanımlayın: , ile . Dalgacık entropisini şu şekilde hesaplayın: . Her katılımcı için EEG dalgacık entropisini elde etmek için tüm kanalların dalgacık entropisini ortalaması alın. EKG dalga zirveleri ve tepeler arasındaki aralıktan oluşan kalp atışı sinyalini elde etmek için EKG verilerinde pik analizi yapmak için yazılım paketini kullanın. NOT: varsayılarakNormal dinlenme ve dikkatli nefes alma hallerinde 60-100 atım / dakika normal bir kalp hızı, 10 dakikalık bir süre boyunca kalp atışı örneklerinin sayısı N , göreceli olarak küçük olmalı ve 600 < N <1000'i tatmin etmelidir. Kalp atışı sinyalinden güvenilir dalgacık entropisini elde etmek için bölüm 3.7'de ayrıntılarıyla anlatılan EEG ile aynı prosedürü kullanarak bir dizi dalgacık entropisi hesaplamak için 500 puan kayan bir pencere ve 10 puanlık bir adım artışı kullanın. Ortalama değeri son dalgacık entropisi olarak kullanın. Pearson korelasyon fonksiyonuna sahip herhangi bir istatistiksel yazılım kullanarak kafa derisinin her kanalında EKG'nin dalgacık entropisi ile EEG'nin dalgacık entropisi arasındaki beyin ve kalp korelasyonunu analiz edin. Korelasyon için istatistiksel bir saç derisi haritası oluşturmak için EEG yazılım komut satırı işlevini "topoplot" kullanın. Kalp hızı entropisi ve sadece bu cha'ların ortalama EEG entropisi ile doğrusal bir korelasyon grafiği çizin.Kalp hızı entropisi ile önemli derecede korelasyona giren hücreler (bkz. Temsilcilik Sonuçları bölümü).

Representative Results

Spektrum Analizi EEG verilerinin spektrum analizinde, normal dinlenme ile karşılaştırıldığında MBSR dikkatli soluma sırasında artmış alfa (8-12 Hz) ve beta (12-30 Hz) ve azaltılmış delta (1-4 Hz) dalgalar mevcuttu. Alfa dalgalarının artışı, özellikle frontal ve oksipital loblarda küresel olarak anlamlıydı, oysa beta dalgalarının artışı esas olarak frontal lobda idi. Santral-parietal bölgelerde azalmış delta dalgaları kaydedildi ( Şekil 1 ). Bununla birlikte, MBSR öncesi ve sonrası eğitiminde önemli bir değişiklik bulamadık. Şekil 1. MBSR Dikkatli Nefes Alma ve Normal Dinlenme Koşullarının Spektrum Analizi. Spektrum analizi MBSR uygulamasının beyin faaliyetlerini değiştirebildiğini göstermektedirEEG spektrumları. Orijinal kaynak: Referans 13 . Bu rakamın daha büyük bir versiyonunu görmek için lütfen tıklayınız. Şekil 2, tanımlanan ilgi bölgesini göstermektedir: oksipital lob (kanal N19 – 21, N41 – 46, N67 – 72, N96 – 100 ve N119), orta ön lob (kanal N53 – 61 ve N79 – 83) ve Orta parietal lob (kanallar N48 – 50, N64 – 66 ve N74 – 76). Tablo 2 , her spektrumun gücünü ve ilgilenilen her bölge için iki koşul arasındaki farkın t- değerinin p- değeri ile birlikte, MBSR dikkatli soluma ve normal dinlenme koşulları altındaki entropiyi göstermektedir. İki aşamada hiçbir fark olmadığından MBSR eğitim öncesi ve sonrası EEG verilerini birleştirdik. <p class="jove_content" fo:keep-together.within-page="1"> Şekil 2. Tanımlanmış İlgi Alanı. Orta frontal lob, orta parietal lob ve oksipital lobu temsil eden EEG kanallarının tanımlanmış alanları. Bu rakamın daha büyük bir versiyonunu görmek için lütfen tıklayınız. Delta Teta Alfa Beta Gama Entropi Orta Ön Lob 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> Dinlenme 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-değeri 0.0243 0,6555 0.0085 0.0114 0,4419 0.0084 Oksipital lob 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 Dinlenme 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-değeri 0.0134 0,1213 </td> 0.0125 0,0796 0,8936 0,0098 Parietal lob 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 Dinlenme 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-değeri 0,0157 0,0963 0.0177 0,1507 0,2878 0,0368 Tablo 2. Beyin Alanlarında Spektrum ve Entropi. MBSR dikkatli soluma ve normal dinlenme koşullarıÖnceden tanımlanmış üç İlgi Alanı (ROI) arasında karşılaştırılmıştır. Dalgacık Entropisi Analizi EEG'nin dalgacık entropisinin analizi hem MBSR öncesi hem de sonrası eğitim için, normal dinlenme ile karşılaştırıldığında MBSR dikkatli soluma sırasında azalmış EEG entropisini gösterdi. İki aşamada önemli bir fark olmadığı için, ortalamalı bir harita ( Şekil 3'ün üçüncü satırında gösterilmektedir) üretmek için bir araya getirildi. Entropi azalmış ana alanlar frontal lobda ve parietal-oksipital lobda idi. Şekil 3. Dalgacık Entropisi Analizi. Dinlenme 1 ve MBSR 1 pre-MBSR eğitimi gösterirken, Dinlenme 2 ve MBSR 2 post-MBSR eğitimi gösterir. Dalgacık entropisi analizi, MBSR uygulamasının, düzensizliği azaltabileceğini göstermektedir.Beyin elektronik faaliyetleri. Orijinal kaynak: Referans 13 . Bu rakamın daha büyük bir versiyonunu görmek için lütfen tıklayınız. Dalgacık Entropisinin Kaynak Analizi EEG sinyallerinin kaynak analizi, kafa derisi EEG'yi korteks yüzeyinde elektriksel aktivitelere dönüştürerek mekansal çözünürlüğü geliştirebilir ( 20) . Analiz, MBSR dikkatlilik eğitimi ile etkilenen başlıca beyin bölgelerinin, sol orta oksipital lob, precuneus, üstün temporal lob ve sol fuziformda olduğunu gösteriyor ( Şekil 4 ). Kaynak analizinden elde edilen dört anatomik etiket için Tablo 3'de , iki farklı durumun entropilerindeki fark için t- testi sonuçları, MBSR dikkatlilik durumuNormal dinlenme karşısında. Şekil 4. Kaynak Analizi. Kaynak analizi, çeşitli beyin bölgelerinin entropilerinin (kırmızı renkle vurgulanmıştır), MBSR dikkatli soluma durumunda azaldığını göstermektedir. Bu rakamın daha büyük bir versiyonunu görmek için lütfen tıklayınız. Anatomik etiket vokseller X, y, z t değeri Orta temporal girus L 1728 -44 -60 16 3.77 Precuneus R 1324 2 -56 28 3.63 Oksipital L 749 -2 -102-12 3.61 Fusiform L 142 -102 3.51 Tablo 3. Kaynak Analizi Raporu. Anatomik beyin bölgeleri, MBSR dikkatli soluma ve normal dinlenme koşulları arasındaki entropi bakımından önemli farklar gösterir. L, beynin sol tarafı. R, beynin sağ tarafı ( p <0.001, t testi, düzeltilmemiş). Kalp Hızı Dalgacık Entropisi Analiz sonucunda ortalama kalp atışı arasında istatistiksel olarak anlamlı fark bulunamamasına karşın MBSR öncesi ve sonrası MBSR dikkatli soluma sırasında kalp hızı entropisi daha düşüktü ( Tablo 4 ). Rest1 MBSR1 Rest2 MBSR2 Kalp atışı hızı (dakikada atım sayısı) 68.2 ± 9.5 67.7 ± 9.3 71.8 ± 8.1 70.7 ± 8.4 Kalp Hızı Dalgacık Entropisi 0.89 ± 0.05 0.79 ± 0.11 * 0.89 ± 0.07 0.80 ± 0.12 # Tablo 4. MBSR Dikkatli Nefes Alma ve Normal Durgunluk Koşullarının Kalp Hızı ve Kalp Hızı Dalgacık Entropisi. İki koşul MBSR eğitim öncesi ve sonrası karşılaştırılmıştır. * Rest 1 ve MBSR 1 arasında anlamlı fark ( p <0.05). # Rest 2 ve MBSR 2 arasındaki önemli fark ( p <0.05). bağıntıKalp ve Beyin Aktiviteleri Arasında Beyin ile kalp arasındaki potansiyel bağlantı göz önüne alındığında, tüm beyin EEG entropisi ( yani , tek bir özne için tüm EEG kanalları üzerindeki EEG entropilerinin ortalaması) ve MBSR dikkatli soluma ve normal dinlenme halleri boyunca kalp hızı entropisi arasındaki korelasyonu analiz ettik . Beyindeki ve kalpteki entropiler, MBSR dikkatli nefes alma sırasında belirgin olarak korelasyona girdi, ancak normal istirahat sırasında görülmedi. Şekil 5'in üst kısmında gösterildiği gibi, her kanaldaki EEG entropisi ile kalp hızı entropisi arasındaki korelasyonun önemi beynin orta bölümünde belirgindir. Alt çizgi, orta bölgelerdeki EEG entropisi (kalp atışı entropisi ile anlamlı derecede korelasyon gösteren noktalı kanalların ortalamaları) ve kalp hızı entropisi arasındaki korelasyonu göstermektedir. <p class="jove_content" fo:keep-together.within-page="1"> Şekil 5. Kalp ve Beyin Elektronik Aktivitelerinin Dalgacık Entropileri Arasındaki Korelasyon. Beyin aktivitesinin dalgacık entropisi sağ üstteki şekilde gösterildiği gibi merkezi bölgedeki önemli kanalların ortalamasıdır. Kalbin dalgacık entropisi kalp hızı aralığına dayanır. Korelasyon (alt panel) hem MBSR öncesi hem de sonrası eğitim sonuçları için tüm deneklerde hesaplanmıştır. Orijinal kaynak: Referans 13 . Bu rakamın daha büyük bir versiyonunu görmek için lütfen tıklayınız.

Discussion

Bu EEG çalışması, normal dinlenme durumuna kıyasla, MBSR dikkatli solunumun frontal ve oksipital loblardaki alfa dalgalarını geliştirdiğine dair somut kanıtlar sağlar. Bu, meditasyon sırasında artan alfa dalgaları, özellikle yeni başlayanlar 21'de çıkan raporların çoğuyla aynı çizgide. Alfa dalgaları genellikle uyarılma ve uyanıklık durumunu ve belirli bir görevden özgürlüğü gösterir. Böyle bir zihinsel hal meditasyonun amaçlarından biridir; Yani aklı temiz ve keskindir, fantezi uçuşlar ya da uykuya dalmaktan kurtarır. MBSR uygulaması sırasında geliştirilmiş alfa dalga senkronizmi ayrıca zihin ve beden 22 arasındaki koordinasyonu artırabilir.

Beyindeki çok sayıda nöronun elektronik aktiviteleri doğrusal olmayan hiyerarşik bir sistem oluşturur ve düzensizliği entropi 8 ile iyi ölçülebilir. MBSR uygulaması sırasında, beyin elektrıklarının usulsüzlüğüKafa derisi EEG'nin büyük bir bölümünde, özellikle de frontal kutup ve bilateral oksipital beyin bölgelerinde azaldı. Dalgacık entropisinin daha kaynak analizi, MBSR uygulaması sırasında oksipital ve precuneus aktivitelerinin düzensizliğinin azaldığını göstermiştir. Diğer alanlar arasında sağ orta singulat ve üst temporal lob yer alır. Bu, MBSR eğitiminden sonra precuneus'da gri maddenin arttığını gösteren bir başka çalışmayla uyumludur 23 . İleri meditasyon pratisyenleri genellikle hızlı göz hareketi uykusu 1 sırasında paryeto-oksipital EEG gama dalgalarına sahiptirler. MBSR eğitiminin önemli bir özelliği zihin / beyin bilgi akışının yargı dışı olmasıdır. Bu, potansiyel olarak beyin faaliyetlerinin usulsüzlüğünü azaltabilir. Beyindeki ana bilgi kaynağı görsel korteks olduğu için, görsel-ilişkili beyin bölgelerinin MBSR uygulamasından diğer bölgelere göre daha fazla etkilenmesi akla yatkındırns. Bu, zihnin ilgisiz bilgilere daha az duyarlı olmasını ve dikkatli solunum için daha fazla dikkat etmesini sağlar.

Dalgacık entropisi analizi, normal dinlenme durumuna kıyasla dikkatli nefes alma sırasında kalp hızı düzensizliğinin daha az olduğunu gösterdi; bu, parasempatik ve sempatik tonlar arasındaki karşılıklı değişmeyen etkileşimlere bağlı olarak otonom sinir sisteminin daha rafine edilmiş bir dengesini ifade eder. Dikkatli nefes alma kalp atışını da etkileyebilir, çünkü akciğer duyu alıcıları mid-beyindeki kardiyak vagal motor nöronlarına, vagus siniri 24 yoluyla kalp atışını inhibe eden önleyici projeksiyonlar gönderir. Kardiorespiratuvar etkileşime beynin beyin sapı ve limbik sistemi aracılık eder 25 . Merkezi sinir sistemi ile kardiyak aktivite arasındaki bağlantı göz önüne alındığında, zihin eğitimi ile MBSR'nin veya diğer meditasyon uygulamalarının diğer vücut işlevlerini etkileyebileceği akla yatkındırBarorefleks duyarlılığını sıfırlama, akciğerlerdeki gaz alışverişi verimliliğini geliştirme ve otonom sinir sistemini dengeleme 26 .

Akıl-beden bağlantısı pek çok Doğu geleneğinde vurgulanmaktadır. Bu bağlamda, çalışma, entropi açısından ilk objektif kanıtı temin etmektedir. MBSR uygulaması sırasında beyin ve kalp hareketlerinin usulsüzlükleri daha uyumlu hale getirildi ve koordinasyon, bilateral somatosensor bölgelerde en büyüktü. Bu bölge, doğrudan vücudun duyusal girdisi ve hareketinden sorumludur ve bu artan eşgüdüm, MBSR uygulaması sırasında daha fazla beden farkındalığı anlamına gelmektedir. Dikkat çekme eğitiminin, EEG 27'den daha iyi mekansal çözünürlüğe sahip fonksiyonel bir MR çalışmasında viscerosomatik alanların aktivitelerini arttırdığı bulunmuştur. Bulgularımız, MBSR uygulaması sırasında beynin ve kalbin daha fazla sürüklenebileceğini ve sistemde gereksiz entropinin boşaltılabileceğini göstermektedir <s Up class = "xref"> 28. Kalp atışı otonom sinir sistemi tarafından düzenlendiğinden, otonomik tonun ganglion arasındaki etkileşimler tarafından modüle edildiği; Çin kulak burun düğümü; Vagus sinirleri; Ve medulla oblongata, insula ve limbik sistem gibi daha üst düzey beyin yapıları, otonomik ve merkezi sinir sistemleri, MBSR uygulaması sırasında daha koordineli hale gelebilir.

Bizimki gibi bir çalışmada önemli bir adım, EEG ve EKG düzensizliğini ölçmek için doğru entropi endeksini seçmektir. Yaklaşık entropiyi 29 kullanan Renu Madhavi ve arkadaşlarının aksine, dalgacık entropisini, farklı ölçeklerdeki enerjiler arasındaki karmaşıklığa odaklanmak için kullanmaya karar verdik. Beyin elektronik faaliyetleri, farklı ölçeklerde ve spektrumlarda farklı özelliklere sahip çok sayıda nörondan kaynaklandığından, dalgacık entropisi EEG düzensizliğini ölçmek için daha uygun olmalıdır> 30. Benzer şekilde, anlık kalp hızı ayrıca farklı zaman ölçekleri altında farklı özelliklere sahiptir, bu nedenle dalgacık entropisini EKG 31'e uygulamak mantıklıdır. Dahası, Shannon'un entropisi ve yaklaşık girişi, örnekleme frekansına duyarlıdır ve yaklaşık girdap, veri alanıyla hesaplama işlemine ek olarak veri uzunluğuyla katlanarak artan büyük hesaplama süreleri gerektirir.

Mevcut çalışmanın bazı sınırlamaları kayda değerdir. İlk olarak, saç derisi EEG'sinin uzamsal çözünürlüğü, yüksek zamansal çözünürlüğüne rağmen nispeten zayıftır. Bu konuyu çözmek için çalışmamızda kaynak analizi yapılmıştır. EEG kaynaklı rekonstrüksiyon kötü niyetli bir sorundur ve alternatif bir yaklaşım, daha önceki fonksiyonel Manyetik Rezonans Görüntüleme (fMRI) çalışmalarından uzaysal önceliğe sahip olmak ve yeniden yapılanma doğruluğunu iyileştirmek için yardımcı olabilir 32,33. Başka bir sınırlama da tŞapka beyin ve kalp faaliyetleri arasındaki koordinasyon denekler arasında değerlendirildi; Konunun iç koordinasyonu gelecek çalışmalara bırakılmıştır. Ek olarak, EKG entropisi direkt olarak EKG sinyalinden değil, kalp atış aralığından türetilir, çünkü EKG amplitüdü elektrot konumu ve cilt empedansından büyük ölçüde etkilenebilir ve bu nedenle denekler arasında karşılaştırılabilir değildir.

Daha önceki çalışmalar genellikle EEG'deki düzensizliği gürültü olarak gören EEG sinyalinin bir spektrum analizi gerçekleştirmiştir. Bunun aksine, zekanın devletin bir yansıması olarak beyindeki kaotik elektronik aktiviteleri ölçmek için dalgacık entropisini daha hassas bir indeks olarak kullanmamızı öneriyoruz. Önerilen metodoloji, akıl ve kalbin meditasyon sırasında daha koordine edildiği geleneksel varsayımının nesnel kanıtı sağlar.

Dalgacık entropisi, meditasyon durumunu oldukça hassas bir şekilde izleyebildiğinden zihinsel muayenehanede kullanılabilirAmeliyat sırasında anestezi düzeyini ölçmek için klinik uygulamada entropi kullanıldığı gibi, Dalgacık entropisine benzer bir indeks kullanarak kablosuz EEG cihazları, kişinin günlük meditasyon uygulamasını veya eğitim amaçlı diğer zihinsel eğitimleri rahatça izlemek için kullanılabilir. Bununla birlikte, kablosuz bir EEG alnındaki kanalları ancak stabil olarak ölçebildiğinden, bu kanalların zihin durumunu izleyecek kadar hassas olup olmadığını araştırmamız gerekir.

Bu prosedürün kritik adımları, daha iyi sinyal kalitesi ve daha az ses için her bir elektrot için deri empedansının düşük tutulmasını; MBSR eğitimini uygun ve düzgün bir şekilde yürütmek; Meditasyonun büyük enerji gerektirmesi nedeniyle, deneyden önce yorulmadan iyi bir zihinsel durum sağlanması; Uygun entropi endeksinin seçilmesi (dalgacık entropisi); Ve EEG verilerinin SPM kaynak analizine aşina olmak.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Bu çalışma, The University of Hong Kong'daki SPF-201209176152 fonu tarafından desteklendi. Dersi öğretmek ve MBSR katılımcılarını işe almak için Dr. Helen Ma'ya teşekkür ediyoruz.

Materials

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

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

Play Video

Cite This Article
Sik, H. H., Gao, J., Fan, J., Wu, B. W. Y., Leung, H. K., Hung, Y. S. Using Wavelet Entropy to Demonstrate how Mindfulness Practice Increases Coordination between Irregular Cerebral and Cardiac Activities. J. Vis. Exp. (123), e55455, doi:10.3791/55455 (2017).

View Video