Summary

반복적인 종교 찬송가를 통해 두려움과 스트레스 자극에 대한 신경 생리적 반응의 변조

Published: November 04, 2021
doi:

Summary

현재의 이벤트 관련 잠재력(ERP) 연구는 종교적 노래가 부정적인 감정을 어떻게 조절할 수 있는지 조사하기 위한 고유한 프로토콜을 제공합니다. 결과는 늦은 긍정적인 잠재력 (LPP)이 부정적인 정서적 자극에 대한 강력한 신경 생리적 반응이며 반복적 인 종교적 노래에 의해 효과적으로 변조 될 수 있음을 보여줍니다.

Abstract

신경 심리학 실험에서, 늦은 긍정적 인 잠재력 (LPP)은 자신의 정서적 흥분의 수준을 반영하는 이벤트 관련 잠재력 (ERP) 구성 요소입니다. 이 연구는 반복적인 종교적 노래가 두려움과 스트레스를 유발하는 자극 자극에 대한 감정적 반응을 조절하는지 여부를 조사하여 반응성이 떨어지는 LPP로 이어집니다. “아미타바 부처님”의 반복적인 종교 노래에 적어도 1 년의 경험을 가진 21 명의 참가자가 모집되었습니다. 128채널 뇌파(EEG) 시스템이 EEG 데이터를 수집하는 데 사용되었다. 참가자들은 국제 정서 사진 시스템(IAPS)에서 선정한 부정적 또는 중립적인 사진을 반복적인 종교 노래, 반복적인 비종교적 노래, 노래 없음의 세 가지 조건하에서 보도록 지시받았습니다. 그 결과 부정적인 두려움과 스트레스를 유발하는 사진을 보는 것은 노-노래와 비종교적 노래 조건하에서 중립적인 사진을 보는 것보다 참가자들에게 더 큰 LPP를 유도했다는 것을 보여주었습니다. 그러나, 이 증가 LPP는 주로 반복적인 종교 노래 조건하에서 사라졌다. 사실 인정은 반복적인 종교적 인 노래가 효과적으로 개업자를 위한 두려워하거나 스트레스가 많은 상황에 신경 생리적인 반응을 완화할 수 있다는 것을 표시합니다.

Introduction

늦은 긍정적 인 잠재력 (LPP)은 오랫동안 감정적 인 흥분을 동반하고, 그것은 안정적으로 감정 관련 연구에 사용되어왔다1,2. 종교 관행은 동부와 서양 국가 모두에서 널리 퍼져 있습니다. 그것은 부작용에 직면 할 때 실무자의 불안과 스트레스를 완화 할 수 있다고 주장된다, 특히 어려움의 시간 동안3. 그럼에도 불구 하 고, 이것은 거의 엄격한 실험 설정에서 입증 되지 않았습니다.

수많은 연구는 감정 조절이 다른 전략과 프레임 워크4,5,6로 배울 수 있음을 확인했다. 몇 가지 연구는 마음 챙김과 명상이 정서적 이벤트에 신경 반응을 조절 할 수 있음을 보여 주었다7,8. 최근에는 명상 실무자가 인지 평가, 억제 및 산만 이외의 감정 변조 전략을 사용할 수 있음을 발견했습니다8,9. 국제 정서 영상 시스템(IAPS)의 자극은 긍정적이거나 부정적인 감정을 안정적으로 유도하는 데 사용될 수 있으며, 정서적 연구에서 지정된 칭호및 각성 수준으로 디자인된 사진을 찾는 표준 기준이 있습니다10.

정서적 자극은 두뇌에 있는 초기 및 나중에 응답을 일으키는 원인이 될 수 있습니다3,11. 마찬가지로, 불교 전통은 초기 및 이차 정신 과정에 의해 마음의 생각에 분석했다3,12,13. 초기 불교 텍스트인 살라타 수타(화살표 수타)는 인지 훈련이 감정을 길들일 수 있다고 말합니다. Arrow Sutta는 잘 훈련된 불교 실무자와 훈련받지 않은 사람이 유해한 사건에 직면했을 때 통증에 대한 초기및 부정적인 인식을 경험한다고 말합니다13. 이 피할 수없는 초기 통증은 Sallatha Sutta에 설명 된 바와 같이 화살표에 의해 명중되는 사람과 유사합니다. 초기 지각 통증은 사람이 매우 부정적인 그림을 볼 때 조기 처리단계와 동일합니다. 초기 신경 처리는 일반적으로 N1 성분을 유도합니다. 훈련받지 않은 사람은 걱정, 불안 및 스트레스와 같은 과도한 감정을 앓을 수 있으며, 초기의 피할 수없는 고통스러운 감정을 경험 한 후 발생할 수 있습니다. Sallatha Sutta에 따르면, 이 늦게 개발 부정적인 감정 이나 심리적 고통 은 두 번째 화살에 의해 명중 되 고 처럼. 이벤트 관련 잠재적(ERP) 실험은 N1과 LPP가 위에서 언급한 두 화살표에 대응할 수 있다고 가정하여 현재 설계의 초기 및 이후 심리적 과정을 캡처할 수 있습니다.

이 프로토콜에서 ,라는 이름의 반복적인 노래 “아미타바 부처님” (산스킷: 아미타바) 개인이 두려워하거나 스트레스가 많은 상황에있을 때 종교적 노래의 잠재적 인 효과를 테스트하기 위해 선택되었다. 이 종교적 찬양은 중국 불교도들 사이에서 종교적 성향을 가진 개인의 가장 인기있는 관행 중 하나이며, 동아시아 순수 토지 불교의 핵심 관행이다14. 반복적인 종교적 노래가 자극을 유발하는 뇌의 반응을 감소시킬 것이라는 가설이 있었고, 즉 LPP는 두려워하거나 스트레스가 많은 사진에 의해 유도되었다. EEG와 심전도 (ECG) 데이터는 서로 다른 조건하에서 참가자의 신경 생리적 반응을 평가하기 위해 수집되었습니다.

Protocol

이 ERP 연구는 홍콩 대학 기관 검토 위원회에 의해 승인되었습니다. 이 연구에 참여하기 전에 모든 참가자는 서면 동의서에 서명했습니다. 1. 실험 적 디자인 참가자 모집 이 연구를 위해 “아미타바 부처님”이라는 이름을 부르는 경험의 적어도 1 년 (~ 200-3,000 h)의 참가자를 모집하십시오.참고: 본 연구에서는 40~52세 의 인간 참가자 21명이 선발되었습니다. 11명은 남성이었다. 종교 노래 vs. 비종교 노래 40 대 “아미타바 부처님”의 이름을 노래. 아미타바 부처님의 이미지와 IAPS 이미지와 다음 20 s와 처음 20 s. 퓨어랜드 스쿨14에서 아미타바 부처님의 이미지를 보면서 “아미타바 부처님”이라는 이름의 4자만 노래합니다. 산타 클로스의 이름을 찬양 (비 종교 노래 조건) 에 대한 40 s. 처음 20 s 산타 클로스의 이미지와 IAPS 이미지와 다음 20 s를 볼 때. 산타 클로스의 이름의 네 문자를 노래하고 산타 클로스를 상상. 40 대 동안 침묵을 유지합니다. 제어 목적을 위한 빈 이미지와 IAPS 이미지가 있는 다음 20s의 공백 이미지가 있는 처음 20s.참고 : 노래가 없습니다. EEG 레코딩 시스템 앰프, 헤드박스, EEG 캡 및 두 개의 데스크톱 컴퓨터로 구성된 128채널 EEG 시스템을 사용하여 EEG 데이터를 기록 합니다(재료 표 참조). 자극 제시 시스템 자극 프레젠테이션 소프트웨어( 재료 표 참조)를 사용하여 데스크톱 컴퓨터에서 IAPS의 중립 및 음수 사진을 표시합니다. 심전도 녹음 시스템 생리적 데이터 기록 시스템을 사용하여 심전도 데이터를 기록 합니다(재료 표 참조). 2. 정서적 변조 실험 참고: 실험에는 2 x 3 디자인의 두 가지 요인이 있었습니다: 첫 번째 요소는 그림 유형이었습니다: 중립 및 음성(공포 및 스트레스-자극). 두 번째 요인은 “아미타바 부처님”을 외치며 “산타 클로스”를 외치며 노래하지 않는 노래 유형이었습니다. 블록 설계를 사용하면 감정 관련 구성 요소를 보다 효과적으로 유도할 수 있으므로15.참고: 6개의 조건이 있었고, 시퀀스는 무작위화되고 참가자 들 간의 균형을 이루었습니다(그림 1). 여섯 가지 조건은 다음과 같습니다 : 부정적인 사진 (아미네그)을 보면서 종교 노래; 중립적인 사진(아미뉴)을 보면서 종교적 인 노래; 부정적인 사진을 보면서 노래하지 않습니다 (PasNeg); 중립 사진을 보면서 노래하지 않습니다 (PasNeu); 부정적인 사진을 보면서 비종교적 인 노래 (산네이); 중립적 인 사진 (산뉴)을 보면서 비종교적 인 노래. 그림 1: 실험 절차. 6개의 의사 무작위 조건이 있었고, 각 참가자는 의사 무작위 순서를 수신했습니다. 각 조건은 두 개의 별도 세션에서 여섯 번 반복되었다. 이 그림은 참조3에서 적용되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오. 0.4-0.6s의 인터자극 간격(ISI)으로 ~1.8-2.2s의 각 그림을 표시합니다.참고: 각 세션에서 동일한 유형(중립 또는 음수)의 사진이 10장이었습니다. 각 세션 이후에 20s의 휴식 기간을 허용하여 다음 세션에서 노래나 그림 보기의 잠재적인 잔류 효과에 대응하십시오. 15°(수직) 및 21°(수평)의 시각적 각도로 참가자의 눈에서 75cm 의 거리에서 CRT 모니터에 사진을 제시합니다. 참가자들에게 사진을 주의 깊게 관찰해 달라고 부탁한다. 참가자들이 각 조건에 익숙해지도록 간단한 연습을 한다. 비디오 모니터를 사용하여 참가자가 잠들지 않도록 합니다. 참가자들에게 40분 동안 10분 동안 휴식을 취하십시오. 3. EEG 및 심전도 데이터 수집 참고 : 실험에 오기 전에 각 참가자에게 컨디셔너 또는 시스템의 임피던스를 증가시킬 수있는 다른 것을 사용하지 않고 머리카락과 두피를 철저히 씻도록 요청하십시오. 두 개의 개별 시스템에서 EEG 및 ECG 데이터를 동시에 수집합니다. 실험 절차의 각 참가자에게 알려주십시오, 즉, 효과적인 사진은 다른 노래 조건에서 볼 수 있었다는 것입니다. 샘플링 속도를 1,000Hz로 설정하고 가능하거나 시스템의 요구 사항에 따라 각 전극의 임피던스를 30kΩ 이하로 유지합니다. 생리데이터 기록 시스템을 이용한 심전도 데이터를 포함한 생리학적 데이터를 수집 한다(자료표 참조). 4. EEG 데이터 분석 EEGLAB( 재료 표 참조) 및 보조 파일 1-2, 아래 단계에 따라 오픈 소스 소프트웨어16을 사용하여 EEG데이터를 처리하고 분석합니다. EEGLAB 함수 “pop_resample”을 사용하여 1,000Hz에서 250Hz까지의 데이터를 다시 샘플링하여 합리적인 데이터 파일 크기를 유지합니다. 도구 > 변경 샘플링 속도를 클릭합니다. EEGLAB 함수 “pop_eegfiltnew”을 사용하여 0.1-100Hz 패스밴드가 있는 FIR(eIT) 필터로 데이터를 필터링합니다. 기본 FIR 필터(새 기본)> 데이터를 필터링할 > 도구를 클릭합니다. 47-53Hz 스톱밴드가 있는 비선형 무한 임펄스 응답(IIR) 필터로 데이터를 다시 필터링하여 교대 전류의 노이즈를 줄입니다. 도구를 클릭 > 데이터를 필터링> 선택 노치 가 도 면 대신 패스 대역을 필터링 합니다. 시각적으로 눈과 근육 의 움직임에 의해 생성 된 강력한 아티팩트를 제거하기 위해 데이터를 검사합니다. 채널 데이터(스크롤)> 플롯을 클릭합니다. 모든 채널에서 발생하는 일관된 노이즈에 대해 데이터를 다시 시각적으로 검사하고 잘못된 채널이 지적되었습니다. 구형 보간을 사용하여 잘못된 채널을 재구성합니다. 데이터 채널에서 전극을 > 도구를 클릭 >합니다. 오픈 소스 알고리즘 “runica”16으로 독립 성분 분석(ICA)을 실행합니다. ICA를 실행하기 > 도구를 클릭합니다. 눈의 움직임, 깜박임, 근육 움직임 및 라인 잡음에 해당하는 독립적인 구성 요소(IC)를 제거합니다. ICA > 맵별로 구성 요소를 거부하여 데이터를 거부하는 도구 > 클릭합니다. 나머지 IC를 사용하여 데이터를 재구성합니다. 구성 요소를 제거하기 > 도구를 클릭합니다. 30Hz 로우 패스 필터로 데이터를 필터링합니다. 기본 FIR 필터(새 기본)> 데이터를 필터링할 > 도구를 클릭합니다. ERP로서 -200 ~0ms의 시간 창을 사용하여 각 조건에 대해 시간 잠긴 시대를 추출하고 평균화하여 ERP 데이터를 가져옵니다. 도구 > 추출 시대를 클릭합니다. 왼쪽 및 오른쪽 마스토이드 채널의 평균으로 ERP 데이터를 다시 참조합니다. 다시 참조할 > 도구를 클릭합니다. 모든 참가자의 데이터 집합에 대한 위의 단계를 반복하고 통계 분석 소프트웨어에서 t-test 또는 반복 측정 ANOVA를 사용하여 조건 간의 차이점을 비교 합니다(재료 표 참조). N1 및 LPP의 시간 창을 정의하여 확립된 이론8,17및 현재 데이터3에 따라 정의합니다.참고 : 이 작품에서 N1은 100-150 ms로 정의되었으며, LPP는 자극 발병에서 300-600 ms로 정의되었습니다. LPP는 중앙 정수리 지역에서 가장 두드러지다(그림 2). 세 가지 조건 중 쌍 t 테스트를 사용하여 N1 구성 요소에서 중립 대 음의 그림 차이를 찾습니다(그림 3). 세 가지 조건 중 쌍 t 테스트를 사용하여 LPP 구성 요소에서 중립 대 음수 그림 차이를 찾습니다(그림 4). 지역을 나타내는 관련 채널을 평균화하여 N1 및 LPP 구성 요소에 대한 관심 영역(ROI) 분석을 수행합니다.참고: ROI를 선택하려면 중립 및 음수 사진이 특정 시간 창(예: N1 또는 LPP의 경우)에서 중요한 차이를 가진 채널을 계산하기 위해 세 가지 조건 모두의 기간을 평균화했습니다. N1 및 LPP의 차이를 통계 분석 소프트웨어에서 반복측정값 ANOVA 및 사후 통계를 사용하여 별도로 비교합니다.참고: 사후 해석(Bonferroni 보정)을 사용하고 모델이 중요한 경우 두 조건 간의 상당한 차이를 별도로 결정합니다. 유의임계값은 p < 0.05로 설정되었습니다. 5. ERP 소스 분석 아래 단계에 따라 SPM19 오픈 소스 소프트웨어(재료 표 참조)를 통해 ERP 소스 분석18을 수행합니다. EEG 캡 센서 좌표 시스템을 랜드마크 기반 공동 등록을 통해 표준 구조 MRI 이미지(몬트리올 신경학회(몬트리올 신경학원) 좌표의 좌표 시스템에 연결합니다. SPM에서는 SPM > SPM > M/EEG > 소스 재구성 > 헤드 모델 사양을 클릭합니다. EEG 센서에 부과된 피질 메시에 대한 각 편극의 효과를 계산하기 위해 전방 계산을 수행합니다. 동일한 배치 편집기에서 SPM > M/EEG > 소스 재구성 > 소스 반전을 클릭합니다.참고: 이러한 결과는 G 매트릭스(n x m)에 배치되었으며, 여기서 n 은 센서 수(EEG 공간 차원)이고 m 은 메쉬 정점(소스 공간 차원)의 수입니다. 소스 모델은 X = GS, 여기서 X 는 각 조건의 ERP 데이터를 나타내는 n x k 매트릭스이고, k 는 시간 점의 수이며, S 는 ERP 소스를 나타내는 m x k 매트릭스이다. 욕심 검색 기반의 여러 스파스 이전 알고리즘(S는 알 수 없기 때문에)을 사용하여 다른 방법20보다 더 신뢰할 수 있기 때문에 역 재구성을 수행합니다(사용 가능한 많은 알고리즘 중). 소스 반전 창에서 반전 유형에 대해 MSP(GS)를 선택합니다. SPM에서 일반 선형 모델링을 사용하여 조건 간의 차이를 결정합니다. 중요도 수준을 0.05< p로 설정합니다. 배치 편집기에서 SPM > 통계 > 팩터리 디자인 사양을 클릭합니다. 6. 심전도 데이터 및 행동 평가 분석 생리 및 데이터 처리 소프트웨어를 사용하여 심전도 데이터를 처리하고 분석 합니다(재료 표 참조). 각 조건의 평균 점수를 계산합니다. EEGLAB에서 FMRIB 도구를 > QRS 이벤트를 검색하기 > 도구를 클릭합니다21.참고: ERP 진폭 분석과 마찬가지로 통계 소프트웨어는 반복되는 측정 ANOVA를 사용하여 데이터를 추가로 분석하는 데 사용되었습니다. 포스트 호크 분석은 모델이 중요한 경우 두 조건 간의 중요한 차이를 별도로 결정하기 위해 수행되었다. 유의수준은 < 0.05 로 설정되었습니다. 참가자들에게 피사체의 이름(아미타바 부처, 산타클로스 등)을 1-9척도로 부르는 효능에 대한 믿음을 평가해 달라고 요청합니다.

Representative Results

행동 결과참가자들의 노래에 대한 믿음은 ‘아미타바 부처님’의 평균 점수 8.16± 0.96점, ‘산타클로스’의 경우 3.26± 2.56점, 빈 컨트롤 조건의 경우 1.95± 2.09점을 기록했다(보조표 1). ERP 결과Pz (정수리 엽)의 대표 채널은 노래 조건이 중립 및 부정적인 사진의 초기 (N1) 및 후반 (LPP) 처리에 다른 영향을 미친다는 것을 보여 주었다. 각각 N1 및 LPP의 시간 창을 보였다(그림 2). 초기 지각 단계ERP 결과는 세 가지 노래 조건에서 부정적인 사진을 보면서 증가 N1을 보여 주었다 (그림 3). 그것은 부정적인 이미지 중성 이미지 보다 강한 중앙 두뇌 활동을 유도 하는 것으로 나타났다, 그리고 증가 세 가지 조건에서 비교. 늦은 정서적/ 인지 단계ERP는 비종교적 인 노래와 노래없는 조건에서 LPP가 증가 시연했습니다. 그러나, 부정적인 사진에 의해 유도 된 LPP는 참가자가 아미타바 부처의 이름을 노래 할 때 거의 볼 수 없습니다 (그림 4). 관심 지역(ROI) 분석세 가지 조건이 결합되어 N1 및 LPP 구성 요소에서 일반적으로 활성화된 영역을 추정했습니다. 반복된 측정 ANOVA는 송신 조건 사이의 N1 및 LPP 구성 요소의 차이를 계산하기 위해 통계 소프트웨어로 수행하였다(그림 5). 왼쪽 세 개의 열은 침묵하는 시청 조건, 비종교적 노래 조건, 종교적 노래 조건 의 세 가지 노래 조건에 대한 N1 구성 요소의 차이를 보여줍니다. N1 구성 요소의 차이는 세 가지 조건에서 유사했습니다. 오른쪽 세 개의 열은 세 가지 노래 조건에 대한 LPP 구성 요소의 차이를 보여줍니다. 이것은 LPP 구성 요소의 차이는 비종교적 노래 조건과 침묵하는 보기 조건보다 종교적 노래 조건에서 훨씬 작다는 것을 보여줍니다. 소스 분석소스 분석은 LPP 결과에 기초하여 잠재적인 뇌 매핑을 추출하기 위해 적용되었다(그림 6). 결과는 중립적 인 사진과 비교할 때 부정적인 사진이 비종교적 노래 상태에서 더 많은 정수리 활성화를 유도하고 노래 조건이 없음을 보여줍니다. 대조적으로, 이 부정적인 그림 유도 활성화는 주로 종교적 노래 조건에서 사라집니다. 생리적 결과: 심박수비종교적 노래 조건에서 음성 및 중립 사진 사이의 심박수 (HR)에 상당한 변화가 있었다. 노래하지 않는 상태에서도 비슷한 경향을 발견했습니다. 그러나 종교적 인 노래 조건에서 그러한 인사 차이는 발견되지 않았습니다 (그림 7). 그림 2: 대표 채널(Pz)은 6가지 노래 조건에서 다른 ERP를 보여 주었다. 여섯 가지 조건은 중립적 인 사진 (AmiNeu)을 보면서 (1) 종교 노래입니다. (2) 부정적인 사진 (아미네그)을 보면서 종교적 노래; (3) 중립 사진을 보면서 비종교적 인 노래 (산Neu); (4) 부정적인 사진을 보면서 비종교적 인 노래 (산네이); (5) 중립 사진 (PasNeu)을 보면서 노래하지 않습니다. 그리고 (6) 부정적인 사진 (PasNeg)을 보면서 노래하지 않습니다. 채널 Pz는 두피의 중간 정수리 영역에 위치. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오. 그림 3: 세 가지 노래 조건에서 N1 구성 요소를 시연한 ERP 결과입니다. 각 그림 유형에 대한 3가지 조건에 대한 N1 구성 요소의 2차원 맵입니다. 마지막 열에서는 상당한 차이가 있는 채널(p < 0.05)이 점으로 표시됩니다. 색상이 어두운 점은 더 큰 의미(즉, 더 작은 p 값)를 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오. 그림 4: 세 가지 노래 조건에서 LPP 구성 요소를 시연한 ERP 결과입니다. 각 그림 유형에 대한 세 가지 조건에 대한 후기 양성 전위(LPP) 구성 요소의 2차원 맵입니다. 마지막 열에서는 큰 차이가 있는 채널(p < 0.05)이 점으로 표시됩니다. 색상이 어두운 점은 더 큰 의미(즉, 더 작은 p 값)를 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오. 그림 5: 관심 지역(ROI) 분석. 초기 성분, N1 및 후기 성분에 대한 음성 및 중립 그림 유도 뇌 반응의 차이에 대한 관심 영역(ROI) 분석, 후기 양성 전위(LPP). 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오. 그림 6: 세 가지 조건 하에서 후기 양성 전위(LPP) 성분에 대한 소스 분석. 강조 된 영역은 부정적인 대 중립 조건에서 더 높은 뇌 활동을 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오. 그림 7: 세 가지 노래 조건 하에서 심장 박동 간격. 각 그림 유형/노래 조합 및 해당 p 값에서 심전도의 중간 비트 간격(RR). Ami: 아미타바 부처님 노래 상태, 산: 산타 클로스 노래 조건, Pas: 수동 보기 조건, Neu: 중립 사진, Neg: 부정적인 그림. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오. 보충 표 1: 노래 주제의 효능에 대한 믿음을 평가 (아미타바 부처, 산타 클로스). 1은 가장 믿음이 가장 적고 9가 가장 강한 믿음을 나타내는 1-9 척도를 사용합니다. 이 테이블을 다운로드하려면 여기를 클릭하십시오. 보충 파일 1: EEG 데이터 일괄 처리 전처리에 대한 코드입니다. 잘못된 채널을 제거하고 데이터를 250Hz로 다시 샘플링한 다음 데이터를 필터링합니다. 이 파일을 다운로드하려면 여기를 클릭하십시오. 보충 파일 2: ERP 데이터 복구를 위한 코드입니다. 그것은 시끄러운 스파이크와 나쁜 시대를 복구합니다. 이 파일을 다운로드하려면 여기를 클릭하십시오.

Discussion

이 연구의 고유성은 광범위한 종교 적 관행, 즉 반복적 인 종교 노래의 근본적인 신경 메커니즘을 조사하는 신경 과학적 방법의 응용 프로그램입니다. 그것의 눈에 띄는 효력을 감안할 때, 이 방법은 정서적 문제를 취급하고 불안과 긴장 때문에 손해를 입는 클라이언트를 취급하기 위하여 치료사 또는 임상의를 위한 새로운 내정간섭을 가능하게 할 수 있었습니다. 이전 연구와 함께, 더 넓은 감정 규제 연구는 향후 연구에서 고려되어야한다7,8,9,22.

노래와 다른 인지 이벤트를 결합 실험을 구성하는 어려움을 감안할 때 노래에 대한 ERP 연구는 거의 없습니다. 이 연구는 노래 / 기도의 정서적 효과를 조사하기위한 실현 가능한 프로토콜을 보여줍니다, 이는 현실 세계에서 오히려 인기가있다. 이전 기능 MRI (fMRI) 연구는 기도가 사회적 인식의 영역을 모집 발견23. 한 휴식 상태 fMRI 연구는 “OM”을 외치는 것이 전방 cingulate, insula 및 orbitofrontal 코르티체24에서 출력을 감소시키는 것으로 나타났습니다. 또 다른 EEG 연구는 “OM”명상이 휴식과 깊은 수면25의 경험을 유도, 델타 파도를 증가 것으로 나타났습니다. 그러나 이러한 방법은 종교적 찬양 후 특정 이벤트 관련 변경 사항을 정확하게 조사할 수 없었습니다.

연구원은 성공적으로 반복적인 종교 노래의 잠재적 인 효과를 조사하기 위해 언어 처리와 친숙의 혼란 요인을 제어해야합니다. 참가자들이 “아미타바 부처님”(한자: Equation 1 광둥어 발음: o1-nei4-to4-fat6), 우리는 이름 “산타 클로스”를 사용 (중국어 문자: ; Equation 2 광둥어 발음: 현지인이 산타클로스를 잘 알고 있기 때문에 제어 조건으로 노래3-daan3-lou5-jan4. 중국어로 두 이름에는 4개의 문자가 포함되어 있어 언어 유사성을 제어합니다. 친숙함에 대해 산타클로스는 부분적으로 서구화된 도시이기 때문에 홍콩에서도 매우 인기가 있습니다. 또한, 산타 클로스는 공식 크리스마스 휴일이있는 홍콩에서 다소 긍정적 인 인물입니다. 그럼에도 불구하고, 친밀감의 이러한 제어는 실무자에 대한 아미타바 부처님의 이름에 대한 이해와 완전히 일치하기 어렵기 때문에 부분적이다.

현재 연구에서 한 가지 중요한 단계는 두려움 또는 스트레스를 유발하는 사진의 준비였습니다. 위협적인 사건이 발생할 때 종교적 노래가 더 잘 작동할 수 있기 때문에 IAPS 이미지 pool26에서 적절한 자극을 선택하는 것이 결정적이었습니다. 잠재적 인 참가자를 인터뷰하고 너무 많은 두려움이나 혐오를 피하기 위해 적합한 사진을 선택하는 것이 좋습니다. 매우 부정적인 사진은 참가자가 고의로 주의를 피하는 것을 막을 수 있습니다. 동시에, 두려움과 스트레스 자극 자극자극은 참가자가 충분한 위협을 경험할 수 있도록해야한다. 또 다른 중요한 문제는 연구의 블록 디자인입니다. EEG/ERP 신호는 모든 이벤트를 따르기에 충분히 민감하고 동적입니다. 그러나, 심장 기능이나 감정의 패턴이 초27의 순서에 변경되지 않을 수 있기 때문에 20-30의 시청 기간을 가진 블록 설계를 구현하는 것이 더 적절할 것이다. 다른 한편으로는, 60 의 블록은 너무 오래 있을 지도 모르곱을, 신경 반응은 ERP 연구 결과에서 습관화될 수 있었습니다.

EEG 데이터 처리 단계는 각 단계에서 데이터를 변경하고 해당 단계에서 변경한 내용을 기록하므로 각 단계에서 백업을 수행해야 합니다. 이렇게 하면 변경 내용을 추적하고 배치 처리 중에 오류를 쉽게 찾을 수 있습니다. 데이터 품질을 개선하는 것도 필수적이므로 원시 데이터 정리 및 나쁜 IC 식별 에 대한 경험도 필요합니다. 통계 분석에서, 비교는 그랜드 평균에 이루어졌고, ANOVA가 적용되었다. 고정 효과 모델의 이 통계는 임의 효과에 취약하다는 점을 주의합니다28. 혼합 효과 모델은 외부 요인을 제어하도록 조정할 수 있습니다29, 선형의 가정은 잠재적으로 ERP 데이터30에서 가져온 추론에 영향을 미칠 수 있습니다.

몇 가지 제한 사항은 주목할 가치가 있습니다. 한 가지 제한은 현재 연구가 퓨어랜드 불교를 실천한 참가자 의 단 한 그룹만 등록했다는 것입니다. 비교를 위해 종교적 인 노래에 대한 경험이없는 제어 그룹을 등록하면 종교 노래의 효과가 믿음이나 친숙함으로 중재되는지 여부를 결정하는 데 도움이 될 수 있습니다. 보통 무작위 통제 재판은 감정 변조가 종교적 노래에 미치는 영향을 조사하기 위해 더 설득력이 있을 것입니다31. 그러나 모든 참가자가 “아미타바 부처님”을 완주하게 노래할 것이라고 보장하기는 어렵습니다. 또한, LPP는 감정적인 소리 또는 긍정적인 priming32,33와 같은 그밖 요인에 의해 영향을 받습니다. 따라서, 더 나은 제어 실험은 더 명확하게 종교 노래의 효과의 기초 기본 신경 메커니즘을 묘사하는 데 필요합니다.

요약하자면, 이전 연구는 인간의 뇌가 신경 가소성과 상태의 신속한 변경에 주관적임을 입증했다34,35; 충분한 연습과 의도로, 뇌는 자신을 재구성하고 일반적으로 두려운 자극에 다르게 반응 할 수 있습니다. 이 연구는 현대 적 맥락에서 정서적 고통을 처리하기위한 효과적인 대처 전략의 개발에 대한 통찰력을 제공합니다. 이 프로토콜에 따라, 연구원은 사람들이 그들의 감정적인 고통을 개량하는 것을 돕기 위하여 실현 가능한 방법을 확인하기 위하여 종교적인 노래 또는 그밖 전통적인 관행의 효력을 검토해야 합니다.

Disclosures

The authors have nothing to disclose.

Acknowledgements

이 연구는 HKU와 NSFC의 소규모 기금 프로젝트에 의해 지원되었다.61841704.

Materials

E-Prime 2.0 Psychology Software Tools stimulus presentation, behavior data collection
EEGLAB Swartz Center for Computational Neuroscience EEG analysis software
HydroCel GSN 128 channels Electrical Geodesics, Inc. (EGI) EEG cap
LabChart ADInstruments physiological data (including ECG) acquisition software
Matlab R2011a MathWorks EEGLAB and SPM are based on Matlab; statistical analysis tool for EEG and physiological data
Netstation Electrical Geodesics, Inc. (EGI) EEG acquisition software
PowerLab 8/35 ADInstruments PL3508 physiological data (including ECG) acquisition hardware
SPM Wellcome Trust Centre for Neuroimaging EEG source analysis software
FMRIB University of Oxford Centre for Functional MRI of the Brain (FMRIB) Plug-in for EEGLAB to process ECG data
SPSS IBM statistical analysis tool for behavior and EEG ROI data
iMac 27" Apple running the Netstation software
Windows PC HP running the E-Prime 2.0 software
Windows PC Dell running the LabChart software

References

  1. Kennedy, H., Montreuil, T. C. The late positive potential as a reliable neural marker of cognitive reappraisal in children and youth: A brief review of the research literature. Frontiers in Psychology. 11, 608522 (2020).
  2. Yu, Q., Kitayama, S. Does facial action modulate neural responses of emotion? An examination with the late positive potential (LPP). Emotion. 21 (2), 442-446 (2021).
  3. Gao, J. L., et al. Repetitive religious chanting modulates the late-stage brain response to fear and stress-provoking pictures. Frontiers in Psychology. 7, 2055 (2017).
  4. Barkus, E. Effects of working memory training on emotion regulation: Transdiagnostic review. PsyCh Journal. 9 (2), 258-279 (2020).
  5. Denny, B. T. Getting better over time: A framework for examining the impact of emotion regulation training. Emotion. 20 (1), 110-114 (2020).
  6. Champe, J., Okech, J. E. A., Rubel, D. J. Emotion regulation: Processes, strategies, and applications to group work training and supervision. Journal for Specialists in Group Work. 38 (4), 349-368 (2013).
  7. Sobolewski, A., Holt, E., Kublik, E., Wrobel, A. Impact of meditation on emotional processing-A visual ERP study. Neuroscience Research. 71 (1), 44-48 (2011).
  8. Katyal, S., Hajcak, G., Flora, T., Bartlett, A., Goldin, P. Event-related potential and behavioural differences in affective self-referential processing in long-term meditators versus controls. Cognitive Affective & Behavioral Neuroscience. 20 (2), 326-339 (2020).
  9. Uusberg, H., Uusberg, A., Talpsep, T., Paaver, M. Mechanisms of mindfulness: The dynamics of affective adaptation during open monitoring. Biological Psychology. 118, 94-106 (2016).
  10. Bradley, M. M., Lang, P. J., Coan, J. A., Allen, J. B. . Handbook of emotion elicitation and assessment. Series in affective science. 483, 483-488 (2007).
  11. Gao, J. L., et al. Repetitive religious chanting invokes positive emotional schema to counterbalance fear: A multi-modal functional and structural MRI study. Frontiers in Behavioral Neuroscience. 14, 548856 (2020).
  12. Somaratne, G. A. The Jhana-cittas: The methods of swapping existential planes via samatha. Journal Of The Postgraduate Institute Of Pali And Buddhist Studies. 2, 1-21 (2017).
  13. Bhikkhu, T. Sallatha Sutta: The arrow (SN 36.6), Translated from the pali. Access to Insight Legacy Edition. , (2013).
  14. Halkias, G. . Luminous bliss : a religious history of Pure Land literature in Tibet : with an annotated English translation and critical analysis of the Orgyan-gling gold manuscript of the short Sukhāvatīvȳuha-sūtra. , (2013).
  15. Stewart, J. L., et al. Attentional bias to negative emotion as a function of approach and withdrawal anger styles: An ERP investigation. International Journal of Psychophysiology. 76 (1), 9-18 (2010).
  16. Delorme, A., Makeig, S. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods. 134 (1), 9-21 (2004).
  17. Ito, T. A., Larsen, J. T., Smith, N. K., Cacioppo, J. T. Negative information weighs more heavily on the brain: The negativity bias in evaluative categorizations. Journal of Personality and Social Psychology. 75 (4), 887-900 (1998).
  18. Grech, R., et al. Review on solving the inverse problem in EEG source analysis. Journal of NeuroEngineering and Rehabilitation. 5, 25 (2008).
  19. Penny, W. D., Friston, K. J., Ashburner, J. T., Kiebel, S. J., Nichols, T. E. . Statistical Parametric Mapping: The Analysis of Functional BrainIimages: The Analysis of Functional Brain Images. , (2011).
  20. Friston, K., et al. Multiple sparse priors for the M/EEG inverse problem. NeuroImage. 39 (3), 1104-1120 (2008).
  21. Niazy, R. K., Beckmann, C. F., Iannetti, G. D., Brady, J. M., Smith, S. M. Removal of FMRI environment artifacts from EEG data using optimal basis sets. Neuroimage. 28 (3), 720-737 (2005).
  22. Nakamura, H., Tawatsuji, Y., Fang, S. Y., Matsui, T. Explanation of emotion regulation mechanism of mindfulness using a brain function model. Neural Networks. 138, 198-214 (2021).
  23. Schjoedt, U., Stdkilde-Jorgensen, H., Geertz, A. W., Roepstorff, A. Highly religious participants recruit areas of social cognition in personal prayer. Social Cognitive and Affective Neuroscience. 4 (2), 199-207 (2009).
  24. Rao, N. P., et al. Directional brain networks underlying OM chanting. Asian Journal of Psychiatry. 37, 20-25 (2018).
  25. Harne, B. P., Bobade, Y., Dhekekar, R. S., Hiwale, A. SVM classification of EEG signal to analyze the effect of OM Mantra meditation on the brain. 2019 Ieee 16th India Council International Conference (Ieee Indicon 2019). , (2019).
  26. Coan, J. A., Allen, J. J. B. . Handbook of Emotion Elicitation and Assessment. , (2007).
  27. Meseguer, V., et al. Mapping the apetitive and aversive systems with emotional pictures using a Block-design fMRI procedure. Psicothema. 19 (3), 483-488 (2007).
  28. Luck, S. J., Gaspelin, N. How to get statistically significant effects in any ERP experiment (and why you shouldn’t). Psychophysiology. 54 (1), 146-157 (2017).
  29. Meteyard, L., Davies, R. A. I. Best practice guidance for linear mixed-effects models in psychological science. Journal of Memory and Language. 112, 104092 (2020).
  30. Tremblay, A., Newman, A. J. Modeling nonlinear relationships in ERP data using mixed-effects regression with R examples. Psychophysiology. 52 (1), 124-139 (2015).
  31. Wu, B. W. Y., Gao, J. L., Leung, H. K., Sik, H. H. A randomized controlled trial of Awareness Training Program (ATP), a group-based mahayana buddhist intervention. Mindfulness. 10 (7), 1280-1293 (2019).
  32. Brown, D. R., Cavanagh, J. F. The sound and the fury: Late positive potential is sensitive to sound affect. Psychophysiology. 54 (12), 1812-1825 (2017).
  33. Hill, L. D., Starratt, V. G., Fernandez, M., Tartar, J. L. Positive affective priming decreases the middle late positive potential response to negative images. Brain and Behavior. 9 (1), 01198 (2019).
  34. Belzung, C., Wigmore, P. . Current Topics in Behavioral Neurosciences,1 online resource. , (2013).
  35. Denes, G. . Neural Plasticity Across The Lifespan: How The Brain Can Change. , (2016).

Play Video

Cite This Article
Sik, H. H., Halkias, G. T., Chang, C., Gao, J., Leung, H. K., Wu, B. W. Y. Modulation of the Neurophysiological Response to Fearful and Stressful Stimuli Through Repetitive Religious Chanting. J. Vis. Exp. (177), e62960, doi:10.3791/62960 (2021).

View Video