Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

Modulering av det neurofysiologiska svaret på rädda och stressiga stimuli genom repetitiv religiös chanting

Published: November 4, 2021 doi: 10.3791/62960
Automatic Translation
1, 1, 2, 1, 1, 1
1Buddhism and Science Research Lab, Centre of Buddhist Studies, The University of Hong Kong, 2School of Biomedical Engineering, Shenzhen University

ERRATUM NOTICE

Summary

Den nuvarande händelserelaterade potentiella (ERP) studien ger ett unikt protokoll för att undersöka hur religiösa chanting kan modulera negativa känslor. Resultaten visar att den sena positiva potentialen (LPP) är ett robust neurofysiologiskt svar på negativa känslomässiga stimuli och kan effektivt moduleras genom repetitiva religiösa chanting.

Abstract

I neuropsykologiska experiment är den sena positiva potentialen (LPP) en händelserelaterad potentiell (ERP) komponent som återspeglar nivån på ens känslomässiga upphetsning. Denna studie undersöker om repetitiva religiösa chanting modulerar det känslomässiga svaret på rädsla- och stressframkallande stimuli, vilket leder till en mindre lyhörd LPP. Tjugoen deltagare med minst ett års erfarenhet av den repetitiva religiösa ramsan av "Amitabha Buddha" rekryterades. Ett 128-kanals elektroencefalografi (EEG) system användes för att samla in EEG-data. Deltagarna instruerades att se negativa eller neutrala bilder utvalda från International Affective Picture System (IAPS) under tre förhållanden: repetitiv religiös mässande, repetitiva icke-religiösa ramsor och inga ramsor. Resultaten visade att titta på de negativa rädsla- och stressframkallande bilderna inducerade större LPPs i deltagarna än att titta på neutrala bilder under de icke-mässande och icke-religiösa mässande förhållandena. Emellertid försvann denna ökande LPP i hög grad under repetitiva religiösa chanting villkorar. Resultaten visar att repetitiva religiösa chanting effektivt kan lindra neurofysiologiska svaret på rädda eller stressiga situationer för utövare.

Introduction

Den sena positiva potentialen (LPP) har länge åtföljts av känslomässig upphetsning, och den har tillförlitligt använts i känslorelaterad forskning1,2. Religiös praxis är utbredd i både öst- och västländer. Det hävdas att det kan lindra utövarens ångest och stress när man står inför biverkningar, särskilt under svåra tider3. Detta har dock sällan visats under rigorösa experimentella miljöer.

Många studier har bekräftat att känsloreglering kan läras med olika strategier och ramverk4,5,6. Några studier har visat att mindfulness och meditation kan modulera det neurala svaret på affektiva händelser7,8. Nyligen konstaterades det att meditation utövare kan använda känslor modulering strategier annat än kognitiv bedömning, undertryckande, och distraktion8,9. Stimuli från International Affective Picture System (IAPS) kan användas för att framkalla positiva eller negativa känslor på ett tillförlitligt sätt, och det finns standardkriterier för att hitta designade bilder med angiven valens och upphetsningsnivåer i affektiv forskning10.

Emotionella stimuli kan orsaka tidiga och senare svar i hjärnan3,11. På samma sätt gjorde buddhismtraditionen analogisk analys av sinnestankarna genom initiala och sekundära mentala processer3,12,13. Sallatha Sutta (Arrow Sutta), en tidig buddhistisk text, nämner att kognitiv träning kan tämja känslor. Arrow Sutta säger att både en välutbildad buddhistisk utövare och en otränad person upplever en initial och negativ uppfattning om smärta när de står inför en skadlig händelse13. Denna oundvikliga initiala smärta liknar en person som träffas av en pil, som beskrivs i Sallatha Sutta. Tidig perceptuell smärta är identisk med stadiet för tidig bearbetning när en person ser en mycket negativ bild. Tidig neural bearbetning framkallar vanligtvis en N1-komponent. Otränade personer kan utveckla överdrivna känslor, såsom oro, ångest och stress, efter att ha upplevt de första, oundvikliga smärtsamma känslorna. Enligt Sallatha Sutta är denna sena utvecklande negativa känsla eller psykologiska smärta som att träffas av en andra pil. Ett händelserelaterat potentiellt (ERP) experiment kan fånga den aktuella designens tidiga och senare psykologiska processer, förutsatt att N1 och LPP kan motsvara de två pilarna som nämns ovan.

I detta protokoll valdes den repetitiva mässan av namnet "Amitabha Buddha" (Sanskit: Amitābha) för att testa den potentiella effekten av religiös mässa när en individ är i en rädd eller stressig situation. Denna religiösa mässande är en av de mest populära praxis av individer med religiös orientering bland kinesiska buddhister, och det är en kärnpraxis för östasiatisk ren land buddhism14. Det var hypotesen att repetitiva religiösa chanting skulle minska hjärnans svar på provocerande stimuli, nämligen LPP inducerad av rädda eller stressiga bilder. Både EEG och electrocardiogram (EKG) data samlades in för att bedöma deltagarnas neurofysiologiska svar under olika förhållanden.

Protocol

Denna ERP-studie godkändes av University of Hong Kong Institutional Review Board. Innan alla deltagare deltog i denna studie undertecknade de ett skriftligt informerat samtyckesformulär.

1. Experimentell design

  1. Rekrytera deltagare
    1. Rekrytera deltagare med minst 1 års (~ 200-3 000 h) erfarenhet av att skandera namnet "Amitabha Buddha" för denna studie.
      OBS: I denna studie valdes 21 mänskliga deltagare i åldrarna 40-52 år ut; 11 var män.
  2. Religiös mässande kontra icke-religiös ramsa
    1. Chant namnet "Amitabha Buddha" för 40 s. Första 20 s med bilden av Amitabha Buddha och de kommande 20 s med IAPS bilder.
      1. Chant endast fyra tecken av namnet "Amitabha Buddha" medan du tittar på bilden av Amitabha Buddha i Pureland school14.
    2. Chant namnet på jultomten (icke-religiös chanting villkor) för 40 s. Första 20 s medan du tittar på bilden av jultomten och de kommande 20 s med IAPS-bilder.
      1. Chant bara fyra tecken av namnet jultomten och föreställ dig jultomten.
    3. Håll tyst i 40 s. Första 20 s med en tom bild för kontrolländamål och de kommande 20 s med IAPS-bilder.
      OBS: Inget mässande.
  3. EEG-inspelningssystem
    1. Spela in EEG-data med hjälp av ett 128-kant EEG-system som består av en förstärkare, huvudbox, EEG-keps och två stationära datorer (se Tabell över material).
  4. Stimuli presenterar system
    1. Använd hjälppresentationsprogram (se Tabell över material) för att visa neutrala och negativa bilder från IAPS på en stationär dator.
  5. EKG-inspelningssystem
    1. Använd ett fysiologiskt dataregistreringssystem för att registrera EKG-data (se Tabell över material).

2. Affektivt moduleringsexperiment

OBS: Experimentet hade två faktorer med en 2 x 3-design: Den första faktorn var bildtypen: neutral och negativ (rädsla- och stressframkallande). Den andra faktorn var den mässande typen: skanderande "Amitabha Buddha", skanderande "Jultomten" och ingen mässande (tyst utsikt).

  1. Använd en blockdesign, eftersom det mer effektivt kan framkalla känslorelaterade komponenter15.
    OBS: Det fanns sex villkor, och sekvenserna randomiserades och uppvägdes mellan deltagarna (figur 1). De sex villkoren var följande: religiösa ramsor medan du tittar på negativa bilder (AmiNeg); religiös chanting medan du tittar på neutrala bilder (AmiNeu); ingen chanting medan du tittar på negativa bilder (PasNeg); ingen chanting medan du tittar på neutrala bilder (PasNeu); nonreligious chanting stunder som visar negation föreställer (SanNeg); och icke-religiösa ramsor medan du tittar på neutrala bilder (SanNeu).

Figure 1
Figur 1: Det experimentella förfarandet. det fanns sex pseudorandomized villkor, och varje deltagare fick en pseudorandomized sekvens. Varje villkor upprepades sex gånger i två separata sessioner. Denna siffra har anpassats från Reference3. Klicka här för att se en större version av den här figuren.

  1. Visa varje bild i ~1,8-2,2 s, med ett interstimulusintervall (ISI) på 0,4-0,6 s.
    OBS: Det fanns 10 bilder av samma typ (neutral eller negativ) i varje session.
  2. Tillåt en viloperiod på 20 s efter varje session för att motverka de potentiella resteffekterna av chanting eller bildvisning på nästa session.
  3. Presentera bilderna på en CRT-monitor på ett avstånd av 75 cm från deltagarnas ögon, med visuella vinklar på 15° (vertikalt) och 21° (horisontellt).
  4. Be deltagarna att observera bilderna noggrant.
  5. Ge deltagarna en kort övningskörning så att de kan bekanta sig med varje villkor. Använd en videomonitor för att säkerställa att deltagarna inte somnar.
  6. Ge deltagarna 10 minuters vila mitt i 40-minutersexperimentet.

3. Insamling av EEG- och EKG-data

OBS: Innan du kommer till experimentet, be varje deltagare att tvätta håret och hårbotten noggrant utan att använda ett balsam eller något annat som kan öka systemets impedans. Samla in EEG- och EKG-data samtidigt med två separata system.

  1. Informera varje deltagare om de experimentella förfarandena, det vill säga att effektiva bilder sågs under olika mässförhållanden.
  2. Ställ in provtagningshastigheten på 1 000 Hz och bibehåll impedansen för varje elektrod under 30 kΩ när det är möjligt eller enligt systemets krav.
  3. Samla in fysiologiska data, inklusive EKG-data med hjälp av ett fysiologiskt dataregistreringssystem (se Tabell över material).

4. EEG-dataanalys

  1. Bearbeta och analysera EEG-data med EEGLAB (se Tabell över material), Kompletterande fil 1-2, en programvara med öppen källkod16 enligt stegen nedan.
  2. Använd FUNKTIONEN EEGLAB "pop_resample" för att sampla data från 1 000 Hz till 250 Hz för att upprätthålla en rimlig datafilstorlek. Klicka på Verktyg > Ändra samplingsfrekvens.
  3. Använd EEGLAB-funktionen "pop_eegfiltnew" för att filtrera data med ett FINit impulsresponsfilter (FIR) med 0,1-100 Hz-passband. Klicka på Verktyg > Filtrera data > Grundläggande FIR-filter (nytt, standard).
  4. Filtrera data igen med ett icke-linjärt IIR-filter (Infinite Impulse Response) med ett stoppband på 47–53 Hz för att minska bruset från växelströmmen. Klicka på Verktyg > Filtrera data > välj Notch filtrera data i stället för passband.
  5. Inspektera data visuellt för att ta bort starka artefakter som genereras av ögon- och muskelrörelser. Klicka på Plot > Channel data (scroll).
  6. Inspektera data visuellt igen för konsekvent brus som genereras av någon kanal, och de dåliga kanalerna noterades.
  7. Rekonstruera de dåliga kanalerna med hjälp av sfärisk interpolation. Klicka på Verktyg > Interpolera elektroder > Välj från datakanalerna.
  8. Kör oberoende komponentanalys (ICA) med algoritmen "runica"16 med öppen källkod. Klicka på Verktyg > Kör ICA.
  9. Ta bort de oberoende komponenterna (ICs) som motsvarar ögonrörelser, blinkningar, muskelrörelse och linjebrus. Klicka på Verktyg > Avvisa data med hjälp av ICA > Avvisa komponenter via karta.
  10. Rekonstruera data med hjälp av de återstående ICs. Klicka på Verktyg > Ta bort komponenter.
  11. Filtrera data med ett lågpassfilter på 30 Hz. Klicka på Verktyg > Filtrera data > Grundläggande FIR-filter (nytt, standard).
  12. Skaffa ERP-data genom att extrahera och i genomsnitt tidslåsta epoker för varje tillstånd med ett tidsfönster på -200 till 0 ms som baslinje och 0 till 800 ms som ERP. Klicka på Verktyg > Extrahera epoker.
  13. Referera till ERP-data med medelvärdet av vänster och höger mastoidkanaler. Klicka på Verktyg > Referera till.
  14. Upprepa ovanstående steg för datamängderna från alla deltagare och jämför skillnaderna mellan villkor med hjälp av t-testet eller upprepade mått ANOVA i en statistisk analysprogramvara (se Tabell över material).
  15. Definiera tidsfönster för N1 och LPP baserat på etablerade teorier8,17och aktuella data3.
    OBS: I detta arbete definierades N1 som 100-150 ms, medan LPP som 300-600 ms från stimulans debuten; LPP är mest framträdande i den centrala parietala regionen (figur 2).
  16. Hitta den neutrala kontra negativa bildskillnaden vid N1-komponenten med parat t-test mellan tre villkor (bild 3).
  17. Hitta den neutrala kontra negativa bildskillnaden vid LPP-komponenten med parat t-test mellan tre villkor (figur 4).
  18. Utför roi-analys (region of interest) på N1- och LPP-komponenter genom att i genomsnitt representera relevanta kanaler för att representera en region.
    OBS: För att välja ROI var epokerna för alla tre villkoren genomsnittliga för att beräkna de kanaler där de neutrala och negativa bilderna hade en skillnad som var signifikant i det specifika tidsfönstret (t.ex. för N1 eller LPP).
  19. Jämför skillnaden vid N1 och LPP separat med hjälp av upprepade mått ANOVA och post hoc-statistik i programvara för statistisk analys.
    OBS: Använd post hoc-analys (Bonferroni-korrigering) och bestäm signifikanta skillnader mellan de två villkoren separat om modellen var signifikant. Signifikanströskeln fastställdes till p < 0,05.

5. ERP-källanalys

  1. Utför ERP-källanalysen18 med programvaran SPM19 med öppen källkod (se Tabell över material) enligt stegen nedan.
  2. Koppla EEG-kepssensorkoordinatsystemet till koordinatsystemet för en standard strukturell MR-bild (Montreal Neurological Institute (MNI) genom landmärkebaserad samregistrering. I SPM klickar du på Batch > SPM > M/EEG > Source rekonstruktion > Head modellspecifikation.
  3. Utför framåtberäkning för att beräkna effekten av varje dipol på det kortikala nätet som läggs på EEG-sensorerna. Klicka på SPM > M/EEG > Källrekonstruktion > Källinversion under samma batchredigerare.
    OBS: Dessa resultat placerades i en G-matris (n x m), där n är antalet sensorer (EEG-rymddimension) och m är antalet maskhörn (källutrymmesdimension). Källmodellen var X = GS, där X är en n x k-matris som betecknar ERP-data för varje villkor, k är antalet tidpunkter och S är en m x k-matris som anger ERP-källan.
  4. Använd den giriga sökbaserade flera sparse priors-algoritmen (eftersom S är okänd) i det tredje steget (bland de många algoritmer som finns tillgängliga) för att utföra den omvända rekonstruktionen eftersom den är mer tillförlitlig än andra metoder20. Välj MSP (GS) för inversionstypen i fönstret Källinversion .
  5. Bestäm skillnaden mellan villkor med hjälp av allmän linjär modellering i SPM. Ange signifikansnivån till p < 0,05. Klicka på SPM > Stats > Factorial designspecifikation under Batch Editor.

6. EKG-data och beteendeanalysanalys

  1. Använd fysiologiska och databehandlingsprogram för att bearbeta och analysera EKG-data (se Tabell över material). Beräkna medelvärdet för varje villkor. I EEGLAB klickar du på Verktyg > FMRIB Tools > Detect QRS-händelser21.
    OBS: I likhet med ERP-amplitudanalysen användes statistisk programvara för att ytterligare analysera data med upprepade mått ANOVA. Post hoc-analys utfördes för att fastställa de betydande skillnaderna mellan de två villkoren separat om modellen var betydande. Signifikansnivån fastställdes till p < 0,05.
  2. Be deltagarna att betygsätta sin tro på effektiviteten av att skandera ämnets namn (Amitabha Buddha, jultomten, etc.) på en 1-9-skala, där 1 anses vara svagast och 9 den starkaste.

Representative Results

Beteendemässiga resultat
Resultaten för deltagarnas tro på chanting visade ett genomsnitt på 8,16 ± 0,96 för "Amitabha Buddha", 3,26 ± 2,56 för "Jultomten" och 1,95 ± 2,09 för det tomma kontrolltillståndet (tilläggstabell 1).

ERP-resultat
Den representativa kanalen för Pz (parietalloben) visade att chanting villkor hade olika effekter på den tidiga (N1) och sena (LPP) bearbetningen av neutrala och negativa bilder. Den visade tidsfönstret för N1 respektive LPP (figur 2).

Tidigt perceptuellt stadium
ERP-resultaten visade en ökad N1 när de tittade på de negativa bilderna i tre mässande förhållanden (figur 3). Den visade att negativa bilder inducerade starkare centrala hjärnaktiviteter än neutrala bilder, och ökningarna är jämförbara i tre tillstånd.

Sent emotionellt/kognitivt stadium
ERP visade en ökad LPP i nonreligious chanting och no-chanting villkorar. LPP som framkallas av negativa bilder syns dock knappt när deltagaren skanderar Amitabha Buddhas namn (figur 4).

Analys av region av intresse (ROI)
De tre villkoren kombinerades för att uppskatta de regioner som i allmänhet aktiverades vid N1- och LPP-komponenter. Upprepade mått ANOVA utfördes med statistisk programvara för att beräkna skillnaden i N1- och LPP-komponenterna mellan mässor (figur 5).

De vänstra tre kolumnerna visar skillnaden i N1-komponenten för de tre mässande förhållandena: det tysta visningsförhållandet, det icke-religiösa mässingstillståndet och det religiösa mässingstillståndet. Skillnaderna i N1-komponenten var likartade mellan de tre villkoren. De tre högra kolumnerna visar skillnaden i LPP-komponenten för de tre mässingsförhållandena. Detta visar att skillnaden i LPP-komponenten är mycket mindre i det religiösa mässingsförhållandet än i det icke-religiösa mässingstillståndet och det tysta visningsförhållandet.

Källanalys
Källanalys tillämpades för att extrahera den potentiella hjärnkartläggningen baserat på LPP-resultaten (figur 6). Resultaten visar att jämfört med neutrala bilder inducerar negativa bilder mer parietal aktivering i det icke-religiösa mässande tillståndet och inget mässande tillstånd. Däremot försvinner denna negativa bildinducerade aktivering till stor del i det religiösa mässande tillståndet.

Fysiologiska resultat: puls
det fanns en betydande förändring i hjärtfrekvensen (HR) mellan de negativa och neutrala bilderna i nonreligious chanting villkor. En liknande trend hittades i villkoret utan chanting. Ingen sådan HR-skillnad hittades dock i det religiösa mässingstillståndet (figur 7).

Figure 2
Figur 2: En representativ kanal (Pz) visade olika felamen under sex mässande förhållanden. De sex villkoren är (1) religiösa ramsor medan du tittar på neutrala bilder (AmiNeu); (2) Religiös mässa medan du tittar på negativa bilder (AmiNeg); (3) Icke-religiösa ramsor medan man tittar på neutrala bilder (SanNeu); (4) Icke-religiösa ramsor när man tittar på negativa bilder (SanNeg); (5) Inga ramsor när man tittar på neutrala bilder (PasNeu); och (6) inga ramsor när du tittar på negativa bilder (PasNeg). Kanalen Pz ligger i mitten av parietalområdet i hårbotten. Klicka här för att se en större version av den här figuren.

Figure 3
Bild 3: ERP-resultaten för att demonstrera N1-komponenten under de tre mässande förhållandena. Tvådimensionella kartor över N1-komponenten för de tre villkoren för varje bildtyp. I den sista kolumnen visas kanaler med betydande skillnader (p < 0,05) med prickar. prickar som är i mörkare färg indikerar större betydelse (dvs. mindre p-värden). Klicka här för att se en större version av den här figuren.

Figure 4
Figur 4: ERP-resultaten för att demonstrera LPP-komponenten under de tre mässande förhållandena. Tvådimensionella kartor över LPP-komponenten (Late Positive Potential) för de tre villkoren för varje bildtyp. I den sista kolumnen visas kanaler med betydande skillnader (p < 0,05) med prickar. prickar som är i mörkare färg indikerar större betydelse (dvs. mindre p-värden). Klicka här för att se en större version av den här figuren.

Figure 5
Figur 5: Roi-analys (Region of Interest). Regionen av intresse (ROI) analys på skillnaden mellan negativa kontra neutrala bildinducerade hjärnsvar för den tidiga komponenten, N1, och den sena komponenten, den sena positiva potentialen (LPP). Klicka här för att se en större version av den här figuren.

Figure 6
Figur 6: Källanalys av komponenten för sen positiv potential (LPP) under de tre villkoren. Markerade områden indikerar högre hjärnaktivitet i negativa kontra neutrala förhållanden. Klicka här för att se en större version av den här figuren.

Figure 7
Figur 7: Hjärtslagen intervallerar under de tre mässande förhållandena. Elektrokardiogrammets inter-beat intervall (RR) under varje bildtyp/chanting kombination och motsvarande p värden. Ami: Amitabha Buddha chanting villkor, San: Jultomten chanting villkor, Pas: passiv visning villkor, Neu: neutral bild, Neg: negativ bild. Klicka här för att se en större version av den här figuren.

Tilläggstabell 1: Betygsätta tron på effektiviteten hos det mässande ämnet (Amitabha Buddha, jultomten). Den använder en 1-9 skala, där 1 indikerar minst tro och 9 den starkaste tron. Klicka här för att ladda ner den här tabellen.

Kompletterande fil 1: Kod för förbearbetning av EEG-databatch. Det tar bort dåliga kanaler, samplar data till 250 Hz och filtrerar sedan data. Klicka här för att ladda ner den här filen.

Kompletterande fil 2: Kod för reparation av ERP-data. Det reparerar dåliga epoker med bullriga spikar. Klicka här för att ladda ner den här filen.

Discussion

Det unika med denna studie är tillämpningen av en neurovetenskaplig metod för att undersöka de neurala mekanismer som ligger till grund för en utbredd religiös praxis, dvs repetitiv religiös chanting. Med tanke på dess framträdande effekt kan denna metod möjliggöra nya interventioner för terapeuter eller kliniker för att behandla klienter som hanterar känslomässiga problem och lider av ångest och stress. Tillsammans med tidigare studier bör bredare känsloregleringsforskning beaktas i framtida studier7,8,9,22.

Det finns få ERP-studier om chanting, med tanke på svårigheten att konstruera experiment som kombinerar chanting och andra kognitiva händelser. Denna studie visar ett genomförbart protokoll för att undersöka den affektiva effekten av chanting / praying, som är ganska populär i den verkliga världen. Tidigare funktionella MRI (fMRI) studier fann att bön rekryterar områden av social kognition23. En vilo-state fMRI studie visade att chanting "OM" minskade utdata från främre cingulate, insula och orbitofrontal cortices24. En annan EEG-studie fann att "OM" meditation ökade deltavågor, vilket inducerade upplevelsen av avkoppling och djup sömn25. Dessa metoder kunde dock inte exakt undersöka de specifika händelserelaterade förändringarna efter religiösa ramsor.

Forskare bör kontrollera de förvirrande faktorerna för språkbehandling och förtrogenhet för att framgångsrikt undersöka den potentiella effekten av repetitiv religiös mässa framgångsrikt. Som deltagarna övade omfattande och dagligen skanderande namnet "Amitabha Buddha" (kinesiska tecken: Equation 1; Kantonesiska uttal: o1-nei4-till4-fat6), vi använde namnet "Jultomten" (kinesiska tecken: ; Equation 2 Kantonesiska uttal: sing3-daan3-lou5-jan4) som kontrolltillstånd eftersom lokalbefolkningen är bekant med jultomten. På kinesiska innehåller båda namnen fyra tecken, vilket styr för språklikhet. När det gäller förtrogenhet är jultomten också ganska populär i Hong Kong eftersom det är en delvis västerländsk stad. Dessutom är jultomten också en något positiv siffra i Hong Kong, där det finns officiella julhelger. Ändå är denna kontroll av förtrogenhet partiell, eftersom det är svårt att helt matcha förståelsen av Amitabha Buddhas namn för utövarna.

Ett kritiskt steg i den aktuella studien var förberedelsen av de rädsla- eller stressframkallande bilderna. Eftersom religiösa mässande kan fungera bättre när hotande händelser inträffar, var det viktigt att välja rätt stimuli från IAPS-bildpoolen26. Det rekommenderas att potentiella deltagare intervjuas och att lämpliga bilder väljs för att undvika för mycket rädsla eller avsky. Mycket negativa bilder kan hindra deltagarna från att avsiktligt avvärja sin uppmärksamhet; Samtidigt bör de rädsla- och stressframkallande stimuli göra det möjligt för deltagarna att uppleva ett tillräckligt hot. En annan kritisk fråga är studiens blockdesign. EEG/ERP-signalen är tillräckligt känslig och dynamisk för att följa varje händelse. Det skulle dock vara lämpligare att implementera en blockdesign med en 20-30 s visningsperiod eftersom mönstret för hjärtfunktion eller känslor kanske inte ändras i ordning av sekunder27. Å andra sidan kan ett 60-s block vara för långt, och det neurala svaret kan bli van vid ERP-studierna.

EEG-data bearbetnings fasen måste göra en säkerhetskopia under varje steg, eftersom varje steg ändrar data och registrerar de ändringar som gjorts under dessa steg. Detta kan användas för att spåra ändringar och göra det enklare att hitta fel under batchbearbetningen. Det är också viktigt att förbättra datakvaliteten, så erfarenhet av att rensa rådata och identifiera dåliga ICs behövs. I den statistiska analysen gjordes jämförelser på stora genomsnitt och ANOVA tillämpades. Vi varnar för att denna statistik med modellen med fast effekt är mottaglig för slumpmässiga effekter28. Modeller med blandade effekter kan anpassas för att kontrollera främmande faktorer29, och antagandet om linjäritet kan potentiellt påverka slutsatser från ERP-data30.

Flera begränsningar är värda att notera. En begränsning är att den aktuella studien endast inkluderade en grupp deltagare som praktiserade renlandsbuddhism. Att skriva in en kontrollgrupp utan någon erfarenhet av religiös mässa för jämförelse kan hjälpa till att avgöra om effekten av religiös mässande förmedlas av tro eller förtrogenhet. Vanligtvis skulle en randomiserad kontrollerad rättegång vara mer övertygande för att undersöka effekten av känslomodulering på religiösa ramsor31. Det är dock svårt att garantera att någon deltagare repetitivt skulle skandera "Amitabha Buddha" med fullständig vilja. Dessutom påverkas LPP av andra faktorer, såsom känslomässigt ljud eller positiv priming32,33. Således behövs bättre kontrollerade experiment för att tydligare avgränsa den grundläggande neuromekanismen som ligger till grund för effekten av religiös mässande.

Sammanfattningsvis har tidigare studier visat att den mänskliga hjärnan är subjektiv för neural plasticitet och snabb förändring av tillstånd34,35; med tillräcklig övning och avsikt kan hjärnan omforma sig själv och svara annorlunda på normalt rädda stimuli. Denna studie ger insikter i utvecklingen av effektiva hanteringsstrategier för hantering av känslomässigt lidande i samtida sammanhang. Efter detta protokoll bör forskare undersöka effekten av religiösa ramsor eller andra traditionella metoder för att identifiera genomförbara sätt att hjälpa människor att förbättra sina känslomässiga lidanden.

Disclosures

Författarna förklarar att de inte har några konkurrerande ekonomiska intressen.

Acknowledgments

Studien stöddes av HKU:s och NSFC:s småfondsprojekt.61841704.

Materials

Name Company Catalog Number Comments
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

DOWNLOAD MATERIALS LIST

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. Handbook of emotion elicitation and assessment. Series in affective science. Coan, J. A., Allen, J. B. 483, Oxford University Press. 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. , University of Hawaiʻi Press. (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. , Academic Press. (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. , Oxford University Press. (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. , Springer Berlin Heidelberg. Berlin Heidelberg. (2013).
  35. Denes, G. Neural Plasticity Across The Lifespan: How The Brain Can Change. , CRC Press, an imprint of the Taylor & Francis Group. (2016).

Tags

Neurovetenskap nummer 177

Erratum

Formal Correction: Erratum: Modulation of the Neurophysiological Response to Fearful and Stressful Stimuli Through Repetitive Religious Chanting
Posted by JoVE Editors on 03/25/2022. Citeable Link.

An erratum was issued for: Modulation of the Neurophysiological Response to Fearful and Stressful Stimuli Through Repetitive Religious Chanting. The Authors section was updated.

The authors section was updated from:

Hin Hung Sik1, Georgios T. Halkias1, Chunqi Chang2, Junling Gao1, Hang Kin Leung1, Bonnie W. Y. Wu1
1Centre of Buddhist Studies, The University of Hong Kong,
2School of Biomedical Engineering, Shenzhen University

To:

Hin Hung Sik1, Georgios T. Halkias1, Chunqi Chang2, Junling Gao1, Hang Kin Leung1, Bonnie Wai Yan Wu1
1Buddhism and Science Research Lab, Centre of Buddhist Studies, The University of Hong Kong,
2School of Biomedical Engineering, Shenzhen University

Modulering av det neurofysiologiska svaret på rädda och stressiga stimuli genom repetitiv religiös chanting
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Sik, H. H., Halkias, G. T., Chang,… More

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).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter