שימוש באנטרופיה Wavelet כדי להדגים כיצד תרגול תשומת לב מגביר את התיאום בין פעילות מוחית לא סדירה ופעילות לב

Behavior
 

Summary

כתב יד זה מתאר כיצד להשתמש במדד אנטרופיה אדוה לנתח צפיפות גבוהה electroencephalography (EEG) ו אלקטרוקרדיוגרפיה (ECG) נתונים. אנו מראים כי אי סדירות של הפעילות המוחית והלבנית הפכה מתואמת יותר במהלך תרגול הפחתת מתח המבוסס על תשומת לב.

Cite this Article

Copy Citation | Download Citations

Sik, H. H., Gao, J., Fan, J., Wu, B. W., 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).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

הן במזרח והן במערב, התורות המסורתיות אומרות שהמוח והלב מתואמים באופן כלשהו, ​​במיוחד במהלך התרגול הרוחני. קושי אחד להוכיח זאת באופן אובייקטיבי הוא שהאופי של פעילות המוח והלב שונה לחלוטין. במאמר זה, אנו מציעים מתודולוגיה המשתמשת באנטרופיה גלים כדי למדוד את רמות כאוטי של נתונים אלקטרואנצפלוגרמה (EEG) ו אלקטרוקרדיוגרמה (ECG) ולהראות כיצד זה עשוי לשמש כדי לחקור את התיאום הפוטנציאלי בין המוח ללב בתנאים ניסויים שונים . יתר על כן, מיפוי פרמטרית סטטיסטית (SPM) שימש כדי לזהות את אזורי המוח בהם אנטרופיה אדוה EEG היה המושפע ביותר על ידי תנאי הניסוי. כאיור, EEG ו- ECG נרשמו בשני תנאים שונים (מנוחה נורמלית והנשימה מודעת) בתחילת קורס הכשרה המבוסס על 8 שבועות (Mindestness based Stress Reduction) (MBSR) ולאחר מכןOurse (posttest). באמצעות השיטה המוצעת, התוצאות הראו בעקביות כי אנטרופיה אדוה של המוח EEG ירד במהלך מצב נשימה MBSR מודע לעומת זאת במהלך מצב עין עצור סגור. באופן דומה, אנטרופיה נמוכה יותר של לב לב נמצאה במהלך נשימה מודעת MBSR. עם זאת, לא נמצא הבדל באנטרופיה של אדים במהלך נשימה מודעת של ה- MBSR בין הבדיקה לפני המבחן. לא נמצא קשר בין האנטרופיה של גלי המוח לבין האנטרופיה של הלב במהלך מנוחה רגילה בכל המשתתפים, בעוד שמתאם משמעותי נצפתה במהלך נשימה מודעת של ה- MBSR. בנוסף, האזורים המוחיים המתואמים היטב היו ממוקמים באזורים המרכזיים של המוח. מחקר זה מספק מתודולוגיה להקמת ראיות שהפרקטיקה של תשומת הלב ( כלומר, נשימה מודעת) עשויה להגביר את התיאום בין פעילויות המוח והלב.

Introduction

עם ההתקדמות בתחום מדעי המוח והרפואה 1 , אנחנו נמצאים במצב הרבה יותר טוב כדי להבין את היתרונות הלא תרופתי של תשומת לב ומדיטציה על מחלות נפשיות ופיזיות. מחקרים רבים הוכיחו כי אימון המבוסס על תשומת לב (MBSR), כמעין תרגיל מנטאלי, יכול להפחית באופן פעיל את הלחץ המיותר במוח ובגוף. במהלך תרגול המדיטציה, הגוף והנפש עשויים להיות מושרשים יותר. נושאים אלה משכו את תשומת הלב של הקהילה האקדמית ושל הציבור הרחב, והם הניעו אותנו לעצב מתודולוגיה כדי לבחון תיאום אפשרי בין המוח לגוף (או ליתר דיוק, בין המוח ללב) בתנאים שונים כדי להעריך את ההשפעה של אימון MBSR בפועל.

אי-הסדירות של electroencephalograms (EEG) נחשבת בדרך כלל כרעש בניתוח ספקטרום EEG הקונבנציונאלי, bהוא עשוי להכיל מידע שימושי וניתן למדוד אותו באמצעות אנטרופיית האות. EEG אנטרופיה שימשה כמדד של תנאים קליניים כגון אפילפסיה, מחלת אלצהיימר, והרדמה, וכמה ראיות עולה כי האנטרופיה של EEG עשוי להיות מדד רגיש יותר לניטור מצבי המוח מאשר ניתוח EEG מסורתי 3 , 4 . אנטרופיה משמשת כבר זמן רב בתרמודינמיקה כמדד לתיאור המצב הכאוטי של המערכת. גלי המוח הנמדדים על ידי EEG ידועים בפעילותם הדינמית עקב רשתות המוח הפועלות בין הסדר לכאוס. בין סוגים שונים של אנטרופיה, אנטרופיה אדוה מציעה שיטה לחשב את האנטרופיה של האנרגיות תחת קשקשים תצפית שונים, אשר מתאים היטב לניתוח אותות EEG עם תכונות מגוונות שונים בקשקשים שונים. עבור אות אקראי לחלוטין, האנרגיות היחסיות ברמות רזולוציה שונות יהיואותו, והאנטרופיה תגיע למקסימום. לפיכך, אנטרופיה אדוה משמש מדד של פעילות כאוטית ב EEG והוא יכול לשמש אינדקס להבחנה מצבי נפש שונים 6 .

מחקרים קודמים של אק"ג (ECG) סיפקו ראיות עקביות לשינויים הקשורים במדיטציה בשונות הלב, בהשוואה למדינות שלפני המדיטציה. Heartbeat מוסדר על ידי מערכת העצבים האוטונומית (כולל סימפתטי ו parasympathetic). הטון האוטונומי מאופנן על ידי אינטראקציות בין הגנגליון; צומת אוראלי סיני; עצבים הוואגים; ומבנים גבוהים יותר במוח, כגון medulla oblongata, אינסולה, ואת המערכת הלימבית. מבנים אלה מהווים מערכת היררכית, וניתן למדוד את פעילותה הלא ליניארית באמצעות אנטרופיה 8 . לדוגמה, התפרצויות עצביות במבנים מוחיים מסדר גבוה יותר יכולות להשפיע על קצב הלב.במצבים קליניים, הפרעות מוח כגון התקפים אפילפטיים משבשים את קצב הלב 10 . מחקר Neurocardiology גם מציע אינטראקציה הדוקה בין הלב והמוח 11 .

קושי אחד בבדיקת הקשר בין אותות המוח והלב הוא שהם שונים בתוכן האותות ובזמן. לפיכך, האתגר העיקרי הוא לזהות מדד משותף שאינו חל רק על אותות המוח והלב, אלא גם בעל משמעות לפרשנות בהקשר של תיאום בין גוף ונפש. במאמר זה, אנו מציעים שימוש באנטרופיה אדומה כדי לזהות תיאום אפשרי בין אי סדרים בפעילויות המוח והלב על ידי התאמת האנטרופיות של אותות EEG ושל פעימות לב, אשר ניתן להעריך באמצעות ניסוי MBSR.

בגלל MBSR כרוך תרגול תשומת לב הן הגוף והנפש, אנו משער כי MBSR מודע נשימה PRאקטיקה עשויה להשפיע לא רק על פעילות המוח, אלא גם על פעימות הלב. מחקרים קודמים חקרו בעיקר את ההשפעה של אימון ו / או אימון על המוח או הלב בנפרד ומבוססים על היבטים שונים; השינויים בו-זמנית בשתי מערכות קשורות זו לזו לא נחקרו במידה רבה. רק מחקרים מעטים דיווחו על תיאום טוב יותר של הגוף והנפש לאחר אימון התודעה 12 . באמצעות המתודולוגיה המוצעת, התוצאות המייצגות ומחקר קודם 13 הראו כי אימון ה- MBSR של תשומת לב יכול להגדיל את התיאום של הגוף והנפש במונחים של הפעילות הכאוטית שלהם, אשר עשויים להציע תובנה חדשה לגבי ההשפעות של אימון מודעות על מרכזי ופריפריה מערכות עצבים.

Protocol

מחקר זה אושר על ידי אוניברסיטת הונג קונג סקירה מוסדית מועצת המנהלים. כל המשתתפים סיפקו את הסכמתם המדעת בכתב לפני השתתפותם במחקר זה.

1. עיצוב ניסיוני

שולחן 1
טבלה 1. MBSR סקירה כללית. קורס ההדרכה של MBSR בן 8 השבועות שנלקח על ידי המשתתפים.

  1. לגייס משתתפים.
    הערה: 11 מבוגרים בריאים (חמש נקבות) מקורס MBSR מקומי השתתפו במחקר EEG זה והיו בני 28 - 52. משתתף עם דיכאון מבוסס על מלאי בדיכאון בק לא נכללו במחקר. הקורס עבר הכשרה סטנדרטית של MBSR ( טבלה 1 ), והמשתתפים נאלצו להתחייב למבנה האימון.
  2. מערכת הקלטה EEG.
    1. ביצוע הקלטה EEG בחדר שקט באמצעות 128-EEG ערוץYstem המורכב מכסה EEG, מגבר, headbox, ואת שולחן העבודה.

2. EEG ו- ECG רכישת נתונים

הערה: איסוף הנתונים EEG בעקבות הליך סטנדרטי דומה לשיטה שתוארה קודם לכן 14 . בקשו מכל משתתף לרחוץ את השיער והקרקפת שלו לפני בואו לאתר הניסוי. ליידע את המשתתף על הליכים ניסיוניים, בעיקר כי הוא / היא תישאר בדרך כלל במשך 10 דקות ולעשות נשימה מודע במשך 10 דקות נוספות תוך הקלטת עם EEG ו- ECG התקנים.

  1. נקה את אזור הפנים ואת mastoid של המשתתף עם אלכוהול swabs.
  2. באמצעות סרט מדידה, למדוד את היקף הראש של המשתתף ולאחר מכן לבחור מכסה בגודל מתאים. קח מדידה אחת מן nasion כדי inion ועוד מדידה על החלק העליון של האוזניים מעל הקרקפת. סמן את הקודקוד (הנקודה באמצע המרחק בין nasion aD בין איזור הביניים בין שתי האוזניים) עם עט סמן רך.
  3. הגדר את עמדות האלקטרודה בהתאם למערכות האלקטרודה 10-5. למקם את הכובע בצורה כזו כי האלקטרודה CZ הוא מעל קודקוד, האלקטרודה NZ הוא nasion, האלקטרודה Lz הוא ב inion, אלקטרודה RM הוא בצד ימין mastoid, ואת האלקטרודה LM הוא בצד שמאל mastoid .
    1. מניחים את האלקטרודות א.ק.ג. ב הן fossae השמאלית והימנית infraclavicular.
    2. ממלאים את מחזיקי האלקטרודה עם ג'ל באמצעות מזרק קהה נקודה.
    3. שמור על עכבה מתחת 20 kΩ עבור כל אלקטרודה. להפחית את עכבה על ידי התאמת מיקום האלקטרודה כדי להגדיל את הקשר עם הקרקפת; להוסיף ג'ל יותר במידת הצורך.
    4. הדק את הסנטר והבקש מהמשתתף להישאר בשקט.
    5. קביעת קצב הדגימה של התקן EEG ל -1,000 הרץ. השתמש mastoid שמאל כנקודת התייחסות המקורי.
  4. נתוני EEG (שלב 1.2.1) בתחילת הקורס MBSR (בתוך 2 שבועות).
    1. יש לבצע את המשתתף לבצע סריקת גוף קצרה כדי להירגע את כל הגוף. יש המשתתף לשים לב לנשימה שלו בזמן לנשום ולנשום. יש כל משתתף לבצע 10 דקות של MBSR נשימה מודע (מצב MBSR תשומת לב) ו 10 דקות של מנוחה רגילה (מצב שליטה) במהלך איסוף הנתונים EEG. זה יוצר מערך הכשרה מראש MBSR עם שני תנאים.
      הערה: לאזן את רצף הנשימה המודעת ואת המנוחה הרגילה בקרב המשתתפים.
  5. הקלט נתונים EEG שוב על 1 חודש לאחר המשתתפים להשלים את קורס MBSR.
    1. שאל כל משתתף לבצע 10 דקות של נשימה מודע ו 10 דקות של מנוחה רגילה במהלך איסוף הנתונים EEG. פעולה זו יוצרת מערך נתונים לאחר אימון MBSR עם שני תנאים.

3. EEG וניתוח נתונים ECG

הערה: ארבעת הצעדים הראשונים הםעבור עיבוד נתונים, והשלבים הנותרים הם לחישוב אנטרופיה של גלים וניתוח מתאם. הנה, תוכנת קוד פתוח בשם EEGLAB 16 שימש ניתוח EEG, אבל פעולות צריך להיות דומה על פני תוכנות שונות. להלן, הפעולות המבוססות על EEGLAB יובאו כדוגמה. עיין במדריך EEGLAB לקבלת פרטים נוספים (https://sccn.ucsd.edu/wiki/EEGLAB_Wiki#EEGLAB_Tutorial).

  1. השתמש בתוכנת EEG כדי לדגום את הנתונים ב 250 הרץ על ידי בחירת כלים> שינוי קצב הדגימה. השתמש במסנן Finite Impulse Response (FIR) עבור סינון פס-פס באמצעות פס-פס של 0.5-100 Hz על-ידי בחירה באפשרות כלים> סינון הנתונים> מסנן FIR בסיסי.
    1. כדי להפחית את הרעש הנובע מהזרם המתחלף של הזרם הספציפי למדינה, השתמש במסנן קצר, לא ליניארי, Infinite Impulse Response (IIR) עבור סינון חריץ עם stopband 47- 53 Hz על-ידי בחירה באפשרות כלים> סינון הנתונים> קצר שאינו ליניארימסנן IIR. זה מכסה את כל התדרים הרלוונטיים בניתוח ספקטרום תוך הסרת רעש מיותר.
  2. השתמש בתוכנת EEG כדי לגלול חזותית ולבדוק את האות EEG על ידי בחירת מגרש> נתוני ערוץ (גלילה).
    1. לזהות ולמחוק קטעים EEG המכילים רעש שרירים ברור וכל אירוע מוזר אחרים. לחץ באמצעות לחצן העכבר הימני וגרור את העכבר על מקטעים פגומים כדי להדגיש אותם ולאחר מכן "מחק" או "דחה" את הקטעים באמצעות תוכנת EEG.
      הערה: פעילות שרירים כגון בליעה או הבעת פנים לעיתים קרובות מייצרים אותות רציפים ולא סדירים. אירועים מוזרים נגרמים בדרך כלל על ידי תנועות ראש או גוף, אשר לעיתים קרובות להוביל משמרות משמעותיות (בתדרים נמוכים) של האות EEG.
    2. לקבוע אם יש ערוץ רע. שחזור כל ערוץ רע באמצעות שיטת אינטרפולציה כדורית על ידי בחירת כלים> אינטרפולציה ערוץ.
  3. השתמש בתוכנת EEG לביצוע ב(ICA) על הנתונים על-ידי בחירה באפשרות כלים> הפעלת ICA. יש למפעיל EEG מנוסה לזהות ולזרוק רכיבים של תנועות עיניים ומהבהב, תנועות שרירים ורכיבים של רעש אפשרי אחר על-ידי בחירה באפשרות כלים> דחה נתונים באמצעות רכיבי ICA> דחה לפי מפה; כלים> הסר רכיבים. תוכנת EEG תשחזר את הנתונים באופן אוטומטי תוך שימוש ברכיבים שנשמרו.
  4. השתמש בתוכנת EEG כדי להציג מחדש את הנתונים לממוצע של כל הערוצים לפני ניתוח נוסף על-ידי בחירה בכלים> הפניה חוזרת.
  5. ניתוח ספקטרום.
    1. השתמש בפונקציית שורת הפקודה של תוכנת EEG "spectopo" כדי לחשב את הספקטרום של EEG באמצעות אומדן הצפיפות הספקטרלית של Welch 18 ולהשיג את כוחות היומן (dB) של דלתא (1 - 4 הרץ), theta (4 - 8 הרץ), אלפא ( 8 - 12 הרץ), בטא (12 - 30 הרץ) וגאמא (30 - 80 הרץ).
    2. לחשב את פו יחסיתWer של כל סוג של גל 18 ( כלומר את היחס של כוח הלהקה בהתאמה בהתאמה ביחס כוח הספק הכולל).
  6. בצע ניתוח מקור EEG באמצעות הגישה מיפוי סטטיסטית פרמטרית (SPM).
    1. השתמש באומדן נורמה מינימלי 19 כדי להפוך את אותות ה- EEG של האלקטרודות הקרקפות לאותות של מקור המוח 3D.
      הערה: כאן, מספר הערוץ המקורי היה 122, והוא הפך ל -8,196 ערוצים שהופצו במודל המוח התלת-מימדי. רמת החשיבות נקבעה ב- p = 0.01. עיין בניתוח המקור במדריך SPM (www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf).
  7. חישוב האנטרופיה אדוה עבור כל ערוץ EEG (כמו גם עבור המשוער תלת מימדי מקור המוח) באמצעות ההליך הבא:
    1. בהתחשב באיתות משוואה 1 ,לחשב את מקדמי האוהדים כמו משוואה 2 , איפה משוואה 3 הוא בסיס אורתונורמלי של משפחת האאר משוואה 4 מייצג את רמות הפירוק ( N = 10 במחקר זה).
    2. הגדר את האנרגיה היחסית כ משוואה 5 , עם משוואה 6 .
    3. חישוב האנטרופיה אדוה כמו משוואה 7 . ממוצע האנטרופיה אדוה עבור כל הערוצים כדי לקבל את האנטרופיה אדוה EEG עבור כל משתתף.
  8. השתמש בחבילת התוכנה כדי לבצע ניתוח שיא על נתוני ה- ECG כדי לקבל את אות פעימת הלב, אשר מורכב ממספר גלי האק"ג והרווח בין הפסגות.
    הערה: בהנחהקצב לב נורמלי של 60-100 פעימות / דקות הן במצב מנוחה נורמלי והן במצב נשימה מודע, מספר פעימות הלב N למשך 10 דקות צריך להיות קטן יחסית, המספק 600 < N <1,000.
    1. כדי לקבל אנטרופיה אמינה מהימן מן האות פעימה, להשתמש בחלון הזזה של 500 נקודות צעד נוסף של 10 נקודות כדי לחשב סדרה של אנטרופיה אדוה באמצעות נוהל זהה עבור EEG, המפורטים בסעיף 3.7. השתמש בערך הממוצע כאנטרופיה האחרונה.
  9. לנתח את המוח ואת המתאם הלב בין נושאים בין האנטרופיה אדוה של ECG לבין זה של EEG בכל ערוץ של הקרקפת באמצעות כל תוכנה סטטיסטית שיש לו מתאם פירסון.
    1. השתמש בפונקציה שורת הפקודה של תוכנת EEG "topoplot" כדי לבנות מפת הקרקפת הסטטיסטית עבור המתאם. קושר גרף מתאם לינארי עם אנטרופיה קצב הלב ואת האנטרופיה EEG הממוצע של רק אלה chaNnels המתואמים באופן משמעותי עם אנטרופיה הלב (ראה בסעיף תוצאות נציג).

Representative Results

ניתוח ספקטרום

בניתוח הספקטרום של נתוני EEG, בהשוואה למנוחה הרגילה, היו אלפא משופרת (8-12 Hz) ובטא (12 - 30 הרץ) וגלי דלתא מופחתים (1 - 4 הרץ) במהלך נשימה מודעת של MBSR. העלייה בגלי אלפא הייתה משמעותית בעולם, במיוחד באונה הקדמית והאונה, ואילו תוספת גלי הבטא היתה בעיקר באונה הקדמית. גלים דלטה ירידה נרשמו באזורים מרכזיים- Parietal ( איור 1 ). עם זאת, לא מצאנו שינוי משמעותי בין אימון לפני ואחרי MBSR.

איור 1
איור 1. ניתוח ספקטרום של MBSR נשימה נשימה תנאי מנוחה רגילה. ניתוח הספקטרום מראה כי תרגול MBSR יכול לשנות את פעילות המוח, כפי שצוין על ידי שונים ספקטרום של EEG. מקור מקורי: עיון 13 . אנא לחץ כאן כדי להציג גרסה גדולה יותר של נתון זה.

איור 2 ממחיש את אזור העניין המוגדר: האונה הקוגניטיבית (תעלות N19 - 21, N41 - 46, N67 - 72, N96 - 100 ו - N119), האונה הקדמית האמצעית (ערוצים N53 - 61 ו - N79 - 83) האונה הקודקודית האמצעית (ערוצים N48 - 50, N64 - 66 ו - N74 - 76). טבלה 2 מציגה את העוצמה של כל ספקטרום ואת האנטרופיה תחת MBSR נשימה מודע ותנאי מנוחה נורמלית, יחד עם p -value של t- test של ההבדל בין שני התנאים עבור כל אזור של עניין. שילבנו את נתוני ה- EEG לפני ואחרי MBSR, מאחר שלא היה הבדל בין שני השלבים.

> איור 2
איור 2. אזור מוגדר של עניין. אזורים מוגדרים של ערוצי EEG המייצגים את האונה הקדמית האמצעית, האונה הקודקודית האמצעית, האונה התיכונה. אנא לחץ כאן כדי להציג גרסה גדולה יותר של נתון זה.

</ Tr>
דֶלתָא תטא אלפא בטא גמא אנטרופיה
האונה הקדמית האונה הקדמית 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
מנוחה 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-value 0.0243 0.6555 0.0085 0.0114 0.4419 0.0084
האונה האוקסיפיטל 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
מנוחה 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-value 0.0134 0.1213 0.0125 0.0796 0.8936 0.0098
האונה הקודקודית 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
מנוחה 21.24 ± 6.37 21.16 ± 8.00 29.79 ± 6.60 27.27 ± 34.42 -490.01 ± 123.83 0.764 ± 0.075
P-value 0.0157 0.0963 0.0177 0.1507 0.2878 0.0368

טבלה 2. ספקטרום ואנטרופיה על פני אזורי המוח. MBSR נשימה מודע ותנאי מנוחה נורמלייםמושווים בין שלושת תחומי העניין המוגדרים מראש (ROI).

ניתוח אנטרופיה

ניתוח של אנטרופיה אדוה של EEG הראה ירידה EEG אנטרופיה במהלך MBSR נשימה מודעת בהשוואה למנוחה הרגילה, הן עבור אימון לפני ואחרי MBSR. מכיוון שלא היה הבדל משמעותי בין שני השלבים, הם מוזגו כדי לייצר מפה ממוצעת (המוצגת בשורה השלישית של איור 3 ). התחומים העיקריים עם האנטרופיה הנמוכה היו באונה הקדמית ובאונה הקדם-כפרית.

איור 3
איור 3. ניתוח אנטרופיה גל. מנוחה 1 ו- MBSR 1 מציינות אימון לפני אימון ה- MBSR, בעוד ש- Rest 2 ו- MBSR 2 מציינות אימון לאחר אימון MBSR. ניתוח האנטרופיה ב- Wavelet מראה כי תרגול MBSR יכול להפחית את אי-הסדירותפעילויות אלקטרוניות במוח. מקור מקורי: עיון 13 . אנא לחץ כאן כדי להציג גרסה גדולה יותר של נתון זה.

ניתוח מקור של אנטרופיה Wavelet

ניתוח מקור של אותות EEG יכול לשפר את הרזולוציה המרחבית על ידי deconvolving EEG הקרקפת לפעילויות חשמל מעל פני השטח קליפת המוח 20 . הניתוח מראה כי אזורי המוח העיקריים מושפע אימון MBSR תשומת לב היו באונה השמאלית האמצעית באמצע, precuneus, האונה הטמפורלית מעולה, ו fusiform שמאל ( איור 4 ). בטבלה 3 , עבור ארבע תוויות אנטומי המתקבל מניתוח המקור, אנו מספקים t- התוצאות הטובות ביותר עבור ההבדל באנטרופיות של שתי מדינות שונות, מצב MBSR תשומת לבלעומת מנוחה רגילה.

איור 4
איור 4. ניתוח מקור. ניתוח המקור מראה שהאנטרופיות של אזורי מוח שונים (מודגשות באדום) יורדות במהלך מצב הנשימה המודעת של ה- MBSR. אנא לחץ כאן כדי להציג גרסה גדולה יותר של נתון זה.

תווית אנטומית ווקסלים X, y, z ערך t
האמצעית הטמפורלית 1,728 -44 -60 16 3.77
פרניוס ר 1,324 2 -56 28 3.63
אקסטפיטל L 749 12 -12 12 -12 3.61
פוסיפורי ל 142 -102 3.51

טבלה 3. דוח ניתוח מקור. אזורים אנטומיים במוח עם הבדלים משמעותיים באנטרופיה בין נשימה מודעת MBSR ותנאי מנוחה נורמליים. L, הצד השמאלי של המוח. R, הצד הימני של המוח ( p <0.001, t- test, לא מתוקן).

דופק אנטרופיה

הניתוח לא גילה הבדל משמעותי בליב הממוצע, אך האנטרופיה של הלב הייתה נמוכה יותר במהלך הנשימה המודעת של MBSR, הן לפני אימון ה- PreS והן לאחר ה- MBSR ( טבלה 4 ).

מנוחה 1 MBSR1 מנוחה 2 MBSR2
קצב לב (פעימות לדקה) 68.2 ± 9.5 67.7 ± 9.3 71.8 ± 8.1 70.7 ± 8.4
דופק אנטרופיה 0.89 ± 0.05 0.79 ± 0.11 * 0.89 ± 0.07 0.80 ± 0.12 #

טבלה 4. Heartrate and Heartrate Wavelet אנטרופיה של MBSR נשימה זהירה ותנאי מנוחה רגילים. שני התנאים מושווים באימון לפני ואחרי MBSR. * הבדל משמעותי ( p <0.05) בין מנוחה 1 ל- MBSR 1. הפרש משמעותי ( p <0.05) בין מנוחה 2 ל- MBSR 2.

מתאם בין הלב לפעילויות המוח

בהינתן הקשר הפוטנציאלי בין המוח והלב, ניתחנו את המתאם בין אנטרופיה EEG של המוח כולו ( כלומר , הממוצע של אנטרופי EEG בכל ערוצי ה- EEG עבור נושא אחד) והאנטרופיה של הלב במהלך נשימה מודעת של MBSR ומצבי מנוחה רגילים . האנטרופיה של המוח והלב נמצאה בקורלציה משמעותית במהלך הנשימה, אך לא במהלך מנוחה רגילה. כפי שמוצג בחלקו העליון של איור 5 , בולטת חשיבותו של המיתאם בין האנטרופיה של ה- EEG בכל ערוץ לבין האנטרופיה הלבבית בחלק המרכזי של המוח. העלילה התחתונה מראה את המתאם בין האנטרופיה של EEG באזורים המרכזיים (הממוצע של אותם ערוצים מנוקדים המתואמים באופן משמעותי עם אנטרופיה של הלב) ואנטרופיה של לב.

"1"> איור 5
איור 5. המתאם בין אנטרופיה גל של פעילויות אלקטרוניות של הלב והמוח. האנטרופיה של פעילות המוח היא הממוצע של הערוצים המשמעותיים באזור המרכז, כפי שמוצג בפינה הימנית העליונה. האנטרופיה של הגלולה של הלב מבוססת על מרווח הלב. המתאם (הלוח התחתון) מחושב בכל הנושאים עבור תוצאות אימון לפני ואחרי MBSR. מקור מקורי: עיון 13 . אנא לחץ כאן כדי להציג גרסה גדולה יותר של נתון זה.

Discussion

מחקר EEG זה מספק ראיות קונקרטיות, כי בהשוואה למנוחה הרגילה, נשימה מודעת של ה- MBSR משפרת את גלי האלפא באונות המצחיות והאונות. זה עולה בקנה אחד עם רוב הדיווחים על גלי אלפא מוגברת במהלך המדיטציה, במיוחד במתחילים 21 . גלי אלפא בדרך כלל מצביעים על מצב של עוררות וערנות וחופש מכל משימה ספציפית. מצב נפשי כזה הוא אחת ממטרות המדיטציה; כלומר, לשמור על המוח נקי וחד, חופשי מכל הטיסות של מפואר או להירדם. סינכרון גל אלפא משופר במהלך תרגול MBSR עשוי גם לשפר את התיאום בין המוח לגוף 22 .

הפעילות האלקטרונית של המספר העצום של נוירונים במוח יוצרת מערכת היררכית לא ליניארית, ואת אי סדירות שלה ניתן למדוד היטב על ידי אנטרופיה 8 . מצאנו כי במהלך תרגול MBSR, את אי סדירות של המוח electrפעילות onic ירידה בחלק גדול של הקרקפת EEG, בעיקר מוט קדמי ואזורי המוח הדו-צדדיים דו-צדדיים. ניתוח מקור נוסף של אנטרופיה אדומה הראה כי אי סדירות של פעילויות עורקים ו precuneus הופחת במהלך תרגול MBSR. תחומים אחרים המעורבים כוללים את הזכות באמצע cingulate ואת האונה הטמפורלית מעולה. זה עולה בקנה אחד עם מחקר נוסף המציין כי החומר האפור גדל ב precuneus לאחר אימון MBSR 23 . מתרגלים מתקדמים מדיטציה בדרך כלל יש גבוה יותר parieto-occipital גלים EEG גמא במהלך תנועה לא מהירה העין לישון 1 . תכונה חשובה אחת של אימון MBSR היא להיות nonjudgmental של זרימת המידע המוח / המוח. זה עשוי להפחית את אי סדירות של פעילות המוח. מכיוון שמקור מידע עיקרי במוח הוא קליפת המוח החזותית, סביר כי אזורי המוח הקשורים בראייה חזותית מושפעים יותר על ידי תרגול ה- MBSR מאשר רג'יו אחרNs. זה מאפשר למוח להיענות פחות מידע לא רלוונטי ולשים לב יותר לנשימה מודע.

אנליזת האנטרופיה של Wavelet הראתה פחות חריגות של לב במהלך נשימה מודעת בהשוואה למצב המנוחה הרגיל, מה שמרמז על איזון מעודן יותר של מערכת העצבים האוטונומית, עקב יחסי גומלין בלתי מתפשרים בין גוונים פאראסימפתטיים ואוהדים. נשימה קשבית עשויה להשפיע גם על הלב מכיוון שהבעיה החושית הריאה שולחת תחזיות מעכבות לנוירונים המוטוריים של הלב של הלב, במוח האמצעי, המעכבים את הלב דרך העצב הווגוס. אינטראקציה cardiorespiratory מתווכת על ידי גזע המוח מערכת לימבית במוח 25 . בהינתן הקשר בין מערכת העצבים המרכזית לפעילות הלב, סביר כי על ידי אימון המוח, MBSR או שיטות אחרות של מדיטציה יכולות גם להשפיע על תפקודי גוף אחרים, כגוןאיפוס רגישות baroreflex, שיפור יעילות החלפת הגז בריאות, איזון מערכת העצבים האוטונומית 26 .

הקשר בין גוף ונפש מודגש במסורות מזרחיות רבות. במובן זה, המחקר שלנו מספק את הראיות האובייקטיביות הראשונות במונחים של אנטרופיה. האי-סדירות של פעילות המוח והלב הפכה מתואמת יותר במהלך תרגול ה- MBSR, והקואורדינציה הייתה הגדולה ביותר באזורים הדו-צדדיים הדו-צדדיים. אזור זה אחראי ישירות לקלט החושי של הגוף ולתנועתו, ותיאום מוגבר זה מרמז על מודעות גופנית רבה יותר במהלך תרגול ה- MBSR. הכשרה של תשומת לב נמצאה להגדיל את הפעילות של אזורים viscerosomatic במחקר MRI פונקציונלי, אשר יש רזולוציה מרחבית טובה יותר מאשר EEG 27 . התוצאות שלנו מצביעות על כך שהמוח והלב עלולים להפוך ליותר מוטרדים במהלך תרגול ה- MBSR, תוך גרימת אנטרופיה מיותרת במערכת Up class = "xref"> 28. בגלל פעימת הלב מוסדרת על ידי מערכת העצבים האוטונומית, שבה הטון האוטונומי מאופנן על ידי אינטראקציות בין הגנגליון; צומת אוראלי סיני; עצבים הוואגים; ומבנים בעלי רמות גבוהות יותר של המוח, כגון medulla oblongata, insula, והמערכת הלימבית, מערכות העצבים האוטונומיות והמרכזיות עשויות להיות מתואמות יותר במהלך תרגול ה- MBSR.

צעד חשוב אחד במחקר כמו שלנו הוא לבחור את מדד האנטרופיה הנכון למדוד את אי סדירות של EEG ו- ECG. שלא כמו רנו Madhavi ואחרים , אשר השתמשו באנטרופיה משוער 29 , בחרנו להשתמש באנטרופיה אדוה להתמקד המורכבות בין האנרגיות בקשקשים שונים. בגלל הפעילות האלקטרונית במוח שמקורם במספר עצום של נוירונים בעלי מאפיינים שונים בקשקשים שונים וספקטרום, האנטרופיה אדוה צריך להיות מתאים יותר למדידת אי סדירות של EEG> 30. באופן דומה, לבבות מיידית יש גם תכונות שונות תחת קשקשים זמן שונים, ולכן סביר ליישם אנטרופיה אדוה ל ECG 31 . יתר על כן, האנטרופיה של שאנון והאנטרופיה המשוערת רגישים לתדר הדגימה, והאנטרופיה המשולבת דורשת זמני חישוב גדולים הגדלים באופן אקספוננציאלי באורך הנתונים, זאת בנוסף לחישוב במרחב המקור.

יש לציין כמה מגבלות במחקר הנוכחי. ראשית, הפתרון המרחבי של הקרקפת EEG הוא נמוך יחסית, למרות רזולוציה גבוהה שלה. לשם כך, ניתוח המקור הוחל במחקר שלנו. שחזור מקור ה- EEG הוא בעיה לא מוצבת, וגישה חלופית היא לקבל את המרחבים המרחביים מ לשעבר תפקודית תהודה מגנטית הדמיה (fMRI) מחקרים, אשר יכול לעזור לשפר את שחזור שחזור 32 , 33 . מגבלה נוספת היא לאתיאום התיאום בין המוח לפעילויות הלב הוערך בין נבדקים; תיאום בתוך הנושא נותר למחקרים עתידיים. בנוסף, האנטרופיה של א.ק.ג. אינה נגזרת ישירות מאות ה- ECG, אלא ממרווח הלב, מכיוון שהמשרעת של א.ק.ג. יכולה להיות מושפעת מאוד ממיקום האלקטרודה ועכבת העור ולכן אינה דומה בין הנבדקים.

מחקרים קודמים ביצעו בדרך כלל ניתוח ספקטרום של אות ה- EEG, ודחו אי-סדירות ב- EEG כרעש. לעומת זאת, אנו מציעים להשתמש באנטרופיה אדומה כמדד רגיש יותר למדידת הפעילות האלקטרונית הכאוטית של המוח כהשתקפות של מצב המחשבה. המתודולוגיה המוצעת מספקת ראיות אובייקטיביות להנחה המסורתית שהמוח והלב מתואמים יותר במהלך המדיטציה.

בגלל אנטרופיה אדוה יכול לפקח על מצב המדיטציה די רגיש, זה יכול לשמש את traini נפשיתNg, בדיוק כמו האנטרופיה משמשת בפועל קליני למדוד את רמת ההרדמה במהלך הניתוח. באמצעות אינדקס דומה אנטרופיה אדוה, התקני EEG אלחוטי יכול לשמש כדי לפקח בנוחות מדיטציה היומי של תרגול או הכשרה נפשית אחרת למטרות חינוכיות. עם זאת, מכיוון ש- EEG אלחוטי יכול בדרך כלל רק למדוד את הערוצים במצח, עלינו לבדוק האם ערוצים אלה רגישים מספיק כדי לפקח על מצב הרוח.

השלבים הקריטיים של הליך זה כוללים שמירה על עכבת העור עבור כל אלקטרודה נמוכה עבור איכות האות טובה פחות רעש; כראוי כראוי ניהול MBSR אימון; הבטחת מצב נפשי טוב, לא מעייף לפני הניסוי, שכן המדיטציה דורשת אנרגיה רבה; בחירת מדד האנטרופיה הנכונה (אנטרופיה אדומה); והיכרות עם ניתוח מקור SPM של נתונים EEG.

Disclosures

המחברים מצהירים כי אין להם אינטרסים פיננסיים מתחרים.

Acknowledgements

מחקר זה נתמך על ידי הקרן SPF-201209176152 באוניברסיטת הונג קונג. אנו מודים לד"ר הלן מה על לימוד הקורס וגיוס משתתפי MBSR.

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

DOWNLOAD MATERIALS LIST

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. 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).
  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. 5th edn, Williams & Wilkins. (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).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Usage Statistics