Bruke Wavelet Entropy å demonstrere hvordan Mindfulness Practice øker koordinering mellom uregelmessig cerebral og hjerteaktivitet

Behavior
 

Summary

Dette manuskriptet beskriver hvordan man bruker wavelet entropi-indeksen for å analysere data med høy tetthet elektroensfalografi (EEG) og elektrokardiografi (EKG). Vi viser at uregelmessigheten av hjernevirksomhet og hjerteaktivitet ble mer koordinert under mindfulness-basert stressreduksjonspraksis.

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

I både øst og vest sier tradisjonelle læresetninger at sinnet og hjertet på en eller annen måte er nært korrelert, spesielt under åndelig praksis. Ett problem med å bevise dette objektivt er at naturene i hjernen og hjerteaktiviteten er ganske forskjellige. I dette papiret foreslår vi en metode som bruker wavelet entropi til å måle de kaotiske nivåene av både elektroencefalogram (EEG) og elektrokardiogramdata (EKG) og vise hvordan dette kan brukes til å undersøke den potensielle koordinasjonen mellom sinn og hjerte under forskjellige eksperimentelle forhold . Videre ble Statistisk Parametrisk Kartlegging (SPM) brukt til å identifisere hjerneområder hvor EEG-wavelet-entropien var mest påvirket av eksperimentelle forhold. Som en illustrasjon ble EEG og EKG registrert under to forskjellige forhold (normal hvile og oppmerksom pust) ved starten av et 8-ukers standard Mindfulness-Based Stress Reduction (MBSR) treningsforløp (pretest) og etter cVår (posttest). Ved hjelp av den foreslåtte metoden viste resultatene konsekvent at wavelet-entropien i hjernen EEG ble redusert under MBSR-bevisst pustetilstand sammenlignet med det under lukkede øyne. Tilsvarende ble det funnet en lavere wavelet entropi av hjertefrekvens under MBSR-bevisst pusting. Imidlertid ble ingen forskjell i wavelet-entropi under MBSR-bevisst pust funnet mellom pretest og posttest. Ingen korrelasjon ble observert mellom entropi av hjernebølger og entropi av hjertefrekvens under normal hvile hos alle deltakere, mens en signifikant korrelasjon ble observert under MBSR-bevisst pust. I tillegg var de mest godt korrelerte hjernegruppene lokalisert i hjernens sentrale områder. Denne studien gir en metode for å fastslå at bevissthetstrening ( dvs. oppmerksom pusting) kan øke koordinasjonen mellom sinn og hjerteaktivitet.

Introduction

Med fremskritt innen nevrovitenskap og medisin 1 er vi i en mye bedre posisjon til å forstå de ikke-farmakologiske fordelene med oppmerksomhet og meditasjon på mentale og fysiske sykdommer. Mange studier har vist at trening med nedsatt stress (MBSR) som en form for mental trening kan redusere unødvendig stress i sinnet og kroppen 2 . Under øvelsen av meditasjon, kan kroppen og sinnet bli mer medvirket. Disse problemene har tiltrukket interessene til både det akademiske samfunnet og allmennheten og har motivert oss til å utforme en metodikk for å undersøke mulig samordning mellom sinn og kropp (eller mer spesifikt mellom hjernen og hjertet) under forskjellige forhold for å vurdere effekten Av MBSR trening og praksis.

Uregelmessigheten til elektroencefalogrammer (EEG) regnes vanligvis som støy i den konvensjonelle EEG-spektrumanalysen, bUt det kan inneholde nyttig informasjon og kan måles ved signal entropi. EEG entropi har blitt brukt som en indeks for kliniske forhold som epilepsi, Alzheimers sykdom og anestesi, og noen bevis tyder på at entropi av EEG kan være et mer sensitivt tiltak for å overvåke hjernestatus enn den tradisjonelle EEG spektrumanalysen 3 , 4 . Entropi har lenge vært brukt i termodynamikk som en indeks for å beskrive systemets kaotiske tilstand. Hjernens bølger målt ved EEG er kjent for deres dynamiske aktivitet på grunn av hjernenettverk som virker mellom orden og kaos 5 . Blant de forskjellige entropier, tilbyr wavelet entropi en metode for å beregne entropi av energier under forskjellige observasjonsskalaer, som er velegnet til å analysere EEG-signaler med svært varierte funksjoner i forskjellige skalaer. For et helt tilfeldig signal vil de relative energiene ved forskjellige oppløsningsnivåer væreSamme, og entropien vil nå sitt maksimum. Derfor fungerer wavelet entropi som et mål på kaotisk aktivitet i EEG og kan brukes som en indeks for å differensiere forskjellige sinnstilstander 6 .

Tidligere elektrokardiogramstudier (EKG) ga konsekvent bevis på meditasjonsrelaterte endringer i hjertefrekvensvariabilitet sammenlignet med premeditasjonstilstander 7 . Heartbeat reguleres av det autonome (inkludert det sympatiske og parasympatiske) nervesystemet. Den autonome tonen moduleres ved interaksjoner mellom ganglion; Sino-auricular node; Vagus nerver; Og høyereordens hjernestrukturer, som medulla oblongata, insulaen og limbic systemet. Disse strukturene danner et hierarkisk system, og dets ikke-lineære aktivitet kan måles gjennom entropi 8 . For eksempel kan de neurale utbruddene i høyereordens hjernestrukturer påvirke hjerte-rytmen 9 .I kliniske tilstander forstyrrer hjernesykdommer som epileptiske anfall hjerterytmen 10 . Neurokardiologiforskning foreslår også et nært samspill mellom hjertet og hjernen 11 .

Ett problem med å undersøke sammenhengen mellom hjerne og hjerte signaler er at de er ganske forskjellige i signalinnhold og tidsskala. Derfor er en stor utfordring å identifisere et felles tiltak som ikke bare gjelder både hjernens og hjerte signaler, men også meningsfylt for tolkning i sammenheng med koordinering mellom kropp og kropp. I dette papiret foreslår vi bruk av wavelet entropi for å oppdage mulig koordinering mellom uregelmessigheter i hjernen og hjerteaktiviteten ved å korrelere entropier av EEG og hjerteslags signaler, som deretter kan evalueres ved hjelp av et MBSR-eksperiment.

Fordi MBSR involverer mindfulness praksis i både kropp og sinn, forutser vi at MBSR oppmerksom pusting prAktør kan påvirke ikke bare hjernens aktivitet, men også hjerteslag. Tidligere studier undersøkte hovedsakelig effekten av oppmerksomhetstrening og / eller praksis på hjernen eller hjertet separat og basert på forskjellige aspekter; Samtidig endring i disse to nært beslektede systemene forblir stort sett uutforsket. Bare noen få studier rapporterte bedre koordinering av kropp og sinn etter oppmerksomhetstrening 12 . Ved hjelp av den foreslåtte metoden viste de representative resultatene og en tidligere studie 13 at MBSR-mindfulness-trening kan øke koordinasjonen av kropp og sinn når det gjelder deres kaotiske aktiviteter, noe som kan gi nytt innblikk i effekten av mental trening på sentrale og perifere Nervesystemer.

Protocol

Denne undersøkelsen ble godkjent av Institutt for høgskoler i Hong Kong. Alle deltakerne ga sitt skriftlige informerte samtykke før de deltok i denne studien.

1. Eksperimentell design

Tabell 1
Tabell 1. MBSR Kursoversikt. Det 8-ukers MBSR-kurset tatt av deltakerne.

  1. Rekruttere deltakere.
    MERK: Elleve friske voksne (fem kvinner) fra en lokal MBSR-kurs deltok i denne EEG-studien og var 28 - 52 år gammel. Deltaker med depresjon basert på Beck Depression Inventory ble utelukket fra studien. Kurset fulgte standard MBSR trening ( Tabell 1 ), og deltakerne måtte forplikte seg til opplæringsstrukturen.
  2. EEG-opptakssystem.
    1. Gjør EEG-opptak i et stille rom ved hjelp av en 128-kanals EEG sYstem bestående av en EEG-hette, forsterker, innboks og stasjonær datamaskin.

2. EEG- og EKG-datainnsamling

MERK: EEG-datainnsamling fulgte en standardprosedyre som ligner fremgangsmåten beskrevet tidligere 14 . Be hver deltaker å vaske håret og hodebunnen ren før han kommer til forsøksstedet. Informer deltakeren om forsøksprosedyrene, hovedsakelig at han / hun vil hvile normalt i 10 minutter og gjør oppmerksom pusting i ytterligere 10 minutter mens du registreres med EEG- og EKG-enheter.

  1. Rengjør ansiktsområdet og mastoid av deltaker med alkoholpinner.
  2. Bruk et målebånd, måler deltakerens hodeomkrets og velg deretter en passende størrelse. Ta en måling fra nasionen til injonen og en annen måling på tvers av ørene og over hodebunnen. Marker toppunktet (punktet i mellomavstand mellom nasion anD iion og midtavstand mellom de to ørene) med en myk markørpenn.
  3. Still elektrodeposisjonene i henhold til 10-5 elektrodesystemene 15 . Plasser lokket på en slik måte at Cz-elektroden ligger over toppunktet, Nz-elektroden ligger ved nasjonen, Lz-elektroden er ved innløpet, RM-elektroden ligger på høyre mastoid, og LM-elektroden er på venstre mastoid .
    1. Plasser EKG-elektrodene på både venstre og høyre infarklavikulære fossae.
    2. Fyll elektrodeholdere med gel ved hjelp av en sprutspiss.
    3. Hold impedansen under 20 kΩ for hver elektrode. Reduser impedansen ved å justere elektroden plassering for å øke kontakten med hodebunnen; Legg til mer gel hvis nødvendig.
    4. Stram chinstrap og be deltageren om å forbli stille.
    5. Sett prøvetakningsfrekvensen til EEG-enheten til 1000 Hz. Bruk venstre mastoid som det opprinnelige referansepunktet.
  4. Registrer EEG-data (trinn 1.2.1) i begynnelsen av MBSR-kurset (innen 2 uker).
    1. Få deltakeren til å utføre en kort kroppsskanning for å slappe av hele kroppen. Ta deltakeren oppmerksom på hans / hennes pust mens du puster inn og puster ut. Har hver deltaker utført 10 min MBSR oppmerksom pust (MBSR mindfulness tilstand) og 10 min normal hvilestilling (kontrolltilstand) under EEG datainnsamling. Dette genererer et før-MBSR treningsdatasett med to forhold.
      MERK: Motbalanse sekvensen med oppmerksom pusting og normal hvile blant deltakerne.
  5. Registrer EEG-data igjen ca. 1 måned etter at deltakerne fullfører MBSR-kurset.
    1. Be hver deltaker å utføre 10 min oppmerksom pust og 10 min normal hvile under EEG datainnsamling. Dette genererer et post-MBSR treningsdatasett med to forhold.

3. EEG- og EKG-dataanalyse

MERK: De første fire trinnene erFor data forhåndsbehandling, og de gjenværende trinnene er for wavelet entropi beregning og korrelasjonsanalyse. Her ble en åpen kildekode-programvare med navnet EEGLAB 16 brukt til EEG-analyse, men operasjonene skal være lik over forskjellige programmer. I det følgende vil operasjonene som er basert på EEGLAB bli gitt som et eksempel. Se EEGLAB-håndboken for detaljer (https://sccn.ucsd.edu/wiki/EEGLAB_Wiki#EEGLAB_Tutorial).

  1. Bruk EEG-programvaren til å veksle dataene ved 250 Hz ved å velge Verktøy> Endre samplingsfrekvens. Bruk filteret FIT-impulsrespons (FIR) for bandpass-filtrering med et passbånd på 0,5 - 100 Hz ved å velge Verktøy> Filtrer data> Basic FIR-filter.
    1. For å redusere støy på grunn av vekselstrømstrømmen som er landsspesifikke, bruk det korte, ikke-lineære, Infinite Impulse Response-filteret (IIR) for hakkfiltrering med et 47 - 53 Hz stoppbånd ved å velge Verktøy> Filtrer data> Kort ikke-lineærIIR filter. Dette dekker alle relevante frekvenser i spektrumanalysen mens unødig støy fjernes.
  2. Bruk EEG-programvaren til å bla gjennom og inspisere EEG-signalet ved å velge Plot> Channel data (scroll).
    1. Identifiser og slett EEG-segmenter som inneholder tydelig muskelstøy og andre merkelige hendelser. Venstreklikk og dra musen over dårlige segmenter for å markere dem og deretter "slett" eller "avvis" segmentene ved hjelp av EEG-programvaren.
      MERK: Muskelaktiviteter som svelging eller ansiktsuttrykk genererer ofte diskontinuerlige og uregelmessige signaler. Merkelige hendelser skyldes vanligvis hode- eller kroppsbevegelser, noe som ofte fører til signifikante skift (ved lave frekvenser) av EEG-signalet.
    2. Bestem om det er noen dårlig kanal. Rekonstruere hver dårlig kanal ved hjelp av sfærisk interpoleringsmetode ved å velge Verktøy> Interpolere kanal.
  3. Bruk EEG-programvaren til å utføre InAvhengig komponentanalyse 17 (ICA) på dataene ved å velge Verktøy> Kjør ICA. Få en erfaren EEG-operatør visuelt å identifisere og kaste komponenter av øyebevegelse og blinking, muskelbevegelser og komponenter av annen mulig støy ved å velge Verktøy> Avvis data ved hjelp av ICA> Avvis komponenter etter kart; Verktøy> Fjern komponenter. EEG-programvaren vil rekonstruere dataene automatisk ved hjelp av de beholdte komponentene.
  4. Bruk EEG-programvaren til å omregne dataene til gjennomsnittet av alle kanalene før videre analyse ved å velge Verktøy> Re-referanse.
  5. Spektrumanalyse.
    1. Bruk EEG-programstyringsfunksjonen "spectopo" til å beregne spektraene til EEG ved hjelp av Welchs spektral tetthets estimering 18 og oppnå logkraften (dB) av delta (1 - 4 Hz), theta (4 - 8 Hz), alfa ( 8 - 12 Hz), beta (12 - 30 Hz) og gamma (30 - 80 Hz) bølger.
    2. Beregn det relative poWer av hver type bølge 18 ( dvs. andelen kraft i respektive frekvensbånd i forhold til total spektrumkraft).
  6. Utfør EEG-kildeanalyse ved hjelp av SPM-metoden (Statistical Parametric Mapping).
    1. Bruk minimum norm estimering 19 for å transformere EEG signaler fra skalp elektroder til 3D hjernen kilde signaler.
      MERK: Her var det originale kanalnummeret 122, og det ble forvandlet til 8 196 kanaler fordelt på den tredimensjonale hjernemodellen. Signifikansnivået ble satt til p = 0,01. Vennligst se kildeanalysen i SPM-håndboken (www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf).
  7. Beregn wavelet entropi for hver EEG-kanal (samt for det estimerte tredimensjonale hjernekildesignalet) ved å bruke følgende fremgangsmåte:
    1. Gitt et signal Ligning 1 ,Beregne wavelet koeffisientene som Ligning 2 , hvor Ligning 3 Er et orthonormalt grunnlag for Haar wavelet familien og Ligning 4 Representerer nedbrytningsnivåene ( N = 10 i denne studien).
    2. Definer den relative energien som Ligning 5 , Med Ligning 6 .
    3. Beregn wavelet entropi som Ligning 7 . Gjennomsnitt wavelet entropi for alle kanaler for å få EEG wavelet entropi for hver deltaker.
  8. Bruk programvarepakken til å utføre en toppanalyse på EKG-dataene for å oppnå hjerteslagssignalet, som består av antall EKG-bølgetopper og intervallet mellom toppene.
    MERK: ForutsattEt normalt hjertefrekvens på 60-100 slag / min i både normale hvile og oppmerksomme pustetilstander, bør antall hjerteslagstilfeller N i 10 min. Være relativt små og tilfredsstille 600 < N <1000.
    1. For å oppnå pålitelig wavelet entropi fra hjerteslagssignalet, bruk et glidevindu på 500 poeng og en trinnvis økning på 10 poeng for å beregne en rekke wavelet entropier ved hjelp av samme fremgangsmåte som for EEG, utarbeidet i avsnitt 3.7. Bruk middelverdien som den endelige wavelet-entropien.
  9. Analyser hjernen og hjertekorrelasjonen på tvers av emner mellom wavelet-entropien til EKG og den hos EEG på hver kanal i hodebunnen ved hjelp av hvilken som helst statistisk programvare som har en Pearson-korrelasjonsfunksjon.
    1. Bruk EEG-kommandolinjefunksjonen "topoplot" til å konstruere et statistisk skalpekart for korrelasjonen. Plot en lineær korrelasjonsgraf med hjertefrekvens entropi og gjennomsnittlig EEG entropi av bare de chaNneller som er signifikant korrelert med hjertefrekvens entropi (se delen Representative resultater).

Representative Results

Spektrumanalyse

I spektrumanalysen av EEG-data, sammenlignet med normal hvile, var det forbedret alfa (8-12 Hz) og beta (12-30 Hz) og redusert delta (1 - 4 Hz) bølger under MBSR-bevisst pust. Økningen av alfa bølger var globalt signifikant, spesielt i frontal og occipital lober, mens økningen av beta bølger var hovedsakelig i frontal lobe. Reduserte deltabølger ble notert i de sentrale parietalområdene ( figur 1 ). Vi fant imidlertid ikke signifikant endring mellom før og etter MBSR trening.

Figur 1
Figur 1. Spektrumanalyse av MBSR Mindful Puste og normale hvilevilkår. Spektrumanalyse viser at MBSR-praksis kan forandre hjernens aktiviteter, som angitt av de forskjelligeSpektrum av EEG. Opprinnelig kilde: Referanse 13 . Vennligst klikk her for å se en større versjon av denne figuren.

Figur 2 illustrerer den definerte regionen av interesse: den occipitale loben (kanalene N19-21, N41 - 46, N67 - 72, N96-100 og N119), den midterste frontalbeen (kanaler N53 - 61 og N79 - 83) og Midtparietallobe (kanaler N48 - 50, N64 - 66 og N74 - 76). Tabell 2 viser effekten av hvert spekter og entropien under MBSR-bevisst pust og normale hvilevilkår, sammen med p- verdien av t- testen av forskjellen mellom de to forholdene for hver region av interesse. Vi kombinerte før og etter MBSR trening EEG data siden det var ingen forskjell mellom de to stadiene.


Figur 2. Definert region av interesse. De definerte områdene av EEG-kanaler som representerer den midterste frontal lobe, midt parietal lobe og occipital lobe. Vennligst klikk her for å se en større versjon av denne figuren.

</ Tr>
Delta theta Alpha Beta gamma Entropy
Midt Frontal Lobe MBSR 18,96 ± 3,10 22,29 ± 5,86 30,90 ± 7,76 0,12 ± 43,77 -467,25 ± 79,48 0,753 ± 0,060
Hvile 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-verdien 0,0243 0,6555 0,0085 0,0114 0,4419 0,0084
Bakhode lapp 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
Hvile 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-verdien 0,0134 0,1213 0,0125 0,0796 0,8936 0,0098
Parietal Lobe MBSR 17,95 ± 3,60 19,46 ± 6,54 32,84 ± 6,68 2,68 ± 38,23 -487,72 ± 104,13 0,738 ± 0,072
Hvile 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-verdien 0,0157 0,0963 0,0177 0,1507 0,2878 0,0368

Tabell 2. Spektrum og Entropi over hjernsområder. MBSR oppmerksom pusting og normale hvilevilkårSammenlignes blant de tre forhåndsdefinerte interesseområdene (ROI).

Wavelet Entropy Analysis

Analyse av wavelet entropi av EEG viste redusert EEG entropi under MBSR oppmerksom pusting i forhold til normal hvile, både for før og etter MBSR trening. Fordi det ikke var noen signifikant forskjell mellom de to stadiene, ble de fusjonert for å produsere et gjennomsnittlig kart (vist i tredje rad i figur 3 ). Hovedområdene med redusert entropi var ved frontalbekken og parietal-occipitalloben.

Figur 3
Figur 3. Wavelet Entropy Analysis. Rest 1 og MBSR 1 betegner pre-MBSR trening, mens resten 2 og MBSR 2 betegner post-MBSR trening. Wavelet entropi analyse viser at MBSR praksis kan redusere uregelmessigheten avHjerne elektroniske aktiviteter. Opprinnelig kilde: Referanse 13 . Vennligst klikk her for å se en større versjon av denne figuren.

Kildeanalyse av Wavelet Entropy

Kildeanalyse av EEG-signaler kan forbedre romlig oppløsning ved å deconvolve hodebunnen EEG i elektriske aktiviteter over den kortikale overflaten 20 . Analysen viser at de store hjerneområdene som ble rammet av MBSR-oppfølgingsopplæringen, var i venstre-mellom-occipitale lobe, precuneus, overlegen temporal lobe og venstre fusiform ( Figur 4 ). I tabell 3 gir vi for de fire anatomiske merkene oppnådd fra kildeanalysen t- testresultater for forskjellen i entropier av to forskjellige tilstander, MBSR-mindfulness-tilstandMot normal hvile.

Figur 4
Figur 4. Kildeanalyse. Kilden analysen viser at entropiene i ulike hjernegrupper (uthevet i rødt) reduseres under MBSR-bevisst pustetilstand. Vennligst klikk her for å se en større versjon av denne figuren.

Anatomisk etikett lydelementer X, y, z t-verdien
Midt temporal gyrus L 1728 -44 -60 16 3,77
Precuneus R 1324 2 -56 28 3,63
Occipital L 749 -2 -102 -12 3,61
Fusiform L 142 -102 3,51

Tabell 3. Kildeanalyserapport. Anatomiske hjerneområder med betydelige forskjeller i entropi mellom MBSR-bevisst pust og normale hvilevilkår. L, venstre side av hjernen. R, høyre side av hjernen ( p <0.001, t- test, ukorrigert).

Hjertefrekvens Wavelet Entropy

Analysen viste ingen signifikant forskjell i gjennomsnittlig hjertefrekvens, men hjertefrekvens entropi var lavere under MBSR-bevisst pust, både før og etter MBSR trening ( Tabell 4 ).

REST1 MBSR1 REST2 MBSR2
Hjertefrekvens (slag per minutt) 68,2 ± 9,5 67,7 ± 9,3 71,8 ± 8,1 70,7 ± 8,4
Hjertefrekvens Wavelet Entropy 0,89 ± 0,05 0,79 ± 0,11 * 0,89 ± 0,07 0,80 ± 0,12 #

Tabell 4. Hjertrat og hjertefrekvens Wavelet Entropi av MBSR Oppmerksom pust og normale hvilevilkår. De to forholdene blir sammenlignet både før og etter MBSR trening. * Signifikant forskjell ( p <0,05) mellom resten 1 og MBSR 1. # Signifikant forskjell ( p <0,05) mellom resten 2 og MBSR 2.

SammenhengMellom hjerte og hjerneaktivitet

Gitt den potensielle sammenhengen mellom hjernen og hjertet, analyserte vi sammenhengen mellom hjernen EEG-entropi ( dvs. gjennomsnittet av EEG-entropier over alle EEG-kanaler for et enkelt individ) og hjerterate-entropi under MBSR-bevisst pust og normale hvilestillinger . Entropiene i hjernen og hjertet var signifikant korrelert under MBSR-bevisst pust, men ikke under normal hvile. Som vist i den øvre delen av figur 5 er signifikansen av korrelasjonen mellom entropien til EEG i hver kanal og hjerterate entropi mest fremtredende i den sentrale delen av hjernen. Den nedre plottet viser sammenhengen mellom EEG entropi i de sentrale områdene (gjennomsnitt av de stiplede kanalene som er signifikant korrelert med hjertefrekvens entropi) og hjertefrekvens entropi.


Figur 5. Korrelasjon mellom Wavelet Entropies av elektroniske aktiviteter i hjertet og hjernen. Wavelet-entropien av hjernevirksomhet er gjennomsnittet av de betydelige kanalene i det sentrale området, som vist i øvre høyrefigur. Wavelet entropi av hjertet er basert på hjertefrekvensintervallet. Korrelasjonen (nedre panel) beregnes på tvers av alle fag for både trenings- og treningsresultater før og etter MBSR. Opprinnelig kilde: Referanse 13 . Vennligst klikk her for å se en større versjon av denne figuren.

Discussion

Denne EEG-studien gir konkret bevis på at, sammenlignet med normal hvile, forsterker MBSR-bevisst pust alfa-bølgene i de frontale og occipitale lobene. Dette er i tråd med flertallet av rapporter om økte alfa bølger under meditasjon, spesielt hos nybegynnere 21 . Alfa bølger indikerer vanligvis en tilstand av oppmuntring og årvåkenhet og frihet fra enhver bestemt oppgave. En slik mental tilstand er et av målene med meditasjon; Det vil si å holde tankene rene og skarpe, frie fra flukt eller i søvn. Den forbedrede alfa-bølgesynkronen under MBSR-praksis kan også forbedre samordningen mellom sinn og kropp 22 .

De elektroniske aktivitetene til det store antallet nevroner i hjernen danner et ikke-lineært hierarkisk system, og dets uregelmessighet kan godt måles av entropi 8 . Vi fant at under MBSR praksis, uregelmessigheten av hjernen electrOniske aktiviteter gikk ned over en stor del av hodebunnen EEG, spesielt i frontpolen og bilaterale oksidale hjerneområder. Ytterligere kildeanalyse av wavelet entropi viste at uregelmessigheten av occipital og precuneus aktiviteter ble redusert under MBSR praksis. Andre involverte områder inkluderer høyre-midtre cingulate og den overlegne temporal lobe. Dette er i tråd med en annen studie som indikerer at grå materie øker i precuneus etter MBSR trening 23 . Avanserte meditasjonsutøvere har vanligvis høyere parieto-occipitale EEG-gamma-bølger under ujevn øyebevegelsessom 1 . En viktig funksjon av MBSR-opplæring er å være nonjudgmental av sinnet / hjernen informasjonsflyten. Dette kan potensielt redusere uregelmessigheten i hjernens aktiviteter. Fordi en hovedkilde i hjernen er den visuelle cortex, er det trolig at de visuelle relaterte hjernegruppene er mer berørt av MBSR-praksis enn andre regionerns. Dette gjør at sinnet blir mindre lydhør overfor irrelevant informasjon og å være mer oppmerksom på å tenke pusten.

Wavelet entropi-analyse viste mindre uregelmessighet i hjertefrekvensen ved å tenke pusten i forhold til normal hvilestatus, noe som innebærer en mer raffinert balanse mellom det autonome nervesystemet på grunn av relativt uvirkelige vekselvirkninger mellom parasympatiske og sympatiske toner. Oppsiktsvekkende pust kan også påvirke hjertefrekvensen fordi lungens sensoriske afferenter sender hemmelige fremspring til hjertevagmotoriske nevroner i midthjernen, som hemmer hjertefrekvensen via vagusnerven 24 . Kardiorespiratorisk interaksjon er formidlet av hjernestammen og limbic systemet i hjernen 25 . Gitt forbindelsen mellom sentralnervesystemet og hjerteaktiviteten, er det trolig at ved å trene sinnet, kan MBSR eller andre meditasjonspraksis også påvirke andre kroppsfunksjoner, som for eksempelTilbakestille baroreflex følsomheten, forbedre gassutvekslingseffektiviteten i lungene og balansere det autonome nervesystemet 26 .

Sinn-kroppsforbindelsen vektlegges i mange østlige tradisjoner. I denne forbindelse gir vår studie det første objektive beviset når det gjelder entropi. Uregelmessighetene i hjernen og hjerteaktiviteten ble mer koordinert under MBSR-praksis, og koordinasjonen var størst i de bilaterale somatosensoriske områdene. Denne regionen har direkte ansvar for kroppens sensoriske inngang og bevegelse, og denne økte koordinasjonen innebærer større kroppsbevissthet under MBSR-praksis. Mindfulness trening ble funnet å øke aktiviteten til de viscerosomatiske områdene i en funksjonell MR-studie, som har bedre romlig oppløsning enn EEG 27 . Våre resultater tyder på at hjernen og hjertet kan bli mer medvirket under MBSR-praksis, avlastning av unødvendig entropi i systemet Opp klasse = "xref"> 28. Fordi hjerteslaget reguleres av det autonome nervesystemet, hvor den autonome tonen moduleres av samspillet mellom ganglionet; Sino-auricular node; Vagus nerver; Og hjernestrukturer av høyere rekkefølge, som medulla oblongata, insula og limbic systemet, kan de autonome og sentrale nervesystemene bli bedre koordinert under MBSR-praksis.

Et viktig steg i en studie som vår er å velge riktig entropiindeks for å måle uregelmessigheten til EEG og EKG. I motsetning til Renu Madhavi et al ., Som brukte omtrentlig entropi 29 , har vi valgt å bruke wavelet entropi for å fokusere på kompleksiteten mellom energiene i forskjellige skalaer. Fordi hjernens elektroniske aktiviteter stammer fra et stort antall neuroner som har forskjellige egenskaper i forskjellige skalaer og spektrum, bør wavelet-entropi være mer egnet for å måle uregelmessigheten til EEG> 30. På samme måte har øyeblikkelig hjertefrekvens også forskjellige egenskaper under forskjellige tidsskalaer, så det er rimelig å bruke wavelet entropi til EKG 31 . Videre er Shannons entropi og tilnærmet entropi følsomme for samplingsfrekvensen, og omtrentlig entropi krever store beregningstider som øker eksponentielt med datalengden, dette i tillegg til beregningen i kildeplassen.

Flere begrensninger av den nåværende studien er verdt å merke seg. For det første er den romlige oppløsningen av hodebunnen EEG relativt dårlig, til tross for sin høye temporale oppløsning. For å ta opp dette, ble kildesanalyse brukt i vår studie. EEG-kildekonstruksjon er et dårlig problem, og en alternativ tilnærming er å ha romlige prestasjoner fra tidligere funksjonelle magnetiske resonansbilder (fMRI) -studier, som kan bidra til å forbedre rekonstruksjonsnøyaktigheten 32 , 33 . En annen begrensning er tHat koordinasjonen mellom hjernen og hjerteaktiviteten ble vurdert mellom fag; Innenfor faglig koordinering er igjen for fremtidige studier. I tillegg er ikke entropien av EKG avledet direkte fra EKG-signalet, men heller fra hjerteintervallet, fordi amplituden av EKG kan påvirkes sterkt av elektrodposisjonen og hudimpedansen og dermed ikke er sammenlignbar mellom emner.

Tidligere studier utførte vanligvis en spektrumanalyse av EEG-signalet, og avviste uregelmessighet i EEG som støy. I motsetning, foreslår vi å bruke wavelet entropi som en mer sensitiv indeks for å måle hjernens kaotiske elektroniske aktiviteter som en refleksjon av sinnstilstanden. Den foreslåtte metoden gir objektivt bevis for den tradisjonelle antagelsen om at sinnet og hjertet er mer koordinert under meditasjon.

Fordi wavelet entropi kan overvåke meditasjonstilstanden ganske følsomt, kan den bli brukt i mental treningNg felt, akkurat som entropi brukes i klinisk praksis for å måle nivået av anestesi under operasjonen. Ved hjelp av en indeks som ligner på wavelet-entropi, kan trådløse EEG-enheter brukes til å overvåke enkeltpersonens daglige meditasjonspraksis eller annen mental trening for utdanningsformål. Ikke desto mindre, fordi et trådløst EEG vanligvis bare måler stabilt kanalene i pannen, må vi undersøke om disse kanalene er følsomme nok til å overvåke tilstandstilstanden.

De kritiske trinnene i denne prosedyren inkluderer å holde hudimpedansen for hver elektrode lav for bedre signalkvalitet og mindre støy; Passende og riktig gjennomføring av MBSR trening; Sikre en god, ikke-utmattet mental tilstand før forsøket, da meditasjon krever stor energi; Velge riktig entropi-indeks (wavelet entropi); Og er kjent med SPM kilde analyse av EEG data.

Disclosures

Forfatterne erklærer at de ikke har konkurrerende økonomiske interesser.

Acknowledgements

Denne studien ble støttet av SPF-201209176152-fondet ved Universitetet i Hong Kong. Vi takker Dr. Helen Ma for å undervise kurset og rekruttere MBSR-deltakere.

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