Mit Wavelet Entropy zu demonstrieren, wie Achtsamkeit Praxis erhöht die Koordination zwischen unregelmäßigen zerebralen und kardialen Aktivitäten

Behavior
 

Summary

Dieses Manuskript beschreibt, wie man den Wavelet-Entropie-Index verwendet, um hochdichte Elektroenzephalographie (EEG) und Elektrokardiographie (ECG) Daten zu analysieren. Wir zeigen, dass die Unregelmäßigkeit der zerebralen und kardialen Aktivitäten bei der Achtsamkeits-gestützten Stressreduzierungspraxis stärker koordiniert wurde.

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

Sowohl im Osten als auch im Westen sagen die traditionellen Lehren, dass der Geist und das Herz irgendwie eng miteinander verknüpft sind, vor allem während der spirituellen Praxis. Eine Schwierigkeit, dies objektiv zu beweisen, ist, dass die Natur der Gehirn- und Herzaktivitäten ganz anders sind. In dieser Arbeit schlagen wir eine Methodik vor, die Wavelet-Entropie verwendet, um die chaotischen Ebenen sowohl der Elektroenzephalogramm (EEG) als auch des Elektrokardiogramms (EKG) zu messen und zu zeigen, wie dies verwendet werden kann, um die mögliche Koordination zwischen Geist und Herz unter verschiedenen experimentellen Bedingungen zu erforschen . Darüber hinaus wurde die statistische parametrische Abbildung (SPM) verwendet, um die Hirnregionen zu identifizieren, in denen die EEG-Wavelet-Entropie am stärksten von den experimentellen Bedingungen betroffen war. Als Veranschaulichung wurden das EEG und das EKG zu Beginn eines 8-wöchigen Standard-Mindfulness-basierten Stress Reduction (MBSR) Trainings (Pretest) und nach dem cOurse (posttest). Unter Verwendung der vorgeschlagenen Methode zeigten die Ergebnisse konsequent, dass die Wavelet-Entropie des Gehirns EEG während des MBSR-Atemzustandes im Vergleich zu dem während des geschlossenen Augenruhezustandes abnahm. Ähnlich wurde eine untere Wavelet-Entropie von Herzfrequenz während der MBSR-Achtsamkeit gefunden. Jedoch wurde kein Unterschied in der Wavelet-Entropie während der MBSR-Achtsamkeit zwischen dem Pretest und dem Posttest gefunden. Es wurde keine Korrelation zwischen der Entropie der Gehirnwellen und der Entropie der Herzfrequenz während der normalen Ruhe in allen Teilnehmern beobachtet, während eine signifikante Korrelation während der MBSR-Achtsamkeit beobachtet wurde. Darüber hinaus befanden sich die gut korrelierten Hirnregionen in den zentralen Bereichen des Gehirns. Diese Studie bietet eine Methodik für die Etablierung von Beweisen, dass Achtsamkeit Praxis ( dh, Achtsam Atem) kann die Koordination zwischen Geist und Herz-Aktivitäten zu erhöhen.

Introduction

Mit Fortschritten in der Neurowissenschaften und Medizin 1 sind wir in einer viel besseren Lage, die nicht-pharmakologischen Vorteile von Achtsamkeit und Meditation über psychische und körperliche Krankheiten zu verstehen. Zahlreiche Studien haben gezeigt, dass Mindfulness-basierte Stress Reduction (MBSR) Ausbildung als eine Art geistige Übung kann aktiv reduzieren unnötigen Stress in den Geist und den Körper 2 . Während der Praxis der Meditation können Körper und Geist mehr mitgerissen werden. Diese Themen haben das Interesse der akademischen Gemeinschaft und der breiten Öffentlichkeit angezogen und haben uns motiviert, eine Methodik zu entwerfen, um die potentielle Koordination zwischen Geist und Körper (oder genauer gesagt zwischen Gehirn und Herz) unter verschiedenen Bedingungen zu untersuchen, um die Wirkung zu beurteilen MBSR Ausbildung und Praxis.

Die Unregelmäßigkeit von Elektroenzephalogrammen (EEG) wird üblicherweise als Rauschen bei der herkömmlichen EEG-Spektrumanalyse betrachtet, bUt kann es nützliche Informationen enthalten und kann durch Signalentropie gemessen werden. Die EEG-Entropie wurde als ein Index der klinischen Zustände wie Epilepsie, Alzheimer-Krankheit und Anästhesie verwendet, und einige Hinweise deuten darauf hin, dass die Entropie von EEG eine empfindlichere Maßnahme zur Überwachung von Gehirnzuständen sein kann als die traditionelle EEG-Spektrumanalyse 3 , 4 . Entropie ist seit langem in der Thermodynamik als Index zur Beschreibung des chaotischen Zustands eines Systems verwendet worden. Die von EEG gemessenen Gehirnwellen sind bekannt für ihre dynamische Aktivität durch Gehirnnetze, die zwischen Ordnung und Chaos 5 arbeiten . Unter den verschiedenen Arten von Entropien bietet die Wavelet-Entropie eine Methode zur Berechnung der Entropie von Energien unter verschiedenen Beobachtungsskalen, die sich gut für die Analyse von EEG-Signalen mit sehr unterschiedlichen Funktionen in verschiedenen Skalen eignet. Für ein völlig zufälliges Signal werden die relativen Energien bei unterschiedlichen Auflösungsstufen dieGleich, und die Entropie wird ihr Maximum erreichen. Daher dient die Wavelet-Entropie als Maß für chaotische Aktivitäten im EEG und kann als Index zur Differenzierung unterschiedlicher Geisteszustände verwendet werden 6 .

Bisherige Elektrokardiogramm-Studien (EKG) lieferten konsistente Hinweise auf meditationsbedingte Veränderungen der Herzfrequenzvariabilität im Vergleich zu Vormeditationszuständen 7 . Der Herzschlag wird durch das autonome (einschließlich des sympathischen und parasympathischen) Nervensystems reguliert. Der autonome Ton wird durch Wechselwirkungen zwischen dem Ganglion moduliert; Sino-aurikulärer Knoten; Vagusnerven; Und Hirnstrukturen höherer Ordnung, wie die Medulla oblongata, die Insula und das limbische System. Diese Strukturen bilden ein hierarchisches System, und ihre nichtlineare Aktivität kann durch Entropie 8 gemessen werden. Zum Beispiel können die neuronalen Bursts in Hirnstrukturen höherer Ordnung den Herzrhythmus beeinflussen 9 .In klinischen Zuständen stören Hirnstörungen wie epileptische Anfälle den Herzrhythmus 10 . Neurokardiologieforschung schlägt auch ein enges Zusammenspiel von Herz und Gehirn vor 11 .

Eine Schwierigkeit bei der Untersuchung der Assoziation zwischen Gehirn und Herz-Signale ist, dass sie ganz anders in Signalinhalt und Zeitskala sind. Eine große Herausforderung besteht also darin, eine gemeinsame Maßnahme zu identifizieren, die nicht nur auf Gehirn- und Herzsignale anwendbar ist, sondern auch für die Interpretation im Kontext der Geist-Körper-Koordination sinnvoll ist. In diesem Beitrag schlagen wir die Verwendung von Wavelet-Entropie vor, um eine mögliche Koordination zwischen Unregelmäßigkeiten im Gehirn und Herz-Aktivitäten zu erkennen, indem wir die Entropien von EEG- und Heartbeat-Signalen korrelieren, die dann mittels eines MBSR-Experiments ausgewertet werden können.

Weil MBSR Achtsamkeit Praxis in Körper und Geist, wir Hypothese, dass MBSR Achtsam Atem prActice kann nicht nur die Gehirnaktivität beeinflussen, sondern auch den Herzschlag. Frühere Studien untersuchten vor allem die Wirkung von Achtsamkeitstraining und / oder Praxis auf dem Gehirn oder dem Herzen getrennt und auf der Grundlage verschiedener Aspekte; Die gleichzeitigen Veränderungen in diesen beiden eng verwandten Systemen bleiben weitgehend unerforscht. Nur wenige Studien berichteten über eine bessere Koordination von Körper und Geist nach Achtsamkeitstraining 12 . Mit Hilfe der vorgeschlagenen Methodik zeigten die repräsentativen Ergebnisse und eine vorherige Studie 13 , dass die MBSR-Achtsamkeitstraining die Koordination von Körper und Geist in Bezug auf ihre chaotischen Aktivitäten verstärken kann, die einen neuen Einblick in die Auswirkungen des Achtsamkeitstrainings auf die zentrale und die Peripherie bieten können Nervensysteme.

Protocol

Diese Forschungsstudie wurde von der University of Hong Kong Institutional Review Board genehmigt. Alle Teilnehmer haben ihre schriftliche Zustimmung vor der Teilnahme an dieser Studie gegeben.

1. Experimentelles Design

Tabelle 1
Tabelle 1. MBSR Kursübersicht. Die 8-wöchige MBSR-Schulung der Teilnehmer.

  1. Rekrutieren Sie Teilnehmer.
    HINWEIS: Elf gesunde Erwachsene (fünf Frauen) aus einem lokalen MBSR-Kurs nahmen an dieser EEG-Studie teil und waren 28 - 52-Jährige. Teilnehmer mit Depressionen auf der Grundlage der Beck Depression Inventory wurden von der Studie ausgeschlossen. Der Kurs folgte dem Standard MBSR Training ( Tabelle 1 ), und die Teilnehmer mussten sich an die Trainingsstruktur beteiligen.
  2. EEG-Aufnahmesystem.
    1. EEG-Aufzeichnung in einem ruhigen Raum mit einem 128-Kanal EEG sYstem bestehend aus einer EEG-Kappe, Verstärker, Stoffauflauf und Desktop-Computer.

2. EEG- und EKG-Datenerfassung

HINWEIS: Die EEG-Datenerfassung erfolgte nach einem Standardverfahren, ähnlich dem zuvor beschriebenen Verfahren. 14 . Bitten Sie jeden Teilnehmer, sein Haar zu waschen und die Kopfhaut zu reinigen, bevor Sie auf die Versuchsstätte kommen. Informieren Sie den Teilnehmer über die experimentellen Verfahren, vor allem, dass er / sie normalerweise für 10 min ruhen wird und bewusst Atem für weitere 10 min, während mit EEG und EKG-Geräte aufgezeichnet werden.

  1. Reinigen Sie den Gesichtsbereich und das Mastoid des Teilnehmers mit Alkoholtupfern.
  2. Verwenden Sie ein Maßband, messen Sie den Kopfumfang des Teilnehmers und wählen Sie dann eine entsprechend bemessene Kappe. Nehmen Sie ein Maß von der Nasion zum Inion und eine andere Messung über die Ohren der Ohren und über die Kopfhaut. Markiere den Scheitelpunkt (der Punkt in der Mitte zwischen der Nasion anD inion und mittlerer Abstand zwischen den beiden Ohren) mit einem weichen Markierungsstift.
  3. Stellen Sie die Elektrodenpositionen gemäß den 10-5 Elektroden-Systemen 15 ein . Positionieren Sie die Kappe so, dass die Cz-Elektrode über dem Scheitel liegt, die Nz-Elektrode an der Nase ist, die Lz-Elektrode an der Inion ist, die RM-Elektrode ist am rechten Mastoid und die LM-Elektrode befindet sich am linken Mastoid .
    1. Legen Sie die EKG-Elektroden auf die linke und rechte Infraclavikular-Fossa.
    2. Füllen Sie die Elektrodenhalter mit Gel mit einer Stumpfspritze.
    3. Halten Sie die Impedanz unter 20 kΩ für jede Elektrode. Reduzieren Sie die Impedanz durch Einstellen der Elektrodenplatzierung, um den Kontakt mit der Kopfhaut zu erhöhen; Füge noch mehr Gel hinzu.
    4. Ziehen Sie den Kinnriemen fest und bitten Sie den Teilnehmer, noch zu bleiben.
    5. Stellen Sie die Abtastrate des EEG-Gerätes auf 1.000 Hz ein. Benutze das linke Mastoid als ursprünglichen Referenzpunkt.
  4. EEG-Daten aufzeichnen (Schritt 1.2.1) zu Beginn des MBSR-Kurses (innerhalb von 2 Wochen).
    1. Lassen Sie den Teilnehmer einen kurzen Körper scannen, um den ganzen Körper zu entspannen. Habe den Teilnehmer beim Atem und beim Ausatmen auf den Atem geachtet. Haben Sie jeden Teilnehmer 10 Minuten MBSR Achtsam Atem (MBSR Achtsamkeit Bedingung) und 10 Minuten normaler Ruhe (Kontrollbedingung) während der EEG Datenerfassung. Dies erzeugt einen Pre-MBSR-Trainings-Datensatz mit zwei Bedingungen.
      HINWEIS: Gegen die Sequenz der achtsamen Atmung und der normalen Ruhe unter den Teilnehmern.
  5. Notiz EEG Daten wieder etwa 1 Monat nach dem Teilnehmer den MBSR Kurs abzuschließen.
    1. Bitten Sie jeden Teilnehmer, 10 Minuten atmungsaktive Atmung und 10 Minuten normaler Ruhe während der EEG-Datenerfassung durchzuführen. Dies erzeugt einen Post-MBSR-Trainings-Datensatz mit zwei Bedingungen.

3. EEG- und EKG-Datenanalyse

HINWEIS: Die ersten vier Schritte sindFür die Datenvorverarbeitung, und die verbleibenden Schritte sind für Wavelet Entropie Berechnung und Korrelation Analyse. Hier wurde eine Open-Source-Software namens EEGLAB 16 für die EEG-Analyse verwendet, aber die Operationen sollten über verschiedene Software hinweg ähnlich sein. Im Folgenden werden die Vorgänge, die auf EEGLAB basieren, als Beispiel bereitgestellt. Weitere Informationen finden Sie im EEGLAB-Handbuch (https://sccn.ucsd.edu/wiki/EEGLAB_Wiki#EEGLAB_Tutorial).

  1. Verwenden Sie die EEG-Software, um die Daten bei 250 Hz neu zu löschen, indem Sie Tools> Änderungsabtastrate auswählen. Verwenden Sie den Finite Impulse Response (FIR) -Filter für die Bandpaßfilterung mit einem 0,5 - 100 Hz Durchlassband, indem Sie Tools> Filter die Daten> Basic FIR Filter auswählen.
    1. Um das Rauschen aufgrund des länderspezifischen Netzstroms zu reduzieren, verwenden Sie den kurzen, nichtlinearen, unendlichen Impulsantwort (IIR) -Filter für die Kerbfilterung mit einem 47 - 53 Hz-Stoppband, indem Sie Tools> Filter die Daten> Kurze nichtlineareIIR-Filter Dies deckt alle relevanten Frequenzen in der Spektrumanalyse ab, während unnötiges Rauschen beseitigt wird.
  2. Verwenden Sie die EEG-Software, um das EEG-Signal visuell durchzuspulen und zu prüfen, indem Sie Plot> Kanaldaten (Scroll) auswählen.
    1. Identifizieren und löschen Sie EEG-Segmente, die offensichtliche Muskel-Rauschen und andere seltsame Ereignisse enthalten. Klicken Sie mit der linken Maustaste und ziehen Sie die Maus über schlechte Segmente, um sie hervorzuheben und dann die Segmente mit der EEG-Software zu "löschen" oder zu "ablehnen".
      HINWEIS: Muskelaktivitäten wie Schlucken oder Gesichtsausdruck erzeugen oft diskontinuierliche und unregelmäßige Signale. Seltsame Ereignisse werden meist durch Kopf- oder Körperbewegungen verursacht, die oft zu signifikanten Verschiebungen (bei niedrigen Frequenzen) des EEG-Signals führen.
    2. Bestimmen Sie, ob es einen schlechten Kanal gibt. Rekonstruieren Sie jeden schlechten Kanal mit der sphärischen Interpolationsmethode, indem Sie Tools> Interpolate Channel auswählen.
  3. Verwenden Sie die EEG-Software, um In auszuführenAbhängige Komponentenanalyse 17 (ICA) auf den Daten durch Auswahl von Extras> ICA ausführen. Haben Sie einen erfahrenen EEG-Betreiber visuell identifizieren und verwerfen Komponenten der Augenbewegung und blinkt, Muskelbewegungen und Komponenten von anderen möglichen Rauschen durch Auswahl von Tools> Abweisen von Daten mit ICA> Ablehnen von Komponenten nach Karte; Werkzeuge> Komponenten entfernen. Die EEG-Software rekonstruiert die Daten automatisch mit den beibehaltenen Komponenten.
  4. Verwenden Sie die EEG-Software, um die Daten auf den Durchschnitt aller Kanäle vor der weiteren Analyse zu richten, indem Sie Tools> Re-reference wählen.
  5. Spektrumanalyse
    1. Verwenden Sie die EEG-Software-Befehlszeilenfunktion "spectopo", um die Spektren von EEG mit Welchs Leistungsspektraldichte-Schätzung 18 zu berechnen und die Log-Potenzen (dB) von Delta (1 - 4 Hz), Theta (4 - 8 Hz), alpha ( 8 - 12 Hz), Beta (12 - 30 Hz) und Gamma (30 - 80 Hz) Wellen.
    2. Berechnen Sie den relativen poWer von jeder Art von Welle 18 ( dh der Anteil der Leistung in dem jeweiligen Frequenzband relativ zu der Gesamtspektrumleistung).
  6. Führen Sie die EEG-Quellanalyse mit dem SPM-Ansatz (Statistical Parametric Mapping) durch.
    1. Verwenden Sie die minimale Normschätzung 19 , um die EEG-Signale der Kopfhautelektroden in 3D-Gehirnquellensignale umzuwandeln.
      HINWEIS: Hier war die ursprüngliche Kanalnummer 122, und sie wurde auf 8.196 Kanäle umgewandelt, die im dreidimensionalen Gehirnmodell verteilt wurden. Das Signifikanzniveau wurde auf p = 0,01 gesetzt. Bitte beachten Sie die Quellanalyse im SPM-Handbuch (www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf).
  7. Berechnen Sie die Wavelet-Entropie für jeden EEG-Kanal (sowie für das geschätzte dreidimensionale Hirnquellensignal) mit dem folgenden Verfahren:
    1. Angesichts eines Signals Gleichung 1 ,Berechnen Sie die Wavelet-Koeffizienten als Gleichung 2 , woher Gleichung 3 Ist eine orthonormale Basis der Haar Wavelet Familie und Gleichung 4 Stellt die Zersetzungsgrade dar ( N = 10 in dieser Studie).
    2. Definiere die relative Energie als Gleichung 5 Mit Gleichung 6 .
    3. Berechnen Sie die Wavelet Entropie als Gleichung 7 . Durchschnitt die Wavelet Entropie für alle Kanäle, um die EEG Wavelet Entropie für jeden Teilnehmer zu erhalten.
  8. Verwenden Sie das Softwarepaket, um eine Peakanalyse an den EKG-Daten durchzuführen, um das Heartbeat-Signal zu erhalten, das aus der Anzahl der EKG-Wellenspitzen und dem Intervall zwischen den Peaks besteht.
    HINWEIS: AngenommenEine normale Herzfrequenz von 60-100 Schlägen / min in der normalen Ruhe und bewussten Atemzustände, die Anzahl der Herzschlag-Instanzen N für eine 10-minütige Dauer sollte relativ klein sein und erfüllt 600 < N <1.000.
    1. Um eine zuverlässige Wavelet-Entropie aus dem Heartbeat-Signal zu erhalten, verwenden Sie ein Schiebefenster von 500 Punkten und ein Schrittwert von 10 Punkten, um eine Reihe von Wavelet-Entropien nach dem gleichen Verfahren wie für EEG zu berechnen, wie in Abschnitt 3.7 ausgearbeitet. Verwenden Sie den Mittelwert als endgültige Wavelet Entropie.
  9. Analysieren Sie die Gehirn- und Herzkorrelation über die Themen zwischen der Wavelet-Entropie des EKG und dem von EEG an jedem Kanal der Kopfhaut mit jeder statistischen Software, die eine Pearson-Korrelationsfunktion hat.
    1. Verwenden Sie die EEG-Software-Befehlszeilenfunktion "topoplot", um eine statistische Skalpenkarte für die Korrelation zu erstellen. Zeichnen Sie einen linearen Korrelationsgraph mit der Herzfrequenzentropie und der durchschnittlichen EEG-Entropie von nur jenen chaNnels, die mit der Herzratenentropie signifikant korreliert sind (siehe Abschnitt Repräsentative Ergebnisse).

Representative Results

Spektrumanalyse

Bei der Spektrumanalyse von EEG-Daten wurden im Vergleich zur normalen Ruhephase während der MBSR-Atembeschwerden erhöhte Alpha (8 - 12 Hz) und Beta (12 - 30 Hz) und reduzierte Delta (1 - 4 Hz) Wellen erreicht. Das Inkrement der Alphawellen war weltweit bedeutend, vor allem in den frontalen und okzipitalen Lappen, während das Inkrement der Beta-Wellen vor allem im Frontallappen lag. Verringerte Delta-Wellen wurden in den zentralen Parietalbereichen festgestellt (Abbildung 1 ). Allerdings haben wir keine signifikante Veränderung zwischen Pre- und Post-MBSR-Training gefunden.

Abbildung 1
Abbildung 1. Spektrumanalyse von MBSR Achtsamkeit und Normalrestbedingungen. Die Spektrumanalyse zeigt, dass die MBSR-Praxis die Gehirnaktivitäten verändern kann, wie die verschiedenen zeigenSpektren von EEG. Ursprüngliche Quelle: Referenz 13 . Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

Abbildung 2 zeigt den definierten Bereich von Interesse: der Hinterhauptlappen (Kanäle N19 - 21, N41 - 46, N67 - 72, N96 - 100 und N119), der mittlere Stirnlappen (Kanäle N53 - 61 und N79 - 83) und Der mittlere Parietallappen (Kanäle N48 - 50, N64 - 66 und N74 - 76). Tabelle 2 zeigt die Kraft jedes Spektrums und die Entropie unter MBSR Achtsam Atem und normalen Ruhebedingungen, zusammen mit dem p- Wert des t -Test der Differenz zwischen den beiden Bedingungen für jede Region von Interesse. Wir kombinierten die Vor- und Nach-MBSR-Schulung EEG-Daten, da es keinen Unterschied zwischen den beiden Stufen gab.


Abbildung 2. Definierte Region von Interesse. Die definierten Bereiche der EEG-Kanäle, die den mittleren Frontallappen, den mittleren Parietallappen und den Okzipitallappen repräsentieren. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

</ Tr>
Delta Theta Alpha Beta Gamma Entropie
Mittlerer Frontallappen 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
Sich ausruhen 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-Wert 0,0243 0.6555 0,0085 0,0144 0.4419 0,0084
Occipitallappen 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
Sich ausruhen 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-Wert 0,0134 0.1213 0,0155 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
Sich ausruhen 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-Wert 0,0157 0,0963 0,0177 0,1507 0,2878 0,0368

Tabelle 2. Spektrum und Entropie über Gehirnbereiche. MBSR Achtsam Atem und normale RuhebedingungenWerden unter den drei vordefinierten Regionen von Interesse (ROI) verglichen.

Wavelet Entropie Analyse

Die Analyse der Wavelet-Entropie von EEG zeigte eine verminderte EEG-Entropie während der MBSR-Atembeschwerden im Vergleich zur normalen Ruhe, sowohl für die Vor- als auch für die Post-MBSR-Ausbildung. Da es keinen signifikanten Unterschied zwischen den beiden Stufen gab, wurden sie zusammengeführt, um eine gemittelte Karte zu erzeugen (in der dritten Zeile von Fig. 3 gezeigt ). Die Hauptbereiche mit verminderter Entropie waren am Stirnlappen und der Parietal-Okzipitallappen.

Abbildung 3
Abbildung 3. Wavelet Entropy Analysis. Rest 1 und MBSR 1 bezeichnen das Vor-MBSR-Training, während Rest 2 und MBSR 2 das Post-MBSR-Training bezeichnen. Wavelet Entropie Analyse zeigt, dass MBSR Praxis kann die Unregelmäßigkeit von reduzierenGehirn elektronische Aktivitäten. Ursprüngliche Quelle: Referenz 13 . Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

Quellenanalyse von Wavelet Entropy

Die Quellenanalyse der EEG-Signale kann die räumliche Auflösung verbessern, indem sie das Kopfhaut-EEG in elektrische Aktivitäten über die kortikale Oberfläche 20 entfaltet. Die Analyse zeigt, dass die großen Hirnregionen, die vom MBSR-Achtsamkeitstraining betroffen waren, im links-mittleren Okzipitallappen, Precuneus, überlegenen Schläfenlappen und linken fusiform waren (Abbildung 4 ). In Tabelle 3 , für die vier anatomischen Etiketten, die aus der Quellenanalyse erhalten wurden, liefern wir t- test Ergebnisse für den Unterschied in den Entropien von zwei verschiedenen Zuständen, MBSR Achtsamkeit ZustandVersus normaler Ruhe

Abbildung 4
Abbildung 4. Quellanalyse Die Quellanalyse zeigt, dass die Entropien verschiedener Hirnregionen (rot markiert) während des MBSR-Atemzustandes abnehmen. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

Anatomisches Etikett Voxel X, y, z T-Wert
Mittlerer zeitlicher Gyrus L 1,728 -44 -60 16 3.77
Preuneus R 1,324 2 -56 28 3.63
Occipital L 749 -2 -102 -12 3.61
Fusiform L 142 -102 3,51

Tabelle 3. Quellanalysebericht. Anatomische Hirnregionen mit signifikanten Unterschiede in der Entropie zwischen MBSR Achtsam Atem und normalen Ruhebedingungen. L, die linke Seite des Gehirns. R, die rechte Seite des Gehirns ( p <0,001, t- test, unkorrigiert).

Herzfrequenz Wavelet Entropy

Die Analyse ergab keinen signifikanten Unterschied in der durchschnittlichen Herzfrequenz, aber die Herzratenentropie war bei der MBSR-Atembeschwerden niedriger, sowohl vor- als auch nach MBSR-Training ( Tabelle 4 ).

Rest1 MBSR1 Rest2 MBSR2
Herzfrequenz (Beats pro Minute) 68,2 ± 9,5 67,7 ± 9,3 71,8 ± 8,1 70,7 ± 8,4
Herzfrequenz Wavelet Entropy 0,89 ± 0,05 0,79 ± 0,11 * 0,89 ± 0,07 0.80 ± 0.12 #

Tabelle 4. Herzfrequenz und Herzfrequenz Wavelet Entropie von MBSR Achtsam Atem und Normal Rest Bedingungen. Die beiden Bedingungen werden sowohl im Vor- als auch im Post-MBSR-Training verglichen. * Signifikante Differenz ( p <0,05) zwischen Rest 1 und MBSR 1. #Signifikante Differenz ( p <0,05) zwischen Rest 2 und MBSR 2.

KorrelationZwischen Herz- und Gehirnaktivitäten

Angesichts der möglichen Verbindung zwischen dem Gehirn und dem Herzen analysierten wir die Korrelation zwischen der EEG-Entropie des Gesamt-Gehirns ( dh dem Durchschnitt der EEG-Entropien über alle EEG-Kanäle für ein einzelnes Subjekt) und der Herzfrequenzentropie während der MBSR-Achtsamkeit und normalen Ruhezuständen . Die Entropien des Gehirns und des Herzens waren signifikant korreliert während der MBSR Achtsam Atem, aber nicht während der normalen Ruhe. Wie im oberen Teil von Fig. 5 gezeigt , ist die Bedeutung der Korrelation zwischen der Entropie des EEG in jedem Kanal und der Herzratenentropie im mittleren Teil des Gehirns am deutlichsten. Die untere Handlung zeigt die Korrelation zwischen der EEG-Entropie in den zentralen Regionen (Durchschnitt der gepunkteten Kanäle, die signifikant mit der Herzratenentropie korreliert sind) und die Herzratenentropie.


Abbildung 5. Korrelation zwischen den Wavelet Entropien der elektronischen Aktivitäten des Herzens und des Gehirns. Die Wavelet-Entropie der Hirnaktivität ist der Durchschnitt der signifikanten Kanäle im zentralen Bereich, wie in der oberen rechten Abbildung gezeigt. Die Wavelet-Entropie des Herzens basiert auf dem Herzfrequenzintervall. Die Korrelation (untere Tafel) wird über alle Fächer für die Vor- und Nach-MBSR-Trainingsergebnisse berechnet. Ursprüngliche Quelle: Referenz 13 . Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

Discussion

Diese EEG-Studie bietet konkrete Hinweise darauf, dass die MBSR-Atembeschwerden im Vergleich zur normalen Ruhe die Alphawellen im frontalen und okzipitalen Lappen verstärken. Dies steht im Einklang mit der Mehrheit der Berichte über erhöhte Alphawellen während der Meditation, vor allem bei Anfängern 21 . Alpha-Wellen zeigen in der Regel einen Zustand der Erregung und Wachsamkeit und Freiheit von einer bestimmten Aufgabe. Ein solcher Geisteszustand ist eines der Ziele der Meditation; Das heißt, halten den Geist sauber und scharf, frei von entweder Flügen von Phantasie oder Einschlafen. Die verbesserte Alphawellen-Synchronisation während der MBSR-Praxis kann auch die Koordination zwischen Geist und Körper 22 verbessern.

Die elektronischen Aktivitäten der großen Anzahl von Neuronen im Gehirn bilden ein nichtlineares hierarchisches System, und ihre Unregelmäßigkeit kann durch Entropie gut gemessen werden. Wir fanden, dass während der MBSR-Praxis die Unregelmäßigkeit des Gehirns elektrOnic-Aktivitäten sanken über einen großen Teil der Kopfhaut EEG, vor allem in der frontalen Pol und bilateralen occipital Gehirn Regionen. Eine weitere Quellenanalyse der Wavelet-Entropie zeigte, dass die Unregelmäßigkeit der okzipitalen und precuneus-Aktivitäten während der MBSR-Praxis reduziert wurde. Zu den weiteren Gebieten gehören das rechts-mittlere Cingulat und der überlegene Schläfenlappen. Dies steht im Einklang mit einer anderen Studie, die darauf hinweist, dass graue Substanz im Precuneus nach MBSR-Training zunimmt. Fortgeschrittene Meditation Praktiker haben in der Regel höhere parieto-occipital EEG-Gamma-Wellen während nicht-schnelle Augenbewegung Schlaf 1 . Ein wichtiges Merkmal des MBSR-Trainings ist es, nicht den Einfluss des Geistes / Hirninformationsflusses zu beeinträchtigen. Dies kann möglicherweise die Unregelmäßigkeit der Hirnaktivitäten reduzieren. Weil eine Hauptinformationsquelle im Gehirn die visuelle Kortex ist, ist es plausibel, dass die visuell verwandten Hirnregionen stärker von der MBSR-Praxis betroffen sind als andere RegioNs Dies ermöglicht es dem Geist, weniger auf irrelevante Informationen zu reagieren und mehr Aufmerksamkeit auf bewusstes Atmen zu legen.

Wavelet-Entropie-Analyse zeigte weniger Unregelmäßigkeit der Herzfrequenz während der achtsamen Atmung im Vergleich zu den normalen Ruhezustand, was eine verfeinerte Balance des autonomen Nervensystems aufgrund von relativ unerschütterlichen Wechselwirkungen zwischen parasympathischen und sympathischen Tönen impliziert. Eine sorgfältige Atmung kann auch die Herzfrequenz beeinflussen, weil die Lungensensoren die hemmenden Projektionen an die Herz-Vagus-Motorneuronen im Mittelhirn vermitteln, die die Herzfrequenz über den Vagusnerv hemmen. Die kardiorespiratorische Wechselwirkung wird durch den Hirnstamm und das limbische System im Gehirn vermittelt 25 . Angesichts der Verbindung zwischen dem zentralen Nervensystem und der Herzaktivität ist es plausibel, dass durch die Ausbildung des Geistes, MBSR oder andere Meditationspraktiken auch andere Körperfunktionen beeinflussen können, wie zBRücksetzen der Baroreflex-Empfindlichkeit, Verbesserung der Gasaustauschwirkung in den Lungen und Ausgleich des autonomen Nervensystems 26 .

Die Geist-Körper-Verbindung wird in vielen östlichen Traditionen hervorgehoben. In dieser Hinsicht liefert unsere Studie die ersten objektiven Beweise für Entropie. Die Unregelmäßigkeiten der Gehirn- und Herztätigkeiten wurden während der MBSR-Praxis stärker koordiniert, und die Koordination war in den bilateralen somatosensorischen Regionen am größten. Diese Region ist direkt für die sensorische Input und Bewegung des Körpers verantwortlich, und diese erhöhte Koordination impliziert ein größeres Körperbewusstsein während der MBSR-Praxis. Achtungstraining wurde festgestellt, um die Aktivitäten der viscerosomatischen Gebiete in einer funktionellen MRT-Studie zu erhöhen, die eine bessere räumliche Auflösung als EEG 27 hat . Unsere Ergebnisse deuten darauf hin, dass das Gehirn und das Herz in der MBSR-Praxis mehr mitgerissen werden können, wodurch unnötige Entropie im System entlastet wird Up class = "xref"> 28 Weil der Herzschlag durch das autonome Nervensystem reguliert wird, wobei der autonome Ton durch die Wechselwirkungen zwischen dem Ganglion moduliert wird; Sino-aurikulärer Knoten; Vagusnerven; Und höherhändige Hirnstrukturen wie die Medulla oblongata, die Insula und das limbische System können die autonomen und zentralen Nervensysteme während der MBSR-Praxis besser koordiniert werden.

Ein wichtiger Schritt in einer Studie wie uns ist es, den richtigen Entropie-Index zu wählen, um die Unregelmäßigkeit von EEG und EKG zu messen. Im Gegensatz zu Renu Madhavi et al ., Die annähernde Entropie 29 verwendet haben, haben wir uns entschieden, Wavelet-Entropie zu verwenden, um uns auf die Komplexität der Energien in verschiedenen Skalen zu konzentrieren. Weil die Gehirn-elektronischen Aktivitäten aus einer Vielzahl von Neuronen stammen, die unterschiedliche Merkmale in verschiedenen Skalen und Spektren haben, sollte Wavelet-Entropie besser geeignet sein, um die Unregelmäßigkeit von EEG zu messen> 30 Ähnlich hat die momentane Herzfrequenz auch unterschiedliche Merkmale unter verschiedenen Zeitskalen, so dass es sinnvoll ist, Wavelet-Entropie auf EKG 31 anzuwenden. Darüber hinaus sind Shannons Entropie und annähernde Entropie empfindlich für die Abtastfrequenz, und die ungefähre Entropie erfordert große Rechenzeiten, die sich exponentiell mit der Datenlänge erhöhen, dies zusätzlich zur Berechnung im Quellraum.

Mehrere Einschränkungen der aktuellen Studie sind bemerkenswert. Zuerst ist die räumliche Auflösung des Kopfhaut-EEG trotz ihrer hohen zeitlichen Auflösung relativ schlecht. Um dies zu adressieren, wurde die Quellanalyse in unserer Studie angewendet. Die EEG-Quellrekonstruktion ist ein schlechtes Problem, und ein alternativer Ansatz besteht darin, räumliche Vorsteher aus früheren funktionellen Magnetresonanztomographie-Untersuchungen (fMRI) zu haben, die zur Verbesserung der Rekonstruktionsgenauigkeit beitragen können 32 , 33 . Eine weitere Einschränkung ist tDie Koordination zwischen dem Gehirn und den Herztätigkeiten wurde zwischen den Fächern beurteilt; In-themen-Koordination bleibt für künftige Studien. Darüber hinaus wird die Entropie des EKG nicht direkt aus dem EKG-Signal abgeleitet, sondern aus dem Herzfrequenzintervall, da die Amplitude des EKG durch die Elektrodenposition und die Hautimpedanz stark beeinflusst werden kann und somit nicht zwischen den Subjekten vergleichbar ist.

Frühere Studien führten in der Regel eine Spektrumanalyse des EEG-Signals durch, wobei die Unregelmäßigkeit im EEG als Rauschen entlassen wurde. Im Gegensatz dazu schlagen wir vor, die Wavelet-Entropie als einen empfindlicheren Index zu verwenden, um die chaotischen elektronischen Aktivitäten des Gehirns als Reflexion des Geisteszustands zu messen. Die vorgeschlagene Methodik liefert objektive Hinweise auf die traditionelle Annahme, dass Geist und Herz bei der Meditation mehr koordiniert sind.

Da die Wavelet-Entropie den Meditationszustand recht empfindlich überwachen kann, kann sie in der mentalen Traini verwendet werdenNg-Feld, so wie Entropie in der klinischen Praxis verwendet wird, um das Niveau der Anästhesie während der Operation zu messen. Mit einem Index ähnlich wie Wavelet Entropie, können drahtlose EEG-Geräte verwendet werden, um bequem zu überwachen eine individuelle tägliche Meditation Praxis oder andere mentale Ausbildung für pädagogische Zwecke. Dennoch, weil ein drahtloses EEG in der Regel nur stabil die Kanäle in der Stirn messen kann, müssen wir untersuchen, ob diese Kanäle empfindlich genug sind, um den Zustand des Geistes zu überwachen.

Die kritischen Schritte dieses Verfahrens beinhalten das Halten der Hautimpedanz für jede Elektrode niedrig für eine bessere Signalqualität und weniger Rauschen; Angemessene und ordnungsgemäß durchzuführende MBSR-Ausbildung; Sicherstellung eines guten, nicht ermüdeten Geisteszustandes vor dem Experiment, da Meditation große Energie erfordert; Auswahl des richtigen Entropieindex (Wavelet Entropie); Und mit der SPM-Quellenanalyse von EEG-Daten vertraut zu sein.

Disclosures

Die Autoren erklären, dass sie keine konkurrierenden finanziellen Interessen haben.

Acknowledgements

Diese Studie wurde vom SPF-201209176152 Fonds an der Universität von Hongkong unterstützt. Wir danken Dr. Helen Ma für den Unterricht und die Rekrutierung von MBSR-Teilnehmern.

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