Usando a Entropia Wavelet para Demonstrar Como a Prática da Atenção Plena aumenta a Coordenação entre Atividades Cerebrais e Cardíacas Irregulares

Behavior
 

Summary

Este manuscrito descreve como usar o índice de entropia wavelet para analisar dados de eletrencefalografia de alta densidade (EEG) e eletrocardiograma (ECG). Mostramos que a irregularidade das atividades cerebrais e cardíacas se tornou mais coordenada durante a prática de redução do estresse baseada na atenção plena.

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

Tanto no Oriente quanto no Ocidente, os ensinamentos tradicionais dizem que a mente eo coração estão de alguma forma estreitamente correlacionados, especialmente durante a prática espiritual. Uma dificuldade em provar isso objetivamente é que as naturezas das atividades do cérebro e do coração são bem diferentes. Neste artigo, propomos uma metodologia que utiliza a entropia wavelet para medir os níveis caóticos dos dados do eletroencefalograma (EEG) e do eletrocardiograma (ECG) e mostrar como isso pode ser usado para explorar a coordenação potencial entre a mente eo coração sob diferentes condições experimentais . Além disso, o mapeamento estatístico paramétrico (SPM) foi utilizado para identificar as regiões cerebrais em que a entropia wavelet EEG foi a mais afetada pelas condições experimentais. Como ilustração, o EEG eo ECG foram registrados sob duas condições diferentes (repouso normal e respiração consciente) no início de um curso padrão de 8 semanas de redução de estresse baseado em Mindfulness (MBR) (pré-teste) e após o cOurse (pós-teste). Utilizando o método proposto, os resultados mostraram consistentemente que a entropia wavelet do EEG do cérebro diminuiu durante o estado de respiração consciente MBSR quando comparada com aquela durante o estado de repouso dos olhos fechados. Similarmente, uma entropia wavelet inferior do heartrate foi encontrada durante a respiração consciente MBSR. No entanto, não houve diferença na entropia wavelet durante MBSR respiração consciente foi encontrado entre o pré-teste e pós-teste. Não houve correlação entre entropia de ondas cerebrais e entropia de heartrate durante o repouso normal em todos os participantes, enquanto que uma correlação significativa foi observada durante MBSR respiração consciente. Além disso, as regiões cerebrais mais bem correlacionadas foram localizadas nas áreas centrais do cérebro. Este estudo fornece uma metodologia para o estabelecimento da evidência que a prática do mindfulness ( isto é, a respiração consciente) pode aumentar a coordenação entre atividades da mente e do coração.

Introduction

Com os avanços em neurociência e medicina 1 , estamos em uma posição muito melhor para entender os benefícios não-farmacológicos da atenção plena e meditação em doenças mentais e físicas. Numerosos estudos têm demonstrado que Mindfulness-based Stress Reduction (MBSR) formação como um tipo de exercício mental pode ativamente reduzir estresse desnecessário na mente e no corpo 2 . Durante a prática da meditação, o corpo ea mente podem tornar-se mais arrastados. Essas questões têm atraído o interesse da comunidade acadêmica e do público em geral e nos motivaram a desenvolver uma metodologia para explorar a coordenação potencial entre mente e corpo (ou mais especificamente, entre o cérebro e o coração) sob diferentes condições para avaliar o efeito Treinamento e prática de MBSR.

A irregularidade dos eletroencefalogramas (EEG) é geralmente considerada como ruído na análise do espectro EEG convencional, bPode conter informações úteis e pode ser medido por entropia de sinal. A entropia EEG tem sido usada como um índice de condições clínicas como epilepsia, doença de Alzheimer e anestesia, e algumas evidências sugerem que a entropia do EEG pode ser uma medida mais sensível para monitorar os estados cerebrais do que a análise tradicional do espectro EEG 3 , 4 . A entropia tem sido usada há muito tempo na termodinâmica como um índice para descrever o estado caótico de um sistema. As ondas cerebrais medidas pelo EEG são conhecidas por sua atividade dinâmica devido às redes cerebrais que operam entre ordem e caos 5 . Entre os vários tipos de entropia, entropia wavelet oferece um método para calcular a entropia de energias sob diferentes escalas de observação, o que é bem adequado para a análise de sinais EEG com características altamente variadas em diferentes escalas. Para um sinal completamente aleatório, as energias relativas em diferentes níveis de resolução serãoMesmo, ea entropia atingirá seu máximo. Assim, a entropia wavelet serve como uma medida de atividades caóticas em EEG e pode ser usado como um índice para diferenciar diferentes estados mentais 6 .

Estudos anteriores de eletrocardiograma (ECG) forneceram evidências consistentes de mudanças relacionadas à meditação na variabilidade do heartrate quando comparado aos estados pré-meditação 7 . Os batimentos cardíacos são regulados pelo sistema nervoso autónomo (incluindo o simpático e parassimpático). O tom autonômico é modulado pelas interações entre o gânglio; Sino-auricular nó; Nervos vago; E estruturas cerebrais de ordem superior, como a medula oblonga, a ínsula e o sistema límbico. Essas estruturas formam um sistema hierárquico, e sua atividade não-linear pode ser medida através da entropia 8 . Por exemplo, as explosões neurais em estruturas cerebrais de ordem superior podem influenciar o ritmo do heartrate 9 .Em condições clínicas, distúrbios cerebrais como convulsões epilépticas interrompem o ritmo cardíaco 10 . Neurocardiologia investigação também sugere uma estreita interação entre o coração eo cérebro [ 11] .

Uma dificuldade em examinar a associação entre sinais cerebrais e cardíacos é que eles são muito diferentes no conteúdo de sinal e escala de tempo. Por isso, um grande desafio é identificar uma medida comum que não é aplicável apenas aos sinais cerebrais e cardíacos, mas também significativa para a interpretação no contexto da coordenação mente-corpo. Neste artigo, propomos o uso da entropia wavelet para detectar a possível coordenação entre as irregularidades no cérebro e as atividades cardíacas, correlacionando as entropias dos sinais EEG e heartbeat, que podem ser avaliadas por meio de uma experiência MBSR.

Porque MBSR envolve a prática da atenção plena no corpo e na mente, nós hipotetizamos que MBSR respiração consciente prPode afetar não apenas a atividade cerebral, mas também o batimento cardíaco. Estudos anteriores investigaram principalmente o efeito do treinamento e / ou prática da atenção plena no cérebro ou no coração separadamente e com base em diferentes aspectos; As mudanças simultâneas nesses dois sistemas estreitamente relacionados permanecem em grande parte inexploradas. Apenas alguns estudos relataram melhor coordenação do corpo e da mente após o treinamento com atenção plena 12 . Utilizando a metodologia proposta, os resultados representativos e um estudo anterior 13 mostraram que o treinamento MBSR de atenção plena pode aumentar a coordenação do corpo e da mente em termos de suas atividades caóticas, o que pode oferecer uma nova visão sobre os efeitos do treinamento mindfulness no centro e periféricos Sistema nervoso.

Protocol

Este estudo de pesquisa foi aprovado pelo Conselho de Revisão Institucional da Universidade de Hong Kong. Todos os participantes forneceram seu consentimento informado por escrito antes de participar deste estudo.

1. Desenho experimental

tabela 1
Tabela 1. Visão Geral do Curso MBSR. O curso de treinamento de MBSR de 8 semanas tomado pelos participantes.

  1. Recrutar participantes.
    NOTA: Onze adultos saudáveis ​​(cinco mulheres) de um curso MBSR local participaram deste estudo EEG e foram 28 - 52 anos de idade. O participante com depressão baseado no Inventário de Depressão de Beck foi excluído do estudo. O curso seguiu o treinamento padrão de MBSR ( Tabela 1 ), e os participantes tiveram que se comprometer com a estrutura de treinamento.
  2. EEG sistema de gravação.
    1. Conduza a gravação do EEG em uma sala silenciosa usando um EEG de 128 canaisYstem constituído por uma tampa EEG, amplificador, caixa de entrada e computador desktop.

2. Aquisição de dados EEG e ECG

NOTA: A coleta de dados do EEG seguiu um procedimento padrão similar ao método descrito anteriormente 14 . Peça a cada participante para lavar o seu cabelo e couro cabeludo limpo antes de chegar ao local experimental. Informar o participante sobre os procedimentos experimentais, principalmente que ele / ela vai descansar normalmente por 10 min e fazer a respiração consciente por mais 10 min enquanto está sendo gravado com dispositivos EEG e ECG.

  1. Limpe a área do rosto e mastóide do participante com cotonetes com álcool.
  2. Usando uma fita métrica, medir a circunferência da cabeça do participante e, em seguida, escolher uma tampa de tamanho adequado. Faça exame de uma medida do nasion ao inion e a outra medida através da parte superior das orelhas e sobre o scalp. Marque o vértice (o ponto a meia distância entre aD inião e meia distância entre as duas orelhas) com um marcador suave.
  3. Ajuste as posições dos eléctrodos de acordo com os sistemas de eléctrodos 10-5 15 . Posicione a tampa de tal forma que o eletrodo Cz está acima do vértice, o eletrodo Nz está no nasion, o eletrodo Lz está na inião, o eletrodo RM está no mastóide direito e o eletrodo LM está no mastóide esquerdo .
    1. Coloque os eléctrodos ECG nas fossas infraclavicular esquerda e direita.
    2. Encha os suportes dos eléctrodos com gel utilizando uma seringa de ponto rombo.
    3. Mantenha a impedância abaixo de 20 kΩ para cada eletrodo. Reduza a impedância ajustando a colocação do eléctrodo para aumentar o contacto com o couro cabeludo; Adicione mais gel, se necessário.
    4. Aperte o chinstrap e peça ao participante para permanecer quieto.
    5. Defina a taxa de amostragem do dispositivo EEG para 1.000 Hz. Use o mastóide esquerdo como ponto de referência original.
  4. Registre os dados do EEG (etapa 1.2.1) no início do curso MBSR (dentro de 2 semanas).
    1. Peça ao participante que realize uma breve varredura corporal para relaxar todo o corpo. Peça ao participante que preste atenção à respiração enquanto respira e expira. Cada participante deve realizar 10 min de respiração consciente MBSR (condição de atenção plena MBSR) e 10 min de descanso normal (condição de controle) durante a coleta de dados EEG. Isso gera um conjunto de dados de treinamento pré-MBSR com duas condições.
      NOTA: Contrabalançar a seqüência de respiração consciente e repouso normal entre os participantes.
  5. Registre os dados do EEG novamente cerca de 1 mês após os participantes completarem o curso MBSR.
    1. Peça a cada participante para realizar 10 min de respiração consciente e 10 min de descanso normal durante a coleta de dados EEG. Isso gera um conjunto de dados de treinamento pós-MBSR com duas condições.

3. EEG e análise de dados ECG

NOTA: Os primeiros quatro passos sãoPara o pré-processamento de dados, e os passos restantes são para computação de entropia wavelet e análise de correlação. Aqui, um software open-source chamado EEGLAB 16 foi usado para análise de EEG, mas as operações devem ser semelhantes em diferentes softwares. A seguir, as operações baseadas em EEGLAB serão fornecidas como exemplo. Consulte o manual EEGLAB para obter detalhes (https://sccn.ucsd.edu/wiki/EEGLAB_Wiki#EEGLAB_Tutorial).

  1. Use o software EEG para reamostragem dos dados a 250 Hz selecionando Ferramentas> Alterar taxa de amostragem. Utilize o filtro de Resposta de Impulso Finito (FIR) para a filtragem de banda passada com uma faixa de 0,5 a 100 Hz, selecionando Ferramentas> Filtrar os dados> Filtro FIR básico.
    1. Para reduzir o ruído devido à corrente alternada da rede específica para cada país, utilize o filtro curto, não linear, Infinite Impulse Response (IIR) para filtragem de entalhe com uma banda de interrupção de 47-53 Hz, seleccionando Ferramentas> Filtrar os dados> Curto não linearIIR. Isto abrange todas as frequências relevantes na análise de espectro enquanto remove ruídos desnecessários.
  2. Use o software EEG para percorrer visualmente e inspecionar o sinal EEG selecionando Plot> Channel data (scroll).
    1. Identificar e excluir segmentos de EEG que contenham ruído muscular óbvio e quaisquer outros eventos estranhos. Clique com o botão esquerdo do mouse e arraste o mouse sobre segmentos ruins para realçá-los e depois "excluir" ou "rejeitar" os segmentos usando o software EEG.
      NOTA: Atividades musculares como a deglutição ou a expressão facial geralmente geram sinais descontínuos e irregulares. Eventos estranhos são geralmente causados ​​por movimentos da cabeça ou do corpo, que muitas vezes levam a mudanças significativas (em baixas freqüências) do sinal EEG.
    2. Determine se há algum canal incorreto. Reconstrua cada canal incorreto usando o método de interpolação esférica selecionando Ferramentas> Interpolar canal.
  3. Use o software EEG para executar(ICA) sobre os dados selecionando Ferramentas> Executar ICA. Peça a um operador experiente de EEG que identifique visualmente e descarte os componentes do movimento dos olhos e piscando, movimentos musculares e componentes de outros possíveis ruídos, selecionando Ferramentas> Rejeitar dados usando ICA> Rejeitar componentes por mapa; Ferramentas> Remover componentes. O software EEG irá reconstruir os dados automaticamente usando os componentes retidos.
  4. Use o software EEG para rereferir os dados para a média de todos os canais antes de continuar a análise selecionando Ferramentas> Re-referência.
  5. Análise espectro.
    1. Utilize a função de linha de comando do software EEG "spectopo" para calcular os espectros de EEG usando a estimativa da densidade espectral de potência de Welch 18 e obtenha as potências de log (dB) de delta (1-4 Hz), theta (4-8 Hz), alfa 8 - 12 Hz), beta (12 - 30 Hz) e gama (30 - 80 Hz).
    2. Calcular a relação poWer de cada tipo de onda 18 ( ou seja, a proporção de potência na respectiva banda de frequência em relação à potência total do espectro).
  6. Executar a análise da fonte de EEG usando a aproximação estatística do mapeamento paramétrico (SPM).
    1. Utilize a estimativa de normalização mínima 19 para transformar os sinais EEG dos eletrodos do couro cabeludo em sinais de fonte cerebral 3D.
      NOTA: Aqui, o número original do canal era 122, e foi transformado em 8.196 canais distribuídos no modelo tridimensional do cérebro. O nível de significância foi fixado em p = 0,01. Consulte a análise da fonte no manual SPM (www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf).
  7. Calcular a entropia wavelet para cada canal EEG (bem como para o sinal estimado de fonte cerebral tridimensional) usando o seguinte procedimento:
    1. Dado um sinal Equação 1 ,Calcular os coeficientes de wavelet como Equação 2 , Onde Equação 3 É uma base ortonormal da família de wavelets Haar e Equação 4 Representa os níveis de decomposição ( N = 10 neste estudo).
    2. Defina a energia relativa como Equação 5 Com Equação 6 .
    3. Calcule a entropia wavelet como Equação 7 . Média da entropia wavelet para todos os canais para obter a entropia wavelet EEG para cada participante.
  8. Use o pacote de software para realizar uma análise de pico sobre os dados do ECG para obter o sinal de pulsação, que consiste no número de picos de onda do ECG e no intervalo entre os picos.
    NOTA: AssumindoUm heartrate normal de 60-100 batimentos / min no descanso normal e nos estados respirando conscientes, o número de instâncias do heartbeat N por uma duração de 10 min deve ser relativamente pequeno, satisfazendo 600 < N <1,000.
    1. Para obter entropia de wavelet confiável a partir do sinal de pulsação, use uma janela deslizante de 500 pontos e um incremento de passo de 10 pontos para calcular uma série de entropias wavelet usando o mesmo procedimento do EEG, elaborado na seção 3.7. Utilize o valor médio como a entropia wavelet final.
  9. Analisar a correlação cerebral e cardíaca entre indivíduos entre a entropia wavelet de ECG e a de EEG em cada canal do couro cabeludo usando qualquer software estatístico que tenha uma função de correlação de Pearson.
    1. Use a função de linha de comando do software EEG "topoplot" para construir um mapa estatístico do couro cabeludo para a correlação. Traçar um gráfico de correlação linear com a entropia da frequência cardíaca ea entropia EEG média de apenas aqueles chaQue estão significativamente correlacionados com a entropia do coração (veja a seção Resultados Representativos).

Representative Results

Análise de espectro

Na análise de espectro de dados de EEG, em comparação com o repouso normal, houve ondas aumentadas de alfa (8 - 12 Hz) e beta (12 - 30 Hz) e reduzidas delta (1 - 4 Hz) durante a respiração consciente MBSR. O incremento das ondas alfa foi globalmente significativo, especialmente nos lobos frontal e occipital, enquanto que o incremento das ondas beta ocorreu principalmente no lobo frontal. Diminuição das ondas delta foram observadas nas áreas central-parietal ( Figura 1 ). Entretanto, não encontramos mudanças significativas entre o treinamento pré e pós-MBSR.

figura 1
Figura 1. Análise de Espectro de MBSR Respiração consciente e condições de repouso normal. A análise de espectro mostra que a prática de MBSR pode alterar as atividades cerebrais, como indicado pelas diferentesEspectros de EEG. Fonte original: Referência 13 . Clique aqui para ver uma versão maior desta figura.

A Figura 2 ilustra a região de interesse definida: o lobo occipital (canais N19 - 21, N41 - 46, N67 - 72, N96 - 100 e N119), o lobo frontal médio (canais N53 - 61 e N79 - 83) e O lobo parietal médio (canais N48 - 50, N64 - 66 e N74 - 76). A Tabela 2 mostra a potência de cada espectro ea entropia sob respiração consciente MBSR e condições normais de repouso, juntamente com o valor p do teste t da diferença entre as duas condições para cada região de interesse. Combinamos os dados EEG de treinamento pré e pós-MBSR, uma vez que não houve diferença entre os dois estágios.


Figura 2. Região de interesse definida. As áreas definidas dos canais de EEG que representam o lobo frontal médio, o lobo parietal médio e o lobo occipital. Clique aqui para ver uma versão maior desta figura.

</ Tr> 0,0125
Delta Teta Alfa Beta Gama Entropia
Lobo Frontal Médio 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
Descansar 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-valor 0,0243 0,6555 0,0085 0,0114 0,4419 0,0084
Lobo occipital 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
Descansar 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-valor 0,0134 0,1213 0,0796 0,8936 0,0098
Lobo parietal 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
Descansar 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-valor 0,0157 0,0963 0,0177 0,1507 0,2878 0,0368

Tabela 2. Espectro e Entropia em Áreas Cerebrais. MBSR respiração consciente e condições normais de descansoSão comparadas entre as três Regiões de Interesse (ROI) predefinidas.

Análise de entropia de wavelets

A análise da entropia wavelet do EEG mostrou diminuição da entropia EEG durante a respiração consciente MBSR em comparação com o resto normal, tanto para o treinamento pré e pós-MBSR. Como não houve diferença significativa entre os dois estágios, eles foram mesclados para produzir um mapa médio (mostrado na terceira fileira da Figura 3 ). As principais áreas com entropia diminuída foram no lobo frontal e no lobo parietal-occipital.

Figura 3
Figura 3. Análise de entropia de Wavelet. Rest 1 e MBSR 1 denotam treinamento pré-MBSR, enquanto Rest 2 e MBSR 2 denotam treinamento pós-MBSR. A análise de entropia de Wavelet mostra que a prática de MBSR pode reduzir aCérebro atividades eletrônicas. Fonte original: Referência 13 . Clique aqui para ver uma versão maior desta figura.

Análise de fonte de entropia de onda

Fonte análise dos sinais EEG pode melhorar a resolução espacial por deconvolving o couro cabeludo EEG em atividades elétricas sobre a superfície cortical 20 . A análise mostra que as principais regiões cerebrais afetadas pelo treinamento de atenção plena MBSR estavam no lobo occipital meio-esquerdo, precuneus, lobo temporal superior e fusiforme esquerdo ( Figura 4 ). Na Tabela 3 , para os quatro rótulos anatômicos obtidos a partir da análise da fonte, fornecemos resultados de teste t para a diferença nas entropias de dois estados diferentes, MBSR estado de atenção plenaVersus repouso normal.

Figura 4
Figura 4. Análise de origem. A análise da fonte mostra que as entropias de várias regiões cerebrais (destacadas em vermelho) diminuem durante o estado de respiração consciente MBSR. Clique aqui para ver uma versão maior desta figura.

Rótulo anatômico Voxels Xyz Valor t
Giro temporal médio L 1.728 -44 -60 16 3,77
Precuneus R 1.324 2 -56 28 3,63
Occipital L 749 -2 -102 -12 3,61
Fusiforme 142 -102 3,51

Tabela 3. Relatório de Análise de Origem. Regiões cerebrais anatômicas com diferenças significativas na entropia entre respiração consciente MBSR e condições de repouso normal. L, o lado esquerdo do cérebro. R, o lado direito do cérebro ( p <0,001, t- teste, não corrigido).

Entropia de Ondulação de Onda Cardíaca

A análise não revelou diferença significativa no heartrate médio, mas a entropia do heartrate foi menor durante a respiração consciente MBSR, antes e após o treinamento MBSR ( Tabela 4 ).

Rest1 MBSR1 Rest2 MBSR2
Freqüência cardíaca (batimentos por minuto) 68,2 ± 9,5 67,7 ± 9,3 71,8 ± 8,1 70,7 ± 8,4
Entropia de Ondulação de Onda Cardíaca 0,89 ± 0,05 0,79 ± 0,11 * 0,89 ± 0,07 0,80 ± 0,12 #

Tabela 4. Heartrate e Heartote Wavelet Entropia de MBSR Mindful Respiração e condições de repouso normal. As duas condições são comparadas no treinamento pré e pós-MBSR. * Diferença significativa ( p <0,05) entre o Descanso 1 eo MBSR 1. # Diferença significativa ( p <0,05) entre o Descanso 2 e o MBSR 2.

CorrelaçãoEntre as atividades do coração e do cérebro

Dada a ligação potencial entre o cérebro e o coração, analisamos a correlação entre a entropia EEG do cérebro inteiro ( isto é, a média das entropias EEG sobre todos os canais EEG para um único sujeito) ea entropia do heartrate durante a respiração consciente MBSR e estados normais de repouso . As entropias do cérebro e do coração foram significativamente correlacionadas durante a respiração consciente MBSR, mas não durante o repouso normal. Conforme mostrado na parte superior da Figura 5 , o significado da correlação entre a entropia do EEG em cada canal ea entropia do coração é mais proeminente na parte central do cérebro. O gráfico inferior mostra a correlação entre a entropia do EEG nas regiões centrais (média dos canais pontilhados que estão significativamente correlacionados com a entropia do coração) ea entropia do coração.


Figura 5. Correlação entre as Entropias Wavelet de Atividades Eletrônicas do Coração e Cérebro. A entropia wavelet da atividade cerebral é a média dos canais significativos na região central, como mostrado na figura superior direita. A entropia wavelet do coração é baseada no intervalo de heartrate. A correlação (painel inferior) é calculada em todos os sujeitos para os resultados de treinamento pré e pós-MBSR. Fonte original: Referência 13 . Clique aqui para ver uma versão maior desta figura.

Discussion

Este EEG estudo fornece evidência concreta de que, em comparação com o resto normal, MBSR respiração consciente aumenta as ondas alfa nos lobos frontal e occipital. Isto está em linha com a maioria dos relatórios sobre o aumento das ondas alfa durante a meditação, especialmente em iniciantes 21 . As ondas alfa geralmente indicam um estado de excitação e vigilância e liberdade de qualquer tarefa específica. Esse estado mental é um dos objetivos da meditação; Ou seja, manter a mente limpa e afiada, livre de qualquer vôo de fantasia ou de adormecer. A sincronia de ondas alfa melhorada durante a prática MBSR também pode melhorar a coordenação entre mente e corpo 22 .

As atividades eletrônicas do vasto número de neurônios no cérebro formam um sistema hierárquico não-linear, e sua irregularidade pode ser bem medida pela entropia 8 . Descobrimos que durante a prática MBSR, a irregularidade do cérebro elétrAs atividades onic diminuiu em uma grande parte do EEG do couro cabeludo, especialmente nas regiões do pólo frontal e occipital bilateral. A análise adicional da fonte da entropia de wavelet mostrou que a irregularidade das atividades occipital e precuneus foi reduzida durante a prática de MBSR. Outras áreas envolvidas incluem o cíngulo médio direito e o lobo temporal superior. Isto está em linha com outro estudo que indica que a substância cinzenta aumenta no precuneus após o treinamento de MBSR 23 . Os praticantes avançados de meditação geralmente têm ondas gamma EEG parieto-occipitais maiores durante o sono não rápido do movimento ocular 1 . Uma característica importante do treinamento MBSR é não julgamento do fluxo de informação mente / cérebro. Isso pode potencialmente reduzir a irregularidade das atividades cerebrais. Como uma fonte de informação principal no cérebro é o córtex visual, é plausível que as regiões cerebrais relacionadas ao visual sejam mais afetadas pela prática do MBSR do que outras regiões regioNs. Isso permite que a mente se torne menos responsiva a informações irrelevantes e preste mais atenção à respiração consciente.

A análise de entropia de wavelet mostrou menos irregularidade do heartrate durante a respiração consciente em comparação com o estado de repouso normal, o que implica um equilíbrio mais refinado do sistema nervoso autônomo devido a interações relativamente inabalável entre tons parasimpáticos e simpáticos. A respiração consciente pode também afetar o heartrate porque os aferentes sensoriais do pulmão enviam projeções inibitórias aos neurônios motores vagal cardíacos no mid-brain, que inibem o heartrate através do nervo vago 24 . A interação cardiorrespiratória é mediada pelo tronco encefálico e sistema límbico no cérebro 25 . Dada a conexão entre o sistema nervoso central ea atividade cardíaca, é plausível que, treinando a mente, MBSR ou outras práticas de meditação também podem influenciar outras funções do corpo, comoRedefinindo a sensibilidade barorreflexa, melhorando a eficiência de troca gasosa nos pulmões e equilibrando o sistema nervoso autônomo 26 .

A conexão mente-corpo é enfatizada em muitas tradições orientais. Nesse sentido, nosso estudo fornece a primeira evidência objetiva em termos de entropia. As irregularidades das atividades do cérebro e do coração se tornaram mais coordenadas durante a prática de MBSR ea coordenação foi maior nas regiões somatossensoriais bilaterais. Esta região é diretamente responsável pela entrada e movimento sensorial do corpo, e essa coordenação aumentada implica maior consciência do corpo durante a prática de MBSR. Foi constatado que o treinamento de atenção plena aumentava as atividades das áreas viscerosomáticas em um estudo funcional de ressonância magnética, que apresentava melhor resolução espacial do que o EEG 27 . Nossos resultados sugerem que o cérebro e o coração podem se tornar mais arrastados durante a prática MBSR, descarregando entropia desnecessária no sistema Up class = "xref"> 28. Porque a pulsação do coração é regulada pelo sistema nervoso autónomo, em que o tom autonómico é modulado pelas interacções entre o gânglio; Sino-auricular nó; Nervos vago; E as estruturas cerebrais de ordem superior, como a medula oblonga, a ínsula e o sistema límbico, os sistemas nervoso autônomo e central podem muito bem se tornar mais coordenados durante a prática MBSR.

Um passo importante em um estudo como o nosso é escolher o índice de entropia certo para medir a irregularidade do EEG e ECG. Ao contrário de Renu Madhavi et al ., Que usaram a entropia aproximada 29 , optamos por usar a entropia wavelet para focar na complexidade entre as energias em diferentes escalas. Como as atividades eletrônicas do cérebro se originam de um grande número de neurônios que têm características diferentes em diferentes escalas e espectros, a entropia wavelet deve ser mais adequada para medir a irregularidade do EEG> 30. Da mesma forma, o heartrate instantâneo também tem características diferentes em escalas de tempo diferentes, por isso é razoável aplicar entropia wavelet para ECG 31 . Além disso, a entropia de Shannon ea entropia aproximada são sensíveis à freqüência de amostragem, e a entropia aproximada requer grandes tempos de computação que aumentam exponencialmente com o comprimento dos dados, isto além do cálculo no espaço fonte.

Vale a pena notar várias limitações do presente estudo. Primeiro, a resolução espacial do EEG do couro cabeludo é relativamente pobre, apesar de sua alta resolução temporal. Para tratar disso, a análise da fonte foi aplicada em nosso estudo. A reconstrução da fonte de EEG é um problema mal posicionado, e uma abordagem alternativa é ter priores espaciais de estudos anteriores de Ressonância Magnética Funcional (fMRI), o que pode ajudar a melhorar a precisão da reconstrução 32,33. Outra limitação é tA coordenação entre as atividades do cérebro e do coração foi avaliada entre sujeitos; A coordenação dentro do sujeito é deixada para estudos futuros. Além disso, a entropia do ECG não é derivada diretamente do sinal de ECG, mas sim do intervalo de heartrate, porque a amplitude de ECG pode ser muito influenciada pela posição do eletrodo e impedância da pele e, portanto, não é comparável entre os sujeitos.

Estudos anteriores geralmente realizaram uma análise de espectro do sinal EEG, descartando irregularidade no EEG como ruído. Em contraste, propomos usar a entropia wavelet como um índice mais sensível para medir as atividades eletrônicas caóticas do cérebro como reflexo do estado mental. A metodologia proposta fornece evidência objetiva da suposição tradicional de que a mente eo coração são mais coordenados durante a meditação.

Como a entropia wavelet pode monitorar o estado de meditação com bastante sensibilidade, ela pode ser usada no traini mentalNg, assim como a entropia é utilizada na prática clínica para medir o nível de anestesia durante a cirurgia. Usando um índice semelhante à entropia wavelet, dispositivos de EEG sem fio podem ser usados ​​para monitorar convenientemente a prática de meditação diária de um indivíduo ou outro treinamento mental para fins educacionais. No entanto, como um EEG sem fio geralmente só pode medir os canais na testa de forma estável, precisamos explorar se esses canais são sensíveis o suficiente para monitorar o estado de espírito.

Os passos críticos deste procedimento incluem manter a impedância da pele para cada eléctrodo baixo para uma melhor qualidade do sinal e menos ruído; Apropriadamente e devidamente conduzir treinamento MBSR; Garantindo um estado mental bom, não fatigado antes do experimento, como a meditação requer grande energia; Escolhendo o índice de entropia adequado (entropia wavelet); E estar familiarizado com a análise da fonte SPM de dados de EEG.

Disclosures

Os autores declaram que não têm interesses financeiros concorrentes.

Acknowledgements

Este estudo foi apoiado pelo fundo SPF-201209176152 na Universidade de Hong Kong. Agradecemos ao Dr. Helen Ma por ensinar o curso e recrutar participantes do 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