Utilizzare l'entropia di Wavelet per dimostrare come la pratica di consapevolezza aumenta il coordinamento tra attività cerebrale irregolare e cardiache

Behavior
 

Summary

Questo manuale descrive come utilizzare l'indice di entropia wavelet per analizzare dati elettroencefalografici ad alta densità (EEG) e elettrocardiografia (ECG). Mostriamo che l'irregolarità delle attività cerebrali e cardiache è diventata più coordinata durante la pratica di riduzione dello stress basato sulla mentalità.

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

In entrambi l'Oriente e l'Occidente, gli insegnamenti tradizionali dicono che la mente e il cuore sono in qualche modo strettamente correlati, soprattutto durante la pratica spirituale. Una difficoltà a dimostrarlo in modo oggettivo è che le nature delle attività del cervello e del cuore sono molto diverse. In questo articolo si propone una metodologia che utilizza l'entropia del wavelet per misurare i livelli caotici di dati di elettroencefalogramma (EEG) e di elettrocardiogramma (ECG) e mostrare come questo possa essere utilizzato per esplorare il potenziale coordinamento tra la mente e il cuore in condizioni sperimentali differenti . Inoltre, è stata utilizzata la mappatura parametrica statistica (SPM) per identificare le regioni del cervello in cui l'entropia del wavelet di EEG è stata la più influenzata dalle condizioni sperimentali. Come illustrazione, l'EEG e l'ECG sono stati registrati in due differenti condizioni (riposo normale e respirazione mentale) all'inizio di un corso di formazione a 8 anni di base basato su Mindfulness (MBSR) e dopo la cOurse (posttest). Utilizzando il metodo proposto, i risultati hanno dimostrato costantemente che l'entropia del wavelet del cervello EEG è diminuita durante lo stato di respirazione mentale MBSR rispetto a quella durante lo stato di riposo di un occhio chiuso. Allo stesso modo, una entropia inferiore di wavelet di heartrate è stata trovata durante MBSR respirazione mentale. Tuttavia, nessuna differenza nell'entropia dei wavelet durante respiratori mentali MBSR è stata trovata tra il pretest e il posttest. Nessuna correlazione è stata osservata tra l'entropia delle onde cerebrali e l'entropia del cuore durante il normale riposo in tutti i partecipanti, mentre una correlazione significativa è stata osservata durante la respirazione mentale MBSR. Inoltre, le regioni del cervello più correlate si trovavano nelle aree centrali del cervello. Questo studio fornisce una metodologia per la creazione di prove che la pratica di consapevolezza ( ossia, la respirazione mentale) può aumentare il coordinamento tra attività mentale e cuore.

Introduction

Con i progressi nella neuroscienza e nella medicina 1 , siamo in una posizione molto migliore per comprendere i benefici non farmacologici della consapevolezza e della meditazione sulle malattie mentali e fisiche. Numerosi studi hanno dimostrato che la formazione di riduzione dello stress basato su Mindfulness (MBSR) come una sorta di esercizio mentale può attivamente ridurre lo stress non necessario nella mente e nel corpo 2 . Durante la pratica della meditazione, il corpo e la mente possono diventare più entusiasti. Questi temi hanno attirato l'interesse della comunità accademica e del grande pubblico e ci hanno motivato a progettare una metodologia per esplorare il potenziale coordinamento tra la mente e il corpo (o più specificamente, tra il cervello e il cuore) in condizioni diverse per valutare l'effetto Della formazione e della pratica MBSR.

L'irregolarità degli elettroencefalogrammi (EEG) è di solito considerata rumore nell'analisi classica di spettro EEG, bUt può contenere informazioni utili e può essere misurata mediante entropia del segnale. L'entropia di EEG è stata utilizzata come indice di condizioni cliniche come l'epilessia, la malattia di Alzheimer e l'anestesia, e alcune prove suggeriscono che l'entropia dell'EEG può essere una misura più sensibile per il monitoraggio degli stati del cervello rispetto alla tradizionale analisi del spettro EEG 3 , 4 . L'entropia è stata da tempo utilizzata in termodinamica come indice per descrivere lo stato caotico di un sistema. Le onde cerebrali misurate dall'EEG sono noti per la loro attività dinamica a causa delle reti cerebrali che operano tra ordine e caos 5 . Tra i vari tipi di entropie, l'entropia del wavelet offre un metodo per calcolare l'entropia delle energie in diverse scale di osservazione, che è adatto per analizzare i segnali EEG con caratteristiche molto variabili in diverse scale. Per un segnale completamente casuale, le energie relative a differenti livelli di risoluzione saranno ilLo stesso, e l'entropia raggiungerà il suo massimo. Quindi, l'entropia del wavelet funge da misura di attività caotiche in EEG e può essere usata come indice per differenziare stati diversi della mente 6 .

Precedenti studi sull'elettrocardiogramma (ECG) fornivano una prova coerente dei cambiamenti della meditazione nella variabilità cardiaca rispetto agli stati di pre-meditazione 7 . Il battito cardiaco è regolato dal sistema nervoso autonomo (compreso il simpatico e parasimpatico). Il tono autonomo è modulato dalle interazioni tra il ganglio; Nodo sino-auricolo; Nervi vagus; E le strutture cerebrali di ordine superiore, come l'oblongata medulla, l'insula e il sistema limbico. Queste strutture formano un sistema gerarchico e la sua attività non lineare può essere misurata attraverso l'entropia 8 . Ad esempio, le esplosioni neurali nelle strutture cerebrali di ordine superiore possono influenzare il ritmo cardiaco 9 .Nelle condizioni cliniche, i disturbi cerebrali come crisi epilettiche interferiscono con il ritmo cardiaco 10 . La ricerca sulla neurocardiologia suggerisce anche una stretta collaborazione tra il cuore e il cervello 11 .

Una difficoltà nell'esaminare l'associazione tra i segnali del cervello e del cuore è che sono piuttosto differenti nel contenuto del segnale e nella scala temporale. Di conseguenza, una grande sfida consiste nell'individuare una misura comune non solo applicabile ai segnali del cervello e del cuore, ma anche significativa per l'interpretazione nel contesto del coordinamento mentale-corpo. In questo articolo proponiamo l'uso dell'entropia dei wavelet per individuare il possibile coordinamento tra irregolarità nelle attività del cervello e del cuore, correlando le entropie dell'EEG e dei segnali del battito cardiaco, che possono poi essere valutati mediante un esperimento MBSR.

Poiché MBSR coinvolge la pratica di consapevolezza sia nel corpo che nella mente, ipotizziamo che la MBSR mentale respiri prActice può influenzare non solo l'attività del cervello, ma anche il battito cardiaco. Studi precedenti studiarono principalmente l'effetto della formazione e / o della pratica della mente sul cervello o sul cuore separatamente e basati su aspetti diversi; Le modifiche simultanee in questi due sistemi strettamente correlati rimangono in gran parte inesplorate. Solo pochi studi hanno segnalato un migliore coordinamento del corpo e della mente dopo la formazione di consapevolezza 12 . Utilizzando la metodologia proposta, i risultati rappresentativi e uno studio precedente 13 hanno mostrato che la formazione di attenzione di MBSR può aumentare il coordinamento del corpo e della mente in termini di attività caotiche, che possono offrire una nuova visione degli effetti della formazione di consapevolezza sul sistema centrale e periferico Sistemi nervosi.

Protocol

Questo studio di ricerca è stato approvato dall'Università di Hong Kong. Tutti i partecipanti hanno fornito il loro consenso informato scritto prima di partecipare a questo studio.

1. Disegno sperimentale

Tabella 1
Tabella 1. Panoramica del corso MBSR. Il corso di formazione MBSR di 8 settimane adottato dai partecipanti.

  1. Recluta i partecipanti.
    NOTA: undici adulti sani (cinque femmine) da un corso MBSR locale hanno partecipato a questo studio EEG e sono stati 28 - 52 anni. Partecipano alla depressione basata sull'inventario di Depressione di Beck sono stati esclusi dallo studio. Il corso ha seguito la formazione standard MBSR ( Tabella 1 ), ei partecipanti dovevano impegnarsi nella struttura di formazione.
  2. Sistema di registrazione EEG.
    1. Condurre la registrazione EEG in una stanza tranquilla utilizzando un EEG a 128 canaliSistema costituito da un cappuccio EEG, un amplificatore, una cassetta di sicurezza e un computer desktop.

2. Acquisizione dati EEG e ECG

NOTA: La raccolta dati EEG ha seguito una procedura standard simile al metodo descritto in precedenza 14 . Chiedere a ciascun partecipante di lavare i capelli e il cuoio capelluto prima di arrivare al sito sperimentale. Informi il partecipante circa le procedure sperimentali, soprattutto che si riposerà normalmente per 10 minuti e faccia respirazione per altri 10 minuti mentre viene registrato con dispositivi EEG e ECG.

  1. Pulire l'area del viso e il mastoide del partecipante con tamponi di alcol.
  2. Utilizzando un nastro di misurazione, misurare la circonferenza della testa del partecipante e quindi scegliere un tappo appropriato. Prendi una misura dalla nasione all'inione e un'altra misurazione sulla parte superiore delle orecchie e sopra il cuoio capelluto. Segna il vertice (il punto a metà distanza tra la nasione anD inion e metà distanza tra le due orecchie) con una penna a spillo morbido.
  3. Impostare le posizioni dell'elettrodo in base ai sistemi elettrodi 10-5 15 . Posizionare il tappo in modo che l'elettrodo Cz sia sopra il vertice, l'elettrodo Nz si trova alla nasione, l'elettrodo Lz si trova all'iniezione, l'elettrodo RM si trova al mastoid destro e l'elettrodo LM si trova al mastoide sinistro .
    1. Posizionare gli elettrodi ECG in entrambi i lati fianchi destro e sinistro.
    2. Riempire i supporti dell'elettrodo con un gel usando una siringa a punto blunt-point.
    3. Tenere l'impedenza inferiore a 20 kΩ per ogni elettrodo. Ridurre l'impedenza regolando il posizionamento dell'elettrodo per aumentare il contatto con il cuoio capelluto; Aggiungere più gel se necessario.
    4. Stringere il cinturino e chiedere al partecipante di rimanere fermo.
    5. Impostare la frequenza di campionamento del dispositivo EEG a 1.000 Hz. Utilizzare il mastoide sinistro come punto di riferimento originale.
  4. Registrare i dati EEG (passo 1.2.1) all'inizio del corso MBSR (entro 2 settimane).
    1. Avere il partecipante eseguire una breve scansione del corpo per rilassare tutto il corpo. Avere il partecipante prestare attenzione al suo respiro mentre respirando e respirando. Ogni partecipante deve eseguire 10 minuti di respirazione mentale MBSR (stato di attenzione di MBSR) e 10 minuti di riposo normale (condizione di controllo) durante la raccolta dati EEG. Questo genera un set di dati di formazione pre-MBSR con due condizioni.
      NOTA: controbilanciare la sequenza della respirazione mentale e il riposo normale tra i partecipanti.
  5. Registrare nuovamente i dati EEG circa un mese dopo che i partecipanti completano il corso MBSR.
    1. Chiedere a ciascun partecipante di eseguire 10 minuti di respirazione attenta e 10 minuti di riposo normale durante la raccolta dati EEG. Questo genera un dataset di formazione post-MBSR con due condizioni.

3. Analisi dei dati EEG e ECG

NOTA: I primi quattro passaggi sonoPer la preprocessing dei dati e gli altri passaggi sono per l'analisi di entropia wavelet e l'analisi di correlazione. Qui, un software open source denominato EEGLAB 16 è stato utilizzato per l'analisi EEG, ma le operazioni devono essere simili in diversi software. Nel seguito, le operazioni che si basano su EEGLAB saranno fornite come esempio. Fare riferimento al manuale EEGLAB per i dettagli (https://sccn.ucsd.edu/wiki/EEGLAB_Wiki#EEGLAB_Tutorial).

  1. Utilizzare il software EEG per ricampionare i dati a 250 Hz selezionando Strumenti> Cambia frequenza di campionamento. Utilizzare il filtro FIR (Finite Impulse Response) per il filtraggio a banda passante con una banda passante da 0,5 a 100 Hz selezionando Strumenti> Filtro dati> Filtro base FIR.
    1. Per ridurre il rumore dovuto alla corrente alternata di rete che è specifico per il paese, utilizzare il filtro anti-impulso breve (non-lineare) per l'insulazione a infrarossi con una banda di arresto da 47 a 53 Hz selezionando Strumenti> Filtro dei dati> Corto non lineareFiltro IIR. Questo copre tutte le frequenze rilevanti nell'analisi dello spettro, eliminando inutilmente rumore.
  2. Utilizzare il software EEG per scorrere visivamente e controllare il segnale EEG selezionando Plot> Data canale (scroll).
    1. Identificare ed eliminare i segmenti EEG che contengono il rumore muscolare ovvio e qualsiasi altro evento strano. Fare clic con il pulsante sinistro e trascinare il mouse sui segmenti di cattivo per evidenziarli e quindi "eliminare" o "rifiutare" i segmenti utilizzando il software EEG.
      NOTA: Le attività muscolari come la deglutizione o l'espressione facciale spesso generano segnali discontinui e irregolari. Strani eventi sono solitamente causati da movimenti di testa o corpo, che spesso portano a significativi spostamenti (a basse frequenze) del segnale EEG.
    2. Determinare se c'è un cattivo canale. Ricostruire ogni canale male utilizzando il metodo di interpolazione sferica selezionando Strumenti> Interpolare canale.
  3. Utilizzare il software EEG per eseguire InDipendente componente 17 (ICA) sui dati selezionando Strumenti> Esegui ICA. Avere un operatore EEG esperto per identificare e scartare visivamente i componenti del movimento degli occhi e dei lampi, i movimenti muscolari e componenti di altri possibili disturbi selezionando Strumenti> Rifiuta dati utilizzando ICA> Rifiuta componenti per mappa; Strumenti> Rimuovere i componenti. Il software EEG ricostruirà automaticamente i dati utilizzando i componenti conservati.
  4. Utilizzare il software EEG per rireferire i dati alla media di tutti i canali prima di ulteriori analisi selezionando Strumenti> Riferimento.
  5. Analisi dello spettro.
    1. Per calcolare gli spettri di EEG utilizzando la stima di densità spettrale di potenza di Welch 18, ricorrere alla funzionalità della linea di comando software EEG "spectopo" per ottenere i poteri log (dB) delta (1-4 Hz), theta (4-8 Hz), alfa 8 - 12 Hz), beta (12 - 30 Hz) e gamma (30 - 80 Hz) onde.
    2. Calcolare il relativo poWer di ogni tipo di onda 18 ( cioè la proporzione di potenza nella rispettiva banda di frequenza rispetto alla potenza totale dello spettro).
  6. Eseguire un'analisi di origine EEG utilizzando l'approccio di mappatura parametrica statistica (SPM).
    1. Utilizzare la stima minima normativa 19 per trasformare i segnali EEG degli elettrodi del cuoio capelluto in segnali di sorgente cerebrale 3D.
      NOTA: Qui, il numero originale del canale era di 122, ed è stato trasformato in 8.196 canali distribuiti nel modello tridimensionale del cervello. Il livello di significatività è stato impostato a p = 0.01. Fare riferimento all'analisi di origine nel manuale SPM (www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf).
  7. Calcolare l'entropia del wavelet per ogni canale EEG (come pure per il segnale stimato tridimensionale del cervello) utilizzando la seguente procedura:
    1. Dato un segnale Equazione 1 ,Calcolare i coefficienti wavelet come Equazione 2 , dove Equazione 3 È una base ortonormale della famiglia wavelet Haar e Equazione 4 Rappresenta i livelli di decomposizione ( N = 10 in questo studio).
    2. Definire l'energia relativa come Equazione 5 , con Equazione 6 .
    3. Calcola l'entropia del wavelet come Equazione 7 . Media l'entropia wavelet per tutti i canali per ottenere l'entropia wavelet EEG per ciascun partecipante.
  8. Utilizzare il pacchetto software per eseguire un'analisi di picco sui dati ECG per ottenere il segnale del battito cardiaco, che consiste nel numero di picchi d'onda ECG e nell'intervallo tra i picchi.
    NOTA: AssumendoUn normale ritmo cardiaco di 60-100 battiti / min in entrambi i normali stati di riposo e respiro mentale, il numero di istanze del battito cardiaco N per una durata di 10 minuti dovrebbe essere relativamente piccolo, soddisfacendo 600 < N <1.000.
    1. Per ottenere un'entropia di wavelet affidabile dal segnale del battito cardiaco, utilizzare una finestra a scorrimento di 500 punti e un passo incrementale di 10 punti per calcolare una serie di entropie wavelet utilizzando la stessa procedura di EEG elencata nella sezione 3.7. Utilizzare il valore medio come entropia wavelet finale.
  9. Analizzare la correlazione cerebrale e cardiaca tra i soggetti tra l'entropia wavelet dell'ECG e quella dell'EEG in ogni canale del cuoio capelluto utilizzando qualsiasi software statistico che abbia una funzione di correlazione di Pearson.
    1. Utilizzare la funzione di riga di comando del software EEG "topoplot" per costruire una mappa statistica del cuoio capelluto per la correlazione. Tracciare un grafico di correlazione lineare con l'entropia della frequenza cardiaca e l'entropia media di EEG di soli chaNnels che sono significativamente correlati con l'entropia del heartrate (vedere la sezione Risultati rappresentativi).

Representative Results

Analisi dello spettro

Nell'analisi dello spettro dei dati EEG, rispetto al resto normale, sono state aumentate le onde alfa (8-12 Hz) e beta (12 - 30 Hz) e le onde delta (da 1 a 4 Hz) ridotte durante la respirazione mentale MBSR. L'incremento delle onde alfa è stato globalmente significativo, soprattutto nei lobi frontali e occipitali, mentre l'incremento delle onde beta è stato principalmente nel lobo frontale. Le onde delta diminuite sono state osservate nelle aree centrali-parietali ( Figura 1 ). Tuttavia, non abbiamo trovato cambiamenti significativi tra la formazione pre e post-MBSR.

Figura 1
Figura 1. Analisi dello spettro di respirazione consapevole MBSR e condizioni di riposo normali. L'analisi dello spettro mostra che la pratica MBSR può modificare le attività del cervello, come indicato dai diversiSpettri di EEG. Fonte originale: Riferimento 13 . Clicca qui per visualizzare una versione più grande di questa figura.

La figura 2 illustra la regione di interesse definita: il lobo occipitale (canali N19 - 21, N41 - 46, N67 - 72, N96 - 100 e N119), il lobo frontale centrale (canali N53 - 61 e N79 - 83); Il lobo parietale centrale (canali N48 - 50, N64 - 66 e N74 - 76). La tabella 2 mostra la potenza di ogni spettro e l'entropia sotto respiratoria mentale MBSR e condizioni di riposo normali, insieme al valore p della t- test della differenza tra le due condizioni per ogni regione di interesse. Abbiamo combinato i dati EEG di pre- e post-MBSR in quanto non c'era differenza tra le due fasi.


Figura 2. Regione di interesse definita. Le aree definite dei canali EEG che rappresentano il lobo frontale centrale, il lobo parietale centrale e il lobo occipitale. Clicca qui per visualizzare una versione più grande di questa figura.

</ Tr>
Delta Theta Alfa Beta Gamma entropia
Mediano Lobe Frontale 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
riposo 22,40 ± 6,56 22,76 ± 5,98 26,91 ± 7,14 -7,11 ± 42,27 -449,76 ± 102,92 0,785 ± 0,066
p-value 0,0243 0,6555 0.0085 0,0114 0,4419 0,0084
Lobo occipitale 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
riposo 19,82 ± 6,32 20,38 ± 8,11 29,73 ± 5,30 -11,62 ± 40,22 -439,03 ± 102,81 0,763 ± 0,055
p-value 0,0134 0,1213 0,0125 0,0796 0,8936 0,0098
Lobo parietale 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
riposo 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-value 0,0157 0,0963 0,0177 0,1507 0,2878 0,0368

Tabella 2. Spettro e entropia tra le aree cerebrali. Respirazione mentale MBSR e condizioni di riposo normaliSono confrontati tra le tre regioni di interesse prefissate (ROI).

Analisi dell'entropia di Wavelet

L'analisi dell'entropia del wavelet di EEG ha mostrato una diminuzione dell'entropia dell'EEG durante la respirazione mentale MBSR rispetto al normale riposo, sia per la formazione pre e post-MBSR. Poiché non esistono differenze significative tra le due fasi, sono state unite per produrre una mappa media (mostrata nella terza riga di figura 3 ). Le aree principali con diminuita entropia erano al lobo frontale e al lobo parietale-occipitale.

Figura 3
Figura 3. Analisi dell'entropia di Wavelet. Riposo 1 e MBSR 1 indicano formazione pre-MBSR, mentre Rest 2 e MBSR 2 indicano la formazione post-MBSR. L'analisi di entropia di Wavelet mostra che la pratica MBSR può ridurre l'irregolarità diAttività elettroniche del cervello. Fonte originale: Riferimento 13 . Clicca qui per visualizzare una versione più grande di questa figura.

Analisi di origine dell'entropia di Wavelet

L'analisi di origine dei segnali EEG può migliorare la risoluzione spaziale deconvolendo il EEG del cuoio capelluto in attività elettriche sulla superficie corticale 20 . L'analisi mostra che le principali regioni del cervello interessate dalla formazione MBSR sono state nel lobo occipitale sinistro-medio, precuneo, superiore lobo temporale e sinistra fusiformi ( Figura 4 ). Nella tabella 3 , per le quattro etichette anatomiche ottenute dall'analisi di origine, forniamo risultati t- test per la differenza nelle entropie di due stati diversi, stato di consapevolezza MBSRRispetto al riposo normale.

Figura 4
Figura 4. Analisi di origine. L'analisi della fonte mostra che le entropie di varie regioni del cervello (evidenziate in rosso) diminuiscono durante lo stato di respirazione mentale MBSR. Clicca qui per visualizzare una versione più grande di questa figura.

Etichetta anatomica voxel X, y, z t-value
Mezzo temporale gyrus L 1.728 -44 -60 16 3.77
Precuneus R 1.324 2 -56 28 3.63
Occipitale L 749 -2 -102 -12 3.61
Fusiform L 142 -102 3.51

Tabella 3. Rapporto di analisi di origine. Regioni anatomiche del cervello con differenze significative nell'entropia tra respirazione mentale MBSR e condizioni di riposo normali. L, il lato sinistro del cervello. R, il lato destro del cervello ( p <0,001, t- test, non corretto).

Entropia del Wavelet di frequenza cardiaca

L'analisi non ha rivelato alcuna differenza significativa nel tasso medio del cuore, ma l'entropia della frequenza cardiaca era più bassa durante la respirazione mentale MBSR, sia nella formazione pre- che post-MBSR ( Tabella 4 ).

Rest1 MBSR1 periodo di riposo.2 MBSR2
Frequenza cardiaca (battiti al minuto) 68,2 ± 9,5 67,7 ± 9,3 71,8 ± 8.1 70,7 ± 8,4
Entropia del Wavelet di frequenza cardiaca 0,89 ± 0,05 0,79 ± 0,11 * 0,89 ± 0,07 0.80 ± 0.12 #

Tabella 4. L'entropia del Wavelet Heartrate e del Heartrate di MBSR Respiro consapevole e condizioni di riposo normali. Le due condizioni sono paragonate sia alla formazione pre- che post-MBSR. * Differenza significativa ( p <0,05) tra il resto 1 e l'MBSR 1. # Differenza significativa ( p <0,05) tra il resto 2 e l'MBSR 2.

CorrelazioneTra attività del cuore e del cervello

Data la potenziale connessione tra il cervello e il cuore, abbiamo analizzato la correlazione tra l'entropia EEG dell'intero cervello ( cioè la media degli entropie EEG su tutti i canali EEG per un singolo soggetto) e l'entropia del heartrate durante la respirazione mentale MBSR e gli stati di riposo normali . Le entropie del cervello e del cuore erano significativamente correlate durante la respirazione mentale MBSR ma non durante il normale riposo. Come mostrato nella parte superiore della figura 5 , il significato della correlazione tra l'entropia dell'EEG in ciascun canale e l'entropia del cuore del cuore è più importante nella parte centrale del cervello. La trama inferiore mostra la correlazione tra l'entropia EEG nelle regioni centrali (media di quei canali punteggiati che sono significativamente correlati con l'entropia del heartrate) e l'entropia del heartrate.


Figura 5. Correlazione tra le Entropie Wavelet delle Attività Elettroniche del Cuore e del Cervello. L'entropia delle vibrazioni dell'attività cerebrale è la media dei canali significativi della regione centrale, come mostrato nella figura in alto a destra. L'entropia del wavelet del cuore si basa sull'intervallo cardiaco. La correlazione (pannello inferiore) viene calcolata in tutti i soggetti sia per i risultati di formazione pre e post-MBSR. Fonte originale: Riferimento 13 . Clicca qui per visualizzare una versione più grande di questa figura.

Discussion

Questo studio EEG fornisce prove concreti che, rispetto al resto normale, la respirazione mentale MBSR migliora le onde alfa nei lobi frontali e occipitali. Questo è in linea con la maggior parte delle segnalazioni sulle onde alfa aumentate durante la meditazione, specialmente nei principianti 21 . Le onde alfa indicano solitamente uno stato di eccitazione e di vigilanza e di libertà da qualsiasi compito specifico. Questo stato mentale è uno degli obiettivi della meditazione; Cioè, mantenendo la mente pulita e nitida, libera da voli di fantasia o da addormentarsi. La sincronia aumentata dell'onda alfa durante la pratica MBSR può anche migliorare il coordinamento tra mente e corpo 22 .

Le attività elettroniche del vasto numero di neuroni nel cervello costituiscono un sistema gerarchico non lineare e la sua irregolarità può essere misurata con precisione dall'entropia 8 . Abbiamo scoperto che durante la pratica MBSR, l'irregolarità del cervello elettrLe attività oniche sono diminuite su gran parte del cuoio capelluto EEG, soprattutto nel polo frontale e nelle regioni bilaterali occipitali del cervello. L'ulteriore analisi della fonte di entropia del wavelet ha mostrato che l'irregolarità delle attività occipitali e precarie si è ridotta durante la pratica MBSR. Altre aree coinvolte includono il cingolo destro-centrale e il lobo temporale superiore. Questo è in linea con un altro studio che indica che la materia grigia aumenta nel precuneo dopo la formazione MBSR 23 . I praticanti di meditazione avanzati hanno solitamente più alti livelli di onde EEG parieto-occipitali durante il sonno 1 a movimento non rapido. Una caratteristica importante della formazione MBSR è quella di non essere giustificativi del flusso di informazioni di mente / cervello. Ciò potrebbe potenzialmente ridurre l'irregolarità delle attività cerebrali. Poiché una fonte di informazioni principale nel cervello è la corteccia visiva, è plausibile che le regioni del cervello relative al viso siano maggiormente colpite dalla pratica MBSR rispetto ad altre regionins. Ciò consente alla mente di diventare meno sensibili alle informazioni irrilevanti e di prestare maggiore attenzione alla respirazione mentale.

L'analisi di entropia di Wavelet ha mostrato meno irregolarità di heartrate durante la respirazione mentale rispetto allo stato di riposo normale, il che implica un equilibrio più raffinato del sistema nervoso autonomo a causa di interazioni relativamente inconfondibili tra toni parasimpatici e simpatici. La respirazione consapevole può anche influire sul heartrate perché gli afferenti sensoriali del polmone inviano proiezioni inibitori ai neuroni motori vagali cardiaci nel mid-brain, che inibiscono il cuore attraverso il nervo vagus 24 . L'interazione cardiorespiratoria è mediata dal sistema cerebrale e dal sistema limbico nel cervello 25 . Data la connessione tra il sistema nervoso centrale e l'attività cardiaca, è plausibile che, allenando la mente, MBSR o altre pratiche di meditazione possono influenzare anche altre funzioni del corpo, qualiResettando la sensibilità baroreflex, migliorando l'efficienza di scambio dei gas nei polmoni e bilanciando il sistema nervoso autonomo 26 .

Il collegamento corpo-corpo è sottolineato in molte tradizioni orientali. A questo proposito, il nostro studio fornisce la prima prova oggettiva in termini di entropia. Le irregolarità delle attività cerebrali e cardiache sono diventate più coordinate durante la pratica MBSR e il coordinamento è stato più grande nelle regioni somatosensoriali bilaterali. Questa regione è direttamente responsabile dell'entrata e del movimento sensoriali del corpo e questo maggiore coordinamento implica una maggiore consapevolezza del corpo durante la pratica MBSR. La formazione di consapevolezza è stata accertata per aumentare le attività delle aree viscerosomatiche in uno studio MRI funzionale, che ha una migliore risoluzione spaziale rispetto a EEG 27 . I nostri risultati suggeriscono che il cervello e il cuore possano entrare maggiormente durante la pratica MBSR, scaricando l'entropia inutile nel sistema Up class = "xref"> 28. Poiché il battito cardiaco è regolato dal sistema nervoso autonomo, in cui il tono autonomo è modulato dalle interazioni tra il ganglio; Nodo sino-auricolo; Nervi vagus; E le strutture cerebrali di ordine superiore, come l'oblongata medulla, l'insula e il sistema limbico, i sistemi nervosi autonomi e centrali possono diventare più coordinati durante la pratica MBSR.

Un passo importante in uno studio come quello del nostro è quello di scegliere l'indice di entropia giusto per misurare l'irregolarità dell'EEG e dell'ECG. A differenza di Renu Madhavi et al ., Che ha utilizzato entropia approssimativa 29 , abbiamo scelto di utilizzare l'entropia wavelet per concentrarsi sulla complessità tra le energie in diverse scale. Poiché le attività elettroniche cerebrali provengono da un vasto numero di neuroni che presentano caratteristiche diverse in diverse scale e spettri, l'entropia del wavelet dovrebbe essere più adatta per misurare l'irregolarità dell'EEG> 30. Allo stesso modo, la frequenza cardiaca istantanea ha anche caratteristiche diverse in diverse scale temporali, quindi è ragionevole applicare l'entropia del wavelet all'ECG 31 . Inoltre, l'entropia di Shannon e l'entropia approssimativa sono sensibili alla frequenza di campionamento e l'approssimazione dell'entropia richiede grandi tempi di calcolo che aumentano esponenzialmente la lunghezza dei dati, in aggiunta al calcolo nello spazio di origine.

Vale la pena notare diverse limitazioni dello studio in corso. In primo luogo, la risoluzione spaziale del cuoio capelluto EEG è relativamente scarsa, nonostante la sua alta risoluzione temporale. Per risolvere questo problema, nel nostro studio è stata applicata un'analisi di origine. La ricostruzione di origine EEG è un problema malato e un approccio alternativo è quello di avere dei priori spaziali dai precedenti studi di resonance magnetici (fMRI) funzionali, che possono contribuire a migliorare l'accuratezza della ricostruzione 32 , 33 . Un'altra limitazione è tIl coordinamento tra attività cerebrale e cardiaca è stato valutato tra soggetti; Il coordinamento all'interno del soggetto è lasciato agli studi futuri. Inoltre, l'entropia dell'ECG non deriva direttamente dal segnale ECG, ma piuttosto dall'intervallo cardiaco, in quanto l'ampiezza dell'ECG può essere fortemente influenzata dalla posizione dell'elettrodo e dall'impedenza cutanea e quindi non è comparabile tra i soggetti.

Precedenti studi di solito hanno effettuato un'analisi dello spettro del segnale EEG, smantellando l'irregolarità in EEG come rumore. Al contrario, proponiamo di utilizzare l'entropia wavelet come indice più sensibile per misurare le attività elettroniche caotiche del cervello come riflesso dello stato mentale. La metodologia proposta fornisce una prova oggettiva dell'assunto tradizionale che la mente e il cuore sono più coordinati durante la meditazione.

Poiché l'entropia del wavelet può monitorare la condizione di meditazione abbastanza sensibilmente, può essere utilizzata nei traini mentaliNg, proprio come l'entropia è usata nella pratica clinica per misurare il livello di anestesia durante l'intervento chirurgico. Utilizzando un indice analogo all'entropia del wavelet, i dispositivi EEG wireless possono essere usati per monitorare convenientemente la pratica di meditazione quotidiana di un individuo o un'altra formazione mentale per scopi educativi. Tuttavia, poiché un EEG di solito può solamente misurare stabili i canali sulla fronte, dobbiamo esaminare se questi canali sono sufficientemente sensibili per controllare lo stato d'animo.

Le fasi critiche di questa procedura includono la tenuta dell'impedenza cutanea per ogni elettrodo basso per una migliore qualità del segnale e meno rumore; Adeguatamente e correttamente condotta la formazione MBSR; Assicurando uno stato mentale buono e non affaticato prima dell'esperimento, poiché la meditazione richiede grande energia; Scegliendo l'indice di entropia corretto (entropia wavelet); E conoscere l'analisi di origine SPM dei dati EEG.

Disclosures

Gli autori dichiarano di non avere interessi finanziari concorrenti.

Acknowledgements

Questo studio è stato sostenuto dal fondo SPF-201209176152 presso l'Università di Hong Kong. Ringraziamo la dottoressa Helen Ma per insegnare il corso e reclutare i partecipanti 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