发表
联系我们

登录

本文内容

  • 摘要
  • 摘要
  • 引言
  • 研究方案
  • 代表性结果
  • 讨论
  • 披露声明
  • 致谢
  • 材料
  • 参考文献
  • 转载和许可

摘要

在这里，我们提出了一种协议来研究各种冥想形式（包括宗教吟诵）的神经生理学相关性。该方法独特地整合了 fMRI 特征向量结果，以便在使用 k-means 聚类的脑电图 （EEG） 源分析中进行区域选择。结果提供了对重复宗教吟诵所涉及的神经过程的深入理解。

摘要

该协议提供了一种多模式神经影像学方法，以探索与重复宗教吟诵相关的潜在大脑活动，重复宗教吟诵是东西方文化中普遍存在的心理训练形式。高密度脑电图 （EEG） 具有卓越的时间分辨率，可以捕捉宗教诵经期间大脑活动的动态变化。通过源定位方法，这些可以归因于各种替代的潜在大脑区域源。20 名宗教诵经者用脑电图测量。然而，与功能性磁共振成像 （fMRI） 相比，EEG 的空间分辨率不太精确。因此，一位经验丰富的从业者接受了 fMRI 扫描会议，以更精确地指导源定位。fMRI 数据有助于指导 EEG 源定位的选择，使 20 名中级从业者组中 EEG 源定位的 K-means 计算更加精确和可靠。这种方法增强了 EEG 识别宗教诵经期间专门参与的大脑区域的能力，特别是后扣带皮层 （PCC） 的主要作用。PCC 是与焦点和自指加工相关的大脑区域。这些多模态神经影像学和神经生理学结果表明，与非宗教吟诵和休息状态条件相比，重复的宗教吟诵可以诱导较低的中心性和较高的 delta 波功率。fMRI 和 EEG 来源分析的结合可以更详细地了解大脑对重复宗教吟诵的反应。该协议对宗教和冥想练习中涉及的神经机制的研究做出了重大贡献，这在当今变得越来越突出。这项研究的结果可能对开发未来的神经反馈技术和心理干预具有重大意义。

引言

宗教吟诵在东方文化中是一种非常流行的习俗，在西方社会中经常被比作祈祷1。尽管宗教吟诵很普遍，但关于宗教吟诵的神经相关性的科学研究仍然相当有限。本研究利用了复杂的多模态电生理和神经成像技术来填补这一知识空白，并探索诵经阿弥陀佛的神经关联，阿弥陀佛是最广泛和保存最悠久的宗教传统之一 2,3。重复的宗教诵经可以作为佛教咨询中的一种有效技巧，帮助舒缓一个人的心灵从动荡的思想和情绪中解脱出来。

鉴于功能磁共振成像 （fMRI） 的高空间分辨率，它可以用于克服传统脑电图研究的局限性4。该研究通过独立成分分析 （ICA） 将 fMRI 和脑电图 （EEG） 源聚类相结合，识别参与者大脑活动的独立组成部分并对其进行分组。这种方法引入了一种新的策略来识别来自混合脑电图来源或参与者之间不同来源的信号，由于大脑解剖结构和电极位置的差异，这一直具有挑战性。

用这个协议研究的重复宗教诵经的形式包括重复背诵阿弥陀佛的名字。据报道，这也是一种冥想练习，可以引发幸福的感觉和超然的体验。在不同的佛教修行中，诵经无量佛的修行简单易行。这种做法应许所有真诚呼求这个名字的人都会在净土中重生，它与西方宗教的某些传统有相似之处 1,3。

通过多模态神经影像学，本研究旨在全面了解重复宗教吟诵的神经相关性。该协议可以为不同宗教和冥想实践的神经生理学影响的蓬勃发展的研究领域做出贡献。

该研究假设，重复的宗教吟诵会导致负责自我相关过程的大脑区域发生显着的信号变化。此外，鉴于阿弥陀佛的积极情绪，我们假设情绪变化会在宗教诵经期间发生。这些有效的变化可能与外周生理指标的改变相吻合，例如多波段心率变异性 （HRV） 指数和呼吸率的变化5。

研究方案

实验前已获得香港大学对该研究的伦理批准。所有参与者在参加脑电图和 fMRI 实验前都签署了书面同意书。

1. 参与者的选择和准备

  1. 招募具有至少 1 年宗教念诵无量佛冥想经验的参与者，每天至少 15 分钟。确保年龄范围在 40 至 52 岁之间。通过功效分析估计参与者的数量。在目前的研究中，招募了 21 名参与者。
    注意：功率分析是根据在试点研究中观察到的效应大小以及关于冥想的脑电图和 fMRI 研究的现有文献进行的。通常，主体内设计具有更好的区分不同条件的能力，因为主体之间的差异通常更大。
  2. 告知参与者研究的目的和所涉及的程序。
  3. 确保参与者没有抑郁 使用 Beck Depression Inventory。
  4. 确保参与者身体健康，不受任何可能影响其生理反应的物质的影响。
    注意：排除标准包括抑郁症、神经精神病理学或受酒精或精神活性物质的影响。此外，MRI 特异性排除标准包括具有与 MRI 检查不兼容的起搏器、深部脑植入物或金属植入物。
  5. 确保参与者适合参加脑电图/心电图 （ECG）/MRI 研究。
    注意：EEG 和 MRI 数据是分开记录的。考虑到参与者的疲劳和舒适度，EEG 和 fMRI 的数据收集持续时间不同，以优化每种模式的数据质量。我们的初步研究发现，fMRI 对证明神经相关性更敏感，而 EEG 数据通常有不良片段或其他伪影，需要稍长的持续时间以确保有足够的数据进行最终分析。因此，EEG 时间略长于 MRI 时间。由于每种成像方式的限制，在 EEG 和 fMRI 数据收集期间需要不同的姿势。使用计算机生成的随机化计划对条件进行随机化，以控制顺序效应。EEG 和 fMRI 之间的顺序不同。

2. 脑电数据采集和分析

  1. 根据制造商的说明设置 128 通道脑电图和多种生理数据记录设备。
  2. 确保参与者在开始 EEG/ECG 数据采集之前彻底洗头。
  3. 让参与者放松并舒适地坐着。
  4. 向参与者介绍实验。
  5. 要求参与者进行实验的试用版。
  6. 当每个参与者处于三种不同的条件下时获取脑电图数据：念诵无量佛、念诵圣诞老人和休息状态，所有这些都是闭着眼睛的。在每种情况下记录 10 分钟的脑电图数据。
  7. 为每个参与者适当地保存和标记数据。
  8. 确保数据通过备份安全地存储。

3. MRI 数据采集

  1. 在开始数据采集之前，准备一台 3.0 T MRI 扫描仪并确保其正常工作。在开始扫描之前，确保参与者感到舒适并理解程序。
  2. 从具有以下参数的 T1 加权扫描序列开始：视场 （FoV） = 256 mm × 150 mm × 240 mm，采集矩阵 = 256 × 256，重复时间 （TR） = 15 ms，回波时间 （TE） = 3.26 ms，翻转角度 = 25°，切片厚度 = 1.5 mm，切片数量 = 100，体素分辨率 （x，y，z，） = 0.94 mm × 1 mm × 1.5 mm。
  3. 使用 8 通道 SENSE 头线圈通过梯度回波平面成像 （EPI） 获得 fMRI 图像。按如下方式设置序列参数：FoV = 230 mm × 140 mm × 230 mm，采集矩阵 = 64 × 64，TR = 2000 ms，TE = 30 ms，翻转角度 = 90°，切片数量 = 32，切片厚度 = 3 mm，切片间隙 = 1.5 mm。
  4. 当每个参与者处于三种条件下时开始 fMRI 数据采集：宗教诵经、非宗教诵经和休息状态。记录每个条件持续时间的数据：每个条件包含 243 个动态卷，总持续时间为 8.1 分钟。

4. 生理数据采集

  1. 根据制造商的说明设置生理数据采集系统，用于收集心脏、呼吸和其他生理数据。
    注意：脑电图和生理数据是同时采集的。
  2. 将三个心电图电极分别安装在左手和右手以及左脚上。
  3. 在参与者身上设置两条呼吸带，一条用于测量乳房呼吸，另一条用于测量腹部呼吸。
  4. 监测参与者的皮肤电反应 （GSR） 和氧饱和度水平。
  5. 当每个参与者处于三种状态时，开始数据采集和脑电图数据收集：念诵阿弥陀佛、念诵圣诞老人和休息状态，所有这些都是闭着眼睛的。
  6. 为每个参与者适当地保存和标记数据。确保数据安全存储，并且足以用于进一步分析。

5. 脑电数据分析

  1. 使用适当的软件处理和分析脑电图数据。在这里，使用了开源软件 EEGLAB。
  2. 将数据加载到程序中。单击 File > Load Existing Dataset。
  3. 通过单击 工具 > 更改采样率，从 1000 Hz 到 250 Hz 对数据进行重新采样。
  4. 通过单击工具，使用通带为 0.1-100 Hz 的有限脉冲响应 （FIR） 滤波器过滤数据 > Basic FIR 滤波器>滤波器。
  5. 使用阻带为 47-53 Hz 的陷波滤波器再次过滤数据，以消除交流电噪声。单击 Tools > Filter the Data ，然后选择选项 Notch filter the data 而不是 pass band。
  6. 单击 Plot > Channel Data（滚动 ），直观地检查数据以消除眼睛和肌肉运动等伪影。
    注意：指定的眼电图 （EOG） 通道可用作参考。
  7. 目视检查数据以记下要删除的不良通道。
  8. 通过单击 Tools > Interpolate Electrodes 并根据周围的通道应用球形插值来重建不良通道，然后从数据通道中进行选择。
  9. 使用 runica 算法执行独立组件分析 （ICA）。为此，请单击 Tools > Run ICA。
  10. 通过单击 工具 > 使用 ICA 拒绝数据 > 按映射拒绝组件，从数据中删除与眼球运动、肌肉噪声和线条噪声相对应的独立组件 （IC）。
  11. 通过单击 Tools > Remove Components 使用剩余的 IC 重建数据。
  12. 点击 工具 > 过滤 数据 > 基本 FIR 滤波器 以使用 47 Hz 低通滤波器过滤数据。
  13. 估计 IC 的相似性，并使用 EEGLAB 的 STUDY 函数将它们分组为功能等效的集群。单击 File > Create Study > Using all Loaded Datasets。
  14. 使用 DIPFIT2 函数生成每个 IC 的偶极子位置。单击 工具 > 使用 DIPFIT 2.x > Autofit 定位偶极子。
  15. 使用 k-means 聚类创建基于相似偶极子位置（权重：2/3）和功率谱（权重：1/3）的 IC 簇。单击 Study > PCA Clustering > Build Preclustering Array。
  16. 重复聚类过程 10 次，每次使用不同的 k 参数设置。确定生成独特但合理的集群的 k 参数设置。单击 Study > Edit/Plot Clusters。
  17. 使用来自特定感兴趣集群的 IC 对所有主要频段执行频谱分析并执行单向方差分析。
    注意：请特别注意后扣带皮层 （PCC），因为已发现由于宗教吟诵期间内源性 delta 振荡的区域性增加，该区域的中心性降低。

6. fMRI 数据分析

  1. 使用莱比锡图像处理和统计推断算法软件 （LIPSIA 2.2.7） 预处理 fMRI 数据。
    1. 执行预处理，包括信号强度归一化、运动校正、MNI 空间的空间归一化、半高全宽 （FWHM） = 6 mm 的空间平滑，以及截止频率为 1/90 Hz 的时间高通滤波，以消除 fMRI 时间序列中的低频漂移。请参阅 数据处理管道 1 （补充文件 1） 中的这些步骤。
  2. 删除不感兴趣的协变量，例如全局信号波动和移动参数，方法是将它们从对应于三个条件中每个条件的每个扫描序列的数据中回归出来。
  3. 最后，通过应用特征向量中心性映射 （ECM） 来研究全脑功能连接组学，ECM 是一种图论方法，可识别网络中最具影响力的节点，并将来自两个条件的 ECM 图像相互减去以产生结果的对比图像。请参阅数据处理管道 2（补充文件 2）中的这些步骤。

7. 心电图和其他生理数据分析

  1. 通过 Butterworth 带通滤波器清理原始 ECG 和其他生理数据，并在用样条插值替换异常值后提取心跳间隔 （IBI）。
  2. 使用开源工具箱 HRVAS 对 IBI 数据进行去定趋势并计算 HRV（心率变异性）的时/频域特征。
  3. 将 VLF 的频率范围设置为 0-0.04 Hz，将 LF 设置为 0.04-0.15 Hz，将 HF 设置为 0.15-0.4 Hz。
  4. 使用 Lomb-Scargle 周期图方法估计所选频带的功率。
  5. 使用单向重复测量、方差分析和事后检验对得出的 HRV 指标进行统计测试，以评估条件之间的差异。将显著性的 Alpha 水平设置为 0.05。
  6. 使用分析软件计算其他生理数据，例如每个参与者和每种情况的呼吸间隔。
  7. 使用分析软件中的 findpeaks 功能检测呼吸曲线的峰值。
  8. 区分吸气期和呼气期，然后计算呼吸频率。
  9. 使用单因子重复测量 ANOVA 和事后检验比较条件之间的差异。

代表性结果

fMRI 分析结果表明，宗教和非宗教吟诵之间特征向量中心性的最大差异主要位于后扣带皮层 （PCC）;参见 图 1。这一发现被用来评估和验证独立于 EEG 的组件集群的选择，它同样表现在 PCC 区域附近有一个集群。

figure-representative results-268
图 1：多模态神经影像学和电生理结果。 应用于 fMRI 数据的特征向量中心性映射显示，与非宗教诵经相比，后扣带回皮层是宗教诵经期间大脑中心性下降最严重的区域。此数字已获得 Gao 等人的许可1。 请单击此处查看此图的较大版本。

独立于 EEG 的组件聚类分析产生了 7 个不同的 IC 集群，每个集群对应于 EEG 活动的来源。值得注意的是，其中一个集群位于 PCC 中，这一发现与 fMRI 结果一致（见 图 2）。

figure-representative results-858
图 2：独立于 EEG 的组件聚类分析也在 PCC 中包含一个集群。 此数字已获得 Gao 等人的许可1。 请单击此处查看此图的较大版本。

随后选择这个特定的集群进行深入分析，包括光谱分析。单向方差分析揭示了吟唱对 delta 频段功率（1-4 Hz，见 图 3 和 图 4）的显着主效应。

figure-representative results-1413
图 3：单向方差分析揭示了吟唱对 delta 波段 （1-4 Hz） 功率的显着主效应。 此数字已获得 Gao 等人的许可1。 请单击此处查看此图的较大版本。

figure-representative results-1814
图 4：宗教诵经与非宗教诵经条件的事后分析。 分析表明，宗教吟诵比非宗教吟诵条件诱导更高的 delta 功率 （p = .011）。 请单击此处查看此图的较大版本。

进一步的事后分析表明，与无诵经条件相比，宗教诵经期间 HRV 的功率显着降低（见 图 5）。

figure-representative results-2308
图 5：无诵经静息状态与宗教诵经条件的事后分析。 分析表明，与没有诵经的休息状态相比，宗教诵经诱导的 HRV 总功率较低，绝对高频功率较低，绝对极低频功率较低。此数字已获得 Gao 等人的许可1。 请单击此处查看此图的较大版本。

研究结果表明，与非宗教吟诵相比，PCC 中特征向量中心性降低，这可能是由内生 delta 振荡的区域激增驱动的。这些功能变化独立于外周心脏或呼吸活动，不是由内隐语言处理触发的。相反，它们似乎与超验的幸福体验和以自我为中心的认知的减少有关。

补充文件 1：数据处理管道 1.请点击此处下载此文件。

补充文件 2：数据处理管道 2.请点击此处下载此文件。

讨论

虽然使用的 128 通道脑电图系统是高密度脑电图系统，但与 fMRI 相比，脑电图的空间分辨率仍然相对较差，而且这个缺点也影响了脑电图源定位的准确性，尤其是当多个脑区候选者是合理的时。因此，MRI 更深、更高的空间分辨率可以显著提高 EEG 源分析6 的空间精度，并指导选择最重要的集群进行进一步分析。本协议利用多模式神经成像工具，包括 EEG、ECG 和 fMRI 数据采集和分析方法。它展示了一种探索宗教吟诵和潜在其他形式的思维训练之间的神经生理学相关性的综合方法。该协议中的一个关键步骤是将 fMRI 结果应用于 EEG 源分析。获得的脑电图数据的质量对于后续分析和解释结果仍然至关重要。在脑电图数据分析中使用 ICA 和 k-means 聚类，结合 fMRI 结果，可以对数据进行更细致的理解 7,8。在宗教吟诵期间观察到的 delta 带功率调制与文献一致，表明 delta 节律可能通过神经活动的同步来调节行为。Delta 波可以促进集中注意力，并可能减少与默认模式网络相关的自我指涉思维。这种增强的 delta 活动表明深度恢复状态，可以通过加强认知和情绪处理来支持吟诵的治疗效果9。

这项研究的结果强调，与非宗教吟诵相比，宗教吟诵期间的 delta 波段功率显着增加。fMRI 结果表明，在宗教诵经期间，与自我相关处理10 相关的大脑区域的中心性急剧下降。生理数据的结果还表明，宗教吟诵的效果与非宗教吟诵的效果不同，并排除了其他潜在的混杂因素，包括语言处理或心脏活动引起的差异。总的来说，这些发现暗示了一条很有希望的途径，通过佛教咨询来临床应用宗教诵经，以促进 “不执着”的培养1,11,12。

局限性包括 fMRI 和 EEG 数据是从不同的受试者那里获得的13。其次，鉴于受试者之间的宗教诵经经历存在相当大的差异 1,14，如果所有受试者也都接受了 fMRI 扫描，那将是更好的选择。我们未来的研究将旨在解决这些限制，并进一步探索不同宗教和冥想实践的神经生理学影响。

尽管存在这些限制，但该协议在结合多模态神经影像学和生理测量工具（包括 EEG、ECG 和 fMRI 数据）方面是独一无二的，以提供宗教吟诵的神经生理学相关性的更全面视图。这种多模态神经影像学方法可以更深入地了解宗教和冥想实践，而这使用仅依赖单一数据类型的方法是不可能的15,16。

披露声明

作者声明他们没有相互竞争的经济利益。

致谢

该研究得到了国家自然科学研究院
中国国家自然科学基金 （NSFC.61841704）.

材料

NameCompanyCatalog NumberComments
3.0 T Philips MRI scannerPhilips3.0TMRI data acquisition device
EEGLABSwartz Center for Computational Neuroscience13.6.5bEEG analysis software
Electroencephalogram (EEG) systemElectrical Geodesics, Inc. (EGI)GES 200EEG acquisition device
HRVASRamshur, J.Version 1Plug-in for EEGLAB to process ECG data
HydroCel GSN 128 channelsElectrical Geodesics, Inc. (EGI)GSN 130EEG cap
iMac 27"AppleVersion 10.8Running the Netstation software
LabChartADInstrumentsVersion 8Physiological data acquisition software
LIPSIAMax-Planck-Institute for Human Cognitive and Brain SciencesVersion 2.2.7fMRI data analysis software
MatlabMathWorksR2011aEEGLAB is based on Matlab, statistical analysis tool for EEG data
NetstationElectrical Geodesics, Inc. (EGI)Version 3EEG acquisition software
PowerLab 8/35ADInstrumentsPL3508Physiological data acquisition hardware
SPSSIBMVersion 27Statistical analysis tool for behavior and EEG ROI data
Windows PCDellVersion 8Running the LabChart software

参考文献

  1. Gao, J., Leung, H. K., Wu, B. W. Y., Skouras, S., Sik, H. H. The neurophysiological correlates of religious chanting. Sci Rep. 9 (1), 4262 (2019).
  2. Sik, H. H., et al. Modulation of the neurophysiological response to fearful and stressful stimuli through repetitive religious chanting. J Vis Exp. (181), e62960 (2022).
  3. Gao, J., et al. Repetitive religious chanting invokes positive emotional schema to counterbalance fear: A multimodal functional and structural MRI study. Front Behav Neurosci. 14, 548856 (2020).
  4. Saarikivi, K., Chan, T. M. V., Huotilainen, M., Tervaniemi, M., Putkinen, V. Enhanced neural mechanisms of set shifting in musically trained adolescents and young adults: converging fMRI, EEG, and behavioral evidence. Cereb Cortex. 33 (11), 7237-7249 (2023).
  5. Suzuki, K., Laohakangvalvit, T., Matsubara, R., Sugaya, M. Constructing an emotion estimation model based on EEG/HRV indexes using feature extraction and feature selection algorithms. Sensors (Basel). 21 (9), 2910 (2021).
  6. Zhang, J., et al. The neural correlates of amplitude of low-frequency fluctuation: a multimodal resting-state MEG and fMRI-EEG study. Cereb Cortex. 33 (4), 1119-1129 (2023).
  7. Maruyama, Y., Ogata, Y., Martinez-Tejada, L. A., Koike, Y., Yoshimura, N. Independent components of EEG activity correlating with emotional state. Brain Sci. 10 (10), 669 (2020).
  8. Bigdely-Shamlo, N., Mullen, T., Kreutz-Delgado, K., Makeig, S. Measure projection analysis: a probabilistic approach to EEG source comparison and multi-subject inference. Neuroimage. 72, 287-303 (2013).
  9. Harmony, T. The functional significance of delta oscillations in cognitive processing. Front Integr Neurosci. 7, 83 (2013).
  10. Tompson, S., Chua, H. F., Kitayama, S. Connectivity between mPFC and PCC predicts post-choice attitude change: The self-referential processing hypothesis of choice justification. Hum Brain Mapp. 37 (11), 3810-3820 (2016).
  11. Lee, K. C. . The Guide to Buddhist Counseling. , (2022).
  12. Wu, B. W. Y., Gao, J., Leung, H. K., Sik, H. H. A Randomized Controlled Trial of Awareness Training Program (ATP), a Group-Based Mahayana Buddhist Intervention. Mindfulness. 10, 1280-1293 (2019).
  13. Gomes, B. A., Plaska, C. R., Ortega, J., Ellmore, T. M. A simultaneous EEG-fMRI study of thalamic load-dependent working memory delay period activity. Front Behav Neurosci. 17, 1132061 (2023).
  14. Gao, J., et al. Repetitive religious chanting modulates the late-stage brain response to fear-and stress-provoking pictures. Front Psychol. 7, 2055 (2017).
  15. Ciccarelli, G., et al. Simultaneous real-time EEG-fMRI neurofeedback: A systematic review. Front Hum Neurosci. 17, 1123014 (2023).
  16. Abreu, R., Nunes, S., Leal, A., Figueiredo, P. Physiological noise correction using ECG-derived respiratory signals for enhanced mapping of spontaneous neuronal activity with simultaneous EEG-fMRI. Neuroimage. 154, 115-127 (2017).

转载和许可

请求许可使用此 JoVE 文章的文本或图形

请求许可

探索更多文章

207 EEG FMRI Delta

This article has been published

Video Coming Soon

JoVE Logo

政策

使用条款

隐私

联系我们

向图书馆推荐

JoVE 新闻简报

科研

教育

发表

图书馆员

关于 JoVE

版权所属 © 2025 MyJoVE 公司版权所有，本公司不涉及任何医疗业务和医疗服务。