Modulation der neurophysiologischen Reaktion auf ängstliche und belastende Reize durch repetitives religiöses Chanten

Zusammenfassung

Die vorliegende ERP-Studie (Event-Related Potential) bietet ein einzigartiges Protokoll für die Untersuchung, wie religiöses Chanten negative Emotionen modulieren kann. Die Ergebnisse zeigen, dass das späte positive Potential (LPP) eine robuste neurophysiologische Reaktion auf negative emotionale Reize ist und durch wiederholtes religiöses Chanten effektiv moduliert werden kann.

Zusammenfassung

In neuropsychologischen Experimenten ist das späte positive Potential (LPP) eine ereignisbezogene Potenzialkomponente (ERP), die das Niveau der emotionalen Erregung widerspiegelt. Diese Studie untersucht, ob repetitives religiöses Chanten die emotionale Reaktion auf angst- und stressprovozierende Reize moduliert und so zu einem weniger reaktionsschnellen LPP führt. Einundzwanzig Teilnehmer mit mindestens einem Jahr Erfahrung im sich wiederholenden religiösen Gesang von "Amitabha Buddha" wurden rekrutiert. Ein 128-Kanal-Elektroenzephalographie-System (EEG) wurde verwendet, um EEG-Daten zu sammeln. Die Teilnehmer wurden angewiesen, negative oder neutrale Bilder aus dem International Affective Picture System (IAPS) unter drei Bedingungen zu betrachten: sich wiederholendes religiöses Chanten, repetitives nichtreligiöses Chanten und kein Chanten. Die Ergebnisse zeigten, dass das Betrachten der negativen angst- und stressprovozierenden Bilder bei den Teilnehmern zu größeren LPPs führte als das Betrachten neutraler Bilder unter den Bedingungen ohne Gesang und nicht religiöses Chanten. Diese erhöhte LPP verschwand jedoch weitgehend unter sich wiederholenden religiösen Gesangsbedingungen. Die Ergebnisse deuten darauf hin, dass wiederholtes religiöses Chanten die neurophysiologische Reaktion auf ängstliche oder stressige Situationen für Praktizierende effektiv lindern kann.

Einleitung

Das späte positive Potential (LPP) wird seit langem von emotionaler Erregung begleitet und in der emotionsbezogenen Forschung zuverlässig ^genutzt1,2. Religiöse Praxis ist sowohl in östlichen als auch in westlichen Ländern weit verbreitet. Es wird behauptet, dass es die Angst und den Stress des Praktizierenden lindern kann, wenn er mit unerwünschten Ereignissen konfrontiert ist, insbesondere in schwierigen ^Zeiten3. Nichtsdestotrotz wurde dies selten unter strengen experimentellen Einstellungen nachgewiesen.

Zahlreiche Studien haben bestätigt, dass Emotionsregulation mit verschiedenen Strategien und Frameworks erlernt werden ^kann4,5,6. Einige Studien haben gezeigt, dass Achtsamkeit und Meditation die neuronale Reaktion auf affektive Ereignisse modulieren ^können7,8. Kürzlich wurde festgestellt, dass Meditationspraktiker andere Emotionsmodulationsstrategien als kognitive Beurteilung, Unterdrückung und Ablenkung anwenden ^können8,9. Reize aus dem International Affective Picture System (IAPS) können verwendet werden, um positive oder negative Emotionen zuverlässig hervorzurufen, und es gibt Standardkriterien, um entworfene Bilder mit bestimmten Valenz- und Erregungsniveaus in der affektiven Forschung ^{zu finden10}.

Emotionale Reize können frühe und spätere Reaktionen im Gehirn ^{hervorrufen3,11}. In ähnlicher Weise führte die tradition des Buddhismus eine analoge Analyse der Gedanken des Geistes durch anfängliche und sekundäre mentale Prozesse durch3,12,13 durch. Die Sallatha Sutta (Die Pfeilsutta), ein früher buddhistischer Text, erwähnt, dass kognitives Training Emotionen zähmen kann. Die Arrow Sutta besagt, dass sowohl ein gut ausgebildeter buddhistischer Praktizierender als auch eine untrainierte Person eine anfängliche und negative Schmerzwahrnehmung erfahren, wenn sie einem schädlichen Ereignis ^{gegenüberstehen13}. Dieser unvermeidliche Anfangsschmerz ähnelt einer Person, die von einem Pfeil getroffen wird, wie in der Sallatha Sutta beschrieben. Frühe Wahrnehmungsschmerzen sind identisch mit dem Stadium der frühen Verarbeitung, wenn eine Person ein sehr negatives Bild sieht. Frühe neuronale Verarbeitung löst normalerweise eine N1-Komponente aus. Untrainierte Personen können übermäßige Emotionen wie Sorgen, Angstzustände und Stress entwickeln, nachdem sie die anfänglichen, unvermeidlichen schmerzhaften Gefühle erlebt haben. Laut der Sallatha Sutta ist diese sich spät entwickelnde negative Emotion oder dieser psychische Schmerz wie ein Schlag von einem zweiten Pfeil. Ein ereignisbezogenes Potenzialexperiment (ERP) kann die frühen und späteren psychologischen Prozesse des aktuellen Designs erfassen, vorausgesetzt, dass N1 und LPP den beiden oben genannten Pfeilen entsprechen könnten.

In diesem Protokoll wurde das wiederholte Chanten des Namens "Amitabha Buddha" (Sanskit: Amitābha) gewählt, um die mögliche Wirkung des religiösen Chantens zu testen, wenn sich eine Person in einer ängstlichen oder stressigen Situation befindet. Dieser religiöse Gesang ist eine der beliebtesten Praktiken von Personen mit religiöser Orientierung unter chinesischen Buddhisten und eine Kernpraxis des ostasiatischen Reinland-Buddhismus14. Es wurde die Hypothese aufgestellt, dass sich wiederholendes religiöses Chanten die Gehirnreaktion auf provozierende Reize reduzieren würde, nämlich das LPP, das durch ängstliche oder stressige Bilder induziert wird. Sowohl EEG- als auch Elektrokardiogramm-Daten (EKG) wurden gesammelt, um die neurophysiologischen Reaktionen der Teilnehmer unter verschiedenen Bedingungen zu bewerten.

Protokoll

Diese ERP-Studie wurde vom Institutional Review Board der University of Hong Kong genehmigt. Vor der Teilnahme an dieser Studie unterzeichneten alle Teilnehmer eine schriftliche Einverständniserklärung.

1. Versuchsplanung

1. Teilnehmer rekrutieren
   1. Rekrutiere Teilnehmer mit mindestens 1 Jahr (~ 200-3.000 h) Erfahrung im Chanten des Namens "Amitabha Buddha" für diese Studie.
      ANMERKUNG: In der vorliegenden Studie wurden 21 menschliche Teilnehmer im Alter von 40 bis 52 Jahren ausgewählt; 11 waren Männer.
2. Religiöses Chanten vs. nichtreligiöses Chanten
   1. Chanten Sie den Namen "Amitabha Buddha" für 40 s. Erste 20 s mit dem Bild von Amitabha Buddha und die nächsten 20 s mit IAPS Bildern.
      1. Chanten Sie nur vier Zeichen des Namens "Amitabha Buddha", während Sie das Bild des Amitabha Buddha in der Pureland-Schule ^betrachten14.
   2. Chanten Sie den Namen des Weihnachtsmannes (nicht-religiöse Gesangsbedingung) für 40 s. Erste 20 s beim Betrachten des Bildes des Weihnachtsmannes und die nächsten 20 s mit IAPS-Bildern.
      1. Chanten Sie nur vier Zeichen des Namens des Weihnachtsmannes und stellen Sie sich den Weihnachtsmann vor.
   3. Schweigen Sie 40 s lang. Die ersten 20 s mit einem leeren Bild zu Kontrollzwecken und die nächsten 20 s mit IAPS-Bildern.
      HINWEIS: Kein Chanten.
3. EEG-Aufzeichnungssystem
   1. Erfassen Sie EEG-Daten mit einem 128-Kanal-EEG-System, das aus einem Verstärker, einem Stoffauflauf, einer EEG-Kappe und zwei Desktop-Computern besteht (siehe Materialtabelle).
4. Stimuli präsentierendes System
   1. Verwenden Sie eine Stimulus-Präsentationssoftware (siehe Materialtabelle), um neutrale und negative Bilder aus dem IAPS auf einem Desktop-Computer anzuzeigen.
5. EKG-Aufzeichnungssystem
   1. Verwenden Sie ein physiologisches Datenerfassungssystem, um EKG-Daten aufzuzeichnen (siehe Materialtabelle).

2. Affektives Modulationsexperiment

HINWEIS: Das Experiment hatte zwei Faktoren mit einem 2 x 3 Design: Der erste Faktor war der Bildtyp: neutral und negativ (angst- und stressprovozierend). Der zweite Faktor war der Gesangstyp: "Amitabha Buddha" chanten, "Santa Claus" chanten und kein Chanten (stille Ansicht).

1. Verwenden Sie ein Blockdesign, da es emotionsbezogene Komponenten effektiver hervorrufen ^kann15.
   HINWEIS: Es gab sechs Bedingungen, und die Sequenzen wurden randomisiert und zwischen den Teilnehmern ausgeglichen (Abbildung 1). Die sechs Bedingungen waren wie folgt: religiöse Gesänge beim Betrachten von Negativbildern (AmiNeg); religiöse Gesänge beim Betrachten neutraler Bilder (AmiNeu); kein Chanten beim Betrachten von Negativbildern (PasNeg); kein Singen beim Betrachten neutraler Bilder (PasNeu); nichtreligiöses Singen beim Betrachten von Negativbildern (SanNeg); und nichtreligiöses Singen beim Betrachten neutraler Bilder (SanNeu).

Abbildung 1: Das experimentelle Verfahren. Es gab sechs pseudozufällige Bedingungen, und jeder Teilnehmer erhielt eine pseudozunomisierte Sequenz. Jede Bedingung wurde sechsmal in zwei separaten Sitzungen wiederholt. Diese Zahl wurde von ^Reference3 übernommen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

2. Zeigen Sie jedes Bild für ~ 1,8-2,2 s mit einem Interstimulusintervall (ISI) von 0,4-0,6 s.
   HINWEIS: In jeder Sitzung gab es 10 Bilder des gleichen Typs (neutral oder negativ).
3. Planen Sie nach jeder Sitzung eine Ruhezeit von 20 s ein, um den möglichen Resteffekten des Chantens oder der Bildbetrachtung auf die nächste Sitzung entgegenzuwirken.
4. Präsentieren Sie die Bilder auf einem CRT-Monitor in einem Abstand von 75 cm von den Augen der Teilnehmer, mit Sichtwinkeln von 15° (vertikal) und 21° (horizontal).
5. Bitten Sie die Teilnehmer, die Bilder sorgfältig zu beobachten.
6. Stellen Sie den Teilnehmern einen kurzen Übungslauf zur Verfügung, damit sie sich mit jeder Bedingung vertraut machen können. Verwenden Sie einen Videomonitor, um sicherzustellen, dass die Teilnehmer nicht einschlafen.
7. Geben Sie den Teilnehmern eine 10-minütige Pause in der Mitte des 40-minütigen Experiments.

3. EEG- und EKG-Datenerhebung

HINWEIS: Bevor Sie zum Experiment kommen, bitten Sie jeden Teilnehmer, seine Haare und Kopfhaut gründlich zu waschen, ohne einen Conditioner oder etwas anderes zu verwenden, das die Impedanz des Systems erhöhen könnte. Erfassen Sie die EEG- und EKG-Daten gleichzeitig in zwei getrennten Systemen.

1. Informieren Sie jeden Teilnehmer über die experimentellen Verfahren, dh dass effektive Bilder unter verschiedenen Chanting-Bedingungen betrachtet wurden.
2. Stellen Sie die Abtastrate auf 1.000 Hz ein und halten Sie die Impedanz jeder Elektrode unter 30 kΩ, wann immer dies möglich ist oder den Anforderungen des Systems entspricht.
3. Sammeln Sie physiologische Daten, einschließlich EKG-Daten, mit einem physiologischen Datenaufzeichnungssystem (siehe Materialtabelle).

4. EEG-Datenanalyse

1. Verarbeiten und analysieren Sie die EEG-Daten mit EEGLAB (siehe Tabelle der Materialien), Supplementary File 1-2, einer Open-Source-Software16 nach den folgenden Schritten.
2. Verwenden Sie die EEGLAB-Funktion "pop_resample", um die Daten von 1.000 Hz auf 250 Hz neu zu berechnen, um eine angemessene Datendateigröße beizubehalten. Klicken Sie auf Extras > Abtastrate ändern.
3. Verwenden Sie die EEGLAB-Funktion "pop_eegfiltnew", um die Daten mit einem Finite Impulse Response (FIR) Filter mit 0,1-100 Hz Passband zu filtern. Klicken Sie auf Extras > Daten > Einfachen FIR-Filter filtern (neu, Standard).
4. Filtern Sie die Daten erneut mit einem nichtlinearen IIR-Filter (Infinite Impulse Response) mit einem 47-53 Hz-Stoppband, um das Rauschen des Wechselstroms zu reduzieren. Klicken Sie auf Extras > Daten filtern > wählen Sie Notch filtern die Daten anstelle von Passband.
5. Untersuchen Sie die Daten visuell, um starke Artefakte zu entfernen, die durch Augen- und Muskelbewegungen erzeugt wurden. Klicken Sie auf Plot > Kanaldaten (scrollen).
6. Überprüfen Sie die Daten erneut visuell auf konsistentes Rauschen, das von einem Kanal erzeugt wird, und die fehlerhaften Kanäle wurden festgestellt.
7. Rekonstruieren Sie die fehlerhaften Kanäle mit sphärischer Interpolation. Klicken Sie auf Extras > Elektroden interpolieren > Aus den Datenkanälen auswählen.
8. Führen Sie eine unabhängige Komponentenanalyse (ICA) mit dem Open-Source-Algorithmus "runica"^{16 durch}. Klicken Sie auf Tools > ICA ausführen.
9. Entfernen Sie die unabhängigen Komponenten (Independent Components, ICs), die Augenbewegungen, Blinzeln, Muskelbewegungen und Linienrauschen entsprechen. Klicken Sie auf Extras > Daten mit ICA ablehnen > Komponenten nach Karte ablehnen.
10. Rekonstruieren Sie die Daten mithilfe der verbleibenden ICs. Klicken Sie auf Extras > Komponenten entfernen.
11. Filtern Sie die Daten mit einem 30 Hz Tiefpassfilter. Klicken Sie auf Extras > Daten > Einfachen FIR-Filter filtern (neu, Standard).
12. Erhalten Sie ERP-Daten durch Extrahieren und Mittelwerten von zeitgebundenen Epochen für jede Bedingung mit einem Zeitfenster von -200 bis 0 ms als Baseline und 0 bis 800 ms als ERP. Klicken Sie auf Werkzeuge > Epochen extrahieren.
13. Referenzieren Sie die ERP-Daten erneut mit dem Durchschnitt der linken und rechten Mastoidkanäle. Klicken Sie auf Extras > Referenzieren.
14. Wiederholen Sie die obigen Schritte für die Datensätze aller Teilnehmer und vergleichen Sie die Unterschiede zwischen den Bedingungen mit dem t-Test oder der ANOVA mit wiederholten Messungen in einer statistischen Analysesoftware (siehe Materialtabelle).
15. Definieren Sie Zeitfenster für N1 und LPP basierend auf etablierten ^Theorien8,17 und den aktuellen ^Daten3.
    HINWEIS: In dieser Arbeit wurde N1 als 100-150 ms definiert, während LPP als 300-600 ms ab Stimulusbeginn definiert wurde; LPP ist in der zentral-parietalen Region am prominentesten (Abbildung 2).
16. Ermitteln Sie den Unterschied zwischen neutralem und negativem Bild an der N1-Komponente mit einem gepaarten t-Test unter drei Bedingungen (Abbildung 3).
17. Ermitteln Sie den Unterschied zwischen neutralem und negativem Bild an der LPP-Komponente mithilfe eines gepaarten t-Tests unter drei Bedingungen (Abbildung 4).
18. Führen Sie ROI-Analysen (Region of Interest) für N1- und LPP-Komponenten durch, indem Sie relevante Kanäle zur Darstellung einer Region mittelen.
    HINWEIS: Um den ROI auszuwählen, wurden die Epochen aller drei Bedingungen gemittelt, um diejenigen Kanäle zu berechnen, in denen die neutralen und negativen Bilder eine Differenz aufwiesen, die im spezifischen Zeitfenster signifikant war (z. B. für N1 oder LPP).
19. Vergleichen Sie die Differenz bei N1 und LPP separat, indem Sie wiederholte Messungen ANOVA und Post-hoc-Statistiken in statistischer Analysesoftware verwenden.
    HINWEIS: Verwenden Sie die Post-hoc-Analyse (Bonferroni-Korrektur) und bestimmen Sie signifikante Unterschiede zwischen den beiden Bedingungen separat, wenn das Modell signifikant war. Die Signifikanzschwelle wurde auf p < 0,05 festgelegt.

5. ERP-Quellenanalyse

1. Führen Sie die ERP-Quellenanalyse18 mit der Open-Source-Software ^SPM19 (siehe Materialtabelle) durch, indem Sie die folgenden Schritte ausführen.
2. Verknüpfen Sie das Koordinatensystem des EEG-Kappensensors mit dem Koordinatensystem eines standardmäßigen strukturellen MRT-Bildes (Koordinaten des Montreal Neurological Institute (MNI)) durch landmarkenbasierte Co-Registrierung. Klicken Sie in SPM auf Batch > SPM > M/EEG > Source Reconstruction > Head Modellspezifikation.
3. Führen Sie eine Vorwärtsberechnung durch, um die Wirkung jedes Dipols auf das kortikale Netz zu berechnen, das den EEG-Sensoren auferlegt wird. Klicken Sie im selben Batch-Editor auf SPM > M/EEG > Quellrekonstruktion > Quellinversion.
   HINWEIS: Diese Ergebnisse wurden in einer G-Matrix (n x m) platziert, wobei n die Anzahl der Sensoren (EEG-Raumdimension) und m die Anzahl der Netzeckpunkte (Quellraumdimension) ist. Das Quellmodell war X = GS, wobei X eine n x k-Matrix ist, die die ERP-Daten jeder Bedingung angibt, k die Anzahl der Zeitpunkte und S eine m x k-Matrix ist, die die ERP-Quelle angibt.
4. Verwenden Sie im dritten Schritt (unter den vielen verfügbaren Algorithmen) den gierigen suchbasierten Algorithmus für mehrere Sparse-Priors (da S unbekannt ist), um die inverse Rekonstruktion durchzuführen, da er zuverlässiger ist als andere ^Methoden20. Wählen Sie MSP (GS) als Inversionstyp im Fenster Quellinversion aus.
5. Bestimmen Sie die Differenz zwischen den Bedingungen mithilfe der allgemeinen linearen Modellierung in SPM. Legen Sie das Signifikanzniveau auf p < 0,05 fest. Klicken Sie unter Batch Editor auf SPM > Stats > Factorial Design Specification.

6. EKG-Daten und Analyse der Verhaltensbewertung

1. Verwenden Sie physiologische und Datenverarbeitungssoftware, um die EKG-Daten zu verarbeiten und zu analysieren (siehe Materialtabelle). Berechnen Sie die Mittelwerte für jede Bedingung. Klicken Sie in EEGLAB auf Tools > FMRIB Tools > QRS-Ereignisse ^erkennen21.
   HINWEIS: Ähnlich wie bei der ERP-Amplitudenanalyse wurde eine statistische Software verwendet, um die Daten mit wiederholten Messungen ANOVA weiter zu analysieren. Eine Post-hoc-Analyse wurde durchgeführt, um die signifikanten Unterschiede zwischen den beiden Bedingungen separat zu bestimmen, wenn das Modell signifikant war. Das Signifikanzniveau wurde auf p < 0,05 gesetzt.
2. Bitten Sie die Teilnehmer, ihren Glauben an die Wirksamkeit des Chantens des Namens des Subjekts (Amitabha Buddha, Weihnachtsmann usw.) auf einer Skala von 1-9 zu bewerten, wobei 1 als am schwächsten und 9 als der stärkste gilt.

Ergebnisse

Verhaltensergebnisse
Die Ergebnisse für den Glauben der Teilnehmer an das Chanten ergaben eine durchschnittliche Punktzahl von 8,16 ± 0,96 für "Amitabha Buddha", 3,26 ± 2,56 für "Santa Claus" und 1,95 ± 2,09 für die Blanko-Kontrollbedingung (Ergänzende Tabelle 1).

ERP-Ergebnisse
Der repräsentative Kanal von Pz (Parietallappen) zeigte, dass die Chanting-Bedingungen unterschiedliche Auswirkungen auf die frühe (N1) und späte (LPP) Verarbeitung von neutralen und negativen Bildern hatten. Es zeigte das Zeitfenster von N1 bzw. LPP (Abbildung 2).

Frühes Wahrnehmungsstadium
Die ERP-Ergebnisse zeigten ein erhöhtes N1 beim Betrachten der Negativbilder unter drei Chanting-Bedingungen (Abbildung 3). Es zeigte sich, dass negative Bilder stärkere zentrale Gehirnaktivitäten induzierten als neutrale Bilder, und die Zunahmen sind unter drei Bedingungen vergleichbar.

Spätes emotionales/kognitives Stadium
Die ERP zeigte einen erhöhten LPP in den nichtreligiösen Gesangs- und Nicht-Chanting-Bedingungen. Das durch Negativbilder induzierte LPP ist jedoch kaum sichtbar, wenn der Teilnehmer den Namen Amitabha Buddhas singt (Abbildung 4).

Roi-Analyse (Region of Interest)
Die drei Bedingungen wurden kombiniert, um die Regionen abzuschätzen, die im Allgemeinen an N1- und LPP-Komponenten aktiviert wurden. Wiederholte Messungen ANOVA wurde mit statistischer Software durchgeführt, um die Differenz in den N1- und LPP-Komponenten zwischen den Chanting-Bedingungen zu berechnen (Abbildung 5).

Die linken drei Spalten zeigen den Unterschied in der N1-Komponente für die drei Gesangsbedingungen: die stille Betrachtungsbedingung, die nichtreligiöse Gesangsbedingung und die religiöse Chanting-Bedingung. Die Unterschiede in der N1-Komponente waren unter den drei Bedingungen ähnlich. Die rechten drei Spalten zeigen den Unterschied in der LPP-Komponente für die drei Chanting-Bedingungen. Dies zeigt, dass der Unterschied in der LPP-Komponente in der religiösen Gesangsbedingung viel geringer ist als in der nichtreligiösen Gesangsbedingung und der stillen Betrachtungsbedingung.

Quellenanalyse
Die Quellenanalyse wurde angewendet, um die potenzielle Gehirnkartierung basierend auf den LPP-Ergebnissen zu extrahieren (Abbildung 6). Die Ergebnisse zeigen, dass negative Bilder im Vergleich zu neutralen Bildern eine stärkere parietale Aktivierung in der nichtreligiösen Gesangsbedingung und keiner Chanting-Bedingung induzieren. Im Gegensatz dazu verschwindet diese negative Bild-induzierte Aktivierung weitgehend in der religiösen Gesangsbedingung.

Physiologische Ergebnisse: Herzfrequenz
Es gab eine signifikante Veränderung der Herzfrequenz (HR) zwischen den negativen und neutralen Bildern im nichtreligiösen Gesangszustand. Ein ähnlicher Trend wurde in der No-Chanting-Bedingung gefunden. Ein solcher HR-Unterschied wurde jedoch in der religiösen Gesangsbedingung nicht gefunden (Abbildung 7).

Abbildung 2: Ein repräsentativer Kanal (Pz) zeigte unterschiedliche ERPs in sechs Chanting-Bedingungen. Die sechs Bedingungen sind (1) religiöses Singen beim Betrachten neutraler Bilder (AmiNeu); (2) religiöse Gesänge beim Betrachten von Negativbildern (AmiNeg); (3) nichtreligiöses Singen beim Betrachten neutraler Bilder (SanNeu); (4) nichtreligiöses Singen beim Betrachten von Negativbildern (SanNeg); (5) kein Singen beim Betrachten neutraler Bilder (PasNeu); und (6) kein Singen beim Betrachten von Negativbildern (PasNeg). Der Kanal Pz befindet sich im mittelparietalen Bereich der Kopfhaut. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 3: Die ERP-Ergebnisse zur Demonstration der N1-Komponente in den drei Chanting-Bedingungen. Zweidimensionale Karten der N1-Komponente für die drei Bedingungen für jeden Bildtyp. In der letzten Spalte werden Kanäle mit signifikanten Unterschieden (p < 0,05) mit Punkten dargestellt; Punkte, die eine dunklere Farbe haben, zeigen eine größere Bedeutung an (d. h. kleinere p-Werte). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 4: Die ERP-Ergebnisse zur Demonstration der LPP-Komponente in den drei Chanting-Bedingungen. Zweidimensionale Karten der LPP-Komponente (Late Positive Potential) für die drei Bedingungen für jeden Bildtyp. In der letzten Spalte werden Kanäle mit signifikanten Unterschieden (p < 0,05) mit Punkten dargestellt; Punkte, die eine dunklere Farbe haben, zeigen eine größere Bedeutung an (d. h. kleinere p-Werte). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 5: ROI-Analyse (Region of Interest). Die Region of Interest (ROI) Analyse über den Unterschied zwischen negativen vs. neutralen bildinduzierten Gehirnreaktionen für die frühe Komponente, N1, und die späte Komponente, das späte positive Potenzial (LPP). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 6: Quellenanalyse der LPP-Komponente (Late Positive Potential) unter den drei Bedingungen. Hervorgehobene Bereiche weisen auf eine höhere Gehirnaktivität unter negativen im Vergleich zu neutralen Bedingungen hin. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 7: Die Herzschlagintervalle unter den drei Chanting-Bedingungen. Die Inter-Beat-Intervalle (RRs) des Elektrokardiogramms unter jeder Bildtyp/Chanting-Kombination und den entsprechenden p-Werten . Ami: Amitabha Buddha Chanting Condition, San: Santa Claus Chanting Condition, Pas: passive Betrachtungsbedingung, Neu: neutrales Bild, Neg: Negativbild. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Ergänzende Tabelle 1: Bewertung des Glaubens an die Wirksamkeit des chantenden Subjekts (Amitabha Buddha, Weihnachtsmann). Es verwendet eine Skala von 1-9, wobei 1 den geringsten Glauben und 9 den stärksten Glauben angibt. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Ergänzungsakte 1: Code für die EEG-Datenchargenvorverarbeitung. Es entfernt fehlerhafte Kanäle, sampelt die Daten auf 250 Hz neu ab und filtert dann die Daten. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Datei 2: Code für die ERP-Datenreparatur. Es repariert schlechte Epochen mit lauten Stacheln. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Diskussion

Die Einzigartigkeit dieser Studie ist die Anwendung einer neurowissenschaftlichen Methode, um die neuronalen Mechanismen zu untersuchen, die einer weit verbreiteten religiösen Praxis, d.h. dem sich wiederholenden religiösen Gesang, zugrunde liegen. Aufgrund ihrer herausragenden Wirkung könnte diese Methode neue Interventionen für Therapeuten oder Kliniker ermöglichen, um Klienten zu behandeln, die mit emotionalen Problemen zu tun haben und unter Angstzuständen und Stress leiden. Zusammen mit früheren Studien sollte eine breitere Emotionsregulationsforschung in zukünftigen Studien berücksichtigt werden7,8,9,22.

Es gibt nur wenige ERP-Studien zum Chanten, da es schwierig ist, Experimente zu konstruieren, die Chanting und andere kognitive Ereignisse kombinieren. Diese Studie zeigt ein praktikables Protokoll zur Untersuchung der affektiven Wirkung des Chantens / Betens, das in der realen Welt sehr beliebt ist. Frühere Studien zur funktionellen MRT (fMRT) ergaben, dass das Beten Bereiche der sozialen Kognition ^rekrutiert23. Eine fMRT-Studie im Ruhezustand ergab, dass das Chanten von "OM" die Ausgänge der vorderen cingulären, insula und orbitofrontalen Cortices ^reduzierte24. Eine weitere EEG-Studie ergab, dass die "OM"-Meditation die Deltawellen erhöhte und die Erfahrung von Entspannung und Tiefschlaf ^induzierte25. Diese Methoden konnten jedoch die spezifischen ereignisbezogenen Veränderungen nach religiösem Gesang nicht genau untersuchen.

Forscher sollten die Störfaktoren der Sprachverarbeitung und Vertrautheit kontrollieren, um die potenziellen Auswirkungen von sich wiederholendem religiösem Gesang erfolgreich zu untersuchen. Da die Teilnehmer ausgiebig und täglich den Namen "Amitabha Buddha" (chinesische Schriftzeichen: ; Kantonesische Aussprache: o1-nei4-to4-fat6), verwendeten wir den Namen "Santa Claus" (chinesische Schriftzeichen: ; Kantonesische Aussprache: sing3-daan3-lou5-jan4) als Kontrollbedingung, da der Einheimische mit dem Weihnachtsmann vertraut ist. Im Chinesischen enthalten beide Namen vier Zeichen, was die Sprachähnlichkeit steuert. In Bezug auf die Vertrautheit ist der Weihnachtsmann auch in Hongkong sehr beliebt, da es sich um eine teilweise verwestlichte Stadt handelt. Darüber hinaus ist der Weihnachtsmann auch in Hongkong, wo es offizielle Weihnachtsfeiertage gibt, eine etwas positive Figur. Dennoch ist diese Kontrolle der Vertrautheit partiell, da es schwierig ist, das Verständnis von Amitabha Buddhas Namen für die Praktizierenden vollständig zu erreichen.

Ein kritischer Schritt in der aktuellen Studie war die Aufbereitung der angst- oder stressauslösenden Bilder. Da religiöses Chanten bei bedrohlichen Ereignissen besser funktionieren kann, war die Auswahl der richtigen Reize aus dem IAPS-Bildpool26 entscheidend. Es wird empfohlen, potenzielle Teilnehmer zu interviewen und geeignete Bilder auszuwählen, um zu viel Angst oder Ekel zu vermeiden. Stark negative Bilder könnten die Teilnehmer daran hindern, ihre Aufmerksamkeit absichtlich abzuwenden; gleichzeitig sollen die angst- und stressauslösenden Reize es den Teilnehmern ermöglichen, eine ausreichende Bedrohung zu erfahren. Ein weiteres kritisches Thema ist das Blockdesign der Studie. Das EEG/ERP-Signal ist empfindlich und dynamisch genug, um jedes Ereignis zu verfolgen. Es wäre jedoch angemessener, ein Blockdesign mit einer Betrachtungsdauer von 20-30 s zu implementieren, da sich das Muster der Herzfunktion oder -emotion möglicherweise nicht in der Größenordnung von Sekunden ^ändert27. Auf der anderen Seite könnte ein 60-s-Block zu lang sein, und die neuronale Reaktion könnte sich in den ERP-Studien gewöhnen.

Die EEG-Datenverarbeitungsphase muss in jedem Schritt eine Sicherung erstellen, da jeder Schritt die Daten ändert und die während dieser Schritte vorgenommenen Änderungen aufzeichnet. Dies kann verwendet werden, um Änderungen zu verfolgen und das Auffinden von Fehlern während der Stapelverarbeitung zu erleichtern. Die Verbesserung der Datenqualität ist ebenfalls unerlässlich, daher ist Erfahrung in der Bereinigung von Rohdaten und der Identifizierung fehlerhafter ICs erforderlich. Bei der statistischen Analyse wurden Vergleiche zu großen Durchschnittswerten angestellt und ANOVA angewendet. Wir weisen darauf hin, dass diese Statistik mit dem Fixed-Effect-Modell anfällig für zufällige Effekte ^ist28. Mixed-Effects-Modelle können angepasst werden, um externe Faktoren zu ^{kontrollieren29}, und die Annahme der Linearität kann potenziell Rückschlüsse aus den ERP-Daten ^{beeinflussen30}.

Mehrere Einschränkungen sind erwähnenswert. Eine Einschränkung besteht darin, dass die aktuelle Studie nur eine Gruppe von Teilnehmern einschrieb, die den Pureland-Buddhismus praktizierten. Die Aufnahme einer Kontrollgruppe ohne Erfahrung im religiösen Chanten zum Vergleich könnte helfen festzustellen, ob die Wirkung des religiösen Chantens durch Glauben oder Vertrautheit vermittelt wird. Normalerweise wäre eine randomisierte kontrollierte Studie überzeugender, um den Einfluss der Emotionsmodulation auf religiöse Gesänge zu ^{untersuchen31}. Es ist jedoch schwer zu garantieren, dass ein Teilnehmer wiederholt "Amitabha Buddha" mit voller Bereitschaft chanten würde. Darüber hinaus wird das LPP durch andere Faktoren beeinflusst, wie z. B. emotionalen Klang oder positives ^Priming32,33. Daher sind besser kontrollierte Experimente erforderlich, um den grundlegenden Neuromechanismus, der der Wirkung des religiösen Gesangs zugrunde liegt, klarer zu beschreiben.

Zusammenfassend haben frühere Studien gezeigt, dass das menschliche Gehirn der neuronalen Plastizität und der schnellen Veränderung von Zuständen subjektiv ^ist34,35; Mit ausreichender Übung und Absicht kann sich das Gehirn umformen und anders auf normalerweise ängstliche Reize reagieren. Diese Studie gibt Einblicke in die Entwicklung effektiver Bewältigungsstrategien für den Umgang mit emotionaler Belastung in zeitgenössischen Kontexten. Nach diesem Protokoll sollten Forscher die Wirkung von religiösem Gesang oder anderen traditionellen Praktiken untersuchen, um praktikable Wege zu finden, um Menschen zu helfen, ihre emotionalen Leiden zu lindern.

Materialien

Name	Company	Catalog Number	Comments
E-Prime 2.0	Psychology Software Tools		stimulus presentation, behavior data collection
EEGLAB	Swartz Center for Computational Neuroscience		EEG analysis software
HydroCel GSN 128 channels	Electrical Geodesics, Inc. (EGI)		EEG cap
LabChart	ADInstruments		physiological data (including ECG) acquisition software
Matlab R2011a	MathWorks		EEGLAB and SPM are based on Matlab; statistical analysis tool for EEG and physiological data
Netstation	Electrical Geodesics, Inc. (EGI)		EEG acquisition software
PowerLab 8/35	ADInstruments	PL3508	physiological data (including ECG) acquisition hardware
SPM	Wellcome Trust Centre for Neuroimaging		EEG source analysis software
FMRIB	University of Oxford Centre for Functional MRI of the Brain (FMRIB)		Plug-in for EEGLAB to process ECG data
SPSS	IBM		statistical analysis tool for behavior and EEG ROI data
iMac 27"	Apple		running the Netstation software
Windows PC	HP		running the E-Prime 2.0 software
Windows PC	Dell		running the LabChart software