Anmelden

In diesem Artikel

  • Zusammenfassung
  • Zusammenfassung
  • Einleitung
  • Protokoll
  • Repräsentative Ergebnisse
  • Diskussion
  • Offenlegungen
  • Danksagungen
  • Materialien
  • Referenzen
  • Nachdrucke und Genehmigungen

Zusammenfassung

Hier stellen wir ein Protokoll vor, um die neurophysiologischen Korrelate verschiedener Meditationsformen, einschließlich des religiösen Chantens, zu untersuchen. Diese Methode integriert auf einzigartige Weise fMRT-Eigenvektorergebnisse für die Regionsauswahl bei der Analyse von Elektroenzephalogramm (EEG)-Quellen unter Verwendung von k-Means-Clustering. Die Ergebnisse ermöglichen ein tiefgreifendes Verständnis der neuronalen Prozesse, die an repetitiven religiösen Gesängen beteiligt sind.

Zusammenfassung

Dieses Protokoll stellt einen multimodalen Neuroimaging-Ansatz vor, um die potenzielle Gehirnaktivität zu untersuchen, die mit sich wiederholendem religiösen Singen verbunden ist, einer weit verbreiteten Form des Geistestrainings sowohl in östlichen als auch in westlichen Kulturen. Das Elektroenzephalogramm (EEG) mit hoher Dichte ermöglicht mit seiner überlegenen zeitlichen Auflösung die Erfassung der dynamischen Veränderungen der Gehirnaktivität während des religiösen Gesangs. Durch Methoden zur Lokalisierung von Quellen können diese verschiedenen alternativen potenziellen Quellen der Hirnregion zugeordnet werden. Zwanzig Praktizierende des religiösen Singens wurden mit EEG gemessen. Allerdings ist die räumliche Auflösung des EEG im Vergleich zur funktionellen Magnetresonanztomographie (fMRT) weniger genau. Daher unterzog sich ein sehr erfahrener Praktiker einer fMRT-Scan-Sitzung, um die Lokalisierung der Quelle genauer zu steuern. Die fMRT-Daten halfen bei der Auswahl der Lokalisierung der EEG-Quelle und machten die Berechnung der K-Mittel der Lokalisierung der EEG-Quelle in der Gruppe von 20 intermediären Praktikern präziser und zuverlässiger. Diese Methode verbesserte die Fähigkeit des EEG, die Gehirnregionen zu identifizieren, die während des religiösen Singens spezifisch beansprucht werden, insbesondere die kardinale Rolle des hinteren cingulären Kortex (PCC). Der PCC ist ein Gehirnbereich, der mit Fokus und selbstreferentieller Verarbeitung zusammenhängt. Diese multimodale Bildgebung und neurophysiologische Ergebnisse zeigen, dass wiederholtes religiöses Chanten im Vergleich zu nicht-religiösem Chanten und Ruhezuständen eine geringere Zentralität und eine höhere Delta-Wellen-Leistung induzieren kann. Die Kombination aus fMRT- und EEG-Quellenanalyse ermöglicht ein detaillierteres Verständnis der Reaktion des Gehirns auf sich wiederholende religiöse Gesänge. Das Protokoll leistet einen wichtigen Beitrag zur Erforschung der neuronalen Mechanismen religiöser und meditativer Praktiken, die heutzutage immer mehr an Bedeutung gewinnt. Die Ergebnisse dieser Studie könnten erhebliche Auswirkungen auf die Entwicklung zukünftiger Neurofeedback-Techniken und psychologischer Interventionen haben.

Einleitung

Religiöses Singen, eine sehr beliebte Praxis in östlichen Kulturen, wird in westlichen Gesellschaften oft mit dem Gebet verglichen1. Trotz seiner Prävalenz ist die wissenschaftliche Forschung zu den neuronalen Korrelaten religiöser Gesänge nach wie vor eher begrenzt. In dieser Studie wurden ausgefeilte multimodale elektrophysiologische und bildgebende Verfahren eingesetzt, um diese Wissenslücke zu schließen und die neuronalen Assoziationen des Chantens von Amitābha Buddha zu erforschen, einer der am weitesten verbreiteten und ältesten aktiv bewahrten religiösen Traditionen 2,3. Wiederholtes religiöses Chanten kann in der buddhistischen Beratung als effektive Technik dienen, um den Geist von turbulenten Gedanken und Emotionen zu befreien.

Aufgrund der hohen räumlichen Auflösung der funktionellen Magnetresonanztomographie (fMRT) kann sie eingesetzt werden, um die Einschränkungen traditioneller EEG-Studien zu überwinden4. Durch die Kombination von fMRT und Elektroenzephalogramm (EEG) Quellen-Clustering über unabhängige Komponentenanalyse (ICA) identifiziert und gruppiert die Studie unabhängige Komponenten der Gehirnaktivität bei den Teilnehmern. Diese Methode führt eine neuartige Strategie zur Identifizierung von Signalen von gemischten EEG-Quellen oder unterschiedlichen Quellen bei den Teilnehmern ein, die aufgrund von Unterschieden in der Gehirnanatomie und der Elektrodenplatzierung eine Herausforderung darstellt.

Die Form des sich wiederholenden religiösen Chantens, die mit diesem Protokoll untersucht wurde, beinhaltet die wiederholte Rezitation des Namens von Amitābha Buddha. Es ist auch eine meditative Praxis, von der berichtet wird, dass sie glückselige Empfindungen und transzendentale Erfahrungen hervorruft. Unter den verschiedenen buddhistischen Praktiken ist die Praxis des Chantens von Amitābha Buddha einfach und leicht zugänglich. Diese Praxis verspricht eine Wiedergeburt im Reinen Land für alle, die aufrichtig diesen Namen anrufen, der Ähnlichkeiten mit bestimmten Traditionen in der westlichen Religion aufweist 1,3.

Durch multimodale Neurobildgebung zielt diese Studie darauf ab, ein umfassendes Verständnis der neuronalen Korrelate von sich wiederholenden religiösen Gesängen zu erlangen. Das Protokoll kann zu dem boomenden Forschungsfeld über die neurophysiologischen Wirkungen verschiedener religiöser und meditativer Praktiken beitragen.

Die Studie stellte die Hypothese auf, dass wiederholtes religiöses Singen zu signifikanten Signalveränderungen in Gehirnregionen führen würde, die für selbstbezogene Prozesse verantwortlich sind. Darüber hinaus stellten wir angesichts der positiven Emotionen, die Amitābha Buddha zugeschrieben werden, die Hypothese auf, dass emotionale Verschiebungen während des religiösen Chantens auftreten würden. Diese effektiven Veränderungen fallen wahrscheinlich mit Veränderungen peripherer physiologischer Indikatoren zusammen, wie z. B. Schwankungen der Multiband-Herzfrequenzvariabilitätsindizes (HRV) und der Atemfrequenz5.

Protokoll

Vor dem Experiment wurde die ethische Genehmigung für die Studie von der Universität Hongkong eingeholt. Alle Teilnehmer hatten vor der Teilnahme an den EEG- und fMRT-Experimenten eine schriftliche Einverständniserklärung unterschrieben.

1. Auswahl und Vorbereitung der Teilnehmer

  1. Rekrutieren Sie Teilnehmer, die mindestens 1 Jahr meditative Erfahrung im religiösen Chanten von Amitābha Buddha für mindestens 15 Minuten pro Tag haben. Stellen Sie sicher, dass die Altersspanne zwischen 40 und 52 Jahren liegt. Schätzen Sie die Anzahl der Teilnehmer durch Power-Analyse. In der aktuellen Studie wurden 21 Teilnehmer rekrutiert.
    HINWEIS: Die Power-Analyse wurde auf der Grundlage der in Pilotstudien beobachteten Effektstärken und der vorhandenen Literatur zu EEG- und fMRT-Studien zur Meditation durchgeführt. Im Allgemeinen hat das Design innerhalb eines Subjekts eine bessere Fähigkeit, verschiedene Bedingungen zu unterscheiden, da die Variation zwischen den Probanden in der Regel größer ist.
  2. Informieren Sie die Teilnehmer über den Zweck der Studie und die damit verbundenen Verfahren.
  3. Stellen Sie sicher, dass die Teilnehmer nicht depressiv sind, indem Sie das Beck-Depressions-Inventar verwenden.
  4. Stellen Sie sicher, dass die Teilnehmer bei guter Gesundheit sind und nicht unter dem Einfluss von Substanzen stehen, die ihre physiologischen Reaktionen beeinträchtigen könnten.
    HINWEIS: Zu den Ausschlusskriterien gehören Depressionen, neuropsychiatrische Pathologien oder der Einfluss von Alkohol oder psychoaktiven Substanzen. Zu den weiteren MRT-spezifischen Ausschlusskriterien gehören ein Herzschrittmacher, Tiefenhirnimplantate oder Metallimplantate, die nicht mit einer MRT-Untersuchung kompatibel sind.
  5. Stellen Sie sicher, dass die Teilnehmer für die Teilnahme an der EEG/Elektrokardiogramm (EKG)/MRT-Studie geeignet sind.
    HINWEIS: Die EEG- und MRT-Daten wurden getrennt voneinander aufgezeichnet. Die Dauer der Datenerhebung unterschied sich zwischen EEG und fMRT, um die Datenqualität für jede Modalität unter Berücksichtigung der Ermüdung und des Komforts der Teilnehmer zu optimieren. Unsere Pilotstudie ergab, dass fMRT empfindlicher ist, wenn es darum geht, neuronale Korrelate nachzuweisen, während EEG-Daten in der Regel fehlerhafte Segmente oder andere Artefakte aufwiesen und eine etwas längere Dauer benötigten, um genügend Daten für die endgültige Analyse zu gewährleisten. Die EEG-Zeit war also etwas länger als die MRT-Zeit. Unterschiedliche Körperhaltungen während der EEG- und fMRT-Datenerfassung waren aufgrund der Einschränkungen der einzelnen Bildgebungsmodalitäten erforderlich. Die Bedingungen wurden unter Verwendung eines computergenerierten Randomisierungsplans randomisiert, um Ordnungseffekte zu kontrollieren. Die Sequenz war zwischen EEG und fMRT nicht gleich.

2. EEG-Datenerfassung und -analyse

  1. Richten Sie das 128-Kanal-EEG und mehrere physiologische Datenaufzeichnungsgeräte gemäß den Anweisungen des Herstellers ein.
  2. Stellen Sie sicher, dass die Teilnehmer ihre Haare gründlich waschen, bevor sie mit der EEG/EKG-Datenerfassung beginnen.
  3. Bitten Sie die Teilnehmer, sich zu entspannen und bequem zu sitzen.
  4. Stellen Sie den Teilnehmern das Experiment vor.
  5. Bitten Sie den Teilnehmer, eine Testversion des Experiments durchzuführen.
  6. Erfassen Sie EEG-Daten, während sich jeder Teilnehmer unter drei verschiedenen Bedingungen befindet: Chanten des Amitābha Buddha, Chanten des Weihnachtsmanns und Ruhezustand, alles mit geschlossenen Augen. Zeichnen Sie 10 Minuten EEG-Daten unter jeder Bedingung auf.
  7. Speichern und beschriften Sie die Daten für jeden Teilnehmer entsprechend.
  8. Stellen Sie sicher, dass die Daten sicher mit Backups gespeichert werden.

3. MRT-Datenerfassung

  1. Bereiten Sie einen 3,0-T-MRT-Scanner vor und stellen Sie sicher, dass er ordnungsgemäß funktioniert, bevor Sie mit der Datenerfassung beginnen. Stellen Sie sicher, dass der Teilnehmer sich wohl fühlt und das Verfahren versteht, bevor Sie mit dem Scan beginnen.
  2. Beginnen Sie mit einer T1-gewichteten Scansequenz mit den folgenden Parametern: Sichtfeld (FoV) = 256 mm × 150 mm × 240 mm, Erfassungsmatrix = 256 × 256, Wiederholzeit (TR) = 15 ms, Echozeit (TE) = 3,26 ms, Flip-Winkel = 25°, Schichtdicke = 1,5 mm, Anzahl der Schichten = 100, Voxelauflösung (x,y,z,) = 0,94 mm × 1 mm × 1,5 mm.
  3. Erhalten Sie fMRT-Bilder mit Gradienten-Echo-Planar-Bildgebung (EPI) mit einer 8-Kanal-SENSE-Kopfspule. Stellen Sie die Sequenzparameter wie folgt ein: FoV = 230 mm × 140 mm × 230 mm, Erfassungsmatrix = 64 × 64, TR = 2000 ms, TE = 30 ms, Flip-Winkel = 90°, Anzahl der Schichten = 32, Schichtdicke = 3 mm und Schichtabstand = 1,5 mm.
  4. Starten Sie die fMRT-Datenerfassung, während sich jeder Teilnehmer unter drei Bedingungen befindet: religiöses Chanten, nicht-religiöses Chanten und Ruhezustand. Zeichnen Sie die Daten für die Dauer jeder Bedingung auf: Jede Bedingung umfasste 243 dynamische Volumina mit einer Gesamtdauer von 8,1 Minuten.

4. Physiologische Datenerfassung

  1. Richten Sie das physiologische Datenerfassungssystem zur Erfassung von Herz-, Atemwegs- und anderen physiologischen Daten gemäß den Anweisungen des Herstellers ein.
    HINWEIS: EEG- und physiologische Daten wurden gleichzeitig erfasst.
  2. Befestigen Sie drei EKG-Elektroden an der linken und rechten Hand bzw. am linken Fuß.
  3. Richten Sie bei der Teilnehmerin zwei Atemgurte ein, einen zur Messung der Brustatmung und einen zur Messung der Bauchatmung.
  4. Überwachen Sie die Galvanic Skin Response (GSR) und die Sauerstoffsättigung der Teilnehmer.
  5. Beginnen Sie die Datenerfassung zusammen mit der EEG-Datenerfassung, während sich jeder Teilnehmer unter drei Bedingungen befindet: Chanten des Amitābha Buddha, Chanten des Weihnachtsmanns und Ruhezustand, alles mit geschlossenen Augen.
  6. Speichern und beschriften Sie die Daten für jeden Teilnehmer entsprechend. Stellen Sie sicher, dass die Daten sicher gespeichert sind und für weitere Analysen gut genug sind.

5. EEG-Datenanalyse

  1. Verarbeiten und analysieren Sie die EEG-Daten mit entsprechender Software. Hier kam eine Open-Source-Software EEGLAB zum Einsatz.
  2. Laden Sie die Daten in das Programm. Klicken Sie auf Datei > Vorhandenen Datensatz laden.
  3. Führen Sie ein erneutes Sampling der Daten von 1000 Hz auf 250 Hz durch, indem Sie auf Extras > Ändern der Sampling-Rate klicken.
  4. Filtern Sie die Daten mit einem FIR-Filter (Finite Impulse Response) mit einem Durchlassbereich von 0,1 bis 100 Hz, indem Sie auf Extras > Daten filtern > Basis-FIR-Filter klicken.
  5. Filtern Sie die Daten erneut mit einem Notch-Filter mit einem Stoppband von 47-53 Hz, um Wechselstromrauschen zu entfernen. Klicken Sie auf Extras > Daten filtern und wählen Sie die Option Notch-Filter für die Daten anstelle des Durchlassbandes.
  6. Überprüfen Sie die Daten visuell, um Artefakte wie Augen- und Muskelbewegungen zu entfernen, indem Sie auf Plotten > Kanaldaten klicken (Bildlauf).
    HINWEIS: Ausgewiesene Elektrookulographie-Kanäle (EOG) können als Referenz verwendet werden.
  7. Überprüfen Sie die Daten visuell, um fehlerhafte Kanäle zu identifizieren, die entfernt werden müssen.
  8. Wenden Sie eine sphärische Interpolation basierend auf den umgebenden Kanälen an, um die fehlerhaften Kanäle zu rekonstruieren, indem Sie auf Extras > Elektroden interpolieren klicken und aus den Datenkanälen auswählen.
  9. Führen Sie die unabhängige Komponentenanalyse (ICA) mit dem runica-Algorithmus aus. Klicken Sie dazu auf Tools > ICA ausführen.
  10. Entfernen Sie unabhängige Komponenten (ICs), die Augenbewegungen, Muskel- und Linienrauschen entsprechen, aus den Daten, indem Sie auf Extras > Daten mit ICA ablehnen > Komponenten nach Karte ablehnen klicken.
  11. Rekonstruieren Sie die Daten mit den restlichen Ics, indem Sie auf Extras > Komponenten entfernen klicken.
  12. Klicken Sie auf Extras > Daten filtern > Basis-FIR-Filter , um die Daten mit einem 47-Hz-Tiefpassfilter zu filtern.
  13. Schätzen Sie die Ähnlichkeit von ICs und gruppieren Sie sie in funktionell äquivalente Cluster mit den STUDY-Funktionen von EEGLAB. Klicken Sie auf Datei > Studie erstellen > mit allen geladenen Datensätzen.
  14. Generieren Sie die Dipolpositionen jedes ICs mit der Funktion DIPFIT2. Klicken Sie auf Extras > Dipol mit DIPFIT 2.x > Autofit lokalisieren.
  15. Verwenden Sie k-Means-Clustering, um IC-Cluster basierend auf ähnlichen Dipolpositionen (Gewichtung: 2/3) und Leistungsspektrum (Gewichtung: 1/3) zu erstellen. Klicken Sie auf Studie > PCA-Clustering > Preclustering-Array erstellen.
  16. Wiederholen Sie die Clustering-Prozedur zehnmal, jedes Mal mit einer anderen k-Parametereinstellung. Identifizieren Sie die Parametereinstellung k, die unverwechselbare, aber sinnvolle Cluster generiert. Klicken Sie auf Studie > Cluster bearbeiten/plotten.
  17. Führen Sie eine Spektrumanalyse durch und führen Sie eine unidirektionale ANOVA auf allen wichtigen Frequenzbändern durch, indem Sie die ICs aus einem bestimmten Interessencluster verwenden.
    HINWEIS: Achten Sie besonders auf den posterioren cingulären Kortex (PCC), da festgestellt wurde, dass dieser Bereich aufgrund einer regionalen Zunahme der endogenen Erzeugung von Delta-Oszillationen während des religiösen Chantens an Zentralität abnimmt.

6. fMRT-Datenanalyse

  1. Verarbeiten Sie die fMRT-Daten mit der Software Leipzig Image Processing and Statistical Inference Algorithms (LIPSIA 2.2.7).
    1. Führen Sie eine Vorverarbeitung durch, die die Normalisierung der Signalintensität, die Bewegungskorrektur, die räumliche Normalisierung in den MNI-Raum, die räumliche Glättung mit voller Breite bei halbem Maximum (FWHM) = 6 mm und die zeitliche Hochpassfilterung mit einer Grenzfrequenz von 1/90 Hz umfasst, um niederfrequente Drifts in der fMRT-Zeitreihe zu entfernen. Weitere Informationen finden Sie in den folgenden Schritten in der Datenverarbeitungspipeline 1 (Ergänzende Datei 1).
  2. Entfernen Sie Kovariaten, die nicht von Interesse sind, wie z. B. globale Signalschwankungen und Bewegungsparameter, indem Sie sie für jede Scansequenz, die jeder der drei Bedingungen entspricht, aus den Daten regressieren.
  3. Untersuchen Sie schließlich die funktionelle Konnektomik des gesamten Gehirns, indem Sie Eigenvector Centrality Mapping (ECM) anwenden, eine Methode der Graphentheorie, die die einflussreichsten Knoten innerhalb eines Netzwerks identifiziert, und die ECM-Bilder von zwei Bedingungen werden voneinander subtrahiert, um das resultierende Kontrastbild zu erzeugen. Weitere Informationen finden Sie in den folgenden Schritten in der Datenverarbeitungspipeline 2 (Zusatzdatei 2).

7. EKG- und andere physiologische Datenanalyse

  1. Bereinigen Sie EKG-Rohdaten und andere physiologische Daten über einen Butterworth-Bandpassfilter und extrahieren Sie das Interbeat-Intervall (IBI), nachdem Sie Ausreißer durch Spline-Interpolation ersetzt haben.
  2. Detrendisieren Sie die IBI-Daten und berechnen Sie die Zeit-/Frequenzbereichsmerkmale der HRV (Herzfrequenzvariabilität) mit der Open-Source-Toolbox HRVAS.
  3. Stellen Sie die Frequenzbereiche für den VLF auf 0-0,04 Hz, LF auf 0,04-0,15 Hz und HF auf 0,15-0,4 Hz ein.
  4. Schätzen Sie die Leistung ausgewählter Frequenzbänder mit der Lomb-Scargle-Periodogramm-Methode.
  5. Unterziehen Sie die abgeleiteten HRV-Metriken statistischen Tests mit Einweg-ANOVA mit wiederholten Messungen und Post-hoc-Tests, um Unterschiede zwischen den Bedingungen zu bewerten. Legen Sie das Alpha-Signifikanzniveau auf 0,05 fest.
  6. Berechnen Sie andere physiologische Daten, wie z. B. Atemintervalle für jeden Teilnehmer und jeden Zustand, mithilfe von Analysesoftware.
  7. Verwenden Sie die Funktion findpeaks in der Analysesoftware, um den Peak der Atmungskurve zu erkennen.
  8. Differenzieren Sie die inspiratorischen und exspiratorischen Perioden und berechnen Sie dann die Atemfrequenz.
  9. Vergleichen Sie die Differenz zwischen Bedingungen mithilfe der ANOVA mit einmaligen Messungen und Post-hoc-Tests.

Repräsentative Ergebnisse

Die Ergebnisse der fMRT-Analyse zeigten, dass der stärkste Unterschied in der Eigenvektorzentralität zwischen religiösem und nicht-religiösem Gesang überwiegend im posterioren cingulären Kortex (PCC) zu finden war; siehe Abbildung 1. Diese Erkenntnis wurde genutzt, um die Selektion des EEG-unabhängigen Komponenten-Clusterings zu evaluieren und zu validieren, das in ähnlicher Weise ein Cluster in der Nähe der PCC-Region manifestierte.

figure-representative results-598
Abbildung 1: Multimodale Neurobildgebung und elektrophysiologische Ergebnisse. Die Kartierung der Eigenvektorzentralität, die auf fMRT-Daten angewendet wurde, zeigte, dass der posteriore cinguläre Kortex der Bereich des Gehirns ist, der während des religiösen Chantens im Vergleich zum nicht-religiösen Chanten am stärksten an Zentralität abnahm. Diese Abbildung wurde mit Genehmigung von Gao et al.1 erstellt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Die EEG-unabhängige Komponenten-Clustering-Analyse ergab sieben verschiedene IC-Cluster, die jeweils einer Quelle der EEG-Aktivität entsprechen. Bemerkenswert ist, dass sich einer dieser Cluster im PCC befand, ein Befund, der mit den fMRT-Ergebnissen übereinstimmt (siehe Abbildung 2).

figure-representative results-1751
Abbildung 2: Die EEG-unabhängige Komponenten-Clustering-Analyse zeigte auch ein Cluster im PCC. Diese Abbildung wurde mit Genehmigung von Gao et al.1 erstellt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Dieser spezielle Cluster wurde anschließend für eine eingehende Analyse, einschließlich der Spektralanalyse, ausgewählt. Eine unidirektionale ANOVA zeigte einen signifikanten Haupteffekt des Chantens auf die Leistung des Delta-Frequenzbandes (1-4 Hz, siehe Abbildung 3 und Abbildung 4).

figure-representative results-2684
Abbildung 3: Die unidirektionale ANOVA zeigte einen signifikanten Haupteffekt des Chantens auf die Leistung des Delta-Bandes (1-4 Hz). Diese Abbildung wurde mit Genehmigung von Gao et al.1 erstellt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-representative results-3281
Abbildung 4: Post-hoc-Analyse von religiösen Gesangsbedingungen im Vergleich zu nicht-religiösen Gesangsbedingungen. Die Analyse zeigte, dass religiöses Chanten eine höhere Delta-Power induzierte als die nicht-religiöse Chanting-Bedingung (p = .011). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Weitere Post-hoc-Analysen zeigten eine signifikant geringere Aussagekraft der HRV während des religiösen Chantens im Vergleich zur Bedingung ohne Chanten (siehe Abbildung 5).

figure-representative results-4148
Abbildung 5: Post-hoc-Analyse des Ruhezustands ohne Chanten im Vergleich zu den Bedingungen des religiösen Chantens. Die Analyse zeigte, dass religiöses Chanten im Vergleich zu keinem Ruhezustand des Chantens eine niedrigere HRV-Gesamtleistung, eine geringere absolute Hochfrequenzleistung und eine geringere absolute Niederfrequenzleistung induzierte. Diese Abbildung wurde mit Genehmigung von Gao et al.1 erstellt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Die Ergebnisse deuten darauf hin, dass es im Vergleich zu nicht-religiösen Gesängen eine Abnahme der Eigenvektorzentralität in der PCC gibt, was wahrscheinlich auf einen regionalen Anstieg der endogenen Delta-Oszillationen zurückzuführen ist. Diese funktionellen Veränderungen sind unabhängig von peripheren kardialen oder respiratorischen Aktivitäten und werden nicht durch implizite Sprachverarbeitung ausgelöst. Stattdessen scheinen sie mit Erfahrungen transzendentaler Glückseligkeit und einer Verringerung der egozentrischen Wahrnehmung verbunden zu sein.

Ergänzende Datei 1: Datenverarbeitungspipeline 1. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Datei 2: Datenverarbeitungspipeline 2. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Diskussion

Obwohl es sich bei dem verwendeten 128-Kanal-EEG-System um ein EEG-System mit hoher Dichte handelte, bleibt die räumliche Auflösung des EEG im Vergleich zu fMRT relativ gering, und dieses Manko wirkt sich auch auf die Genauigkeit der Lokalisierung der EEG-Quelle aus, insbesondere wenn mehrere Kandidaten für Hirnregionen plausibel sind. Somit kann die tiefere und höhere räumliche Auflösung der MRT die räumliche Genauigkeit der EEG-Quellenanalyse6 signifikant verbessern und die Auswahl der wichtigsten Cluster für die weitere Analyse leiten. Das vorliegende Protokoll verwendet multimodale Neuroimaging-Werkzeuge, einschließlich EEG-, EKG- und fMRT-Datenerfassungs- und Analysemethoden. Es zeigt einen umfassenden Ansatz zur Erforschung der neurophysiologischen Korrelate von religiösem Chanten und möglicherweise anderen Formen des Geistestrainings. Ein kritischer Schritt im Protokoll ist die Anwendung von fMRT-Ergebnissen bei der Analyse der EEG-Quellen. Die Qualität der gewonnenen EEG-Daten bleibt entscheidend für die anschließende Analyse und Interpretation der Ergebnisse. Die Verwendung von ICA- und k-Means-Clustering in der EEG-Datenanalyse in Verbindung mit fMRT-Ergebnissen ermöglicht ein differenzierteres Verständnis der Daten 7,8. Die beobachtete Modulation der Delta-Band-Leistung während religiöser Gesänge stimmt mit der Literatur überein, die darauf hindeutet, dass Delta-Rhythmen das Verhalten durch die Synchronisation der neuronalen Aktivität regulieren können. Die Delta-Welle kann die fokussierte Aufmerksamkeit und eine potenzielle Verringerung des selbstreferentiellen Denkens fördern, das mit dem Default-Mode-Netzwerk verbunden ist. Diese erhöhte Delta-Aktivität, die auf zutiefst erholsame Zustände hinweist, könnte die therapeutische Wirkung des Chantens untermauern, indem sie die kognitive und emotionale Verarbeitung verstärkt9.

Die Ergebnisse dieser Studie unterstreichen eine signifikante Zunahme der Delta-Band-Leistung während des religiösen Chantens im Vergleich zu nicht-religiösen Gesangen. Die fMRT-Ergebnisse deuten auf eine starke Abnahme der Zentralität in Gehirnregionen hin, die mit der selbstbezogenen Verarbeitung10 während des religiösen Gesangs verbunden sind. Die Ergebnisse physiologischer Daten zeigen auch, dass sich die Auswirkungen des religiösen Singens von denen des nicht-religiösen Singens unterscheiden und andere potenzielle Störfaktoren ausschließen, einschließlich Unterschiede aufgrund der Sprachverarbeitung oder der Herzaktivität. Insgesamt implizieren die Ergebnisse einen vielversprechenden Weg zur klinischen Anwendung religiösen Chantens durch buddhistische Beratung, um die Förderung von "Nicht-Anhaftung" zu erleichtern1,11,12.

Zu den Einschränkungen gehört, dass die fMRT- und EEG-Daten von verschiedenen Probanden erhoben wurden13. Zweitens wäre es angesichts der erheblichen Unterschiede zwischen den Probanden in Bezug auf ihre Erfahrung mit religiösen Gesängen 1,14 vorzuziehen, wenn alle Probanden auch einer fMRT-Untersuchung unterzogen worden wären. Unsere zukünftige Forschung wird darauf abzielen, diese Einschränkungen zu überwinden und die neurophysiologischen Auswirkungen verschiedener religiöser und meditativer Praktiken weiter zu erforschen.

Trotz dieser Einschränkungen ist dieses Protokoll einzigartig, da es multimodale Neuroimaging und physiologische Messinstrumente, einschließlich EEG-, EKG- und fMRT-Daten, kombiniert, um einen umfassenderen Überblick über die neurophysiologischen Korrelate des religiösen Gesangs zu erhalten. Dieser multimodale Neuroimaging-Ansatz ermöglicht ein tieferes Verständnis religiöser und meditativer Praktiken, was mit Methoden, die sich ausschließlich auf eine einzige Art von Daten stützen, nicht möglich wäre15,16.

Offenlegungen

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

Danksagungen

Die Forschung wurde unterstützt von der Nationalen Naturwissenschaft
Gründung Chinas (NSFC.61841704).

Materialien

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

Referenzen

  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).

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Weitere Artikel entdecken

NeurowissenschaftenAusgabe 207EEGFMRIQuellenlokalisierungPosterior Cingulate CortexSelbstreferentielle VerarbeitungDelta WellenMeditationNeurofeedback

This article has been published

Video Coming Soon

JoVE Logo

Datenschutz

Nutzungsbedingungen

Richtlinien

Forschung

Lehre

ÜBER JoVE

Copyright © 2025 MyJoVE Corporation. Alle Rechte vorbehalten