El canto religioso y las regiones cerebrales autorelacionadas: un estudio de neuroimagen multimodal

Resumen

Aquí, presentamos un protocolo para investigar los correlatos neurofisiológicos de varias formas de meditación, incluido el canto religioso. Este método integra de forma única los resultados de vectores propios de fMRI para la selección de regiones en el análisis de fuentes de electroencefalograma (EEG) mediante la agrupación de k-medias. Los resultados proporcionan una comprensión profunda de los procesos neuronales involucrados en el canto religioso repetitivo.

Resumen

Este protocolo presenta un enfoque de neuroimagen multimodal para explorar la posible actividad cerebral asociada con el canto religioso repetitivo, una forma generalizada de entrenamiento mental tanto en las culturas orientales como en las occidentales. El electroencefalograma (EEG) de alta densidad, con su resolución temporal superior, permite capturar los cambios dinámicos en la actividad cerebral durante el canto religioso. A través de métodos de localización de fuentes, estas pueden atribuirse a varias fuentes alternativas de regiones cerebrales potenciales. Veinte practicantes de canto religioso fueron medidos con EEG. Sin embargo, la resolución espacial del EEG es menos precisa, en comparación con la resonancia magnética funcional (fMRI). Por lo tanto, un profesional con mucha experiencia se sometió a una sesión de exploración de resonancia magnética funcional para guiar la localización de la fuente con mayor precisión. Los datos de fMRI ayudaron a guiar la selección de la localización de la fuente de EEG, lo que hizo que el cálculo de las medias K de la localización de la fuente de EEG en el grupo de 20 profesionales intermedios fuera más preciso y confiable. Este método mejoró la capacidad del EEG para identificar las regiones del cerebro específicamente involucradas durante el canto religioso, en particular el papel cardinal de la corteza cingulada posterior (PCC). El PCC es un área del cerebro relacionada con el enfoque y el procesamiento autorreferencial. Estos resultados neurofisiológicos y de neuroimagen multimodal revelan que el canto religioso repetitivo puede inducir una centralidad más baja y una potencia de onda delta más alta en comparación con el canto no religioso y las condiciones de estado de reposo. La combinación de fMRI y análisis de fuentes de EEG proporciona una comprensión más detallada de la respuesta del cerebro a los cantos religiosos repetitivos. El protocolo contribuye significativamente a la investigación sobre los mecanismos neuronales implicados en las prácticas religiosas y meditativas, que cada vez tiene más importancia en la actualidad. Los resultados de este estudio podrían tener implicaciones significativas para el desarrollo de futuras técnicas de neurofeedback e intervenciones psicológicas.

Introducción

El canto religioso, una práctica muy popular en las culturas orientales, a menudo se compara con la oración en las sociedades^{occidentales.} A pesar de su prevalencia, la investigación científica sobre los correlatos neuronales del canto religioso sigue siendo bastante limitada. En este estudio se utilizaron sofisticadas técnicas electrofisiológicas y de neuroimagen multimodal para llenar este vacío de conocimiento y explorar las asociaciones neuronales del Buda Amitābha cantante, una de las tradiciones religiosas más extendidas y una de las más antiguas conservadas activamente ^2,3. El canto religioso repetitivo puede servir como una técnica eficaz en la consejería budista para ayudar a calmar la mente de los pensamientos y emociones turbulentas.

Dada la alta resolución espacial de la resonancia magnética funcional (fMRI), se puede aplicar para superar las limitaciones de los estudios tradicionales de EEG⁴. Combinando la resonancia magnética funcional y el agrupamiento de fuentes de electroencefalograma (EEG) a través del análisis de componentes independientes (ICA), el estudio identifica y agrupa los componentes independientes de la actividad cerebral entre los participantes. Este método introduce una estrategia novedosa para identificar señales de fuentes de EEG mixtas o fuentes dispares entre los participantes, lo que ha sido un desafío debido a las diferencias en la anatomía del cerebro y la ubicación de los electrodos.

La forma de canto religioso repetitivo que se estudió con este protocolo implica la recitación repetitiva del nombre del Buda Amitābha. También es una práctica meditativa que se ha reportado que provoca sensaciones dichosas y experiencias trascendentales. Entre las diferentes prácticas budistas, la práctica de cantar el Buda Amitābha es simple y de fácil acceso. Esta práctica promete un renacer en la Tierra Pura para todos aquellos que invocan sinceramente este nombre, que tiene similitudes con ciertas tradiciones de la religión occidental ^1,3.

A través de la neuroimagen multimodal, este estudio tiene como objetivo proporcionar una comprensión integral de los correlatos neuronales de los cantos religiosos repetitivos. El protocolo puede contribuir al floreciente campo de investigación sobre los efectos neurofisiológicos de diferentes prácticas religiosas y meditativas.

El estudio planteó la hipótesis de que el canto religioso repetitivo conduciría a cambios significativos en la señal en las regiones del cerebro responsables de los procesos autorelacionados. Además, dadas las emociones positivas atribuidas al Buda Amitābha, planteamos la hipótesis de que se producirían cambios emocionales durante el canto religioso. Es probable que estos cambios efectivos coincidan con modificaciones en los indicadores fisiológicos periféricos, como las variaciones en los índices de variabilidad de la frecuencia cardíaca (VFC) multibanda y la frecuencia respiratoria⁵.

Protocolo

Se obtuvo la aprobación ética para el estudio de la Universidad de Hong Kong antes del experimento. Todos los participantes habían firmado un formulario de consentimiento por escrito antes de asistir a los experimentos de EEG y fMRI.

1. Selección y preparación de los participantes

1. Recluta participantes que tengan al menos 1 año de experiencia meditativa en el canto religioso del Buda Amitābha durante un mínimo de 15 minutos por día. Asegúrese de que el rango de edad esté entre los 40 y los 52 años. Estimar el número de participantes mediante análisis de potencia. En el presente estudio, se reclutaron 21 participantes.
   NOTA: El análisis de potencia se realizó en base a los tamaños de efecto observados en estudios piloto y la literatura existente sobre estudios de EEG y fMRI de meditación. En general, el diseño dentro del sujeto tiene un mejor poder para diferenciar diferentes condiciones, dado que la variación entre sujetos suele ser mayor.
2. Informar a los participantes sobre el propósito del estudio y los procedimientos involucrados.
3. Asegúrese de que los participantes no estén deprimidos utilizando el Inventario de Depresión de Beck.
4. Asegúrese de que los participantes gocen de buena salud y no estén bajo la influencia de ninguna sustancia que pueda afectar sus respuestas fisiológicas.
   NOTA: Los criterios de exclusión incluyen depresión, patología neuropsiquiátrica o estar bajo la influencia del alcohol o sustancias psicoactivas. Además, los criterios de exclusión específicos de la resonancia magnética incluyen tener un marcapasos, implantes cerebrales profundos o implantes metálicos que no sean compatibles con una resonancia magnética.
5. Asegúrese de que los participantes sean aptos para asistir al estudio de EEG/electrocardiograma (ECG)/resonancia magnética.
   NOTA: Los datos del EEG y la RM se registraron por separado. La duración de la recolección de datos difirió entre EEG y fMRI para optimizar la calidad de los datos para cada modalidad, considerando la fatiga y la comodidad de los participantes. Nuestro estudio piloto encontró que la resonancia magnética funcional es más sensible para demostrar correlaciones neuronales, mientras que los datos de EEG generalmente tenían segmentos defectuosos u otros artefactos y necesitaban una duración ligeramente más larga para garantizar suficientes datos para el análisis final. Por lo tanto, el tiempo de EEG fue ligeramente más largo que el tiempo de RM. Fueron necesarias diferentes posturas durante la recolección de datos de EEG y fMRI debido a las limitaciones de cada modalidad de imagen. Las condiciones se aleatorizaron utilizando un programa de aleatorización generado por computadora para controlar los efectos del orden. La secuencia no fue la misma entre el EEG y la fMRI.

2. Adquisición y análisis de datos EEG

1. Configure el EEG de 128 canales y el equipo de registro de datos fisiológicos múltiples de acuerdo con las instrucciones del fabricante.
2. Asegúrese de que los participantes se laven bien el cabello antes de comenzar la adquisición de datos de EEG/ECG.
3. Pida a los participantes que se relajen y se sienten cómodamente.
4. Presente el experimento a los participantes.
5. Pida al participante que haga una versión de prueba del experimento.
6. Adquiera datos de EEG mientras cada participante se encuentra en tres condiciones diferentes: cantando el Buda Amitābha, cantando a Santa Claus y en estado de reposo, todo con los ojos cerrados. Registre 10 minutos de datos de EEG en cada condición.
7. Guarde y etiquete los datos de forma adecuada para cada participante.
8. Asegúrese de que los datos se almacenen de forma segura con copias de seguridad.

3. Adquisición de datos de resonancia magnética

1. Prepare un escáner de resonancia magnética de 3.0 T y asegúrese de que funcione correctamente antes de comenzar la adquisición de datos. Asegúrese de que el participante se sienta cómodo y comprenda el procedimiento antes de comenzar la exploración.
2. Comience con una secuencia de escaneo ponderada T1 con los siguientes parámetros: Campo de visión (FoV) = 256 mm × 150 mm × 240 mm, matriz de adquisición = 256 × 256, Tiempo de repetición (TR) = 15 ms, Tiempo de eco (TE) = 3,26 ms, ángulo de giro = 25°, grosor del corte = 1,5 mm, número de cortes = 100, resolución de vóxeles (x,y,z,) = 0,94 mm × 1 mm × 1,5 mm.
3. Obtenga imágenes de resonancia magnética funcional con imágenes ecoplanas de gradiente (EPI) utilizando una bobina principal SENSE de 8 canales. Ajuste los parámetros de secuencia de la siguiente manera: FoV = 230 mm × 140 mm × 230 mm, matriz de adquisición = 64 × 64, TR = 2000 ms, TE = 30 ms, ángulo de giro = 90°, número de cortes = 32, grosor de corte = 3 mm y espacio entre cortes = 1,5 mm.
4. Comience la adquisición de datos de fMRI mientras cada participante se encuentra bajo tres condiciones: canto religioso, canto no religioso y estado de reposo. Registre los datos de la duración de cada condición: cada condición comprendía 243 volúmenes dinámicos, con una duración total de 8,1 min.

4. Adquisición de datos fisiológicos

1. Configure el sistema de adquisición de datos fisiológicos para recopilar datos cardíacos, respiratorios y otros datos fisiológicos de acuerdo con las instrucciones del fabricante.
   NOTA: El EEG y los datos fisiológicos se adquirieron al mismo tiempo.
2. Coloque tres electrodos de ECG en las manos izquierda y derecha y en el pie izquierdo, respectivamente.
3. Coloque dos cinturones de respiración en el participante, uno para medir el aliento del pecho y otro para medir el aliento abdominal.
4. Monitorizar la respuesta galvánica de la piel (GSR) y los niveles de saturación de oxígeno de los participantes.
5. Comience la adquisición de datos junto con la recopilación de datos de EEG mientras cada participante se encuentra bajo tres condiciones: cantando el Buda Amitābha, cantando a Santa Claus y en estado de reposo, todo con los ojos cerrados.
6. Guarde y etiquete los datos de forma adecuada para cada participante. Asegúrese de que los datos se almacenen de forma segura y sean lo suficientemente buenos para su posterior análisis.

5. Análisis de datos de EEG

1. Procese y analice los datos del EEG con el software adecuado. En este caso, se utilizó un software de código abierto EEGLAB.
2. Cargue los datos en el programa. Haga clic en Archivo > cargar el conjunto de datos existente.
3. Vuelva a muestrear los datos de 1000 Hz a 250 Hz haciendo clic en Herramientas > Cambiar frecuencia de muestreo.
4. Filtre los datos con un filtro de respuesta a impulsos finitos (FIR) con una banda de paso de 0,1 a 100 Hz haciendo clic en Herramientas > Filtrar los datos > Filtro FIR básico.
5. Vuelva a filtrar los datos con un filtro de muesca con una banda de parada de 47-53 Hz para eliminar el ruido de corriente alterna. Haga clic en Herramientas > Filtrar los datos y seleccione la opción Notch filtrar los datos en lugar de pasar la banda.
6. Inspeccione los datos visualmente para eliminar artefactos, como los movimientos oculares y musculares, haciendo clic en Trazar > datos de canal (desplazamiento).
   NOTA: Los canales de electrooculografía (EOG) designados se pueden utilizar como referencia.
7. Inspeccione los datos visualmente para anotar los canales defectuosos que deben eliminarse.
8. Aplique la interpolación esférica basada en los canales circundantes para reconstruir los canales defectuosos haciendo clic en Herramientas > Interpolar electrodos y seleccione uno de los canales de datos.
9. Ejecute el análisis de componentes independientes (ICA) utilizando el algoritmo runica. Para ello, haga clic en Herramientas > Ejecutar ICA.
10. Elimine los componentes independientes (IC) que corresponden al movimiento de los ojos, el ruido muscular y el ruido de línea de los datos haciendo clic en Herramientas > Rechazar datos mediante ICA > Rechazar componentes por mapa.
11. Reconstruya los datos utilizando los Ics restantes haciendo clic en Herramientas > Eliminar componentes.
12. Haga clic en Herramientas > filtrar los datos > Filtro FIR básico para filtrar los datos con un filtro de paso bajo de 47 Hz.
13. Estime la similitud de los circuitos integrados y agrúpelos en grupos funcionalmente equivalentes utilizando las funciones STUDY de EEGLAB. Haga clic en Archivo > Crear > de estudio utilizando todos los conjuntos de datos cargados.
14. Genere las ubicaciones de los dipolos de cada CI utilizando la función DIPFIT2. Haga clic en Herramientas > Localizar el dipolo utilizando DIPFIT 2.x > Autofit.
15. Utilice la agrupación en clústeres k-means para crear clústeres de circuitos integrados basados en ubicaciones de dipolos similares (peso: 2/3) y espectro de potencia (peso: 1/3). Haga clic en Study > PCA Clustering > Build Preclustering Array.
16. Repita el procedimiento de agrupación en clústeres diez veces, cada vez con un ajuste de parámetro k diferente. Identifique la configuración del parámetro k que genera clústeres distintivos pero razonables. Haga clic en Estudiar > editar/trazar clústeres.
17. Realice análisis de espectro y realice un ANOVA unidireccional en todas las bandas de frecuencia principales utilizando los circuitos integrados de un grupo específico de interés.
    NOTA: Preste especial atención a la corteza cingulada posterior (PCC), ya que se ha encontrado que esta área disminuye en centralidad debido a un aumento regional en la generación endógena de oscilaciones delta durante el canto religioso.

6. Análisis de datos de resonancia magnética funcional

1. Preprocese los datos de resonancia magnética funcional utilizando el software Leipzig Image Processing and Statistical Inference Algorithms (LIPSIA 2.2.7).
   1. Realice un preprocesamiento que incluya la normalización de la intensidad de la señal, la corrección del movimiento, la normalización espacial al espacio MNI, el suavizado espacial con ancho completo a la mitad del máximo (FWHM) = 6 mm y el filtrado de paso alto temporal con una frecuencia de corte de 1/90 Hz para eliminar las derivas de baja frecuencia en las series temporales de fMRI. Consulte estos pasos en el proceso de procesamiento de datos 1 (Archivo complementario 1).
2. Elimine las covariables que no tengan interés, como las fluctuaciones globales de la señal y los parámetros de movimiento, regresándolas de los datos para cada secuencia de exploración que corresponda a cada una de las tres condiciones.
3. Por último, se investiga la conectómica funcional de todo el cerebro mediante la aplicación del mapeo de centralidad de vectores propios (ECM), un método de teoría de grafos que identifica los nodos más influyentes dentro de una red, y las imágenes de ECM de dos condiciones se restan entre sí para producir la imagen de contraste resultante. Consulte estos pasos en la canalización de procesamiento de datos 2 (Archivo complementario 2).

7. Análisis de ECG y otros datos fisiológicos

1. Limpie el ECG sin procesar y otros datos fisiológicos a través de un filtro de paso de banda de Butterworth y extraiga el intervalo entre latidos (IBI) después de reemplazar los valores atípicos con interpolación spline.
2. Elimine la tendencia de los datos de IBI y calcule las características del dominio del tiempo/frecuencia de la VFC (variabilidad de la frecuencia cardíaca) utilizando la caja de herramientas de código abierto HRVAS.
3. Establezca los rangos de frecuencia para VLF a 0-0,04 Hz, LF a 0,04-0,15 Hz y HF a 0,15-0,4 Hz.
4. Estime la potencia de las bandas de frecuencia seleccionadas utilizando el método del periodograma de Lomb-Scargle.
5. Sométase las métricas derivadas de la VFC a pruebas estadísticas utilizando medidas repetidas de un factor, ANOVA y pruebas post hoc para evaluar las diferencias entre las condiciones. Establezca el nivel alfa de significación en 0,05.
6. Calcule otros datos fisiológicos, como los intervalos de respiración para cada participante y cada condición, utilizando un software de análisis.
7. Utilice la función findpeaks del software de análisis para detectar el pico de la curva respiratoria.
8. Diferencie los períodos inspiratorio y espiratorio, y luego calcule la frecuencia respiratoria.
9. Compare la diferencia entre las condiciones utilizando ANOVA de medidas repetidas de un factor y pruebas post hoc.

Discusión

Aunque el sistema de EEG de 128 canales utilizado era un sistema de EEG de alta densidad, la resolución espacial del EEG sigue siendo relativamente pobre en comparación con la fMRI, y esta deficiencia también afecta la precisión de la localización de la fuente de EEG, especialmente cuando múltiples candidatos a regiones cerebrales son plausibles. Por lo tanto, la resolución espacial más profunda y alta de la resonancia magnética puede mejorar significativamente la precisión espacial del análisis de la fuente de EEG⁶ y guiar la selección de los grupos más importantes para el análisis posterior. El presente protocolo utiliza herramientas de neuroimagen multimodal, incluidos los métodos de adquisición y análisis de datos de EEG, ECG y fMRI. Demuestra un enfoque integral para explorar los correlatos neurofisiológicos del canto religioso y, potencialmente, otras formas de entrenamiento mental. Un paso crítico en el protocolo es la aplicación de los resultados de la resonancia magnética funcional en el análisis de la fuente de EEG. La calidad de los datos de EEG adquiridos sigue siendo crucial para el análisis y la interpretación posteriores de los resultados. El uso de la agrupación de ICA y k-means en el análisis de datos de EEG, junto con los resultados de la fMRI, permite una comprensión más matizada de los datos ^7,8. La modulación observada de la potencia de la banda delta durante el canto religioso se alinea con la literatura que sugiere que los ritmos delta pueden regular el comportamiento a través de la sincronización de la actividad neuronal. La onda delta puede fomentar la atención enfocada y una posible reducción en el pensamiento autorreferencial asociado con la red de modo predeterminado. Esta intensificación de la actividad delta, indicativa de estados profundamente restauradores, podría apuntalar los efectos terapéuticos del canto al reforzar^{el procesamiento cognitivo} y emocional.

Los resultados de este estudio destacan un aumento significativo en la potencia de la banda delta durante el canto religioso, en comparación con el canto no religioso. Los resultados de la resonancia magnética funcional indican una fuerte disminución de la centralidad en las regiones del cerebro asociadas con el procesamiento autorelacionado¹⁰ durante el canto religioso. Los resultados de los datos fisiológicos también demuestran que los efectos del canto religioso son distintos de los del canto no religioso y descartan otros posibles factores de confusión, incluidas las diferencias debidas al procesamiento del lenguaje o la actividad cardíaca. En general, los hallazgos implican una vía prometedora hacia la aplicación clínica del canto religioso a través de la consejería budista con el fin de facilitar el fomento del "desapego"^1,11,12.

Las limitaciones incluyen que los datos de fMRI y EEG se adquirieron de diferentes sujetos¹³. En segundo lugar, dada la considerable variación entre los sujetos en cuanto a su experiencia con el canto religioso ^1,14, sería preferible que todos los sujetos se hubieran sometido también a una resonancia magnética funcional. Nuestra investigación futura tendrá como objetivo abordar estas limitaciones y explorar más a fondo los efectos neurofisiológicos de diferentes prácticas religiosas y meditativas.

A pesar de estas limitaciones, este protocolo es único en la combinación de herramientas de neuroimagen multimodal y medición fisiológica, incluidos datos de EEG, ECG y fMRI, para proporcionar una visión más completa de los correlatos neurofisiológicos del canto religioso. Este enfoque de neuroimagen multimodal permite una comprensión más profunda de las prácticas religiosas y meditativas, lo que no sería posible utilizando métodos que se basan únicamente en un solo tipo de datos^15,16.

Materiales

Name	Company	Catalog Number	Comments
3.0 T Philips MRI scanner	Philips	3.0T	MRI data acquisition device
EEGLAB	Swartz Center for Computational Neuroscience	13.6.5b	EEG analysis software
Electroencephalogram (EEG) system	Electrical Geodesics, Inc. (EGI)	GES 200	EEG acquisition device
HRVAS	Ramshur, J.	Version 1	Plug-in for EEGLAB to process ECG data
HydroCel GSN 128 channels	Electrical Geodesics, Inc. (EGI)	GSN 130	EEG cap
iMac 27"	Apple	Version 10.8	Running the Netstation software
LabChart	ADInstruments	Version 8	Physiological data acquisition software
LIPSIA	Max-Planck-Institute for Human Cognitive and Brain Sciences	Version 2.2.7	fMRI data analysis software
Matlab	MathWorks	R2011a	EEGLAB is based on Matlab, statistical analysis tool for EEG data
Netstation	Electrical Geodesics, Inc. (EGI)	Version 3	EEG acquisition software
PowerLab 8/35	ADInstruments	PL3508	Physiological data acquisition hardware
SPSS	IBM	Version 27	Statistical analysis tool for behavior and EEG ROI data
Windows PC	Dell	Version 8	Running the LabChart software