El canto y la oración se encuentran entre las prácticas religiosas más populares. Este protocolo podría ayudar a los científicos a examinar la respuesta neurofisiológica del canto religioso repetitivo utilizando potenciales relacionados con eventos. La técnica ERP puede diferenciar entre el procesamiento de información neuronal en etapa temprana y tardía, analogizando el primer y segundo pensamiento del procesamiento mental como se explica en las enseñanzas budistas.
Siguiendo este protocolo, los investigadores pueden examinar el efecto del canto religioso u otras prácticas tradicionales para identificar formas visibles de ayudar a las personas a mejorar su sufrimiento emocional. Para comenzar este estudio, reclute participantes con al menos un año de experiencia en el canto del nombre de Buda Amitabha. Durante el experimento, registre los datos de EEG utilizando un sistema de EEG de 128 canales que consta de un amplificador, una caja de cabeza, una tapa de EEG y dos computadoras de escritorio y registre los datos de ECG utilizando un sistema de registro de datos fisiológicos.
Para mostrar imágenes neutrales y negativas del Sistema Internacional de Imágenes Efectivas, o IAPS. Use un software de presentación de estímulos en una computadora de escritorio. Presentar las imágenes en un monitor a 75 centímetros de los ojos del participante, con ángulos visuales de 15 grados verticalmente y 21 grados horizontalmente.
Use un diseño de bloque para el experimento, ya que puede provocar de manera más efectiva componentes relacionados con las emociones. Proporcione una breve carrera de práctica para permitir que los participantes se familiaricen con cada condición, y use un monitor de video para asegurarse de que los participantes no se duerman. Comience el experimento con la condición de canto religioso.
Pida a los participantes que canten cuatro caracteres del nombre de Buda Amitabha durante 40 segundos mientras imaginan al Amitabha siguiendo el guión en la escuela De la Tierra Pura. Durante los primeros 20 segundos, muestre a los participantes la imagen de Amitabha-Amitabha, Amitabha. Y durante los próximos 20 segundos, muéstreles las imágenes de IAPS.
Pida a los participantes que observen las imágenes cuidadosamente. Muestre cada imagen durante aproximadamente 1,8 a 2,2 segundos, con un intervalo entre estímulos de 0,4 a 0,6 segundos. Después de cada sesión, permita un período de descanso de 20 segundos para contrarrestar los posibles efectos residuales del canto o la visualización de imágenes en la siguiente sesión.
Para la condición de canto no religioso, pida a los participantes que canten cuatro caracteres del nombre de Santa Claus durante 40 segundos mientras imaginan al Santa Claus. Durante los primeros 20 segundos, muestre a los participantes la imagen de Santa Claus, y durante los próximos 20 segundos, muéstreles las imágenes de IAPS. Para la condición de control, pida a los participantes que guarden silencio durante 40 segundos.
Durante los primeros 20 segundos, muestre a los participantes una imagen en blanco y durante los siguientes 20 segundos, muéstreles las imágenes IAPS. Para procesar y analizar los datos de EEG, utilice el software de código abierto EEGLAB. Para mantener un tamaño de archivo de datos razonable, utilice la función EEGLAB pop_resample.
Haga clic en Herramientas seguido de Cambiar frecuencia de muestreo para volver a muestrear los datos de 1000 Hertz a 250 Hertz. A continuación, filtre los datos mediante la función EEGLAB pop_eegfiltnew. Haga clic en Herramientas seguido de Filtrar los datos, luego seleccione Nuevo filtro FIR básico, predeterminado para filtrar los datos con un filtro de respuesta de impulso finito con una banda de paso de 0.1 a 100 Hertz.
Para reducir el ruido de la corriente alterna, haga clic en Herramientas seguido de Filtrar los datos y seleccione Filtro de muesca de los datos en lugar de banda de paso. Luego, filtre los datos con un filtro de respuesta de impulso no lineal con una banda de parada de 47 a 53 Hertz. A continuación, haga clic en Trazar y luego en Desplazarse por los datos del canal para inspeccionar visualmente los datos y eliminar los artefactos fuertes generados por los movimientos oculares y musculares.
Luego, haga clic en Herramientas, Interpolar electrodos y seleccione entre los canales de datos para reconstruir los canales defectuosos utilizando interpolación esférica. A continuación, haga clic en Herramientas y ejecute ICA para ejecutar un análisis de componentes independiente con el algoritmo de código abierto runica. Luego, haga clic en herramientas nuevamente, seguido de Rechazar datos usando ICA y Rechazar componentes por mapa para eliminar los componentes independientes correspondientes a movimientos oculares, parpadeos, movimiento muscular y ruido de línea.
Para reconstruir los datos utilizando los componentes independientes restantes, haga clic en Herramientas seguido de Quitar componentes. A continuación, haga clic en Herramientas seguido de Filtrar los datos y seleccione Nuevo filtro FIR básico, predeterminado para filtrar los datos con un filtro de paso bajo de 30 Hertz. Luego, haga clic en Herramientas seguidas de Extraer épocas para obtener datos de ERP extrayendo y promediando épocas bloqueadas en el tiempo para cada condición con una ventana de tiempo de 200 a cero milisegundos negativos como línea de base, y de cero a 800 milisegundos como ERP.
A continuación, haga clic en Herramientas seguido de Re-referencia para volver a hacer referencia a los datos de ERP con el promedio de los canales mastoides izquierdo y derecho. Después de repetir los pasos anteriores para los conjuntos de datos de todos los participantes, defina las ventanas de tiempo para N1 y el potencial positivo tardío, o LPP, en función de las teorías establecidas y los datos actuales. Luego, usando una prueba T emparejada, encuentre la diferencia de imagen neutral versus negativa en el componente N1 y el componente LPP entre las tres condiciones.
A continuación, realice un análisis de región de interés en los componentes N1 y LPP promediando los canales relevantes para representar una región. Luego, compare la diferencia en N1 y LPP por separado utilizando medidas repetidas, ANOVA y estadísticas post-hoc en el software de análisis estadístico. Utilice el software de código abierto SPM para realizar el análisis de la fuente ERP.
Vincule el sistema de coordenadas del sensor de tapa EEG al de una imagen de resonancia magnética estructural estándar mediante el registro conjunto basado en puntos de referencia. En SPM, haga clic en Lote, luego en SPM, M/ EEG, reconstrucción de origen y especificación del modelo principal. A continuación, realice un cálculo hacia adelante para calcular el efecto de cada dipolo en la malla cortical impuesta a los sensores EEG.
En el mismo editor por lotes, haga clic en SPM, luego en M/EEG, reconstrucción de origen e inversión de origen. Para realizar la reconstrucción inversa, use el algoritmo de priores dispersos múltiples basado en búsqueda codiciosa en el tercer paso. Elija MSP/GS para el tipo Inversión en la ventana Inversión de origen.
Determine la diferencia entre las condiciones utilizando el modelado lineal general en SPM. Después de establecer el nivel de significación en P 0.05, en Editor de lotes, haga clic en SPM, luego en Especificación de diseño de estadísticas y factoriales. Para procesar y analizar los datos de ECG, utilice software fisiológico y de procesamiento de datos.
Para calcular las puntuaciones medias de cada condición en EEGLAB, haga clic en Herramientas seguidas de Herramientas FMRIB y Detectar eventos QRS. Para el análisis de evaluación del comportamiento, pida a los participantes que califiquen su creencia en la eficacia de cantar el nombre del sujeto en una escala de uno a nueve, donde uno se considera el más débil y nueve, el más fuerte. Los resultados para la creencia de los participantes en el canto revelaron un puntaje promedio de 8.16 para el Buda Amitabha, 3.26 para Santa Claus y 1.95 para la condición de control en blanco.
El canal representativo del lóbulo parietal demostró que las condiciones de canto tenían diferentes efectos en el procesamiento temprano y tardío de imágenes neutras y negativas, mostrando la ventana de tiempo de N1 y LPP, respectivamente. Los resultados de ERP mostraron un aumento de N1 mientras se veían las imágenes temerosas en las tres condiciones de canto. Las imágenes negativas indujeron actividades cerebrales centrales más fuertes que las imágenes neutras, y los aumentos son comparables en las tres condiciones.
El ERP también demostró un aumento de LPP en el canto no religioso y sin condiciones de canto. Sin embargo, el LPP inducido por imágenes temerosas es apenas visible cuando los participantes cantan el nombre de Buda Amitabha. Un análisis de la región de interés reveló que las diferencias en el componente N1 eran similares en las tres condiciones.
Sin embargo, la diferencia en el componente LPP es mucho menor en la condición de canto religioso que en la condición de canto no religioso y la condición de visualización silenciosa. El análisis de la fuente reveló que, en comparación con las imágenes neutras, las imágenes negativas indujeron más activación parietal en la condición de canto no religioso y ninguna condición de canto. En contraste, esta activación inducida por la imagen negativa desaparece en gran medida en la condición de canto religioso.
Se detectó un cambio significativo en la frecuencia cardíaca entre las imágenes temerosas y neutrales en las condiciones no religiosas y sin canto. Sin embargo, no se encontró tal diferencia en la condición de canto religioso. Este mismo protocolo también se puede utilizar en estudios de neuroimagen funcional para revelar más específicamente las regiones del cerebro involucradas en el canto religioso.
Este estudio demuestra un método para examinar cómo el canto religioso repetitivo y otras prácticas similares pueden influir en la respuesta neurofisiológica y reducir el sufrimiento inducido por un estímulo negativo.
