Chanter et prier sont parmi les pratiques religieuses les plus populaires. Ce protocole pourrait aider les scientifiques à examiner la réponse neurophysiologique des chants religieux répétitifs en utilisant des potentiels liés aux événements. La technique ERP peut différencier le traitement de l’information neuronale à un stade précoce et avancé, en analogisant la première et la deuxième pensée du traitement de l’esprit comme expliqué dans les enseignements bouddhistes.
En suivant ce protocole, les chercheurs peuvent examiner l’effet du chant religieux ou d’autres pratiques traditionnelles pour identifier des moyens visibles d’aider les gens à améliorer leur souffrance émotionnelle. Pour commencer cette étude, recrutez des participants ayant au moins un an d’expérience dans le chant du nom du Bouddha Amitabha. Au cours de l’expérience, enregistrez les données EEG à l’aide d’un système EEG à 128 canaux composé d’un amplificateur, d’un boîtier de tête, d’un capuchon EEG et de deux ordinateurs de bureau et enregistrez les données ECG à l’aide d’un système d’enregistrement de données physiologiques.
Pour montrer des images neutres et négatives de l’International Effective Picture System, ou IAPS. Utilisez un logiciel de présentation de stimulus sur un ordinateur de bureau. Présentez les images sur un moniteur à 75 centimètres des yeux du participant, avec des angles visuels de 15 degrés verticalement et de 21 degrés horizontalement.
Utilisez une conception de bloc pour l’expérience, car elle peut susciter plus efficacement des composants liés aux émotions. Fournissez une brève séance d’entraînement pour permettre aux participants de se familiariser avec chaque condition et utilisez un moniteur vidéo pour vous assurer que les participants ne s’endorment pas. Commencez l’expérience avec la condition de chant religieux.
Demandez aux participants de chanter quatre caractères du nom du Bouddha Amitabha pendant 40 secondes tout en imaginant l’Amitabha suivant le script à l’école Pure Land. Pendant les 20 premières secondes, montrez aux participants l’image d’Amitabha-Amitabha, Amitabha. Et pendant les 20 secondes suivantes, montrez-leur les images IAPS.
Demandez aux participants d’observer attentivement les images. Montrez chaque image pendant environ 1,8 à 2,2 secondes, avec un intervalle inter-stimulus de 0,4 à 0,6 seconde. Après chaque séance, prévoyez une période de repos de 20 secondes pour contrer les effets résiduels potentiels du chant ou de la visualisation d’images lors de la session suivante.
Pour la condition de chant non religieux, demandez aux participants de chanter quatre caractères du nom du Père Noël pendant 40 secondes tout en imaginant le Père Noël. Pendant les 20 premières secondes, montrez aux participants l’image du Père Noël et, pendant les 20 secondes suivantes, montrez-leur les images IAPS. Pour la condition de contrôle, demandez aux participants de garder le silence pendant 40 secondes.
Pendant les 20 premières secondes, montrez aux participants une image vide et pendant les 20 secondes suivantes, montrez-leur les images IAPS. Pour traiter et analyser les données EEG, utilisez le logiciel open source EEGLAB. Pour maintenir une taille de fichier de données raisonnable, utilisez la fonction EEGLAB pop_resample.
Cliquez sur Outils suivi de Modifier le taux d’échantillonnage pour rééchantillonner les données de 1000 Hertz à 250 Hertz. Ensuite, filtrez les données à l’aide de la fonction EEGLAB pop_eegfiltnew. Cliquez sur Outils suivi de Filtrer les données, puis sélectionnez Filtre FIR de base nouveau, par défaut pour filtrer les données avec un filtre à réponse impulsionnelle finie avec une bande passante de 0,1 à 100 Hertz.
Pour réduire le bruit du courant alternatif, cliquez sur Outils suivi de Filtrer les données, puis sélectionnez Notch filter the data au lieu de pass band. Ensuite, filtrez les données avec un filtre de réponse impulsionnelle non linéaire avec une bande d’arrêt de 47 à 53 Hertz. Ensuite, cliquez sur Tracer, puis sur Le défilement des données de canal pour inspecter visuellement les données et supprimer les artefacts puissants générés par les mouvements des yeux et des muscles.
Ensuite, cliquez sur Outils, Interpoler les électrodes et sélectionnez parmi les canaux de données pour reconstruire les canaux défectueux à l’aide de l’interpolation sphérique. Ensuite, cliquez sur Outils et exécuter ICA pour exécuter une analyse de composants indépendante avec l’algorithme open source runica. Ensuite, cliquez à nouveau sur les outils, puis sur Rejeter les données à l’aide de l’ICA et Rejeter les composants par carte pour supprimer les composants indépendants correspondant aux mouvements oculaires, aux clignements des yeux, aux mouvements musculaires et au bruit de ligne.
Pour reconstruire les données à l’aide des composants indépendants restants, cliquez sur Outils puis sur Supprimer les composants. Ensuite, cliquez sur Outils suivi de Filtrer les données et sélectionnez Filtre FIR de base nouveau, par défaut pour filtrer les données avec un filtre passe-bas de 30 Hertz. Ensuite, cliquez sur Outils suivi de Extraire les époques pour obtenir des données ERP en extrayant et en faisant la moyenne des époques verrouillées dans le temps pour chaque condition avec une fenêtre de temps négative de 200 à zéro millisecondes comme référence, et de zéro à 800 millisecondes comme ERP.
Ensuite, cliquez sur Outils suivi de Référencer pour référencer les données ERP avec la moyenne des canaux mastoïdiens gauche et droit. Après avoir répété les étapes ci-dessus pour les ensembles de données de tous les participants, définissez des fenêtres temporelles pour N1 et le potentiel positif tardif, ou LPP, en fonction des théories établies et des données actuelles. Ensuite, à l’aide d’un test T apparié, trouvez la différence d’image neutre par rapport à la composante négative à la composante N1 et à la composante LPP parmi les trois conditions.
Ensuite, effectuez une analyse de la région d’intérêt sur les composantes N1 et LPP en faisant la moyenne des canaux pertinents pour représenter une région. Ensuite, comparez la différence à N1 et LPP séparément en utilisant des mesures répétées, ANOVA et des statistiques post-hoc dans un logiciel d’analyse statistique. Utilisez le logiciel open source SPM pour effectuer l’analyse de la source ERP.
Reliez le système de coordonnées du capteur de capuchon EEG à celui d’une image IRM structurelle standard par co-enregistrement basé sur un point de repère. Dans SPM, cliquez sur Batch, puis sur SPM, M/EEG, source reconstruction et Head model specification. Ensuite, effectuez un calcul en avant pour calculer l’effet de chaque dipôle sur le maillage cortical imposé aux capteurs EEG.
Sous le même éditeur de lots, cliquez sur SPM, puis sur M/EEG, Reconstruction de source et Inversion de source. Pour effectuer la reconstruction inverse, utilisez l’algorithme gourmand de plusieurs précédents clairsemés basé sur la recherche dans la troisième étape. Choisissez MSP/GS pour le type Inversion dans la fenêtre Inversion source.
Déterminez la différence entre les conditions à l’aide de la modélisation linéaire générale dans SPM. Après avoir défini le niveau de signification sur P 0,05, sous Batch Editor, cliquez sur SPM, puis sur Stats et spécification de conception factorielle. Pour traiter et analyser les données ECG, utilisez un logiciel physiologique et de traitement des données.
Pour calculer les scores moyens pour chaque condition dans EEGLAB, cliquez sur Outils suivis de Outils FMRIB et Détecter les événements QRS. Pour l’analyse de l’évaluation comportementale, demandez aux participants d’évaluer leur croyance en l’efficacité de chanter le nom du sujet sur une échelle de un à neuf, où l’un est considéré comme le plus faible et neuf, le plus fort. Les résultats pour la croyance des participants dans le chant ont révélé un score moyen de 8,16 pour le Bouddha Amitabha, de 3,26 pour le Père Noël et de 1,95 pour la condition de contrôle à blanc.
Le canal représentatif du lobe pariétal a démontré que les conditions de chant avaient des effets différents sur le traitement précoce et tardif des images neutres et négatives, montrant la fenêtre temporelle de N1 et LPP, respectivement. Les résultats de l’ERP ont montré une augmentation de N1 tout en regardant les images effrayantes dans les trois conditions de chant. Les images négatives ont induit des activités cérébrales centrales plus fortes que les images neutres, et les augmentations sont comparables dans les trois conditions.
L’ERP a également démontré une augmentation de la LPP dans les chants non religieux et l’absence de conditions de chant. Cependant, le LPP induit par des images effrayantes est à peine visible lorsque les participants chantent le nom du Bouddha Amitabha. Une analyse de la région d’intérêt a révélé que les différences dans la composante N1 étaient similaires dans les trois conditions.
Cependant, la différence dans la composante LPP est beaucoup plus faible dans la condition de chant religieux que dans la condition de chant non religieux et la condition de visionnement silencieux. L’analyse des sources a révélé que, par rapport aux images neutres, les images négatives induisaient plus d’activation pariétale dans la condition de chant non religieux et aucune condition de chant. En revanche, cette activation induite par une image négative disparaît en grande partie dans la condition de chant religieux.
Un changement significatif dans la fréquence cardiaque a été détecté entre les images craintives et neutres dans les conditions non religieuses et sans chant. Cependant, aucune différence de ce type n’a été trouvée dans la condition de chant religieux. Ce même protocole peut également être utilisé dans les études de neuroimagerie fonctionnelle pour révéler plus spécifiquement les régions du cerveau impliquées dans le chant religieux.
Cette étude démontre une méthode pour examiner comment le chant religieux répétitif et d’autres pratiques similaires peuvent influencer la réponse neurophysiologique et réduire la souffrance induite par un stimulus négatif.
