שירה דתית ואזורי מוח הקשורים לעצמם: מחקר דימות מוחי רב-מודאלי

Summary

כאן, אנו מציגים פרוטוקול לחקר הקורלציות הנוירופיזיולוגיות של צורות מדיטציה שונות, כולל שירה דתית. שיטה זו משלבת באופן ייחודי תוצאות fMRI eigenvector לבחירת אזור בניתוח מקור אלקטרואנצפלוגרם (EEG) באמצעות k-means clustering. התוצאות מספקות הבנה מעמיקה של התהליכים העצביים המעורבים בשירה דתית חוזרת.

Abstract

פרוטוקול זה מציג גישה רב-מודאלית של דימות מוחי כדי לחקור את הפעילות המוחית הפוטנציאלית הקשורה לשירה דתית חוזרת, צורה נפוצה של אימון תודעה בתרבויות המזרח והמערב כאחד. אלקטרואנצפלוגרם בצפיפות גבוהה (EEG), עם הרזולוציה הטמפורלית המעולה שלו, מאפשר ללכוד את השינויים הדינמיים בפעילות המוח במהלך שירה דתית. באמצעות שיטות לוקליזציה של מקורות, ניתן לייחס אותם למקורות פוטנציאליים חלופיים שונים באזור המוח. עשרים מתרגלים של שירה דתית נמדדו באמצעות EEG. עם זאת, הרזולוציה המרחבית של EEG פחות מדויקת, בהשוואה לדימות תהודה מגנטית תפקודי (fMRI). לכן, מטפל מנוסה מאוד עבר סשן סריקת fMRI כדי להנחות את לוקליזציה של המקור בצורה מדויקת יותר. נתוני fMRI סייעו להנחות את הבחירה של לוקליזציה של מקור EEG, מה שהופך את חישוב K-means של לוקליזציה מקור EEG בקבוצה של 20 מתרגלים בינוניים מדויק ואמין יותר. שיטה זו שיפרה את יכולתו של EEG לזהות את אזורי המוח המעורבים באופן ספציפי במהלך שירה דתית, במיוחד את התפקיד הקרדינלי של פיתול החגורה האחורי (PCC). PCC הוא אזור במוח הקשור למיקוד ועיבוד התייחסות עצמית. דימות מוחי רב-מודאלי ותוצאות נוירופיזיולוגיות אלה מגלות כי שירה דתית חוזרת ונשנית יכולה לגרום למרכזיות נמוכה יותר ולעוצמת גלי דלתא גבוהה יותר בהשוואה לשירה לא דתית ולתנאי מצב מנוחה. השילוב של fMRI וניתוח מקור EEG מספק הבנה מפורטת יותר של תגובת המוח לשירה דתית חוזרת. הפרוטוקול תורם באופן משמעותי למחקר על המנגנונים העצביים המעורבים בפרקטיקות דתיות ומדיטטיביות, שהופך בולט יותר בימינו. לתוצאות מחקר זה עשויות להיות השלכות משמעותיות על פיתוח טכניקות נוירופידבק עתידיות והתערבויות פסיכולוגיות.

Introduction

שירה דתית, מנהג פופולרי מאוד בתרבויות המזרח, מושווית לעתים קרובות לתפילה בחברות מערביות¹. למרות שכיחותה, המחקר המדעי על הקורלציה העצבית של שירה דתית נותר מוגבל למדי. במחקר זה נעשה שימוש בטכניקות אלקטרופיזיולוגיות ודימות מוחי רב-מודאליות מתוחכמות כדי למלא את פער הידע הזה ולחקור את האסוציאציות העצביות של שירת בודהה אמיטאבהא, אחת המסורות הדתיות הנפוצות ביותר ואחת המסורות הדתיות העתיקות ביותר שנשתמרו באופן פעיל ^2,3. שירה דתית חוזרת ונשנית יכולה לשמש כטכניקה יעילה בייעוץ בודהיסטי כדי לעזור להרגיע את התודעה ממחשבות ורגשות סוערים.

בהתחשב ברזולוציה המרחבית הגבוהה של דימות תהודה מגנטית תפקודי (fMRI), ניתן ליישם אותו כדי להתגבר על המגבלות של מחקרי EEG מסורתיים⁴. המחקר, המשלב התקבצות מקורות fMRI ואלקטרואנצפלוגרם (EEG) באמצעות ניתוח רכיבים עצמאיים (ICA), מזהה ומקבץ מרכיבים בלתי תלויים של פעילות מוחית בקרב משתתפים. שיטה זו מציגה אסטרטגיה חדשנית לזיהוי אותות ממקורות EEG מעורבים או ממקורות שונים בין משתתפים, שהייתה מאתגרת בשל הבדלים באנטומיה של המוח ובמיקום האלקטרודות.

צורת השירה הדתית החוזרת ונשנית שנלמדה באמצעות פרוטוקול זה כוללת דקלום חוזר ונשנה של שמו של אמיטאבהא בודהה. זהו גם תרגול מדיטטיבי שדווח כי הוא מעורר תחושות אושר וחוויות טרנסצנדנטליות. בין תרגולים בודהיסטים שונים, התרגול של שירת בודהה אמיטאבהא הוא פשוט ונגיש בקלות. מנהג זה מבטיח לידה מחדש בארץ הטהורה לכל אלה הקוראים בכנות בשם זה, שיש לו קווי דמיון למסורות מסוימות בדת המערבית ^1,3.

באמצעות דימות מוחי רב-מודאלי, מחקר זה נועד לספק הבנה מקיפה של הקורלציות העצביות של שירה דתית חוזרת. הפרוטוקול יכול לתרום לתחום המחקר המשגשג על ההשפעות הנוירופיזיולוגיות של פרקטיקות דתיות ומדיטטיביות שונות.

המחקר שיער כי שירה דתית חוזרת תוביל לשינויי אותות משמעותיים באזורי המוח האחראים על תהליכים הקשורים לעצמם. יתר על כן, בהתחשב ברגשות החיוביים המיוחסים לבודהה אמיטאבהא, שיערנו ששינויים רגשיים יתרחשו במהלך שירה דתית. שינויים יעילים אלה עשויים לעלות בקנה אחד עם שינויים באינדיקטורים פיזיולוגיים היקפיים, כגון שינויים במדדי השתנות קצב הלב הרב-תחומי (HRV) וקצב נשימה⁵.

Protocol

אישור אתי התקבל למחקר מאוניברסיטת הונג קונג לפני הניסוי. כל המשתתפים חתמו על טופס הסכמה בכתב לפני שהשתתפו בניסויי EEG ו-fMRI.

1. בחירת המשתתפים והכנתם

1. גייסו משתתפים שיש להם לפחות שנה אחת של ניסיון מדיטטיבי בשירה דתית של בודהה אמיטאבהא למשך מינימום של 15 דקות ביום. ודא כי טווח הגילאים הוא בין 40 ל 52 שנים. הערך את מספר המשתתפים על ידי ניתוח כוח. במחקר הנוכחי גויסו 21 משתתפים.
   הערה: ניתוח הספק נערך בהתבסס על גדלי ההשפעה שנצפו במחקרי פיילוט ובספרות הקיימת על מחקרי EEG ו-fMRI של מדיטציה. באופן כללי, לעיצוב בתוך הנושא יש כוח טוב יותר להבדיל בין תנאים שונים, בהתחשב בכך שהשונות בין נושאים היא בדרך כלל גדולה יותר.
2. ליידע את המשתתפים על מטרת המחקר ועל ההליכים המעורבים.
3. ודא כי המשתתפים אינם מדוכאים באמצעות מלאי דיכאון בק.
4. ודא כי המשתתפים נמצאים במצב בריאותי טוב ואינם תחת השפעת חומרים כלשהם שעלולים להשפיע על תגובותיהם הפיזיולוגיות.
   הערה: קריטריוני ההדרה כוללים דיכאון, פתולוגיה נוירופסיכיאטרית או הימצאות תחת השפעת אלכוהול או חומרים פסיכואקטיביים. יתר על כן, קריטריוני אי הכללה ספציפיים ל- MRI כוללים קוצב לב, שתלי מוח עמוקים או שתלי מתכת שאינם תואמים לבדיקת MRI.
5. ודא שהמשתתפים מתאימים להשתתף במחקר EEG / אלקטרוקרדיוגרמה (ECG) / MRI.
   הערה: נתוני EEG ו-MRI נרשמו בנפרד. משך איסוף הנתונים היה שונה בין EEG ל-fMRI כדי לייעל את איכות הנתונים עבור כל מודאליות, בהתחשב בעייפות ובנוחות של המשתתפים. מחקר הפיילוט שלנו מצא כי fMRI רגיש יותר להדגמת קורלציות עצביות, בעוד שבנתוני EEG היו בדרך כלל מקטעים גרועים או ממצאים אחרים והיה צורך במשך זמן מעט ארוך יותר כדי להבטיח מספיק נתונים לניתוח הסופי. לכן, זמן ה-EEG היה מעט ארוך יותר מזמן ה-MRI. תנוחות שונות במהלך איסוף נתוני EEG ו-fMRI היו נחוצות בשל האילוצים של כל שיטת הדמיה. התנאים חולקו באופן אקראי באמצעות לוח זמנים אקראי שנוצר על ידי מחשב כדי לשלוט באפקטים של סדר. הרצף לא היה זהה בין EEG ל-fMRI.

2. רכישה וניתוח של נתוני EEG

1. הגדר EEG בן 128 ערוצים וציוד רישום נתונים פיזיולוגיים מרובים בהתאם להוראות היצרן.
2. ודאו שהמשתתפים חופפים היטב את שיערם לפני תחילת איסוף נתוני EEG/ECG.
3. בקשו מהמשתתפים להירגע ולשבת בנוחות.
4. הציגו את הניסוי בפני המשתתפים.
5. בקשו מהמשתתף לבצע גרסת ניסיון של הניסוי.
6. רכשו נתוני EEG בזמן שכל משתתף נמצא תחת שלושה תנאים שונים: שירת בודהה אמיטאבהא, שירת סנטה קלאוס ומצב מנוחה, והכל בעיניים עצומות. רשום 10 דקות של נתוני EEG בכל מצב.
7. שמור ותייג את הנתונים בהתאם לכל משתתף.
8. ודא שהנתונים מאוחסנים באופן מאובטח עם גיבויים.

3. רכישת נתוני MRI

1. הכן סורק MRI 3.0 T וודא שהוא פועל כראוי לפני תחילת איסוף הנתונים. ודא שהמשתתף מרגיש בנוח ומבין את ההליך לפני תחילת הסריקה.
2. התחל עם רצף סריקה משוקלל T1 עם הפרמטרים הבאים: שדה ראייה (FoV) = 256 מ"מ × 150 מ"מ × 240 מ"מ, מטריצת רכישה = 256 × 256, זמן חזרה (TR) = 15 אלפיות השנייה, זמן הד (TE) = 3.26 אלפיות השנייה, זווית היפוך = 25°, עובי פרוסה = 1.5 מ"מ, מספר פרוסות = 100, רזולוציית ווקסל (x,y,z,) = 0.94 מ"מ × 1 מ"מ × 1.5 מ"מ.
3. קבל תמונות fMRI עם הדמיה אקו-מישורית הדרגתית (EPI) באמצעות סליל ראש SENSE בן 8 ערוצים. הגדר את פרמטרי הרצף באופן הבא: FoV = 230 מ"מ × 140 מ"מ × 230 מ"מ, מטריצת רכישה = 64 × 64, TR = 2000 ms, TE = 30 ms, זווית היפוך = 90°, מספר פרוסות = 32, עובי פרוסה = 3 מ"מ, ומרווח פרוסה = 1.5 מ"מ.
4. התחל את איסוף נתוני fMRI כאשר כל משתתף נמצא תחת שלושה תנאים: שירה דתית, שירה לא דתית ומצב מנוחה. רשום את הנתונים עבור משך הזמן של כל תנאי: כל תנאי כלל 243 אמצעי אחסון דינמיים, עם משך כולל של 8.1 דקות.

4. רכישת נתונים פיזיולוגיים

1. הקמת מערכת איסוף נתונים פיזיולוגיים לאיסוף נתונים לבביים, נשימתיים ופיזיולוגיים אחרים בהתאם להוראות היצרן.
   הערה: EEG ונתונים פיזיולוגיים נרכשו באותו זמן.
2. חבר שלוש אלקטרודות אק"ג ביד שמאל וימין וברגל שמאל, בהתאמה.
3. הרכיבו שתי חגורות נשימה על המשתתפת, אחת למדידת נשימת שד ואחת למדידת נשימת בטן.
4. עקוב אחר תגובת העור הגלוונית (GSR) ורמות ריווי החמצן של המשתתפים.
5. התחל את איסוף הנתונים יחד עם איסוף נתוני EEG כאשר כל משתתף נמצא תחת שלושה תנאים: שירת בודהה אמיטאבהא, שירת סנטה קלאוס ומצב מנוחה, והכל בעיניים עצומות.
6. שמור ותייג את הנתונים בהתאם לכל משתתף. ודא שהנתונים מאוחסנים בצורה מאובטחת וטובים מספיק לניתוח נוסף.

5. ניתוח נתוני EEG

1. עבד ונתח את נתוני EEG עם תוכנה מתאימה. כאן, תוכנת קוד פתוח EEGLAB שימש.
2. טען את הנתונים לתוכנית. לחץ על קובץ > לטעון ערכת נתונים קיימת.
3. דגום מחדש את הנתונים מ- 1000 הרץ עד 250 הרץ על-ידי לחיצה על כלים > שינוי קצב דגימה.
4. סנן את הנתונים באמצעות מסנן תגובת דחף סופית (FIR) עם פס מעבר של 0.1-100 הרץ על-ידי לחיצה על כלים > סינון הנתונים > מסנן FIR בסיסי.
5. סנן את הנתונים שוב באמצעות מסנן חריץ עם פס עצירה של 47-53 הרץ כדי להסיר רעשי זרם חילופין. לחץ על כלים > סנן את הנתונים ובחר באפשרות חריץ לסנן את הנתונים במקום פס מעבר.
6. בדוק את הנתונים באופן חזותי כדי למנוע לכלוכים, כגון תנועות עיניים ושרירים, על-ידי לחיצה על התווה > נתוני ערוץ (גלילה).
   הערה: ניתן להשתמש בתעלות אלקטרו-אוקוקולוגרפיה ייעודיות (EOG) כהפניה.
7. בדוק את הנתונים באופן חזותי כדי לציין ערוצים פגומים להסרה.
8. החל אינטרפולציה כדורית המבוססת על הערוצים הסובבים כדי לבנות מחדש את הערוצים הפגומים על-ידי לחיצה על כלים > אינטרפולציה אלקטרודות ובחר מתוך ערוצי הנתונים.
9. בצע את ניתוח הרכיבים העצמאיים (ICA) באמצעות אלגוריתם runica. לשם כך, לחץ על כלים > הפעל את ICA.
10. הסר רכיבים עצמאיים (IC) המתאימים לתנועת עיניים, רעשי שרירים ורעשי קו מהנתונים על-ידי לחיצה על כלים > לדחות נתונים באמצעות ICA > לדחות רכיבים לפי מפה.
11. בנה מחדש את הנתונים באמצעות ה- Ics הנותרים על ידי לחיצה על כלים > הסרת רכיבים.
12. לחץ על כלים > סינון הנתונים > מסנן FIR בסיסי כדי לסנן את הנתונים עם מסנן מעבר נמוך של 47 הרץ.
13. הערך את הדמיון בין מעגלים משולבים (IC) וקבץ אותם לאשכולות שקולים מבחינה תפקודית באמצעות פונקציות STUDY של EEGLAB. לחץ על קובץ > ליצור > מחקר באמצעות כל ערכות הנתונים שנטענו.
14. צור את מיקומי הדיפול של כל IC באמצעות פונקציית DIPFIT2. לחץ על כלים > לאתר דיפול באמצעות DIPFIT 2.x > Autofit.
15. השתמש באשכולות k פירושו כדי ליצור אשכולות IC המבוססים על מיקומי דיפול דומים (משקל: 2/3) וספקטרום הספק (משקל: 1/3). לחץ על Study > PCA Clustering > Build Preclustering Array.
16. חזור על הליך קיבוץ האשכולות עשר פעמים, בכל פעם עם הגדרת פרמטר k שונה. זהה את הגדרת הפרמטר k שיוצרת אשכולות ייחודיים אך סבירים. לחץ על Study > אשכולות עריכה/עלילה.
17. בצע ניתוח ספקטרום ובצע ANOVA חד-כיווני בכל תחומי התדרים העיקריים באמצעות המעגלים המשולבים מאשכול עניין ספציפי.
    הערה: שימו לב במיוחד לפיתול החגורה האחורי (PCC), שכן אזור זה נמצא כיורד במרכזיותו עקב עלייה אזורית ביצירה אנדוגנית של תנודות דלתא במהלך שירה דתית.

6. ניתוח נתוני fMRI

1. עבד מראש את נתוני fMRI באמצעות תוכנת Leipzig Image Processing and Statistical Inference Algorithms (LIPSIA 2.2.7).
   1. בצע עיבוד מקדים הכולל נורמליזציה של עוצמת האות, תיקון תנועה, נורמליזציה מרחבית למרחב MNI, החלקה מרחבית עם Full Width at Half Maximum (FWHM) = 6 מ"מ, וסינון מעבר גבוה זמני בתדר חיתוך של 1/90 הרץ כדי להסיר סטיות בתדר נמוך בסדרת הזמן fMRI. עיין בשלבים אלה בצבר עיבוד נתונים 1 (קובץ משלים 1).
2. הסר משתנים משותפים שאינם מעניינים, כגון תנודות אות גלובליות ופרמטרים של תנועה, על-ידי רגרתם אל מחוץ לנתונים עבור כל רצף סריקה המתאים לכל אחד משלושת התנאים.
3. לבסוף, חקרו קונקטומיה תפקודית של המוח כולו על ידי יישום מיפוי מרכזיות Eigenvector (ECM), שיטת תורת הגרפים המזהה את הצמתים המשפיעים ביותר ברשת, ותמונות ECM משני תנאים מופחתות זו מזו כדי להפיק את תמונת הניגוד המתקבלת. עיין בשלבים אלה בצינור עיבוד נתונים 2 (קובץ משלים 2).

7. א.ק.ג. וניתוח נתונים פיזיולוגיים אחרים

1. נקו אק"ג גולמי ונתונים פיזיולוגיים אחרים באמצעות מסנן מעבר רצועה של באטרוורת' וחלצו את מרווח הפעימות (IBI) לאחר החלפת חריגים באינטרפולציה ספלין.
2. נטרל את המגמה של נתוני IBI וחשב את תכונות תחום הזמן/תדר של HRV (השתנות דופק) באמצעות ארגז הכלים HRVAS בקוד פתוח.
3. הגדר טווחי תדרים עבור VLF ל- 0-0.04 הרץ, LF ל- 0.04-0.15 הרץ ו- HF ל- 0.15-0.4 הרץ.
4. הערך את העוצמה של פסי תדרים נבחרים באמצעות שיטת הפריודוגרמה Lomb-Scargle.
5. הכפיפו את מדדי HRV הנגזרים למבחנים סטטיסטיים באמצעות מדדים חוזרים חד-כיווניים, ANOVA ובדיקות פוסט-הוק כדי להעריך הבדלים בין תנאים. הגדר את רמת מובהקות אלפא על 0.05.
6. חשב נתונים פיזיולוגיים אחרים, כגון מרווחי נשימה עבור כל משתתף וכל מצב, באמצעות תוכנת ניתוח.
7. השתמש בפונקציה findpeaks בתוכנת הניתוח כדי לזהות את שיא עקומת הנשימה.
8. להבדיל בין תקופות ההשראה והתפוגה, ולאחר מכן לחשב את קצב הנשימה.
9. השווה את ההבדל בין התנאים באמצעות מדידות חוזרות חד-כיווניות ANOVA ובדיקות פוסט הוק.

תוצאות

תוצאות ניתוח fMRI הצביעו על כך שההבדל החזק ביותר במרכזיות הווקטור העצמי בין שירה דתית ללא דתית היה ממוקם בעיקר בפיתול החגורה האחורי (PCC); ראו איור 1. ממצא זה מונף כדי להעריך ולאמת את הבחירה של אשכולות רכיבים בלתי תלויים ב-EEG, אשר ביטאו באופן דומה אשכול בקרבת אזור PCC.

איור 1: דימות מוחי רב-מודאלי ותוצאות אלקטרופיזיולוגיות. מיפוי מרכזיות וקטור Eigenvector שהוחל על נתוני fMRI, גילה כי פיתול החגורה האחורי הוא האזור במוח שהמרכזי שלו ירד ביותר במהלך שירה דתית בהשוואה לשירה לא דתית. נתון זה התקבל באישור Gao et ^al.1. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

ניתוח אשכולות רכיבים בלתי תלויים ב-EEG הניב שבעה אשכולות IC נפרדים, שכל אחד מהם מתאים למקור של פעילות EEG. יש לציין שאחד הצבירים האלה היה ממוקם ב-PCC, ממצא שתואם את תוצאות ה-fMRI (ראו איור 2).

איור 2: ניתוח אשכולות רכיבים שאינם תלויים ב-EEG הציג גם אשכול ב-PCC. נתון זה התקבל באישור Gao et ^al.1. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

אשכול מסוים זה נבחר לאחר מכן לניתוח מעמיק, כולל ניתוח ספקטרום. ANOVA חד-כיווני חשף השפעה עיקרית משמעותית של שירה על עוצמת רצועת תדרי הדלתא (1-4 הרץ, ראו איור 3 ואיור 4).

איור 3: ANOVA החד-כיוונית חשפה השפעה עיקרית משמעותית של שירה על עוצמת רצועת הדלתא (1-4 הרץ). נתון זה התקבל באישור Gao et ^al.1. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

תרשים 4: ניתוח פוסט-הוק של תנאי שירה דתית לעומת תנאי שירה לא דתיים. הניתוח הראה כי השירה הדתית גרמה לכוח דלתא גבוה יותר מאשר מצב השירה הלא דתית (p = 0.011). אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

ניתוח פוסט-הוק נוסף הצביע על עוצמה נמוכה משמעותית של HRV במהלך שירה דתית בהשוואה למצב ללא שירה (ראה איור 5).

תרשים 5: ניתוח פוסט-הוק של מצב מנוחה ללא שירה לעומת תנאי שירה דתית. הניתוח הראה כי בהשוואה למצב מנוחה ללא שירה, שירה דתית גרמה להספק כולל נמוך יותר של HRV, להספק אבסולוטי נמוך יותר בתדר גבוה, ולהספק אבסולוטי נמוך מאוד-נמוך יותר. נתון זה התקבל באישור Gao et ^al.1. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

הממצאים מצביעים על כך שבהשוואה לשירה לא דתית, יש ירידה במרכזיות הווקטור העצמי ב-PCC, כנראה בגלל זינוק אזורי בתנודות דלתא אנדוגניות. שינויים תפקודיים אלה אינם תלויים בפעילות לבבית היקפית או נשימתית ואינם מופעלים על ידי עיבוד שפה מרומז. במקום זאת, נראה שהם קשורים לחוויות של אושר טרנסצנדנטלי וירידה בקוגניציה המרוכזת בעצמה.

קובץ משלים 1: צינור עיבוד נתונים 1. אנא לחץ כאן כדי להוריד קובץ זה.

קובץ משלים 2: צינור עיבוד נתונים 2. אנא לחץ כאן כדי להוריד קובץ זה.

Discussion

למרות שמערכת EEG בת 128 ערוצים ששימשה הייתה מערכת EEG בצפיפות גבוהה, הרזולוציה המרחבית של EEG נותרה נמוכה יחסית בהשוואה ל-fMRI, וחסרון זה משפיע גם על דיוק לוקליזציה של מקורות EEG, במיוחד כאשר מועמדים מרובים לאזורי מוח הם סבירים. לפיכך, הרזולוציה המרחבית העמוקה והגבוהה יותר של MRI יכולה לשפר באופן משמעותי את הדיוק המרחבי של ניתוח מקור EEG⁶ ולהנחות את בחירת הצבירים החשובים ביותר לניתוח נוסף. הפרוטוקול הנוכחי משתמש בכלי דימות מוחי רב-מודאליים, כולל שיטות רכישה וניתוח של נתונים EEG, ECG ו-fMRI. הוא מדגים גישה מקיפה לחקר הקורלציות הנוירופיזיולוגיות של שירה דתית ואולי צורות אחרות של אימון תודעה. שלב קריטי בפרוטוקול הוא יישום תוצאות fMRI בניתוח מקור EEG. איכות נתוני ה- EEG שנרכשו נותרה חיונית לניתוח ופרשנות הבאים של התוצאות. השימוש ב-ICA וב-k-means clustering בניתוח נתוני EEG, בשילוב עם תוצאות fMRI, מאפשר הבנה מעמיקה יותר של הנתונים ^7,8. האפנון הנצפה של עוצמת רצועת הדלתא במהלך שירה דתית מתיישב עם הספרות המצביעה על כך שמקצבי דלתא עשויים לווסת התנהגות באמצעות סנכרון של פעילות עצבית. גל דלתא יכול לטפח תשומת לב ממוקדת והפחתה פוטנציאלית בחשיבה ההתייחסותית העצמית הקשורה לרשת ברירת המחדל. פעילות דלתא מוגברת זו, המעידה על מצבים משקמים עמוקים, יכולה לבסס את ההשפעות הטיפוליות של שירה על ידי חיזוק עיבוד קוגניטיבי ורגשי⁹.

תוצאות מחקר זה מדגישות עלייה משמעותית בעוצמת רצועת הדלתא במהלך שירה דתית, בהשוואה לשירה לא דתית. תוצאות ה-fMRI מצביעות על ירידה חזקה במרכזיות באזורי המוח הקשורים לעיבוד עצמי¹⁰ במהלך שירה דתית. התוצאות מנתונים פיזיולוגיים מראות גם כי ההשפעות של שירה דתית שונות מאלו של שירה לא דתית ושוללות גורמים מבלבלים פוטנציאליים אחרים, כולל הבדלים עקב עיבוד שפה, או פעילות לבבית. בסך הכל, הממצאים מרמזים על אפיק מבטיח לקראת היישום הקליני של שירה דתית באמצעות ייעוץ בודהיסטי על מנת להקל על טיפוח "אי-היאחזות"^1,11,12.

המגבלות כוללות שנתוני fMRI ו-EEG נרכשו מנבדקים שונים¹³. שנית, בהתחשב בשונות הרבה בין הנבדקים בנוגע לחוויית השירה הדתית שלהם ^1,14, היה עדיף אם כל הנבדקים היו עוברים גם סריקת fMRI. המחקר העתידי שלנו ישאף להתמודד עם מגבלות אלה ולחקור עוד יותר את ההשפעות הנוירופיזיולוגיות של פרקטיקות דתיות ומדיטטיביות שונות.

למרות מגבלות אלה, פרוטוקול זה ייחודי בשילוב דימות מוחי רב-מודאלי וכלי מדידה פיזיולוגיים, כולל נתוני EEG, ECG ו-fMRI, כדי לספק מבט מקיף יותר על הקורלציות הנוירופיזיולוגיות של שירה דתית. גישה זו של דימות מוחי רב-מודאלי מאפשרת הבנה עמוקה יותר של פרקטיקות דתיות ומדיטטיביות, דבר שלא היה אפשרי באמצעות שיטות המסתמכות אך ורק על סוג אחד ויחיד של נתונים^15,16.

Materials

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