Modulazione della risposta neurofisiologica a stimoli paurosi e stressanti attraverso il canto religioso ripetitivo

Cantare e pregare sono tra le pratiche religiose più popolari. Questo protocollo potrebbe aiutare gli scienziati a esaminare la risposta neuro-fisiologica del canto religioso ripetitivo utilizzando potenziali legati agli eventi. La tecnica ERP può distinguere tra elaborazione delle informazioni neurali in fase iniziale e avanzata, analogando il primo e il secondo pensiero dell'elaborazione mentale come spiegato negli insegnamenti buddisti.

Seguendo questo protocollo, i ricercatori possono esaminare l'effetto del canto religioso o di altre pratiche tradizionali per identificare modi visibili per aiutare le persone a migliorare la loro sofferenza emotiva. Per iniziare questo studio, recluta partecipanti con almeno un anno di esperienza nel cantare il nome di Amitabha Buddha. Durante l'esperimento, registrare i dati EEG utilizzando un sistema EEG a 128 canali costituito da un amplificatore, una scatola di testa, un cappuccio EEG e due computer desktop e registrare i dati ECG utilizzando un sistema di registrazione dei dati fisiologici.

Per mostrare immagini neutre e negative dall'International Effective Picture System, o IAPS. Utilizzare un software di presentazione degli stimoli su un computer desktop. Presentare le immagini su un monitor a 75 centimetri dagli occhi del partecipante, con angoli visivi di 15 gradi in verticale e 21 gradi in orizzontale.

Usa un design a blocchi per l'esperimento, in quanto potrebbe suscitare in modo più efficace componenti legati alle emozioni. Fornire una breve pratica per consentire ai partecipanti di familiarizzare con ogni condizione e utilizzare il monitor video per garantire che i partecipanti non si addormentino. Inizia l'esperimento con la condizione di canto religioso.

Chiedi ai partecipanti di cantare quattro personaggi del nome di Amitabha Buddha per 40 secondi mentre immagini l'Amitabha seguendo il copione nella scuola della Terra Pura. Durante i primi 20 secondi, mostra ai partecipanti l'immagine di Amitabha-Amitabha, Amitabha. E per i prossimi 20 secondi, mostra loro le immagini IAPS.

Chiedi ai partecipanti di osservare attentamente le immagini. Mostra ogni immagine per circa 1,8-2,2 secondi, con un intervallo inter-stimolo da 0,4 a 0,6 secondi. Dopo ogni sessione, concedi un periodo di riposo di 20 secondi per contrastare i potenziali effetti residui del canto o della visualizzazione delle immagini nella sessione successiva.

Per la condizione di canto non religioso, chiedi ai partecipanti di cantare quattro caratteri del nome di Babbo Natale per 40 secondi mentre immagini il Babbo Natale. Durante i primi 20 secondi, mostra ai partecipanti l'immagine di Babbo Natale e, per i successivi 20 secondi, mostra loro le immagini IAPS. Per la condizione di controllo, chiedi ai partecipanti di rimanere in silenzio per 40 secondi.

Durante i primi 20 secondi, mostra ai partecipanti un'immagine vuota e per i successivi 20 secondi, mostra loro le immagini IAPS. Per elaborare e analizzare i dati EEG, utilizzare il software open source EEGLAB. Per mantenere una dimensione ragionevole del file di dati, utilizzare la funzione EEGLAB pop_resample.

Fare clic su Strumenti seguito da Modifica frequenza di campionamento per ricampionare i dati da 1000 Hertz a 250 Hertz. Quindi, filtrare i dati utilizzando la funzione EEGLAB pop_eegfiltnew. Fare clic su Strumenti seguiti da Filtra i dati, quindi selezionare Filtro FIR di base nuovo, predefinito per filtrare i dati con un filtro di risposta agli impulsi finito con una banda di passaggio da 0,1 a 100 Hertz.

Per ridurre il rumore della corrente alternata, fare clic su Strumenti seguiti da Filtra i dati e selezionare Notch filtra i dati anziché passare banda. Quindi, filtrare i dati con un filtro di risposta all'impulso non lineare con una banda di arresto da 47 a 53 Hertz. Quindi, fai clic su Plot e quindi sullo scorrimento dei dati del canale per ispezionare visivamente i dati e rimuovere i forti artefatti generati dai movimenti oculari e muscolari.

Quindi, fare clic su Strumenti, Interpolare elettrodi e selezionare dai canali di dati per ricostruire i canali danneggiati utilizzando l'interpolazione sferica. Quindi, fare clic su Strumenti ed esegui ICA per eseguire un'analisi dei componenti indipendente con l'algoritmo open source runica. Quindi, fai di nuovo clic sugli strumenti, seguiti da Rifiuta dati utilizzando ICA e Rifiuta componenti per mappa per rimuovere i componenti indipendenti corrispondenti a movimenti oculari, battiti di ciglia, movimento muscolare e rumore di linea.

Per ricostruire i dati utilizzando i restanti componenti indipendenti, fate clic su Strumenti (Tools) e quindi su Rimuovi componenti (Remove components). Quindi, fare clic su Strumenti seguito da Filtra i dati e selezionare Filtro FIR di base nuovo, predefinito per filtrare i dati con un filtro passa-basso da 30 Hertz. Quindi, fai clic su Strumenti seguiti da Epoche di estrazione per ottenere i dati ERP estraendo e facendo la media delle epoche bloccate nel tempo per ogni condizione con una finestra temporale da 200 a zero millisecondi negativi come linea di base e da zero a 800 millisecondi come ERP.

Quindi, fare clic su Strumenti seguito da Re-reference per ri-riferimento ai dati ERP con la media dei canali mastoidi sinistro e destro. Dopo aver ripetuto i passaggi precedenti per i set di dati di tutti i partecipanti, definire le finestre temporali per N1 e il potenziale positivo tardivo, o LPP, in base alle teorie consolidate e ai dati correnti. Quindi, utilizzando un T-test accoppiato, trova la differenza di immagine neutra rispetto a quella negativa al componente N1 e al componente LPP tra le tre condizioni.

Successivamente, eseguire un'analisi della regione di interesse sui componenti N1 e LPP facendo la media dei canali rilevanti per rappresentare una regione. Quindi, confronta la differenza a N1 e LPP separatamente usando misure ripetute, ANOVA e statistiche post-hoc nel software di analisi statistica. Utilizzare il software open source SPM per eseguire l'analisi del codice sorgente ERP.

Collegare il sistema di coordinate del sensore del cappuccio EEG a quello di un'immagine MRI strutturale standard mediante co-registrazione basata su punti di riferimento. In SPM, fare clic su Batch, quindi su SPM, M/EEG, ricostruzione sorgente e specifica del modello Head. Quindi, eseguire il calcolo in avanti per calcolare l'effetto di ciascun dipolo sulla rete corticale imposta ai sensori EEG.

Nello stesso editor batch, fare clic su SPM, quindi su M/EEG, Ricostruzione sorgente e Inversione origine. Per eseguire la ricostruzione inversa, utilizzare l'algoritmo greedy-search-based multiple sparse priors nel terzo passaggio. Scegliere MSP/GS per il tipo di inversione nella finestra Inversione origine.

Determinare la differenza tra le condizioni utilizzando la modellazione lineare generale in SPM. Dopo aver impostato il livello di significatività su P 0.05, in Batch Editor fare clic su SPM, quindi su Stats e Factorial design specification. Per elaborare e analizzare i dati ECG, utilizzare software fisiologici e di elaborazione dati.

Per calcolare i punteggi medi per ogni condizione in EEGLAB, fare clic su Strumenti seguiti da Strumenti FMRIB e Rileva eventi QRS. Per l'analisi della valutazione comportamentale, chiedi ai partecipanti di valutare la loro convinzione nell'efficacia del canto del nome del soggetto su una scala da uno a nove, dove uno è considerato il più debole e nove, il più forte. I risultati per la credenza dei partecipanti nel canto hanno rivelato un punteggio medio di 8,16 per Amitabha Buddha, 3,26 per Babbo Natale e 1,95 per la condizione di controllo in bianco.

Il canale rappresentativo del lobo parietale ha dimostrato che le condizioni di canto hanno avuto effetti diversi sull'elaborazione precoce e tardiva di immagini neutre e negative, mostrando rispettivamente la finestra temporale di N1 e LPP. I risultati dell'ERP hanno mostrato un aumento di N1 durante la visualizzazione delle immagini spaventose nelle tre condizioni di canto. Le immagini negative hanno indotto attività cerebrali centrali più forti rispetto alle immagini neutre e gli aumenti sono comparabili nelle tre condizioni.

L'ERP ha anche dimostrato un aumento della LPP nel canto non religioso e nessuna condizione di canto. Tuttavia, la LPP indotta da immagini spaventose è appena visibile quando i partecipanti cantano il nome di Amitabha Buddha. Un'analisi della regione di interesse ha rivelato che le differenze nella componente N1 erano simili tra le tre condizioni.

Tuttavia, la differenza nella componente LPP è molto più piccola nella condizione di canto religioso rispetto alla condizione di canto non religioso e alla condizione di visione silenziosa. L'analisi della fonte ha rivelato che, rispetto alle immagini neutre, le immagini negative hanno indotto una maggiore attivazione parietale nella condizione di canto non religioso e nessuna condizione di canto. Al contrario, questa attivazione negativa indotta dall'immagine scompare in gran parte nella condizione di canto religioso.

Un cambiamento significativo nella frequenza cardiaca è stato rilevato tra le immagini paurose e neutre nelle condizioni non religiose e senza canto. Tuttavia, tale differenza non è stata trovata nella condizione di canto religioso. Questo stesso protocollo può anche essere utilizzato in studi di neuroimaging funzionale per rivelare più specificamente le regioni del cervello coinvolte nel canto religioso.

Questo studio dimostra un metodo per esaminare come il canto religioso ripetitivo e altre pratiche simili possano influenzare la risposta neurofisiologica e ridurre la sofferenza indotta da stimoli negativi.