宗教的な詠唱と自己関連脳領域:マルチモーダルニューロイメージング研究

要約

ここでは、宗教的な詠唱を含むさまざまな瞑想形態の神経生理学的相関を調査するためのプロトコルを紹介します。この手法は、k-meansクラスタリングを使用した脳波(EEG)ソース分析における領域選択のためのfMRI固有ベクトル結果を独自に統合します。この結果から、宗教的な詠唱の反復に関与する神経過程を深く理解する手がかりになった。

要約

このプロトコルは、東洋と西洋の両方の文化で広く行われているマインドトレーニングである、反復的な宗教的な詠唱に関連する潜在的な脳活動を探求するためのマルチモーダルニューロイメージングアプローチを提示します。高密度脳波(EEG)は、その優れた時間分解能により、宗教的な詠唱中の脳活動のダイナミックな変化を捉えることができます。ソースローカリゼーション法を通じて、これらはさまざまな代替の潜在的な脳領域ソースに起因する可能性があります。20人の宗教的な詠唱の実践者がEEGで測定されました。ただし、EEGの空間分解能は、機能的磁気共鳴画像法(fMRI)と比較して精度が低くなります。したがって、経験豊富な1人の開業医がfMRIスキャンセッションを受け、ソースのローカリゼーションをより正確に導きました。fMRIデータは、EEGソースローカライゼーションの選択をガイドするのに役立ち、20人の中級開業医のグループにおけるEEGソースローカリゼーションのK平均法の計算をより正確で信頼性の高いものにしました。この方法により、宗教的な詠唱中に特異的に関与する脳領域、特に後帯状皮質(PCC)の基本的な役割を特定するEEGの能力が向上しました。PCCは、フォーカスと自己参照処理に関連する脳領域です。これらのマルチモーダルなニューロイメージングと神経生理学的結果は、宗教的な詠唱を繰り返すと、非宗教的な詠唱や安静状態の条件と比較して、中心性が低く、デルタ波パワーが高くなることが明らかになりました。fMRIとEEGソース分析の組み合わせにより、繰り返される宗教的な詠唱に対する脳の反応をより詳細に理解できます。このプロトコルは、今日ますます顕著になりつつある宗教的および瞑想的実践に関与する神経メカニズムの研究に大きく貢献しています。この研究の結果は、将来のニューロフィードバック技術や心理的介入の開発に大きな影響を与える可能性があります。

概要

宗教的な詠唱は、東洋の文化で非常に人気のある慣習であり、西洋社会ではしばしば祈りと比較されます¹。その普及にもかかわらず、宗教的な詠唱の神経相関に関する科学的研究はかなり限られています。この研究では、この知識のギャップを埋め、最も広く普及し、最も古くから積極的に保存されている宗教的伝統の1つである阿弥陀仏を唱えることの神経関連を探求するために、洗練されたマルチモーダル電気生理学的および神経イメージング技術が利用されました^2,3。宗教的な詠唱を繰り返すことは、仏教のカウンセリングにおいて、乱れた思考や感情から心を落ち着かせる効果的なテクニックとして役立ちます。

機能的磁気共鳴画像法(fMRI)の高い空間分解能を考えると、従来のEEG研究の限界を克服するために適用できます⁴。この研究では、fMRIと独立成分分析(ICA)による脳波(EEG)ソースクラスタリングを組み合わせて、参加者全体の脳活動の独立したコンポーネントを特定し、グループ化します。この方法は、脳の解剖学的構造と電極の配置の違いにより困難であった、混合EEGソースまたは参加者間で異なるソースからの信号を識別するための新しい戦略を導入します。

この議定書で研究された反復的な宗教的な詠唱の形式には、阿弥陀仏の名前の反復的な朗読が含まれます。それはまた、至福の感覚と超越的な経験を引き出すと報告されている瞑想の実践でもあります。さまざまな仏教の実践の中で、阿弥陀仏を唱える実践はシンプルで簡単にアクセスできます。この実践は、この名前を誠実に呼び求めるすべての人々に浄土での再生を約束するものであり、西洋の宗教の特定の伝統と類似しています^1,3。

この研究は、マルチモーダルニューロイメージングを通じて、反復的な宗教的な詠唱の神経相関を包括的に理解することを目的としています。このプロトコルは、さまざまな宗教的および瞑想的実践の神経生理学的影響に関する研究の活況を呈する分野に貢献することができます。

この研究では、宗教的な詠唱を繰り返すと、自己関連プロセスに関与する脳領域の信号が大きく変化するという仮説が立てられました。さらに、阿弥陀仏陀の肯定的な感情を考えると、宗教的な詠唱の間に感情の変化が起こるという仮説を立てました。これらの効果的な変化は、マルチバンド心拍変動(HRV)指数や呼吸数⁵の変動など、末梢生理学的指標の変化と一致する可能性があります。

プロトコル

この研究は、実験前に香港大学から倫理的承認を得ていました。すべての参加者は、EEGおよびfMRI実験に参加する前に書面による同意書に署名していました。

1. 参加者の選考と準備

1. 1日あたり最低15分間、阿弥陀仏を宗教的に唱える瞑想の経験が1年以上ある参加者を募集します。年齢範囲が40歳から52歳であることを確認してください。パワー解析により参加者数を推定します。現在の研究では、21人の参加者が募集されました。
   注:パワー分析は、パイロット研究で観察された効果サイズと、瞑想のEEGおよびfMRI研究に関する既存の文献に基づいて実施されました。一般に、被験者内のデザインは、被験者間の変動が大きいことが多いため、異なる条件を区別する力が高くなります。
2. 研究の目的と関連する手順について参加者に伝えます。
3. Beck Depression Inventoryを使用して、参加者がうつ病になっていないことを確認します。
4. 参加者が健康であり、生理学的反応に影響を与える可能性のある物質の影響下にないことを確認してください。
   注:除外基準には、うつ病、神経精神病理、またはアルコールや精神活性物質の影響下にあることが含まれます。さらに、MRI 固有の除外基準には、ペースメーカー、脳深部インプラント、または MRI チェックに適合しない金属インプラントの装着が含まれます。
5. 参加者がEEG/心電図(ECG)/MRI研究に参加するのに適していることを確認してください。
   注:EEGデータとMRIデータは別々に記録されました。データ収集の期間は、参加者の疲労と快適さを考慮して、各モダリティのデータ品質を最適化するために、EEGとfMRIで異なりました。私たちのパイロット研究では、fMRIは神経相関の実証に対してより敏感であるのに対し、EEGデータは通常、不良セグメントやその他のアーチファクトがあり、最終的な分析に十分なデータを確保するためには少し長い期間が必要であることがわかりました。そのため、脳波時間はMRI時間よりもわずかに長かったのです。EEGおよびfMRIデータ収集中は、各イメージングモダリティの制約により、異なる姿勢が必要でした。条件は、順序効果を制御するために、コンピューターで生成されたランダム化スケジュールを使用してランダム化されました。EEGとfMRIでは、シーケンスが同じではありませんでした。

2. 脳波データの取得と解析

1. 製造元の指示に従って、128チャンネルのEEGおよび複数の生理学的データ記録装置をセットアップします。
2. EEG/ECGデータの取得を開始する前に、参加者が髪をよく洗っていることを確認してください。
3. 参加者にリラックスして快適に座るように頼んでください。
4. 参加者に実験を紹介します。
5. 参加者に実験の試用版を行うように依頼します。
6. 各参加者が3つの異なる条件(阿弥陀仏を唱える、サンタクロースを唱える、すべて目を閉じて休んでいる状態)で脳波データを取得します。各条件で10分間の脳波データを記録します。
7. 各参加者に適切なデータを保存し、ラベルを付けます。
8. データがバックアップを使用して安全に保存されていることを確認します。

3. MRIデータ取得

1. データ取得を開始する前に、3.0 T MRIスキャナーを準備し、適切に機能することを確認してください。スキャンを開始する前に、参加者が快適で手順を理解していることを確認してください。
2. 視野角 (FoV) = 256 mm × 150 mm × 240 mm、アクイジション マトリックス = 256 × 256、繰り返し時間 (TR) = 15 ms、エコー時間 (TE) = 3.26 ms、フリップ角度 = 25°、スライスの厚さ = 1.5 mm、スライス数 = 100、ボクセル解像度 (x,y,z,) = 0.94 mm × 1 mm × 1.5 mm のパラメーターを使用して、T1 強調スキャン シーケンスから開始します。
3. 8チャンネルのSENSEヘッドコイルを用いた勾配エコー平面イメージング(EPI)によるfMRI画像を取得します。FoV = 230 mm × 140 mm × 230 mm、アクイジションマトリックス = 64 × 64、TR = 2000 ms、TE = 30 ms、フリップ角度 = 90°、スライス数 = 32、スライス厚さ = 3 mm、スライスギャップ = 1.5 mm。
4. 各参加者が宗教的な詠唱、非宗教的な詠唱、休息状態の3つの条件下でfMRIデータの取得を開始します。各条件の期間のデータを記録します:各条件は243の動的ボリュームで構成され、合計時間は8.1分です。

4. 生理学的データの取得

1. 製造元の指示に従って、心臓、呼吸器、およびその他の生理学的データを収集するための生理学的データ収集システムを設定します。
   注:EEGと生理学的データは同時に取得されました。
2. 心電図電極を左右の手と左足にそれぞれ3本取り付けます。
3. 参加者に2つのブレスベルトを取り付け、1つは乳房の呼気を測定するため、もう1つは腹部の呼気を測定するためのものです。
4. 参加者のガルバニック皮膚反応 (GSR) と酸素飽和度を監視します。
5. 各参加者が阿弥陀仏を唱える、サンタクロースを唱える、休息状態の3つの条件下で、脳波データ収集と一緒にデータ収集を開始します。
6. 各参加者に適切なデータを保存し、ラベルを付けます。データが安全に保存され、さらなる分析に十分な品質であることを確認してください。

5. 脳波データ解析

1. 適切なソフトウェアで脳波データを処理および分析します。ここでは、オープンソースソフトウェアEEGLABを使用しました。
2. データをプログラムにロードします。[ ファイル] > [既存のデータセットをロード] をクリックします。
3. データを 1000 Hz から 250 Hz にリサンプリングするには 、[ツール] > [サンプリング レートの変更] をクリックします。
4. 0.1 Hz から 100 Hz の通過帯域を持つ有限インパルス応答 (FIR) フィルターを使用してデータをフィルター処理するには 、[ツール] > [データのフィルター処理] > [基本 FIR フィルター] をクリックします。
5. 47〜53 Hzの阻止帯域を持つノッチフィルターでデータを再度フィルタリングし、交流ノイズを除去します。[ ツール] > [データをフィルタリング] をクリックし、[ パス バンドの代わりにデータをノッチでフィルタリングする] オプションを選択します。
6. データを視覚的に検査し、目や筋肉の動きなどのアーチファクトを排除するには 、[チャネル データのプロット] > ( スクロール) をクリックします。
   注意: 指定された眼電図(EOG)チャネルを基準として使用できます。
7. データを視覚的に検査して、削除すべき不良チャネルを指摘します。
8. 周囲のチャネルに基づいて球面補間を適用し、不良チャネルを再構築するには、[ ツール] > [電極の補間 ] をクリックし、データ チャネルから選択します。
9. runicaアルゴリズムを使用して独立成分分析(ICA)を実行します。これを行うには、[ ツール] > [ICA の実行] をクリックします。
10. 眼球運動、筋肉ノイズ、ライン ノイズに対応する独立コンポーネント (IC) をデータから削除するには 、[ツール] > [ICA を使用したデータの拒否] > [マップによるコンポーネントの拒否] をクリックします。
11. 残りの Ics を使用してデータを再構築するには、[ Tools] > [Remove Components] をクリックします。
12. [ Tools] > [Filter the Data (データのフィルタリング)] > [Basic FIR Filter (基本 FIR フィルター )] をクリックして、47 Hz ローパス フィルターでデータをフィルタリングします。
13. EEGLABのSTUDY機能を使用して、ICの類似性を推定し、機能的に同等のクラスターにグループ化します。 [ファイル]>[ロードされたすべてのデータセットを使用してスタディ>を作成]をクリックします。
14. DIPFIT2関数を使用して、各ICのダイポール位置を生成します。 [ツール]をクリックして>DIPFIT 2.x>Autofitを使用してダイポールを特定します。
15. k-means クラスタリングを使用して、類似するダイポール位置 (重み: 2/3) とパワー スペクトル (重み: 1/3) に基づいて IC クラスターを作成します。 「Study > PCA Clustering」をクリックし>「Build Preclustering Array」をクリックします。
16. クラスタリング手順を 10 回繰り返し、毎回異なる k パラメータ設定で繰り返します。特徴的でありながら妥当なクラスターを生成する k パラメーター設定を特定します。 [スタディ]>[クラスタの編集/プロット]をクリックします。
17. スペクトラム解析を実行し、特定の対象クラスターのICを使用して、すべての主要な周波数帯域で一元配置分散分析を実行します。
    注:後帯状皮質(PCC)は、宗教的な詠唱中にデルタ振動の内因性生成が地域的に増加するため、中心性が低下することがわかっているため、特に注意してください。

6. fMRIデータ解析

1. ライプツィヒ画像処理および統計的推論アルゴリズムソフトウェア(LIPSIA 2.2.7)を使用してfMRIデータを前処理します。
   1. 信号強度の正規化、移動補正、MNI空間への空間正規化、Full Width at Half Maximum (FWHM) = 6 mmによる空間平滑化、カットオフ周波数1/90Hzの時間的ハイパスフィルタリングを含む前処理を行い、fMRI時系列の低周波ドリフトを除去します。データ処理パイプライン 1 (補足ファイル 1) の次の手順を参照してください。
2. グローバルな信号変動や移動パラメータなど、関心のない共変量を、3 つの条件のそれぞれに対応する各スキャンシーケンスのデータから回帰して削除します。
3. 最後に、ネットワーク内で最も影響力のあるノードを特定するグラフ理論手法であるEigenvector Centrality Mapping(ECM)を適用して全脳機能コネクトミクスを調査し、2つの条件からのECM画像を互いに減算してコントラスト画像を生成します。データ処理パイプライン 2 (補足ファイル 2) の次の手順を参照してください。

7. 心電図およびその他の生理学的データ分析

1. 生の心電図やその他の生理学的データをバターワースバンドパスフィルターでクリーニングし、外れ値をスプライン補間に置き換えた後、拍間インターバル(IBI)を抽出します。
2. IBIデータのトレンドを下げ、オープンソースのツールボックスHRVASを使用してHRV(心拍変動)の時間/周波数領域の特徴を計算します。
3. VLF の周波数範囲を 0 〜 0.04 Hz に、LF を 0.04 〜 0.15 Hz に、HF を 0.15 〜 0.4 Hz に設定します。
4. Lomb-Scargleピリオドグラム法を使用して、選択した周波数帯域のパワーを推定します。
5. 導出されたHRVメトリックを、一元配置反復測定ANOVAおよび事後検定を使用して統計的検定にかけ、条件間の違いを評価します。有意度のアルファ レベルを 0.05 に設定します。
6. 分析ソフトウェアを使用して、各参加者や各状態の呼吸間隔など、他の生理学的データを計算します。
7. 解析ソフトウェアの findpeaks 機能を使用して、呼吸曲線のピークを検出します。
8. 吸気期間と呼気期間を区別し、呼吸数を計算します。
9. 一元配置反復測定ANOVA検定と事後検定を使用して、条件間の差を比較します。

ディスカッション

使用した128チャンネル脳波システムは高密度脳波システムでしたが、脳波の空間分解能はfMRIに比べて比較的劣っており、この欠点は、特に複数の脳領域候補が妥当な場合、脳波源の位置推定精度にも影響を及ぼします。したがって、MRIのより深く、より高い空間分解能は、EEGソース分析⁶の空間精度を大幅に向上させ、さらなる分析のための最も重要なクラスターの選択を導くことができる。本プロトコルは、EEG、ECG、および fMRI データ取得および分析方法を含むマルチモーダル神経イメージング ツールを利用しています。これは、宗教的な詠唱と潜在的に他の形態のマインドトレーニングの神経生理学的相関関係を探求するための包括的なアプローチを示しています。このプロトコルの重要なステップは、fMRIの結果をEEGソース分析に適用することです。取得した脳波データの品質は、その後の解析と結果の解釈にとって非常に重要です。脳波データ分析におけるICAおよびk-meansクラスタリングをfMRI結果と組み合わせて使用すると、データのより微妙な理解が可能になります^7,8。宗教的な詠唱中に観察されたデルタバンドパワーの変調は、デルタリズムが神経活動の同期を通じて行動を調節している可能性を示唆する文献と一致しています。デルタ波は、集中的な注意を促し、デフォルトモードネットワークに関連する自己参照思考の潜在的な減少を促進することができます。このデルタ活性の亢進は、深い回復状態を示すものであり、認知的および感情的処理を強化することにより、詠唱の治療効果を支えることができる⁹。

この研究の結果は、非宗教的な詠唱と比較して、宗教的な詠唱中のデルタバンドパワーの大幅な増加を強調しています。fMRIの結果は、宗教的な詠唱中に自己関連処理¹⁰に関連する脳領域の中心性が大幅に減少することを示しています。生理学的データの結果から、宗教的な詠唱の効果は非宗教的な詠唱の効果とは異なり、言語処理や心臓活動による違いなど、他の潜在的な交絡因子を除外することも示しています。全体として、この知見は、「非執^着」1,11,12の育成を促進するために、仏教のカウンセリングを通じて宗教的な詠唱の臨床応用に向けた有望な道筋を示唆している。

制限としては、fMRIおよびEEGのデータが異なる被験者から取得されたことが含まれる¹³。第二に、宗教的な詠^{唱体験1,14}に関して被験者間でかなりの違いがあることを考えると、すべての被験者がfMRIスキャンも受けていることが望ましいでしょう。私たちの将来の研究は、これらの制限に対処し、さまざまな宗教的および瞑想的実践の神経生理学的影響をさらに探求することを目指しています。

これらの制限にもかかわらず、このプロトコルは、マルチモーダルニューロイメージングとEEG、ECG、fMRIデータなどの生理学的測定ツールを組み合わせて、宗教的な詠唱の神経生理学的相関をより包括的に把握できるという点でユニークです。このマルチモーダルなニューロイメージングアプローチは、宗教的および瞑想的な実践のより深い理解を可能にするが、これは単一のタイプのデータ^15,16のみに依存する方法を使用しては不可能である。

資料

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