종교적 성가와 자기 관련 뇌 영역: 다중 모드 신경 영상 연구

요약

여기에서 우리는 종교적 성가를 포함한 다양한 명상 형태의 신경 생리학적 상관 관계를 조사하기 위한 프로토콜을 제시합니다. 이 방법은 k-means 클러스터링을 사용하여 뇌파(EEG) 소스 분석에서 영역 선택을 위한 fMRI 고유 벡터 결과를 고유하게 통합합니다. 그 결과는 반복적인 종교 성가와 관련된 신경 과정에 대한 심층적인 이해를 제공합니다.

초록

이 프로토콜은 동양과 서양 문화 모두에서 널리 퍼진 마음 훈련 형태인 반복적인 종교 노래와 관련된 잠재적인 뇌 활동을 탐구하기 위한 다중 모드 신경 영상 접근 방식을 제시합니다. 고밀도 뇌파(EEG)는 우수한 시간 해상도를 통해 종교 성가를 부르는 동안 뇌 활동의 역동적인 변화를 포착할 수 있습니다. 소스 국소화 방법을 통해, 이들은 다양한 대체 잠재적인 뇌 영역 소스에 기인할 수 있습니다. 종교 성가를 부르는 20명의 수련자를 EEG로 측정했습니다. 그러나 EEG의 공간 해상도는 기능적 자기 공명 영상(fMRI)에 비해 덜 정확합니다. 따라서 경험이 풍부한 한 명의 실무자가 소스 위치 파악을 보다 정확하게 안내하기 위해 fMRI 스캐닝 세션을 받았습니다. fMRI 데이터는 EEG 소스 국소화 선택을 안내하는 데 도움이 되었으며, 20명의 중급 실무자 그룹에서 EEG 소스 국소화의 K-평균 계산을 보다 정확하고 신뢰할 수 있게 만들었습니다. 이 방법은 종교 성가를 부르는 동안 특별히 관여하는 뇌 영역, 특히 후대상피질(PCC)의 주요 역할을 식별하는 EEG의 능력을 향상시켰습니다. PCC는 초점 및 자기 참조 처리와 관련된 뇌 영역입니다. 이러한 다중 모드 신경 영상 및 신경 생리학적 결과는 반복적인 종교 성가가 비종교적 성가 및 휴식 상태에 비해 더 낮은 중심성과 더 높은 델타파 파워를 유발할 수 있음을 보여줍니다. fMRI와 EEG 소스 분석의 조합은 반복적인 종교 노래에 대한 뇌의 반응에 대한 보다 자세한 이해를 제공합니다. 이 프로토콜은 종교 및 명상 행위와 관련된 신경 메커니즘에 대한 연구에 크게 기여하고 있으며, 이는 오늘날 더욱 두드러지고 있습니다. 이 연구의 결과는 미래의 뉴로피드백 기법 및 심리적 중재를 개발하는 데 중요한 시사점을 가질 수 있다.

서문

동양 문화에서 매우 인기 있는 종교 성가(聖歌)는 종종 서양 사회에서 기도와 비교된다¹. 그 만연에도 불구하고, 종교적 노래의 신경 상관 관계에 대한 과학적 연구는 다소 제한적인 상태로 남아 있습니다. 이 연구에서는 이러한 지식 격차를 해소하고 가장 널리 퍼져 있고 가장 오래 보존된 종교 전통 중 하나인 아미타불(Amitābha Buddha)을 구송하는 것의 신경 연관성을 탐구하기 위해 정교한 다중 모드 전기 생리학 및 신경 영상 기술을 활용했습니다 ^2,3. 반복적인 종교 구호는 혼란스러운 생각과 감정으로부터 마음을 진정시키는 데 도움이 되는 불교 상담에서 효과적인 기법이 될 수 있습니다.

기능적 자기공명영상(functional magnetic resonance imaging, fMRI)의 높은 공간 해상도를 감안할 때, 이는 전통적인 뇌파 연구의 한계를 극복하는 데 적용될 수 있다⁴. 독립 구성 요소 분석(ICA)을 통해 fMRI와 뇌파(EEG) 소스 클러스터링을 결합한 이 연구는 참가자 간의 뇌 활동의 독립적인 구성 요소를 식별하고 그룹화합니다. 이 방법은 참가자 간에 혼합된 EEG 소스 또는 이질적인 소스의 신호를 식별하기 위한 새로운 전략을 도입하는데, 이는 뇌 해부학적 구조와 전극 배치의 차이로 인해 어려웠습니다.

이 프로토콜로 연구된 반복적인 종교 구송의 형태는 아미타바 붓다(Amitābha Buddha)의 이름을 반복적으로 암송하는 것을 포함합니다. 그것은 또한 행복한 감각과 초월적 경험을 이끌어내는 것으로 보고된 명상 수행입니다. 다양한 불교 수행 중에서도 아미타불(Amitābha Buddha)을 구송하는 수행은 간단하고 쉽게 접근할 수 있습니다. 이 수행은 이 이름을 진심으로 부르는 모든 사람들에게 정토에서의 재생을 약속하며, 이는 서양 종교의 특정 전통과 유사합니다 ^1,3.

이 연구는 다중 모드 신경 영상을 통해 반복적인 종교 성가의 신경 상관 관계에 대한 포괄적인 이해를 제공하는 것을 목표로 합니다. 이 프로토콜은 다양한 종교 및 명상 관행의 신경 생리학적 효과에 대한 호황을 누리고 있는 연구 분야에 기여할 수 있습니다.

이 연구는 반복적인 종교 성가가 자기 관련 과정을 담당하는 뇌 영역에서 상당한 신호 변화를 일으킬 것이라는 가설을 세웠다. 더욱이, 아미타불의 긍정적인 감정을 감안할 때, 우리는 종교적 독송 중에 감정적 변화가 일어날 것이라는 가설을 세웠다. 이러한 효과적인 변화는 다구간 심박변이도(HRV) 지수 및^호흡수5의 변화와 같은 말초 생리학적 지표의 수정과 일치할 가능성이 높다.

프로토콜

실험 전에 홍콩 대학으로부터 연구에 대한 윤리적 승인을 받았습니다. 모든 참가자는 EEG 및 fMRI 실험에 참석하기 전에 서면 동의서에 서명했습니다.

1. 참가자 선정 및 준비

1. 하루에 최소 15분 동안 Amitābha Buddha를 종교적으로 구송하는 데 최소 1년의 명상 경험이 있는 참가자를 모집합니다. 연령대가 40세에서 52세 사이인지 확인하십시오. 거듭제곱 분석을 통해 참가자 수를 추정합니다. 본 연구에서는 21명의 참가자를 모집했습니다.
   참고: 파워 분석은 명상의 EEG 및 fMRI 연구에 대한 기존 문헌과 파일럿 연구에서 관찰된 효과 크기를 기반으로 수행되었습니다. 일반적으로 피험자 내 설계는 피험자 간의 변동이 일반적으로 더 크다는 점을 감안할 때 서로 다른 조건을 구별하는 데 더 나은 검정력을 가지고 있습니다.
2. 참가자에게 연구의 목적과 관련 절차에 대해 알립니다.
3. Beck Depression Inventory를 사용하여 참가자가 우울하지 않은지 확인하십시오.
4. 참가자가 건강하고 생리적 반응에 영향을 줄 수 있는 물질의 영향을 받지 않는지 확인하십시오.
   참고: 제외 기준에는 우울증, 신경 정신 병리학 또는 알코올 또는 향정신성 물질의 영향을 받는 것이 포함됩니다. 또한 MRI 관련 제외 기준에는 MRI 검사와 호환되지 않는 심박 조율기, 뇌 심부 임플란트 또는 금속 임플란트가 포함됩니다.
5. 참가자가 EEG/심전도(ECG)/MRI 연구에 참석하기에 적합한지 확인합니다.
   알림: EEG 및 MRI 데이터는 별도로 기록되었습니다. 데이터 수집 기간은 참가자의 피로와 편안함을 고려하여 각 양식에 대한 데이터 품질을 최적화하기 위해 EEG와 fMRI 간에 서로 달랐습니다. 우리의 파일럿 연구에 따르면 fMRI는 신경 상관 관계를 입증하는 데 더 민감한 반면, EEG 데이터는 일반적으로 불량 세그먼트 또는 기타 아티팩트가 있어 최종 분석을 위한 충분한 데이터를 확보하기 위해 약간 더 긴 기간이 필요하다는 것을 발견했습니다. 따라서 EEG 시간은 MRI 시간보다 약간 더 길었습니다. EEG 및 fMRI 데이터 수집 중 다양한 자세는 각 이미징 양식의 제약으로 인해 필요했습니다. 조건은 순서 효과를 제어하기 위해 컴퓨터에서 생성된 무작위 배정 일정을 사용하여 무작위화되었습니다. EEG와 fMRI 사이의 염기서열은 동일하지 않았다.

2. EEG 데이터 수집 및 분석

1. 제조업체의 지침에 따라 128채널 EEG 및 여러 생리학적 데이터 기록 장비를 설정합니다.
2. EEG/ECG 데이터 수집을 시작하기 전에 참가자가 머리를 철저히 감았는지 확인하십시오.
3. 참가자들에게 긴장을 풀고 편안하게 앉을 것을 요청하십시오.
4. 참가자들에게 실험을 소개합니다.
5. 참가자에게 실험의 시험판을 수행하도록 요청합니다.
6. 각 참가자가 눈을 감고 Amitābha Buddha를 구송하고, 산타클로스를 구송하고, 휴식을 취하는 세 가지 다른 조건에 있는 동안 EEG 데이터를 획득합니다. 각 조건에서 10분 분량의 EEG 데이터를 기록합니다.
7. 각 참가자에 대해 적절하게 데이터를 저장하고 레이블을 지정합니다.
8. 데이터가 백업과 함께 안전하게 저장되었는지 확인합니다.

3. MRI 데이터 수집

1. 데이터 수집을 시작하기 전에 3.0 T MRI 스캐너를 준비하고 제대로 작동하는지 확인하십시오. 스캔을 시작하기 전에 참가자가 편안하고 절차를 이해하는지 확인하십시오.
2. 시야각(FoV) = 256mm × 150mm × 240mm, 획득 매트릭스 = 256 × 256, 반복 시간(TR) = 15ms, 에코 시간(TE) = 3.26ms, 플립 각도 = 25°, 슬라이스 두께 = 1.5mm, 슬라이스 수 = 100, 복셀 해상도(x,y,z,) = 0.94mm × 1mm × 1.5mm.
3. 8채널 SENSE 헤드 코일을 사용하여 그래디언트 에코 평면 이미징(EPI)으로 fMRI 이미지를 얻을 수 있습니다. 시퀀스 매개변수를 다음과 같이 설정합니다: FoV = 230 mm × 140 mm × 230 mm, 획득 매트릭스 = 64 × 64, TR = 2000 ms, TE = 30 ms, 플립 각도 = 90°, 슬라이스 수 = 32, 슬라이스 두께 = 3 mm, 슬라이스 갭 = 1.5 mm.
4. 각 참가자가 종교적 노래, 비종교적 노래, 휴식 상태의 세 가지 조건 하에 있을 때 fMRI 데이터 수집을 시작합니다. 각 조건의 지속 시간에 대한 데이터 기록: 각 조건은 총 8.1분의 지속 시간으로 243개의 동적 볼륨으로 구성되었습니다.

4. 생리학적 데이터 수집

1. 제조업체의 지침에 따라 심장, 호흡기 및 기타 생리학적 데이터를 수집하기 위한 생리학적 데이터 수집 시스템을 설정합니다.
   참고: EEG와 생리학적 데이터를 동시에 획득했습니다.
2. 왼손과 오른손, 왼발에 각각 3개의 ECG 전극을 부착합니다.
3. 참가자에게 두 개의 호흡 벨트를 설정하는데, 하나는 유방 호흡을 측정하기 위한 것이고 다른 하나는 복부 호흡을 측정하기 위한 것입니다.
4. 참가자의 갈바닉 피부 반응(GSR) 및 산소 포화도 수준을 모니터링합니다.
5. 각 참가자가 눈을 감고 Amitābha Buddha를 구송하고, 산타클로스를 구송하고, 휴식을 취하는 세 가지 조건 하에 있는 동안 EEG 데이터 수집과 함께 데이터 수집을 시작합니다.
6. 각 참가자에 대해 적절하게 데이터를 저장하고 레이블을 지정합니다. 데이터가 안전하게 저장되고 추가 분석에 적합한지 확인합니다.

5. EEG 데이터 분석

1. 적절한 소프트웨어로 EEG 데이터를 처리하고 분석합니다. 여기서는 오픈 소스 소프트웨어인 EEGLAB이 사용되었습니다.
2. 데이터를 프로그램에 로드합니다. File > Load existing Dataset(기존 데이터 세트를 로드)를 클릭합니다.
3. 툴(Tools) > 샘플링 레이트 변경(Change Sampling Rate)을 클릭하여 데이터를 1000Hz에서 250Hz로 리샘플링합니다.
4. 툴 > 기본 FIR 필터> 데이터 필터링을 클릭하여 통과대역이 0.1-100Hz인 유한 임펄스 응답(FIR) 필터로 데이터를 필터링합니다.
5. 저지대역이 47-53Hz인 노치 필터로 데이터를 다시 필터링하여 교류 잡음을 제거합니다. Tools( 도구) > Filter the Data(데이터 필터링)를 클릭하고 Pass(통과 대역) 대신 Notch(노치) 데이터를 필터링하는 옵션을 선택합니다.
6. 데이터를 시각적으로 검사하여 채널 데이터 플로팅 (스크롤)을 클릭하여 눈 및 근육 움직임과 같은 아티팩트> 제거합니다.
   알림: 지정된 EOG(Electro-oculography) 채널을 참조로 사용할 수 있습니다.
7. 데이터를 시각적으로 검사하여 제거할 불량 채널을 확인합니다.
8. 주변 채널을 기반으로 구형 보간을 적용하여 Tools > Interpolate Electrodes 를 클릭하고 데이터 채널에서 선택하여 불량 채널을 재구성합니다.
9. runica 알고리즘을 사용하여 독립 구성요소 분석(ICA)을 실행합니다. 이를 위해 도구 > ICA 실행을 클릭하십시오.
10. 툴 > ICA를 사용하여 데이터 거부 > 맵으로 구성요소 기각을 클릭하여 데이터에서 눈의 움직임, 근육 잡음, 선 잡음에 해당하는 독립 구성요소(IC)를 제거합니다.
11. Tools > Remove Components를 클릭하여 나머지 IC를 사용하여 데이터를 재구성합니다.
12. 도구 > 데이터 필터링 > 기본 FIR 필터를 클릭하여 47Hz 저역 통과 필터로 데이터를 필터링합니다.
13. IC의 유사성을 추정하고 EEGLAB의 STUDY 함수를 사용하여 기능적으로 동등한 클러스터로 그룹화합니다. >파일을 클릭하여 로드된 모든 데이터셋을 사용하여 스터디 > 만듭니다.
14. DIPFIT2 함수를 사용하여 각 IC의 쌍극자 위치를 생성합니다. 도구를 클릭하여 DIPFIT 2.x > Autofit을 사용하여 쌍극자를 찾습니다>
15. k-평균 군집화를 사용하여 유사한 쌍극자 위치(가중치: 2/3)와 파워 스펙트럼(가중치: 1/3)을 기반으로 IC 군집을 만듭니다. Study > PCA Clustering을 클릭하여 Preclustering Array를 구축>.
16. 클러스터링 절차를 10번 반복하되 매번 다른 k 매개변수 설정을 사용합니다. 독특하면서도 합리적인 군집을 생성하는 k 매개 변수 설정을 식별합니다. 스터디(Study) > 클러스터를 편집/플롯(Edit/Plot Clusters)을 클릭합니다.
17. 스펙트럼 분석을 수행하고 특정 관심 클러스터의 IC를 사용하여 모든 주요 주파수 대역에 대해 단방향 ANOVA를 수행합니다.
    참고: PCC(posterior cingulate cortex)에 특히 주의를 기울이십시오.이 영역은 종교적 성가 중 델타 진동의 내인성 생성에서 지역적 증가로 인해 중심성이 감소하는 것으로 밝혀졌습니다.

6. fMRI 데이터 분석

1. Leipzig Image Processing and Statistical Inference Algorithms 소프트웨어(LIPSIA 2.2.7)를 사용하여 fMRI 데이터를 전처리합니다.
   1. 신호 강도 정규화, 움직임 보정, MNI 공간에 대한 공간 정규화, FWHM(Full Width at Half Maximum) = 6mm의 공간 평활화, 1/90Hz의 차단 주파수를 사용한 시간 고역 통과 필터링을 포함한 전처리를 수행하여 fMRI 시계열에서 저주파 드리프트를 제거합니다. 데이터 처리 파이프라인 1(보충 파일 1)에서 다음 단계를 참조하세요.
2. 전역 신호 변동 및 이동 파라미터와 같이 관심 없는 공변량을 세 가지 조건 각각에 해당하는 각 스캐닝 시퀀스의 데이터에서 회귀 추출하여 제거합니다.
3. 마지막으로, 네트워크 내에서 가장 영향력 있는 노드를 식별하는 그래프 이론 방법인 ECM(Eigenvector Centrality Mapping)을 적용하여 전뇌 기능 커넥토믹스를 조사하고, 두 조건의 ECM 이미지를 서로 빼서 결과 대비 이미지를 생성합니다. 데이터 처리 파이프라인 2(보충 파일 2)에서 다음 단계를 참조하세요.

7. ECG 및 기타 생리학적 데이터 분석

1. 버터워스(Butterworth) 대역 통과 필터를 통해 원시 ECG 및 기타 생리학적 데이터를 정리하고 이상값을 스플라인 보간으로 대체한 후 IBI(Inter-Beat-Interval)를 추출합니다.
2. 오픈 소스 툴박스 HRVAS를 사용하여 IBI 데이터의 추세를 제거하고 HRV(심박수 변동성)의 시간/주파수 영역 특징을 계산합니다.
3. VLF의 주파수 범위를 0-0.04Hz로, LF를 0.04-0.15Hz로, HF를 0.15-0.4Hz로 설정합니다.
4. Lomb-Scargle 주기도 방법을 사용하여 선택한 주파수 대역의 전력을 추정합니다.
5. 도출된 HRV 메트릭에 일원 반복 측정, ANOVA 및 사후 검정을 사용하는 통계 검정을 적용하여 조건 간의 차이를 평가합니다. 알파 유의 수준을 0.05로 설정합니다.
6. 분석 소프트웨어를 사용하여 각 참가자 및 각 조건의 호흡 간격과 같은 다른 생리학적 데이터를 계산합니다.
7. 해석 소프트웨어의 findpeaks 함수를 사용하여 호흡 곡선의 피크를 감지합니다.
8. 흡기 기간과 호기 기간을 구분한 다음 호흡수를 계산합니다.
9. 일원 반복 측정, 분산 분석 및 사후 검정을 사용하여 조건 간의 차이를 비교합니다.

결과

fMRI 분석 결과, 종교적 성가와 비종교적 성가 사이의 고유벡터 중심성에서 가장 큰 차이는 주로 후대상피질(posterior cingulate cortex, PCC)에 위치하는 것으로 나타났다. 그림 1을 참조하십시오. 이 발견은 EEG 독립적 구성 요소 클러스터링의 선택을 평가하고 검증하는 데 활용되었으며, 이는 PCC 영역 부근에서 클러스터를 유사하게 나타냈습니다.

그림 1: 멀티모달 신경영상 및 전기생리학적 결과. fMRI 데이터에 적용된 고유벡터 중심성 매핑(eigenvector centrality mapping)은 후대상피질(posterior cingulate cortex)이 비종교적 성가에 비해 종교적 성가를 부르는 동안 중심성이 가장 많이 감소하는 뇌 영역임을 밝혀냈다. 이 그림은 Gao et ^al.1의 허가를 받아 얻은 것입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

EEG 독립적 구성 요소 클러스터링 분석은 각각 EEG 활성의 소스에 해당하는 7개의 고유한 IC 클러스터를 생성했습니다. 주목할 만한 점은 이러한 클러스터 중 하나가 PCC에 위치했다는 것인데, 이는 fMRI 결과와 일치하는 결과입니다( 그림 2 참조).

그림 2: EEG 독립적 성분 군집화 분석에는 PCC의 군집도 포함되었습니다. 이 그림은 Gao et ^al.1의 허가를 받아 얻은 것입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

이 특정 클러스터는 이후 스펙트럼 분석을 포함한 심층 분석을 위해 선택되었습니다. 일원 분산 분석(one-way ANOVA)은 델타 주파수 대역(1-4Hz, 그림 3 및 그림 4 참조)의 전력에 대한 챈팅의 중요한 주요 효과를 보여주었습니다.

그림 3: 일원 분산 분석(one-way ANOVA)은 챈팅(chanting)이 델타 대역(1-4Hz)의 전력에 미치는 유의미한 주요 효과를 나타냈습니다. 이 그림은 Gao et ^al.1의 허가를 받아 얻은 것입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 4: 종교적 성가와 비종교적 성가의 조건에 대한 사후 분석. 분석 결과, 종교적 성가를 부르는 것이 비종교적 성가를 부르는 경우보다 더 높은 델타 파워를 유발하는 것으로 나타났다(p =.011). 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

추가 사후 분석에서는 종교 성가를 부르는 동안 성가를 부르지 않는 상태에 비해 HRV의 강도가 현저히 낮다는 것이 나타났습니다( 그림 5 참조).

그림 5: 성가를 부르지 않는 휴식 상태와 종교적 성가를 부르는 상태에 대한 사후 분석. 분석 결과, 성가를 부르지 않는 상태에서 예배를 듣는 경우와 비교했을 때, 종교 성가를 부르면 HRV 총 전력이 낮고, 절대 고주파 전력이 낮으며, 절대 저주파 전력이 더 낮은 것으로 나타났다. 이 그림은 Gao et ^al.1의 허가를 받아 얻은 것입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

이 연구 결과는 비종교적 성가와 비교했을 때, PCC에서 고유벡터 중심성의 감소가 있음을 시사하는데, 이는 아마도 내인성 델타 진동의 지역적 급증에 의해 주도된 것으로 보인다. 이러한 기능적 변화는 말초 심장 또는 호흡 활동과 무관하며 암시적 언어 처리에 의해 유발되지 않습니다. 대신, 그들은 초월적 행복의 경험과 자기 중심적 인지의 감소와 관련이 있는 것으로 보인다.

보충 파일 1: 데이터 처리 파이프라인 1. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 파일 2: 데이터 처리 파이프라인 2. 이 파일을 다운로드하려면 여기를 클릭하십시오.

토론

사용된 128채널 뇌파 시스템은 고밀도 뇌파 시스템이었지만 뇌파의 공간 해상도는 fMRI에 비해 상대적으로 낮으며, 이러한 단점은 특히 여러 뇌 영역 후보가 그럴듯할 때 EEG 소스 국소화 정확도에도 영향을 미칩니다. 따라서, MRI의 더 깊고 더 높은 공간 해상도는 EEG 소스 분석⁶의 공간 정확도를 크게 향상시킬 수 있으며, 추가 분석을 위해 가장 중요한 클러스터의 선택을 안내할 수 있다. 본 프로토콜은 EEG, ECG 및 fMRI 데이터 수집 및 분석 방법을 포함한 다중 모드 신경 영상 도구를 사용합니다. 그것은 종교적 노래와 잠재적으로 다른 형태의 마음 훈련의 신경 생리학적 상관 관계를 탐구하는 포괄적인 접근 방식을 보여줍니다. 프로토콜의 중요한 단계는 EEG 소스 분석에 fMRI 결과를 적용하는 것입니다. 획득한 EEG 데이터의 품질은 후속 분석 및 결과 해석에 여전히 중요합니다. fMRI 결과와 함께 EEG 데이터 분석에서 ICA 및 k-means 클러스터링을 사용하면 데이터를 보다 세밀하게 이해할 수 있습니다 ^7,8. 종교적 성가를 부르는 동안 관찰된 델타 대역 전력의 변조는 델타 리듬이 신경 활동의 동기화를 통해 행동을 조절할 수 있음을 시사하는 문헌과 일치합니다. 델타파는 집중된 주의를 촉진하고 기본 모드 네트워크와 관련된 자기 참조 사고의 잠재적 감소를 촉진할 수 있습니다. 이처럼 고조된 델타 활동은 깊은 회복 상태를 나타내며, 인지적, 정서적 처리를 강화함으로써 구호 부르기의 치료 효과를 뒷받침할 수 있다⁹.

이 연구의 결과는 비종교적 성가에 비해 종교적 성가를 부르는 동안 델타 밴드 전력이 크게 증가했음을 강조합니다. fMRI 결과는 종교 성가를 부르는 동안 자기 관련 처리(self-related processing⁾¹⁰와 관련된 뇌 영역의 중심성이 크게 감소했음을 나타낸다. 생리학적 데이터의 결과는 또한 종교적 노래의 효과가 비종교적 노래의 효과와 구별되며 언어 처리 또는 심장 활동으로 인한 차이를 포함한 다른 잠재적인 교란 요인을 배제한다는 것을 보여줍니다. 전반적으로, 이 연구 결과는 "무애착"1,11,12을 촉진하기 위해 불교 상담을 통한 종교적 성가를 임상적으로 적용할 수 있는 유망한 길을 암시합니다.

fMRI 및 EEG 데이터가 서로 다른 피험자로부터 획득되었다는 점도 한계가 있다¹³. 둘째, 피험자들 간에 종교적 성가대 경험^1,14에 대한 상당한 차이를 감안할 때, 모든 피험자가 fMRI 스캔을 받았더라면 더 좋았을 것이다. 우리의 향후 연구는 이러한 한계를 해결하고 다양한 종교 및 명상 관행의 신경 생리학적 효과를 더 탐구하는 것을 목표로 할 것입니다.

이러한 한계에도 불구하고 이 프로토콜은 EEG, ECG 및 fMRI 데이터를 포함한 다중 모드 신경 영상 및 생리학적 측정 도구를 결합하여 종교 성가의 신경 생리학적 상관 관계에 대한 보다 포괄적인 관점을 제공한다는 점에서 독특합니다. 이러한 멀티모달 신경영상 접근법은 종교 및 명상 행위에 대한 더 깊은 이해를 가능하게 하는데, 이는 한 가지 유형의 데이터에만 전적으로 의존하는 방법으로는 불가능할 것이다^15,16.

자료

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