Modulação da Resposta Neurofisiológica a Estímulos Temerosos e Estressantes Através de Cantos Religiosos Repetitivos

Resumo

O presente estudo de potencial relacionado a eventos (ERP) fornece um protocolo único para investigar como o canto religioso pode modular emoções negativas. Os resultados demonstram que o potencial positivo tardio (LPP) é uma resposta neurofisiológica robusta a estímulos emocionais negativos e pode ser efetivamente modulada por cantos religiosos repetitivos.

Resumo

Em experimentos neuropsicológicos, o potencial positivo tardio (LPP) é um componente potencial (ERP) relacionado a eventos que reflete o nível de excitação emocional. Este estudo investiga se o canto religioso repetitivo modula a resposta emocional a estímulos provocados pelo medo e ao estresse, levando assim a uma LPP menos responsiva. Vinte e um participantes com pelo menos um ano de experiência no canto religioso repetitivo de "Amitabha Buda" foram recrutados. Um sistema de eletroencefalografia (EEG) de 128 canais foi utilizado para coletar dados de EEG. Os participantes foram instruídos a ver imagens negativas ou neutras selecionadas do Sistema Internacional de Imagens Afetivas (IAPS) em três condições: canto religioso repetitivo, canto repetitivo não religioso e nenhum canto. Os resultados demonstraram que a visualização das imagens negativas de medo e estresse induziu LPPs maiores nos participantes do que ver imagens neutras sob as condições de canto sem canto e não religiosa. No entanto, esse aumento do LPP desapareceu em grande parte sob condições repetitivas de canto religioso. Os achados indicam que o canto religioso repetitivo pode efetivamente aliviar a resposta neurofisiológica a situações temerárias ou estressantes para os praticantes.

Introdução

O potencial positivo tardio (LPP) tem sido acompanhado há muito por excitação emocional, e tem sido usado de forma confiável em pesquisas relacionadas à ^emoção1,2. A prática religiosa é generalizada em países orientais e ocidentais. Afirma-se que pode aliviar a ansiedade e o estresse do praticante ao enfrentar eventos adversos, especialmente em momentos de ^dificuldade3. No entanto, isso raramente tem sido demonstrado em rigorosos cenários experimentais.

Inúmeros estudos confirmaram que a regulação das emoções pode ser aprendida com diferentes estratégias e quadros4,5,6. Alguns estudos mostraram que a atenção plena e a meditação podem modular a resposta neural a eventos ^afetivos7,8. Recentemente, descobriu-se que os praticantes de meditação podem empregar estratégias de modulação de emoções além de avaliação cognitiva, supressão e ^{distração8,9}. Estímulos do Sistema Internacional de Imagem Afetiva (IAPS) podem ser usados para provocar emoções positivas ou negativas de forma confiável, e existem critérios padrão para encontrar imagens projetadas com valência e níveis de excitação especificados em pesquisas ^afetivas10.

Estímulos emocionais podem causar respostas precoces e posteriores no ^cérebro3,11. Da mesma forma, a tradição do budismo fez análise analógica nos pensamentos mentais por processos mentais iniciais e secundários3,12,13. O Sallatha Sutta (The Arrow Sutta), um texto budista antigo, menciona que o treinamento cognitivo pode domar a emoção. O Arrow Sutta afirma que tanto um praticante budista bem treinado quanto uma pessoa destreinada experimentam uma percepção inicial e negativa da dor ao enfrentar um evento ^{prejudicial13}. Esta dor inicial inevitável é semelhante a uma pessoa sendo atingida por uma flecha, como descrito no Sallatha Sutta. A dor perceptiva precoce é idêntica à fase de processamento precoce quando uma pessoa vê um quadro altamente negativo. O processamento neural precoce geralmente provoca um componente N1. Pessoas destreinadas podem desenvolver emoções excessivas, como preocupação, ansiedade e estresse, depois de experimentar os sentimentos dolorosos iniciais e inevitáveis. De acordo com a Sallatha Sutta, essa emoção negativa de desenvolvimento tardio ou dor psicológica é como ser atingida por uma segunda flecha. Um experimento de potencial (ERP) relacionado a eventos pode capturar os processos psicológicos iniciais e posteriores do projeto atual, assumindo que N1 e LPP poderiam corresponder às duas setas mencionadas acima.

Neste protocolo, o canto repetitivo do nome "Amitabha Buda" (Sanskit: Amitābha) foi escolhido para testar o efeito potencial do canto religioso quando um indivíduo está em uma situação temerosa ou estressante. Este canto religioso é uma das práticas mais populares de indivíduos com orientações religiosas entre budistas chineses, e é uma prática central do Budismo da Terra Pura da Ásia ^Oriental14. Havia a hipótese de que o canto religioso repetitivo reduziria a resposta cerebral a estímulos provocantes, ou seja, o LPP induzido por imagens assustadoras ou estressantes. Tanto os dados de EEG quanto de eletrocardiograma (ECG) foram coletados para avaliar as respostas neurofisiológicas dos participantes em diferentes condições.

Protocolo

Este estudo ERP foi aprovado pelo Conselho de Revisão Institucional da Universidade de Hong Kong. Antes de participar deste estudo, todos os participantes assinaram um termo de consentimento livre e esclarecido por escrito.

1. Design experimental

1. Recrutar participantes
   1. Recrute participantes com pelo menos 1 ano (~ 200-3.000 h) de experiência em cantar o nome de "Amitabha Buda" para este estudo.
      NOTA: No presente estudo, foram selecionados 21 participantes humanos entre 40 e 52 anos; 11 eram homens.
2. Canto religioso vs. cantos não religiosos
   1. Cante o nome de "Amitabha Buda" por 40 anos. Os primeiros 20 s com a imagem de Amitabha Buda e os próximos 20 com imagens IAPS.
      1. Cante apenas quatro caracteres do nome "Amitabha Buda" enquanto vê a imagem do Buda Amitabha na escola ^Pureland14.
   2. Cante o nome de Papai Noel (condição de canto não religioso) para os anos 40. Os primeiros 20 anos, enquanto visualizam a imagem do Papai Noel e os próximos 20 com imagens do IAPS.
      1. Cante apenas quatro personagens do nome Papai Noel e imagine o Papai Noel.
   3. Fique em silêncio por 40 s. Os primeiros 20 s com uma imagem em branco para fins de controle e os próximos 20 s com imagens IAPS.
      NOTA: Sem cânticos.
3. Sistema de gravação EEG
   1. Grave dados de EEG usando um sistema EEG de 128 canais que consiste em um amplificador, headbox, tampa EEG e dois computadores desktop (ver Tabela de Materiais).
4. Sistema de apresentação de estímulos
   1. Use software de apresentação de estímulo (ver Tabela de Materiais) para mostrar imagens neutras e negativas do IAPS em um computador desktop.
5. Sistema de gravação de ECG
   1. Use um sistema de gravação de dados fisiológicos para registrar dados de ECG (ver Tabela de Materiais).

2. Experimento de modulação afetiva

NOTA: O experimento teve dois fatores com um design 2 x 3: O primeiro fator foi o tipo de imagem: neutro e negativo (medo e estresse). O segundo fator foi o tipo de canto: entoando "Amitabha Buda", entoando "Papai Noel" e sem cânticos (visão silenciosa).

1. Use um design de bloco, pois pode obter componentes mais eficazes relacionados à ^emoção15.
   NOTA: Foram seis condições, e as sequências foram aleatórias e contrabalanceadas entre os participantes (Figura 1). As seis condições foram as seguintes: canto religioso ao ver imagens negativas (AmiNeg); canto religioso enquanto visualiza imagens neutras (AmiNeu); sem cânticos enquanto visualiza imagens negativas (PasNeg); sem cânticos enquanto visualiza imagens neutras (PasNeu); canto não religioso ao ver imagens negativas (SanNeg); e cantos não religiosos enquanto visualizam imagens neutras (SanNeu).

Figura 1: O procedimento experimental. Havia seis condições pseudorandomizadas, e cada participante recebeu uma sequência pseudorandomizada. Cada condição foi repetida seis vezes em duas sessões separadas. Este número foi adaptado do ^Reference3. Clique aqui para ver uma versão maior desta figura.

2. Mostre cada imagem para ~1.8-2.2 s, com um intervalo interestimuloso (ISI) de 0,4-0.6 s.
   NOTA: Havia 10 fotos do mesmo tipo (neutro ou negativo) em cada sessão.
3. Permita um período de descanso de 20 s após cada sessão para combater os potenciais efeitos residuais de canto ou visualização de imagens na próxima sessão.
4. Apresente as imagens em um monitor CRT a uma distância de 75 cm dos olhos dos participantes, com ângulos visuais de 15° (vertical) e 21° (horizontal).
5. Peça aos participantes que observem as imagens com cuidado.
6. Forneça uma breve prática aos participantes para permitir que eles se familiarizem com cada condição. Use um monitor de vídeo para garantir que os participantes não durmam.
7. Dê aos participantes um descanso de 10 minutos no meio do experimento de 40 minutos.

3. Coleta de dados EEG e ECG

NOTA: Antes de vir ao experimento, peça a cada participante para lavar completamente o cabelo e o couro cabeludo sem usar um condicionador ou qualquer outra coisa que possa aumentar a impedância do sistema. Colete os dados EEG e ECG simultaneamente por dois sistemas separados.

1. Informe cada participante dos procedimentos experimentais, ou seja, que imagens eficazes foram vistas em diferentes condições de canto.
2. Defina a taxa de amostragem para 1.000 Hz, e mantenha a impedância de cada eletrodo abaixo de 30 kΩ sempre que possível ou de acordo com as exigências do sistema.
3. Coletar dados fisiológicos, incluindo dados de ECG usando um sistema de registro de dados fisiológicos (ver Tabela de Materiais).

4. Análise de dados EEG

1. Processe e analise os dados do EEG com o EEGLAB (ver Tabela de Materiais), Arquivo Suplementar 1-2, um software de código ^aberto16 seguindo as etapas abaixo.
2. Use a função EEGLAB "pop_resample" para remapear os dados de 1.000 Hz a 250 Hz para manter um tamanho razoável de arquivo de dados. Clique em Ferramentas > Alterar a taxa de amostragem.
3. Use a função EEGLAB "pop_eegfiltnew" para filtrar os dados com um filtro FIR (Finite impulse response, resposta a impulso finito) com banda de passagem de 0,1-100 Hz. Clique em Ferramentas > Filtre os dados > filtro FIR básico (novo, padrão).
4. Filtre os dados novamente com um filtro de resposta a impulso infinito não linear (IIR) com uma banda paradas de 47-53 Hz para reduzir o ruído da corrente alternada. Clique em Ferramentas > Filtre os dados > selecionar Notch filtrar os dados em vez de passar banda.
5. Inspecione visualmente os dados para remover artefatos fortes gerados pelos movimentos dos olhos e músculos. Clique em Plot > Dados do Canal (scroll).
6. Inspecione visualmente os dados novamente para obter qualquer ruído consistente gerado por qualquer canal, e os canais ruins foram observados.
7. Reconstrua os canais ruins usando interpolação esférica. Clique em Ferramentas > os eletrodos Interpolate > Selecione nos canais de dados.
8. Execute a análise de componentes independentes (ICA) com o algoritmo de código aberto "runica"¹⁶. Clique em Ferramentas > Executar ICA.
9. Remova os componentes independentes (ICs) correspondentes aos movimentos oculares, piscadas, movimentos musculares e ruído da linha. Clique em Ferramentas > Rejeite dados usando componentes ICA > Rejeitar por mapa.
10. Reconstrua os dados usando as ICs restantes. Clique em Ferramentas > Remova componentes.
11. Filtre os dados com um filtro de passagem baixa de 30 Hz. Clique em Ferramentas > Filtre os dados > filtro FIR básico (novo, padrão).
12. Obtenha dados ERP extraindo e média de épocas bloqueadas para cada condição com uma janela de tempo de -200 a 0 ms como a linha de base e de 0 a 800 ms como ERP. Clique em Ferramentas > Extrair épocas.
13. Refencie os dados ERP com a média dos canais mastoide esquerdo e direito. Clique em Ferramentas > re-referência.
14. Repita as etapas acima para os conjuntos de dados de todos os participantes e compare as diferenças entre as condições usando o teste t ou as medidas repetidas ANOVA em um software de análise estatística (ver Tabela de Materiais).
15. Defina janelas de tempo para N1 e LPP com base em teorias ^{estabelecidas8,17} e nos dados ^atuais3.
    NOTA: Neste trabalho, n1 foi definido como 100-150 ms, enquanto LPP como 300-600 ms de início de estímulo; O PPL é o mais proeminente na região central-parietal (Figura 2).
16. Encontre a diferença de imagem neutra vs. negativa no componente N1 usando o teste t emparelhado entre três condições (Figura 3).
17. Encontre a diferença de imagem neutra versus negativa no componente LPP usando o teste t emparelhado entre três condições (Figura 4).
18. Realizar análises de região de interesse (ROI) nos componentes N1 e LPP, através da média de canais relevantes para representar uma região.
    NOTA: Para selecionar o ROI, as épocas das três condições foram mediadas para calcular os canais onde as imagens neutras e negativas tiveram uma diferença significativa na janela de tempo específica (por exemplo, para N1 ou LPP).
19. Compare a diferença em N1 e LPP separadamente, utilizando medidas repetidas ANOVA e estatísticas pós-hoc em software de análise estatística.
    NOTA: Utilize a análise pós-hoc (correção de Bonferroni) e determine diferenças significativas entre as duas condições separadamente se o modelo foi significativo. O limiar de significância foi fixado em p < 0,05.

5. Análise de origem ERP

1. Realize a análise de origem ^ERP18 com o software de código aberto ^SPM19 (ver Tabela de Materiais) seguindo as etapas abaixo.
2. Vincule o sistema de coordenadas do sensor de tampa EEG ao sistema de coordenadas de uma imagem de ressonância magnética estrutural padrão (coordenadas do Instituto Neurológico de Montreal (MNI) por co-registro baseado em marco. Em SPM, clique em Batch > SPM > M/EEG > Especificação do modelo de > de cabeça.
3. Realize a computação para a frente para calcular o efeito de cada dipolo na malha cortical imposta aos sensores EEG. No mesmo Editor de Lote, clique em SPM > M/EEG > inversão de origem > Origem.
   NOTA: Esses resultados foram colocados em uma matriz G (n x m), onde n é o número de sensores (dimensão espacial EEG) e m é o número de vértices de malha (dimensão do espaço de origem). O modelo de origem foi X = GS, onde X é uma matriz n x k denotando os dados ERP de cada condição, k é o número de pontos de tempo, e S é uma matriz m x k indicando a fonte ERP.
4. Use o ganancioso algoritmo de antecedentes múltiplos baseados em pesquisa (já que S é desconhecido) no terceiro passo (entre os muitos algoritmos disponíveis) para realizar a reconstrução inversa porque é mais confiável do que outros ^métodos20. Escolha MSP (GS) para o tipo Inversão na janela Inversão de fonte .
5. Determine a diferença entre as condições utilizando modelagem linear geral em SPM. Defina o nível de significância para p < 0,05. Em Batch Editor, clique em SPM > Stats > especificação de design fatorial.

6. Análise de dados e avaliação comportamental do ECG

1. Use software fisiológico e de processamento de dados para processar e analisar os dados do ECG (ver Tabela de Materiais). Calcule os escores médios para cada condição. No EEGLAB, clique em Ferramentas > ferramentas FMRIB > detectar eventos QRS21.
   NOTA: Semelhante à análise de amplitude do ERP, o software estatístico foi utilizado para analisar melhor os dados com medidas repetidas ANOVA. A análise pós-hoc foi realizada para determinar as diferenças significativas entre as duas condições separadamente se o modelo foi significativo. O nível de significância foi definido para p < 0,05.
2. Peça aos participantes que classifiquem sua crença na eficácia de cantar o nome do sujeito (Amitabha Buda, Papai Noel, etc.) em uma escala 1-9, onde 1 é considerado mais fraco e 9 o mais forte.

Resultados

Resultados comportamentais
Os resultados para a crença dos participantes de canto revelaram uma pontuação média de 8,16 ± 0,96 para "Buda Amitabha", 3,26 ± 2,56 para "Papai Noel", e 1,95 ± 2,09 para a condição de controle em branco (Tabela Suplementar 1).

Resultados do ERP
O canal representativo de Pz (lobo parietal) demonstrou que as condições de canto tiveram efeitos diferentes no processamento precoce (N1) e tardio (LPP) de imagens neutras e negativas. Mostrou a janela de tempo de N1 e LPP, respectivamente (Figura 2).

Estágio perceptivo precoce
Os resultados do ERP mostraram um aumento de N1 ao visualizar as imagens negativas em três condições de canto (Figura 3). Mostrou que imagens negativas induziram atividades cerebrais centrais mais fortes do que imagens neutras, e os aumentos são comparáveis em três condições.

Estágio emocional/cognitivo tardio
O ERP demonstrou um aumento do LPP nas condições não religiosas de canto e não-canto. No entanto, o LPP induzido por imagens negativas é quase visível quando o participante canta o nome de Amitabha Buda (Figura 4).

Análise região de interesse (ROI)
As três condições foram combinadas para estimar as regiões geralmente ativadas nos componentes N1 e LPP. Medidas repetidas A ANOVA foi realizada com software estatístico para calcular a diferença nos componentes N1 e LPP entre as condições de canto (Figura 5).

As três colunas esquerdas mostram a diferença no componente N1 para as três condições de canto: a condição de visualização silenciosa, a condição de canto não religioso e a condição de canto religioso. As diferenças no componente N1 foram semelhantes nas três condições. As três colunas certas mostram a diferença no componente LPP para as três condições de canto. Isso demonstra que a diferença no componente LPP é muito menor na condição de canto religioso do que na condição de canto não religioso e na condição de visualização silenciosa.

Análise de origem
A análise da origem foi aplicada para extrair o mapeamento cerebral potencial com base nos resultados do LPP (Figura 6). Os resultados mostram que, quando comparadas com imagens neutras, imagens negativas induzem mais ativação parietal na condição de canto não religioso e nenhuma condição de canto. Em contraste, essa ativação negativa induzida por imagens desaparece em grande parte na condição de canto religioso.

Resultados fisiológicos: frequência cardíaca
Houve uma mudança significativa na frequência cardíaca (HR) entre as imagens negativas e neutras na condição de canto não religioso. Uma tendência semelhante foi encontrada na condição de não-cantar. No entanto, não foi encontrada tal diferença de RH na condição de canto religioso (Figura 7).

Figura 2: Um canal representativo (Pz) mostrou diferentes ERPs em seis condições de canto. As seis condições são (1) cantos religiosos enquanto visualizam imagens neutras (AmiNeu); (2) canto religioso ao visualizar imagens negativas (AmiNeg); (3) cantos não religiosos enquanto visualizam imagens neutras (SanNeu); (4) cantos não religiosos enquanto visualizam imagens negativas (SanNeg); (5) sem canto enquanto visualiza imagens neutras (PasNeu); e (6) sem canto enquanto visualiza imagens negativas (PasNeg). O canal Pz localizado na área parietal média do couro cabeludo. Clique aqui para ver uma versão maior desta figura.

Figura 3: Os resultados do ERP para demonstrar o componente N1 nas três condições de canto. Mapas bidimensionais do componente N1 para as três condições para cada tipo de imagem. Na última coluna, são mostrados canais com diferenças significativas (p < 0,05) com pontos; pontos que estão na cor mais escura indicam maior significância (ou seja, valores p menores). Clique aqui para ver uma versão maior desta figura.

Figura 4: Os resultados do ERP para demonstrar o componente LPP nas três condições de canto. Mapas bidimensionais do componente potencial positivo tardio (LPP) para as três condições para cada tipo de imagem. Na última coluna, são mostrados canais com diferenças significativas (p < 0,05) com pontos; pontos que estão na cor mais escura indicam maior significância (ou seja, valores p menores). Clique aqui para ver uma versão maior desta figura.

Figura 5: Análise região de interesse (ROI). A região de interesse (ROI) analisou a diferença entre respostas cerebrais negativas versus neutras induzidas por imagem para o componente inicial, N1, e o componente tardio, o potencial positivo tardio (LPP). Clique aqui para ver uma versão maior desta figura.

Figura 6: Análise de origem do componente potencial positivo tardio (LPP) nas três condições. Áreas destacadas indicam maior atividade cerebral em condições negativas versus neutras. Clique aqui para ver uma versão maior desta figura.

Figura 7: O coração bate intervalos sob as três condições de canto. Os intervalos inter-beat (RRs) do eletrocardiograma em cada combinação de tipo/canto de imagem e os valores p correspondentes. Ami: Amitabha Buda condição de canto, San: Santa Claus condição de canto, Pas: condição de visualização passiva, Neu: imagem neutra, Neg: imagem negativa. Clique aqui para ver uma versão maior desta figura.

Tabela suplementar 1: Classificando a crença na eficácia do sujeito entoando (Amitabha Buda, Papai Noel). Ele usa uma escala 1-9, onde 1 indica a menor crença e 9 a crença mais forte. Clique aqui para baixar esta Tabela.

Arquivo complementar 1: Código para pré-processamento de lotes de dados EEG. Ele remove canais ruins, resample os dados para 250 Hz e, em seguida, filtra os dados. Clique aqui para baixar este Arquivo.

Arquivo complementar 2: Código para reparação de dados ERP. Ele conserta épocas ruins com espinhos barulhentos. Clique aqui para baixar este Arquivo.

Discussão

A singularidade deste estudo é a aplicação de um método neurocientífico para sondar os mecanismos neurais subjacentes a uma prática religiosa generalizada, ou seja, cantos religiosos repetitivos. Dado o seu proeminente efeito, esse método poderia permitir novas intervenções para terapeutas ou médicos tratarem clientes que lidam com problemas emocionais e sofrem de ansiedade e estresse. Juntamente com estudos anteriores, pesquisas mais amplas sobre regulação de emoções devem ser consideradas em estudos futuros7,8,9,22.

Há poucos estudos de ERP sobre canto, dada a dificuldade de construir experimentos que combinam cânticos e outros eventos cognitivos. Este estudo demonstra um protocolo viável para investigar o efeito afetivo do canto/oração, que é bastante popular no mundo real. Estudos anteriores de ressonância magnética funcional (fMRI) descobriram que a oração recruta áreas de cognição ^social23. Um estudo de estado de repouso fMRI revelou que cantar "OM" reduziu as saídas dos cortices cingulados anteriores, insula e ^{orbitofrontal24}. Outro estudo da EEG descobriu que a meditação "OM" aumentou as ondas delta, induzindo a experiência de relaxamento e sono ^profundo25. No entanto, esses métodos não poderiam investigar precisamente as mudanças específicas relacionadas ao evento após o canto religioso.

Os pesquisadores devem controlar os fatores de confusão do processamento da linguagem e da familiaridade para investigar com sucesso o efeito potencial do canto religioso repetitivo com sucesso. Como os participantes praticavam extensivamente e diariamente cantando o nome "Amitabha Buda" (caracteres chineses: ; Pronúncia cantonês: o1-nei4-to4-fat6), usamos o nome "Papai Noel" (caracteres chineses: ; Pronúncia cantonês: sing3-daan3-lou5-jan4) como condição de controle porque o local está familiarizado com o Papai Noel. Em chinês, ambos os nomes contêm quatro caracteres, controlando assim a similaridade da linguagem. Em relação à familiaridade, o Papai Noel também é bastante popular em Hong Kong porque é uma cidade parcialmente ocidentalizada. Além disso, o Papai Noel também é um número um tanto positivo em Hong Kong, onde há feriados oficiais de Natal. No entanto, esse controle da familiaridade é parcial, pois é difícil corresponder inteiramente ao entendimento do nome de Amitabha Buda para os praticantes.

Um passo crítico no presente estudo foi a preparação das imagens que provocam o medo ou o estresse. Como o canto religioso pode funcionar melhor quando ocorrem eventos ameaçadores, selecionar estímulos adequados da piscina de imagens ^IAPS26 foi crucial. Recomenda-se que os participantes em potencial sejam entrevistados e que sejam escolhidas imagens adequadas para evitar muito medo ou nojo. Imagens altamente negativas podem impedir que os participantes evitem voluntariamente sua atenção; ao mesmo tempo, os estímulos provocados pelo medo e ao estresse devem permitir que os participantes experimentem uma ameaça suficiente. Outra questão crítica é o projeto do bloco do estudo. O sinal EEG/ERP é suficientemente sensível e dinâmico para acompanhar todos os eventos. No entanto, seria mais apropriado implementar um projeto de bloco com um período de visualização de 20-30 s porque o padrão de função cardíaca ou emoção pode não mudar na ordem dos ^segundos27. Por outro lado, um bloco de 60 anos pode ser muito longo, e a resposta neural pode se tornar habituada nos estudos de ERP.

A etapa de processamento de dados EEG precisa fazer um backup durante cada etapa, pois cada etapa altera os dados e registra as alterações feitas durante essas etapas. Isso pode ser usado para rastrear alterações e facilitar a encontrar erros durante o processamento em lote. Melhorar a qualidade dos dados também é essencial, por isso é necessária experiência na limpeza de dados brutos e identificação de ICs ruins. Na análise estatística, foram feitas comparações em grandes médias, e a ANOVA foi aplicada. Alertamos que essa estatística com o modelo de efeito fixo é suscetível a efeitos ^{aleatórios28}. Modelos de efeitos mistos podem ser adaptados para controlar fatores ^estranhos29, e a suposição de linearidade pode afetar potencialmente inferências extraídas dos dados ^ERP30.

Várias limitações valem a pena notar. Uma limitação é que o presente estudo inscreveu apenas um grupo de participantes que praticavam o Budismo Pureland. Inscrever um grupo de controle sem qualquer experiência em canto religioso para comparação pode ajudar a determinar se o efeito do canto religioso é mediado pela crença ou familiaridade. Normalmente, um ensaio controlado randomizado seria mais convincente para examinar o impacto da modulação da emoção no canto ^religioso31. No entanto, é difícil garantir que qualquer participante entoaria repetidamente "Amitabha Buda" com total vontade. Além disso, o LPP é afetado por outros fatores, como som emocional ou escoramento ^{positivo32,33}. Assim, experimentos mais bem controlados são necessários para delinear mais claramente o neuro-mecanismo fundamental subjacente ao efeito do canto religioso.

Em suma, estudos anteriores demonstraram que o cérebro humano é subjetivo à plasticidade neural e à rápida alteração dos ^estados34,35; com prática e intenção suficientes, o cérebro pode se remodelar e responder de forma diferente a estímulos normalmente temerosos. Este estudo fornece insights sobre o desenvolvimento de estratégias eficazes de enfrentamento para o tratamento do sofrimento emocional em contextos contemporâneos. Seguindo este protocolo, os pesquisadores devem examinar o efeito do canto religioso ou outras práticas tradicionais para identificar formas viáveis de ajudar as pessoas a amenizar seus sofrimentos emocionais.

Materiais

Name	Company	Catalog Number	Comments
E-Prime 2.0	Psychology Software Tools		stimulus presentation, behavior data collection
EEGLAB	Swartz Center for Computational Neuroscience		EEG analysis software
HydroCel GSN 128 channels	Electrical Geodesics, Inc. (EGI)		EEG cap
LabChart	ADInstruments		physiological data (including ECG) acquisition software
Matlab R2011a	MathWorks		EEGLAB and SPM are based on Matlab; statistical analysis tool for EEG and physiological data
Netstation	Electrical Geodesics, Inc. (EGI)		EEG acquisition software
PowerLab 8/35	ADInstruments	PL3508	physiological data (including ECG) acquisition hardware
SPM	Wellcome Trust Centre for Neuroimaging		EEG source analysis software
FMRIB	University of Oxford Centre for Functional MRI of the Brain (FMRIB)		Plug-in for EEGLAB to process ECG data
SPSS	IBM		statistical analysis tool for behavior and EEG ROI data
iMac 27"	Apple		running the Netstation software
Windows PC	HP		running the E-Prime 2.0 software
Windows PC	Dell		running the LabChart software