Cânticos e orações estão entre as práticas religiosas mais populares. Este protocolo poderia ajudar os cientistas a examinar a resposta neurofisiológica de cantos religiosos repetitivos usando potenciais relacionados a eventos. A técnica de ERP pode diferenciar entre o processamento de informações neurais em estágio inicial e tardio, analoguizando o primeiro e segundo pensamentos de processamento da mente, como explicado nos ensinamentos budistas.
Seguindo este protocolo, os pesquisadores podem examinar o efeito do canto religioso ou outras práticas tradicionais para identificar formas visíveis de ajudar as pessoas a amenizar seu sofrimento emocional. Para começar este estudo, recrute participantes com pelo menos um ano de experiência em cantar o nome de Buda Amitabha. Durante o experimento, grave os dados do EEG usando um sistema EEG de 128 canais que consiste em um amplificador, caixa de cabeça, tampa EEG e dois computadores desktop e regise os dados do ECG usando um sistema fisiológico de gravação de dados.
Para mostrar imagens neutras e negativas do International Effective Picture System, ou IAPS. Use software de apresentação de estímulo em um computador desktop. Apresente as imagens em um monitor a 75 centímetros dos olhos do participante, com ângulos visuais de 15 graus verticalmente e 21 graus horizontalmente.
Use um design de bloco para o experimento, pois ele pode obter componentes mais eficazes relacionados à emoção. Forneça uma breve prática para permitir que os participantes se familiarizem com cada condição e use monitor de vídeo para garantir que os participantes não durmam. Comece a experiência com a condição de canto religioso.
Peça aos participantes para cantar quatro caracteres do nome Amitabha Buda por 40 segundos enquanto imaginam o Amitabha seguindo o roteiro na escola Pure Land. Durante os primeiros 20 segundos, mostre aos participantes a imagem de Amitabha-Amitabha, Amitabha. E pelos próximos 20 segundos, mostre-lhes as imagens do IAPS.
Peça aos participantes que observem as imagens com cuidado. Mostre cada imagem por aproximadamente 1,8 a 2,2 segundos, com um intervalo inter-estímulo de 0,4 a 0,6 segundos. Após cada sessão, permita um período de descanso de 20 segundos para combater os potenciais efeitos residuais de canto ou visualização de imagens na próxima sessão.
Para a condição de canto não religioso, peça aos participantes para cantar quatro caracteres do nome de Papai Noel por 40 segundos enquanto imaginam o Papai Noel. Durante os primeiros 20 segundos, mostre aos participantes a imagem do Papai Noel, e pelos próximos 20 segundos, mostrem-lhes as imagens do IAPS. Para a condição de controle, peça aos participantes que fiquem em silêncio por 40 segundos.
Durante os primeiros 20 segundos, mostre aos participantes uma imagem em branco e, durante os próximos 20 segundos, mostre-lhes as imagens do IAPS. Para processar e analisar os dados do EEG, use o software de código aberto EEGLAB. Para manter um tamanho razoável de arquivo de dados, use a função EEGLAB pop_resample.
Clique em Ferramentas seguidas pela taxa de amostragem change para resamar os dados de 1000 Hertz para 250 Hertz. Em seguida, filtre os dados usando a função EEGLAB pop_eegfiltnew. Clique em Ferramentas seguidas de Filtrar os dados e selecione O filtro BÁSICO FIR novo e padrão para filtrar os dados com um filtro de resposta de impulso finito com uma faixa de passe hertz de 0,1 a 100.
Para reduzir o ruído da corrente alternada, clique em Ferramentas seguidas de Filtrar os dados e selecione Entalhe filtrar os dados em vez de passar banda. Em seguida, filtre os dados com um filtro de resposta de impulso não linear com uma banda de parada Hertz de 47 a 53. Em seguida, clique em Plot e, em seguida, canalize os dados para inspecionar visualmente os dados e remover artefatos fortes gerados pelos movimentos dos olhos e músculos.
Em seguida, clique em Ferramentas, Interpolate eletrodos e selecione entre os canais de dados para reconstruir os canais ruins usando interpolação esférica. Em seguida, clique em Ferramentas e Execute ICA para executar uma análise de componentes independente com o algoritmo de código aberto runica. Em seguida, clique em ferramentas novamente, seguido de Rejeitar dados usando componentes ICA e Rejeitar por mapa para remover os componentes independentes correspondentes aos movimentos oculares, piscadas, movimento muscular e ruído da linha.
Para reconstruir os dados usando os demais componentes independentes, clique em Ferramentas seguido de remover componentes. Em seguida, clique em Ferramentas seguidas de Filtrar os dados e selecionar o filtro FIR básico novo, padrão para filtrar os dados com um filtro de passagem baixa de 30 Hertz. Em seguida, clique em Ferramentas seguidas de Epochs Extrato para obter dados ERP extraindo e média de épocas bloqueadas para cada condição com uma janela de tempo de 200 a zero milissegundos como a linha de base, e zero a 800 milissegundos como o ERP.
Em seguida, clique em Ferramentas seguida de re-referência para re-referenciar os dados ERP com a média dos canais mastoide esquerdo e direito. Depois de repetir as etapas acima para os conjuntos de dados de todos os participantes, defina janelas de tempo para N1 e potencial positivo tardio, ou LPP, com base em teorias estabelecidas e nos dados atuais. Em seguida, usando um teste T emparelhado, encontre a diferença de imagem neutra versus negativa no componente N1 e o componente LPP entre as três condições.
Em seguida, realize uma análise de região de interesse sobre os componentes N1 e LPP, fazendo uma média de canais relevantes para representar uma região. Em seguida, compare a diferença em N1 e LPP separadamente usando medidas repetidas, ANOVA e estatísticas pós-hoc em software de análise estatística. Use o software de código aberto SPM para realizar a análise de origem ERP.
Vincule o sistema de coordenadas do sensor de tampa EEG ao de uma imagem de ressonância magnética estrutural padrão por co-registro baseado em marco. Em SPM, clique em Batch, depois SPM, M/EEG, reconstrução de origem e especificação do modelo cabeça. Em seguida, execute 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, depois M/EEG, reconstrução de origem e inversão de origem. Para realizar a reconstrução inversa, use o algoritmo de antecedentes múltiplos esparsos baseados em pesquisa gananciosa na terceira etapa. Escolha MSP/GS para o tipo Inversão na janela Inversão de origem.
Determine a diferença entre as condições utilizando modelagem linear geral em SPM. Depois de definir o nível de significância para P 0,05, em Batch Editor, clique em SPM, em seguida, estatísticas e especificação de design fatorial. Para processar e analisar os dados do ECG, use software fisiológico e de processamento de dados.
Para calcular as pontuações médias para cada condição no EEGLAB, clique em Ferramentas seguidas por ferramentas FMRIB e detecte eventos QRS. Para análise de avaliação comportamental, peça aos participantes que classifiquem sua crença na eficácia de cantar o nome do sujeito em uma escala de um a nove, onde um é considerado o mais fraco, e nove, o mais forte. Os resultados para a crença dos participantes no canto revelaram uma pontuação média de 8,16 para Buda Amitabha, 3,26 para Papai Noel e 1,95 para a condição de controle em branco.
O canal representativo do lobo parietal demonstrou que as condições de canto tiveram efeitos diferentes no processamento precoce e tardio de imagens neutras e negativas, mostrando a janela de tempo de N1 e LPP, respectivamente. Os resultados do ERP mostraram um aumento do N1 enquanto viam as imagens temerosas nas três condições de canto. As imagens negativas induziram atividades cerebrais centrais mais fortes do que imagens neutras, e os aumentos são comparáveis nas três condições.
O ERP também demonstrou um aumento do LPP nos cânticos não religiosos e sem condições de canto. No entanto, o LPP induzido por imagens assustadoras mal é visível quando os participantes cantam o nome de Amitabha Buda. Uma análise de região de interesse revelou que as diferenças no componente N1 foram semelhantes nas três condições.
No entanto, 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. A análise da fonte revelou que, quando comparadas com imagens neutras, imagens negativas induziram 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.
Uma mudança significativa na frequência cardíaca foi detectada entre as imagens medrosas e neutras nas condições não religiosas e sem cânticos. No entanto, não foi encontrada tal diferença na condição de canto religioso. Este mesmo protocolo também pode ser usado em estudos de neuroimagem funcional para revelar mais especificamente as regiões cerebrais envolvidas em cantos religiosos.
Este estudo demonstra um método para examinar como o canto religioso repetitivo e outras práticas semelhantes podem influenciar a resposta neurofisiológica e reduzir o sofrimento induzido por estímulos negativos.
