В этой статье

  • Резюме
  • Аннотация
  • Введение
  • протокол
  • Результаты
  • Обсуждение
  • Раскрытие информации
  • Благодарности
  • Материалы
  • Ссылки
  • Перепечатки и разрешения

Резюме

В этой статье мы представляем протокол исследования нейрофизиологических коррелятов различных форм медитации, включая религиозное пение. Этот метод уникальным образом интегрирует результаты собственных векторов фМРТ для выбора области в анализе источника электроэнцефалограммы (ЭЭГ) с использованием кластеризации k-средних. Результаты обеспечивают глубокое понимание нейронных процессов, участвующих в повторяющемся религиозном пении.

Аннотация

Этот протокол представляет собой мультимодальный нейровизуализационный подход для изучения потенциальной активности мозга, связанной с повторяющимся религиозным пением, широко распространенной формой тренировки ума как в восточной, так и в западной культурах. Электроэнцефалограмма высокой плотности (ЭЭГ) с превосходным временным разрешением позволяет фиксировать динамические изменения в активности мозга во время религиозного пения. С помощью методов локализации источников их можно отнести к различным альтернативным потенциальным источникам областей мозга. Двадцать практикующих религиозное пение были измерены с помощью ЭЭГ. Тем не менее, пространственное разрешение ЭЭГ менее точно, по сравнению с функциональной магнитно-резонансной томографией (фМРТ). Таким образом, один высококвалифицированный специалист прошел сеанс сканирования фМРТ, чтобы более точно определить исходную локализацию. Данные фМРТ помогли сориентировать выбор локализации источника ЭЭГ, что сделало расчет K-средних локализации источника ЭЭГ в группе из 20 практикующих врачей среднего уровня более точным и надежным. Этот метод расширил возможности ЭЭГ по идентификации областей мозга, специфически задействованных во время религиозного пения, в частности, кардинальную роль задней поясной коры (ПКК). PCC — это область мозга, связанная с концентрацией внимания и самореферентной обработкой. Эти мультимодальные нейровизуализационные и нейрофизиологические результаты показывают, что повторяющееся религиозное пение может вызывать меньшую центральность и более высокую мощность дельта-волн по сравнению с нерелигиозным пением и состоянием покоя. Комбинация анализа источников фМРТ и ЭЭГ обеспечивает более детальное понимание реакции мозга на повторяющиеся религиозные пения. Протокол вносит значительный вклад в исследования нейронных механизмов, задействованных в религиозных и медитативных практиках, которые в настоящее время становятся все более заметными. Результаты этого исследования могут иметь значительные последствия для разработки будущих методов нейробиоуправления и психологических вмешательств.

Введение

Религиозное пение, очень популярная практика в восточных культурах, часто сравнивается с молитвой в западных обществах. Несмотря на распространенность, научные исследования нейронных коррелятов религиозного пения остаются довольно ограниченными. В этом исследовании были использованы сложные мультимодальные методы электрофизиологической и нейровизуализации, чтобы восполнить этот пробел в знаниях и изучить нейронные ассоциации воспевания Будды Амитабхи, одной из самых распространенных и одной из старейших активно сохраняемых религиозных традиций 2,3. Повторяющиеся религиозные песнопения могут служить эффективной техникой в буддийском консультировании, помогающей успокоить ум от бурных мыслей и эмоций.

Учитывая высокое пространственное разрешение функциональной магнитно-резонансной томографии (фМРТ), она может быть применена для преодоления ограничений традиционных исследований ЭЭГ4. Сочетая кластеризацию источников фМРТ и электроэнцефалограммы (ЭЭГ) с помощью анализа независимых компонент (ICA), исследование выявляет и группирует независимые компоненты активности мозга у участников. Этот метод представляет собой новую стратегию идентификации сигналов от смешанных источников ЭЭГ или разрозненных источников у участников, что было сложно из-за различий в анатомии мозга и размещении электродов.

Форма повторяющегося религиозного пения, которая была изучена с помощью этого протокола, включает в себя повторяющееся повторение имени Будды Амитабхи. Это также медитативная практика, которая, как сообщается, вызывает блаженные ощущения и трансцендентные переживания. Среди различных буддийских практик практика воспевания Будды Амитабха проста и легко доступна. Эта практика обещает перерождение в Чистой Земле всем тем, кто искренне призывает это имя, имеющее сходство с некоторыми традициями западной религии 1,3.

С помощью мультимодальной нейровизуализации это исследование направлено на обеспечение всестороннего понимания нейронных коррелятов повторяющихся религиозных песнопений. Протокол может внести свой вклад в бурно развивающуюся область исследований нейрофизиологических эффектов различных религиозных и медитативных практик.

В исследовании была выдвинута гипотеза о том, что повторяющиеся религиозные песнопения приведут к значительным изменениям сигналов в областях мозга, ответственных за процессы, связанные с самим собой. Более того, учитывая положительные эмоции, приписываемые Будде Амитабхе, мы предположили, что во время религиозного пения могут происходить эмоциональные сдвиги. Эти эффективные изменения, вероятно, совпадают с изменениями в периферических физиологических показателях, таких как вариации индексов многополосной вариабельности сердечного ритма (ВСР) и частоты дыхания5.

протокол

Перед началом эксперимента было получено этическое одобрение исследования от Университета Гонконга. Все участники подписали письменное согласие перед посещением экспериментов по ЭЭГ и фМРТ.

1. Отбор и подготовка участников

  1. Набирайте участников, которые имеют по крайней мере 1 год медитативного опыта религиозного пения Амитабха Будды не менее 15 минут в день. Убедитесь, что возрастной диапазон составляет от 40 до 52 лет. Оцените количество участников с помощью анализа мощности. В текущем исследовании был набран 21 участник.
    ПРИМЕЧАНИЕ: Анализ мощности был проведен на основе величин эффекта, наблюдаемых в пилотных исследованиях, и существующей литературы по исследованиям ЭЭГ и фМРТ медитации. Как правило, внутрипредметный дизайн обладает большей способностью дифференцировать различные условия, учитывая, что различия между объектами обычно больше.
  2. Проинформируйте участников о цели исследования и необходимых процедурах.
  3. Убедитесь, что участники не находятся в депрессии, используя опросник депрессии Бека.
  4. Убедитесь, что участники находятся в хорошем состоянии здоровья и не находятся под воздействием каких-либо веществ, которые могут повлиять на их физиологические реакции.
    ПРИМЕЧАНИЕ: Критерии исключения включают депрессию, психоневрологическую патологию или нахождение под воздействием алкоголя или психоактивных веществ. Кроме того, критерии исключения для МРТ включают наличие кардиостимулятора, глубоких мозговых имплантатов или металлических имплантатов, которые не совместимы с МРТ.
  5. Убедитесь, что участники подходят для участия в исследовании ЭЭГ/электрокардиограммы (ЭКГ)/МРТ.
    ПРИМЕЧАНИЕ: Данные ЭЭГ и МРТ записывались отдельно. Продолжительность сбора данных различалась между ЭЭГ и фМРТ для оптимизации качества данных для каждой модальности, учитывая усталость и комфорт участников. Наше пилотное исследование показало, что фМРТ более чувствительна к демонстрации нейронных коррелятов, в то время как данные ЭЭГ обычно имеют плохие сегменты или другие артефакты и требуют немного большей продолжительности, чтобы обеспечить достаточное количество данных для окончательного анализа. Таким образом, время проведения ЭЭГ было немного больше, чем время проведения МРТ. Различные позы во время сбора данных ЭЭГ и фМРТ были необходимы из-за ограничений каждого метода визуализации. Условия были рандомизированы с использованием сгенерированного компьютером графика рандомизации для контроля эффектов порядка. Последовательность между ЭЭГ и фМРТ не была одинаковой.

2. Сбор и анализ данных ЭЭГ

  1. Настройте 128-канальную аппаратуру для записи ЭЭГ и нескольких физиологических данных в соответствии с инструкциями производителя.
  2. Убедитесь, что участники тщательно вымыли голову перед началом сбора данных ЭЭГ/ЭКГ.
  3. Попросите участников расслабиться и сесть поудобнее.
  4. Познакомьте участников с экспериментом.
  5. Попросите участника сделать пробную версию эксперимента.
  6. Получайте данные ЭЭГ, когда каждый участник находится в трех разных условиях: воспевание Будды Амитабхи, пение Санта-Клауса и состояние покоя, и все это с закрытыми глазами. Запишите 10 минут данных ЭЭГ в каждом состоянии.
  7. Сохраните и пометьте данные соответствующим образом для каждого участника.
  8. Убедитесь, что данные надежно хранятся с резервными копиями.

3. Сбор данных МРТ

  1. Подготовьте МРТ-сканер 3,0 Тл и убедитесь, что он работает должным образом, прежде чем приступать к сбору данных. Перед началом сканирования убедитесь, что участник чувствует себя комфортно и понимает процедуру.
  2. Начнем с Т1-взвешенной последовательности сканирования со следующими параметрами: Поле зрения (FoV) = 256 мм × 150 мм × 240 мм, матрица сбора данных = 256 × 256, время повторения (TR) = 15 мс, время эхо (TE) = 3,26 мс, угол поворота = 25°, толщина среза = 1,5 мм, количество срезов = 100, разрешение вокселя (x,y,z,) = 0,94 мм × 1 мм × 1,5 мм.
  3. Получение изображений фМРТ с помощью градиентной эхо-планарной визуализации (EPI) с помощью 8-канальной катушки головки SENSE. Установите следующие параметры последовательности: FoV = 230 мм × 140 мм × 230 мм, матрица сбора данных = 64 × 64, TR = 2000 мс, TE = 30 мс, угол поворота = 90°, количество срезов = 32, толщина среза = 3 мм, зазор между срезами = 1,5 мм.
  4. Начните сбор данных фМРТ, когда каждый участник находится в трех условиях: религиозное пение, нерелигиозное пение и состояние покоя. Запишите данные для продолжительности каждого условия: каждое условие состояло из 243 динамических томов общей продолжительностью 8,1 минуты.

4. Сбор физиологических данных

  1. Настройте систему сбора физиологических данных для сбора сердечных, респираторных и других физиологических данных в соответствии с инструкциями производителя.
    ПРИМЕЧАНИЕ: ЭЭГ и физиологические данные были получены одновременно.
  2. Прикрепите три электрода ЭКГ на левую и правую руку и левую ногу соответственно.
  3. Установите на участника два дыхательных пояса, один для измерения дыхания грудью, а другой для измерения брюшного дыхания.
  4. Следите за кожно-гальванической реакцией (GSR) и уровнем насыщения кислородом участников.
  5. Начните сбор данных вместе со сбором данных ЭЭГ, пока каждый участник находится в трех условиях: воспевание Будды Амитабхи, воспевание Санта-Клауса и состояние покоя, и все это с закрытыми глазами.
  6. Сохраните и пометьте данные соответствующим образом для каждого участника. Убедитесь, что данные хранятся надежно и достаточно хороши для дальнейшего анализа.

5. Анализ данных ЭЭГ

  1. Обрабатывайте и анализируйте данные ЭЭГ с помощью соответствующего программного обеспечения. В данном случае было использовано программное обеспечение с открытым исходным кодом EEGLAB.
  2. Загрузите данные в программу. Нажмите « Файл» > загрузить существующий набор данных.
  3. Измените частоту дискретизации данных от 1000 Гц до 250 Гц, нажав «Инструменты» > «Изменить частоту дискретизации».
  4. Отфильтруйте данные с помощью фильтра с конечной импульсной характеристикой (КИХ) с полосой пропускания 0,1–100 Гц, щелкнув Инструменты > Фильтр данных > Базовый фильтр КИХ.
  5. Снова отфильтруйте данные с помощью режекторного фильтра со стоп-полосой 47-53 Гц, чтобы удалить шум переменного тока. Нажмите « Инструменты» > «Фильтровать данные » и выберите опцию «Фильтровать данные по вырезу» вместо «Полоса пропуска».
  6. Визуально проверьте данные, чтобы устранить такие артефакты, как движения глаз и мышц, нажав кнопку «Построить > данные канала » (прокрутка).
    ПРИМЕЧАНИЕ: В качестве эталона можно использовать специальные каналы электроокулографии (ЭОГ).
  7. Проверьте данные визуально, чтобы отметить плохие каналы для удаления.
  8. Примените сферическую интерполяцию на основе окружающих каналов, чтобы восстановить поврежденные каналы, щелкнув «Инструменты» > «Интерполяция электродов », и выберите один из каналов данных.
  9. Выполните анализ независимых компонентов (ICA) с использованием алгоритма runica. Для этого нажмите «Инструменты» > «Запустить ICA».
  10. Удалите из данных независимые компоненты (IC), которые соответствуют движению глаз, мышечному шуму и шуму линий, щелкнув Сервис > Отклонить данные с помощью ICA > Отклонить компоненты по карте.
  11. Восстановите данные с помощью оставшихся Ics, нажав на Tools > Remove Components.
  12. Нажмите « Инструменты» > «Фильтрация данных» > «Базовый фильтр FIR», чтобы отфильтровать данные с помощью фильтра нижних частот 47 Гц.
  13. Оцените сходство ИС и сгруппируйте их в функционально эквивалентные кластеры с помощью функций STUDY компании EEGLAB. Нажмите « Файл» > «Создать > исследования, используя все загруженные наборы данных».
  14. Сгенерируйте дипольные положения каждой ИС с помощью функции DIPFIT2. Нажмите « Инструменты» > найти диполь с помощью DIPFIT 2.x > автоподбора.
  15. Используйте кластеризацию k-средних для создания кластеров ИС на основе схожих дипольных расположений (вес: 2/3) и спектра мощности (вес: 1/3). Нажмите на кнопку Study > PCA Clustering > Build Preclustering Array.
  16. Повторите процедуру кластеризации десять раз, каждый раз с разными настройками k параметров. Определите параметр k, который создает различные, но приемлемые кластеры. Нажмите на кнопку Изучить > Редактировать/Построить кластеры.
  17. Выполнение анализа спектра и проведение одностороннего анализа ANOVA во всех основных полосах частот с использованием микросхем из определенного кластера, представляющего интерес.
    ПРИМЕЧАНИЕ: Обратите особое внимание на заднюю поясную кору (ПКК), так как было обнаружено, что центральное положение этой области уменьшается из-за регионального увеличения эндогенной генерации дельта-колебаний во время религиозного пения.

6. Анализ данных фМРТ

  1. Предварительная обработка данных фМРТ с помощью программного обеспечения Leipzig Image Processing and Statistical Inference Algorithms (LIPSIA 2.2.7).
    1. Выполнение предварительной обработки, которая включает нормализацию интенсивности сигнала, коррекцию движения, пространственную нормализацию в пространстве MNI, пространственное сглаживание с полной шириной при половине максимума (FWHM) = 6 мм, а также временную фильтрацию верхних частот с частотой среза 1/90 Гц для удаления низкочастотных дрейфов во временных рядах фМРТ. Обратитесь к этим шагам в конвейере обработки данных 1 (Дополнительный файл 1).
  2. Удалите ковариаты, не представляющие интереса, такие как глобальные колебания сигнала и параметры движения, путем регрессии их из данных для каждой последовательности сканирования, которая соответствует каждому из трех условий.
  3. Наконец, исследуйте функциональную коннектомику всего мозга, применив Eigenvector Centrality Mapping (ECM), метод теории графов, который идентифицирует наиболее влиятельные узлы в сети, а изображения ECM из двух условий вычитаются друг из друга для получения результирующего контрастного изображения. Обратитесь к этим шагам в конвейере обработки данных 2 (Дополнительный файл 2).

7. ЭКГ и анализ других физиологических данных

  1. Очистите исходные ЭКГ и другие физиологические данные с помощью полосового фильтра Баттерворта и извлеките межтактовый интервал (IBI) после замены выбросов сплайн-интерполяцией.
  2. Определите тренд данных IBI и вычислите характеристики временной/частотной области ВСР (вариабельность сердечного ритма) с помощью инструментария HRVAS с открытым исходным кодом.
  3. Установите диапазоны частот для ОНЧ в 0-0,04 Гц, НЧ в 0,04-0,15 Гц и ВЧ в 0,15-0,4 Гц.
  4. Оцените мощность выбранных полос частот с помощью метода периодограммы Ломба-Скаргла.
  5. Подвергнуть полученные метрики ВСР статистическим тестам с использованием односторонних повторных измерений, ANOVA и апостериорных тестов для оценки различий между условиями. Установите альфа-уровень значимости на 0,05.
  6. Рассчитайте другие физиологические данные, такие как интервалы дыхания для каждого участника и каждого состояния, с помощью программного обеспечения для анализа.
  7. Используйте функцию findpeaks в аналитическом программном обеспечении для определения пика дыхательной кривой.
  8. Дифференцируйте периоды вдоха и выдоха, а затем рассчитайте частоту дыхания.
  9. Сравните разницу между условиями с помощью односторонних повторных измерений, ANOVA и апостериорных тестов.

Результаты

Результаты анализа фМРТ показали, что самая сильная разница в центральности собственного вектора между религиозным и нерелигиозным пением преимущественно находится в задней поясной коре (ПКК); см. Рисунок 1. Этот вывод был использован для оценки и валидации выбора независимой от ЭЭГ кластеризации компонентов, которая аналогичным образом проявляла кластер в окрестностях области PCC.

figure-results-545
Рисунок 1: Мультимодальная нейровизуализация и электрофизиологические результаты. Картирование центральности собственного вектора, примененное на данных фМРТ, показало, что задняя поясная кора — это область мозга, в которой центральность мозга уменьшается больше всего во время религиозного пения по сравнению с нерелигиозным пением. Эта цифра была получена с разрешения Gao et al.1. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Анализ кластеризации, не зависящей от ЭЭГ, дал семь различных кластеров ИК, каждый из которых соответствует источнику активности ЭЭГ. Примечательно, что один из этих кластеров был расположен в PCC, что согласуется с результатами фМРТ (см. Рисунок 2).

figure-results-1635
Рисунок 2: Анализ кластеризации независимых от ЭЭГ компонентов также показал кластер в PCC. Эта цифра была получена с разрешения Gao et al.1. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Именно этот кластер впоследствии был выбран для углубленного анализа, в том числе спектрального. Односторонняя ANOVA выявила существенное основное влияние пения на мощность дельта-полосы частот (1-4 Гц, см. Рисунок 3 и Рисунок 4).

figure-results-2493
Рисунок 3: Односторонняя ANOVA выявила значительное основное влияние пения на мощность дельта-диапазона (1-4 Гц). Эта цифра была получена с разрешения Gao et al.1. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-results-3054
Рисунок 4: Апостериорный анализ религиозных песнопений в сравнении с условиями нерелигиозного пения. Анализ показал, что религиозное пение индуцировало более высокую дельта-силу, чем условие нерелигиозного пения (p = 0,011). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Дальнейший апостериорный анализ показал значительно меньшую мощность ВСР во время религиозного пения по сравнению с состоянием без пения (см. Рисунок 5).

figure-results-3873
Рисунок 5: Апостериорный анализ состояния покоя без пения в сравнении с условиями религиозного пения. Анализ показал, что по сравнению с отсутствием воспевания, религиозное пение индуцировало меньшую общую мощность ВСР, меньшую абсолютную высокочастотную мощность и меньшую абсолютную сверхнизкочастотную мощность. Эта цифра была получена с разрешения Gao et al.1. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Полученные данные показывают, что по сравнению с нерелигиозным пением наблюдается снижение центральности собственного вектора в PCC, что, вероятно, обусловлено региональным всплеском эндогенных дельта-колебаний. Эти функциональные изменения не зависят от периферической сердечной или дыхательной деятельности и не вызваны имплицитной обработкой языка. Напротив, они, по-видимому, связаны с переживаниями трансцендентального блаженства и снижением эгоцентричного познания.

Дополнительный файл 1: Конвейер обработки данных 1. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Дополнительный файл 2: Конвейер обработки данных 2. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Обсуждение

Несмотря на то, что используемая 128-канальная система ЭЭГ была системой ЭЭГ высокой плотности, пространственное разрешение ЭЭГ остается относительно низким по сравнению с фМРТ, и этот недостаток также влияет на точность локализации источника ЭЭГ, особенно когда возможны кандидаты в несколько областей мозга. Таким образом, более глубокое и высокое пространственное разрешение МРТ может значительно повысить пространственнуюточность анализа источника ЭЭГ и направить выбор наиболее важных кластеров для дальнейшего анализа. В настоящем протоколе используются мультимодальные инструменты нейровизуализации, включая методы сбора и анализа данных ЭЭГ, ЭКГ и фМРТ. Она демонстрирует комплексный подход к изучению нейрофизиологических коррелятов религиозного пения и, возможно, других форм тренировки ума. Важнейшим этапом в протоколе является применение результатов фМРТ при анализе источника ЭЭГ. Качество полученных данных ЭЭГ остается решающим для последующего анализа и интерпретации результатов. Использование кластеризации ICA и k-средних при анализе данных ЭЭГ в сочетании с результатами фМРТ позволяет получить более детальное понимание данных 7,8. Наблюдаемая модуляция мощности дельта-диапазона во время религиозного пения согласуется с литературным предположением, что дельта-ритмы могут регулировать поведение через синхронизацию нейронной активности. Дельта-волна может способствовать сфокусированному вниманию и потенциальному снижению самореферентного мышления, связанного с сетью пассивного режима. Эта повышенная дельта-активность, свидетельствующая о глубоких восстановительных состояниях, может лежать в основе терапевтических эффектов пения за счет усиления когнитивных и эмоциональных процессов.

Результаты этого исследования подчеркивают значительное увеличение мощности дельта-диапазона во время религиозного пения по сравнению с нерелигиозным пением. Результаты фМРТ указывают на сильное снижение центральности в областях мозга, связанных ссамообработкой10 во время религиозного пения. Результаты физиологических данных также демонстрируют, что эффекты религиозного пения отличаются от эффектов нерелигиозного пения и исключают другие потенциальные искажающие факторы, включая различия из-за обработки речи или сердечной деятельности. В целом, полученные результаты указывают на многообещающий путь к клиническому применению религиозного пения через буддийское консультирование с целью содействия развитию «непривязанности»1,11,12.

Ограничения включают в себя то, что данные фМРТ и ЭЭГ были получены от разных субъектов13. Во-вторых, учитывая значительные различия между испытуемыми в отношенииих опыта религиозного пения1,14, было бы предпочтительно, если бы все испытуемые также прошли сканирование с помощью фМРТ. Наши будущие исследования будут направлены на устранение этих ограничений и дальнейшее изучение нейрофизиологических эффектов различных религиозных и медитативных практик.

Несмотря на эти ограничения, этот протокол уникален тем, что сочетает в себе мультимодальные нейровизуализационные и физиологические измерительные инструменты, включая данные ЭЭГ, ЭКГ и фМРТ, чтобы обеспечить более полное представление о нейрофизиологических коррелятах религиозного пения. Этот мультимодальный подход к нейровизуализации позволяет глубже понять религиозные и медитативные практики, что было бы невозможно при использовании методов, основанных исключительно на одном типеданных.

Раскрытие информации

Авторы заявляют, что у них нет конкурирующих финансовых интересов.

Благодарности

Исследование проводилось при поддержке Национального института естественных наук
Основание Китая (NSFC.61841704).

Материалы

NameCompanyCatalog NumberComments
3.0 T Philips MRI scannerPhilips3.0TMRI data acquisition device
EEGLABSwartz Center for Computational Neuroscience13.6.5bEEG analysis software
Electroencephalogram (EEG) systemElectrical Geodesics, Inc. (EGI)GES 200EEG acquisition device
HRVASRamshur, J.Version 1Plug-in for EEGLAB to process ECG data
HydroCel GSN 128 channelsElectrical Geodesics, Inc. (EGI)GSN 130EEG cap
iMac 27"AppleVersion 10.8Running the Netstation software
LabChartADInstrumentsVersion 8Physiological data acquisition software
LIPSIAMax-Planck-Institute for Human Cognitive and Brain SciencesVersion 2.2.7fMRI data analysis software
MatlabMathWorksR2011aEEGLAB is based on Matlab, statistical analysis tool for EEG data
NetstationElectrical Geodesics, Inc. (EGI)Version 3EEG acquisition software
PowerLab 8/35ADInstrumentsPL3508Physiological data acquisition hardware
SPSSIBMVersion 27Statistical analysis tool for behavior and EEG ROI data
Windows PCDellVersion 8Running the LabChart software

Ссылки

  1. Gao, J., Leung, H. K., Wu, B. W. Y., Skouras, S., Sik, H. H. The neurophysiological correlates of religious chanting. Sci Rep. 9 (1), 4262 (2019).
  2. Sik, H. H., et al. Modulation of the neurophysiological response to fearful and stressful stimuli through repetitive religious chanting. J Vis Exp. (181), e62960 (2022).
  3. Gao, J., et al. Repetitive religious chanting invokes positive emotional schema to counterbalance fear: A multimodal functional and structural MRI study. Front Behav Neurosci. 14, 548856 (2020).
  4. Saarikivi, K., Chan, T. M. V., Huotilainen, M., Tervaniemi, M., Putkinen, V. Enhanced neural mechanisms of set shifting in musically trained adolescents and young adults: converging fMRI, EEG, and behavioral evidence. Cereb Cortex. 33 (11), 7237-7249 (2023).
  5. Suzuki, K., Laohakangvalvit, T., Matsubara, R., Sugaya, M. Constructing an emotion estimation model based on EEG/HRV indexes using feature extraction and feature selection algorithms. Sensors (Basel). 21 (9), 2910 (2021).
  6. Zhang, J., et al. The neural correlates of amplitude of low-frequency fluctuation: a multimodal resting-state MEG and fMRI-EEG study. Cereb Cortex. 33 (4), 1119-1129 (2023).
  7. Maruyama, Y., Ogata, Y., Martinez-Tejada, L. A., Koike, Y., Yoshimura, N. Independent components of EEG activity correlating with emotional state. Brain Sci. 10 (10), 669 (2020).
  8. Bigdely-Shamlo, N., Mullen, T., Kreutz-Delgado, K., Makeig, S. Measure projection analysis: a probabilistic approach to EEG source comparison and multi-subject inference. Neuroimage. 72, 287-303 (2013).
  9. Harmony, T. The functional significance of delta oscillations in cognitive processing. Front Integr Neurosci. 7, 83 (2013).
  10. Tompson, S., Chua, H. F., Kitayama, S. Connectivity between mPFC and PCC predicts post-choice attitude change: The self-referential processing hypothesis of choice justification. Hum Brain Mapp. 37 (11), 3810-3820 (2016).
  11. Lee, K. C. . The Guide to Buddhist Counseling. , (2022).
  12. Wu, B. W. Y., Gao, J., Leung, H. K., Sik, H. H. A Randomized Controlled Trial of Awareness Training Program (ATP), a Group-Based Mahayana Buddhist Intervention. Mindfulness. 10, 1280-1293 (2019).
  13. Gomes, B. A., Plaska, C. R., Ortega, J., Ellmore, T. M. A simultaneous EEG-fMRI study of thalamic load-dependent working memory delay period activity. Front Behav Neurosci. 17, 1132061 (2023).
  14. Gao, J., et al. Repetitive religious chanting modulates the late-stage brain response to fear-and stress-provoking pictures. Front Psychol. 7, 2055 (2017).
  15. Ciccarelli, G., et al. Simultaneous real-time EEG-fMRI neurofeedback: A systematic review. Front Hum Neurosci. 17, 1123014 (2023).
  16. Abreu, R., Nunes, S., Leal, A., Figueiredo, P. Physiological noise correction using ECG-derived respiratory signals for enhanced mapping of spontaneous neuronal activity with simultaneous EEG-fMRI. Neuroimage. 154, 115-127 (2017).

Перепечатки и разрешения

Запросить разрешение на использование текста или рисунков этого JoVE статьи

Запросить разрешение

Смотреть дополнительные статьи

207

This article has been published

Video Coming Soon

JoVE Logo

Исследования

Образование

О JoVE

Авторские права © 2025 MyJoVE Corporation. Все права защищены