Пение и молитва являются одними из самых популярных религиозных практик. Этот протокол может помочь ученым изучить нейрофизиологическую реакцию повторяющегося религиозного пения с использованием потенциалов, связанных с событиями. Техника ERP может различать раннюю и позднюю стадию нейронной обработки информации, сравнивая первую и вторую мысли об обработке ума, как объясняется в буддийских учениях.
Следуя этому протоколу, исследователи могут изучить влияние религиозного пения или других традиционных практик, чтобы определить видимые способы помочь людям улучшить свои эмоциональные страдания. Чтобы начать это исследование, наберите участников, имеющих по крайней мере один год опыта в повторении имени Будды Амитабхи. Во время эксперимента записывают данные ЭЭГ с помощью 128-канальной системы ЭЭГ, состоящей из усилителя, головной коробки, колпачка ЭЭГ и двух настольных компьютеров, и записывают данные ЭКГ с помощью системы регистрации физиологических данных.
Для показа нейтральных и негативных изображений из Международной системы эффективных изображений, или IAPS. Используйте программное обеспечение для презентации стимулов на настольном компьютере. Представьте снимки на мониторе на расстоянии 75 сантиметров от глаз участника, с углами зрения 15 градусов по вертикали и 21 градус по горизонтали.
Используйте блочный дизайн для эксперимента, так как он может более эффективно вызывать компоненты, связанные с эмоциями. Обеспечьте краткий тренировочный забег, чтобы участники могли ознакомиться с каждым состоянием, и используйте видеомонитор, чтобы убедиться, что участники не засыпают. Начните эксперимент с состояния религиозного пения.
Попросите участников повторять четыре символа имени Будды Амитабхи в течение 40 секунд, представляя себе Амитабху, следуя сценарию в школе Чистой Земли. В течение первых 20 секунд покажите участникам изображение Амитабхи-Амитабхи, Амитабхи. И в течение следующих 20 секунд покажите им изображения IAPS.
Попросите участников внимательно понаблюдать за фотографиями. Покажите каждый снимок примерно от 1,8 до 2,2 секунды с интервалом между стимулами от 0,4 до 0,6 секунды. После каждого сеанса выделите период отдыха в 20 секунд, чтобы противостоять потенциальным остаточным эффектам пения или просмотра изображений на следующем сеансе.
Для нерелигиозного состояния пения попросите участников скандировать четыре символа имени Санта-Клауса в течение 40 секунд, представляя себе Санта-Клауса. В течение первых 20 секунд покажите участникам изображение Санта-Клауса, а в течение следующих 20 секунд покажите им изображения IAPS. Для контрольного состояния попросите участников молчать в течение 40 секунд.
В течение первых 20 секунд покажите участникам пустое изображение и в течение следующих 20 секунд покажите им изображения IAPS. Для обработки и анализа данных ЭЭГ используйте программное обеспечение с открытым исходным кодом EEGLAB. Чтобы поддерживать разумный размер файла данных, используйте функцию EEGLAB pop_resample.
Нажмите «Инструменты», а затем «Изменить частоту дискретизации», чтобы ресамплировать данные от 1000 Гц до 250 Гц. Затем отфильтруйте данные с помощью функции EEGLAB pop_eegfiltnew. Нажмите «Инструменты», а затем «Фильтровать данные», затем выберите «Базовый FIR-фильтр новый», по умолчанию для фильтрации данных с помощью фильтра конечного импульсного отклика с полосой пропускания от 0,1 до 100 Гц.
Чтобы уменьшить шум от переменного тока, нажмите «Инструменты», затем «Фильтровать данные» и выберите «Notch filter» данные вместо полосы пропускания. Затем отфильтруйте данные с помощью фильтра нелинейного импульсного отклика с диапазоном остановок от 47 до 53 Гц. Затем нажмите «График», а затем прокрутите данные канала, чтобы визуально проверить данные и удалить сильные артефакты, генерируемые движениями глаз и мышц.
Затем нажмите «Инструменты», «Интерполировать электроды» и выберите из каналов данных, чтобы восстановить плохие каналы с помощью сферической интерполяции. Затем нажмите «Инструменты» и «Запустить ICA», чтобы выполнить независимый анализ компонентов с помощью runica алгоритма с открытым исходным кодом. Затем снова нажмите на инструменты, а затем Отклоните данные с помощью компонентов ICA и Отклонить по карте, чтобы удалить независимые компоненты, соответствующие движениям глаз, морганиям, движению мышц и шуму линии.
Чтобы восстановить данные с помощью оставшихся независимых компонентов, щелкните Инструменты, а затем Удалить компоненты. Затем нажмите «Инструменты», затем «Отфильтровать данные» и выберите «Базовый FIR-фильтр новый», по умолчанию для фильтрации данных с помощью фильтра нижних частот 30 Гц. Затем нажмите «Инструменты», за которыми следуют «Извлечь эпохи», чтобы получить данные ERP путем извлечения и усреднения эпох с блокировкой времени для каждого условия с временным окном от отрицательных 200 до нуля миллисекунд в качестве базовой линии и от нуля до 800 миллисекунд в качестве ERP.
Затем нажмите «Инструменты», а затем «Повторная ссылка», чтобы повторно сослаться на данные ERP со средним значением левого и правого сосцевидных каналов. После повторения вышеуказанных шагов для наборов данных от всех участников, определите временные окна для N1 и позднего положительного потенциала, или LPP, на основе установленных теорий и текущих данных. Затем, используя парный Т-тест, найдите нейтральную и отрицательную разницу в изображении на компоненте N1 и компоненте LPP среди трех условий.
Затем выполните анализ интересующей области для компонентов N1 и LPP путем усреднения соответствующих каналов для представления региона. Затем сравните разницу в N1 и LPP отдельно, используя повторные измерения, ANOVA и пост-специальную статистику в программном обеспечении статистического анализа. Используйте программное обеспечение SPM с открытым исходным кодом для выполнения анализа исходного кода ERP.
Свяжите систему координат датчика колпачка ЭЭГ с системой координат стандартного структурного МРТ-изображения путем совместной регистрации на основе ориентиров. В SPM щелкните Batch, затем SPM, M/EEG, реконструкция источника и спецификация модели головки. Затем выполните прямые вычисления, чтобы рассчитать влияние каждого диполя на кортикальную сетку, наложенную на датчики ЭЭГ.
В том же batch Editor нажмите SPM, затем M/EEG, Реконструкция исходного кода и Инверсия источника. Чтобы выполнить обратную реконструкцию, используйте алгоритм множественных разреженных априоров на основе жадного поиска на третьем шаге. Выберите MSP/GS для типа Инверсия в окне Инверсия источника.
Определите разницу между условиями с помощью общего линейного моделирования в SPM. После установки уровня значимости P 0.05 в разделе Batch Editor нажмите SPM, затем Stats and Factorial design specification. Для обработки и анализа данных ЭКГ используйте программное обеспечение для физиологии и обработки данных.
Чтобы рассчитать средние баллы для каждого условия в EEGLAB, нажмите на Инструменты, за которыми следуют Инструменты FMRIB и Обнаружение событий QRS. Для анализа поведенческой оценки попросите участников оценить свою веру в эффективность повторения имени субъекта по шкале от одного до девяти, где один считается самым слабым, а девять — самым сильным. Результаты веры участников в пение показали средний балл 8,16 для Будды Амитабхи, 3,26 для Санта-Клауса и 1,95 для пустого контрольного состояния.
Репрезентативный канал теменной доли продемонстрировал, что условия пения по-разному влияют на раннюю и позднюю обработку нейтральных и негативных изображений, показывая временное окно N1 и LPP, соответственно. Результаты ERP показали увеличение N1 при просмотре страшных фотографий в трех условиях пения. Отрицательные изображения вызывали более сильную центральную активность мозга, чем нейтральные изображения, и увеличение сопоставимо в трех условиях.
ERP также продемонстрировал увеличение LPP в условиях нерелигиозного пения и без пения. Тем не менее, LPP, вызванная пугающими картинами, едва видна, когда участники повторяют имя Будды Амитабхи. Анализ региона, представляющего интерес, показал, что различия в компоненте N1 были одинаковыми в трех условиях.
Тем не менее, разница в компоненте LPP намного меньше в условиях религиозного пения, чем в нерелигиозном состоянии пения и состоянии молчаливого просмотра. Анализ источников показал, что по сравнению с нейтральными изображениями, негативные изображения вызывали большую теменной активацию в нерелигиозном состоянии пения и отсутствии пения. Напротив, эта негативная активация, вызванная изображением, в значительной степени исчезает в состоянии религиозного пения.
Значительное изменение частоты сердечных сокращений было обнаружено между пугающими и нейтральными картинками в нерелигиозных условиях и без пения. Однако такой разницы в состоянии религиозного пения обнаружено не было. Этот же протокол также может быть использован в исследованиях функциональной нейровизуализации, чтобы более конкретно выявить области мозга, участвующие в религиозном пении.
Это исследование демонстрирует метод изучения того, как повторяющиеся религиозные песнопения и другие подобные практики могут влиять на нейрофизиологическую реакцию и уменьшать страдания, вызванные негативными стимулами.
