Dini İlahi Söyleme ve Kendisiyle İlgili Beyin Bölgeleri: Çok Modlu Bir Nörogörüntüleme Çalışması

Özet

Burada, dini ilahiler de dahil olmak üzere çeşitli meditasyon formlarının nörofizyolojik korelasyonlarını araştırmak için bir protokol sunuyoruz. Bu yöntem, k-ortalama kümeleme kullanarak elektroensefalogram (EEG) kaynak analizinde bölge seçimi için fMRI özvektör sonuçlarını benzersiz bir şekilde entegre eder. Sonuçlar, tekrarlayan dini ilahilerde yer alan sinirsel süreçlerin derinlemesine anlaşılmasını sağlar.

Özet

Bu protokol, hem Doğu hem de Batı kültürlerinde yaygın bir zihin eğitimi biçimi olan tekrarlayan dini ilahilerle ilişkili potansiyel beyin aktivitesini keşfetmek için çok modlu bir nörogörüntüleme yaklaşımı sunar. Yüksek yoğunluklu elektroensefalogram (EEG), üstün zamansal çözünürlüğü ile dini ilahiler sırasında beyin aktivitesindeki dinamik değişiklikleri yakalamaya olanak tanır. Kaynak lokalizasyon yöntemleri sayesinde, bunlar çeşitli alternatif potansiyel beyin bölgesi kaynaklarına bağlanabilir. Yirmi dini ilahi uygulayıcısı EEG ile ölçüldü. Bununla birlikte, EEG'nin uzamsal çözünürlüğü, fonksiyonel manyetik rezonans görüntülemeye (fMRI) kıyasla daha az kesindir. Bu nedenle, son derece deneyimli bir uygulayıcı, kaynak lokalizasyonunu daha kesin bir şekilde yönlendirmek için bir fMRI tarama seansına tabi tutuldu. fMRI verileri, EEG kaynak lokalizasyonunun seçimine rehberlik etmeye yardımcı oldu ve 20 ara uygulayıcıdan oluşan grupta EEG kaynak lokalizasyonunun K-ortalamalarının hesaplanmasını daha kesin ve güvenilir hale getirdi. Bu yöntem, EEG'nin özellikle dini ilahiler sırasında devreye giren beyin bölgelerini, özellikle de posterior singulat korteksin (PCC) kardinal rolünü belirleme yeteneğini geliştirdi. PCC, odaklanma ve kendi kendine referans işleme ile ilgili bir beyin alanıdır. Bu multimodal nörogörüntüleme ve nörofizyolojik sonuçlar, tekrarlayan dini ilahilerin, dini olmayan ilahi ve dinlenme durumu koşullarına kıyasla daha düşük merkezilik ve daha yüksek delta dalgası gücüne neden olabileceğini ortaya koymaktadır. fMRI ve EEG kaynak analizinin kombinasyonu, beynin tekrarlayan dini ilahilere verdiği tepkinin daha ayrıntılı bir şekilde anlaşılmasını sağlar. Protokol, günümüzde daha belirgin hale gelen dini ve meditatif uygulamalarda yer alan sinirsel mekanizmalar üzerine yapılan araştırmalara önemli ölçüde katkıda bulunmaktadır. Bu çalışmanın sonuçları, gelecekteki neurofeedback tekniklerinin ve psikolojik müdahalelerin geliştirilmesi için önemli etkilere sahip olabilir.

Giriş

Doğu kültürlerinde çok popüler bir uygulama olan dini ilahiler, Batı toplumlarında genellikle dua ile karşılaştırılır¹. Yaygınlığına rağmen, dini ilahilerin sinirsel bağıntıları üzerine yapılan bilimsel araştırmalar oldukça sınırlı kalmaktadır. Bu çalışmada, bu bilgi boşluğunu doldurmak ve en yaygın ve en eski aktif olarak korunmuş dini geleneklerden biri olan Amitābha Buddha'yı söylemenin sinirsel ilişkilerini keşfetmek için sofistike multimodal elektrofizyolojik ve nörogörüntüleme teknikleri kullanılmıştır ^2,3. Tekrarlayan dini ilahiler, Budist danışmanlığında kişinin zihnini çalkantılı düşünce ve duygulardan yatıştırmaya yardımcı olmak için etkili bir teknik olarak hizmet edebilir.

Fonksiyonel manyetik rezonans görüntülemenin (fMRI) yüksek uzamsal çözünürlüğü göz önüne alındığında, geleneksel EEG çalışmalarının sınırlamalarının üstesinden gelmek için uygulanabilir⁴. Bağımsız bileşen analizi (ICA) yoluyla fMRI ve elektroensefalogram (EEG) kaynak kümelemesini birleştiren çalışma, katılımcılar arasında beyin aktivitesinin bağımsız bileşenlerini tanımlar ve gruplandırır. Bu yöntem, beyin anatomisi ve elektrot yerleşimindeki farklılıklar nedeniyle zor olan, karışık EEG kaynaklarından veya katılımcılar arasında farklı kaynaklardan gelen sinyalleri tanımlamak için yeni bir strateji sunar.

Bu protokolle incelenen tekrarlayan dini ilahi biçimi, Amitābha Buddha'nın adının tekrar tekrar okunmasını içerir. Aynı zamanda, mutlu duyumlar ve aşkın deneyimler ortaya çıkardığı bildirilen meditatif bir uygulamadır. Farklı Budist uygulamaları arasında, Amitābha Buddha'yı zikretme pratiği basit ve kolay erişilebilirdir. Bu uygulama, Batı dinindeki bazı geleneklerle benzerlikleri olan bu ismi içtenlikle çağıran herkes için Saf Topraklarda yeniden doğuş vaat ediyor ^1,3.

Bu çalışma, multimodal nörogörüntüleme yoluyla, tekrarlayan dini ilahilerin nöral korelasyonlarının kapsamlı bir şekilde anlaşılmasını sağlamayı amaçlamaktadır. Protokol, farklı dini ve meditatif uygulamaların nörofizyolojik etkileri üzerine gelişen araştırma alanına katkıda bulunabilir.

Çalışma, tekrarlayan dini ilahilerin, kendisiyle ilgili süreçlerden sorumlu beyin bölgelerinde önemli sinyal değişikliklerine yol açacağını varsaymıştır. Ayrıca, Amitābha Buddha'ya atfedilen olumlu duygular göz önüne alındığında, dini ilahiler sırasında duygusal değişimlerin ortaya çıkacağını varsaydık. Bu etkili değişikliklerin, çok bantlı kalp atış hızı değişkenliği (HRV) indeksleri ve solunum hızındaki değişiklikler gibi periferik fizyolojik göstergelerdeki değişikliklerle aynı zamana denk gelmesi muhtemeldir⁵.

Protokol

Deney öncesinde Hong Kong Üniversitesi'nden çalışma için etik onay alındı. Tüm katılımcılar EEG ve fMRI deneylerine katılmadan önce yazılı bir onam formu imzalamışlardı.

1. Katılımcı seçimi ve hazırlığı

1. Günde en az 15 dakika boyunca Amitābha Buddha'yı dini olarak zikretme konusunda en az 1 yıllık meditatif deneyime sahip katılımcıları işe alın. Yaş aralığının 40 ila 52 arasında olduğundan emin olun. Güç analizi ile katılımcı sayısını tahmin edin. Bu çalışmada 21 katılımcı işe alınmıştır.
   NOT: Güç analizi, meditasyonun EEG ve fMRI çalışmaları ile ilgili pilot çalışmalarda gözlemlenen etki büyüklüklerine ve mevcut literatüre dayalı olarak yapılmıştır. Genel olarak, konu içi tasarım, konular arasındaki varyasyonun genellikle daha büyük olduğu göz önüne alındığında, farklı koşulları ayırt etmek için daha iyi bir güce sahiptir.
2. Katılımcıları çalışmanın amacı ve ilgili prosedürler hakkında bilgilendirin.
3. Beck Depresyon Envanteri'ni kullanarak katılımcıların depresyonda olmadığından emin olun.
4. Katılımcıların sağlık durumlarının iyi olduğundan ve fizyolojik tepkilerini etkileyebilecek herhangi bir maddenin etkisi altında olmadıklarından emin olun.
   NOT: Dışlama kriterleri arasında depresyon, nöropsikiyatrik patoloji veya alkol veya psikoaktif maddelerin etkisi altında olmak yer alır. Ayrıca, MRG'ye özgü dışlama kriterleri, MRG kontrolü ile uyumlu olmayan bir kalp pili, derin beyin implantları veya metal implantlara sahip olmayı içerir.
5. Katılımcıların EEG/elektrokardiyogram (EKG)/MRI çalışmasına katılmaya uygun olduğundan emin olun.
   NOT: EEG ve MRG verileri ayrı ayrı kaydedildi. Veri toplama süresi, katılımcıların yorgunluğu ve rahatlığı göz önüne alındığında, her modalite için veri kalitesini optimize etmek için EEG ve fMRI arasında farklılık gösterdi. Pilot çalışmamız, fMRI'nin nöral korelasyonları göstermeye daha duyarlı olduğunu, EEG verilerinin genellikle kötü segmentlere veya diğer artefaktlara sahip olduğunu ve nihai analiz için yeterli veriyi sağlamak için biraz daha uzun bir süreye ihtiyaç duyduğunu buldu. Yani EEG süresi MRG süresinden biraz daha uzundu. EEG ve fMRI veri toplama sırasında her görüntüleme modalitesinin kısıtlamaları nedeniyle farklı duruşlar gerekliydi. Koşullar, sipariş etkilerini kontrol etmek için bilgisayar tarafından oluşturulan bir randomizasyon programı kullanılarak randomize edildi. EEG ve fMRI arasındaki sekans aynı değildi.

2. EEG veri toplama ve analizi

1. 128 kanallı EEG'yi ve çoklu fizyolojik veri kayıt ekipmanını üreticinin talimatlarına göre ayarlayın.
2. EEG/EKG veri toplamaya başlamadan önce katılımcıların saçlarını iyice yıkadığından emin olun.
3. Katılımcılardan rahatlamalarını ve rahatça oturmalarını isteyin.
4. Deneyi katılımcılara tanıtın.
5. Katılımcıdan deneyin deneme sürümünü yapmasını isteyin.
6. Her katılımcı üç farklı koşul altındayken EEG verilerini elde edin: Amitābha Buddha'yı söylemek, Noel Baba'yı söylemek ve dinlenme durumu, hepsi gözleri kapalı. Her koşulda 10 dakikalık EEG verisi kaydedin.
7. Verileri her katılımcı için uygun şekilde kaydedin ve etiketleyin.
8. Verilerin yedeklemelerle güvenli bir şekilde saklandığından emin olun.

3. MRG veri toplama

1. Bir 3.0 T MRI tarayıcısı hazırlayın ve veri toplamaya başlamadan önce düzgün çalıştığından emin olun. Taramaya başlamadan önce katılımcının rahat olduğundan ve prosedürü anladığından emin olun.
2. Aşağıdaki parametrelere sahip T1 ağırlıklı bir tarama dizisiyle başlayın: Görüş Alanı (FoV) = 256 mm × 150 mm × 240 mm, edinme matrisi = 256 × 256, Tekrarlama Süresi (TR) = 15 ms, Yankı Süresi (TE) = 3,26 ms, çevirme açısı = 25°, dilim kalınlığı = 1,5 mm, dilim sayısı = 100, voksel çözünürlüğü (x,y,z,) = 0,94 mm × 1 mm × 1,5 mm.
3. 8 kanallı SENSE kafa bobini kullanarak gradyan eko-düzlemsel görüntüleme (EPI) ile fMRI görüntüleri elde edin. Dizi parametrelerini aşağıdaki gibi ayarlayın: FoV = 230 mm × 140 mm × 230 mm, edinme matrisi = 64 × 64, TR = 2000 ms, TE = 30 ms, çevirme açısı = 90°, dilim sayısı = 32, dilim kalınlığı = 3 mm ve dilim boşluğu = 1,5 mm.
4. Her katılımcı üç koşul altındayken fMRI veri toplamaya başlayın: dini ilahiler, dini olmayan ilahiler ve dinlenme durumu. Verileri her bir koşulun süresi boyunca kaydedin: her koşul, toplam süresi 8,1 dakika olan 243 dinamik hacimden oluşuyordu.

4. Fizyolojik veri toplama

1. Kardiyak, solunum ve diğer fizyolojik verileri toplamak için fizyolojik veri toplama sistemini üreticinin talimatlarına göre kurun.
   NOT: EEG ve fizyolojik veriler aynı anda elde edildi.
2. Sırasıyla sol ve sağ ellere ve sol ayağa üç EKG elektrodu takın.
3. Katılımcıya, biri göğüs nefesini ölçmek ve diğeri karın nefesini ölçmek için olmak üzere iki nefes kemeri ayarlayın.
4. Katılımcıların Galvanik Deri Tepkisi (GSR) ve oksijen satürasyon seviyelerini izleyin.
5. Her katılımcı üç koşul altındayken EEG veri toplama ile birlikte veri toplamaya başlayın: Amitābha Buddha'yı söylemek, Noel Baba'yı söylemek ve dinlenme durumu, hepsi gözleri kapalı.
6. Verileri her katılımcı için uygun şekilde kaydedin ve etiketleyin. Verilerin güvenli bir şekilde saklandığından ve daha fazla analiz için yeterince iyi olduğundan emin olun.

5. EEG veri analizi

1. EEG verilerini uygun yazılımlarla işleyin ve analiz edin. Burada açık kaynak kodlu bir yazılım olan EEGLAB kullanılmıştır.
2. Verileri programa yükleyin. Mevcut veri kümesini yüklemek > Dosya'ya tıklayın.
3. Araçlar > Örnekleme Hızını Değiştir'e tıklayarak verileri 1000 Hz ile 250 Hz arasında yeniden örnekleyin.
4. Verileri Filtrele > Temel FIR Filtresi'ni tıklatarak Araçlar'a >tıklayarak 0,1-100 Hz geçiş bandına sahip bir sonlu darbe yanıtı (FIR) filtresiyle verileri filtreleyin.
5. Alternatif akım gürültüsünü gidermek için verileri 47-53 Hz durdurma bandına sahip bir çentik filtresi ile tekrar filtreleyin. Verileri Filtrelemek > Araçlar'a tıklayın ve çentik seçeneğini seçin, verileri geçiş bandı yerine filtreleyin.
6. Göz ve kas hareketleri gibi yapaylıkları ortadan kaldırmak için Kanal Verilerini Çiz'e (kaydırma) tıklayarak verileri görsel olarak inceleyin> tıklayın.
   NOT: Belirlenmiş elektro-okülografi (EOG) kanalları referans olarak kullanılabilir.
7. Kaldırılacak kötü kanalları not etmek için verileri görsel olarak inceleyin.
8. Araçlar > Elektrotları Enterpolasyon Yap'a tıklayarak kötü kanalları yeniden oluşturmak için çevredeki kanallara dayalı küresel enterpolasyon uygulayın ve veri kanalları arasından seçim yapın.
9. Runica algoritmasını kullanarak bağımsız bileşen analizini (ICA) yürütün. Bunun için Araçlar'a tıklayın > ICA'yı çalıştırın.
10. Araçlar > ICA kullanarak Verileri Reddet > Bileşenleri Eşlemeye Göre Reddet'i tıklatarak verilerden göz hareketine, kas gürültüsüne ve çizgi gürültüsüne karşılık gelen bağımsız bileşenleri (IC'ler) kaldırın.
11. Araçlar > Bileşenleri Kaldır'a tıklayarak kalan Ic'leri kullanarak verileri yeniden oluşturun.
12. Verileri 47 Hz alçak geçiren filtreyle filtrelemek için Verileri Filtrele > Temel FIR Filtresi > Araçlar'a tıklayın.
13. IC'lerin benzerliğini tahmin edin ve EEGLAB'ın STUDY fonksiyonlarını kullanarak bunları işlevsel olarak eşdeğer kümeler halinde gruplandırın. Dosya'ya tıklayın > Tüm Yüklenen Veri Kümelerini Kullanarak Çalışma > Oluşturun.
14. DIPFIT2 işlevini kullanarak her IC'nin dipol konumlarını oluşturun. Araçlar'a tıklayın > DIPFIT 2.x > Autofit kullanarak Dipolü bulun.
15. Benzer dipol konumlarına (ağırlık: 2/3) ve güç spektrumuna (ağırlık: 1/3) dayalı IC kümeleri oluşturmak için k-ortalama kümelemesini kullanın. PCA Kümeleme > Etüt'e tıklayın > Preclustering Array Oluşturun.
16. Kümeleme prosedürünü, her seferinde farklı bir k parametre ayarıyla olmak üzere on kez tekrarlayın. Ayırt edici ancak makul kümeler oluşturan k parametre ayarını belirleyin. Kümeleri Düzenle/Çiz > Etüt'e tıklayın.
17. Spektrum analizi yapın ve belirli bir ilgi kümesinden IC'leri kullanarak tüm ana frekans bantlarında tek yönlü bir ANOVA gerçekleştirin.
    NOT: Posterior singulat kortekse (PCC) özellikle dikkat edin, çünkü bu alanın, dini ilahiler sırasında endojen delta salınım oluşumundaki bölgesel bir artış nedeniyle merkezilikte azaldığı bulunmuştur.

6. fMRI veri analizi

1. Leipzig Görüntü İşleme ve İstatistiksel Çıkarım Algoritmaları yazılımını (LIPSIA 2.2.7) kullanarak fMRI verilerini önceden işleyin.
   1. fMRI zaman serisindeki düşük frekans kaymalarını ortadan kaldırmak için sinyal yoğunluğu normalleştirmesi, hareket düzeltmesi, MNI uzayına uzamsal normalleştirme, Yarım Maksimumda Tam Genişlik (FWHM) = 6 mm ile uzamsal yumuşatma ve 1/90 Hz kesme frekansına sahip zamansal yüksek geçirgen filtrelemeyi içeren ön işleme gerçekleştirin. Veri işleme işlem hattı 1'deki (Ek Dosya 1) bu adımlara bakın.
2. Küresel sinyal dalgalanmaları ve hareket parametreleri gibi ilgi çekici olmayan ortak değişkenleri, üç koşulun her birine karşılık gelen her tarama dizisi için verilerden geri çekerek kaldırın.
3. Son olarak, bir ağ içindeki en etkili düğümleri tanımlayan bir grafik teorisi yöntemi olan Özvektör Merkezilik Haritalamasını (ECM) uygulayarak tüm beyin fonksiyonel konektomiklerini araştırın ve elde edilen kontrast görüntüsünü üretmek için iki koşuldan elde edilen ECM görüntüleri birbirinden çıkarılır. Veri işleme işlem hattı 2'deki (Ek Dosya 2) bu adımlara bakın.

7. EKG ve diğer fizyolojik veri analizi

1. Ham EKG'yi ve diğer fizyolojik verileri bir Butterworth bant geçiren filtre aracılığıyla temizleyin ve aykırı değerleri spline enterpolasyonu ile değiştirdikten sonra vuruşlar arası aralığı (IBI) çıkarın.
2. Açık kaynaklı araç kutusu HRVAS'ı kullanarak IBI verilerinin trendini azaltın ve HRV'nin (kalp atış hızı değişkenliği) zaman/frekans alanı özelliklerini hesaplayın.
3. VLF için frekans aralıklarını 0-0,04 Hz, LF için 0,04-0,15 Hz ve HF için 0,15-0,4 Hz olarak ayarlayın.
4. Lomb-Scargle periodogram yöntemini kullanarak seçilen frekans bantlarının gücünü tahmin edin.
5. Koşullar arasındaki farkları değerlendirmek için türetilen HRV metriklerini tek yönlü tekrarlanan ölçümler, ANOVA ve post hoc testleri kullanarak istatistiksel testlere tabi tutun. Alfa anlamlılık düzeyini 0,05 olarak ayarlayın.
6. Analiz yazılımını kullanarak her katılımcı ve her koşul için nefes aralıkları gibi diğer fizyolojik verileri hesaplayın.
7. Solunum eğrisinin tepe noktasını tespit etmek için analiz yazılımındaki findpeaks işlevini kullanın.
8. İnspiratuar ve ekspiratuar dönemleri ayırt edin ve ardından nefes alma hızını hesaplayın.
9. Tek yönlü, tekrarlanan ölçümler, ANOVA ve post hoc testleri kullanarak koşullar arasındaki farkı karşılaştırın.

Tartışmalar

Kullanılan 128 kanallı EEG sistemi yüksek yoğunluklu bir EEG sistemi olmasına rağmen, EEG'nin uzamsal çözünürlüğü fMRG'ye kıyasla nispeten zayıf kalmaktadır ve bu eksiklik, özellikle çoklu beyin bölgesi adayları makul olduğunda, EEG kaynak lokalizasyon doğruluğunu da etkilemektedir. Bu nedenle, MRG'nin daha derin ve daha yüksek uzamsal çözünürlüğü, EEG kaynak analizinin⁶ uzamsal doğruluğunu önemli ölçüde artırabilir ve daha fazla analiz için en önemli kümelerin seçimine rehberlik edebilir. Mevcut protokol, EEG, EKG ve fMRI veri toplama ve analiz yöntemleri dahil olmak üzere multimodal nörogörüntüleme araçlarını kullanmaktadır. Dini ilahilerin ve potansiyel olarak diğer zihin eğitimi biçimlerinin nörofizyolojik bağıntılarını keşfetmek için kapsamlı bir yaklaşım gösterir. Protokoldeki kritik bir adım, EEG kaynak analizinde fMRI sonuçlarının uygulanmasıdır. Elde edilen EEG verilerinin kalitesi, sonuçların daha sonraki analizi ve yorumlanması için çok önemlidir. EEG veri analizinde ICA ve k-ortalama kümelemesinin kullanılması, fMRI sonuçlarıyla birlikte, verilerin daha ayrıntılı bir şekilde anlaşılmasını sağlar ^7,8. Dini ilahiler sırasında delta bant gücünün gözlemlenen modülasyonu, delta ritimlerinin nöral aktivitenin senkronizasyonu yoluyla davranışı düzenleyebileceğini öne süren literatürle uyumludur. Delta dalgası, odaklanmış dikkati ve varsayılan mod ağıyla ilişkili kendi kendine referans veren düşüncede potansiyel bir azalmayı teşvik edebilir. Derin onarıcı durumların göstergesi olan bu yüksek delta aktivitesi, bilişsel ve duygusal işlemeyi güçlendirerek ilahi söylemenin terapötik etkilerini destekleyebilir⁹.

Bu çalışmadan elde edilen sonuçlar, dini olmayan ilahilere kıyasla, dini ilahiler sırasında delta bandı gücünde önemli bir artış olduğunu vurgulamaktadır. fMRI sonuçları, dini ilahiler sırasında kendisiyle ilgili işleme¹⁰ ile ilişkili beyin bölgelerinde merkezilikte güçlü bir azalma olduğunu göstermektedir. Fizyolojik verilerden elde edilen sonuçlar ayrıca dini ilahilerin etkilerinin dini olmayan ilahilerden farklı olduğunu ve dil işleme veya kardiyak aktiviteden kaynaklanan farklılıklar da dahil olmak üzere diğer potansiyel kafa karıştırıcı faktörleri dışladığını göstermektedir. Genel olarak, bulgular, "bağlanmama"nın teşvik edilmesini kolaylaştırmak için Budist danışmanlığı yoluyla dini ilahilerin klinik uygulamasına yönelik umut verici bir yol olduğunu ima etmektedir1,11,12.

Sınırlamalar, fMRI ve EEG verilerinin farklı deneklerden elde edilmiş olmasını içerir¹³. İkinci olarak, denekler arasında dini ilahi söyleme deneyimleri açısından önemli farklılıklar göz önüne alındığında ^1,14, tüm deneklerin de fMRI taramasından geçmiş olması tercih edilirdi. Gelecekteki araştırmamız bu sınırlamaları ele almayı ve farklı dini ve meditatif uygulamaların nörofizyolojik etkilerini daha fazla keşfetmeyi amaçlayacaktır.

Bu sınırlamalara rağmen, bu protokol, dini ilahilerin nörofizyolojik bağıntılarının daha kapsamlı bir görünümünü sağlamak için EEG, EKG ve fMRI verileri dahil olmak üzere multimodal nörogörüntüleme ve fizyolojik ölçüm araçlarını birleştirmede benzersizdir. Bu multimodal nörogörüntüleme yaklaşımı, yalnızca tek bir veri türüne dayanan yöntemler kullanılarak mümkün olmayacak olan dini ve meditatif uygulamaların daha derin bir şekilde anlaşılmasını sağlar^15,16.

Malzemeler

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