Summary

Wavelet Entropy gebruiken om te demonstreren hoe Mindfulness Practice verhoogt de coördinatie tussen onregelmatige cerebrale en cardiale activiteiten

Published: May 10, 2017
doi:

Summary

Dit manuscript beschrijft hoe u de wavelet entropy index gebruikt om elektrodenfalografie (EEG) en elektrocardiografie (ECG) data te analyseren. We tonen aan dat de onregelmatigheid van cerebrale en cardiale activiteiten meer gecoördineerd is tijdens de mindfulness-based stress reduction praktijk.

Abstract

In zowel het oosten als het westen zeggen traditionele leringen dat de geest en het hart op een of andere manier nauw gecorreleerd zijn, vooral tijdens de spirituele praktijk. Een probleem om dit objectief te bewijzen is dat de aard van hersen- en hartactiviteiten heel anders is. In dit artikel stellen we een methode voor die gebruik maakt van wavelet entropie om de chaotische niveaus van zowel elektro-encefalogram (EEG) en elektrocardiogram (ECG) data te meten en te tonen hoe dit kan worden gebruikt om de mogelijke coördinatie tussen de geest en het hart onder verschillende experimentele omstandigheden te onderzoeken . Daarnaast werd Statistische Parametrische Mapping (SPM) gebruikt om de hersengebieden te identificeren waarin de EEG-wavelet entropie het meest beïnvloed werd door de experimentele omstandigheden. Als voorbeeld werd het EEG en ECG opgenomen onder twee verschillende condities (normale rust en bewustzijns ademhaling) aan het begin van een 8 weken standaard opleidingsondersteuning voor stress op basis van stress (MBSR) en na de cOnze (posttest). Met behulp van de voorgestelde methode bleek de resultaten consequent dat de wavelet entropie van de hersenen EEG tijdens de MBSR-gedachte ademhalingstoestand afneemde in vergelijking met die tijdens de rustige staat van de ogen. Evenzo werd een lagere wavelet entropie van hartslag gevonden tijdens MBSR bewust ademhaling. Echter, er was geen verschil in wavelet entropie tijdens MBSR bewuste ademhaling tussen de pretest en posttest. Er is geen correlatie waargenomen tussen de entropie van hersengolven en de entropie van hartslag tijdens normale rust bij alle deelnemers, terwijl een significante correlatie werd waargenomen tijdens MBSR-gedachte ademhaling. Daarnaast waren de meest goed gecorreleerde hersenregio's in de centrale gebieden van de hersenen. Deze studie biedt een methode voor het vaststellen van bewijzen dat mindfulness praktijk ( dwz gedachte ademhaling) de coördinatie tussen geest en hartactiviteiten kan vergroten.

Introduction

Met vooruitgang in neurowetenschappen en geneeskunde 1 zijn we in een veel betere positie om de niet-farmacologische voordelen van mindfulness en meditatie over mentale en lichamelijke ziekten te begrijpen. Tal van studies hebben aangetoond dat Mindfulness-Based Stress Reduction (MBSR) training als een soort mentale oefening de onnodige stress in de geest en het lichaam 2 kan verminderen. Tijdens de beoefening van meditatie kan het lichaam en de geest meer betrokken worden. Deze kwesties hebben de interesse van zowel de academische gemeenschap als het grote publiek aangetrokken en hebben ons gemotiveerd om een ​​methodologie te ontwerpen om potentiële coördinatie tussen geest en lichaam (of meer specifiek tussen de hersenen en het hart) te onderzoeken onder verschillende omstandigheden om het effect te beoordelen Van MBSR training en oefening.

De onregelmatigheid van elektroencefalogrammen (EEG) wordt gewoonlijk beschouwd als geluid in de conventionele EEG-spectrumanalyse, bUit deze kan nuttige informatie bevatten en kan worden gemeten door signaal entropie. EEG entropie is gebruikt als een index van klinische aandoeningen zoals epilepsie, de ziekte van Alzheimer en anesthesie en sommige bewijzen wijzen erop dat de entropie van EEG een gevoeligere maatregel kan zijn om de hersentanden te monitoren dan de traditionele EEG-spectrumanalyse 3 , 4 . Entropie is al lang in thermodynamica gebruikt als een index om de chaotische toestand van een systeem te beschrijven. De hersengolven gemeten door EEG zijn bekend om hun dynamische activiteit door de hersennetwerken die tussen order en chaos 5 opereren. Onder de verschillende soorten entropieën biedt wavelet entropie een methode om de entropie van energieën te berekenen onder verschillende observatieschalen, die goed geschikt is voor het analyseren van EEG signalen met zeer gevarieerde eigenschappen in verschillende weegschalen. Voor een volledig willekeurig signaal zullen de relatieve energieën op verschillende resolutie niveaus deHetzelfde, en de entropie zal het maximum bereiken. Vandaar dat de wavelet entropie dienst doet als een maat voor chaotische activiteiten in EEG en kan gebruikt worden als een index voor het differentiëren van verschillende geeststaten 6 .

Vorige elektrocardiogram (ECG) studies leverden consistent bewijs van meditatie gerelateerde veranderingen in hartslagvariabiliteit in vergelijking met premeditatiestaten 7 . Hartslag wordt geregeld door het autonome (inclusief het sympathische en parasympathische) zenuwstelsel. De autonome toon wordt gemoduleerd door interacties tussen de ganglion; Sino-auricular knooppunt; Vagus zenuwen; En hogere orde hersenstructuren, zoals de medulla oblongata, de insula en het limbische systeem. Deze structuren vormen een hiërarchisch systeem en de niet-lineaire activiteit kan worden gemeten via entropie 8 . Bijvoorbeeld, de neurale uitbarstingen in hogere orde hersenstructuren kunnen het hartslagritme 9 beïnvloeden.Bij klinische aandoeningen verstoren hersenstoornissen zoals epileptische aanvallen het hartritme 10 . Neurocardiologisch onderzoek suggereert ook een hechte wisselwerking tussen het hart en de hersenen 11 .

Een probleem bij het onderzoeken van de associatie tussen hersenen en hartsignalen is dat ze heel anders zijn in signaalinhoud en tijdschaal. Vandaar dat een grote uitdaging is om een ​​gemeenschappelijke maatregel te identificeren die niet alleen van toepassing is op zowel hersen- als hartsignalen, maar ook zinvol voor interpretatie in het kader van coördinatie tussen het lichaam en lichaam. In dit artikel stellen we het gebruik van wavelet entropie voor om eventuele coördinatie tussen onregelmatigheden in hersen- en hartactiviteiten te detecteren door de entropieën van EEG- en hartslag signalen te correleren, die vervolgens kan worden geëvalueerd via een MBSR-experiment.

Omdat MBSR zorgvuldige oefening in zowel lichaam als geest inhoudt, veronderstellen wij dat MBSR bewust ademhaling prActice kan niet alleen de hersenactiviteit beïnvloeden, maar ook de hartslag. Eerdere studies hebben hoofdzakelijk het effect van mindfulness training en / of oefening op de hersenen of het hart afzonderlijk onderzocht en gebaseerd op verschillende aspecten; De gelijktijdige veranderingen in deze twee nauw verwante systemen blijven grotendeels onontgonnen. Slechts een paar studies hebben betrekking op een betere coördinatie van het lichaam en de geest na mindfulness training 12 . Met behulp van de voorgestelde methodologie bleken de representatieve resultaten en een eerdere studie 13 dat MBSR mindfulness training de coördinatie van het lichaam en geest kan vergroten in termen van hun chaotische activiteiten, die een nieuw inzicht bieden in de effecten van mindfulness training op de centrale en perifere Zenuwstelsel.

Protocol

Dit onderzoeksstudie werd goedgekeurd door de Universiteit van Hong Kong Institutional Review Board. Alle deelnemers hebben hun schriftelijke toestemming gegeven alvorens deel te nemen aan deze studie. 1. Experimentele vormgeving Tabel 1. MBSR cursusoverzicht. De 8-weekse MBSR training die door de deelnemers wordt genomen. Deelnemers aanwerven. OPMERKING: Elf gezonde volwassenen (vijf vrouwtjes) van een lokale MBSR cursus hebben deelgenomen aan deze EEG studie en waren 28 tot 52 jaar oud. Deelnemer met depressie op basis van de Beck Depression Inventory was uitgesloten van de studie. De cursus volgde standaard MBSR training ( Tabel 1 ), en de deelnemers moesten zich inzetten voor de opleidingsstructuur. EEG opnamesysteem. Doe EEG opname in een rustige kamer met behulp van een 128-kanaals EEG sYstem bestaande uit een EEG cap, versterker, hoofdvak en desktop computer. 2. EEG- en ECG-gegevensverzameling OPMERKING: EEG-gegevensverzameling volgde een standaardprocedure die lijkt op de methode die eerder is beschreven 14 . Vraag aan elke deelnemer om zijn haar en haarschedel schoon te maken voordat ze naar de experimentele site komen. Informeer de deelnemer over de experimentele procedures, voornamelijk dat hij normaal gesproken 10 minuten zal rusten en ademhaling gedurende nog eens 10 minuten in acht nemen terwijl hij met EEG- en ECG-apparaten wordt opgenomen. Reinig het gezichtsveld en de mastoid van de deelnemer met alcoholwatten. Met behulp van een meetlint meet je de hoofdomtrek van de deelnemer en kies dan een behuizing met een juiste maat. Neem één meting van de natie naar de ini en een andere meting over de bovenkant van de oren en over de hoofdhuid. Merk de vertex (het punt op de middellange afstand tussen de nasion enTussen en tussen de twee oren) met een zachte pen. Stel de elektrodeposities in volgens de 10-5 elektrodesystemen 15 . Plaats de kap op zodanige wijze dat de Cz-elektrode boven de verte ligt, de Nz-elektrode bevindt zich op de natie, de Lz-elektrode bevindt zich op de inion, de RM-elektrode bevindt zich op de rechtermastoid en de LM-elektrode bevindt zich aan de linker mastoid . Plaats de ECG-elektroden op zowel de linker- als rechterinfraclaviculaire fossae. Vul de elektrodehouders met gel met een stompspuit. Houd de impedantie onder 20 kΩ voor elke elektrode. Verminder de impedantie door de elektrodepositie aan te passen om contact met de hoofdhuid te verhogen; Voeg eventueel meer gel toe. Draai de kinstrap aan en vraag de deelnemer om stil te blijven. Stel de bemonsteringssnelheid van het EEG-apparaat in op 1.000 Hz. Gebruik de linker mastoid als het originele referentiepunt. Record EEG gegevens (stap 1.2.1) aan het begin van de MBSR cursus (binnen 2 weken) Laat de deelnemer een korte lichaamscan uitvoeren om het hele lichaam te ontspannen. Laat de deelnemer aandacht besteden aan zijn adem terwijl hij ademt en ademt. Laat elke deelnemer 10 minuten MBSR-gedachte ademhaling uitvoeren (MBSR mindfulness conditie) en 10 minuten normale rust (controle conditie) tijdens de EEG data collectie. Dit genereert een voor-MBSR training dataset met twee voorwaarden. OPMERKING: Tegenwaarts de volgorde van bewuste ademhaling en normale rust tussen de deelnemers. Noteer nog eens de EEG-gegevens ongeveer 1 maand nadat de deelnemers de MBSR-cursus hebben afgerond. Vraag aan elke deelnemer om 10 minuten aan te denken en 10 minuten normale rust tijdens de EEG-gegevensverzameling. Dit genereert een post-MBSR training dataset met twee voorwaarden. 3. EEG- en ECG-data-analyse OPMERKING: De eerste vier stappen zijnVoor data preprocessing, en de overige stappen zijn voor wavelet entropy berekenings- en correlatie analyse. Hier werd een EEG-analyse van de open source software genaamd EEGLAB 16 gebruikt, maar de operaties zouden vergelijkbaar moeten zijn met verschillende software. In het volgende worden de operaties die gebaseerd zijn op EEGLAB als voorbeeld gegeven. Raadpleeg de EEGLAB-handleiding voor meer informatie (https://sccn.ucsd.edu/wiki/EEGLAB_Wiki#EEGLAB_Tutorial). Gebruik de EEG-software om de gegevens opnieuw te controleren op 250 Hz door Tools te selecteren> Sampling rate wijzigen. Gebruik het Finite Impulse Response (FIR) filter voor bandpassfiltrering met een passband van 0,5 – 100 Hz door Tools te selecteren> De gegevens filteren> Basic FIR filter. Om het geluid te verminderen door de netspanning van de netspanning, die landspecifiek is, gebruik dan het korte, niet-lineaire filter voor het eindeloos impulsrespons (IIR) voor het notchfiltreren met een 47-53 Hz stopband door Tools te selecteren> De gegevens filteren> Korte niet-lineaireIIR filter. Dit omvat alle relevante frequenties in de spectrumanalyse, terwijl onnodig geluid wordt verwijderd. Gebruik de EEG-software om het EEG-signaal visueel door te bladeren en te controleren door Plot> Channel data (scroll) te selecteren. Identificeer en verwijder EEG-segmenten die duidelijk spiergeluid en andere, vreemde gebeurtenissen bevatten. Klik met de linker muisknop en sleep de muis over slechte segmenten om ze te markeren en verwijder dan de segmenten met behulp van de EEG-software. OPMERKING: Spieractiviteiten zoals inslikken of gezichtsuitdrukking genereren vaak discontinu en onregelmatige signalen. Vreemde gebeurtenissen worden meestal veroorzaakt door hoofd- of lichaamsbewegingen, die vaak leiden tot significante verschuivingen (bij lage frequenties) van het EEG-signaal. Bepaal of er een slecht kanaal is. Reconstrueer elk slecht kanaal met behulp van de sferische interpolatiemethode door Tools> Interpoleren kanaal te selecteren. Gebruik de EEG software om in te voerenAfhankelijk componentanalyse 17 (ICA) op de gegevens door Tools te selecteren> ICA uitvoeren. Laat een ervaren EEG-operator visueel identificeren en weggooien componenten van oogbeweging en knipperen, spierbewegingen en componenten van andere mogelijke geluiden door Tools te selecteren> gegevens weigeren met behulp van ICA> componenten op kaart weigeren; Gereedschap> Verwijder onderdelen. De EEG software zal de gegevens automatisch reconstrueren met behulp van de opgeslagen onderdelen. Gebruik de EEG software om de gegevens te herleiden naar het gemiddelde van alle kanalen voor verdere analyse door Tools> Verwijzing te selecteren. Spectrum analyse. Gebruik de EEG-commando-functie "spectopo" om de spectra van EEG te berekenen met behulp van Welch's power spectral density estimation 18 en geef de log power (dB) van delta (1 – 4 Hz), theta (4 – 8 Hz), alfa 8 – 12 Hz), bèta (12 – 30 Hz) en gamma (30 – 80 Hz) golven. Bereken de relatieve poWer van elk type golf 18 ( dwz het aandeel van de kracht in de respectievelijke frequentieband ten opzichte van het totale spectrumvermogen). Voer EEG-bronanalyse uit met behulp van de statistische parametrische mapping (SPM) -benadering. Gebruik minimale normschatting 19 om de EEG-signalen van de hoofdhuidelektroden om te zetten in 3D-hersensignalen. OPMERKING: hier was het oorspronkelijke kanaalnummer 122, en werd het omgezet naar 8.196 kanalen, verspreid in het driedimensionale hersenmodel. Het significante niveau werd vastgesteld op p = 0,01. Raadpleeg de bronanalyse in de SPM-handleiding (www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf). Bereken de wavelet entropie voor elk EEG kanaal (evenals voor het geschatte driedimensionale hersensignaal) met behulp van de volgende procedure: Geeft een signaal ,Bereken de waveletcoëfficiënten als , Waar Is een orthonormale basis van de familie Haar wavelet en Vertegenwoordigt de ontledingsniveaus ( N = 10 in deze studie). Definieer de relatieve energie als , Met . Bereken de wavelet entropie als . Gemiddelde de wavelet entropie voor alle kanalen om de EEG wavelet entropie te verkrijgen voor elke deelnemer. Gebruik het softwarepakket om een ​​piekanalyse uit te voeren op de ECG-gegevens om het hartslagssignaal te verkrijgen, dat bestaat uit het aantal ECG-golftoppen en het interval tussen de pieken. OPMERKING: ervan uitgegaanEen normale hartslag van 60-100 beats / min in zowel de normale rust als de ademhalingstoestanden, moet het aantal hartslaggevallen N gedurende een periode van 10 minuten relatief klein zijn, met een waarde van 600 < N <1.000. Om een ​​betrouwbare wavelet entropie van het hartslag te verkrijgen, gebruik een schuifvenster van 500 punten en een stapverhoging van 10 punten om een ​​reeks wavelet entropies te berekenen volgens dezelfde procedure als voor EEG, uitgewerkt in sectie 3.7. Gebruik de gemiddelde waarde als de definitieve wavelet entropie. Analyseer de hersenen en hart correlatie tussen de wavelet entropie van ECG en die van EEG op elk kanaal van de hoofdhuid met behulp van elke statistische software die een Pearson correlatie functie heeft. Gebruik de commando-functie "EEG-commando" van de EEG-software "topoplot" om een ​​statistische hoofdhuidkaart op te stellen voor de correlatie. Bepaal een lineaire correlatiegrafiek met de hartfactor entropie en de gemiddelde EEG entropie van alleen die chaNnels die significant zijn gecorreleerd met hartrate entropie (zie de sectie Representatieve resultaten).

Representative Results

Spectrumanalyse In de spectrumanalyse van EEG-gegevens, in vergelijking met de normale rust, waren er alfa (8 – 12 Hz) en bèta (12 – 30 Hz) en verminderde delta (1 – 4 Hz) golven tijdens MBSR-gedachte ademhaling. De toename van alfa golven was globaal significant, vooral in de frontale en occipitale lobben, terwijl de toename van bèta golven hoofdzakelijk in de frontale lob was. Afnemende deltagolven werden genoteerd in de centrale parietale gebieden ( Figuur 1 ). We hebben echter geen significante verandering gevonden tussen pre- en post-MBSR training. Figuur 1. Spectrumanalyse van MBSR Bewuste ademhaling en normale rustomstandigheden. Spectrumanalyse laat zien dat MBSR-oefening de hersenactiviteiten kan veranderen, zoals aangegeven door de verschillendeSpectrums van EEG. Oorspronkelijke bron: Referentie 13 . Klik hier om een ​​grotere versie van deze figuur te bekijken. Figuur 2 illustreert het gedefinieerde gebied van belang: de occipitale lob (kanalen N19 – 21, N41 – 46, N67 – 72, N96 – 100 en N119), de middelste frontale lob (kanalen N53 – 61 en N79 – 83) De middenpariëtale lob (kanalen N48 – 50, N64 – 66 en N74 – 76). Tabel 2 toont de kracht van elk spectrum en de entropie onder MBSR bewuste ademhaling en normale rustomstandigheden, samen met de p -waarde van het t- test van het verschil tussen de twee voorwaarden voor elke regio van belang. We combineren de voor- en post-MBSR training EEG data omdat er geen verschil was tussen de twee fasen. <p class="jove_content" fo:keep-together.within-page="1"> Figuur 2. Bepaalde regio van belang. De gedefinieerde gebieden van EEG-kanalen die de middelste frontale lob, middenparietale lob en occipitale lob vertegenwoordigen. Klik hier om een ​​grotere versie van deze figuur te bekijken. Delta theta Alpha beta Gamma Entropie Midden Frontale Lobe MBSR 18,96 ± 3,10 22,29 ± 5,86 30,90 ± 7,76 0,12 ± 43,77 -467,25 ± 79,48 0,753 ± 0,060 </ Tr> Rust uit 22.40 ± 6.56 22,76 ± 5,98 26,91 ± 7,14 -7,11 ± 42,27 -449,76 ± 102,92 0,785 ± 0,066 p-value 0,0243 0,6555 0,0085 0,0114 0,4419 0,0084 Occipital Lobe MBSR 15,39 ± 3,30 17,91 ± 6,53 33,38 ± 6,50 -8,03 ± 40,72 -466,23 ± 61,46 0,719 ± 0,048 Rust uit 19,82 ± 6,32 20,38 ± 8,11 29,73 ± 5,30 -11,62 ± 40,22 -439,03 ± 102,81 0,763 ± 0,055 p-value 0,0134 0,1213 </td> 0,0125 0,0796 0,8936 0,0098 Pariëtale kwab MBSR 17,95 ± 3,60 19,46 ± 6,54 32,84 ± 6,68 2,68 ± 38,23 -487,72 ± 104,13 0,738 ± 0,072 Rust uit 21,24 ± 6,37 21,16 ± 8,00 29,79 ± 6,60 -1,27 ± 34,42 -490,01 ± 123,83 0,764 ± 0,075 p-value 0,0157 0,0963 0,0177 0,1507 0,2878 0,0368 Tabel 2. Spectrum en entropie in de hersenen. MBSR bewust ademhaling en normale rustomstandighedenWorden vergeleken tussen de drie voorgedefinieerde regio's van belangstelling (ROI). Wavelet Entropy Analysis Analyse van de wavelet entropie van EEG vertoonde een verminderde EEG entropie tijdens MBSR gedachte ademhaling in vergelijking met normale rust, zowel voor pre- als post-MBSR training. Omdat er geen significant verschil was tussen de twee fasen, werden ze samengevoegd om een ​​gemiddelde kaart te produceren (getoond in de derde rij van Figuur 3 ). De belangrijkste gebieden met verminderde entropie waren bij de frontale lob en de pariëtale-occipitale lob. Figuur 3. Wavelet Entropy Analysis. Rest 1 en MBSR 1 wijzen op pre-MBSR training, terwijl Rest 2 en MBSR 2 de post-MBSR training aanduiden. Wavelet entropy analyse laat zien dat MBSR praktijk de onregelmatigheid vanHersen elektronische activiteiten. Oorspronkelijke bron: Referentie 13 . Klik hier om een ​​grotere versie van deze figuur te bekijken. Bronanalyse van Wavelet Entropy Bronanalyse van de EEG-signalen kan de ruimtelijke resolutie verbeteren door de hoofdhuid EEG in elektrische activiteiten over het corticale oppervlak 20 te deconvolgen. Uit de analyse blijkt dat de belangrijkste hersenregio's die door de MBSR mindfulness training werden getroffen, in de linker-midden-occipitale lobe, precuneus, superior temporal lobe en left fusiform ( Figuur 4 ) waren. In tabel 3 , voor de vier anatomische labels verkregen uit de bronanalyse, verschaffen we t- testresultaten voor het verschil in de entropies van twee verschillende staten, MBSR mindfulness stateTegenover normale rust. Figuur 4. Bronanalyse. Uit de bronanalyse blijkt dat de entropieën van verschillende hersenregio's (in rood gemarkeerd) afnemen tijdens de MBSR-gedachte ademhalingsstatus. Klik hier om een ​​grotere versie van deze figuur te bekijken. Anatomisch label voxels X, y, z t-value Midden temporale gyrus L 1728 -44 -60 16 3,77 Precuneus R 1324 2 -56 28 3.63 Occipitale L 749 -2 -102 -12 3.61 Fusiform L 142 -102 3.51 Tabel 3. Bronanalyserapport. Anatomische hersenregio's met significante verschillen in entropie tussen MBSR bewuste ademhaling en normale rustomstandigheden. L, de linkerkant van de hersenen. R, de rechterkant van de hersenen ( p <0.001, t- test, ongecorrigeerd). Hartslag Wavelet Entropie De analyse liet geen significant verschil zien in het gemiddelde hartslag, maar de hartslag entropie was lager tijdens MBSR-gedachte ademhaling, zowel voor- als post-MBSR training ( tabel 4 ). Rest1 MBSR1 REST2 MBSR2 Hartslag (slaat per minuut) 68,2 ± 9,5 67,7 ± 9,3 71,8 ± 8,1 70,7 ± 8,4 Hartslag Wavelet Entropie 0,89 ± 0,05 0,79 ± 0,11 * 0,89 ± 0,07 0,80 ± 0,12 # Tabel 4. Heartrate en Heartrate Wavelet Entropie van MBSR Bewuste ademhaling en normale rustomstandigheden. De twee voorwaarden worden vergeleken bij zowel voor- als post-MBSR training. * Significant verschil ( p <0,05) tussen Rest 1 en MBSR 1. # Significant verschil ( p <0,05) tussen Rest 2 en MBSR 2. CorrelatieTussen hart- en hersenactiviteiten Gezien de mogelijke band tussen de hersenen en het hart, hebben we de correlatie tussen de EEG-entropie van de hele hersenen geanalyseerd ( dwz het gemiddelde van EEG-entropies over alle EEG-kanalen voor een enkel onderwerp) en de hartratropropografie tijdens MBSR-adembenemende ademhaling en normale rusttoestanden . De entropies van de hersenen en het hart waren significant gecorreleerd tijdens MBSR-gedachte ademhaling maar niet tijdens normale rust. Zoals in het bovenste gedeelte van figuur 5 blijkt, is de betekenis van de correlatie tussen de entropie van het EEG in elk kanaal en de hartraat entropie het meest prominent in het centrale deel van de hersenen. De onderste grafiek toont de correlatie tussen de EEG-entropie in de centrale regio's (gemiddelde van die gestippelde kanalen die significant verband houden met hartratropropologie) en hartratropathropie. <p class="jove_content" fo:keep-together.within-page="1"> Figuur 5. Correlatie tussen de Wavelet Entropies van Elektronische Activiteiten van het Hart en de Brain. De wavelet entropie van hersenactiviteit is het gemiddelde van de belangrijke kanalen in het centrale gebied, zoals getoond in de rechterbovenhoek. De wavelet entropie van het hart is gebaseerd op het hartslag interval. De correlatie (onderste paneel) wordt berekend over alle onderwerpen voor zowel de voor- als de post-MBSR trainingsresultaten. Oorspronkelijke bron: Referentie 13 . Klik hier om een ​​grotere versie van deze figuur te bekijken.

Discussion

Deze EEG-studie biedt concrete aanwijzingen dat, in vergelijking met de normale rust, de MBSR-adembenemende ademhaling de alfa-golven in de frontale en occipitale lobbe verbetert. Dit komt overeen met de meerderheid van de rapporten over verhoogde alfa golven tijdens meditatie, vooral bij beginners 21 . Alpha golven geven gewoonlijk een staat van opwinding en waakzaamheid en vrijheid van een specifieke taak aan. Een dergelijke mentale toestand is een van de doelstellingen van meditatie; Dat wil zeggen, houd de geest schoon en scherp, vrij van zowel vliegen of in slaap. De verbeterde alfa-golfsynchronisatie tijdens MBSR-oefening kan ook de coördinatie tussen geest en lichaam verbeteren 22 .

De elektronische activiteiten van het grote aantal neuronen in de hersenen vormen een niet-lineair hiërarchisch systeem, en zijn onregelmatigheid kan goed worden gemeten door entropie 8 . We vonden dat tijdens de MBSR-oefening de onregelmatigheid van hersen elektrOnische activiteiten daalden over een groot deel van de hoofdhuid EEG, vooral in de frontale pool en bilaterale occipitale hersenregio's. Verdere bronanalyse van wavelet entropie toonde aan dat de onregelmatigheid van occipitale en precuneusactiviteiten tijdens MBSR-praktijk werd verminderd. Andere gebieden die hierbij betrokken zijn zijn de rechter-middencingulaat en de superieure temporale lob. Dit komt overeen met een andere studie die aangeeft dat de grijze stof in de precuusus toeneemt na MBSR training 23 . Geavanceerde meditatiepraktijken hebben meestal hogere parieto-occipitale EEG-gamma-golven tijdens een niet-snelle oogbewegingsslaap 1 . Een belangrijk kenmerk van MBSR training is niet-beoordeling van de geest / hersen informatie stroom. Dit kan mogelijk de onregelmatigheid van hersenactiviteiten verminderen. Omdat een hoofdinformatiebron in de hersenen de visuele cortex is, is het aannemelijk dat de visuele gerelateerde hersenregio's meer beïnvloed worden door MBSR-oefening dan andere regio'sNS. Dit zorgt ervoor dat de geest minder reageert op irrelevante informatie en meer aandacht besteden aan adembenemend ademhaling.

Wavelet entropie analyse liet minder onregelmatigheid van hartslag zien tijdens gedachte ademhaling in vergelijking met de normale rusttoestand, wat een meer verfijnde balans van het autonome zenuwstelsel inhoudt door relatief onwrikbare interacties tussen parasympathische en sympathieke tonen. Bewuste ademhaling kan ook de hartslag beïnvloeden, omdat de long-sensorische afferenten inhibitieve projeksies naar de hartvagmotorische neuronen in de middelste hersenen, die de hartslag via de vagus-zenuw 24 remmen, versturen. De cardiorespiratoire interactie wordt gemedieerd door de hersenstam en het limbische systeem in de hersenen 25 . Gezien de verband tussen het centrale zenuwstelsel en de hartactiviteit, is het aannemelijk dat, door de geest te trainen, MBSR of andere meditatiepraktijken ook andere lichaamsfuncties kunnen beïnvloeden, zoalsHet herstel van de baroreflex gevoeligheid, het verbeteren van de gaswisselingsefficiëntie in de longen en het afwegen van het autonome zenuwstelsel 26 .

In veel Oosterse tradities wordt de geest-lichaamsverbinding benadrukt. In dit opzicht biedt onze studie het eerste objectieve bewijs in termen van entropie. De onregelmatigheden van hersen- en hartactiviteiten werden meer gecoördineerd tijdens de MBSR-praktijk, en de coördinatie was het grootste in de bilaterale somatosensorische regio's. Deze regio is direct in beheer van de zintuiglijke input en beweging van het lichaam, en deze verhoogde coördinatie impliceert een grotere lichaamsbewustheid tijdens de MBSR-oefening. Mindfulness training werd gevonden om de activiteiten van de viscerosomatische gebieden te vergroten in een functioneel MRI-studie, dat een betere ruimtelijke resolutie heeft dan EEG 27 . Onze resultaten suggereren dat de hersenen en het hart meer betrokken kunnen worden tijdens de MBSR-oefening, waardoor onnodige entropie in het systeem wordt gelost <s Up class = "xref"> 28. Omdat de hartslag gereguleerd wordt door het autonome zenuwstelsel, waarbij de autonome toon gemoduleerd wordt door de interacties tussen de ganglion; Sino-auricular knooppunt; Vagus zenuwen; En hersenstructuren van hogere orde, zoals de medulla oblongata, insula en het limbische systeem, kunnen de autonome en centrale zenuwstelsel wellicht meer gecoördineerd worden tijdens de MBSR-oefening.

Een belangrijke stap in een studie zoals de onze is het kiezen van de juiste entropie-index om de onregelmatigheid van EEG en ECG te meten. In tegenstelling tot Renu Madhavi et al ., Die ongeveer 30 entropieën gebruikt 29 , hebben we gekozen om wavelet entropie te gebruiken om te concentreren op de complexiteit tussen de energieën in verschillende weegschalen. Omdat de elektronische activiteiten van de hersenen afkomstig zijn uit een groot aantal neuronen die verschillende kenmerken hebben in verschillende weegschalen en spectrums, moet wavelet entropie beter geschikt zijn voor het meten van de onregelmatigheid van EEG> 30. Op dezelfde manier heeft instantane hartslag ook verschillende eigenschappen onder verschillende tijdschalen, dus het is redelijk om wavelet entropie toe te passen op ECG 31 . Bovendien zijn Shannon's entropie en benaderende entropie gevoelig voor de monsternemingsfrequentie, en bij benaderende entropie is een grote berekeningstijd nodig die exponentieel stijgt met de data lengte, dit in aanvulling op de berekening in de bronruimte.

Verschillende beperkingen van de huidige studie zijn opmerkelijk. Ten eerste is de ruimtelijke resolutie van de hoofdhuid EEG relatief slecht, ondanks zijn hoge temporale resolutie. Om dit aan te pakken is bronanalyse toegepast in onze studie. EEG bron reconstructie is een slecht probleem, en een alternatieve benadering is om ruimtelijke prioriteiten te hebben uit eerdere functionele magnetische resonantiebeeldvorming (fMRI) studies, die kunnen helpen bij het verbeteren van de reconstructie-nauwkeurigheid 32 , 33 . Een andere beperking is tHoedat de coördinatie tussen de hersenen en hartactiviteiten werd beoordeeld tussen onderwerpen; Coördinatie binnen de vakken wordt overgelaten aan toekomstige studies. Bovendien is de entropie van ECG niet rechtstreeks afgeleid van het ECG-signaal, maar eerder van het hartslaginterval, omdat de amplitude van ECG sterk beïnvloed kan worden door de elektrodepositie en de huidimpedantie en dus niet vergelijkbaar is tussen proefpersonen.

Vorige studies hebben meestal een spectrumanalyse van het EEG-signaal uitgevoerd, waardoor de onregelmatigheid in EEG als geluid wordt afgedaan. In tegenstelling hiermee stellen we voor om wavelet entropie als gevoeliger index te gebruiken om de chaotische elektronische activiteiten van de hersenen te meten als een weerspiegeling van de geeststaat. De voorgestelde methodologie biedt objectief bewijs van de traditionele veronderstelling dat de geest en het hart meer gecoördineerd zijn tijdens meditatie.

Omdat wavelet entropie de meditatietoestand vrij gevoelig kan bewaken, kan het in de mentale traini worden gebruiktNg veld, net zoals entropie wordt gebruikt in de klinische praktijk om het niveau van de anesthesie tijdens de operatie te meten. Met behulp van een index vergelijkbaar met wavelet entropie kunnen draadloze EEG-apparaten worden gebruikt om de individuele meditatiepraktijk of andere mentale training voor educatieve doeleinden gemakkelijk te monitoren. Niettegenstaande, omdat een draadloos EEG gewoonlijk alleen de kanalen op het voorhoofd kan meten, moeten we nagaan of deze kanalen gevoelig genoeg zijn om de gemoedstoestand te controleren.

De kritische stappen van deze procedure omvatten het houden van de huidimpedantie voor elke elektrode laag voor een betere signaalkwaliteit en minder geluid; Adequaat en correct uitvoeren van MBSR training; Voor het experiment een goede, niet-vermoeide mentale toestand waarborgen, omdat meditatie veel energie nodig heeft; Het kiezen van de juiste entropie index (wavelet entropie); En vertrouwd zijn met SPM bron analyse van EEG data.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Deze studie werd ondersteund door het SPF-201209176152 fonds aan de Universiteit van Hong Kong. We bedanken Dr. Helen Ma voor de opleiding en het aanwerven van MBSR-deelnemers.

Materials

Synamps 2/RT 128-channel EEG/EP/ERP Compumedics NeuroScan Model 8050 Amplifiers and
EEG acquisition
Quik-CapEEG 128 electrodes Compumedics NeuroScan EEG caps
Quik-Gel Compumedics NeuroScan conductive electrode gel
EEGLAB Swartz Center for Computational Neuroscience EEG analysis software
Matlab R2011a MathWorks EEGLAB is based on Matlab
SPM Wellcome Trust Centre for Neuroimaging EEG source analysis software

References

  1. Ferrarelli, F., et al. Experienced mindfulness meditators exhibit higher parietal-occipital EEG gamma activity during NREM sleep. Plos One. 8 (8), e73417 (2013).
  2. Grossman, P., Niemann, L., Schmidt, S., Walach, H. Mindfulness-based stress reduction and health benefits: a meta-analysis. J. Psychosom. Res. 57 (1), 35-43 (2004).
  3. Abasolo, D., et al. Analysis of regularity in the EEG background activity of Alzheimer’s disease patients with approximate entropy. Clin. Neurophysiol. 116 (8), 1826-1834 (2005).
  4. Giannakakis, G., et al. An approach to absence epileptic seizures detection using approximate entropy. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. , 413-416 (2013).
  5. Kitzbichler, M. G., Smith, M. L., Christensen, S. R., Bullmore, E. T. Broadband criticality of human brain network synchronization. Plos Comput. Biol. 5 (3), e1000314 (2009).
  6. Quiroga, R. Q., Rosso, O. A., Basar, E., Schurmann, M. Wavelet entropy in event-related potentials: a new method shows ordering of EEG oscillations. Biol. Cybern. 84 (4), 291-299 (2001).
  7. Peng, C. K., et al. Exaggerated heart rate oscillations during two meditation techniques. International J. Cardiology. 70 (2), 101-107 (1999).
  8. Vadigepalli, R., Doyle, F. J., Schwaber , J. S. Analysis and neuronal modeling of the nonlinear characteristics of a local cardiac reflex in the rat. Neural Comput. 13 (10), 2239-2271 (2001).
  9. Pokrovskii, V. M. Integration of the heart rhythmogenesis levels: heart rhythm generator in the brain. J. Integr. Neurosci. 4 (2), 161-168 (2005).
  10. Wolber, T., Namdar, M., Duru, F. Heart obeys the brain: seizure ceases cardiac rhythm. PACE. 33 (8), e72-e75 (2010).
  11. van der Wall, E. E., van Gilst, W. H. Neurocardiology: close interaction between heart and brain. Neth. Heart J. 21 (2), 51-52 (2013).
  12. Tang, Y. Y., et al. Central and autonomic nervous system interaction is altered by short-term meditation. Proc. Natl. Acad. Sci. USA. 106 (22), 8865-8870 (2009).
  13. Gao, J. L., et al. Entrainment of chaotic activities in brain and heart during MBSR mindfulness training. Neurosci. Lett. 616, 218-223 (2016).
  14. Slotnick, S. D. High density event-related potential data acquisition in cognitive neuroscience. J. Vis. Exp. (38), (2010).
  15. Jurcak, V., Tsuzuki, D., Dan, I. 10/20, 10/10, and 10/5 systems revisited: their validity as relative head-surface-based positioning systems. Neuroimage. 34 (4), 1600-1611 (2007).
  16. Delorme, A., Makeig, S. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. J. Neurosci. Methods. 134 (1), 9-21 (2004).
  17. Hyvarinen, A., Oja, E. Independent component analysis: algorithms and applications. Neural Netw. 13 (4-5), 411-430 (2000).
  18. Welch, P. D. The use of fast Fourier transform for the estimation of power spectra: a method based on time averaging over short, modified periodograms. IEEE Transactions on Audio and Electroacoustics. 15 (2), 70-73 (1967).
  19. Hamalainen, M. S., Ilmoniemi, R. J. Interpreting magnetic-fields of the brain: minimum norm estimates. Med. Biol. Eng. Comput. 32 (1), 35-42 (1994).
  20. Lee, T. M., et al. Distinct neural activity associated with focused-attention meditation and loving-kindness meditation. Plos One. 7 (8), e40054 (2012).
  21. Kim, D. K., Rhee, J. H., Kang, S. W. Reorganization of the brain and heart rhythm during autogenic meditation. Front. Integr. Neurosci. 7, 109 (2014).
  22. Hebert, R., Lehmann, D., Tan, G., Travis, F., Arenander, A. Enhanced EEG alpha time-domain phase synchrony during transcendental meditation: implications for cortical integration theory. Signal Process. 85 (11), 2213-2232 (2005).
  23. Kurth, F., Luders, E., Wu, B., Black, D. S. Brain gray matter changes associated with mindfulness meditation in older adults: an exploratory pilot study using voxel-based morphometry. Neuro. 1 (1), 23-26 (2014).
  24. West, J. B., West, J. B. . Pulmonary pathophysiology–the essentials. , (1998).
  25. Clark, M. T., et al. Breath-by-breath analysis of cardiorespiratory interaction for quantifying developmental maturity in premature infants. J. Appl. Physiol. 112 (5), 859-867 (2012).
  26. Phongsuphapa, S., Pongsupap, Y., Chandanamattha, P., Lursinsap, C. Changes in heart rate variability during concentration meditation. Int. J. of Cardiol. 130 (3), 481-484 (2008).
  27. Farb, N. A. S., et al. Attending to the present: mindfulness meditation reveals distinct neural modes of self-reference. Soc. Cogn. Affect. Neur. 2 (4), 313-322 (2007).
  28. Fingelkurts, A. A., Fingelkurts, A. A., Neves, C. E. H. Natural world physical, brain operational, and mind phenomenal space-time. Phys. Life Rev. 7 (2), 195-249 (2010).
  29. Renu Madhavi, C., Ananth, A. G. Estimation of approximate entropy of heart rate variability of healthy subjects and investigation of the effect of meditation on it. International Conference on Signal Acquisition and Processing: ICSAP 2010, Proceedings. , 304-306 (2010).
  30. Ocak, H. Automatic detection of epileptic seizures in EEG using discrete wavelet transform and approximate entropy. Expert Syst. Appl. 36 (2), 2027-2036 (2009).
  31. Alcaraz, R., Rieta, J. J. Application of wavelet entropy to predict atrial fibrillation progression from the surface ECG. Comput. Math Method M. , (2012).
  32. Sun, D. L., Lee, T. M. C., Wang, Z. X., Chan, C. C. H. Unfolding the spatial and temporal neural processing of making dishonest choices. Plos One. 11 (4), (2016).
  33. Sun, D. L., Lee, T. M. C., Chan, C. C. H. Unfolding the spatial and temporal neural processing of lying about face familiarity. Cereb. Cortex. 25 (4), 927-936 (2015).

Play Video

Cite This Article
Sik, H. H., Gao, J., Fan, J., Wu, B. W. Y., Leung, H. K., Hung, Y. S. Using Wavelet Entropy to Demonstrate how Mindfulness Practice Increases Coordination between Irregular Cerebral and Cardiac Activities. J. Vis. Exp. (123), e55455, doi:10.3791/55455 (2017).

View Video