Summary

ウェーブレットエントロピーを使用して心理学の練習が不規則な大脳と心臓活動の間の調整をどのように増加させるかを実証する

Published: May 10, 2017
doi:

Summary

この論文では、ウェーブレットエントロピーインデックスを使用して、高密度脳波記録(EEG)および心電図(ECG)データを分析する方法について説明します。マインドフルネスに基づいたストレス軽減の実践において、脳および心臓活動の不規則性がより調整されたことを示す。

Abstract

東洋と西洋の両方において、伝統的な教えは、心と心が、精神的な実践の間に、何らかの形で密接に相関していると言います。これを客観的に証明することの難しさの1つは、脳と心臓の活動の性質が全く異なるということです。本論文では、ウェーブレットエントロピーを用いて、脳波(EEG)データと心電図(ECG)データの両方のカオスレベルを測定する方法を提案し、これがどのように異なる実験条件下で心と心の間の潜在的な協調を探索するために使用されるかを示す。さらに、統計的パラメトリックマッピング(SPM)を用いて、EEGウェーブレットエントロピーが実験条件によって最も影響を受けた脳領域を同定した。例として、脳波と心電図は、8週間のMindfulness-based Stress Reduction(MBSR)訓練コース(pretest)の開始時とc後の2つの異なる条件(正常な休息と注意深い呼吸)ourse(ポストテスト)。提案された方法を使用して、結果は一貫して、閉塞した眼の休息状態の間のものと比較して、MBSR心肺呼吸状態の間に脳波の脳波のウェーブレットエントロピーが減少したことを示した。同様に、心拍数のウェーブレットエントロピーは、MBSR心肺蘇生の間に見られた。しかし、MBSR心肺蘇生中のウェーブレットエントロピーの差は、試験前試験と試験後試験との間に見られなかった。すべての参加者において、正常な休息中に脳波のエントロピーと心臓鼓動のエントロピーとの間に相関は観察されなかったが、MBSRの注意深い呼吸中には有意な相関が観察された。さらに、最もよく相関する脳領域は、脳の中央領域に位置していた。この研究は、マインドフルプラクティス(mindfulness practice)( すなわち、気持ちの良い呼吸)が、心と心の活動の間の調整を増加させる可能性があるという証拠の確立のための方法論を提供する。

Introduction

神経科学と医学の進歩に伴い、私たちは精神的および肉体的疾病に対するマインドフルネスと瞑想の非薬理学的利点を理解するうえではるかに良い立場にあります。多くの研究は、精神運動の一種であるMindfulness-based Stress Reduction(MBSR)トレーニングが、心と体の不必要なストレスを積極的に減らすことができることを示しています2 。瞑想の練習中、体と心はより多くの仲間になるかもしれません。これらの問題は、学界と一般の両方の関心を集めており、異なる条件の下で心と身体(より具体的には、脳と心臓の間)の潜在的な調整を探索する方法論を設計する動機となっているMBSRのトレーニングと実践について

脳波の不規則性(EEG)は、通常、従来のEEGスペクトル解析ではノイズとみなされ、bそれは有益な情報を含み、信号エントロピーによって測定することができる。 EEGエントロピーはてんかん、アルツハイマー病、麻酔などの臨床症状の指標として使用されており、いくつかの証拠によると、脳波のエントロピーは従来の脳波スペクトル分析よりも脳の状態を監視する感度の高い方法である可能性がある。エントロピーは、システムの混沌とし​​た状態を表す指標として熱力学で長い間使われてきました。 EEGによって測定された脳波は、秩序とカオスの間で動作する脳ネットワークに起因する動的活動として知られている5 。様々な種類のエントロピーの中で、ウェーブレットエントロピーは、様々な観測スケールの下でエネルギーのエントロピーを計算する方法を提供し、異なるスケールの非常に異なる特徴を有する脳波信号を分析するのに適している。完全にランダムな信号の場合、異なる分解能レベルでの相対エネルギーは、同じであり、エントロピーは最大に達するでしょう。したがって、ウェーブレットエントロピーは、脳波におけるカオス的活動の尺度となり、異なる心理状態を区別するための指標として使用することができる6

以前の心電図(ECG)研究では、瞑想前の状態と比較して、心拍変動の瞑想に関連する変化の一貫した証拠が得られた7 。心拍は、自律神経系(交感神経系および副交感神経系を含む)によって調節される。自律神経系のトーンは、神経節間の相互作用によって調節される。耳障りなノード;迷走神経;高次脳構造、例えば髄舌骨、髄腔および辺縁系を含む。これらの構造は階層的なシステムを形成し、その非線形活動はエントロピー8によって測定することができる。例えば、高次脳構造における神経バーストは、心拍リズムに影響を与える可能性があります9 。臨床状態では、てんかん発作のような脳障害が心臓のリズムを乱す10 。神経心理学の研究は、心臓と脳の密接な相互作用を示唆している11

脳と心臓の信号の関連を調べる際の1つの難点は、信号の内容と時間スケールが大きく異なることです。したがって、主要な課題は、脳と心臓の両方の信号に適用可能であるだけでなく、心身の協調という文脈での解釈にも有意義な共通の尺度を特定することです。本論文では、脳波と心臓活動の不規則性の可能な調整を、ウェーブレットエントロピーを用いて、脳波のエントロピーとMBSR実験で評価できる心拍信号との相関関係を利用して提案する。

MBSRは身体と心の両方でマインドフルネスを実践するため、MBSRの心の豊かな呼吸法行動は脳の活動だけでなく、心拍にも影響を与える可能性があります。これまでの研究では、脳や心臓の心理訓練や練習が別々に、そして異なる側面に基づいて効果を調査していました。これら2つの密接に関連するシステムの同時変化はほとんど未解決のままである。マインドフルネス・トレーニング後の身体と心のより良い調整が報告された研究はほんのわずかでした12 。提案された方法論を用いて、代表的な結果と以前の研究13は、MBSRのマインドフルネス・トレーニングが、カオス的な活動の観点から身体と心の調整を増加させる可能性があることを示した。神経系。

Protocol

この調査研究は、香港大学機関審査委員会(The University of Hong Kong Institutional Review Board)によって承認された。すべての参加者は、この研究に参加する前に書面によるインフォームドコンセントを提供した。 1.実験デザイン 表1. MBSRコース概要。参加者が取った8週間のMBSRトレーニングコース。 参加者を募集する。 注:地元のMBSRコースの健常成人11名(女性5名)がこの脳波研究に参加し、28〜52歳でした。 Beck Depression Inventoryに基づくうつ病のある参加者は、この研究から除外された。コースは標準的なMBSRトレーニング( 表1 )に従い、参加者はトレーニング構造にコミットする必要がありました。 EEG記録システム。 128チャンネルのEEGを使用して静かな部屋で脳波記録を行うEEGキャップ、アンプ、ヘッドボックス、およびデスクトップコンピュータで構成されています。 2. EEGおよびECGデータ収集注:EEGデータ収集は、前述の方法と同様の標準的な手順14に従った。試験場に来る前に、各参加者に髪と頭皮を洗ってもらうよう依頼してください。参加者に実験手技について知らせてください。主に、10分間正常に休息し、脳波およびECG装置で記録されている間に10分間心地よい呼吸を行います。 顔面部分とアルコールスワブで参加者の乳房をきれいにする。 測定テープを使用して、参加者の頭囲を測定し、適切なサイズの帽子を選ぶ。ネイションからイオンへの1回の測定と、耳の上と頭皮上の別の測定を行います。頂点にマークを付ける。2つの耳の間の中間の距離)には、柔らかいマーカーペンが付いています。 10-5電極システムに従って電極の位置を設定します15 。 Cz電極が頂点の上にあり、Nz電極がネイションにあり、Lz電極がインオンにあり、RM電極が右乳房にあり、LM電極が左乳房にあるようにキャップを配置する。 左右の鎖骨下窩にECG電極を置く。 ブラントポイントシリンジを用いて電極ホルダーにゲルを充填する。 各電極のインピーダンスは20kΩ以下にしてください。電極の配置を調整してインピーダンスを下げ、頭皮との接触を増やします。必要に応じてゲルを追加してください。 顎掛けを締めて、参加者に依然として依頼を依頼してください。 EEGデバイスのサンプリングレートを1,000 Hzに設定します。元の基準点として左乳房を使用してください。 EEGデータを記録する(ステップ1.2。1)MBSRコース開始時(2週間以内)。 参加者に身体全体をリラックスさせるために簡単な身体スキャンを実行させる。呼吸して呼吸している間に、参加者に呼吸に注意を払わせる。 EEGデータ収集中に各参加者にMBSR心肺蘇生(MBSR mindfulness condition)10分および正常な休息(制御状態)10分を実施させる。これにより、2つの条件で事前MBSRトレーニングデータセットが生成されます。 注:参加者の間で、気分の良い呼吸と正常な休息の順序を相殺してください。 参加者がMBSRコースを修了してから約1ヶ月後に再び脳波データを記録する。 EEGデータ収集中に、10分の気分の良い呼吸と10分間の通常の休息を行うよう各参加者に依頼する。これにより、2つの条件でMBSR後のトレーニングデータセットが生成されます。 3. EEGおよびECGデータ分析注:最初の4つのステップは次のとおりです。残りのステップは、ウェーブレットエントロピー計算および相関分析のためのものである。ここでは、EEG分析にオープンソースソフトウェアEEGLAB 16を使用しましたが、操作はさまざまなソフトウェア間で似ています。以下では、EEGLABに基づいた操作を例として示します。詳細については、EEGLABのマニュアルを参照してください(https://sccn.ucsd.edu/wiki/EEGLAB_Wiki#EEGLAB_Tutorial)。 Tools> Change sampling rateを選択して、EEGソフトウェアを使用して250 Hzでデータをリサンプリングします。ツール>データのフィルタ>基本FIRフィルタを選択して、0.5〜100 Hzの通過帯域でのバンドパスフィルタリングに有限インパルス応答(FIR)フィルタを使用します。 国特有の主電源の交流によるノイズを低減するには、ツール>データのフィルタ>短非線形フィルタを選択して、47〜53 Hzの阻止域を持つノッチフィルタリングのための短い非線形、無限インパルス応答(IIR)IIRフィルター。不要なノイズを除去しながらスペクトル解析の関連するすべての周波数をカバーします。 プロット>チャンネルデータ(スクロール)を選択すると、脳波信号を視覚的にスクロールして検査するために、脳波ソフトウェアを使用します。 明白な筋肉騒音および他の奇妙な事象を含む脳波セグメントを特定し、削除する。マウスを左クリックし、悪いセグメント上にマウスをドラッグして強調表示し、EEGソフトウェアを使用してセグメントを「削除」または「拒否」します。 注:嚥下や表情などの筋肉活動は、不連続で不規則な信号を生成することがあります。奇妙な事象は、頭部または身体の動きによって引き起こされることが多く、これはしばしば脳波信号の(低周波数での)大きなシフトにつながる。 不良チャネルがあるかどうかを判断します。 Tools> Interpolate channelを選択して、球形補間法を使用して各不良チャネルを再構成します。 Inを実行するにはEEGソフトウェアを使用しますツール> ICAの実行を選択して、データに依存するコンポーネント分析17 (ICA)を実行します。ツール> ICAを使用してデータを拒否>地図でコンポーネントを拒否を選択することで、経験豊富なEEGオペレータが目の動き、瞬き、筋肉の動き、および他の可能性のあるノイズのコンポーネントを視覚的に特定して破棄します。ツール>コンポーネントを削除します。 EEGソフトウェアは、保持されたコンポーネントを使用してデータを自動的に再構成します。 さらに分析する前に、EEGソフトウェアを使用して、すべてのチャンネルの平均にデータを参照して、Tools> Re-referenceを選択します。 スペクトル分析。 Welchのパワースペクトル密度推定18を使用してEEGソフトウェアコマンドライン機能「spectopo」を使用してEEGのスペクトルを計算し、デルタ(1~4Hz)、シータ(4~8Hz)、アルファベータ(12-30Hz)、およびガンマ(30-80Hz)の各波を使用する。 相対的なPoを計算する各タイプの波18の比( すなわち 、全スペクトルパワーに対するそれぞれの周波数バンドにおけるパワーの割合)を決定する。 統計的パラメトリックマッピング(SPM)アプローチを使用してEEGソース分析を実行します。 頭皮電極の脳波信号を3D脳源信号に変換するために、最小ノルム評価19を使用する。 注:元のチャンネル番号は122で、3次元の脳モデルに分布している8,196チャンネルに変換されました。有意水準はp = 0.01に設定した。 SPMマニュアル(www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf)のソース分析を参照してください。 次の手順を使用して、各脳波チャネル(推定された3次元脳波信号の場合と同様に)のウェーブレットエントロピーを計算します。 与えられた信号 、ウェーブレット係数を 、どこで Haarウェーブレット系列の正規直交基底であり、 分解レベル(この研究ではN = 10)を表す。 相対エネルギーを 、と 。 ウェーブレットエントロピーを次のように計算する 。各参加者のEEGウェーブレットエントロピーを得るために、すべてのチャネルの平均ウェーブレットエントロピー。 ソフトウェアパッケージを使用してECGデータのピーク解析を実行し、ECG波ピークの数とピーク間の間隔で構成される心拍信号を取得します。 注:仮定する正常な休息状態および気持ち良い呼吸状態の両方において60-100拍/分の正常な心臓拍動である場合、10分の持続時間の心拍事例Nの数は600 < N <1,000を比較的小さくしなければならない。 心拍信号から信頼できるウェーブレットエントロピーを得るには、セクション3.7で詳述したEEGと同じ手順を使用して一連のウェーブレットエントロピーを計算するために、500ポイントのスライディングウィンドウと10ポイントのステップ増分を使用します。ウェーブレットエントロピーの最終値として平均値を使用します。 ピアソン相関関数を有する任意の統計ソフトウェアを使用して、頭皮の各チャネルにおけるECGのウェーブレットエントロピーとEEGのウェーブレットエントロピーとの間の被験者にわたる脳相関および心臓相関を分析する。 EEGソフトウェアのコマンドライン機能 "topoplot"を使用して、相関の統計的な頭皮マップを構築します。心拍数エントロピーとそれらのチャの平均EEGエントロピーとの線形相関グラフをプロットする心拍数のエントロピーと有意に相関しています(代表結果セクションを参照)。

Representative Results

スペクトル解析 EBSデータのスペクトル解析では、通常の休息と比較して、MBSR心肺蘇生の間、アルファ(8〜12Hz)およびベータ(12〜30Hz)およびデルタ(1〜4Hz)波が改善された。アルファ波の増加は、特に前頭葉および後頭葉では全体的に有意であったが、ベータ波の増加は主に前頭葉であった。減少したデルタ波は中央 – 頭頂部に認められた( 図1 )。しかし、MBSRの前後のトレーニングに大きな変化は見られませんでした。 図1. MBSR心肺呼吸と正常な休息状態のスペクトル分析。スペクトル分析は、MBSRプラクティスが脳の活動を変化させることを示しています脳波のスペクトル。元の出典:参考文献13 。 この図の拡大版を見るには、ここをクリックしてください。 図2は、後頭葉(チャネルN19-21、N41-46、N67-72、N96-100、およびN119)、中前頭葉(チャネルN53-61およびN79-83)および中央頭頂葉(チャネルN48-50、N64-66、およびN74-76)。 表2は、各スペクトルのパワーおよびMBSR心肺呼吸および正常休止状態でのエントロピーを、各関心領域についての2つの条件の差のt検定のp値と共に示す。 MEGRの前後のトレーニングEEGデータは、2つの段階の間に差異がなかったため、組み合わされました。 <p class="jove_content" fo:keep-together.within-page="1"> 図2.定義された関心領域。中央前頭葉、中間頭頂葉、後頭葉を表すEEGチャンネルの定義された領域。 この図の拡大版を見るには、ここをクリックしてください。 デルタ シータ アルファ ベータ ガンマ エントロピ 中前頭葉 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> 残り 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-値 0.0243 0.6555 0.0085 0.0114 0.4419 0.0084 後頭葉 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 残り 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-値 0.0134 0.1213 </td> 0.0125 0.0796 0.8936 0.0098 頭頂葉 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 残り 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-値 0.0157 0.0963 0.0177 0.1507 0.2878 0.0368 表2.脳領域のスペクトルとエントロピー。 MBSR気分の良い呼吸と通常の休息状態3つの所定の関心領域(ROI)の間で比較される。 ウェーブレットエントロピー解析脳波のウェーブレットエントロピーの分析は、MBSR訓練の前後において、MBSR訓練の前後の両方において、正常な休息と比較してMBSR覚醒呼吸中の脳波エントロピーの減少を示した。 2つの段階の間に有意差はなかったので、それらを合併して平均化されたマップを生成した( 図3の第3行に示す )。エントロピーが減少した主な領域は、前頭葉および頭頂後頭葉であった。 図3.ウェーブレットエントロピー分析 Rest 1およびMBSR 1はMBSR前のトレーニングを示し、Rest 2およびMBSR 2はMBSR後のトレーニングを示す。ウェーブレットエントロピー分析は、MBSRの実践が脳の電子活動。元の出典:参考文献13 。 この図の拡大版を見るには、ここをクリックしてください。 ウェーブレットエントロピーのソース解析 EEG信号のソース分析は、頭皮EEGを皮質表面20上の電気活動にデコンボリューションすることによって空間分解能を改善することができる。 MBSRのマインドフルネストレーニングの影響を受けた主要な脳領域は、左後頭部後頭部、前胸骨、上頭頂葉、および左紡錘形にあった( 図4 )。 表3において、ソース分析から得られた4つの解剖学的ラベルについて、我々は、2つの異なる状態、MBSRマインドフルネス状態のエントロピーの差についてt検定結果を提供する正常な休息と対比。 図4.ソース分析ソース分析は、様々な脳領域(赤で強調表示されている)のエントロピーは、MBSRの気持ち良い呼吸状態の間に減少することを示している。 この図の拡大版を見るには、ここをクリックしてください。 解剖学的ラベル ボクセル x、y、z t値 中側頭側回L 1,728 -44 -60 16 3.77 プルセヌスR 1,324 2 -56 28 3.63 後頭部L 749 -2 -102 -12 3.61 紡錘形のL 142 -102 3.51 表3.ソース分析レポート。 MBSR心肺蘇生と正常な休息状態との間にエントロピーの有意差がある解剖学的脳領域。 L、脳の左側。 R、脳の右側( p <0.001、 t検定、未補正)。 心拍ウェーブレットエントロピーこの分析では、平均心拍数に有意差は認められなかったが、心房細動のエントロピーは、MBSR覚醒時(MBSRトレーニング前後)に低かった( 表4 )。 Rest1 MBSR1 レスト2 MBSR2 心拍数(毎分拍数) 68.2±9.5 67.7±9.3 71.8±8.1 70.7±8.4 心拍ウェーブレットエントロピー 0.89±0.05 0.79±0.11 * 0.89±0.07 0.80±0.12 # 表4. MBSR心肺蘇生および正常な休息状態の心拍および心拍動ウェーブレットエントロピー。この2つの条件は、MBSRの前後の両方のトレーニングで比較されます。 * Rest 1とMBSR 1との間に有意差( p <0.05)#Rest 2とMBSR 2との間の有意差( p <0.05)。 相関心と脳の活動の間脳と心臓の潜在的なつながりを考えると、全脳EEGエントロピー( すなわち 、単一被験者の全てのEEGチャネルにわたるEEGエントロピーの平均)と心臓エントロピーとの間の相関を、MBSR覚醒呼吸および正常な休息状態。脳と心臓のエントロピーは、MBSR心肺蘇生中に有意に相関したが、正常な休息中では有意ではなかった。 図5の上部に示すように、各チャネルの脳波のエントロピーと心臓のエントロピーとの間の相関の重要性は、脳の中央部において最も顕著である。下のプロットは、中央領域のEEGエントロピー(心臓エントロピーと有意に相関する点線チャンネルの平均)と心臓エントロピーとの間の相関を示す。 <p class="jove_content" fo:keep-together.within-page="1"> 図5.心臓と脳の電子活動のウェーブレットエントロピーの相関。脳活動のウェーブレットエントロピーは、右上の図に示すように、中央領域の有意なチャネルの平均である。心臓のウェーブレットエントロピーは心拍間隔に基づいている。相関(下のパネル)は、MBSRの前後のトレーニング結果のために、すべての被験者にわたって計算されます。元の出典:参考文献13 。 この図の拡大版を見るには、ここをクリックしてください。

Discussion

このEEG研究は、通常の休息と比較して、MBSRの気持ち良い呼吸が前頭葉および後頭葉のアルファ波を増強するという具体的な証拠を提供する。これは、瞑想中のアルファ波の増加に関する大部分の報告書、特に初心者のためのものです。アルファ波は、通常、覚醒状態と警戒状態を示し、特定の作業から自由になる状態を示します。そのような精神状態は、瞑想の目的の1つです。空を飛ぶか、眠りにつくことなく、心を清潔で鋭く保ちます。 MBSRの練習中の強化されたアルファ波同期はまた、心と体22との間の協調を強化し得る。

脳内の膨大な数のニューロンの電子活動は、非線形階層系を形成し、その不規則性はエントロピー8によって十分に測定することができる。我々は、MBSRの練習中に、脳電図の不規則性オニオン活動は頭皮脳波の大部分、特に前頭極および両頭後頭脳領域において減少した。ウェーブレットエントロピーのさらなるソース解析は、MBSRの実施中に、後頭および前脳活動の不規則性が低減されることを示した。関与する他の領域には、右中頸部および上側頭葉が含まれる。これは、MBSR訓練23後に灰白質が前胸腺内で増加することを示す別の研究と一致している23 。高度な瞑想開業医は、通常、非急速眼球運動睡眠1の間に、より高い頭頂後頭脳波EEGガンマ波を有する。 MBSRトレーニングの1つの重要な特徴は、心/脳情報の流れを判断できないことです。これは潜在的に脳活動の不規則性を減少させる可能性がある。脳の主な情報源は視覚野であるため、視覚関連の脳領域は他の領域よりもMBSRの練習の影響を受けていると考えられますns。これにより、心が無関係な情報に敏感に反応しなくなり、注意深い呼吸にもっと注意を払うことができます。

ウェーブレットエントロピー分析は、通常の休息状態と比較して、気持ちの良い呼吸の間に心拍数の不規則性が少なくなり、副交感神経と交感神経のトーンの間の比較的不変の相互作用による自律神経系のバランスが改善されました。肺感覚求心性神経が中脳の心臓迷走神経運動ニューロンに抑制投影を送り、迷走神経を介して心臓刺激を阻害するため、注意深い呼吸が心拍数に影響を及ぼす可能性がある24 。心臓内の相互作用は、脳内の脳幹および辺縁系によって媒介される25 。中枢神経系と心臓活動との関係を考えれば、心を鍛えることによって、MBSRや他の瞑想慣習が他の身体機能に影響する可能性があります圧反射感受性を再設定し、肺におけるガス交換効率を改善し、自律神経系の平衡を保つ。

心身のつながりは、多くの東洋の伝統において強調されています。この点で、我々の研究はエントロピーの観点からの最初の客観的証拠を提供する。 MBSRの実施中に脳や心臓の活動の不規則性がより調整され、両側の体性感覚領域で協調が最大となった。この地域は、身体の感覚入力と動きを直接担当しており、この調整の増加は、MBSRの実施中の身体意識の向上を意味します。 Mindfulnessトレーニングは、EEG27よりも空間分解能が優れている機能的MRI研究において、内臓領域の活動を増加させることが判明した。我々の結果は、MBSRの練習中に脳と心臓がより随伴し、システム内の不必要なエントロピーを軽減することを示唆している<s up class = "xref"> 28。心拍は自律神経系によって調節されるので、自律神経系は神経節間の相互作用によって調節される。耳障りなノード;迷走神経;髄腔長瘤、孤虫および辺縁系などの高次脳構造の場合、自律神経および中枢神経系は、MBSRの実施中に、より調整されやすくなる可能性があります。

私たちのような研究の重要な一歩は、脳波と心電図の不規則性を測定するために右のエントロピー指数を選択することです。近似エントロピー29を使用したRenu Madhavi とは異なり、我々は異なるスケールのエネルギー間の複雑さに焦点を当てるためにウェーブレットエントロピーを使用することを選択した。脳電子活動は異なるスケールとスペク​​トルで異なる特性を持つ膨大な数のニューロンに由来するので、ウェーブレットエントロピーはEEGの不規則性を測定するためにより適しているはずである> 30。同様に、瞬時の心臓鼓動は、異なる時間スケールでも異なる特徴を有するので、ECG31にウェーブレットエントロピーを適用することは妥当である。さらに、シャノンのエントロピーおよび近似エントロピーは、サンプリング周波数に敏感であり、近似エントロピーは、ソース空間での計算に加えて、データ長とともに指数関数的に増加する大きな計算時間を必要とする。

現在の研究のいくつかの制限は注目に値する。第1に、頭皮の脳波の空間分解能は、高い時間分解能にもかかわらず、比較的貧弱である。これに対処するために、ソース分析を本研究に適用した。脳波源の再構成は問題ではなく、以前の機能的磁気共鳴イメージング(fMRI)研究からの空間的前兆を有することで、再構成の精度を向上させることができる32,33 。別の制限は、帽子は、脳と心臓活動の間の調整が被験者間で評価された。被験者内の調整は将来の研究に委ねられている。さらに、ECGの振幅は電極の位置および皮膚インピーダンスによって大きく影響を受ける可能性があり、被験者間では比較できないため、心電図のエントロピーはECG信号から直接的に導出されるのではなく、心拍間隔から導出される。

これまでの研究では、通常、EEG信号のスペクトル解析を行い、EEGの不規則性をノイズとして無視していました。対照的に、脳のカオス的電子活動を心理状態の反映として測定するために、より敏感な指標としてウェーブレットエントロピーを使用することを提案する。提案された方法論は、心と心が瞑想の間にもっと調整されているという伝統的な仮定の客観的な証拠を提供する。

ウェーブレットエントロピーは瞑想状態を非常に敏感に監視することができるので、精神訓練術手術中に麻酔のレベルを測定するために臨床現場でエントロピーが使用されるのと同じように、ウェーブレットエントロピーに似た指標を用いて、無線EEG装置を使用して、個人の毎日の瞑想練習または教育目的の他の精神訓練を便利に監視することができる。それにもかかわらず、ワイヤレスEEGは、通常、額のチャネルを安定して測定することしかできないため、これらのチャネルが心の状態を監視するのに十分な感度を有するかどうかを調べる必要があります。

この手順の重要なステップには、各電極の皮膚インピーダンスを低くして信号品質を向上させ、ノイズを低減することが含まれます。適切かつ適切にMBSRトレーニングを実施する。瞑想は大きなエネルギーを必要とするため、実験前に良い、疲れのない精神状態を確保する。適切なエントロピーインデックス(ウェーブレットエントロピー)を選択する。 EEGデータのSPMソース解析に精通しています。

Disclosures

The authors have nothing to disclose.

Acknowledgements

この研究は、香港大学のSPF-201209176152基金によって支持されました。私たちは、コースを教え、MBSR参加者を募集してくれたDr. Helen Maに感謝します。

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