Modulation of the Neurophysiological Response to Fearful and Stressful Stimuli Through Repetitive Religious Chanting

Hin Hung Sik; Georgios T. Halkias; Chunqi Chang; Junling Gao; Hang Kin Leung; Bonnie Wai Yan Wu

doi:10.3791/62960

JoVE Journal > Neuroscience

Please note that all translations are automatically generated. Click here for the English version.

Neurowissenschaften

Modulation de la réponse neurophysiologique aux stimuli craintifs et stressants par des chants religieux répétitifs

Published: November 04, 2021

doi:

10.3791/62960

Hin Hung Sik¹, Georgios T. Halkias¹, Chunqi Chang², Junling Gao¹, Hang Kin Leung¹, Bonnie Wai Yan Wu¹

¹Buddhism and Science Research Lab, Centre of Buddhist Studies,The University of Hong Kong, ²School of Biomedical Engineering,Shenzhen University

Summary

La présente étude sur le potentiel lié aux événements (ERP) fournit un protocole unique pour étudier comment le chant religieux peut moduler les émotions négatives. Les résultats démontrent que le potentiel positif tardif (LPP) est une réponse neurophysiologique robuste aux stimuli émotionnels négatifs et peut être efficacement modulé par des chants religieux répétitifs.

Abstract

Dans les expériences neuropsychologiques, le potentiel positif tardif (LPP) est une composante du potentiel lié à l’événement (ERP) qui reflète le niveau d’excitation émotionnelle. Cette étude examine si les chants religieux répétitifs modulent la réponse émotionnelle aux stimuli provoquant la peur et le stress, conduisant ainsi à une LPP moins réactive. Vingt et un participants ayant au moins un an d’expérience dans le chant religieux répétitif de « Bouddha Amitabha » ont été recrutés. Un système d’électroencéphalographie (EEG) à 128 canaux a été utilisé pour recueillir des données EEG. Les participants ont été invités à visionner des images négatives ou neutres sélectionnées dans le Système international d’images affectives (IAPS) dans trois conditions : chants religieux répétitifs, chants non religieux répétitifs et absence de chants. Les résultats ont démontré que le visionnage des images négatives provoquant la peur et le stress induisait des LPP plus importants chez les participants que la visualisation d’images neutres dans des conditions de chant sans chant et non religieux. Cependant, cette augmentation du LPP a largement disparu dans des conditions de chants religieux répétitifs. Les résultats indiquent que les chants religieux répétitifs peuvent atténuer efficacement la réponse neurophysiologique à des situations de peur ou de stress pour les praticiens.

Introduction

Le potentiel positif tardif (LPP) s’est longtemps accompagné d’une excitation émotionnelle et a été utilisé de manière fiable dans la recherche sur les ^émotions1,2. La pratique religieuse est répandue dans les pays de l’Est et de l’Ouest. Il est affirmé qu’il peut soulager l’anxiété et le stress du praticien lorsqu’il fait face à des événements indésirables, en particulier pendant les périodes de ^difficulté3. Néanmoins, cela a rarement été démontré dans des contextes expérimentaux rigoureux.

De nombreuses études ont confirmé que la régulation des émotions peut être apprise avec différentes stratégies et cadres4,5,6. Quelques études ont montré que la pleine conscience et la méditation peuvent moduler la réponse neuronale aux événements ^affectifs7,8. Récemment, il a été constaté que les pratiquants de méditation peuvent employer des stratégies de modulation des émotions autres que l’évaluation cognitive, la suppression et la ^{distraction8,9}. Les stimuli de l’International Affective Picture System (IAPS) peuvent être utilisés pour susciter des émotions positives ou négatives de manière fiable, et il existe des critères standard pour trouver des images conçues avec des niveaux de valence et d’excitation spécifiés dans la recherche ^affective10.

Les stimuli émotionnels peuvent provoquer des réponses précoces et ultérieures dans le ^cerveau3,11. De même, la tradition du bouddhisme a fait une analyse analogique des pensées mentales par des processus mentaux initiaux et secondaires3,12,13. Le Sallatha Sutta (La Flèche Sutta), un des premiers textes bouddhistes, mentionne que l’entraînement cognitif peut apprivoiser l’émotion. L’Arrow Sutta affirme qu’un pratiquant bouddhiste bien formé et une personne non formée éprouvent une perception initiale et négative de la douleur face à un événement ^nuisible13. Cette douleur initiale inévitable est similaire à une personne frappée par une flèche, comme décrit dans le Sallatha Sutta. La douleur perceptuelle précoce est identique au stade du traitement précoce lorsqu’une personne voit une image très négative. Le traitement neuronal précoce provoque généralement un composant N1. Les personnes non formées peuvent développer des émotions excessives, telles que l’inquiétude, l’anxiété et le stress, après avoir éprouvé les sentiments douloureux initiaux inévitables. Selon la Sallatha Sutta, cette émotion négative ou douleur psychologique qui se développe tardivement est comme être frappé par une deuxième flèche. Une expérience de potentiel lié à l’événement (ERP) peut capturer les processus psychologiques précoces et ultérieurs de la conception actuelle, en supposant que N1 et LPP pourraient correspondre aux deux flèches mentionnées ci-dessus.

Dans ce protocole, le chant répétitif du nom « Bouddha Amitabha » (Sanskit: Amitābha) a été choisi pour tester l’effet potentiel du chant religieux lorsqu’un individu est dans une situation de peur ou de stress. Ce chant religieux est l’une des pratiques les plus populaires des personnes ayant des orientations religieuses parmi les bouddhistes chinois, et c’est une pratique de base du bouddhisme de la Terre pure d’Asie de ^l’Est14. On a émis l’hypothèse que les chants religieux répétitifs réduiraient la réponse du cerveau à des stimuli provoquants, à savoir le LPP induit par des images effrayantes ou stressantes. Les données de l’EEG et de l’électrocardiogramme (ECG) ont été recueillies pour évaluer les réponses neurophysiologiques des participants dans différentes conditions.

Protocol

Cette étude ERP a été approuvée par le Conseil d’examen institutionnel de l’Université de Hong Kong. Avant de participer à cette étude, tous les participants ont signé un formulaire écrit de consentement éclairé. 1. Conception expérimentale Recruter des participants Recrutez des participants ayant au moins 1 an (~ 200-3 000 h) d’expérience dans le chant du nom de « Bouddha Amitabha » pour cette étude.NOTE: Dans la présente étude, 21 participants humains âgés de 40 à 52 ans ont été sélectionnés; 11 étaient des hommes. Chant religieux vs chant non religieux Chantez le nom de « Bouddha Amitabha » pendant 40 s. Les 20 premières s avec l’image du Bouddha Amitabha et les 20 suivantes avec les images IAPS. Chantez seulement quatre caractères du nom de « Bouddha Amitabha » tout en regardant l’image du Bouddha Amitabha à l’école Pureland14. Chantez le nom du Père Noël (condition de chant non religieuse) pendant 40 s. Les 20 premières secondes en regardant l’image du Père Noël et les 20 secondes suivantes avec les images IAPS. Chantez seulement quatre caractères du nom du Père Noël et imaginez le Père Noël. Gardez le silence pendant 40 s. Les 20 premières secondes avec une image vierge à des fins de contrôle et les 20 secondes suivantes avec des images IAPS.REMARQUE: Pas de chant. Système d’enregistrement EEG Enregistrez les données EEG à l’aide d’un système EEG à 128 canaux composé d’un amplificateur, d’une boîte de tête, d’un capuchon EEG et de deux ordinateurs de bureau (voir tableau des matériaux). Système de présentation de stimuli Utilisez un logiciel de présentation de stimulus (voir Tableau des matériaux) pour afficher des images neutres et négatives de l’IAPS sur un ordinateur de bureau. Système d’enregistrement ECG Utilisez un système d’enregistrement des données physiologiques pour enregistrer les données ECG (voir Tableau des matériaux). 2. Expérience de modulation affective REMARQUE: L’expérience avait deux facteurs avec un design 2 x 3: Le premier facteur était le type d’image: neutre et négatif (provoquant la peur et le stress). Le deuxième facteur était le type de chant: chanter « Amitabha Bouddha », chanter « Père Noël » et pas de chant (vue silencieuse). Utilisez une conception de bloc, car elle peut susciter plus efficacement des composants liés aux émotions15.NOTE : Il y avait six conditions, et les séquences ont été randomisées et contrebalancées entre les participants (Figure 1). Les six conditions étaient les suivantes : chant religieux tout en regardant des images négatives (AmiNeg) ; chant religieux tout en regardant des images neutres (AmiNeu); pas de chant en regardant des images négatives (PasNeg); pas de chants en regardant des images neutres (PasNeu); chants non religieux tout en regardant des images négatives (SanNeg); et les chants non religieux tout en regardant des images neutres (SanNeu). Figure 1 : La procédure expérimentale. Il y avait six conditions pseudo-randomisées, et chaque participant a reçu une séquence pseudo-randomisée. Chaque condition a été répétée six fois en deux séances distinctes. Cette figure a été adaptée de Reference3. Veuillez cliquer ici pour voir une version agrandie de cette figure. Montrez chaque image pendant ~1,8-2,2 s, avec un intervalle interstimulus (ISI) de 0,4-0,6 s.REMARQUE: Il y avait 10 images du même type (neutres ou négatives) dans chaque session. Prévoyez une période de repos de 20 secondes après chaque séance pour contrer les effets résiduels potentiels du chant ou de la visualisation d’images lors de la session suivante. Présentez les images sur un moniteur CRT à une distance de 75 cm des yeux des participants, avec des angles visuels de 15° (vertical) et 21° (horizontal). Demandez aux participants d’observer attentivement les images. Offrez une brève séance d’entraînement aux participants pour leur permettre de se familiariser avec chaque condition. Utilisez un moniteur vidéo pour vous assurer que les participants ne s’endorment pas. Donnez aux participants un repos de 10 minutes au milieu de l’expérience de 40 minutes. 3. Collecte de données EEG et ECG REMARQUE: Avant de venir à l’expérience, demandez à chaque participant de se laver soigneusement les cheveux et le cuir chevelu sans utiliser de revitalisant ou quoi que ce soit d’autre qui pourrait augmenter l’impédance du système. Collectez les données EEG et ECG simultanément par deux systèmes distincts. Informer chaque participant des procédures expérimentales, c’est-à-dire que des images efficaces ont été vues dans des conditions de chant différentes. Réglez la fréquence d’échantillonnage à 1 000 Hz et maintenez l’impédance de chaque électrode en dessous de 30 kΩ dans la mesure du possible ou selon les exigences du système. Recueillir des données physiologiques, y compris des données ECG à l’aide d’un système d’enregistrement de données physiologiques (voir Tableau des matériaux). 4. Analyse des données EEG Traiter et analyser les données EEG avec EEGLAB (voir Tableau des matériaux), Fichier supplémentaire 1-2, un logiciel open-source16 en suivant les étapes ci-dessous. Utilisez la fonction EEGLAB « pop_resample » pour rééchantillonner les données de 1 000 Hz à 250 Hz afin de maintenir une taille de fichier de données raisonnable. Cliquez sur Outils > Modifier le taux d’échantillonnage. Utilisez la fonction EEGLAB « pop_eegfiltnew » pour filtrer les données avec un filtre à réponse impulsionnelle finie (FIR) avec une bande passante de 0,1 à 100 Hz. Cliquez sur Outils > Filtrer les données > filtre FIR de base (nouveau, par défaut). Filtrez à nouveau les données avec un filtre à réponse impulsionnelle infinie (IIR) non linéaire avec une bande d’arrêt de 47-53 Hz pour réduire le bruit du courant alternatif. Cliquez sur Outils > Filtrer les données > sélectionnez Notch filtrer les données au lieu de passer la bande. Inspectez visuellement les données pour éliminer les artefacts forts générés par les mouvements oculaires et musculaires. Cliquez sur Tracer > données du canal (faire défiler). Inspectez à nouveau visuellement les données pour détecter tout bruit constant généré par n’importe quel canal, et les canaux défectueux ont été notés. Reconstruisez les canaux défectueux à l’aide de l’interpolation sphérique. Cliquez sur Outils > Interpoler les électrodes > Sélectionnez parmi les canaux de données. Exécutez l’analyse indépendante des composants (ICA) avec l’algorithme open source « runica”16. Cliquez sur Outils > exécuter ICA. Retirez les composants indépendants (CI) correspondant aux mouvements oculaires, aux clignements des yeux, aux mouvements musculaires et au bruit de ligne. Cliquez sur Outils > Rejeter les données à l’aide de l’ICA > Rejeter les composants par carte. Reconstruisez les données à l’aide des circuits intégrés restants. Cliquez sur Outils > Supprimer des composants. Filtrez les données avec un filtre passe-bas de 30 Hz. Cliquez sur Outils > Filtrer les données > filtre FIR de base (nouveau, par défaut). Obtenez des données ERP en extrayant et en faisant la moyenne des époques verrouillées dans le temps pour chaque condition avec une fenêtre de temps de -200 à 0 ms comme base de référence et de 0 à 800 ms comme ERP. Cliquez sur Outils > Extraire les époques. Re-référencer les données ERP avec la moyenne des canaux mastoïdiens gauche et droit. Cliquez sur Outils > Re-référencer. Répétez les étapes ci-dessus pour les ensembles de données de tous les participants et comparez les différences entre les conditions à l’aide du test t ou de l’ANOVA à mesures répétées dans un logiciel d’analyse statistique (voir Tableau des matériaux). Définir des fenêtres temporelles pour N1 et LPP sur la base des théories établies8,17 et des données actuelles3.REMARQUE: Dans ce travail, N1 a été défini comme 100-150 ms, tandis que LPP comme 300-600 ms à partir de l’apparition du stimulus; La LPP est la plus importante dans la région pariétale centrale (figure 2). Trouvez la différence d’image neutre par rapport à la différence négative au niveau de la composante N1 à l’aide d’un test t apparié entre trois conditions (Figure 3). Trouvez la différence d’image neutre par rapport à la différence négative à la composante LPP à l’aide d’un test t apparié entre trois conditions (Figure 4). Effectuez une analyse de région d’intérêt (ROI) sur les composants N1 et LPP en faisant la moyenne des canaux pertinents pour représenter une région.REMARQUE: Pour sélectionner le retour sur investissement, les époques des trois conditions ont été moyennées pour calculer les canaux où les images neutres et négatives présentaient une différence significative dans la fenêtre de temps spécifique (par exemple, pour N1 ou LPP). Comparez la différence entre N1 et LPP séparément, en utilisant des mesures répétées ANOVA et des statistiques post hoc dans un logiciel d’analyse statistique.REMARQUE : Utilisez l’analyse post-hoc (correction de Bonferroni) et déterminez séparément les différences significatives entre les deux conditions si le modèle était significatif. Le seuil de signification a été fixé à p < 0,05. 5. Analyse des sources ERP Effectuez l’analyse de la source ERP18 avec le logiciel open source SPM19 (voir tableau des matériaux) en suivant les étapes ci-dessous. Reliez le système de coordonnées du capteur de capuchon EEG au système de coordonnées d’une image IRM structurelle standard (coordonnées de l’Institut neurologique de Montréal (INM)) par co-enregistrement basé sur un point de repère. Dans SPM, cliquez sur Batch > SPM > M/EEG > Source reconstruction > Spécification du modèle Head. Effectuer un calcul en avant pour calculer l’effet de chaque dipôle sur le maillage cortical imposé aux capteurs EEG. Sous le même éditeur de lots, cliquez sur SPM > M/EEG > Source reconstruction > Source inversion.REMARQUE: Ces résultats ont été placés dans une matrice G (n x m), où n est le nombre de capteurs (dimension de l’espace EEG) et m est le nombre de sommets de maillage (dimension de l’espace source). Le modèle source était X = GS, où X est une matrice n x k indiquant les données ERP de chaque condition, k est le nombre de points temporels et S est une matrice m x k indiquant la source ERP. Utilisez l’algorithme gourmand de recherche multiples épars (puisque S est inconnu) dans la troisième étape (parmi les nombreux algorithmes disponibles) pour effectuer la reconstruction inverse car il est plus fiable que d’autres méthodes20. Choisissez MSP (GS) pour le type Inversion dans la fenêtre Inversion source . Déterminez la différence entre les conditions à l’aide de la modélisation linéaire générale dans SPM. Définissez le niveau de signification sur p < 0,05. Sous Batch Editor, cliquez sur SPM > Stats > Factorial design specification. 6. Données ECG et analyse d’évaluation comportementale Utilisez un logiciel physiologique et de traitement des données pour traiter et analyser les données ECG (voir Tableau des matériaux). Calculez les scores moyens pour chaque condition. Dans EEGLAB, cliquez sur Outils > Outils FMRIB > Détecter les événements QRS21.REMARQUE: Semblable à l’analyse d’amplitude ERP, un logiciel statistique a été utilisé pour analyser davantage les données avec des mesures répétées ANOVA. Une analyse post-hoc a été effectuée pour déterminer séparément les différences significatives entre les deux conditions si le modèle était significatif. Le niveau de signification a été fixé à p < 0,05. Demandez aux participants d’évaluer leur croyance en l’efficacité de chanter le nom du sujet (Bouddha Amitabha, Père Noël, etc.) sur une échelle de 1 à 9, où 1 est considéré comme le plus faible et 9 le plus fort.

Representative Results

Résultats comportementauxLes résultats pour la croyance des participants au chant ont révélé une note moyenne de 8,16 ± 0,96 pour « Amitabha Buddha », 3,26 ± 2,56 pour « Père Noël », et 1,95 ± 2,09 pour la condition de contrôle vide (tableau supplémentaire 1). Résultats ERPLe canal représentatif de Pz (lobe pariétal) a démontré que les conditions de chant avaient des effets différents sur le traitement précoce (N1) et tardif (LPP) des images neutres et négatives. Il montrait la fenêtre temporelle de N1 et LPP, respectivement (Figure 2). Stade perceptuel précoceLes résultats de l’ERP ont montré une augmentation de N1 lors de la visualisation des images négatives dans trois conditions de chant (Figure 3). Il a montré que les images négatives induisaient des activités cérébrales centrales plus fortes que les images neutres, et les augmentations sont comparables dans trois conditions. Stade émotionnel/cognitif tardifL’ERP a démontré une augmentation de la LPP dans les conditions de chant non religieux et de non-chant. Cependant, le LPP induit par les images négatives est à peine visible lorsque le participant chante le nom du Bouddha Amitabha (Figure 4). Analyse de la région d’intérêt (ROI)Les trois conditions ont été combinées pour estimer les régions qui étaient généralement activées aux composantes N1 et LPP. Des mesures répétées de l’ANOVA ont été effectuées à l’aide d’un logiciel statistique pour calculer la différence entre les composantes N1 et LPP entre les conditions de chant (figure 5). Les trois colonnes de gauche montrent la différence dans la composante N1 pour les trois conditions de chant: la condition d’observation silencieuse, la condition de chant non religieux et la condition de chant religieux. Les différences dans la composante N1 étaient similaires dans les trois conditions. Les trois colonnes de droite montrent la différence dans la composante LPP pour les trois conditions de chant. Cela démontre que la différence dans la composante LPP est beaucoup plus faible dans la condition de chant religieux que dans la condition de chant non religieux et la condition de visionnement silencieux. Analyse des sourcesL’analyse de la source a été appliquée pour extraire la cartographie cérébrale potentielle en fonction des résultats de la LPP (figure 6). Les résultats montrent que par rapport aux images neutres, les images négatives induisent plus d’activation pariétale dans la condition de chant non religieux et pas de condition de chant. En revanche, cette activation induite par une image négative disparaît en grande partie dans la condition de chant religieux. Résultats physiologiques : fréquence cardiaqueIl y avait un changement significatif dans la fréquence cardiaque (HR) entre les images négatives et neutres dans la condition de chant non religieux. Une tendance similaire a été observée dans la condition de non-chant. Cependant, aucune différence de RH de ce genre n’a été observée dans l’état de chant religieux (figure 7). Figure 2 : Un canal représentatif (Pz) a montré différents ERP dans six conditions de chant. Les six conditions sont (1) le chant religieux tout en regardant des images neutres (AmiNeu); (2) chants religieux tout en regardant des images négatives (AmiNeg); (3) chants non religieux tout en regardant des images neutres (SanNeu); (4) chants non religieux tout en regardant des images négatives (SanNeg); (5) pas de chant en regardant des images neutres (PasNeu); et (6) pas de chants en regardant des images négatives (PasNeg). Le canal Pz situé dans la zone mi-pariétale du cuir chevelu. Veuillez cliquer ici pour voir une version agrandie de cette figure. Figure 3 : Résultats de l’ERP pour la démonstration de la composante N1 dans les trois conditions de chant. Cartes bidimensionnelles du composant N1 pour les trois conditions de chaque type d’image. Dans la dernière colonne, les canaux présentant des différences significatives (p < 0,05) sont représentés par des points; les points de couleur plus foncée indiquent une plus grande signification (c.-à-d. des valeurs de p plus petites). Veuillez cliquer ici pour voir une version agrandie de cette figure. Figure 4 : Résultats de l’ERP pour la démonstration de la composante LPP dans les trois conditions de chant. Cartes bidimensionnelles de la composante du potentiel positif tardif (LPP) pour les trois conditions pour chaque type d’image. Dans la dernière colonne, les canaux présentant des différences significatives (p < 0,05) sont indiqués par des points; les points de couleur plus foncée indiquent une plus grande signification (c.-à-d. des valeurs de p plus petites). Veuillez cliquer ici pour voir une version agrandie de cette figure. Figure 5 : Analyse de la région d’intérêt (ROI). L’analyse de la région d’intérêt (ROI) sur la différence entre les réponses cérébrales induites par une image négative et neutre pour la composante précoce, N1, et la composante tardive, le potentiel positif tardif (LPP). Veuillez cliquer ici pour voir une version agrandie de cette figure. Figure 6 : Analyse à la source de la composante du potentiel positif tardif (LPP) dans les trois conditions. Les zones mises en évidence indiquent une activité cérébrale plus élevée dans des conditions négatives par rapport à neutres. Veuillez cliquer ici pour voir une version agrandie de cette figure. Figure 7 : Les intervalles de battements cardiaques dans les trois conditions de chant. Les intervalles entre battements (RR) de l’électrocardiogramme sous chaque combinaison type d’image/chant et les valeurs p correspondantes. Ami: Condition de chant du Bouddha Amitabha, San: Condition de chant du Père Noël, Pas: condition de vision passive, Neu: image neutre, Neg: image négative. Veuillez cliquer ici pour voir une version agrandie de cette figure. Tableau supplémentaire 1 : Évaluation de la croyance en l’efficacité du sujet chantant (Bouddha Amitabha, Père Noël). Il utilise une échelle de 1 à 9, où 1 indique la croyance la moins élevée et 9 la croyance la plus forte. Veuillez cliquer ici pour télécharger ce tableau. Fichier supplémentaire 1 : Code pour le prétraitement par lots des données EEG. Il supprime les canaux défectueux, rééchantillonne les données à 250 Hz, puis filtre les données. Veuillez cliquer ici pour télécharger ce fichier. Fichier supplémentaire 2 : Code pour la réparation des données ERP. Il répare les mauvaises époques avec des pointes bruyantes. Veuillez cliquer ici pour télécharger ce fichier.

Discussion

L’unicité de cette étude est l’application d’une méthode neuroscientifique pour sonder les mécanismes neuronaux sous-jacents à une pratique religieuse répandue, c’est-à-dire le chant religieux répétitif. Compte tenu de son effet proéminent, cette méthode pourrait permettre de nouvelles interventions pour les thérapeutes ou les cliniciens afin de traiter les clients souffrant de problèmes émotionnels et souffrant d’anxiété et de stress. Avec les études précédentes, la recherche plus large sur la régulation des émotions devrait être prise en compte dans les études ^{futures7,8,9,22}.

Il existe peu d’études ERP sur le chant, étant donné la difficulté de construire des expériences qui combinent le chant et d’autres événements cognitifs. Cette étude démontre un protocole réalisable pour étudier l’effet affectif du chant / prière, qui est plutôt populaire dans le monde réel. Des études antérieures d’IRM fonctionnelle (IRMf) ont révélé que la prière recrute des domaines de cognition ^sociale23. Une étude d’IRMf à l’état de repos a révélé que le chant « OM » réduisait les sorties du cingulaire antérieur, de l’insula et des cortex ^{orbitofrontaux24}. Une autre étude EEG a révélé que la méditation « OM » augmentait les ondes delta, induisant l’expérience de la relaxation et du sommeil ^profond25. Cependant, ces méthodes ne pouvaient pas étudier avec précision les changements spécifiques liés à l’événement après le chant religieux.

Les chercheurs devraient contrôler les facteurs de confusion du traitement du langage et de la familiarité pour étudier avec succès l’effet potentiel des chants religieux répétitifs. Comme les participants s’entraînaient abondamment et quotidiennement en chantant le nom « Amitabha Bouddha » (caractères chinois: ; Prononciation cantonaise : o1-nei4-to4-fat6), nous avons utilisé le nom « Père Noël » (caractères chinois : ; Prononciation cantonaise: sing3-daan3-lou5-jan4) comme condition de contrôle parce que le local est familier avec le Père Noël. En chinois, les deux noms contiennent quatre caractères, contrôlant ainsi la similitude de la langue. En ce qui concerne la familiarité, le Père Noël est également très populaire à Hong Kong car c’est une ville partiellement occidentalisée. En outre, le Père Noël est également une figure quelque peu positive à Hong Kong, où il y a des vacances de Noël officielles. Néanmoins, ce contrôle de la familiarité est partiel, car il est difficile de correspondre entièrement à la compréhension du nom du Bouddha Amitabha pour les pratiquants.

Une étape critique de la présente étude a été la préparation des images provoquant la peur ou le stress. Comme le chant religieux peut mieux fonctionner lorsque des événements menaçants se produisent, il était crucial de sélectionner des stimuli appropriés dans le pool d’images ^IAPS26. Il est recommandé que les participants potentiels soient interviewés et que des photos appropriées soient choisies pour éviter trop de peur ou de dégoût. Des images très négatives pourraient empêcher les participants d’éviter volontairement leur attention; dans le même temps, les stimuli provoquant la peur et le stress devraient permettre aux participants de faire l’expérience d’une menace suffisante. Un autre problème critique est la conception en bloc de l’étude. Le signal EEG/ERP est suffisamment sensible et dynamique pour suivre chaque événement. Cependant, il serait plus approprié de mettre en œuvre une conception de bloc avec une période de vision de 20 à 30 s, car le modèle de la fonction cardiaque ou de l’émotion peut ne pas changer de l’ordre de quelques ^secondes27. D’autre part, un bloc de 60 s pourrait être trop long et la réponse neuronale pourrait s’habituer dans les études ERP.

L’étape de traitement des données EEG doit effectuer une sauvegarde à chaque étape, car chaque étape modifie les données et enregistre les modifications apportées au cours de ces étapes. Cela peut être utilisé pour suivre les modifications et faciliter la recherche d’erreurs lors du traitement par lots. L’amélioration de la qualité des données est également essentielle, de sorte qu’une expérience dans le nettoyage des données brutes et l’identification des circuits intégrés défectueux est nécessaire. Dans l’analyse statistique, des comparaisons ont été faites sur des moyennes générales et l’ANOVA a été appliquée. Nous avertissons que cette statistique avec le modèle à effet fixe est sensible aux effets ^{aléatoires28}. Les modèles à effets mixtes peuvent être adaptés pour contrôler les facteurs ^étrangers29, et l’hypothèse de linéarité peut potentiellement affecter les inférences tirées des données ^ERP30.

Plusieurs limites méritent d’être notées. Une limite est que l’étude actuelle n’a recruté qu’un seul groupe de participants qui pratiquaient le bouddhisme Pureland. L’inscription d’un groupe témoin sans aucune expérience du chant religieux à des fins de comparaison pourrait aider à déterminer si l’effet du chant religieux est médié par la croyance ou la familiarité. Habituellement, un essai contrôlé randomisé serait plus convaincant pour examiner l’impact de la modulation des émotions sur le chant ^religieux31. Cependant, il est difficile de garantir qu’un participant chanterait de manière répétitive « Amitabha Bouddha » avec une volonté totale. De plus, le LPP est affecté par d’autres facteurs, tels que le son émotionnel ou l’amorçage ^positif32,33. Ainsi, des expériences mieux contrôlées sont nécessaires pour délimiter plus clairement le neuro-mécanisme fondamental sous-jacent à l’effet du chant religieux.

En somme, des études antérieures ont démontré que le cerveau humain est subjectif à la plasticité neuronale et à l’altération rapide des ^états34,35; avec suffisamment de pratique et d’intention, le cerveau peut se remodeler et répondre différemment aux stimuli normalement craintifs. Cette étude donne un aperçu de l’élaboration de stratégies d’adaptation efficaces pour gérer la détresse émotionnelle dans les contextes contemporains. En suivant ce protocole, les chercheurs devraient examiner l’effet du chant religieux ou d’autres pratiques traditionnelles afin d’identifier des moyens réalisables d’aider les gens à améliorer leurs souffrances émotionnelles.

Offenlegungen

The authors have nothing to disclose.

Acknowledgements

L’étude a été soutenue par le projet de petit fonds de HKU et NSFC.61841704.

Materials

E-Prime 2.0	Psychology Software Tools		stimulus presentation, behavior data collection
EEGLAB	Swartz Center for Computational Neuroscience		EEG analysis software
HydroCel GSN 128 channels	Electrical Geodesics, Inc. (EGI)		EEG cap
LabChart	ADInstruments		physiological data (including ECG) acquisition software
Matlab R2011a	MathWorks		EEGLAB and SPM are based on Matlab; statistical analysis tool for EEG and physiological data
Netstation	Electrical Geodesics, Inc. (EGI)		EEG acquisition software
PowerLab 8/35	ADInstruments	PL3508	physiological data (including ECG) acquisition hardware
SPM	Wellcome Trust Centre for Neuroimaging		EEG source analysis software
FMRIB	University of Oxford Centre for Functional MRI of the Brain (FMRIB)		Plug-in for EEGLAB to process ECG data
SPSS	IBM		statistical analysis tool for behavior and EEG ROI data
iMac 27"	Apple		running the Netstation software
Windows PC	HP		running the E-Prime 2.0 software
Windows PC	Dell		running the LabChart software

Referenzen

Kennedy, H., Montreuil, T. C. The late positive potential as a reliable neural marker of cognitive reappraisal in children and youth: A brief review of the research literature. Frontiers in Psychology. 11, 608522 (2020).
Yu, Q., Kitayama, S. Does facial action modulate neural responses of emotion? An examination with the late positive potential (LPP). Emotion. 21 (2), 442-446 (2021).
Gao, J. L., et al. Repetitive religious chanting modulates the late-stage brain response to fear and stress-provoking pictures. Frontiers in Psychology. 7, 2055 (2017).
Barkus, E. Effects of working memory training on emotion regulation: Transdiagnostic review. PsyCh Journal. 9 (2), 258-279 (2020).
Denny, B. T. Getting better over time: A framework for examining the impact of emotion regulation training. Emotion. 20 (1), 110-114 (2020).
Champe, J., Okech, J. E. A., Rubel, D. J. Emotion regulation: Processes, strategies, and applications to group work training and supervision. Journal for Specialists in Group Work. 38 (4), 349-368 (2013).
Sobolewski, A., Holt, E., Kublik, E., Wrobel, A. Impact of meditation on emotional processing-A visual ERP study. Neuroscience Research. 71 (1), 44-48 (2011).
Katyal, S., Hajcak, G., Flora, T., Bartlett, A., Goldin, P. Event-related potential and behavioural differences in affective self-referential processing in long-term meditators versus controls. Cognitive Affective & Behavioral Neuroscience. 20 (2), 326-339 (2020).
Uusberg, H., Uusberg, A., Talpsep, T., Paaver, M. Mechanisms of mindfulness: The dynamics of affective adaptation during open monitoring. Biological Psychology. 118, 94-106 (2016).
Bradley, M. M., Lang, P. J., Coan, J. A., Allen, J. B. . Handbook of emotion elicitation and assessment. Series in affective science. 483, 483-488 (2007).
Gao, J. L., et al. Repetitive religious chanting invokes positive emotional schema to counterbalance fear: A multi-modal functional and structural MRI study. Frontiers in Behavioral Neuroscience. 14, 548856 (2020).
Somaratne, G. A. The Jhana-cittas: The methods of swapping existential planes via samatha. Journal Of The Postgraduate Institute Of Pali And Buddhist Studies. 2, 1-21 (2017).
Bhikkhu, T. Sallatha Sutta: The arrow (SN 36.6), Translated from the pali. Access to Insight Legacy Edition. , (2013).
Halkias, G. . Luminous bliss : a religious history of Pure Land literature in Tibet : with an annotated English translation and critical analysis of the Orgyan-gling gold manuscript of the short Sukhāvatīvȳuha-sūtra. , (2013).
Stewart, J. L., et al. Attentional bias to negative emotion as a function of approach and withdrawal anger styles: An ERP investigation. International Journal of Psychophysiology. 76 (1), 9-18 (2010).
Delorme, A., Makeig, S. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods. 134 (1), 9-21 (2004).
Ito, T. A., Larsen, J. T., Smith, N. K., Cacioppo, J. T. Negative information weighs more heavily on the brain: The negativity bias in evaluative categorizations. Journal of Personality and Social Psychology. 75 (4), 887-900 (1998).
Grech, R., et al. Review on solving the inverse problem in EEG source analysis. Journal of NeuroEngineering and Rehabilitation. 5, 25 (2008).
Penny, W. D., Friston, K. J., Ashburner, J. T., Kiebel, S. J., Nichols, T. E. . Statistical Parametric Mapping: The Analysis of Functional BrainIimages: The Analysis of Functional Brain Images. , (2011).
Friston, K., et al. Multiple sparse priors for the M/EEG inverse problem. NeuroImage. 39 (3), 1104-1120 (2008).
Niazy, R. K., Beckmann, C. F., Iannetti, G. D., Brady, J. M., Smith, S. M. Removal of FMRI environment artifacts from EEG data using optimal basis sets. Neuroimage. 28 (3), 720-737 (2005).
Nakamura, H., Tawatsuji, Y., Fang, S. Y., Matsui, T. Explanation of emotion regulation mechanism of mindfulness using a brain function model. Neural Networks. 138, 198-214 (2021).
Schjoedt, U., Stdkilde-Jorgensen, H., Geertz, A. W., Roepstorff, A. Highly religious participants recruit areas of social cognition in personal prayer. Social Cognitive and Affective Neuroscience. 4 (2), 199-207 (2009).
Rao, N. P., et al. Directional brain networks underlying OM chanting. Asian Journal of Psychiatry. 37, 20-25 (2018).
Harne, B. P., Bobade, Y., Dhekekar, R. S., Hiwale, A. SVM classification of EEG signal to analyze the effect of OM Mantra meditation on the brain. 2019 Ieee 16th India Council International Conference (Ieee Indicon 2019). , (2019).
Coan, J. A., Allen, J. J. B. . Handbook of Emotion Elicitation and Assessment. , (2007).
Meseguer, V., et al. Mapping the apetitive and aversive systems with emotional pictures using a Block-design fMRI procedure. Psicothema. 19 (3), 483-488 (2007).
Luck, S. J., Gaspelin, N. How to get statistically significant effects in any ERP experiment (and why you shouldn’t). Psychophysiology. 54 (1), 146-157 (2017).
Meteyard, L., Davies, R. A. I. Best practice guidance for linear mixed-effects models in psychological science. Journal of Memory and Language. 112, 104092 (2020).
Tremblay, A., Newman, A. J. Modeling nonlinear relationships in ERP data using mixed-effects regression with R examples. Psychophysiology. 52 (1), 124-139 (2015).
Wu, B. W. Y., Gao, J. L., Leung, H. K., Sik, H. H. A randomized controlled trial of Awareness Training Program (ATP), a group-based mahayana buddhist intervention. Mindfulness. 10 (7), 1280-1293 (2019).
Brown, D. R., Cavanagh, J. F. The sound and the fury: Late positive potential is sensitive to sound affect. Psychophysiology. 54 (12), 1812-1825 (2017).
Hill, L. D., Starratt, V. G., Fernandez, M., Tartar, J. L. Positive affective priming decreases the middle late positive potential response to negative images. Brain and Behavior. 9 (1), 01198 (2019).
Belzung, C., Wigmore, P. . Current Topics in Behavioral Neurosciences,1 online resource. , (2013).
Denes, G. . Neural Plasticity Across The Lifespan: How The Brain Can Change. , (2016).

Play Video

PDF

DOI

DOWNLOAD MATERIALS LIST

Diesen Artikel zitieren

Sik, H. H., Halkias, G. T., Chang, C., Gao, J., Leung, H. K., Wu, B. W. Y. Modulation of the Neurophysiological Response to Fearful and Stressful Stimuli Through Repetitive Religious Chanting. J. Vis. Exp. (177), e62960, doi:10.3791/62960 (2021).