概要

Modulação da Resposta Neurofisiológica a Estímulos Temerosos e Estressantes Através de Cantos Religiosos Repetitivos

Published: November 04, 2021
doi:

概要

O presente estudo de potencial relacionado a eventos (ERP) fornece um protocolo único para investigar como o canto religioso pode modular emoções negativas. Os resultados demonstram que o potencial positivo tardio (LPP) é uma resposta neurofisiológica robusta a estímulos emocionais negativos e pode ser efetivamente modulada por cantos religiosos repetitivos.

Abstract

Em experimentos neuropsicológicos, o potencial positivo tardio (LPP) é um componente potencial (ERP) relacionado a eventos que reflete o nível de excitação emocional. Este estudo investiga se o canto religioso repetitivo modula a resposta emocional a estímulos provocados pelo medo e ao estresse, levando assim a uma LPP menos responsiva. Vinte e um participantes com pelo menos um ano de experiência no canto religioso repetitivo de “Amitabha Buda” foram recrutados. Um sistema de eletroencefalografia (EEG) de 128 canais foi utilizado para coletar dados de EEG. Os participantes foram instruídos a ver imagens negativas ou neutras selecionadas do Sistema Internacional de Imagens Afetivas (IAPS) em três condições: canto religioso repetitivo, canto repetitivo não religioso e nenhum canto. Os resultados demonstraram que a visualização das imagens negativas de medo e estresse induziu LPPs maiores nos participantes do que ver imagens neutras sob as condições de canto sem canto e não religiosa. No entanto, esse aumento do LPP desapareceu em grande parte sob condições repetitivas de canto religioso. Os achados indicam que o canto religioso repetitivo pode efetivamente aliviar a resposta neurofisiológica a situações temerárias ou estressantes para os praticantes.

Introduction

O potencial positivo tardio (LPP) tem sido acompanhado há muito por excitação emocional, e tem sido usado de forma confiável em pesquisas relacionadas à emoção1,2. A prática religiosa é generalizada em países orientais e ocidentais. Afirma-se que pode aliviar a ansiedade e o estresse do praticante ao enfrentar eventos adversos, especialmente em momentos de dificuldade3. No entanto, isso raramente tem sido demonstrado em rigorosos cenários experimentais.

Inúmeros estudos confirmaram que a regulação das emoções pode ser aprendida com diferentes estratégias e quadros4,5,6. Alguns estudos mostraram que a atenção plena e a meditação podem modular a resposta neural a eventos afetivos7,8. Recentemente, descobriu-se que os praticantes de meditação podem empregar estratégias de modulação de emoções além de avaliação cognitiva, supressão e distração8,9. Estímulos do Sistema Internacional de Imagem Afetiva (IAPS) podem ser usados para provocar emoções positivas ou negativas de forma confiável, e existem critérios padrão para encontrar imagens projetadas com valência e níveis de excitação especificados em pesquisas afetivas10.

Estímulos emocionais podem causar respostas precoces e posteriores no cérebro3,11. Da mesma forma, a tradição do budismo fez análise analógica nos pensamentos mentais por processos mentais iniciais e secundários3,12,13. O Sallatha Sutta (The Arrow Sutta), um texto budista antigo, menciona que o treinamento cognitivo pode domar a emoção. O Arrow Sutta afirma que tanto um praticante budista bem treinado quanto uma pessoa destreinada experimentam uma percepção inicial e negativa da dor ao enfrentar um evento prejudicial13. Esta dor inicial inevitável é semelhante a uma pessoa sendo atingida por uma flecha, como descrito no Sallatha Sutta. A dor perceptiva precoce é idêntica à fase de processamento precoce quando uma pessoa vê um quadro altamente negativo. O processamento neural precoce geralmente provoca um componente N1. Pessoas destreinadas podem desenvolver emoções excessivas, como preocupação, ansiedade e estresse, depois de experimentar os sentimentos dolorosos iniciais e inevitáveis. De acordo com a Sallatha Sutta, essa emoção negativa de desenvolvimento tardio ou dor psicológica é como ser atingida por uma segunda flecha. Um experimento de potencial (ERP) relacionado a eventos pode capturar os processos psicológicos iniciais e posteriores do projeto atual, assumindo que N1 e LPP poderiam corresponder às duas setas mencionadas acima.

Neste protocolo, o canto repetitivo do nome “Amitabha Buda” (Sanskit: Amitābha) foi escolhido para testar o efeito potencial do canto religioso quando um indivíduo está em uma situação temerosa ou estressante. Este canto religioso é uma das práticas mais populares de indivíduos com orientações religiosas entre budistas chineses, e é uma prática central do Budismo da Terra Pura da Ásia Oriental14. Havia a hipótese de que o canto religioso repetitivo reduziria a resposta cerebral a estímulos provocantes, ou seja, o LPP induzido por imagens assustadoras ou estressantes. Tanto os dados de EEG quanto de eletrocardiograma (ECG) foram coletados para avaliar as respostas neurofisiológicas dos participantes em diferentes condições.

Protocol

Este estudo ERP foi aprovado pelo Conselho de Revisão Institucional da Universidade de Hong Kong. Antes de participar deste estudo, todos os participantes assinaram um termo de consentimento livre e esclarecido por escrito. 1. Design experimental Recrutar participantes Recrute participantes com pelo menos 1 ano (~ 200-3.000 h) de experiência em cantar o nome de “Amitabha Buda” para este estudo.NOTA: No presente estudo, foram selecionados 21 participantes humanos entre 40 e 52 anos; 11 eram homens. Canto religioso vs. cantos não religiosos Cante o nome de “Amitabha Buda” por 40 anos. Os primeiros 20 s com a imagem de Amitabha Buda e os próximos 20 com imagens IAPS. Cante apenas quatro caracteres do nome “Amitabha Buda” enquanto vê a imagem do Buda Amitabha na escola Pureland14. Cante o nome de Papai Noel (condição de canto não religioso) para os anos 40. Os primeiros 20 anos, enquanto visualizam a imagem do Papai Noel e os próximos 20 com imagens do IAPS. Cante apenas quatro personagens do nome Papai Noel e imagine o Papai Noel. Fique em silêncio por 40 s. Os primeiros 20 s com uma imagem em branco para fins de controle e os próximos 20 s com imagens IAPS.NOTA: Sem cânticos. Sistema de gravação EEG Grave dados de EEG usando um sistema EEG de 128 canais que consiste em um amplificador, headbox, tampa EEG e dois computadores desktop (ver Tabela de Materiais). Sistema de apresentação de estímulos Use software de apresentação de estímulo (ver Tabela de Materiais) para mostrar imagens neutras e negativas do IAPS em um computador desktop. Sistema de gravação de ECG Use um sistema de gravação de dados fisiológicos para registrar dados de ECG (ver Tabela de Materiais). 2. Experimento de modulação afetiva NOTA: O experimento teve dois fatores com um design 2 x 3: O primeiro fator foi o tipo de imagem: neutro e negativo (medo e estresse). O segundo fator foi o tipo de canto: entoando “Amitabha Buda”, entoando “Papai Noel” e sem cânticos (visão silenciosa). Use um design de bloco, pois pode obter componentes mais eficazes relacionados à emoção15.NOTA: Foram seis condições, e as sequências foram aleatórias e contrabalanceadas entre os participantes (Figura 1). As seis condições foram as seguintes: canto religioso ao ver imagens negativas (AmiNeg); canto religioso enquanto visualiza imagens neutras (AmiNeu); sem cânticos enquanto visualiza imagens negativas (PasNeg); sem cânticos enquanto visualiza imagens neutras (PasNeu); canto não religioso ao ver imagens negativas (SanNeg); e cantos não religiosos enquanto visualizam imagens neutras (SanNeu). Figura 1: O procedimento experimental. Havia seis condições pseudorandomizadas, e cada participante recebeu uma sequência pseudorandomizada. Cada condição foi repetida seis vezes em duas sessões separadas. Este número foi adaptado do Reference3. Clique aqui para ver uma versão maior desta figura. Mostre cada imagem para ~1.8-2.2 s, com um intervalo interestimuloso (ISI) de 0,4-0.6 s.NOTA: Havia 10 fotos do mesmo tipo (neutro ou negativo) em cada sessão. Permita um período de descanso de 20 s após cada sessão para combater os potenciais efeitos residuais de canto ou visualização de imagens na próxima sessão. Apresente as imagens em um monitor CRT a uma distância de 75 cm dos olhos dos participantes, com ângulos visuais de 15° (vertical) e 21° (horizontal). Peça aos participantes que observem as imagens com cuidado. Forneça uma breve prática aos participantes para permitir que eles se familiarizem com cada condição. Use um monitor de vídeo para garantir que os participantes não durmam. Dê aos participantes um descanso de 10 minutos no meio do experimento de 40 minutos. 3. Coleta de dados EEG e ECG NOTA: Antes de vir ao experimento, peça a cada participante para lavar completamente o cabelo e o couro cabeludo sem usar um condicionador ou qualquer outra coisa que possa aumentar a impedância do sistema. Colete os dados EEG e ECG simultaneamente por dois sistemas separados. Informe cada participante dos procedimentos experimentais, ou seja, que imagens eficazes foram vistas em diferentes condições de canto. Defina a taxa de amostragem para 1.000 Hz, e mantenha a impedância de cada eletrodo abaixo de 30 kΩ sempre que possível ou de acordo com as exigências do sistema. Coletar dados fisiológicos, incluindo dados de ECG usando um sistema de registro de dados fisiológicos (ver Tabela de Materiais). 4. Análise de dados EEG Processe e analise os dados do EEG com o EEGLAB (ver Tabela de Materiais), Arquivo Suplementar 1-2, um software de código aberto16 seguindo as etapas abaixo. Use a função EEGLAB “pop_resample” para remapear os dados de 1.000 Hz a 250 Hz para manter um tamanho razoável de arquivo de dados. Clique em Ferramentas > Alterar a taxa de amostragem. Use a função EEGLAB “pop_eegfiltnew” para filtrar os dados com um filtro FIR (Finite impulse response, resposta a impulso finito) com banda de passagem de 0,1-100 Hz. Clique em Ferramentas > Filtre os dados > filtro FIR básico (novo, padrão). Filtre os dados novamente com um filtro de resposta a impulso infinito não linear (IIR) com uma banda paradas de 47-53 Hz para reduzir o ruído da corrente alternada. Clique em Ferramentas > Filtre os dados > selecionar Notch filtrar os dados em vez de passar banda. Inspecione visualmente os dados para remover artefatos fortes gerados pelos movimentos dos olhos e músculos. Clique em Plot > Dados do Canal (scroll). Inspecione visualmente os dados novamente para obter qualquer ruído consistente gerado por qualquer canal, e os canais ruins foram observados. Reconstrua os canais ruins usando interpolação esférica. Clique em Ferramentas > os eletrodos Interpolate > Selecione nos canais de dados. Execute a análise de componentes independentes (ICA) com o algoritmo de código aberto “runica”16. Clique em Ferramentas > Executar ICA. Remova os componentes independentes (ICs) correspondentes aos movimentos oculares, piscadas, movimentos musculares e ruído da linha. Clique em Ferramentas > Rejeite dados usando componentes ICA > Rejeitar por mapa. Reconstrua os dados usando as ICs restantes. Clique em Ferramentas > Remova componentes. Filtre os dados com um filtro de passagem baixa de 30 Hz. Clique em Ferramentas > Filtre os dados > filtro FIR básico (novo, padrão). Obtenha dados ERP extraindo e média de épocas bloqueadas para cada condição com uma janela de tempo de -200 a 0 ms como a linha de base e de 0 a 800 ms como ERP. Clique em Ferramentas > Extrair épocas. Refencie os dados ERP com a média dos canais mastoide esquerdo e direito. Clique em Ferramentas > re-referência. Repita as etapas acima para os conjuntos de dados de todos os participantes e compare as diferenças entre as condições usando o teste t ou as medidas repetidas ANOVA em um software de análise estatística (ver Tabela de Materiais). Defina janelas de tempo para N1 e LPP com base em teorias estabelecidas8,17 e nos dados atuais3.NOTA: Neste trabalho, n1 foi definido como 100-150 ms, enquanto LPP como 300-600 ms de início de estímulo; O PPL é o mais proeminente na região central-parietal (Figura 2). Encontre a diferença de imagem neutra vs. negativa no componente N1 usando o teste t emparelhado entre três condições (Figura 3). Encontre a diferença de imagem neutra versus negativa no componente LPP usando o teste t emparelhado entre três condições (Figura 4). Realizar análises de região de interesse (ROI) nos componentes N1 e LPP, através da média de canais relevantes para representar uma região.NOTA: Para selecionar o ROI, as épocas das três condições foram mediadas para calcular os canais onde as imagens neutras e negativas tiveram uma diferença significativa na janela de tempo específica (por exemplo, para N1 ou LPP). Compare a diferença em N1 e LPP separadamente, utilizando medidas repetidas ANOVA e estatísticas pós-hoc em software de análise estatística.NOTA: Utilize a análise pós-hoc (correção de Bonferroni) e determine diferenças significativas entre as duas condições separadamente se o modelo foi significativo. O limiar de significância foi fixado em p < 0,05. 5. Análise de origem ERP Realize a análise de origem ERP18 com o software de código aberto SPM19 (ver Tabela de Materiais) seguindo as etapas abaixo. Vincule o sistema de coordenadas do sensor de tampa EEG ao sistema de coordenadas de uma imagem de ressonância magnética estrutural padrão (coordenadas do Instituto Neurológico de Montreal (MNI) por co-registro baseado em marco. Em SPM, clique em Batch > SPM > M/EEG > Especificação do modelo de > de cabeça. Realize a computação para a frente para calcular o efeito de cada dipolo na malha cortical imposta aos sensores EEG. No mesmo Editor de Lote, clique em SPM > M/EEG > inversão de origem > Origem.NOTA: Esses resultados foram colocados em uma matriz G (n x m), onde n é o número de sensores (dimensão espacial EEG) e m é o número de vértices de malha (dimensão do espaço de origem). O modelo de origem foi X = GS, onde X é uma matriz n x k denotando os dados ERP de cada condição, k é o número de pontos de tempo, e S é uma matriz m x k indicando a fonte ERP. Use o ganancioso algoritmo de antecedentes múltiplos baseados em pesquisa (já que S é desconhecido) no terceiro passo (entre os muitos algoritmos disponíveis) para realizar a reconstrução inversa porque é mais confiável do que outros métodos20. Escolha MSP (GS) para o tipo Inversão na janela Inversão de fonte . Determine a diferença entre as condições utilizando modelagem linear geral em SPM. Defina o nível de significância para p < 0,05. Em Batch Editor, clique em SPM > Stats > especificação de design fatorial. 6. Análise de dados e avaliação comportamental do ECG Use software fisiológico e de processamento de dados para processar e analisar os dados do ECG (ver Tabela de Materiais). Calcule os escores médios para cada condição. No EEGLAB, clique em Ferramentas > ferramentas FMRIB > detectar eventos QRS21.NOTA: Semelhante à análise de amplitude do ERP, o software estatístico foi utilizado para analisar melhor os dados com medidas repetidas ANOVA. A análise pós-hoc foi realizada para determinar as diferenças significativas entre as duas condições separadamente se o modelo foi significativo. O nível de significância foi definido para p < 0,05. Peça aos participantes que classifiquem sua crença na eficácia de cantar o nome do sujeito (Amitabha Buda, Papai Noel, etc.) em uma escala 1-9, onde 1 é considerado mais fraco e 9 o mais forte.

Representative Results

Resultados comportamentaisOs resultados para a crença dos participantes de canto revelaram uma pontuação média de 8,16 ± 0,96 para “Buda Amitabha”, 3,26 ± 2,56 para “Papai Noel”, e 1,95 ± 2,09 para a condição de controle em branco (Tabela Suplementar 1). Resultados do ERPO canal representativo de Pz (lobo parietal) demonstrou que as condições de canto tiveram efeitos diferentes no processamento precoce (N1) e tardio (LPP) de imagens neutras e negativas. Mostrou a janela de tempo de N1 e LPP, respectivamente (Figura 2). Estágio perceptivo precoceOs resultados do ERP mostraram um aumento de N1 ao visualizar as imagens negativas em três condições de canto (Figura 3). Mostrou que imagens negativas induziram atividades cerebrais centrais mais fortes do que imagens neutras, e os aumentos são comparáveis em três condições. Estágio emocional/cognitivo tardioO ERP demonstrou um aumento do LPP nas condições não religiosas de canto e não-canto. No entanto, o LPP induzido por imagens negativas é quase visível quando o participante canta o nome de Amitabha Buda (Figura 4). Análise região de interesse (ROI)As três condições foram combinadas para estimar as regiões geralmente ativadas nos componentes N1 e LPP. Medidas repetidas A ANOVA foi realizada com software estatístico para calcular a diferença nos componentes N1 e LPP entre as condições de canto (Figura 5). As três colunas esquerdas mostram a diferença no componente N1 para as três condições de canto: a condição de visualização silenciosa, a condição de canto não religioso e a condição de canto religioso. As diferenças no componente N1 foram semelhantes nas três condições. As três colunas certas mostram a diferença no componente LPP para as três condições de canto. Isso demonstra que a diferença no componente LPP é muito menor na condição de canto religioso do que na condição de canto não religioso e na condição de visualização silenciosa. Análise de origemA análise da origem foi aplicada para extrair o mapeamento cerebral potencial com base nos resultados do LPP (Figura 6). Os resultados mostram que, quando comparadas com imagens neutras, imagens negativas induzem mais ativação parietal na condição de canto não religioso e nenhuma condição de canto. Em contraste, essa ativação negativa induzida por imagens desaparece em grande parte na condição de canto religioso. Resultados fisiológicos: frequência cardíacaHouve uma mudança significativa na frequência cardíaca (HR) entre as imagens negativas e neutras na condição de canto não religioso. Uma tendência semelhante foi encontrada na condição de não-cantar. No entanto, não foi encontrada tal diferença de RH na condição de canto religioso (Figura 7). Figura 2: Um canal representativo (Pz) mostrou diferentes ERPs em seis condições de canto. As seis condições são (1) cantos religiosos enquanto visualizam imagens neutras (AmiNeu); (2) canto religioso ao visualizar imagens negativas (AmiNeg); (3) cantos não religiosos enquanto visualizam imagens neutras (SanNeu); (4) cantos não religiosos enquanto visualizam imagens negativas (SanNeg); (5) sem canto enquanto visualiza imagens neutras (PasNeu); e (6) sem canto enquanto visualiza imagens negativas (PasNeg). O canal Pz localizado na área parietal média do couro cabeludo. Clique aqui para ver uma versão maior desta figura. Figura 3: Os resultados do ERP para demonstrar o componente N1 nas três condições de canto. Mapas bidimensionais do componente N1 para as três condições para cada tipo de imagem. Na última coluna, são mostrados canais com diferenças significativas (p < 0,05) com pontos; pontos que estão na cor mais escura indicam maior significância (ou seja, valores p menores). Clique aqui para ver uma versão maior desta figura. Figura 4: Os resultados do ERP para demonstrar o componente LPP nas três condições de canto. Mapas bidimensionais do componente potencial positivo tardio (LPP) para as três condições para cada tipo de imagem. Na última coluna, são mostrados canais com diferenças significativas (p < 0,05) com pontos; pontos que estão na cor mais escura indicam maior significância (ou seja, valores p menores). Clique aqui para ver uma versão maior desta figura. Figura 5: Análise região de interesse (ROI). A região de interesse (ROI) analisou a diferença entre respostas cerebrais negativas versus neutras induzidas por imagem para o componente inicial, N1, e o componente tardio, o potencial positivo tardio (LPP). Clique aqui para ver uma versão maior desta figura. Figura 6: Análise de origem do componente potencial positivo tardio (LPP) nas três condições. Áreas destacadas indicam maior atividade cerebral em condições negativas versus neutras. Clique aqui para ver uma versão maior desta figura. Figura 7: O coração bate intervalos sob as três condições de canto. Os intervalos inter-beat (RRs) do eletrocardiograma em cada combinação de tipo/canto de imagem e os valores p correspondentes. Ami: Amitabha Buda condição de canto, San: Santa Claus condição de canto, Pas: condição de visualização passiva, Neu: imagem neutra, Neg: imagem negativa. Clique aqui para ver uma versão maior desta figura. Tabela suplementar 1: Classificando a crença na eficácia do sujeito entoando (Amitabha Buda, Papai Noel). Ele usa uma escala 1-9, onde 1 indica a menor crença e 9 a crença mais forte. Clique aqui para baixar esta Tabela. Arquivo complementar 1: Código para pré-processamento de lotes de dados EEG. Ele remove canais ruins, resample os dados para 250 Hz e, em seguida, filtra os dados. Clique aqui para baixar este Arquivo. Arquivo complementar 2: Código para reparação de dados ERP. Ele conserta épocas ruins com espinhos barulhentos. Clique aqui para baixar este Arquivo.

Discussion

A singularidade deste estudo é a aplicação de um método neurocientífico para sondar os mecanismos neurais subjacentes a uma prática religiosa generalizada, ou seja, cantos religiosos repetitivos. Dado o seu proeminente efeito, esse método poderia permitir novas intervenções para terapeutas ou médicos tratarem clientes que lidam com problemas emocionais e sofrem de ansiedade e estresse. Juntamente com estudos anteriores, pesquisas mais amplas sobre regulação de emoções devem ser consideradas em estudos futuros7,8,9,22.

Há poucos estudos de ERP sobre canto, dada a dificuldade de construir experimentos que combinam cânticos e outros eventos cognitivos. Este estudo demonstra um protocolo viável para investigar o efeito afetivo do canto/oração, que é bastante popular no mundo real. Estudos anteriores de ressonância magnética funcional (fMRI) descobriram que a oração recruta áreas de cognição social23. Um estudo de estado de repouso fMRI revelou que cantar “OM” reduziu as saídas dos cortices cingulados anteriores, insula e orbitofrontal24. Outro estudo da EEG descobriu que a meditação “OM” aumentou as ondas delta, induzindo a experiência de relaxamento e sono profundo25. No entanto, esses métodos não poderiam investigar precisamente as mudanças específicas relacionadas ao evento após o canto religioso.

Os pesquisadores devem controlar os fatores de confusão do processamento da linguagem e da familiaridade para investigar com sucesso o efeito potencial do canto religioso repetitivo com sucesso. Como os participantes praticavam extensivamente e diariamente cantando o nome “Amitabha Buda” (caracteres chineses: Equation 1; Pronúncia cantonês: o1-nei4-to4-fat6), usamos o nome “Papai Noel” (caracteres chineses: ; Equation 2 Pronúncia cantonês: sing3-daan3-lou5-jan4) como condição de controle porque o local está familiarizado com o Papai Noel. Em chinês, ambos os nomes contêm quatro caracteres, controlando assim a similaridade da linguagem. Em relação à familiaridade, o Papai Noel também é bastante popular em Hong Kong porque é uma cidade parcialmente ocidentalizada. Além disso, o Papai Noel também é um número um tanto positivo em Hong Kong, onde há feriados oficiais de Natal. No entanto, esse controle da familiaridade é parcial, pois é difícil corresponder inteiramente ao entendimento do nome de Amitabha Buda para os praticantes.

Um passo crítico no presente estudo foi a preparação das imagens que provocam o medo ou o estresse. Como o canto religioso pode funcionar melhor quando ocorrem eventos ameaçadores, selecionar estímulos adequados da piscina de imagens IAPS26 foi crucial. Recomenda-se que os participantes em potencial sejam entrevistados e que sejam escolhidas imagens adequadas para evitar muito medo ou nojo. Imagens altamente negativas podem impedir que os participantes evitem voluntariamente sua atenção; ao mesmo tempo, os estímulos provocados pelo medo e ao estresse devem permitir que os participantes experimentem uma ameaça suficiente. Outra questão crítica é o projeto do bloco do estudo. O sinal EEG/ERP é suficientemente sensível e dinâmico para acompanhar todos os eventos. No entanto, seria mais apropriado implementar um projeto de bloco com um período de visualização de 20-30 s porque o padrão de função cardíaca ou emoção pode não mudar na ordem dos segundos27. Por outro lado, um bloco de 60 anos pode ser muito longo, e a resposta neural pode se tornar habituada nos estudos de ERP.

A etapa de processamento de dados EEG precisa fazer um backup durante cada etapa, pois cada etapa altera os dados e registra as alterações feitas durante essas etapas. Isso pode ser usado para rastrear alterações e facilitar a encontrar erros durante o processamento em lote. Melhorar a qualidade dos dados também é essencial, por isso é necessária experiência na limpeza de dados brutos e identificação de ICs ruins. Na análise estatística, foram feitas comparações em grandes médias, e a ANOVA foi aplicada. Alertamos que essa estatística com o modelo de efeito fixo é suscetível a efeitos aleatórios28. Modelos de efeitos mistos podem ser adaptados para controlar fatores estranhos29, e a suposição de linearidade pode afetar potencialmente inferências extraídas dos dados ERP30.

Várias limitações valem a pena notar. Uma limitação é que o presente estudo inscreveu apenas um grupo de participantes que praticavam o Budismo Pureland. Inscrever um grupo de controle sem qualquer experiência em canto religioso para comparação pode ajudar a determinar se o efeito do canto religioso é mediado pela crença ou familiaridade. Normalmente, um ensaio controlado randomizado seria mais convincente para examinar o impacto da modulação da emoção no canto religioso31. No entanto, é difícil garantir que qualquer participante entoaria repetidamente “Amitabha Buda” com total vontade. Além disso, o LPP é afetado por outros fatores, como som emocional ou escoramento positivo32,33. Assim, experimentos mais bem controlados são necessários para delinear mais claramente o neuro-mecanismo fundamental subjacente ao efeito do canto religioso.

Em suma, estudos anteriores demonstraram que o cérebro humano é subjetivo à plasticidade neural e à rápida alteração dos estados34,35; com prática e intenção suficientes, o cérebro pode se remodelar e responder de forma diferente a estímulos normalmente temerosos. Este estudo fornece insights sobre o desenvolvimento de estratégias eficazes de enfrentamento para o tratamento do sofrimento emocional em contextos contemporâneos. Seguindo este protocolo, os pesquisadores devem examinar o efeito do canto religioso ou outras práticas tradicionais para identificar formas viáveis de ajudar as pessoas a amenizar seus sofrimentos emocionais.

開示

The authors have nothing to disclose.

Acknowledgements

O estudo foi apoiado pelo pequeno projeto de fundo do HKU e 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

参考文献

  1. 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).
  2. Yu, Q., Kitayama, S. Does facial action modulate neural responses of emotion? An examination with the late positive potential (LPP). 情動. 21 (2), 442-446 (2021).
  3. 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).
  4. Barkus, E. Effects of working memory training on emotion regulation: Transdiagnostic review. PsyCh Journal. 9 (2), 258-279 (2020).
  5. Denny, B. T. Getting better over time: A framework for examining the impact of emotion regulation training. 情動. 20 (1), 110-114 (2020).
  6. 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).
  7. 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).
  8. 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).
  9. 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).
  10. 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).
  11. 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).
  12. 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).
  13. Bhikkhu, T. Sallatha Sutta: The arrow (SN 36.6), Translated from the pali. Access to Insight Legacy Edition. , (2013).
  14. 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).
  15. 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).
  16. 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).
  17. 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).
  18. Grech, R., et al. Review on solving the inverse problem in EEG source analysis. Journal of NeuroEngineering and Rehabilitation. 5, 25 (2008).
  19. 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).
  20. Friston, K., et al. Multiple sparse priors for the M/EEG inverse problem. NeuroImage. 39 (3), 1104-1120 (2008).
  21. 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).
  22. 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).
  23. 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).
  24. Rao, N. P., et al. Directional brain networks underlying OM chanting. Asian Journal of Psychiatry. 37, 20-25 (2018).
  25. 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).
  26. Coan, J. A., Allen, J. J. B. . Handbook of Emotion Elicitation and Assessment. , (2007).
  27. 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).
  28. 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).
  29. 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).
  30. Tremblay, A., Newman, A. J. Modeling nonlinear relationships in ERP data using mixed-effects regression with R examples. Psychophysiology. 52 (1), 124-139 (2015).
  31. 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).
  32. 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).
  33. 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).
  34. Belzung, C., Wigmore, P. . Current Topics in Behavioral Neurosciences,1 online resource. , (2013).
  35. Denes, G. . Neural Plasticity Across The Lifespan: How The Brain Can Change. , (2016).

Play Video

記事を引用
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).

View Video