JoVE Journal > Behavior
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Acknowledgements
Materials
References
español

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

Usando la Entropía Wavelet para Demostrar cómo la Práctica de Atención Plena Aumenta la Coordinación entre las Actividades Cerebrales y Cardíacas Irregulares

Published: May 10, 2017
doi:
10.3791/55455
, , , , ,
1Centre of Buddhist Studies,The University of Hong Kong, 2Department of Electrical and Electronic Engineering,The University of Hong Kong

Summary

Este manuscrito describe cómo usar el índice de entropía wavelet para analizar datos de electroencefalografía de alta densidad (EEG) y electrocardiograma (ECG). Mostramos que la irregularidad de las actividades cerebrales y cardíacas se coordinó durante la práctica de reducción del estrés basada en la atención plena.

Abstract

Tanto en Oriente como en Occidente, las enseñanzas tradicionales dicen que la mente y el corazón están de alguna manera estrechamente correlacionados, especialmente durante la práctica espiritual. Una dificultad para probar esto objetivamente es que las naturalezas de las actividades del cerebro y del corazón son muy diferentes. En este artículo proponemos una metodología que utiliza la entropía wavelet para medir los niveles caóticos tanto de los datos del electroencefalograma (EEG) como del electrocardiograma (ECG) y mostrar cómo esto puede ser utilizado para explorar la coordinación potencial entre la mente y el corazón en diferentes condiciones experimentales . Además, la cartografía estadística paramétrica (SPM) se utilizó para identificar las regiones del cerebro en el que la entropía wavelet EEG fue el más afectado por las condiciones experimentales. A modo de ejemplo, el EEG y el ECG se registraron bajo dos condiciones diferentes (descanso normal y respiración consciente) al comienzo de un curso estándar de 8 semanas de reducción de estrés basado en Mindfulness (MBT)Ourse (posttest). Utilizando el método propuesto, los resultados demostraron consistentemente que la entropía wavelet del EEG cerebral disminuyó durante el estado de respiración consciente MBSR en comparación con el estado de reposo de ojo cerrado. De forma similar, se encontró una entropía wavelet inferior del heartrate durante la respiración consciente MBSR. Sin embargo, no se encontró diferencia en la entropía wavelet durante MBSR respiración consciente entre el pretest y post-prueba. No se observó correlación entre la entropía de las ondas cerebrales y la entropía del corazón durante el reposo normal en todos los participantes, mientras que se observó una correlación significativa durante la respiración consciente MBSR. Además, las regiones cerebrales más bien correlacionadas se localizaban en las áreas centrales del cerebro. Este estudio proporciona una metodología para el establecimiento de evidencia de que la práctica de atención plena ( es decir, la respiración consciente) puede aumentar la coordinación entre las actividades de la mente y el corazón.

Introduction

Con los avances en neurociencia y medicina 1 , estamos en una posición mucho mejor para entender los beneficios no farmacológicos de la atención plena y la meditación sobre las enfermedades mentales y físicas. Numerosos estudios han demostrado que Mindfulness basado en la reducción de estrés (MBSR) de formación como una especie de ejercicio mental puede reducir activamente el estrés innecesario en la mente y el cuerpo 2 . Durante la práctica de la meditación, el cuerpo y la mente pueden volverse más arrastrados. Estas cuestiones han atraído el interés de la comunidad académica y del público en general y nos han motivado a diseñar una metodología para explorar la posible coordinación entre la mente y el cuerpo (o más específicamente, entre el cerebro y el corazón) en diferentes condiciones para evaluar el efecto De entrenamiento y práctica de MBSR.

La irregularidad de los electroencefalogramas (EEG) suele considerarse como ruido en el análisis del espectro EEG convencional, bPuede contener información útil y puede ser medida por entropía de señal. La entropía EEG se ha utilizado como un índice de condiciones clínicas como la epilepsia, la enfermedad de Alzheimer y la anestesia, y algunas pruebas sugieren que la entropía de EEG puede ser una medida más sensible para el control de los estados cerebrales que el tradicional EEG espectro análisis [ 3 , 4] . La entropía se ha utilizado durante mucho tiempo en la termodinámica como un índice para describir el estado caótico de un sistema. Las ondas cerebrales medidas por EEG son conocidas por su actividad dinámica debido a las redes cerebrales que operan entre el orden y el caos 5 . Entre los diversos tipos de entropías, la entropía wavelet ofrece un método para calcular la entropía de las energías bajo diferentes escalas de observación, lo cual es muy adecuado para analizar señales EEG con características muy variadas en diferentes escalas. Para una señal completamente aleatoria, las energías relativas a diferentes niveles de resolución serán lasMismo, y la entropía alcanzará su máximo. Por lo tanto, la entropía wavelet sirve como una medida de las actividades caóticas en el EEG y puede utilizarse como un índice para diferenciar diferentes estados mentales [ 6] .

Los estudios previos de electrocardiograma (ECG) proporcionaron evidencia consistente de cambios relacionados con la meditación en la variabilidad de los corazones, en comparación con los estados previos a la meditación 7 . El latido del corazón está regulado por el sistema nervioso autónomo (incluyendo el simpático y parasimpático). El tono autonómico está modulado por las interacciones entre el ganglio; Nodo sino auricular; Nervios vagos; Y estructuras cerebrales de orden superior, como el bulbo raquídeo, la ínsula y el sistema límbico. Estas estructuras forman un sistema jerárquico, y su actividad no lineal se puede medir a través de la entropía 8 . Por ejemplo, las ráfagas neurales en las estructuras cerebrales de orden superior pueden influir en el ritmo del ritmo cardíaco 9 .En las condiciones clínicas, trastornos cerebrales como convulsiones epilépticas interrumpir el ritmo cardíaco [ 10] . Neurocardiología investigación también sugiere una estrecha interacción entre el corazón y el cerebro [ 11] .

Una dificultad en el examen de la asociación entre el cerebro y las señales cardíacas es que son muy diferentes en el contenido de la señal y la escala de tiempo. Por lo tanto, un reto importante es identificar una medida común que no sólo es aplicable tanto a las señales cerebrales y cardíacas, sino también significativa para la interpretación en el contexto de la coordinación mente-cuerpo. En este artículo se propone el uso de la entropía wavelet para detectar la posible coordinación entre las irregularidades en el cerebro y las actividades del corazón mediante la correlación de las entropías de EEG y las señales del corazón, que puede ser evaluado a través de un experimento MBSR.

Debido a que MBSR implica la práctica de la atención plena en el cuerpo y la mente, la hipótesis de que MBSR respiración consciente prEl actice puede afectar no sólo la actividad cerebral, sino también el latido del corazón. Los estudios previos investigaron principalmente el efecto del entrenamiento y / o la práctica de la atención plena sobre el cerebro o el corazón por separado y sobre la base de diferentes aspectos; Los cambios simultáneos en estos dos sistemas estrechamente relacionados permanecen en gran parte inexplorados. Sólo unos pocos estudios informaron una mejor coordinación del cuerpo y la mente después de la atención plena 12 . Utilizando la metodología propuesta, los resultados representativos y un estudio previo 13 mostraron que el entrenamiento MBSR de atención plena puede aumentar la coordinación del cuerpo y la mente en términos de sus actividades caóticas, lo que puede ofrecer una nueva visión de los efectos del entrenamiento mindfulness en el centro y periférico Los sistemas nerviosos.

Protocol

Este estudio de investigación fue aprobado por la Junta de Revisión Institucional de la Universidad de Hong Kong. Todos los participantes proporcionaron su consentimiento informado por escrito antes de participar en este estudio. 1. Diseño Experimental Tabla 1. Visión general del curso MBSR. El curso de capacitación de MBSR de 8 semanas tomado por los participantes. Reclutar participantes. NOTA: Once adultos sanos (cinco mujeres) de un curso MBSR local participaron en este estudio EEG y tenían 28 – 52 años de edad. Se excluyó del estudio al participante con depresión basada en el Inventario de Depresión de Beck. El curso siguió el entrenamiento estándar de MBSR ( Tabla 1 ), y los participantes tuvieron que comprometerse a la estructura de entrenamiento. Sistema de grabación EEG. Realizar la grabación EEG en una habitación silenciosa utilizando un EEG de 128 canalesYstem que consiste en una tapa del EEG, un amplificador, un headbox, y una computadora de escritorio. 2. Adquisición de datos EEG y ECG NOTA: La recolección de datos de EEG siguió un procedimiento estándar similar al método descrito anteriormente 14 . Pida a cada participante que se lave el cabello y el cuero cabelludo antes de llegar al sitio experimental. Informar al participante sobre los procedimientos experimentales, principalmente que descansará normalmente durante 10 minutos y hará respiración consciente durante otros 10 minutos mientras esté grabado con dispositivos de EEG y ECG. Limpie el área de la cara y la mastoide del participante con hisopos de alcohol. Usando una cinta métrica, mida la circunferencia de la cabeza del participante y luego elija una tapa de tamaño apropiado. Tome una medida del nasion a la inión y otra medida a través de la tapa de las orejas y sobre el cuero cabelludo. Marque el vértice (el punto a media distancia entre el nasion y elD inión ya media distancia entre las dos orejas) con un rotulador suave. Ajuste las posiciones de los electrodos de acuerdo con los sistemas de electrodos 10-5. Coloque la tapa de tal manera que el electrodo de Cz esté por encima del vértice, el electrodo de Nz esté en el nasion, el electrodo de Lz esté en la inión, el electrodo de RM esté en la mastoide derecha y el electrodo de LM esté en la mastoides izquierda . Coloque los electrodos ECG en las fosas infraclaviculares izquierda y derecha. Llene los portaelectrodos con gel usando una jeringa de punto romo. Mantenga la impedancia inferior a 20 kΩ para cada electrodo. Reduzca la impedancia ajustando la colocación del electrodo para aumentar el contacto con el cuero cabelludo; Agregue más gel si es necesario. Apriete la barbija y pídale al participante que se quede quieto. Ajuste la frecuencia de muestreo del dispositivo EEG a 1.000 Hz. Utilice el mastóide izquierdo como punto de referencia original. Registre los datos del EEG (paso 1.2.1) al comienzo del curso MBSR (dentro de 2 semanas). Haga que el participante realice una exploración corporal breve para relajar todo el cuerpo. Haga que el participante preste atención a su respiración mientras inhala y exhala. Haga que cada participante realice 10 min de respiración consciente MBSR (condición de atención plena MBSR) y 10 min de descanso normal (condición de control) durante la recolección de datos EEG. Esto genera un conjunto de datos de entrenamiento pre-MBSR con dos condiciones. NOTA: Contrabalancea la secuencia de respiración consciente y descanso normal entre los participantes. Registre nuevamente los datos del EEG aproximadamente 1 mes después de que los participantes hayan completado el curso MBSR. Pida a cada participante que realice 10 min de respiración consciente y 10 min de descanso normal durante la recolección de datos del EEG. Esto genera un conjunto de datos de formación post-MBSR con dos condiciones. 3. EEG y análisis de datos de ECG NOTA: Los primeros cuatro pasos sonPara el preprocesamiento de datos, y los pasos restantes son para el cálculo de entropía wavelet y análisis de correlación. Aquí, un software de código abierto denominado EEGLAB 16 se utilizó para el análisis EEG, pero las operaciones deben ser similares a través de diferentes software. A continuación, las operaciones que se basan en EEGLAB se proporcionarán como ejemplo. Consulte el manual EEGLAB para obtener más detalles (https://sccn.ucsd.edu/wiki/EEGLAB_Wiki#EEGLAB_Tutorial). Utilice el software EEG para volver a muestrear los datos a 250 Hz seleccionando Herramientas> Cambiar frecuencia de muestreo. Utilice el filtro de respuesta de impulso finito (FIR) para el filtrado de paso de banda con una banda de paso de 0,5 – 100 Hz seleccionando Herramientas> Filtrar los datos> Filtro FIR básico. Para reducir el ruido debido a la corriente alterna de la red que es específica del país, utilice el filtro corto, no lineal, Infinite Impulse Response (IIR) para el filtrado de muescas con una banda de parada de 47-53 Hz seleccionando Herramientas> Filtrar los datos> Corto no linealFiltro IIR. Esto cubre todas las frecuencias relevantes en el análisis de espectro mientras se elimina el ruido innecesario. Utilice el software EEG para desplazarse visualmente e inspeccionar la señal EEG seleccionando Plot> Channel data (scroll). Identificar y eliminar segmentos EEG que contienen ruido obvio del músculo y cualquier otro evento extraño. Haga clic con el botón izquierdo del ratón y arrastre el ratón sobre los segmentos malos para resaltarlos y luego "eliminar" o "rechazar" los segmentos utilizando el software EEG. NOTA: Las actividades musculares como la deglución o la expresión facial a menudo generan señales discontinuas e irregulares. Los eventos extraños suelen ser causados ​​por movimientos de la cabeza o del cuerpo, que a menudo conducen a cambios significativos (a bajas frecuencias) de la señal EEG. Determine si hay algún canal defectuoso. Reconstruya cada canal defectuoso utilizando el método de interpolación esférica seleccionando Herramientas> Interpolar canal. Utilice el software EEG para realizar(ICA) en los datos seleccionando Herramientas> Ejecutar ICA. Haga que un operador EEG experimentado identifique visualmente y deseche los componentes del movimiento de los ojos y parpadeo, movimientos musculares y componentes de otro posible ruido, seleccionando Herramientas> Rechazar datos usando ICA> Rechazar componentes por mapa; Herramientas> Eliminar componentes. El software EEG reconstruirá los datos automáticamente utilizando los componentes retenidos. Utilice el software EEG para volver a referenciar los datos al promedio de todos los canales antes de un análisis posterior seleccionando Herramientas> Re-referencia. Análisis del espectro. Utilice la función de línea de comandos del software EEG "spectopo" para calcular los espectros de EEG usando la estimación de densidad espectral de potencia de Welch 18 y obtenga las potencias logarítmicas (dB) de delta (1-4 Hz), theta (4-8 Hz), alfa 8 – 12 Hz), beta (12 – 30 Hz) y gamma (30 – 80 Hz). Calcular el po relativoWer de cada tipo de onda 18 ( es decir, la proporción de potencia en la respectiva banda de frecuencias con respecto a la potencia total del espectro). Realizar el análisis de la fuente de EEG usando el acercamiento estadístico del mapeo paramétrico (SPM). Utilice la estimación de la norma mínima 19 para transformar las señales EEG de los electrodos del cuero cabelludo en señales de fuente cerebral 3D. NOTA: Aquí, el número de canal original era 122, y se transformó a 8.196 canales distribuidos en el modelo tridimensional del cerebro. El nivel de significación se estableció en p = 0,01. Consulte el análisis de la fuente en el manual SPM (www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf). Calcular la entropía wavelet para cada canal EEG (así como para la señal de fuente cerebral tridimensional estimada) usando el siguiente procedimiento: Dada una señal ,Calcular los coeficientes wavelet como , dónde Es una base ortonormal de la familia de la onda de Haar y Representa los niveles de descomposición ( N = 10 en este estudio). Defina la energía relativa como , con . Calcular la entropía wavelet como . Promover la entropía wavelet para todos los canales para obtener la entropía wavelet EEG para cada participante. Utilice el paquete de software para realizar un análisis de pico en los datos de ECG para obtener la señal de latido que consiste en el número de picos de onda del ECG y el intervalo entre los picos. NOTA: SuponiendoUn ritmo cardíaco normal de 60-100 latidos por minuto, tanto en el estado de reposo normal como en los estados de respiración consciente, el número de instancias de pulsación N durante una duración de 10 minutos debería ser relativamente pequeño, satisfaciendo 600 < N <1.000. Para obtener una entropía de wavelet fiable a partir de la señal de la pulsación, utilice una ventana deslizante de 500 puntos y un incremento escalonado de 10 puntos para calcular una serie de entropías wavelet utilizando el mismo procedimiento que para EEG, elaborado en la sección 3.7. Utilice el valor medio como la entropía wavelet final. Analizar la correlación cerebral y cardíaca entre los sujetos entre la entropía wavelet de ECG y la de EEG en cada canal del cuero cabelludo utilizando cualquier software estadístico que tiene una función de correlación de Pearson. Utilice la función de línea de comandos del software EEG "topoplot" para construir un mapa estadístico del cuero cabelludo para la correlación. Trazar un gráfico de correlación lineal con la entropía de la frecuencia cardíaca y la entropía EEG promedio de sólo los chaNnels que están significativamente correlacionados con la entropía del corazón (vea la sección Resultados Representativos).

Representative Results

Análisis del espectro En el análisis del espectro de datos de EEG, en comparación con el resto normal, hubo alfa mejorado (8 – 12 Hz) y beta (12 – 30 Hz) y reducido delta (1 – 4 Hz) durante MBSR respiración consciente. El incremento de las ondas alfa fue globalmente significativo, especialmente en los lóbulos frontal y occipital, mientras que el incremento de las ondas beta fue principalmente en el lóbulo frontal. Se observaron disminuciones de las ondas delta en las áreas centro-parietales ( Figura 1 ). Sin embargo, no encontramos cambios significativos entre el entrenamiento previo y posterior al MBSR. Figura 1. Análisis de espectro de MBSR respiración consciente y condiciones normales de descanso. El análisis de espectro muestra que la práctica de MBSR puede cambiar las actividades cerebrales, como lo indican las diferentesEspectros de EEG. Fuente original: Referencia 13 . Haga clic aquí para ver una versión más grande de esta figura. La figura 2 ilustra la región definida de interés: el lóbulo occipital (canales N19 – 21, N41 – 46, N67 – 72, N96 – 100 y N119), el lóbulo frontal central (canales N53 – 61 y N79 – 83) y El lóbulo parietal medio (canales N48 – 50, N64 – 66 y N74 – 76). La Tabla 2 muestra la potencia de cada espectro y la entropía bajo la respiración consciente MBSR y las condiciones normales de reposo, junto con el valor p del test t de la diferencia entre las dos condiciones para cada región de interés. Se combinaron los datos de EEG de entrenamiento pre y post-MBSR ya que no había diferencia entre las dos etapas. <p class="jove_content" fo:keep-together.within-page="1"> Figura 2. Región de Interés Definida. Las áreas definidas de los canales del EEG que representan el lóbulo frontal medio, el lóbulo parietal medio y el lóbulo occipital. Haga clic aquí para ver una versión más grande de esta figura. Delta Teta Alfa Beta Gama Entropía Lóbulo Frontal Medio MBSR 18,96 ± 3,10 22,29 pm 5,86 30,90 pm 7,76 0,12 ± 43,77 -467,25 ± 79,48 0,753 ± 0,060 </ Tr> Descanso 22,40 pm 6,56 22,76 pm 5,98 26,91 pm 7,14 -7,11 ± 42,27 -449,76 ± 102,92 0,785 pm 0,066 P valor 0,0243 0,6555 0.0085 0,0114 0,4419 0,0084 Lóbulo occipital MBSR 15,39 ± 3,30 17,91 pm 6,53 33,38 pm 6,50 -8,03 ± 40,72 -466,23 ± 61,46 0,719 ± 0,048 Descanso 19,82 pm 6,32 20,38 ± 8,11 29,73 pm 5,30 -11,62 ± 40,22 -439,03 ± 102,81 0,763 pm 0,055 P valor 0,0134 0,1213 </tD 0,0125 0,0796 0,8936 0.0098 Lobulo parietal MBSR 17,95 pm 3,60 19,46 pm 6,54 32,84 pm 6,68 2,68 pm 38,23 -487,72 ± 104,13 0,738 pm 0,072 Descanso 21,24 ± 6,37 21,16 ± 8,00 29,79 pm 6,60 -1,27 ± 34,42 -490,01 ± 123,83 0,764 ± 0,075 P valor 0,0157 0,0963 0,0177 0,1507 0,2878 0,0368 Tabla 2. Espectro y entropía a través de las áreas cerebrales. MBSR respiración consciente y condiciones normales de descansoSe comparan entre las tres Regiones de Interés predefinidas (ROI). Análisis de Entropía de Ondula El análisis de la entropía wavelet de EEG mostró disminución de la entropía EEG durante la respiración consciente MBSR en comparación con el resto normal, tanto para el entrenamiento antes y después de MBSR. Debido a que no hubo diferencias significativas entre las dos etapas, se fusionaron para producir un mapa promedio (mostrado en la tercera fila de la Figura 3 ). Las principales áreas con entropía disminuida fueron en el lóbulo frontal y el lóbulo parietal-occipital. Figura 3. Análisis de entropía de las ondas. Resto 1 y MBSR 1 denot pre-MBSR formación, mientras que resto 2 y MBSR 2 denotar post MBSR formación. El análisis de entropía Wavelet muestra que la práctica de MBSR puede reducir laCerebro electrónico actividades. Fuente original: Referencia 13 . Haga clic aquí para ver una versión más grande de esta figura. Análisis de la fuente de la entropía de la onda Fuente de análisis de las señales EEG puede mejorar la resolución espacial deconvolving el cuero cabelludo EEG en actividades eléctricas sobre la superficie cortical 20 . El análisis muestra que las principales regiones cerebrales afectadas por el MBSR mindfulness formación se encontraban en el lóbulo occipital medio izquierdo, precuneus, lóbulo temporal superior, y fusiforme izquierdo ( Figura 4 ]. En la Tabla 3 , para las cuatro etiquetas anatómicas obtenidas a partir del análisis de la fuente, se proporcionan los resultados de la prueba t para la diferencia en las entropías de dos estados diferentes, MBSR mindfulness stateVersus resto normal. Figura 4. Análisis de fuentes. El análisis de la fuente muestra que las entropías de varias regiones cerebrales (destacadas en rojo) disminuyen durante el estado de respiración consciente MBSR. Haga clic aquí para ver una versión más grande de esta figura. Etiqueta anatómica Voxels Xy z Valor t Giro temporal medio L 1.728 -44 -60 16 3,77 Precuneus R 1,324 2 -56 28 3,63 Occipital 749 -2 -102 -12 3,61 Fusiforme 142 -102 3,51 Tabla 3. Informe de análisis de origen. Regiones cerebrales anatómicas con diferencias significativas en la entropía entre la respiración consciente MBSR y las condiciones normales de reposo. L, el lado izquierdo del cerebro. R, el lado derecho del cerebro ( p <0,001, prueba t , sin corregir). Entropía de la Ondulación de la Frecuencia Cardíaca El análisis no reveló diferencias significativas en el heartrate promedio, pero la entropía heartrate fue menor durante MBSR respiración consciente, tanto pre y post MBSR formación ( Cuadro 4 ]. Descanso1 MBSR1 Resto2 MBSR2 Frecuencia cardíaca (latidos por minuto) 68,2 ± 9,5 67,7 pm 9,3 71,8 ± 8,1 70,7 ± 8,4 Entropía de la Ondulación de la Frecuencia Cardíaca 0,89 pm 0,05 0,79 pm 0,11 * 0,89 pm 0,07 0,80 pm 0,12 # Tabla 4. Heartrate y Heartrate Wavelet Entropía de MBSR Respiración consciente y condiciones normales de descanso. Las dos condiciones se comparan en ambos antes y después de MBSR formación. * Diferencia significativa ( p <0,05) entre el resto 1 y MBSR 1. # Diferencia significativa ( p <0,05) entre el resto 2 y MBSR 2. CorrelaciónEntre las actividades del corazón y del cerebro Dada la conexión potencial entre el cerebro y el corazón, se analizó la correlación entre entropía EEG cerebral entero ( es decir, el promedio de entropías EEG sobre todos los canales de EEG para un solo sujeto) y la entropía heartrate durante MBSR respiración consciente y estados normales de descanso . Las entropías del cerebro y el corazón se correlacionaron significativamente durante MBSR respiración consciente, pero no durante el resto normal. Como se muestra en la parte superior de la Figura 5 , la importancia de la correlación entre la entropía del EEG en cada canal y la entropía del corazón es más prominente en la parte central del cerebro. El gráfico inferior muestra la correlación entre la entropía EEG en las regiones centrales (promedio de los canales punteados que están significativamente correlacionados con la entropía del corazón) y la entropía del corazón. <p class="jove_content" fo:keep-together.within-page="1"> Figura 5. Correlación entre las entropías wavelet de las actividades electrónicas del corazón y el cerebro. La entropía wavelet de la actividad cerebral es el promedio de los canales significativos en la región central, como se muestra en la figura superior derecha. La entropía wavelet del corazón se basa en el intervalo de heartrate. La correlación (panel inferior) se calcula a través de todos los sujetos tanto para los resultados de entrenamiento previos como posteriores al MBSR. Fuente original: Referencia 13 . Haga clic aquí para ver una versión más grande de esta figura.

Discussion

Este EEG estudio proporciona pruebas concretas de que, en comparación con el resto normal, la respiración consciente MBSR mejora las ondas alfa en los lóbulos frontal y occipital. Esto está en línea con la mayoría de los informes sobre el aumento de las ondas alfa durante la meditación, especialmente en los principiantes [ 21] . Las ondas alfa generalmente indican un estado de excitación y vigilancia y libertad de cualquier tarea específica. Tal estado mental es uno de los objetivos de la meditación; Es decir, mantener la mente limpia y afilada, libre de vuelos de fantasía o de dormirse. La mayor sincronía de onda alfa durante la práctica MBSR también puede mejorar la coordinación entre la mente y el cuerpo [ 22] .

Las actividades electrónicas del gran número de neuronas en el cerebro forman un sistema jerárquico no lineal, y su irregularidad puede ser bien medida por la entropía 8 . Encontramos que durante la práctica MBSR, la irregularidad del cerebro electrOnic disminuyó a través de una gran parte del EEG del cuero cabelludo, especialmente en el polo frontal y las regiones bilaterales del cerebro occipital. Otro análisis de la fuente de wavelet entropía mostró que la irregularidad de occipital y precuneus actividades se redujo durante MBSR práctica. Otras áreas involucradas incluyen el cíngulo medio derecho y el lóbulo temporal superior. Esto está en línea con otro estudio que indica que la materia gris aumenta en el precuneus después de la formación MBSR [ 23] . Los practicantes de meditación avanzados suelen tener ondas gamma EEG parieto-occipitales más altas durante el sueño no rápido del movimiento ocular 1 . Una característica importante de la formación MBSR es ser sin prejuicios del flujo de información mente / cerebro. Esto puede reducir potencialmente la irregularidad de las actividades cerebrales. Debido a que una fuente de información principal en el cerebro es la corteza visual, es plausible que las regiones cerebrales relacionadas con la visión sean más afectadas por la práctica MBSR que otras regionesNs. Esto permite que la mente se vuelva menos sensible a la información irrelevante y preste más atención a la respiración consciente.

El análisis de entropía wavelet mostró menos irregularidad de heartrate durante la respiración consciente en comparación con el estado de reposo normal, lo que implica un equilibrio más refinado del sistema nervioso autónomo debido a interacciones relativamente inquebrantable entre los tonos parassimpático y simpático. La respiración consciente puede también afectar el heartrate porque los aferentes sensoriales del pulmón envían proyecciones inhibitorias a las neuronas motoras vagales cardiacas en el cerebro medio, que inhiben el heartrate vía el nervio del vago 24 . La interacción cardiorrespiratoria es mediada por el tronco encefálico y el sistema límbico en el cerebro [ 25] . Dada la conexión entre el sistema nervioso central y la actividad cardíaca, es plausible que, al entrenar a la mente, el MBSR u otras prácticas de meditación también pueden influir en otras funciones corporales, comoRestablecer la sensibilidad barorreflexa, mejorar la eficiencia del intercambio gaseoso en los pulmones y equilibrar el sistema nervioso autónomo 26 .

La conexión mente-cuerpo se enfatiza en muchas tradiciones orientales. En este sentido, nuestro estudio proporciona la primera evidencia objetiva en términos de entropía. Las irregularidades de las actividades cerebrales y cardíacas se hicieron más coordinadas durante la práctica MBSR, y la coordinación fue mayor en las regiones somatosensoriales bilaterales. Esta región es directamente responsable de la entrada y movimiento sensorial del cuerpo, y esta mayor coordinación implica mayor conciencia corporal durante la práctica MBSR. Se encontró que el entrenamiento de la atención plena aumentaba las actividades de las áreas viscerosomáticas en un estudio funcional de RM, que tiene una mejor resolución espacial que el EEG 27 . Nuestros resultados sugieren que el cerebro y el corazón pueden ser más arrastrado durante la práctica MBSR, la descarga de entropía innecesaria en el sistema <s Up class = "xref"> 28. Debido a que el latido del corazón está regulado por el sistema nervioso autónomo, en el que el tono autonómico es modulado por las interacciones entre el ganglio; Nodo sino auricular; Nervios vagos; Y las estructuras cerebrales de orden superior, como el bulbo raquídeo, la insulina y el sistema límbico, los sistemas nervioso autónomo y central pueden estar más coordinados durante la práctica de MBSR.

Un paso importante en un estudio como el nuestro es elegir el índice de entropía adecuado para medir la irregularidad de EEG y ECG. A diferencia de Renu Madhavi y otros , que usaron la entropía aproximada 29 , hemos optado por utilizar la entropía wavelet para enfocarnos en la complejidad entre las energías en diferentes escalas. Debido a que las actividades electrónicas del cerebro se originan a partir de un gran número de neuronas que tienen características diferentes en diferentes escalas y espectros, entropía wavelet debe ser más adecuado para medir la irregularidad de EEG> 30. Del mismo modo, heartrate instantánea también tiene características diferentes en diferentes escalas de tiempo, por lo que es razonable aplicar entropía wavelet a ECG 31 . Además, la entropía de Shannon y la entropía aproximada son sensibles a la frecuencia de muestreo, y la entropía aproximada requiere grandes tiempos de cálculo que aumentan exponencialmente con la longitud de los datos, esto además del cálculo en el espacio fuente.

Vale la pena señalar varias limitaciones del estudio actual. En primer lugar, la resolución espacial del EEG del cuero cabelludo es relativamente pobre, a pesar de su alta resolución temporal. Para abordar esto, el análisis de la fuente se aplicó en nuestro estudio. La reconstrucción de la fuente de EEG es un problema mal planteado, y un enfoque alternativo es tener priores espaciales de estudios anteriores de resonancia magnética funcional (IRMf), que pueden ayudar a mejorar la precisión de la reconstrucción 32 , 33 . Otra limitación es tLa coordinación entre el cerebro y las actividades del corazón se evaluó entre los sujetos; La coordinación dentro del sujeto se deja a los estudios futuros. Además, la entropía de ECG no se deriva directamente de la señal de ECG, sino más bien del intervalo de heartrate, porque la amplitud de ECG puede ser influenciada grandemente por la posición del electrodo y la impedancia de la piel y no es por lo tanto comparable entre los sujetos.

Los estudios previos realizaron generalmente un análisis del espectro de la señal del EEG, descartando la irregularidad en EEG como ruido. Por el contrario, proponemos utilizar la entropía wavelet como un índice más sensible para medir las actividades caóticas electrónicas del cerebro como un reflejo del estado mental. La metodología propuesta proporciona pruebas objetivas de la suposición tradicional de que la mente y el corazón están más coordinados durante la meditación.

Debido a que la entropía wavelet puede monitorear el estado de meditación con bastante sensibilidad, puede usarse en el traini mentalAsí como la entropía se utiliza en la práctica clínica para medir el nivel de anestesia durante la cirugía. Utilizando un índice similar a la entropía wavelet, los dispositivos inalámbricos de EEG pueden usarse para monitorear convenientemente la práctica de meditación diaria de un individuo u otro entrenamiento mental con fines educativos. Sin embargo, debido a que un EEG inalámbrico generalmente sólo puede medir de forma estable los canales en la frente, necesitamos explorar si estos canales son lo suficientemente sensibles como para controlar el estado de ánimo.

Los pasos críticos de este procedimiento incluyen mantener la impedancia de la piel para cada electrodo bajo para una mejor calidad de la señal y menos ruido; Apropiadamente y de manera apropiada la capacitación MBSR; Asegurando un buen estado mental no fatigado antes del experimento, ya que la meditación requiere gran energía; Elegir el índice de entropía adecuado (entropía wavelet); Y estar familiarizado con el análisis de la fuente SPM de los datos del EEG.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Este estudio fue apoyado por el fondo SPF-201209176152 en la Universidad de Hong Kong. Damos las gracias a la Dra. Helen Ma por enseñar el curso y reclutar a los participantes del MBSR.

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
DOWNLOAD MATERIALS LIST

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).

Tags

Wavelet EntropyEEGECGMindfulnessBrain-heart CoordinationChaosNeurosciencePsychologyMental Training128-channel EEG System10-5 Electrode SystemNasionInionVertexCzNzLzRMLM

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
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).
Download Citation
Reprints and Permissions

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image