Die großen Auswirkungen einer kurzen Meditationsintervention auf EEG-Spektren bei Meditationsanfängern

Dr. Joe Dispenza / 04. Dezember 2020

Abstrakt

Diese Studie untersuchte die Auswirkungen eines kurzen Meditationsworkshops auf eine Stichprobe von 223 Meditierenden Anfängern. Die Teilnehmer nahmen an einem dreitägigen Workshop teil, der täglich geführte Meditationssitzungen im Sitzen mit Musik ohne Gesang umfasste, die sich auf verschiedene emotionale Zustände und Absichten konzentrierte (offener Fokus). Basierend auf der Theorie des integrativen Bewusstseins wurde die Hypothese aufgestellt, dass die Teilnehmer während der Meditationsintervention veränderte Bewusstseinszustände erfahren würden, die mittels Elektroenzephalogramm (EEG) beurteilt werden. Die Muster der Gehirnwellenleistungsbänder wurden während des Meditationstrainings-Workshops gemessen, was insgesamt 5616 EEG-Scans ergab. Veränderungen in den Bewusstseinszuständen wurden mit Messungen von Delta bis hin zu Gamma-Oszillationen vor und nach der Meditationssitzung analysiert. Die Ergebnisse deuteten darauf hin, dass die Meditationsintervention stark unterschiedliche Auswirkungen auf die EEG-Spektren hatte (bis zu 50 % Zunahme und 24 % Abnahme), und die Geschwindigkeit der Änderung der EEG-Kospektren vom Zustand vor der Meditation in den Zustand nach der Meditation war signifikant (mit einer Wahrscheinlichkeit von 0.76 .). des Eintritts in den Endmeditationszustand innerhalb der ersten Minute). Die Delta-Leistung nahm hauptsächlich um 5 % ab (95 % HDI = [−0.07, −0.03]); ein globaler Anstieg der Thetaleistung von 29 % (95 % HDI = [0.27, 0.33]); ein globaler Anstieg von 16 % (95 % HDI = [0.13, 0.19]) der Alphaleistung; ein Haupteffekt der Erkrankung, wobei die globale Beta-Power um 17 % zunimmt (95 % HDI = [0.15, 0.19]); und eine 11 %ige Zunahme (95 % HDI = [0.08, 0.14]) der Gammakraft von der Vormeditation bis zur Endmeditation. Die Ergebnisse lieferten eine vorläufige Unterstützung für eine kurze Meditation zur Veränderung von Bewusstseinszuständen bei Meditierenden Anfängern. Eine zukünftige klinische Untersuchung der Meditation wurde als Intervention bei psychischen Erkrankungen empfohlen, die insbesondere mit Hippocampus-Beeinträchtigungen verbunden sind.

1. Einleitung

Psychischer Stress ist eine globale Gesundheitsepidemie, die jedes Jahr mit mehr als 23 Millionen Todesfällen weltweit in Verbindung gebracht wird (Finn, 2016; Goet al., 2004). Chronischer Stress ist mit kognitiven Beeinträchtigungen der Hippocampusregion des Gehirns verbunden, die das Gedächtnis und das Lernen regulieren (Hainset al., 2009; Kooijet al., 2014) und mit negativen physiologischen Wirkungen einschließlich erhöhter Entzündung und verminderter Immunität (Marslandet al., 2017). Eine Reihe von auf Achtsamkeit basierenden Techniken wurde entwickelt, um Stress abzubauen und die Indikatoren für die Lebensqualität zu verbessern (Bohlmeijer et al., 2010; Schapiro, 2009). Insbesondere besteht ein zunehmendes Forschungsinteresse an der Wirkung von Meditation auf den Nutzen für die gesamte Gesundheit (z. B. als Katalysator zur Verbesserung der Immunfunktion; Davidson et al., 2003; Jacobs et al., 2011). Meditation ist ein bewusster und komplexer kognitiver Prozess, der Konzentration und empfängliche Aufmerksamkeit beinhaltet (Tang et al., 2015). Beispiele für Meditation sind Mantra-Meditation, Tai Chi und Chi Gong (Ospina et al., 2007). Meditation wird als ein Mechanismus angesehen, der veränderte Zustände hervorrufen kann, die typischerweise mit einer unbewussten Gehirnfunktion verbunden sind (Schapiro, 2009). Meditationspraktiken mit fokussierter Aufmerksamkeit erfordern eine anhaltende Aufmerksamkeit für einen bestimmten Bereich innerer oder äußerer Erfahrungen. Während Offenheit, offene Überwachung und Achtsamkeitsmeditationspraktiken einen breiteren Aufmerksamkeitsschwerpunkt auf eine Reihe dynamischer Reize legen (Cahn und Polich, 2006; Lutz et al., 2008). Darüber hinaus beginnen geführte Meditationsansätze typischerweise mit einer Entspannung, die von einem anderen Experten geleitet wird und den Meditierenden zu bestimmten inneren Erfahrungen führt (z. B. Vorstellungssituationen, Denkprozesse). Geführte Meditation wird als besonders vorteilhaft angesehen, da die Art der Anweisungen dazu neigt, sich auf einen bestimmten Zweck zu beziehen, wie z. B. Heilung oder Selbstverbesserung. Beispiele für meditative Ziele sind die Schaffung von Wohlstand, die Verbesserung von Beziehungen, die Förderung von Vergebung und die Hervorrufung höherer Bewusstseinszustände (Moral, 2017).

Wachsende Erkenntnisse deuten darauf hin, dass Meditation weitreichende physiologische und psychologische Vorteile bietet. Meditationspraktiken sind mit einer verbesserten Exekutivfunktion und einem verbesserten Arbeitsgedächtnis verbunden, zusammen mit einer Verbesserung des Schweregrads der psychischen Gesundheit (z. B. Angstzustände, Depressionen, Essstörungen).Fox et al., 2014; Perichet al., 2013; Schapiro, 2009; Vøllestad et al., 2012; Williams et al., 2014).

Meditation umfasst eine breite Palette von psychosomatischen Praktiken, die darauf abzielen, die Aufmerksamkeitsregulierung in Bezug auf selbst geschaffene mentale Bilder (interozeptive oder exterozeptive Schwerpunkte) zu verbessern und die Verarbeitung gegenwärtiger Erfahrungen zu optimieren (Jainet al., 2015; Robins et al., 2012). Diese Fähigkeiten wurden auf entsprechende Bereiche im Gehirn abgebildet, einschließlich des Dorsalsystems (freiwillig, Top-Down-Orientierung) und des Ventralsystems, das an einer stimulusgetriebenen Bottom-Up-Aufmerksamkeit beteiligt ist (Schapiro, 2009). Studien mit funktioneller Magnetresonanztomographie (fMRT) haben dazu beigetragen, systemische Karten der mit Meditation verbundenen physiologischen Dimensionen abzugrenzen (Kirche, 2013). Insbesondere moderne Elektroenzephalogramm- (EEG-) Kartierungs- und Neuroimaging-Techniken haben die Untersuchung der differentiellen Gehirnfunktion über ein Kontinuum von Zuständen einschließlich meditativer Erfahrungen ermöglicht (Barinaga, 2003; Cahn und Polich, 2006).

Unterschiedliche kognitive Netzwerke sind mit bewussten Verarbeitungsaufgaben während Aufmerksamkeitsaufgaben verbunden (z. B. Orientierung, Konfliktüberwachung; Davidson et al., 2003) und zur objektiven und empfänglichen Aufmerksamkeitsgrundlage der Achtsamkeitspraxis (z. B. Nichturteilen, Akzeptieren; (Anderson et al., 2007; Shapiro und Schwartz, 2000). Bei Personen mit fortgeschrittener Meditationspraxis wurde eine erhöhte Aufmerksamkeitskontrolle beobachtet (Moore und Malinowski, 2009). Eine Studie untersuchte die Meditationskompetenz bei Teilnehmern mit unterschiedlichem Meditationserlebnis anhand von EEG-Daten. Ereignisbezogene Potenziale (ERPs) wurden während einer Stimulusdiskriminierungs- und Aufmerksamkeitsaktivität bewertet (Atchleyet al., 2016). Alle Teilnehmer unterschieden bei Verwendung von ERP-Priming zwischen Zieltönen. Ferner wurde kein Leistungsunterschied zwischen Anfängern und erfahrenen Meditierendengruppen beobachtet. Dies war eine der ersten Studien, die darauf hinwies, dass Kenntnisse im Aufmerksamkeitstraining mithilfe der Meditationspraxis relativ schnell erreicht werden können.

Theoretische Bewusstseinsmodelle legen nahe, dass bewusste und unbewusste Prozesse von verteilten neuronalen Komponenten abhängen, die auf funktional integrierte Weise wirken (Schutter et al., 2004; Smith, 2012). Meditation soll daher ein einzigartiges Mittel sein, um diese Prozesse zu untersuchen. Das heißt, da sowohl das bewusste als auch das unbewusste Gehirn gleichzeitig funktionieren, bietet Meditation die Möglichkeit, den Übergang von einem normalen Wachzustand zu einem wachen, aber veränderten Bewusstseinszustand zu beobachten (Davidson et al., 2012). Bewusstseinszustände werden als Bedingungen beschrieben, die sich qualitativ von anderen durch das Vorhandensein von oder Bedingungen und Eigenschaften unterscheiden, die in anderen Zuständen fehlen (Törtchen, 1972). Da Bewusstseinszustände eine entscheidende Rolle bei der Bildung menschlicher Erfahrungen in einer Reihe von kognitiven und Verhaltensfunktionen spielen, sind Untersuchungen der zugrunde liegenden bewussten und unbewussten Gehirnmechanismen von entscheidender Bedeutung (Merricket al., 2014; Vietenet al., 2018; Winkelmann, 2011). Solche Erkenntnisse können klinische Ergebnisse liefern, die dazu dienen können, psychische und physiologische Belastungen weiter zu unterstützen.

Das Modell des integrativen Bewusstseins hat sich aus der Theorie entwickelt, dass physiologische Mechanismen „transzendenter Zustände“ auf einem gemeinsamen neurochemischen Weg beruhen, an dem der Temporallappen beteiligt ist (Mandell, 1980). Aus dieser theoretischen Perspektive wird angenommen, dass Meditationspraxis eine Serotoninhemmung für die Hippocampuszellen bewirkt, was wiederum die Zellaktivität und die Manifestation der langsamwelligen EEG-Aktivität des Hippocampusseptums (dh Alpha, Delta und Theta) erhöht, die eine synchrone Langsamkeit auferlegt Wellenmuster über die Lappen (Winkelmann, 2010, 2011). Die Integration manifestiert sich in der Mitnahme des frontalen Kortex durch hochkohärente und synchronisierte langsame Wellenentladungen, die vom limbischen System und verwandten Strukturen des unteren Gehirns ausgehen. Diese Mitnahmen treten bei einer Vielzahl von Frequenzen auf, aber zwei vorherrschende Muster sind synchronisierte langsamwellige Theta-Bänder (3–6 Zyklen pro Sekunde) und hochfrequente Gamma-Oszillationen (40 + cps). Diese synchronisierten Gehirnwellenmuster werden als integrative Bewusstseinsform bezeichnet (Winkelmann, 2011).

Frühere Forschungen haben Meditationseffekte in klinischen Proben und Personen mit umfassender Meditationskompetenz untersucht (z. B. buddhistische Mönche, Schamanen und Praktiker mit mehr als 10 Jahren Erfahrung in der achtsamen Praxis). Flor-Henry et al., 2017; Tang et al., 2015). Insbesondere wurden bei Experten während der Meditation unterschiedliche Gehirnaktivierungen beobachtet, die auf verschiedene Meditationsstile zurückzuführen sind, die häufig über das EEG gemessen werden. Darüber hinaus haben die physiologischen Maßnahmen naiver Meditierender denen sehr erfahrener Meditierender nach einer einzigen Meditationssitzung entsprochen (Fennell et al., 2016). Wenig Forschung hat jedoch eine elektrophysiologische Untersuchung der meditativen Erfahrung bei Personen mit begrenzter Meditationserfahrung und mit einem geführten Meditationsansatz angeboten. Um diese Forschungslücke zu schließen, zielte die aktuelle Studie darauf ab, die Auswirkungen intensiver Meditationspraxis (2–4 Stunden Meditationspraxis pro Tag) auf eine Stichprobe von unerfahrenen Meditierenden zu untersuchen. Die Interventionsfaktoren (einschließlich Umwelt- und Meditationsansätze) wurden optimiert, um das Lernen unter den Teilnehmern zu beschleunigen. Die aktuelle Studie zielte darauf ab, die veränderten Bewusstseinszustände der Teilnehmer während der Meditation zu bewerten, indem das Muster der Gehirnwellen-Leistungsbänder an jedem Meditationsendpunkt mit den Basismessungen (dh Alpha-, Delta- und Theta-Oszillationen) verglichen und die hochfrequente Gammasynchronisation bewertet wurde . Gestützt auf die Theorie des integrativen Bewusstseins (Winkelmann, 2011) wurde die Hypothese aufgestellt, dass veränderte Bewusstseinszustände durch veränderte Muster von Gehirnwellen über jede Meditation in der Stichprobe der unerfahrenen Meditierenden hinweg erkannt werden.

2. Materialien und Methode

2.1. Teilnehmer und Ablauf

Die erste Convenience-Stichprobe bestand aus 468 Teilnehmern im Alter von 19 bis 83 Jahren (M = 50.56, SD = 14.52), von denen 312 weiblich (71.4%) und 125 männlich (28.6%) waren. Alle Teilnehmer gaben ihre schriftliche Zustimmung zur Teilnahme an der Studie. Die Teilnehmer waren Meditationsanfänger oder hatten zuvor nur begrenzte Erfahrungen mit Formen geführter Meditationen. Alle Teilnehmer nahmen an Meditationstrainings teil, die von Dr. Joseph Dispenza, DC, an verschiedenen nordamerikanischen Orten durchgeführt wurden. Das Meditationstraining, bekannt als „Advanced Workshop“, umfasste zwei bis drei tägliche Sitzungen an drei Tagen. In jeder Sitzung nahmen die Teilnehmer an psychoedukativen Vorträgen teil (z. B. Vortrag über die Rolle von Hormonen bei Stress; Dispensa, 2014) und nahm an einer geführten sitzenden Meditation zur Musik (ohne Gesang und mit offenem Fokus) teil, die ungefähr 60 Minuten dauerte. Während der gesamten Meditationssitzung wurden für jeden Teilnehmer EEG-Gehirnwellendaten aufgezeichnet, wobei die EEG-Daten vor der Meditation mit den EEG-Daten der Endpunktmeditation für jede Sitzung des Meditationstrainingsprogramms verglichen wurden.

2.2. EEG-Analysen

Das EEG wurde unter Verwendung eines Standard-10/20-19-Elektroden-Arrays gemessen. Es gab einen Haupteffekt der Meditation auf EEG-Spektren und eine Wechselwirkung zwischen Elektrodenstelle und Mediationsbedingung. Zum Beispiel, Abb.. 7 zeigt diese Interaktion farbcodiert, um die negativsten und positivsten Änderungen der Spektren aus der Meditation zu zeigen. Das Modell zeigte jedoch, dass es keine Hinweise auf systematische Wechselwirkungen zwischen Elektrodenposition und Meditationstechnik gab, was darauf hinweist, dass die Quellen für alle Meditationstechniken gleich sein können, die Intensität und Kombination der Bandleistungsänderungen sich jedoch zwischen den Techniken unterschieden. Der EEG-Einrichtungsprozess erforderte 10 Minuten pro Teilnehmer, wobei die Kopfumfangsmessungen an eine EEG-Kappe (kleine, mittlere und große Größen) angepasst wurden. Die Kappen wurden ungefähr zwei Zoll über der Augenbraue kalibriert und folgten einer Linie, die in der Mitte der Stirn begann und sich um den Kopf herum fortsetzte, um sich am festgelegten Anfangspunkt zu treffen. Es wurden Basisaufzeichnungen erhalten, die geschlossene Augen (4 Minuten) und Gehirn bei Aufgabe (4 Minuten) umfassten, bevor Meditationssitzungen aufgezeichnet wurden.

2.3. Meditationsarten

Während des dreitägigen Workshops nahmen 468 Teilnehmer an ungefähr drei Meditationen pro Tag teil (siehe Tabelle 1), die insgesamt 5616 EEG-Scans ergaben. Die sitzende geführte Meditation unter der Leitung des zweiten Autors betonte Atmung, Visualisierung und konzentrierte Konzentration (verinnerlichte Aufmerksamkeit).

Tabelle 1. Meditationssitzungen nach Tageszeit.

S	Zeit	Meditationstyp
Tag 1 Typ 1 (D1T1)	Morgen (9.00 Uhr) Meditation	Konzentrieren Sie sich auf erhöhte Emotionen und setzen Sie Energie im Körper frei, um die zugehörigen Chakra-Zentren abzustimmen, auszurichten und zu verbinden
Tag 1 Typ 2 (D1T2)	Mittagsmeditation (12 Uhr)	Konzentrieren Sie sich auf Gefühle der Dankbarkeit
Tag 1 Typ 3 (D1T3)	Nachmittagsmeditation (3.00 Uhr)	Konzentrieren Sie sich auf die Kapitulation
Tag 2 Typ 1 (D2T1)	Morgenmeditation (9.00 Uhr)	Konzentrieren Sie sich auf erhöhte Emotionen und setzen Sie Energie im Körper frei, um die zugehörigen Chakra-Zentren abzustimmen, auszurichten und zu verbinden
Tag 2 Typ 2 (D2T2)	Mittagsmeditation (12 Uhr)	Konzentrieren Sie sich auf eine bestimmte Absicht, ein bestimmtes Ereignis im Leben zu verwirklichen
Tag 2 Typ 3 (D2T3)	Nachmittagsmeditation (3.00 Uhr)	Konzentrieren Sie sich auf erhöhte Emotionen und ein Gefühl der Ganzheit und Einheit mit der Welt (über eine Meditation mit offenem Fokus).
Tag 3 Typ 1 (D3T1)	Meditation am frühen Morgen (6.30 Uhr)	Konzentrieren Sie sich auf erhöhte Emotionen und setzen Sie Energie im Körper frei, um die zugehörigen Chakra-Zentren abzustimmen, auszurichten und zu verbinden
Tag 3 Typ 2 (D3T2)	Meditation am Vormittag (10.00 Uhr)	Konzentrieren Sie sich darauf, eine zukünftige Absicht zu schaffen
Tag 4 (D4T1)	Sehr früher Morgen (4.00 Uhr) Meditation	Konzentrieren Sie sich darauf, Energie durch den Körper zum Gehirn zu bewegen, um die Zirbeldrüse zu aktivieren und eine mystische Erfahrung zu induzieren (Meditation im Sitzen und Niederlegen).

3. Ergebnisse

3.1. Vorverarbeitung

Angesichts der Variabilität bei der Vorverarbeitung und den Montagen wurden Daten aus Headsets-Aufzeichnungen der verknüpften Ohrreferenz mit der 0.5–80-Hz-Bandpass-Vorverarbeitung verwendet, wodurch die Stichprobe auf 283 Teilnehmer reduziert wurde. Daten für 60 Teilnehmer wurden aufgrund einer kurzen Dauer von Aufzeichnungen während der Sitzung (<10 Minuten) entfernt, da die Dauer von weniger als 10 Minuten nicht lang genug war, um für die Beurteilung der neuronalen Dynamik geeignet zu sein. Dies ergab eine endgültige Stichprobe von 223 Teilnehmern. EEG-Daten wurden im EDF-Format exportiert und in MNE-Python (Version 17.1; Gramfort et al., 2013, 2014) zur anschließenden Analyse. Die PREP-Pipeline wurde verwendet, um durch Rauschen verfälschte Kanäle zu erkennen (Bigdely-Shamlo et al., 2015) mit allen nicht arbeitenden Elektroden, die über die sphärischen Splines interpoliert werden (Perrinet al., 1989, 1990). Die Daten wurden mit FIR-Filter (1 - 50 Hz bandpassgefiltert)Rabiner et al., 1978). Mögliche Augenzwinkern wurden unter Verwendung eines sich bewegenden Medians mit einem Median zwischen 30 und 300 Mikrovolt mit einem Fenster von 15 Proben (60 ms), das als Blinzeln markiert war, gemessen an den Elektroden Fp1 und Fp2, festgestellt. Die Daten wurden vom Oberflächen-Laplace (über sphärische Interpolation) transformiert, um ein robusteres referenzfreies Signal bereitzustellen (Kayser und Tenke, 2006). Die Daten, die die Augenzwinkernereignisse umgeben, wurden in Epochen von –500 bis 500 ms segmentiert. Die unabhängige Komponentenanalyse wurde unter Verwendung des Picard-Algorithmus durchgeführt (Ablin et al., 2018) um in den Daten vorhandene EOG-Artefakte zu isolieren und zu entfernen, indem die Komponente mit dem größten absoluten Pearson-Korrelationskoeffizienten für die Augenzwinkern-Epochen über die Funktion find_bad_eog in MNE-Python ausgewählt wird. Die letzten fünf Minuten der Vormeditations- und Meditationsaufzeichnungen wurden verwendet, um die Auswirkungen der verschiedenen Meditationstypen auf die EEG-Spektren zu vergleichen, und das während der Meditation aufgezeichnete EEG wurde verwendet, um die neuronale Dynamik der Meditation zu bewerten. Das R-Paket ggplot2 und MNE-Python wurden verwendet, um die Figuren zu erstellen (Hadley und Sievert, 2016).

3.2. Modellbefestigung

Die Bayes'sche Parameterschätzung wurde verwendet, um die Ergebnisse zu bewerten (McGillet al., 2017). Diese Analyse wurde ausgewählt, da die Absichten des Experimentators explizit über das Modell und die vorherigen Verteilungen angegeben werden. Es wurden vollständige Verteilungen für glaubwürdige Werte für alle Parameter im Modell anstelle einzelner Werte bereitgestellt. Da bei diesem Verfahren keine p-Werte oder Konfidenzintervalle verwendet werden, wird davon ausgegangen, dass die Bayes'sche Parameterschätzung mehr Informationen liefert als das Testen der Nullhypothesen-Signifikanz (Krüschke, 2013). Die posterioren Verteilungen wurden mit ihrem mittleren und höchsten Dichteintervall (HDI) zusammengefasst (Kruschke und Liddell, 2015). Der HDI enthält die 95% wahrscheinlichsten Werte der Verteilung. Für alle statistischen Analysen wurde die R-Version 3.5.1 (R Core Team, 2018) verwendet. Stan 2.17.0 (Carpenter et al., 2017) mit dem RStan 2.17.3 (Stan Entwicklungsteam, 2018) Schnittstelle für alle Modelle. Stan schätzt die posteriore Verteilung unter Verwendung eines Hamiltonian Monte Carlo (HMC) -Verfahrens. Für jedes Modell wurden vier Ketten gleichzeitig 2000 Proben gezogen, von denen 1000 aufgewärmt wurden. Die resultierende Probengröße betrug 4,000. Die posterioren Proben für jeden Parameter wurden durch Inspektion sowohl der Spurendiagramme als auch des Gelman-Rubins auf Konvergenz untersucht $\hat{r}$ Statistik (Gelman und Rubin, 1992), woher $\hat{r}$ nahe 1.00 zeigen an, dass die Ketten konvergiert haben.

3.3. Frequenzvergleich durch maschinelles Lernen

Um zu untersuchen, ob eine Auswirkung der Meditation auf die EEG-Frequenzspektren vorliegt, wurden Klassifikatoren für maschinelles Lernen individuell trainiert, um zwischen den Daten vor der Meditation und den letzten fünf Minuten der Meditation (Bedingung) zu unterscheiden. Ein auf Riemann-Geometrie basierender Klassifikator (Congedo et al., 2017) unter Verwendung der Co-Spektren des EEG zwischen vier und 45 Hz (250-ms-Hanning-Fenster, 75% Überlappung, 4-Hz-Auflösung) für 2-s-nicht überlappende Epochen für die Vormeditation und die Endmeditationsdaten waren benutzt. Ein auf Riemannscher Geometrie basierender Klassifizierer wurde ausgewählt, da dieser Klassifizierertyp hinsichtlich der Leistung bei der BCI-Klassifizierung, der einfachen Implementierung und der guten Verallgemeinerungsfähigkeit im Vergleich zu anderen Optionen wie Deep Learning zu den besten zählt (Lotte et al., 2018). Darüber hinaus war die Leistung während der Validierung sehr hoch und daher für die Abschätzung der neuronalen Dynamik der Meditationstechniken geeignet. Der Klassifikator verwendete die logistische Regression des Tangentenraums (Congedo et al., 2017) zwischen den beiden Staaten zu unterscheiden. Random-Split (75% Zug, 25% Test) 10-fach-Kreuz-Validierung wurde verwendet, um die Leistung zu schätzen, die durch die Verwirrungsmatrix des Klassifikators gemessen wurde. Um die Gesamtleistung abzuschätzen, wurde ein hierarchisches Multinomial-Dirichlet-Modell an die mittlere Verwirrungsmatrix jedes Teilnehmers angepasst (siehe Modellbeschreibung). Die Schätzungen der Verwirrungsmatrix wurden dann in Genauigkeits- und Befähigungsmaßnahmen zusammengefasst (White et al., 2004). Genauigkeit und Kompetenz wurden aus der Verwirrungsmatrix unter Verwendung des Standardverfahrens berechnet: Genauigkeit, indem die Summe der wahren Positiven und Wahren Negative geteilt durch die Summe der Verwirrungsmatrix und der Kompetenz berechnet wurde, indem die gegenseitige Information der erwarteten und der vorhergesagten Ergebnisse berechnet wurde geteilt durch die Entropie der erwarteten Ergebnisse (Cälen, 2017; White et al., 2004).

3.4. Beschreibung des Frequenzvergleichsmodells

Wir waren daran interessiert, wie gut die Klassifikatoren die Zustände vor und am Ende der Meditation unterschieden und ob es Unterschiede in der Leistung zwischen den Meditationstechniken gab. Die Verwirrungsmatrix eines Teilnehmerklassifikators, $\vec{C_{p}}$ wurde als Zufallsstichprobe aus einer multinomialen Verteilung modelliert: $\vec{C_{p}} \sim M u l t i n o m i a l (\vec{θ_{p}})$ woher $\vec{C_{p}}$ schätzte die Wahrscheinlichkeiten von echten Negativen, falschen Positiven, falschen Negativen und wahren Positiven für einen einzelnen Klassifikator. $\vec{C_{p}}$ wurde ein Dirichlet vor gegeben: $\vec{θ_{p}} \sim D i r i c h l e t (\vec{θ_{t}} \times κ_{t})$ woher $\vec{θ_{t}}$ gemessen die Gruppenwahrscheinlichkeiten für jede Zelle in der Verwirrungsmatrix für eine bestimmte Meditationstechnik und $κ_{t}$ schätzte die Konzentration von $\vec{θ_{t}}$ . $\vec{θ_{t}}$ wurde auch ein Dirichlet vor gegeben:

$\vec{θ_{t}} \sim D i r i c h l e t (\vec{θ_{g}} \times κ_{g})$ woher $\vec{θ_{g}}$ geschätzte Gesamtleistung und $κ_{g}$ wie genau die verschiedenen Meditationstechniken übereinstimmten $\vec{θ_{g}}$ schätzen. Alle $κ_{x}$ Die Parameter erhielten diffuse Gamma-Prioritäten: $κ_{x} \sim G a m m a (2, 0.1)$

3.5. Frequenzvergleichsergebnisse

Das Modell zeigte, dass die Klassifikatoren mit einer Gesamtgenauigkeit von 97% (95% HDI = [0.96, 0.98]) und einer Kompetenz von 0.81 (95% HDI = [0.75, 0.86]) äußerst genau waren. Es gab keine Hinweise auf eine glaubwürdige Wirkung der Meditationstechnik auf die Genauigkeit oder Kompetenz, wie in gezeigt Abb.. 1, Abb.. 2. Diese Invarianz gegenüber der Meditationstechnik ist wichtig für die folgende Analyse der neuronalen Dynamik, da Unterschiede zwischen der Leistung des Klassifikators die Ergebnisse verfälschen können.

3.6. Neuronale Dynamik der Meditation

Die Daten während der Meditation wurden auf die gleiche Weise wie die Frequenzvergleichsanalyse epochiert und dann als Vormeditation oder Endmeditation klassifiziert. Dadurch wurde für jedes Individuum eine binäre Zeitreihe erstellt, die Aufschluss darüber gab, wann Meditation die EEG-Co-Spektren veränderte und wie sich die verschiedenen Techniken auf diese dynamische Beziehung auswirkten. Die logistische Regression wurde auf die Klassifizierungszeitreihen der einzelnen Teilnehmer angewendet, in denen die Reihen in Achsenabschnitt- und Steigungspaare zusammengefasst wurden. Diese Paare wurden mit einem Bayes'schen allgemeinen linearen Modell bewertet, um die Wirksamkeit jeder Meditationstechnik bei der Induktion der EEG-Co-Spektren im Endzustand zu quantifizieren (siehe Modellbeschreibung).

3.7. Beschreibung des neuronalen Dynamikmodells

Wir waren daran interessiert zu quantifizieren, wie Meditation die EEG-Co-Spektren verändert und wie effektiv verschiedene Meditationstechniken diese Veränderung erleichtern. Um diese Änderung zu bewerten, wurde eine logistische Regression durchgeführt, wobei für jeden Teilnehmer Schnitt- und Steigungswerte erstellt wurden. Der Schnittpunkt und die Steigung der Teilnehmer wurden separat modelliert. $y_{p_{[i]}}$ als Unentschieden aus einer Normalverteilung: $y_{p_{[i]}} \sim N o r m a l (μ_{[i]}, σ_{[i]})$ Wobei μ aus der linearen Kombination abgeleitet wurde:

$μ_{[i]} = β_{0_{[i]}} + β_{t_{[i]}} \times x_{t_{[i]}}$ woher $β_{0}$ Parameter schätzt die zentrale Tendenz der Gruppe während $β_{t}$ hat die Wirkung der Technik auf Schnittpunkt und Steigung gemessen. $β_{0}$ wurde ein normaler Prior gegeben, der auf dem Mittelwert der Daten zentriert war, mit der 10-fachen Standardabweichung der Daten:

$β_{0_{[i]}} \sim N o r m a l ({\bar{y}}_{[i]}, S d (y_{[i]}))$ × Sd (y))

$σ$ Parameter wurde vor wie folgt diffuses Gamma gegeben: $σ_{[i]} \sim G a m m a (2.0,0.1)$ $β_{t}$ wurde eine Null-zu-Null-Beschränkung gegeben, indem ein Simplex-Vektor auf Null zentriert wurde, $\vec{s_{t_{[i]}}}$ und Multiplizieren mit einer Skalierungsvariablen, $σ_{t}$ :

$β_{t_{[i]}} = σ_{t_{[i]}} \times (\vec{s_{t_{[i]}}} - \frac{1}{n_{t}})$ wobei dem Simplex zuvor ein einheitliches Dirichlet und der Skala zuvor ein Gamma gegeben wurde: $\vec{s_{t_{[i]}}} \sim D i r i c h l e t (\vec{1})$ $σ_{t_{[i]}} \sim G a m m a (2.0,0.1)$

Die Prioritäten wurden so gewählt, dass sie für den Umfang der Daten nur schwach aussagekräftig sind.

3.8. Neuronale Dynamik resultiert

Die Ergebnisse zeigten, dass es nicht genügend Beweise gab, um die Wirkung der Meditationstechnik auf die logistischen Regressionsschnittwerte zu erfassen (siehe Abb.. 3). Die Abschnitte für jede Meditationstechnik waren jedoch ziemlich groß (siehe Abb.. 4), wobei die Wahrscheinlichkeit, dass EEG-Co-Spektren dem Endmeditationszustand entsprechen, zu Beginn der Meditation 0.76 (95% HDI = [0.71, 0.81]) betrug.

Es gab einen signifikanten Effekt der Meditationstechnik auf die logistische Regressionssteigung, wobei D2S2 0.0231 größer als die Steigung von D3S2 war (95% HDI = [0.0003, 0.04472], Null nicht eingeschlossen). Dies deutet darauf hin, dass D2S2 den Meditationsendzustand schneller induzierte als die D3S2-Technik, wie in gezeigt Abb.. 5.

3.9. Leistungsbandanalyse

Daten vor und nach der Meditation wurden auf nicht überlappende 2-s-Fenster übertragen, und ihre spektrale Leistungsdichte (PSD) wurde unter Verwendung der Multitaper-Methode geschätzt (Thomasson, 1982). Die Bandleistung wurde aus der PSD-Summierung über 1–4 Hz für Delta, 4–8 Hz für Theta, 8–13 Hz für Alpha, 15–25 für Beta und 35–45 Hz für Gamma unter Verwendung der Simpson-Integrationsregel abgeleitet. Der Mittelwert wurde für jeden Teilnehmer an jeder Elektrode sowohl für Vormeditations- als auch für Endmeditationsbedingungen aufgezeichnet. EEG-Leistungsspektren werden überwiegend aus kortikalen Quellen mit einigen Eingaben aus subkortikalen Strukturen erzeugt (siehe Buzsaki, 2006) mit allen kanonischen Kraftbändern im Zusammenhang mit Meditation (Lee et al., 2018).

3.10. Beschreibung des Leistungsbandanalyse-Modells

Wir waren daran interessiert, die Wirkung der Meditation auf EEG-Leistungsbänder zu messen und festzustellen, ob es Unterschiede zwischen den Meditationstypen gibt. Jedes Leistungsband, $y$ wurde separat als Zufallsziehung aus einer logarithmischen Normalverteilung modelliert:

$y \sim l o g n o r m a l (μ, σ)$ ∼ log-normal (

woher $σ$ stellte die Standardabweichung dar, und $μ$ die mittlere Schätzung: $μ = β_{0} + β_{p} \times x_{p} + β_{e} \times x_{e} + β_{c} \times x_{c} + β_{t} \times x_{t} + β_{e \times c} \times x_{e \times c} + β_{e \times t} \times x_{e \times t} + β_{c \times t} \times x_{c \times t} + β_{e \times c \times t} \times x_{e \times c \times t}$ woher $β_{0}$ ist die Gesamtgrundlinie, $β_{p}$ ist eine für einen Teilnehmer spezifische Basislinie, $β_{e}$ schätzt die Wirkung von Elektroden, $β_{c}$ misst die Wirkung des Meditationszustands (vor oder am Ende der Meditation), t ist ein Parameter für die Wirkung der Meditationstechnik. Die Interaktionsparameter $β_{e \times c}$ gemessene Elektrode innerhalb jeder Bedingung, $β_{e \times t}$ schätzte die Wirkung der Elektrode innerhalb jeder Meditationstechnik, $β_{c \times t}$ quantifiziert die Wechselwirkung zwischen Zustand und Meditationstechnik und $β_{e \times c \times t}$ ist der Parameter für die Drei-Wege-Wechselwirkung zwischen Elektrode, Zustand und Technik. Der Grundlinienparameter erhielt einen normalen Prior:

$β_{0} \sim N o r m a l (m e a n (\log (y)), 10 \times S d (l o g (y)))$ wohingegen einander Faktor- und Interaktionsparameter unter Verwendung des k-1-Verfahrens Summen-Null-Beschränkungen gegeben wurden: $α_{x} \sim N o r m a l (0, σ_{x}) β_{x_{[1 : k - 1]}} = α_{x}$ $β_{x_{[k]}} = - \sum α_{x_{[i]}}$

Mit Interaktionsparametern, die für jeden Prädiktor auf Null summiert werden müssen. $σ_{x}$ Die Parameter wurden aus einer diffusen Gammaverteilung unter Berücksichtigung der logarithmischen Skala des Modells gezogen: $σ_{x} \sim G a m m a (1.64, 0.32)$ $β_{e \times t}$ , $β_{e \times c}$ und $β_{e \times c \times t}$ wurden mit einer festen Standardabweichung von 1 versehen, um ein problematisches Schrumpfen zu vermeiden, das die Hamilton Monte Carlo-Probenahme nachteilig beeinflusste.

3.11. Delta

Nach der Meditation gab es eine Hauptabnahme der Delta-Leistung um 5% (95% HDI = [–0.07, –0.03]) im Vergleich zur Vormeditation. Es gab auch einen Haupteffekt der Meditation, bei dem D1S2 eine um 72% höhere Delta-Leistung als D2S1 aufwies (95% HDI = [0.04, 1.48]). Darüber hinaus wurde eine glaubwürdige Wechselwirkung zwischen Meditationstechnik und Zustand festgestellt (vgl Abb.. 6). D1S2, D3S1 und D4S1 hatten den höchsten Anstieg (16%, 18% und 18% mit 95% HDI = [0.07, 0.25], [0.1, 0.26] bzw. [0.08, 0.28]), D2S2 hatte keine Hinweise auf eine Leistungsänderung (95% HDI = [–0.08, 0.05] mit Null) und D1S1, D1S3, D2S1, D2S3 und D3S2 zeigten eine Abnahme des Deltas (–12%, –16%, –24%, –18% und –12% bei 95% HDI = [–0.19, –0.05], [–0.23, –0.11], [–0.29, –0.19], [–0.23, –0.13] und [–0.18, −0.05]). Abb.. 7 veranschaulicht den Haupteffekt von Elektroden mit zentral-parietalen Elektroden, die mehr Delta-Leistung als abendländische Elektroden und mehr als frontal-temporale Stellen zeigen. Es wurde festgestellt, dass keine Wechselwirkungen mit der Elektrode mit den anderen Prädiktoren glaubwürdig sind. Abb.. 7 ist daher die Änderung des Anteils aufgrund der Vermittlung für jedes Leistungsband, wie durch die Wechselwirkung des Modells zwischen Elektroden- und Zustandsparametern geschätzt. Dies kollabiert effektiv über die Meditationstechnik hinweg, einschließlich aller Daten aus allen Techniken, da es keine glaubwürdigen Beweise für eine Drei-Wege-Wechselwirkung zwischen Elektrode, Zustand und Technik gab.

3.12. Theta

Es gab einen globalen Anstieg der Theta-Kraft um 29% (95% HDI = [0.27, 0.33]) durch Meditation. Die Ergebnisse zeigten auch einen Haupteffekt der Meditationstechnik, bei der D1S2 mehr Theta-Kraft hatte als D2S1 und D2S3. Es gab auch eine Wechselwirkung zwischen Zustand und Meditationstechnik (siehe Abb.. 8). D1S2, D3S1 und D3S2 hatten die größten Anstiege (47%, 50% und 43% mit 95% HDI = [0.37, 0.58], [0.4, 0.59] bzw. [0.34, 0.52]), dann D1S1, D2S2 und D4S1 (29%, 33% und 33% mit 95% HDI = [0.2, 0.39], [0.26, 0.41] und [0.23, 0.44]), gefolgt von D1S3 und D2S3 (19% und 14%, mit 95% HDI = [0.12, 0.27] und [0.08, 0.21]), ohne glaubwürdige Änderung des Theta für D2S1 (95% HDI = [–0.02, 0.11], einschließlich Null). Abb.. 8 zeigt die Wirkung der Elektrode auf die Theta-Leistung, wobei Mittellinienelektroden die höchste Theta-Leistung aufweisen, gefolgt von parietalen und okzipitalen Kanälen, mit weniger Leistung an den frontal-temporalen Stellen. Es gab keine glaubwürdigen Beweise für Wechselwirkungen, an denen die Elektrode mit den anderen Prädiktoren beteiligt war.

3.13. Alpha

Aufgrund der Meditation stieg die Alpha-Leistung weltweit um 16% (95% HDI = [0.13, 0.19]). Es gab keine glaubwürdigen Beweise für einen Effekt der Technik bei allen 95% HDI einschließlich Null. Es gab eine glaubwürdige Wechselwirkung zwischen der Meditationstechnik und der Alpha-Kraftbedingung (siehe Abb.. 9). D1S2, D2S3 und D3S2 hatten die größten Alpha-Anstiege (25%, 32% und 39% mit 95% HDI = [0.16, 0.34], [0.24, 0.39] und [0.29, 0.49]), gefolgt von D1S1, D2S1, D2S2, D3S1 (16%, 17%, 13% und 17% mit 95% HDI = [0.07, 0.25], [0.09, 0.24], [0.06, 0.2] und [0.09, 0.24]) mit Nr glaubwürdige Änderung für D1S3 und D4S1 (95% HDI = [–0.09, 0.05], [–0.13, 0.03], einschließlich Null). Abb.. 9 zeigt die Wirkung der Elektrode auf die Alpha-Leistung mit hohem Alpha über den okzipitalen und parietalen Elektroden, keiner Änderung gegenüber dem Basis-Alpha in den frontalen Zentralkanälen und einer Abnahme der zeitlichen Stellen. Es gab keine Wechselwirkungen zwischen Elektroden und den anderen Prädiktoren.

3.14. Beta

Es gab einen Haupteffekt des Zustands, wobei die globale Beta-Leistung von der Vormeditation bis zur Endmeditation um 17% (95% HDI = [0.15, 0.19]) anstieg. Es gab keinen Haupteffekt der Meditation bei allen 95% HDI einschließlich Null. Es gab jedoch eine Wechselwirkung zwischen Zustand und Meditationstechnik (siehe Abb.. 10), wobei D1S2, D2S2, D2S3, D3S1 und D3S2 den größten Anstieg der Beta-Leistung aufwiesen (30%, 30%, 20%, 32% und 33% mit 95% HDI = [0.22, 0.39], [0.23, 0.38], [0.14, 0.26], [0.24, 0.4] und [0.25, 0.41]), gefolgt von D4S1 (11% mit 95% HDI = [0.03, 0.19]). D1S1, D1S3 und D2S1 hatten keine glaubwürdigen Hinweise auf eine Änderung der Beta-Leistung (95% HDI = [–0.06, 0.08], [–0.07, 0.04] und [-0.03, 0.09], einschließlich Null). Es gab auch einen Haupteffekt von Elektroden mit mehr Beta-Leistung gegenüber zentralparietalen und okzipitalen Elektroden im Vergleich zu den frontal-temporalen Elektroden, wie in gezeigt Abb.. 10. Schließlich gab es keine Wechselwirkungen zwischen Elektroden und den anderen Prädiktoren.

3.15. Gamma

Ein Anstieg der Gammakraft um 11% (95% HDI = [0.08, 0.14]) wurde von der Vormeditation bis zur Endmeditation beobachtet. Es gab keine glaubwürdigen Beweise für einen Haupteffekt der Technik bei allen 95% HDI einschließlich Null, was darauf hinweist, dass die Gruppen eine ähnliche Gammakraft hatten. Es gab jedoch eine Wechselwirkung zwischen Technik und Zustand, wobei D1S2, D3S2 und D4S1 den größten Anstieg der Gamma-Leistung aufwiesen (36%, 31% und 27% mit 95% HDI = [0.24, 0.49], [0.2, 0.42] ] und [0.14, 0.41]), gefolgt von D2S2, D2S3 und D3S1 (10%, 14% und 16% mit 95% HDI = [0.02, 0.19], [0.06, 0.23] und [0.07, 0.26] ]), D1S3 und D2S1 änderten sich nicht in der Gamma-Leistung (95% HDI = [–0.07, 0.1] und [–0.14, 0.01], einschließlich Null), wobei D1S1 eine Abnahme des Gammas zeigte (–17% bei 95% HDI) = [–0.25, –0.09]). Es gab einen Effekt der Elektrodenposition mit mehr Gamma-Leistung über die parietalen Occipitalelektroden im Vergleich zu den frontal-zentralen und temporalen Stellen (siehe Abb.. 11). Schließlich gab es keine glaubwürdigen Wechselwirkungen zwischen Elektroden und den anderen Prädiktoren.

3.16. Zusammenfassung der Ergebnisse

Das Modell des maschinellen Lernens zeigte ein hohes Maß an Genauigkeit für die Unterscheidung von EEG-Co-Spektren vor und nach der Meditation für jede Meditationstechnik. Die neuronale Dynamik jeder Mediationstechnik wurde dann bewertet, indem Modelle des maschinellen Lernens auf die EEG-Co-Spektren angewendet wurden, die eine Klassifizierungsreihe bildeten. Diese Serie wurde mit logistischer Regression modelliert, die den schnellen Übergang und die Stabilisierung von EEG-Co-Spektren vor der Meditation zu End-Meditation zeigte. Anschließend wurde die Wirkung jeder Meditationstechnik für jedes Leistungsband durch Anpassen eines verallgemeinerten linearen Modells bewertet. Dies zeigte die Heterogenität der Änderungen der Leistungsbänder, die sich aus den Meditationstechniken ergeben (zusammengefasst in Abb.. 12).

4. Diskussion

Diese Studie lieferte eine elektrophysiologische Untersuchung des Einflusses der Meditation auf eine Stichprobe von 223 unerfahrenen Meditierenden. Basierend auf der Theorie des Bewusstseins wurde die Hypothese aufgestellt, dass die Teilnehmer veränderte Bewusstseinszustände erreichen würden, die in EEG-Daten beobachtet wurden, die als transformierte Zustände von Gehirnwellen über jede geführte Meditation angezeigt werden. Die Ergebnisse stützten diese Hypothese. Bewusstsein entspricht typischerweise der Fähigkeit, Informationen zu integrieren (Toni, 2004). Ein integrativer Bewusstseinsmodus wird häufig durch langsamwellige Theta-Wellenmuster charakterisiert, die den frontalen Kortex mit Entladungen aus unteren Gehirnstrukturen und hochfrequenten Gamma-Oszillationen synchronisieren (Winkelmann, 2011). Die vorliegenden Ergebnisse zeigten, dass die Theta-Leistung weltweit um 29% und die Gamma-Leistung um 11% vom Zustand vor bis zum Ende der Meditation zunahm.

Die Alpha-Aktivität im EEG auch während der Meditation wurde als eine Form der Integration in das Gehirn in Betracht gezogen, die zu kognitiven Prozessen auf hoher Ebene führt (Hebertet al., 2005). Es wurde vorgeschlagen, dass diese Aktivität dem Konzept der integrativen Bewusstseinsform zugrunde liegt. die der verbesserten Synchronisation von Gehirnwellenmustern (Winkelmann, 2011). Der zusätzliche Aspekt der meditationsinduzierten Integration im Gehirn spiegelt sich häufig in zweiphasigen hypersynchronen hochfrequenten Gammawellen wider, und das Vorhandensein von Gamma in der Meditation ist eine direkte Bestätigung des integrativen Modells (Winkelmann, 2011). Dies bezieht sich auf die Bindung verschiedener Signale im Gehirn; und dass die Gammasynchronisation durch den Theta-Rhythmus und den Alpha-Rhythmus moduliert wird (Pommes, 2009). Insgesamt unterstützen diese Studienergebnisse dieses Modell.

Analysen ergaben, dass die EEG-Klassifikationen für maschinelles Lernen hoch waren und vor und nach der Meditation mit einer Genauigkeit von 97% unterschieden wurden. In der Probe wurden Unterschiede zwischen EEG-Co-Spektren für Bedingungen vor und nach der Meditation gefunden. Es wurde eine Beziehung zwischen der Zeit in der Meditation und der Wahrscheinlichkeit der Klassifizierung der Endmeditation identifiziert, wobei D2S2 (mit der Absicht, ein Ereignis zu materialisieren) den Endmeditationszustand schneller induziert als D3S2 (das Festlegen einer zukünftigen Absicht). Zusätzlich wurden Unterschiede in den EEG-Leistungsbändern identifiziert, wobei jede Meditationstechnik unterschiedliche Muster von Änderungen in den Leistungsbändern induzierte.

Die Ergebnisse deuten darauf hin, dass die Veränderung der Gehirnwellenmuster von Beta-Gehirnwellen (hoher, mittlerer und niedriger Bereich) zu Alpha-Gehirnwellen in relativ kurzer Zeit erfolgte. Dieses Ergebnis ist eine konsistente Vorarbeit, bei der die Teilnehmer relativ schnell Kenntnisse im Aspekt des Aufmerksamkeitstrainings in der Meditationspraxis erlangten (Atchleyet al., 2016). In der Mehrzahl der Meditationssitzungen der Teilnehmer wurde ein Anstieg der Beta- und Alpha-Leistung beobachtet, wobei die Alpha-Leistung über die okzipitalen Kanäle im Vergleich zu einer parietaleren Verteilung der Beta-Leistung posterior war. Ferner wurde eine Erhöhung der Theta-Leistung gefunden, die sich auf die frontozentralen bis parietalen Mittellinienelektroden konzentrierte.

Der Befund einer erhöhten Gamma-Leistung an den parietalen und okzipitalen Elektroden stammt möglicherweise aus Brodmanns Gebiet 30. Während neuere Forschungen darauf hinweisen, dass das EEG subkortikale Quellen erkennen kann (Seeberet al., 2019) Wird die Fähigkeit des EEG, die aus solch tiefen Quellen erzeugte Aktivität zu messen, auf dem Gebiet der Neurowissenschaften nicht allgemein unterstützt (Sejnowski und Paulsen, 2006); Daher bleibt diese Erklärung spekulativ. Unabhängig davon baut dieser Befund auf früheren Studien auf, in denen durch Quantifizierung ein erhöhtes Gamma über parieto-okzipitale Kanäle festgestellt wurde (Berkovich-ohana et al., 2012; Cahn et al., 2010; Martínez Vivot et al., 2020; Schoenberg et al., 2018) Die Macht ändert sich und zeigt eine schnelle Zustandsänderung bei unerfahrenen Meditierenden. Während die funktionelle Rolle der Gammakraft noch nicht bestimmt wurde (Braboszcz et al., 2017), gibt es im Rahmen der geführten Meditation Hinweise auf eine Beziehung zu einem verbesserten Bewusstsein (Cahn et al., 2010). van Lutterveld et al. (2017) verwendeten ein Neurofeedback-Paradigma, um die Teilnehmer zu trainieren, ihre Gamma-Oszillationen während der Meditation vom hinteren cingulären Kortex aus zu verändern. Es wurde festgestellt, dass die Gammakraft mit der subjektiven Erfahrung mühelosen Bewusstseins zusammenhängt. Darüber hinaus eine Studie von Vosset al. (2014) direkt manipulierte neuronale Schwingungen durch transkranielle Wechselstromstimulation während des Schlafes, wobei festgestellt wurde, dass die Stimulation innerhalb des Gammabandes das Bewusstsein der Menschen beim Träumen steigerte. Zusammengenommen liefert dies eine kohärente Erklärung für den Anstieg des Gammas gegenüber den parieto-okzipitalen Elektroden.

Die Demonstration der heterogenen Effekte, die geführte Meditationstechniken auf EEG-Leistungsbänder haben können, unterstreicht die Relevanz der Verwendung solcher Techniken zur Aufklärung der subjektiven Erfahrungen von Meditierenden. Eine kürzlich von Vieten und Kollegen (2018) durchgeführte Umfrage zeigte, wie vielfältig die Erfahrungen während der Meditation sind. Eine solche Bandbreite subjektiver Erfahrungen könnte mit den Unterschieden zusammenhängen, die durch die verschiedenen Meditationstechniken in dieser Studie hervorgerufen werden. Weitere Forschung könnte qualitative Forschung integrieren, um die Zusammenhänge zwischen geführten Meditationstechniken, EEG-Leistungsspektren und subjektiven Erfahrungen besser zu verstehen.

Schließlich könnte die zukünftige Forschung zur Beurteilung der Bildgebung des Gehirns bei geführten Meditationstrainings wichtige Erkenntnisse liefern. Da Achtsamkeit als Schutzfaktor gegen proaktive Interferenzen identifiziert und das Hippocampusvolumen erhöht wurde (Greenberg et al., 2019) könnte die künftige Untersuchung der geführten Meditation bei der Behandlung von psychischen Erkrankungen, die durch Beeinträchtigungen des Arbeitsgedächtnisses und des Hippocampusvolumens gekennzeichnet sind, wichtige klinische Auswirkungen haben.

4.1. Einschränkungen

Obwohl diese Studie Einblicke in die Mechanismen der Veränderung gegeben hat, die durch Meditation auftreten können, sollten die vorliegenden Ergebnisse im Lichte mehrerer Einschränkungen interpretiert werden. Die Dauer der Meditationssitzung variierte zwischen sechs und 90 Minuten. Da die Variabilität nicht gleichmäßig über die Bedingungen verteilt war (dh die Aufzeichnungen von Tag 2, Sitzung 1 und Tag 3, Sitzung 1 dauerten <10 Minuten), war die Analyse der dynamischen Veränderungen während der Meditation für diese Sitzungen begrenzt. Darüber hinaus fehlten der aktuellen Studie klinische Maßnahmen zum Screening auf psychische Störungen bei den Studienteilnehmern. Zukünftige Studien könnten EEG-Daten zusammen mit Selbstberichtsmaßnahmen und Verhaltensdaten verwenden, um die Beziehung zwischen den EEG-Mustern und positiven Meditationsergebnissen zu untersuchen. In dieser Studie fehlte eine Kontroll- oder Vergleichsintervention, und bei der Durchführung der geführten Meditation war möglicherweise die Treue und Voreingenommenheit des Experimentators vorhanden. Schließlich handelte es sich um eine Convenience-Stichprobe, die sehr anfällig für Selektionsverzerrungen und das Potenzial für Stichprobenfehler war.

4.2. Fazit

Die aktuelle Studie zielte darauf ab, die Wirkung eines kurzen geführten Meditationstrainings auf unerfahrene Meditierende zu untersuchen. Basierend auf der Theorie des integrativen Bewusstseins wurde die Hypothese aufgestellt, dass Teilnehmer (unerfahrene Meditierende) veränderte Bewusstseinszustände erreichen würden, die unter Verwendung von EEG-Gehirnwellendaten erkannt wurden. Das Muster der Gehirnwellen-Leistungsbänder der Teilnehmer an jedem Meditationsendpunkt wurde mit den Basislinienmessungen (dh Alpha-, Delta- und Theta-Oszillationen) verglichen. Die Meditationskompetenz über die funktionelle Gehirnintegration wurde anhand von Maßnahmen zur hochfrequenten Gammasynchronisation bewertet. Die Gesamtergebnisse deuteten darauf hin, dass die Meditationsintervention sehr unterschiedliche Auswirkungen auf die EEG-Spektren hatte, und die Geschwindigkeit des Wechsels der EEG-Co-Spektren von den Zuständen vor der Meditation zu den Zuständen nach der Meditation war signifikant, was die Theorie des Bewusstseins bestätigt. Die Ergebnisse legen nahe, dass eine kurze geführte Meditation vorliegt Eine Intervention kann positive und unmittelbare gesundheitliche Vorteile bieten, um Stress zu bekämpfen.

Interessenkonflikte

Peta Stapleton, Stuart McGill, Debbie Sabot, Megan Peach und Danielle Raynor: Keine Konflikte zu erklären.

Joe Dispenza: Kann aufgrund des Fachwissens für das in diesem Artikel untersuchte Meditationstraining neu gezählt werden. War an der Analyse in diesem Artikel nicht beteiligt, um Verzerrungen zu vermeiden.

Finanzierung

Diese Forschung erhielt keinen spezifischen Zuschuss von Finanzierungsagenturen im öffentlichen, kommerziellen oder gemeinnützigen Sektor.

Die großen Auswirkungen einer kurzen Meditationsintervention auf EEG-Spektren bei Meditationsanfängern

Dr. Joe Dispenza / 04. Dezember 2020

Wir glauben an