冥想背后的身心交互机制

摘要

尽管越来越多的证据表明冥想能够提高个体的幸福感（well-being），但大脑是否和周围神经交互产生了这种行为和心理的改变，并且是如何发生的，对此研究甚少。研究者提出了如下假设：冥想反映了内脏活动神经表征的变化，如心脏活动，并研究了传统藏传佛教冥想背后，神经和内脏系统与自发全脑时空动态变化的整合。在长期的藏传佛教僧侣冥想练习者中发现，默认网络（DMN）对心跳神经反应存在不同的瞬时调节，以及由冥想引发的脑电中gamma和theta波段的大规模网络重构。此外，EEG theta频段的颞叶-额叶网络连接与冥想经验的持续时间呈负相关，并且gamma振荡在冥想期间与theta振荡定向耦合。这些证据表明DMN对心脏活动的神经表征以及大规模时空网络整合可能是冥想的基础神经机制，此外，冥想很可能利用皮质的可塑性，包括了大脑网络内在组织和活动的直接变化以及持久变化。

关键词：冥想 意识 脑脊髓交感神经系统整合 EEG ECG 默认网络

研究背景

以往的种种研究发现冥想高阔了身体和心灵的双相加工，很可能存在中央神经系统和自主神经系统的交流。

身体内部器官，例如心脏，为中央神经系统传递信息，并通过稳态调节受到中央神经系统的调节。并且众多研究表明心脏传入信号的神经加工与视觉意识、自我和身体的自我意识之间存在关联，这些相互作用可指导主观经验并调节机体稳态。目前认为冥想是一种特殊的意识状态，可以加强身体认知并减少自我参照的加工。因此研究者提出如下假设：冥想同时引发对心脏活动的神经反应发生改变，以及大规模大脑网络的改变。具体而言：（1）由于对心跳的意识可能对冥想对象产生干扰，因此在冥想期间，冲突监测区域（如前扣带皮dACC）会改变对心脏信号的神经反应。（2）持续关注是藏传佛教冥想训练的核心要素，我们假设与长期冥想练习相关的行为因素可能会引起专注于注意力的大脑网络的变化，并且与个体的冥想经验成正比。

研究方法

被试 

 招募了60名藏族佛教男性僧侣和25名来自同一地区的男性志愿者，藏传佛教僧侣通过2种方法进行冥想练习：samatha和vipassana（禅定包含“止”和“观”，“止”(Samatha)和“观”(Vipasyana)都是由梵文翻译过来的），每天至少2小时，持续5-35年（18.15±8.25年）。

实验任务

被试被要求处于放松和非冥想的静息状态，闭眼10分钟。在一个声音线索的指引下，僧侣被试开始冥想，冥想按照他们日常最熟悉的方式，时间长达30分钟。为了进入冥想状态，存在三种技巧：使用一个客体，将思绪轻轻地放在一个客体上，如释迦摩尼像；将背诵咒语于心灵结合，有助于实现内心的平静；将注意力放在呼吸上。使用用64导Ag / AgCl EasyCapTM（Brain Products GmbH）连续记录EEG和ECG信号，其中有一个导用于心电记录，其余记录皮层脑电。

通过对心跳时间锁定EEG信号进行平均，来研究心跳诱发电位（HEP）的参与及其反映心脏活动对神经活动影响的潜力（如下图1）。此外，利用脑电的溯源技术，在源层面频率内进行时空脑网络重构，跨频率进行全脑网络连接分析。

图1 HEP的示意图

正在进行的EEG与红色圆圈指示的ECG活动（R峰值）对齐，在去除伪影之后，通过时间锁定到ECG R峰值的所有清洗过的EEG信号求平均来获得HEP。

研究结果

冥想的效果：僧侣冥想状态vs静息状态

对僧侣的冥想和休息状态进行了对比，发现在R peak后340 ms和360 ms之间的右侧中心和前额传感器的HEP振幅有显著差异：冥想时的平均值比静态状态时小（paired t-test, t(102) = 1.9, P <0.05），参见下图2A-C。接下来，为了辨别在冥想时在传感器水平上发现的差异HEP（僧侣冥想与僧侣休息）的潜在神经活动，研究者进行溯源，发现了两侧ACC并延伸到上内侧额叶（峰值MNI坐标：[14 40 20]；簇大小：179个顶点），参见下图2D。此外，基于网络的统计分析结果显示：额叶-边缘系统网络的gamma带的连通性显著降低（参见下图2G），该网络由29个区域和52个连接组成（下图2E），主要由左侧额下回（岛盖部），右侧额上回（背外侧部分），左尾状核和左岛叶组成（图2F）。值得注意的是，还发现HEP调制（|(冥想 - 静息)/静息|）与gamma网络连接的这种调制正相关（图2H; r = 0.44，P <0.001）。

图2 僧侣冥想vs僧侣静息发现的冥想效果 

（IFGopere.L: left inferior frontal gyrus, opercular part; SFGdor.R: right superior frontal gyrus, dorsolateral part; CAU.L: left caudate nucleus; INS.L: left insula.）

长期冥想的效应：僧侣静息态与控制组静息态

与任何其他技能一样，冥想的长期练习可以诱导发大脑可塑性，并且产生的改变可能是长期的。因此，研究者对比了僧侣静息态与控制组静息态的数据，在ECG R峰值之后280-320ms之间发现HEP振幅在额叶中心传感器上显著不同，参见下图3AB：僧侣在休息状态下显示较小的HEP（更积极），参见下图3C（2-sample t-test, t(75) = 3.2, P<0.005），对照替代R峰分析显示，观察到的EEG信号差异与心跳时间锁定（Monte Carlo，P <0.01）。溯源分析显示，HEPs（僧侣静息vs对照组静息）的差异包含多个区域的2个独立的聚类，参见下图3D：一个延伸穿过后扣带皮层（PCC）和楔前叶（precuneus）双侧（峰值MNI坐标：[ - 1-37 32]；簇大小：147个顶点）；另一个在右侧内侧前额叶皮层（mPFC）（峰值MNI坐标：[34 32 34]；簇大小：81个顶点）。佛教僧侣表现出额叶theta活动减少并且theta带中的顶叶—中央和顶叶—边缘网络连通性（图3G，E; 40个区域，53个连接）降低。这些改变主要于双侧楔前叶，左侧辅助运动区和右侧顶叶（图3F）。

图3 僧侣静息态vs对照组 冥想的长期效应

（PCUN.R: right precuneus; PCUN.L: left precuneus; SPG.R: right superior parietal gyrus; SMA.L: left supplementary motor area）

注意到theta连通性的持续降低与静息态时的僧侣冥想者有关时，进而研究了theta带中的大脑网络连接强度是否与冥想经验成比例变化。鉴于年龄与僧侣的冥想经历显著相关（r = 0.71），将年龄作为基于网络的相关统计分析中的协变量因子。如下图4A所示，颞叶-额叶网络中的theta波段连通性与冥想经验呈负相关（r =−0.69, P<1 × 10^−9）（图4C）。网络包含下图4B中的节点：右中颞极，右上颞极，左侧额下回，眶部和右侧直回。

图4 僧侣静息态theta波段（4-8 Hz）脑网络连接与冥想经验的相关性

（TPOmid.R: right middle temporal pole; TPOsup.R: right superior temporal pole; IFGoperc.L: left inferior frontal gyrus, opercular part; REC.R: right gyrus rectus.）

僧侣冥想时较强且独特的gamma与theta定向耦合

跨频率方向性（cross-frequency directionality，CFD）是一种估计慢振荡的相位是否导致快速振荡或相反的振幅的方法。因此，研究者通过该方法研究EEG数据间振荡间的相互作用。并且正CFD值表示慢振荡的相位指导高频功率，负值正相反。分别使用2-22 Hz和30-120 Hz范围的相位和振幅，计算整个大脑的CFD值，在所有条件下对所有配对ROI被试的CFD值取平均值（对照静息，僧侣静息，僧侣冥想，参见下图5）。结果在冥想期间发现了较强且独特的负CFD（theta相位和gamma振幅之间），这表明了在冥想时gamma振荡重置theta振荡的相位。并且，gammato theta CFD在僧侣冥想和静息时显著不同[t（102）= -1.9，P <0.05]，但在僧侣静息和对照组静息之间没有显著差异[t（75）= -0.84，P> 0.50; 参见图5B]。

图5 控制组以及僧侣两种状态时CFD的情况。

总结

研究者发现了在冥想时，默认网络中对心脏跳动神经反应与大规模网路动力重组间的关系。为大脑对心脏活动加工的能力与冥想之间的关联提供了直接的神经证据。此外，不仅仅是独立的中央神经系统加工过程，而且包括对心律的神经反应，均是冥想的基本神经机制的一部分。因此，未来的工作应该通过对生理和大脑信号的联合研究来关注身心交互。

参考文献（阅读原文）

Jiang, H., He, B., Guo, X., Wang, X., Guo, M., Wang, Z., … Cui, D. (2019). Brain–Heart Interactions Underlying Traditional Tibetan Buddhist Meditation. Cerebral Cortex. doi:10.1093/cercor/bhz095 

培训信息

科研服务

灌注数据处理服务

EEG/ERP数据处理服务

• 脑电数据预处理：使用EEGLAB对Neuroscan、Brain Products、EGI、ANT、Biosemi等主流脑电设备采集的脑电数据进行预处理。

• ERP成分统计分析：提取ERP成分的波幅和潜伏期，并进行统计分析。

• EEG频谱分析：使用傅里叶变换的方法计算脑电各个频段的功率，并进行统计分析；使用短时傅里叶变换、小波变换和希尔伯特变换的方法进行脑电时频分析（如ERD/ERS分析、试次间相位同步分析）。

• 基于sLORETA的脑电源分析：ERP成分源定位；特定频段EEG源定位；源空间的脑功能连通性分析。

• 功能连通性分析：使用相关、相干、相位锁定值和格兰杰因果分析研究电极之间功能连通性。

近红外数据处理服务

PET数据处理服务

功能磁共振数据处理

• 任务态激活脑区分析

• 任务态E-prime实验实

• 功能连接分析

• 局部一致性（ReHo）分析

• 低频振幅（ALFF/fALFF）分析

• 基于图论及ICA的脑网络分析

结构磁共振数据处理

• 基于VBM的灰白质分析

• 基于Freesurfer的皮层厚度分析

• 基于FSL的纤维束追踪

详情联系：13381109780（杨老师）