Los grandes efectos de la meditación breve en los espectros de EEG de meditadores principiantes

Dr Joe Dispenza / 04 de diciembre de 2020

Compendio

Este estudio investigó el impacto de un breve taller de meditación en una muestra de 223 meditadores novatos. Los participantes asistieron a un taller de tres días que incluyó sesiones diarias de meditación sentada guiada utilizando música sin voz que se centró en varios estados emocionales e intenciones (enfoque abierto). Sobre la base de la teoría de la conciencia integradora, se planteó la hipótesis de que los participantes experimentarían estados alterados de conciencia durante la intervención de meditación según la evaluación mediante electroencefalograma (EEG). Los patrones de bandas de energía de ondas cerebrales se midieron a lo largo del taller de entrenamiento de meditación, produciendo un total de 5616 exploraciones de EEG. Los cambios en los estados conscientes se analizaron utilizando medidas de sesiones de delta a gamma antes y después de la meditación. Los resultados sugirieron que la intervención de meditación tuvo grandes efectos variables en los espectros de EEG (hasta un 50% de aumento y un 24% de disminución), y la velocidad de cambio del estado previo a la meditación al estado posterior a la meditación de los co-espectros del EEG fue significativa (con una probabilidad de 0.76 de entrar en el estado de meditación final en el primer minuto). Hubo una disminución principal del 5% en la potencia delta (95% IDH = [−0.07, −0.03]); un aumento global en el poder theta del 29% (95% IDH = [0.27, 0.33]); un aumento global del 16% (95% IDH = [0.13, 0.19]) en el poder alfa; un efecto principal de la condición, con un aumento de la potencia beta global en un 17% (95% IDH = [0.15, 0.19]); y un aumento del 11% (95% IDH = [0.08, 0.14]) en el poder gamma desde la premeditación hasta la meditación final. Los hallazgos proporcionaron un apoyo preliminar para la meditación breve en la alteración de los estados de conciencia en meditadores novatos. Se recomendó el examen clínico futuro de la meditación como una intervención para las condiciones de salud mental particularmente asociadas con las deficiencias del hipocampo.

1. Introducción

El estrés mental es una epidemia de salud mundial que se vincula con más de 23 millones de muertes en todo el mundo cada año (Fink, 2016; Ir et al., 2004). El estrés crónico está asociado con deterioros cognitivos en la región hipocampal del cerebro que regula la memoria y el aprendizaje (Hains et al., 2009; Kooij et al., 2014) y con efectos fisiológicos negativos que incluyen aumento de la inflamación y reducción de la inmunidad (Marsland et al., 2017). Se ha diseñado una gama de técnicas basadas en la atención plena para reducir el estrés y mejorar los indicadores de calidad de vida (Bohlmeijer y col., 2010; Shapiro, 2009). En particular, existe un creciente interés en la investigación sobre el efecto de la meditación en los beneficios para la salud en general (p. Ej., Como catalizador para mejorar la función inmunológica; Davidson et al., 2003; Jacobs et al., 2011). La meditación es un proceso cognitivo consciente y complejo, que implica concentración y atención receptiva (Tang et al., 2015). Los ejemplos de meditación incluyen la meditación con mantra, tai chi y chi gong (Ospina et al., 2007). La meditación se considera un mecanismo que puede provocar estados alterados típicamente asociados con la función cerebral inconsciente (Shapiro, 2009). Las prácticas de meditación de atención enfocada requieren una atención sostenida en un rango específico de experiencia interna o externa. Mientras que las prácticas de meditación de conciencia abierta, monitoreo abierto y atención plena incorporan un foco de atención más amplio en una variedad de estímulos dinámicos (Cahn y Polich, 2006; Lutz y col., 2008). Además, los enfoques de meditación guiada suelen comenzar con la relajación dirigida por otro experto que guía al meditador hacia experiencias internas específicas (por ejemplo, situaciones imaginativas, procesos de pensamiento). La meditación guiada se considera particularmente beneficiosa porque la naturaleza de las instrucciones tiende a relacionarse con algún propósito específico, como la curación o la superación personal. Ejemplos de objetivos meditativos incluyen crear prosperidad, mejorar las relaciones, fomentar el perdón y evocar estados superiores de conciencia (Moraleja, 2017).

La creciente evidencia sugiere que la meditación ofrece una amplia gama de beneficios fisiológicos y psicológicos. Las prácticas de meditación están asociadas con una función ejecutiva mejorada y memoria de trabajo junto con mejoras en la gravedad de la condición de salud mental (p. Ej., Ansiedad, depresión, trastornos alimentarios; (Fox et al., 2014; Perich y col., 2013; Shapiro, 2009; Vøllestad et al., 2012; Williams et al., 2014).

La meditación abarca un amplio conjunto de prácticas psicosomáticas que están diseñadas para mejorar la regulación de la atención hacia las imágenes mentales creadas por uno mismo (focos interoceptivos o exteroceptivos) y para optimizar el procesamiento de las experiencias del momento presente (Jain et al., 2015; Robins et al., 2012). Estas capacidades se han asignado a áreas correspondientes en el cerebro, incluido el sistema dorsal (voluntario, orientación de arriba hacia abajo) y el sistema ventral, que está implicado en la atención de abajo hacia arriba impulsada por estímulos (Shapiro, 2009). Los estudios que utilizan imágenes de resonancia magnética funcional (fMRI) han ayudado a delinear mapas sistémicos de las dimensiones fisiológicas asociadas con la meditación (Iglesia, 2013). En particular, las técnicas modernas de mapeo de electroencefalograma (EEG) y neuroimagen han permitido el examen de la función cerebral diferencial a través de un continuo de estados que incluyen experiencias meditativas (Barinaga, 2003; Cahn y Polich, 2006).

Las distintas redes cognitivas están vinculadas a las tareas de procesamiento consciente durante las tareas de atención (p. Ej., Orientación, seguimiento de conflictos; Davidson et al., 2003) y a la atención objetiva y receptiva-base de la práctica de la atención plena (por ejemplo, no juzgar, aceptación; (Anderson et al., 2007; Shapiro y Schwartz, 2000). Se ha observado un mayor control de la atención en personas con práctica de meditación avanzada (Moore y Malinowski, 2009). Un estudio examinó la competencia en meditación en participantes con diferentes niveles de experiencia en meditación utilizando datos de EEG. Los potenciales relacionados con eventos (ERP) se evaluaron durante una actividad de discriminación y atención de estímulos (Atchley et al., 2016). Todos los participantes discriminaron entre los 'tonos' objetivo con el uso de cebado ERP. Además, no se observó diferencia de rendimiento entre los grupos de meditadores novatos y experimentados. Este fue uno de los primeros estudios que sugirió que la competencia en el entrenamiento de la atención mediante la práctica de la meditación se puede lograr con relativa rapidez.

Los modelos teóricos de conciencia sugieren que los procesos conscientes e inconscientes dependen de componentes neuronales distribuidos que actúan de manera funcionalmente integrada (Schutter y col., 2004; Smith, 2012). Por lo tanto, se cree que la meditación ofrece un vehículo único para examinar estos procesos. Es decir, dado que tanto el cerebro consciente como el inconsciente funcionan simultáneamente, la meditación brinda la oportunidad de observar la transición de un estado de vigilia normal a un estado de conciencia alerta pero alterado (Davidson et al., 2012). Los estados de conciencia se describen como condiciones que difieren cualitativamente de otras por la presencia de, o condiciones y características que están ausentes en otros estados (Tarta, 1972). Dado que los estados de conciencia desempeñan un papel fundamental en la formación de la experiencia humana en una variedad de funciones cognitivas y conductuales, los exámenes de los mecanismos cerebrales conscientes e inconscientes subyacentes son cruciales (Merrick y col., 2014; Vieten et al., 2018; Winkelman, 2011). Estos conocimientos pueden ofrecer resultados clínicos que se pueden orientar para ayudar aún más a la angustia psicológica y fisiológica.

El modelo de conciencia integradora ha evolucionado a partir de la teoría de que los mecanismos fisiológicos de los "estados trascendentes" se basan en una vía neuroquímica común que involucra al lóbulo temporal (Mandell, 1980). Desde esta perspectiva teórica, se cree que la práctica de la meditación produce inhibición de la serotonina en las células del hipocampo, lo que a su vez aumenta la actividad celular y la manifestación de la actividad del EEG de onda lenta septal del hipocampo (es decir, alfa, delta y theta) que impone un efecto sincronizado lento. -patrón de ondas a través de los lóbulos (Winkelman, 2010, 2011). La integración se manifiesta en el arrastre de la corteza frontal por descargas de ondas lentas altamente coherentes y sincronizadas que emanan del sistema límbico y las estructuras relacionadas de la parte inferior del cerebro. Estos entrenamientos ocurren en una variedad de frecuencias, pero dos patrones predominantes son bandas theta sincronizadas de onda lenta (3–6 ciclos por segundo) y oscilaciones gamma de alta frecuencia (40 + cps). Estos patrones de ondas cerebrales sincronizados se conocen como un modo integrador de conciencia (Winkelman, 2011).

Investigaciones anteriores han examinado los efectos de la meditación en muestras clínicas y en personas con amplia experiencia en meditación (p. Ej., Monjes budistas, chamanes y practicantes con más de 10 años de experiencia en la práctica consciente, Flor-Henry y col., 2017; Tang et al., 2015). En particular, los expertos han observado activaciones cerebrales diferenciales durante la meditación, como resultado de varios estilos de meditación que se miden con frecuencia mediante EEG. Además, las medidas fisiológicas de los meditadores ingenuos han reflejado las de los meditadores altamente experimentados después de una sola sesión de meditación (Fennell y col., 2016). Sin embargo, poca investigación ha ofrecido un examen electrofisiológico de la experiencia meditativa en individuos con experiencia limitada en meditación y con un enfoque de meditación guiada. Para desarrollar esta brecha de investigación, el estudio actual tuvo como objetivo examinar el impacto de la práctica de meditación intensiva (2 a 4 h de práctica de meditación por día) en una muestra de meditadores novatos. Los factores de la intervención (incluidos los enfoques de entorno y meditación) se optimizaron para acelerar el aprendizaje entre los participantes. El estudio actual tuvo como objetivo evaluar los estados alterados de conciencia de los participantes durante la meditación comparando el patrón de las bandas de energía de las ondas cerebrales en cada punto final de la meditación con las medidas de referencia (es decir, oscilaciones alfa, delta y theta) y mediante la evaluación de la sincronización gamma de alta frecuencia. . Basándose en la teoría de la conciencia integradora (Winkelman, 2011), se planteó la hipótesis de que los estados alterados de conciencia serían detectados por patrones alterados de ondas cerebrales en cada meditación en la muestra de meditadores novatos.

2. Materiales y método

2.1. Participantes y procedimiento

La muestra de conveniencia inicial consistió en 468 participantes de 19 a 83 años (M = 50.56, SD = 14.52), de los cuales 312 eran mujeres (71.4%) y 125 eran hombres (28.6%). Todos los participantes dieron su consentimiento por escrito para participar en el estudio. Los participantes eran novatos en meditación o tenían una exposición previa limitada a formas de meditaciones guiadas. Todos los participantes asistieron a talleres de capacitación en meditación impartidos por el Dr. Joseph Dispenza, DC que se llevaron a cabo en varios lugares de América del Norte. El entrenamiento de meditación, conocido como "Taller avanzado", comprendía dos o tres sesiones diarias durante tres días. En cada sesión, los participantes asistieron a charlas basadas en psicoeducación (p. Ej., Conferencias sobre el papel de las hormonas en el estrés; Dispenza, 2014) y participó en una meditación sentada guiada con música (sin voz y con enfoque abierto) que duró aproximadamente 60 minutos. Los datos de ondas cerebrales de EEG se registraron para cada participante a lo largo de la sesión de meditación, con datos de EEG previos a la meditación comparados con los datos de EEG de meditación de punto final para cada sesión del programa de entrenamiento de meditación.

2.2. Análisis de EEG

El EEG se midió usando una matriz estándar de 10 electrodos 20/19. Hubo un efecto principal de la meditación en los espectros de EEG y una interacción entre el sitio del electrodo y la condición de mediación. Por ejemplo, muestra esta interacción codificada por colores para mostrar los cambios más negativos y positivos en los espectros de la meditación. Sin embargo, el modelo indicó que no había evidencia de interacciones sistemáticas entre la ubicación de los electrodos y la técnica de meditación, lo que indica que las fuentes pueden ser las mismas en todas las técnicas de meditación, pero la intensidad y la combinación de los cambios de potencia de la banda difieren entre las técnicas. El proceso de configuración del EEG requirió 10 minutos por participante, en el que las medidas de la circunferencia de la cabeza se emparejaron con una gorra de EEG (tamaños pequeño, mediano y grande). Los gorros se calibraron aproximadamente a dos pulgadas por encima de la ceja y siguieron una línea que comenzaba en el medio de la frente y continuaba alrededor de la cabeza para reunirse en el punto de inicio designado. Se obtuvieron grabaciones de referencia, que incluían ojos cerrados (4 minutos) y cerebro en la tarea (4 minutos) antes de que se registraran las sesiones de meditación.

2.3. Tipos de meditación

A lo largo del taller de tres días, 468 participantes participaron en aproximadamente tres meditaciones por día (ver Tabla 1), que produjo un total de 5616 electroencefalogramas. La meditación guiada sentada, dirigida por el segundo autor, enfatizó la respiración, la visualización y la concentración enfocada (atención internalizada).

Tabla 1. Sesiones de meditación por hora del día.

S	Hora	Tipo de meditación
Día 1 Tipo 1 (D1T1)	Meditación de la mañana (9.00 a. M.)	Concéntrese en niveles elevados de emoción y energía liberadora en el cuerpo para sintonizar, alinear y conectar los centros de chakras asociados.
Día 1 Tipo 2 (D1T2)	Meditación del mediodía (12 del mediodía)	Centrarse en la emoción de la gratitud
Día 1 Tipo 3 (D1T3)	Meditación de la tarde (3.00 pm)	Enfócate en rendirte
Día 2 Tipo 1 (D2T1)	Meditación de la mañana (9.00 a. M.)	Concéntrese en niveles elevados de emoción y energía liberadora en el cuerpo para sintonizar, alinear y conectar los centros de chakras asociados.
Día 2 Tipo 2 (D2T2)	Meditación del mediodía (12 del mediodía)	Centrarse en una intención específica de materializar un evento específico en la vida.
Día 2 Tipo 3 (D2T3)	Meditación de la tarde (3.00 pm)	Concéntrese en la emoción elevada y una sensación de plenitud y unidad con el mundo (a través de una meditación de enfoque abierto)
Día 3 Tipo 1 (D3T1)	Meditación de la madrugada (6.30 a. M.)	Concéntrese en niveles elevados de emoción y energía liberadora en el cuerpo para sintonizar, alinear y conectar los centros de chakras asociados.
Día 3 Tipo 2 (D3T2)	Meditación de media mañana (10.00:XNUMX a.m.)	Enfócate en crear una intención futura
Día 4 (D4T1)	Muy temprano en la mañana (4.00:XNUMX am) Meditación	Concéntrese en mover la energía a través del cuerpo hacia el cerebro para activar la glándula pineal para inducir una experiencia mística (meditación sentada y acostada)

3. Resultados

3.1. Preprocesamiento

Dada la variabilidad en el preprocesamiento y los montajes, se utilizaron los datos de las grabaciones de auriculares de referencia de oído vinculado con el preprocesamiento de paso de banda de 0.5 a 80 Hz, lo que redujo la muestra a 283 participantes. Se eliminaron los datos de 60 participantes debido a la corta duración de las grabaciones en la sesión (<10 min) ya que las duraciones de menos de 10 min no fueron lo suficientemente largas para ser viables para la evaluación de la dinámica neural. Esto dejó una muestra final de 223 participantes. Los datos de EEG se exportaron en formato EDF y se importaron a MNE-Python (Versión 17.1; Gramfort et al., 2013, 2014) para su posterior análisis. La tubería PREP se utilizó para detectar canales corrompidos por ruido (Bigdely-Shamlo et al., 2015) con todos los electrodos que no funcionan interpolados a través de las estrías esféricas (Perrin et al., 1989, 1990). Los datos se filtraron en paso de banda a 1-50 Hz con filtro FIR (Rabiner et al., 1978). Los parpadeos potenciales del ojo se detectaron usando una mediana móvil, con una mediana entre 30 y 300 microvoltios con una ventana de 15 muestras (60 ms) etiquetadas como un parpadeo, medido en los electrodos Fp1 y Fp2. Los datos fueron transformados por la superficie laplaciana (mediante interpolación esférica) para proporcionar una señal sin referencia más robusta (Kayser y Tenke, 2006). Los datos que rodean los eventos de parpadeo del ojo se segmentaron en épocas de -500 a 500 ms. El análisis de componentes independientes se realizó utilizando el algoritmo de Picard (Ablin y col., 2018) para aislar y eliminar los artefactos EOG presentes en los datos seleccionando el componente con el mayor coeficiente de correlación absoluto r de Pearson para las épocas de parpadeo del ojo a través de la función find_bad_eog en MNE-Python. Los últimos cinco minutos de grabaciones de premeditación y meditación se utilizaron para comparar los efectos de los diversos tipos de meditación en los espectros de EEG, y el EEG registrado durante la meditación se utilizó para evaluar la dinámica neuronal de la meditación. El paquete R ggplot2 y MNE-Python se utilizaron para crear las figuras (Hadley y Sievert, 2016).

3.2. Ajuste del modelo

Se utilizó la estimación de parámetros bayesianos para evaluar los resultados (McGill y col., 2017). Este análisis se seleccionó porque las intenciones del experimentador se expresan explícitamente a través del modelo y las distribuciones previas. Se proporcionaron distribuciones completas de valores creíbles para todos los parámetros del modelo en lugar de valores únicos. Dado que este procedimiento no utiliza valores p ni intervalos de confianza, se considera que la estimación del parámetro bayesiano proporciona más información que las pruebas de significación de hipótesis nulas (Kruschke, 2013). Las distribuciones posteriores se resumieron con su mediana y su intervalo de densidad más alto (IDH) (Kruschke y Liddell, 2015). El IDH contiene el 95% de los valores más probables de la distribución. Se utilizó la versión R 3.5.1 (R Core Team, 2018) para todos los análisis estadísticos. Stan 2.17.0 (Carpenter et al., 2017) con RStan 2.17.3 (Equipo de desarrollo de Stan, 2018) interfaz para adaptarse a todos los modelos. Stan estima la distribución posterior utilizando un procedimiento Hamiltonian Monte Carlo (HMC). Para cada modelo, cuatro cadenas extrajeron simultáneamente 2000 muestras, 1000 de las cuales fueron de calentamiento. El tamaño de la muestra resultante fue de 4,000. Se evaluó la convergencia de las muestras posteriores para cada parámetro mediante la inspección de los gráficos de trazas y de Gelman-Rubin. $\hat{r}$ estadísticaGelman y Rubin, 1992), dónde $\hat{r}$ cerca de 1.00 indican que las cadenas han convergido.

3.3. Comparación de frecuencia mediante aprendizaje automático

Para examinar si hubo un efecto de la meditación en los espectros de frecuencia del EEG, los clasificadores de aprendizaje automático se entrenaron individualmente para discriminar entre los datos previos a la meditación y los últimos cinco minutos de meditación (condición). Un clasificador basado en geometría de Riemann (Congedo et al., 2017) utilizando los co-espectros del EEG entre cuatro y 45 Hz (ventana de Hanning de 250 ms, 75% de superposición, resolución de 4 Hz) para épocas de 2 s sin superposición para la premeditación y los datos de finalización de la meditación fueron usado. Se seleccionó el clasificador basado en geometría de Riemann debido a que este tipo de clasificador se encuentra entre los mejores en términos de rendimiento en la clasificación BCI, facilidad de implementación y buena capacidad de generalización en comparación con otras opciones como el aprendizaje profundo (Lotte et al., 2018). Además, el rendimiento durante la validación fue muy alto y, por lo tanto, fue adecuado para estimar la dinámica neuronal de las técnicas de meditación. El clasificador utilizó regresión logística de espacio tangente (Congedo et al., 2017) para discriminar entre los dos estados. Se utilizó una validación cruzada de 75 veces dividida al azar (25% de tren, 10% de prueba) para estimar el rendimiento medido por la matriz de confusión del clasificador. Para estimar el desempeño general se ajustó un modelo jerárquico Multinomial-Dirichlet a la matriz de confusión media de cada participante (Ver descripción del modelo). Las estimaciones de la matriz de confusión se resumieron luego en medidas de precisión y competencia (White et al., 2004). La precisión y la competencia se calcularon a partir de la matriz de confusión utilizando el procedimiento estándar: Exactitud, tomando la suma de los verdaderos positivos y negativos verdaderos dividida por el total de la matriz de confusión y la competencia, calculando la información mutua de los resultados esperados y pronosticados. , dividido por la entropía de los resultados esperados (Caelén, 2017; White et al., 2004).

3.4. Descripción del modelo de comparación de frecuencia

Estábamos interesados en saber qué tan bien discriminaban los clasificadores los estados previos y finales de la meditación, y si había diferencias en el rendimiento entre las técnicas de meditación. Matriz de confusión de un clasificador participante, $\vec{C_{p}}$ , se modeló como una muestra aleatoria de una distribución multinomial: $\vec{C_{p}} \sim M u l t i n o m i a l (\vec{θ_{p}})$ donde $\vec{C_{p}}$ estimó las probabilidades de verdaderos negativos, falsos positivos, falsos negativos y verdaderos positivos para un clasificador individual. $\vec{C_{p}}$ se le dio un Dirichlet antes: $\vec{θ_{p}} \sim D i r i c h l e t (\vec{θ_{t}} \times κ_{t})$ donde $\vec{θ_{t}}$ midió las probabilidades de grupo para cada celda en la matriz de confusión para una técnica de meditación en particular y $κ_{t}$ estimó la concentración de $\vec{θ_{t}}$ . $\vec{θ_{t}}$ También se le dio un Dirichlet a priori:

$\vec{θ_{t}} \sim D i r i c h l e t (\vec{θ_{g}} \times κ_{g})$ donde $\vec{θ_{g}}$ rendimiento general estimado y $κ_{g}$ cuán estrechamente coincidían las diferentes técnicas de meditación con el $\vec{θ_{g}}$ estimar. Todos $κ_{x}$ A los parámetros se les dieron previos gamma difusos $κ_{x} \sim G a m m a (2, 0.1)$

3.5. Resultados de la comparación de frecuencias

El modelo indicó que los clasificadores eran extremadamente precisos, con una precisión general del 97% (95% IDH = [0.96, 0.98]) y competencia de 0.81 (95% IDH = [0.75, 0.86]). No hubo evidencia de un efecto creíble de la técnica de meditación en la precisión o competencia como se muestra en , . Esta invariancia con la técnica de meditación es importante para el siguiente análisis de dinámica neuronal, ya que las diferencias entre el rendimiento del clasificador podrían confundir los resultados.

3.6. Dinámica neuronal de meditación

Los datos durante la meditación se clasificaron de la misma manera que el análisis de comparación de frecuencias y luego se clasificaron como premeditación o meditación final. Esto creó una serie de tiempo binaria para cada individuo, proporcionando una idea de cuándo la meditación cambió los co-espectros del EEG y cómo las diferentes técnicas impactaron esta relación dinámica. Se aplicó regresión logística a la serie de tiempo de clasificación de cada participante, que resumió la serie en pares de intersección y pendiente. Estos pares se evaluaron con un modelo lineal general bayesiano para cuantificar la eficacia de cada técnica de meditación para inducir los co-espectros de EEG de estado final (ver descripción del modelo).

3.7. Descripción del modelo de dinámica neuronal

Estábamos interesados en cuantificar cómo la meditación cambia los espectros de EEG y qué tan efectivamente varias técnicas de meditación facilitan este cambio. Para evaluar este cambio se llevó a cabo una regresión logística, produciendo valores de intersección y pendiente para cada participante. La intersección y la pendiente de los participantes se modelaron por separado, $y_{p_{[i]}}$ , como un sorteo de una distribución normal: $y_{p_{[i]}} \sim N o r m a l (μ_{[i]}, σ_{[i]})$ Donde μ se derivó de la combinación lineal:

$μ_{[i]} = β_{0_{[i]}} + β_{t_{[i]}} \times x_{t_{[i]}}$ donde $β_{0}$ El parámetro estima la tendencia central del grupo mientras que $β_{t}$ midió el efecto de la técnica en la intersección y la pendiente. $β_{0}$ se le dio un a priori normal centrado en la media de los datos, con 10 veces la desviación estándar de los datos:

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

$σ$ El parámetro recibió gamma difusa antes según: $σ_{[i]} \sim G a m m a (2.0,0.1)$ $β_{t}$ se le dio una restricción de suma a cero al centrar en cero un vector simplex, $\vec{s_{t_{[i]}}}$ y multiplicándolo por una variable de escala, $σ_{t}$ :

$β_{t_{[i]}} = σ_{t_{[i]}} \times (\vec{s_{t_{[i]}}} - \frac{1}{n_{t}})$ donde el simplex recibió un Dirichlet uniforme antes y la escala recibió una gamma antes: $\vec{s_{t_{[i]}}} \sim D i r i c h l e t (\vec{1})$ $σ_{t_{[i]}} \sim G a m m a (2.0,0.1)$

Se eligieron los prioritarios por ser poco informativos a la escala de los datos.

3.8. Resultados de la dinámica neuronal

Los resultados indicaron que no había evidencia suficiente para detectar el efecto de la técnica de meditación en los valores de intercepción de regresión logística (ver ). Sin embargo, las intersecciones para cada técnica de meditación fueron bastante grandes (ver ), donde la probabilidad de que los co-espectros EEG fueran como el estado final de la meditación era 0.76 (95% IDH = [0.71, 0.81]) al inicio de la meditación.

Hubo un efecto significativo de la técnica de meditación en la pendiente de regresión logística con D2S2 0.0231 más grande que la pendiente de D3S2 (95% IDH = [0.0003, 0.04472], cero no incluido). Esto sugiere que D2S2 indujo el estado final de la meditación más rápido que la técnica D3S2, como se muestra en .

3.9. Análisis de banda de potencia

Los datos previos a la meditación y al final de la meditación se establecieron en ventanas de 2 s sin superposición y su densidad espectral de potencia (PSD) se estimó utilizando el método multitaper (Thompson, 1982). La potencia de la banda se derivó de la suma de PSD sobre 1-4 Hz para Delta, 4-8 Hz para theta, 8-13 Hz para alfa, 15-25 para beta y 35-45 Hz para gamma utilizando la regla de Simpson para la integración. La media se registró para cada participante, en cada electrodo, tanto para las condiciones previas a la meditación como para las de finalización de la meditación. Los espectros de potencia del EEG se generan predominantemente a partir de fuentes corticales con alguna entrada de estructuras subcorticales (ver Buzsaki, 2006) con todas las bandas de poder canónicas relacionadas con la meditación (Lee et al., 2018).

3.10. Descripción del modelo de análisis de banda de potencia

Estábamos interesados en medir el efecto de la meditación en las bandas de potencia del EEG y si había diferencias entre los tipos de meditación. Cada banda de poder, $y$ , se modeló por separado, como un sorteo aleatorio de una distribución logarítmica normal:

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

donde $σ$ representó la desviación estándar, y $μ$ la estimación media: $μ = β_{0} + β_{p} \times x_{p} + β_{e} \times x_{e} + β_{c} \times x_{c} + β_{t} \times x_{t} + β_{e \times c} \times x_{e \times c} + β_{e \times t} \times x_{e \times t} + β_{c \times t} \times x_{c \times t} + β_{e \times c \times t} \times x_{e \times c \times t}$ donde $β_{0}$ es la línea de base general, $β_{p}$ es la línea de base específica de un participante, $β_{e}$ estima el efecto de los electrodos, $β_{c}$ mide el efecto de la condición de meditación (antes o al final de la meditación), es un parámetro para el efecto de la técnica de meditación. Los parámetros de interacción $β_{e \times c}$ electrodo medido dentro de cada condición, $β_{e \times t}$ estimó el efecto del electrodo dentro de cada técnica de meditación, $β_{c \times t}$ cuantifica la interacción entre la condición y la técnica de meditación, y $β_{e \times c \times t}$ es el parámetro para la interacción de tres vías entre electrodo, condición y técnica. Al parámetro de línea de base se le dio un valor previo normal:

$β_{0} \sim N o r m a l (m e a n (\log (y)), 10 \times S d (l o g (y)))$ mientras que a cada uno de los otros factores y parámetros de interacción se les dieron restricciones de suma a cero utilizando el procedimiento k-1: $α_{x} \sim N o r m a l (0, σ_{x}) β_{x_{[1 : k - 1]}} = α_{x}$ $β_{x_{[k]}} = - \sum α_{x_{[i]}}$

Con parámetros de interacción restringidos a sumar cero en cada predictor. $σ_{x}$ Los parámetros se extrajeron de una distribución gamma difusa, dada la escala logarítmica del modelo: $σ_{x} \sim G a m m a (1.64, 0.32)$ $β_{e \times t}$ , $β_{e \times c}$ y $β_{e \times c \times t}$ se les dio una desviación estándar fija de 1 para evitar una contracción problemática que estaba afectando negativamente el muestreo de Hamilton Monte Carlo.

3.11. Delta

Hubo una disminución principal del 5% en la potencia delta (95% IDH = [−0.07, −0.03]) después de la meditación en comparación con la premeditación. También hubo un efecto principal de la meditación donde D1S2 tenía un poder delta 72% más alto que D2S1 (95% IDH = [0.04, 1.48]). Además, se encontró una interacción creíble entre la técnica de meditación y la condición (ver ). D1S2, D3S1 y D4S1 tuvieron el mayor aumento (16%, 18% y 18% con 95% de IDH = [0.07, 0.25], [0.1, 0.26] y [0.08, 0.28], respectivamente), D2S2 no tuvo evidencia de un cambio en el poder (95% IDH = [−0.08, 0.05] que contiene cero), y D1S1, D1S3, D2S1, D2S3 y D3S2 mostraron una disminución en delta (−12%, −16%, −24%, −18% y −12% con 95% IDH = [−0.19, −0.05], [−0.23, −0.11], [−0.29, −0.19], [−0.23, −0.13] y [−0.18, −0.05], respectivamente). ilustra el efecto principal de los electrodos con electrodos parietales centrales que muestran más potencia delta que los electrodos occidentales y más que los sitios frontales-temporales. No se encontró que las interacciones que involucren el electrodo con los otros predictores sean creíbles. es, por tanto, el cambio en la proporción debido a la mediación para cada banda de potencia según lo estimado por la interacción del modelo entre el electrodo y los parámetros de condición. Esto efectivamente colapsa a través de la técnica de meditación, incluidos todos los datos de todas las técnicas, ya que no había evidencia creíble de una interacción de tres vías entre el electrodo, la condición y la técnica.

3.12. Theta

Hubo un aumento global en el poder theta del 29% (95% IDH = [0.27, 0.33]) de la meditación. Los resultados también mostraron un efecto principal de la técnica de meditación, donde D1S2 tenía más poder theta que D2S1 y D2S3. También hubo una interacción entre la condición y la técnica de meditación (ver ). D1S2, D3S1 y D3S2 tuvieron los mayores aumentos (47%, 50% y 43% con 95% de IDH = [0.37, 0.58], [0.4, 0.59] y [0.34, 0.52], respectivamente) luego D1S1, D2S2 y D4S1 (29%, 33% y 33% con 95% IDH = [0.2, 0.39], [0.26, 0.41] y [0.23, 0.44]) seguidos de D1S3 y D2S3 (19% y 14%, con 95% IDH = [0.12, 0.27] y [0.08, 0.21]), sin cambios creíbles en theta para D2S1 (95% HDI = [−0.02, 0.11], cero incluido). muestra el efecto del electrodo en la potencia theta, con los electrodos de la línea media que tienen la mayor potencia theta seguidos por los canales parietal y occipital, con menos potencia en los sitios frontal-temporales. No hubo evidencia creíble de interacciones que involucren el electrodo con los otros predictores.

3.13. Alfa

Hubo un aumento global del 16% (95% IDH = [0.13, 0.19]) en el poder alfa debido a la meditación. No hubo evidencia creíble de un efecto de la técnica con todo el 95% de HDI incluido cero. Hubo una interacción creíble para la condición de poder alfa entre la técnica de meditación (ver ). D1S2, D2S3 y D3S2 tuvieron los mayores aumentos en alfa (25%, 32% y 39% con 95% de IDH = [0.16, 0.34], [0.24, 0.39] y [0.29, 0.49]) seguidos de D1S1, D2S1, D2S2, D3S1 (16%, 17%, 13% y 17% con un IDH del 95% = [0.07, 0.25], [0.09, 0.24], [0.06, 0.2] y [0.09, 0.24]) sin cambio creíble para D1S3 y D4S1 (95% IDH = [−0.09, 0.05], [−0.13, 0.03], cero incluido). muestra el efecto del electrodo sobre la potencia alfa, con un alfa alto sobre los electrodos occipital y parietal, sin cambios con respecto a la línea de base alfa en los canales centrales frontales y una disminución en los sitios temporales. No hubo interacciones que involucren electrodos con los otros predictores.

3.14. Beta

Hubo un efecto principal de la condición, con un aumento de la potencia beta global en un 17% (95% IDH = [0.15, 0.19]) desde la premeditación hasta la finalización de la meditación. No hubo un efecto principal de la meditación con todo el 95% de HDI incluido cero. Sin embargo, hubo una interacción entre la condición y la técnica de meditación (ver ), donde D1S2, D2S2, D2S3, D3S1 y D3S2 tuvieron el mayor aumento en la potencia beta (30%, 30%, 20%, 32% y 33% con un 95% de IDH = [0.22, 0.39], [0.23, 0.38], [0.14, 0.26], [0.24, 0.4] y [0.25, 0.41]) seguido de D4S1 (11% con 95% de IDH = [0.03, 0.19]). D1S1, D1S3 y D2S1 no tenían evidencia creíble de cambio en la potencia beta (95% IDH = [−0.06, 0.08], [−0.07, 0.04] y [-0.03, 0.09], cero incluido). También hubo un efecto principal de los electrodos con más potencia beta sobre los electrodos central-parietal y occipital en comparación con los frontales-temporales como se muestra en . Finalmente, no hubo interacciones que involucren electrodos con los otros predictores.

3.15. Gama

Se observó un aumento del 11% (95% IDH = [0.08, 0.14]) en el poder gamma desde la premeditación hasta la meditación final. No hubo evidencia creíble de un efecto principal de la técnica con todo el 95% de HDI incluido cero, lo que indica que los grupos tenían una potencia gamma similar. Sin embargo, hubo una interacción entre la técnica y la condición, donde D1S2, D3S2 y D4S1 tuvieron el mayor aumento en la potencia gamma (36%, 31% y 27% con 95% IDH = [0.24, 0.49], [0.2, 0.42 ] y [0.14, 0.41]), seguidos de D2S2, D2S3 y D3S1 (10%, 14% y 16% con 95% IDH = [0.02, 0.19], [0.06, 0.23] y [0.07, 0.26 ]), D1S3 y D2S1 no cambiaron en la potencia gamma (95% IDH = [−0.07, 0.1] y [−0.14, 0.01], cero incluido), con D1S1 exhibiendo una disminución en gamma (−17% con 95% HDI = [−0.25, −0.09]). Hubo un efecto de la ubicación de los electrodos con más potencia gamma sobre los electrodos occipitales parietales en comparación con los sitios frontal-central y temporal (ver ). Finalmente, no hubo interacciones creíbles que involucraran electrodos con los otros predictores.

3.16. Resumen de resultados

El modelo de aprendizaje automático mostró un alto grado de precisión para discernir los co-espectros de EEG previos a la mediación y al final de la meditación para cada técnica de meditación. A continuación, se evaluó la dinámica neuronal de cada técnica de mediación aplicando modelos de aprendizaje automático a los co-espectros de EEG formando una serie de clasificación. Esta serie se modeló con regresión logística, que mostró la rápida transición y estabilización de los espectros electroencefalográficos de premeditación al final de la meditación. Posteriormente, se evaluó el efecto de cada técnica de meditación para cada banda de potencia ajustando un modelo lineal generalizado. Esto mostró la heterogeneidad de cambios en las bandas de poder resultantes de las técnicas de meditación (resumidas en ).

4. Discusión

Este estudio proporcionó un examen electrofisiológico del impacto de la meditación en una muestra de 223 meditadores novatos. Basado en la teoría de la conciencia, se planteó la hipótesis de que los participantes alcanzarían estados alterados de conciencia observados en los datos de EEG indicados como estados transformados de ondas cerebrales en cada meditación guiada. Los resultados apoyaron esta hipótesis. La conciencia corresponde típicamente a la capacidad de integrar información (Tononi, 2004). Un modo integrador de conciencia a menudo se tipifica en patrones de ondas theta de ondas lentas que sincronizan la corteza frontal con descargas de estructuras cerebrales inferiores y oscilaciones gamma de alta frecuencia (Winkelman, 2011). Los resultados actuales indicaron que hubo un aumento global del 29% del poder theta y un aumento del 11% en el poder gamma desde el estado previo al final de la meditación.

La actividad alfa en el EEG durante la meditación también se ha implicado como una forma de integración en el cerebro que conduce a procesos cognitivos de alto nivel (Hebert y otros, 2005). Se ha sugerido que esta actividad subyace al concepto del modo integrador de conciencia; el de la sincronización mejorada de los patrones de ondas cerebrales (Winkelman, 2011). El aspecto adicional de la integración inducida por la meditación en el cerebro a menudo se refleja en ondas gamma bifásicas hipersincrónicas de alta frecuencia y la presencia de gamma en la meditación es una confirmación directa del modelo integrador (Winkelman, 2011). Esto se relaciona con la unión de diversas señales dentro del cerebro; y que la sincronización gamma está modulada por los ritmos theta y alfa (Papas Fritas, 2009). En general, los resultados de este estudio apoyan este modelo.

Los análisis sugirieron que las clasificaciones de aprendizaje automático de EEG eran altas, discriminando antes y después de la meditación con un 97% de precisión. En la muestra se encontraron diferencias entre los espectros de EEG para las condiciones previas y posteriores a la meditación. Se identificó una relación entre el tiempo de meditación y la probabilidad de clasificación de la meditación final, con D2S2 (la intención de que se materialice un evento) más rápido para inducir el estado de meditación final que D3S2 (establecer una intención futura). Además, se identificaron diferencias en las bandas de potencia del EEG, con cada técnica de meditación induciendo diferentes patrones de cambios en las bandas de potencia.

Los resultados sugirieron que el cambio de los patrones de ondas cerebrales de ondas cerebrales beta (rango alto, medio y bajo) a ondas cerebrales alfa ocurrió en un período relativamente corto. Este resultado es un trabajo previo consistente, en el que los participantes lograron competencia en el aspecto del entrenamiento de la atención de la práctica de la meditación con relativa rapidez (Atchley et al., 2016). En la mayoría de las sesiones de meditación de los participantes, se observaron aumentos en la potencia beta y alfa, con la potencia alfa más posterior sobre los canales occipitales en comparación con una distribución más parietal para la potencia beta. Además, se encontró un aumento en el poder theta centrado en los electrodos fronto-central a parietal de la línea media.

El hallazgo de un aumento de la potencia gamma en los electrodos parietal y occipital posiblemente se originó en el Área 30 de Brodmann. Si bien investigaciones recientes sugieren que el EEG puede detectar fuentes subcorticales (Seeber et al., 2019), La capacidad de EEG para medir la actividad generada a partir de fuentes tan profundas no está respaldada universalmente en el campo de la neurociencia (Sejnowski y Paulsen, 2006); por tanto, esta explicación sigue siendo especulativa. Independientemente, este hallazgo se basa en estudios previos que encontraron un aumento de gamma en los canales parietooccipitales (Berkovich-ohana et al., 2012; Cahn et al., 2010; Martínez Vivot et al., 2020; Schoenberg et al., 2018) al cuantificar el poder cambia y muestra un rápido cambio de estado en los meditadores novatos. Si bien el papel funcional del poder gamma aún no se ha determinado (Braboszcz et al., 2017), dentro del contexto de la meditación guiada, existe evidencia creciente de una relación con la mejora de la conciencia (Cahn et al., 2010). van Lutterveld y col. (2017) utilizaron un paradigma de neurofeedback para entrenar a los participantes a alterar sus oscilaciones gamma de la corteza cingulada posterior durante la meditación. Se encontró que el poder gamma estaba relacionado con la experiencia subjetiva de la conciencia sin esfuerzo. Además, un estudio de Voss y col. (2014) manipuló directamente las oscilaciones neuronales a través de la estimulación de corriente alterna transcraneal durante el sueño, y descubrió que la estimulación dentro de la banda gamma aumentaba la conciencia de las personas mientras soñaban. En conjunto, esto proporciona una explicación coherente del aumento de gamma sobre los electrodos parietooccipitales.

La demostración de los efectos heterogéneos que las técnicas de meditación guiada pueden tener sobre las bandas de energía del electroencefalograma subraya la relevancia de utilizar tales técnicas para dilucidar las experiencias subjetivas de los meditadores. Una encuesta reciente realizada por Vieten y sus colegas (2018) mostró la amplia gama de experiencias posibles durante la meditación. Este rango de experiencia subjetiva podría estar relacionado con las diferencias provocadas por las diversas técnicas de meditación en este estudio. La investigación adicional podría integrar la investigación cualitativa para comprender mejor los vínculos entre las técnicas de meditación guiada, los espectros de poder de EEG y la experiencia subjetiva.

Finalmente, la investigación futura que proporcione una evaluación de imágenes cerebrales del entrenamiento de meditación guiada podría ofrecer información crítica. Dado que la atención plena se ha identificado como un factor protector contra la interferencia proactiva y el aumento del volumen del hipocampo (Greenberg et al., 2019), el examen futuro de la meditación guiada en el tratamiento de afecciones mentales caracterizadas por deficiencias en la memoria de trabajo y el volumen del hipocampo podría tener importantes implicaciones clínicas.

4.1. Limitaciones

Aunque este estudio ha contribuido a comprender los mecanismos de cambio que pueden ocurrir a través de la meditación, los presentes hallazgos deben interpretarse a la luz de varias limitaciones. La duración de la sesión de meditación fue variada, de seis a 90 minutos. Como la variabilidad no se distribuyó uniformemente entre las condiciones (es decir, las grabaciones del Día 2, Sesión 1 y Día 3 de la Sesión 1 tuvieron una duración <10 min), el análisis de los cambios dinámicos a lo largo de la meditación para estas sesiones fue limitado. Además, el estudio actual carecía de medidas clínicas para detectar trastornos de salud mental entre los participantes del estudio. Los estudios futuros podrían usar datos de EEG junto con medidas de autoinforme y datos de comportamiento para examinar la relación entre los patrones de EEG y los resultados positivos de la meditación. Este estudio carecía de una intervención de control o de comparación, y la lealtad y el sesgo del experimentador pueden haber estado presentes al realizar la meditación guiada. Finalmente, se trataba de una muestra de conveniencia que la hacía muy vulnerable al sesgo de selección y al potencial de error de muestreo.

4.2. Conclusión

El presente estudio tuvo como objetivo examinar el efecto de un breve taller de entrenamiento de meditación guiada en meditadores novatos. Sobre la base de la teoría de la conciencia integradora, se planteó la hipótesis de que los participantes (meditadores novatos) alcanzarían estados alterados de conciencia detectados utilizando datos de ondas cerebrales EEG. El patrón de los participantes de las bandas de energía de las ondas cerebrales en cada punto final de la meditación se comparó con las medidas de referencia (es decir, oscilaciones alfa, delta y theta). La competencia en la meditación a través de la integración funcional del cerebro se evaluó utilizando medidas de sincronización gamma de alta frecuencia. Los resultados generales sugirieron que la intervención de meditación tuvo grandes efectos variables en los espectros de EEG, y la velocidad de cambio de los estados de pre-meditación a post-meditación de los co-espectros de EEG fue significativa, por lo tanto, confirmó la teoría de la conciencia. Los hallazgos sugieren que la meditación guiada breve La intervención puede ofrecer beneficios de salud positivos e inmediatos para ayudar a combatir el estrés.

Conflictos de interés

Peta Stapleton, Stuart McGill, Debbie Sabot, Megan Peach, Danielle Raynor: No hay conflictos que declarar.

Joe Dispenza: Puede ser reconocido por el entrenamiento en meditación examinado en este artículo, debido a su experiencia. No participó en el análisis de este artículo para evitar sesgos.

Fondos

Esta investigación no recibió ninguna subvención específica de agencias de financiamiento en los sectores público, comercial o sin fines de lucro.

Los grandes efectos de la meditación breve en los espectros de EEG de meditadores principiantes

Dr Joe Dispenza / 04 de diciembre de 2020

Creemos en