脑电研究：冥想提高年轻人的持续注意

设为首页 | 加入收藏

网站首页 > 新闻中心 > 脑科学新闻

培训中心

联系方式

手机：18580429226
联系电话：023-63084468
联系人：杨晓飞
联系邮箱：syfmri@163.com
联系地址：重庆市渝中区青年路38号重庆国际贸易中心2004#

信息内容

脑电研究：冥想提高年轻人的持续注意

发布者：admin 发布时间：2019/9/23

来自加利福利亚大学的DavidA. Ziegler等人在Nature Human Behaviour杂志上发表了关于冥想与年轻人持续性注意关系的研究。该研究使用了一款冥想训练软件(MediTrain)来研究冥想对持续性注意以及工作记忆的影响。

文献导读

注意是各方面高级认知(如记忆、决策、目标管理和情绪调节)的一个基本组成部分，因此提高持续性注意是十分有益的。然而，提高年轻人的持续性注意是极其困难的。有研究表明，冥想练习可能会提高健康年轻人的注意能力。研究者利用MediTrain（一款冥想训练软件，参见补充图1）对健康年轻人进行冥想训练，研究其与注意的关系，同时记录他们的EEG来研究引起这一系列变化的神经机制。

该冥想训练方法是让受训者将注意集中在呼吸上（即听吸法）。开始冥想训练时，告知被试如何闭上眼睛将注意集中在呼吸上。在训练过程中，被试被指示要时刻监测自己的思想走神(注意缺失或分心)，当意识到自己在走神时，要注意转移回呼吸上。MediTrain运用一种自动调节算法来调整下一个试验的难度(当被试注意集中时增加注意的持续时间，反之，减少时间)。这种方法允许以个性化的方式进行集中注意的冥想挑战，并定期反馈被试对使用呼吸法保持注意的能力，以及随着时间推移的改善。

MediTrain APP的截屏显示了主要的介绍页面、包含程序说明和每日冥想“技巧”库、跟踪训练日历，以及一个图形页面，该页面提供了定量的反馈，反映了每个被试能够在多长时间内不受干扰地专注于自己的呼吸。

方法

实验一：设计对照组来平衡安慰剂效应。

为了平衡APP使用过程中的安慰剂效应，研究者选择一些列预期可以被试提高认知能力（但不能提高注意）的APP，测试这一些列APP以及MediTrain对被试的影响。要求被试(n = 334)报告MediTrain或其他APP将在多大程度上改善他们的预期（认知）表现。实验最后选定3种APP，这些APP与MediTrain对被试的预期结果的影响没有显著差异，这表明它们可以作为一种合适的安慰剂控制条件。这3个APP分别是：外语学习、拉伸运动和逻辑游戏。

实验二：MediTrain的随机、安慰剂对照实验

被试：

被试被随机分为两组，一组是MediTrain组，另一组是安慰剂对照组（参见补充图2的consort表）。研究以双盲的方式进行，所有被试都得到了相同的指导，收集数据的实验室人员不知道小组任务。双盲法从招募时开始，所有被试都被告知他们参加一项旨在测试软件训练对提高各个领域认知能力的有效性的研究。随机分配59名健康年轻人（18-35岁），在家接受为期6周的冥想训练或安慰剂方案。随机分配的结果是冥想组32名，安慰剂对照组27名，由于各种原因（冥想组8名被试和对照组7名被试退出，排除2名被试由于MediTrain的软件使用不规范，2名对照组被试训练曲线为极端异常值，1名对照组和2名MediTrain组由于软件故障未完成训练的被试），最终被试量为MediTrain组20名被试和安慰剂对照组19名被试。

补充图2 被试的分组情况

训练计划：

所有被试在家中使用iPad Mini 2完成训练。每个APP都包括独立的教学视频和练习模块。在整个训练期间，为被试提供指导提醒、日历和邮件支持网站的访问权限。将每台ipad设置成在每次训练结束时自动将数据无线传输到研究者的Neuroscape服务器的模式，这允许研究者实时监控被试对训练的遵从性和训练数据完整性。

冥想组：

要求所有被试在家完成冥想训练，训练时，在安静的地方，戴上耳机，闭上眼睛，专注于呼吸。当他们专注于呼吸时，要求他们同时监控自己注意的质量，并特别关注可能出现的任何分心的想法。当这些想法发生时，被试承认分心，并重新把注意转移回他们的呼吸上。根据测试的反馈结果将初始试验时间设为20s，在每个试验结束时，被试通过按键报告注意是否仍然集中在呼吸上、注意是否被分散，或者分散的思维是否转移（即走神）。如果被试在整个实验过程中成功的在不分心的情况下注意自己的呼吸，那么下一个试验时间增加10%，如果不成功，下一个试验时间减少20%，根据这个标准自动调节试验的持续时间。

每个被试新试验的记录起始点为上一次试验结束时，被试向研究者提供两种类型的反馈：

(1)实时反馈：被试是否成功地对目标进行检测或分类；

(2)间接性反馈：被试报告每次试验的开始和结束。最后，研究者记录每周的冥想时间绘制出曲线图。

MediTrain训练曲线和斜率

为了将被试在MediTrain APP中的表现提升与认知结果改善相关联，研究者计算了训练斜率。MediTrain组中每个被试的训练曲线如图1所示，在全程为6周的最后一次训练中绘制了被试每周的最后一次冥想时间。将改善斜率作为被试在MediTrain上如何提升的指标，即最后一次冥想时间减去第一天训练结束时的冥想时间除以30（总的训练次数）。然后，在主要结果测量，即警惕性任务（图2）中，对这些斜率和RTVar进行相关性分析。

图1 MediTrain训练曲线图

灰色曲线为MediTrain训练组被试的训练时间与冥想时间曲线，绿色曲线为平均值

认知结果测量：

一个主要认知结果测试（持续注意），两个次要的认知结果测试（分心过滤和工作记忆容量）和一个探索性测试（工作记忆保真度）对实验结果进行分析。

1）主要认知结果测试：被试的持续注意测试

使用警惕性任务来测试被试的注意变量TOVA(Test of Variables of Attention )，TOVA为持续注意的指标，在实验过程中记录被试EEG。被试需要持续注视屏幕中央的“+”，在“+”的上方或者下方会出现灰色的方块，且刺激经常出现在屏幕的顶部。为让被试进行持续注意，要求被试只对屏幕底部不常出现的方块（目标刺激）做出反应。目标与非目标的比率是1:4(1个目标对应4个非目标)，因此需要被试长时间保持注意。每个被试完成2个block，每个block中包含125个trail，其中25个为目标刺激。

2）次要认知结果测试1：分心时的复杂视觉辨别测试

测试冥想是否会导致被试在注意任务中的表现更加一致，即在分心的情况下进行复杂的视觉辨别。在这个任务中，被试必须注意一组不同数量的物品(一个或三个红色矩形)，同时或不同时存在两个视觉干扰物(两个蓝色或绿色矩形)。

条件1：注意一个红色矩形且没有干扰项(总共出现1个刺激)；

条件2：注意一个红色矩形且有两个干扰项(3个item)；

条件3：注意三个红色矩形且没有干扰项(3个item):；

条件4：注意三个红色矩形且有两个干扰项(5个item)。

每一种情况的trial中，有一半伴随提示，即提示被试应该注意屏幕的左边或右侧。每一个trial开始呈现750 ms的注视点，然后是200ms的线索，然后是300ms的空屏。接下来，呈现四种条件中的一种条件的刺激，刺激的呈现时间为200ms，随后是一个900ms的空白，然后呈现一个探测刺激，探测刺激为红色矩形，50%的探测刺激中红色矩形的方向与原刺激相同，50%相反。被试按键判断探测刺激与原刺激中红色矩形的方向是否相同，被试按键后屏幕才会消失。每个被试完成8个block，每个block中有80个trial。要求被试在保证正确率的情况下尽可能快的做出反应。

3）次要认知结果测试2：工作记忆能力测试

所有被试完成60次位置改变任务（图6d）。实验用e-prime编程，刺激呈现在CRT显示器上。在灰色背景上呈现彩色正方形(0.7°×0.7°)刺激。每个trial中，四个正方形的颜色从6种可能的颜色中随机选择。每一个正方形呈现在半径为3°的假想圆内的随机位置。在个trial中，首先向被试呈现一个500 ms的注视点，然后是由四个彩色正方形组成的阵列，且在100 ms内可见，然后是900 ms刺激间隔，只有注视点可见。之后是由四个正方形组成的测试阵列，其中三个正方形的颜色不变，一个正方形的颜色与之前不同。要求被试选择改变颜色的正方形。由于被试用鼠标进行选择，因此，这个实验中不能可靠地测量反应时。然后计算每个被试的“k-得分”（k=正确率×记忆数组中的项目数），作为他们在训练前后的整体工作记忆能力的指标。

4）探索性行为结果测量:

为测试被试的工作记忆的保真度，研究者们使用了延时认知范式，旨在衡量在有或没有干扰或干扰信息的情况下，被试的工作记忆中保持对事物的准确记忆能力的变化。这个范式包括4个不同条件:

(1)无干扰；

(2)忽略干扰(有干扰呈现，但被试需要忽略干扰因素)；

(3)注意干扰(被试需要对干扰刺激做出反应)；

(4)被动观看的控制条件，即没有记忆成分，被试只是简单地观察面部或场景刺激，然后要求他们当向左/向右的箭头出现时，尽快地进行相应按键反应。每次实验开始前，都会有明确的指导语告知被试任务要求。每个trial开始时，会呈现800ms的面部图片刺激，之后是3s的延迟期。在忽略干扰和注意干扰条件下，呈现一个800ms的面部图片作为干扰刺激，之后是第二个3s的延迟期和一个1s的探测刺激。要求被试在不牺牲准确性的情况下，尽快对探测刺激做出匹配/不匹配的按键反应。实验用e-prime编程，刺激呈现在CRT显示器上。

EEG记录与分析

我们采集了被试在为期6周的训练前后的EEG数据。剔除噪声trial超过30%的数据，噪声剔除标准为在epoch内电压值大于±100-μv（训练前n=4，训练后n=3）。MediTrain组，最终有14名被试在训练前和训练后都有可用的EEG数据。安慰剂组，有16名被试在训练前有可用的数据，15名被试在训练后有可用的数据。由于实验为纵向设计，ANCOVA只能用于分析在训练前和训练后都有可用数据的被试中。因此，MediTrain组有12名被试，安慰剂组有12名被试参与分析。为了确保这个亚样本与全体被试间没有显著差异，我们对训练后的RTVar(反应时的个体变异性)进行了ANCOVA分析，发现有/没有EEG数据的被试间差异不显著（F₁_，36=0.021,P=0.88, Cohen's D=0.013, CI: 66.7 ~ 83.4）。

此外，为了确保该子集能够代表更大的样本，研究者们对这些被试的警惕性任务进行了额外的RTVar(反应时的个体变异性) ANCOVA分析，发现与安慰剂组相比，MediTrain组在训练后的RTVar较低（F_1,21=4.9,P=0.037, Cohen's D=0.76, CI: 65.5 ~ 86.5）。事后检验显示，这种减少是由MediTrain组内的效应引起的（配对样本t₁₁=2.47, p=0.031, Cohen's D=0.71, CI: 1.3~ 22.8; 训练前平均值=69.8ms,s.e.=4.2ms; 训练后平均值=57.7ms,s.e.=5.0ms）, 而安慰剂组训练前后没有改变（配对样本t₁₁=-0.86,p=0.411, Cohen's D=-0.25, CI: -27.4 ~ 12.1; 训练前平均值=86.6ms, s.e.=9.6ms;训练后平均值=94.2ms,s.e.=11.7ms）。所有EEG数据均采用与实验3相同的方法进行记录和分析（见下文）。根据实验3的结果，我们在训练后测试差异，同时使用ANCOVA控制基线。

EEG源定位

为了进行EEG源定位，我们对每个拥有完整EEG数据的被试进行高分辨率T1-MPRAGE结构MRI扫描（每组12个）。所有磁共振成像都是在西门子3T三重磁共振仪上获得的，该三重磁共振仪配备了12通道矩阵磁头线圈，使用以下序列参数：体素大小=1.0 mm各向同性，重复时间=2300 ms，回波时间=2.98 ms，翻转时间=900 ms，翻转角度=9°。T1加权的MRI数据使用Freesurfer（https://surfer.nmr.mgh.harvard.edu）工具进行处理。皮质表面重建使用半自动程序。

研究者使用openMEEG软件，通过MATLAB工具箱Brainstorm实现，用边界元素法进行正向建模。正向模型建立后，使用sLORETA估计头皮记录的EEG活动来源。P3b的源估计被投射到15000个顶叶皮层表面重构上。在训练前评估中，计算两组被试ERP源的平均值，并在最大振幅出现的潜伏期(350ms)可视化了P3b 成分的皮质分布。在计算前额叶中线θ（4–7Hz）的ITC（序列相干性）的源估计之前，将皮质表面重采样到2500个顶点，在不显著改变数据空间分辨率的情况下，减少后续处理步骤的计算负担。ITC时间序列的计算，使用EEGLAB的快速傅里叶变换来对EEG源的4 - 40hz波段的活动进行解析。利用这种方法，能够在源重构EEG数据中得到每个皮层顶点的ITC时间序列。然后，从MediTrain组的平均ITC中减去安慰剂组每个时间点的平均ITC，并在组对比度最大的潜伏期（260 ms）观察这种对比。因此，利用这项技术，能够可视化对ITC有训练相关的影响的皮质分布。在观察P3b时没有使用相同的程序，因为训练对P3b振幅的影响比额中线的影响更分散。因此，研究者只可视化了P3b的源映射地形图，以展示其潜伏期的源，而没有可视化训练对该成分的影响。

训练方案

在完成实验室认知和EEG实验后，所有被试都会收到一台ipad，其中预装了他们指定的训练方案。一位没有参与数据收集的实验者提供了详细的培训指导；被试也可以随时通过定制的网站访问这些指导，并且可以通过电子邮件或电话联系研究协调员来回答问题和解决问题。两组都使用他们的APP 6周，从第1周和第2周每天20分钟开始，第3周和第4周每天25分钟，到第5周和第6周每天30分钟结束。这种接触时间的逐渐增加是为了模仿传统冥想训练的进展。因为安慰剂组使用的是现成的APP，不会将数据发送到我们的服务器，所以我们要求安慰剂对照组的被试直接从他们的iPad提交“登录”和“下线”记录，收集被试开始和结束培训的时间点，以确保被试遵守训练。经过6周的训练后，被试回到实验室进行另一次与训练前相同的认知测试。

统计方法

为了测试训练对认知结果的影响，研究者使用ANCOVA方法，其中因变量是训练后的表现，自变量为分组（MediTrain组/安慰剂组），将相同任务的训练前表现作为一个连续的协变量，选择RTvar作为主要指标。剔除数据中的异常值，并对于在每个ANCOVA中出现显著主要影响的事后分析，对每个组进行双尾配对样本T检验，以检验训练前、后的差异。为了得到反映各组时间交互作用的Cohen'sd效应量分数，研究者计算了训练前、后所有感兴趣指标的RTvar变化分数。为了测试训练曲线与RTvar变化之间是否存在关系，研究者计算了MediTrain组中每个被试的斜率（最终冥想持续时间-初始冥想持续时间/6周的训练），并计算了斜率与RTvar改变之间的皮尔逊相关。使用同样的ANCOVA方法分析训练对EEG的影响，选择训练后的指标做为因变量，分组（MediTrain组/安慰剂组）为自变量，将训练前的指标设置为连续协变量。其他分析同上。

实验三：选择EEG指标和分析为提出神经活动指标随训练而改变的先验假设（实验2），研究者分析了73名（19-32岁）健康年轻人（一个独立的样本）在执行警惕性任务时的EEG数据。在数据中提取了注意控制的传统ERP指标（即P1/N1、P3b、前中线θ功率和ITC、后α功率），并与警惕性任务的RTvar做相关。发现:（1）额叶中线θ的ITC和功率,（2）P3b的潜伏期和AUC都与警惕性任务的RTvar显著相关。因此，在MediTrain研究中对这些神经活动指标进行了训练前后变化分析（见上文实验2）。

EEG记录

使用active two head cap(Cortech Solutions)和BioSemi ActiveTwo 64（如感兴趣可联系微信：SIYINGYXF咨询购买）导脑电采集系统，结合BioSemi ActiView软件记录，在认知结果测量期间记录数据。

EEG预处理

预处理采用EEGLAB软件进行。检查有噪声的通道，剔除并进行插值替换。降采样到1024Hz，高通滤波为1Hz，低通滤波为40Hz。最后采用独立成分分析（ICA）识别并去除眼动，分段为-1000~1000ms。

（1）额叶中线θ分析：实验3的结果表明，在不常出现的目标刺激开始后200-300ms额叶中线θ（4–7Hz）的ITC（序列相干性）与警惕性任务中的RTvar显著相关（图3c）。此外，研究表明，在持续注意任务中，冥想参与会增加额中线位置电极的θ带ITC，而这种变化伴随着RTvar的变化。有大量的文献将额叶中线θ功率与注意控制能力联系起来，其对认知训练反应的变化是敏感的。因此，我们研究了在实验训练下，前额中线电极群(FCz、Fz、FPz、AF3、AF4和AFz)的平均θ波段段ITC和刺激后200 - 300ms内的功率是否能够被调制。

（2）P3b ERP分析：假设P3b可以反映注意资源的分配。实验3的结果表明P3b 的AUC（曲线下面积）和潜伏期与RTvar显著相关（图3a，b）因此，我们研究了在目标刺激检测后，注意力资源的分配速度和数量(分别以P3b潜伏期和AUC为指标)是否受到MediTrain训练的调节。刺激开始后的250 - 500ms内，在Pz电极上计算P3b的AUC，并将该时间窗内达到最大电压时的时间点作为P3b的潜伏期。采用事后分析确定P3b延迟的重测信度，发现类别内相关性很高(r₂₂=0.7,P<0.01;补充图5)

补充图5 重新测试P3b潜伏期的可靠性

结果

分析对目标刺激的反应时的个体变异性(RTVar)。控制训练前的水平，使用协方差分析(ANCOVA)来评估训练后水平。发现，进行训练后，MediTrain组RT变化更少(F_1,37=6.4, P=0.016, Cohen’sd = −0.66)，两组被试间RTVar差异显著。进一步分析发现，MediTrain组的被试训练前、后RTVar显著下降( Δ=−7.98ms,paired t₂₁=−3.5, P=0.002,95% ,CI: −12.7 ~ −3.1), 而安慰剂组的被试并没有改变(Δ=1.1ms, paired t₁₇=0.29, P=0.78, 95%CI: −7.0 ~ 9.1)。为了确保RTVar的降低与一般的RT变化或正确率无关，研究者对RT和敏感性指数d '进行了事后分析。ANCOVA结果表明,相比于训练前，训练后组间RT无显著差异(F_1,37 = 0.14, P = 0.71, Cohen’s d = - 0.15, 95%CI: -189.5 ~ 276.5), 而MediTrain组在训练后的TRVar显著好于安慰剂对照组(F_1,37 = 6.7, P =0.014;Cohen 's d = 0.39, 95% CI: 0.09 ~ 0.79)。

训练后实验组TRVar显著下降，安慰剂组无改变，组间无显著性差异。MediTrain组RTVar的降低与其他指标无关。

图2 持续注意改善

a:警惕性任务刺激和对照

b:冥想组和安慰剂组在训练前后RTVar的变化;

c:训练后组间RT变化。

d、e：MediTrain组(d)和安慰剂对照组(e)在训练前(黑色)和训练后(灰色）的RT分布。

f：MediTrain和安慰剂组的每个被试RTVar的变化(训练后-训练前)。

g：MediTrain组中被试警觉性任务的训练斜率与RTVar变化的相关关系的散点图和最佳拟合线。

在控制训练前水平的情况下，单独对训练后进行重复测量ANCOVAs分析，结果表明，冥想组的额叶中线θ的ITC水平更高(F_1,21= 9.71, P = 0.005, Cohen’s d = 1.27, 95% CI: 0.33 ~ 0.42)，P3b潜伏期出现的时间更早(F_1,21= 15.4, P = 0.001, Cohen’s d = 1.02, 95% CI: 327.5 ~ 353.0)。此外，冥想组训练后P3b的AUC大于安慰剂组(F1,21= 3.54, P = 0.07, Cohen’s d = 0.66, 95% CI: 467.27-676.36)。探索性分析显示，MediTrain组P3b潜伏期的变化与RTVar的变化具有显著相关(Pearsonr₁₀= 0.568, P = 0.05)。

图3 RTVar与注意指标之间的相关性

a:P3b潜伏期与RTVar的相关性

b:曲线下面积(AUC)与RTVar的相关性

c:额中线θ的ITC与RTVar相关性

d:功率与RTVar相关性

图4 额中线θ的ITC变化

a:训练后冥想组与安慰剂组(n = 12)θ波段ITC差异的时频图

b:冥想组和安慰剂组P3b变化情况(训练后-训练前)

c:相位锁值的方差分析

d:训练后，冥想组和安慰剂组之间的θ波段段 ITC差异源定位

额叶中线θ ITC源分析(图4d)显示，峰值信号集中在内侧前额叶皮质(默认模式网络相关的区域)和外侧前额叶皮质(注意网络相关的区域)。发现P3b来自后颞顶叶网络，其中包括楔前叶(图5d)，楔前叶通常被认为是默认模式网络中的一个“枢纽”。在默认模式网络中，前额中线的功率与神经活动呈负相关。额叶中线θ的ITC的试次间一致性在MediTrain训练后得到了改善，反映RTVar的试次间一致性更大。随着时间的推移，网络的稳定性得到了增强，表明MediTrain训练后持续注意得到改善。其他研究指出额叶θ的功率是认知控制的一个重要标志。研究结果显示,从一个试验到另一个试验的θ波段振荡的相位的一致性不是简单的自上而下的网络激活,这对时刻保持注意集中是至关重要的,而且这个过程是通过冥想方法来加强的。在P3b中观察到的神经变化反映了注意资源分配的改善。最近的证据表明，默认模式网络中的活动和楔前叶之间的复杂相互作用分别构成了注意稳定性和灵活性的基础。此外，在有经验的冥想练习者中，默认模式网络在休息时更不活跃，P3b也被冥想训练调节。总的来说，神经数据表明，额叶和顶叶网络都能对持续注意起促进作用。

图5 P3b潜伏期的变化

a:冥想组（左）和安慰剂（右）

b:冥想组和安慰剂组ITC变化（训练前-训练后）

c:MediTrain和安慰剂组训练前后方差分析

d：训练前被试在峰值点（350ms）时P3b的地形图分布

如果您对脑电数据处理感兴趣，如功率谱，功能连接，溯源以及统计等，可直接点击以下链接（难度逐渐提高）：

第五届脑电数据处理入门班(南京）

第十七届脑电数据处理班（重庆）

第五届脑电信号数据处理提高班（南京）

对工作记忆能力的测试中发现，冥想组(n =20)被试在训练后的记忆能力显著高于安慰剂组(n =19)(ANCOVA: F_1,36 = 4.4, P = 0.04, Cohen’s d = 0.66, CI: 0.006 ~ 0.35)。进一步分析显示，MediTrain组显示训练后工作记忆能力增强(Δ=0.17,paired-sample t₁₉ = 3.4, P = 0.003, CI: 0.067 ~ -0.28),而安慰剂组没有变化(Δ=−0.01,paired-sample t₁₈=−0.15, P = 0.89, CI:−0.16 ~ 0.14)。

图6 在视觉辨别和工作记忆方面的改善

a:视觉辨别和干扰过滤任务刺激实验

b:训练前后MediTrain组与安慰剂组RTVar变化

c:MediTrain和安慰剂组RTVar的变化评分

d:刺激类型和位置改变

e、f: ANCOVA分析训练前后MediTrain组和安慰剂组的记忆能力

总结：

冥想可以提高年轻人持续注意，改善其注意分配的速度和数量并提高其工作记忆能力。大家赶紧去下载MediTrain吧。

原文：

Ziegler,D. A., Simon, A. J., Gallen, C. L., Skinner, S., Janowich, J. R., Volponi, J.J., … Gazzaley, A. (2019). Closed-loop digital meditation improves sustained attentionin young adults. Nature Human Behaviour.

如需原文及补充材料请加微信：siyingyxf 获取,如对思影课程感兴趣也可加此微信号咨询。