Duży wpływ krótkiej interwencji medytacyjnej na widma EEG u nowicjuszy medytacji

Dr Joe Dispenza / 04 grudnia 2020

Abstrakcyjny

To badanie dotyczyło wpływu krótkich warsztatów medytacyjnych na próbie 223 początkujących medytujących. Uczestnicy uczestniczyli w trzydniowych warsztatach obejmujących codzienne sesje medytacji siedzącej z przewodnikiem z wykorzystaniem muzyki bez wokalu, skupiającej się na różnych stanach emocjonalnych i intencjach (otwarte skupienie). Opierając się na teorii świadomości integracyjnej, postawiono hipotezę, że podczas interwencji medytacyjnej uczestnicy będą doświadczać odmiennych stanów świadomości, ocenianych za pomocą elektroencefalogramu (EEG). Wzorce pasm mocy fal mózgowych były mierzone podczas warsztatów treningu medytacji, dając w sumie 5616 skanów EEG. Zmiany w stanach świadomości były analizowane przy użyciu pomiarów od delta do oscylacji gamma przed i po sesji medytacyjnej. Wyniki sugerują, że interwencja medytacyjna miała duży, zmienny wpływ na widma EEG (do 50% wzrostu i 24% spadku), a szybkość zmiany ze stanu przed medytacją do stanu po medytacji w widmach EEG była istotna (z prawdopodobieństwem 0.76 wejścia w stan końcowej medytacji w ciągu pierwszej minuty). Wystąpił główny spadek mocy delta o 5% (95% HDI = [-0.07, -0.03]); globalny wzrost potęgi theta o 29% (95% HDI = [0.27; 0.33]); globalny wzrost o 16% (95% HDI = [0.13, 0.19]) mocy alfa; główny efekt stanu, ze wzrostem globalnej mocy beta o 17% (95% HDI = [0.15, 0.19]); oraz 11% wzrost (95% HDI = [0.08, 0.14]) mocy gamma od czasu przed medytacją do zakończenia medytacji. Odkrycia dostarczyły wstępnego wsparcia dla krótkiej medytacji w zmienianiu stanów świadomości u początkujących medytujących. Przyszłe badanie kliniczne medytacji było zalecane jako interwencja w przypadku schorzeń psychicznych, szczególnie związanych z upośledzeniem hipokampu.

1. Wstęp

Stres psychiczny to globalna epidemia zdrowia, która każdego roku powoduje ponad 23 miliony zgonów na całym świecie (Finka, 2016; Go i in., 2004). Przewlekły stres jest związany z zaburzeniami poznawczymi w hipokampowym regionie mózgu, który reguluje pamięć i uczenie się (Hains i in., 2009; Kooij i in., 2014) oraz z negatywnymi skutkami fizjologicznymi, w tym zwiększonym stanem zapalnym i obniżoną odpornością (Marsland i in., 2017). Opracowano szereg technik opartych na uważności, aby zmniejszyć stres i poprawić wskaźniki jakości życia (Bohlmeijer i in., 2010; Szapiro, 2009). W szczególności rośnie zainteresowanie badawcze wpływem medytacji na korzyści dla całego zdrowia (np. Jako katalizator poprawiający funkcje odpornościowe; Davidson i in., 2003; Jacobs i in., 2011). Medytacja to świadomy i złożony proces poznawczy, obejmujący koncentrację i wrażliwą uwagę (Tang i in., 2015). Przykłady medytacji obejmują medytację z mantrą, tai chi i chi gong (Ospina i in., 2007). Medytacja jest uważana za mechanizm, który może wywołać zmienione stany typowo związane z nieświadomym funkcjonowaniem mózgu (Szapiro, 2009). Praktyki medytacyjne skupionej uwagi wymagają ciągłej uwagi na określonym zakresie wewnętrznych lub zewnętrznych doświadczeń. Podczas gdy praktyki medytacyjne z otwartą świadomością, otwartym monitorowaniem i uważnością obejmują szersze skupienie uwagi na szereg dynamicznych bodźców (Cahn i Polich, 2006; Lutz i in., 2008). Co więcej, metody medytacji z przewodnikiem zazwyczaj rozpoczynają się od relaksacji kierowanej przez innego eksperta, który kieruje medytującego w stronę konkretnych doświadczeń wewnętrznych (np. Sytuacji wyobrażeniowych, procesów myślowych). Medytacja z przewodnikiem jest uważana za szczególnie korzystną, ponieważ natura instrukcji ma tendencję do odnoszenia się do jakiegoś konkretnego celu, takiego jak leczenie lub samodoskonalenie. Przykłady celów medytacyjnych obejmują tworzenie dobrobytu, poprawę relacji, wspieranie przebaczenia i wywoływanie wyższych stanów świadomości (Morał, 2017).

Coraz więcej dowodów sugeruje, że medytacja oferuje szerokie korzyści fizjologiczne i psychologiczne. Praktyki medytacyjne są związane ze wzmocnionymi funkcjami wykonawczymi i pamięcią roboczą wraz z poprawą nasilenia stanu zdrowia psychicznego (np. Lęk, depresja, zaburzenia odżywiania; (Fox i in., 2014; Perich i in., 2013; Szapiro, 2009; Vøllestad i in., 2012; Williams i in., 2014).

Medytacja obejmuje szeroki zestaw praktyk psychosomatycznych, które mają na celu wzmocnienie regulacji uwagi w kierunku tworzonych przez siebie obrazów mentalnych (ogniska interoceptywne lub eksteroceptywne) oraz optymalizację przetwarzania doświadczeń z chwili obecnej (Jain i in., 2015; Robins i in., 2012). Zdolności te zostały zmapowane do odpowiednich obszarów w mózgu, w tym układu grzbietowego (dobrowolne, zorientowanie odgórne) i układu brzusznego, który jest zaangażowany w oddolną uwagę opartą na bodźcach (Szapiro, 2009). Badania z wykorzystaniem funkcjonalnego rezonansu magnetycznego (fMRI) pomogły nakreślić systemowe mapy fizjologicznych wymiarów związanych z medytacją (Kościół, 2013). W szczególności nowoczesne mapowanie elektroencefalogramu (EEG) i techniki neuroobrazowania umożliwiły badanie zróżnicowanej funkcji mózgu w kontinuum stanów, w tym doświadczeń medytacyjnych (Barinaga, 2003 r.; Cahn i Polich, 2006).

Odrębne sieci poznawcze są powiązane ze świadomymi zadaniami przetwarzania podczas zadań uważnych (np. Orientacja, monitorowanie konfliktów; Davidson i in., 2003) oraz obiektywnej i wrażliwej podstawie uwagi praktyki uważności (np. brak osądzania, akceptacja; (Anderson i in., 2007; Shapiro i Schwartz, 2000). Zwiększoną kontrolę uwagi zaobserwowano u osób z zaawansowaną praktyką medytacji (Moore i Malinowski, 2009). W jednym badaniu badano kompetencje medytacyjne uczestników o różnym poziomie doświadczenia medytacyjnego przy użyciu danych EEG. Potencjały związane ze zdarzeniami (ERP) zostały ocenione podczas dyskryminacji bodźca i aktywności uwagi (Atchley i in., 2016). Wszyscy uczestnicy rozróżniali docelowe „tony” za pomocą torowania ERP. Co więcej, nie zaobserwowano różnicy w wynikach między grupami nowicjuszy i doświadczonych medytujących. Było to jedno z pierwszych badań, które sugerowało, że biegłość w treningu uwagi z wykorzystaniem praktyki medytacji można osiągnąć stosunkowo szybko.

Teoretyczne modele świadomości sugerują, że świadome i nieświadome procesy zależą od rozproszonych komponentów neuronowych działających w funkcjonalnie zintegrowany sposób (Schutter i in., 2004; Smith, 2012). Dlatego uważa się, że medytacja jest wyjątkowym narzędziem do badania tych procesów. Dzieje się tak, ponieważ zarówno świadomy, jak i nieświadomy mózg funkcjonują jednocześnie, medytacja zapewnia możliwość obserwowania przejścia od normalnego stanu czuwania do czujnego, ale zmienionego stanu świadomości (Davidson i in., 2012). Stany świadomości są opisywane jako warunki, które różnią się jakościowo od innych obecnością lub warunkami i cechami, których nie ma w innych stanach (Tarta, 1972). Ponieważ stany świadomości odgrywają kluczową rolę w kształtowaniu ludzkiego doświadczenia w szeregu funkcji poznawczych i behawioralnych, badania podstawowych mechanizmów świadomego i nieświadomego mózgu mają kluczowe znaczenie (Merrick i in., 2014; Vieten i in., 2018; Winkelmana, 2011). Takie spostrzeżenia mogą zapewnić wyniki kliniczne, które mogą być ukierunkowane na dalsze wspomaganie stresu psychologicznego i fizjologicznego.

Model świadomości integracyjnej wyewoluował z teorii, że fizjologiczne mechanizmy „stanów transcendentnych” opierają się na wspólnej ścieżce neurochemicznej obejmującej płat skroniowy (Mandell, 1980). Z tej teoretycznej perspektywy uważa się, że praktyka medytacji powoduje zahamowanie serotoniny w komórkach hipokampu, co z kolei zwiększa aktywność komórek i manifestację wolnofalowej aktywności EEG przegrody hipokampu (tj. Alfa, delta i theta), która narzuca synchroniczne powolne -falowy wzór na płatach (Winkelmana, 2010, 2011). Integracja przejawia się w porywaniu kory czołowej przez wysoce spójne i zsynchronizowane wyładowania fal wolnych, które emanują z układu limbicznego i powiązanych struktur dolnej części mózgu. Te porywania występują przy różnych częstotliwościach, ale dwa dominujące wzorce to zsynchronizowane pasma wolnofalowe theta (3–6 cykli na sekundę) i oscylacje gamma o wysokiej częstotliwości (40+ cps). Te zsynchronizowane wzorce fal mózgowych nazywane są integracyjnym trybem świadomości (Winkelmana, 2011).

Wcześniejsze badania dotyczyły efektów medytacji w próbkach klinicznych i osobach z dużym doświadczeniem medytacyjnym (np. Mnisi buddyjscy, szamani i praktykujący z ponad 10-letnim doświadczeniem uważnej praktyki, Flor-Henry i in., 2017; Tang i in., 2015). W szczególności podczas medytacji obserwowano zróżnicowane aktywacje mózgu, będące wynikiem różnych stylów medytacji, często mierzonych za pomocą EEG. Co więcej, fizjologiczne pomiary naiwnych medytujących są odzwierciedleniem pomiarów wysoce doświadczonych medytujących po pojedynczej sesji medytacji (Fennell i in., 2016). Jednak niewiele badań oferowało badanie elektrofizjologiczne doświadczeń medytacyjnych u osób z ograniczonym doświadczeniem medytacyjnym i prowadzonym metodą medytacji. Aby rozwinąć tę lukę badawczą, obecne badanie miało na celu zbadanie wpływu intensywnej praktyki medytacyjnej (2–4 godziny praktyki medytacyjnej dziennie) na próbkę początkujących medytujących. Czynniki interwencji (w tym środowisko i podejście do medytacji) zostały zoptymalizowane, aby przyspieszyć proces uczenia się wśród uczestników. Obecne badanie miało na celu ocenę zmienionych stanów świadomości uczestników podczas medytacji poprzez porównanie wzoru pasm mocy fal mózgowych w każdym punkcie końcowym medytacji z pomiarami bazowymi (tj. Oscylacjami alfa, delta i theta) oraz poprzez ocenę synchronizacji gamma o wysokiej częstotliwości . Opierając się na teorii świadomości integracyjnej (Winkelmana, 2011), postawiono hipotezę, że zmienione stany świadomości byłyby wykrywane przez zmienione wzorce fal mózgowych podczas każdej medytacji w próbce początkujących medytujących.

2. Materiały i metody

2.1. Uczestnicy i procedura

Początkowa próba dogodna składała się z 468 uczestników w wieku 19–83 lat (M = 50.56, SD = 14.52), w tym 312 kobiet (71.4%) i 125 mężczyzn (28.6%). Wszyscy uczestnicy wyrazili pisemną zgodę na udział w badaniu. Uczestnicy byli nowicjuszami w medytacji lub mieli ograniczony wcześniejszy kontakt z formami medytacji z przewodnikiem. Wszyscy uczestnicy uczestniczyli w warsztatach medytacyjnych prowadzonych przez dr. Josepha Dispenzy, DC, które odbyły się w różnych miejscach w Ameryce Północnej. Trening medytacji, znany jako „Warsztat zaawansowany”, składał się z dwóch-trzech codziennych sesji w ciągu trzech dni. W każdej sesji uczestnicy uczestniczyli w rozmowach psychoedukacyjnych (np. Wykład na temat roli hormonów w stresie; Dyspensa, 2014) i uczestniczył w prowadzonej siedzącej medytacji przy muzyce (bez wokalu iz otwartym skupieniem), która trwała około 60 minut. Dane fal mózgowych EEG rejestrowano dla każdego uczestnika podczas sesji medytacji, z danymi EEG przed medytacją w porównaniu z danymi EEG medytacji punktu końcowego dla każdej sesji programu treningu medytacyjnego.

2.2. Analizy EEG

EEG mierzono przy użyciu standardowego układu 10/20 19 elektrod. Wystąpił główny wpływ medytacji na widma EEG i interakcja między miejscem elektrody a stanem mediacji. Na przykład, Rys. 7 pokazuje tę interakcję zakodowaną kolorami, aby pokazać najbardziej negatywne i pozytywne zmiany w widmach z medytacji. Jednak model wskazywał, że nie ma dowodów na systematyczne interakcje między lokalizacją elektrod a techniką medytacji, co wskazuje, że źródła mogą być takie same we wszystkich technikach medytacyjnych, ale intensywność i kombinacja zmian mocy pasma różniły się między technikami. Proces konfiguracji EEG wymagał 10 minut na uczestnika, w którym pomiary obwodu głowy były dopasowane do czepka EEG (małe, średnie i duże rozmiary). Czapki skalibrowano około dwa cale powyżej brwi i wzdłuż linii rozpoczynającej się na środku czoła i kontynuowanej wokół głowy, aby spotkać się w wyznaczonym punkcie początkowym. Uzyskano podstawowe nagrania, które obejmowały zamknięte oczy (4 minuty) i mózg w trakcie wykonywania zadania (4 minuty) przed sesjami medytacji.

2.3. Rodzaje medytacji

Podczas trzydniowych warsztatów 468 uczestników brało udział w około trzech medytacjach dziennie (zob Tabela 1), co dało łącznie 5616 skanów EEG. Siedząca medytacja z przewodnikiem, prowadzona przez drugiego autora, kładła nacisk na oddychanie, wizualizację i skupioną koncentrację (uwewnętrzniona uwaga).

Tabela 1. Sesje medytacyjne według pory dnia.

S	Czas	Rodzaj medytacji
Dzień 1 Typ 1 (D1T1)	Poranna (9.00) Medytacja	Skoncentruj się na podwyższonych poziomach emocji i uwolnieniu energii w ciele, aby dostroić, wyrównać i połączyć powiązane centra czakr
Dzień 1 Typ 2 (D1T2)	Medytacja w południe (12 w południe)	Skoncentruj się na emocjach wdzięczności
Dzień 1 Typ 3 (D1T3)	Medytacja popołudniowa (3.00:XNUMX)	Skoncentruj się na poddaniu się
Dzień 2 Typ 1 (D2T1)	Poranna medytacja (9.00:XNUMX)	Skoncentruj się na podwyższonych poziomach emocji i uwolnieniu energii w ciele, aby dostroić, wyrównać i połączyć powiązane centra czakr
Dzień 2 Typ 2 (D2T2)	Medytacja w południe (12 w południe)	Skoncentruj się na konkretnym zamiarze zmaterializowania się określonego wydarzenia w życiu
Dzień 2 Typ 3 (D2T3)	Medytacja popołudniowa (3.00:XNUMX)	Skoncentruj się na podwyższonych emocjach i poczuciu całości i jedności ze światem (poprzez medytację otwartego skupienia)
Dzień 3 Typ 1 (D3T1)	Wczesny poranek (6.30 rano) Medytacja	Skoncentruj się na podwyższonych poziomach emocji i uwolnieniu energii w ciele, aby dostroić, wyrównać i połączyć powiązane centra czakr
Dzień 3 Typ 2 (D3T2)	Medytacja przedpołudniowa (10.00:XNUMX)	Skoncentruj się na tworzeniu przyszłych zamiarów
Dzień 4 (D4T1)	Bardzo wczesny poranek (4.00:XNUMX) Medytacja	Skoncentruj się na przenoszeniu energii przez ciało do mózgu, aby aktywować szyszynkę i wywołać doznanie mistyczne (medytacja w pozycji siedzącej i kładącej się)

3. Wyniki

3.1. Przetwarzanie wstępne

Biorąc pod uwagę zmienność w przetwarzaniu wstępnym i montażu, wykorzystano dane z nagrań zestawów słuchawkowych połączonego odniesienia ucha z wstępnym przetwarzaniem pasmowym 0.5–80 Hz, co zmniejszyło próbkę do 283 uczestników. Dane dla 60 uczestników zostały usunięte ze względu na krótki czas trwania nagrań w sesji (<10 min), ponieważ czas trwania krótszy niż 10 min nie był wystarczająco długi, aby umożliwić ocenę dynamiki neuronalnej. To pozostawiło ostateczną próbkę 223 uczestników. Dane EEG zostały wyeksportowane w formacie EDF i zaimportowane do MNE-Python (wersja 17.1; Gramfort i in., 2013, 2014) do dalszej analizy. Potok PREP został użyty do wykrycia kanałów uszkodzonych przez szum (Bigdely-Shamlo i in., 2015) ze wszystkimi niepracującymi elektrodami interpolowanymi za pomocą wielowypustów sferycznych (Perrin i in., 1989, 1990). Dane zostały przefiltrowane pasmowo do 1−50 Hz z filtrem FIR (Rabiner i in., 1978). Potencjalne mrugnięcia oczami wykryto za pomocą ruchomej mediany, z medianą między 30–300 mikrowoltów z oknem 15 próbek (60 ms) oznaczonych jako mrugnięcie, mierzoną na elektrodach Fp1 i Fp2. Dane zostały przekształcone przez powierzchnię Laplacian (poprzez interpolację sferyczną), aby zapewnić bardziej wytrzymały sygnał bez odniesienia (Kayser i Tenke, 2006). Dane dotyczące mrugnięć powiekami podzielono na segmenty w epokach od -500 do 500 ms. Niezależną analizę komponentów przeprowadzono za pomocą algorytmu Picarda (Ablin i in., 2018) w celu wyizolowania i usunięcia artefaktów EOG obecnych w danych poprzez wybranie składnika o największym bezwzględnym współczynniku korelacji r Pearsona do epok mrugnięcia okiem za pomocą funkcji find_bad_eog w MNE-Python. Ostatnie pięć minut nagrań poprzedzających medytację i medytacji wykorzystano do porównania efektów różnych rodzajów medytacji na widma EEG, a zapis EEG zarejestrowany podczas medytacji wykorzystano do oceny dynamiki neuronalnej medytacji. Do tworzenia figurek użyto pakietu R ggplot2 i MNE-Python (Hadley i Sievert, 2016).

3.2. Dopasowanie modelu

Do oceny wyników zastosowano estymację parametrów bayesowskich (McGill i in., 2017). Ta analiza została wybrana, ponieważ intencje eksperymentatora są wyraźnie określone przez model i wcześniejsze rozkłady. Podano pełne rozkłady dla wiarygodnych wartości dla wszystkich parametrów w modelu zamiast pojedynczych wartości. Ponieważ ta procedura nie wykorzystuje wartości p ani przedziałów ufności, uważa się, że estymacja parametrów bayesowskich dostarcza więcej informacji niż testowanie istotności hipotezy zerowej (Kruschke, 2013). Rozkłady tylne podsumowano z ich medianą i najwyższym przedziałem gęstości (HDI) (Kruschke i Liddell, 2015). HDI zawiera 95% najbardziej prawdopodobnych wartości rozkładu. Do wszystkich analiz statystycznych użyto wersji R 3.5.1 (R Core Team, 2018). Stan 2.17.0 (Carpenter i in., 2017) z RStan 2.17.3 (Zespół deweloperski Stan, 2018) interfejs pasujący do wszystkich modeli. Stan szacuje późniejszy rozkład przy użyciu procedury Hamiltonian Monte Carlo (HMC). Dla każdego modelu cztery łańcuchy jednocześnie pobierały 2000 próbek, z których 1000 było rozgrzewkowych. Uzyskana wielkość próby wyniosła 4,000. Próbki późniejsze dla każdego parametru oceniono pod kątem zbieżności poprzez kontrolę zarówno wykresów śladowych, jak i testu Gelmana-Rubina $\hat{r}$ Statystyczny (Gelman i Rubin, 1992), gdzie $\hat{r}$ blisko 1.00 wskazuje, że łańcuchy się zbiegły.

3.3. Porównanie częstotliwości poprzez uczenie maszynowe

Aby sprawdzić, czy medytacja ma wpływ na widma częstotliwości EEG, klasyfikatorzy uczenia maszynowego zostali indywidualnie przeszkoleni w zakresie rozróżniania między danymi sprzed medytacji a ostatnimi pięcioma minutami medytacji (stan). Klasyfikator oparty na geometrii Riemanna (Congedo i in., 2017) przy użyciu ko-widm EEG w zakresie od czterech do 45 Hz (okno Hanninga 250 ms, 75% nakładanie się, rozdzielczość 4 Hz) dla 2-sekundowych nienakładających się epok przed medytacją, a dane z końcowej medytacji zostały używany. Klasyfikator oparty na geometrii riemannowskiej został wybrany ze względu na to, że ten typ klasyfikatora jest jednym z najlepszych pod względem wydajności w klasyfikacji BCI, łatwości implementacji i dobrej zdolności do uogólniania w porównaniu z innymi opcjami, takimi jak uczenie głębokie (Lotte i in., 2018). Dodatkowo wydajność podczas walidacji była bardzo wysoka i dlatego była odpowiednia do celów oceny dynamiki neuronalnej technik medytacyjnych. Klasyfikator używał regresji logistycznej w przestrzeni stycznej (Congedo i in., 2017) do rozróżnienia między dwoma stanami. Podział losowy (75% pociąg, 25% test) 10-krotna walidacja krzyżowa została wykorzystana do oszacowania wydajności mierzonej przez macierz pomyłki klasyfikatora. Aby oszacować ogólną wydajność, dopasowano hierarchiczny model Wielomianu-Dirichleta do średniej macierzy pomieszania każdego uczestnika (patrz opis modelu). Szacunki macierzy nieporozumień zostały następnie podsumowane w miary dokładności i biegłości (White i in., 2004). Dokładność i biegłość obliczono z macierzy nieporozumień przy użyciu standardowej procedury: Dokładność, dzieląc sumę rzeczywistych wyników dodatnich i prawdziwych ujemnych przez sumę macierzy nieporozumień i biegłości, obliczając wzajemne informacje o oczekiwanych i przewidywanych wynikach , podzielone przez entropię oczekiwanych wyników (Caelen, 2017; White i in., 2004).

3.4. Opis modelu porównania częstotliwości

Interesowało nas, jak dobrze klasyfikatorzy rozróżniali stany przed i po zakończeniu medytacji i czy istnieją jakiekolwiek różnice w wydajności między technikami medytacji. Macierz pomyłki klasyfikatora uczestników, $\vec{C_{p}}$ , został zamodelowany jako próba losowa z rozkładu wielomianowego: $\vec{C_{p}} \sim M u l t i n o m i a l (\vec{θ_{p}})$ gdzie $\vec{C_{p}}$ oszacował prawdopodobieństwo prawdziwych wyników negatywnych, fałszywie pozytywnych, fałszywie negatywnych i prawdziwych pozytywów dla pojedynczego klasyfikatora. $\vec{C_{p}}$ otrzymał Dirichlet przed: $\vec{θ_{p}} \sim D i r i c h l e t (\vec{θ_{t}} \times κ_{t})$ gdzie $\vec{θ_{t}}$ zmierzyli prawdopodobieństwa grupowe dla każdej komórki w macierzy pomyłki dla określonej techniki medytacji i $κ_{t}$ oszacował stężenie $\vec{θ_{t}}$ . $\vec{θ_{t}}$ otrzymał również Dirichlet przeora:

$\vec{θ_{t}} \sim D i r i c h l e t (\vec{θ_{g}} \times κ_{g})$ gdzie $\vec{θ_{g}}$ szacunkowa ogólna wydajność i $κ_{g}$ jak bardzo różne techniki medytacji pasują do $\vec{θ_{g}}$ oszacowanie. Wszystko $κ_{x}$ parametry otrzymały rozproszone priory gamma: $κ_{x} \sim G a m m a (2, 0.1)$

3.5. Wyniki porównania częstotliwości

Model wskazywał, że klasyfikatory były niezwykle dokładne, z ogólną dokładnością 97% (95% HDI = [0.96; 0.98]) i biegłością 0.81 (95% HDI = [0.75; 0.86]). Nie było dowodów na wiarygodny wpływ techniki medytacji na dokładność lub biegłość, jak pokazano w Rys. 1, Rys. 2. Ta niezmienność w stosunku do techniki medytacji jest ważna dla poniższej analizy dynamiki neuronalnej, ponieważ różnice między wydajnością klasyfikatorów mogą zmylić wyniki.

3.6. Dynamika neuronalna medytacji

Dane podczas medytacji były przedstawiane w taki sam sposób, jak analiza porównania częstotliwości, a następnie klasyfikowane jako premedytacja lub medytacja końcowa. Stworzyło to binarne szeregi czasowe dla każdej osoby, zapewniając wgląd w to, kiedy medytacja zmieniła współ-widma EEG i jak różne techniki wpłynęły na tę dynamiczną relację. Regresja logistyczna została zastosowana do szeregów czasowych klasyfikacji każdego uczestnika, które podsumowały szereg w pary przecięcia i nachylenia. Te pary oceniano za pomocą ogólnego liniowego modelu bayesowskiego, aby określić ilościowo skuteczność każdej techniki medytacji w indukowaniu ko-widm EEG w stanie końcowym (patrz opis modelu).

3.7. Opis modelu dynamiki neuronowej

Interesowało nas ilościowe określenie, jak medytacja zmienia współ-widma EEG i jak skutecznie różne techniki medytacyjne ułatwiają tę zmianę. Aby ocenić tę zmianę, przeprowadzono regresję logistyczną, uzyskując wartości przecięcia i nachylenia dla każdego uczestnika. Punkt przecięcia i nachylenie uczestników zostały zamodelowane oddzielnie, $y_{p_{[i]}}$ , jako wyciąg z rozkładu normalnego: $y_{p_{[i]}} \sim N o r m a l (μ_{[i]}, σ_{[i]})$ Gdzie μ wyprowadzono z kombinacji liniowej:

$μ_{[i]} = β_{0_{[i]}} + β_{t_{[i]}} \times x_{t_{[i]}}$ gdzie $β_{0}$ parametr szacuje centralną tendencję grupy, podczas gdy $β_{t}$ zmierzyli wpływ techniki na punkt przecięcia i nachylenie. $β_{0}$ otrzymał normalny wcześniejszy wyśrodkowany na średniej danych, z dziesięciokrotnym odchyleniem standardowym danych:

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

$σ$ parametr otrzymał rozproszoną gamma przed: $σ_{[i]} \sim G a m m a (2.0,0.1)$ $β_{t}$ otrzymał ograniczenie od sumy do zera przez centrowanie zera wektora simplex, $\vec{s_{t_{[i]}}}$ i pomnożenie go przez zmienną skalującą, $σ_{t}$ :

$β_{t_{[i]}} = σ_{t_{[i]}} \times (\vec{s_{t_{[i]}}} - \frac{1}{n_{t}})$ gdzie simpleksowi nadano jednolity Dirichlet przed, a skala otrzymała wcześniej gamma: $\vec{s_{t_{[i]}}} \sim D i r i c h l e t (\vec{1})$ $σ_{t_{[i]}} \sim G a m m a (2.0,0.1)$

Przeorów wybrano jako mało informujące o skali danych.

3.8. Wyniki dynamiki neuronowej

Wyniki wskazywały, że nie było wystarczających dowodów, aby wykryć wpływ techniki medytacji na wartości przechwycenia regresji logistycznej (patrz Rys. 3). Jednak punkty przecięcia dla każdej techniki medytacji były dość duże (patrz Rys. 4), gdzie prawdopodobieństwo, że ko-widma EEG będą podobne do stanu końcowej medytacji, wynosiło 0.76 (95% HDI = [0.71, 0.81]) na początku medytacji.

Wystąpił znaczący wpływ techniki medytacji na nachylenie regresji logistycznej z D2S2 0.0231 większym niż nachylenie D3S2 (95% HDI = [0.0003, 0.04472], zero nie uwzględniono). Sugeruje to, że D2S2 indukował stan końca medytacji szybciej niż technika D3S2, jak pokazano w Rys. 5.

3.9. Analiza pasma mocy

Dane przed medytacją i końcową medytacją zostały przeniesione do 2-sekundowych nienakładających się okien, a ich gęstość widmowa mocy (PSD) została oszacowana przy użyciu metody wielowarstwowej (Thomsona, 1982). Moc pasma wyprowadzono z sumowania PSD powyżej 1–4 Hz dla Delta, 4–8 Hz dla theta, 8–13 Hz dla alfa, 15–25 dla beta i 35–45 Hz dla gamma, stosując regułę Simpsona do całkowania. Średnią zapisywano dla każdego uczestnika, przy każdej elektrodzie, zarówno dla warunków przed medytacją, jak i po zakończeniu medytacji. Widma mocy EEG są generowane głównie ze źródeł korowych z pewnym wejściem ze struktur podkorowych (patrz Buzsaki, 2006) ze wszystkimi kanonicznymi pasmami mocy związanymi z medytacją (Lee i wsp., 2018).

3.10. Opis modelu analizy pasma mocy

Interesowało nas zmierzenie wpływu medytacji na pasma mocy EEG i to, czy istnieją jakiekolwiek różnice między typami medytacji. Każde pasmo mocy, $y$ , został zamodelowany oddzielnie, jako losowe losowanie z rozkładu logarytmiczno-normalnego:

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

gdzie $σ$ reprezentował odchylenie standardowe, i $μ$ średni szacunek: $μ = β_{0} + β_{p} \times x_{p} + β_{e} \times x_{e} + β_{c} \times x_{c} + β_{t} \times x_{t} + β_{e \times c} \times x_{e \times c} + β_{e \times t} \times x_{e \times t} + β_{c \times t} \times x_{c \times t} + β_{e \times c \times t} \times x_{e \times c \times t}$ gdzie $β_{0}$ jest ogólną linią bazową, $β_{p}$ jest podstawą charakterystyczną dla uczestnika, $β_{e}$ szacuje działanie elektrod, $β_{c}$ mierzy efekt stanu medytacji (przed lub po zakończeniu medytacji), t jest parametrem efektu techniki medytacji. Parametry interakcji $β_{e \times c}$ mierzona elektroda w każdym stanie, $β_{e \times t}$ oszacował efekt elektrody w każdej technice medytacyjnej, $β_{c \times t}$ kwantyfikuje interakcję między stanem a techniką medytacji i $β_{e \times c \times t}$ jest parametrem trójstronnej interakcji między elektrodą, stanem i techniką. Parametrowi bazowemu podano normalny wcześniej:

$β_{0} \sim N o r m a l (m e a n (\log (y)), 10 \times S d (l o g (y)))$ podczas gdy każdemu innemu czynnikowi i parametrom interakcji podano sumę do zera przy zastosowaniu procedury k-1: $α_{x} \sim N o r m a l (0, σ_{x}) β_{x_{[1 : k - 1]}} = α_{x}$ $β_{x_{[k]}} = - \sum α_{x_{[i]}}$

Z parametrami interakcji ograniczonymi do zera dla każdego predyktora. $σ_{x}$ parametry zostały pobrane z rozproszonego rozkładu gamma, biorąc pod uwagę skalę logarytmiczną modelu: $σ_{x} \sim G a m m a (1.64, 0.32)$ $β_{e \times t}$ , $β_{e \times c}$ , $β_{e \times c \times t}$ otrzymali ustalone odchylenie standardowe 1, aby uniknąć problematycznego skurczu, który miał niekorzystny wpływ na próbkowanie Hamiltona Monte Carlo.

3.11. Delta

Wystąpił główny spadek mocy delta o 5% (95% HDI = [-0.07, -0.03]) po medytacji w porównaniu z premedytacją. Wystąpił również główny efekt medytacji, w którym D1S2 miał 72% wyższą moc delta niż D2S1 (95% HDI = [0.04, 1.48]). Ponadto stwierdzono wiarygodną interakcję między techniką medytacji a stanem (zob Rys. 6). D1S2, D3S1 i D4S1 miały największy wzrost (odpowiednio 16%, 18% i 18% z 95% HDI = [0.07, 0.25], [0.1, 0.26] i [0.08, 0.28], odpowiednio), D2S2 nie dowody zmiany mocy (95% HDI = [−0.08, 0.05] zawierające zero), a D1S1, D1S3, D2S1, D2S3 i D3S2 wykazały spadek delta (−12%, −16%, −24%, −18% i −12% z 95% HDI = [−0.19, −0.05], [−0.23, −0.11], [−0.29, −0.19], [−0.23, −0.13] i [−0.18, -0.05], odpowiednio). Rys. 7 ilustruje główny efekt elektrod z elektrodami przyśrodkowo-ciemieniowymi wykazującymi większą moc delta niż elektrody okidentyczne i więcej niż w miejscach czołowo-skroniowych. Żadne interakcje między elektrodą a innymi predyktorami nie okazały się wiarygodne. Rys. 7 jest zatem zmianą proporcji w wyniku mediacji dla każdego pasma mocy, oszacowaną na podstawie interakcji modelu między elektrodą a parametrami stanu. To skutecznie upada w całej technice medytacyjnej, w tym wszystkich danych ze wszystkich technik, ponieważ nie było wiarygodnych dowodów na trójpoziomową interakcję między elektrodą, stanem i techniką.

3.12. Theta

Nastąpił globalny wzrost mocy theta o 29% (95% HDI = [0.27, 0.33]) po medytacji. Wyniki pokazały również główny efekt techniki medytacji, w której D1S2 miał większą moc theta niż D2S1 i D2S3. Wystąpiła również interakcja między stanem a techniką medytacji (zob Rys. 8). D1S2, D3S1 i D3S2 miały największy wzrost (47%, 50% i 43% z 95% HDI = [0.37, 0.58], [0.4, 0.59] i [0.34, 0.52], odpowiednio), a następnie D1S1, D2S2 i D4S1 (29%, 33% i 33% z 95% HDI = [0.2, 0.39], [0.26, 0.41] i [0.23, 0.44]), a następnie D1S3 i D2S3 (19% i 14%, z 95% HDI = [0.12; 0.27] i [0.08; 0.21]), bez wiarygodnej zmiany theta dla D2S1 (95% HDI = [-0.02; 0.11], włączając zero). Rys. 8 pokazuje wpływ elektrody na moc theta, przy czym elektrody w linii środkowej mają największą moc theta, a następnie kanały ciemieniowe i potyliczne, z mniejszą mocą w miejscach czołowo-skroniowych. Nie było wiarygodnych dowodów na interakcje między elektrodą a innymi predyktorami.

3.13. Alfa

Nastąpił globalny wzrost o 16% (95% HDI = [0.13, 0.19]) mocy alfa z powodu medytacji. Nie było wiarygodnych dowodów na wpływ techniki przy wszystkich 95% HDI, w tym zeru. Wystąpiła wiarygodna interakcja dla stanu mocy alfa między techniką medytacji (patrz Rys. 9). D1S2, D2S3 i D3S2 miały największy wzrost współczynnika alfa (25%, 32% i 39% z 95% HDI = [0.16, 0.34], [0.24, 0.39] i [0.29, 0.49]), a następnie D1S1, D2S1, D2S2, D3S1 (16%, 17%, 13% i 17% z 95% HDI = [0.07, 0.25], [0.09, 0.24], [0.06, 0.2] i [0.09, 0.24]) bez wiarygodna zmiana dla D1S3 i D4S1 (95% HDI = [-0.09, 0.05], [-0.13, 0.03], w tym zero). Rys. 9 pokazuje wpływ elektrody na moc alfa, z wysokim współczynnikiem alfa na elektrodach potylicznych i ciemieniowych, bez zmian w stosunku do wartości wyjściowych alfa w czołowych kanałach centralnych i zmniejszeniem w miejscach skroniowych. Nie było interakcji między elektrodami a innymi predyktorami.

3.14. Beta

Wystąpił główny wpływ stanu, z globalną mocą beta wzrastającą o 17% (95% HDI = [0.15, 0.19]) od czasu przed medytacją do zakończenia medytacji. Nie było głównego efektu medytacji przy wszystkich 95% HDI, w tym zeru. Jednak istniała interakcja między stanem a techniką medytacji (zob Rys. 10), gdzie D1S2, D2S2, D2S3, D3S1 i D3S2 miały największy wzrost mocy beta (30%, 30%, 20%, 32% i 33% z 95% HDI = [0.22, 0.39], [0.23, 0.38], [0.14, 0.26], [0.24, 0.4] i [0.25, 0.41]), a następnie D4S1 (11% z 95% HDI = [0.03, 0.19]). D1S1, D1S3 i D2S1 nie miały wiarygodnych dowodów na zmianę mocy beta (95% HDI = [-0.06, 0.08], [-0.07, 0.04] i [-0.03, 0.09], włączając zero). Istniał również główny efekt elektrod o większej mocy beta w porównaniu z elektrodami czołowo-skroniowymi w porównaniu z elektrodami czołowo-skroniowymi. Rys. 10. Wreszcie nie było interakcji między elektrodami a innymi predyktorami.

3.15. Gamma

Zaobserwowano 11% wzrost (95% HDI = [0.08, 0.14]) mocy gamma od czasu przed medytacją do zakończenia medytacji. Nie było wiarygodnych dowodów na główny efekt techniki przy wszystkich 95% HDI, w tym zerowym, co wskazuje, że grupy miały podobną moc gamma. Jednak wystąpiła interakcja między techniką a stanem, gdzie D1S2, D3S2 i D4S1 miały największy wzrost mocy gamma (36%, 31% i 27% z 95% HDI = [0.24, 0.49], [0.2, 0.42 ] i [0.14, 0.41]), a następnie D2S2, D2S3 i D3S1 (10%, 14% i 16% z 95% HDI = [0.02, 0.19], [0.06, 0.23] i [0.07, 0.26 ]), D1S3 i D2S1 nie zmieniły mocy gamma (95% HDI = [−0.07, 0.1] i [−0.14, 0.01], w tym zero), przy czym D1S1 wykazywał spadek gamma (−17% z 95% HDI = [-0.25, -0.09]). Wystąpił wpływ lokalizacji elektrod z większą mocą gamma w porównaniu z elektrodami ciemieniowymi potylicznymi w porównaniu z miejscami czołowo-środkowymi i skroniowymi (patrz Rys. 11). Wreszcie nie było wiarygodnych interakcji między elektrodami a innymi predyktorami.

3.16. Podsumowanie wyników

Model uczenia maszynowego wykazał wysoki stopień dokładności w rozróżnianiu równoległych widm EEG przed medytacją i końcową medytacją dla każdej techniki medytacji. Następnie oceniano dynamikę neuronową każdej techniki mediacji, stosując modele uczenia maszynowego do ko-widm EEG, tworząc serię klasyfikacyjną. Ta seria została wymodelowana za pomocą regresji logistycznej, która wykazała szybkie przejście i stabilizację od widm EEG przed medytacją do końcowej medytacji. Następnie wpływ każdej techniki medytacji oceniano dla każdego pasma mocy, dopasowując uogólniony model liniowy. Pokazało to heterogeniczność zmian pasm mocy wynikających z technik medytacyjnych (podsumowane w Rys. 12).

4. Dyskusja

To badanie dostarczyło elektrofizjologicznego badania wpływu medytacji na próbce składającej się z 223 początkujących medytujących. Opierając się na teorii świadomości, postawiono hipotezę, że uczestnicy osiągną zmienione stany świadomości obserwowane w danych EEG, wskazanych jako przekształcone stany fal mózgowych w każdej prowadzonej medytacji. Wyniki potwierdziły tę hipotezę. Świadomość zazwyczaj odpowiada zdolności integrowania informacji (Tononi, 2004). Integracyjny tryb świadomości jest często typowy dla wolnofalowych wzorców fal theta, które synchronizują korę czołową z wyładowaniami z niższych struktur mózgu i oscylacjami gamma o wysokiej częstotliwości (Winkelmana, 2011). Obecne wyniki wskazują, że nastąpił globalny wzrost o 29% mocy theta i 11% wzrost mocy gamma od stanu przed medytacją do stanu zakończenia medytacji.

Aktywność alfa w EEG również podczas medytacji została uznana za formę integracji w mózgu, która prowadzi do procesów poznawczych na wysokim poziomie (Hebert i in., 2005). Zasugerowano, że ta aktywność leży u podstaw koncepcji integracyjnego trybu świadomości; ta o wzmocnionej synchronizacji wzorców fal mózgowych (Winkelmana, 2011). Dodatkowy aspekt indukowanej medytacją integracji w mózgu jest często odzwierciedlany w dwufazowych hipersynchronicznych falach gamma o wysokiej częstotliwości, a obecność gamma w medytacji jest bezpośrednim potwierdzeniem modelu integracyjnego (Winkelmana, 2011). Odnosi się to do wiązania różnych sygnałów w mózgu; a synchronizacja gamma jest modulowana przez rytmy theta i alfa (Frytki, 2009). Ogólnie wyniki tego badania potwierdzają ten model.

Analizy sugerowały, że klasyfikacje uczenia maszynowego EEG były wysokie, rozróżniając premedytację i po medytacji z 97% dokładnością. W próbce stwierdzono różnice między ko-widmami EEG dla warunków przed i po medytacji. Zidentyfikowano związek między czasem w medytacji a prawdopodobieństwem klasyfikacji końcowej medytacji, przy czym D2S2 (zamierzający zmaterializować się wydarzenie) szybciej wywołuje stan zakończenia medytacji niż D3S2 (ustalanie przyszłej intencji). Dodatkowo zidentyfikowano różnice w pasmach mocy EEG, przy czym każda technika medytacji wywoływała różne wzorce zmian w pasmach mocy.

Wyniki sugerują, że zmiana wzorców fal mózgowych z fal mózgowych beta (wysoki, średni i niski zakres) na fale mózgowe alfa nastąpiła w stosunkowo krótkim okresie. Wynik ten jest konsekwentną wcześniejszą pracą, w której uczestnicy stosunkowo szybko osiągnęli biegłość w aspekcie treningu uwagi w praktyce medytacji (Atchley i in., 2016). W większości sesji medytacyjnych z uczestnikami obserwowano wzrost mocy beta i alfa, z mocą alfa bardziej do tyłu w kanałach potylicznych w porównaniu z bardziej ciemieniowym rozkładem mocy beta. Ponadto stwierdzono wzrost mocy theta skupionej na elektrodach czołowo-centralnych i ciemieniowych środkowej linii.

Odkrycie zwiększonej mocy gamma na elektrodach ciemieniowych i potylicznych prawdopodobnie pochodzi z obszaru 30 Brodmanna. Podczas gdy ostatnie badania sugerują, że EEG może wykrywać źródła podkorowe (Seeber i in., 2019), Zdolność EEG do pomiaru aktywności generowanej z tak głębokich źródeł nie jest powszechnie wspierana w dziedzinie neuronauki (Sejnowski i Paulsen, 2006); dlatego wyjaśnienie to pozostaje spekulatywne. Niezależnie od tego, odkrycie to opiera się na wcześniejszych badaniach, w których stwierdzono zwiększoną gamma w kanałach ciemieniowo-potylicznych (Berkovich-ohana i in., 2012; Cahn i in., 2010; Martínez Vivot i in., 2020; Schoenberg i in., 2018) poprzez ilościowe określenie moc zmienia się i ukazuje gwałtowną zmianę stanu u początkujących medytujących. Chociaż funkcjonalna rola mocy gamma nie została jeszcze określona (Braboszcz i in., 2017), w kontekście kierowanej medytacji istnieją dowody na istnienie związku z poprawą świadomości (Cahn i in., 2010). van Lutterveld i in. (2017) wykorzystali paradygmat neurofeedbacku, aby nauczyć uczestników zmiany oscylacji gamma z tylnej kory zakrętu obręczy podczas medytacji. Stwierdzono, że moc gamma była powiązana z subiektywnym doświadczeniem bezwysiłkowej świadomości. Ponadto badanie przeprowadzone przez Voss i in. (2014) bezpośrednio manipulował oscylacjami nerwowymi poprzez przezczaszkową stymulację prądem przemiennym podczas snu, stwierdzając, że stymulacja w paśmie gamma zwiększa świadomość ludzi podczas snu. Podsumowując, zapewnia to spójne wyjaśnienie wzrostu wartości gamma w porównaniu z elektrodami ciemieniowo-potylicznymi.

Demonstracja heterogenicznego wpływu, jaki techniki medytacji prowadzonej mogą mieć na pasma mocy EEG, podkreśla znaczenie stosowania takich technik dla wyjaśnienia subiektywnych doświadczeń osób medytujących. Niedawna ankieta przeprowadzona przez Vietena i współpracowników (2018) wykazała szeroki wachlarz doświadczeń możliwych podczas medytacji. Taki zakres subiektywnych doświadczeń może być związany z różnicami powodowanymi przez różne techniki medytacyjne w tym badaniu. Dalsze badania mogą obejmować badania jakościowe, aby lepiej zrozumieć powiązania między technikami medytacji prowadzonej, widmami mocy EEG i doświadczeniem subiektywnym.

Wreszcie, przyszłe badania zapewniające ocenę obrazowania mózgu podczas treningu medytacji z przewodnikiem mogą dostarczyć krytycznych spostrzeżeń. Ponieważ uważność została zidentyfikowana jako czynnik chroniący przed proaktywną interferencją i zwiększoną objętością hipokampu (Greenberg i in., 2019), przyszłe badanie medytacji sterowanej w leczeniu schorzeń psychicznych charakteryzujących się upośledzeniem pamięci operacyjnej i objętości hipokampu może mieć ważne implikacje kliniczne.

4.1. Ograniczenia

Chociaż badanie to przyczyniło się do wglądu w mechanizmy zmian, które mogą wystąpić podczas medytacji, obecne odkrycia należy interpretować w świetle kilku ograniczeń. Czas trwania sesji medytacji był zróżnicowany, od sześciu do 90 minut. Ponieważ zmienność nie była równomiernie rozłożona w różnych warunkach (tj. Nagrania dnia 2, sesji 1 i dnia 3 sesji 1 trwały <10 minut), analiza dynamicznych zmian w trakcie medytacji dla tych sesji była ograniczona. Ponadto w obecnym badaniu brakowało środków klinicznych do przesiewu pod kątem zaburzeń zdrowia psychicznego wśród uczestników badania. Przyszłe badania mogłyby wykorzystywać dane EEG wraz z pomiarami samooceny i danymi behawioralnymi do zbadania związku między wzorcami EEG a pozytywnymi wynikami medytacji. W badaniu tym brakowało interwencji kontrolnej lub porównawczej, a przy prowadzeniu medytacji z przewodnikiem mogła występować lojalność i stronniczość eksperymentatorów. Wreszcie, była to próbka wygodna, co czyni ją wysoce podatną na błąd selekcji i potencjalny błąd próbkowania.

4.2. Wniosek

Obecne badanie miało na celu zbadanie wpływu krótkiego warsztatu szkoleniowego z przewodnikiem na medytację na początkujących medytujących. Opierając się na teorii świadomości integracyjnej, postawiono hipotezę, że uczestnicy (początkujący medytujący) osiągną odmienne stany świadomości wykryte za pomocą danych z fal mózgowych EEG. Wzorzec pasm mocy fal mózgowych uczestników w każdym punkcie końcowym medytacji porównano z pomiarami linii bazowej (tj. Oscylacjami alfa, delta i theta). Kompetencje medytacyjne poprzez funkcjonalną integrację mózgu oceniano za pomocą pomiarów synchronizacji gamma o wysokiej częstotliwości. Ogólne wyniki sugerują, że interwencja medytacyjna miała duży, zmienny wpływ na widma EEG, a szybkość zmiany ze stanów przed-medytacyjnych do stanów po-medytacyjnych w współ-widmach EEG była znacząca, potwierdzając w ten sposób teorię świadomości. Wyniki sugerują, że krótka medytacja sterowana interwencja może przynieść pozytywne i natychmiastowe korzyści zdrowotne, pomagające zwalczyć stres.

Konflikty interesów

Peta Stapleton, Stuart McGill, Debbie Sabot, Megan Peach, Danielle Raynor: Żadnych konfliktów do zadeklarowania.

Joe Dispenza: Szkolenie medytacyjne omówione w tym artykule można zaliczyć do wynagrodzenia ze względu na wiedzę specjalistyczną. Nie był zaangażowany w analizę w tym artykule, aby uniknąć stronniczości.

Finansowanie

Badanie to nie otrzymało żadnych specjalnych dotacji od agencji finansujących z sektora publicznego, komercyjnego lub non-profit.

Duży wpływ krótkiej interwencji medytacyjnej na widma EEG u nowicjuszy medytacji

Dr Joe Dispenza / 04 grudnia 2020

Wierzymy w