脑科学圈| 东南大学冷玥团队发现:长期练习八段锦对情绪调节有积极作用

情绪问题已成为现代社会中的一个重要健康挑战,严重影响着许多人的心理和生理健康。负面情绪不仅损害个体的认知功能,如注意力和记忆力,还会导致人际关系紧张和社会互动困难。认知重评作为一种适应性的情绪调节策略,通过重新评估对某一事件的看法来改善负面情绪,已被证明能显著提升心理健康。

尽管体育锻炼、冥想等方法有助于情绪调节,但其具体神经机制尚未完全阐明,限制了这些方法的广泛应用。八段锦作为中国传统健身气功的一种,因其简单易学且中等强度的特点,被认为是一种有效的潜在情绪调节工具。它结合呼吸与动作,引导练习者进入放松状态,不仅能增强体质,还能帮助人们在面对压力时保持冷静和乐观。

东南大学生物科学与医学工程学院冷玥团队Psychology Research and Behavior Management期刊发表了题为“The Effect of Long-Term Learning of BaduanJin on Emotion Regulation: Evidence from Resting-State Frontal EEG Asymmetry”的研究论文,旨在探索八段锦对情绪调节的影响及其背后的神经机制

从一所大学的公共体育课中招募了46名有八段锦练习经验的参与者。根据他们的练习时长,参与者被分为长期组(超过一年)和短期组(大约三个月)。最终分析包括长期组22人(8男14女),短期组21人(12男9女)。

为了评估情绪调节策略和情绪状态,研究使用了《情绪调节问卷》(ERQ)和简版心境状态量表(POMS-SF)。EEG数据通过ANT Neuro的32通道EEG系统采集,电极放置遵循国际10-20系统标准,带通滤波设置为0.05至100 Hz,采样率为1000 Hz。

图1 eego mylab脑电系统

问卷结果显示,长期组相比短期组更倾向于使用认知重评作为情绪调节策略,而表达抑制策略在两组间没有显著差异。具体来说,长期组的认知重评得分与较低的愤怒和抑郁水平显著相关,表明长期练习八段锦有助于减少负面情绪。

图2 相关性分析。(A)长期组认知重评与愤怒负相关;(B)长期组认知重评价与抑郁呈负相关

EEG结果显示,测试时间对α功率谱密度(PSD)有显著主效应,后测的平均α PSD显著高于前测。更重要的是,长期组在完成一套八段锦后的左侧额叶α波活动显著增加,在Fp2-Fp1和F4-F3电极对上表现出显著的左半球优势。相比之下,短期组在这两个电极对上的前后测得分没有显著差异。此外,长期组在右侧额叶α波的功率谱密度也显著增加,而在短期组中未观察到类似变化。

图3 两组受试者左右额叶的平均功率谱密度(PSD)。(A)长期组在练习前后左额叶三个电极位点(Fp1, F3, F7)平均PSD的差异;(B)长期组在练习前后右额叶三个电极位点(Fp2, F4, F8)平均PSD的差异;(C)短期组在练习前后左额叶三个电极位点(Fp1, F3, F7)平均PSD的差异;(D)短期组在练习前后右额叶三个电极位点(Fp2, F4, F8)平均PSD的差异

这些发现为理解八段锦作为一种有效的身心锻炼方式提供了重要依据,并揭示了其通过增强左侧额叶活动来促进情绪调节的具体机制。本研究不仅证实了八段锦在改善情绪调节方面的积极作用,还为进一步推广这一传统健身方法奠定了坚实的理论基础,强调了其在提升心理健康和情绪稳定性方面的潜力。

文章信息

引用:Li, X., Leng, Y., ong, Z., & Liu, J. (2024). The Effect of Long-Term Learning of Baduan on Emotion Regulation: Evidence from Resting-State Frontal EEG Asymmetry. Psychology Research and Behavior Management, 2391-2401.

DOI: 10.2147/PRBM.S436506

图片

    编译及审核:零卡果冻

    排版:举个栗子

基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值