15-минутное упражнение в диафрагмальном дыхании, способствующее углублению дневного сна у студентов: результаты инструментальных исследований

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Цель исследования – подтвердить с помощью полисомнографии (ПСГ) эффективность метода глубокого диафрагмального дыхания как средства улучшения дневного сна здоровых испытуемых. В исследовании участвовали 43 здоровых испытуемых, из которых 22 человека вошли в экспериментальную группу и 21 – в контрольную. В экспериментальной группе в течение 30 мин записывали ПСГ дневного сна после выполнения ДД в течение 15 мин. В контрольной группе аналогичную ПСГ записывали после 15 мин бодрствования. Для оценки качества сна на основе гипнограмм испытуемых были определены стандартные его характеристики (латентность и т.п.). В экспериментальной группе достоверно больше было общее время сна и достоверно ниже – индекс активации; латентность сна различалась между группами недостоверно. Кроме того, анализировали соотношение спектральной мощности электроэнцефалограммы (ЭЭГ) в частотных диапазонах альфа- (8–13 Гц) и тета- (4–8 Гц). В рамках статистического анализа была построена линейная регрессионная модель зависимости отношения мощности альфа/тета от времени. На основании сравнения коэффициентов данной модели, наряду со сравнением временны́х параметров сна, сделан вывод, что выполнение диафрагмального дыхания перед коротким дневным сном включает физиологические механизмы, ускоряющие засыпание, и делает сон более устойчивым. Этот вывод может быть полезен при разработке неинвазивных подходов к лечению инсомнии.

Ключевые слова

Полный текст

Доступ закрыт

Об авторах

А. Э. Хуурак

Российский университет дружбы народов

Email: shumov_de@pfur.ru
Россия, Москва

Д. Е. Шумов

Институт высшей нервной деятельности и нейрофизиологии РАН; Российский университет дружбы народов

Автор, ответственный за переписку.
Email: shumov_de@pfur.ru
Россия, Москва; Москва

Д. С. Свешников

Российский университет дружбы народов

Email: shumov_de@pfur.ru
Россия, Москва

З. В. Бакаева

Российский университет дружбы народов

Email: shumov_de@pfur.ru
Россия, Москва

Е. Б. Якунина

Российский университет дружбы народов

Email: shumov_de@pfur.ru
Россия, Москва

В. И. Торшин

Российский университет дружбы народов

Email: shumov_de@pfur.ru
Россия, Москва

В. В. Дементиенко

АО «Нейроком»

Email: shumov_de@pfur.ru
Россия, Москва

В. Б. Дорохов

Институт высшей нервной деятельности и нейрофизиологии РАН

Email: shumov_de@pfur.ru
Россия, Москва

Список литературы

  1. Edinger JD, Arnedt JT, Bertisch SM, Carney CE, Harrington JJ, Lichstein KL, Sateia MJ, Troxel WM, Zhou ES, Kazmi U, Heald JL, Martin JL (2021) Behavioral and psychological treatments for chronic insomnia disorder in adults: An American Academy of Sleep Medicine clinical practice guideline. J Clin Sleep Med 17: 255–262. https://doi.org/10.5664/jcsm.8986
  2. Дорохов ВБ, Пучкова АН (2022) Нейротехнологии нефармакологической терапии нарушений сна. Журн высш нервн деятельн им ИП Павлова 72: 55–76. [Dorohov VB, Puchkova AN (2022) Neurotechnologies Of Non-Pharmacological Sleep Disorders Therapy. Zhurn Vysh Nervn Dejatel im IP Pavlova 72: 55–76. (In Russ)]. https://doi.org/10.31857/S0044467722010038
  3. Shumov DE, Sveshnikov DS, Bakaeva ZV, Yakunina EB, Dorokhov VB (2024) The effectiveness of suggestive techniques to improve sleep is enhanced by combining with sound stimulus based on binaural beats. Korsakov J Neurol Psychiatry 124: 20. https://doi.org/10.17116/jnevro202412405220
  4. Kubin L (2019) Interactions Between Sleep and Breathing. In: Handbook of Behavioral Neuroscience. Elsevier. 205–221. https://doi.org/10.1016/B978-0-12-813743-7.00014-1
  5. Chòliz M (1995) A Breathing-Retraining Procedure In Treatment Of Sleep-Onset Insomnia: Theoretical Basis And Experimental Findings. Percept Mot Skills 80: 507–513. https://doi.org/10.2466/pms.1995.80.2.507
  6. Сазонова ММ, Шумов ДЕ, Суворов РВ, Дорохов ВБ. (2022) Глубокое медленное дыхание и сон. Эффектив фармакотерап 18: 12–18. [Sazonova MM, Shumov DE, Suvorov RV, Dorohov VB (2022) Deep Slow Breathing and Sleep. Jeffektiv Farmakoterap 18: 12–18. (In Russ)]. https://doi.org/10.33978/2307-3586-2022-18-36-12-18
  7. Kumar V, Malhotra V, Kumar S (2019) Application of Standardised Yoga Protocols as the Basis of Physiotherapy Recommendation in Treatment of Sleep Apneas: Moving Beyond Pranayamas. Indian J Otolaryngol Head Neck Surg 71: 558–565. https://doi.org/10.1007/s12070-018-1405-5
  8. Kumar A, Venkatesh S (2021) Effect of Short-Term Practice of Bhramari Pranayama on Sleep Quality and Perceived Stress in School Students. Int J Physiol. https://doi.org/10.37506/ijop.v9i1.2603
  9. Sulekha S, Thennarasu K, Vedamurthachar A, Raju TR, Kutty BM (2006) Evaluation of sleep architecture in practitioners of Sudarshan Kriya yoga and Vipassana meditation. Sleep Biol Rhythms 4: 207–214. https://doi.org/10.1111/j.1479-8425.2006.00233.x
  10. Gonzalez-Bermejo J, Morélot-Panzini C, Salachas F, Redolfi S, Straus C, Becquemin M-H, Arnulf I, Pradat P-F, Bruneteau G, Ignagni AR, Diop M, Onders R, Nelson T, Menegaux F, Meininger V, Similowski T (2012) Diaphragm pacing improves sleep in patients with amyotrophic lateral sclerosis. Amyotroph Lateral Scler 13: 44–54. https://doi.org/10.3109/17482968.2011.597862
  11. Masroor S, Tanwar T, Aldabbas M, Iram I, Veqar Z (2023) Effect of Adding Diaphragmatic Breathing Exercises to Core Stabilization Exercises on Pain, Muscle Activity, Disability, and Sleep Quality in Patients With Chronic Low Back Pain: A Randomized Control Trial. J Chiropr Med 22: 275–283. https://doi.org/10.1016/j.jcm.2023.07.001
  12. Liu Y, Jiang T, Shi T, Liu Y, Liu X, Xu G, Li F, Wang Y, Wu X (2021) The effectiveness of diaphragmatic breathing relaxation training for improving sleep quality among nursing staff during the COVID-19 outbreak: A before and after study. Sleep Med 78: 8–14. https://doi.org/10.1016/j.sleep.2020.12.003
  13. Ghorbani A, Hajizadeh F, Sheykhi MR, Mohammad Poor Asl A (2019) The Effects of Deep-Breathing Exercises on Postoperative Sleep Duration and Quality in Patients Undergoing Coronary Artery Bypass Graft (CABG): A Randomized Clinical Trial. J Caring Sci 8: 219–224. https://doi.org/10.15171/jcs.2019.031
  14. Kuula L, Halonen R, Kajanto K, Lipsanen J, Makkonen T, Peltonen M, Pesonen A-K (2020) The Effects of Presleep Slow Breathing and Music Listening on Polysomnographic Sleep Measures – a pilot trial. Sci Rep 10: 7427. https://doi.org/10.1038/s41598-020-64218-7
  15. Laborde S, Hosang T, Mosley E, Dosseville F (2019) Influence of a 30-Day Slow-Paced Breathing Intervention Compared to Social Media Use on Subjective Sleep Quality and Cardiac Vagal Activity. J Clin Med 8: 193. https://doi.org/10.3390/jcm8020193
  16. Tsai HJ, Kuo TBJ, Lee G-S, Yang CCH (2015) Efficacy of paced breathing for insomnia: Enhances vagal activity and improves sleep quality. Psychophysiology 52: 388–396. https://doi.org/10.1111/psyp.12333
  17. De Zambotti M, Sizintsev M, Claudatos S, Barresi G, Colrain IM, Baker FC (2019) Reducing bedtime physiological arousal levels using immersive audio-visual respiratory bio-feedback: A pilot study in women with insomnia symptoms. J Behav Med 42: 973–983. https://doi.org/10.1007/s10865-019-00020-9
  18. Lehrer P (2013) How Does Heart Rate Variability Biofeedback Work? Resonance, the Baroreflex, and Other Mechanisms. Biofeedback 41: 26–31. https://doi.org/10.5298/1081-5937-41.1.02
  19. Capdevila L, Parrado E, Ramos-Castro J, Zapata-Lamana R, Lalanza JF (2021) Resonance frequency is not always stable over time and could be related to the inter-beat interval. Sci Rep 11: 8400. https://doi.org/10.1038/s41598-021-87867-8
  20. Lehrer P, Vaschillo E, Lu S-E, Eckberg D, Vaschillo B, Scardella A, Habib R (2006) Heart Rate Variability Biofeedback. Chest 129: 278–284. https://doi.org/10.1378/chest.129.2.278
  21. Lehrer PM, Gevirtz R (2014) Heart rate variability biofeedback: How and why does it work? Front Psychol 5: 756. https://doi.org/10.3389/fpsyg.2014.00756
  22. Laborde S, Mosley E, Thayer JF (2017) Heart Rate Variability and Cardiac Vagal Tone in Psychophysiological Research – Recommendations for Experiment Planning, Data Analysis, and Data Reporting. Front Psychol 8: 213. https://doi.org/10.3389/fpsyg.2017.00213
  23. Shaffer F, Ginsberg JP (2017) An Overview of Heart Rate Variability Metrics and Norms. Front Public Health 5: 258. https://doi.org/10.3389/fpubh.2017.00258
  24. Berry RB, Brooks R, Gamaldo C, Harding SM, Lloyd RM, Quan SF, Troester MT, Vaughn BV (2017) AASM Scoring Manual Updates for 2017 (Version 2.4). J Clin Sleep Med 13: 665–666. https://doi.org/10.5664/jcsm.6576
  25. MNE Team (2024) MNE-Python 1.7.1. https://github.com/mne-tools/mne-python/tree/v1.7.1
  26. Gramfort A (2013) MEG and EEG data analysis with MNE-Python. Front Neurosci 7: 267. https://doi.org/10.3389/fnins.2013.00267
  27. Makowski D, Pham T, Lau ZJ, Brammer JC, Lespinasse F, Pham H, Schölzel C, Chen SHA (2021) NeuroKit2: A Python toolbox for neurophysiological signal processing. Behav Res Methods 53: 1689–1696. https://doi.org/10.3758/s13428-020-01516-y
  28. Waskom M (2021) seaborn: Statistical data visualization. J Open Source Softw 6: 3021. https://doi.org/10.21105/joss.03021
  29. R Core Team (2021) R: A language and environment for statistical computing. https://www.R-project.org/. Accessed 1 Oct. 2024
  30. Lewis GF, Furman SA, McCool MF, Porges SW (2012) Statistical strategies to quantify respiratory sinus arrhythmia: Are commonly used metrics equivalent? Biol Psychol 89: 349–364. https://doi.org/10.1016/j.biopsycho.2011.11.009
  31. Krakovská A, Mezeiová K. (2011) Automatic sleep scoring: A search for an optimal combination of measures. Artif Intell Med 53(1): 25–33. https://doi.org/10.1016/j.artmed.2011.06.004
  32. Loewen A, Siemens A, Hanly P. (2009) Sleep Disruption in Patients with Sleep Apnea and End-Stage Renal Disease. J Clin Sleep Med 05(04): 324–329. https://doi.org/10.5664/jcsm.27542
  33. Pinheiro J, Bates D, DebRoy S, Sarkar D, R Core Team (2021) nlme: Linear and Nonlinear Mixed Effects Models. https://cran.r-project.org/web/packages/nlme/. Accessed 1 Oct. 2024

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Пример экрана ПСГ. Видны каналы регистрации, в том числе канал задающего звука (SOUND), с которым синхронизируется сигнал абдоминального дыхания (PNEUMO_ABD). При внимательном рассмотрении виден эффект дыхательной синусовой аритмии на канале ЭКГ (регулярное изменение R-R интервалов при вдохе и выдохе) и непроизвольные движения глаз на выдохе.

3. Рис. 2. Сравнение РЧ, определенной на основе трех разных алгоритмов. Видно, что средние по группе значения частоты, определенные на основе среднеквадратичного отклонения (SDNN) и интегральной мощности спектра ВСР (TP), примерно одинаковы, но РЧ, определенная на основе алгоритма «пик–впадина» (RSA_P2T), – достоверно ниже (p < 0.05).

Скачать (82KB)
4. Рис. 3. Результаты регрессионного анализа временного ряда соотношения спектральных мощностей в полосах альфа (8–13 Гц) и тета (4–8 Гц) для экспериментальной и контрольной групп. Кривые – временной ряд с интервалом 1 с, усредненных по группам значений ln(Palpha / Ptheta), где Palpha – мощность спектра ЭЭГ в полосе 8–13 Гц; Ptheta – мощность спектра ЭЭГ в полосе 4–8 Гц. Более светлым тоном показаны границы 95%-ных доверительных интервалов. Вертикальными точечными линиями время записи разбито на 3 участка: снижение (0–300 с, углубление сна), плато (300–1500 с) и восстановление (1500–1800 с). Сплошной линией обозначены результаты подгонки модели на первых двух участках для экспериментальной группы, а пунктиром – для контрольной. Приведены оценки регрессионных коэффициентов в виде «среднее ± ст. ошибка». Результаты оценки проанализированы в разделе Обсуждение результатов.

Скачать (376KB)

© Российская академия наук, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».