5D Library › 仪式神经学、空间边界切换与自我转移的计算生物医学 · English

第八章 实践与预注册检验

注

本章的核查表与试验方案用于研究与自我检查,不是医疗建议。 核查表不能告诉你该做什么练习,只能帮助你在做之前把假设写清楚。任何症状都应先由医生评估;有心血管病、卒中史、癫痫、怀孕或正在接受精神科治疗的人,是否尝试呼吸或仪式练习,须由执业医师决定。书中的受试者、心跳与激素数据都是程序合成的。

第一部分 四步核查表

第一至七章可以浓缩为一份四步核查表,用于审视一种自己正在做或打算做的呼吸、仪式或空间转换练习。表中的界限(例如「事先写定的最小变化」)是使用者应当事先书面写定的规则的例子,不是推荐的数值。

  1. 医学先行。 我想用这个练习应对的问题,是否已经由医生评估过?练习是否与我的疾病或用药有冲突(例如屏气与心血管病、过度通气与癫痫)?第七章的模型说明,仅凭感受无法区分器质性与功能性的负荷。
  2. 说清楚声称什么。 我期待的改变用什么指标衡量(例如固定条件下晨起静坐 5 分钟的 ln RMSSD、睡眠日记中的入睡时间),而不是「感觉好一些」?测量时的呼吸方式是否与平时一致(第二章:记录时慢呼吸本身就会改变 RMSSD)?
  3. 找出其他解释。 改善是否可能来自期望与说明语(第一、五章)、回归均值(第五章:在最难受的时候开始练习,之后自然回落)、行走或作息的改变、季节与工作量的变化?有没有不做练习的对照日?
  4. 事先写定判定规则。 在开始之前写下:多少天、什么指标、变化多大才算有改变;变化不够时,我会怎样做。第 33 本讨论过这样做的统计原理。

这份核查表不需要程序:它的每一步都是在动手之前把问题写清楚。下面的试验方案把同样的原则用于一项正式的研究。

第二部分 预注册的三臂随机对照试验

问题与设计选择

在一次实验室社会应激之后,「走过一道门进入另一个房间并完成一段固定的多感官仪式,同时进行慢呼吸」,是否比「在原房间内进行同样的慢呼吸」更好地恢复心脏迷走活动,且差别至少达到最小关注效应?

作者的框架提出一项三臂随机对照试验:完整空间切换加仪式、同室呼吸、候补对照,以特里尔社会应激测试(TSST)诱发应激 (Kirschbaum et al. 1993),主要结局为 20 分钟时的 ln RMSSD,用协方差分析。本书照写三臂与主要结局,并作四点设计选择。

第一,只设一个主要比较:臂 1(空间切换 + 仪式 + 慢呼吸)对臂 2(同室慢呼吸)。理由是,两臂的慢呼吸完全相同,二者之差估计的是「空间切换加仪式」在慢呼吸之外的增益,这正是作者框架中新的部分;第二章已经说明慢呼吸本身对迷走指标的作用有较多证据,再拿臂 1 与候补对照比较,差别主要会来自慢呼吸,不能说明空间与仪式的作用。代价是,主要比较不能把「空间」与「仪式」再分开(见「不能说明什么」)。臂 1、臂 2 分别与候补对照(臂 3)的比较作为次要比较。

第二,主要结局的测量窗口与呼吸方式:主要结局定义为应激结束后第 15 至 20 分钟、坐姿、自然呼吸的 5 分钟心电记录计算的 ln RMSSD。干预在第 14 分钟结束,留出 1 分钟过渡。第二章的模型显示,如果记录时仍在慢呼吸,RMSSD 的差别可能只反映呼吸方式;所以在记录窗口内同时用呼吸带记录呼吸频率,并在判定规则中设置限定语。

第三,控制行走与空间:三臂在应激结束后都走同样的距离(约 40 米)。臂 1 穿过一道门进入房间 B;臂 2 与臂 3 在房间 A 内沿标记路线走同样的距离,评委已经离开。房间 A 与 B 的温度、照度、噪声与座椅相同,只有布置不同;结局在各自的房间中记录。

第四,由独立机构实施:方案、分析代码与判定规则在招募之前登记;招募、实施、数据处理与分析都由与作者企业无关的研究机构完成。

方案

要素 规定
实施与审批 由独立的大学或研究机构实施;经该机构伦理委员会批准;在招募第一名受试者之前,在公开的临床试验注册平台登记方案、分析代码的哈希值与判定规则 (Nosek et al. 2018)
受试者 18–45 岁健康成年人,由实施机构通过公开招募获得;不从作者的社群、学员或客户中招募,并在筛查时询问排除;排除心血管病、高血压、卒中史、癫痫、怀孕、哮喘、正在服用影响心率的药物(如 β 受体阻滞剂)或接受精神科治疗者
流程 静坐基线 10 分钟(第 5–10 分钟为基线记录)→ TSST(准备、5 分钟演讲、5 分钟心算,评委在场)→ 第 0–2 分钟行走 → 第 2–14 分钟干预 → 第 14–15 分钟过渡 → 第 15–20 分钟结局记录(坐姿、自然呼吸)
臂 1 穿过门进入房间 B;完成 2 分钟的固定五步动作序列(洗手、整理座位、点亮一盏电子灯、闻一种中性气味、听一段 30 秒的钟声);随后 10 分钟按录音以每分钟 6 次慢呼吸
臂 2 在房间 A 内走同样距离;静坐 2 分钟;随后 10 分钟按同一录音以每分钟 6 次慢呼吸
臂 3(候补对照) 在房间 A 内走同样距离;静坐 12 分钟,听中性的自然声;研究结束后可获得臂 1 的练习说明
随机化 计算机生成,1:1:1,区组大小 3 与 6 随机交替;按性别与基线 ln RMSSD(高于或低于预实验中位数)分层;分配在 TSST 结束时才由密封系统揭示
设盲 受试者无法对组别设盲;TSST 评委在揭示分配前离开;心电由自动设备记录,RR 间期的伪迹校正由不知组别的人员完成;统计分析人员在数据库锁定前只见编码的组别
主要结局 第 15–20 分钟的 ln RMSSD;协方差分析,协变量为基线 ln RMSSD 与分层因素;主要比较为臂 1 对臂 2,双侧 α=0.05\alpha = 0.05
次要比较 臂 1 对臂 3、臂 2 对臂 3,用霍尔姆法在 0.05 水平上调整 (Holm 1979),不改变主要结论
次要结局 应激后 +20 与 +40 分钟的唾液皮质醇;状态焦虑自评;结局窗口内的呼吸频率;高频心率变异性;应激后 10 分钟内与应激事件相关的侵入性念头次数(第三章假说);均报告效应估计与 95% 置信区间
中介分析 预先指定为次要分析:臂 1 对臂 2 的效应中有多少经由侵入性念头次数;需要的假设见下文
安全 记录不良事件(头晕、过度换气症状、持续的不适);TSST 结束后统一说明应激任务的目的

关于结局与中介分析的说明

为什么不用皮质醇作主要结局?唾液皮质醇在应激后 20–30 分钟达到峰值,个体差异大,且受时间、进食与月经周期影响;ln RMSSD 可以在 5 分钟窗口内自动测得,与作者框架的迷走假说直接对应。心率变异性的测量与报告遵循现有的指南 (Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology 1996; Laborde et al. 2017)。

中介分析只能作为预先指定的次要分析。要把臂 1 对臂 2 的效应分解为「经由侵入性念头减少」的间接效应与其余的直接效应,需要几条无法由随机化保证的假设:中介变量与结局之间没有未测量的混杂;没有受处理影响的中介—结局混杂因素;模型形式正确 (Imai et al. 2010)。侵入性念头是自评的,而结局是生理的,二者都可能受同一种未测量的状态(例如当天的疲劳)影响,所以中介分析的结果只作探索性解读。

样本量

样本量需要对结局的标准差、基线与结局的相关系数以及最小关注效应作出假设。本书取规划值:结局标准差 0.55(ln 单位),基线—结局相关系数 0.70,最小关注效应 0.15(ln 单位,约等于 RMSSD 相差 16%)。最小关注效应的理由是:两种都含慢呼吸的积极干预之间,小于约 16% 的 RMSSD 差别,接近短时程记录在同一个人不同时段之间的波动,不值得为额外的空间与仪式安排改变做法。这三个规划值都应由实施机构用自己的预实验或已发表的数据重新确认。

推导

# Sample size for the Chapter 8 trial. Primary comparison: arm 1 (spatial transition +
# fixed ritual sequence + paced breathing) vs arm 2 (paced breathing in the same room).
# Primary outcome: ln RMSSD in the 15-20 min window after the TSST, by ANCOVA with
# baseline ln RMSSD as covariate. Two-sided alpha 0.05, power 0.90. Planning values (to be
# confirmed by the independent team from its own pilot or published data): sd of the
# outcome 0.55 ln units, baseline-outcome correlation 0.70, SESOI 0.15 ln units.
#   n per arm = 2 (z_{1-a/2} + z_{1-b})^2 sd^2 (1 - rho^2) / delta^2   (normal theory)
# then a t-based correction and a simulation check of the ANCOVA test.
import math, random, statistics

Z = statistics.NormalDist().inv_cdf
SD, RHO, DELTA, ATTR = 0.55, 0.70, 0.15, 0.10

def n_normal(sd, rho, delta, power=0.90):
    return 2 * (Z(0.975) + Z(power)) ** 2 * sd ** 2 * (1 - rho ** 2) / delta ** 2

def t975(df):                                   # Abramowitz-Stegun 26.7.5
    z = Z(0.975)
    return (z + (z ** 3 + z) / (4 * df)
            + (5 * z ** 5 + 16 * z ** 3 + 3 * z) / (96 * df ** 2))

def ancova_t(y, x, g):
    n = len(y)
    mx = math.fsum(x) / n; mg = math.fsum(g) / n; my = math.fsum(y) / n
    sxx = math.fsum((a - mx) ** 2 for a in x); sgg = math.fsum((b - mg) ** 2 for b in g)
    sxg = math.fsum((a - mx) * (b - mg) for a, b in zip(x, g))
    sxy = math.fsum((a - mx) * (c - my) for a, c in zip(x, y))
    sgy = math.fsum((b - mg) * (c - my) for b, c in zip(g, y))
    det = sxx * sgg - sxg ** 2
    bx = (sgg * sxy - sxg * sgy) / det; bg = (sxx * sgy - sxg * sxy) / det
    res = math.fsum((c - my - bx * (a - mx) - bg * (b - mg)) ** 2
                    for a, b, c in zip(x, g, y))
    s2 = res / (n - 3)
    return bg, bg / math.sqrt(s2 * sxx / det)

def sim_power(n, delta, reps, seed):
    rng = random.Random(seed); hits = 0; crit = t975(2 * n - 3); est = []
    for _ in range(reps):
        x, y, g = [], [], []
        for arm in (0, 1):
            for _ in range(n):
                b = rng.gauss(0, SD)
                e = RHO * b + math.sqrt(1 - RHO ** 2) * rng.gauss(0, SD)
                x.append(b); y.append(e + delta * arm); g.append(arm)
        bg, t = ancova_t(y, x, g); est.append(bg)
        hits += abs(t) > crit
    return hits / reps, math.fsum(est) / reps

n0 = n_normal(SD, RHO, DELTA)
n1 = n0
for _ in range(5):                              # replace z_{a/2} by t_{df} iteratively
    df = 2 * math.ceil(n1) - 3
    n1 = 2 * (t975(df) + Z(0.90)) ** 2 * SD ** 2 * (1 - RHO ** 2) / DELTA ** 2
n_arm = math.ceil(n1)
rec = math.ceil(n_arm / (1 - ATTR) / 5) * 5
print(f"normal theory: {n0:.1f} -> {math.ceil(n0)} per arm; t-corrected {n1:.1f} ->"
      f" {n_arm} per arm")
print(f"without the baseline covariate (rho = 0) it would be"
      f" {math.ceil(n_normal(SD, 0.0, DELTA))} per arm")
pw, mest = sim_power(n_arm, DELTA, 3000, 8)
p0, m0 = sim_power(n_arm, 0.0, 3000, 9)
print(f"simulation, 3,000 trials of {n_arm} per arm: power {pw:.3f}"
      f" (mean estimate {mest:.3f});")
print(f"   type I error at delta = 0: {p0:.3f} (Monte Carlo s.e. about"
      f" {math.sqrt(0.05 * 0.95 / 3000):.3f})")
print(f"allowing {ATTR:.0%} loss of the primary outcome: recruit {rec} per arm,"
      f" {3 * rec} in three arms (1:1:1)")
print("sensitivity: completers per arm for 90 % power")
print("   SESOI (ln units)   sd 0.45            sd 0.55            sd 0.65")
print("                    rho .6  .7  .8     rho .6  .7  .8     rho .6  .7  .8")
for d in (0.10, 0.15, 0.20):
    cells = []
    for sd in (0.45, 0.55, 0.65):
        cells.append(" ".join(f"{math.ceil(n_normal(sd, r, d)):3d}"
                              for r in (0.6, 0.7, 0.8)))
    print(f"   {d:5.2f} (x{math.exp(d):.3f})  " + "     ".join(cells))
# normal theory: 144.1 -> 145 per arm; t-corrected 144.8 -> 145 per arm
# without the baseline covariate (rho = 0) it would be 283 per arm
# simulation, 3,000 trials of 145 per arm: power 0.907 (mean estimate 0.150);
#    type I error at delta = 0: 0.057 (Monte Carlo s.e. about 0.004)
# allowing 10% loss of the primary outcome: recruit 165 per arm, 495 in three arms (1:1:1)
# sensitivity: completers per arm for 90 % power
#    SESOI (ln units)   sd 0.45            sd 0.55            sd 0.65
#                     rho .6  .7  .8     rho .6  .7  .8     rho .6  .7  .8
#     0.10 (x1.105)  273 218 154     407 325 229     569 453 320
#     0.15 (x1.162)  122  97  69     181 145 102     253 202 143
#     0.20 (x1.221)   69  55  39     102  82  58     143 114  80

按正态理论,每臂需要 144.1 人,取整为 145 人;用 tt 分布代替正态分布修正后仍为 145 人。按非中心 tt 分布精确计算,每臂 145 人时把握度与 0.90 只差在第四位小数,146 人即超过 0.90,这一差别可以忽略;本书保留 145 人,实施机构可取 146 人。如果不用基线作协变量,需要 283 人:协方差分析把所需人数减少了约一半。用 3,000 次模拟检验协方差分析,每臂 145 人时把握度为 0.907,估计的平均效应为 0.150;在真实效应为 0 时,第一类错误率为 0.057(蒙特卡洛标准误约 0.004),比 0.05 高出不到两个标准误,属于模拟的随机波动。考虑 10% 的受试者缺失主要结局,每臂招募 165 人,三臂共 495 人。敏感性表显示,如果标准差为 0.65、相关系数为 0.6,每臂需要 253 人;如果最小关注效应取 0.10,在规划值下需要 325 人。

按第 33 本的讨论,「90% 把握度」指的是在真实效应恰好等于最小关注效应时,得出「臂 1 较高」(置信区间下限大于 0)这类结论的概率约为 90%;在这种情况下,最强的结论「至少高出最小关注效应」只有约 2.5% 的机会出现。

判定规则

推导

# Decision rule for the Chapter 8 trial, fixed before unblinding. D = adjusted difference
# in ln RMSSD (15-20 min after the TSST), arm 1 (spatial transition + ritual + breathing)
# minus arm 2 (breathing in the same room), from the ANCOVA with a 95 % CI. SESOI 0.15.
# Gates, checked first -> NOT INTERPRETABLE: primary outcome missing for more than 15 %
# of randomised participants; the statistician unblinded before the database lock; the
# protocol's recording conditions (seated, spontaneous breathing) broken in > 10 % of
# recordings. Pre-specified qualifier: median breathing rate in the outcome window
# differs between arms 1 and 2 by more than 1 breath/min. Secondary comparisons with the
# waitlist arm are Holm-adjusted and never change the primary verdict.
SESOI = 0.15

def verdict(d, lo, hi, missing=0.05, unblinded=False, broken=0.02, resp_gap=0.2):
    for bad, why in ((missing > 0.15, f"primary outcome missing for {missing:.0%}"),
                     (unblinded, "statistician unblinded before lock"),
                     (broken > 0.10, f"recording conditions broken in {broken:.0%}")):
        if bad:
            return f"D = {d:+.2f}: NOT INTERPRETABLE - {why}"
    if lo >= SESOI:   v = "arm 1 higher by at least the SESOI"
    elif lo > 0:      v = "arm 1 higher; not shown to reach the SESOI"
    elif hi < 0:      v = "arm 1 lower than arm 2"
    elif lo >= -SESOI and hi <= SESOI: v = "no difference worth acting on"
    else:             v = "unclear: the interval is too wide to decide"
    if abs(resp_gap) > 1.0:
        v += (f"\n    qualifier: breathing rate in the window differs by"
              f" {resp_gap:+.1f}/min;\n    the difference may reflect breathing,"
              " not space or ritual")
    return f"D = {d:+.2f} ({lo:+.2f} to {hi:+.2f}): {v}"

def holm(pvals, alpha=0.05):
    order = sorted(range(len(pvals)), key=lambda i: pvals[i]); out = [False] * len(pvals)
    for rank, i in enumerate(order):
        if pvals[i] > alpha / (len(pvals) - rank):
            break
        out[i] = True
    return out

CASES = ((0.24, 0.17, 0.31), (0.10, 0.02, 0.18), (0.02, -0.06, 0.10),
         (-0.12, -0.20, -0.04), (0.08, -0.10, 0.26),
         (0.20, 0.12, 0.28, 0.05, False, 0.02, 1.6), (0.20, 0.12, 0.28, 0.21),
         (0.20, 0.12, 0.28, 0.05, True), (0.20, 0.12, 0.28, 0.05, False, 0.14))
for case in CASES:                                    # invented example results
    print(verdict(*case))
names = ("arm 1 vs waitlist", "arm 2 vs waitlist")
for ps in ((0.004, 0.030), (0.030, 0.040)):
    keep = holm(list(ps))
    print("secondary, Holm-adjusted at 0.05:")
    for n, p, k in zip(names, ps, keep):
        print(f"   {n}: p = {p:.3f} -> " + ("significant" if k else "not significant"))
# D = +0.24 (+0.17 to +0.31): arm 1 higher by at least the SESOI
# D = +0.10 (+0.02 to +0.18): arm 1 higher; not shown to reach the SESOI
# D = +0.02 (-0.06 to +0.10): no difference worth acting on
# D = -0.12 (-0.20 to -0.04): arm 1 lower than arm 2
# D = +0.08 (-0.10 to +0.26): unclear: the interval is too wide to decide
# D = +0.20 (+0.12 to +0.28): arm 1 higher; not shown to reach the SESOI
#     qualifier: breathing rate in the window differs by +1.6/min;
#     the difference may reflect breathing, not space or ritual
# D = +0.20: NOT INTERPRETABLE - primary outcome missing for 21%
# D = +0.20: NOT INTERPRETABLE - statistician unblinded before lock
# D = +0.20: NOT INTERPRETABLE - recording conditions broken in 14%
# secondary, Holm-adjusted at 0.05:
#    arm 1 vs waitlist: p = 0.004 -> significant
#    arm 2 vs waitlist: p = 0.030 -> significant
# secondary, Holm-adjusted at 0.05:
#    arm 1 vs waitlist: p = 0.030 -> not significant
#    arm 2 vs waitlist: p = 0.040 -> not significant

示例结果是编造的。前置条件中任何一项不满足(超过 15% 的随机化受试者缺失主要结局、统计人员在锁定前揭盲、超过 10% 的记录违反坐姿与自然呼吸的规定),无论结果如何,报告都写「不可解释」。只有当置信区间下限不低于 0.15 时,报告才写「臂 1 至少高出最小关注效应」;下限高于 0 但低于 0.15 时写「臂 1 较高,但幅度未确定」;上限低于 0 时写「臂 1 低于臂 2」;区间落在 ±0.15 之内时写「没有值得据此改变做法的差别」;其余情形写「无法判断」。如果两臂在记录窗口内的呼吸频率中位数相差超过每分钟 1 次,结论后必须附上「差别可能来自呼吸方式,而不是空间或仪式」。次要比较用霍尔姆法调整:在示例中,p=0.004p = 0.004 与 p=0.030p = 0.030 都显著(0.004 ≤ 0.025,0.030 ≤ 0.05),而 p=0.030p = 0.030 与 p=0.040p = 0.040 都不显著(0.030 > 0.025,检验在第一步停止)。

这项试验不能说明什么

第一,主要比较不能把「空间切换」与「仪式」分开:臂 1 同时改变了二者。如果结果为正,下一项试验需要一个 2 × 2 的析因设计。第二,它只检验急性应激后 20 分钟内的恢复,不能说明长期练习对健康、疾病或炎症的作用,也不能检验第二章的胆碱能抗炎假说。第三,受试者知道自己在做什么,期望与说明语(第五章)无法完全排除;臂 1 的「仪式感」可能本身就带来更高的期望。第四,受试者是健康的年轻成年人,结论不能推广到病人、老人或有心血管病的人。第五,结局在两个不同的房间中记录,房间的布置本身就是干预的一部分,无法与「穿过门」分开。第六,ln RMSSD 是心脏迷走活动的间接指标,不等于「神经修复」或「内分泌修复」。第七,它不检验第一章的精度模型、第三章的吸引子模型或第四章的三网络模型,这些需要各自的检验。如果独立试验得到「没有值得据此改变做法的差别」,那就是这项试验的结论。

伦理与利益冲突

TSST 是一种会引起短时间紧张的实验室程序,必须经伦理委员会批准,向受试者充分说明并取得书面知情同意,受试者可以随时退出而不受任何影响;结束后统一说明任务的目的,对仍感不适的受试者提供联系方式。试验由独立的研究机构实施,经其伦理委员会批准,在招募前公开注册,不从作者的社群、学员或客户中招募。无论结果是正是负,结果、分析代码与去标识的汇总数据都将公开。为限制利益的影响:作者不参与招募、实施、数据处理与分析,不接触未揭盲的数据,只提交方案与本书的程序。

利益披露

作者以 5D Library 的著作(包括本书)作为其社群课程、升维牌卡(5D Ascension Cards,Dimensional Shift Card Decks)与 Yafu AI 知识库的方法论基础,因此与本书主题有商业利益关系。本书不推销任何课程、牌卡或服务;第八章的试验设计为由独立于作者企业的研究人员实施和分析,不从作者的社群、学员或客户中招募;书中所有代码与研究方案均公开,供任何人检验。作者在社群课程中讲授呼吸、聆听与练习类内容,与本书主题有间接关联;本书不推销任何课程、练习或产品,也不使用作者社群的数据作为证据。

本章小结

四步核查表要求在练习之前先由医生评估、说清楚衡量指标、找出期望与回归均值等其他解释、事先写定判定规则。预注册的三臂随机对照试验由独立机构实施并经伦理委员会批准,以 TSST 诱发应激,唯一主要比较为「空间切换 + 仪式 + 慢呼吸」对「同室慢呼吸」,唯一主要结局为应激后第 15–20 分钟自然呼吸下的 ln RMSSD(以基线为协变量的协方差分析),最小关注效应 0.15,90% 把握度下每臂 145 人、招募 165 人、共 495 人;候补对照的比较为次要比较并经霍尔姆调整;判定规则写成代码,并对记录时的呼吸方式设有限定语。它只检验急性恢复中的一个比较,不能证明本书的其他模型。

参考文献

Holm, Sture. 1979. “A Simple Sequentially Rejective Multiple Test Procedure.” Scandinavian Journal of Statistics 6 (2): 65–70.
Imai, Kosuke, Luke Keele, and Dustin Tingley. 2010. “A General Approach to Causal Mediation Analysis.” Psychological Methods 15 (4): 309–34. https://doi.org/10.1037/a0020761.
Kirschbaum, Clemens, Karl-Martin Pirke, and Dirk H. Hellhammer. 1993. “The ‘Trier Social Stress Test’—a Tool for Investigating Psychobiological Stress Responses in a Laboratory Setting.” Neuropsychobiology 28 (1–2): 76–81. https://doi.org/10.1159/000119004.
Laborde, Sylvain, Emma Mosley, and Julian F. Thayer. 2017. “Heart Rate Variability and Cardiac Vagal Tone in Psychophysiological Research: Recommendations for Experiment Planning, Data Analysis, and Data Reporting.” Frontiers in Psychology 8: 213. https://doi.org/10.3389/fpsyg.2017.00213.
Nosek, Brian A., Charles R. Ebersole, Alexander C. DeHaven, and David T. Mellor. 2018. “The Preregistration Revolution.” Proceedings of the National Academy of Sciences 115 (11): 2600–2606. https://doi.org/10.1073/pnas.1708274114.
Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology. 1996. “Heart Rate Variability: Standards of Measurement, Physiological Interpretation and Clinical Use.” Circulation 93 (5): 1043–65. https://doi.org/10.1161/01.CIR.93.5.1043.

Fan, Y. (2026). Neurobiology of Ritual, Spatial Boundary Transitions and Computational Biomedicine of Self-Transcendence: From Predictive-Coding Free-Energy Minimisation, Default-Mode Network Decoupling and Vagal–Endocrine Restoration to Classical Chinese Medicine on Shifting the Spirit (Yijing Bianqi) [仪式神经学、空间边界切换与自我转移的计算生物医学] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23839910 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).