5D Library

第四章 禅修与默认网络

5D Library › 默认模式网络、熵脑与神经振荡 · English

第四章 禅修与默认网络

让默认网络安静下来的另一条路

如果心思游荡到与自我有关的念头时默认网络最忙碌，那么任何训练注意力安住于当下的练习，都应当会改变它的活动。禅修传统训练的正是这一点，已有两千多年。自 21 世纪初以来，影像研究开始显示人们这样练习时大脑中发生了什么。

证据

布鲁尔（Judson Brewer）等人把资深禅修者与匹配的无禅修经验者作比较，比较了三种禅修：专注、慈心和无拣择觉知。在三种禅修中，资深禅修者默认网络的主要枢纽，即内侧前额叶与后扣带回皮层，活动都相对降低。禅修者的后扣带回还与负责自我监控和认知控制的脑区，即背侧前扣带回和背外侧前额叶皮层，耦合更强，静息时和禅修时都是如此 (Brewer et al. 2011)。

证据

一项汇总 78 项禅修神经影像研究的元分析发现，不同风格的禅修动用的网络部分不同，所以对大脑而言，「禅修」并不是一回事 (Fox et al. 2016)。在一项让人们觉察当下体验的研究中，正念训练与自我参照方式的转变相关：从中线的叙事模式，转向更偏外侧的体验模式 (Farb et al. 2007)。一篇关于正念神经科学的综述描述了注意控制、情绪调节和自我觉察方面的变化，同时指出许多研究规模小、且为横断面研究 (Tang et al. 2015)。

布鲁尔研究中的第二项发现，对本书而言最重要。默认网络并不是简单地被调低了。资深禅修者的默认网络核心枢纽，与监控和控制注意力的网络耦合更紧。这描绘的是一个调节得更好的系统，而不是一个被关掉的系统。

走神与觉察的循环

在专注型禅修（例如专注于呼吸）中，心会游走，禅修者觉察到，把注意力带回来，保持一会儿，然后再次游走。哈森坎普（Hasenkamp）等人请禅修者每次觉察到走神时按一下按钮，发现这个循环的各个阶段动用不同的网络：走神时是默认网络，觉察的瞬间是突显网络，转回并保持注意时是执行网络 (Hasenkamp et al. 2012)。

这个循环可以写成一个两状态的马尔可夫链。每一分钟，处于专注中的心以概率 pdriftp_\text{drift} 游走；正在游走的心以概率 pnoticep_\text{notice} 觉察并返回。长期来看，走神时间所占比例为 pdrift/(pdrift+pnotice)p_\text{drift}/(p_\text{drift} + p_\text{notice})，每次走神平均持续 1/pnotice1/p_\text{notice} 分钟。

推导

把这个链校准到日常生活中 46.9% 的走神时间 (Killingsworth and Gilbert 2010)，再看训练可能带来的两种变化：更快觉察，以及在此基础上更少游走。

# Mind-wandering as a two-state chain, one step per minute:
# on task --(p_drift)--> wandering --(p_notice)--> back on task.
def chain(p_drift, p_notice, minutes=20):
    share = p_drift / (p_drift + p_notice)         # long-run share of time wandering
    episode = 1 / p_notice                         # mean length of one episode, minutes
    catches = minutes * (1 - share) * p_drift      # episodes started (and noticed) per session
    return share, episode, catches

for label, d, n in (("untrained (calibrated to 46.9 %)", 0.30, 0.34),
                    ("noticing faster", 0.30, 0.60),
                    ("noticing faster, drifting less", 0.20, 0.60)):
    share, ep, c = chain(d, n)
    print(f"{label:37s} wandering {100 * share:3.0f} %, "
          f"episode {ep:.1f} min, {c:.1f} catches per 20 min")
# untrained (calibrated to 46.9 %)      wandering  47 %, episode 2.9 min, 3.2 catches per 20 min
# noticing faster                       wandering  33 %, episode 1.7 min, 4.0 catches per 20 min
# noticing faster, drifting less        wandering  25 %, episode 1.7 min, 3.0 catches per 20 min

中间一行显示了禅修者常常报告、并因此感到沮丧的现象。觉察能力提高时，一次静坐中「抓回」的次数会增加而不是减少，因为每次走神结束得更早，新的走神就有机会开始。训练初期抓回次数增多，恰恰说明觉察的技能在增长。只有当游走本身变少时，次数才会再次下降。第八章把这一点变成每日记录。

两条路，两种稳定性

第三、四章描述了削弱默认网络主导地位的两种截然不同的方式：5-HT2A 受体上的药理学改变，以及注意力的训练。本书只推荐后一种。理由不仅在于法律和安全，也可以用稳定性与可控性来说明。

描述一个被噪声推来推去、又被拉回设定点的量，一个简单的方法是奥恩斯坦–乌伦贝克过程：dx=−k(x−μ)dt+σdWdx = -k(x – \mu)\,dt + \sigma\,dW。其中 μ\mu 是系统回归的水平，kk 是回归的速度，σ\sigma 是被扰动的强度。

推导

三种示意状态。xx 代表默认模式、自我指涉加工的主导程度，单位任意。参数是为表达文献中描述的定性特征而选的，不是测量值；见下方的假说框。

import math

def profile(mu, k, sigma):
    """Ornstein–Uhlenbeck process dx = −k (x − mu) dt + sigma dW (minutes).
    Returns the spread of x, the half-time to return after a push,
    and the share of time spent more than 1 unit away from mu."""
    sd = sigma / math.sqrt(2 * k)
    half = math.log(2) / k
    tail = math.erfc(1 / (sd * math.sqrt(2)))      # P(|x − mu| > 1)
    return sd, half, tail

# Illustrative parameters only (see the hypothesis box): x is a stand-in for
# DMN-dominated, self-referential processing, in arbitrary units.
cases = {
    "ordinary waking":                     (1.0, 0.5, 0.40),
    "trained attention (endogenous)":      (0.8, 1.0, 0.40),
    "acute receptor-driven state (exog.)": (0.6, 0.1, 0.80),
}
print("state                                 mean  spread  half-time  time > 1 unit away")
for name, (mu, k, s) in cases.items():
    sd, half, tail = profile(mu, k, s)
    print(f"{name:37s} {mu:4.1f}  {sd:6.2f}  {half:6.1f} min  {100 * tail:12.1f} %")
# state                                 mean  spread  half-time  time > 1 unit away
# ordinary waking                        1.0    0.40     1.4 min           1.2 %
# trained attention (endogenous)         0.8    0.28     0.7 min           0.0 %
# acute receptor-driven state (exog.)    0.6    1.79     6.9 min          57.6 %

在这种描述中，训练注意力使设定点略为降低，更重要的是提高了 kk：无论心被推到哪里，都回来得更快，大幅偏离变得罕见。急性药理状态则被描述为设定点更低、但回复力弱得多、波动大得多：状态更少受约束，这正是「熵更高」的含义；而在持续期间，它不受当事人控制。这个模型说明了为什么一条路培养的是能伴随人进入日常生活的技能，而另一条路产生的是一个过程由化学决定的暂时状态。

假说 · 尚未验证

尚未确立。 长期的专注训练，提高注意力在分心后返回的速度（上面的参数 kk），多于降低默认网络活动的平均水平（参数 μ\mu）。该假说预测：在纵向研究中，觉察并从走神中返回所需的时间，随训练缩短得比静息态默认网络活动下降得更一致。如果静息态默认网络活动一致地改变、而返回速度没有变化，假说就被推翻。

聆听的方法

作者教授一种基于《楞严经》「反闻闻自性」描述的声乐方法，在 5D Library 第二本书中有详细讨论。作为一种禅修，它是专注于声音和「听」本身的专注型注意，因此属于本章回顾的练习之列。它尚未经过脑影像研究，本章的任何内容都不应被理解为证明它对大脑有任何特定作用。

注

禅修并非没有风险。一篇系统综述发现，禅修研究中约 8% 的参与者报告了不良反应，最常见的是焦虑和抑郁，比例与心理治疗相近 (Farias et al. 2020)。对有精神病、创伤或重度抑郁病史的人，不建议在没有指导的情况下进行长时间或高强度的练习（例如止语闭关）；任何人如果发现练习让自己感觉更糟，都应停下并寻求建议。

参考文献

Brewer, Judson A., Patrick D. Worhunsky, Jeremy R. Gray, Yi-Yuan Tang, Jochen Weber, and Hedy Kober. 2011. “Meditation Experience Is Associated with Differences in Default Mode Network Activity and Connectivity.” Proceedings of the National Academy of Sciences 108 (50): 20254–59.
Farb, Norman A. S., Zindel V. Segal, Helen Mayberg, et al. 2007. “Attending to the Present: Mindfulness Meditation Reveals Distinct Neural Modes of Self-Reference.” Social Cognitive and Affective Neuroscience 2 (4): 313–22.
Farias, M., E. Maraldi, K. C. Wallenkampf, and G. Lucchetti. 2020. “Adverse Events in Meditation Practices and Meditation-Based Therapies: A Systematic Review.” Acta Psychiatrica Scandinavica 142 (5): 374–93.
Fox, Kieran C. R., Matthew L. Dixon, Savannah Nijeboer, et al. 2016. “Functional Neuroanatomy of Meditation: A Review and Meta-Analysis of 78 Functional Neuroimaging Investigations.” Neuroscience and Biobehavioral Reviews 65: 208–28.
Hasenkamp, Wendy, Christine D. Wilson-Mendenhall, Erica Duncan, and Lawrence W. Barsalou. 2012. “Mind Wandering and Attention During Focused Meditation: A Fine-Grained Temporal Analysis of Fluctuating Cognitive States.” NeuroImage 59 (1): 750–60.
Killingsworth, Matthew A., and Daniel T. Gilbert. 2010. “A Wandering Mind Is an Unhappy Mind.” Science 330 (6006): 932.
Tang, Yi-Yuan, Britta K. Hölzel, and Michael I. Posner. 2015. “The Neuroscience of Mindfulness Meditation.” Nature Reviews Neuroscience 16 (4): 213–25.

Fan, Y. (2026). The Default Mode Network, the Entropic Brain and Neural Oscillations: 5-HT2A Receptor Kinetics, Pineal Calcite Microcrystals and the Computational Neuroscience of Meditative Attention [默认模式网络、熵脑与神经振荡] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23697320 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).