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
第二章 应激轴、呼吸与炎症:哪些是方程,哪些是证据
从「异态负荷」到一个可以求解的模型
作者框架的第二章要做三件事:用四阶龙格—库塔法(RK4)求解 HPA 轴异态负荷与皮质醇日节律变平的方程;把每分钟约 6 次的「0.1 Hz 迈耶波共振呼吸」经压力反射与 RMSSD 接到 α7 烟碱受体介导的胆碱能抗炎通路(TNF-α、IL-6);再写出内源性 β-内啡肽与催产素的动力学。这三件事的证据基础很不一样,本章逐一分开。
先说概念。麦克尤恩 1998 年把异态负荷定义为身体在反复或长期应对应激时付出的累积代价:应激介质(皮质醇、儿茶酚胺、炎症因子)在短期内是保护性的,长期失调则带来损害 (McEwen 1998)。在研究中,它通常是一个由十几项生物标志物(血压、腰臀比、糖化血红蛋白、皮质醇等)超出风险分位数的个数相加而成的指数。它不是一个可以直接写进微分方程的状态变量。第 14 本已经讨论过 CRH–ACTH–皮质醇负反馈回路的双稳态与异态负荷指数的计算方法,这里只回顾,不重复。
一个示意的 HPA 模型
古普塔等人 2007 年把糖皮质激素受体加进 HPA 轴模型,得到了双稳态 (Gupta et al. 2007);斯里拉姆、罗德里格斯—费尔南德斯与多伊尔 2012 年在此基础上拟合了正常人、抑郁症与创伤后应激障碍患者的皮质醇与 ACTH 数据,说明不同的参数区域可以产生不同的日节律形状 (Sriram et al. 2012)。本书不复现他们的模型,而是写一个更简单的三变量示意模型(作者的模型):
其中 、、 分别是 CRH、ACTH 与皮质醇, 是昼夜节律驱动, 是持续的额外驱动, 是负反馈的半饱和常数( 增大表示反馈抵抗),三个时间常数对应约 4、10 与 65 分钟的半衰期。日斜率按许多现场研究的做法,取 07:00 至 22:00 之间 对钟点的最小二乘斜率。程序用步长 0.005 小时的 RK4 积分 8 天,取最后一天。
推导
# A three-variable HPA-axis model solved with fourth-order Runge-Kutta (Chapter 2).
# The author's simplified model in the spirit of Gupta et al. (2007) and Sriram et al.
# (2012); it is NOT their model and its parameters are illustrative, not fitted.
# dC/dt = D(t) (1 + S) / (1 + (F/Ki)^2) - C/tc CRH, circadian drive D(t)
# dA/dt = C / (1 + (F/Ki)^2) - A/ta ACTH
# dF/dt = A - F/tf cortisol
# D(t) = 1 + 0.9 cos(2 pi (t - 6.5)/24). Time in hours; half-lives about 4 min (CRH),
# 10 min (ACTH) and 65 min (cortisol). Diurnal slope: least-squares slope of ln F
# against clock time from 07:00 to 22:00, as in many field studies (ln units per hour).
import math
TC, TA, TF = 4 / 60 / math.log(2), 10 / 60 / math.log(2), 65 / 60 / math.log(2)
def rhs(t, y, S, Ki, evening):
c, a, f = y
d = 1 + 0.9 * math.cos(2 * math.pi * (t - 6.5) / 24)
if evening and 17 <= t % 24 < 23:
d += evening # stress load late in the day
fb = 1 / (1 + (f / Ki) ** 2)
return (d * (1 + S) * fb - c / TC, c * fb - a / TA, a - f / TF)
def rk4(S=0.0, Ki=0.04, evening=0.0, days=8, dt=0.005):
y, t, out = (0.1, 0.1, 0.1), 0.0, []
for _ in range(round(days * 24 / dt)):
f = lambda tt, yy: rhs(tt, yy, S, Ki, evening)
k1 = f(t, y)
k2 = f(t + dt / 2, tuple(v + dt / 2 * k for v, k in zip(y, k1)))
k3 = f(t + dt / 2, tuple(v + dt / 2 * k for v, k in zip(y, k2)))
k4 = f(t + dt, tuple(v + dt * k for v, k in zip(y, k3)))
y = tuple(v + dt / 6 * (p + 2 * q + 2 * r + s)
for v, p, q, r, s in zip(y, k1, k2, k3, k4))
t += dt
if t > (days - 1) * 24 - 1e-9:
out.append((t - (days - 1) * 24, y[2]))
return out
def slope(day):
pts = [(t, math.log(f)) for t, f in day if 7 <= t <= 22]
mt = math.fsum(t for t, _ in pts) / len(pts)
my = math.fsum(v for _, v in pts) / len(pts)
return (math.fsum((t - mt) * (v - my) for t, v in pts)
/ math.fsum((t - mt) ** 2 for t, _ in pts))
def at(day, h):
return min(day, key=lambda p: abs(p[0] - h))[1]
SCEN = (("baseline", {}), ("constant extra drive S = 0.5", {"S": 0.5}),
("evening load 17-23 h (+1.0)", {"evening": 1.0}),
("feedback resistance Ki x 2", {"Ki": 0.08}),
("S = 0.5 and Ki x 2", {"S": 0.5, "Ki": 0.08}))
print("cortisol in units of baseline F(08:00) = 100")
print("scenario F(08h) F(22h) ratio slope (ln/h) mean F")
res = {}
for name, kw in SCEN:
day = rk4(**kw); res[name] = day
u = 100 / at(res["baseline"], 8)
print(f"{name:30s} {u * at(day, 8):6.1f} {u * at(day, 22):7.1f}"
f" {at(day, 8) / at(day, 22):6.2f} {slope(day):11.3f}"
f" {u * math.fsum(f for _, f in day) / len(day):8.1f}")
fine = rk4(dt=0.0025)
err = max(abs(a[1] - b[1]) for a, b in zip(res["baseline"], fine[0::2]))
print(f"RK4 check: largest change in F when the step is halved:"
f" {err * 100 / at(res['baseline'], 8):.1e} units")
# cortisol in units of baseline F(08:00) = 100
# scenario F(08h) F(22h) ratio slope (ln/h) mean F
# baseline 100.0 28.6 3.50 -0.137 66.7
# constant extra drive S = 0.5 117.3 40.6 2.89 -0.122 81.3
# evening load 17-23 h (+1.0) 100.0 85.0 1.18 -0.030 80.9
# feedback resistance Ki x 2 143.9 30.0 4.80 -0.160 89.2
# S = 0.5 and Ki x 2 176.2 44.0 4.01 -0.147 114.0
# RK4 check: largest change in F when the step is halved: 5.7e-10 units把步长减半,皮质醇的最大变化只有 个单位,数值误差可以忽略。结果有一点出乎作者框架的预期。基线的早晚比为 3.50,斜率 −0.137。持续的额外驱动()使斜率略变平(−0.122)。晚间负荷(17–23 时驱动增加 1.0)使斜率变平得最多(−0.030),22 时的皮质醇从 28.6 升到 85.0,而 08 时不变。反馈抵抗( 加倍)反而使斜率变陡(−0.160),早上的皮质醇升到 143.9。也就是说,在本模型中,「慢性应激使皮质醇日节律变平」不是自动成立的:它取决于负荷落在一天中的什么时候,以及受损的是驱动还是反馈。图 2 左画出了三种情形。
证据
皮质醇斜率与健康(人体观察研究的元分析)。 亚当等人 2017 年的元分析汇总了 80 项研究中的 179 个关联,发现较平的皮质醇日斜率与较差的身心健康结局相关,平均效应量 (Adam et al. 2017)。这些研究大多是横断面或纵向的观察研究,结局包括抑郁、疲劳、心血管指标与死亡率等。 意味着斜率只能解释结局方差的约 2%;而且斜率变平可能是疾病的结果、睡眠时间的结果或测量时间不准的结果,不能读成「把斜率调陡就能改善健康」。
共振呼吸:压力反射环路的延迟
作者框架称每分钟约 6 次的呼吸为「0.1 Hz 迈耶波共振」。需要区分两个概念。迈耶波是动脉血压约 0.1 Hz 的自发振荡,一般认为与交感神经对血管的调节及压力反射环路有关 (Julien 2006)。共振呼吸是指以某个频率呼吸时,心率振荡的幅度达到最大。瓦斯奇洛、瓦斯奇洛与莱勒的解释是:呼吸引起血压波动,压力反射以一定的延迟改变心率,心率又改变血压;当呼吸周期与环路的延迟相配时,几种效应同相叠加,振幅最大 (Vaschillo et al. 2006; Lehrer and Gevirtz 2014)。所以共振来自压力反射环路的延迟,它与迈耶波的频率相近,但不是同一回事;而且每个人的共振频率不同,通常需要逐人测定。第 14 本已经提到每分钟约 6 次的共振,这里用一个线性环路模型说明它的来源与测量上的问题(作者的模型)。
设呼吸以角频率 驱动血压(增益 )与心率(迷走直接通路,低通,增益 ,时间常数 ),心率经血管的低通(增益 ,时间常数 )影响血压,血压经压力反射以增益 与延迟 影响心率。闭环的心率振幅为
当环路相位接近 时,分母变小,振幅被放大。程序再按每个频率生成 5 分钟的逐拍 RR 间期(平均心率 65 次/分,逐拍噪声 10 毫秒),计算 RMSSD 与 SDNN。
推导
# Resonance breathing in a linear baroreflex loop, and what RMSSD does (Chapter 2).
# The author's illustrative model (after the resonance idea of Vaschillo, Lehrer et al.):
# breathing at angular frequency w drives blood pressure (gain B) and heart rate directly
# (vagal low-pass, gain R, time constant Tv); heart rate feeds back on pressure through a
# Windkessel low-pass (gain K, time constant Tw); pressure acts on heart rate through the
# baroreflex with gain -G and delay tau. Closed-loop heart-rate amplitude per unit breath:
# H(w) = (R/(1+iwTv) - G e^{-iw tau} B) / (1 + G K e^{-iw tau} / (1 + iwTw))
# Then 5-minute RR series (65 bpm mean, beat noise 10 ms) give RMSSD and SDNN.
import cmath, math, random
B, R, TV, K, TW, G = 2.0, 2.0, 1.5, 1.0, 2.0, 1.0
def hr_amp(f, tau=3.5):
w = 2 * math.pi * f; d = cmath.exp(-1j * w * tau)
return abs((R / (1 + 1j * w * TV) - G * d * B) / (1 + G * K * d / (1 + 1j * w * TW)))
def rr_series(rng, f, amp, minutes=5, hr0=65.0, noise=10.0):
t, rr = 0.0, []
while t < minutes * 60:
hr = hr0 + amp * math.sin(2 * math.pi * f * t)
x = 60000 / hr + rng.gauss(0, noise); rr.append(x); t += x / 1000
return rr
def rmssd(rr):
return math.sqrt(math.fsum((b - a) ** 2 for a, b in zip(rr, rr[1:])) / (len(rr) - 1))
def sdnn(rr):
m = math.fsum(rr) / len(rr)
return math.sqrt(math.fsum((x - m) ** 2 for x in rr) / (len(rr) - 1))
rng = random.Random(6)
print("breaths/min HR amplitude (bpm) RMSSD (ms) ln RMSSD SDNN (ms)")
rows = []
for bpm in (3, 4, 5, 5.5, 6, 6.5, 7, 8, 10, 12, 15):
f = bpm / 60; a = hr_amp(f)
rr = rr_series(rng, f, a); rows.append((bpm, a, rmssd(rr), sdnn(rr)))
print(f"{bpm:9.1f} {a:15.2f} {rmssd(rr):15.1f} {math.log(rmssd(rr)):9.2f}"
f" {sdnn(rr):9.1f}")
best = max(rows, key=lambda r: r[1]); top_r = max(rows, key=lambda r: r[2])
print(f"largest HR oscillation at {best[0]} breaths/min; largest RMSSD at"
f" {top_r[0]} breaths/min")
print("resonance frequency against baroreflex delay tau (fine grid 2-15 breaths/min):")
for tau in (2.5, 3.0, 3.5, 4.0, 4.5):
grid = [2 + 0.01 * i for i in range(1301)]
fb = max(grid, key=lambda b: hr_amp(b / 60, tau))
print(f" tau = {tau:.1f} s: peak at {fb:.2f} breaths/min ({fb / 60:.3f} Hz)")
rr0 = rr_series(random.Random(1), 0.25, hr_amp(0.25))
rr6 = rr_series(random.Random(1), 0.1, hr_amp(0.1))
print(f"same model person recorded at 15/min vs paced 6/min: RMSSD {rmssd(rr0):.1f}"
f" vs {rmssd(rr6):.1f} ms")
print(" (the whole difference comes from the breathing pattern during the recording)")
# breaths/min HR amplitude (bpm) RMSSD (ms) ln RMSSD SDNN (ms)
# 3.0 1.00 14.1 2.65 13.9
# 4.0 1.92 16.1 2.78 21.9
# 5.0 3.88 23.6 3.16 40.3
# 5.5 5.31 31.9 3.46 54.8
# 6.0 6.12 38.3 3.65 62.4
# 6.5 5.71 38.4 3.65 58.4
# 7.0 4.90 36.9 3.61 51.0
# 8.0 3.71 31.1 3.44 38.0
# 10.0 2.67 28.8 3.36 28.9
# 12.0 2.24 27.8 3.33 24.4
# 15.0 1.88 29.9 3.40 22.0
# largest HR oscillation at 6 breaths/min; largest RMSSD at 6.5 breaths/min
# resonance frequency against baroreflex delay tau (fine grid 2-15 breaths/min):
# tau = 2.5 s: peak at 8.12 breaths/min (0.135 Hz)
# tau = 3.0 s: peak at 6.90 breaths/min (0.115 Hz)
# tau = 3.5 s: peak at 6.05 breaths/min (0.101 Hz)
# tau = 4.0 s: peak at 5.42 breaths/min (0.090 Hz)
# tau = 4.5 s: peak at 4.92 breaths/min (0.082 Hz)
# same model person recorded at 15/min vs paced 6/min: RMSSD 27.8 vs 38.3 ms
# (the whole difference comes from the breathing pattern during the recording)在 秒时,心率振幅在每分钟 6 次时最大(6.12 次/分),比每分钟 15 次(1.88)大三倍多;SDNN 也在 6 次时最大(62.4 毫秒)。但 RMSSD 的峰值较平:6 次时 38.3、6.5 次时 38.4、15 次时 29.9 毫秒。从每分钟 15 次到 6 次,心率振幅增大到 3.3 倍,SDNN 增大到 2.8 倍,RMSSD 只增大约 1.3 倍。原因是 RMSSD 计算的是相邻心搏之差,一个 10 秒周期的慢振荡在相邻两拍之间变化很小,所以 RMSSD 对它相对不敏感;但相对不敏感不等于不变,下面会看到,它仍会随记录时的呼吸方式明显改变。共振频率随延迟移动:延迟从 2.5 秒增到 4.5 秒,峰值从每分钟 8.12 次移到 4.92 次。图 2 右画出了三种延迟下的曲线。
最后两行对第八章的设计很重要:同一个模型中的人,按每分钟 15 次呼吸记录,RMSSD 为 27.8 毫秒;按每分钟 6 次记录,为 38.3 毫秒。这个差别完全来自记录时的呼吸方式。心率变异性的测量指南早就提醒,呼吸频率与潮气量会影响短时程指标,研究者应当控制或至少报告呼吸 (Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology 1996; Laborde et al. 2017)。如果试验的一组在记录时仍在慢呼吸,另一组自然呼吸,RMSSD 的差别就不能解释为「恢复得更好」。
证据
慢呼吸与心率变异性(人体研究)。 拉博德等人 2022 年的系统综述与元分析纳入 223 项研究(172 项测量呼吸过程中、16 项测量单次练习之后、49 项测量多次练习之后的效应),发现慢呼吸在练习中、单次练习之后与多次练习之后都提高了迷走介导的心率变异性 (Laborde et al. 2022)。扎卡罗等人 2018 年的系统综述也报告慢呼吸与心率变异性升高、自主神经与情绪指标的改善有关,但纳入研究的质量参差不齐 (Zaccaro et al. 2018)。这些结果支持「慢呼吸在练习中与练习后短时间内提高迷走指标」;它们本身不说明这种提高会持续多久,也不说明它会改变炎症或疾病结局。
胆碱能抗炎通路:动物、器械与呼吸
作者框架把呼吸、RMSSD 与「α7nAChR 胆碱能抗炎通路」连成一条链。这条链的每一环证据强度不同。
证据
动物与机制证据。 博罗维科娃等人 2000 年在大鼠中发现,电刺激迷走神经可以减弱内毒素引起的全身炎症反应与 TNF 升高 (Borovikova et al. 2000);王等人 2003 年在小鼠中发现,巨噬细胞上的 α7 烟碱型乙酰胆碱受体是这一抑制作用所必需的 (Wang et al. 2003);特雷西 2002 年把这些结果概括为「炎症反射」(Tracey 2002)。这些是动物与机制研究:它们说明迷走传出活动能够抑制细胞因子的产生,但所用的刺激强度、时程与内毒素剂量都与人的日常呼吸练习相去甚远。
证据
人体证据。 库普曼等人 2016 年在类风湿关节炎患者中植入迷走神经刺激器,报告 TNF 的产生受到抑制、疾病活动度下降;这是一项开放标签的小型研究,用的是植入式器械,不是呼吸 (Koopman et al. 2016)。科克斯等人 2014 年让 12 名男性接受包括呼吸技巧、冷暴露与冥想的训练,再与 12 名未训练者一起注射内毒素:训练组的肾上腺素升高,抗炎因子 IL-10 较高,TNF-α、IL-6 与 IL-8 较低,流感样症状较少 (Kox et al. 2014)。作者认为这一效应与交感神经—肾上腺素的激活有关,而不是迷走。这项研究常被引用为「呼吸可以抗炎」,但它的呼吸方式是过度通气与屏气,而不是慢呼吸,机制也不是作者框架所说的迷走—α7 通路。本书核对时没有找到「慢呼吸练习可靠地降低健康人或患者血中 TNF-α、IL-6」的一致证据。
下面的程序用两个示意模型说明,为什么不能从动物结果直接推出人体中的效应大小。A 部分是一个玩具模型:内毒素样刺激随时间衰减,TNF 的产生率被迷走活动 按 抑制,IL-6 随 TNF 而动。B 部分是一个单室激素模型:练习的 12 分钟内以恒定速率分泌,之后按一级动力学消除。
推导
# Two schematic kinetic models (Chapter 2). Parameters are illustrative, NOT estimates.
# A. Cholinergic anti-inflammatory pathway as a toy: an endotoxin-like stimulus E(t)
# decays with a 1-hour time constant; TNF is produced at rate E/(1 + v/Kv) and cleared
# with a 20-minute half-life; IL-6 follows TNF with a 1-hour half-life. v is efferent
# vagal activity (arbitrary units). How much does TNF fall when v rises from 0 to 1?
# The answer is set by Kv, which is unknown in humans, and by timing.
# B. A one-compartment hormone pulse: secretion at a constant rate for 12 minutes, then
# first-order elimination with half-life h. What share of the peak is still there when
# blood is drawn at various times after the practice ends?
import math
def toxin(v, kv, hours=8.0, dt=0.001, window=None):
e, tnf, il6, t, peak, auc = 1.0, 0.0, 0.0, 0.0, 0.0, []
kt, ki = math.log(2) / (20 / 60), math.log(2) / 1.0
while t < hours:
vv = v if window is None or window[0] <= t < window[1] else 0.0
de = -e; dtnf = e / (1 + vv / kv) - kt * tnf; dil = tnf - ki * il6
e += dt * de; tnf += dt * dtnf; il6 += dt * dil; t += dt
peak = max(peak, tnf); auc.append(il6 * dt)
return peak, math.fsum(auc)
print("A TNF peak and IL-6 area, relative to v = 0 (same Kv)")
for kv in (0.5, 2.0, 10.0):
p0, a0 = toxin(0.0, kv)
row = []
for v in (0.5, 1.0, 2.0):
p, a = toxin(v, kv); row.append(f"v={v:.1f}: {p / p0:5.2f}/{a / a0:5.2f}")
print(f" Kv = {kv:4.1f} " + " ".join(row))
p0, a0 = toxin(0.0, 2.0)
print(" a 12-minute rise to v = 1 (Kv = 2), starting at various times after"
" the stimulus")
for st in (0.0, 0.5, 1.0, 2.0):
p, a = toxin(1.0, 2.0, window=(st, st + 0.2))
print(f" start +{st:3.1f} h: TNF peak {p / p0:5.2f}, IL-6 area {a / a0:5.2f}")
def pulse(h, t_after, dur=12.0, rate=1.0):
k = math.log(2) / h
peak = rate / k * (1 - math.exp(-k * dur)) # at the end of secretion
return peak, peak * math.exp(-k * t_after)
print("B share of the end-of-practice level left at the blood draw")
print(" half-life +5 min +20 min +40 min +60 min")
for h in (4.0, 10.0, 25.0, 60.0):
cells = [pulse(h, t)[1] / pulse(h, 0)[1] for t in (5, 20, 40, 60)]
print(f" {h:5.0f} min " + "".join(f"{c:10.3f}" for c in cells))
# A TNF peak and IL-6 area, relative to v = 0 (same Kv)
# Kv = 0.5 v=0.5: 0.50/ 0.50 v=1.0: 0.33/ 0.33 v=2.0: 0.20/ 0.20
# Kv = 2.0 v=0.5: 0.80/ 0.80 v=1.0: 0.67/ 0.67 v=2.0: 0.50/ 0.50
# Kv = 10.0 v=0.5: 0.95/ 0.95 v=1.0: 0.91/ 0.91 v=2.0: 0.83/ 0.83
# a 12-minute rise to v = 1 (Kv = 2), starting at various times after the stimulus
# start +0.0 h: TNF peak 0.93, IL-6 area 0.94
# start +0.5 h: TNF peak 0.96, IL-6 area 0.96
# start +1.0 h: TNF peak 1.00, IL-6 area 0.98
# start +2.0 h: TNF peak 1.00, IL-6 area 0.99
# B share of the end-of-practice level left at the blood draw
# half-life +5 min +20 min +40 min +60 min
# 4 min 0.420 0.031 0.001 0.000
# 10 min 0.707 0.250 0.062 0.016
# 25 min 0.871 0.574 0.330 0.189
# 60 min 0.944 0.794 0.630 0.500A 部分的结论几乎完全由一个在人体中未知的参数 决定: 从 0 升到 1 时,TNF 峰值在 时降到 0.33,在 时只降到 0.91。时机也很重要:在 时,一段 12 分钟的迷走活动升高若与刺激同时开始,TNF 峰值只降到 0.93;若在刺激后 1 小时才开始,峰值不变(1.00)。所以任何「呼吸练习使 TNF 下降 X%」的说法,如果没有人体测量,都只是参数的选择。
B 部分说明测量上的问题。若一种激素的血浆半衰期只有 4 分钟,练习结束 20 分钟后抽血,只剩练习结束时水平的 3.1%;若半衰期为 25 分钟,剩 57.4%。β-内啡肽与催产素的半衰期、中枢与外周的分泌是否同步,都是需要另行核对的经验问题;本书只把它们写成示意参数,不写成测量值。外周血浆中测不到变化,不能证明中枢没有变化;测到变化,也不能证明它来自中枢或与情绪改变有关。
假说 · 尚未验证 · 慢呼吸与炎症指标
作者的假说(尚未确立): 在健康成年人中,连续 8 周每天两次、每次 15 分钟、以个人共振频率进行的慢呼吸练习,与时间匹配的自然呼吸放松相比,会降低全血经内毒素刺激后体外产生的 TNF-α。什么样的结果能证明它是错的: 在预先登记的随机对照试验中,两组 TNF-α 产生量之差的置信区间落在事先规定的最小关注效应之内;或者差别只出现在练习当天、在洗脱一周后消失。
本章小结
异态负荷是一个多指标指数,不是方程变量;本书的 HPA 方程是示意模型,RK4 数值误差可忽略。在本模型中,皮质醇日斜率变平主要来自晚间负荷(−0.137 变为 −0.030),而反馈抵抗使斜率变陡;人体元分析中斜率变平与较差健康的关联为 ,是相关。共振呼吸来自压力反射环路的延迟,与迈耶波相近但不相同,共振频率因人而异;RMSSD 对慢振荡相对不敏感(变化远小于 SDNN),但记录时的呼吸方式仍能明显改变它。胆碱能抗炎通路的证据主要来自动物与植入式刺激,呼吸练习降低人体炎症因子的证据薄弱;内源性肽的动力学在本书只是示意。
参考文献
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).