19/06/2017

Interazione a distanza cervello-cervello: una relazione globale o differenziale?

William Giroldini1,2, Luciano Pederzoli1,2, Marco Bilucaglia1, Elena Prati1 and Patrizio Tressoldi2
1
EvanLab, Firenze, Italy
2
Science of Consciousness Research Group, Dipartimento di Psicologia Generale, Università di
Padova, Italy

Corresponding author:
Patrizio Tressoldi
Email: patrizio.tressoldi@unipd.it

1
 Riassunto

L’obiettivo principale di questo studio esplorativo era di confermare i risultati positivi ottenuti
dalla ricerca EEG correlates of social interaction at distance di Giroldini, Pederzoli, Bilucaglia,
Caini, Ferrini, Melloni, Prati e Tressoldi (2016) relativa alla possibilità di individuare una
connessione a distanza fra l’attività EEG di due soggetti completamente isolati, di cui uno
stimolato con luce e suoni.

Con questo lavoro si volevano inoltre trovare risposte alle domande:

- Qual è il rapporto tra l’intensità (o la potenza) del segnale osservato nell’attività EEG del
partner stimolato e quella del partner isolato a distanza?
- La relazione tra l’attività EEG del partner stimolato e quella del partner isolato a distanza
è globale, cioè è una risposta indifferenziata, oppure è differenziata e quindi evidenzia dei
cambiamenti a seconda delle caratteristiche delle stimolazioni applicate al partner
stimolato?

Dai risultati ottenuti dall’analisi di venti coppie abbiamo notato un aumento di correlazione
(nelle gamme di frequenza tipiche dell’attività EEG) tra i canali EEG dei partner isolati a
distanza, che corrispondono alle frequenze di stimolazione del partner stimolato. Inoltre abbiamo
scoperto che questa relazione non è correlata con l’intensità della risposta del partner stimolato.

Parole chiave: EEG, interazione a distanza, Generalized Quantum Theory

2
 Introduzione

La possibilità che l’attività cerebrale di due persone in contatto mentale ed emotivo evidenzi delle
correlazioni a distanza, cioè senza nessuna possibilità di collegamento sensoriale convenzionale, è
ormai sostenuta da circa trenta studi (vedere Tabella S1 nello studio di Giroldini et al., 2016).
Tipicamente, in questi studi, un membro della coppia viene stimolato con informazioni strutturate,
ad esempio un’immagine, o non strutturate, ad esempio luci o suoni, e si misura la correlazione tra
la sua attività EEG e quella del partner sensorialmente isolato a distanze che possono variare da
pochi metri a molti chilometri. Per esempio, se nell’EEG del partner sensorialmente isolato
compare una variazione correlata con quella del partner stimolato, salvo la verifica della presenza
di eventuali artefatti, si assume che questa correlazione sia la dimostrazione di una connessione
non-locale, ovvero a distanza, tra i due cervelli.

Anche se fenomenologicamente questa correlazione sembra dimostrare un effetto causale del

partner stimolato su quello sensorialmente isolato, alcuni autori ritengono che invece possa
trattarsi di una forma di entanglement biologico simile a quello che si osserva in fisica quantistica
- vedere ad esempio Walach, Tressoldi, & Pederzoli (2016) - e quindi si tratti di una correlazione
acausale.

Allo stato attuale di questo filone di ricerca, però, non si è ancora approfondita la relazione tra la
qualità e l’intensità del segnale nel partner stimolato (PS) e gli stessi parametri osservati nel
partner isolato a distanza (PNS), salvo constatare che in quest’ultimo il segnale è molto più debole
(circa di un fattore dieci).
Questo studio è un contributo esplorativo per approfondire questa relazione. In particolare si è
voluto rispondere a queste due domande:

- - Qual è il rapporto tra l’intensità (o la potenza) del segnale osservato nell’attività EEG del
partner stimolato e quella del partner isolato a distanza?
- - La relazione tra l’attività EEG del partner stimolato e quella del partner isolato a distanza
è globale, cioè è una risposta indifferenziata, oppure è differenziata e quindi evidenzia dei
cambiamenti a seconda delle caratteristiche della stimolazione somministrata al partner
stimolato?

Rispondere alla prima domanda è importante per capire se vi sia o no una correlazione tra
l’intensità del segnale misurato nell’attività EEG del partner stimolato e quella del segnale
misurato nell’attività EEG del partner isolato, con tutte le ricadute per affinare l’identificazione di
questa relazione anche a livello di singole coppie di partecipanti, e non solo di gruppo.

Rispondere alla seconda domanda, invece, è importante per identificare quali caratteristiche
fisiche del segnale possono essere individuate in questa strana correlazione a distanza, per
eventuali futuri sviluppi e applicazioni anche tecnologiche.

Materiali e Metodi

Partecipanti
Hanno preso parte a questo studio cinque adulti, due femmine e tre maschi, con un’età media di
38,3 anni (SD= 7,5) selezionati per la loro esperienza in tecniche di controllo mentale -
prevalentemente di meditazione - e per la loro amicizia reciproca. Questi requisiti sono da noi
ritenuti fondamentali per favorire un adeguato “collegamento mentale ed emotivo” tra le coppie.
Ogni partecipante ha svolto sia il ruolo di partner stimolato (PS) che di partner non stimolato

3
(PNS) con ciascuno degli altri partecipanti, per un totale di 20 coppie.

Dichiarazione di eticità
L’utilizzazione dei partecipanti è in accordo con le linee-guida etiche risultanti dalla
Dichiarazione di Helsinki e lo studio è stato approvato dal Comitato Etico del Dipartimento di
Psicologia Generale dell’Università di Padova – prot. N. 63, 2012. Prima di partecipare
all’esperimento, ciascun partecipante ha dato il proprio consenso scritto dopo aver letto una
breve descrizione dell’esperimento stesso.

Apparecchiature EEG
Sono stati utilizzati due strumenti EEG del tipo Emotiv Epoc™ modificati in modo da connettersi,
tramite connettore multi-contatto, a cuffie professionali marca Bionen, Firenze (vedere Figura 1),
al fine di rilevare segnali EEG di alta qualità. Tutto il sistema è stato perfettamente verificato in
termini di correttezza e qualità dei segnali registrati. La frequenza di campionamento era di 128
campionamenti/s su 14 canali connessi alle locazioni Fp1, F3, C3, P3, O1, F7, T5, Fp2, F4, C4,
P4, O2, F8, T6. Gli strumenti erano dotati di un filtro digitale sincrono passa-basso incorporato di
quinto ordine (banda passante da 0,2 to 45 Hz) e inoltre di due filtri elimina-banda,
rispettivamente a 50 e 60 Hz, contro i disturbi prodotti dalla rete elettrica locale.

L’acquisizione dei segnali da parte dei due strumenti EEG era controllata da un software
appositamente realizzato per assicurare la sincronizzazione dell’acquisizione con una precisione
migliore di 1/128 di secondo e garantiva una completa indipendenza e separazione elettrica fra i
due strumenti (vedere Giroldini et al., 2016).
La sperimentazione è stata condotta presso il laboratorio EvanLab di Firenze, costituito da due
stanze ben isolate dal punto di vista acustico-ottico e prive di disturbi elettromagnetici (vedere
Figura 2).

Figura 1: cuffia EEG ed Emotiv Epoc modificato. Figura 2: pianta del laboratorio EvanLab di Firenze.

Stimolazione visivo-uditiva
Sono state effettuati tre blocchi di 32 stimolazioni simultanee visivo-uditive della durata di un
secondo e modulate contemporaneamente on-off rispettivamente a 10 Hz, 12 Hz e 14 Hz, con un
intervallo interstimolo costante di 4 secondi.
La modulazione audio è stata effettuata su di una portante sinusoidale (80 dB) a 900 Hz.
Questa modalità di somministrazione degli stimoli, con frequenza di modulazione compresa tra 4
e 20 Hz, viene anche denominata “steady-state” (Pastor, Artieda, Arbizu, Valencia, & Masdeu,
2003; Picton, John, Dimitrijevic, & Purcell, 2003).
L’intervallo fra i tre blocchi di stimoli era invece variabile casualmente fra 40 e 90 secondi.
Lo stimolo visivo era fornito tramite una matrice di 16 LED rossi posta a circa 30 cm dagli occhi

4
(chiusi) del PS, mentre il suono era inviato direttamente alle sue orecchie tramite auricolari da 32
ohm. I tre blocchi di frequenze sono stati somministrati in modo casuale, ma senza ripetizione
della medesima frequenza.
I dati grezzi sono disponibili qui: http://tiny.cc/owzyly

Procedura
Il PS ha ricevuto le seguenti istruzioni: “Quando sarai pronto, rilassati e preparati a ricevere
una stimolazione visiva e uditiva da inviare al/alla tuo/a partner, insieme ad emozioni positive,
per via mentale. Limita contemporaneamente i movimenti del corpo per evitare interferenze con
la tua attività EEG. Percepirai tre blocchi formati ciascuno da 32 stimolazioni della durata di 1
secondo, intervallate da lunghe pause di durata casuale, per evitare che tu ti abitui ad un ritmo
definito. L’esperimento durerà circa 15 minuti”
Il PNS ha ricevuto le seguenti istruzioni: “Quando sarai pronto, con emozioni positive rilassati
ed entra in connessione mentale con il/la tuo/a partner, che riceve stimolazioni visive e uditive.
Limita al massimo i movimenti del corpo per evitare interferenze con la tua attività EEG.
L’esperimento durerà circa 15 minuti”.
Al termine di ciascuna rilevazione di coppia i ruoli del PS e del PNS sono stati invertiti.

Temporizzazione degli stimoli.

Le verifiche effettuate a posteriori sul processo di acquisizione dei dati hanno evidenziato che
tuttavia sussisteva un lieve ritardo di attuazione dello stimolo rispetto all’istante teorico di
stimolazione. Tale ritardo è provocato dalle caratteristiche di esecuzione del software da parte del
sistema operativo utilizzato (Windows 10). Il ritardo ammonta a circa 10 campionamenti (circa
0,08 secondi) e si può facilmente compensare durante l’analisi dei dati. Oltre al ritardo costante,
appare tuttavia anche uno “sfarfallio” del ritardo stesso, di più o meno 3 campionamenti, a causa
del fatto che Windows è un sistema operativo multitasking e quindi qualsiasi programma, quando
viene eseguito, “entra in competizione” con almeno una decina di altri programmi nascosti che il
microprocessore esegue contemporaneamente. Questo sfarfallio è comunque piccolo e non causa
particolari problemi. L’immagine di Figura 3 è stata ottenuta rilevando i segnali provenienti da un
fotodiodo posto davanti ai LED di stimolazione, per ricavare dei riferimenti temporali riportati poi
agli ingressi dell’Emotiv Epoc™. In questo modo è possibile compensare completamente il
ritardo.

Figura 3. Il segnale ottenuto ponendo un fotodiodo BPW34 davanti all'illuminatore documenta il ritardo fra il
comando dello stimolo e la sua attuazione (circa 10 campionamenti, ovvero circa 0,08 secondi). Per tenerne conto
basta sommare quel tempo all'inizio del periodo di stimolazione. Nell’immagine lo stimolo era a 12 Hz. A destra
schema della collocazione dei 14 elettrodi EEG

5
 Analisi dei dati
Poiché ogni registrazione conteneva 32 stimolazioni per ognuna di tre frequenze diverse, ciascuna
delle tre è stata analizzata separatamente, per poter applicare delle elaborazioni omogenee ad
ognuna. Un primo tipo di analisi utilizzata è stata la FFT (Fast Fourier Transform), applicata ad un
periodo di 1 secondo di pre-stimolo, 1 secondo di stimolo e 1 secondo di post-stimolo, quindi
mediata su tutti gli stimoli (32 per ciascuna frequenza in ognuno di 20 file).
Poi sono state calcolate le FFT differenziali, ovvero le differenze fra il periodo di stimolo ed il
periodo di pre-stimolo. Il periodo di post-stimolo è stato ignorato (vedere Figure 4, 5 e 6).
In generale, nei soggetti direttamente stimolati, nella FFT compaiono dei picchi alla frequenza di
stimolo (10, 12 e 14 Hz), i quali, tuttavia, sono solo del 10-15% maggiori rispetto all’attività di
base, come evidenziato dai grafici ottenuti. Vale a dire che l'effetto della stimolazione non è così
forte da essere visibile senza opportune elaborazioni. Proprio per evidenziare meglio gli effetti,
sono state calcolate le differenze fra le due situazioni (stimolo e pre-stimolo) e, amplificando tali
differenze, si distinguono bene le frequenze di stimolazione.
Per tutte e tre le frequenze di stimolazione si osserva una forte riduzione della frequenza Alfa
spontanea dei soggetti (effetto Alpha-block tipico e ben noto).

Figura 4. Sulla sinistra FFT (fra 1 e 42 Hz) dei periodi di pre-stimolo, stimolo e post-stimolo. A destra i grafici
differenziali, in cui si evidenzia la caduta dell'Alfa spontaneo e la presenza della frequenza di stimolo (10 Hz) e anche
di due sue armoniche, 20 e 30 Hz. Notare che il grafico in alto a destra rappresenta sostanzialmente il valore assoluto
della differenza tra stimolo e pre-stimolo, mentre il grafico in basso a destra rappresenta la differenza con segno.

Figura 5. Sulla sinistra FFT (fra 1 e 42 Hz) dei periodi di pre-stimolo, stimolo e post-stimolo. A destra i grafici
differenziali, in cui si evidenzia la caduta dell'Alfa spontaneo e la presenza della frequenza di stimolo (12 Hz), nonché
della sua prima armonica, a 24 Hz.

6
 Figura 6. Sulla sinistra FFT (fra 1 e 42 Hz) dei periodi di pre-stimolo, stimolo e post-stimolo. A destra i grafici
differenziali, in cui si evidenzia la caduta dell'Alfa spontaneo e la presenza della frequenza di stimolo (14 Hz)
nonché la sua prima armonica, 28 Hz.

Solo nei PS compare anche un piccolo picco a 28 Hz che sappiamo essere dovuto ad un debole
disturbo a 50 Hz originato dall’alimentatore della matrice di LED per la stimolazione visiva.
Tuttavia quei 28 Hz vengono eliminati nella FFT differenziale. Per quanto riguarda i PNS, i grafici
equivalenti a quelli delle Figure 4, 5 e 6 non mostrano alcun picco significativo alle frequenze di
stimolo.

Analisi mediante metodo GW6 e calcolo della potenza del segnale filtrato.

Analisi dei segnali EEG nei PS

Tutti i segnali EEG sono stati pre-elaborati seguendo il metodo GW6 descritto in Giroldini et al.,
2016, vale a dire un filtraggio fra 1 e 20 Hz seguito dalla normalizzazione dei segnali filtrati.
Quindi nei PS è stato identificato l’ERP classico tramite semplice media, calcolandone
successivamente la potenza, ed infine è stata ricavata anche una misura di correlazione multipla tra
i canali EEG secondo il metodo GW6.

Ricordiamo l'essenza di tale metodo: esso si basa sul calcolo della correlazione lineare di Pearson
tra tutte le coppie possibili di segnali, all’interno delle quali vengono ricavate coppie di segmenti
di dati di durata fissa pari a circa 250 ms. Queste coppie di segmenti vengono fatte scorrere lungo
l’asse del tempo (sliding windows) dei due grafici, generando una serie di curve R(I, X), dove I
sono le combinazioni di coppie (I = 91 in questo caso) e X è il tempo. Successivamente questa
serie di curve viene elaborata in modo da ottenere un unico grafico Sync(x), che rappresenta
sostanzialmente le variazioni globali di correlazione (o sincronizzazione) fra tutti i canali EEG,
prendendo come riferimento opportuni periodi pre-stimolo e post-stimolo.
Questo metodo è stato applicato ad ogni periodo di stimolo prendendo in esame 4 secondi di dati
(1,5 secondi di pre-stimolo, 1 secondo di stimolo e 1,5 secondi di post-stimolo).
I segnali EEG sono stati filtrati a banda stretta (1 Hz di banda), centrata alla frequenza di
stimolazione (cioè a 10 Hz, 12 Hz, 14 Hz - Vedere Figure 7, 8 e 9). Il grafico GW6, la potenza
dell’ERP e la potenza dei segnali sono stati calcolati come media di tutte le stimolazioni e di tutti i
soggetti.
È degno di nota il fatto che la massima risposta nel PS non si è verificata alla frequenza di
stimolazione, ma in una banda di frequenza più bassa (1÷6 Hz), tuttavia noi eravamo interessati
principalmente all’analisi della risposta alla frequenza di stimolazione steady-state.

7
 Figura 7 Figura 8 Figura 9
In Figura 7 media di 32 stimoli su 20 file di segnali dei soggetti stimolati, filtrati rispettivamente nelle bande 9,5÷10,5
Hz, 11,5÷12,5 Hz e 13,5÷14,5 Hz (quindi centrate a 10, 12 e 14 Hz).

Dall'insieme dei grafici ottenuti con il metodo GW6 e presentati nelle Figure 7, 8 e 9 in genere è
possibile identificare bene la normale risposta agli stimoli, per esempio la potenza dell’ERP
classico, oppure la potenza del segnale. È inoltre importante sottolineare che il massimo di
risposta nei PS si ottiene effettivamente filtrando il segnale intorno alla frequenza di stimolo (per
esempio 9,5÷10,5 Hz per la frequenza steady-state di 10 Hz).
Se si filtra in una banda anche di poco spostata (per esempio 10,0÷11,0 Hz), la risposta diminuisce
sempre. In sintesi, nei PS il massimo di risposta steady-state coincide esattamente con la frequenza
di stimolazione.

Dalle Figure 7, 8 e 9 si può notare che l’altezza della curva aumenta passando da 10 a 12 e poi a
14 Hz, probabilmente perché la frequenza di stimolazione si allontana da quella dei segnali
spontanei in banda Alfa (8÷12 Hz circa). La linea rossa continua mostrata insieme alla curva (in
verde) generata dal metodo GW6 rappresenta l'aspettativa casuale (calcolata con un metodo
descritto più avanti). In tutti i casi si vede che il grafico GW6 supera di gran lunga la “curva di
zero” casuale. In particolare, utilizzando il semplice calcolo della potenza del segnale filtrato a
banda stretta (1 Hz di banda) a 10 Hz, 12 Hz e 14 Hz, è possibile classificare, quasi sempre
correttamente, la frequenza di ciascuno dei tre gruppi di stimoli somministrati ai PS.

Analisi dei segnali EEG nei PNS

L'analisi dei dati ricavati dai PNS non evidenzia, nei grafici della FFT differenziale equivalenti a
quelli delle Figure 4, 5 e 6, alcun picco significativo alle frequenze di stimolazione. Inoltre non si
evidenzia, mediamente, nessun picco simile ad un ERP classico, neppure prendendo in esame la
potenza. Nella potenza del segnale EEG esistono solo deboli e variabili fluttuazioni e manca
quindi una risposta che si possa considerare sicuramente correlata a quella ottenuta nei PS.

L'unico grafico che mostra una variazione non trascurabile rispetto all’attività EEG di base è
quello ricavato tramite il metodo GW6, ottenuto effettuando la filtrazione in una banda centrata
mezzo Hz al di sotto di quella dello stimolo. Per esempio, per identificare una variazione
significativa nella banda attorno ai 10 Hz, si deve filtrare nella banda tra 9,0 e 10,0 Hz, centrata a
9,5 Hz. Lo stesso avviene con le altre frequenze di stimolazione. Questo spostamento di frequenza

8
nella risposta dei PNS non sembra dovuto al software di analisi, perché lo stesso software, se
viene applicato ai PS, presenta il massimo esattamente alla frequenza di stimolazione.

Figura 10 Figura 11
Media di 32 stimoli per 20 file; filtr. in banda 9÷10 Hz Media di 32 stimoli per 20 file; filtr. in banda 11÷12 Hz

Figura 12 Figura 13
Media di 32 stimoli per 20 file; filtr. in banda 13÷14 Hz Media di 96 stimoli per 20 file; filtr. a 9,5, 11,5 e 13,5 Hz

Le Figure 10, 11 e 12 presentano l’elaborazione dei dati relativi alle frequenze di 10, 12 e 14 Hz,
mentre il grafico di Figura 13 è l’elaborazione complessiva relativa a tutte e tre le frequenze. Si
nota che le curve dell'ERP classico e della potenza dell'ERP sono praticamente piatte.
Solo il metodo GW6 mostra scostamenti significativi dall’attesa casuale (curva in colore rosso),
con la sola eccezione della curva elaborata a 12 Hz.

Con il metodo GW6 il principale problema pratico - perché richiede molto tempo di elaborazione -
è rappresentato dal calcolo del valore casuale atteso (curva rossa di riferimento).
La procedura per calcolare la curva del valore casuale è descritta in Giroldini et al. (2016).

9
In breve, questa procedura consiste nel prendere tutti i file dei PNS e nell’assegnare loro in modo
casuale, nello stesso numero degli stimoli reali, i momenti in cui si “verifica” lo stimolo e
nell’applicare poi l’analisi GW6.
Questa operazione è stata effettuata 60 volte per ogni file e i risultati ottenuti sono stati salvati in
un insieme di dati chiamato “di bootstrap”.

A questo punto sono stati selezionati a caso gruppi di 20 file di bootstrap (tanti quanti il numero
delle coppie) e la loro media è stata rappresentata in un grafico, quindi è stato calcolato il valore
massimo e l'area della curva nel periodo compreso fra l'inizio e la fine dello stimolo.
Se questi due valori superavano quello corrispondente della curva sperimentale (in verde), allora
veniva incrementato un contatore.
Ripetendo tale operazione almeno 1000 volte, è stato possibile stimare direttamente la probabilità
che un insieme di file di bootstrap potesse casualmente uguagliare o superare la media
sperimentale.

Nelle Figure 10, 12 e 13 la curva verde che rappresenta l’andamento della correlazione tra tutti i
canali EEG, all’interno del periodo di stimolazione (1 secondo), supera sempre la curva rossa
(valore casuale atteso).
Tuttavia alla frequenza di stimolazione di 12 Hz il risultato nei PNS equivale all’aspettativa
casuale. Come descritto sopra, ci sono due modi per calcolare la risposta in base al grafico GW6:
il primo è il valore massimo della curva nella zona di stimolazione e il secondo è l’area sottostante
alla curva nella zona di stimolazione. La prima misura è più significativa se la risposta è
concentrata in un breve intervallo di tempo (ad esempio 300÷500 ms) e infatti questo è il nostro
caso, in base ai dati sperimentali. Di conseguenza abbiamo scelto di calcolare la probabilità
statistica utilizzando il valore massimo della curva nella zona di stimolazione (vedere Tavola 1).
I risultati numerici sono sintetizzati nella Tabella 1.
Tabella 1. Valori del massimo della curva in funzione delle frequenze di stimolazione e relativi valori di bootstrap
ottenuti con il metodo GW6, con conseguente probabilità statistica. Questi valori sono espressi come Correlazioni di
Pearson moltiplicate per 100.
Frequenza di stimolazione Valore massimo Massimo della curva di bootstrap Probabilità stimata

10 Hz 2,47 1,25 ≈ 0,013

12 Hz 1,39 1,25 ≈ 0,5
14 Hz 2,58 1,25 ≈ 0,005
Le tre frequenze insieme 1,41 0,76 ≈ 0,03

Il calcolo della probabilità mostra risultati al di sotto della soglia convenzionale di 0,05 alle
frequenze di stimolazione di 10 Hz e 14 Hz, nonché per l’insieme delle tre frequenze.
Un altro modo per analizzare i risultati consiste nel fare la media dei venti valori individuali di
massima correlazione con i valori ottenuti per mezzo della procedura di bootstrap.
Abbiamo scelto un test t Bayesiano ad un solo campione facente parte del JASP 0.8.1.2 (Jasp
Team, 2017), con il valore privilegiato di Cauchy prestabilito di 0,76.
I dati grezzi sono disponibili qui: http://tiny.cc/owzyly
I risultati vengono presentati nella Tavola 2.

Tavola 2. Statistiche descrittive e Bayes Factor H1/H0 relativi al valore massimo di correlazione dei venti PNS,
stimato con l’algoritmo GW6, al confronto con i valori prodotti dal caso stimati con la procedura bootstrap.
Media (Deviaz. Standard) Valore di bootstrap BFH1/H0
Correlazione massima a 10Hz 4,42 (2,15) 1,25 16154
Correlazione massima a 12Hz 3,15 (2,4) 1,25 35,1
Correlazione massima a 14Hz 3,94 (2,83) 1,25 151,9

10
I valori del Bayes Factor suggeriscono chiaramente che per tutte e tre queste frequenze la
probabilità che i valori medi della massima correlazione osservata nei venti soggetti superi il
valore di bootstrap varia tra 35/1 per la frequenza di 12 Hz e 16154/1 per quella di 10 Hz.

Come specificato nell’introduzione, il secondo scopo di questo studio era di indagare la relazione
tra l’intensità (o la potenza) dei segnali EEG osservati tra il PS e il PNS isolato e distante.

Questa relazione è stata analizzata tramite semplici correlazioni binarie tra i valori delle massime
correlazioni delle coppie PS-PNS ottenuti con l’algoritmo GW6.
I valori delle correlazioni di Spearman vengono presentati nella Tavola 3.

Tavola 3 - Valori delle correlazioni di Spearman tra i massimi di correlazione dei PS e dei PNS per ciascuna delle tre
frequenze utilizzate.
SP 10 Hz SP 12 Hz SP 14 Hz
NSP 10 Hz -0,37
NSP 12 Hz 0,21
NSP 14 Hz -0,13

È evidente che i valori delle correlazioni sono molto bassi, spaziando tra un minimo di -0,37 e
un massimo di 0,21 e indicando una correlazione praticamente assente tra l’intensità dei segnali
delle coppie di partecipanti.

Nel valutare i risultati è molto importante determinare non solo la significatività statistica, ma
anche, e soprattutto, la dimensione dell’effetto (effect size), ovvero l'entità del fenomeno sotto
esame.

Per quanto riguarda i dati dei PS, durante lo stimolo la variazione della correlazione di Pearson fra
le diverse combinazioni di elettrodi, calcolata secondo il metodo GW6, è maggiore di circa il 10-
15% rispetto al periodo di pre-stimolo, Perciò, riguardo a questi Steady State Potentials indotti da
stimolazioni dirette, non serve alcuna analisi statistica per dedurre l’estrema significatività di tale
differenza rispetto al valore casuale atteso.

Nel caso di una risposta nell’attività EEG indotta da connessione mentale a distanza nei PNS è
invece naturale attendersi un effect-size decisamente minore, che si può stimare come differenza
fra il massimo sperimentale di ogni curva e quella di bootstrap, ad esempio: 2,47-1,251 = 1,219
(Tabella 1, riga 1). Il risultato varia tra circa 0,6 % e 1,2 %, ma il valore relativo al singolo PNS va
oltre il 2%.
Questo dato è in accordo con i risultati del lavoro di Giroldini et al. (2016) nel quale, per la
stimolazione, sono state sempre utilizzate una frequenza acustica sinusoidale di 500 Hz e la stessa
luce rossa LED, ma ambedue non modulate. Questa nuova sperimentazione, condotta con
modalità steady-state, conferma i risultati della precedente ricerca.

Discussione

L’obiettivo principale di questo studio era quello di ottenere sia una conferma dei risultati
precedenti sia maggiori informazioni sulle caratteristiche dei segnali EEG generati dalla
connessione mentale a distanza tra coppie di persone, In particolare, come indicato
nell’introduzione, si volevano ricavare informazioni sia sul rapporto tra l’intensità (potenza) del
segnale osservato nell’attività EEG del PS e quella del PNS a distanza sia sull’eventualità che la
relazione tra l’attività EEG del PS e quella del PNS a distanza fosse indifferenziata (cioè globale),

11
oppure differenziata, evidenziando di conseguenza variazioni dipendenti dal tipo di stimolazione
del PS.

Per quanto riguarda la relazione tra l’intensità dei segnali dell’attività EEG dei PS e dei PNS, i
nostri risultati suggeriscono che tale relazione non esiste, quindi che questo parametro non può
essere comunicato a distanza.

D’altra parte i nostri risultati confermano la relazione tra le caratteristiche dei segnali EEG dei PS
e dei PNS almeno per quanto riguarda il parametro frequenza nella banda tra 10 e 15 Hz, quando
si considerano i valori massimi di correlazione stimati con l’algoritmo GW6.
Infatti, in alcuni test preliminari, il PS è stato stimolato con due frequenze – 15 e 18 Hz – applicate
100 volte. Dall’analisi delle registrazioni EEG abbiamo trovato risultati significativi per ambedue
(vedere Appendice).

A questo stadio della ricerca non siamo in grado di identificare con accuratezza le aree cerebrali
più sensibili agli stimoli remoti, anche se riteniamo che ciò possa essere dovuto ad una limitatezza
dei nostri strumenti di analisi matematica nel distinguere il segnale utile dal forte rumore di fondo.

Occorre ripetere che questo è uno studio esplorativo e quindi i risultati sono stati ottenuti dopo una
serie di scelte post-hoc, e non programmate, come ad esempio l’estensione della banda di
filtrazione (1 Hz piuttosto che 1,2 o 0,8 Hz), l’ampiezza della finestra di scorrimento del metodo
GW6, ecc.

Tuttavia, nonostante i suoi limiti, da questo studio emergono delle informazioni che, se
confermate, sono in grado di fornire dettagli importanti sulla relazione tra l’attività EEG di due
partner connessi a distanza mentalmente.
In sintesi, possiamo provvisoriamente affermare che l’attività EEG registrabile nei PNS genera
una debole risposta con un rapporto segnale-rumore attorno all’1% e che si modifica poco in
funzione dell’intensità del segnale indotto nell’attività EEG dei PS.
Possiamo anche affermare che la risposta nei PNS sembra essere specifica riguardo alle frequenze
di stimolo indotte nei PS.

Il metodo GW6 sembra adatto a questo scopo, ma riteniamo siano necessari strumenti ancora più
raffinati, ad esempio basati su algoritmi di machine learning (Müller et al,, 2008; Stober, Sternin,
Owen, & Grahn, 2016), in particolare se vogliamo rivelare i segnali al livello del singola
stimolazione e non, come abbiamo fatto finora, dopo ripetizioni multiple della stimolazione stessa.

È quindi lecito ipotizzare che la connessione mentale a distanza possa permettere di trasmettere
alcune informazioni relative alle caratteristiche informative dei segnali condivisi e non quelle
relative alle loro caratteristiche fisiche, il che sembra plausibile, dato che non è ipotizzabile
nessuna trasmissione di informazioni basata sulle classiche onde elettromagnetiche.

12
 Bibliografia

Giroldini, W., Pederzoli, L., Bilucaglia, M., Caini, P., Ferrini, A., Melloni, S., Prati, E., Tressoldi,
P. (2016). EEG correlates of social interaction at distance. F1000Research, 4, 457.
https://doi.org/10.12688/f1000research.6755.5

Giroldini, W., Pederzoli, L., Bilucaglia, M., Melloni, S., & Tressoldi, P. (2016). A new method to
detect event-related potentials based on Pearson’s correlation. EURASIP Journal on
Bioinformatics and Systems Biology, 11. https://doi.org/10.1186/s13637-016-0043-z

JASP Team. (2016). JASP. Version 0.8. 1.1. Computer software. https://jasp-stats.org

Müller, K.R., Tangermann, M., Dornhege, G., Krauledat, M., Curio, G., & Blankertz, B. (2008).
Machine learning for real-time single-trial EEG-analysis: From brain–computer interfacing
to mental state monitoring. Journal of Neuroscience Methods, 167(1), 82–90.
https://doi.org/10.1016/j.jneumeth.2007.09.022

Pastor, M. A., Artieda, J., Arbizu, J., Valencia, M., & Masdeu, J. C. (2003). Human Cerebral
Activation during Steady-State Visual-Evoked Responses. Journal of Neuroscience, 23(37).

Picton, T. W., John, M. S., Dimitrijevic, A., & Purcell, D. (2003). Human auditory steady-state
responses: Respuestas auditivas de estado estable en humanos. International Journal of
Audiology, 42(4), 177–219. https://doi.org/10.3109/14992020309101316

Stober, S., Sternin, A., Owen, A. M., & Grahn, J. A. (2016). Deep Feature Learning for EEG
Recordings. arXiv. Retrieved from http://arxiv.org/abs/1511.04306

Walach, H., Tressoldi, P., & Pederzoli, L. (2016). Mental, behavioural and physiological nonlocal
correlations within the Generalized Quantum Theory framework. Axiomathes, 26(3), 313–
328. https://doi.org/10.1007/s10516-016-9290-6

13
 Appendice

Questa è la sintesi della ricerca preliminare per preparare lo studio che rappresenta l’oggetto di
questo lavoro. La ricerca preliminare ha consentito di scegliere meglio le frequenze da utilizzare
per lo studio definitivo e di migliorare le condizioni sperimentali, tanto che poi le rilevazioni
definitive effettuate si sono rivelate di ottima qualità.
È stato utilizzato lo stesso metodo sperimentale descritto in Materiali e Metodi, ma con alcune
semplificazioni, che hanno consentito di fare un elevato numero di test in un tempo
complessivamente ridotto: in particolare sono stati registrati solo gli EEG dei PNS. Inoltre gli
stimoli (circa 100 per ogni PS) sono stati forniti con modalità steady-state alle frequenze di
modulazione di 15 Hz e 18 Hz,
La separazione sensoriale ed elettrica fra i due soggetti era buona, ma talvolta rumori esterni
potevano arrivare ad entrambi i partecipanti. Poiché gli stimoli applicati sono stati molti e
modulati on-off, riteniamo che questi rumori occasionali non abbiamo influito in modo
significativo sui risultati finali.
Sono state sottoposte a rilevazioni 20 coppie di soggetti abbastanza ben affiatati
(prevalentemente amici) e i risultati ottenuti sono descritti nelle Figure S1 ed S2, che mostrano
solo i grafici forniti dal metodo GW6, in quanto i valori relativi alla potenza e agli ERP classici
si sono subito mostrati non significativi (come nei grafici delle Figure 10, 11, 12 e 13,)

Fig, S1 Fig, S2
Media di 32 stimoli per 20 file; filtraggio 14,5÷15,5 Hz Media di 100 stimoli per 20 file; filtraggio 17,5÷18,5 Hz

I grafici delle Figure S1 ed S2 mostrano un eccesso di risposta (curva verde) rispetto

all’aspettativa casuale (curva rossa).

Tabella S1. Risultati numerici e probabilità.

Frequenza di Valore massimo Valore massimo della Numero delle Stima della
stimolazione della curva curva di bootstrap stimolazioni probabilità statistica
15 Hz 1,487 0,726 100 x 20 ≈ 0,001
18 Hz 1,241 0,726 100 x 20 ≈ 0,06

Tenendo conto di questi risultati, abbiamo deciso di effettuare le rilevazioni definitive a

frequenze sensibilmente minori di 18 Hz, considerando che la connessione tra PS e PNS a questa
frequenza cominciasse ad essere apprezzabilmente più debole.
Abbiamo voluto inserire una delle frequenze (10 Hz) in piena gamma Alfa, per capire se fosse
distinguibile rispetto al “rumore” EEG tipico di tale gamma.
Le altre due frequenze (12 e 14 Hz) sono in una gamma teoricamente poco disturbata dalle onde
Alfa e abbastanza basse da non subire una seria attenuazione nei PS.

14