Posts in Uncategorized

174x60-Sarmadtec-mynew-سرمد-تک-دستگاه-نوروفیدبک-نقشه-مغزی-QEEG-دستگاه-EEG-خرید-دستگاه-EEG.png

EEG و سیگنال Cute Aggression

November 28th, 2020 Posted by Uncategorized 0 thoughts on “EEG و سیگنال Cute Aggression”

Cute aggression چیست؟و چطور از طریق سیگنال EEG میتوان آن را تشخیص داد؟

وقتی یک چیز بامزه (cute) میبینید، چه احساسی بهتون دست میده؟ اگر بتونید به آن چیز بامزه دست بزنید احساساتتان را چگونه بروز میدهید؟

برخی از ویژگیهای بچه ها یا بعضی از اسباب بازی ها می توانند روی توجه، احساسات و رفتار ما اثر بگذارند. ویژگیهای شیرین، بامزه و معصوم و دوست داشتنی کودکان یا بعضی بچه های حیوانات و یا برخی اسباب بازی ها، در ما احساس مراقبت گری و نگه داشتن آن شخصیت بامزه و شیرین با چشمان معصوم و درشت که مظلومانه به ما نگاه می کند را برانگیخته میکند. اما آیا شما تجربه ی احساسات دیگری را نیز در این حالت متوجه می شوید؟ اشتیاق به نیگشون گرفتن، چلاندن، گاز گرفتن و فشار دادن! این احساسات را مجموعا “cute aggression” میگویند.

Cute aggression را می توان مثالی از بیان دو وجهی هیجانات در نظر گرفت. منظور از بیان دو وجهی زمانی است که فرد احساسات مشخصی دارد اما روش نمایش آنها به شکل متضاد است. برای مثال بازیگر نقش اصلی در فیلم جوکر در لحظات بسیار نا شاد و متناقض، شروع به خندیدن می کرد، مثلا جایی که کتک خورده بود. مثال دیگر: احتمالا همه ی شما لحظاتی را در زندگی تجربه کرده اید که از فرط خوشحالی به گریه افتاده اید که اصطلاحا به آن اشک شوق میگوییم.

یکی از توضیحات احتمالی cure aggression مکانیسم بالا به پایین برای کنترل هیجانات مثبتی است که وقتی یک چیز بامزه میبینیم ایجاد میشود. باید به خاطر داشته باشیم که استفاده از چیزهای بامزه مثل عروسک و اسباب بازی های پولیشی نرم و چلاندنی، یکی از اولین روشهایی است که با آن به کودکانمان اجتماعی شدن و ارتباطات اجتماعی ر ا یاد میدهیم

اما در مغز هنگام تجربه ی cute aggression چه اتفاقی می افتد؟

برای پاسخ به این سوال stravlopolos and alba مطالعه ی جالبی را با عنوان “آنقدر بامزه س ت که میتوانم له ش کنم! درک مکانیسم های عصبی cute aggression ” انجام دادند. این دو محقق قصد داشتند پایه های عصبی cute aggression  را از طریق آنالیزهای ERP تشخیص بدهند : N200 (وابسته به هیجانات)، stimulus preceding negativity (SPN: انتظار پاداش) ، و پردازش پاداش (RewP).

پنجاه و چهار شرکت کننده وارد آزمون شدند. ابتدا شرکت کنندگان پرسشنامه هایی در مورد بیان دو وجهی هیجانات پر کردند، در این پرسشنامه ها به سوالاتی پیرامون cute aggression ، overwhelmed by emotion, approachability, appraisal, and feelings about caretaking, در مقیاس لیکرت پاسخ دادند.

پس از آن افراد چهار بلاک 36 تایی محرک های بینایی را مشاهده کردند که شامل تصاویر مختلفی از بچه های انسان ها و حیوانات  (بامزگی بیشتر) بود. همچنین تصاویر از انسان ها و حیوانات بالغ (بامزگی کمتر) نیز وجود داشت. در پایان هر بلاک، شرکت کننده ها به سوالاتی از این دست پاسخ میداند: ” چه احساسی در مورد عکسی که چند لحظه پیش دیدند داشتند؟”. در طول نمایش محرک های بینایی، EEG آنها توسط دستگاه 32 کاناله ثبت می شد که بعد برای آنالیز های ERP  مورد استفاده قرار گیرد.

نتایج پرسشنامه بیان احساسی چند وجهی از همه جنبه های آن بررسی شد و نشان میداد  که امتیازات درمورد تصاویر بامزه خیلی بالاتر است. بچه های حیوانات (بامزگی بیشتر) باعث بر انگیختن دامنه بیشتری در N200 افراد در ERP  شده بود در مقایسه با حیوانات بالغ (بامزگی کمتر).

همچنین دامنه N200 برای حیوانات بامزه با نمره دهی های افراد به پرسشنامه بیان دو وجهی احساسات در قسمت هیجانات مثبت، بصورت معنادار مرتبط بود.

ارتباط مثبت بین دامنه RewP برای حیوانات بامزه و cute aggression  آنها، وجود داشت

sarmadtec Sarmad tec خرید دستگاه EEG نقشه مغزی QEEG دستگاه نوروفیدبک خرید دستگاه نوروفیدبک دستگاه QEEG دستگاه روانپزشکی تشخیص ADHD تشخیص autism تشخیص اتیسم EEG
sarmadtec Sarmad tec خرید دستگاه EEG نقشه مغزی QEEG دستگاه نوروفیدبک خرید دستگاه نوروفیدبک دستگاه QEEG دستگاه روانپزشکی تشخیص ADHD تشخیص autism تشخیص اتیسم EEG

می توان نتیجه گرفت که حیوانات بامزه اثر احساسی بیشتر روی ما میگذارند، با در نظر گرفتن دامنه بیشتر N200 . همچنین سیستم پاداش به نظر میرسد که بصورت قوی به بیان cute aggression مرتبط باشد و این ممکن است مثالی از بیان احساسات دو وجهی باشد. بنابر این cute aggression مکانیسم عصبی مرتبط یا برجستگی احساسات و پردازش پاداش دارد. این یافته ها احتمالا برای درمان اختلالات روانشناسی مربوط به احساسات مفید باشد. در آینده نیاز به بررسی بیشتر افراد با اختلالت کلینیکی مختلف و همچنین کودکان است چرا که این گروه ها ممکن است بیشتر به cuteness حساس باشند.

174x60-Sarmadtec-mynew-سرمد-تک-دستگاه-نوروفیدبک-نقشه-مغزی-QEEG-دستگاه-EEG-خرید-دستگاه-EEG.png

و طبقه بندی آن EEG پردازش سیگنال

November 28th, 2020 Posted by Uncategorized 0 thoughts on “و طبقه بندی آن EEG پردازش سیگنال”

 بررسی کلی تکنیک های پردازش سیگنال EEG برای تشخیص حالات ذهنی با استفاده از دستگاه الکتروانسفالوگرافی

متاسفانه تشخیص حالت ذهنی به وسیله سیگنال EEG مسئله ساده ای نیست. دلیل این اتفاق به خصوصیات سیگنال EEG مرتبط است. این سیگنال ها ناایستا، پیچیده، با ابعاد بالا و دارای نویز زیادی هستند. بنابرین تشخیص حالت ذهنی به ابزارهای پردازش سیگنال و یادگیری ماشین خاصی نیاز دارد. در این مقاله سعی بر این است که دانش پایه ای برای خواننده ایجاد شود که چگونه باید پردازش سیگنال های EEG انجام شود.

به طور کلی هدف نهایی پردازش سیگنال های دستگاه EEG، تبدیل داده های خام به کلاس های سیگنال است. برای انجام این کار دو مرحله اصلی وجود دارد:

  • استخراج ویژگی (Feature Extraction): هدف این مرحله تبدیل سیگنال به چندین متغیر مرتبط است که در حالت ایده آل تمام مشخصات سیگنال را نمایش می دهند. این متغیرها که ویژگی نیز نامیده می شوند باید با دور انداختن نویز و دیگر اطلاعات غیر مرتبط از داده های نهفته در EEG استخراج شوند تا بتوانند به خوبی حالات ذهنی را بیان کنند. ویژگی ها معمولا در برداری کنار هم قرار داده می شوند که به عنوان بردار ویژگی شناخته می شود.
  • طبقه بندی (Classification): در مرحله دوم مجموعه ای از بردارهای ویژگی در یک کلاس قرار می گیرند. این کلاس در واقع نمایش دهنده یک حالت ذهنی است. در ادامه با استفاده از الگوریتم های یادگیری ماشین و یادگیری عمیق طبقه بندی صورت می گیرد.

لازم به ذکر است که پارامترهای یک الگوریتم یادگیری ماشین بر اساس نمونه های سیگنال EEG به طور اتوماتیک تنظیم می شوند. این نمونه های سیگنال به همراه برچسب های آن ها که مشخص کننده کلاس متناظرشان می باشد مجموعه آموزش نامیده می شود. بر اساس این داده های آموزش classifier یاد می گیرد که کلاس مناسب را برای هر نمونه تشخیص دهد. این عمل برای ویژگی ها نیز به همین صورت رخ می دهد.

به عنوان مثال تسک تصور حرکتی (Motor Imagery) را در نظر بگیرید. هدف نهایی یک classifier است که بتواند تصور حرکتی دست راست و دست چپ را تشخیص دهد. بنابرین حالات ذهنی در این مثال تصور حرکتی دست راست و تصور حرکتی دست چپ است. ویژگی های معمول مورد استفاده برای تشخیص از روی سیگنال در این مثال،  ویژگی های توان در باندهای مختلف فرکانسی است که همان توان سیگنال EEG در باندهای مشخص فرکانسی می باشد.  در شکل زیر باندهای فرکانسی را می توانید مشاهده کنید.

در تصور حرکتی معمولا باندهای آلفا و بتا در کانال های موتور کورتکس (C3 و C4) استخراج می شوند. این ویژگی ها در ادامه با الگوریتم هایی مانند Support Vector Machine و Linear Discriminant Analysis طبقه بندی می شوند. روند کلی این عملیات در شکل زیر قابل مشاهده است.

174x60-Sarmadtec-mynew-سرمد-تک-دستگاه-نوروفیدبک-نقشه-مغزی-QEEG-دستگاه-EEG-خرید-دستگاه-EEG.png

همانگونه که قبلا نیز بیان شد، هدف استخراج ویژگی نمایش سیگنال های خام EEG توسط مقادیری با ابعاد کمتر و مرتبط است تا classifier ها بتوانند تشخیص دهند که کدام ویژگی ها نمایانگر هر کدام از کلاس ها هستند. سوالی که در این بخش مطرح می شود این است که چرا از داده های خام EEG مستقیما استفاده نمی شود. مسئله ای که در اینجا مطرح است مسئله ی نفرین ابعاد (curse-of-dimensionality) است. مفهوم این مسئله این است که تعداد نمونه جهت آموزش classifier به صورت نمایی نسبت به ابعاد بردار ویژگی افزایش می یابد. توصیه رایج استفاده پنج تا ده برابری تعداد نمونه برای هر کلاس نسبت به ابعاد بردار ویژگی است. برای واضح تر شدن این مسئله را با مثالی بررسی می کنیم. فرض کنید که یک trial  یک ثانیه ای با نرخ نمونه برداری 250 هرتز از 32 کانال EEG ثبت کنیم. در نتیجه به ازای هر کانال 250 بعد را ذخیره کرده ایم و ابعاد کل بردار ویژگی برابر با 32×250=8000 خواهد بود که در این صورت مقدار داده آموزش حداقل 40000 نمونه خواهد بود. واضح است که نمی توان این مقدار نمونه را از subject برای یک حالت ذهنی ثبت کرد (در نظر بگیرید که تنها یک ثانیه سیگنال در نظر گرفته شده است!). اینجاست که اهمیت استخراج ویژگی نمایان می شود.

سه منشا اصلی اطلاعات برای استخراج ویژگی از سیگنال های EEG در ادامه بررسی می شود.

  • اطلاعات مکانی (Spatial Information): این ویژگی ها مشخص می کنند که سیگنال های مرتبط از کجا آمده اند. در عمل برای این کار کانال های EEG خاصی انتخاب می شوند یا بر روی کانالهای EEG خاصی تمرکز بیشتری صورت می گیرد.
  • اطلاعات فرکانسی (Spectral Information): این ویژگی ها اختلاف توان سیگنال در باند های مختلف فرکانسی را مشخص می کنند. در عمل توان فرکانسی در باندهایی خاص استخراج می شود.
  • اطلاعات زمانی (Spectral Information): این ویژگی ها تغییر سیگنال را در حوزه زمان شرح می دهند. در عمل این کار به وسیله مقادیر سیگنال ها در نقاط زمانی مختلف یا پنجره های زمانی مختلف انجام می شود.

علاوه بر این سه منشا، موارد دیگری مانند اتصال (connectivity)، پیچیدگی (complexity) و نمایش زمانی (مانند ERP) نیز جهت استخراج ویژگی استفاده می شود.

در بسیاری از موارد، classifier از مجموعه کلی ویژگی ها تنها با استفاده از زیر مجموعه ای از آن ها به دقت تفکیک مناسبی می رسد. بنابرین می توان فقط ویژگی های مورد نیاز را استخراج کرد تا هم هزینه محاسباتی کاهش یابد و هم در صورت کم بودن داده های آموزش در دسترس، دقت تفکیک classifier افزایش یابد. برای کاهش ابعاد بردار ویژگی سه رویکرد اصلی وجود دارد:

  • انتخاب ویژگی (Feature Selection): روش هایی که به صورت خودکار زیر مجموعه ای مناسب از تمام ویژگی های استخراج شده انتخاب می کنند.
  • انتخاب کانال (Channel Selection): روش هایی که که به صورت خودکار زیر مجموعه ای مناسب از تمامی کانال ها را انتخاب می کنند.
  • فیلتر مکانی (Spatial Filtering): روش هایی که چندین کانال را در یک کانال ترکیب می کنند تا از این کانال های به دست آمده ویژگی ها استخراج شوند.

در شکل زیر روند کلی پردازش و طبقه بندی سیگنال های EEG نمایش داده شده است.

174x60-Sarmadtec-mynew-سرمد-تک-دستگاه-نوروفیدبک-نقشه-مغزی-QEEG-دستگاه-EEG-خرید-دستگاه-EEG.png

ابزارهای پردازش سیگنال زیادی برای طبقه بندی سیگنال های EEG در حالت های ذهنی مختلف در دسترس است. البته این کار به دلیل نویز بالا، ناایستا بودن و پیچیدگی سیگنال و همچنین کم بودن داده های آموزش مسئله ای دشوار است. باید ویژگی های استخراج شده از سیگنال اطلاعات مرتبط با سیگنال برای عملکرد بهتر classifier را دارا باشند و همچنین نسبت به نویز و اعوجاج مقاوم باشند.

نرم افزار Razin تمامی مراحل پیش پردازش سیگنال، استخراج ویژگی، انتخاب ویژگی، طبقه بندی و بسیاری از امکانات دیگر از جمله ERP و نمایش های تصویری مختلف به سادگی و با کمترین پیچیدگی توسط شرکت فناوران سرمد برای پژوهشگران توسعه داده شده است تا بتوانند بالاترین تمرکز خود را بر روی ایده های خود بگذارند و درگیر مسائل پیچیده پیاده سازی نشوند.

174x60-Sarmadtec-mynew-سرمد-تک-دستگاه-نوروفیدبک-نقشه-مغزی-QEEG-دستگاه-EEG-خرید-دستگاه-EEG.png

چیست؟ (QEEG) نقشه مغزی

November 23rd, 2020 Posted by Uncategorized 0 thoughts on “چیست؟ (QEEG) نقشه مغزی”

نقشه برداری کمی مغز تحلیل ریاضیاتی فعالیت های الکتریکی مغز است که به طور عمده تحلیل های طیف توان برای به دست آوردن معیارهای مربوط به عملکرد شناختی و رفتاری صورت می گیرد.

هنگامی که QEEG یک فرد با یک پایگاه داده معیار که جمعیت عمومی را نشان می دهد (پایگاه داده معیار QEEG) مقایسه می شود ، نتیجه می تواند به عنوان یک ابزار تشخیص بالینی برای برخی اختلالات مانند ADHD ، اسکیزوفرنی ، افسردگی و اختلال وسواس فکری عملی مورد استفاده قرار گیرد. در ادامه نقشه مغزی QEEG و پایگاه داده معیار تعریف می شوند و نحوه تفسیر آن ها و ابزارهای آن بررسی می شود تا خواننده بتواند یک ایده کلی از روند را به دست آورد.

نقشه مغزی (QEEG) چیست؟

EEG فعالیت های الکتریکی مغز را به وسیله الکترودهایی که بر سطح پوست سر نصب می شوند، ضبط می کند. QEEG با استفاده از روش های ریاضیاتی مخصوصا تحلیل توان فرکانسی معیارهای کمی به دست می آید که مرتبط با عملکرد شناختی و رفتاری مغز هستند. این تحلیل ها در نهایت ممکن است نشانگرهای الکتروفیزیولوژیکی اختلالاتی مانند ADHD، اسکیزوفرنی، افسردگی، آسیب مغزی و وسواس فکری عملی را فراهم کند.

بیشترین سنجه های QEEG مورد مطالعه ، توان مطلق و نسبی در باندهای فرکانسی مختلف (و نسبت های دو باند) است. در ادبیات علوم اعصاب باندهای فرکانسی دلتا ، تتا ، آلفا و بتا شناخته شده است (شکل 1) و آن ها را با حالات متمایز مرتبط می کند. برای مثال

باند دلتا: در هنگام خواب عمیق غالب است

باند تتا: در رمزگذاری و بازیابی حافظه نقش دارد و در هنگام خواب آلودگی با افزایش توان همراه است

باند آلفا: در عملکردهای حرکتی (در قشر حرکتی) و عملکرد شناختی نقش دارد

باند بتا: شاخص انتقال قشر مهاری و همراه با افزایش توان در طی تمرکز فعال همراه است

علاوه بر معیارهای قبلی QEEG که از استفاده از تجزیه و تحلیل توان فرکانسی EEG ثبت شده را در نظر می گیرد، مجموعه دیگری از معیارها شامل فعالیت در ساختارها یا نواحی مغز است. این فعالیت را می توان از ضبط های EEG با استفاده از تکنیک های محلی سازی منبع، LORETA (Low-Resolution Electromagnetic Tomography) الگوریتم پرکاربرد تخمین زد. در نتیجه، معیارهای QEEG توسط نقشه های مغزی دو یا سه بعدی جهت تفسیر نشان داده می شوند

174x60-Sarmadtec-mynew-سرمد-تک-دستگاه-نوروفیدبک-نقشه-مغزی-QEEG-دستگاه-EEG-خرید-دستگاه-EEG.png

 نقشه مغزی در سطح الکترود: مقدار مطلق توان بر حسب uV2 در باندهای مختلف فرکانسی

174x60-Sarmadtec-mynew-سرمد-تک-دستگاه-نوروفیدبک-نقشه-مغزی-QEEG-دستگاه-EEG-خرید-دستگاه-EEG.png

نقشه مغزی در سطح منشا: چگالی توان بر حسب uV2 در نواحی مغز (voxels) برای باند فرکانسی آلفا

پایگاه داده معیار QEEG چیست؟

یک پایگاه داده معیار QEEG شامل مجموعه ای از معیارها است که از EEG محاسبه شده و از تعداد زیادی از افراد جمع آوری شده است، به اندازه ای که بتواند نماینده جمعیت باشد. در این صورت این امکان وجود دارد که معیار فرد را با پایگاه داده QEEG (که به آن آزمون QEEG نیز گفته می شود) مقایسه کنیم، بنابراین مشخص خواهد شد که آیا یک نشانگر الکتروفیزیولوژیکی غیر معمولی با توجه به جمعیت وجود دارد یا خیر. در نتیجه این نشانگرها توسط یک متخصص باتجربه تفسیر می شود.

یک پایگاه داده QEEG بر روی مجموعه ای از داده های EEG در هنگام تسک های فعال یا استراحت ساخته شده است.

  • تسک فعال به ضبط EEG از شرکت کننده در حال انجام یک کار ادراکی ، حرکتی یا شناختی اشاره دارد.
  • در هنگام ضبط حالت استراحت ، شرکت کننده در حالت آرام و بیدار با چشمان بسته (EC) یا چشم باز (EO) است. این ضبط ها از مزایای سادگی و تکرارپذیری بیشتر در آزمایشگاه ها برخوردار هستند.

اصطلاح معیار به روش های تحلیلی و آماری در ایجاد پایگاه داده برای دسترسی به مقایسه های معتبر اشاره دارد:

  • معیارهای دقیق برای ورود نمونه ها: افرادی که سابقه مشکلات عصبی دارند باید از مطالعه حذف شوند و جذب افراد شرکت کننده با توجه به متغیرهای جمعیت شناختی (جنس ، سن ، پیشینه قومی ، وضعیت اقتصادی، اجتماعی و غیره) متعادل باشد. این نکات برای پایگاه داده مهم است تا بتوان آن را به کل جمعیت تعمیم داد.
  • تطبیق تقویت کننده: ویژگی های فرکانسی تقویت کننده های EEG متفاوت است (از نظر فیلتر و gain)، بنابراین پایگاه های داده باید معیارهای QEEG فرد را با توجه به این ویژگی ها تصحیح کنند تا با پایگاه داده قابل مقایسه باشد.

تقریب به توزیع گاوسی: پایگاه داده معیار با استفاده از تحلیل های مختلف معیارهای QEEG را جمع آوری می کند و به توزیع گاوسی تقریب می زند (این توزیع با میانگین و انحراف معیار مشخص می شود

174x60-Sarmadtec-mynew-سرمد-تک-دستگاه-نوروفیدبک-نقشه-مغزی-QEEG-دستگاه-EEG-خرید-دستگاه-EEG.png

 توزیع مقادیر توان مطلق و نسبی در تمامی فرکانس ها در پایگاه داده معیار نوروگاید هر دو معیار QEEG با توزیع گاوسی مطابقت دارد

نحوه تفسیر QEEG

از آنجا که معیارهای QEEG در پایگاه های داده معیار از توزیع گاوسی پیروی می کنند ، می توان با محاسبه z-score ، یک فرد را با جمعیت مقایسه کرد ، یعنی تعداد انحراف معیارهایی که معیار فرد از حد متوسط فاصله دارد. معمولاً z-score هایی با مقدار مطلق بزرگتر از 2 غیر معمول در نظر گرفته می شوند (از آنجا که 95٪ مقادیر در محدوده [2,2-] وجود دارند). مقادیر مثبت z-score نشان دهنده فعالیت بیشتر و مقادیر منفی نشان دهنده فعالیت کمتر است

174x60-Sarmadtec-mynew-سرمد-تک-دستگاه-نوروفیدبک-نقشه-مغزی-QEEG-دستگاه-EEG-خرید-دستگاه-EEG.png

نمودار توزیع گاوسی ، هر باند دارای عرض 1 z-score (1 انحراف معیار از میانگین) است.

در نتیجه ، معیارهای QEEG مانند توان مطلق یا نسبی را می توان با z-score در نقشه های مغزی دو یا سه بعدی نشان داد

174x60-Sarmadtec-mynew-سرمد-تک-دستگاه-نوروفیدبک-نقشه-مغزی-QEEG-دستگاه-EEG-خرید-دستگاه-EEG.png

نقشه های مغزی مقایسه توان مطلق و نسبی (در باند های فرکانسی مختلف) از یک فرد به نسبت جمعیت. مقیاس رنگی z-score را در محدوده [,33-] نشان می دهد. بنابراین، فعالیت بیشتر با رنگ قرمز (z-score > 2) و کمبود فعالیت با رنگ آبی (z-score <-2) نمایش داده می شود

نشانگرهای الکتروفیزیولوژیکی برای برخی اختلالات

تحقیقات زیادی متمرکز بر شناسایی نشانگرهای الکتروفیزیولوژیک برای برخی اختلالات است. بررسی های اخیر نشان داده اند که ADHD در کودکان معتبرترین نشانگرها را در بین مطالعات نشان داده است، همانند آنچه برای اسکیزوفرنی به دست می آید. افسردگی و وسواس اجباری (OCD) نیز نشانگرهای متوسط معتبری را نشان می دهند.

در ادامه چند الگوی رایج گزارش شده برای هر اختلال را ارائه می دهیم.

  • ADHD: قابل اعتمادترین نشانگر افزایش توان مطلق در نوسانات امواج آهسته (دلتا و تتا) و توان نسبی تتا در حالت چشم بسته و باز غالبا در مناطق پیشانی است. همچنین توان بتا در حالت چشم بسته کاهش می یابد. نسبت توان تتا به بتا نیز به عنوان یک نشانگر قابل اعتماد در نظر گرفته می شود.
  • اسکیزوفرنی: تجزیه و تحلیل QEEG افزایش توان مطلق در نوسانات امواج آهسته (دلتا و تتا) و کاهش آلفا در حالت چشم بسته را نشان می دهد.
  • افسردگی: نشانگر غالب افزایش توان مطلق تتا و بتا برای هر دو شرایط چشم بسته و باز است و قدرت تتا در مناطق جلویی مغز افزایش می یابد (با استفاده از LORETA).

توجه به این نکته مهم است که QEEG ابزاری است که باید به عنوان مکملی برای سایر مشاهدات بالینی در نظر گرفته شود و نیاز به تفسیر نتایج توسط یک متخصص دارد.

مراحل اصلی و ابزارهای QEEG چیست؟

تجزیه و تحلیل QEEG به سه مرحله اصلی نیاز دارد:

  1. ضبط EEG: نرم افزار باید فعالیت های الکتریکی مغز را در همان تسک ها و شرایطی که در پایگاه داده معیار است، حداقل 60 ثانیه EEG بدون artifact را ضبط کند. تقویت کننده EEG باید با پایگاه داده معیار مطابقت داشته باشد. هنگامی که تجزیه و تحلیل منشا سیگنال ها در مغز مورد نظر است، تعداد الکترود بیشتری برای توزیع در کل پوست سر برای به دست آوردن نتیجه مناسب توصیه می شود.
  1. حذف artifact: artifact ها سیگنال هایی هستند که همراه با EEG ضبط می شوند اما منشا عصبی ندارند و ربطی به تسک انجام شده ندارند و به دو دسته فیزیولوژیکی (قلبی، حرکات چشم، فعالیت عضلانی) و غیر فیزیولوژیکی (تداخل الکتریکی ، قطع شدن الکترود) طبقه بندی می شوند. artifact ها باید قبل از آزمایش QEEG حذف شوند.
  1. آزمایش و تفسیر QEEG: داده های EEG پردازش شده و بدون artifact با پایگاه داده معیار مقایسه می شود. سپس نتایج تفسیر می شود …

بررسی پایگاه داده های هنجاری QEEG

در ادامه می توانید بررسی کوتاهی بر سه پایگاه داده معیار QEEG که هم اکنون در بازار موجود است را داشته باشید.

NeuroGuide (Applied Neuroscience, Inc): شامل ضبط های حالت استراحت EC و EO است. 727 نفر (با دامنه سنی از 2 ماه تا 82 سال) و معیارهایی نظیر توان مطلق، نسبی و نسبت بین باندی، فرکانس اوج، تقارن و همبستگی ارائه می دهد. همچنین این پایگاه داده در FDA ثبت شده است. در شکل زیر تعداد نفرات در هر بازه سنی مشخص شده است

174x60-Sarmadtec-mynew-سرمد-تک-دستگاه-نوروفیدبک-نقشه-مغزی-QEEG-دستگاه-EEG-خرید-دستگاه-EEG.png

تعداد subject در هر بازه سنی در پایگاه داده معیار NeuroGuide

پایگاه داده qEEG-Pro (qEEG-Pro B.V.): شامل ضبط های حالت استراحت EC و EO است. شامل 1482 و 1232 فرد (به ترتیب چشم بسته و باز) در محدوده سنی 6-82 سال است. این پایگاه داده معیار نیز در FDA ثبت شده است.

پایگاه داده HBI (HBImed AG): شامل پنج تسک فعال (دو تسک GO / NOGO، تسک های حساب و خواندن، شناخت شنوایی و تسک شنوایی oddball) و ضبط حالت استراحت EC و EO است. شامل 300 کودک و نوجوان (7 تا 17 سال)، 500 بزرگسال (18 تا 60 سال) و 200 سالمند (بالای 61 سال) است.

شرکت فناوران سرمد پایگاه داده معیار NeuroGuide را با توجه به تاییدیه FDA و کاربرد زیاد در مقاله های علمی به عنوان پایگاه داده معیار انتخاب کرده است و با نرم افزار Assess گزارش هایی بر اساس گزارش های NeuroGuide تولید می کند.

174x60-Sarmadtec-mynew-سرمد-تک-دستگاه-نوروفیدبک-نقشه-مغزی-QEEG-دستگاه-EEG-خرید-دستگاه-EEG.png

اثرات کرونا بر سیگنال مغزی

November 7th, 2020 Posted by Uncategorized, مقالات جدید 0 thoughts on “اثرات کرونا بر سیگنال مغزی”

محققان آمریکایی پیشنهاد داده اند که می توان از بررسی الگوهای EEG به عنوان بایومارکر ابتلا به کووید 19 استفاده شود.

محققان کالج بیلور و بیمارستان هیوستون پس از بررسی 186 مطالعه و بیش از 600 بیمار مبتلا به کووید19، مشاهده کردند که تغیرات شبه تشنجی در لوب فرونتال بیش از 80 درصد بیماران مبتلا به کووید 19 که به بیمارستان مراجعه کردند، وجود دارد.
تغییرات در الگوی نورمال مغز بیماران در سه دسته ی کلی قرار میگیرند:
1- تغیرات غیرعادی در الگوی پایه امواج مغزی مثل وجود ریتم های منتشر یا نقطه ای آهسته
2- مشاهده الگو های پریودیک و ریتمیک در EEG
3- تغیرات شبه تشنجی بصورت عمومی یا ناحیه ای

در میان بسیاری از علائم جدی COVID-19، اثرات نورولوژیکی غیر عادی آن که توسط بسیاری از بیماران تجربه شده است ، شاید مرموز ترین آنها باشد. از بین رفتن ناگهانی بویایی و چشایی یکی از اولین علائم غیر معمول گزارش شده توسط بیماران COVID-19 است ، اما سکته مغزی، تشنج و تورم مغز (یا اصطلاحا آنسفالیت) بیش از همه گزارش شده اند.
طبق گزارشات و بررسی های صورت گرفته، برخی از بیماران مبتلا به COVID-19 دچار گیجی، هذیان گویی یا سرگیجه می شوند و در تمرکز مشکل دارند.
چندین ماه است که پزشکان بی وقفه در تلاش برای درک این بیماری و بسیاری از تظاهرات آن هستند که به نظر می رسد مغز را از راه هایی که نمی توانیم به طور کامل توضیح دهیم، تحت تأثیر قرار می دهد.
برای ارزیابی برخی از داده هایی که به سرعت در حال جمع آوری اند ، دو متخصص مغز و اعصاب بررسی تحقیقاتی را در مورد چگونگی برهم خوردن الگوهای عملکرد طبیعی مغز در COVID-1 انجام داده اند که توسط EEG اندازه گیری شده است.
EEG ، مخفف electroencephalogram که ، به طور معمول با استفاده از الکترودهایی که روی پوست سر آنها قرار می گییرد فعالیت الکتریکی را در قسمت های مختلف مغز فرد ثبت می کند.
این محققان در بررسی خود داده های مربوط به تقریبا 620 بیمار COVID مثبت را از 84 مطالعه جمع آوری کردند
نتایج این مطالعات با استفاده از EEG می تواند نوعی انسفالوپاتی مرتبط با COVID را در این بیماران نشان دهد. تقریباً دو سوم بیماران در این مطالعه مرد بودند و سن متوسط 61 سال داشتند. برخی از افراد همچنین دارای یک بیماری زمینه ای مانند زوال عقل بودند که می تواند الگوی EEG را تغییر دهد و محققان هنگام ارزیابی نتایج آزمایش خود این موارد را در نظر گرفتند.
در بین 420 بیمار که پزشک برای آنها ثبت EEG درخواست داده بود، مهمترین دلیل برای بررسی امواج مغزیشان تغییر وضعیت روانی آنها گزارش شده است: قریب به دو سوم بیماران مورد مطالعه دچار هذیان، کما یا گیجی شده بودند.
حدود 30 درصد از بیماران حداقل یک حمله تشنجی مانند داشتند که باعث شد پزشک برایشان بررسی بیشتر با EEG تجویز کند، و همچنین معدودی از بیماران دچار مشکل در تکلم شده بودند. برخی دیگر نیز دچار ایست قلبی ناگهانی شده بودند که می توانست جریان خون در مغز را قطع کند.
اسکن EEG بیماران طیف کلی ناهنجاری در فعالیت مغز را نشان می دهد ، از جمله برخی از الگوهای ریتمیک و خوشه های مانند صرع در فعالیت. متداول ترین ناهنجاری ذکر شده ، کاهش سرعت انتشار است که به طور کلی کند شدن امواج مغزی است و نشان دهنده اختلال عملکرد عمومی در فعالیت مغز است.
در صورت ابتلا به COVID ، اگر قلب و ریه ها ضعیف باشند ، اختلال در امواج مغزی می تواند نتیجه التهاب گسترده باشد ، زیرا بدن پاسخ ایمنی خود را افزایش می دهد که احتمالا در نتیجه ی آن جریان خون را به مغز کاهش می یابد.

در مورد اثرات این بیماری بر روی مغز ، یک سوم از کل ناهنجاری های تشخیص داده شده در لوب پیشانی بود، بخشی از مغز که وظایف تفکر اجرایی مانند استدلال منطقی و تصمیم گیری را انجام می دهد. لوب پیشانی همچنین به ما کمک می کند تا احساسات خود را تنظیم کنیم، رفتار خود را کنترل کنیم و در یادگیری و توجه نقش با اهمیتی دارد.
با گذشت زمان ، EEG می تواند به تشخیص COVID-19 کمک کند یا در مورد عوارض احتمالی ای که بیمار باید با آن دست و پنجه نرم کند، پیش بینی انجام دهد. انجام این کار ممکن است به پزشکان کمک کند تا عوارض طولانی مدت COVID-19 را کنترل کرده و اثرات طولانی مدت بر عملکرد مغز بیمار را تشخیص دهند.
این شواهد بصورت فزاینده ای نشان از این دارد که ویروس کرونا می تواند تأثیر جدی بر سلامت عصبی بگذارد.
به نظر می رسد ناهنجاری EEG در لوب پیشانی در انسفالوپاتی COVID-19 شایع است و ثبت مداوم امواج مغزی، به عنوان یک نشانگر زیستی بالقوه پیشنهاد میشود.
بسیاری از مردم تصور می كنند كه پس از ابتلا به این بیماری خوب می شوند و همه چیز به حالت عادی برمی گردد.اما این یافته ها به ما می گوید که ممکن است عوارض طولانی مدت وجود داشته باشد، که این عوارض میتواند در عملکرد مغز بروز پیدا کند.

برای مطالعه مقاله به این آدرس مراجعه کنید:
https://www.sciencedirect.com/science/article/pii/S1059131120303320

دفتر اداری: ولنجک، دانشگاه بهشتی، برج نوآوری، طبقه هفتم
دفتر مرکزی: تهران، شهرک والفجر، بلوار بابائیان، خیابان افق، پلاک ۰، ساختمان پارک علم و فناوری سلامت،
contact@sarmadtec.com

(021) 9109 - 6712

تمامی حقوق مادی و معنوی این سایت متعلق به شرکت فناوران سرمد گیتی (سهامی خاص) میباشد. ۱۴۰۱-۱۳۹۵