بر طبق اعلام آکادمی مغز و اعصاب آمریکا (AAN) و انجمن نوروفیزیولوژی بالینی آمریکا (ACNS)  استفاده از QEEG ممکن است در شرایط زیر مکمل EEG معمولی باشد: پایش قله های احتمالی صرع یا تشنج، پایش حملات صرع در بیماران در معرض خطری که در واحد مراقبت های ویژه (ICU) پذیرفته میشوند، ارزیابی قبل از جراحی در صرع مقاوم به دارو، تشخیص عوارض حاد داخل جمجمه حین عمل، ارزیابی بیماران مبتلا به بیماری عروق مغزی، ارزیابی شدت زوال عقل و انسفالوپاتی و EEG سرپایی. از طرف دیگر در مطالعات تجربی و فاقد شواهد در عمل بالینی ، از QEEG برای شرایط زیر استفاده می شود: سندرم پس از ضربه مغزی، آسیب مغزی خفیف یا متوسط، اختلال کم توجهی، اسکیزوفرنی، افسردگی، اعتیاد به الکل، وزوز گوش و برای نظارت بر پاسخ درمانی به داروهای روانگردان.

صرع:

EEG یک ابزار ارزیابی استاندارد در صرع است. اگرچه QEEG استفاده گسترده EEG را ندارد، اما می تواند امکان تشخیص سریع حملات صرع و همچنین تشخیص افتراقی بین انواع مختلف آن را فراهم کند.

انواع مختلف صرع، الگوی QEEG ویژه خود را دارند که باعث میشود حساسیت و دقت تشخیص شان را بالا ببرد. برای مثال بررسی asymmetry در تشخیص صرع ناحیه ای میتواند مفید باشد. نقش دیگر QEEG در صرع می تواند ارزیابی پاسخ به درمان های ضد صرع با استفاده از مطالعات فارماکو-EEG باشد. بر اساس تعریف مجمع جهانی فارماکو-EEG (IPEG)، فارماکو-EEG کمّی توضیح و آنالیز کمی اثر مواد مختلف بر روی سیستم عصبی در مطالعات درمانی، عصب-سم شناسی و فارماکولوژی تجربی و بالینی است. مطالعات مختلفی روی درمان های نوروسایکیتری حاکی از اثرات داروها روی ویژگی های  امواج مغزی بوده اند و به همین علت تجزیه و تحلیل  EEG کم کم یک ابزار مهم برای طبقه بندی عوامل روان درمانی شد.
با توجه به اینکه ممکن است اختلال شناختی (CI) در 70-80٪ بیماران مبتلا به صرع رخ دهد ، ارزیابی CI از طریق پارامترهای QEEG می تواند به درک بهتری از پاتوفیزیولوژی فعالیت شناختی تغییر یافته در اثر صرع کمک کند. همبستگی بین Absolute Power، Coherence بین و درون نیمکره ای، و فعالیت شناختی در بیمارانی که بیش از 18 سال مبتلا به صرع بودند در برخی مطالعات دیده شده است. Absolute Power در تمام باندهای فرکانسی در بیماران صرعی افزایش یافته و Coherence بین و درون نیمکره ای در باند θ در بیماران مبتلا به صرع بیشتر از بیماران سالم بود.

سکته:

بیماران سکته مغزی معمولاً با ناهنجاری های معمول ریتم مغزی مواجه هستند. قابل توجه ترین یافته ای که در اولین مطالعه های QEEG در سکته مغزی مشاهده شد، افزایش نسبت θ / β به طور قابل توجه در نیم کره ی آسیب دیده بود. همچنین توان نسبی آلفا در هر دو نیمکره آسیب دیده و طبیعی به دنبال سکته مغزی کاهش می یابد که بهبودی پس از سکته نیز با استفاده از این الگو میتواند ارزیابی شود.

فعالیت آلفا در ناحیه فرونتال با نتیجه عملکرد و میزان پیشرفت اختلال شناختی در فرد آسیب دیده در ارتباط است، چرا که میتواند شاخصی از ظرفیت توجه در مراحل بعد از سکته باشد.

همچنین نسبت δ / α (DAR) و شاخص آسیمتری α نیز به دنبال سکته مغزی افزایش میابد

TBI:

استفاده از روشهای DTI و MRS تغیرات فانکشنال کانکتیویتی و ابنورمالیتی ها در متابولیسم مغز را در نتیجهی TBI به خوبی نمایش میدهد. در حال حاضر هیچ الگوی EEG وQEEG بصورت خاص برای TBI پیشنهاد نشده است. طبقه بندی تغیرات  EEG/QEEG در  mild TBI به این صورت است که عمده تغیرات EEG حاد در حدود سه ماه بعد از حادثه از بین می روند و 90 درصد آنها در طول سال اول بعد از حادثه ناپدید میشوند. معمول ترین ابنورمالیتی هایی که در QEEG بیماران TBI مشاهده میشوند شامل : کاهش میانگین فرکانس آلفا، افزایش فعالیت تتا، و کاهش نسبت θ/α است. همچنین برخی مطالعات گزارش کرده اند که تغیرات در coherence و  phase در ناحیه فرونتال و فرونتوپریتال اتفاق می افتد.

تغیرات در mTBI : کاهش میانگین فرکانس آلفا، افزایش تتا،  افزایش دلتا

افزایش نسبت θ/α

در فاز تحت حاد mTBI (چند هفته یا چند ماه بعد از آسیب) : افزایش 1-2 هرتز در ریتم آلفای ناحیه پس سری،

در فاز مزمن mTBI :تغیرات شبه صرعی در 16 درصد بیماران با علایم شناختی، سوماتیک و سایکیتریک در هفته های اول بعد از mTBI مشاهده میشود، تغیرات در امواج آهسته در 63 درصد همین بیماران نیز مشاهده میشود، افزایش در توان دلتا در بیماران با سندروم post-concussion ، کاهش در توان دلتا در بیماران با سندروم post-concussion

تغیرات در coherence و  phaseمیتواند شدت mTBI و آسیب آکسونی منتشر diffuse axonal injury را نشان بدهد. اهمیت این مارکر ها در تشخیص TBI در این است که اخیرا در مطالعاتی نشان داده شده که  phaseو  coherence منعکس کننده ناهمگنی توپوگرافیک مرتبط با تغیرات ساختاری کورتکس و فیبرهای آکسونی است. علاوه بر اینها مشاهدات و نتایج مطالعات بر روی 162 بیمار با TBI سویر، مادریت و ماینور  این نکته رو بیش از قبل برجسته کرده که phase and coherence بهترین پیش بینی کننده های پیش آگهی مشکلات مربوط به TBI تا یک سال بعد هستند. تاچر از spectral power, coherence, و  phase به منظور ارزیابی اثرات mTBI و تشخیص تغیرات بیماران با هیستوری TBI استفاده کرد: افزایش در coherence  در ناحیه فرونتال و فرونتوتمپورال، و کاهش در phase، کاهش anterior-posterior spectral power differences و کاهش توان آلفا در نواحی خلفی تر مغز.

اختلالات یادگیری و توجه:

مطالعات زیادی بر نقش QEEG در تشخیص اختلالات یادگیری با استفاده از  spectral power  و  coherence با دقت بین 46 تا 98 درصد تاکید کرده اند. با توجه به نوروفیزیولوژی spectral power مجموع تخلیه های نورونی همزمان است.

مدل های مطالعه همبستگی بین هوش و اندازه گیری EEG را می توان با دو دسته از پارامترهای EEG آزمایش کرد: 1. توان EEG و. 2. ویژگی های نتورک EEG مانند تاخیرهای coherence و phase و مدل های دینامیکی غیر خطی از پیچیدگی شبکه.

از نظر فیزیولوژیکی، توان EEG بیانگر مجموع نورونهایی است که بصورت همزمان تخلیه شده اند. ضخامت لایه قشر با هوش همبستگی مثبت دارد بنابراین ممکن است که توان EEG مقیاسی باشد که نشان دهنده ظرفیت یا عملکرد پردازش اطلاعات قشر است. این اتفاق به صورت پیچیده و تا حدی غیرخطی می افتد و تحت تأثیر عوامل مختلفی از جمله ضخامت جمجمه، مایع مغز نخاعی، فاصله بین الکترود و سن قرار می گیرد.

ضخامت لایه های کورتکس بصورت مثبت با هوش رابطه دارد. بنابر این توان EEG ، ظرفیت پردازش اطلاعات کورتکس را نشان میدهد. مطالعات اخیر با استفاده از LORETA گزارش کرده اند که یک کورلیشن مثبت بین IQ و افزایش در توان مطلق در باند آلفا و بتا، کاهش توان دلتا و تتا، و کورلیشن منفی بین coherence  و IQ به خصوص در لوب فرونتال وجود دارد.

بصورت کلی هرچه میزان امپلیتود یا توان مطلق بالاتر باشد IQ بالاتر است.

coherence مستقل دامنه است که ثبات فاز بین دو تایم-سری و ویژگیهای شبکه یک سیستم را تجزیه و تحلیل می کند. coherence پایین با ضریب هوشی رابطه مثبت دارد و پیش بینی کننده ضریب هوشی است.

در اغلب اختلالات یادگیری ابنورمالیتی های QEEG بسیار سیگنیفیکنت هستند، مقدار بالای slow power ها با IQ پایین مرتبط است. در مطالعات دیگر بر این تاکید شده که coherence  بصورت مثبت با IQ مرتبط است و میتواند یک شاخصی برای پیش بینی IQ باشد. مجمع نوروسایکیتری آمریکا این را در نظر گرفته است که QEEG میتواند برآوردی از اینکه آیا فردی اختلال یادگیری دارد یا نه را تخمین بزند. همچنین هرچه میزان phase delay کمتر باشد، IQ بالاتر است. که در این مورد  phase delay میشود تاخیر بین دو تایم-سری در دو الکترود.

علاوه بر این مجمع نورولوژی آمریکا پیشنهاد کرده که QEEG برای تشخیص اختلال یادگیری میتواند توصیه شود. QEEG همچنین میتواند در ارزیابی و درمان نقص توجه و بیش فعالی مفید داشته باشد.

کودکان و بزرگسالانی که مبتلا به ADHD تشخیص داده شده اند افزایش پاور دلتا و تتا دارند، همچنین بزرگسالانی که ADHD دارند پاور بتا کمتری در مقایسه با گروه کنترل دارند.

الگوی ADHD در الکترود Cz به این صورت است : در حالتی که از فرد با چشم باز و نگاه ثابت سیگنال ثبت شده باشد، نسبت θ/β در مقایسه با گروه کنترل افزایش میابد، با حساسیت 86 تا 90 درصد و ویژگی 94 تا 98 درصد. البته تغیر در نسبت θ/β در دیگر بیماریهای نوروسایکیرتیک نیز ممکن است دیده شود و این مقیاس به تنهایی نمیتواند برای تشخیص ADHD   کافی باشد و باید در کنار ارزیابی های دیگر از QEEG برای تشخیص استفاده کرد.

افسردگی:

QEEG در مشخص کردن الگوهای فانکشنال کانکتیویتی در بیماران دپرس اهمیت دارد. EEG معمولی ابنورمالیتی را در 20 تا 40 درصد بیماران دپرس نشان میدهد. اگرچه که این الگوها نامشخص اند اما QEEG میتواند ابزار مفیدی در تشخیص افتراقی بین دپرشن و تغیرات ساختاری باشد.

ابنورمالیتی هایی که به صورت عمده در QEEG افسردگی مشاهده میشوند از این قرار است:

فرونتال آسیمتری آلفا که در انواع خاصی از افسردگی مشاهده میشود،

تغیرات در کوردنس فرونتال

آسیمتری در امواج آهسته فرونتوتمپورال

کاهش در coherence بین دو نیمکره در باندهای دلتا و تتا

افزایش توان مطلق دلتا و تتا در لوب راست

افزایش تتا در نواحی خلفی مغز

تغیرات در فعالیت بتا

دقت این پارامترها در تشخیص افسردگی در مطالعات مختلفی بررسی شده است، که بر اساس مجمع نوروسایکیتری آمریکا حساسیت بین 72 تا 93 و ویژگی بین 75 تا 88 گزارش شده است.

میتوان از QEEG به عنوان یک روش تکمیلی برای طبقه بندی انواع یونی پلار و بایپلار استفاده کرد و همچنین برای تشخیص افتراقی بین دپرشن و افراد سالم، دمانس، شیزوفرنی، و الکلیسم.

FAA یک مارکر برای پاسخ اموشنال و دیس اوردرهای اموشنال است و میتوان به صورت ایندکس FAA یا نسبت (ratio) بین تفاضل و مجموع spectral power در F3 و F4 محاسبه کرد. اگرچه که تفاوتهای نسبی در فرونتال آلفا آسیمتری (FAA) بین بیماران مبتلا به افسردگی و افراد سالم کم است، بدون توجه به روش محاسبه FAA ، اما بعضی از مطالعات پیشنهاد کرده اند که از آلفا آسیمتری به عنوان ratio  استفاده شود نه ایندکس.

 بین FAA و behavioral activation system کورلیشن معناداری وجود دارد. کاهش در behavioral activation با استعداد به انواع خاصی از دپرشن مرتبط است.

از طرف دیگر،در دپرشن ماژور، نقش تشخیصی FAA محدود است. نشان داده شده که FAA ممکن است ارزش پیش آگهی دهنده برای تشخیص بیماران دارای ریسک سایکوپاتولوژی داشته باشد که دارای نقص در مکانیسم های انگیزشی هستند.

علاوه بر این FAA در نیمکره چپ مکن است با anhedonia مرتبط باشد در حال که FAA در نیمکره راست نشانه اضطراب Anxiety شناخته شده است.

از ابنورمالیتی در coherence  و cordance  برای افتراق بین دپرشن یونیپلار ازز دپرشن بایپلار استفاده شده است. cordance همچنین در مطالعات مختلفی با جریان خون یک منطقه در مغز و عملکرد ناحیه ای ا زمغط مرتبط بوده است. coherence در پایش دپرشن بیشتر با روش تاچر که برای TBI استفاده کرده، محاسبه شده است:

 in α and θ bands, the interhemispheric coherence (F3-F4, C3-C4, P3-P4, T7-T8), left interhemispheric coherence (F3-C3, F3-P3, F3-T5, C3-P3, C3-T5, P3-T5) and right interhemispheric coherence (F4-C4, F4-P4, F4-T6, C4-P4, C4-T6, P4-T6

مقایسه مارکر های QEEG در دپرشن بایپلار و یونیپلار :

در دپرشن یونپلار coherence  بین نیمکره ای تتا کاهش میابد

در دپرشن بایپلار توان آلفای سمت چپ کاهش میابد،

آسیمتری آلفای فرونتال بین دو نیمکره ایجاد میشود

توان بتا افزایش میابد

توان آلفای ناحیه تمپورال تحتانی و فوقانی در نیمکره راست، و ناحیه اکسیپیتال چپ و ناحیه ژیروس پره کونئوس راست، افزایش میابد

coherence آلفا در فرونتال و مرکز راست کاهش میابد و coherence آلفا در ناحیه پریتال و تمپورال راست افزایش میابد.

coherence تتا در ناحیه مرکز، تمپورال و پریتال راست افزایش میابد.

دقت شود که QEEG برای مونیتورینگ پاسخ به درمان دارویی و تجویز و انتخاب داروی مناسب بیمار دپرشن، توصیه نمیشود.

اضطراب Anxiety:

FAA نه تنها با دپرشن بلکه با اضطراب نیز کورلیت است. بیمارانی که اضطراب دارند یک الگوی با فعالیت بالای آلفا در فرونتال راست نسب به افراد بدون اضطراب نشان میدهند.

بیمارانی که سوشال فوبیا دارند و آنهایی که دچار نیک اتک میشوند فعالیت آلفا فرونتال راست بالاتری دارند.

هم در افراد دارای اضطراب و هم افراد دارای دپرشن، آسیمتری در ناحیه پریتوتمپورال نیز گزارش شده است.

دمانس Dementia:

ابنورمالیتی در QEEG معمولا در مراحل مادریت و پیشرفته ی آلزایمر دیده میشود.

تغیرات عمده در تتا و دلتای بک گراند اتفاق می افتد و همچنین کاهش فرکانس آلفا مرکزی. ارتباط معکوس بین مرحله نقص کاگنیتیو و توان باندهای فرکانس پایین نیز در برخی مطالعات گزارش شده است.

برخی مطالعات نیز گزارش کرده اند که کاهش در آلفا و بتا نیز مشاهده شده است.

کاهش ریتم فرکانس آلفا در بیماران آلزایمر خفیف به عنوان یک مارکر میتواند استفاده شود. (کاهش آلفای 6-8 هرتز در بیماران آلزایمر مایلد)

Coherence نیز میتواند کانکتیویتی بین نیمکره ای را از طریق کورپوس کلزوم در بیماران آلزایمری و دمانس ناشی از افزایش سن، بسنجد که در هر دو اینها کاهش Coherence در خواب و بیداری اتفاق می افتد.

علاوه بر این کاهش Coherence  در تتا، آلفا و بتا در نواحی سنترال و فرونتال در مقایسه با گروه کنترل مشاهده شده است. مجمع نوروفیزیولوژی کلینیکال برزیل پیشنهاد کرده که آنالیز فرکانش میتواند تشخیص امواج Slow را آسانتر کند و ترکیب QEEG با ارزیابی های شناختی برای تسهیل فرایند تشخیص دمانس مفید است.

نقش QEEG در تشخیص و ارزیابی دمانس میتواند با روشهای تصویر برداری MRI و SPECT رقابت کند.

MRI برای تشخیص دمانس تایپ A ریکامندیشن دارد، SPECT و EEG تایپ B ریکامندیشن دارند.

پارکینسون:

Spectral analysis در بیماری پارکینسون مفید است و ارزیابی affect را در این اختلال میتواند به ما بدهد. کاهش توان نسبی دلتا، تتا،  آلفا، بتا و توان مطلق تتا، آلفا، و بتا در نواحی قدامی مغز و آسیمتری بین نیمکره ای در تتا، آلفا و بتا به همراه فعال شدن نیمکره راست در مطالعات مختلف گزارش شده است.

یک روز صبح برایان میلستد ازهمکارش کیم پرسید که حال دخترش چطور است. کیم ، که از یک شب بی خوابی دیگر خسته بود ، برای برایان در مورد تشنجات صرعی و وخیم تر شدن وضعیت دخترش مگی صحبت کرد. برایان به عنوان صاحب بیزنس و متخصص در تجهیزات بیو / نوروفیدبک ، با تحقیق در مورد استفاده از نوروفیدبک به کیم پیشنهاد کرد که نسخه ای از EEG دخترش را دریافت کند تا بتواند آن را با چند همکار به اشتراک بگذارد تا ببیند آیا مگی کاندید مناسبی برای آموزش نوروفیدبک است یا خیر. کیم هرگز تصور نمی کرد که مکالمه آنها مجموعه ای از ماجراها را به راه بیندازد که روزی زندگی دختر کوچکش را تغییر دهد.

تشخیص

وقتی او فقط 11 ماهه بود ، مگی اولین جراحی مغز خود را برای هیدروسفالی انجام داد ، شرایطی که در آن تجمع مایع مغزی نخاعی (CSF) در مغز وجود دارد. در سن 2 سالگی ، تشخیص صرع برای او گذاشته شد. نوع خاص صرع وی ESES (صرع وضعیت الکتروگرافی در هنگام خواب) نامیده می شود. این ویژگی با افزایش فعالیت پس زمینه مشخص می شود که به مغز اجازه نمی دهد عملکردهای طبیعی خود را در طول خواب مانند تثبیت حافظه و رشد زبان انجام دهد، به طوری که می تواند باعث کاهش این عملکردها شود. کسانی که از ESES رنج می برند، می توانند انواع مختلفی از تشنج از جمله تشنج تونیک-کلونیک (گراند مال) را تجربه کنند، مگی نیز به طور منظم این مورد را تجربه می کند. به گفته ی کیم مادر مگی او در حدود 90٪ از خواب خود ESES داشته است. برخی از تشنج های وی تا پنج دقیقه طول می کشید و باعث توقف تنفس می شد.

وضعیت وی “غیرقابل حل” در نظر گرفته شد ، به این معنی که برای سالها پزشکان قادر به کنترل تشنج با چندین داروی ضد تشنج نبودند. در حالی که این داروها به کاهش سرعت تشنج مگی کمک می کردند، اما آنها را از بین نبردند و او شروع به کاهش تدریجی شناختی کرد. در همین زمان بود که برایان در مورد نوروفیدبک با کیم صحبت کرد. کیم واکنش خود را به یاد می آورد: “من کاملا صادقانه میگویم ، وقتی او توضیح می داد، این کار دیوانگی به نظر می رسید. چگونه ممکن بود با وجود اینکه ما پزشکان برجسته ی زیادی را دیده بودیم و آنها نتوانستند حملات مگی را تحت کنترل درآورند، نوروفیدبک یک راه درمانی باشد؟ “

بررسی EEG

وفا به گفته خود ، پس از اینکه برایان نسخه ای از EEG را دریافت کرد ، با دوست و همکار خود جی گانکلمن ، مدیر ارشد علوم در Brain Science International تماس گرفت. پس از بررسی نتایج آزمایش ، اولین قدم جی تماس با پزشک مگی بود و تأکید کرد که “ما فقط با رضایت یک متخصص ناظر که بیمار را برای صرع معالجه می کند کار می کنیم.”

پزشک مگی درباره نوروفیدبک شنیده بود ، اما شواهد کافی در مورد استفاده از آن در ESES یا صرع برای در نظر گرفتن آن ندیده بود.

به گفته جی ، پزشک مگی را فقط می توان یک فرد بدبین در نظر گرفت که به خانواده می گفت این کار را با احتمال خطر انجام دهند اما بعد از بحث در مورد آموزش نوروفیدبک که پیشنهاد کردیم و بعد از اشتراک مقالات پراکنده ای که ما در اختیار داریم، از جمله متاآنالیز گابریل تان که نتایج مثبتی در صرع غیرقابل درمان دارد، و همچنین مقاله باری استرمن از سال 2000 که کارهای وی را مرور می کند.

والدین مگی ، اندی و کیم ، تصمیمی بسیار دشوار گرفتند. آنها گزینه های خود و توصیه هایی را که از خانواده و دوستانشان دریافت کردند با دقت بررسی کردند، اما در نهایت تصمیم گیری بر عهده خود آنها بود. اندی به یاد می آورد که گفت ، “اگر صدمه ای نبیند ، بگذار یک بار امتحان کنیم.” به هر حال ، آنها درمان فعلی او را رها نکردند – فقط چیز جدیدی اضافه کردند – چیزی که فقط ممکن است به مگی کمک کند. حداقل این چیزی بود که آنها را امیدوار می کرد

برنامه درمان

پس از دریافت راهنمایی از خانواده ، جی رویکرد آموزش نوروفیدبک را بر اساس EEG مگی طراحی کرد که با Linda Walker، MHR، LPC، BCN، BCB – یک پزشک متخصص دارای مجوز در زمینه نوروفیدبک و همچنین سایر روش ها به اشتراک گذاشته شد. سپس لیندا یک طرح آموزش شخصی سازی بهینه سازی مغز ایجاد کرد.

این آموزش در یک آخر هفته در ژانویه و با ارزیابی QEEG توسط لیندا و پس از آن چندین جلسه آموزشی با مگی آغاز شد. لیندا توضیح میدهد: “من صفحه های آموزش را طوری تنظیم کردم که مگی بازخوردی را که برای او جذاب بود دریافت کند. از نظر رفتاری ، مغز او نیاز به دریافت پیامی درباره زمان فعالیت صحیح و غیرفعال بودن داشت. ما همچنین می دانیم که بهترین یادگیری در شرایطی اتفاق می افتد که آنچه می آموزیم جذاب و دارای برخی عناصر احساسی است. همچنین ، یادگیری باید محتاطانه باشد. پیام درمورد اینکه مغز چه کاری انجام می دهد یا چه کاری انجام نمی دهد ، باید واضح باشد. پاداش های بازخورد باید به طور مداوم اتفاق بیفتند تا مغز بتواند الگوی جدیدی از عملکرد را بیاموزد.”

علاوه بر این ، لیندا آموزش نحوه استفاده از تجهیزات نوروفیدبک ، اتصال سنسورهای EEG و اجرای جلسات را برای کیم برعهده گرفت. با توجه به تعداد زیاد جلسات پیش بینی شده ، آموزش از راه دور  ابتدا از طریق وب کم انجام و همیشه توسط لیندا به طور فعال از راه دور مدیریت می شد.

جی خاطرنشان کرد ، “مهم است که دستگاههای بازی کاملاً خوب را با ابزارهای بالینی قابل تنظیم واقعی اشتباه نگیریم. تقویت کننده ها و فیلترها باید متناسب با EEG سفارشی شوند ، نه استاندارد. دستگاه باید بتواند از راه دور به طور فعال مدیریت شود. “

نتایج درمان

حدود سه تا چهار هفته بعد از آموزش ، مگی برای اولین بار بعد از دو سال شب را خوابید. برای خانواده ، این نشانه ای بود بر اینکه آنها تصمیم درستی گرفته اند. بعد از تقریباً 70 جلسه ، سه بار در هفته و در طی 5 ماه ، مگی تشنج ها مگی قطع شد و EEG وی کاملا تمیز بود.

از زمان ارسال این پست ، مگی به مدت سه سال زندگی بدون تشنج را پیش گرفته است

هوش مصنوعی چیست؟

هوش مصنوعی (AI) شاخه گسترده ای از علوم رایانه و مربوط به ساخت ماشین های هوشمندی است که قادر به انجام وظایفی هستند که معمولاً به هوش انسانی نیاز دارند. هوش مصنوعی یک علم میان رشته ای با چندین رویکرد است ، اما پیشرفت در یادگیری ماشین و یادگیری عمیق باعث ایجاد تغییر الگو، تقریباً در هر بخش از صنعت فناوری می شود.

هوش مصنوعی چگونه کار میکند؟

آیا ماشین میتواند فکر کند؟ (آلن تورینگ 1950)

کمتر از یک دهه پس از شکستن ماشین رمزگذاری نازی Enigma و کمک به نیروهای متفقین در پیروزی در جنگ جهانی دوم ، ریاضیدان آلن تورینگ برای بار دوم با یک سوال ساده تاریخ را تغییر داد: “آیا ماشین ها می توانند فکر کنند؟”

مقاله تورینگ “رایانه و ماشین آلات و هوش” (1950) ، و سپس آزمایش تورینگ ، هدف اساسی و چشم انداز هوش مصنوعی را تعیین کرد

هسته اصلی آن ، AI شاخه ای از علوم کامپیوتر است که هدف آن پاسخ مثبت به سوال تورینگ است. این تلاش برای تکرار یا شبیه سازی هوش انسان در ماشین است.

هدف گسترده هوش مصنوعی سوالات و بحث های زیادی را به وجود آورده است. تا آنجا که هیچ تعریف واحدی از این رشته در سطح جهانی پذیرفته نشده است.

عمده ترین محدودیت در تعریف هوش مصنوعی یا به عبارت ساده ” ماشین هایی که هوشمند هستند” این است که در واقع توضیح نمی دهد که هوش مصنوعی چیست؟ چه چیزی یک ماشین را هوشمند می کند؟

نویسندگان استوارت راسل و پیتر نورویگ در کتاب درسی پیشگامانه خود “هوش مصنوعی: رویکردی مدرن” با یکسان سازی کار خود پیرامون موضوع عوامل هوشمند در ماشین ها ، به این سوال می پردازند. با توجه به این نکته ، هوش مصنوعی “مطالعه عواملی است که از محیط دریافت می کنند و اعمال را انجام می دهند”. (Russel and Norvig 4)

Norvig و Russell در ادامه به بررسی چهار رویکرد مختلف می پردازند که به طور تاریخی زمینه AI را تعریف کرده اند

1. انسانی فکر می کند
2. منطقی فکر می کند
3. انسانی عمل می کند
4. منطقی عمل می کند

دو ایده اول مربوط به فرایندهای تفکر و استدلال است، در حالی که بقیه با رفتار سرو کار دارند. نورویگ و راسل به طور ویژه بر عوامل منطقی که برای رسیدن به بهترین نتیجه عمل می کنند تمرکز می کنند و خاطرنشان می کنند: “تمام مهارت های مورد نیاز برای آزمون تورینگ به یک عامل امکان می دهد منطقی عمل کند.” (راسل و نورویگ 4).

اگرچه این تعاریف ممکن است برای یک فرد عادی انتزاعی به نظر برسد، اما به تمرکز این حوزه به عنوان حوزه ای از علوم رایانه کمک می کند و طرحی برای یادگیری ماشین و سایر زیر مجموعه های هوش مصنوعی فراهم می کند.

مدیرعامل DataRobot ، جرمی آچین ، هنگام سخنرانی در جمع افراد در Japan AI Experience در سال 2017 ، سخنرانی خود را با ارائه تعریف زیر از نحوه استفاده از هوش مصنوعی امروز آغاز کرد:

“هوش مصنوعی یک سیستم رایانه ای است که قادر به انجام وظایفی است که معمولاً به هوش انسان نیاز دارد … بسیاری از این سیستم های هوش مصنوعی با یادگیری ماشینی کار می کنند ، برخی از آنها با یادگیری عمیق و برخی دیگر با چیزهای بسیار کسل کننده مانند قوانین کار می کنند. “

هوش مصنوعی چه استفاده ای دارد؟

هوش مصنوعی به طور کلی تحت دو دسته گسترده قرار دارد:

هوش مصنوعی محدود:

این نوع هوش مصنوعی که گاهی اوقات با عنوان “AI ضعیف” نیز شناخته می شود ، در یک زمینه محدود عمل می کند و شبیه سازی هوش انسانی است. هوش مصنوعی محدود اغلب بر انجام یک کار واحد بسیار خوب متمرکز است و گرچه به نظر می رسد این ماشین ها هوشمند هستند ، اما آنها با محدودیت های بسیار بیشتری حتی از ابتدایی ترین هوش انسانی کار می کنند.

هوش مصنوعی عمومی: AGI

 که گاهی اوقات به عنوان “هوش مصنوعی قوی” نیز شناخته می شود ، نوعی هوش مصنوعی است که در فیلم ها می بینیم ، مانند ربات های Westworld

AGI ماشینی با هوش عمومی است و دقیقاً مانند یک انسان می تواند از این هوش برای حل هر مشکلی استفاده کند.

هوش مصنوعی محدود:

هوش مصنوعی محدود در اطراف ماست و به راحتی موفق ترین تحقق هوش مصنوعی تاکنون است. با تمرکز بر انجام وظایف خاص ، هوش مصنوعی محدود در دهه گذشته موفقیت های زیادی را تجربه کرده است که “دارای مزایای قابل توجهی در جامعه بوده و به نشاط اقتصادی ملت کمک کرده است” ، طبق “آماده سازی برای آینده هوش مصنوعی” ، گزارش سال 2016 منتشر شده توسط دولت اوباما.

یادگیری ماشین و یادگیری عمیق

بیشتر هوش مصنوعی محدود با پیشرفت هایی در یادگیری ماشین و یادگیری عمیق ایجاد می شود. درک تفاوت بین هوش مصنوعی ، یادگیری ماشین و یادگیری عمیق می تواند گیج کننده باشد. سرمایه گذار خطرپذیر ، فرانک چن ، نمای خوبی از چگونگی تمایز بین آنها ارائه می دهد ، و خاطرنشان می کند:

“هوش مصنوعی مجموعه ای از الگوریتم ها و هوش برای تقلید از هوش انسان است. یادگیری ماشین یکی از آنهاست و یادگیری عمیق یکی از آن تکنیک های یادگیری ماشین است”

به زبان ساده ، یادگیری ماشینی داده های رایانه را تغذیه می کند و از تکنیک های آماری برای کمک به “یادگیری” نحوه پیشرفت بهتر در یک کار ، بدون اینکه برای آن کار به طور خاص برنامه ریزی شده باشد ، استفاده می کند و میلیون ها خط کد نوشته شده را از بین می برد. یادگیری ماشین شامل یادگیری تحت نظارت (با استفاده از مجموعه داده های دارای برچسب) و یادگیری بدون نظارت (با استفاده از مجموعه داده های بدون برچسب) است.

یادگیری عمیق نوعی یادگیری ماشینی است که ورودی ها را از طریق ساختار شبکه عصبی الهام گرفته از زیست شناسی اجرا می کند. شبکه های عصبی حاوی تعدادی لایه پنهان است که داده ها از طریق آنها پردازش می شوند و به ماشین اجازه می دهند تا در یادگیری خود “عمیق” پیش رود ، برای ایجاد بهترین نتیجه ، اتصالات و ورودی وزنی ایجاد کند.

هوش مصنوعی عمومی

ایجاد ماشینی با هوش در سطح انسانی که برای هر کاری قابل استفاده باشد ، برای بسیاری از محققان هوش مصنوعی جام مقدس است ، اما تلاش برای AGI با دشواری همراه بوده است.

جستجوی “الگوریتم جهانی برای یادگیری و عملکرد در هر محیط” (راسل و نورویگ 27) چیز جدیدی نیست ، اما زمان دشواری اساسی در ایجاد یک ماشین با مجموعه کامل توانایی های شناختی را کاهش نداده است.

مدت هاست AGI موزه داستان علمی تخیلی است ، که در آن ربات های بسیار هوشمند بیش از حد بشریت غلبه می کنند ، اما کارشناسان معتقدند این چیزی نیست که به زودی نگران آن باشیم.

ارتباط کووید وافسردگی

محققان دریافتند افرادی که در شش ماه گذشته دچار کووید -19 بودند بیشتر در معرض افسردگی، زوال عقل، روان پریشی و سکته مغزی قرار داشتند.

یک سوم از کسانی که قبلاً به عفونت کووید مبتلا شده بودند، به یک بیماری روانی یا عصبی مبتلا شدند. افرادی که در بیمارستان یا تحت مراقبت های ویژه بستری شده اند حتی بیشتر از این خطر برخوردارند.

دانشمندان انگلیس پرونده پزشکی الکترونیکی بیش از نیم میلیون بیمار در ایالات متحده و احتمال ابتلای آنها به یکی از 14 بیماری روانی یا عصبی رایج را بررسی کردند

از جمله این بیماری ها میتوان به:

افسردگی

سکته مغزی

خونریزی مغزی

پارکینسون

زوال عقل

اختلالات خلقی

و روان پریشی اشاره کرد.

محققان توضیح دادند اختلالات اضطرابی و خلقی شایعترین تشخیص در بین مبتلایان به کووید است و احتمالاً این موارد به دلیل استرس ناشی از مریضی سخت و یا انتقال به بیمارستان است.

علتها و اثرات

این مطالعه که در مجله روانپزشکی Lancet منتشر شده است، به صورت مشاهده ای بود. بنابراین محققان نمی توانستند بگویند که آیا کووید باعث تشخیص شده است یا خیر

اما با مقایسه گروهی از افراد مبتلا به کووید -19 با دو گروه از بیماران مبتلا به آنفلوآنزا و سایر بیماریهای تنفسی، محققان دانشگاه آکسفورد نتیجه گرفتند که کووید بیشتر از سایر بیماری های تنفسی با اختلالات مغزی بعدی همراه است

مبتلایان پس از کووید 16% بیشتر از سایر عفونتهای تنفسی و 44% بیشتر از افراد بهبود یافته از آنفلوانزا دچار اختلال روانشناختی یا عصبی شدند.

علاوه بر این، هرچه درجه سختی بیماری بیشتر باشد، احتمال بروز اختلالات مغزی و بیماریهای روانی بیشتر میشود

خلق و خو، اضطراب یا اختلالات روان پریشی 24%، از کل بیماران را تحت تأثیر قرار داده است، اما این میزان در بیماران بستری در بیمارستان 25%، در افرادی که تحت مراقبت های ویژه قرار داشتند 28% و در افرادی که هذیان را در طول بیماری تجربه کردند 36% بوده است

سکته های مغزی 2٪ از بیماران کووید را تحت تأثیر قرار داد و به 7٪ از بیماران بستری در ICU و 9٪ از افرادی که هذیان داشتند ، افزایش یافت.

دکتر سارا ایماریسیو ، رئیس تحقیق در آلزایمر تحقیق انگلیس ، گفت: مطالعات قبلی نشان داده است که افراد مبتلا به زوال عقل در معرض خطر بیشتری برای ابتلا به Covid-19 شدید هستند. این مطالعه جدید بررسی می کند که آیا این رابطه ممکن است در جهت دیگر نیز باشد.

“این مطالعه به علت این رابطه متمرکز نیست و مهم این است که محققان به آنچه در زمینه این یافته ها است ، برسند.

مسعود حسین ، استاد مغز و اعصاب در دانشگاه آکسفورد ، توضیح داد که شواهدی وجود دارد که دال بر ورود ویروس به مغز و آسیب مستقیم به آن است.

این می تواند اثرات غیرمستقیم دیگری داشته باشد ، به عنوان مثال با تأثیر بر لخته شدن خون، می تواند منجر به سکته شود و یا التهاب عمومی که در بدن هنگام پاسخ به عفونت اتفاق می افتد، می تواند مغز را تحت تأثیر قرار دهد.

فقط برای بیش از یک سوم افراد مبتلا به یک یا چند مورد از این شرایط ، این اولین تشخیص آنها بود.

اما حتی در مواردی که یک مشکل از قبل وجود داشته باشد ، محققان این احتمال که کووید باعث عود بیماری شده است را رد نمی کنند.

پروفسور دام تیل ویکز، از انستیتوی روانپزشکی، روانشناسی و علوم اعصاب کالج کینگ لندن ، گفت: این مطالعه سوظن ما را درمورد اینکه تشخیص Covid-19 فقط مربوط به علائم تنفسی نیست ، بلکه به مشکلات روانپزشکی و عصبی نیز مربوط می شود را تایید میکند.

بررسی بیش از شش ماه پس از تشخیص نشان داده است که” عوارض جانبی “می تواند بسیار دیرتر از حد انتظار ظاهر شود – چیزی که برای مبتلایان به Long Covid تعجب آور نیست.

اگرچه همانطور که انتظار می رفت، نتایج در بیماران بستری در بیمارستان جدی تر است ، اما این مطالعه نشان می دهد که اثرات جدی در افرادی که در بیمارستان بستری نشده اند نیز مشهود است.