تحلیل جامع ویژگی‌های QEEG در اختلال ADHD

اختلال نقص توجه و بیش‌فعالی (ADHD) یکی از اختلالات عصب‌تکاملی با زمینه‌ی ژنتیکی و نوروفیزیولوژیک مشخص است که با مشکلات در توجه پایدار، کنترل تکانه، و تنظیم هیجانی شناخته می‌شود. با وجود اینکه تشخیص بالینی آن همچنان بر پایه‌ی مصاحبه، مشاهده و پرسشنامه‌ها انجام می‌شود، نقشه‌برداری کمی از مغز (QEEG) در دهه‌ی اخیر به ابزاری کلیدی برای درک دقیق‌ترِ زیربنای عصبی این اختلال تبدیل شده است.

الگوهای امواج مغزی در ADHD
تحلیل QEEG نشان می‌دهد که در اغلب مبتلایان به ADHD، فعالیت الکتریکی مغز دچار ناهماهنگی در ریتم‌های پایه‌ای است.
شایع‌ترین الگوی مشاهده‌شده، افزایش توان امواج تتا (۴–۸ هرتز) همراه با کاهش امواج بتا (۱۳–۲۱ هرتز) در نواحی پیش‌پیشانی و مرکزی مغز است.
این پدیده که به نام افزایش نسبت تتا به بتا (Theta/Beta Ratio – TBR) شناخته می‌شود، سال‌هاست یکی از شاخص‌های زیستی معتبر در تحقیقات ADHD محسوب می‌شود.

تتا بالا: بیانگر فعالیت پایین شبکه‌های توجه و افزایش حالت ذهنی «خیالبافی» یا عدم تمرکز است.
بتا پایین: نشانه‌ای از کاهش برانگیختگی شناختی و ضعف در عملکردهای اجرایی مانند برنامه‌ریزی، تصمیم‌گیری و بازداری پاسخ است.
به‌صورت عینی‌تر، نقشه QEEG این افراد معمولاً رنگ‌های گرم (قرمز و نارنجی) در باند تتا در نواحی Frontal و Central نشان می‌دهد و رنگ‌های سردتر (آبی) در باند بتا.

• تفاوت زیرگونه‌های ADHD در QEEG
  مطالعات جدیدتر نشان داده‌اند که ADHD یک اختلال همگن نیست، بلکه چندین زیرگونه‌ی الکتروفیزیولوژیک دارد که QEEG قادر به تفکیک آن‌هاست:
• Subtype تتا بالا / بتا پایین: شایع‌ترین نوع، بیشتر در کودکان و نوجوانان؛ همراه با حواس‌پرتی، کندی شناختی و ضعف تمرکز.
  Subtype بتای بالا (High-Beta): معمولاً در نوجوانان یا بزرگسالان با اضطراب بالا دیده می‌شود؛ مغز بیش‌برانگیخته و ناتوان در آرام‌سازی است.
  Subtype آلفای بالا: در برخی موارد نوع inattentive، افزایش آلفا در نواحی پس‌سری دیده می‌شود که نشان‌دهنده‌ی حالت بیش‌ازحد درون‌گرای ذهن است.
  Subtype Low-Voltage Fast (LVF): در بزرگسالانی با ADHD مزمن مشاهده می‌شود؛ توان کلی پایین در تمام باندها، مغز کم‌انرژی و تحلیل‌رفته.
  این تمایزها اهمیت بالینی دارند، چون هرکدام نیازمند پروتکل نوروفیدبک متفاوتی هستند.
• 🔗 عدم تقارن دامنه (Amplitude Asymmetry)
  در QEEG افراد مبتلا به ADHD، گاهی عدم تقارن بین نیمکره‌ها (به‌ویژه در نواحی فرونتال) مشاهده می‌شود.
  برای مثال، افزایش تتا در F3 (سمت چپ) نسبت به F4، با کاهش عملکرد کلامی و کندی در تصمیم‌گیری مرتبط است.
  این تفاوت‌ها در تحلیل Z-score معمولاً به‌صورت مقادیر مثبت یا منفی مشخص می‌شوند و به کلینیسین در طراحی پروتکل کمک می‌کنند.
  انسجام (Coherence) و تاخیر فاز (Phase Lag)
  در مغز طبیعی، انسجام بین نواحی مختلف باید در حد بهینه باشد: نه خیلی زیاد (که باعث تفکر تکراری و انعطاف‌ناپذیر می‌شود) و نه خیلی کم (که نشانه‌ی گسیختگی شناختی است).
• در ADHD، معمولاً دو الگوی کلی دیده می‌شود:
  Hypo-coherence: کاهش ارتباط کارکردی بین نواحی فرونتو-پاریتال، که منجر به ناتوانی در نگه‌داشتن توجه پایدار می‌شود.
  Hyper-coherence: افزایش بیش از حد انسجام، خصوصاً در باند بتا، که باعث تفکر سفت و غیرمنعطف می‌شود.
  همچنین Phase Lag در مسیرهای ارتباطی بین Fz، Cz و Pz ممکن است افزایش یابد، به این معنا که پیام‌های عصبی با تأخیر بین این نواحی منتقل می‌شوند؛ و در نتیجه مغز در هماهنگی بین “تصمیم” و “عمل” دچار کندی می‌شود.
• یافته‌های مرتبط با شاخص Z-score
  تحلیل Z-score در QEEG مقایسه‌ی داده‌های فرد با پایگاه داده‌ی نرمال (Normal Database) است. در ADHD معمولاً نواحی فرونتال (Fp1، Fz، Cz) دارای Z-score بالاتر از ۲+ در باند تتا و کمتر از -۲ در باند بتا هستند.
  این داده‌ها نشان می‌دهد فعالیت تتا بیش از میانگین جمعیت نرمال و فعالیت بتا کمتر از حد طبیعی است.
  با این اطلاعات، سیستم‌هایی مانند EEGLOG می‌توانند به‌صورت خودکار پروتکل‌های نوروفیدبک متناسب را پیشنهاد دهند. برای مثال:
  افزایش بتا در Fz
  کاهش تتا در Cz
  تنظیم انسجام بین F3 و Pz
  این روش‌ها که به‌صورت درمان مبتنی بر داده (Data-Driven Neurofeedback) شناخته می‌شوند، احتمال موفقیت درمان را به‌طور چشمگیری بالا می‌برند.
• تفسیر بالینی و ارتباط با عملکرد رفتاری
  مطالعات همبستگی نشان داده‌اند که شدت افزایش تتا با شدت مشکلات تمرکزی رابطه مستقیم دارد.
  همچنین، نسبت تتا/بتا بالاتر از ۴ معمولاً با نمرات پایین‌تر در آزمون‌های توجه پیوسته (CPT) و زمان واکنش طولانی‌تر همراه است.
  این یافته‌ها نشان می‌دهد که QEEG نه‌تنها می‌تواند تشخیص را دقیق‌تر کند، بلکه شاخصی برای پیگیری روند درمانی نیز محسوب می‌شود.
  ADHD تنها یک اختلال رفتاری نیست، بلکه بازتابی از ناهماهنگی عمیق در شبکه‌های نورونی مغز است. QEEG با ثبت دقیق الگوهای امواج مغزی، این ناهماهنگی را به داده‌های قابل‌تحلیل تبدیل می‌کند.
• شناخت این الگوها، به‌ویژه در باندهای تتا و بتا، درک عمیق‌تری از سازوکارهای مغزی و طراحی درمان‌های هدفمند فراهم می‌آورد.

نوروفیدبک یک برداشت یا کشف جدید نیست. این مسئله موضوع تحقیق بسیاری از پژوهشگران برای بیش از یک دهه بوده است. نوروفیدبک یک روش است که به افراد کمک می‌کند تا به صورت اگاهانه  امواج مغزی خود  را کنترل کنند. در واقع در طول درمان نوروفیدبک از پرتونگاری مغزی (EEG) استفاده می‌شود. سپس اجزای مختلف آن استخراج می‌‌شود و بازخورد‌های موج‌های مغزی در آن به صورت صدا، تصویر یا ترکیبی از آنها به نمایش در می‌آید. بنابراین اجزای الکتروفیزیولوژیک آن به صورت جدا نمایش داده می‌شوند.

پروتکل‌های درمانی مختلف نوروفیدبک

.

پروتکل آلفا

آموزش آلفا معمولاً برای درمان بیماریهای مختلف مانند تسکین درد (با تحریک 9 هرتز)، کاهش استرس و اضطراب (با تحریک 10 و 30 هرتز)، بهبود حافظه، بهبود عملکرد ذهنی و درمان آسیب های مغزی (تا 10.2 هرتز) استفاده می شود.

پروتکل بتا

فعالیت بتا یک شاخص خوب برای عملکرد ذهنی است و فعالیت بتای نامناسب نشان دهنده اختلالات روحی و جسمی مانند افسردگی، ADHD  و بی خوابی است. امواج مغزی بتا با دقت آگاهانه، تمرکز قوی و توانایی حل مسئله مرتبط است. داروهایی که برای تحریک هوشیاری و تمرکز مورد استفاده قرار می گیرند مانند ریتالین و آددرال نیز باعث می شوند مغز امواج مغزی بتا تولید کند.

از آموزش بتا برای بهبود تمرکز و توجه (افزایش بتا 12-14 هرتز)، بهبود توانایی خواندن (بتای 7-9 هرتز) و ایجاد تغییرات مثبت در عملکرد تحصیلی استفاده می شود. همچنین افزایش بتا عملکرد محاسباتی، پردازش شناختی، کاهش نگرانی ها، بیش از فکر کردن، وسواس (OCD)، الکلیسم و ​​بی خوابی (بتای 14-22 هرتز و 12-15 هرتز) را بهبود می بخشد. این نوع نوروفیدبک عملکرد شناختی، خواب را بهبود می بخشد و همچنین کاهش خستگی و استرس را باعث میشود. تقویت امواج بتا در محدوده 12-15 هرتز (SMR) اضطراب، صرع، عصبانیت و استرس را کاهش می دهد.

پروتکل آلفا به تتا

آلفا/تتا یک شاخص مابین هشیاری و خواب است. آموزش آلفا/تتا یکی از محبوب ترین آموزش های نوروفیدبک برای کاهش استرس است. همچنین این درمان برای سطوح عمیق افسردگی، اعتیاد و اضطراب مورد استفاده قرار می گیرد. این پروتکل باعث افزایش خلاقیت، آرامش، عملکرد موسیقی و بهبودی از اتفاقات تروماتیک می شود. الکترودها معمولاً در O1 ، O2 ، CZ و PZ قرار میگیرند. محدوده فرکانس آلفا/تتا 7-8.5 هرتز با مقدار معمول 7-8 هرتز است. این درمان تحت شرایط چشم بسته انجام می شود که نسبت امواج تتا به آلفا را با استفاده از بازخورد شنوایی افزایش می دهد.

 نوروفیدبک سطحی ADHD

در ADHD هدف کاهش فعالیت مغز در باند تتا و افزایش فعالیت آن در باند بتا (یا کاهش نسبت تتا/بتا) در الکترود است. این درمان در کاهش بیش فعالی موثر است. افزایش تمرکز، بهبود نمرات و رضایت والدین از رفتار کودکان و بهبود شاخص های توجه پایدار از نتایج گزارش شده ی آن است. پروتکل تتا/بتا و ناحیه Cz برای قرار دادن الکترود EEG رایج ترین استراتژی نوروفیدبک در درمان ADHD است.

نوروفیدبک چیست؟

در اواخر دهه 1960 و 1970 محققان متوجه شدند که امکان اصلاح و بازآموزی الگوهای امواج مغزی وجود دارد. برخی از این کارها با آموزش به افراد برای افزایش فعالیت امواج مغزی آلفا به منظور بالا بردن سطح آرامش آغاز شد، همزمان مطالعات دیگری از دانشگاه کالیفرنیا ابتدا بر روی حیوانات و سپس تحقیقات انسانی در زمینه کمک به صرع متمرکز شد. این آموزش باز تنظیمی امواج مغزی را EEG biofeedback یا نوروفیدبک نامیدند. پیش از صحبت پیرامون جزییاتی در مورد نوروفیدبک برخی اطلاعات اولیه در مورد فعالیت امواج مغزی را مرور می کنیم. امواج مغزی در فرکانس های مختلف رخ می دهند. بعضی از آنها سریع و برخی دیگر بسیار کند هستند. نام های کلاسیک این باندهای EEG دلتا، تتا، آلفا، بتا و گاما است که با “سیکل در ثانیه” یا “هرتز” اندازه گیری می شوند. تعاریف زیر اگرچه از نظر علمی سختگیری ندارند، اما برداشتی از فعالیت مرتبط با باندهای فرکانسی مختلف را برای خواننده عمومی فراهم می کند.

امواج مغزی گاما فعالیت بسیار سریع و بالاتر از 30 هرتز دارند. اگرچه تحقیقات بیشتری در مورد این فرکانس ها مورد نیاز است، ما می دانیم که برخی از این فعالیت ها با توجه متمرکز و کمک به مغز در پردازش و مرتبط کردن اطلاعات از مناطق مختلف مغز همراه است. امواج مغزی بتا امواج مغزی کوچک و نسبتاً سریعی (13-30 هرتز) هستند که با وضعیتی از فعالیت ذهنی، فکری و تمرکز در ارتباط هستند. فعالیت در انتهای پایینی این باند فرکانسی (به عنوان مثال، ریتم حسی-حرکتی یا SMR) مرتبط با توجه و تمرکز در هنگام آرامش است. امواج مغزی آلفا (8-12 هرتز) کندتر و دارای دامنه بزرگتر هستند که به طور کلی نشان دهنده حالت آرامش همراه هستند. فعالیت در نیمه پایینی این دامنه نشان دهنده تغییر وضعیت مغز است و نماینگر این است که حالت عملکردی مغز دچار تغیر شده است. اگر افراد فقط چشمهای خود را ببندند و شروع به تصور چیزهای آرامبخش کند، در کمتر از نیم دقیقه موجهای مغزی آلفا افزایش می یابد. این امواج مغزی به ویژه در یک سوم پشت سر بزرگ هستند. فعالیت تتا (4-8 هرتز) به طور کلی بیانگر یک حالت ذهنی بیشتر شبیه خیال پردازی است، و نه فضایی که با ناکارآمدی ذهنی همراه است. در سطح بسیار آهسته، فعالیت امواج مغزی تتا یک حالت بسیار آرام است، که نمایانگر منطقه انتقالی بین بیداری و خواب است. امواج مغزی دلتا (5/3–5/5 هرتز) امواج مغزی بسیار کند و با دامنه زیاد (با شدت) هستند و همان چیزی است که ما در خواب عمیق تجربه می کنیم.

به طور کلی، سطوح مختلف آگاهی با حالت غلبه امواج مغزی مختلف مرتبط است. البته باید توجه داشت که هر یک از ما همیشه دارای درجه ای از هر یک از این فرکانسهای مختلف امواج مغزی هستیم که در قسمتهای مختلف مغز ما وجود دارد. امواج دلتا همچنین به عنوان مثال زمانی رخ می دهند که مناطق مغز برای تغذیه لحظاتی از مدار خارج میشوند، همچنین بروز دلتا با اختلالات یادگیری نیز همراه است. اگر کسی در حال خواب رفتن باشد، امواج مغزی دلتا و کندتر نمایان میشوند و اگر افراد تا حدی نسبت به محرک های خارجی بی توجه باشند و ذهن آنها اصطلاحا سرگردان باشد، تتا بیشتر نمایان میشود. اگر فردی مضطرب و متشنج باشد، فرکانس بیش از حد امواج مغزی بتا ممکن است در قسمت های مختلف مغز دیده شود، همینطور این مسئله ممکن است با فعالیت بیش از حد آلفا بصورت ناکارآمد در نواحی پیشانی که با کنترل عاطفی همراه هستند نیزهمراه باشد. افرادی که دچار نقص توجه/ اختلال بیش فعالی، آسیب به سر، سکته، صرع، ناتوانی در رشد و سندرم خستگی مزمن و فیبرومیالژیا هستند، امواج آهسته (معمولاً تتا و گاهی اوقات آلفای) بیش از حد دارند. وقتی مقدار بیش از حد امواج آهسته در قسمت های اجرایی (پیشانی) مغز وجود داشته باشد کنترل توجه، رفتار و یا احساسات دشوار می شود. چنین افرادی عموماً در تمرکز، حافظه، کنترل انگیزه ها و یا بیش فعالی مشکل دارند و دچار كاهش كارآمدي فكري می شوند. همانطور که واضح است پیچیدگی در نحوه عملکرد مغز وجود دارد. تحقیقات نشان داده است که ناهمگنی در الگوهای EEG مربوط به شرایط تشخیصی مختلف مانند نقص توجه/بیش فعالی، اضطراب یا اختلال وسواس وجود دارد. به عنوان مثال تحقیقات علمی حداقل سه زیرگروه اصلی نقص توجه/بیش فعالی را شناسایی کرده اند که هیچ یک از آنها فقط با مشاهده رفتار فرد قابل تشخیص نیست و هر یک از آنها به پروتکل درمانی متفاوتی نیاز دارند. این واقعیت که گاهی اوقات مشکلات همزمان دیگری نیز وجود دارد و مشکل فرد فقط نقص توجه/بیش فعالی به تنهایی نیست، میتواند این تصویر را پیچیده تر از قبل کند. بنابراین ارزیابی مناسب قبل از شروع انجام نوروفیدبک برای تعیین اینکه فرکانسهای EEG بیشتر یا کمتر هستند، یا اگر در سرعت پردازش یا انسجام و در کدام قسمتهای مغز مشکلی وجود دارد، اهمیت بالایی دارد. ارزیابی مناسب اجازه می دهد تا درمان به صورت فردی و متناسب با بیمار انجام شود.

نوروفیدبک، بازخورد زیستی EEG (امواج مغزی) است. در طی نوروفیدبک معمولی یک یا چند الکترود روی پوست سر قرار می گیرد و یک یا دو الکترود معمولاً روی لاله های گوش قرار می گیرد. سپس تجهیزات الکترونیکی با فناوری پیشرفته بازخورد لحظه ای و فوری (معمولاً شنیداری و بصری) درباره فعالیت امواج مغزی ارائه می دهند. الکترودها باعث می شوند الگوهای الکتریکی ناشی از فعالیت مغز را اندازه بگیریم: مشابه زمانی که یک پزشک از سطح پوست به صدای قلب گوش می دهد. در این فرایند هیچ جریان الکتریکی به مغز وارد نمی شود و فقط فعالیت الکتریکی مغز بصورت یک طرفه به کامپیوتر منتقل شده و ثبت می شود. در حالت عادی افراد نمی توانند چندان الگوی امواج مغزی خود را تحت تأثیر قرار دهند چون از آن آگاهی ندارند. با این حال هنگامی که فرد قادر باشد امواج مغزی خود را روی صفحه رایانه چند هزارم ثانیه بعد از وقوع ببیند، توانایی تأثیرگذاری و تغییر تدریجی آن را پیدا می کند. مکانیسم عملکرد به طور کلی “شرطی سازی عامل” در نظر گرفته می شود که افراد در طی آن به معنای واقعی کلمه در حال بازسازی و بازآموزی مغز هستند. در ابتدای به کارگیری نوروفیدبک تغییرات کوتاه مدت است، اما به تدریج ماندگارتر می شوند. با انجام تمرینات نوروفیدبک در جلسات دنباله دار و کافی، معمولاً می توان الگوی سالم تر امواج مغزی را در اکثر افراد آموزش داد. بیشتر تحقیقات حاکی از آن است که پیشرفتهای چشمگیری در 75 تا 80٪ از موارد استفاده از نوروفیدبک اتفاق می افتد. این روند کمی شبیه ورزش یا انجام فیزیوتراپی با مغز، افزایش انعطاف پذیری و کنترل شناختی بهتر را در فرد ایجاد میکند. بنابراین در علائم ناشی از نقص توجه/بیش فعالی، اختلال یادگیری، سکته مغزی، آسیب به سر، نقص ناشی از جراحی مغز و اعصاب، صرع کنترل نشده، اختلال عملکرد شناختی مرتبط با پیری، افسردگی، اضطراب، وسواس فکری، اوتیسم یا سایر شرایط مرتبط با مغز، آموزش نوروفیدبک فرصتهای خوبی را برای توان بخشی فراهم می کند. نکته هیجان انگیز این است که حتی وقتی مشکلی ماهیتی بیولوژیکی دارد جایگزین درمانی دیگری برای تکمیل و بهبود اثربخشی داروها وجود دارد. از نوروفیدبک همچنین به طور فزاینده ای برای بهبود عملکرد در افراد عادی، مدیران و ورزشکاران استفاده می شود.

بیش از یک دهه پیش، فرانک اچ. دافی، دکتر، استاد و متخصص مغز و اعصاب کودکان در دانشکده پزشکی هاروارد، در مجله Clinical Electroencephalography اظهار داشت که متون علمی قبلاً پیشنهاد کرده بودند که نوروفیدبک باید در بسیاری از حیطه های دشوار درمانی، نقش اصلی را داشته باشد. همانطوری که اگر هر دارویی طیف گسترده ای از اثر را نشان می داد، در سطح جهانی پذیرفته می شد و به طور گسترده مورد استفاده قرار می گرفت و این زمینه ای است که همه باید جدی بگیرند.

ارزیابی های پیش از نوروفیدبک

برخی از افراد دوست دارند که تجهیزات نوروفیدبک را خریداری کرده و خود یا فرزندانشان را در منزل آموزش دهند. این کار میتواند احتمال آسیب یا اثرات معکوس و ناکارآمد را افزایش دهد. نوروفیدبک برای اینکه به درستی انجام شود، باید توسط یا تحت نظارت متخصصی که در زمینه شناخت عملکرد مغز حرفه ای و با تجربه است انجام گیرد. کسی که دانش و تخصص او بیش از چگونگی ست آپ دستگاه و استفاده از نرم افزارها باشد. برای موفقیت آمیز بودن نوروفیدبک و اجتناب از عوارض جانبی، انجام ارزیابی پیش از شروع مراحل درمان با آن بسیار مهم است و انجام نوروفیدبک باید به الگوهای مشخص مغزی و علائمی که هر فرد بروز می دهد اختصاص یابد. همه افراد در یک ناحیه مشخص از مغز خود نیاز به انجام تکنیک های نوروفیدبک ندارند و همچنین تحقیقات مختلف نیز نشان داده است که الگوهای امواج مغزی فرد را نمی توان فقط با مشاهده علائم رفتاری فرد تشخیص داد. بنابراین، پیش از انجام تکنیک های نوروفیدبک، نیاز است که درمانگری که دارای مجوز است در مورد سابقه بالینی مراجع سوال کنند. گاهی اوقات در مراجعینی با مشکلات جدی تر، ممکن است نیاز به ارزیابی های عصب روانشناسی یا روانپزشکی باشد یا پزشکان متخصص نیز ارزیابی دقیق و بررسی الگوی امواج مغزی را انجام دهند. برخی از درمانگران ممکن است ارزیابی را با قرار دادن یک یا دو الکترود روی پوست سر و اندازه گیری الگوهای امواج مغزی در مناطق خاصی از انجام دهند. برخی از درمانگران با ثبت نقشه مغزی الکتروانسفالوگرام کمی (QEEG) که 19 الکترود یا بیشتر روی پوست سر قرار میدهند و ثبت می گیرند، ارزیابی جامع تری انجام می دهند

 QEEG ابزاری برای ارزیابی عینی و علمی عملکرد امواج مغزی فرد است. این روش معمولاً حدود 60 تا 75 دقیقه طول می کشد و شامل قرار دادن یک کلاه روی سر است که حاوی الکترودهای کوچکی برای اندازه گیری فعالیت الکتریکی مغز است. این کار در حالی انجام می شود که مراجع یا بیمار در حالت چشم بسته یا چشم باز و گاهی در حین انجام آزمون های شناختی می باشد. پس از آن، از یک سری فرایند دقیق برای پاک کردن آرتیفکت ها به طور کامل که استفاده می شود که ممکن است در نتیجه ی حرکت کردن یا پلک زدن، فشردن دندان ها یا تکان دادن ابرو ها ایجاد شده باشد. داده های امواج مغزی که جمع آوری شده اند از نظر آماری با یک پایگاه داده هنجار و بزرگ مقایسه می شوند که اطلاعات عینی علمی درباره نحوه عملکرد مغز در سن فرد مورد نظر را ارائه می دهد. این روش ارزیابی به متخصص اجازه می دهد تا به روشی علمی و عینی تشخیص دهد که آیا الگوهای امواج مغزی مراجع به طور قابل توجهی با نرمال متفاوت است یا خیر و در صورت تفاوت، این تفاوت در کجا وجود دارد. از دهه 1970 و 1980 تحقیقات زیادی پیرامون کاربرد QEEG در طیف وسیعی از مشکلات انجام شده است. شواهد فراوانی به دست آمده که قابلیت اطمینان ارزیابی QEEG را تأیید کرده است و صدها مطالعه علمی با استفاده از ارزیابی های QEEG منتشر شده است. این مطالعات نشان داده است که QEEG توانایی مستندی برای کمک به ارزیابی شرایطی مانند آسیب خفیف ناشی از ضربه به سر، نقص توجه و بیش فعالی در کودکان و بزرگسالان، اختلالات یادگیری، افسردگی، وسواس فکری، اضطراب، اختلال سوء مصرف مواد مخدر، اوتیسم و انواع دیگر بیماریها از جمله اسکیزوفرنی، سکته، صرع و زوال عقل و مشابه اینها دارد.

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

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.

 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.

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.

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.