آشنایی با پارامترهای QEEG یا نقشه مغز

نقشه‌برداری کمی مغز یا QEEG (Quantitative EEG) ابزاری دقیق برای تحلیل فعالیت الکتریکی مغز است که به کمک آن می‌توان الگوهای خاص مرتبط با عملکردهای شناختی، هیجانی و بالینی را بررسی کرد. برای تفسیر صحیح QEEG، شناخت پارامترهای اصلی آن اهمیت زیادی دارد، چرا که هرکدام بازتابی از ویژگی خاصی در عملکرد عصبی هستند.

1. توان مطلق (Absolute Power)
توان مطلق، میزان انرژی تولیدشده در هر باند فرکانسی مغز را در یک نقطه مشخص از سطح جمجمه نشان می‌دهد. این شاخص به صورت میکروولت مربع (µV²) اندازه‌گیری می‌شود و بیانگر قدرت فعالیت نورونی در آن ناحیه است.
به عنوان مثال، افزایش توان مطلق در باند دلتا (0.5–4 Hz) ممکن است نشانه‌ای از کندی فعالیت قشری و کاهش هوشیاری باشد، در حالی که افزایش بتا (13–30 Hz) می‌تواند به برانگیختگی بیش از حد یا اضطراب اشاره کند.
2. توان نسبی (Relative Power)
این پارامتر درصد سهم هر باند فرکانسی از کل انرژی مغز را مشخص می‌کند. توان نسبی نسبت به توان مطلق، دقیق‌تر برای تحلیل تعادل بین امواج مختلف است. مثلاً افزایش توان نسبی تتا در نواحی فرونتال معمولاً در ADHD دیده می‌شود و بیانگر کاهش تمرکز و مهار شناختی است.
3. عدم تقارن دامنه (Amplitude Asymmetry)
این شاخص تفاوت میزان فعالیت الکتریکی بین نیمکره‌های چپ و راست مغز را بررسی می‌کند. تقارن در فعالیت دو نیمکره برای عملکرد طبیعی مغز ضروری است؛ اما اگر مثلاً در ناحیه فرونتال راست توان آلفا بیشتر باشد، ممکن است با افسردگی یا کناره‌گیری هیجانی مرتبط باشد، در حالی که افزایش توان فرونتال چپ با برانگیختگی مثبت و انگیزه در ارتباط است.
4. انسجام (Coherence)
انسجام به معنای هم‌زمانی و هماهنگی عملکرد بین دو ناحیه از مغز است. انسجام بالا نشان‌دهنده ارتباط قوی بین نواحی است و انسجام پایین می‌تواند نشانه اختلال در ارتباطات نورونی باشد. به عنوان مثال، کاهش انسجام در باند بتا بین لوب فرونتال و پاریتال در ADHD دیده می‌شود و حاکی از دشواری در یکپارچه‌سازی پردازش‌های شناختی است.
5. تأخیر فاز (Phase Delay)
این شاخص بیان می‌کند که سیگنال‌های الکتریکی بین دو ناحیه مغزی با چه اختلاف زمانی به هم می‌رسند. افزایش تأخیر فاز ممکن است نشانه کندی انتقال اطلاعات بین شبکه‌های مغزی باشد. در بسیاری از اختلالات مانند اضطراب، ADHD و اختلالات یادگیری، تأخیر فاز بالا نشانه ضعف در کارایی شبکه‌های ارتباطی مغز است.

به‌طور کلی، تحلیل این پارامترها در کنار هم تصویر دقیقی از عملکرد مغز ارائه می‌دهد. QEEG به متخصص اجازه می‌دهد تا نه‌تنها محل دقیق اختلال، بلکه نوع و شدت آن را نیز به‌صورت داده‌محور شناسایی کند.

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.

دستگاه های نوروفیدبک در دو دسته گسترده وجود دارد: خطی ، مبتنی بر پروتکل ، و دینامیک ، غیر خطی نیز نامیده می شوند.

نوروفیدبک خطی

اولین نسل دستگاه ها بودکه به آنها EEG سیستم های بیوفیدبک گفته می شود. نحوه کار آنها به این صورت است که ابتدا با داشتن مربی نوروفیدبک ابتدا از الگوهای الکتریکی مغز نقشه برداری می کنند. این نقشه به مربی اجازه می دهد تا فعالیت مغز را تجزیه و تحلیل کند. به عنوان مثال ، بررسی اینکه امواج تتای مغز آنها در مقایسه با الگوهای مغز سالم کم است یا آلفا بسیار زیاد است. این نقشه برداری qEEG یا الکتروانسفالوگرافی کیفی نامیده می شود. فعالیت الکتریکی ضبط شده مغز برای تولید نقشه عملکرد مغز استفاده می شود.

سپس نقشه به عنوان مرجع مربی برای تنظیم پروتکل هایی جهت کمک به مغز برای حرکت به سمت الگوهای طبیعی و سالم موج مغزی استفاده می شود. در صورت عدم دسترسی به نقشه مغز ، پزشک ممکن است از تشخیصی مانند ADHD یا اضطراب برای تنظیم پروتکل ها استفاده کند.طول امواج مغزی نشان دهنده ی اندازه گیری ولتاژ الکتریکی مغز است که از طریق ریاضیات به فرکانس های مختلف ترجمه می شود. این فرکانس ها دارای نام هایی مانند تتا ، بتا یا آلفا هستند و با عملکردها یا حالات مختلف مغز مرتبط هستند.

به عنوان مثال ، بر اساس یک نقشه مغزی ، پزشک ممکن است ارزیابی کند که مشتری بیش از حد فعالیت موج دلتا دارد و فعالیت موج آلفا کافی نیست. وی پروتکل هایی برای کمک به تغییر مغز در این فرکانس ها ایجاد خواهد کرد و از گزارشات خود و نتایج نقشه برداری بیمار برای ارزیابی پیشرفت از جلسه به جلسه دیگر استفاده خواهد کرد. دوره ای از این جلسات بیمار را به سلامتی مطلوب مغز نزدیک میکند.

نوروفیدبک غیر خطی/دینامیکی

نسل دوم دستگاه های نوروفیدبک با نزدیک شدن سرعت محاسبات به سرعت پردازش مغز بوجود آمد. از طراحی این سیستم به دلیل فرمول ریاضی استفاده شده، به عنوان “غیرخطی” یاد می شود که نشان دهنده چگونگی ایجاد تغییر به صورت طبیعی مغز است. روش تغییر و بهبود مغز یک رویکرد سیستمی غیر خطی است.

سیستم خطی در مقابل سیستم غیرخطی چیست؟

هر چیزی که با قابلیت پیش بینی 100٪ کار کند، یک سیستم خطی است. نمونه ای از یک سیستم تغییر غیرخطی، آب و هوا است. ما درک می کنیم که زمستان به بهار، تابستان و پاییز منجر می شود (سیستم خطی) اما این کار را با الگوی قابل پیش بینی افزایش و کاهش دما (غیر خطی) انجام نمی دهد. بارش برف در ماه آوریل به معنای بازگشت ما به زمستان نیست!

مغز هم در یک الگوی غیر خطی تغییر می کند و فرمول ریاضی برای نرم افزار نوروفیدبک غیر خطی این الگوی را منعکس می کند. به طور خاص، این نرم افزار فعالیت الکتریکی یا ولتاژ مغز را بررسی می کند و با تعیین فاکتور تغییرات در طول، دامنه و فرکانس ها در طول زمان، تغییر حالت را تعیین می کند.

تفاوت قابل توجه دیگر نوروفیدبک غیرخطی این است که نیازی به مربی برای تنظیم پروتکل ها ندارد. از آنجا که سرعت محاسبه به سرعت مغز نزدیک شده است، این نرم افزار پویا در زمان واقعی با مغز ارتباط برقرار می کند تا به او بازخورد بدهد تا مغز فرد بتواند تغییرات حالت خود را ثبت کند و هر چیزی را که بهینه نیست تغییر دهد.

این نرم افزار صدها نقطه داده را از فعالیت الکتریکی اندازه گیری شده توسط حسگرهای EEG در هر ثانیه می گیرد. سپس این دستگاه از میکرو وقفه در موسیقی پخش شده هنگام اجرای جلسه آموزشی استفاده می کند.

شنوایی درک اصلی است که مغز از آن برای تشخیص تغییرات در محیط استفاده می کند. وقفه های دقیقاً به موقع به عنوان یک سیستم هشدار عمل می کند که به مغز فرد می گوید به دو مجموعه اطلاعات توجه کند: آنچه در محیط خارجی اتفاق می افتد و آنچه در داخل بدن اتفاق می افتد.

آموزش هزاران بار در هر جلسه این بازخورد را ارائه می دهد. سپس مغز فرد می تواند با استفاده از این بازخورد، انتخاب ها یا عادت های خودکار خود را ببیند و سپس تصمیم بگیرد که آیا می خواهد این الگوها را تغییر دهد.

نظریه آموزش غیر خطی نوروفیدبک این است که طی دوره جلسات آموزشی، فرآیند یادگیری که انجام می شود منجر به کارآمدترین و موثرترین استفاده از انرژی توسط مغز برای پاسخگویی به نیازهای فعلی محیطی می شود. این روند جمع آوری داده های فعلی جایگزین پاسخ های عادت ناسازگار می شود. هنگامی که مغز این الگوی جدید ارزیابی نیازها را فرا گرفت، فرد متوجه تغییراتی در واکنش های ذهنی و عاطفی می شود.

نظریه آموزش غیر خطی نوروفیدبک این است که طی دوره جلسات آموزشی، فرآیند یادگیری که انجام می شود منجر به کارآمدترین و موثرترین استفاده از انرژی توسط مغز برای پاسخگویی به نیازهای فعلی محیطی می شود. این روند جمع آوری داده های فعلی جایگزین پاسخ های عادت ناسازگار می شود. هنگامی که مغز این الگوی جدید ارزیابی نیازها را فرا گرفت، فرد متوجه تغییراتی در واکنش های ذهنی و عاطفی می شود.

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.

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

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

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

 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

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

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.

2. 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.

3. 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

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.