[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله ::
:: دوره 9، شماره 2 - ( بهار 1400 ) ::
دوره 9 شماره 2 صفحات 21-10 برگشت به فهرست نسخه ها
تجزیه و تحلیل سیگنال الکتریکی مغزی اختلال طیف اوتیسم با استفاده از تغییرات بعدهمبستگی در نقشه مغزی
ناهید قریشی، سمانه زارع ملک آباد، سمیه برات زاده، عاتکه گشوارپور، قاسم صادقی بجستانی*
گروه مهندسی پزشکی، دانشگاه امام رضا (ع)، مشهد، ایران ، g.sadeghi@imamreza.ac.ir
چکیده:   (836 مشاهده)
مقدمه: اختلال طیف اوتیسم (Autism Spectrum Disorder-ASD) یک اختلال رشدی- عصبی است که پردازش اطلاعات در سیستم عصبی و روند تکامل طبیعی مغز را تحت تاثیر قرار می‌دهد. از این رو، پردازش و تحلیل عملکرد مغزی این بیماران توجه بسیاری از محققان را به خود جلب کرده است. الکتروانسفالوگرافی کیفی (QEEG) یک روش ارزیابی برای تعیین ناهنجاری‌های عملکردی مغز است که با EEG کمّی متفاوت است. در EEG کیفی از ابزارهای آشوبگون استفاده می شود در حالی که در EEG کمّی از روش‌های خطی و غیرخطی استفاده می‌شود. مواد و روش‌ها: در این پژوهش، 19 کانال از سیگنال های مغزی (3C ، 4C ، Cz ، 3F ، 4F ، 7F ، 8F ، 1Fp ، 2Fp ، Fz ، 1O ، 2O ، 3P ، 4P ، Pz ، 3T ، 4T ، 5T ، 6T) 6 فرد سالم و 5 فرد اوتیسمی طی دو مرحله مورد بررسی قرار گرفت. ابتدا 5 دقیقه با چشمان بسته و سپس 5 دقیقه با چشمان باز، EEG افراد ثبت شدند. پس از حذف آرتیفکت‌ها، بعدهمبستگی سیگنال‌ها محاسبه شد و نقشه‌های مغزی برای تحلیل تغییرات بعدهمبستگی در سطح جمجمه ترسیم شدند. یافته‌ها: با مقایسه نقشه‌های مغزی گروه‌های سالم و اوتیسمی بین دو حالت چشم باز و چشم بسته متوجه شدیم که تفاوتی بین عملکرد مغزی گروه‌ها وجود دارد؛ به ویژه در نواحی 3T و 4T مناطق گیجگاهی، همچنین مناطق پیشانی و پس سری. نتیجه‌گیری: با استفاده از نقشه‌های مغزی، نگاشت بعدهمبستگی بر سطح مغز درک بهتری راجع به دینامیک‌های مغزی در نمونه‌های اوتیسمی ارائه می‌دهد.
واژه‌های کلیدی: نقشه‌برداری مغز، الکتروانسفالوگرافی، اختلال طیف اوتیسم
متن کامل [PDF 1415 kb]   (280 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: علوم اعصاب شناختی
فهرست منابع
1. Sparks BF, Friedman SD, Shaw DW, Aylward EH, Echelard D, Artru AA, et al. Brain structural abnormalities in young children with autism spectrum disorder. Neurology. 2002; 59(2): 184-92. [DOI:10.1212/WNL.59.2.184]
2. Coben R. Connectivity-guided neurofeedback for autistic spectrum disorder. Biofeedback. 2007; 35(4): 131-5.
3. Wöhr M, Scattoni ML. Neurobiology of autism. Behavioural brain research. 2013; 251. [DOI:10.1016/j.bbr.2013.06.014]
4. Landa RJ. Diagnosis of autism spectrum disorders in the first 3 years of life. Nature Clinical Practice Neurology. 2008; 4(3): 138-47. [DOI:10.1038/ncpneuro0731]
5. Christensen DL, Braun KVN, Baio J, Bilder D, Charles J, Constantino JN, et al. Prevalence and characteristics of autism spectrum disorder among children aged 8 years-autism and developmental disabilities monitoring network, 11 sites, United States, 2012. MMWR Surveillance Summaries. 2018; 65(13):1. [DOI:10.15585/mmwr.ss6513a1]
6. Gray DE. Lay conceptions of autism: Parents' explanatory models. Medical Anthropology. 1994; 16(1-4): 99-118. [DOI:10.1080/01459740.1994.9966111]
7. Hadjikhani N, Joseph RM, Snyder J, Chabris CF, Clark J, Steele S, et al. Activation of the fusiform gyrus when individuals with autism spectrum disorder view faces. Neuroimage. 2004; 22(3): 1141-50. [DOI:10.1016/j.neuroimage.2004.03.025]
8. Park HR, Lee JM, Moon HE, Lee DS, Kim B-N, Kim J, et al. A short review on the current understanding of autism spectrum disorders. Experimental neurobiology. 2016; 25(1): 1-13. [DOI:10.5607/en.2016.25.1.1]
9. Divanbeigi A, Divanbeigi A. A brief review on the causes of autism spectrum disorder. Shefaye Khatam. 2015; 3(1): 157-16. [DOI:10.18869/acadpub.shefa.3.1.157]
10. Golinska AK. Detrended fluctuation analysis (DFA) in biomedical signal processing: selected examples. Stud Logic Grammar Rhetoric. 2012; 29: 107-15.
11. Liston C, Cohen MM, Teslovich T, Levenson D, Casey B. Atypical prefrontal connectivity in attention-deficit/hyperactivity disorder: pathway to disease or pathological end point? Biological psychiatry. 2011; 69(12): 1168-77. [DOI:10.1016/j.biopsych.2011.03.022]
12. Schumann CM, Barnes CC, Lord C, Courchesne E. Amygdala enlargement in toddlers with autism related to severity of social and communication impairments. Biological psychiatry. 2009; 66(10): 942-9. [DOI:10.1016/j.biopsych.2009.07.007]
13. Pelphrey KA, Morris JP, McCarthy G. Neural basis of eye gaze processing deficits in autism. Brain. 2005; 128(5): 1038-48. [DOI:10.1093/brain/awh404]
14. Dziobek I, Bahnemann M, Convit A, Heekeren HR. The role of the fusiform-amygdala system in the pathophysiology of autism. Archives of general psychiatry. 2010; 67(4): 397-405. [DOI:10.1001/archgenpsychiatry.2010.31]
15. Elhabashy H, Raafat O, Afifi L, Raafat H, Abdullah K. Quantitative EEG in autistic children. The Egyptian Journal of Neurology, Psychiatry and Neurosurgery. 2015; 52(3): 176. [DOI:10.4103/1110-1083.162031]
16. Dimitrov PD, Petrov P, Aleksandrov I, Dimitrov I, Mihailova M, Radkova G, et al. Quantitative EEG Comparative Analysis between Autism Spectrum Disorder (ASD) and Attention Deficit Hyperactivity Disorder (ADHD). Journal of IMAB-Annual Proceeding Scientific Papers. 2017; 23(1): 1441-3. [DOI:10.5272/jimab.2017231.1441]
17. Askari E, Setarehdan SK, Sheikhani A, Mohammadi MR, Teshnehlab M. Modeling the connections of brain regions in children with autism using cellular neural networks and electroencephalography analysis. Artificial intelligence in medicine. 2018; 89: 40-50. [DOI:10.1016/j.artmed.2018.05.003]
18. Ma Y, Shi W, Peng C-K, Yang AC. Nonlinear dynamical analysis of sleep electroencephalography using fractal and entropy approaches. Sleep medicine reviews. 2018; 37: 85-93. [DOI:10.1016/j.smrv.2017.01.003]
19. Rodriguez-Bermudez G, Garcia-Laencina PJ. Analysis of EEG signals using nonlinear dynamics and chaos: a review. Applied mathematics & information sciences. 2015; 9(5): 2309.
20. Abdolzadegan D, Moattar MH, Ghoshuni M. A robust method for early diagnosis of autism spectrum disorder from EEG signals based on feature selection and DBSCAN method. Biocybernetics and Biomedical Engineering. 2020; 40(1): 482-93. [DOI:10.1016/j.bbe.2020.01.008]
21. Bosl W, Tierney A, Tager-Flusberg H, Nelson C. EEG complexity as a biomarker for autism spectrum disorder risk. BMC medicine. 2011; 9(1): 18. [DOI:10.1186/1741-7015-9-18]
22. Sharma M, Pachori RB, Acharya UR. A new approach to characterize epileptic seizures using analytic time-frequency flexible wavelet transform and fractal dimension. Pattern Recognition Letters. 2017; 94: 172-9. [DOI:10.1016/j.patrec.2017.03.023]
23. Natarajan K, Acharya R, Alias F, Tiboleng T, Puthusserypady SK. Nonlinear analysis of EEG signals at different mental states. Biomedical engineering online. 2004; 3(1): 7. [DOI:10.1186/1475-925X-3-7]
24. DeCoster GP, Mitchell DW. The efficacy of the correlation dimension technique in detecting determinism in small samples. Journal of Statistical Computation and Simulation. 1991; 39(4): 221-9. [DOI:10.1080/00949659108811357]
25. Khalili Z, Moradi MH, editors. Emotion recognition system using brain and peripheral signals: using correlation dimension to improve the results of EEG. 2009 International Joint Conference on Neural Networks; 2009: IEEE. [DOI:10.1109/IJCNN.2009.5178854]
26. Roy R, Sikdar D, Mahadevappa M. Chaotic behaviour of EEG responses with an identical grasp posture. Computers in Biology and Medicine. 2020: 103822. [DOI:10.1016/j.compbiomed.2020.103822]
27. Hasanzadeh F, Mohebbi M, Rostami R. Prediction of rTMS treatment response in major depressive disorder using machine learning techniques and nonlinear features of EEG signal. Journal of affective disorders. 2019; 256: 132-42. [DOI:10.1016/j.jad.2019.05.070]
28. Röschke J, Aldenhoff J. A nonlinear approach to brain function: deterministic chaos and sleep EEG. Sleep. 1992; 15(2): 95-101. [DOI:10.1093/sleep/15.2.95]
29. Hilborn RC. Chaos and nonlinear dynamics: an introduction for scientists and engineers: Oxford University Press on Demand; 2000.
30. Bosl WJ, Tager-Flusberg H, Nelson CA. EEG analytics for early detection of autism spectrum disorder: a data-driven approach. Scientific reports. 2018; 8(1): 1-20. [DOI:10.1038/s41598-018-24318-x]
31. Zilbovicius M, Meresse I, Chabane N, Brunelle F, Samson Y, Boddaert N. Autism, the superior temporal sulcus and social perception. Trends in neurosciences. 2006; 29(7): 359-66. [DOI:10.1016/j.tins.2006.06.004]
32. Jambaque I, Mottron L, Ponsot G, Chiron C. Autism and visual agnosia in a child with right occipital lobectomy. Journal of Neurology, Neurosurgery & Psychiatry. 1998; 65(4): 555-60. [DOI:10.1136/jnnp.65.4.555]


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Ghoreishi N, Zare Molkabad S, Baratzade S, Goshvarpoor A, Sadeghi Bajestani G. Analysis of Electroencephalogram of Autism Spectrum Disorder Using Correlation Dimension Changes in brain Map. Shefaye Khatam. 2021; 9 (2) :10-21
URL: http://shefayekhatam.ir/article-1-2094-fa.html

قریشی ناهید، زارع ملک آباد سمانه، برات زاده سمیه، گشوارپور عاتکه، صادقی بجستانی قاسم. تجزیه و تحلیل سیگنال الکتریکی مغزی اختلال طیف اوتیسم با استفاده از تغییرات بعدهمبستگی در نقشه مغزی. مجله علوم اعصاب شفای خاتم. 1400; 9 (2) :21-10

URL: http://shefayekhatam.ir/article-1-2094-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 9، شماره 2 - ( بهار 1400 ) برگشت به فهرست نسخه ها
مجله علوم اعصاب شفای خاتم The Neuroscience Journal of Shefaye Khatam
Persian site map - English site map - Created in 0.04 seconds with 30 queries by YEKTAWEB 4355