:: دوره 12، شماره 1 - ( زمستان 1402 ) ::
دوره 12 شماره 1 صفحات 33-22 برگشت به فهرست نسخه ها
بررسی تاثیر تحریک tDCS بر ویژگی‌های خطی و غیرخطی سیگنال EEG در بیماران وسواس آلودگی
فاطمه اسداله زاده شمخال ، علی مقیمی* ، حمیدرضا کبروی ، جواد صالحی فدردی
مرکز پژوهشی علوم اعصاب و رفتار رایان، گروه زیست شناسی، دانشکده علوم، دانشگاه فردوسی مشهد، مشهد، ایران ، moghimi@um.ac.ir
چکیده:   (775 مشاهده)
مقدمه: وسواس آلودگی، یکی از شایع‌ترین انواع وسواس است. به تازگی tDCS به‌عنوان راهکاری جدید برای بهبود علائم در بیماران وسواس پیشنهاد شده است. بررسی این اثربخشی از طریق سیگنال‌های EEG می‌تواند تخمین بهتری از میزان بهبودی را فراهم کند و آشکار کند که چگونه tDCS منجر به تغییر در دینامیک و ویژگی‌های سیگنال مغزی می‌گردد. انتخاب ویژگی‌های مناسبِ سیگنال EEG از میان ویژگی‌های مختلف برای نشان دادن اثر tDCS ضروری است. لذا هدف این پژوهش یافتن ویژگی‌هایی است که پس از اعمال مداخله tDCS، تغییرات قابل ملاحظه‌ای داشته باشند. مواد و روش‌ها: 10 فرد مبتلا به C-OCD 20 دقیقه tDCS را در ده جلسه دریافت کردند. الکترود کاتد بر روی ناحیه OFC چپ و آند بر روی ناحیه مخچه قرار گرفت. در قبل و بعد از tDCS، پرسشنامه وسواس فکری-عملی ییل براون (Y-BOCS)  توسط افراد تکمیل شد و سیگنال EEG نیز در حالت استراحت و چشم باز و چشم بسته ثبت شد. سپس ویژگی‌های احتمال همزمانی فازی (FSL)، طیف توان و تجزیه و تحلیل کمّی بازگشتی (RQA) از سیگنال EEG استخراج شد. سپس با استفاده از الگوریتم ریلیف، ویژگی‌های بهینه بر اساس اثربخشی tDCS انتخاب شدند. یافته‌ها: الگوریتم ریلیف نشان داد که از میان ویژگی‌های استخراج شده از EEG، ویژگی‌های RQA در نمایان کردن تاثیر tDCS نسبت به سایر ویژگی‌ها بهینه‌تر هستند. همچنین مقدار شاخص‌های DET و Lmax، در بعد از tDCS افزایش معنی‌داری داشت. نتیجه‌گیری: tDCS از طریق تاثیر بر تعاملات نورون‌های مغز و متعادل‌سازی فعالیت نورونی، سبب ایجاد تغییرات در پیچیدگی مغز افراد مبتلا به C-OCD شده است. در نتیجه بین میزان اثربخشی برآورد شده با Y-BOCS  و ویژگی‌های انتخاب شده توسط الگوریتم ریلیف، همبستگی وجود دارد. مشخصه‌ی پیچیدگی مغز در EEG بیشتر از هر ویژگی دیگری تاثیر tDCS را نشان می‌دهد.
 
واژه‌های کلیدی: تحریک الکتریکی فراجمجمه‌ای مستقیم، الکتروانسفالوگرافی، اختلال وسواسی- جبری
متن کامل [PDF 911 kb]   (196 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: علوم اعصاب شناختی
فهرست منابع
1. Stein, D.J., et al., Obsessive-compulsive disorder. Nature reviews Disease primers, 2019. 5(1):52. [DOI:10.1038/s41572-019-0102-3]
2. Robbins, T.W., M.M. Vaghi, and P. Banca, Obsessive-compulsive disorder: puzzles and prospects. Neuron. 2019. 102: 27-47. [DOI:10.1016/j.neuron.2019.01.046]
3. Brady, R.E., T.G. Adams, and J.M. Lohr, Disgust in contamination-based obsessive-compulsive disorder: a review and model. Expert Review of Neurotherapeutics. 2010. 10:1295-1305. [DOI:10.1586/ern.10.46]
4. Pittenger, C., M.H. Bloch, and K. Williams, Glutamate abnormalities in obsessive compulsive disorder: Neurobiology, pathophysiology, and treatment. Pharmacology & Therapeutics. 2011;132: 314-332. [DOI:10.1016/j.pharmthera.2011.09.006]
5. Westenberg, H.G.M., N.A. Fineberg, and D. Denys, Neurobiology of Obsessive-Compulsive Disorder: Serotonin and Beyond. CNS Spectrums. 2007;12:14-27. [DOI:10.1017/S1092852900002479]
6. Brunelin, J., et al., Transcranial direct current stimulation for obsessive-compulsive disorder: a systematic review. Brain sciences. 2018. 8:37. [DOI:10.3390/brainsci8020037]
7. Altuğlu, T.B., et al., Prediction of treatment resistance in obsessive compulsive disorder patients based on EEG complexity as a biomarker. Clinical Neurophysiology. 2020;131: 716-724. [DOI:10.1016/j.clinph.2019.11.063]
8. Zaboski, B.A., et al., Electroencephalographic correlates and predictors of treatment outcome in OCD: a brief narrative review. Frontiers in Psychiatry. 2021;12:703398. [DOI:10.3389/fpsyt.2021.703398]
9. Pogarell, O., et al., Symptom-specific EEG power correlations in patients with obsessive-compulsive disorder. Int J Psychophysiol. 2006; 62:87-92. [DOI:10.1016/j.ijpsycho.2006.02.002]
10. Golnar-Nik, P., S. Farashi, and M.-S. Safari, The application of EEG power for the prediction and interpretation of consumer decision-making: A neuromarketing study. Physiology & Behavior. 2019. 207:90-98. [DOI:10.1016/j.physbeh.2019.04.025]
11. Esfahani, S.R., et al., Reliability and Validity of the Persian version of the Yale-Brown Obsessive-Compulsive scale (Y-BOCS). Iranian Journal of Psychiatry & Clinical Psychology. 2012;17.
12. Goodman, W.K., et al., The yale-brown obsessive compulsive scale: II. Validity. Archives of general psychiatry. 1989;46:1012-016. [DOI:10.1001/archpsyc.1989.01810110054008]
13. Pelletier, S.J. and F. Cicchetti, Cellular and molecular mechanisms of action of transcranial direct current stimulation: evidence from in vitro and in vivo models. International Journal of Neuropsychopharmacology. 2015;18: 1-13. [DOI:10.1093/ijnp/pyu047]
14. Podda, M.V., et al. Anodal transcranial direct current stimulation boosts synaptic plasticity and memory in mice via epigenetic regulation of Bdnf expression. Scientific reports. 2016; 6: 22180. [DOI:10.1038/srep22180]
15. Metin, S.Z., et al., Use of EEG for predicting treatment response to transcranial magnetic stimulation in obsessive compulsive disorder. Clinical EEG and Neuroscience. 2020;51:139-145. [DOI:10.1177/1550059419879569]
16. Mutanen, T., J. Nieminen, and R. Ilmoniemi, TMS-evoked changes in brain-state dynamics quantified by using EEG data. Frontiers in Human Neuroscience. 2013. 7. [DOI:10.3389/fnhum.2013.00155]
17. Acharya, U.R., et al., Application of recurrence quantification analysis for the automated identification of epileptic EEG signals. International journal of neural systems. 2011;21:199-211. [DOI:10.1142/S0129065711002808]
18. Ahmadlou, M. and H. Adeli, Fuzzy synchronization likelihood with application to attention-deficit/hyperactivity disorder. Clinical EEG and Neuroscience. 2011; 42:6-13. [DOI:10.1177/155005941104200105]
19. Montez, T., et al., Synchronization likelihood with explicit time-frequency priors. Neuroimage. 2006. 33:1117-1125. [DOI:10.1016/j.neuroimage.2006.06.066]
20. Kira, K. and L.A. Rendell. The feature selection problem: Traditional methods and a new algorithm. in Proceedings of the tenth national conference on Artificial intelligence. 1992.
21. Robnik-Šikonja, M. and I. Kononenko, Theoretical and Empirical Analysis of ReliefF and RReliefF. Machine Learning. 2003. 53: 23-69. [DOI:10.1023/A:1025667309714]
22. Talebi, N., A.M. Nasrabadi, and T. Curran, Investigation of changes in EEG complexity during memory retrieval: the effect of midazolam. Cogn Neurodyn. 2012. 6:537-46. [DOI:10.1007/s11571-012-9214-0]
23. Thomasson, N., et al., Nonlinear EEG Changes Associated with Clinical Improvement in Depressed Patients. Nonlinear Dynamics, Psychology, and Life Sciences. 2000; 4:203-18. [DOI:10.1023/A:1009580427443]



XML   English Abstract   Print



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 12، شماره 1 - ( زمستان 1402 ) برگشت به فهرست نسخه ها