29 نوامبر 2024 -توسط دیوید آپل، پزشکی Xpress
در محورهای عمودی بالا، g(ω) ماتریس کوواریانس وابسته به فرکانس است. نمودارهای بالا فعالیت چندین کانال EEG را در نزدیکی سر نشان می دهند. تصویر (c2) سازماندهی متفاوتی از فاصله تا بحران در باندهای فرکانسی را در مقایسه با (c1) نشان می دهد. اعتبار: انجمن فیزیک آمریکا
امسال صدمین سالگرد اختراع الکتروانسفالوگرافی (EEG) توسط روانپزشک آلمانی هانس برگر است، راهی برای ثبت فعالیت الکتریکی در مغز، که امروزه امواج مغزی یا نوسانات عصبی نامیده می شود. به طور شگفت انگیزی، برگر پس از یک حادثه در سال های سربازی خود انگیزه پیدا کرد، زمانی که او معتقد بود در یک لحظه ناگهانی که نزدیک بود در یک تصادف کشته شود، به طور خود به خود چیزی از مغز خود به خواهرش منتقل کرده است و خواهرش چندین کیلومتر دورتر اصرار کرد پدرشان وارد شود.
سالها بعد برگر آن را “تله پاتی خود به خودی” نامید.
نوار مغزی برگر فعالیت الکتریکی را در مغز ثبت می‌کند و امکان ارزیابی فعالیت مغزی را فراهم می‌کند که از نورون‌های بافت زیرین مغز منشا می‌گیرد و معمولاً امواجی را نشان می‌دهد که فرکانس‌های آنها با میزان بیداری فرد مرتبط است. سال‌های پس از اختراع و کشف برگر، البته، اطلاعات زیادی در مورد فعالیت و الگوهای امواج مغزی در مغز آشکار کرده است.
اعتقاد بر این است که برخی از شبکه های عصبی بیولوژیکی بسیار نزدیک به انتقال فاز بین مناطق دینامیکی که منظم یا بی نظم هستند، عمل می کنند. این فرضیه که فرضیه بحرانی مغز نامیده می شود، بیان می کند که بحرانی بودن منطقه و بحرانی بودن لبه آشوب به ویژه در مطالعات عملکرد و اختلال عملکرد مغز مهم است.
شواهد نشان می‌دهد که در واقع حالت‌های تقریباً بحرانی هستند، در مقابل حالت تکی یک حالت کاملاً بحرانی، که ممکن است به مشاهدات نزدیک‌تر و توضیح بهتری برای نحوه عملکرد مغز باشد. حالات مغزی در آستانه بحرانی ظرفیت مغز برای پردازش اطلاعات، ذخیره اطلاعات و انتقال آن را افزایش می دهد.
اکنون تیمی از دانشگاه گرانادا در اسپانیا چارچوب جدیدی را برای بررسی علائم بحرانی بودن در باندهای فرکانسی مختلف امواج مغزی ارائه کرده و تصویر جامع تری از فعالیت مغز ایجاد کرده است. با انجام این کار، آنها تفاوت های قابل توجهی را در امضای اهمیت بین داده های مربوط به بیماران سالم و افراد مبتلا به بیماری پارکینسون مشاهده کردند.
نویسنده اصلی روبن کالوو و کارهای همکارانش در Physical Review Letters منتشر شده است.
کار قبلی برای تأیید فرضیه مهم مغز از تجزیه و تحلیل آماری استفاده می کرد – نرخ شلیک نورون با میانگین زمان. کالوو و تیمش نگاهی عمیق‌تر انداختند و نحوه توزیع چگونگی شلیک در طول زمان را تجزیه و تحلیل کردند. به طور خاص، آنها از یک “ماتریس کوواریانس” برای بیان الگوهای درون داده ها با استفاده از یک تکنیک آماری به نام تجزیه و تحلیل مولفه اصلی (PCA) استفاده کردند.
PCA یک تکنیک پرکاربرد برای توضیح داده های بسیاری از متغیرها با محاسبه متغیرهای جدید است که ترکیبی خطی از متغیرهای اصلی هستند. آنها به بهترین وجه واریانس داده ها را توضیح می دهند.
تبدیل داده‌ها به این روش، یک سیستم مختصات جدید با بیشترین واریانس در امتداد مختصات اول ایجاد می‌کند، دومین واریانس بزرگ (پس از حذف واریانس مختصات اول) در امتداد دوم است و غیره. تجزیه و تحلیل PCA ساختار داده را ساده می کند در حالی که متغیرهای توضیحی را آشکارتر می کند.
برای به حداقل رساندن محدودیت های شناخته شده با تکنیک PCA، گروه گرانادا از PCA وابسته به فرکانس استفاده کرد، که در آن فرکانس امواج مغزی است، مانند مواردی که در طبقه بندی های دارای برچسب گاما، بتا، آلفا، تتا و دلتا هستند. فعالیت مغز به صورت نوسانات متنوع و وابسته به زمان در بسیاری از باندهای فرکانسی همراه با نوسانات غیر تناوبی پیچیده‌تر نشان داده می‌شود.
آنها با هم همگام سازی کوتاه مدت نورون ها را توصیف می کنند که برای انتقال و ادغام اطلاعات بین مناطق مغز بسیار مهم است. اثربخشی این بستگی به فاصله تا لبه ناپایداری / بحرانی در باند فرکانس دارد، فاصله در فضای فرکانس (یعنی پس از تبدیل فوریه).
ماتریس کوواریانس همبستگی بین سرعت شلیک چندین جفت نورون است. حل ماتریس کوواریانس فهرستی از مقادیر ویژه و بردارهای ویژه ارائه می دهد – بردارهای ویژه پیشرو جهت حداکثر تغییرپذیری را نشان می دهند و مقادیر ویژه مربوطه نشان دهنده فاصله در امتداد آن بردار ویژه است.
این اجازه می دهد تا مجموعه داده بسیار پیچیده نرخ شلیک را به شیوه ای بسیار ساده تر و با ابعاد کم توصیف کنید. با نرخ شلیک وابسته به فرکانس، کالوو و گروهش نشان دادند که طیف مقادیر ویژه را می توان برای استنتاج فاصله تا بحران برای هر باند فرکانسی مورد استفاده قرار داد.
آنها می نویسند: «بنابراین، ماتریس کوواریانس وابسته به فرکانس به ما اجازه می دهد تا اثرانگشت حیاتی را در مجموعه داده ها با سازماندهی زمانی غیر پیش پاافتاده مشاهده کنیم و پویا را آشکار کنیم.ویژگی‌هایی که نمی‌توان آنها را از طریق تحلیل‌های استاندارد کوواریانس طولانی‌مدت یکپارچه کشف کرد.» تغییر به فضای چند فرکانسی فرآیندهای دینامیکی را نشان می‌دهد که کوواریانس‌های ایستا نمی‌توانند.
آنها برای آزمایش روش خود، از داده های نرخ شلیک بیماران مبتلا به بیماری پارکینسون، یک اختلال حرکتی سیستم عصبی، استفاده کردند. با اندازه گیری فاصله از بحرانی، آنها کشف کردند که “یک فاصله قابل توجهی گسترده تر از فرکانس های نزدیک به لبه ناپایداری در مقایسه با گروه کنترل وجود دارد” – فرکانس های بیشتر نزدیک به ناپایداری ها در فضای فرکانس.
امواج مغزی بیماران پارکینسون ساختارهای متفاوتی در مکان و زمان دارد. آنها به این نتیجه رسیدند که تجزیه آنها از داده های مربوط به فعالیت مغز می تواند یک “مسیر امیدوارکننده” برای تحقیقات آینده در درک تفاوت های بین حالات سالم مغز و حالات پاتولوژیک باشد.
