در بحث کمی کردن EEG، ما ۴ حوزه داشتیم؛ مکان (Spatial)، زمان (Temporal)، فرکانس، فاز.
کلا در دنیا تمام الگوریتم هایی که برای پردازش سیگنال مغزی وجود دارد، در این ۴ طبقه قابل کنترل هست.
روش آنالیز، نوع نگاه، نوع پروتکل ثبت، این ۲ تا با هم چه فرقی دارند؟ فرکانس و زمان. مثلا می خوام برم ERP record بگیرم، یکی هم میگه میخوام record بگیرم برای QEEG، برای هر کدام از اینها ما باید یک تصویر ذهنی داشته باشیم؛ از ERP بفهمیم چه اطلاعاتی به دست میآید و از QEEG چه اطلاعاتی به دست میآید؟ در ERP واکنش های لحظهای مغز را میسنجیم که چی بشه؟ تفاوتش با حوزه فرکانس چیه؟
* QEEG اگر active باشه چه تفاوتی با Tempord domain) ERP) دارد؟
EEG، ادامه دارد Continues است و ما ۵ دقیقه EEG گرفتیم. نورولوژیست میگه من میخوام نگاه کنم بینیم توش spike هست یا نه، در حالت های تنفس عمیق، تابش نور به چشم، چشم باز و چشم بسته و… گرفته میشه. هدف این است که ببینه الگوی امواج مغزی پاتولوژیک هست یا نه. این رو میگذاریم کنار چون ما نورولوژیست نیستیم.
ما میگیم EEG رو تبدیل میکنیم به QEEG»» در چه حالتی میگیریم؟ ۱) چشم باز (EO)، ۲- چشم بسته (EC) و ۳- زیر تسک (UT: Under Task)
ولی هر حالتی باشه میخوایم ببینیم چه ریتم های مغزی (دلتا، تتا، آلفا، بتا و گاما) وجود داره، اینها رو استخراج کنیم. منتها ما میانگین این ۵ دقیقه را میخواهیم» می خواهیم ببینیم تو این ۵ دقیقه دلتاش چقدر بوده، در چشم باز چقدره، در چشم بسته و در Under Task چقدره؟
در ERP دوباره EEG داریم حالا چه فرقی دارن؟ حتما under Task هست و هر بار محرک ارائه میشه یک خط میندازه، مثلا ممکنه توی این ۵ دقیقه، ۲ تا حرف E و O ارائه بشه پس Task اجرا میشه، همزمان EEG ریکورد میشه و این ۲ تا با هم Synchronized میشه با هم همزمانی دارن »»» هدف: استخراج ویژگی هایی که در EEG هست ولی وابسته به محرکه»» واکنشهای لحظه ای مغز به اون محرکه.
این UT در ERP با UT در QEEG چه فرقی داره؟
در QEEG: واکنش لحظه ای معنا نداره که میانگین ۵ دقیقه است در min 5 که طرف داشته (a) attention انجام میداده، آیا واکنش aش تغییر میکند در مقایسه با EO که Task توجهی انجام نمیداده، آیا aش تغییر میکنه یا نه؟
در Temporal) ERP) ما ثانیه به ثانیه (حتی میلی ثانیه به میلی ثانیه) میتوانیم واکنش مغز را بررسی کنیم. [در ERP امواج (دلتا»» گاما) در لحظهها بررسی نمیشه در (ERD-ERS) بله] به همین دلیل است که پروتکل ثبت در این سه نوع متفاوته چون سوالاتش متفاوت و هر کدوم دارن اطلاعات متفاوتی به ما میده.
ERP مهمترین اطلاعاتی که به ما میده چیه؟
مثلاً یک نفر اختلال یادگیری داره، dyslexia داره، از او میخواهند که بخواند میخواند اما ممکنه درک مطلبی از متن حتی متن ساده ضعیفه. با اینکه IQ نرمال، بینایی نرمال، شنوایی نرمال ««««»»»» حالا خواندن این ها ضعیفه، میخوایم ببینیم تشخیص حروف را مشکل دارن، به لحاظ فیزیکی تشخیص کلمه رو مشکل دارن یا تشخیص معنارو مشکل دارن؟ اگر QEEG بگیریم می تونیم این رو بفهمیم؟ خیر. ما از کجا می خوایم بفهمیم مشکل در تشخیص حرف بوده یا کلمه بود یا معنا بوده؟
مثلا کلمه «شیر» میاد و میره آیا طرف حرف ها رو تشخیص نداد؟ یا کلمه رو تشخیص نداد؟ یا معنا را نفهمید؟ [سلسله مراتبی هست دیگه اول خط و خطوط شناسایی میشه بعد کلی تر و کلی تر بعد میگیم مثلاً موبایله] الان میگیم موبایله ولی توی مغز به صورت sequential میره جلو.
حال اون فردی که نمی تونه بخونه آیا حروف را تشخیص نداد یا کلمه رو یا معنا را؟ داریم راجع به فرایند پردازش اطلاعات صحبت می کنیم و فرایند پردازش اطلاعات رو فقط و فقط Temporale domain میتونه به ما اطلاعات بده، مثلاً اینجا کلمهی شیر میاد و میره و توی یک ثانیه ما از کجا بدونیم توی کدام یک از این ها فرد مشکل داشته؟
چون اول تشخیص حرف بعد تشخیص کلمه است بعد تشخیص معناست.
حالا اگر مثلاً ۱ و ۲ مشکلی نداشت و ۳ مشکل داشت توی این gooms داریم متوجه میشیم توی مغز فرد چی میگذره؟
یک بار دیگه: اوایل واکنش مغز بر میگرده به پردازش حرف، بعد کلمه، بعد معنا. حالا اگر به فرض ۳ مشکل داشته باشد»» می گیم درک معنا مشکل دارد.
حالا این از کجا مشخص شده که اوایل واکنش مغز مربوط به پردازش حرفه بعدش مربوط به کلمه و بعدش مربوط به معناست؟
۶٠ سال یا حتی ۶٠٠ سال روی این کارها شده ما یک تسکهایی می تونیم بسازیم که کارکرد این تسک ها اینه که همین پردازش ها را اندازه گیری کنند.
پس حالا فهمیدیم واکنش لحظه به لحظهٔ مغز یعنی چی؟!
حالا ما ۵ دقیقه QEEG گرفتیم و رفته، مربوط به چی بوده؟ مربوط به حرف بوده مربوط به کلمه بوده؟! قرض و قوله هامون بودن؟! پس هر کدوم از روشهای ثبت EEG پروتکلهای خاص خودش را دارد و هر کدوم به سئوالات متفاوتی جواب میده.
QEEG حتی اگر Under Task باشه، روی EEG خط نمیندازه. یعنی چی ؟ یعنی نمیدونیم تو اون لحظه از زمان چه محرکی ارائه شده؟
سوال: UT مشابه» حالا اومدیم QEEG گرفتیم ERP گرفتیم. چه اطلاعات می توانیم از هر کدوم استخراج کنیم، چه تفاوتی داره؟
مفاهیم و شاخص های مهمی که در QEEG استخراج میشن، چه مواردی هستند؟ QEEG در حوزه ی آنالیزهای فرکانسی است.
وقتی میگیم Brain wave»» شامل فرکانس، دامنه و فاز است.
absoulut power/Relative power/ symmetry
۶ شاخص داریم استاد یک EEG نشون دادن که ۳ دقیقه و ۳۷ ثانیه ریکورد شده. وقتی می خوایم QEEG رو استخراج کنیم حداقل باید ۱ دقیقه سالم (بهتره بگیم: قابل قبول) داشته باشیم. وقتی EEG ریکورد میکنیم یک چیزی داریم به اسم: آرتیفکت artifact.
نویز یا آرتیفکت در ثبت سیگنال
به عبارتی آرتیفکت یعنی هرچیزی که در نوار مغزی ثبت شود ولی منشا مغزی نداشته باشد. این اجزای ناخواسته بر تجزیه و تحلیل EEG تأثیر میگذارند و اطلاعات نادرستی را ارائه میدهند. بنابراین، محققان انواع روشها را برای حذف صداها و مصنوعات ناخواسته، از سیگنال های EEG پیشنهاد کرده اند.
ما داریم با EEG فعالیتهای الکتریکی مغز را ریکورد میکنیم، این دستگاه آمپلیفایر که داره EEG را ریکورد میکنه، هر گونه فعالیتهای الکتریکی دیگر را هم ریکورد میکنه، مثل حرکت چشم، حرکت سر، تعریق و… همه اینها میان میشینن روی EEG.
پس ما دو جور فعالیت الکتریکی داریم: فعالیت الکتریکی ناشی از مغز (EEG) و فعالیت الکتریکی خارج از مغز (artifact).
پس ما باید artifactها دور بریزیم و حذف شن. «« نویز یا پارازیت اند.
مثلاً پزشک میخواد بر اساس وزن من دارو بدہ. با کوله رفتم روی ترازو»» پروتکل اشتباه میده.
پس طول سیگنال باید اونقدی باشه که حداقل ۱ دقیقه سالم بمونه.
طرف بزرگسال سالم و عاقل»»» ۳ دقیقه EEG میگیریم، ۱ دقیقه ازش در میاد. ADHD»»» ده الی بیست دقیقه می گیریم ۱ دقیقه ازش در میاد.
در اسلاید یک جاهایی artifact هست پس اونجاها رو نمیگیریم و اونجاهایی که هایلایت شده قابل قبولن و جاهای خوبن»»» اینجا انتخاب می شن. در این لحظات artifact نبوده: سرشو تکون نداده، حرکت چشم نداشته و…
در بچههای ADHD شربت میدن می خوابه که artifact نباشه.[پس چرا ریکوردش ۲۰ دقیقه طول میکشه؟]
۱- absolut power
۲- relate power / 3- power ratio / 4- assymmetry/ 5- Coherence/ 6- peak frequency
اینها فرایندهای است که در QEEG با آنها سر و کار داریم.
و مختصراً و گلوبال از EEG به QEEG رسیدن را دیدیم.
۱- Absolut power
مثلاً اینجا همهی باندهای فرکانسی را داریم. حالا از هر باندی چقدر داریم؟ یعنی چی؟ یعنی مثلاً موج دلتا ولتاژش چقدره؟
دلتا داریم یا نداریم؟ داریم، چند میلیولت [🤔 یا میکروولت مربع؟]؟
QEEG یعنی استخراج باندهای فرکانسی (دلتا تا گاما) و تعیین مقدار ولتاژ هر کدام از این باندها.
(ممکنه یک نرم افزار آماده باشه که گاما را نداشته باشه،. ممکنه یک نرم افزار گاما رو داشته باشه. مهندس ها خودشون به نرم افزار میگن چی میخوان، چون بلدن استخراج کنن. ما که کدنویسی بلد نیستیم، مجبوریم از نرم افزارهای آماده استفاده کنیم، برخی نرم افزارهای آماده ممکنه گاما رو بده یا نده.)
حالا در اسلاید»» دلتا»» ۸۶μv۲
در absolut power دامنه را به توان ۲ می رسونن (μv۲)» میشه power: اصطلاح power از اینجا اومده (مستقیم اینکار می کند، خودش به توان ۲ میرسونه و absolute power رو میده). حالا چرا به توان ۲ میرسونه؟ فقط بی صفر رو در نظر بگیریم، موج میره بالا میاد پایین. بالا (+) و پایین (-). اگر ولت رو استخراج کنیم ازین و بخوام ولتاژها رو در طول زمان جمع بزنیم و میانگین بگیرم، -ها ، +ها رو خنثی می کنن و میشه صفر یا نزدیک به صفر.
absolut power: میانگین دامنهی به توان ۲ رسیدهٔ هر باند فرکانسی به تفکیک (برای آلفا، بتا، گاما و…)
الان دیگه می دونیم این موج اینقدر آلفا داشته، اینقدر بتا، اینقدر…
QEEG یعنی Quantitive یعنی EEG کمی شده است.
یعنی الان EEG کمی شده است و ما گراف رو تبدیل کردیم به
measurment
دلتا»» ۸۶/۰۰
تتا»» ۳۶/۰۰
آلفا»» ۱۲/۰۰
بتا»» ۴/۰۰
برای Total power کل این اعداد را جمع میزنیم.
هدف measurment: وقتی یک ابزار داریم که جزئیات بیشتری به ما میدهد informationهای جزئیتری داریم. اگر EEG من و استاد و نگاه کنیم در الگو تفاوتی نخواهیم دید ولی وقتی تبدیل می کنیم به عدد، تفاوتها قابل رؤیت میشه (دلتای من ۹۰ دلتای استاد ۸۶)
مفهوم Suprimposition چی بود؟ یعنی برهم کنش موجهای مختلف، یعنی موجی که داریم میبینیم تشکیل شده از آلفا، بتا، گاما و دلتا که هر کدوم از امواج یک مقداری دارند. یعنی موج مغزی دامنهش، توانش یا انرژی کلی موج قوی تشکیل شده از یک قدری آلفا، یک قدری دلتا و تا آخر…
یعنی اگر absolut powerهای یک موج رو با هم جمع بزنیم به انرژی کلی سیگنال میرسیم. به power کلی سیگنال. خب الان یک powerی داده. یک
مقداری از power مربوطه به دلتاست یک مقداری گاما
حال بخوایم بدونیم کدوم موج غالبه: مورد ۲ یعنی: relative power
Total power را ۲۰۰ در نظر گیریم، هرکدام رو تقسیم بر ۲۰۰ سپس ضرب در ۱۰۰ میکنیم.»»» درصد هر کدوم به دست میاد.
سؤال: پس حالا absolute power با relative power چه تفاوتی دارن؟
یک دلتا absolute power و یک دلتا relative power داریم؛
* مثلا می گیم در یک فردی دلتاش ۶۲μv۲ است آیا غالبه؟ نمیفهمیم.
* مثلا می گیم در یک فردی دلتاش ۶۲μv۲ است و Relative powerش ۲۰ درصد. آیا غالبه؟ خیر.
هر کدوم information متفاوتی میده.
ممکنه یک نفر بزرگسال دلتاش ۵۰μv و بزرگسال دیگری دلتاش ۳۰μv باشه از کجا بدونیم آیا این مقدار نرماله یا نرمال نیست؟ این تفاوت در ولتاژ به چه دلیل می تونه باشه؟ فرض کنیم حالت ثبت و state یکسان بوده.
ممکنه اختلال یا مشکل خاصی داشته باشه ولی قبل از اون، یک نکته را در نظر بگیریم؛
۲ مغز و skull متفاوت داریم، ضخامت جمجمه یکی نازکتره یکی ضخامت جمجمهاش بیشتره.
وقتی ما داریم ثبت می کنیم فعالیت الکتریکی رو»»» در اونی که ضخامت بیشتره، هدایت جریان الکتریکی کمتره»»» ولتاژ کوچکتر میشه.[آیا فقط روی ولتاژ موج موثر است؟]
low voltage
پس در absolute power ممکنه یک موج بیشتر باشه توی یک فرد به نسبت یک فرد دیگه. نه بخاطر اختلال بلکه بخاطر ضخامت جمجمه بوده»» پس نمیتونم بگم که یکی نرماله یکی abnormal»»» پس اینجا چه شاخصی بدردمون میخوره»» Relative Power.
یکی از شاخص هایی که داریم Relative Power است که اطلاعات ارزشمندی بهمون میده، همیشه میگیم Relative power در کنار absolute power باید تفسیر بشه.
نسبت توانها ۳) power ratio
ما absolute power هر موج رو می تونیم به اون یکی تقسیم کنیم، مثلا بتا/دلتا، دلتا/آلفا و…
مثلاً اینجا تتا رو به بتا تقسیم کردن میشه نسبت تتا به بتا که به این میگیم
نسبت توانها.
براساس چه ملاکی ما تتا رو بتا تقسیم می کنیم؟ چرا آلفا رو به بتا تقسیم نکردیم؟ این تتا به بتا در یک Condition به دست اومده؟(یا EC یا EO یا UT)
به فلسفه استفاده از QEEG برمی گرده؟ چرا QEEG میگیریم؟
یکی از غایتهای ما در این هست که Correlation بین شاخص های QEEG را با رفتار پیدا کنیم. می خوایم بین این امواج و رفتار همبستگی ایجاد کنیم حالا حاصل اون تقسیمی به درد ما میخوره که اون شاخص با یک رفتار نرمال یا آبنرمان همبستگی داشته باشد.
مثلا نسبت قد به وزن حاوی اطلاعاته»» داره چربی بدن را به ما میگه.
حالا اینجا تتا و بتا با نقص توجه ارتباط داره،از افراد QEEG گرفتن، از اینها تست توجه گرفتن، اومدن همبستگی گرفتن»»» دیدن افرادی که تتا و بتاشون بالا بود تعداد خطاهاشون هم در تست توجه بالا بود افرادی که خطاهاشون در تست توجه بالاست یعنی نقص توجه دارند. حالا یک نفر اومد دیدم نسبت تتا به بتاش بالاست. آیا میگیم نقص توجه دارد؟ خیر. میگیم احتمال داره نقص توجه داشته باشه.
یادمون باشه یکی از آسیبهای QEEG اینه که»»»» «کلوا واشربوا» رو میبینن «و لا تسرفوا» رو نمی بینن. میان QEEG را میگیرن و تشخیص ADHD میدن.
همبستگی یعنی اگر اینو دیدی آنگاه حتما اونو پیدا کن.
میزان همبستگی ۰/۲ یا ۰/۸ چه فرقی دارن؟ برآورد بهتر و قویتری داریم از وقوع اختلال یا هر چیزی که داریم بررسی می کنیم با همبستگی ۰/۲ – ۰/۳ که نمی توانیم بگیم ولی همبستگی ۰/۹ باشد می تونیم بگیم اینو دارم به احتمال خیلی زیاد اگر تست توجه بگیرم، خطاهاش در تست بالاتر خواهد بود.
پس توی تفسیر و توی (بنویس) و توی Cognitive neuroscience وجود داره، در نظر میگیریم (تتا به بتا»»» عمدتاً برای نقص توجه/ امروزه بخش عظیمی از تحقیقات به همین Correlation برمی گرده که چه شاخصی با چه اختلالی یا با چه رفتاری در ارتباطه.
گفتیم می خوایم رابطه QEEG رو با رفتار به دست بیاریم. در واقع اینجا یک ابزار کمک برای تشخیص است، نه خود تشخیص)
هیجان انگیزه که ما شاخصهایی در QEEG استخراج کنیم که از طرف دیگر، رفتار رو به ما بگه. مثلاً شاخص Tetha to beta power ratio) TBR) رو (بنویس)، اینطرف رفتار inattentive بود و خیلی هیجان انگیزه که ما شاخص هایی استخراج کنیم که بتواند رفتارها رو mesurement کند و این نقطه قوت نوروساینس است.
ما میتوانیم برای اندازه گیری یک اختلال»» QEEG بگیریم»» در آینده.
مثلاً emotion: اگر بپرسند که آیا از دست من ناراحتی؟
حالا این پاسخ می تونه Valid باشه یا نباشد» خطا توشه ریا توشه»»» چه bias»»»» + یا –
سوال: آیا QEEG در همه زمینهها و رفتارها داره استفاده میشه؟ یا رفتارهای خاص یا حیطههای خاص؟ استاد مفاهیم رو میگن کاربردهاش با ما.
مثلا تفاوت Science و غیر Science رو گفتن. اونایی که غیر scientist هستن و میگن با تتا و بتا می تونیم، inattention رو بررسی کنیم، scientistها میگن (بنویس) اندازهگیری کنیم، اگر شما می تونی با تتا و بتا اندازه گیری کنی inattention رو، پس اگر روی کودکان ADHD این رو انجام دادی و کودکان عادی، با در دست داشتن این شاخص باید بتونی با احتمالات بالایی بگی فرد در گروه عادی قرار می گیرد یا ADHD؟ و این مطالعه در سال ۱۹۹۹ گفت من با…… درصد Specifity و ….. درصد Sensitivity میتونم با تتا و بتا، ADHD رو از غیر ADHD تمیز بدم»» البته که این داره روز به روز ضعیفتر میشه.
توضیح اسلاید: همه رفتارهای ما ناشی از مغزه، چه رفتارهای نرمال و چه رفتارهای ابنرمال مثل اختلال ADHD. ها امروزه میتوانیم نمود فعالیتهای مغز را با استفاده از ابزارهایی مثل fMRI و QEEG مورد بررسی قرار دهیم. اگر EEG بگیرم EEG کودکان ADHD وغیرADHD با هم تفاوت ندارد ولی وقتی quantify میکنیم یک شاخصی ازش قابل استخراج هست به نام تتا و بتا که نسبت توان تتا/بتا در کودکان ADHD بزرگتر از نسبت توان تتا/بتا در کودکان غیرADHD است.
آنقدری مطالعات زیاد شد که FDA استفاده از QEEG رو برای help access (ابزار کمکی) جهت سنجش ADHD مورد تایید قرار داده و مثلاً الان در ژورنالهای نورولوژی اومدن در عمل گفتن QEEG، نسبت توانش (power ratio) دستوالعملش (guidlineش) برای تشخیص ADHD باید به چگونه باشد.
اینجوری نیست هر کی از گرد راه رسیده QEEG بگیره و بگه ADHD داره با نداره!! غلطه!! والا غلطه!! استاد میفرمایند استفاده صرف از QEEG برای تشخیص ADHD غلطه…
۴) Peak Frequency
وقتی که می گیم Brain wave، یعنی در طول زمان فرکانس داریم، دامنه داریم. و بر اساس فرکانس»»» ریتم های آلفا، بتا، تتا، گاما و دلتا
در موج اسلاید »»» آیا ۱ هرتز، ۲ هرتز…. داریم؟ بله
حالا این هرتزها رو تجزیه کنیم؛ بلندی هرتزها دلالت بر چی داره؟ دامنه یه پس محور عمودی دامنه است: محور افقی چیه؟ فرکانس
محور عمودی دامنه است، محور افقی؛ زمان. تصویر اسلاید
FFT، نوار مغز (EEG) رو از حوزه زمان به حوزه ی فرکانس تبدیل میکنه یعنی یک هرتزش تجزیه میشه و میاد دامنه نشون داده میشه.
در تصویر
۱-۳ »»» دلتا، ۷-۴ تتا، ۱۲-۸ آلفا، ۳٠-۱۲ بتا ، بیشتر از ۳۵ و ۳۶ گاما [پس ۳۰ تا ۳۵؟ 🤔]
سوال رو بپرسسم ما از روی EEG میتونیم پیش بینی emotion فرد رو داشته باشیم. که چه تجارتی پشت این داستان خوابیده؟ مثل دروغ سنج
وقتی اندازه گیری verbal شه
در تصویر اسلاید کدام موج غالبه؟ آلفا. چون دامنهاش بیشتره.
در آلفا کدام تک هرتز غالبه؟ ۱۰Hz (دامنهاش بلندتره)»»»» ۱٠ میشه.Peak آلفا
۱٠Hz»»»» پیک آلفا (Peak آلفا)»»»» Peak Frequency
۵HZ»» پیک تتاست (Peak تتاست).
پس در هر پهنای فرکانسی، آن تکهرتزی که بیشترین دامنه رو داره، میشه peak آن باند Frequency . آیا فقط تک هرتز؟؟؟
وقتی peak بگیریم»»» تقریبا همیشه برای آلفا میشه چون آلفا همیشه peak میزنه (البته بستگی به lebstate)
در قسمت دیگر (تصویر دیگر) Peak آلفا چنده؟ ۸
در بخش دیگر Peak آلفا چنده؟ ۱۱
تصویر دیگری»»»» اسپکتوگرام»»» Peak آلفا چنده؟ ۱۰ / یه قسمت دیگه Peak آلفا؟ کمتر شده.
میگیم alpha slowing. چرا؟ چون فرکانس آنها، وقتی روی ۹-۸ هست. سریعره یا کندتره؟
به عبارت دیگه اگر چشمامون رو ببندیم و تصور کنید ریتم آلفا رو یه موقع هست که ریتم آلفا عمدتاً حول و حوش ۱۰ هرتزه و یه موقع ریتم آلفا حول و حوش ۹ هرتزه»» ۹ slowتره.
پس چرا میگیم alpha slowing؟ در فرکانس کمتری peak زده.
چون وقتی میگیم peak frequency داریم فرکانس رو مد نظر قرار میدهیم.
علت پیشرفت جوامع غربی»» Power of Science
در ژورنال nature»»» رابطه ی آلفا رو با Speed information processing بررسی کردند (گفتیم EEG و رفتار»» رابطه رو می خوایم)
در سال ۱۹۶۱ یکی از المانهایی که (بنویس) با قدرت میشه»»» علم هست و باید زحمت کشید.
شاخصهای بعدی مبتنی بر ۲ الکترود
ERP چیست؟
طی دهه های گذشته کارایی الکتروانسفالوگرافی (EEG) به عنوان ابزاری مفید چه در زمینه علمی و چه بالینی اثبات شده است. اما EEG مقیاسی نه چندان دقیق از فعالیت مغزی ارائه می دهد که تعیین فرایندهای نورونی خاص مورد نظر علوم اعصاب شناختی توسط آن مشکل است. در واقع EEG مخلوط و ترکیبی از صدها منبع عصبی مختلف است که جدا کردن فرایندهای عصبی-شناختی مجزا در آن کار مشکلی است. درون EEG پاسخ های عصبی مرتبط با رویدادهای حرکتی، شناختی و حسی پنهان شده و استخراج این پاسخ ها از EEG کل با بکارگیری نوعی تکنیک میانگین گیری امکانپذیر است. این پاسخ های خاص همان پتانسیلهای وابسته به رویداد هستند که با وقوع رویدادهای خاص در ارتباط می باشند.
EEG ابزاری قوی برای درک بی نظمی های نوروبیولوژیک و ارزیابی نقل و انتقال نوروترنسمیترها می باشد. فعالیت الکتریکی قفل به زمان یا پتانسیلهای وابسته به رویداد (ERP) به ثبت فعالیت الکتریکی در فرایندهای حسی و شناختی کمک میکنند. منظور از سیگنال قفل به زمان این است که این سیگنال معمولا پس از زمان مشخصی از وقوع یک رویداد اتفاق افتاده و هر بار در همین زمان تکرار میشود. از آنجا که سیگنال به همین شکل هر بار پس از محرک تکرار میشود، با افزایش تعداد رویداد (ارائه محرک) و در نتیجه افزایش تعداد پاسخ به محرک و جمع پاسخ ها، میتوان نسبت سیگنال به نویز را بالا برد.
بنابراین پتانسیل های وابسته به رویداد (ERPs)، پتانسیلهای الکتریکی بسیار کوچکی هستند که در پاسخ به رویدادها یا محرکهای خاص در مغز تولید میشوند (بلکوود و موئیر، ۱۹۹۰). این پتانسیلها در واقع تغییرات EEG وابسته به رویدادهای حسی، حرکتی یا شناختی میباشند که امکان مطالعه ایمن و غیرتهاجمی همبستگی های سایکوفیزیولوژیک فرایندهای روانی را فراهم میکنند. پتانسیلهای وابسته به رویداد را میتوان با گستره وسیعی از رویدادهای حرکتی، شناختی یا حسی برانگیخت. به نظر می آید این پتانسیلها در اثر شلیک همزمان تعداد زیادی (در حدود هزاران یا میلیون ها) از نورونهای پیرامیدی هم راستا در قشر و به صورت حاصل جمع پتانسیلهای پس سیناپسی در هنگام پردازش اطلاعات ایجاد میشوند (پیترسون و همکاران، ۱۹۹۵). ERPs را در انسان میتوان به دو دسته تقسیم کرد: گروه اول امواج یا مؤلفه های زودهنگامی هستند که پیک آنها در فاصله ۱۰۰ میلی ثانیه پس از ارائه محرک اتفاق میافتد و از این جهت که بسیار به پارامترهای فیزیکی محرک وابسته میباشند مؤلفه های حسی یا برونزاد نامیده میشوند. در مقابل، گروه دیگر مؤلفههایی هستند که دیرتر ظاهر میشوند و منعکسکننده وضعیتی هستند که فرد در آن به ارزیابی محرک میپردازد و لذا پتانسیلهای درون زاد یا شناختی نامیده می شوند و فرایندهای پردازش اطلاعات را مورد ارزیابی قرار می دهند. این مؤلفه ها بر اساس زمان وقوع و دامنهشان مشخص و نامیده می شوند.
CV استاد گرانقدر آقای دکتر محمدعلی نظری
