بررسی تغییرات سیگنال الکتروانسفالوگرافی در اختلال افسردگی وکم‌توجهی-بیش‌فعالی بزرگسالان

هدف

اختلال کم‌توجهی-بیش‌فعالی یک بیماری عصبی-رشدی با نرخ شیوع %4-2 در بزرگسالان است [1] که با استفاده از معیارهای DSM-5 و آزمون‌های روانشناختی مشخص می‌شود [2]. علیرغم وجود شواهد گسترده برای توجیه مبنای بیولوژیکی ADHD در بزرگسالان، تشخیص این اختلال به دلیل شباهت علائم آن با سایر اختلال‌ها به خصوص افسردگی، دشوار است [3]. هدف این مطالعه بررسی نشانگر‌های الکتروانسفالوگرافی در تشخیص افتراقی ADHD و افسردگی در بزرگسالان  است.        

روش

جدول-1 اطلاعات شرکت‌کنندگان در پژوهش را نشان می‌دهد.

سیگنال EEG در حالت استراحت و چشم بسته، به مدت 5 دقیقه، از شرکت‌کنندگان ثبت شده است. پس از پیش‌پردازش، توان نسبی فرکانس‌های آلفا و بتا و نسبت توان آلفا/بتا از سیگنال‎‌ها استخراج شده است. برای ارزیابی تفاوت‌های بین گروهی، آزمون من-ویتنی بکار رفته است. همچنین، الگوریتم ماشین بردار پشتیبان به منظور بررسی توانایی نشانگرها در افتراق دو گروه بکار گرفته شده است.

یافته‌­­ها

طبق جدول-2، نسبت توان آلفا/بتا در نواحی پیشانی، مرکزی و گیج‌گاهی، تفاوت آماری معناداری را بین گروه‌های ADHD بزرگسال و افسرده نشان می‌دهد.

مطابق شکل-1، نسبت توان آلفا/بتا در قشر پیشانی، با دقت %10.89±73.43 عملکرد مناسبی در افتراق گروه‌ها از هم دارد. همچنین، ترکیب نشانگرها، باعث افزایش دقت طبقه‌بندی به %2.90±80.81 شده است.

نتیجه

ارزیابی نسبت توان آلفا/بتا می‌تواند به تشخیص افتراقی ADHD و افسردگی در بزرگسالان کمک کند. تغییرات این نشانگر، بیان‌کننده درگیری بیشتر در فعالیت‌های شناختی و آرامش کمتر در تصمیم‌گیری است [4]. این علایم در ADHD بیشتر از افسردگی ظاهر می‌شود. به همین دلیل است که این نشانگر توانایی خوبی در جداسازی گروه‌های اختلال دارد.

برای دانلود مقاله می‌توانید به این لینک مراجعه کنید.

منابع

1. Yang, H.-N., Tai, Y.-M., Yang, L.-K., & Gau, S. S.-F. (2013). Prediction of childhood ADHD symptoms to quality of life in young adults: adult ADHD and anxiety/depression as mediators. Research in Developmental Disabilities, 34(10), 3168–3181, https://doi.org/10.1016/j.ridd.2013.06.011.
2. Bong, S. H., & Kim, J. W. (2021). The Role of Quantitative Electroencephalogram in the Diagnosis and Subgrouping of Attention-Deficit/Hyperactivity Disorder. Journal of the Korean Academy of Child and Adolescent Psychiatry, 32(3), 85, https://doi.org/10.5765/jkacap.210010.
3. Christiansen, H., Chavanon, M.-L., Hirsch, O., Schmidt, M. H., Meyer, C., Müller, A., Rumpf, H.-J., Grigorev, I., & Hoffmann, A. (2020). Use of machine learning to classify adult ADHD and other conditions based on the Conners’ Adult ADHD Rating Scales. Scientific Reports, 10(1), 1–10, https://doi.org/10.1038/s41598-020-75868-y.
4. Salma, N., Mai, B., Namuduri, K., Mamun, R., Hashem, Y., Takabi, H., Parde, N., & Nielsen, R. (2018). Using EEG signal to analyze IS decision making cognitive processes. Information Systems and Neuroscience: Gmunden Retreat on NeuroIS 2017, 211–218, https://doi.org/10.1007/978-3-319-67431-5_24.