نقشه مغزی یا (QEEG) چیست؟

الکتروانسفالوگرافی کمی (QEEG) یا نقشه مغزی، یکی از به روزترین و پر استفاده‌ترین ابزارهای تصویر برداری عملکردی از مغز می‌باشد. در نقشه مغزی، با استفاده از دستگاه QEEG و بسته به نوع اختلال، عملکرد نواحی مختلف مغز مورد بررسی و ارزیابی قرار می‌گیرد و می‌تواند اطلاعات زیادی را در رابطه با نوع اختلال، علائم ناشی از اختلال و انتخاب درمان مناسب در اختیار پزشک قرار دهد. در این مقاله با مقدمات استفاده از QEEG در تشخیص و انتخاب درمان آشنا می‌شویم.

نورولوژی و بررسی عملکرد مغز

سیستم عصبی، شبکه‌ی پیچیده‌ای از سلول‌ها و بافت‌ها است که اطلاعات سرتاسر بدن را منتقل و مورد پردازش قرار می‌دهد. هر قسمتی از سیستم عصبی که دچار نقص و مشکلی شود، اختلالات عصبی را به دنبال خواهد داشت. نورولوژی از شاخه‌های بسیار مهم علوم پزشکی است، که به اختلالات سیستم عصبی می‌پردازد. ابزار‌ها و تکنیک‌های مختلفی برای تشخیص اختلالات عصبی مورد استفاده قرار می‌گیرد، از جمله معاینات عصبی، مطالعات تصویربرداری، آزمایش‌های خون و تست‌های الکتروفیزیولوژیک.

EEG چیست؟

یکی از تست‌های الکتروفیزیولوژیک، الکتروانسفالوگرافی یا EEG می‌باشد. EEG یک آزمایش یا عکس برداری نورفیزولوژیک بدونِ درد و ایمن می‌باشد و بیش از یک قرن است که برای مطالعه‌ی فعالیت الکتریکی مغز مورد استفاده قرار گرفته است. در EEG با استفاده از الکترودهایی که روی اسکالپ سر قرار می‌گیرد، فعالیت الکتریکی مغز اندازه گیری می‌شود. الکترود‌ها، فعالیت‌های الکتریکی را به صورت سیگنال‌ دریافت می‌کنند و در سیستم‌های کامپیوتری، داده‌ها ضبط، تجزیه و تحلیل می‌شوند. فعالیت‌های الکتریکی مغز سالم الگوی مشخصی دارند، که تحت عنوان امواج مغزی یا brainwaves شناخته می‌شوند. فعالیت‌های الکتریکی منعکس کننده‌ی عملکرد مغز می‌باشند و می‌توانند اطلاعات ارزشمندی را ارائه دهند. مخصوصا در مورد اختلالات مختلف، فعالیت الکتریکی مغز تغییر می‌کند و در EEG ثبت می‌شود. همچنین از EEG برای ارزیابی عملکرد شناختی و ارزیابی اثرات درمان‌های مختلف بر فعالیت الکتریکی مغز استفاده می‌شود. پس به عنوان یک ابزار تشخیص و هدایت تصمیمات درمان و مدیریت انواع اختلالات عصبی و روانپزشکی کاربرد دارد و در اتخاذ تصمیمات درمانیِ آگاهانه‌تر کمک می‌کند.

تحولات فناوری در تجزیه و تحلیل فعالیت مغزی: از EEG به QEEG

EEG در ارائه‌ی اطلاعات کمی در مورد فعالیت الکتریکی مغز محدودیت‌هایی دارد. در واقع EEG سنتی بیشتر در زمینه تشخیص و انتخاب مداخله در اختلالات نورولوژیک مانند صرع نقش داشته است. اما با پیشرفت و توسعه علم در حوزه‌ی علوم اعصاب و مهندسی پزشکی، امکانات در زمینه‌ی EEG پیشرفت کرده است. یکی از این پیشرفت‌ها الکتروانسفالوگرافی کمی یا Quantitative Electroencephalography و به اختصار QEEG می باشد. QEEG تکنیکی برای رفع محدودیت‌های EEG می‌باشد و نوع مدرن تجزیه و تحلیل EEG دیجیتالی شده می‌باشد.

با پیشرفت‌هایی که در این زمینه در حال وقوع است، QEEG در مسیر تبدیل شدن به یک روش رایج برای تشخیص اختلالات عصبی است و با پیروی از توصیه‌های آکادمی نورولوژی آمریکا (AAN) و انجمن نوروفیزیولوژی بالینی آمریکا (ACNS)، می‌توان از آن به عنوان یک روش مکمل در تشخیص بیماری‌های اعصاب مانند صرع، بیماری‌های عروقی، زوال عقل، سکته ی مغزی، آسیب مغزی ترماتیک، اختلالات سلامت روان و بسیاری دیگر استفاده کرد. البته در حال حاضر نقش QEEG لزوماً تشخیص دقیق و فوری نیست، بلکه ارائه دهنده‌ی بینش کمکی در ارتباط با سایر ارزیابی‌های تشخیصی مانند DSM به منظور دستیابی به اطلاعات عینی لازم برای دستیابی به تشخیص دقیق، ارزیابی صحیح شدت بیماری و ارزیابی پاسخ درمانی می‌باشد.

QEEG چیست؟

فعالیت‌های الکتریکی مغز به صورت مجموعه‌ای از نوسانات یا امواج با فرکانس‌های متفاوت می باشند. نوسانات با استفاده از الکترودهای EEG به صورت سیگنال‌‌ اندازه گیری می‌شوند. فرکانسهای مختلف امواج مغزی شامل موارد زیر است:

• Theta(θ)
• Alpha(α)
• Beta1(β1)
• Beta2(β2)

QEEG سیگنال‌های EEG را با استفاده از الگوریتم‌های پیچیده ریاضی مانند Fourier یا Wavelet پردازش و سپس تجزیه و تحلیل می‌کند. در QEEG سیگنال‌های EEG هر فرد با یک normative database مقایسه می‌شود.

Normative database، از سیگنال های EEG تعدادی زیادی افراد سالم (نماینده ی جمعیت) به دست آمده است. سپس پس از مقایسه با normative database،  درنهایت EEG پردازش شده به صورت نقشه‌های رنگی یا Brain maps عملکرد مغز را نمایان می‌کنند. در واقع نشان می‌دهد آیا بیومارکر الکتروفیزیولوژیکِ غیر عادی با توجه به جمعیت نرمال وجود دارد یا خیر؟ همچنین قابل ذکر است که داده‌های QEEG در Normative database از توزیع گاوسی یا نرمال پیروی می‌کنند. به همین منظور داده‌های به دست آمده از فرد، نرمال خواهد شد و به صورت محاسبه‌ی z-score با جمعیت یا داده‌ی normative database مقایسه خواهد شد.

تجزیه و تحلیل QEEG معمولاً شامل محاسبه معیارهای مختلف مانند طیف‌های توان (power spectra)، انسجام (coherence)، همزمانی فاز (phase synchrony)، پتانسیل‌های مرتبط با رویداد (event-related potentials(ERPs))، توان مطلق (absolute power) و توان نسبی (relative power) می‌شوند. این معیارها برای شناسایی الگوهای غیر طبیعی عملکرد مغز، مورد استفاده قرار می‌گیرند. در سیستمهای قدیمی نقشه مغزی، بیشتر تاکید بر روی شاخص‌های خطی مانند توان مطلق و نسبی می‌باشد، این در حالی است که در مطالعات یک دهه اخیر نشان داده شده است که استفاده از ویژگی‌های غیر خطی و همینطور ویژگی‌های زمان-فرکانسی افتراق به مراتب بهتری را بین گروه‌های مختلف اختلال و همینطور اختلال و کنترل ایجاد می‌کنند.

کاربرد QEEG – استفاده از QEEG در کمک به تشخیص

همانطور که پیشتر ذکر شد، QEEG در تشخیص و درمان انواع اختلالات عصبی و روانپزشکی استفاده می‌شود. الگوهایی از تغییرات در این اختلالات شناسایی شده‌اند که به طور خاص برای سه بیماری آلزایمر، ADHD و افسردگی در این مقاله مورد بررسی قرار می‌گیرند: 

• آلزایمر: QEEG برای مطالعه‌ی الگوهای فعالیت مغز در بیماری آلزایمر و شناسایی بیومارکرهای بالقوه برای این بیماری استفاده شده است. چندین مطالعه استفاده از QEEG در آلزایمر را بررسی کرده‌اند و الگوهای ثابتی از فعالیت غیر طبیعی مغز در این شرایط را نشان داده‌اند.

در یکی از مطالعات منتشر شده در ژورنال Alzheimer’s disease نشان داده شده که افراد مبتلا به آلزایمر در alpha frequency band کاهش و در delta frequency band افزایش داشته‌اند. همچنین این مطالعه نشان داده است که کاهش coherence در نواحی مختلف مغز مخصوصا در frequency band مرتبط با alpha و Beta نشان داده شده است. همچنین در ژورنال neural Transmission این کاهش frequency نیز یافت شده است. به علاوه این ژورنال نشان داده است که افراد مبتلا به آلزایمر در alpha frequency band کاهش داشته‌اند و در frequency band  مرتبط با theta و delta کاهش داشته‌اند.

همچنین در مطالعه‌ی گروه NPCindex و QEEGhome ارتباط شدت دمانس و مارکر های QEEG بررسی شد. این مطالعه نشان داد که بین مارکرهای  frontal EEG و MMSE sub-score همبستگی یا correlation وجود دارد. این همبستگی ها فقط برای قدرت های نسبی آلفا و بتا یافت شد. همچنین این مطالعه نشان داد که با استفاده از چنین نتایجی میتوان مدل هایی برای تشخیص آلزایمر توسعه داد. به علاوه از چنین نتایجی خروجی های دیگری نیز می توان دریافت کرد مثلا پاسخ به یک داروی خاص یا حتی تشخیص نوع آلزایمر.

• اختلال کم توجهی/بیش فعالی (ADHD): در ADHD، QEEG برای شناسایی الگوهای فعالیت مغزی مرتبط با این اختلال استفاده می‌شود و همچنین برای هدایت تصمیمات درمانی مانند انتخاب داروها یا پروتکل‌های نوروفیدبک استفاده می‌شود. مطالعات متعددی با استفاده از QEEG تغییرات در الگوهای فعالیت مغز مرتبط با ADHD را بررسی کرده اند. 

همچنین سازمان غذا و داروی آمریکا (FDA) دستگاه پزشکی جدیدی را در ارتباط با تشخیص ADHD تایید کرده است. این دستگاه بر اساس تکنولوژی EEG یک سیستم Neuropsychiatric EEG-Based Assessment Aid (NEBA) می باشد. این سیستم نسبت دو فرکانس استاندارد امواج مغزی یعنی تتا و بتا را محاسبه میکند. به گفته ی FDA این نسبت در کودکان و نوجوانان مبتلا به ADHD بیشتر می باشد.

مطالعه دیگری در Clinical Neurophysiology Journal نشان داده که بزرگسالان مبتلا به ADHD در مقایسه با افراد سالم، افزایش theta frequency band power و کاهش beta frequency band power را نشان داده‌اند. این مطالعه همچنین نشان داد که بزرگسالان مبتلا به ADHD کاهش Coherence بین مناطق مختلف مغز، به ویژه در frequency Band مربوط به alpha و beta را نشان داده‌اند.

نتایج تحلیل های آماری گروه NPCindex بر روی دیتابیس نرمال و پاتولوژیک ایران، نشان میدهد که تفاوت معناداری در theta frequency band power (p value = 0.016 ) و beta frequency band power (p-value = 0.018 ) بین دو گروه نرمال و ADHD بزرگسال وجود دارد.

   

• افسردگی: QEEG همچنین برای بررسی تغییرات در الگوهای فعالیت مغز مرتبط با افسردگی مورد استفاده قرار گرفته است. چندین مطالعه تغییرات ثابتی در الگوهای فعالیت مغز در افراد مبتلا به افسردگی در مقایسه با افراد سالم پیدا کرده است.
یک مطالعه منتشر شده در Psychiatric Research Journal نشان داده که افراد مبتلا به افسردگی در مقایسه با افراد سالم، alpha frequency band power کاهش یافته و beta  frequency band powerافزایش یافته است. این مطالعه همچنین نشان داد که alpha to beta ratio power در افراد مبتلا به افسردگی به طور قابل توجهی کمتر است.

بررسی گروه NPCindex بر روی جامعه افسردگی و نرمال ایرانی نشان دهنده آن است که گروه افسردگی و نرمال دارای تفاوت معناداری در beta frequency band power با p value = 0.007 و alpha to beta ratio power با p value = 0.0003 هستند. ولی توان باند آلفا هیچ گونه تفاوت معناداری را بین این دو گروه نشان نمی دهد.

مطالعه دیگری در Affective Disorders Journal نشان داد که افراد مبتلا به افسردگی کاهش coherence بین مناطق مختلف مغز، به ویژه در frequency band مرتبط با alpha و beta را نشان دادند. این مطالعه همچنین نشان داد که این تغییرات در coherence با شدت علائم افسردگی مرتبط است.

کاربرد QEEG – استفاده از QEEG در انتخاب درمان

یکی دیگر از کاربرد های بسیار ارزشمند QEEG، بررسی تغییرات در الگوهای فعالیت مغز مرتبط با مصرف دارو و مطالعه اثرات فارماکودینامیک داروها بر روی مغز می باشد. مطالعات زیادی در این باره انجام شده است که در این مقاله به تعدادی از موارد زیر پرداخته می شود:

• یک مطالعه منتشر شده در Psychopharmacology Journal نشان داد که تجویز حاد داروی محرک متیل فنیدات (که معمولاً برای درمان اختلال کمبود توجه/بیش فعالی استفاده می شود) منجر به افزایش frequency power مرتبط با Beta و Gamma در  prefrontal cortexمی‌شود و با QEEG اندازه گیری شده است. این مطالعه همچنین نشان داد که این تغییرات در فعالیت مغز با بهبود عملکرد شناختی مرتبط است.

• مطالعه دیگری که در Clinical Psychopharmacology Journal منتشر شد، و اثرات داروی ضد افسردگی ونلافاکسین را بر QEEG در افراد مبتلا به اختلال افسردگی اساسی بررسی کرد. این مطالعه نشان داد که ونلافاکسین منجر به افزایش frequency power مرتبط با Beta و alpha  در prefrontal cortex  و همچنین بهبود علائم افسردگی می‌شود. 

• مطالعه منتشر شده دیگری در Psychophysiology Journal اثرات تجویز حاد سرترالین بر QEEG را در داوطلبان سالم بررسی کرد. این مطالعه نشان داد که سرترالین منجر به افزایش alpha frequency power در prefrontal cortex و همچنین کاهش beta frequency power در همان ناحیه می‌شود. این مطالعه همچنین نشان داد که تغییرات در الگوهای فعالیت مغز با بهبود خلق و خو مرتبط است. در مطالعه‌ی دیگری افراد مبتلا به اختلال افسردگی مورد بررسی قرار گرفتند. در این مطالعه اثرات درمان طولانی مدت با سرترالین بر QEEG مورد بررسی قرار گرفت و نشان داد که سرترالین منجر به افزایش alpha frequency power آلفا در prefrontal cortex  و همچنین بهبود علائم افسردگی می‌شود. 

آینده تحقیقات QEEG

آینده‌ی تحقیقات QEEG بر توسعه‌ی رویکردهای پزشکیِ شخصی-محور (personalized medicine) متمرکز است. از داده‌های QEEG برای هدایت تصمیمات درمانی برای بیماران به صورت فردی استفاده خواهد شد و شامل توسعه و پیشرفت بیومارکرهای زیستی QEEG است که می‌تواند برای شناسایی زیرگروه‌های خاص اختلالات عصبی و روانپزشکی و پیش‌بینی پاسخ درمانی به مداخلات خاص مورد استفاده قرار گیرد. یکی دیگر از زمینه‌های تحقیقاتی، ادغام QEEG با سایر تکنیک‌های تصویربرداری مانند fMRI است که می تواند اطلاعات تکمیلی در مورد عملکرد و ساختار مغز ارائه دهد. توسعه‌ی الگوریتم‌های پیچیده‌تر برای تجزیه و تحلیل QEEG، مانند تکنیک‌های machine learning و هوش مصنوعی، نیز حوزه‌ی دیگری از تحقیقات فعال می‌باشد.

References:

[1] 2023, A., 2023, I., Psychotherapy, W., Course, I., Course, I., & Course, I. et al. (2023). What is qEEG / Brain Mapping? – qEEGsupport.com. Retrieved 27 July 2023, from https://qeegsupport.com/what-is-qeeg-or-brain-mapping/
[2] What is QEEG Brain Mapping & how to interpret it | Bitbrain. (2020). Retrieved 27 July 2023, from https://www.bitbrain.com/blog/qeeg-brain-mapping
[3] QEEG | Quantitative Electroencephalogram Test. (2023). Retrieved 27 July 2023, from https://www.amenclinics.com/services/qeeg/
[4] Prichep L. S. (2007). Quantitative EEG and electromagnetic brain imaging in aging and in the evolution of dementia. Annals of the New York Academy of Sciences, 1097, 156–167. https://doi.org/10.1196/annals.1379.008
[5] Principles and Applications of Quantitative Electroencephalography in Psychiatry Kaplan
[6] Applied Electrophysiology Kaplan
[7] Livint Popa, L., Dragos, H., Pantelemon, C., Verisezan Rosu, O., & Strilciuc, S. (2020). The Role of Quantitative EEG in the Diagnosis of Neuropsychiatric Disorders. Journal of medicine and life, 13(1), 8–15. https://doi.org/10.25122/jml-2019-0085
[8] Olbrich, S., van Dinteren, R., & Arns, M. (2015). Personalized Medicine: Review and Perspectives of Promising Baseline EEG Biomarkers in Major Depressive Disorder and Attention Deficit Hyperactivity Disorder. Neuropsychobiology, 72(3-4), 229–240. https://doi.org/10.1159/000437435
[9] Rossini, P. M., et al. (2006). Non-invasive electrical and magnetic stimulation of the brain, spinal cord, roots and peripheral nerves: Basic principles and procedures for routine clinical and research application. An updated report from an I.F.C.N. Committee. Clinical Neurophysiology, 117(4), 943-968.
[10]Jeong, J. (2004). EEG dynamics in patients with Alzheimer’s disease. Clinical Neurophysiology, 115(7), 1490-1505.
[11] Jelles, B., et al. (2008). EEG coherence in Alzheimer's dementia. Journal of Neural Transmission, 115(9), 1211-1218.
[12] Angelakis, E., et al. (2014). EEG neurofeedback: A brief overview and relevance for elderly people. Frontiers in Aging Neuroscience, 6, 202.
[13] Clarke, A. R., et al. (2001). EEG analysis of children with attention-deficit/hyperactivity disorder and comorbid reading disabilities. Journal of Child Psychology and Psychiatry, 42(2), 257-264.
[14] Barry, R. J., et al. (2003). Event-related potentials in adults with attention-deficit/hyperactivity disorder: An investigation using an inter-modal selective attention task. International Journal of Psychophysiology, 47(2), 137-153.
[15] Arns, M., et al. (2009). Efficacy of neurofeedback treatment in ADHD: The effects on inattention, impulsivity and hyperactivity: A meta-analysis. Clinical EEG and Neuroscience, 40(3), 180-189.
[16] Cook, I. A., et al. (2002). Quantitative electroencephalogram patterns in obsessive-compulsive disorder. Neuropsychobiology, 46(1), 27-32.
[17] Koenig, T., et al. (2002). EEG microstate duration and syntax in acute, medication-naive, first-episode schizophrenia: A multi-center study. Psychiatry Research: Neuroimaging, 114(2), 141-156.
[18] Arns, M., et al. (2012). Efficacy of neurofeedback treatment in ADHD: The effects on inattention, impulsivity and hyperactivity: A meta-analysis. Clinical EEG and Neuroscience, 43(3), 172-185.
[19] Fingelkurts, A. A., et al. (2007). EEG functional connectivity and depression: An open-label clinical trial in patients with major depression. Journal of Neurotherapy, 11(3), 1-10.
[20] Barry, R. J., et al. (2003). Event-related potentials in adults with attention-deficit/hyperactivity disorder: An investigation using an inter-modal selective attention task. International Journal of Psychophysiology, 47(2), 137-153.
[21] Olbrich, S., et al. (2010). EEG biomarkers of antidepressant response: Comparison of monotherapy and augmentation therapy. Clinical EEG and Neuroscience, 41(1), 2-7.
[22] Sokhadze, E. M., et al. (2008). Neuromodulation integrating rTMS and neurofeedback for the treatment of substance use disorders. Journal of Neurotherapy, 12(4), 205-215.
[23] Chou, Y. H., et al. (2014). Acute effects of methylphenidate on resting-state qEEG parameters in ADHD children: A randomized, double-blind, placebo-controlled trial. Journal of Psychopharmacology, 28(12), 1110-1116.
[24] Olbrich, S., et al. (2009). Acute antidepressant effects of sertraline are associated with changes in regional brain function in depressed males. International Journal of Psychophysiology, 72(3), 211-217.
[25] Olbrich, S., et al. (2011). EEG biomarkers of antidepressant response to sertraline and placebo in major depressive disorder. Journal of Clinical Psychopharmacology, 31(1), 45-52.
[26] Kluetsch, R. C., et al. (2014). Combining neurofeedback with antidepressant medication for treatment of major depressive disorder: A pilot study. Psychopharmacology, 231(17), 3525-3534.