1. مقدمه

خوش آمدید! در این آموزش، ما درباره امواج مغزی و این‌که چگونه می‌توانیم از آن‌ها برای درک مغز و رفتار استفاده کنیم، یاد می‌گیریم.

هانس برگر اصطلاح الکتروانسفالوگرام را در سال ۱۹۲۹ ابداع کرد، زمانی که تغییرات در پتانسیل‌های الکتریکی ثبت‌شده با استفاده از حسگرهای قرارگرفته روی سر یک فرد را توصیف کرد. او دو نوع از امواج مغزی را شناسایی کرد که آن‌ها را امواج آلفا و بتا نامید، صرفاً به‌دلیل ترتیبی که آن‌ها را ثبت کرده بود. چنین امواجی پیش‌تر در پستانداران دیگر نیز ثبت شده بودند، اما برگر برای نخستین بار آن‌ها را در انسان توصیف کرده بود!

از آن زمان، روش الکتروانسفالوگرافی به ابزاری کلیدی در علوم اعصاب تبدیل شده و به تکامل درک ما از امواج مغزی (که پژوهشگران آن‌ها را نوسان‌های عصبی می‌نامند) کمک کرده است و نیز به توصیف وضعیت‌های مغز مانند خستگی و بیداری کمک کرده است.

در این آموزش کوتاه، موارد زیر را بررسی خواهیم کرد:

• نوسان‌های عصبی چیستند؟

• چگونه می‌توانیم نوسان‌های عصبی را اندازه‌گیری کنیم؟

• با نوسان‌های عصبی چه می‌توانیم بکنیم؟

• کاربرد عملی با استفاده از دستگاه‌ها و نرم‌افزارهای Emotiv.

2. EEG چیست؟

الکتروانسفالوگرافی (EEG) روشی غیرتهاجمی و غیرفعال برای اندازه‌گیری فعالیت الکتریکی مغز ماست. الکترودها/حسگرها/کانال‌ها روی پوست سر قرار داده می‌شوند تا فعالیت الکتریکی تولیدشده توسط جمعیت‌هایی از سلول‌های مغزی، که نورون نامیده می‌شوند، ثبت شود.

شکل 1 – نورون‌ها فعالیت الکتریکی تولید می‌کنند که می‌توان آن را با یک دستگاه EEG آشکار کرد [Siuly, et al. (2016)].

2.1. سامانه‌های EEG

دستگاه‌های EEG بسیاری در بازار وجود دارند که می‌توان از آن‌ها برای ثبت EEG استفاده کرد. دستگاه‌های EEG می‌توانند از این نظر متفاوت باشند که دارای:

• یک حسگر واحد تا ۲۵۶ الکترود – الکترودهای بیشتر، تفکیک‌پذیری مکانی بالاتری از اطلاعات روی پوست سر فراهم می‌کنند.

• الکترودهای مرطوب یا خشک – الکترودهای مرطوب از ژل الکترولیتی یا محلول نمکی برای بهبود رسانایی میان پوست سر و حسگر استفاده می‌کنند. الکترودهای خشک می‌توانند فلزی یا از پلیمرهای رسانا باشند که به تماس مستقیم با پوست سر نیاز دارند.

• الکترود فعال یا غیرفعال – سامانه‌های الکترود غیرفعال صرفاً سیگنال را به دستگاه منتقل می‌کنند، جایی که تقویت می‌شود. سامانه‌های الکترود فعال سیگنال را در هر الکترود پیش از رسیدن به دستگاه برای تقویت، تقویت می‌کنند. این کار نویز الکتریکی محیطی در سیگنال را کاهش می‌دهد.

• دستگاه‌های سیمی یا بی‌سیم که داده را از طریق بلوتوث منتقل می‌کنند.

شکل 2 – یک سامانه EEG بی‌سیم با چگالی پایین.

شکل 3 – یک سامانه EEG سیمی با الکترودهای با چگالی بالا.

2.2. چه زمانی از EEG استفاده کنیم؟

هر روش تصویربرداری عصبی می‌تواند به پاسخ‌دادن به پرسش‌های پژوهشی متفاوت کمک کند.

بزرگ‌ترین نقطه قوت EEG این است که می‌تواند فعالیت عصبی را در مقیاس میلی‌ثانیه اندازه‌گیری کند، و این ویژگی می‌تواند فرایندهای پیش‌آگاهانه را نیز اندازه‌گیری کند.

شکل 4 – تفکیک‌پذیری مکانی در برابر زمانیِ ابزارهای مختلف تصویربرداری عصبی.

برای پرسش‌هایی مانند «شرکت‌کنندگان به کدام بخش از ویدیوی من بیشتر توجه کردند؟» مناسب‌تر است.

EEG عمدتاً فعالیت را از لایه‌های بیرونی مغز ثبت می‌کند (یعنی تفکیک‌پذیری مکانی پایینی دارد). با یک حسگر واحد، شناسایی منبع فعالیت ناممکن است. ثبت با تعداد زیادی کانال می‌تواند به بازسازی ریاضی منبع کمک کند، اما همچنان در شناسایی منابع عمیق محدود است. تصویربرداری تشدید مغناطیسی کارکردی (fMRI) برای پاسخ به پرسش‌هایی مانند «کدام بخش از مغز با تغییرات در توجه مرتبط است؟» مناسب‌تر است.

2.3. از حسگر تا EEG خام؟

پس از قرار گرفتن دستگاه EEG روی سر، فعالیت مغز در یک حسگر واحد به‌صورت اختلاف دامنه بین آن حسگر و یک حسگر مرجع اندازه‌گیری می‌شود. در بیشتر سامانه‌های EEG، این الکترود «حس حالت مشترک» (CMS) نام دارد. یک حسگر اضافی، «پای راست رانده‌شده» (DRL)، به کاهش هرگونه تداخل در CMS کمک می‌کند.

شکل 5 – نمودار بلوکی ساده‌شده از انتقال سیگنال EEG.

در سامانه‌هایی که هم الکترود فعال و هم غیرفعال دارند، سیگنال سپس تقویت و با فیلتر پایین‌گذر پردازش می‌شود. فیلترکردن پایین‌گذر مرحله‌ای است که تداخل‌های الکتریکی احتمالی محیط را از سیگنال شما حذف می‌کند؛ برای مثال برق شبکه.

این مراحل در خود سخت‌افزار رخ می‌دهند، پیش از آن‌که سیگنال خام EEG را بتوانید روی صفحه نمایش رایانه‌تان ببینید.

2.4. برخی اصطلاحات پایه

شیوه نام‌گذاری استاندارد ۱۰-۲۰

حسگرهای سمت چپ معمولاً با اعداد فرد و حسگرهای سمت راست معمولاً با اعداد زوج شماره‌گذاری می‌شوند.

نکته 1: این‌ها فقط شیوه‌های نام‌گذاری هستند و منبع محل حسگر EEG نشان‌دهنده منبع فعالیت نیست.

نکته 2: برای تعیین منبع فعالیت در یک کانال واحد، باید مراحل اضافی مانند بازسازی ریاضی منبع انجام شود.

3. نوسان‌های عصبی چیستند؟

امواج مغزی، که اغلب از آن‌ها با عنوان نوسان‌های عصبی یاد می‌شود، الگوهای ریتمیکی هستند که توسط یک نورون یا خوشه‌ای از نورون‌ها تولید می‌شوند.

هنوز روشن نیست چرا مغز این انواع مختلف نوسان را تولید می‌کند، هرچند نظریه‌های بسیاری وجود دارد. پژوهشگران از تکالیف مختلف برای توصیف این فعالیت‌های نوسانی استفاده می‌کنند و می‌کوشند با بهره‌گیری از این الگوهای ریتمیک، رازهای مغز را درک کنند.

3.1. برخی ویژگی‌های یک نوسان

این شکل اندازه‌گیری یک سیگنال الکتریکی منظم را نشان می‌دهد:

شکل 6 – تفکیک‌پذیری مکانی در برابر زمانیِ ابزارهای مختلف تصویربرداری عصبی.

در سمت چپ (محور y) می‌توانیم دامنه ثبت الکتریکی را رسم کنیم و در محور افقی (محور x) زمان را. دامنه سیگنال به‌صورت منظم پیرامون یک نقطه مرکزی تغییر می‌کند. یک چرخه نیز نوسان نامیده می‌شود.

تعداد چرخه‌ها در هر ثانیه فرکانس موج نامیده می‌شود و واحد آن هرتز (Hz) است. بنابراین ۱ چرخه در ثانیه = ۱ هرتز. دامنه‌ها معمولاً بر حسب میکروولت (µV) اندازه‌گیری می‌شوند.

در مغز، امواجی با فرکانس‌هایی از ۰٫۲ هرتز (امواج بسیار کند) تا ۸۰ هرتز یا بیشتر (امواج بسیار سریع) مشاهده می‌کنیم. فعالیت با فرکانس بالا تا ۵۰۰ هرتز که با تشنج‌ها مرتبط است نیز می‌تواند در مغز ثبت شود.

انواع مختلف نوسان‌های مغزی بر اساس فرکانس آن‌ها توصیف می‌شوند. این‌ها با عنوان باندهای فرکانسی شناخته می‌شوند و می‌توانند با وضعیت‌های مختلف مغز مرتبط باشند:

شکل 7 – امواج مغزی در EEG معمولی.

3.2. چرا باندهای فرکانسی مختلف مهم هستند؟

1. شناسایی الگوهای طبیعی در برابر غیرطبیعی مغز
   نوسان‌های عصبی برای تشخیص تشنج‌ها و تشخیص صرع در نورولوژی مهم هستند.

   
   
   

2. رابط‌های مغز-رایانه (BCI)
   مقدار نوسان‌های بتا، گاما و مو اغلب برای آموزش دستگاه‌های از راه دور استفاده می‌شود (مثلاً حرکت دادن یک ویلچر با افکار).

   
   
   

3. نوروفیدبک
   این شکلی از تمرین مغزی است که در آن می‌توانید امواج مغزی خود را (مثلاً نوسان‌های گاما) مشاهده کنید و در تکالیف شناختی شرکت کنید تا مقدار نوسان‌های گاما در مغزتان را بهبود دهید.

   
   
   

4. نورومارکتینگ
   باندهای فرکانسی آلفا و بتا می‌توانند برای تعیین این‌که کدام بخش از یک تبلیغ جذاب‌تر یا کم‌جذاب‌تر است، استفاده شوند.

3.3. انواع تحلیل داده‌های EEG

پژوهشگران معمولاً تحلیل را یا در حوزه زمان یا در حوزه فرکانس انجام می‌دهند.

1. تحلیل حوزه زمان

   معمولاً دامنه ولتاژ را در زمان‌های موردنظر پس از آغاز یک محرک اندازه‌گیری می‌کند. این‌ها پتانسیل‌های وابسته به رویداد (ERPs) نامیده می‌شوند.

   
   
   

2. تحلیل حوزه فرکانس

   معمولاً مقدار نوسان‌های عصبی را در باندهای فرکانسی مختلف در یک بازه زمانی مشخص یا مرتبط با آغاز یک رویداد اندازه‌گیری می‌کند.

در ادامه، مروری بر تحلیل حوزه فرکانس ارائه می‌کنیم.

3.4. پردازش

پس از انجام یک ثبت EEG، معمولاً پیش از تفسیر نوسان‌ها داده‌ها را پاک‌سازی می‌کنید.

1. فیلترسازی
   روشی برای حذف نویز محیطی با فرکانس‌های بالا و پایین از داده‌ها.

2. حذف آرتیفکت
   حرکت فیزیکی و پلک‌زدن چشم همگی می‌توانند آرتیفکت‌های بزرگی ایجاد کنند (> ۵۰ µV قله در EEG). این‌ها را می‌توان حذف کرد تا بر نتایج ما اثر نگذارند. برخی پژوهشگران از روش‌های پیشرفته برای اصلاح این آرتیفکت‌ها و حفظ داده‌ها استفاده می‌کنند.

پس از پردازش داده‌ها، سیگنال اکنون می‌تواند به حوزه فرکانس تبدیل شود تا بتوانیم مقدار هر نوع از امواج مغزی را کمّی کنیم.

شکل 8 – آرتیفکت پلک‌زدن در EEG خام.

3.5. تبدیل فوریه سریع (FFT)

تبدیل فوریه تبدیل ریاضی سیگنال EEG از «حوزه زمان» (تصویر A) به «حوزه فرکانس» (تصویر B) است.

در حوزه فرکانس، می‌توانیم کمّیت هر نوع نوسان موجود در ثبت خود را اندازه‌گیری کنیم. این مقدار معمولاً «توان» باند فرکانسی است و می‌تواند به‌صورت طیف توان (تصویر B) نمایش داده شود.

شکل 9A – EEG خام در حوزه زمان.

شکل 9B – طیف توان پس از FFT (حوزه فرکانس).

3.6. توان باند

توان یک باند فرکانسی (مثلاً باند آلفا) که از تبدیل فوریه به‌دست می‌آید، به ما می‌گوید چه مقدار از هر باند فرکانسی وجود دارد. واحد توان باند معمولاً µV2/Hz است. اغلب، طیف دامنه یا طیف توان حاصل از FFT در واحد لگاریتمی دسی‌بل (dB) نمایش داده می‌شوند. دسی‌بل واحدی برای نسبت میان توان اندازه‌گیری‌شده (P) و توان مرجع (Pr) است، به‌صورت زیر:

پس از آن‌که این واحد اندازه‌گیری برای رویدادهای موردنظر به‌دست آمد، می‌توان توان باندها را با هم مقایسه کرد تا اثرات آزمایشی بر امواج مغزی را درک کنیم.

4. از نظریه تا عمل

در ادامه، به اثر سرکوب آلفا نگاه خواهیم کرد.

این پدیده نخستین‌بار توسط هانس برگر گزارش شد، که در آن هنگام باز بودن چشم‌های فرد در مقایسه با بسته بودن آن‌ها، کاهش قابل‌توجهی در مقدار نوسان‌های آلفا (توان آلفا) دیده می‌شود.

شکل 10 – افزایش نوسان‌های آلفا را می‌توان هنگام باز بودن چشم‌ها مشاهده کرد.

ابتدا با استفاده از EmotivPRO Builder یک آزمایش ساده ساختیم. در این آزمایش، از شرکت‌کننده فقط خواسته می‌شود به مدت ۲ دقیقه و با تمرکز بر صفحه نمایش، چشم‌های خود را باز نگه دارد و سپس به مدت ۲ دقیقه آن‌ها را ببندد. در پایان ۲ دقیقه صدای زنگی می‌شنوند تا باز کردن چشم‌هایشان را علامت دهد.

برای ساخت آزمایش سرکوب آلفای خود می‌توانید ویدیوی زیر را دنبال کنید یا می‌توانید آزمایش ما را از لینک اینجا اجرا کنید:

4.1. نصب دستگاه و کیفیت EEG

درباره نحوه عملکرد دروازه EQ ما اینجا بیشتر بخوانید. اطلاعات بیشتر درباره نصب دستگاه متناسب با هدست شما را در اینجا بیابید:

• نوع EPOC

• نوع Insight

4.2. پردازش و تبدیل داده‌های EEG

اکنون که داده‌های خود را دارید، می‌توانید با استفاده از تحلیل‌گر Emotiv آن را به حوزه فرکانس تبدیل کنید. مراحل موجود در ویدیو را دنبال کنید.

4.3. تفسیر داده‌ها

پس از پایان Analyzer، فایل zip را دانلود کنید. برای هر رکورد، یک فایل csv شامل توان باندها و یک فایل تصویری خواهید داشت که می‌توانید از آن برای انجام تحلیل آماری خود استفاده کنید.

شکل 11 – توان باندها.

در خروجی ما می‌توان افزایش توان آلفا را هنگام بسته بودن چشم‌ها (نارنجی) در مقایسه با باز بودن آن‌ها (آبی) مشاهده کرد.

این پایان آموزش ماست! اکنون با اصول اولیه مجهز شده‌اید 🙂

می‌توانید چند پیوند برای مطالعه پیشرفته‌تر را در بخش منابع پیدا کنید.

5. منابع

مطالعه پیشرفته

Donoghue et al. 2022 ملاحظات روش‌شناختی برای مطالعه نوسان‌های عصبی

واژه‌نامه اصطلاحات EEG

Kane et al. 2017 (اینجا)

کد متن‌باز

اگر با کدنویسی پایتون راحت هستید، ما اسکریپت‌های پایتون را در دسترس قرار داده‌ایم که می‌توانید از آن‌ها برای به‌دست آوردن مقادیر توان آلفا، برچسب‌خورده بر اساس بخش‌های چشم‌باز و چشم‌بسته، استفاده کنید. کد و فایل‌های نمونه داده‌های سرکوب آلفا را در اینجا بیابید: https://osf.io/9bvgh/

راهنماهای Emotiv

راهنمای سازنده EmotivPRO
راهنمای EmotivPRO
راهنمای تحلیل‌گر EmotivPRO

7. منابع

Donoghue, T., Schaworonkow, N. and Voytek, B., 2022. ملاحظات روش‌شناختی برای مطالعه نوسان‌های عصبی. European journal of neuroscience, 55(11-12), pp.3502-3527. doi: https://doi.org/10.1111/ejn.15361

Kane, N., Acharya, J., Beniczky, S., Caboclo, L., Finnigan, S., Kaplan, P.W., Shibasaki, H., Pressler, R. and van Putten, M.J., 2017. واژه‌نامه‌ای بازنگری‌شده از اصطلاحاتی که بیشترین استفاده را در میان الکتروانسفالوگرافیست‌های بالینی دارند و پیشنهاد به‌روزشده برای قالب گزارش یافته‌های EEG. بازنگری ۲۰۱۷. Clinical neurophysiology practice, 2, p.170. doi: 10.1016/j.cnp.2017.07.002

Siuly, S., Li, Y., Zhang, Y. (2016). الکتروانسفالوگرام (EEG) و پیش‌زمینه آن. در: تحلیل و طبقه‌بندی سیگنال EEG. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1