منفی‌نگری عدم انطباق که به اختصار MMN نامیده می‌شود، یکی از مؤلفه‌های پتانسیل وابسته به رویداد است که از ثبت‌های الکتروانسفالوگرافی (EEG) به دست می‌آید. برخلاف بسیاری از پتانسیل‌های برانگیخته که نیاز به توجه فعال دارند، MMN به طور خودکار زمانی ظاهر می‌شود که یک صدای غیرتکراری «انحرافی»، توالی صداهای تکراری «استاندارد» را نقض کند. این ویژگی خودکار، آن را به عنوان یک ابزار بالینی و تحقیقاتی بسیار ارزشمند می‌سازد، زیرا متغیر مخدوش‌کننده مربوط به همکاری یا حفظ تمرکز بیمار در طول آزمایش را حذف می‌کند.
منفی‌گرایی عدم انطباق (Mismatch Negativity) چیست؟
منفی‌گرایی عدم انطباق (MMN) یک مؤلفه پتانسیل وابسته به رویداد است که از طریق الکتروانسفالوگرام (EEG) ثبت می‌شود و بازتاب‌دهنده تشخیص خودکار و پیش‌توجهی تغییرات شنیداری توسط مغز است. این پاسخ خودکار معمولاً با ارائه توالی‌ای از صداهای استاندارد و یکسان، و در ادامه یک صدای غیر تکراری «انحرافی» که از نظر فرکانس، مدت زمان یا سایر ویژگی‌های آکوستیک متفاوت است، برانگیخته می‌شود.
مغز این انحراف را تشخیص می‌دهد و یک انحراف ولتاژ منفی‌رونده ایجاد می‌کند که تقریباً 100 تا 200 میلی‌ثانیه پس از تغییر به اوج خود می‌رسد. این شکل موج مشخصه که به طور برجسته روی الکترودهای جلویی و مرکزی پوست سر ثبت می‌شود، به عنوان شاخص اصلی منفی‌گرایی عدم انطباق عمل می‌کند.
دو ویژگی، MMN را از سایر پاسخ‌های مغزی متمایز می‌کند:
اول اینکه خودکار است. فرد می‌تواند در حال خواندن کتاب، تماشای یک فیلم صامت، یا نادیده گرفتن فعالانه صداها باشد و MMN همچنان ظاهر خواهد شد.
دوم اینکه پیش‌توجهی است. مغز مقایسه بین صدای انحرافی و اثر حافظه صداهای استاندارد را قبل از اینکه توجه جلب شود، انجام می‌دهد.
این ویژگی‌ها MMN را به شاخصی از ظرفیت بنیادی مغز برای تشخیص تغییر، مستقل از فرآیندهای شناختی عالی که ممکن است در افراد مختلف مختل یا متغیر باشد، تبدیل می‌کند.
همتای مغناطیسی MMN که با مگنتوانسفالوگرافی ثبت می‌شود و به اختصار MMNm نامیده می‌شود، نشان‌دهنده همان فرآیند اساسی تشخیص تغییرات شنیداری است. از آنجا که MEG حساسیت فضایی متفاوتی نسبت به EEG ارائه می‌دهد، ترکیب هر دو روش ثبت به پژوهشگران کمک می‌کند تا سهم بخش‌های مختلف مغز را از یکدیگر تفکیک کنند. MMNm در قشر شنیداری و ساختارهای لوب گیجگاهی اطراف آن موضع‌یابی می‌شود و تأیید می‌کند که این پاسخ به جای مناطق ارتباطی عالی، از مناطق پردازش حسی سرچشمه می‌گیرد.
مغز چگونه منفی‌گرایی عدم انطباق را تولید می‌کند
تولید MMN توسط مکانیسم‌های عصبی پیچیده و پویا در قشر شنیداری هدایت می‌شود که پژوهشگران به طور فعال از طریق مدل‌های محاسباتی عصبی پیشرفته در حال بررسی آن‌ها هستند. اگرچه هیچ اجماع واحدی در سطح سلولی درباره اینکه دقیقاً چه اتفاقی هنگام تحریک این پاسخ توسط یک صدای انحرافی رخ می‌دهد وجود ندارد، دو فرضیه اصلی دهه‌ها تحقیق علمی را شکل داده‌اند: فرضیه انطباق و فرضیه تعدیل مدل.
فرضیه انطباق پیشنهاد می‌کند که نورون‌های قشر شنیداری با کاهش تدریجی نرخ شلیک خود به صداهای استاندارد مکرر پاسخ می‌دهند؛ فرآیندی که به عنوان انطباق خاصِ محرک شناخته می‌شود. هنگامی که یک صدای انحرافی نادر ارائه می‌شود، جمعیت مجزا و تازه‌ای از نورون‌های انطباق‌نیافته را فعال می‌کند. بر اساس این دیدگاه، MMN در اصل یک پاسخ افتراقی بین جمعیت‌های عصبی انطباق‌یافته و انطباق‌نیافته است.
در مقابل، فرضیه تعدیل مدل به جای خستگی عصبی غیرفعال، یک مکانیسم شناختی فعال را پیشنهاد می‌کند. این فرضیه مطرح می‌کند که مغز به طور مداوم یک مدل درونی پیش‌بینی‌کننده از محیط شنیداری خود می‌سازد. وقتی صداهای استاندارد تکرار می‌شوند، این انتظار را تقویت می‌کنند؛ وقتی یک صدای انحرافی رخ می‌دهد، انتظار را نقض کرده و مغز را مجبور می‌کند تا بازنمایی درونی خود را به‌روز کند. بنابراین، شکل موج MMN بازتاب‌دهنده این فرآیند فعال به‌روزرسانی مدل است.
چارچوب کدگذاری پیش‌بینی‌کننده و مدل‌های نورون اسپایکینگ
برای آشتی دادن این دو دیدگاه رقیب، پژوهشگران به طور فزاینده‌ای به کدگذاری پیش‌بینی‌کننده به عنوان یک چارچوب منسجم نگاه می‌کنند. کدگذاری پیش‌بینی‌کننده مغز را به عنوان یک موتور پیش‌بینی فعال می‌بیند که ورودی‌های حسی را برای پردازش کارآمدتر اطلاعات پیش‌بینی می‌کند.
قشر شنیداری نظم‌های آماری را از صداهای قبلی یاد می‌گیرد تا پیش‌بینی‌ها را ایجاد کند. وقتی محرک‌های ورودی با این انتظارات مطابقت دارند، پردازش به آرامی پیش می‌رود؛ وقتی صدایی انحراف پیدا می‌کند، یک خطای پیش‌بینی در سلسله‌مراتب قشری منتشر می‌شود. در نتیجه، MMN امضای الکتروفیزیولوژیک یک سیگنال خطای پیش‌بینی است.
یک مدل دقیق و از نظر زیستی پذیرفتنیِ نورون اسپایکینگ از قشر شنیداری، از این چارچوب پشتیبانی می‌کند. این مدل نورون‌های تحریکی و مهارکننده را در یک معماری قشری لایه‌ای شامل واحدهای پردازش عملکردی متمایز سازماندهی می‌کند:
واحدهای ورودی که داده‌های حسی خام را دریافت می‌کنند.
واحدهای پیش‌بینی که نشان‌دهنده انتظارات محیطی آموخته‌شده هستند.
واحدهای خطای پیش‌بینی که در صورت تداخل ورودی‌ها و پیش‌بینی‌ها، عدم انطباق را گزارش می‌دهند.
با گنجاندن یک قاعده یادگیری سیناپسی وابسته به انتقال گیرنده NMDA، این شبکه به طور پویا پیش‌بینی‌های خود را بر اساس آمارهای انتقال صداهای اخیر تنظیم می‌کند.
این مدل محاسباتی به طور موفقیت‌آمیزی چندین ویژگی کلیدی MMN را که به صورت تجربی مشاهده شده‌اند، توجیه می‌کند:
مقیاس‌گذاری وابسته به فرکانس: دامنه MMN به نسبت میزان تفاوت صدای انحرافی با صدای استاندارد افزایش می‌یابد.
حساسیت به الگوهای محلی: این مدل پاسخ‌ها را به تکرارهای غیرمنتظره در توالی‌های متناوب بازتولید می‌کند (به عنوان مثال، ثبت خطای پیش‌بینی زمانی که یک توالی متناوب ABABAB ناگهان به ABABAA تغییر می‌کند)، که نشان‌دهنده اتکا به احتمالات انتقال محلی به جای قوانین آماری کلی است.
پاسخ‌های حذف: مدل حتی زمانی که یک صدای مورد انتظار به طور کامل حذف می‌شود، خطای پیش‌بینی ایجاد می‌کند.
حساسیت دارویی: مدل نسبت به آنتاگونیست‌های گیرنده NMDA بسیار حساس است، که این امر با مطالعات بالینی نشان‌دهنده کاهش یا حذف دامنه MMN در اثر مسدود کردن این گیرنده‌ها همخوانی دارد.
علاوه بر این، یک آزمایش مکمل مگنتوانسفالوگرافی (MEG) این ادعاهای مدل را تایید کرد و نشان داد که پاسخ‌های MMN ناشی از پیش‌بینی‌های قشری فعال هستند تا عادت سیناپسی ساده، که این امر تایید تجربی قوی برای تئوری کدگذاری پیش‌بینی‌کننده فراهم می‌کند.
مدل‌های زایشی و استنتاج بیزی در پردازش شنیداری
یک مدل محاسباتی عصبی برجسته دیگر، از دریچه استنتاج بیزی به قشر شنیداری می‌نگرد. این چارچوب علوم اعصاب، مغز را به عنوان سیستمی مدل‌سازی می‌کند که به طور مداوم یک بازنمایی زایشی احتمالاتی از دنیای حسی را با استفاده از فیلترینگ بیزی تعمیم‌یافته به‌روزرسانی می‌کند.
در این سیستم، MMN نشان‌دهنده فعالیت الکتریکی جمعی ایجاد شده توسط نورون‌های خطای پیش‌بینی است که استنتاج را روی حالت‌های پنهان پویایی سلسله‌مراتبی انجام می‌دهند. این رویکرد بیزی شکل‌های موج بسیار واقعی MMN ایجاد می‌کند که منعکس‌کننده داده‌های تجربی است و به دقت نشان می‌دهد که چگونه احتمال و میزان انحراف، پاسخ را شکل می‌دهند:
هر چه احتمال یک صدای انحرافی بیشتر شود، نقض انتظار کاهش می‌یابد و دامنه MMN کمتر می‌شود.
هر چه انحراف از نظر آکوستیکی شباهت بیشتری به استانداردهای معمول داشته باشد، تاخیر پاسخ MMN افزایش یافته و دامنه آن کاهش می‌یابد.
به طور کلی، هر دو مدل کدگذاری پیش‌بینی‌کننده و بیزی به یک حقیقت بنیادی مشترک می‌رسند: MMN امضای الکتریکی مغزی است که به طور فعال محیط شنیداری خود را پیش‌بینی می‌کند و زمان تعارض واقعیت حسی با انتظارات درونی را اعلام می‌دارد.
فرضیه | مکانیسم | ایده اصلی |
|---|---|---|
انطباق | خستگی نورون‌ها در اثر صداهای مکرر | پاسخ افتراقی بین جمعیت‌های انطباق‌یافته |
تعدیل مدل | مغز به طور فعال مدل درونی را به‌روز می‌کند | MMN بازتاب‌دهنده نقض انتظار است |
کدگذاری پیش‌بینی‌کننده | مغز ورودی حسی آینده را پیش‌بینی می‌کند | MMN خطای پیش‌بینی را گزارش می‌دهد |
MMN به عنوان یک نشانگر زیستی در اسکیزوفرنی
از اوایل دهه 1990، مطالعات کاهش دامنه MMN را در بیماران مبتلا به اسکیزوفرنی در مقایسه با افراد سالم ثبت کرده‌اند. این کاهش به نظر می‌رسد قوی و سیستماتیک باشد و در آزمایشگاه‌ها، پروتکل‌های ثبت و جمعیت‌های مختلف بیماران مشاهده می‌شود.
یک پارادایم سنتی اودبال شنیداری نقص‌های قابل‌توجهی را در هر دو نوع MMN انحراف مدت‌زمان و انحراف فرکانس در بیماران مبتلا به اسکیزوفرنی نشان می‌دهد. این نقص آن‌قدر قابل اعتماد است که MMN به طور گسترده به عنوان یک نشانگر زیستی بالینی پیشنهاد شده است—یک معیار عینی و فیزیولوژیک که قادر به شاخص‌گذاری پیشرفت بیماری و آزمایش اثربخشی درمان است.
محرک‌های انحرافی آکوستیک مختلف، ابعاد متفاوتی از آسیب‌شناسی را دنبال می‌کنند:
MMN انحراف فرکانس: کاهش دامنه با پیشرفت بیماری وخیم‌تر می‌شود و ارتباط نزدیکی با مدت زمان بیماری و زوال شناختی و عملکردی دارد. این امر MMN انحراف فرکانس را به یک نشانگر ارزشمند برای پیشرفت بیماری تبدیل می‌کند.
MMN انحراف مدت‌زمان: نقص‌ها در این بخش مسیر متفاوتی را دنبال می‌کنند و بیشتر به آسیب‌پذیری ژنتیکی مرتبط هستند و به عنوان یک نشانگر صفت عمل می‌کنند که در طول زمان نسبتاً پایدار می‌ماند.
علاوه بر این، ژنراتورهای عصبی متمایز که در ایجاد MMN نقش دارند، در اسکیزوفرنی به طور متفاوتی تحت تاثیر قرار می‌گیرند:
ژنراتورهای لوب گیجگاهی: اختلالات در این بخش به نقص در ادراک و تمایز اولیه شنیداری مرتبط است که می‌تواند به علائم مثبت مانند توهمات شنیداری کمک کند.
ژنراتورهای لوب پیشانی: کاهش فعالیت در قشر پیشانی با اختلال در تغییر توجه مرتبط است که با علائم منفی مانند گوشه‌گیری اجتماعی و عاطفه سطحی همبستگی دارد.
انطباق عصبی در مقابل تشخیص انحراف در اسکیزوفرنی
یک سوال حیاتی این است که آیا نقص MMN در اسکیزوفرنی ناشی از نارسایی در انطباق حسی است یا نارسایی در تشخیص فعال انحراف. در یک پارادایم استاندارد اودبال، این دو فرآیند با هم آمیخته شده‌اند زیرا پاسخ مغز به صدای انحرافی هم به نحوه انطباق آن با صدای استاندارد مکرر و هم به نحوه تشخیص تغییر جدید بستگی دارد.
برای جداسازی این مکانیسم‌ها، کوشیاما و همکاران از یک پارادایم کنترل با استانداردهای متعدد (many-standards control) استفاده کردند. در این طرح، چندین صدا با فرکانس‌های مختلف با احتمال یکسان ارائه می‌شوند تا هیچ صدای واحدی به اندازه کافی برای ایجاد انطباق تکرار نشود. سپس صدای انحرافی با این پس‌زمینه متنوع مقایسه می‌شود و تشخیص انحراف از اثرات انطباق تفکیک می‌گردد.
هنگامی که بیماران مبتلا به اسکیزوفرنی با استفاده از هر دو پارادایم مورد ارزیابی قرار گرفتند، نتایج نشان‌دهنده یک نقص انتخابی در تشخیص انحراف بود. در حالی که انطباق عصبی آن‌ها با صداهای مکرر کاملاً دست‌نخورده باقی مانده بود، توانایی آن‌ها در تشخیص تغییرات آکوستیک و تولید یک خطای پیش‌بینی در پاسخ به محیط تغییریافته به شدت آسیب دیده بود.
بهترین روش‌های روش‌شناختی برای برانگیختن منفی‌گرایی عدم انطباق
اصل اساسی ثبت یک MMN تمیز و قابل تفسیر، ارائه یک نظم شنیداری (یک صدای استاندارد مکرر) و نقض گاه‌به‌گاه آن نظم با یک صدای انحرافی غیر تکراری است. نحوه طراحی این نقض تعیین می‌کند که کدام بخش از پردازش عصبی قابل ارزیابی است.
۱. اصول کلیدی: پارادایم استاندارد اودبال
پارادایم استاندارد اودبال بر سه پارامتر کلیدی محرک تکیه دارد که به طور سیستماتیک پاسخ MMN حاصل را شکل می‌دهند:
نوع انحراف: انحراف‌ها می‌توانند در ابعاد مختلف آکوستیک مانند فرکانس یا مدت زمان با استانداردهای معمول تفاوت داشته باشند. گنجاندن هر دو نوع انحراف فرکانس و مدت‌زمان اغلب در تحقیقات بالینی مورد نیاز است زیرا آن‌ها ابعاد متفاوتی از آسیب‌شناسی عصبی و پیشرفت بیماری را نشان می‌دهند.
احتمال انحراف: صداهای انحرافی با احتمال کمتر، دامنه‌های MMN بزرگ‌تری ایجاد می‌کنند زیرا نشان‌دهنده یک وقفه غیرمنتظره‌تر در نظم محیطی هستند.
میزان انحراف: تفاوت‌های آکوستیک بزرگ‌تر بین صداهای استاندارد و انحرافی باعث برانگیختن دامنه‌های MMN بزرگ‌تر و تاخیرهای پاسخ کوتاه‌تر می‌شود.
۲. تمایز فرآیندها: اودبال در مقابل پارادایم استانداردهای متعدد
یک پارادایم اودبال با تک استاندارد به طور ذاتی دو فرآیند عصبی مجزا را با هم ترکیب می‌کند: انطباق غیرفعال با استاندارد مکرر و تشخیص فعال انحراف.
برای جداسازی تشخیص انحراف، پژوهشگران از پارادایم استانداردهای متعدد استفاده می‌کنند. با ارائه طیف وسیعی از فرکانس‌های صدا با احتمالات یکسان، انطباق به طور مساوی در کل مجموعه محرک‌ها توزیع می‌شود.
مقایسه پارادایم‌های اودبال و استانداردهای متعدد در یک آزمایش مشابه به پژوهشگران کمک می‌کند تا تعیین کنند آیا یک ناهنجاری در MMN ناشی از اختلال در انطباق است، اختلال در تشخیص انحراف، یا ترکیبی از هر دو.
۳. آزمایش پیش‌بینی فعال: فراتر از اودبال استاندارد
ارزیابی تئوری‌های کدگذاری پیش‌بینی‌کننده نیازمند طرح‌هایی است که فراتر از تغییرات ساده ویژگی‌های فیزیکی بروند:
نقض الگوها: ارائه الگوهای مکرر (به عنوان مثال، ABABAB) یک پیش‌بینی از تناوب ایجاد می‌کند. یک تکرار غیرمنتظره (به عنوان مثال، ABABAA) یک پاسخ MMN را تحریک می‌کند که نشان‌دهنده تشخیص قوانین ساختاری پیچیده است.
پارادایم‌های حذف: هنگامی که یک صدای قابل پیش‌بینی در یک توالی ریتمیک به طور کامل حذف می‌شود، مغز همچنان یک سیگنال خطای پیش‌بینی تولید می‌کند که این امر ثابت می‌کند MMN نشان‌دهنده انتظار فعال است تا صرفاً یک عادت حسی ساده.
۴. منبع‌یابی: EEG در مقابل MEG
در حالی که EEG استاندارد ثبت‌های سطحی و قوی ارائه می‌دهد، تعیین دقیق ژنراتورهای عصبی خاص MMN اغلب به MEG نیاز دارد. MEG همتای مغناطیسی (MMNm) را ثبت می‌کند و وضوح فضایی برتری برای تفکیک نقش ژنراتورهای لوب گیجگاهی (تمایز حسی) و ژنراتورهای لوب پیشانی (تغییر توجه) ارائه می‌دهد.
نتیجه‌گیری
منفی‌گرایی عدم انطباق یک پاسخ خودکار و پیش‌توجهی مغز به تغییرات شنیداری است. این پاسخ زمانی پدیدار می‌شود که یک صدا نظم ایجاد شده توسط محرک‌های قبلی را نقض کند و نشان‌دهنده ظرفیت مغز برای حافظه حسی و دقت ادراکی است. دهه‌ها تحقیق آن را به عنوان یک پدیده الکتروفیزیولوژیک قابل اعتماد با ویژگی‌های کاملاً تعریف‌شده معرفی کرده است.
دو فرضیه اصلی برای توضیح مکانیسم‌های عصبی زیربنایی MMN با یکدیگر رقابت کرده‌اند. فرضیه انطباق آن را به خستگی عصبی تفاضلی نسبت می‌دهد، در حالی که فرضیه تعدیل مدل بر به‌روزرسانی فعال بازنمایی‌های درونی تأکید دارد. کدگذاری پیش‌بینی‌کننده به عنوان یک چارچوب منسجم پدیدار شده است که طیف وسیعی از ویژگی‌های تجربی را توجیه می‌کند. مدل‌های محاسباتی دقیقی که بر اساس اصول کدگذاری پیش‌بینی‌کننده ساخته شده‌اند، حساسیت MMN را نسبت به احتمال انحراف، میزان انحراف، تکرارهای غیرمنتظره، حذف صدا و آنتاگونیست‌های گیرنده NMDA بازتولید می‌کنند. آزمایش‌های MEG نیز از این ادعای محوری حمایت می‌کنند که MMN بازتاب‌دهنده پیش‌بینی قشری فعال است تا انطباق غیرفعال.
در بیماری اسکیزوفرنی، کاهش دامنه MMN یافته‌ای قوی و سیستماتیک است. MMN انحراف فرکانس، پیشرفت بیماری و زوال شناختی را ردیابی می‌کند، در حالی که MMN انحراف مدت‌زمان ممکن است نشان‌دهنده آسیب‌پذیری ژنتیکی باشد. این نقص به نظر می‌رسد به طور خاص مربوط به تشخیص انحراف باشد، در حالی که انطباق عصبی دست‌نخورده باقی می‌ماند. هدف از این ویژگی، شناسایی یک هدف مشخص برای توسعه درمان است و قابلیت انتقال بین‌گونه‌ای MMN با هدف تبدیل آن به یک نشانگر زیستی کاربردی برای آزمایش‌های پیش‌بالینی داروها انجام می‌شود.
ثبت داده‌های معنی‌دار MMN نیازمند روش‌شناسی دقیق است. نوع، احتمال و میزان انحراف باید با ارجاع آگاهانه به اصول محاسباتی حاکم بر پاسخ انتخاب شوند. پارادایم استانداردهای متعدد باید در کنار اودبال سنتی استفاده شود، به‌ویژه زمانی که جداسازی انطباق از تشخیص انحراف ضروری است. طرح‌های غیرمتعارف با استفاده از تکرارهای غیرمنتظره یا حذف صدا می‌توانند پیش‌بینی‌های خاص چارچوب کدگذاری پیش‌بینی‌کننده را آزمایش کنند. زمانی که منبع‌یابی اهمیت دارد، ثبت MEG از MMNm مکمل EEG خواهد بود. این ملاحظات روش‌شناختی تضمین می‌کنند که MMN همچنان به عنوان ابزاری دقیق برای علوم اعصاب پایه و ترجمه بالینی عمل کند.
منابع
Garrido, M. I., Kilner, J. M., Stephan, K. E., & Friston, K. J. (2009). The mismatch negativity: a review of underlying mechanisms. Clinical neurophysiology, 120(3), 453-463. https://doi.org/10.1016/j.clinph.2008.11.029
Wacongne, C., Changeux, J. P., & Dehaene, S. (2012). A neuronal model of predictive coding accounting for the mismatch negativity. The Journal of neuroscience, 32(11), 3665-3678. https://doi.org/10.1523/JNEUROSCI.5003-11.2012
Lieder, F., Stephan, K. E., Daunizeau, J., Garrido, M. I., & Friston, K. J. (2013). A neurocomputational model of the mismatch negativity. PLoS computational biology, 9(11), e1003288. https://doi.org/10.1371/journal.pcbi.1003288
Näätänen, R., & Kähkönen, S. (2009). Central auditory dysfunction in schizophrenia as revealed by the mismatch negativity (MMN) and its magnetic equivalent MMNm: a review. International Journal of Neuropsychopharmacology, 12(1), 125-135. https://doi.org/10.1017/S1461145708009322
Koshiyama, D., Kirihara, K., Tada, M., Nagai, T., Fujioka, M., Usui, K., ... & Kasai, K. (2020). Reduced auditory mismatch negativity reflects impaired deviance detection in schizophrenia. Schizophrenia bulletin, 46(4), 937-946. https://doi.org/10.1093/schbul/sbaa006
پرسش‌های متداول
منفی‌گرایی عدم انطباق (MMN) چیست؟
منفی‌گرایی عدم انطباق یا MMN، یک سیگنال الکتریکی مغز است که با EEG ثبت می‌شود و زمانی رخ می‌دهد که یک صدای انحرافی و غیر تکراری، الگوی صداهای استاندارد و مکرر را بشکند. این پدیده نشان‌دهنده توانایی خودکار مغز برای تشخیص تغییر است و حتی زمانی که فرد توجهی به صداها ندارد نیز تولید می‌شود.
چرا MMN خودکار و پیش‌توجهی در نظر گرفته می‌شود؟
MMN خودکار است زیرا حتی زمانی که فرد در حال مطالعه، تماشای فیلم یا نادیده گرفتن فعالانه صداهاست نیز ظاهر می‌شود. پیش‌توجهی است زیرا مغز صدای انحرافی را با اثر حافظه صداهای استاندارد قبل از جلب توجه آگاهانه مقایسه می‌کند.
دو فرضیه اصلی درباره نحوه تولید MMN توسط مغز چیست؟
فرضیه انطباق پیشنهاد می‌کند که صداهای استاندارد مکرر باعث می‌شوند نورون‌ها نرخ شلیک خود را کاهش دهند، بنابراین یک صدای انحرافی نادر، نورون‌های «تازه» را فعال می‌کند که پاسخ بزرگ‌تری ایجاد می‌کنند. فرضیه تعدیل مدل پیشنهاد می‌کند که مغز به طور فعال یک مدل درونی از محیط شنیداری می‌سازد و MMN بازتاب‌دهنده فرآیند به‌روزرسانی آن مدل در هنگام نقض انتظارات توسط یک انحراف است.
کدگذاری پیش‌بینی‌کننده چگونه MMN را توضیح می‌دهد؟
کدگذاری پیش‌بینی‌کننده یک چارچوب منسجم است که مغز را به عنوان پیش‌بینی‌کننده فعال صداهای آینده بر اساس نظم‌های آموخته‌شده می‌بیند. وقتی ورودی واقعی از پیش‌بینی منحرف می‌شود، یک سیگنال خطای پیش‌بینی ایجاد می‌شود و MMN به عنوان تظاهر الکتروفیزیولوژیک آن خطای پیش‌بینی شناخته می‌شود.
پارادایم استانداردهای متعدد چیست و چرا استفاده می‌شود؟
پارادایم استانداردهای متعدد تنوع زیادی از صداها را با احتمال یکسان ارائه می‌دهد به طوری که هیچ صدای واحدی به اندازه کافی برای ایجاد انطباق عصبی تکرار نمی‌شود. این کار به پژوهشگران اجازه می‌دهد تا تشخیص انحراف را از اثرات انطباق که در یک پارادایم اودبال سنتی با هم مخلوط هستند، تفکیک کنند.
MMNm چیست و چه تفاوتی با MMN دارد؟
MMNm همتای مغناطیسی MMN است که به جای EEG با مگنتوانسفالوگرافی (MEG) ثبت می‌شود. این روش وضوح فضایی بهتری برای تفکیک نقش مناطق مختلف مغز، مانند ژنراتورهای لوب گیجگاهی و پیشانی ارائه می‌دهد.
چه عواملی باید هنگام طراحی یک آزمایش MMN در نظر گرفته شوند؟
پژوهشگران باید نوع، احتمال و میزان انحراف را با دقت انتخاب کنند زیرا این پارامترها به طور سیستماتیک پاسخ MMN را شکل می‌دهند. انحراف‌های با احتمال کمتر و میزان بیشتر دامنه‌های بزرگ‌تری ایجاد می‌کنند و استفاده از هر دو نوع انحراف فرکانس و مدت‌زمان برای مطالعات بالینی ضروری است. پارادایم استانداردهای متعدد باید در کنار اودبال سنتی استفاده شود، به‌ویژه زمانی که تفکیک انطباق از تشخیص انحراف لازم است.
Emotiv یک شرکت پیشرو در فناوری عصبی است که با ابزارهای در دسترس EEG و داده‌های مغزی به پیشبرد پژوهش‌های علوم اعصاب کمک می‌کند.
سلب مسئولیت پزشکی: اطلاعات ارائه شده در این وب‌سایت صرفاً برای اهداف آموزشی و اطلاع‌رسانی است و به عنوان توصیه پزشکی یا بهداشتی در نظر گرفته نشده است. این محتوا ممکن است حاوی خطا باشد و نباید برای تصمیم‌گیری‌های حیاتی در زمینه سلامت، پزشکی یا سبک زندگی به آن استناد کرد. همیشه برای هرگونه سؤال در رابطه با یک شرایط پزشکی یا درمان، از پزشک خود یا سایر ارائه‌دهندگان واجد شرایط مراقبت‌های بهداشتی راهنمایی بخواهید.
کریستین بورگوس
