มิมแมทช์ เนกาทิวิตี (Mismatch negativity) หรือย่อว่า MMN คือส่วนประกอบของคลื่นไฟฟ้าสมองสัมพันธ์กับเหตุการณ์ (Event-Related Potential: ERP) ที่ได้จากการบันทึกคลื่นไฟฟ้าสมอง (EEG) แตกต่างจากคลื่นไฟฟ้าสมองจากการกระตุ้นหลายชนิดที่ต้องอาศัยความตั้งใจจดจ่อ MMN จะเกิดขึ้นโดยอัตโนมัติเมื่อมีเสียงแปลกปลอม (deviant) ที่เกิดขึ้นไม่บ่อยเข้ามาแทรกในกลุ่มเสียงมาตรฐาน (standard) ที่เกิดขึ้นซ้ำๆ คุณลักษณะที่เกิดขึ้นโดยอัตโนมัตินี้ทำให้ MMN มีประโยชน์อย่างยิ่งในการเป็นเครื่องมือทางคลินิกและการวิจัย เนื่องจากช่วยขจัดตัวแปรควบคุมที่ว่าผู้ป่วยให้ความร่วมมือหรือมีสมาธิในระหว่างการทดสอบหรือไม่
Mismatch Negativity คืออะไร?
Mismatch negativity (MMN) คือส่วนประกอบของคลื่นไฟฟ้าสมองสัมพันธ์กับเหตุการณ์ (event-related potential) ที่บันทึกผ่านทางการตรวจคลื่นไฟฟ้าสมอง (EEG) ซึ่งสะท้อนถึงการตรวจจับการเปลี่ยนแปลงของเสียงโดยอัตโนมัติและก่อนการใส่ใจของสมอง การตอบสนองโดยอัตโนมัตินี้มักจะเกิดขึ้นจากการนำเสนอเสียงมาตรฐานที่เหมือนกันอย่างต่อเนื่อง ตามด้วยเสียง 'เบี่ยงเบน' ที่เกิดขึ้นไม่บ่อย ซึ่งแตกต่างกันในเรื่องของความถี่ ระยะเวลา หรือคุณลักษณะทางอคูสติกอื่นๆ
สมองจะตรวจจับการเบี่ยงเบนนี้ และสร้างการเบี่ยงเบนของแรงดันไฟฟ้าเชิงลบที่มีจุดสูงสุดประมาณ 100 ถึง 200 มิลลิวินาทีหลังจากการเปลี่ยนแปลง คลื่นสัญญาณที่เป็นเอกลักษณ์นี้ซึ่งบันทึกได้เด่นชัดที่สุดบริเวณขั้วไฟฟ้าบนหนังศีรษะส่วนหน้าและส่วนกลาง ทำหน้าที่เป็นตัวบ่งชี้หลักของ mismatch negativity
คุณสมบัติสองประการที่แยกแยะ MMN ออกจากการตอบสนองอื่นๆ ของสมอง:
ประการแรก คือเกิดขึ้นโดยอัตโนมัติ บุคคลอาจกำลังอ่านหนังสือ ชมภาพยนตร์เงียบ หรือจงใจเพิกเฉยต่อเสียงนั้นอย่างสิ้นเชิง แต่ MMN ก็ยังคงปรากฏขึ้น
ประการที่สอง คือเกิดขึ้นก่อนการใส่ใจ (pre-attentive) สมองจะทำการเปรียบเทียบระหว่างเสียงที่เบี่ยงเบนกับร่องรอยความจำของเสียงมาตรฐานก่อนที่ความใส่ใจจะทำงาน
คุณลักษณะเหล่านี้ทำให้ MMN เป็นดัชนีชี้วัดความสามารถพื้นฐานของสมองในการตรวจจับการเปลี่ยนแปลง โดยไม่ขึ้นกับกระบวนการทางปัญญาขั้นสูงที่อาจบกพร่องหรือแปรผันในแต่ละบุคคล
สิ่งคู่ขนานทางแม่เหล็กของ MMN ซึ่งบันทึกด้วยการตรวจคลื่นแม่เหล็กไฟฟ้าสมองและย่อว่า MMNm แสดงถึงกระบวนการตรวจจับการเปลี่ยนแปลงของเสียงที่อยู่ภายใต้กลไกเดียวกัน เนื่องจาก MEG ให้ความไวเชิงพื้นที่ที่แตกต่างจาก EEG การผสมผสานวิธีการบันทึกทั้งสองวิธีเข้าด้วยกันจึงช่วยให้นักวิจัยสามารถแยกแยะการทำงานร่วมกันจากส่วนต่างๆ ของสมองได้ MMNm ระบุตำแหน่งอยู่ที่คอร์เทกซ์การได้ยิน (auditory cortex) และโครงสร้างกลีบขมับที่อยู่โดยรอบ ซึ่งเป็นการยืนยันว่าการตอบสนองมีต้นกำเนิดมาจากพื้นที่ประมวลผลทางประสาทสัมผัสมากกว่าพื้นที่เชื่อมโยงขั้นสูง
สมองสร้าง Mismatch Negativity ได้อย่างไร
การสร้าง MMN ถูกขับเคลื่อนโดยกลไกของเซลล์ประสาทที่มีความซับซ้อนและเปลี่ยนแปลงตลอดเวลาในคอร์เทกซ์การได้ยิน ซึ่งนักวิจัยกำลังศึกษาอย่างจริงจังผ่านโมเดลการคำนวณทางประสาทที่ซับซ้อน แม้ว่าจะยังไม่มีข้อตกลงร่วมกันในระดับเซลล์เพียงหนึ่งเดียวว่าเกิดอะไรขึ้นเมื่อเสียงที่เบี่ยงเบนไปกระตุ้นการตอบสนองนี้ แต่สมมติฐานหลักสองข้อได้กำหนดทิศทางการศึกษาวิจัยทางวิทยาศาสตร์มาหลายทศวรรษ ได้แก่ สมมติฐานการปรับตัว (adaptation hypothesis) และสมมติฐานการปรับแบบจำลอง (model adjustment hypothesis)
สมมติฐานการปรับตัวเสนอว่า เซลล์ประสาทในคอร์เทกซ์การได้ยินตอบสนองต่อเสียงมาตรฐานที่ทำซ้ำๆ โดยการค่อยๆ ลดอัตราการส่งสัญญาณประสาทลง ซึ่งเป็นกระบวนการที่เรียกว่าการปรับตัวเฉพาะสิ่งเร้า (stimulus-specific adaptation) เมื่อมีการนำเสนอเสียงเบี่ยงเบนที่หายาก มันจะกระตุ้นกลุ่มเซลล์ประสาทที่ไม่ได้ปรับตัวกลุ่มใหม่ที่แยกต่างหาก ภายใต้มุมมองนี้ โดยพื้นฐานแล้ว MMN คือการตอบสนองที่แตกต่างกันระหว่างกลุ่มเซลล์ประสาทที่ปรับตัวแล้วและที่ยังไม่ได้ปรับตัว
ในทางตรงกันข้าม สมมติฐานการปรับแบบจำลองเสนอถึงกลไกทางปัญญาที่ทำงานเชิงรุกมากกว่าความล้าของเซลล์ประสาทในเชิงรับ โดยสันนิษฐานว่าสมองสร้างแบบจำลองภายในเพื่อการคาดการณ์สภาพแวดล้อมการได้ยินอย่างต่อเนื่อง เมื่อเสียงมาตรฐานซ้ำๆ กัน พวกมันจะตอกย้ำความคาดหวังนี้ และเมื่อเสียงที่เบี่ยงเบนเกิดขึ้น มันจะขัดแย้งกับความคาดหวังและบังคับให้สมองอัปเดตการแสดงแทนภายใน คลื่นสัญญาณ MMN จึงสะท้อนถึงกระบวนการอัปเดตแบบจำลองที่ทำงานเชิงรุกนี้
กรอบการเข้ารหัสเชิงทำนายและโมเดล Spiking-Neuron
เพื่อประสานมุมมองที่ขัดแย้งกันเหล่านี้ นักวิจัยจึงหันมาใช้การเข้ารหัสเชิงทำนาย (predictive coding) เป็นกรอบการทำงานที่รวมเป็นหนึ่งเดียวมากขึ้น การเข้ารหัสเชิงทำนายมองว่าสมองเป็นเครื่องยนต์ทำนายที่ทำงานเชิงรุกซึ่งคาดการณ์ข้อมูลรับความรู้สึกเพื่อประมวลผลข้อมูลได้อย่างมีประสิทธิภาพมากขึ้น
คอร์เทกซ์การได้ยินจะเรียนรู้ความสม่ำเสมอทางสถิติจากเสียงก่อนหน้าเพื่อสร้างการคาดการณ์ เมื่อสิ่งเร้าที่เข้ามาตรงกับความคาดหวังเหล่านี้ การประมวลผลจะดำเนินไปอย่างราบรื่น แต่เมื่อเสียงเบี่ยงเบนไป สัญญาณข้อผิดพลาดในการคาดการณ์จะแพร่กระจายผ่านลำดับขั้นของคอร์เทกซ์ ด้วยเหตุนี้ MMN จึงเป็นสัญญาณทางสรีรวิทยาไฟฟ้าของสัญญาณข้อผิดพลาดในการคาดการณ์
โมเดล spiking-neuron ของคอร์เทกซ์การได้ยินที่มีความละเอียดอ่อนและมีความเป็นไปได้ทางชีวภาพสนับสนุนกรอบการทำงานนี้ โมเดลนี้จัดโครงสร้างเซลล์ประสาทสั่งการและยับยั้งให้เป็นสถาปัตยกรรมคอร์เทกซ์แบบแบ่งชั้นซึ่งประกอบด้วยหน่วยประมวลผลตามหน้าที่การทำงานที่แยกจากกัน:
หน่วยรับข้อมูลเข้า (Input units) ที่รับข้อมูลประสาทสัมผัสดิบ
หน่วยทำนาย (Prediction units) ที่แสดงถึงความคาดหวังของสิ่งแวดล้อมที่ได้เรียนรู้
หน่วยข้อผิดพลาดในการคาดการณ์ (Prediction-error units) ที่ส่งสัญญาณเมื่อข้อมูลเข้าและความคาดหวังขัดแย้งกัน
ด้วยการรวมกฎการเรียนรู้ทางไซแนปส์ที่ขึ้นอยู่กับการส่งผ่านตัวรับ NMDA เครือข่ายนี้จะปรับการคาดการณ์แบบไดนามิกตามสถิติการเปลี่ยนผ่านของเสียงที่เกิดขึ้นล่าสุด
โมเดลการคำนวณนี้สามารถอธิบายคุณลักษณะสำคัญของ MMN ที่สังเกตได้จากการทดลองจริงสำเร็จหลายประการ:
การปรับขนาดตามความถี่ (Frequency-dependent scaling): แอมพลิจูดของ MMN จะเพิ่มขึ้นตามสัดส่วนของความแตกต่างระหว่างเสียงที่เบี่ยงเบนและเสียงมาตรฐาน
ความไวต่อรูปแบบท้องถิ่น (Sensitivity to local patterns): โมเดลนี้จำลองการตอบสนองต่อการซ้ำซ้อนที่ไม่คาดคิดในลำดับที่สลับกันได้ (เช่น การบันทึกข้อผิดพลาดในการคาดการณ์เมื่อลำดับสลับ ABABAB เปลี่ยนเป็น ABABAA ทันที) ซึ่งสะท้อนถึงการพึ่งพาความน่าจะเป็นในการเปลี่ยนผ่านในระดับท้องถิ่นมากกว่ากฎทางสถิติในระดับภาพรวม
การตอบสนองต่อการละเว้น (Omission responses): โมเดลสร้างข้อผิดพลาดในการคาดการณ์แม้ว่าเสียงที่คาดหวังจะถูกละเว้นไปอย่างสิ้นเชิง
ความไวทางเภสัชวิทยา (Pharmacological sensitivity): โมเดลนี้มีความไวสูงต่อสารต้านตัวรับ NMDA (NMDA receptor antagonists) ซึ่งสอดคล้องกับการศึกษาทางคลินิกที่แสดงให้เห็นว่าการบล็อกตัวรับเหล่านี้จะลดหรือขจัดแอมพลิจูดของ MMN ลง
ยิ่งไปกว่านั้น การทดลองคลื่นแม่เหล็กไฟฟ้าสมอง (MEG) ที่เข้ามาเสริมกันยังได้ตรวจสอบยืนยันข้ออ้างของโมเดลเหล่านี้ โดยแสดงให้เห็นว่าการตอบสนองของ MMN มีต้นกำเนิดมาจากการคาดการณ์ของคอร์เทกซ์ที่ทำงานเชิงรุก แทนที่จะเป็นเพียงความเคยชินทางไซแนปส์แบบง่ายๆ ซึ่งเป็นการสนับสนุนเชิงประจักษ์ที่แข็งแกร่งสำหรับคำอธิบายการเข้ารหัสเชิงทำนาย
โมเดลการสร้างและข้อสรุปแบบเบย์ในการประมวลผลข้อมูลการได้ยิน
อีกหนึ่งโมเดลการคำนวณทางประสาทที่โดดเด่นเข้าหาคอร์เทกซ์การได้ยินผ่านมุมมองของการอนุมานแบบเบย์ (Bayesian inference) กรอบการทำงานทางประสาทวิทยาศาสตร์นี้จำลองสมองเสมือนว่ากำลังอัปเดตการแสดงแทนเชิงสร้างสรรค์ตามความน่าจะเป็นของโลกแห่งการรับสัมผัสอย่างต่อเนื่องโดยใช้การกรองแบบเบย์ทั่วไป
ในระบบนี้ MMN แสดงถึงกิจกรรมทางไฟฟ้าโดยรวมที่สร้างขึ้นจากเซลล์ประสาทข้อผิดพลาดในการคาดการณ์ ขณะที่พวกมันทำการอนุมานสถานะที่ซ่อนอยู่ของไดนามิกเชิงลำดับชั้น วิธีการแบบเบย์นี้สร้างคลื่นสัญญาณ MMN ที่สมจริงอย่างมากซึ่งสะท้อนข้อมูลจากการทดลองจริง โดยจับภาพได้อย่างแม่นยำว่าความน่าจะเป็นและขนาดของความเบี่ยงเบนส่งผลต่อการตอบสนองอย่างไร:
เมื่อเสียงเบี่ยงเบนมีโอกาสเกิดขึ้นได้มากขึ้น การละเมิดความคาดหวังก็จะลดลง ส่งผลให้แอมพลิจูดของ MMN ลดลง
เมื่อเสียงเบี่ยงเบนมีความแตกต่างทางอคูสติกจากเสียงมาตรฐานน้อยลง ระยะเวลาแฝง (latency) ของการตอบสนอง MMN จะเพิ่มขึ้น ในขณะที่แอมพลิจูดของมันจะลดลง
โดยภาพรวม ทั้งโมเดลการเข้ารหัสเชิงทำนายและโมเดลแบบเบย์ต่างบรรจบกันที่ความจริงพื้นฐานข้อเดียวกันคือ: MMN คือคลื่นสัญญาณไฟฟ้าของสมองที่กำลังคาดการณ์สภาพแวดล้อมทางเสียงอย่างแข็งขัน และส่งสัญญาณเมื่อความเป็นจริงทางประสาทสัมผัสขัดแย้งกับความคาดหวังภายใน
สมมติฐาน | กลไก | แนวคิดหลัก |
|---|---|---|
การปรับตัว | เซลล์ประสาทเกิดความล้าจากเสียงที่ซ้ำๆ | การตอบสนองที่แตกต่างกันระหว่างกลุ่มประชากรเซลล์ประสาทที่ปรับตัวแล้ว |
การปรับแบบจำลอง | สมองอัปเดตแบบจำลองภายในอย่างเชิงรุก | MMN สะท้อนถึงการขัดต่อความคาดหวัง |
การเข้ารหัสเชิงทำนาย | สมองทำนายข้อมูลรับความรู้สึกที่จะเกิดขึ้น | MMN ส่งสัญญาณข้อผิดพลาดในการคาดการณ์ |
MMN ในฐานะไบโอมาร์กเกอร์ในโรคจิตเภท
ตั้งแต่ต้นทศวรรษ 1990 การศึกษาวิจัยได้บันทึกถึงการลดลงของแอมพลิจูดของ MMN ในผู้ป่วยโรคจิตเภทเมื่อเปรียบเทียบกับบุคคลที่มีสุขภาพดี การลดลงนี้ดูเหมือนจะมีความสม่ำเสมอและเป็นระบบ โดยปรากฏให้เห็นในห้องปฏิบัติการ โปรโตคอลการบันทึก และกลุ่มผู้ป่วยที่หลากหลาย
รูปแบบการทดลองแบบ oddball ทางการได้ยินแบบดั้งเดิมเผยให้เห็นความบกพร่องอย่างมีนัยสำคัญใน MMN ทั้งแบบระยะเวลาเบี่ยงเบน (duration-deviant) และความถี่เบี่ยงเบน (frequency-deviant) ในผู้ป่วยโรคจิตเภท ความบกพร่องนี้มีความน่าเชื่อถือมากจน MMN ได้รับการเสนออย่างกว้างขวางให้เป็นไบโอมาร์กเกอร์ (biomarker) ทางคลินิก ซึ่งเป็นการวัดทางสรีรวิทยาที่เป็นรูปธรรมที่สามารถระบุการดำเนินไปของโรคและทดสอบประสิทธิภาพการรักษาได้
ความเบี่ยงเบนของเสียงที่แตกต่างกันจะติดตามมิติของพยาธิวิทยาที่ต่างกัน:
Frequency-Deviant MMN: การลดลงของแอมพลิจูดจะแย่ลงเมื่อโรคดำเนินไป ซึ่งมีความสัมพันธ์อย่างใกล้ชิดกับระยะเวลาของโรค รวมถึงความเสื่อมถอยทางปัญญาและหน้าที่การทำงาน ทำให้ frequency-deviant MMN เป็นตัวบ่งชี้ที่มีคุณค่าในการดำเนินไปของโรค
Duration-Deviant MMN: ความบกพร่องในด้านนี้มีแนวโน้มที่แตกต่างออกไปและมีความเชื่อมโยงอย่างใกล้ชิดกับความเปราะบางทางพันธุกรรม ทำหน้าที่เป็นตัวบ่งชี้ลักษณะเฉพาะ (trait marker) ที่ค่อนข้างคงที่เมื่อเวลาผ่านไป
นอกจากนี้ ตัวสร้างสัญญาณประสาทที่แตกต่างกันซึ่งมีส่วนทำให้เกิด MMN จะได้รับผลกระทบในโรคจิตเภทที่แตกต่างกันด้วย:
ตัวสร้างสัญญาณในกลีบขมับ (Temporal Lobe Generators): ความบกพร่องในส่วนนี้เชื่อมโยงกับความบกพร่องในการรับรู้และการแยกแยะเสียงขั้นพื้นฐาน ซึ่งอาจส่งผลต่ออาการเชิงบวก เช่น อาการหูแว่ว
ตัวสร้างสัญญาณในกลีบหน้า (Frontal Lobe Generators): กิจกรรมที่ลดลงในคอร์เทกซ์ส่วนหน้าเชื่อมโยงกับความบกพร่องในการสลับความใส่ใจ ซึ่งสัมพันธ์กับอาการเชิงลบ เช่น การแยกตัวจากสังคมและการแสดงอารมณ์เฉยชา
การปรับตัวของเซลล์ประสาทเปรียบเทียบกับการตรวจจับความเบี่ยงเบนในโรคจิตเภท
คำถามสำคัญคือ ความบกพร่องของ MMN ในโรคจิตเภทมีสาเหตุมาจากความล้มเหลวของการปรับตัวทางประสาทสัมผัส (sensory adaptation) หรือความล้มเหลวของการตรวจจับความเบี่ยงเบนแบบเชิงรุก (active deviance detection) ในรูปแบบการทดลอง oddball มาตรฐาน กระบวนการทั้งสองนี้จะปะปนกันเนื่องจากการตอบสนองของสมองต่อเสียงเบี่ยงเบนขึ้นอยู่กับทั้งวิธีที่สมองปรับตัวเข้ากับเสียงมาตรฐานที่ซ้ำซ้อน และวิธีที่ตรวจจับการเปลี่ยนแปลงที่แปลกใหม่
เพื่อแยกแยะกลไกเหล่านี้ Koshiyama และคณะ ได้ใช้รูปแบบการควบคุมแบบหลายมาตรฐาน (many-standards control paradigm) ในการออกแบบนี้ เสียงหลายเสียงที่มีความถี่ต่างกันจะถูกนำเสนอด้วยความน่าจะเป็นที่เท่ากัน เพื่อไม่ให้มีเสียงใดเสียงหนึ่งซ้ำกันมากพอที่จะกระตุ้นให้เกิดการปรับตัว จากนั้นจะเปรียบเทียบเสียงที่เบี่ยงเบนกับพื้นหลังที่หลากหลายนี้ เพื่อแยกการตรวจจับความเบี่ยงเบนออกจากผลกระทบของการปรับตัว
เมื่อประเมินผู้ป่วยโรคจิตเภทโดยใช้ทั้งสองรูปแบบการทดลอง ผลลัพธ์เผยให้เห็นความบกพร่องเฉพาะเจาะจงในการตรวจจับความเบี่ยงเบน ในขณะที่การปรับตัวทางประสาทสัมผัสของพวกเขาต่อเสียงที่ซ้ำกันยังคงทำงานได้อย่างสมบูรณ์แบบ แต่ความสามารถในการตรวจจับการเปลี่ยนแปลงทางอคูสติกและสร้างข้อผิดพลาดในการคาดการณ์เพื่อตอบสนองต่อสภาพแวดล้อมที่เปลี่ยนแปลงไปนั้นได้รับความเสียหายอย่างมีนัยสำคัญ
แนวปฏิบัติที่ดีที่สุดในการกระตุ้น Mismatch Negativity
หลักการสำคัญของการบันทึก MMN ที่ชัดเจนและสามารถตีความได้คือ การนำเสนอความสม่ำเสมอทางเสียง (เสียงมาตรฐานที่ทำซ้ำ) และสลับด้วยการละเมิดความสม่ำเสมอนั้นเป็นครั้งคราวด้วยเสียงเบี่ยงเบนที่เกิดขึ้นไม่บ่อย วิธีการสร้างการละเมิดนี้เป็นตัวกำหนดว่าจะประเมินแง่มุมใดของการประมวลผลทางประสาท
1. หลักการสำคัญ: Standard Oddball Paradigm
รูปแบบการทดลอง oddball มาตรฐานขึ้นอยู่กับพารามิเตอร์ของสิ่งเร้าหลักสามประการที่กำหนดรูปร่างของการตอบสนอง MMN ที่เกิดขึ้นอย่างเป็นระบบ:
ประเภทของเสียงเบี่ยงเบน (Deviant Type): เสียงเบี่ยงเบนสามารถแตกต่างจากเสียงมาตรฐานในมิติทางอคูสติกต่างๆ เช่น ความถี่หรือระยะเวลา มักมีความจำเป็นต้องรวมทั้งเสียงเบี่ยงเบนด้านความถี่และระยะเวลาในการวิจัยทางคลินิก เนื่องจากพวกมันสะท้อนถึงมิติที่แตกต่างกันของพยาธิวิทยาทางระบบประสาทและการดำเนินไปของโรค
ความน่าจะเป็นของเสียงเบี่ยงเบน (Deviant Probability): เสียงเบี่ยงเบนที่มีความน่าจะเป็นต่ำกว่าจะสร้างแอมพลิจูดของ MMN ที่ใหญ่กว่า เนื่องจากเป็นตัวแทนของการหยุดชะงักของความสม่ำเสมอในสิ่งแวดล้อมที่คาดไม่ถึงมากกว่า
ขนาดของความเบี่ยงเบน (Deviant Magnitude): ความแตกต่างทางอคูสติกที่มากกว่าระหว่างเสียงมาตรฐานและเสียงเบี่ยงเบนจะกระตุ้นให้เกิดแอมพลิจูดของ MMN ที่ใหญ่ขึ้นและระยะเวลาแฝงในการตอบสนองที่สั้นลง
2. การแยกแยะกระบวนการ: Oddball vs. Many-Standards Paradigm
รูปแบบการทดลอง oddball แบบมาตรฐานเดียวจะปะปนสองกระบวนการทางประสาทที่แยกจากกันโดยเนื้อแท้ ได้แก่ การปรับตัวในเชิงรับ (passive adaptation) ต่อเสียงมาตรฐานที่ซ้ำกัน และการตรวจจับเชิงรุก (active detection) ต่อเสียงเบี่ยงเบน
เพื่อแยกการตรวจจับความเบี่ยงเบน นักวิจัยจึงใช้รูปแบบการทดลอง many-standards โดยการนำเสนอความถี่ของเสียงที่หลากหลายในความน่าจะเป็นที่เท่ากัน การปรับตัวจะถูกกระจายอย่างเท่าๆ กันไปยังชุดสิ่งเร้าทั้งหมด
การเปรียบเทียบรูปแบบการทดลอง oddball และ many-standards ภายใต้การทดลองเดียวกันช่วยให้นักวิจัยสามารถกำหนดได้ว่าความผิดปกติของ MMN นั้นมาจากการปรับตัวที่บกพร่อง การตรวจจับความเบี่ยงเบนที่บกพร่อง หรือทั้งสองอย่างร่วมกัน
3. การทดสอบการทำนายเชิงรุก: เหนือกว่า Standard Oddball แบบทั่วไป
การประเมินการเข้ารหัสเชิงทำนายต้องการการออกแบบการทดลองที่เหนือไปกว่าการเปลี่ยนแปลงคุณสมบัติทางกายภาพทั่วไป:
การละเมิดรูปแบบ (Pattern Violations): การนำเสนอรูปแบบที่ซ้ำซ้อน (เช่น ABABAB) จะสร้างการทำนายของการสลับกัน การซ้ำซ้อนที่คาดไม่ถึง (เช่น ABABAA) จะกระตุ้นให้เกิด MMN ซึ่งแสดงให้เห็นถึงการตรวจจับกฎเชิงโครงสร้างที่ซับซ้อน
รูปแบบการทดลองการละเว้น (Omission Paradigms): เมื่อเสียงที่ทำนายได้ในลำดับจังหวะถูกละเว้นไปอย่างสิ้นเชิง สมองก็ยังคงสร้างสัญญาณข้อผิดพลาดในการคาดการณ์ ซึ่งพิสูจน์ได้ว่า MMN สะท้อนถึงความคาดหวังที่ทำงานเชิงรุก ไม่ใช่แค่ความเคยชินทางประสาทสัมผัสเท่านั้น
4. การระบุตำแหน่งแหล่งกำเนิด: EEG vs. MEG
แม้ว่า EEG มาตรฐานจะให้การบันทึกคลื่นที่พื้นผิวที่แข็งแกร่ง แต่การระบุตำแหน่งของตัวสร้างสัญญาณประสาทที่เฉพาะเจาะจงของ MMN บ่อยครั้งมักต้องการ MEG เครื่อง MEG จะบันทึกสิ่งคู่ขนานทางแม่เหล็ก (MMNm) และให้ความละเอียดเชิงพื้นที่ที่เหนือกว่าเพื่อแยกแยะการทำงานของตัวสร้างสัญญาณในกลีบขมับ (การแยกแยะทางประสาทสัมผัส) และตัวสร้างสัญญาณในกลีบหน้า (การสลับความใส่ใจ)
บทสรุป
Mismatch negativity เป็นการตอบสนองของสมองโดยอัตโนมัติและเกิดขึ้นก่อนการใส่ใจต่อการเปลี่ยนแปลงของเสียง มันเกิดขึ้นเมื่อเสียงละเมิดความสม่ำเสมอที่กำหนดขึ้นโดยสิ่งเร้าก่อนหน้า ซึ่งเป็นดัชนีชี้วัดความสามารถของสมองในเรื่องของความจำทางประสาทสัมผัสและความแม่นยำในการรับรู้ การศึกษาวิจัยหลายทศวรรษได้กำหนดให้มันเป็นปรากฏการณ์ทางสรีรวิทยาไฟฟ้าที่น่าเชื่อถือพร้อมคุณสมบัติที่ระบุไว้ชัดเจน
สมมติฐานหลักสองข้อได้แข่งขันกันเพื่ออธิบายกลไกทางประสาทที่อยู่ภายใต้ MMN สมมติฐานการปรับตัวอ้างว่าเกิดจากความล้าของเซลล์ประสาทที่แตกต่างกัน ในขณะที่สมมติฐานการปรับแบบจำลองเสนอการอัปเดตการแสดงแทนภายในอย่างเชิงรุก การเข้ารหัสเชิงทำนายได้กลายเป็นกรอบการทำงานร่วมกันที่อธิบายคุณลักษณะเชิงประจักษ์ได้ในวงกว้าง โมเดลการคำนวณโดยละเอียดที่สร้างขึ้นบนหลักการเข้ารหัสเชิงทำนายสามารถจำลองความไวของ MMN ต่อความน่าจะเป็นของเสียงเบี่ยงเบน ขนาดของความเบี่ยงเบน การซ้ำกันที่คาดไม่ถึง การละเว้นเสียง และสารต้านตัวรับ NMDA การทดลอง MEG ยังสนับสนุนข้ออ้างหลักที่ว่า MMN สะท้อนถึงการทำนายของคอร์เทกซ์ที่ทำงานเชิงรุกมากกว่าการปรับตัวในเชิงรับ
ในโรคจิตเภท การลดลงของแอมพลิจูดของ MMN เป็นการค้นพบที่แข็งแกร่งและเป็นระบบ Frequency-deviant MMN จะติดตามการดำเนินไปของโรคและความเสื่อมถอยทางปัญญา ในขณะที่ duration-deviant MMN อาจบ่งชี้ถึงความเปราะบางทางพันธุกรรม ความบกพร่องนี้ดูเหมือนจะเฉพาะเจาะจงกับการตรวจจับความเบี่ยงเบน โดยที่การปรับตัวของเซลล์ประสาทนั้นยังคงทำงานได้ดี ความเฉพาะเจาะจงนี้มีเป้าหมายเพื่อระบุเป้าหมายที่ชัดเจนสำหรับการพัฒนาการรักษา และความสามารถในการแปลผลข้ามสายพันธุ์ของ MMN มีเป้าหมายเพื่อให้เป็นไบโอมาร์กเกอร์ที่ใช้งานได้จริงสำหรับการทดสอบยาในระยะก่อนคลินิก
การบันทึกข้อมูล MMN ที่มีความหมายจำเป็นต้องมีวิธีการที่ระมัดระวัง ต้องเลือกประเภท ความน่าจะเป็น และขนาดของเสียงเบี่ยงเบนโดยอ้างอิงอย่างรอบคอบกับหลักการคำนวณที่ควบคุมการตอบสนอง รูปแบบการทดลอง many-standards ควรใช้ควบคู่ไปกับ oddball แบบดั้งเดิมเมื่อจำเป็นต้องแยกการปรับตัวออกจากการตรวจจับความเบี่ยงเบน การออกแบบที่ไม่ธรรมดาโดยใช้เสียงซ้ำที่ไม่คาดคิดหรือการละเว้นเสียงสามารถทดสอบการคาดการณ์เฉพาะของกรอบการเข้ารหัสเชิงทำนายได้ เมื่อการระบุตำแหน่งแหล่งกำเนิดมีความสำคัญ การบันทึก MMNm ด้วย MEG จะเข้ามาเสริมประสิทธิภาพของ EEG ข้อพิจารณาทางระเบียบวิธีเหล่านี้ช่วยให้มั่นใจได้ว่า MMN จะยังคงทำหน้าที่เป็นเครื่องมือที่แม่นยำสำหรับทั้งประสาทวิทยาศาสตร์พื้นฐานและการประยุกต์ใช้ทางคลินิก
เอกสารอ้างอิง
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
คำถามที่พบบ่อย
mismatch negativity (MMN) คืออะไร?
Mismatch negativity หรือ MMN คือสัญญาณไฟฟ้าในสมองที่บันทึกด้วย EEG ซึ่งจะเกิดขึ้นเมื่อเสียง “เบี่ยงเบน” ที่เกิดขึ้นไม่บ่อยเข้ามาขัดจังหวะรูปแบบของเสียง “มาตรฐาน” ที่ทำซ้ำๆ มันสะท้อนถึงความสามารถโดยอัตโนมัติของสมองในการตรวจจับการเปลี่ยนแปลง และจะเกิดขึ้นแม้ว่าบุคคลนั้นจะไม่ได้ให้ความสนใจกับเสียงเหล่านั้นก็ตาม
เหตุใด MMN จึงถูกจัดว่าเป็นกระบวนการแบบอัตโนมัติและเกิดขึ้นก่อนการใส่ใจ?
MMN เกิดขึ้นโดยอัตโนมัติเนื่องจากมันจะปรากฏขึ้นแม้ว่าบุคคลนั้นจะกำลังอ่านหนังสือ ดูภาพยนตร์ หรือจงใจเพิกเฉยต่อเสียงเหล่านั้นอย่างจริงจัง และจัดเป็นกระบวนการก่อนการใส่ใจเพราะสมองจะทำการเปรียบเทียบเสียงเบี่ยงเบนกับร่องรอยความจำของเสียงมาตรฐานก่อนที่ความใส่ใจอย่างมีสติจะเกิดขึ้น
สมมติฐานหลักสองข้อที่อธิบายการสร้าง MMN ของสมองคืออะไร?
สมมติฐานการปรับตัวเสนอว่าเสียงมาตรฐานที่ซ้ำกันทำให้เซลล์ประสาทลดอัตราการส่งสัญญาณประสาทลง ดังนั้นเสียงเบี่ยงเบนที่เกิดขึ้นได้ยากจะกระตุ้นเซลล์ประสาทที่ “ใหม่” ซึ่งให้การตอบสนองที่มากกว่า ส่วนสมมติฐานการปรับแบบจำลองเสนอว่าสมองสร้างแบบจำลองภายในของสภาพแวดล้อมการได้ยินอย่างเชิงรุก และ MMN สะท้อนถึงกระบวนการอัปเดตแบบจำลองนั้นเมื่อเสียงเบี่ยงเบนขัดแย้งกับความคาดหวัง
การเข้ารหัสเชิงทำนายอธิบาย MMN อย่างไร?
การเข้ารหัสเชิงทำนายเป็นกรอบการทำงานที่รวมเป็นหนึ่งซึ่งมองว่าสมองทำนายเสียงที่จะเกิดขึ้นอย่างแข็งขันตามความสม่ำเสมอที่เรียนรู้ เมื่อข้อมูลนำเข้าจริงเบี่ยงเบนไปจากการทำนาย สัญญาณข้อผิดพลาดในการคาดการณ์จะถูกสร้างขึ้น และ MMN จะถูกเข้าใจว่าเป็นอาการทางสรีรวิทยาไฟฟ้าของข้อผิดพลาดในการคาดการณ์นั้น
รูปแบบการทดลอง many-standards คืออะไรและทำไมจึงต้องนำมาใช้?
รูปแบบการทดลอง many-standards จะนำเสนอเสียงต่างๆ มากมายในความน่าจะเป็นที่เท่ากัน เพื่อไม่ให้มีเสียงใดเสียงหนึ่งซ้ำกันมากพอที่จะทำให้เกิดการปรับตัวของเซลล์ประสาท วิธีนี้ทำให้นักวิจัยสามารถแยกการตรวจจับความเบี่ยงเบนออกจากผลของการปรับตัว ซึ่งมักจะปะปนกันในรูปแบบการทดลอง oddball แบบทั่วไป
MMNm คืออะไรและแตกต่างจาก MMN อย่างไร?
MMNm คือสิ่งคู่ขนานทางแม่เหล็กของ MMN ที่บันทึกด้วยเครื่องตรวจคลื่นแม่เหล็กไฟฟ้าสมอง (MEG) แทนที่จะเป็น EEG ซึ่งจะให้ความละเอียดเชิงพื้นที่ที่ดีกว่าสำหรับการแยกการทำงานของส่วนต่างๆ ของสมอง เช่น ตัวสร้างสัญญาณในกลีบขมับและกลีบหน้า
ปัจจัยใดบ้างที่ควรพิจารณาเมื่อออกแบบการทดลอง MMN?
นักวิจัยต้องเลือกประเภท ความน่าจะเป็น และขนาดของเสียงเบี่ยงเบนอย่างรอบคอบ เนื่องจากพารามิเตอร์เหล่านี้กำหนดรูปแบบการตอบสนองของ MMN อย่างเป็นระบบ ความน่าจะเป็นที่ต่ำกว่าและขนาดของเสียงเบี่ยงเบนที่มากกว่าจะสร้างแอมพลิจูดที่ใหญ่กว่า และการใช้ทั้งเสียงเบี่ยงเบนด้านความถี่และระยะเวลาก็มีความจำเป็นสำหรับการศึกษาทางคลินิก รูปแบบการทดลอง many-standards ควรใช้ควบคู่ไปกับ oddball แบบดั้งเดิมเมื่อจำเป็นต้องแยกการปรับตัวออกจากการตรวจจับความเบี่ยงเบน
Emotiv เป็นผู้นำด้านนิวโรเทคโนโลยีที่ช่วยขับเคลื่อนการวิจัยประสาทวิทยาศาสตร์ผ่านเครื่องมือ EEG และข้อมูลสมองที่เข้าถึงได้
ข้อจำกัดความรับผิดชอบทางการแพทย์: ข้อมูลที่ให้ไว้บนเว็บไซต์นี้มีวัตถุประสงค์เพื่อการศึกษาและการให้ข้อมูลเท่านั้น และไม่ได้มีวัตถุประสงค์เพื่อเป็นคำแนะนำทางการแพทย์หรือสุขภาพ เนื้อหานี้อาจมีข้อผิดพลาดและไม่ควรนำมาใช้ในการตัดสินใจเลือกแนวทางชีวิต สุขภาพ หรือการรักษาทางการแพทย์ที่เปลี่ยนชีวิต โปรดขอคำแนะนำจากแพทย์หรือผู้ให้บริการด้านสุขภาพที่มีคุณสมบัติเหมาะสมเสมอ หากมีคำถามใดๆ ที่คุณอาจมีเกี่ยวกับอาการเจ็บป่วยหรือการรักษา
คริสเตียน บูร์โกส
