Frequenzabhängige Veränderungen der Amplitude niederfrequenter Fluktuationen bei Internet-Spielstörungen (2015)

Frontpsychol. 2015; 6: 1471.

Veröffentlicht online 2015 Sep 28. doi: 10.3389 / fpsyg.2015.01471

PMCID: PMC4585012

Xiao Lin,^1,² Xize Jia,^3,⁴ Yu-Feng Zang,^3,⁴ und Guangheng Dong^1,^5,^*

Autoreninformation ► Artikel Anmerkungen ► Urheber- und Lizenzinformationen ►

Abstrakt

Neuroimaging-Studien haben gezeigt, dass die Aufgaben-bezogenen funktionellen Gehirnaktivitäten in Patienten mit Internet-Spielstörungen (IGD) beeinträchtigt sind. Es ist jedoch wenig über die Veränderungen in spontanen Gehirnaktivitäten über sie bekannt. Jüngste Studien haben vorgeschlagen, dass die Gehirnaktivitäten verschiedener Frequenzbereiche durch unterschiedliche Nervenaktivitäten erzeugt werden und unterschiedliche physiologische und psychologische Funktionen haben. Daher wollen wir in dieser Studie die spontanen Hirnaktivitäten bei IGD-Probanden untersuchen, indem wir die fraktionelle Amplitude der Niedrigfrequenzfluktuation (fALFF) messen, um bandspezifische Veränderungen des Ruhezustands fALFF zu untersuchen. Wir haben den Frequenzbereich in fünf literaturbasierte Bänder unterteilt.

Im Vergleich zu gesunden Kontrollen zeigte die IGD-Gruppe verringerte fALFF-Werte im Kleinhirnhinterlappen und erhöhte fALFF-Werte im oberen Gyrus temporalis. Signifikante Interaktionen zwischen Frequenzbändern und Gruppen fanden sich im Kleinhirn, dem anterioren Cingulum, dem lingualen Gyrus, dem mittleren temporalen Gyrus und dem mittleren frontalen Gyrus. Jene Gehirnregionen sind im Zusammenhang mit der exekutiven Funktion und der Entscheidungsfindung nachgewiesen. Diese Ergebnisse zeigten die veränderte spontane Hirnaktivität von IGD, die zum Verständnis der zugrunde liegenden Pathophysiologie von IGD beigetragen hat.

Stichwort: Internet-Spielstörung, funktionelle Magnetresonanztomographie im Ruhezustand, Amplitude der niederfrequenten Fluktuation

Einleitung

Die Internet-Suchtstörung (IAD) wurde definiert als die Unfähigkeit des Individuums, die übermäßige Nutzung des Internets zu kontrollieren, selbst angesichts der negativen Folgen für psychologische Funktionsaspekte (Jung, 1998; Fitzpatrick, 2008; Tao et al., 2008; Flisher, 2010). Es wurde aufgrund seiner negativen Auswirkungen auf die soziale psychische Gesundheit als "Verhaltenssucht" vorgeschlagen (Kuss und Griffiths, 2012). Über den Mechanismus von IAD ist jedoch wenig bekannt, und eine einheitliche Definition von IAD wurde nicht gebildet, und das Diagnose- und Statistische Handbuch 4 (DSM-4) enthielt diese Verhaltensstörung nicht (Block, 2008). Zusammen mit der schnellen Verbreitung von IAD wird das DSM-5 für die Internet Gaming Disorder (IGD) basierend auf der Definition von Substanzgebrauchsstörungen und Süchten entwickelt (Frances und Widiger, 2012; American Psychiatric Association, 2013; Petry und O'Brien, 2013; Petry et al., 2014).

Es gibt viele verschiedene Arten von IAD aufgrund der vielfältigen Funktionen des Internets. Im Allgemeinen besteht das IAD aus drei Untertypen: IGD, Internet-Pornografie und E-Mail (Block, 2007). Unter Berücksichtigung der Definition von Sucht teilen alle diese Kategorien von IAD vier definierende Merkmale: übermäßige Verwendung, Rückzug, Toleranz und negative Auswirkungen (Bart und Wolf, 2001; Block, 2008; Tao et al., 2010). Als die am weitesten verbreitete Form von IAD (Dong et al., 2012a), Kann IGD bestimmte neuropsychologische Merkmale mit anderen Verhaltenssüchten teilen, z. B. mit pathologischem Glücksspiel (Griffiths, 2005; Grant et al., 2010; Dong et al., 2012b; Han et al., 2012; Dong und Potenza, 2014).

Zahlreiche bildgebende Studien haben die Eigenschaften von IGD mit verschiedenen Aufgaben untersucht (Fowler et al., 2007; Dong et al., 2011a, 2012b; Han et al., 2011a; Xu, 2013), aber es ist schwierig, Daten aus verschiedenen experimentellen Paradigmen zu vergleichen und klinisch hilfreiche Schlussfolgerungen aus verschiedenen kognitiven Aufgaben zu ziehen (Zang et al., 2007a). Resting-State-fMRI-Studien haben einige Abnormalitäten der Hirnaktivierung bei IGD gezeigt (weitere Beschreibungen finden sich in einer Übersicht von Weinstein und Lejoyeux (2015). IGD-Patienten haben eine höhere Impulsivität, was ein typisches Symptom der Drogenabhängigkeit ist; Dieses Symptom hängt mit der verminderten Aktivierung des Gyrus cinguli zusammen, die kognitive Kontrolle beinhaltet (Dong et al., 2012a). Eine fMRT-Studie zeigte auch eine verbesserte regionale Homogenität (ReHo) im Hirnstamm, im unteren Parietallappen, im linken hinteren Cerebellum und im linken mittleren frontalen Gyrus, die mit der sensomotorischen Koordination zusammenhängen, die für die Fingerbewegung beim Spielen von Internetspielen relevant sein könnte (Dong et al., 2012c).

Resting-State fMRI wurde als eine neue Technik seit der Biswal-Studie entwickelt (Biswal et al., 1995). Sie berichteten zuerst die hochsynchrone spontane niedrige Frequenz (0.01-0.08 Hz) Fluktuationen in BOLD-Signal unter motorischen Kortizes, Schluss mit der Amplitude der niederfrequenten Fluktuation (ALFF) war ein neurophysiologischer Indikator (Biswal et al., 1995). Auf der Grundlage von ALFF Zanget al. (2007b) förderte ein weiteres Instrument zur Darstellung der lokalen Gehirnaktivität - die gebrochene Amplitude der niederfrequenten Fluktuation (fALFF), mit der die regionale Intensität spontaner Fluktuationen im BOLD-Signal erfasst werden konnte (Zou et al., 2008; Zuo ua, 2010). In der letzten Zeit wurde fALFF bei Patienten mit psychischen Störungen, wie Depressionen (Guo et al., 2013), Schizophrenie (Bluhmet al., 2007), Aufmerksamkeits-Defizit-Hyperaktivitäts-Störung (Zang et al., 2007b), IGD (Yuan et al., 2013), und so weiter. Es ist immer noch unklar, ob die Hirnaktivitätsanomalien der IGD mit bestimmten Frequenzbändern zusammenhängen. Es ist wichtig, spontane Schwankungen des Gehirns bei einer bestimmten Frequenz mehr als einem breiten Frequenzband zu erfassen. Es gibt viele verschiedene Oszillationen im Gehirn, deren Frequenzen von sehr langsamen Oszillationen mit Perioden von einigen zehn Sekunden bis zu sehr schnellen Oszillationen mit Frequenzen größer als 1000 Hz reichen (Ochse, 1997). Buzsáki und Draguhn (2004) eine Schwingungsklasse vorgeschlagen, die 10-Frequenzbänder enthält, die sich von 0.02 bis 600 Hz erstrecken (Penttonen und Buzsáki, 2003). Und Zuo et al. (2010) untersuchten die fALFF in vier Frequenzbändern und fanden heraus, dass die Oszillationen mit spezifischen neuronalen Prozessen verknüpft sind (Buzsáki und Draguhn, 2004; Knyazev, 2007). Sie fanden heraus, dass Amplituden von Oszillationen (0.01-0.027 Hz) bei niedriger Frequenz in den kortikalen Strukturen am robustesten waren und dass hohe Frequenzen in den subkortikalen Strukturen wie den Basalganglien am robustesten waren. Studien haben gezeigt, dass Schizophreniepatienten besondere Anomalien der Oszillationsamplituden im langsamen 4-Frequenzband aufwiesen (Yu et al., 2014). Han et al. (2011b) bewies auch, dass Anomalien der Hirnfunktion bei amnestischen Patienten mit leichter kognitiver Beeinträchtigung unterschiedliche Aktivierungsmuster in verschiedenen Frequenzbändern aufwiesen.

In der vorliegenden Studie haben wir fALFF-Werte der Frequenz über 0-0.25 gesammelt, einschließlich sechs Frequenzbändern von 0-0.01 Hz, 0.01-0.027 Hz, 0.027-0.073 Hz, 0.073-0.198 Hz und 0.198-0.25 Hz in IGD, nach Buzsákis "Schwingungsklassen". Wir haben versucht, den fALFF-Wert zwischen IGD und HC in verschiedenen Banden zu vergleichen und zwei Fragen zu behandeln: Erstens, ob die IGD-Probanden abnormale fALFF-Amplituden im Vergleich zu gesunden Kontrollen zeigen; zweitens, ob die Anomalien der IGD mit bestimmten Frequenzbändern verbunden sind.

Materialen und Methoden

Teilnehmerauswahl

Das Experiment entspricht dem Ethikkodex der Weltärztekammer (Deklaration von Helsinki) und wurde vom Human Investigations Committee der Zhejiang Normal University genehmigt. Zweiundfünfzig Studenten der Universität wurden durch Werbung rekrutiert [26 IGD, 26 gesunde Kontrollen (HC)]. Sie waren alle rechtshändige Männer. IGD- und HC-Gruppen unterschieden sich nicht signifikant im Alter (IGD: N = 26, 22.2 ± 3.13 Jahre; HC: N = 26, 22.28 ± 2.54 Jahre; t(50) = 0.1, p = 0.9). Wegen der höheren IGD-Anteile bei Männern wurden nur Männer berücksichtigt. Die Teilnehmer wurden aufgefordert, die Einverständniserklärung zu unterschreiben, und alle Teilnehmer durchliefen strukturierte psychiatrische Interviews (MINI) (Lecrubieret al., 1997) durchgeführt von einem erfahrenen Psychiater mit einer Einnahmezeit von ca. 15 min. Alle Teilnehmer waren frei von den in MINI aufgeführten psychischen Störungen der Achse I. Alle Teilnehmer erfüllten die DSM-4-Kriterien für Drogenmissbrauch oder Abhängigkeiten, einschließlich Alkohol, nicht, obwohl alle IGD- und HC-Teilnehmer in ihrem Leben über Alkoholkonsum berichteten. Alle Teilnehmer wurden angewiesen, am Tag des Scannens keine Substanzen, einschließlich Kaffee oder Tee, zu verwenden. Keine Teilnehmer berichteten über Hirnschäden oder frühere Erfahrungen mit illegalen Drogen (z. B. Kokain, Marihuana).

Die Diagnose von IGD wurde auf der Grundlage von 50 oder höher auf Youngs Online-Internet-Suchtest (Jung, 1998). Als besondere Verhaltenssucht sind die operative Definition und die diagnostischen Standards für IGD immer noch inkonsistent. In der vorliegenden Studie setzte sich die IGD-Gruppe aus Personen zusammen, die die allgemeinen IAD-Kriterien erfüllten (Punkte über 50 im IAT) und berichteten, „den größten Teil ihrer Online-Zeit mit Online-Spielen zu verbringen (> 80%)“ (Blaszczynski, 2008; Weng et al., 2013). Der IAT-Score der IGD-Gruppe (72 ± 11.7) war viel höher als der der gesunden Kontrollen [29 ± 10.4], t(50) = 14, p = 0.000].

Datenerfassung

Nach herkömmlichem Localizer-Scannen wurden die T1-gewichteten Bilder mit einer verdorbenen Gradienten-Abrufsequenz erhalten [TR = 240 ms; Echozeit (TE) = 2.46 ms; Kippwinkel (FA) = 90 °; Sichtfeld (FOV) = 220 ~ 220 mm²; Datenmatrix = 256 ~ 256]. Dann wurden Funktionsbilder im Ruhezustand unter Verwendung einer Echo-Planar-Bildgebungssequenz (TR = 2000 ms; TE = 30 ms; FA = 90º; FOV = 220 ~ 220 mm) aufgenommen²; Datenmatrix = 64 ~ 64) mit 33-Axialschnitten (Schichtdicke = 3 mm und Schichtabstand = 1 mm, Gesamtvolumen = 210) in einem Lauf von 7 min. Die Probanden mussten stillhalten und beim Scannen nicht systematisch nachdenken. Am Ende der Datenerfassung bestätigten alle Probanden, dass sie während der gesamten Abtastperiode wach geblieben waren.

Datenvorverarbeitung und fALFF-Berechnung

Die gesamte funktionelle Bildverarbeitung wurde mit dem Datenverarbeitungsassistenten für Ruhezustands-fMRI [DPARSFYan und Zang, 2010)^¹] Software. Für jeden Teilnehmer wurden die ersten 10-Zeitpunkte von der weiteren Analyse ausgeschlossen, um vorübergehende Signaländerungen zu vermeiden, bevor die Magnetisierung den stationären Zustand erreicht hat, und um es den Probanden zu ermöglichen, sich an die fMRI-Scanning-Umgebung zu gewöhnen. Die verbleibenden 200-Gehirnvolumina wurden für das Scheibentiming korrigiert und für die Kopfbewegungskorrektur neu ausgerichtet. Nur Teilnehmer mit einer Kopfbewegung von weniger als 1.5 mm in x-, y- oder z-Richtung und weniger als 2-Rotation um jede Achse wurden eingeschlossen. 26 HC und 26 IGD Probanden waren in der vorliegenden Studie gültig. Dann wurden alle neu ausgerichteten Bilder räumlich normalisiert und dann auf 3 mm isotrope Voxel neu abgetastet und räumlich geglättet (volle Breite bei halbem Maximum = 6 mm), und der lineare Trend wurde entfernt. Nach der Vorverarbeitung wurde fALFF unter Verwendung von DPARSF berechnet. Kurz gesagt wurde für ein gegebenes Voxel die Zeitreihe zuerst in den Frequenzbereich unter Verwendung einer "schnellen Fourier-Transformation" umgewandelt. Die Quadratwurzel des Leistungsspektrums wurde berechnet und dann über ein vordefiniertes Frequenzintervall gemittelt. Diese gemittelte Quadratwurzel wurde in dem vorgegebenen Voxel vordefinierter Frequenzbänder als fALFF bezeichnet (Zang et al., 2007a). Wir haben den gesamten Frequenzbereich (0-0.25 Hz) in fünf Subbänder unterteilt: langsam-6 (0-0.01 Hz), langsam-5 (0.01-0.027 Hz), langsam-4 (0.027-0.073 Hz), langsam 3 (0.073-0.198 Hz) und langsame 2 (0.198-0.25 Hz) (35, 46, 30) und berechneter fALFF für jedes Frequenzband.

Statistische Analyse

Eine Zweiweg- (Gruppen- und Frequenzband) Varianzanalyse mit wiederholten Messungen (ANOVA) wurde auf Voxel-für-Voxel-Basis mit Gruppe (IGD und HC) als Zwischensubjektfaktor und Frequenzband (langsam-2, langsam-3, langsam-4, langsam-5, langsam-6) als wiederholte Messungen. Wir haben auch die ROI-basierte Korrelationsanalyse berechnet, die dem signifikanten Haupteffekt und der Interaktion zwischen dem Schweregrad von IGD und den fALFF-Werten folgt, und wir haben fALFF-Werte von spezifischen Bändern ausgewählt.

Die Ergebnisse

Die Haupteffekte der Zweiweg-ANOVA mit wiederholter Messung wurden in Abbildung Abbildung11, Tische Tabellen11 und 22. Wir haben Alphasim-Korrektur für die multiplen Vergleiche in Bildgebungsdaten verwendet. Das korrigiert p <0.05 entspricht einer Kombination von nicht korrigiert p <0.05 und Clustergröße> 248 mm³). Eine ROI-basierte Korrelationsanalyse wurde zwischen den fALFF-Werten und dem Schweregrad der IGD (Scores of IAT) durchgeführt. Das Kleinhirn zeigte eine signifikante negative Korrelation mit der IGD-Schweregrad (langsam-4: r =-0.487, p = 0.000; langsam-5: r =-0.485, p = 0.000; sehen Abbildung Abbildung2C2C). Die Koordinate der ROI wurde durch den Aktivierungspeak des überlebenden Clusters definiert. Der Radius der ROI beträgt 4 mm und wird von der Software REST vorgenommen^².

FIGUR 1

(A) Der Haupteffekt für die Gruppe auf die Amplitude der Niederfrequenzschwankung (ALFF). Hirnregionen, in denen die fraktionale Amplitude der Niederfrequenzschwankung (fALFF) zwischen der Internet-Spiel-Störung (IGD) und gesunden Kontrollen unterschiedlich ist. Die IGD-Fächer ...

Hirnregionen mit einem Haupteffekt der Gruppe.

Hirnregionen mit Interaktionseffekt zwischen Gruppe und Frequenz.

FIGUR 2

Die ALFF-Werte im superioren temporalen Gyrus und im Kleinhirn. Das rote und blaue Rechteck repräsentierten IGD-Probanden bzw. gesunde Kontrollpersonen. Das gesamte Frequenzband (0-0.25 Hz) wurde in fünf Bänder unterteilt. Sie wurden in angezeigt (A, B) ...

Signifikante Wechselwirkungen zwischen Frequenzband und Gruppe wurden im Kleinhirn, dem anterioren Cingulum, dem lingualen Gyrus, dem mittleren temporalen Gyrus und dem mittleren frontalen Gyrus beobachtet. Der mittlere frontale Gyrus zeigte erhöhte Amplitudenwerte und der mittlere temporale Gyrus zeigte verringerte Amplitudenwerte bei IGD. Darüber hinaus zeigten ROI-basierte Analysen eine dynamische Veränderung von fALFF im Kleinhirn und im lingualen Gyrus sowie eine Frequenzadaption (vgl Abbildung Abbildung33). Bei IGD zeigte das Kleinhirn im Bereich der höheren Frequenzen (langsam-2, langsam-3, langsam-4) verringerte Amplitudenwerte und im niederfrequenten Bereich erhöhte Amplitudenwerte (langsam-6, vgl Abbildung Abbildung3A3A). Umgekehrt zeigte der linguale Gyrus erhöhte Amplitudenwerte im Bereich der höheren Frequenzen (slow-2, slow-3) und verringerte Amplitudenwerte im niederfrequenten Bereich (slow-6, vgl Abbildung Abbildung3B3B). Diese zwei Regionen teilten einen Übergangspunkt im langsamen 5-Band für die Veränderung der Amplitude.

FIGUR 3

Reverse Muster im Kleinhirn und der Lingual Gyrus bei verschiedenen Banden in IGD. Das rote und blaue Rechteck repräsentierten IGD-Probanden bzw. gesunde Kontrollpersonen. Das gesamte Frequenzband (0-0.25 Hz) wurde in fünf Bänder unterteilt. Sie wurden angezeigt ...

Diskussion

Die vorliegende Studie untersuchte die abnorme spontane Hirnaktivität bei IGD mit dem fALFF in verschiedenen Frequenzbändern. Der Hauptgruppeneffekt zeigte, dass die IGD niedrigere fALFF-Werte im Gyrus temporalis superior und höhere fALFF-Werte im Cerebellum aufwies. Wir haben BOLD-Fluktuationsamplituden in den gesamten Frequenzbändern (0-0.25 Hz) gezeigt und ein umgekehrtes Muster von Frequenzänderungen im Kleinhirn und im lingualen Gyrus bei IGD gefunden. Diese Ergebnisse bieten einen umfassenden Überblick über fALFF-Analysen im Frequenzbereich und unterstreichen die Bedeutung der Auswahl spezifischer Frequenzen für die Erkennung von mit Anomalien verbundenen psychischen Störungen.

Unterschiedliche FALFF in Cortical zwischen IGD und HC (Der Haupteffekt der Gruppe)

Frühere Literaturen glaubten, dass das Signal von langsamem 2 eine sehr niedrige Frequenzdrift widerspiegelt, und das langsame 6 reflektiert hochfrequente physiologische Geräusche (Zang et al., 2007a; Xu, 2013). Die Analyse der Haupteffekte der Gruppe konzentrierte sich auf die spontane neurale Aktivität in spezifischen Frequenzbändern (langsam-4 und langsam-5) in IGD. Der Haupteffekt der Gruppe zeigte, dass die IGD bei langsam-4 und langsam-5 im Kleinhirn niedrigere fALFF-Werte zeigte. In der vorliegenden Studie wurde eine negative Korrelation zwischen den fALFF-Werten im Kleinhirn und dem Schweregrad der IGD gefunden. Das Kleinhirn wird üblicherweise als eine motorische Struktur klassifiziert, deren Funktion nicht auf Bewegungskoordination oder Gleichgewicht beschränkt ist und die auch eine wichtige Rolle bei höheren kognitiven Prozessen spielt (De Zeeuwet al., 2011; Stoodley et al., 2012). Belege aus anatomischen, physiologischen und funktionellen Bildgebungsstudien haben gezeigt, dass Personen mit Läsionen des Kleinhirns einen Mangel an kognitiven Exekutivfunktionen und Arbeitsgedächtnis aufwiesen (Raymond et al., 1996; De Smet et al., 2013). Es empfängt Eingaben von sensorischen Systemen und anderen Gehirnbereichen und integriert diese Eingaben, um die motorische Aktivität anzupassen (Doyon et al., 2003; Ito, 2006; Yuan et al., 2011). Die mögliche Rolle des Kleinhirns bei der Sucht wurde in einer kürzlich erschienenen Arbeit angesprochen, in der vorgeschlagen wurde, dass das Kleinhirn ein potenzielles Regulationszentrum ist, das von einer Abhängigkeit betroffen ist (Moultonet al., 2013). Literaturen haben gezeigt, dass IGD-Patienten mit mehr als normalem ReHo assoziiert sind (Liu et al., 2010; Dong et al., 2012c) und funktionale Konnektivität (Ding et al., 2013) über das Kleinhirn. In der vorliegenden Studie wurde eine negative Korrelation zwischen den fALFF - Werten im Kleinhirn und der Schwere der IGD beobachtet (vgl Abbildung Abbildung2C2C), die auch unterstützt, dass die abnormale spontane neuronale Aktivität im Kleinhirn mit dem unangemessenen Verhalten von IGD zusammenhängt.

Die fALFF-Werte waren bei IGD im oberen temporalen Gyrus höher. Frühere Studien zeigten, dass die IGD im Vergleich zu HC verringerte funktionelle Konnektivität im temporalen Bereich zeigte (Ding et al., 2013). Unsere vorherige Studie fand eine Abnahme von ReHo im unteren temporalen Gyrus, und wir schließen daraus, dass dies das Ergebnis einer langen Spieldauer sein könnte (Dong et al., 2012c). Die aktuellen Ergebnisse sind teilweise inkonsistent mit früheren Studien, so dass wir die Hypothese, dass erhöhte FALFF im oberen Gyrus höhere Intensität der Hirnaktivität korrelieren mit der Flexibilität der Bewegung bei IGD, aber die Funktion dieses Bereichs muss weiter untersucht werden.

Frequenzabhängige Amplitudenänderungen bei IGD

Die Interaktionseffekte zwischen Gruppen und Frequenzbändern wurden im Kleinhirn, dem anterioren cingulären Gyrus, dem lingualen Gyrus, dem mittleren temporalen Gyrus und dem mittleren frontalen Gyrus beobachtet.

Höhere fALFF-Werte im mittleren frontalen Gyrus bei IGD

In der vorliegenden Studie zeigten die IGD-Teilnehmer höhere fALFF-Werte im linken mittleren frontalen Gyrus bei verschiedenen Bändern. Der mittlere frontale Gyrus spielt eine wichtige Rolle bei der Koordination verschiedener Systeme, wie Lernen und Gedächtnis, die stark mit mentalen Operationen verbunden sind (Kardinal, 2006). In einer früheren Studie kamen wir zu dem Schluss, dass IGD-Patienten eine verstärkte Synchronisation in sensorisch-motorischen Koordinationsbereichen zeigen (Van Rooij et al., 2011) - Das Online-Spiel erfordert von den Spielern die Integration mehrerer Systeme, einschließlich des sensorischen Systems, der Motorsteuerung, der Motorkoordinaten und des Informationsverarbeitungssystems (Ito, 2006). Die aktuellen Befunde stützen diese Annahme ebenfalls. Dieses Ergebnis stimmt auch mit Lius Studie überein (Liu et al., 2010), die zeigten, dass Probanden mit IGD einen signifikanten Anstieg der ReHo - Werte im linken mittleren frontalen Gyrus zeigten. Daher ziehen wir die Schlussfolgerung, dass die IGD-Teilnehmer höhere fALFF-Werte im linken mittleren frontalen Gyrus zeigten, was mit der verbesserten sensorisch-motorischen Koordinationsfähigkeit assoziiert sein könnte.

Die Anomalie im anterioren cingulären Gyrus in IGD

Wir fanden niedrigere fALFF im anterioren cingulären Gyrus bei langsamen 6. Die anteriore cinguläre Region wurde mit Inhibition, Kontrolle und Konfliktmonitoring in Verbindung gebracht (Paus, 2001; Goldstein et al., 2007) und die Anomalien wurden in früheren IGD-Studien erwähnt (Liu et al., 2010; Moultonet al., 2013). Wie in der Einleitung erwähnt, können sich die niedrigeren fALFF-Werte auf eine verminderte Koordinationsfähigkeit der neuralen Aktivität über große Entfernungen beziehen. Diese Annahme wird durch Studien auf diesem Gebiet gestützt: mit einem Ansatz der funktionalen Konnektivität. Hong et al. (2013) berichteten von einer reduzierten funktionellen Konnektivität zwischen ACC und PFC in IAD. Jianget al. (2011) haben vorgeschlagen, dass die niedrigeren Aktivitäten im ACC die abnorm verringerte spontane neuronale Aktivität in dieser Region und ein funktionelles Defizit widerspiegeln. Andere aufgabenbezogene Studien haben diesen Punkt bewiesen, dass die IGD immer mit kognitiven Dysfunktionen wie kognitiven Funktionsdefiziten (Dong et al., 2010, 2011b). Daher glauben wir, dass die Anomalie bei ACC mit den kognitiven Dysfunktionen von IGD zusammenhängt.

Reverse Pattern im Kleinhirn und der Lingual Gyrus an verschiedenen Bands in IGD

Es ist wichtig anzumerken, dass die Abnormalitäten der spontanen neuralen Aktivität in der IGD von spezifischen Frequenzbändern abhängig sind, insbesondere im Kleinhirn und im lingualen Gyrus. Im Vergleich mit der HC zeigte die IGD eine verringerte Amplitude in den unteren Frequenzbändern (langsam-4, langsam-5, langsam-6) und erhöhte Amplitude in den höheren Frequenzbändern (langsam-2, langsam-3) im lingualen Gyrus. Im Gegensatz dazu zeigte die IGD eine erhöhte Amplitude in den unteren Frequenzbändern (langsam-6) und verringerte Amplitude in den höheren Bändern (langsam-2, langsam-3, langsam-4) im Kleinhirn (Zahlen 2A, B). Es wurde gezeigt, dass verschiedene Schwingungsbänder durch verschiedene Mechanismen entwickelt werden und unterschiedliche physiologische Funktionen haben (Ochse, 1997; Yuan et al., 2013). Wie frühere Studien gezeigt haben, besitzen die niedrigeren Frequenzfluktuationen eine höhere Magnitudenstärke und die höheren Frequenzfluktuationen eine geringere Magnitudenstärke (Baria et al., 2011; Yuan et al., 2013). Die derzeitigen Ergebnisse könnten darauf hindeuten, dass die IGD die Koordinationsfähigkeit der neuralen Aktivität über große Entfernungen im Kleinhirn und im lingualen Gyrus erhöht hat. Diese Annahme kann durch frühere Studien gestützt werden, in denen berichtet wurde, dass Probanden mit IGD eine erhöhte funktionelle Konnektivität im bilateralen Kleinhirn aufwiesen (Liu et al., 2010; Ko, 2014), und eine andere Studie hat Defizite in der Dichte der grauen Substanz im lingualen Gyrus festgestellt, die mit der neuralen Aktivität über große Entfernungen zusammenhängen können (Weng et al., 2013).

Zusammenfassung

Die Ergebnisse der vorliegenden Studie legen nahe, dass die IGD-Patienten in vielen Hirnregionen, einschließlich des Kleinhirns (IGD <HC) und des oberen Gyrus temporalis (IGD> HC), eine abnormale fALFF zeigten. Die vorliegende Studie kann helfen, die Pathophysiologie der IGD zu verstehen, und die Analyse der vollständigen Frequenzamplitude kann möglicherweise dazu beitragen, einen bestimmten Frequenzbereich für die Erkennung von IGD-bezogenen Gehirnaktivitäten auszuwählen.

Autorenbeiträge

XL analysierte die Daten, schrieb den ersten Entwurf des Manuskripts; XJ trug zur Datenanalyse bei, Y-FZ trug zur Anleitung der experimentellen Methoden bei und verbesserte das Manuskript. GD entwarf diese Forschung, überarbeitete und verbesserte das Manuskript. Alle Autoren haben zu dem endgültigen Manuskript beigetragen und es genehmigt.

Interessenkonflikt

Die Autoren erklären, dass die Untersuchung in Abwesenheit von kommerziellen oder finanziellen Beziehungen durchgeführt wurde, die als möglicher Interessenkonflikt ausgelegt werden könnten.

Anerkennungen

Diese Forschung wurde von der National Science Foundation of China (31371023) unterstützt. Dr. Zang wird vom "Qian Jiang Distinguished Professor" Programm unterstützt.

Finanzierung. Die Geldgeber hatten keine Rolle beim Studiendesign, bei der Datensammlung und -analyse, der Entscheidung zur Veröffentlichung oder der Vorbereitung des Manuskripts.

¹http://www.restfmri.net

²www.restfmri.net

Bibliographie

American Psychiatric Association (2013). American Psychiatric Association. Diagnostisches und Statistisches Handbuch der Geistigen Störungen, 5th Edn. Arlington, TX: Amerikanische psychiatrische Vereinigung
Baria AT, Baliki MN, T. Parrish, Apkarian AV (2011). Anatomische und funktionelle Baugruppen von BOLD-Oszillationen des Gehirns. J. Neurosci. 31 7910-7919. 10.1523 / JNEUROSCI.1296-11.2011 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Bart KW, Wolf EM (2001). Änderung der vorgeschlagenen Diagnosekriterien für die Internetabhängigkeit. Cyber-Psychol. Verhalten 4 377-383. 10.1089 / 109493101300210286 [PubMed] [Kreuz Ref]
Biswal B., Yetkin FZ, Haugh- ton VM, Hyde JS (1995). Funktionelle Konnektivität im motorischen Kortex des ruhenden menschlichen Gehirns mittels Echo-Planar-MRT. Magn. Reson. Med. 34 537-541. 10.1002 / mrm.1910340409 [PubMed] [Kreuz Ref]
Blaszczynski A. (2008). Kommentar: eine Antwort auf "Probleme mit dem Konzept des Videospiels" Sucht ": einige Fallbeispiele". Int. J. Ment. Gesundheitssüchtiger. 6 179–181. 10.1007/s11469-007-9132-2 [Kreuz Ref]
Blockiere JJ (2007). Prävalenz unterbewertet in problematischer Internetnutzungsstudie. ZNS-Spektrum 12 14-15. [PubMed]
Blockiere JJ (2008). Ausgaben für DSM-V: Internetsucht. Bin ich J. Psychiatrie 165 306-307. 10.1176 / appi.ajp.2007.07101556 [PubMed] [Kreuz Ref]
Bluhm RL, Miller J., Lanius RA, Osuch EA, Boksman K., Neufeld RWJ, et al. (2007). Spontane niederfrequente Fluktuationen im fetten Signal bei schizophrenen Patienten: Anomalien im Standardnetzwerk. Schizophr. Stier. 33 1004-1012. 10.1093 / schbul / sbm052 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Ochse TH (1997). Signale und Zeichen im Nervensystem: Die dynamische Anatomie der elektrischen Aktivität ist wahrscheinlich informationsreich. Proc. Natl. Acad. Sci. USA 94 1-6. [PMC freier Artikel] [PubMed]
Buzsáki G., Draguhn A. (2004). Neuronale Oszillationen in kortikalen Netzwerken. Wissenschaft 304 1926-1929. 10.1126 / science.1099745 [PubMed] [Kreuz Ref]
Kardinal RN (2006). Neurale Systeme, die bei der verzögerten und probabilistischen Verstärkung beteiligt sind. Neuronales Netz 19 1277-1301. 10.1016 / j.neu.net.2006.03.004 [PubMed] [Kreuz Ref]
De Smet HJ, Paquier P., Verhoeven J., Mariën P. (2013). Das Kleinhirn: seine Rolle in der Sprache und verwandte kognitive und affektive Funktionen. Gehirn Lang. 127 334-342. 10.1016 / j.bandl.2012.11.001 [PubMed] [Kreuz Ref]
De Zeeuw CI, Hoebeek FE, Bosman LWJ, Schonewille M., Witter L., Koekkoek SK (2011). Spatiotemporale Brennmuster im Kleinhirn. Nat. Rev. Neurosci. 12 327-344. 10.1038 / nrn3011 [PubMed] [Kreuz Ref]
Ding W.-N., Sun J.-H., Sun Y.-W., Zhou Y., Li L., Xu J.-R., et al. (2013). Geänderte Standard-Netzwerk-Ruhezustands-Funktionskonnektivität bei Jugendlichen mit Internet-Spielsucht. PLoS ONE 8: e59902 10.1371 / journal.pone.0059902 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Dong G., De Vito EE, Du X., Cui Z. (2012a). Beeinträchtigte Hemmungskontrolle bei der "Internet-Suchtkrankheit": eine funktionelle Magnetresonanztomographie-Studie. Psychiatrie Res. 203 153-158. 10.1016 / j.pscychresns.2012.02.001 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Dong G., DeVito E., Huang J., Du X. (2012b). Diffusion Tensor Imaging zeigt Thalamus und posterior cinguläre Kortex Abnormalitäten in Internet-Gaming-Süchtigen. J. Psychiatr. Res. 46 1212-1216. 10.1016 / j.jpsychires.2012.05.015 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Dong G., Huang J., Du X. (2012c). Veränderungen in der regionalen Homogenität der Gehirnaktivität im Ruhezustand bei Internet-Spielsüchtigen. Verhalten Gehirnfunkt. 8 1–8. 10.1186/1744-9081-8-41 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Dong G., Huang J., Du X. (2011a). Verbesserte Belohnungssensitivität und verringerte Verlustempfindlichkeit bei Internetsüchtigen: eine fMRI-Studie während einer Ratespielaufgabe. J. Psychiatr. Res. 45 1525-1529. 10.1016 / j.jpsychires.2011.06.017 [PubMed] [Kreuz Ref]
Dong G., Zhou H., Zhao X. (2011b). Männliche Internet-Süchtige zeigen eingeschränkte exekutive Kontrolle: Beweise aus einer Farbe-Wort-Stroop-Aufgabe. Neurosci. Lette. 499 114-118. 10.1016 / j.neulet.2011.05.047 [PubMed] [Kreuz Ref]
Dong G., Lu Q., Zhou H., Zhao X. (2010). Impulshemmung bei Menschen mit Internetabhängigkeit: elektrophysiologische Beweise aus einer Go / NoGo-Studie. Neurosci. Lette. 485 138-142. 10.1016 / j.neulet.2010.09.002 [PubMed] [Kreuz Ref]
Dong G., Potenza MN (2014). Ein kognitiv-behaviorales Modell der Internet-Spielstörung: theoretische Grundlagen und klinische Implikationen. J. Psychiatr. Res. 58 7-11. 10.1016 / j.jpsychires.2014.07.005 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Doyon J., Penhune V., Ungerleider LG (2003). Deutlicher Beitrag der kortiko-striatalen und kortiko-zerebellären Systeme zum motorischen Lernen. Neuropsychologia 41 252–262. 10.1016/S0028-3932(02)00158-6 [PubMed] [Kreuz Ref]
Fitzpatrick JJ (2008). Internetsucht: Anerkennung und Interventionen. Bogen. Psychiatr. Krankenschwestern. 22 59-60. 10.1016 / j.apnu.2007.12.001 [PubMed] [Kreuz Ref]
Flisher C. (2010). Einstecken: ein Überblick über Internetsucht. J. Paediatr. Kindergesundheit 46 557-559. 10.1111 / j.1440-1754.2010.01879.x [PubMed] [Kreuz Ref]
Fowler JS, Volkow ND, Kassed CA, Chang L. (2007). Imaging das süchtige menschliche Gehirn. Sci. Praxis Perspektive. 3 4-16. 10.1151 / spp07324 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Frances AJ, Widiger T. (2012). Psychiatrische Diagnose: Lehren aus der DSM-IV Vergangenheit und Vorsichtsmaßnahmen für die DSM-5 Zukunft. Annu. Rev. Clin. Psychol. 8 109-130. 10.1146 / Annurév-Clinpsy-032511-143102 [PubMed] [Kreuz Ref]
Goldstein RZ, Tomasi D., Rajaram S., Cottone LA, Zhang L., Maloney T., et al. (2007). Rolle des anterioren cingulären und medialen orbitofrontalen Kortex bei der Verarbeitung von Drogenhinweisen bei Kokainabhängigkeit. Neuroscience 144 1153-1159. 10.1016 / j.neuroscience.2006.11.024 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Grant JE, Potenza MN, Weinstein A., Gorelick DA (2010). Einführung in Verhaltenssüchte. Bin ich J. Drogenmissbrauch 36 233-241. 10.3109 / 00952990.2010.491884 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Griffiths M. (2005). Beziehung zwischen Glücksspiel und Videospiel: eine Antwort auf Johansson und Gotestam. Psychol. Rep. 96 644-646. 10.2466 / pr0.96.3.644-646 [PubMed] [Kreuz Ref]
Guo W., Liu F., Zhang J., Zhang Z., Yu L., Liu J., et al. (2013). Dissoziation der regionalen Aktivität im Standard-Netzwerk in der ersten Episode, Drogen-naive Major Depression in Ruhe. J. Affekt. Unordnung. 151 1097-1101. 10.1016 / j.jad.2013.09.003 [PubMed] [Kreuz Ref]
Han DH, Bolo N., Daniels MA, Arenella L., Lyoo IK, Renshaw PF (2011a). Gehirnaktivität und Verlangen nach Internet-Videospielen. Kompr. Psychiatrie 52 88-95. 10.1016 / j.comppsych.2010.04.004 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Han Y., Wang J., Zhao Z., Min. B., Lu J., Li K., et al. (2011b). Frequenzabhängige Veränderungen der Amplitude von niederfrequenten Fluktuationen bei amnestischen milden kognitiven Störungen: eine fMRI-Studie im Ruhezustand. Neuroimage 55 287-295. 10.1016 / j.neuroimage.2010.11.059 [PubMed] [Kreuz Ref]
Han DH, Lyoo IK, Renshaw PF (2012). Differenzielle regionale graue Substanzvolumen bei Patienten mit Online-Spielsucht und professionellen Spielern. J. Psychiatr. Res. 46 507-515. 10.1016 / j.jpsychires.2012.01.004 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Hong S. -B., Kim J.-W., Choi E.-J., Kim H.-H., Suh J.-E., Kim C.-D., et al. (2013). Reduzierte orbitofrontale kortikale Dicke bei männlichen Jugendlichen mit Internetabhängigkeit. Verhalten Gehirnfunkt. 9 1–5. 10.1186/1744-9081-9-11 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Ito M. (2006). Kleinhirn-Schaltung als neuronale Maschine. Progr. Neurobiol. 78 272-303. 10.1016 / j.pneurobio.2006.02.006 [PubMed] [Kreuz Ref]
Jiang G.-H., Qiu Y.-W., Zhang X.-L., Han L.-J., Lv X.-F., Li L.-M., et al. (2011). Amplitude Niederfrequenz-Oszillationsanomalien bei den Heroinkonsumenten: eine Ruhezustands-fMRI-Studie. Neuroimage 57 149-154. 10.1016 / j.neuroimage.2011.04.004 [PubMed] [Kreuz Ref]
Knyazev GG (2007). Motivation, Emotion und ihre hemmende Kontrolle spiegelten sich in Gehirnoszillationen wider. Neurosc Biobehav. Rev. 31 377-395. 10.1016 / j.neubiorev.2006.10.004 [PubMed] [Kreuz Ref]
Ko C. (2014). Internet-Gaming-Störung. Curr. Süchtig Rep. 1 177-185.
Kuss DJ, Griffiths MD (2012). Internet- und Spielsucht: eine systematische Literaturrecherche zu bildgebenden Verfahren. Gehirn Sci. 2 347-374. 10.3390 / brainsci2030347 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Lecrubier Y., Sheehan DV, Weiller E., Amorim P., Bonora I., Harnett Sheehan K., et al. (1997). Das internationale neuropsychiatrische Mini-Interview (MINI). Ein kurzes diagnostisch strukturiertes Interview: Zuverlässigkeit und Validität nach CIDI. EUR. Psychiatrie 12 224-231.
Liu J., Gao XP, Osunde I., Li X., Zhou SK, Zheng HR, et al. (2010). Erhöhte regionale Homogenität in Internet-Sucht-Störung eine Ruhezustand funktionelle Magnetresonanztomographie-Studie (2009). Kinn. Med. J. (Engl.) 123 1904-1908. [PubMed]
Moulton EA, Elman I., Becerra LR, Goldstein RZ, Borsook D. (2013). Das Kleinhirn und die Sucht: Erkenntnisse aus der bildgebenden Forschung. Süchtiger. Biol. 19 317-331. 10.1111 / adb.12101 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Paus T. (2001). Primas anterior cingulatus cortex: wo motorische Kontrolle, Antrieb und Kognition Schnittstelle. Nat. Rev. Neurosci. 2 417-424. 10.1038 / 35077500 [PubMed] [Kreuz Ref]
Penttonen M., Buzsáki G. (2003). Natürliche logarithmische Beziehung zwischen Gehirnoszillatoren. Thalamus Relat. Syst. 2 145-152. 10.1017 / S1472928803000074 [Kreuz Ref]
Petry NM, O'Brien CP (2013). Internet Gaming Disorder und der DSM-5. Sucht 108 1186-1187. 10.1111 / add.12162 [PubMed] [Kreuz Ref]
Petry NM, Rehbein F., Gentile DA, Lemmens JS, Rumpf H.-J., Mößle T., et al. (2014). Ein internationaler Konsens zur Bewertung von Internet-Spielstörungen mit dem neuen DSM-5-Ansatz. Sucht 109 1399-1406. 10.1111 / add.12457 [PubMed] [Kreuz Ref]
Raymond JL, Lisberger SG, Mauks MD (1996). Das Kleinhirn: eine neuronale Lernmaschine? Wissenschaft 272 1126-1131. 10.1126 / science.272.5265.1126 [PubMed] [Kreuz Ref]
Stoodley CJ, Valera EM, Schmahmann JD (2012). Funktionelle Topographie des Kleinhirns für motorische und kognitive Aufgaben: eine fMRI-Studie. Neuroimage 59 1560-1570. 10.1016 / j.neuroimage.2011.08.065 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Tao R., Huang X., Wang J. (2008). Ein vorgeschlagenes Kriterium für die klinische Diagnose der Internetsucht. Med. J. Chin. Völker Liberat. Heer 33 1188-1191.
Tao R., Huang X., Wang J., Zhang H., Zhang Y., Li M. (2010). Vorgeschlagene Diagnosekriterien für Internet-Sucht. Sucht 105 556-564. 10.1111 / j.1360-0443.2009.02828.x [PubMed] [Kreuz Ref]
Van Rooij AJ, Schoenmakers TM, Vermulst AA, Van den Eijnden RJJM, Van de Mheen D. (2011). Online-Videospielsucht: Identifikation von süchtigen jugendlichen Spielern. Sucht 106 205-212. 10.1111 / j.1360-0443.2010.03104.x [PubMed] [Kreuz Ref]
Weinstein A., Lejoyeux M. (2015). Neue Entwicklungen zu den neurobiologischen und pharmakogenetischen Mechanismen der Internet- und Videospielsucht. Bin ich J. Süchtiger. 24 117-125. 10.1111 / ajad.12110 [PubMed] [Kreuz Ref]
Weng C.-B., Qian R.-B., Fu X.-M., Lin B., Han X.-P., Niu C.-S., et al. (2013). Anomalien der grauen Substanz und der weißen Substanz bei Online-Spielsucht. EUR. J. Radiol. 82 1308-1312. 10.1016 / j.ejrad.2013.01.031 [PubMed] [Kreuz Ref]
Xu S.-H. (2013). Internet Addicts '. Verhalten Impulsivität: Beweise aus der Iowa Glücksspiel Aufgabe: Internetsüchtige Verhalten Impulsivität: Beweise aus der Iowa Glücksspiel Aufgabe. Acta Psychol. Sinica 44 1523-1534.
Yan C., Zang Y. (2010). DPARSF: eine Matlab-Toolbox für die "Pipeline" -Datenanalyse von Ruhezustands-fMRT. Vorderseite. Syst. Neurosc 14: 13 10.3389 / fnsys.2010.00013 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Junge KS (1998). Internetsucht: Die Entstehung einer neuen klinischen Störung. Cyber-Psychol. Verhalten 1 237–244. 10.1007/s10899-011-9287-4 [Kreuz Ref]
Yu R., Chien Y.-L., Wang H.-LS, Liu C.-M., Liu C.-C., Hwang T.-J., et al. (2014). Frequenzspezifische Veränderungen in der Amplitude niederfrequenter Fluktuationen bei Schizophrenie. Summen. Gehirn Mapp. 35 627-637. 10.1002 / hbm.22203 [PubMed] [Kreuz Ref]
Yuan K., Jin C., Cheng P., Yang X., Dong T., Bi Y., et al. (2013). Amplitude von Niederfrequenzfluktuationsanomalien bei Jugendlichen mit Online-Spielsucht. PLoS ONE 8: e78708 10.1371 / journal.pone.0078708 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Yuan K., Qin W., Wang G., Zeng F., Zhao L., Yang X., et al. (2011). Mikrostrukturanomalien bei Jugendlichen mit Internetabhängigkeit. PLoS ONE 6: e20708 10.1371 / journal.pone.0020708 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Zang Y.-F., He Y., Zhu C.-Z., Cao Q.-J., Sui M.-Q., Liang M., et al. (2007a). Veränderte Baseline-Hirnaktivität bei Kindern mit ADHS, die durch funktionelle MRT im Ruhezustand nachgewiesen wurde. Brain Dev. 29 83-91. 10.1016 / j.braindev.2006.07.002 [PubMed] [Kreuz Ref]
Zang Y.-F., Yong H., Chao-Zhe Z., Qing-Jiu C., Man-Qiu S., Meng L., et al. (2007b). Veränderte Baseline-Hirnaktivität bei Kindern mit ADHS, die durch funktionelle MRT im Ruhezustand nachgewiesen wurde. Brain Dev. 29 83-91. 10.1016 / j.braindev.2006.07.002 [PubMed] [Kreuz Ref]
Zou Q.-H., Zhu C.-Z., Yang Y., Zuo X.-N., Long X.-Y., Cao Q.-J., et al. (2008). Ein verbesserter Ansatz zur Detektion der Amplitude der Niedrigfrequenzfluktuation (ALFF) für Ruhe-fMRI: fraktionelles ALFF. J. Neurosci. Methoden 172 137-141. 10.1016 / j.jneumeth.2008.04.012 [PMC freier Artikel] [PubMed] [Kreuz Ref]
Zuo X.-N., Di Martino A., Kelly C., Shehzad ZE, Gee DG, Klein DF, et al. (2010). Das oszillierende Gehirn: komplex und zuverlässig. Neuroimage 49 1432-1445. 10.1016 / j.neuroimage.2009.09.037 [PMC freier Artikel] [PubMed] [Kreuz Ref]