A hálózatalapú elemzés az internetfüggőséggel kapcsolatos funkcionális kapcsolódási lehetőségeket tárja fel (2016)

Első Hum Neurosci. 2016; 10: 6.

Megjelent online 2016 Feb 1. doi: 10.3389 / fnhum.2016.00006

PMCID: PMC4740778

Tanya Wen^1,^2,^* és a Shulan Hsieh^1,^3,^4,^*

Szerzői információk ► Cikk megjegyzések ► Szerzői jogi és licencinformációk ►

Absztrakt

Az internet foglalkoztatása és kényszeres használata negatív pszichológiai következményekkel járhat, így egyre inkább mentális rendellenességként ismerik fel. Ez a tanulmány hálózati alapú statisztikákat alkalmazott annak felmérésére, hogy az egész agy funkcionális kapcsolatai nyugalmi állapotban hogyan kapcsolódnak az egyén internet-függőségének mértékéhez, egy önértékelési kérdőívvel indexálva. Két topológiai szempontból jelentős hálózatot azonosítottunk, az egyik olyan kapcsolatokkal rendelkezik, amelyek pozitívan korrelálnak az internet-függőség tendenciájával, és egy olyan kapcsolatokkal, amelyek negatívan korrelálnak az internet-függőség tendenciájával. A két hálózat elsősorban a frontális régiókban kapcsolódik egymáshoz, ami tükrözi a frontalis régióban bekövetkező változásokat a kognitív kontroll különböző szempontjain (azaz az internethasználat és a játékkészség ellenőrzésénél). Ezután az agyat több nagy regionális alcsoportba soroltuk és megállapítottuk, hogy a két hálózatban a kapcsolatok arányainak nagy része megfelel a függőség cerebelláris modelljének, amely magában foglalja a négyáramú modellt.

Végül megfigyeltük, hogy az agyrégiók, amelyekben a legtöbb interregionális kapcsolat van az internet-függőség tendenciájával, megismétlik azokat, amelyeket a függőség irodalmában gyakran látnak, és ezt megerősítik az internet-függőség tanulmányainak metaanalízise. Ez a kutatás jobban megérti az internetes függőség tendenciájában részt vevő nagyszabású hálózatokat, és megmutatja, hogy az internet-függőség preklinikai szintjei hasonló régiókkal és kapcsolatokkal vannak kapcsolatban, mint a függőség klinikai esetei.

Kulcsszavak: internetes függőség, hálózati alapú statisztikák, funkcionális összeköttetés, nyugalmi állapot, metaanalízis

Bevezetés

Internet függőség (OReilly, 1996; Fiatal, 1998) egy modern jelenség, amelyet az internet foglalkoztatása és kényszeres használata jellemez. Különösen az internetes játék zavarát (IGD) sorolták fel a diagnosztikai és statisztikai kézikönyv 5 verziójának (DSM-5) III. Szakaszában.^®, Amerikai Pszichiátriai Szövetség [APA], 2013). A szabványos kritérium hiánya miatt egyes irodalmakban a két terminológiát szinonimának tekintették (lásd Petry és O'Brien, 2013; Petry és munkatársai, 2014 megbeszélésre); az internet kényszeres és túlzott használata bármilyen tevékenységhez (amelyet ebben a szakirodalomban internet-függőségnek nevezünk) globálisabb, mint az IGD fő altípusa, amely az online játék mellett az internetes használat több formáját is magában foglalhatja (Griffiths és Pontes, 2014; Király és munkatársai, 2014; Petry és munkatársai, 2014). Jelenlegi tanulmányunk az internetes függőséget általánosabban vizsgálja. A kábítószer-fogyasztási rendellenességekhez hasonlóan az internetes függőség megvonási tüneteket, toleranciát, az irányítás elvesztését és pszichoszociális problémákat mutat, ami klinikailag jelentős stresszhez vagy a napi működés romlásához vezet. A prevalencia úgy tűnik, hogy a legmagasabb ázsiai országok és a férfi serdülők, és becslések szerint 14.1 és 16.5% (95 százalékos konfidencia intervallum) között mozog a tajvani főiskolai hallgatók körében egy tanulmányban (Lin és munkatársai, 2011). A jelenség az utóbbi években nagyobb figyelmet fordított rá, és egyértelműen további kutatást érdemel.

A funkcionális mágneses rezonancia képalkotást (fMRI) alkalmazták az internetfüggőség idegi szubsztrátainak azonosítására, amelyek kiderült, hogy hasonló agyi aláírásokat mutatnak az anyaggal összefüggő függőségekkel (Kuss és Griffiths, 2012; Brand és mtsai., 2014; Meng és munkatársai, 2015). A blokkolt és az eseményekkel kapcsolatos tanulmányokban számos, a jutalomhoz, függőséghez és vágyhoz kapcsolódó régiót azonosítottak az internetes játékcikkek és a kiindulási pontok kontrasztjával: az insula, a nucleus accumbens (NAc), a dorsolateral prefrontalis cortex (DLPFC) és az orbitális frontalis kéreg (OFC) (Hoeft és munkatársai, 2008; Ko és munkatársai, 2009; Han és munkatársai, 2010; Sun és munkatársai, 2012; Ko és munkatársai, 2013). Az aktiváláson alapuló megközelítések azonban ellentétesek a dákóval kapcsolatos tevékenységekkel, és nem foglalkoznak az agy régiói közötti kölcsönhatás módjával, ezért nem képesek jellemezni a klinikai vagy viselkedési intézkedésekhez kapcsolódó megváltozott funkcionális kapcsolatokat; az emberi rendellenességek azonban összekapcsolt komplex rendszer zavarainak következményei (Fornito és Bullmore, 2015). A nyugalmi fMRI bevezetése hatékony eszköznek bizonyult a teljes agy idegi kapcsolatának tanulmányozásában (van den Heuvel és Pol, 2010). A nyugalmi állapotú funkcionális összekapcsolódást a vér oxigénszintjétől függő (BOLD) jelek spontán ingadozásainak korrelációjával értékelik az agy különböző régióiban. Úgy gondolják, hogy funkcionális szervezetének mérésére szolgál, és segíthet az agyi régiók közötti rendellenes szinkronizációk jellemzésében. a pszichológiai fenotípusok spektrumában (Biswal és munkatársai, 2010; Craddock és munkatársai, 2013).

Noha vannak olyan tanulmányok, amelyek funkcionális összekapcsolhatóságot vizsgáltak az internetfüggőséggel kapcsolatos megváltozott funkcionális összekapcsolódás vizsgálatára, a legtöbb tanulmány az a priori választott magrégiókat alkalmazta, vagy a) egy magvető régiót összekapcsolva az egész agy fennmaradó voxeleivel [Hoeft és munkatársai, 2008 NAc-t használt; Lorenz és munkatársai, 2013 a jobb alsóbb frontális gyruszt (IFG) használták; Ding és munkatársai, 2013 a hátsó cingulate cortex-t (PCC) használták; Ko és munkatársai, 2015 használt amygdala; Zhang és munkatársai, 2015 használta a szigetet; Hong és munkatársai, 2015 használta a caudate magot és a putamenet; Kühn és Gallinat, 2015 a jobb oldali elülső pólt használta; Li és munkatársai, 2015 használta a megfelelő DLPFC-t] vagy (b) korrelációt hajt végre az értelmes hálózatokból kiválasztott több előre meghatározott ROI között (Yuan és munkatársai, 2015 megvizsgálta a központi végrehajtó hálózatot és az átláthatóság hálózatát; Dong és munkatársai, 2015b megvizsgálta a végrehajtó ellenőrzési hálózatot; Dong és munkatársai, 2015a megvizsgálta a végrehajtó ellenőrzési és jutalmazási hálózatokat; Li és munkatársai, 2014 megvizsgálta a válaszgátló hálózatot; Lin és munkatársai, 2015 hat előre meghatározott bilaterális kortikosztriatális ROI-t vizsgált. A vizsgált előre meghatározott magrégiók az agynak csak kis részét képviselik, így esetleg nem képesek teljes képet adni arról, hogy az összeköttetésbe hogyan befolyásolja az internetes függőség.

Nagyon kevés tanulmány használta az egész agy megközelítését az internetfüggőség tanulmányozására. Tudomásunk szerint jelenleg csak négy közzétett cikk foglalkozik az egész agy megközelítésével, és módszereik meglehetősen változatosak, kezdve a hálózati alapú statisztikákon (NBS; Hong és munkatársai, 2013) a topológiai (Hong és munkatársai, 2013; Wee és munkatársai, 2014; Park és munkatársai, 2015) egy újonnan kifejlesztett voxel-tükrözött homotopikus kapcsolathoz (Wang és munkatársai, 2015). Különösen, Hong és munkatársai. (2013) az NBS-t alkalmazta a régiók közötti funkcionális kapcsolat csoportok közötti különbségeinek azonosítására, és károsodott kapcsolatokat talált a cortico-subkortikális áramkörökben internet-függőségben szenvedő betegek esetén. Kutatásuk azonban az egyedi populáció (férfi korai serdülők) kis mintájára összpontosított.

Ezért jelen cikkünkben úgy döntöttünk, hogy az egész agy összeköttetését, az NBS (Zalesky és munkatársai, 2010a; Han és munkatársai, 2013), hogy azonosítsa az internetfüggőségre prediktív funkcionális kapcsolatokat. Az NBS egy validált statisztikai módszer a többszörös összehasonlítás problémájának kezelésére egy grafikonon, analóg a klaszter alapú módszerekkel (Nichols és Holmes, 2002), és arra használják, hogy azonosítsák az emberi összekötőből álló kapcsolatokat és hálózatokat, amelyek kísérleti hatáshoz vagy csoportok közötti különbséghez kapcsolódnak, a hipotézis független tesztelésével minden kapcsolaton. Eredményeinket ezenkívül összehasonlítják az internetes függőség idegi korrelátumaival kapcsolatos meglévő dokumentumok metaanalízisével. Reméljük, hogy a meglévő irodalmat többféle módon kibővítjük: (1) Reméljük, hogy teljesebb képet nyújtunk az internet-függőségről az agy teljes elemzésével, ahelyett, hogy csak kis számú előre meghatározott vetőmag-régiót használnánk. (2) Bár létezik néhány teljes agyi funkcionális kapcsolódási tanulmány az internetes függőségről (pl. Hong és munkatársai, 2013; Wang és munkatársai, 2015), a tanulmányok összehasonlították az internetes függőségi csoportokat az egészséges kontrollokkal. Vizsgálatunkban semmilyen klinikai beteget nem vontak be, de az internetfüggőség tendenciáját mint gradienst jellemeztem. Reméljük, hogy azonosítunk olyan funkcionális kapcsolatokat, amelyek erősségét a függőség szintje modulálja. (3) A legtöbb internetes függőséggel kapcsolatos tanulmány nem vette figyelembe a kisagyat, ám a kisagyt fontos szerepet játszik a függőségben (Moulton és munkatársai, 2014). Így bevontuk a kisajt az elemzésbe. (4) Sok tanulmány korlátozta a résztvevő csoportot a férfiakra, és gyakran viszonylag kis mintát tartalmaz (pl. Hong és munkatársai, 2013, 2015; Kühn és Gallinat, 2015). A vizsgálatok általánosíthatóságának és hatalmának növelése érdekében mindkét nemű, mind nagyobb mintát tartalmazó mintákra szükség van (Li és munkatársai, 2015). A fenti problémák megoldásával a jelen tanulmány jobban megérti, hogy a funkcionális kapcsolat hogyan kapcsolódik az internet-függőség tendenciájához.

Anyagok és módszerek

Meta-analízis

Metaanalízist készítettünk a NeuroSynth adatbázis segítségével (http://neurosynth.org; Yarkoni és munkatársai, 2011). Testreszabott elemzést végeztünk a „függőség”, „rabja”, „internet”, „játék”, „játék” és „online” keresési kifejezések felhasználásával az internetes függőséggel kapcsolatos tanulmányok azonosításához az adatbázisban. A felvétel kritériumait manuálisan ellenőrizték, és a mellékelt vizsgálatok listáját az 1 kiegészítő anyagok tartalmazzák. Összesen 18 vizsgálatokat vettünk be. A csúcs aktiválási koordinátákat, valamint az 6 mm voxelek szomszédságát kinyertük a mellékelt vizsgálatokból. Ezután ezen koordináták metaanalízisét hajtottuk végre, és előállították az egész agy következtetéseit z-score térképek. Az előzetes következtetési térképek tükrözik annak a valószínűségét, hogy egy régió aktiválódik ezen feltételek figyelembevételével [P(aktiválás | feltételek)], tehát tájékoztasson minket az adott feltételek aktiválásának következetességéről. A fordított következtetési térkép megmutatja annak valószínűségét, hogy ezeket a kifejezéseket egy vizsgálatban használják, figyelembe véve a bejelentett aktiválást [P(feltételek | aktiválás)]; így egy aktivált régió azt jelzi, hogy valószínűbb, hogy egy internetes függőséggel kapcsolatos tanulmány, mint egy nem internet-függőséggel kapcsolatos tanulmány, amely az adott régió szelektivitását tükrözi. Mivel mind az előre, mind pedig a fordított következtetések fontos szerepet játszanak abban, hogy megértsük az internetes függőséggel járó régiókat, átfedtük ezt a két következtetési térképet, hogy körvonalazzuk közös régiójukat. Az öt voxelnél nagyobb klasztereket jelentették.

Nyugalmi fMRI

A résztvevők

Negyvenhét egészséges résztvevőt (21 férfiak és 26 nők) Tajvan déli részéről, akiknek többsége hallgatók vagy az egyetemi alkalmazottak, hirdetések útján toborozták a kísérletbe (életkor = 19 – 29 év, átlagéletkor = 22.87) évek, SD = 2.22 év). A résztvevők jobbkezesek voltak (az Edinburgh Handedness Inventory jelzi), normális vagy normál korrekcióval rendelkeztek és nem voltak kórtörténetében pszichológiai vagy idegi rendellenességek. Depresszió, szorongás és intelligencia pontszámuk a normál tartományban volt [Beck depressziós leltár (BDI) pontszáma: 0 – 12; Beck szorongásleltár (BAI) pontszáma: 0 – 7; Raven szokásos progresszív mátrix tesztértéke: 35 – 57]. Az összes résztvevő Chen Internet Addiction Scale által átdolgozott (CIAS-R) pontszámának tartománya = 28 – 92, átlag = 60.04, SD = 16.53. Táblázat Table11 összefoglalja a résztvevők demográfiai adatait és viselkedési jellemzőit. A CIAS-R pontszámok normalitását a Shapiro – Wilk teszt igazolta [W(47) = 0.98, p = 0.50]. Nem volt szignifikáns összefüggés a nemek és a CIAS-R pontszám között (Spearman ρ = 0.15, p = 0.30). Minden résztvevő írásbeli írásbeli beleegyezését adta, és a vizsgálati protokollt (NO: B-ER-101-144) a Tajvani Tainanbeli Nemzeti Cheng Kung Egyetemi Kórház intézményi felülvizsgálati testülete (IRB) hagyta jóvá. A kísérlet befejezése után az összes résztvevő megkapta az 500 NTD-t.

Demográfiai információk és viselkedésjellemzők.

Chen internetes függőségi skála átdolgozott (CIAS-R) kérdőív

A felülvizsgált Chen internet-függőség skála (CIAS-R; Chen és munkatársai, 2003) egy 26 elem, amely az internet-függőség súlyosságának felmérésére szolgál. A CIAS-R a DSM-IV-TR adalékossági viselkedés kritériumán alapul, és az internetes függőség két al skáláját tartalmazza (a) alapvető tünetek és b) kapcsolódó problémák, öt dimenzió értékelésével, beleértve a (1) kényszeres internethasználatot, (2) visszavonást az internet eltávolításának tünetei, (3) tolerancia, (4) az interperszonális kapcsolatok és a fizikai egészség veszélye és (5) időgazdálkodási problémák. A tételeket 4-pontbeli Likert skálán osztályozzák, az összes pontszám 26-től 104-ig terjed, az internet-függőség alacsony vagy magas tendenciáját tükrözve. Kimutatták, hogy a CIAS-R magas belső konzisztenciájú (Cronbach α = 0.79 – 0.93; Chen és munkatársai, 2003) és magas diagnosztikai pontosság (AUC = 89.6%; Ko és munkatársai, 2005). Ebben a tanulmányban a CIAS-R összpontszámot használták a résztvevők internetes függőség jelenlegi állapotának mutatójaként.

Képszerzés és feldolgozás

A képalkotást a GE MR750 3T szkennerrel (GE Healthcare, Waukesha, WI, USA) végeztük a Nemzeti Cheng Kung Egyetem MRI központjában. Nagy felbontású anatómiai képeket kaptunk gyors SPGR alkalmazásával, amely 166 axiális szeletekből áll (TR = 7.6 ms, TE = 3.3 ms, fordítási szög 171 = 12 °, 224 mátrixok × 224 mátrixok, szeletek vastagsága = 1 mm). A funkcionális képeket gradiens-visszhang-echo-planáris képalkotó (EPI) impulzussorozattal szereztük be (TR = 2000 ms, TE = 30 ms, fordítási szög = 77 °, 64 mátrixok × 64 mátrixok, szeletek vastagsága = 4 mm, nincs rés, voxelméret 3.4375 mm × 3.4375 mm × 4 mm, 32 axiális szeletek az egész agyt lefedik).

A résztvevőket arra utasították, hogy pihenjenek és csukott szemmel feküdjenek a szkennerben. Felkérték őket, hogy ne gondolkozzanak egy adott eseményre a szkennelés során. A szerkezeti kép szkennelési ideje körülbelül 3.6 perc volt. A funkcionális kép körülbelül 8 percig tartott, az első öt TR dummy scan-ként szolgálva annak biztosítása érdekében, hogy a jel stabil állapotba kerüljön az adatok gyűjtése előtt; így a futtatás 240 EPI kötetképeket tartalmaz elemzésre.

Az adatokat előfeldolgozták a nyugalmi állapotú fMRI adatfeldolgozási asszisztensével (DPARSF; Yan és Zang, 2010), amely az MRIcroN funkcióin alapul (Rorden és munkatársai, 2007^¹), valamint a statisztikai paraméteres leképező szoftver (SPM^²) és a nyugalmi állapotú fMRI adatelemző eszközkészlet (REST; Song és munkatársai, 2011) a Matlab-ban (The MathWorks, Inc., Natick, MA, USA). A funkcionális képeket szelet-időzítés korrekcióval hajtották végre, majd egy újra igazítást követtek a fejmozgás korrekciójához hatparaméterű merev test-transzformációkkal. A teljes mozgás, amelyet az átlagos keretirányú elmozdulás (FD) jellemez, nem volt nagy (átlag = 0.05, SD = 0.03), és nem korrelált a CIAS-R pontszámokkal (Spearman ρ = -0.28, p = 0.055), tehát az impulzivitás nem befolyásoló tényező az internetes függőségi pontszám és a mozgás szempontjából (Kong és munkatársai, 2014). A T1 képeket központilag regisztrálták a funkcionális képekké. A szerkezeti képeket CSF-re, fehér anyagokra és szürke anyagokra szegmentáltuk az MNI-térben lévő szöveti valószínűségi térképek alapján, és ezeket a számításokat használtuk a T1 és az EPI képek MNI-térben történő normalizálásához. Az adatokat a térbeli tartományban egy Gauss-kernel felhasználásával teljes szélességű 6 mm vastagságban, a maximális felét felére (FWHM) használva eltávolítottuk, és eltávolítottuk a lineáris irányt. A zavaró együtthatókat, beleértve a globális átlag jelet, a fehér anyag jelet és a cerebrospinális folyadék jelet, regresszáltuk. Bár a globális jel-regresszió végrehajtása továbbra is folyamatos vita (pl. Saad és munkatársai, 2012) úgy döntöttünk, hogy ezt a módszert alkalmazzuk, mivel azt javasoltuk, hogy maximalizálja a funkcionális korrelációk specifikusságát, és javítsa a nyugalmi állapot korrelációk és az anatómia közötti megfelelést (Fox és munkatársai, 2009; Weissenbacher és munkatársai, 2009; Takeuchi és munkatársai, 2014). Végül a képeket 0.01 – 0.08 Hz sávszűrésen átesették.

Az adatok elemzése

Az fMRI képeket szétválasztottuk az anatómiai automatikus címkézés (AAL; Tzourio-Mazoyer és munkatársai, 2002) sablon, osztva az agyat az anatómiai szerkezet alapján 116 ROI-kra (vagy csomópontokra). Az AAL atlaszt választottuk, mert az volt a leggyakrabban használt parcella a funkcionális hálózati tanulmányokban (Stanley és munkatársai, 2013), és egyúttal a Hong és munkatársai. (2013), akinek a vizsgálata a leginkább releváns a miénk számára, ezáltal javítva a tanulmányok összehasonlíthatóságát (Zalesky és munkatársai, 2010b). Az NBS módszert alkalmazták azon agyhálózatok azonosítására, amelyek interregionális funkcionális kapcsolatokból állnak, és amelyek szignifikáns korrelációt mutatnak a CIAS-R pontszámmal. A következő elemzéseket a hálózati alapú statisztikai eszközkészlet segítségével végezték el (Zalesky és munkatársai, 2010a) további házon belüli Matlab szkriptekkel. Mindegyik résztvevő számára 116 × 116 korrelációs mátrixot készítettünk az egyes ROI-kből kivont időtanfolyamok felhasználásával. A Pearsoné r az értékeket normalizálták Z gólt Fisher-ek segítségével Z átalakítás. A korrelációs mátrix minden cellája két csomópont közötti kapcsolat (vagy él) erősségét képviseli. A Spearman-féle rangkorrelációt alkalmazó tömeges egyváltozós tesztet a résztvevők CIAS-R pontszámai és az egyes éleken belüli élerősségek között végeztük, hogy azonosítsuk azokat a releváns kapcsolatokat, amelyek előre jelezték a CIAS-R pontszámot. A CIAS-R pontszám jó kiszámíthatóságát mutató jelölt éleket Spearman rho> 0.37 és <-0.37 (kb. Egyfarkú alfa = 0.005) elsődleges küszöbértékével választottuk ki, hogy azonosítsuk azokat a hálózatokat, amelyek pozitívan és negatívan társulnak a CIAS-R-ponthoz. R pontszám. Ezt követően topográfiai klasztereket, összekapcsolt gráfkomponensekként azonosítottunk a küszöböt meghaladó kapcsolatok között. A komponensméret családonkénti hibáját (FWE) permutációs teszteléssel (3000 permutáció) számoltuk ki, amely a CIAS-R pontszámok véletlenszerű sorrendbe állítását és a fenti folyamatok megismétlését eredményezte, hogy a legnagyobb komponensméret nulleloszlását kapjuk. Csatlakoztatott grafikonösszetevők, amelyek mérete meghaladja a becsült FWE-korrigált értéket p<0.05 alatti értékvágást olyan hálózatokként azonosítottak, amelyek jelentősen összefüggenek az internetes függőségi tendenciával. BrainNet Viewer (Xia és munkatársai, 2013) a kapcsolatok megjelenítésére szolgált. Az adatelemzési folyamat bemutatása a Ábra Figure11.

ábra 1

Adatelemzési folyamat folyamatábrája. A résztvevők agyát előzetesen feldolgozták és különféle strukturális régiókba aprították az AAL sablon szerint. Összeállítottam egy korrelációs mátrixot az egyes régiókból a ...

Eredmények

Meta-analízis

Előre és hátra következtetés z- pontszámokat készítettünk a NeuroSynth-ből (ábrán látható) Ábra Figure22). A két térkép aktiválása nagymértékben hasonlítja egymást. Ezeknek a térképeknek az átfedése az aktivációt mutatta a kisagy, a temporális lebeny (kétoldalú alacsonyabb ideiglenes gyri, jobb felső felső temporális pólus és a jobb középső és jobb felső temporális gyrus), több frontális régió között (bal középső és felső orbitális frontális gyrus, jobb középső frontális gyrus, jobb alsóbb frontális operculum és jobb precentralis gyrus), kétoldalú putamen, bilaterális szigetelő, jobb középső cingulate és jobb preuneus. Táblázat Table22 felsorolja az azonosított klasztereket, valamint a klaszterhez tartozó AAL-régiókat.

ábra 2

A NeuroSynth-en végzett metaanalízis következtetési térképei, amelyek megmutatják az előremenő következtetésben aktív régiókat, a fordított következtetéseket és a két térkép átfedését.

Az előre- és fordított következtetési térképek egymást átfedő csoportjai.

Nyugalmi fMRI

Az internet-függőség tendenciájához kapcsolódó funkcionális kapcsolatok

Az NBS felhasználásával két olyan hálózatot azonosítottunk, amelyek szélszilárdság és a CIAS-R pontszámok szignifikáns összefüggést mutattak (p <0.05, FWE-korrigálva): az egyik élekkel pozitív korrelációban van a CIAS-R pontszámokkal („CIAS-R pozitív,” piros színnel látható), a másik pedig élekkel negatívan korrelál a CIAS-R ponttal („CIAS-R negatív, látható”) kékben). A CIAS-R pozitív hálózat összesen 65 csomópontból és 90 élből áll (45 intrahemisphericus, 42 interhemisphericus és 3 kapcsolódik a vermishez), míg a negatív hálózat 64 csomópontból és 89 élből áll (35 intrahemispheric, 40 interhemispheric és 14 csatlakozik a vermishez / belül). Fontos megjegyezni, hogy a két hálózat nincs teljesen elkülönítve, és összesen 39 csomóponton osztoznak, amelyeknek 30.77% -a frontális lebeny régió. A CIAS-R-hez kapcsolódó élek teljes száma az agy összes élének 2.68% -át teszi ki. A hálózatot a Ábra Figure33 és a konkrét csatlakozásokat az 2 kiegészítő anyagok, S1 táblázat tartalmazza.

ábra 3

A CIAS-R pontszámokkal korrelált kapcsolatok hálózata. A szürke gömbök az egyes csomópontok középpontját ábrázolják, és méretarányban vannak méretezve, a számukhoz rendelt jelentős élek szerint. Csak a csatlakozással rendelkező csomópontok jelennek meg. A piros vonalak jelzik ...

A bevont szélek globális eloszlása

Azért, hogy jobban megértsük, hogyan oszlanak el ezek a kapcsolatok, követjük Fornito et al. (2011) és a Hong és munkatársai. (2013), és minden hálózaton belül az AAL-régiókat hét regionális alcsoportba soroltuk: frontalis, temporális, parietális, okklitális, insula és cingulate gyri, subkortikális és kisagy. A CIAS-R pozitív hálózat éleinek többsége az (1) időbeli régiók és az szigetek közötti kapcsolatokra és a cingulate gryi-ra (∼13%) kapcsolódott, amelyek többségében a hátsó cingulált gyrus különféle időbeli régiókhoz kapcsolódik; (2) frontalis és temporális régiók (∼12%), amely magában foglalja a meditális orbitofrontalis kéreg, a paracentrallobule és a girri temporális lebeny, az időbeli pólus közötti kapcsolatokat; és (3) parietális és subkortikális régiók (∼11%), amelyek a posztcentraliskéreg és a felső parietális lobule és a putamen és a pallidum közötti kapcsolatokból állnak. Érdekes megjegyezni, hogy a frontális lebeny kivételével minden más régióban nincs olyan régión belüli kapcsolat, amelynek erőssége pozitívan korrelál az internetes függőség tendenciájával. A CIAS-R negatív hálózat éleinek többsége a homloklebeny (1) és a kisagy közötti kapcsolatokban volt (∼19%), amelyek többsége az orbitális frontális régiók és a kisagy különböző ROI-i közötti kapcsolatok; és (2) insula és cingulate gyri, valamint a temporális lebeny (∼12%), amely összeköttetéseket tartalmaz az insula, a cingulum, a parahippocampal és az időbeli lebeny között. Nem találtak okklitális régiókat a CIAS-R negatív hálózatába. Az egyes hálózatok régióközi kapcsolatainak arányát az alábbiakban mutatjuk be Ábra Figure44.

ábra 4

Az internetes függőség tendenciájával pozitív és negatív korrelációval rendelkező régiók aránya a regionális alcsoportok között. Az arányokat úgy számítottuk, hogy az élek számát régiópárok között (vagy azokon belül) megosztottuk az összeggel ...

Maximálisan érintett csomópontok

Az azonosított élek nagy száma miatt követjük Finn és munkatársai. (2014), és azonosította azokat a csomópontokat, amelyek magas „CIAS-R-korrelált élek összegével” rendelkeznek annak érdekében, hogy elemzésünket olyan régiókra összpontosítsuk, ahol a kapcsolatok maximálisan kapcsolódnak az internet-függőség tendenciájához. Egy csomópont CIAS-R-vel korrelált éleinek összegét úgy definiáltuk, hogy a szélének teljes száma mind a CIAS-R pozitív, mind a CIAS-R negatív hálózatokban egyaránt megjelenik (ez fogalmilag megegyezik a gráf elméletben mért fok mértékével). Ez a módszer lehetővé teszi számunkra, hogy azonosítsuk azokat a csomópontokat, ahol a kapcsolatokat valószínűleg megváltoztatja az internetfüggőség tendenciája. A következő Táblázat Table33 felsorolja a maximálisan érintett csomópontokat, és megmutatja azokat a csomópontokat, amelyek legalább az 8 CIAS-R-vel korrelált élek összegével rendelkeznek. A csomópontok és azok kapcsolatainak megjelenítése a képernyőn jelenik meg Ábra Figure55. Ezek szintén a megvitatásra kiválasztott csomópontok.

Az internet-függőség tendencia csomópont szintű elemzése.

ábra 5

Azoknak a csomópontoknak a megjelenítése, amelyeknek az élesebb száma az internetes függőség tendenciájához kapcsolódik. A zöld gömbök az egyes csomópontok maximális szélekkel rendelkező központját, míg a sárga gömbök funkcionális kapcsolódási partnereiket ábrázolják. A piros vonal az éleket jelzi ...

Megbeszélés

A fiatal felnőttek normál csoportjában az önbecsült kérdőív (CIAS-R) segítségével értékeljük az internet-függőség mértékét, és további két agyhálózatot azonosítottunk, amelyek funkcionális kapcsolata pozitívan és negatívan korrelált az internet-függőség tendenciájával. Az alábbiakban az eredményeket különféle megfigyelési skálákban tárgyaljuk: (1) a CIAS-R pozitív és CIAS-R negatív hálózatokat összekötő kritikus régiók, (2) régiók, ahol magas az aránya az internet-függőség tendenciájához kapcsolódó kapcsolatokkal, és (3) ) az internet-függőség tendencia által megváltoztatott kritikus csomópontok.

A frontális régiók összekapcsolják a CIAS-R pozitív és a CIAS-R negatív hálózatokat

Megfigyeltük, hogy a két (CIAS-R pozitív és CIAS-R negatív) hálózatot összekötő csomópontok többsége a homlokleben helyezkedik el. Ezek a régiók magukban foglalják a felső frontális gyrusot, az IFG-t, a medialis frontális gyrusot, a rolandic operculumot és a kiegészítő motoros területet. A prefrontalis kéreg feltételezhetően kritikus struktúra a kognitív kontrollban, a gátlásban és a válasz kiválasztásában (Aron és munkatársai, 2004; Talati és Hirsch, 2005; Forstmann és munkatársai, 2008). Az internetes függőség olyan jelenség, hogy a függõk csökkentették az önkontroll és az internethasználattal kapcsolatos döntések meghozatalát, amit a negatív hatások ismerete ellenére a folyamatos túlhasználat tükröz. Például több tanulmány kimutatta, hogy az internetfüggőséggel rendelkező résztvevők fokozott fronto-striatális és fronto-parietalis aktivációt mutattak a Go / Nogo feladat során (Ding és munkatársai, 2014; Ko és munkatársai, 2014; Chen és munkatársai, 2015) és a Stroop feladat (Dong és munkatársai, 2012a, 2013, 2014), ami gyengébb válaszgátlásra és hibafigyelésre, valamint fokozott impulzivitásra utal. De másrészről, az internet-függõk és a videojátékok gyakran a kognitív funkciók kiváló teljesítményét mutatják, mint például a motorvezérlés és a hatékony döntéshozatal a játék során. Valóban bebizonyították, hogy a videojátékok gyakorlati hatásai számos továbbfejlesztett végrehajtói készségre kiterjednek, beleértve az észlelési, motoros, figyelmi és valószínűségi következtetési képességeket (Zöld és Bavelier, 2003; Castel és munkatársai, 2005; Dye és munkatársai, 2009; Green és munkatársai, 2010; Green és munkatársai, 2012). Az egyik fMRI-tanulmány szerint a fronto-parietal hálózat kevésbé toborzott a videojátékok játékosaihoz, mint a nem játékosokhoz egy nagy figyelmet igénylő feladat során, ami valószínűleg tükrözi a hatékonyabb végrehajtó és figyelmi ellenőrzést (Bavelier és munkatársai, 2012). A kognitív kontroll két arca, amelyet az internetes függők mutatnak, érdekes dilemmát jelent. Tanulmányunkban a két hálózatot összekötő frontális régiók megfigyelése, ahol a funkcionális kapcsolódás csökken és növekszik az internet-függőség tendenciája tükrözi a frontalis régióban bekövetkezett változásokat a kognitív kontroll különböző szempontjain (azaz az internethasználat és a játékkészség irányításánál).. Érdemes megemlíteni, hogy bár Hong és munkatársai. (2013) Feltételezve, hogy fokozódhat az internetfüggők gyakorlati hatásaival összefüggő funkcionális összekapcsolhatóság, csak a funkcionális összekapcsolhatóság csökkenését figyelték meg tanulmányukban. Az egyik lehetőség, amelyet a Hong és munkatársai. (2013) mivel az Internet-függõ személyekben nincsenek megnövekedett funkcionális összekapcsolódásuk, az az volt, hogy kis mintájuk miatt a teljesítmény hiányos volt. Magvető elemzés alkalmazásával, amely kevesebb többszörös összehasonlítást igényel, mint a teljes agy megközelítése, Hong és munkatársai. (2015) újból elemezte az 2013 adatokat, és megfigyelt mind az internet-függőséggel kapcsolatos fokozott, mind csökkent funkcionális összeköttetést.

Az Internet-függőség-tendencia-hálózatok széles körben elosztott kapcsolatai

Az adatok nagy számban mutatnak inter- és belső féltekénti kapcsolatokat mind a CIAS-R pozitív, mind a CIAS-R negatív hálózatokban, tükrözve az internet-függőség hajlamosságának az agyra gyakorolt kiterjedt hatását. Megfigyeltük, hogy a CIAS-R pozitív hálózatban a legtöbb kapcsolatra az „insula és cingulate - időbeli”, „frontális - időbeli” és „subkortikális - parietális” élek tartoznak, míg a legtöbb kapcsolat a CIAS-R-ben található. a negatív hálózat részt vett az „elülső - kisagyi” és az „szigetelő és a cinguláris - időbeli” élekben (Ábra Figure44). A nemrégiben javasolt függőségmodellben (Moulton és munkatársai, 2014), a kisagy segít fenntartani a függőség szempontjából releváns négy egymással összekapcsolt áramkör homeosztázisát: jutalom / ösztönzés, motiváció / motiváció, tanulás / memória, valamint a kognitív kontroll. Ez a modell integrálja a négyáramú modellt (Volkow és munkatársai, 2003, 2010) és az agykéreg funkcionális nyugalmi állapotú hálózata, amely az agykéreg végrehajtó és asszociatív feldolgozására vonatkozik (Buckner és munkatársai, 2011). A jutalom / kifizetés, a motiváció / motiváció és a tanulás / memória összetevői felerősödnek, míg a kognitív kontroll csökkent a függőségben. Lát Ábra Figure66 egy illusztráció. A két internetfüggőség-tendencia-hálózat legnagyobb funkcionális kapcsolódási arányának megfigyelései általában összeegyeztethetők Moulton és társai (2014) a függőségi áramkörben részt vevő kritikus elemek modellje. Hasonlóképpen, nem figyeltünk meg sok olyan jelentős kapcsolatot, amely az okklitális lebenyt tartalmazza, amely szintén összefonódik Hong és társai (2013) megállapításokat. Ugyanakkor a „szubkortikális - parietális” élek nagy részét is megtaláltuk, amelyeket - bár a négyáramú modellben nem külön hangsúlyozzák - ezeket az összefüggéseket megfigyelték az internetes függőség irodalmában (pl. Ding és munkatársai, 2013; Hong és munkatársai, 2013, 2015), amelynek oka lehet az internethasználattal kapcsolatos gyakorlati hatás.

ábra 6

A függőség modellje, amely kiemeli a függőség által javasolt négy fő agyhálózat kisagy moduláló szerepét (adaptálva: Moulton és munkatársai, 2014). Ezek az áramkörök tartalmazzák a jutalmat / tiszteletet, motivációt / motivációt, tanulást / memóriát, ...

Az Internet-függőség tendenciája által módosított kritikus csomópontok

Azokat a csomópontokat azonosítottuk, amelyekben a legtöbb kapcsolat van, és maximálisan kapcsolódnak az internet-függőség tendenciájához. Ezek a csomópontok azok, amelyek kapcsolatának mintája maga a csomópont és más agyi régiók között a leginkább hajlamos az internet-függőség tendenciájának megváltozására. A régiók kifejezetten a kétoldalú hátsó cinguláris gyrus, a jobb szigetelő, a jobb középső temporális gyrus, a bal felső időbeli pólus, a jobb putamen és a bal IFG orbitális része (Ábra Figure55). Ezeket a régiókat számos (internetes) függőségi tanulmányban kulcsfontosságú régióknak tekintik, és néhányat már említettek az előző szakaszban. Most megvitatjuk a függőség irodalmát, kiemelve ezeket a régiókat. A PCC, az alapértelmezett módú hálózat része és részt vesz az önfeldolgozás különböző aspektusaiban (Buckner és munkatársai, 2008; Fransson és Marrelec, 2008) vetőmagrégióként szolgált Ding és társai (2013) tanulmány, amely szignifikánsan megnövekedett funkcionális kapcsolatot mutatott a kétoldalú kisagy hátulsó lebenyével és a középső ideiglenes gyrusszal, miközben csökkentette a bilaterális alacsonyabb szintű parietális lebenyt és a jobb alsóbbrendű ideiglenes gyrusot az internetes játékfüggőknél. Azt találták, hogy az Internet-függõk rendellenes frakcionális anizotrópiát mutatnak (Dong és munkatársai, 2012b) és a szürkeanyag-sűrűség (Zhou és munkatársai, 2011) a PCC-ben. Zhang és munkatársai. (2015) úgy döntött, hogy a szigetet bevonja a függőségbe (Naqvi és Bechara, 2009; Droutman és munkatársai, 2015), mint magrégió, és megváltozott funkcionális kapcsolatot talált az internet-függők régióinak hálózatával. Az izoláknak a függőségben betöltött szerepét javasolták az intercepciós jeleknek a tudatos érzésekbe (drogoszták) és az elfogult viselkedésbe történő beépítéséhez a döntéshozatal során (Naqvi és Bechara, 2009). Néhány internetes függőségi tanulmányban megfigyelték a középső időbeli gyrusot és a felsőbb időbeli pólusot (lásd: Meng és munkatársai, 2015 meta-elemzéshez), és összekapcsolódtak a játék késztetéssel / vágyával, szemantikai feldolgozással, disembodimentummal, munkamemóriával és érzelmi feldolgozással; azonban a függőségben betöltött sajátos szerepük további vizsgálatokat igényel. A hátsó striatum részét képező putamen szintén kritikus régió, amelyet számos függőségi kutatás javasolt (pl. Ko és munkatársai, 2009; Ding és munkatársai, 2013; Lin és munkatársai, 2015), amelyben az egyidejű dopamin neurotranszmisszió részt vesz a kényszeres gyógyszer-keresés és vágy kialakításában (Volkow és munkatársai, 2006; Koob és Volkow, 2010). Ezenkívül a kutatások azt sugallták, hogy a striato-thalamo-orbitofrontalis áramkör diszfunkciója a függőség kritikus oka, míg a hátsó striatum a szokások tanulásában és vágyában, az orbitofrontalis cortex viszonylagos érzékenységgel, hajtással és kényszerképességgel jár (Volkow és Fowler, 2000; Koob és Volkow, 2010; Volkow és munkatársai, 2010; Goldstein és Volkow, 2011). Az orbitofrontalis kéreg rendellenes működése magyarázhatja a függőségben fellépő viselkedési rendellenességeket. A fentiek összefoglalásával az általunk azonosított csomópontok olyan csomópontok, amelyek leginkább hajlamosak az internet-függőség tendenciájának megváltoztatására, és ezeket a meglévő irodalomban ismételten azonosították.

Korlátozás

Amint az egyik áttekintőnk rámutatott, a globális jel-regresszió végrehajtása a nyugalmi fMRI-ben továbbra is jelenlegi vita. A jelenlegi adatok globális jel-regresszió nélküli újbóli elemzése után az eredményeink meglehetősen eltérőek voltak az eredeti elemzéshez képest, és az NBS elemzésben a globális jel-regresszió nélküli éleknek csak az 22.91% -a esett át egymással a jelenlegi eredményeinkkel. Globális jelregresszió nélkül nem találtunk elegendő funkcionális kapcsolatot, amelyek pozitívan kapcsolódnának a CIAS-R pontszámokhoz; találtunk azonban olyan hálózatot, amely funkcionális kapcsolatokból áll, amelyek negatívan kapcsolódnak a CIAS-R pontszámokhoz. Amikor a legtöbb kapcsolattal rendelkező csomópontok maximális összefüggésben vannak az internet-függőség tendenciájával, akkor következetesnek találjuk a globális jel regressziós elemzést, abban a tekintetben, hogy a leginkább a cingulata, az insula, az időbeli és az elülső részek voltak. Számos különbség magában foglalja a kétoldalú kiegészítő motorterületek és a derékszögű gyrusok további megállapítását, amelyek csökkent funkcionális összeköttetést mutatnak, és az azonosított hálózatban nem volt olyan sok subkortikális régió. Noha a globális jel regresszió továbbra is ellentmondásos, úgy döntöttünk, hogy mindkét eredményt bejelenti. A globális jel-regresszió nélkül azonosított hálózat részleteit az 3 kiegészítő anyagok tartalmazzák. Remélhetőleg a kép előfeldolgozással kapcsolatos jövőbeli munkák rávilágítanak arra, hogy melyik eredmény pontosabb. Jelenleg azt javasoljuk, hogy az aktuális eredményeket az ilyen figyelmeztetések figyelembe vételével értelmezzük.

Következtetés

Adatközpontú megközelítést alkalmazva kimutattuk, hogy a hálózati alapú statisztikák hasznos eszköz az internet-függőség hajlama által érintett teljes agy összeköttetésének jellemzésére, a kapcsolatok és a korábbi tanulmányokat tükröző kritikus régiók azonosítására. A maganalízishez képest ez a teljes agy megközelítés átfogóbb elemzést nyújt az internetes függőséggel kapcsolatos agyi kapcsolatokról, összesen 6670 kapcsolatokat vizsgálva. Megmutattuk továbbá, hogy a függőség klinikai eseteiben számos funkcionális kapcsolat és agyi régió is kapcsolódik a viselkedésbeli kérdőíves intézkedések által indexált preklinikai tendenciákhoz. Annak ellenére, hogy korrelációs megközelítést alkalmazunk, nem lehetünk biztosak abban, hogy ezek a hálózatok megváltoznak-e az internethasználat következtében, vagy olyan emberek jellemzői, amelyek hajlamosak az Internet-függőség kialakulásának nagyobb kockázatára, ez a kutatás hasznos információkat nyújt a neurális megértésében. a függőség mögöttes jellemzői és kialakulása.

Szerzői hozzájárulások

A TW elvégezte a kísérletet, elemezte az adatokat, értelmezte az eredményeket, írta és felülvizsgálta a kéziratot. SH megtervezte a kísérletet, megírta a pályázati javaslatot, irányította a kísérlet előkészítését és végrehajtását, segített az adatok értelmezésében, a kézirat elkészítésében és felülvizsgálatában.

Érdekütközési nyilatkozat

A szerzők kijelentik, hogy a kutatást olyan kereskedelmi vagy pénzügyi kapcsolatok hiányában hajtották végre, amelyek potenciális összeférhetetlenségnek tekinthetők.

Köszönetnyilvánítás

A szerzők hálásak vannak Yun-Ting Lee-nek az adatgyűjtésért nyújtott segítségért és Po-Hsien Huang professzornak a statisztikai konzultációért. A tanulmányt a Tajvani Tudományos és Technológiai Minisztérium (MOST) finanszírozta (MOST 102-2420-H-006-006-MY2 és a legtöbb 104-2420-H-006-004-MY2). Ezenkívül ezt a kutatást részben a tajvani Oktatási Minisztérium (KKM) támogatta. A ROC A Cél a felső egyetemi projekt célja a Nemzeti Cheng Kung Egyetem (NCKU) számára. Köszönetet mondunk a MOST által támogatott Mind Research and Imaging Centernek (MRIC) az NCKU-nál a konzultációért és az eszköz rendelkezésre állásáról. A CIAS-R kérdőívet Sue-Huei Chen bocsátotta rendelkezésre.

Lábjegyzetek

¹http://www.mricro.com

²http://www.fil.ion.ucl.ac.uk/spm

Kiegészítő anyag

A cikk kiegészítő anyagai a következő címen találhatók: http://journal.frontiersin.org/article/10.3389/fnhum.2016.00006

Kattintson ide további adatfájlhoz.^{(20K, DOCX)}

Kattintson ide további adatfájlhoz.^{(33K, DOCX)}

Kattintson ide további adatfájlhoz.^{(258K, DOCX)}

Referenciák

Amerikai Pszichiátriai Szövetség [APA] (2013). Mentális rendellenességek diagnosztikai és statisztikai kézikönyve (DSM-5^®). Arlington, VA: American Psychiatric Pub.
Aron AR, Robbins TW, Poldrack RA (2004). Gátlás és a jobb alsóbb frontális kéreg. Trendek Cogn. Sci. 8 170 – 177. 10.1016 / j.tics.2004.02.010 [PubMed] [Cross Ref]
Bavelier D., Achtman R. L., Mani M., Focker J. (2012). A szelektív figyelem neurális alapjai az akciójátékosoknál. Vis. Res. 61 132 – 143. 10.1016 / j.visres.2011.08.007 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Biswal BB, Mennes M., Zuo XN, Gohel S., Kelly C., Smith SM, et al. (2010). Az emberi agy működésének felfedezése felé. Proc. Nati. Acad. Sci. USA 107 4734 – 4739. 10.1073 / pnas.0911855107 [PMC ingyenes cikk] [PubMed] [Cross Ref]
M. márka, Young KS, Laier C. (2014). Prefrontalis kontroll és internetes függőség: a neuropszichológiai és idegképképes eredmények elméleti modellje és áttekintése. Elülső. Zümmögés. Neurosci. 8: 375 10.3389 / fnhum.2014.00375 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Buckner RL, Andrews-Hanna JR, Schacter DL (2008). Az agy alapértelmezett hálózata - Anatómia, funkció és relevancia a betegség szempontjából. Year Cogn. Neurosci. 2008 1 – 38. 10.1196 / annals.1440.011 [PubMed] [Cross Ref]
Buckner RL, Krienen FM, Castellanos A., Diaz JC, Yeo BTT (2011). Az emberi kisagy szervezete a belső funkcionális összefüggések alapján becsülve. J. Neurophysiol. 106 2322 – 2345. 10.1152 / jn.00339.2011 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Castel AD, Pratt J., Drummond E. (2005). A cselekvési videojáték-élmény hatása a visszatérés gátlásának időbeli lefolyására és a vizuális keresés hatékonyságára. Acta Psychol. 119 217 – 230. 10.1016 / j.actpsy.2005.02.004 [PubMed] [Cross Ref]
Chen CY, Huang MF, Yen JY, Chen CS, Liu GC, Yen CF, et al. (2015). Az agy korrelál a válasz gátlásával az internetes játék zavarában. Psychiatry Clin. Neurosci. 69 201 – 209. 10.1111 / pcn.12224 [PubMed] [Cross Ref]
Chen S., Weng L., Su Y., Wu H., Yang P. (2003). Kínai internet-függőségi skála és pszichometriai tanulmány kidolgozása. Áll. J. Psychol. 45 251 – 266. 10.1371 / journal.pone.0098312 [Cross Ref]
Craddock RC, Jbabdi S., Yan CG, Vogelstein JT, Castellanos FX, Di Martino A., et al. (2013). Képes emberi kapcsolatok a makroskálában. Nat. Mód 10 524 – 539. 10.1038 / Nmeth.2482 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Ding WN, Sun JH, Sun YW, Chen X., Zhou Y., Zhuang ZG, et al. (2014). A vonásimpulzivitás és a károsodott prefrontalis impulzusgátló funkció olyan serdülőknél, akiknél az internetes játékfüggőség egy Go / No-Go fMRI tanulmány eredményei. Behav. Brain Funct. 10:20 10.1186/1744-9081-10-20 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Ding WN, Sun JH, Sun YW, Zhou Y., Li L., Xu JR és mtsai. (2013). Megváltozott alapértelmezett hálózati nyugalmi állapotú funkcionális kapcsolat az internetes játékfüggőséggel rendelkező serdülőknél. PLoS ONE 8: e59902 10.1371 / journal.pone.0059902 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Dong GH, DeVito EE, Du XX, Cui ZY (2012a). Károsodott gátló kontroll az „internet-függőség zavarában”: funkcionális mágneses rezonancia képalkotó vizsgálat. Psychiatry Res. Neuroimaging 203 153 – 158. 10.1016 / j.pscychresns.2012.02.001 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Dong GH, DeVito E., Huang J., Du XX (2012b). A diffúziós tensor képalkotás feltárja a talamust és a cingulate cortulate cortulate rendellenességeket az internetes játékfüggőknél. J. Psychiatr. Res. 46 1212 – 1216. 10.1016 / j.jpsychires.2012.05.015 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Dong GH, Lin X., Hu YB, Xie CM, Du XX (2015a). A végrehajtó ellenőrzési hálózat és a jutalomhálózat közötti kiegyensúlyozatlan funkcionális kapcsolat magyarázza az online játékkeresési magatartást az internetes játék zavarában. Sci. Ismétlés. 5: 9197 10.1038 / Srep09197 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Dong GH, Lin X., Potenza MN (2015b). A végrehajtott vezérlőhálózatban bekövetkezett csökkent funkcionális kapcsolat az Internet szerencsejáték-rendellenességek káros működési képességéhez kapcsolódik. Prog. Neuro-Psychopharmacol. Biol. Pszichiátria 57 76 – 85. 10.1016 / j.pnpbp.2014.10.012 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Dong GH, Lin X., Zhou HL, Lu QL (2014). Kognitív rugalmasság az internetes függõk körében: az fMRI bizonyítéka a nehezen könnyû és egyszerûen nehezebb váltási helyzetekbõl. Rabja. Behav. 39 677 – 683. 10.1016 / j.addbeh.2013.11.028 [PubMed] [Cross Ref]
Dong GH, Shen Y., Huang J., Du XX (2013). Károsodott hibafigyelő funkció internet-függőségi rendellenességben szenvedőknél: eseményekkel kapcsolatos fMRI-vizsgálat. Eur. Rabja. Res. 19 269 – 275. 10.1159 / 000346783 [PubMed] [Cross Ref]
Droutman V., Olvassa el SJ, Bechara A. (2015). Az izolának a függőségben betöltött szerepének felülvizsgálata. Trendek Cogn. Sci. 19 414 – 420. 10.1016 / j.tics.2015.05.005 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Dye MWG, Green CS, Bavelier D. (2009). Növekszik a feldolgozás sebessége az akciójátékokkal. Akt. Dir. Psychol. Sci. 18 321 – 326. 10.1111 / j.1467-8721.2009.01660.x [PMC ingyenes cikk] [PubMed] [Cross Ref]
Finn ES, Shen X., Holahan J. M., Scheinost D., Lacadie C., Papademetris X., et al. (2014). A funkcionális hálózatok megszakadása diszlexiában: a teljes agy, adatvezérelt elemzése a kapcsolódásokról. Biol. Pszichiátria 76 397 – 404. 10.1016 / j.biopsych.2013.08.031 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Fornito A., Bullmore ET (2015). Connectomika: új paradigma az agybetegség megértéséhez. Eur. Neuropsychopharmacoi. 25 733 – 748. 10.1016 / j.euroneuro.2014.02.011 [PubMed] [Cross Ref]
Fornito A., Yoon J., Zalesky A., Bullmore ET, Carter CS (2011). Általános és specifikus funkcionális kapcsolódási zavarok az első epizód skizofrénában a kognitív kontroll teljesítménye során. Biol. Pszichiátria 70 64 – 72. 10.1016 / j.biopsych.2011.02.019 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Forstmann BU, van den Wildenberg WPM, Ridderinkhof KR (2008). Neurális mechanizmusok, időbeli dinamika és az interferencia-szabályozás egyedi különbségei. J. Cogn. Neurosci. 20 1854 – 1865. 10.1162 / jocn.2008.20122 [PubMed] [Cross Ref]
Fox MD, Zhang D., Snyder AZ, Raichle ME (2009). A globális jel és a megfigyelt antikorrelációs nyugalmi állapotú agyi hálózatok. J. Neurophysiol. 101 3270 – 3283. 10.1152 / jn.90777.2008 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Fransson P., Marrelec G. (2008). A preuneus / posterior cingulate cortex kulcsszerepet játszik az alapértelmezett módú hálózatban: a részleges korrelációs hálózat elemzéséből származó bizonyítékok. Neuroimage 42 1178 – 1184. 10.1016 / j.neuroimage.2008.05.059 [PubMed] [Cross Ref]
Goldstein RZ, Volkow ND (2011). A prefrontalis kéreg diszfunkciója függőségben: neuroképalkotó eredmények és klinikai következmények. Nat. Rev. Neurosci. 12 652 – 669. 10.1038 / nrn3119 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Green CS, Bavelier D. (2003). Az akciójáték módosítja a vizuális szelektív figyelmet. Természet 423 534 – 537. 10.1038 / nature01647 [PubMed] [Cross Ref]
Green CS, Pouget A., Bavelier D. (2010). Javított valószínűségi következtetés, mint általános tanulási mechanizmus cselekvési videojátékokkal. Akt. Biol. 20 1573 – 1579. 10.1016 / j.cub.2010.07.040 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Green CS, Sugarman MA, Medford K., Klobusicky E., Bavelier D. (2012). A cselekvési videojáték-élmény hatása a feladatváltásra. Comput. Zümmögés. Behav. 28 984 – 994. 10.1016 / j.chb.2011.12.020 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Griffiths MD, Pontes HM (2014). Az internetes függőség és az internetes játék zavara nem azonos. J. Addict. Res. Ther. 5:e124 10.4172/2155-6105.1000e124 [Cross Ref]
Han CE, Yoo SW, Seo SW, Na DL, Seong JK (2013). Klaszter-alapú statisztikák az agyi kapcsolatokról a viselkedésbeli intézkedésekkel összefüggésben. PLoS ONE 8: e72332 10.1371 / journal.pone.0072332 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Han DH, Kim YS, Lee YS, Min KJ, Renshaw PF (2010). Változások a cue-indukált, prefrontalis cortex aktivitásban videojátékokkal. Cyberpsychol. Behav. Soc. Hál. 13 655 – 661. 10.1089 / cyber.2009.0327 [PubMed] [Cross Ref]
Hoeft F., Watson CL, Kesler SR, Bettinger KE, Reiss AL (2008). Nemek közötti különbségek a mezokortikolimbikus rendszerben a számítógépes játék során. J. Psychiatr. Res. 42 253 – 258. 10.1016 / j.jpsychires.2007.11.010 [PubMed] [Cross Ref]
Hong SB, Harrison BJ, Dandash O., Choi EJ, Kim SC, Kim HH és mtsai. (2015). A putamen funkcionális kapcsolat szelektív bevonása az internetes játék zavarában szenvedő fiatalokba. Brain Res. 1602 85 – 95. 10.1016 / j.brainres.2014.12.042 [PubMed] [Cross Ref]
Hong SB, Zalesky A., Cocchi L., Fornito A., Choi EJ, Kim HH és mtsai. (2013). Csökkent funkcionális agyi kapcsolat az Internet-függőséggel rendelkező serdülőknél. PLoS ONE 8: e57831 10.1371 / journal.pone.0057831 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Király O., Griffiths MD, Urbán R., Farkas J., Kökönyei G., Elekes Z., et al. (2014). A problémás internethasználat és a problémás online játék nem ugyanaz: egy nemzetközileg reprezentatív serdülőkori minta eredményei. Cyberpsychol. Behav. Soc. Hál. 17 749 – 754. 10.1089 / cyber.2014.0475 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Ko CH, Hsieh T. J., Chen CY, Yen CF, Chen CS, Yen JY, et al. (2014). Megváltozott agyi aktiválás a válaszgátlás és a hibakezelés során az internetes játékproblémákban szenvedő betegeknél: funkcionális mágneses képalkotó vizsgálat. Eur. Boltív. Pszichiátriai Clin. Neurosci. 264 661–672. 10.1007/s00406-013-0483-3 [PubMed] [Cross Ref]
Ko CH, Hsieh TJ, Wang PW, Lin WC, Yen CF, Chen CS és mtsai. (2015). Megváltozott szürkeanyag-sűrűség és megszakadt az amygdala funkcionális összeköttetése az internetes játékzavarban szenvedő felnőtteknél. Prog. Neuro-Psychopharmacol. Biol. Pszichiátria 57 185 – 192. 10.1016 / j.pnpbp.2014.11.003 [PubMed] [Cross Ref]
Ko CH, Liu GC, Hsiao SM, Yen JY, Yang MJ, Lin WC, et al. (2009). A játékkal kapcsolatos agyi tevékenységek az online játékfüggőség sürgetésére. J. Psychiatr. Res. 43 739 – 747. 10.1016 / j.jpsychires.2008.09.012 [PubMed] [Cross Ref]
Ko CH, Liu GC, Yen JY, Chen CY, Yen CF, Chen CS (2013). Az agy korrelál az online játék iránti vágy mellett, amely dákó expozíció alatt áll az internetes játékfüggőséggel küzdő és az engedményes alanyok esetében. Rabja. Biol. 18 559 – 569. 10.1111 / j.1369-1600.2011.00405.x [PubMed] [Cross Ref]
Ko C.-H., Yen C.-F., Yen C.-N., Yen J.-Y., Chen C.-C., Chen S.-H. (2005). Internetes függőség szűrése: empirikus tanulmány a chen internet-függőség skálájának küszöbértékeiről. Kaohsiung J. Med. Sci. 21 545–551. 10.1016/S1607-551X(09)70206-2 [PubMed] [Cross Ref]
Kong X.-Z., Zhen Z., Li X., Lu H.-H., Wang R., Liu L., et al. (2014). Az impulzivitás különbségei előre jelzik a fej mozgását a mágneses rezonancia képalkotás során. PLoS ONE 9: e104989 10.1371 / journal.pone.0104989 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Koob GF, Volkow ND (2010). A függőség idegrendszere. Neuropsychop 35 217 – 238. 10.1038 / npp.2009.110 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Kühn S., Gallinat J. (2015). Online agy: a szokásos internethasználat szerkezeti és funkcionális összefüggései. Rabja. Biol. 20 415 – 422. 10.1111 / adb.12128 [PubMed] [Cross Ref]
Kuss DJ, Griffiths MD (2012). Internetes szerencsejáték-függőség: az empirikus kutatás szisztematikus áttekintése. Int. J. Mental Health Addict. 10 278–296. 10.1007/s11469-011-9318-5 [Cross Ref]
Li BJ, Friston KJ, Liu J., Liu Y., Zhang GP, Cao FL, et al. (2014). Károsult frontális-basális ganglionok összeköttetése serdülőknél, akik internetes függőséggel rendelkeznek. Sci. Ismétlés. 4: 5027 10.1038 / Srep05027 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Li WW, Li YD, Yang WJ, Zhang QL, Wei DT, Li WF, et al. (2015). Egészséges fiatal felnőttek internetes hajlamának különbségeivel járó agyszerkezetek és funkcionális összekapcsolhatóság. Neuropsychologia 70 134 – 144. 10.1016 / j.neuropsychologia.2015.02.019 [PubMed] [Cross Ref]
Lin FC, Zhou Y., Du YS, Zhao ZM, Qin LD, Xu JR, et al. (2015). Aberráns kortikosztriatális funkcionális áramkörök Internet-függőséggel küzdő serdülőknél. Elülső. Zümmögés. Neurosci. 9: 356 10.3389 / fnhum.2015.00356 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Lin MP, Ko HC, Wu JYW (2011). Az internetfüggőséggel kapcsolatos prevalencia és pszichoszociális kockázati tényezők a tajvani főiskolai hallgatók országos reprezentatív mintájában. Cyberpsychol. Behav. Soci. Hál. 14 741 – 746. 10.1089 / cyber.2010.0574 [PubMed] [Cross Ref]
Lorenz RC, Kruger JK, Neumann B., Schott BH, Kaufmann C., Heinz A., et al. (2013). Dák reakcióképesség és gátlása patológiás számítógépes játék játékosoknál. Rabja. Biol. 18 134 – 146. 10.1111 / j.1369-1600.2012.00491.x [PubMed] [Cross Ref]
Meng YJ, Deng W., Wang HY, Guo WJ, Li T. (2015). Prefrontalis diszfunkció az internetes játék zavarban szenvedő egyéneknél: a funkcionális mágneses rezonancia képalkotó vizsgálatok metaanalízise. Rabja. Biol. 20 799 – 808. 10.1111 / adb.12154 [PubMed] [Cross Ref]
Moulton EA, Elman I., Becerra LR, Goldstein RZ, Borsook D. (2014). A kisagy és a függőség: a neuroimaging kutatások eredményei. Rabja. Biol. 19 317 – 331. 10.1111 / adb.12101 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Naqvi NH, Bechara A. (2009). A függőség rejtett szigete: az insula. Trendek Neurosci. 32 56 – 67. 10.1016 / j.tins.2008.09.009 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Nichols TE, Holmes AP (2002). Nemparametrikus permutációs tesztek a funkcionális neuroimaging számára: alapozó példákkal. Zümmögés. Mapp agy. 15 1 – 25. 10.1002 / hbm.1058 [PubMed] [Cross Ref]
OReilly M. (1996). Internetes függőség: új rendellenesség lép az orvosi lexikonba. Tud. Med. Szövetségekkel. J. 154 1882 – 1883. [PMC ingyenes cikk] [PubMed]
Park CH, Chun JW, Cho H., Jung YC, Choi J., Kim DJ (2015). Az internetes játékfüggő agy kóros állapotban van-e? Rabja. Biol. [Nyomtatás előtti epube] .10.1111 / adb.12282 [PubMed] [Cross Ref]
Petry NM, O'Brien CP (2013). Internetes játékzavar és a DSM-5. Függőség 108 1186 – 1187. 10.1111 / add.12162 [PubMed] [Cross Ref]
Petry NM, Rehbein F., Gentile DA, Lemmens JS, Rumpf HJ, Mößle T., et al. (2014). Nemzetközi konszenzus az internetes játék zavarának értékelésére az új DSM-5 megközelítés alkalmazásával. Függőség 109 1399 – 1406. 10.1111 / add.12457 [PubMed] [Cross Ref]
Rorden C., Karnath HO, Bonilha L. (2007). A lézió-tünet feltérképezésének javítása. J. Cogn. Neurosci. 19 1081 – 1088. 10.1162 / jocn.2007.19.7.1081 [PubMed] [Cross Ref]
Saad ZS, Gotts SJ, Murphy K., Chen G., Jo HJ, Martin A., et al. (2012). Baj nyugalomban: hogyan torzulnak a korrelációs minták és a csoportkülönbségek a globális jel regresszió után. Brain Connect. 2 25 – 32. 10.1089 / brain.2012.0080 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Song XW, Dong ZY, XY Long, Li SF, Zuo XN, Zhu CZ és mtsai. (2011). REST: eszközkészlet nyugalmi állapotú mágneses rezonancia képalkotó adatfeldolgozáshoz. PLoS ONE 6: e25031 10.1371 / journal.pone.0025031 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Stanley ML, Moussa MN, Paolini BM, Lyday RG, Burdette JH, Laurienti PJ (2013). Csomópontok meghatározása komplex agyi hálózatokban. Elülső. Comput. Neurosci. 7: 169 10.3389 / fncom.2013.00169 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Sun YJ, Ying H., Seetohul RM, Wang XM, Ya Z., Qian L. és mtsai. (2012). Agyi fMRI tanulmány az online játékfüggők (férfi serdülők) dákó képek által kiváltott vágyáról. Behav. Brain Res. 233 563 – 576. 10.1016 / j.bbr.2012.05.005 [PubMed] [Cross Ref]
Takeuchi H., Taki Y., Nouchi R., Sekiguchi A., Hashizume H., Sassa Y., et al. (2014). Összefüggés a nyugalmi állapotú funkcionális kapcsolat és az empathizálás / rendszerezés között. Neuroimage 99 312 – 322. 10.1016 / j.neuroimage.2014.05.031 [PubMed] [Cross Ref]
Talati A., Hirsch J. (2005). Funkcionális specializáció a medialis frontális gyruson belül a perceptuális go / no-go döntésekre a „mi”, „mikor” és „hol” kapcsolódó információk alapján: fMRI tanulmány. J. Cogn. Neurosci. 17 981 – 993. 10.1162 / 0898929054475226 [PubMed] [Cross Ref]
Tzourio-Mazoyer N., Landeau B., Papathanassiou D., Crivello F., Etard O., Delcroix N., et al. (2002). Az aktivációk automatizált anatómiai jelölése az SPM-ben az MNI MRI egyedüli agyának makroszkopikus anatómiai parcellálása segítségével. Neuroimage 15 273 – 289. 10.1006 / nimg.2001.0978 [PubMed] [Cross Ref]
Van den Heuvel, MP, Pol HEH (2010). Az agyhálózat feltárása: áttekintés a nyugalmi fMRI funkcionális kapcsolatról. Eur. Neuropsychopharmacoi. 20 519 – 534. 10.1016 / j.euroneuro.2010.03.008 [PubMed] [Cross Ref]
Volkow ND, Fowler JS (2000). Függőség, kényszer és meghajtó betegség: az orbitofrontalis kéreg bevonása. Cereb. Cortex 10 318 – 325. 10.1093 / cercor / 10.3.318 [PubMed] [Cross Ref]
Volkow ND, Fowler JS, Wang GJ (2003). Az addiktív emberi agy: betekintés a képalkotó vizsgálatokból. J. Clin. Investig. 111 1444 – 1451. 10.1172 / Jci200318533 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Volkow ND, Wang GJ, Fowler JS, Tomasi D., Telang F., Baler R. (2010). Függőség: csökkent jutalomérzékenység és megnövekedett várakozási érzékenység arra törekszik, hogy túlterhelje az agy kontrollkörét. Bioessays 32 748 – 755. 10.1002 / bies.201000042 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Volkow ND, Wang GJ, Telang F., Fowler JS, Logan J., Childress AR, et al. (2006). A kokain dátuma és a dopamin a hátsó striatumban: a kokainfüggőség vágyának mechanizmusa. J. Neurosci. 26 6583 – 6588. 10.1523 / Jneurosci.1544-06.2006 [PubMed] [Cross Ref]
Wang Y., Yin Y., Sun YW, Zhou Y., Chen X., Ding WN, et al. (2015). Csökkent prefrontalis lebeny interhemiszferikus funkcionális kapcsolat az internetes játékproblémákkal küzdő serdülőknél: elsődleges vizsgálat nyugalmi állapotú fMRI segítségével. PLoS ONE 10: e0118733 10.1371 / journal.pone.0118733 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Wee CY, Zhao ZM, Yap PT, Wu GR, Shi F., Price T., et al. (2014). Megszakadt agyi funkcionális hálózat az internetes függőség rendellenességeiben: nyugalmi állapotú funkcionális mágneses rezonancia képalkotó vizsgálat. PLoS ONE 9: e107306 10.1371 / journal.pone.0107306 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Weissenbacher A., Kasess C., Gerstl F., Lanzenberger R., Moser E., Windischberger C. (2009). Összefüggések és antikorrelációk a nyugalmi állapotú funkcionális összeköttetésekben MRI: az előfeldolgozási stratégiák mennyiségi összehasonlítása. Neuroimage 47 1408 – 1416. 10.1016 / j.neuroimage.2009.05.005 [PubMed] [Cross Ref]
Xia M., Wang J., He Y. (2013). BrainNet Viewer: hálózati megjelenítő eszköz az emberi agy összekötésének. PLoS ONE 8: e68910 10.1371 / journal.pone.0068910 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Yan C., Zang Y. (2010). DPARSF: MATLAB eszközkészlet a nyugalmi fMRI „pipeline” adatelemzéséhez. Elülső. Syst. Neurosci. 4: 13 10.3389 / fnsys.2010.00013 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Yarkoni T., Poldrack RA, Nichols TE, Van Essen DC, Wager TD (2011). Az emberi funkcionális neuroimaging adatok nagyszabású automatizált szintézise. Nat. Mód 8 665 – 670. 10.1038 / nmeth.1635 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Yeo BTT, Krienen FM, Sepulcre J., Sabuncu MR, Lashkari D., Hollinshead M., et al. (2011). Az emberi agykéreg szervezete a belső funkcionális összefüggésekkel becsülve. J. Neurophysiol. 106 1125 – 1165. 10.1152 / jn.00338.2011 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Fiatal KS (1998). Internetes függőség: új klinikai rendellenesség megjelenése. CyberPsychol. Behav. 1 237–244. 10.1007/s10899-011-9287-4 [Cross Ref]
Yuan K., Qin W., Yu D., Bi Y., Xing L., Jin C. és mtsai. (2015). Az agyhálózatok interakciói és a kognitív kontroll az internetjáték-rendellenességben szenvedő egyénekben késői serdülőkorban / korai felnőttkorban. Agy struktúra. Funct. [Epub a nyomtatás előtt] .10.1007 / s00429-014-0982-7 [PubMed] [Cross Ref]
Zalesky A., Fornito A., Bullmore ET (2010a). Hálózati alapú statisztika: az agyi hálózatok közötti különbségek azonosítása. Neuroimage 53 1197 – 1207. 10.1016 / j.neuroimage.2010.06.041 [PubMed] [Cross Ref]
Zalesky A., Fornito A., Harding IH, Cocchi L., Yücel M., Pantelis C. és mtsai. (2010b). Teljes agy anatómiai hálózata: a csomópontok választása számít? Neuroimage 50 970 – 983. 10.1016 / j.neuroimage.2009.12.027 [PubMed] [Cross Ref]
Zhang JT, Yao YW, Li CSR, Zang YF, Shen ZJ, Liu L., et al. (2015). Az izolátum megváltozott nyugalmi állapotú funkcionális összekapcsolhatósága internetjáték-rendellenességgel küzdő fiatal felnőtteknél. Rabja. Biol. [Nyomtatás előtti epube] .10.1111 / adb.12247 [PMC ingyenes cikk] [PubMed] [Cross Ref]
Zhou Y., Lin FC, Du YS, Qin LD, Zhao ZM, Xu JR és mtsai. (2011). Szürkeanyag-rendellenességek az internetes függőségben: voxel-alapú morfometria vizsgálat. Eur. J. Radiol. 79 92 – 95. 10.1016 / j.ejrad.2009.10.025 [PubMed] [Cross Ref]