Tīklā balstīta analīze atklāj funkcionālo savienojumu, kas saistīts ar interneta atkarības tendenci (2016)

Priekšējais Hum Neurosci. 2016; 10: 6.

Publicēts tiešsaistē 2016 Feb 1. doi: 10.3389 / fnhum.2016.00006

PMCID: PMC4740778

Tanya Wen^1,^2,^* un Shulan Hsieh^1,^3,^4,^*

Autora informācija ► Raksta piezīmes ► Autortiesību un licences informācija ►

Anotācija

Interneta aizspriedumiem un piespiedu lietošanai var būt negatīva psiholoģiska ietekme, kas arvien vairāk tiek atzīta par garīgu traucējumu. Šajā pētījumā tika izmantota uz tīklu balstīta statistika, lai noskaidrotu, kā visu smadzeņu funkcionālie savienojumi ir saistīti ar indivīda interneta atkarības līmeni, ko indeksē pašnovērtēta anketa. Mēs identificējām divus topoloģiski nozīmīgus tīklus, no kuriem viens ir savienots ar interneta atkarības tendenci, un viens ar savienojumiem negatīvi korelē ar interneta atkarības tendenci. Abi tīkli ir savstarpēji saistīti galvenokārt frontālajos reģionos, kas varētu atspoguļot izmaiņas frontālajā reģionā dažādiem kognitīvās kontroles aspektiem (ti, interneta lietošanas un spēļu prasmju kontrolei). Pēc tam mēs iedalījām smadzenes vairākās lielās reģionālās apakšgrupās un konstatējām, ka lielākā daļa savienojumu proporcijas abos tīklos atbilst smadzeņu atkarības modelim, kas ietver četru ķēžu modeli.

Visbeidzot, mēs novērojām, ka smadzeņu reģioni ar vislielākajiem starpreģionālajiem sakariem, kas saistīti ar interneta atkarības tendenci, atkārto to, kas bieži redzami atkarības literatūrā, un to apstiprina mūsu tiešsaistes atkarības pētījumu metaanalīze. Šis pētījums sniedz labāku izpratni par liela mēroga tīkliem, kas iesaistīti interneta atkarības tendencē, un parāda, ka interneta atkarības pirmsklīniskie līmeņi ir saistīti ar līdzīgiem reģioniem un savienojumiem kā atkarības klīniskie gadījumi.

atslēgvārdi: interneta atkarība, uz tīklu balstīta statistika, funkcionālais savienojums, miera stāvoklis, meta analīze

Ievads

Interneta atkarība (OReilly, 1996; Young, 1998) ir mūsdienīga parādība, ko raksturo interese un interneta piespiedu izmantošana. Jo īpaši interneta spēļu traucējumi (IGD) ir uzskaitīti diagnostikas un statistikas rokasgrāmatas versijas 5 (DSM-5) III sadaļā.^®, Amerikāņu psihiatriskā asociācija [APA], 2013). Standarta kritērija trūkuma dēļ dažās literatūrā šīs divas terminoloģijas tika uzskatītas par sinonīmiem (sk Petry un O'Brien, 2013; Petry et al., 2014 diskusijai); tomēr interneta piespiedu un pārmērīga izmantošana jebkurai darbībai (ko mēs šajā literatūrā atsaucamies kā interneta atkarība) ir globālāka nekā tās galvenā apakštipa IGD, kas var ietvert vairākus interneta izmantošanas veidus papildus tiešsaistes spēlēm (Griffiths un Pontes, 2014; Király et al., 2014; Petry et al., 2014). Mūsu pašreizējais pētījums analizē interneta atkarību vispārīgākā formā. Līdzīgi kā vielu lietošanas traucējumi, interneta atkarība liecina par atcelšanas simptomiem, toleranci, kontroles zaudēšanu un psihosociālām problēmām, kas izraisa klīniski nozīmīgu stresu vai ikdienas darbības traucējumus. Izplatība šķiet augstākās Āzijas valstis un vīriešu pusaudži, un tiek lēsts, ka vienā pētījumā Taivānas studentu vidū ir 14.1 līdz 16.5% (95 procentu ticamības intervāls).Lin et al., 2011). Šis fenomens pēdējos gados ir piesaistījis vairāk uzmanības un ir pelnījis papildu pētījumus.

Funkcionālās magnētiskās rezonanses attēlveidošana (fMRI) tika izmantota, lai identificētu interneta atkarības nervu substrātus, kas izrādījās līdzīgi smadzeņu paraksti ar ar vielu saistītām atkarībām. (Kuss un Griffiths, 2012; Brand et al., 2014; Meng et al., 2015). Bloķētajos un ar notikumiem saistītos pētījumos ir identificēti vairāki reģioni, kas saistīti ar atalgojumu, atkarību un tieksmi, kontrastējot interneta spēļu norādes ar sākotnējo rādītāju, kas ietver insula, nucleus accumbens (NAc), dorsolateral prefrontal cortex (DLPFC) un orbitālo frontālo garoza (OFC) (Hoefts et al., 2008; Ko et al., 2009; Han et al., 2010; Sun et al., 2012; Ko et al., 2013). Tomēr uz aktivēšanu balstītas pieejas kontrastē ar cue saistīto darbību un nereaģē uz to, kā smadzeņu reģioni mijiedarbojas, un tādējādi nevar raksturot izmaiņas, kas saistītas ar klīniskiem vai uzvedības pasākumiem; tomēr cilvēku traucējumi ir radušies traucējumu dēļ savstarpēji saistītā kompleksā sistēmā (\ tFornito un Bullmore, 2015). Atpūtas stāvokļa fMRI ieviešana ir izrādījusies spēcīgs instruments, lai izpētītu visu smadzeņu neironu savienojumu (van den Heuvel un Pol, 2010). Atpūtas stāvokļa funkcionālo savienojumu novērtē, salīdzinot asins skābekļa līmeņa (BOLD) signālu spontānās svārstības dažādos smadzeņu reģionos, un tiek uzskatīts, ka tas nodrošina tās funkcionālās organizācijas mērogu, un var palīdzēt raksturot patoloģiskas sinhronizācijas starp smadzeņu reģioniem psiholoģisko fenotipu spektrā (Biswal et al., 2010; Craddock et al., 2013).

Lai gan ir bijuši daži pētījumi, kuros izmantota funkcionāla savienojamība, lai izpētītu mainītu funkcionālo savienojumu, kas saistīts ar interneta atkarību, lielākā daļa pētījumu izmantoja sēklu reģionus, kas izvēlēti a priori, vai nu (a) korelējot vienu sēklu reģionu ar atlikušajiem visa smadzeņu vokseļiem [Hoefts et al., 2008 izmantoja NAc; Lorenz et al., 2013 izmantoja labo zemāko frontālo gyrus (IFG); Ding et al., 2013 izmantoja aizmugurējo cingulāro garozu (PCC); Ko et al., 2015 izmantoja amygdalu; Zhang et al., 2015 izmantoja insula; Hong et al., 2015 izmantoja caudāta kodolu un putamenu; Kühn un Gallinat, 2015 izmantoja pareizo priekšējo polu; Li et al., 2015 izmantoja pareizo DLPFC] vai (b) veicot korelācijas starp vairākiem iepriekš definētiem ROI, kas izvēlēti no nozīmīgiem tīkliem (Yuan et al., 2015 izskatīja centrālo izpildu tīklu un pievilcības tīklu; Dong et al., 2015b izskatīja izpildvaras kontroles tīklu; Dong et al., 2015a izskatīja izpildu kontroles tīklu un atlīdzības tīklu; Li et al., 2014 pārbaudīja reakcijas inhibēšanas tīklu; Lin et al., 2015 pārbaudīja sešus iepriekš definētus divpusējus kortikosztriatūras ROI). Iepriekš noteiktie pārbaudītie sēklu reģioni veido tikai nelielu smadzeņu daļu, tāpēc tie var nespēt sniegt pilnīgu priekšstatu par to, kā interneta atkarība ietekmē savienojumu.

Ļoti maz pētījumu ir izmantojuši visu smadzeņu pieeju, lai pētītu interneta atkarību. Mūsuprāt, pašlaik ir tikai četri publicēti dokumenti, kuros ir izmantota visa smadzeņu pieeja, un to metodes ir diezgan mainīgas, sākot no tīkla statistikas (NBS; Hong et al., 2013) topoloģiskiem (Hong et al., 2013; Wee et al., 2014; Park et al., 2015) ar novatorisku vokseļu atspoguļotu homotopisko savienojumu (Wang et al., 2015). It īpaši, Hong et al. (2013) izmantoja NBS, lai noteiktu starpgrupu funkcionālo savienojumu atšķirības starp grupām un konstatēja traucējumus, kas saistīti ar kortiko-subortikālo ķēdēm pacientiem ar interneta atkarību. Tomēr viņu pētījumā galvenā uzmanība tika pievērsta nelielam izlases lielumam, kas ir unikāls iedzīvotāju skaits (vīriešu vecuma pusaudži).

Tādēļ mūsu pašreizējā dokumentā mēs nolēmām izmantot visa smadzeņu savienojamības pieeju, NBS (Zalesky et al., 2010a; Han et al., 2013), identificēt funkcionālos savienojumus, kas prognozē interneta atkarības tendenci. NBS ir validēta statistiska metode, lai risinātu vairāku salīdzinājumu problēmu grafikā, tā ir analoga klasteru metodēm (Nichols un Holmes, 2002), un to izmanto, lai identificētu savienojumus un tīklus, kas ietver cilvēka savienojumu, kas ir saistīts ar eksperimentālu efektu vai starpgrupu atšķirību, testējot hipotēzi neatkarīgi no katra savienojuma. Turklāt mūsu rezultāti tiks salīdzināti ar esošo dokumentu, kas saistīti ar interneta atkarības neirālo korelāciju, meta analīzi. Mēs ceram paplašināt esošo literatūru vairākos veidos: (1) Mēs ceram sniegt pilnīgāku priekšstatu par interneta atkarību, izmantojot pilnas smadzeņu analīzi, nevis izmantot tikai nelielu skaitu iepriekš noteiktu sēklu reģionu. (2) Lai gan pastāv vairāki veselu smadzeņu funkcionālās savienojamības pētījumi par interneta atkarību (piemēram, Hong et al., 2013; Wang et al., 2015) pētījumi salīdzināja interneta atkarības grupas ar veselīgu kontroli. Mūsu pētījumā nebija iesaistīti nekādi klīniski pacienti, bet raksturīga interneta atkarības tendence kā gradientam. Mēs ceram identificēt funkcionālos savienojumus, kuru stiprumu modulē atkarības līmenis. (3) Lielākā daļa interneta atkarības pētījumu nav ņemti vērā smadzenēs, tomēr smadzenis ir bijis nozīmīgs atkarības reģions (Moulton et al., 2014). Tādējādi mūsu analīzē esam iekļāvuši smadzenes. (4) Daudzi pētījumi ir ierobežojuši dalībnieku grupu ar vīriešiem, un bieži vien tie satur salīdzinoši nelielus paraugu lielumus (piemēram, Hong et al., 2013, 2015; Kühn un Gallinat, 2015). Lai palielinātu šo pētījumu vispārīgumu un jaudu, ir nepieciešami paraugi, kas satur abus dzimumus un lielāks paraugu skaits.Li et al., 2015). Risinot iepriekš minētās problēmas, pašreizējais pētījums cer sniegt labāku izpratni par to, kā funkcionālā savienojamība ir saistīta ar interneta atkarības tendenci.

Materiāli un metodes

Meta-analīze

Meta analīze tika veikta, izmantojot NeuroSynth datu bāzi (http://neurosynth.org; Yarkoni et al., 2011). Pielāgota analīze tika veikta, izmantojot meklēšanas vārdus “atkarība”, “atkarīgais”, “internets”, “spēļu”, “spēļu” un “tiešsaistes”, lai noteiktu pētījumus, kas saistīti ar interneta atkarību datubāzē. Iekļaušanas kritēriji tika pārbaudīti manuāli, un iekļauto pētījumu saraksts ir detalizēti aprakstīts papildmateriālos 1. Kopā tika iekļauti 18 pētījumi. No iekļautajiem pētījumiem tika iegūtas maksimālās aktivācijas koordinātas un 6 mm vokseļu apkārtnes. Pēc tam tika veikta šo koordinātu metaanalīze, veidojot uz priekšu un attaisnojošu secinājumu par visu smadzenēm z- kartēm. Nosūtīšanas secinājuma kartes atspoguļo varbūtību, ka reģions aktivizēs, ņemot vērā šos noteikumus [P(aktivizēšana | termini)], tādējādi informējot mūs par aktivizēšanas atbilstību attiecīgajiem noteikumiem. Apgrieztās secināšanas karte parāda, cik iespējams, ka šie termini tiek izmantoti pētījumā, ņemot vērā paziņoto aktivizāciju [P(termini | aktivizēšana)]; tādējādi aktivizētais reģions norāda, ka, visticamāk, ir interneta atkarības pētījums, nevis pētījums par atkarību, kas nav atkarīga no interneta, kas atspoguļo šī reģiona selektivitāti. Tā kā gan uz priekšu, gan atpakaļgaitā izdarītajam secinājumam ir svarīga loma, palīdzot mums izprast reģionus, kas saistīti ar interneta atkarību, mēs pārklājām šīs divas secinājuma kartes, lai izklāstītu savus kopīgos reģionus. Tiek ziņots par klasteriem, kas lielāki par pieciem vokseļiem.

Atpūtas valsts fMRI

Dalībnieki

Četrdesmit septiņi veselīgi dalībnieki (21 vīrieši un 26 sievietes) no Taivānas dienvidiem, no kuriem lielākā daļa ir studenti vai universitātes darbinieki, tika pieņemti darbā ar reklāmu, lai piedalītos eksperimentā (vecuma diapazons = 19 – 29 gadi, vidējais vecums = 22.87 gadi, SD = 2.22 gadi). Dalībnieki bija labās puses (norādīja Edinburgas Handedness Inventory), tiem bija normāla vai koriģēta redze, kā arī nav psiholoģisku vai nervu traucējumu. Viņu depresija, trauksme un izlūkošanas rādītāji bija normālā diapazonā [Beck depresijas inventarizācijas (BDI) rādītājs: 0 – 12; Bekas trauksmes inventarizācijas (BAI) rezultāts: 0 – 7; Raven standarta progresīvo matricu testa rezultāts: 35 – 57]. Visu dalībnieku Chen interneta atkarības skalas pārskatītais (CIAS-R) rezultāts bija robežās = 28 – 92, vidējais = 60.04, SD = 16.53. Tabula Table11 apkopo dalībnieku demogrāfisko informāciju un uzvedības īpašības. CIAS-R rādītāju normalitāte tika pārbaudīta ar Shapiro-Wilk testu [W(47) = 0.98, p = 0.50]. Nav būtiskas korelācijas starp dzimumu un CIAS-R rādītāju (Spearmana ρ = 0.15, p = 0.30). Visi dalībnieki sniedza rakstisku informētu piekrišanu, un pētījuma protokolu apstiprināja Nacionālā Čeng Kungas universitātes slimnīcas, Tainana, Taivānas Institūciju pārskata padome (IRB) (NO: B-ER-101-144). Pēc eksperimenta pabeigšanas visiem dalībniekiem tika izmaksāts 500 NTD.

Demogrāfiskā informācija un uzvedības raksturojums.

Chen interneta atkarības skalas pārskatīta (CIAS-R) anketa

Čenas interneta atkarības skala (CIAS-R; Chen et al., 2003) ir 26 posteņa pasākums, ko izmanto, lai novērtētu interneta atkarības smagumu. CIAS-R pamatā ir DSM-IV-TR piedevu uzvedības kritēriji, un tajā ir divas interneta atkarības apakšskalas (a) galvenie simptomi un (b) saistītās problēmas, novērtējot piecas dimensijas, ieskaitot (1) kompulsīvo interneta lietošanu, (2) izņemšanu simptomi, kad tiek atņemts internets, (3) tolerance, (4) apdraud cilvēku savstarpējās attiecības un fizisko veselību, un (5) laika pārvaldības problēmas. Preces tiek vērtētas 4 punkta Likert skalā, un kopējais punktu skaits ir no 26 līdz 104, atspoguļojot zemu vai augstu interneta atkarības tendenci. Ir pierādīts, ka CIAS-R ir augsta iekšējā konsistence (Cronbach's α = 0.79 – 0.93; Chen et al., 2003) un augsta diagnostiskā precizitāte (AUC = 89.6%; Ko et al., 2005). Šajā pētījumā CIAS-R kopējais rādītājs tika izmantots kā dalībnieku pašreizējā interneta atkarības rādītāja rādītājs.

Attēlu iegūšana un apstrāde

Attēlveidošana tika veikta, izmantojot GE MR750 3T skeneri (GE Healthcare, Waukesha, WI, ASV) Nacionālās Cheng Kung universitātes MRI centrā. Augstas izšķirtspējas anatomiskie attēli tika iegūti, izmantojot ātru SPGR, kas sastāv no 166 asu šķēlītēmTR = 7.6 ms, TE = 3.3 ms, pārsegšanās leņķis 171 = 12 °, 224 matricas × 224 matricas, šķēles biezums = 1 mm). Funkcionālie attēli tika iegūti, izmantojot gradienta echo echo-planar attēlveidošanas (EPI) impulsu secību (TR = 2000 ms, TE = 30 ms, pārsegšanās leņķis = 77 °, 64 matricas × 64 matricas, šķēles biezums = 4 mm, bez atstarpes, vokseļa izmērs 3.4375 mm × 3.4375 mm × 4 mm, 32 asu šķēles, kas aptver visu smadzenes.

Dalībniekiem tika lūgts atpūsties un gulēt skenerī ar aizvērtām acīm. Skenēšanas laikā viņiem tika lūgts nedomāt par kādu konkrētu notikumu. Strukturālā attēla skenēšanas laiks bija aptuveni 3.6 min. Funkcionālais attēls ilga aptuveni 8 min, un pirmie pieci TR kalpoja kā manekens, lai nodrošinātu, ka signāls ir sasniedzis stabilu stāvokli pirms datu vākšanas; tādējādi analīze sastāv no 240 EPI apjoma attēliem analīzei.

Dati tika apstrādāti, izmantojot datu apstrādes asistentu atpūtas valsts fMRI (DPARSF; Yan un Zang, 2010), kas balstās uz funkcijām MRIcroN (Rorden et al., 2007^¹), kā arī statistisko parametru kartēšanas programmatūru (SPM)^²) un atpūtas valsts fMRI datu analīzes rīkkopa (REST; Song et al., 2011) Matlabā (The MathWorks, Inc., Natick, MA, ASV). Funkcionālajiem attēliem tika veikta šķēles laika korekcija, kam sekoja pārtaisīšana, lai koriģētu galvas kustību, izmantojot sešu parametru stingras ķermeņa transformācijas. Kopējais kustība, ko raksturo vidējais rāmja pārvietojums (FD), nebija liels (vidējais = 0.05, SD = 0.03) un nav korelē ar CIAS-R rādītājiem (Spearman's ρ = -0.28, p = 0.055), tādējādi impulsivitāte nav apgrūtinošs faktors interneta atkarības vērtībai un kustībai (Kong et al., 2014). T1 attēli tika reģistrēti funkcionāliem attēliem. Strukturālie attēli tika segmentēti CSF, baltā vielā un pelēkā vielā, pamatojoties uz audu varbūtības kartēm MNI telpā, un šie aprēķini tika izmantoti turpmākajā T1 un EPI attēlu normalizācijā uz MNI telpu. Dati tika izlīdzināti telpiskajā domēnā, izmantojot Gausa kodolu ar 6 mm pilnu platumu ar pusi maksimumu (FWHM) un noņemot lineāro tendenci. Nelabvēlīgie kovariāri, tostarp globālais vidējais signāls, balto vielu signāls un cerebrospinālā šķidruma signāls, tika izdzēsti. Lai gan globālās signāla regresijas veikšana joprojām ir strīds (piemēram, Saad et al., 2012), mēs nolēmām īstenot šo metodi, jo ir ierosināts maksimizēt funkcionālo korelāciju specifiku un uzlabot atbilstību starp atpūtas stāvokļa korelācijām un anatomiju (Fox et al., 2009; Weissenbacher et al., 2009; Takeuchi et al., 2014). Visbeidzot, 0.01 – 0.08 Hz attēlos tika veikta filtrēšana.

Datu analīze

FMRI attēli tika sadalīti, pamatojoties uz automātisko automātisko marķēšanu (AAL; Tzourio-Mazoyer et al., 2002) veidne, sadalot smadzenes, pamatojoties uz anatomisko struktūru, 116 ROI (vai mezglos). Mēs izvēlējāmies AAL atlasi, jo tā ir visbiežāk izmantotā atdalīšana funkcionālo tīklu pētījumos (Stanley et al., 2013) un bija arī paraugs, ko izmantoja Hong et al. (2013), kura pētījums ir visatbilstošākais mūsu interesēm, tādējādi palielinot salīdzināmības pakāpi visos pētījumos (Zalesky et al., 2010b). NBS metode tika izmantota, lai identificētu smadzeņu tīklus, kas sastāv no starpreģionāliem funkcionāliem savienojumiem, kas liecina par būtisku korelāciju ar CIAS-R punktu skaitu. Sekojošās analīzes tika veiktas, izmantojot tīkla rīku komplektu, kas balstīts uz tīklu (Zalesky et al., 2010a) ar papildu iekšējiem Matlab skriptiem. 116 × 116 korelācijas matrica tika izveidota katram dalībniekam, izmantojot laika kursus, kas iegūti no katra ROI. Pīrsons r vērtības tika normalizētas uz Z punktu skaits, izmantojot Fisher Z transformācija. Katra korelācijas matricas šūna atspoguļo savienojuma (vai malas) stiprumu starp diviem mezgliem. Starp dalībnieku CIAS-R rādītājiem un malu stiprumiem katrā malā tika veikta masveida vienveidīgā testēšana, izmantojot Spīrmena rangu korelāciju, lai identificētu atbilstošos savienojumus, kas bija pareģojoši CIAS-R vērtējumam. Kandidāta malas, kurām bija augsta CIAS-R rādītāja paredzamība, tika izvēlētas, izmantojot primāro slieksni attiecīgi Spearmana rho> 0.37 un <-0.37 (aptuveni viena astes alfa = 0.005), lai identificētu tīklus, kas ir pozitīvi un negatīvi saistīti ar CIAS-R R rādītājs. Pēc tam starp virslīmeņa savienojumiem tika identificētas topoloģiskās kopas, kas pazīstamas kā savienotas grafu sastāvdaļas. Kļūda ģimenei (FWE) komponentu izmēram tika aprēķināta, izmantojot permutācijas testēšanu (3000 permutācijas), kas ietvēra nejaušu CIAS-R punktu pārkārtošanu un katras permutācijas atkārtotu iepriekš minēto procesu, lai iegūtu nulles sadalījumu ar lielāko komponenta izmēru. Savienotie diagrammas komponenti, kuru lielums pārsniedz aprēķināto FWE labojumu p- vērtības samazinājums <0.05 tika identificēti kā tīkli, kas ir būtiski saistīti ar interneta atkarības tendenci. BrainNet skatītājs (Xia et al., 2013) tika izmantots savienojumu vizualizēšanai. Datu analīzes cauruļvada ilustrācija parādīta skaitlis Attēls11.

ATTĒLS 1

Datu analīzes cauruļvada shēma. Dalībnieku smadzenes tika iepriekš apstrādātas un sadalītas dažādos strukturālajos reģionos saskaņā ar AAL veidni. Tika izveidota korelācijas matrica, izmantojot laika kursus, kas iegūti no katra reģiona uz ...

rezultāti

Meta-analīze

Iepriekšējs un atpakaļgaitas secinājums z-score kartes tika izveidotas no NeuroSynth (parādīts skaitlis Attēls22). Aktivizācija šajās divās kartēs ir ļoti līdzīga. Šo karšu pārklāšanās atklāja aktivāciju galvas smadzeņu, īslaicīgās daivas (divpusējas zemākas laika ģitāras, labās augšējās laika pole un labās vidējās un augstākās laika giržas) reģionos, vairākus frontālos reģionus (kreisais vidējais un labākais orbitālais frontālais gyrus, labo vidējo frontālo gyrus, labā zemākā frontālā operulula un labā precentrālā gyrus), divpusējā putamena, divpusējā insula, labā vidējā cingulāta un labā precuneus. Tabula Table22 uzskaitīti klasteri, kā arī AAL reģioni, kas pieder klasterim.

ATTĒLS 2

NeuroSynth veikto metanalīzes secinājumu kartes, kas rāda reģionus, kas darbojas aktīvā secībā, atgriezenisko secinājumu un abu karšu pārklāšanos.

Pārklājošās uz priekšu un atpakaļgaitu orientētas kartes.

Atpūtas valsts fMRI

Funkcionālie savienojumi, kas saistīti ar interneta atkarības tendenci

Izmantojot NBS, mēs identificējām divus tīklus, kas parādīja būtisku malu stipruma un CIAS-R punktu korelāciju (p <0.05, koriģēts ar FWE): viens ar malām, kas pozitīvi korelē ar CIAS-R rādītājiem (“CIAS-R pozitīvs,” parādīts sarkanā krāsā), un viens, kura malas negatīvi korelē ar CIAS-R (“CIAS-R negatīvs, parādīts zilā krāsā). CIAS-R pozitīvais tīkls kopā sastāv no 65 mezgliem un 90 malām (45 intrahemisfēras, 42 starpsfēras un 3 savienojumi ar vermi), savukārt negatīvais tīkls sastāv no 64 mezgliem un 89 malām (35 intrahemisfērā, 40 starpposmos un 14 savienojums ar vermi / tajā). Ir svarīgi atzīmēt, ka abi tīkli nav pilnībā nošķirti, un tiem ir kopīgi 39 mezgli, no kuriem 30.77% ir frontālās daivas reģioni. Kopējais ar CIAS-R saistīto malu skaits sastāv no 2.68% no visām smadzeņu malām. Tīkls ir ilustrēts skaitlis Attēls33 un īpašie savienojumi ir uzskaitīti papildu materiālos 2, tabula S1.

ATTĒLS 3

Savienojumu tīkls, kas korelē ar CIAS-R rādītājiem. Pelēkās sfēras ir katra mezgla centroids, un tās tiek pielāgotas atbilstoši nozīmīgo malu skaitam, ar kurām tās ir saistītas. Tiek parādīti tikai mezgli ar savienojumiem. Sarkanās līnijas attēlo ...

Iesaistīto malu globālais sadalījums

Lai iegūtu labāku izpratni par šo savienojumu izplatīšanu, mēs sekojām Fornito et al. (2011) un Hong et al. (2013)Katru AAL reģionu katrā tīklā klasificēja kā septiņas reģionālās apakšgrupas: frontālo, temporālo, parietālo, astoņu, insula un cingulējošo gyri, subkortikālo un smadzeņu. Lielākā daļa no CIAS-R pozitīvā tīkla malām ietvēra savienojumus starp (1) laika reģioniem un insulām un cingulē griju (∼13%), no kuriem lielākā daļa ir saistīta ar aizmugures cingulāciju, kas savienojas ar dažādiem laika reģioniem; (2) frontālie un temporālie reģioni (∼12%), kas ietver savienojumus starp mediālo orbitofrontālo garozu, paracentrālo lobuli un temporālo daivas ģitri, laika polu; un (3) parietālie un subortikālie reģioni (N11%), kas sastāv no savienojumiem starp centrālo garozu un augstāko parietālo lobulu ar putamenu un pallidumu. Interesanti atzīmēt, ka, izņemot frontālās daivas, visiem pārējiem reģioniem nav starpreģionu savienojumu, kuru stiprums ir pozitīvi saistīts ar interneta atkarības tendenci. Lielākā daļa CIAS-R negatīvā tīkla malām ietvēra savienojumus starp (1) frontālo daivu un smadzeņu ((19%), no kuriem lielākā daļa ir savienojumi starp orbitālo frontālo reģionu un dažādiem smadzeņu ROI; un (2) insula un cingulate gyri un temporālās daivas (∼12%), kas ietver savienojumus starp insulu, cingulumu, parahipokampālu un temporālo daiviņu gyri. Netika konstatēts, ka CIAS-R negatīvajā tīklā nav iekļauti astoņu reģioni. Katra tīkla starpreģionālo savienojumu proporcijas ir attēlotas skaitlis Attēls44.

ATTĒLS 4

To reģionu proporcija, kas ir pozitīvi un negatīvi korelē ar interneta atkarības tendenci starp reģionālo apakšgrupu pāriem. Proporcijas tika aprēķinātas, dalot malām starp reģionu pāriem (vai iekšpusē) ar kopējo skaitu ...

Maksimāli ietekmētie mezgli

Sakarā ar lielo apzināto malu skaitu mēs sekojām Finn et al. (2014)un identificētie mezgli, kuriem ir augsta “CIAS-R korelēto malu summa”, lai koncentrētu mūsu analīzi uz reģioniem, kuros savienojumi ir maksimāli saistīti ar interneta atkarības tendenci. Mezgla CIAS-R korelēto malu summa tika definēta kā kopējais tā malas CIAS-R pozitīvajos un CIAS-R negatīvajos tīklos (tas konceptuāli ir ekvivalents grādu mērījumam grafu teorijā). Šī metode ļaus mums identificēt mezglus, kur savienojumi visdrīzāk tiks mainīti ar interneta atkarības tendenci. Sekojošais Tabula Table33 uzskaitīti mezgli, kas ir maksimāli ietekmēti, un parāda mezglus, kuriem ir vismaz vismaz 8 CIAS-R korelēto malu summa. Notiek mezglu vizualizācija un to savienojumi skaitlis Attēls55. Tie ir arī mezgli, kas izvēlēti diskusijai.

Interneta atkarības tendences mezglu līmeņa analīze.

ATTĒLS 5

Visaugstāko mezglu vizualizācija, kas saistīta ar interneta atkarības tendenci. Zaļās sfēras attēlo katra mezgla centru ar maksimālajām malām, savukārt dzeltenās sfēras attēlo to funkcionālos savienojamības partnerus. Sarkanas līnijas norāda uz malām ...

diskusija

Parastā jauniešu vidū mēs novērtējām to atkarības līmeni internetā, izmantojot pašnovērtētu anketu (CIAS-R), un tālāk identificējām divus smadzeņu tīklus, kuru funkcionālie savienojumi pozitīvi un negatīvi koriģēja ar interneta atkarības tendenci. Turpmāk mēs apspriežam savus rezultātus dažādos novērošanas līmeņos: (1) izšķirošie reģioni, kas savieno CIAS-R pozitīvos un CIAS-R negatīvos tīklus, (2) reģionus ar augstām savienojumu proporcijām, kas saistītas ar interneta atkarības tendenci, un (3) ) kritiskie mezgli, ko maina interneta atkarības tendence.

Frontālie reģioni sasauc CIAS-R pozitīvos un CIAS-R negatīvos tīklus

Mēs novērojām, ka lielākā daļa mezglu, kas savieno abus (CIAS-R pozitīvos un CIAS-R negatīvos) tīklus, atrodas frontālās daivas iekšpusē. Šie reģioni ietver augstāko frontālo gyrus, IFG, vidējo frontālo girusu, rolandisko operulu un papildu motora zonu. Prefrontālā garoza ir saistīta ar kritisko struktūru kognitīvajā kontrolē, inhibīcijā un atbildes atlasē (Aron et al., 2004; Talati un Hirsch, 2005; Forstmann et al., 2008). Interneta atkarība ir parādība, ka narkomāni ir samazinājuši pašpārvaldi un lēmumu pieņemšanu attiecībā uz interneta lietošanu, ko atspoguļo nepārtraukta pārmērīga izmantošana, neskatoties uz zināšanām par negatīvo ietekmi. Piemēram, vairākos pētījumos konstatēts, ka dalībnieki ar interneta atkarību parādīja lielāku fronto-striatālu un fronto-parietālu aktivāciju Go / Nogo uzdevuma laikā (Ding et al., 2014; Ko et al., 2014; Chen et al., 2015) un Stroop uzdevums (Dong et al., 2012a, 2013, 2014), kas liecina par vājāku reakcijas nomākumu un kļūdu monitoringu, kā arī pastiprinātu impulsivitāti. Bet, no otras puses, interneta atkarīgie un videospēļu spēlētāji bieži vien izrāda izcilu izziņas funkciju, piemēram, mehānisko kontroli un efektīvu lēmumu pieņemšanu spēļu laikā. Patiešām, ir pierādīts, ka videospēļu radītās sekas vispārina vairākās uzlabotās izpildvaras prasmēs, tostarp uztveres, motora, uzmanības un varbūtības secinājumos (Zaļš un Bavelier, 2003; Castel et al., 2005; Dye et al., 2009; Green et al., 2010; Green et al., 2012). Vienā fMRI pētījumā konstatēts, ka liela uzmanības pieprasījuma uzdevuma laikā videospēļu spēlētājiem tika samazināta fronto-parietālā tīkla piesaistīšana videospēļu spēlētājiem, iespējams, atspoguļojot efektīvāku izpildvaras un uzmanības kontroli (Bavelier et al., 2012). Divas kognitīvās kontroles sejas, kuras attēlo interneta atkarīgie, rada interesantu dilemmu. Mūsu pētījumā, novērojot frontālos reģionus, kas savieno abus tīklus, kur funkcionālā savienojamība samazinās un palielinās interneta atkarības tendence, varētu atspoguļot izmaiņas frontālajā reģionā dažādiem kognitīvās kontroles aspektiem (ti, interneta lietošanas un spēļu prasmju kontrolei).. Ir vērts pieminēt, ka, lai gan Hong et al. (2013) hipotēzi, ka, iespējams, varētu būt palielināts funkcionālais savienojums, kas saistīts ar prakses ietekmi interneta atkarīgajos, viņu pētījumā tika novērota tikai samazināta funkcionālā savienojamība. Viena no ierosinātajām iespējām. \ T Hong et al. (2013) to, ka interneta atkarīgajām personām nav palielināts funkcionālais savienojums, bija tas, ka to nelielais izlases lielums izraisīja varas trūkumu. Izmantojot analīzi, kas balstīta uz sēklām, kas prasa mazāk daudzkārtēju salīdzinājumu nekā veselas smadzeņu pieejas, Hong et al. (2015) atkārtoti analizēja 2013 datus un novēroja gan palielinātu, gan samazinātu funkcionālo savienojumu, kas saistīts ar interneta atkarību.

Interneta atkarības tendenču tīklu plaši izplatītie savienojumi

Dati liecina, ka gan CIAS-R pozitīvajos, gan CIAS-R negatīvajos tīklos ir liels inter- un puslodes savienojumu skaits, kas atspoguļo interneta atkarības tendences lielo ietekmi uz smadzenēm. Mēs novērojām, ka lielākā daļa savienojumu CIAS-R pozitīvajā tīklā ietvēra “insula un cingulate - temporal”, “frontālās - temporālās” un “subortikālās - parietālās” malas, bet lielākais savienojumu skaits CIAS-R negatīvs tīkls, kurā bija iesaistītas “frontālās - smadzeņu” un “insula un cingulārās - laika” malas (skaitlis Attēls44). Nesen ierosinātajā atkarības modelī (Moulton et al., 2014), smadzenis palīdz uzturēt četru savstarpēji saistīto ķēžu homeostāzi, kas attiecas uz atkarību: atlīdzība / sirsnība, motivācija / braukšana, mācīšanās / atmiņa, kā arī kognitīvā kontrole. Šis modelis apvieno četru ķēžu modeli (Volkow et al., 2003, 2010) un smadzeņu funkcionālie atpūtas valsts tīkli, kas saistīti ar izpildvaru un asociāciju apstrādi smadzeņu garozā (\ tBuckner et al., 2011). Paaugstina atalgojuma / atalgojuma, motivācijas / braukšanas un mācīšanās / atmiņas komponenti, savukārt atkarības gadījumā kognitīvā kontrole tiek samazināta. Skatīt skaitlis Attēls66 ilustrācijai. Mūsu novērojumi par abu interneta atkarības tendenču tīklu visaugstāko funkcionālo savienojamību parasti ir saderīgi ar Moulton et al. (2014) atkarības shēmā iesaistīto kritisko komponentu modelis. Tāpat mēs neesam ievērojuši daudzus nozīmīgus savienojumus, kas ietver okcipitalo daivu, kas arī savienojas Hong et al. (2013) konstatējumi. Tomēr mēs papildus konstatējām, ka liela daļa “subortikālo - parietālo” malu, lai gan četru ķēžu modelī nav īpaši uzsvērta, šie savienojumi ir novēroti interneta atkarības literatūrā (piem., Ding et al., 2013; Hong et al., 2013, 2015), kas varētu būt saistīts ar interneta izmantošanas praksi.

ATTĒLS 6

Atkarības modelis, kas izceļ četru lielāko smadzeņu tīklu smadzeņu modulējošo lomu, ko ierosina ietekmēt atkarība (pielāgots no Moulton et al., 2014). Šīs shēmas ietver atlīdzību / atalgojumu, motivāciju / disku, mācīšanos / atmiņu, ...

Kritiskie mezgli, ko maina interneta atkarības tendence

Mēs noteicām mezglus ar vislielākajiem savienojumiem, kas ir maksimāli saistīti ar interneta atkarības tendenci. Šie mezgli ir tie, kuru savienojuma modelis starp pašu mezglu un citiem smadzeņu reģioniem ir visvairāk pakļauts izmaiņām interneta atkarības tendencē. Reģioni ir īpaši divpusēji posterior cingulate gyrus, labā insula, labā viduslaika gyrus, kreisā augstākā laika pole, labais putamens un kreisā IFG orbitālā daļa (skaitlis Attēls55). Šie reģioni ir iesaistīti kā galvenie reģioni daudzos (interneta) atkarības pētījumos, un daži jau ir minēti iepriekšējā sadaļā. Tagad mēs diskutējam par atkarības literatūru, izceļot šos reģionus sīkāk. PCC, kas ir noklusējuma režīma tīkla daļa un iesaistīts dažādos pašapstrādes aspektos (Buckner et al., 2008; Fransson un Marrelec, 2008), kalpoja kā sēklu reģions. \ t Ding et al. (2013) pētījums, kas parādīja ievērojami lielāku funkcionālo savienojamību ar divpusējo smadzeņu aizmugurējo daiviņu un vidējo īslaicīgo girusu, vienlaikus samazinot divpusējo zemāku parietālo lūpu un labāku zemāku laika gyrus interneta spēļu narkomānos. Tika konstatēts, ka interneta atkarīgajiem ir arī anormāla anizotropija (Dong et al., 2012b) un pelēkās vielas blīvums (Zhou et al., 2011) PCC. Zhang et al. (2015) izvēlējās insulu, kas ir saistīts ar atkarību (Naqvi un Bechara, 2009; Droutman et al., 2015), kā sēklu reģions un konstatēts mainīts funkcionālais savienojums ar reģionu tīklu, ko izmanto interneta narkomāni. Insulas loma atkarībā ir ierosināta, lai interoceptīvos signālus integrētu apzinātās jūtās (narkotiku mudināšanā) un novirzītu uzvedību lēmumu pieņemšanas procesā (Naqvi un Bechara, 2009). Dažos interneta atkarības pētījumos ir novērots vidējais laicīgais gyrus un augstākais laika posms (skatīt. \ T Meng et al., 2015 meta-analīzei), un tie ir saistīti ar spēļu vēlmi / alkas, semantisko apstrādi, disembodāciju, darba atmiņu un emocionālu apstrādi; tomēr to īpašajām lomām atkarībā ir nepieciešama turpmāka izmeklēšana. Putamen, daļa no muguras striatuma, ir arī kritisks reģions, ko ierosina daudzi atkarības pētījumi (piemēram, Ko et al., 2009; Ding et al., 2013; Lin et al., 2015), kurā vienlaicīga dopamīna neirotransmisija ir saistīta ar kompulsīvu narkotiku meklēšanu un tieksmi (\ tVolkow et al., 2006; Koob un Volkow, 2010). Turklāt pētījumi liecina, ka disfunkcija ar striato-talamo orbitofrontālo ķēdi ir būtisks atkarības cēlonis, savukārt dorālo striatumu, kas iesaistīts ieradumu mācīšanā un vēlēšanās, orbitofrontālā garozā ir iesaistīts spilgtums, braukšana un kompulsivitāte (Volkow un Fowler, 2000; Koob un Volkow, 2010; Volkow et al., 2010; Goldstein un Volkow, 2011). Orbitofrontālās garozas neparasta darbība varētu izskaidrot uzvedības traucējumus atkarībā. Apkopojot iepriekš minēto, mūsu identificētie mezgli ir mezgli, kas ir visvairāk pakļauti izmaiņām interneta atkarības tendencē, un tie ir vairākkārt identificēti esošajā literatūrā.

Ierobežojums

Kā norādījis viens no mūsu recenzentiem, joprojām ir aktuālas debates par to, vai veikt globālu signāla regresiju miera stāvoklī fMRI. Pēc pašreizējo datu atkārtotas analīzes bez globāla signāla regresijas, mūsu rezultāti izrādījās diezgan atšķirīgi, salīdzinot ar mūsu sākotnējo analīzi, un tikai 22.91% no NBS analīzēs atrastajām malām bez globālā signāla regresijas pārklājās ar mūsu pašreizējo rezultātu. Bez globālās signāla regresijas mēs neatradām pietiekamus funkcionālos savienojumus, kas bija pozitīvi saistīti ar CIAS-R rādītājiem; tomēr mēs atradām tīklu, kas sastāvēja no funkcionāliem savienojumiem, kas bija negatīvi saistīti ar CIAS-R rādītājiem. Identificējot mezglus ar vislielākajiem savienojumiem, tie ir maksimāli saistīti ar interneta atkarības tendenci, mēs atrodam saskanību ar globālo signālu regresijas analīzi, jo cingulāri, insula, laika un frontālie apgabali bija visvairāk iesaistīti. Tomēr vairākas atšķirības ietver divpusējo papildu motoru apgabalu papildu atrašanu un labās leņķa gyrus, kas norāda uz samazinātu funkcionālo savienojumu, un identificētajā tīklā nebija tik daudz subkortu reģionu. Lai gan globālā signāla regresija joprojām ir pretrunīga, mēs nolēmām ziņot par abiem rezultātiem. Sīkāka informācija par tīklu, kas identificēts bez globālās signāla regresijas, ir dokumentēts papildmateriālos 3. Cerams, ka turpmākais darbs pie priekšapstrādes ar attēlu tiks izgaismots, kurš rezultāts ir precīzāks. Šobrīd mēs iesakām interpretēt pašreizējos rezultātus ar šādiem brīdinājumiem.

Secinājumi

Izmantojot datu pieeju, mēs parādījām, ka statistika, kas balstīta uz tīklu, ir noderīgs instruments, lai raksturotu visu smadzeņu savienojumu, ko ietekmē interneta atkarības tendence, identificējot savienojumus un kritiskos reģionus, kas atkārtojas iepriekšējos pētījumos. Salīdzinot ar sēklu analīzēm, šī visa smadzeņu pieeja nodrošina vispusīgāku smadzeņu savienojumu analīzi, kas saistīta ar interneta atkarību, pētot kopā 6670 savienojumus. Mēs arī pierādījām, ka daudzi funkcionālie savienojumi un smadzeņu reģioni, kas ir kritiski atkarīgi no klīniskās atkarības gadījumiem, arī ir saistīti ar preklīniskajām tendencēm, kas indeksētas ar uzvedības aptaujas pasākumiem. Lai gan, izmantojot korelācijas pieeju, mēs nevaram būt pārliecināti, vai šie tīkli tiek mainīti interneta lietošanas rezultātā, vai arī tie ir to cilvēku raksturlielumi, kuri ir pakļauti augstākam interneta atkarības attīstības riskam, un šis pētījums sniedz noderīgu informāciju, palīdzot mums saprast neironu. atkarību un tās attīstību.

Autora iemaksas

TW veica eksperimentu, analizēja datus, interpretēja rezultātus, uzrakstīja un pārskatīja manuskriptu. SH izstrādāja eksperimentu, uzrakstīja dotācijas priekšlikumu, vadīja eksperimenta sagatavošanu un izpildi, palīdzēja interpretēt datus, sagatavot un pārskatīt manuskriptu.

Interešu konflikta paziņojums

Autori paziņo, ka pētījums tika veikts bez jebkādām komerciālām vai finansiālām attiecībām, kuras varētu uzskatīt par iespējamu interešu konfliktu.

Pateicības

Autori ir pateicīgi Yun-Ting Lee par palīdzību datu vākšanā un profesoru Po-Hsien Huang par statistisko konsultāciju. Pētījumu finansēja Zinātnes un tehnoloģiju ministrija (MOST), Taivāna (MOST 102-2420-H-006-006-MY2 un MOST 104-2420-H-006-004-MY2). Turklāt šo pētījumu daļēji atbalstīja Izglītības ministrija, Taivāna, ROC Nacionālā Čeng Kungas universitātes (NCKU) augstākā universitātes projekta mērķis. Mēs pateicamies Mind Research and Imaging Center (MRIC), ko atbalsta MOST, NCKU par konsultācijām un instrumentu pieejamību. CIAS-R anketu iesniedza Sue-Huei Chen.

Zemsvītras piezīmes

¹http://www.mricro.com

²http://www.fil.ion.ucl.ac.uk/spm

Papildmateriāls

Šī raksta papildu materiālus var atrast tiešsaistē: http://journal.frontiersin.org/article/10.3389/fnhum.2016.00006

Noklikšķiniet šeit, lai iegūtu papildu datu failu.^{(20K, DOCX)}

Noklikšķiniet šeit, lai iegūtu papildu datu failu.^{(33K, DOCX)}

Noklikšķiniet šeit, lai iegūtu papildu datu failu.^{(258K, DOCX)}

Atsauces

Amerikas Psihiatrijas asociācija [APA] (2013). Garīgo traucējumu diagnostikas un statistikas rokasgrāmata (DSM-5^®). Arlington, VA: American Psychiatric Pub.
Aron AR, Robbins TW, Poldrack RA (2004). Inhibēšana un labākā zemākā frontālā garoza. Tendences Cogn. Sci. 8 170 – 177. 10.1016 / j.tics.2004.02.010 [PubMed] [Cross Ref]
Bavelier D., Achtman RL, Mani M., Focker J. (2012). Selektīvās uzmanības neirālie pamati video spēļu spēlētājiem. Vis. Res. 61 132 – 143. 10.1016 / j.visres.2011.08.007 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Biswal BB, Mennes M., Zuo XN, Gohel S., Kelly C., Smith SM, et al. (2010). Ceļā uz cilvēka smadzeņu darbības zinātnes atklāšanu. Proc Natl. Acad. Sci. ASV 107 4734 – 4739. 10.1073 / pnas.0911855107 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Brand M., Young KS, Laier C. (2014) .Pārbaude un interneta atkarība: teorētiskais modelis un pārskats par neiropsiholoģiskiem un neiromogrāfiskiem rezultātiem. Priekšpuse. Hum. Neurosci. 8: 375 10.3389 / fnhum.2014.00375 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Buckner RL, Andrews-Hanna JR, Schacter DL (2008). Smadzeņu noklusējuma tīkls - anatomija, funkcija un saistība ar slimībām. Cogn gads. Neurosci. 2008 1 – 38. 10.1196 / annals.1440.011 [PubMed] [Cross Ref]
Buckner RL, Krienen FM, Castellanos A., Diaz JC, Yeo BTT (2011). Cilvēka smadzeņu organizācija, kas novērtēta pēc būtības funkcionāla savienojuma. J. Neurophysiol. 106 2322 – 2345. 10.1152 / jn.00339.2011 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Castel AD, Pratt J., Drummond E. (2005). Darbības videospēļu pieredzes ietekme uz atgriešanās kavēšanas laiku un vizuālās meklēšanas efektivitāti. Acta Psychol. 119 217 – 230. 10.1016 / j.actpsy.2005.02.004 [PubMed] [Cross Ref]
Chen CY, Huang MF, Yen JY, Čen CS, Liu GC, Yen CF, et al. (2015). Smadzeņu korelācijas ar reakcijas inhibīciju interneta spēļu traucējumos. Psihiatrijas klīnika. Neurosci. 69 201 – 209. 10.1111 / pcn.12224 [PubMed] [Cross Ref]
Chen S., Weng L., Su Y., Wu H., Yang P. (2003). Ķīniešu interneta atkarības skalas un psihometriskā pētījuma izstrāde. Zods. 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). Cilvēka attēlveidošana ir saistīta ar makroskopu. Nat. Metodes 10 524 – 539. 10.1038 / Nmeth.2482 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Ding WN, Sun JH, Sun YW, Chen X., Zhou Y., Zhuang ZG, et al. (2014). Paaugstinātā impulsivitāte un traucēta prefrontāla impulsa inhibēšanas funkcija pusaudžiem ar interneta spēļu atkarību, ko atklāja Go / No-Go fMRI pētījums. Behav. Smadzeņu darbība. 10:20 10.1186/1744-9081-10-20 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Ding WN, Sun JH, Sun YW, Zhou Y., Li L., Xu JR, et al. (2013). Mainīts noklusējuma tīkla atpūtas stāvokļa funkcionālais savienojums pusaudžiem ar interneta spēļu atkarību. PLoS ONE 8: e59902 10.1371 / journal.pone.0059902 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Dong GH, DeVito EE, Du XX, Cui ZY (2012a). Samazināta inhibējoša kontrole „interneta atkarības traucējumā”: funkcionāls magnētiskās rezonanses pētījums. Psihiatrijas Res. Neiromāksla 203 153 – 158. 10.1016 / j.pscychresns.2012.02.001 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Dong GH, DeVito E., Huang J., Du XX (2012b). Difūzijas tenzora attēlošana atklāj talamus un aizmugures cingulāras garozas anomālijas interneta spēļu narkomānos. J. Psychiatr. Res. 46 1212 – 1216. 10.1016 / j.jpsychires.2012.05.015 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Dong GH, Lin X., Hu YB, Xie CM, Du XX (2015a). Nelīdzsvarota funkcionālā saikne starp izpildvaras kontroles tīklu un atlīdzības tīklu izskaidro tiešsaistes spēļu meklēšanu interneta spēļu traucējumos. Sci. Rep. 5: 9197 10.1038 / Srep09197 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Dong GH, Lin X., Potenza MN (2015b). Funkcionālā savienojamības samazināšanās izpildvaras kontroles tīklā ir saistīta ar izpildvaras traucējumiem interneta spēļu traucējumos. Prog. Neuro-Psychopharmacol. Biol. Psihiatrija 57 76 – 85. 10.1016 / j.pnpbp.2014.10.012 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Dong GH, Lin X., Zhou HL, Lu QL (2014). Kognitīvā elastība interneta narkomānos: fMRI pierādījumi no sarežģītām un viegli sarežģītām pārslēgšanās situācijām. Atkarīgais. Behav. 39 677 – 683. 10.1016 / j.addbeh.2013.11.028 [PubMed] [Cross Ref]
Dong GH, Shen Y., Huang J., Du XX (2013). Kļūdu monitoringa funkcijas traucējumi cilvēkiem ar interneta atkarības traucējumiem: ar notikumu saistīts fMRI pētījums. Eiro. Atkarīgais. Res. 19 269 – 275. 10.1159 / 000346783 [PubMed] [Cross Ref]
Droutman V., Read SJ, Bechara A. (2015). Insula loma atkarības gadījumā. Tendences Cogn. Sci. 19 414 – 420. 10.1016 / j.tics.2015.05.005 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Krāsviela MWG, zaļa CS, Bavelier D. (2009). Ātrāks apstrādes ātrums ar darbības video spēlēm. Curr. Dir. Psihols. Sci. 18 321 – 326. 10.1111 / j.1467-8721.2009.01660.x [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Finn ES, Shen X, Holahan JM, Scheinost D., Lacadie C., Papademetris X., et al. (2014). Funkcionālo tīklu traucējumi disleksijā: visa smadzeņu, datu orientēta savienojumu analīze. Biol. Psihiatrija 76 397 – 404. 10.1016 / j.biopsych.2013.08.031 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Fornito A., Bullmore ET (2015). Connectomics: jauna paradigma smadzeņu slimību izpratnei. Eiro. Neiropsihofarmakols. 25 733 – 748. 10.1016 / j.euroneuro.2014.02.011 [PubMed] [Cross Ref]
Fornito A., Yoon J., Zalesky A., Bullmore ET, Carter CS (2011). Vispārējie un specifiskie funkcionālo savienojumu traucējumi šizofrēnijas pirmajā epizodē kognitīvās kontroles darbības laikā. Biol. Psihiatrija 70 64 – 72. 10.1016 / j.biopsych.2011.02.019 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Forstmann BU, van den Wildenberg WPM, Ridderinkhof KR (2008). Neironu mehānismi, laika dinamika un individuālās atšķirības traucējumu kontrolē. J. Cogn. Neurosci. 20 1854 – 1865. 10.1162 / jocn.2008.20122 [PubMed] [Cross Ref]
Fox MD, Zhang D., Snyder AZ, Raichle ME (2009). Globālais signāls un novērotie pretkorelācijas miera tīkli. J. Neurophysiol. 101 3270 – 3283. 10.1152 / jn.90777.2008 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Fransson P., Marrelec G. (2008). Precuneus / posterior cingulate garozā ir galvenā loma noklusējuma režīma tīklā: pierādījumi no daļējas korelācijas tīkla analīzes. Neuroimage 42 1178 – 1184. 10.1016 / j.neuroimage.2008.05.059 [PubMed] [Cross Ref]
Goldstein RZ, Volkow ND (2011). Prefrontālās garozas disfunkcija atkarībā: neiromogrāfiskie konstatējumi un klīniskās sekas. Nat. Rev. Neurosci. 12 652 – 669. 10.1038 / nrn3119 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Zaļš CS, Bavelier D. (2003). Darbības video spēle maina vizuālo selektīvo uzmanību. daba 423 534 – 537. 10.1038 / nature01647 [PubMed] [Cross Ref]
Zaļš CS, Pouget A., Bavelier D. (2010). Uzlabotas varbūtības secinājums kā vispārējs mācību mehānisms ar darbības video spēlēm. Curr. Biol. 20 1573 – 1579. 10.1016 / j.cub.2010.07.040 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Zaļš CS, Sugarman MA, Medford K., Klobusicky E., Bavelier D. (2012). Darbības videospēļu pieredzes ietekme uz uzdevumu pārslēgšanu. Aprēķināt. Hum. Behav. 28 984 – 994. 10.1016 / j.chb.2011.12.020 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Griffiths MD, Pontes HM (2014). Interneta atkarības traucējumi un interneta spēļu traucējumi nav vienādi. J. Addict. Res. Ther. 5:e124 10.4172/2155-6105.1000e124 [Cross Ref]
Han CE, Yoo SW, SEO SW, Na DL, Seong JK (2013). Klasteru statistika smadzeņu savienojamībai saistībā ar uzvedības pasākumiem. PLoS ONE 8: e72332 10.1371 / journal.pone.0072332 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Han DH, Kim YS, Lee YS, Min KJ, Renshaw PF (2010). Izmaiņas cue-inducētā, prefrontālā garozas aktivitātē ar videospēļu spēli. Cyberpsychol. Behav. Soc. Tīkls. 13 655 – 661. 10.1089 / cyber.2009.0327 [PubMed] [Cross Ref]
Hoeft F., Watson CL, Kesler SR, Bettinger KE, Reiss AL (2008). Dzimumu atšķirības mezokortikolimbiskajā sistēmā datora spēles laikā. 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, et al. (2015). Selektīva putamena funkcionālā savienojuma iesaistīšana jauniešos ar interneta spēļu traucējumiem. 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, et al. (2013). Samazināta funkcionālā smadzeņu savienojamība pusaudžiem ar interneta atkarību. PLoS ONE 8: e57831 10.1371 / journal.pone.0057831 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Karal O., Griffiths MD, Urbán R., Farkas J., Kökönyei G., Elekes Z., et al. (2014). Problēmas lietošana internetā un problemātiskas tiešsaistes spēles nav vienādas: rezultāti no lielas valsts reprezentatīvas pusaudžu izlases. Cyberpsychol. Behav. Soc. Tīkls. 17 749 – 754. 10.1089 / cyber.2014.0475 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Ko CH, Hsieh TJ, Chen CY, Yen CF, Chen CS, Yen JY, et al. (2014). Mainīta smadzeņu aktivācija reakcijas inhibēšanas laikā un kļūdu apstrāde cilvēkiem ar interneta spēļu traucējumiem: funkcionāls magnētiskās attēlveidošanas pētījums. Eiro. Arch. Psihiatrijas klīnika. 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, et al. (2015). Mainīts pelēkās vielas blīvums un traucēta amygdala funkcionālā savienojamība pieaugušajiem ar interneta spēļu traucējumiem. Prog. Neuro-Psychopharmacol. Biol. Psihiatrija 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). Smadzeņu aktivitātes, kas saistītas ar spēļu atkarību no tiešsaistes spēļu atkarības. 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). Smadzeņu korelācijas ar tiešsaistes spēļu gājienu, kas pakļautas cue ekspozīcijai, ar subjektiem ar interneta spēļu atkarību un pārraidītiem priekšmetiem. Atkarīgais. 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). Interneta atkarības pārbaude: empīrisks pētījums par chen interneta atkarības skalas robežvērtībām. Kaohsiung J. Med. Sci. 21 545–551. 10.1016/S1607-551X(09)70206-2 [PubMed] [Cross Ref]
Kong X.ZZ, Zhen Z., Li X., Lu H.-H., Wang R., Liu L., et al. (2014). Individuālās impulsivitātes atšķirības prognozē galvas kustību magnētiskās rezonanses attēlveidošanas laikā. PLoS ONE 9: e104989 10.1371 / journal.pone.0104989 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Koob GF, Volkow ND (2010). Narkotiku atkarība. Neuropsychopharmacology 35 217 – 238. 10.1038 / npp.2009.110 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Kühn S., Gallinat J. (2015). Smadzenes tiešsaistē: pastāvīgās interneta lietošanas strukturālās un funkcionālās korelācijas. Atkarīgais. Biol. 20 415 – 422. 10.1111 / adb.12128 [PubMed] [Cross Ref]
Kuss DJ, Griffiths MD (2012). Interneta spēļu atkarība: sistemātisks empīrisko pētījumu pārskats. Int. J. Garīgās veselības atkarīgais. 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). Nepietiekama frontālās-bazālās gangliju savienojamība pusaudžiem ar interneta atkarību. Sci. Rep. 4: 5027 10.1038 / Srep05027 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Li WW, Li YD, Yang WJ, Zhang QL, Wei DT, Li WF, et al. (2015). Smadzeņu struktūras un funkcionālais savienojums, kas saistīts ar individuālām atšķirībām interneta tendencēs veseliem jauniešiem. 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). Aberrantās kortikoskopiskās funkcionālās shēmas pusaudžiem ar interneta atkarības traucējumiem. Priekšpuse. Hum. Neurosci. 9: 356 10.3389 / fnhum.2015.00356 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Lin MP, Ko HC, Wu JYW (2011). Ar interneta atkarību saistīti izplatības un psihosociālie riska faktori Taivānas koledžas studentu reprezentatīvajā valstī. Cyberpsychol. Behav. Soci. Tīkls. 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). Cue reaktivitāte un tās inhibēšana patoloģiskajos datorspēļu spēlētājiem. Atkarīgais. 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). Prefontāla disfunkcija indivīdiem ar interneta spēļu traucējumiem: funkcionālo magnētiskās rezonanses izpētes meta-analīze. Atkarīgais. Biol. 20 799 – 808. 10.1111 / adb.12154 [PubMed] [Cross Ref]
Moulton EA, Elman I., Becerra LR, Goldstein RZ, Borsook D. (2014). Smadzenes un atkarība: ieskats, kas gūts no neiromātikas pētījumiem. Atkarīgais. Biol. 19 317 – 331. 10.1111 / adb.12101 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Naqvi NH, Bechara A. (2009). Slēpta atkarības sala: insula. Tendences neurosci. 32 56 – 67. 10.1016 / j.tins.2008.09.009 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Nichols TE, Holmes AP (2002). Neparametriskas permutācijas pārbaudes funkcionālai neirotogrāfijai: primeris ar piemēriem. Hum. Smadzenes Mapp. 15 1 – 25. 10.1002 / hbm.1058 [PubMed] [Cross Ref]
OReilly M. (1996). Interneta atkarība: medicīnas leksikā iekļūst jauns traucējums. Var. Med. Asociācija. J. 154 1882 – 1883. [PMC bezmaksas raksts] [PubMed]
Park CH, Chun JW, Cho H., Jung YC, Choi J., Kim DJ (2015). Vai interneta spēļu atkarīgais smadzenes ir tuvu patoloģiskajam stāvoklim? Atkarīgais. Biol. [Epub pirms drukāšanas] .10.1111 / adb.12282 [PubMed] [Cross Ref]
Petry NM, O'Brien CP (2013). Interneta spēļu traucējumi un DSM-5. Atkarība 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). Starptautiska vienprātība par interneta spēļu traucējumu novērtēšanu, izmantojot jauno DSM-5 pieeju. Atkarība 109 1399 – 1406. 10.1111 / add.12457 [PubMed] [Cross Ref]
Rorden C., Karnath HO, Bonilha L. (2007). Bojājumu un simptomu kartēšanas uzlabošana. 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). Bēdas traucējumi: kā pēc globālās signāla regresijas korelācijas modeļi un grupu atšķirības izkropļojas. Brain Connect. 2 25 – 32. 10.1089 / brain.2012.0080 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Song XW, Dong ZY, Long XY, Li SF, Zuo XN, Zhu CZ, et al. (2011). REST: rīku komplekts funkcionālās magnētiskās rezonanses attēlveidošanas datu apstrādei. PLoS ONE 6: e25031 10.1371 / journal.pone.0025031 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Stanley ML, Moussa MN, Paolini BM, Lyday RG, Burdette JH, Laurienti PJ (2013). Mezglu definēšana sarežģītos smadzeņu tīklos. Priekšpuse. Aprēķināt. Neurosci. 7: 169 10.3389 / fncom.2013.00169 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Sun YJ, Ying H., Seetohul RM, Wang XM, Ya Z., Qian L., et al. (2012). Smadzeņu smadzeņu fMRI pētījums, ko izraisījuši bižutērija tiešsaistes spēļu narkomānos (vīriešu pusaudžiem). Behavs 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). Asociācija starp atpūtas valsts funkcionālo savienojamību un empātiju / sistematizāciju. Neuroimage 99 312 – 322. 10.1016 / j.neuroimage.2014.05.031 [PubMed] [Cross Ref]
Talati A., Hirsch J. (2005). Funkcionālā specializācija mediālajā frontālajā girā, lai uztvertu lēmumus, kas balstīti uz "go", "kas," un "kur" saistīto informāciju: fMRI pētījums. 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). Automatizētā aktivācijas anatomiskā marķēšana SPM, izmantojot MNI MRI viena subjekta smadzeņu makroskopisko anatomisko sadalījumu. Neuroimage 15 273 – 289. 10.1006 / nimg.2001.0978 [PubMed] [Cross Ref]
van den Heuvel MP, Pol HEH (2010). Smadzeņu tīkla izpēte: pārskats par fMRI funkcionālo savienojumu. Eiro. Neiropsihofarmakols. 20 519 – 534. 10.1016 / j.euroneuro.2010.03.008 [PubMed] [Cross Ref]
Volkow ND, Fowler JS (2000). Atkarība, saslimšanas un braukšanas slimība: orbitofrontālās garozas iesaistīšana. Cereb. Cortex 10 318 – 325. 10.1093 / cercor / 10.3.318 [PubMed] [Cross Ref]
Volkow ND, Fowler JS, Wang GJ (2003). Atkarīgā cilvēka smadzenes: ieskats no attēlveidošanas pētījumiem. J. Clin. Investig. 111 1444 – 1451. 10.1172 / Jci200318533 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Volkow ND, Wang GJ, Fowler JS, Tomasi D., Telang F., Baler R. (2010). Atkarība: samazinājās atalgojuma jutīgums un palielinās cerības jutīgums, lai pārspētu smadzeņu kontroles ķēdi. Bioessays 32 748 – 755. 10.1002 / bies.201000042 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Volkow ND, Wang GJ, Telang F., Fowler JS, Logan J., Childress AR, et al. (2006). Kokaīna nianses un dopamīns muguras striatumā: kokaīna atkarības alkas mehānisms. 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). Samazināts prefrontālās daivas starpfilteriskais funkcionālais savienojums pusaudžiem ar interneta spēļu traucējumiem: primārais pētījums, kas izmanto fMRI. PLoS ONE 10: e0118733 10.1371 / journal.pone.0118733 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Wee CY, Zhao ZM, Yap PT, Wu GR, Shi F., Price T. et al. (2014). Traucēts smadzeņu funkcionālais tīkls interneta atkarības traucējumā: miera stāvokļa funkcionālais magnētiskās rezonanses pētījums. PLoS ONE 9: e107306 10.1371 / journal.pone.0107306 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Weissenbacher A., Kasess C., Gerstl F., Lanzenberger R., Moser E., Windischberger C. (2009). Korelācijas un pretkorelācijas miera stāvokļa funkcionālās savienojamības MRI: priekšapstrādes stratēģiju kvantitatīvs salīdzinājums. Neuroimage 47 1408 – 1416. 10.1016 / j.neuroimage.2009.05.005 [PubMed] [Cross Ref]
Xia M., Wang J., Viņš Y. (2013). BrainNet Viewer: tīkla vizualizācijas rīks cilvēka smadzeņu savienojumiem. PLoS ONE 8: e68910 10.1371 / journal.pone.0068910 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Yan C., Zang Y. (2010). DPARSF: MATLAB rīku komplekts, lai analizētu miera stāvokli fMRI. Priekšpuse. Syst. Neurosci. 4: 13 10.3389 / fnsys.2010.00013 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Yarkoni T., Poldrack RA, Nichols TE, Van Essen DC, Wager TD (2011). Liela mēroga automatizēta cilvēka funkcionālo neirektēšanas datu sintēze. Nat. Metodes 8 665 – 670. 10.1038 / nmeth.1635 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Yeo BTT, Krienen FM, Sepulc J., Sabuncu MR, Lashkari D., Hollinshead M., et al. (2011). Cilvēka smadzeņu garozas organizācija, ko aprēķina pēc būtības funkcionāla savienojuma. J. Neurophysiol. 106 1125 – 1165. 10.1152 / jn.00338.2011 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Young KS (1998). Interneta atkarība: jauna klīniska traucējuma rašanās. 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., et al. (2015). Galvenās smadzeņu tīklu mijiedarbības un kognitīvā kontrole interneta spēļu traucējumu indivīdiem vēlajā pusaudža vecumā / agrā pieaugušā vecumā. Smadzeņu struktūra. Funkcija. [Epub pirms drukāšanas] .10.1007 / s00429-014-0982-7 [PubMed] [Cross Ref]
Zalesky A., Fornito A., Bullmore ET (2010a). Tīkla statistika: atšķirību identificēšana smadzeņu tīklos. 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., et al. (2010b). Veseli smadzeņu anatomiskie tīkli: vai mezglu izvēle ir svarīga? 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). Insulas atpūtas režīma funkcionālais savienojums jauniešiem ar interneta spēļu traucējumiem. Atkarīgais. Biol. [Epub pirms drukāšanas] .10.1111 / adb.12247 [PMC bezmaksas raksts] [PubMed] [Cross Ref]
Zhou Y., Lin FC, Du YS, Qin LD, Zhao ZM, Xu JR, et al. (2011). Pelēkās vielas novirzes interneta atkarībā: vokseļu morfometrijas pētījums. Eiro. J. Radiol. 79 92 – 95. 10.1016 / j.ejrad.2009.10.025 [PubMed] [Cross Ref]