အင်တာနက်ကဂိမ်းစွဲမှုပြဿနာအားသုံးသပ်ခြင်း၏ဘွဲ့ (2014) အခြေစိုက် EEG နှင့် ERP

လေ့လာဖို့ LINK

Lee က, Jae-Yoon; Kang, Hang-Bong;

ြဒပ်မဲ့သော

မကြာသေးမီကလူငယ်များ၏ဂိမ်းစွဲလမ်းနေတဲ့လူမှုရေးပြဿနာဖြစ်လာသည်။ ထို့ကြောင့်, များစွာသောလေ့လာမှုများ, အများအားဖြင့်စစ်တမ်းများ, ဂိမ်းစွဲလမ်းရှာဖွေရေးမှာမှကောက်ယူခဲ့ကြသည်။ ဤစာတမ်းတွင်ကျနော်တို့ EEG အပေါ်အခြေခံပြီးစွဲ၏အဆင့်ဆင့်ခွဲခြားဖို့ဘယ်လိုအကြံပြုအပ်ပါသည်။ ဒီအဆုံးကျနော်တို့ပထမဦးဆုံး (ဂိမ်းအပြုအမူအကဲဖြတ်ဘို့ဘက်စုံစကေး) CSG သုံးပြီးအင်တာနက်ဂိမ်း (High-အန္တရာယ်အုပ်စုနိုးနိုးကြားကြားသတိအုပ်စုပုံမှန်အုပ်စု, ကောင်းမွန်သော-အသုံးပြုသူအုပ်စုကို) ကိုစွဲလမ်း၏ဒီဂရီအားဖြင့်လေးအုပ်စုများခွဲခြားပြီးတော့သူတို့ရဲ့ပွဲ Related တိုင်းတာ အဆိုပါ Go ကို / NoGo Task ကိုအတွက်အလားအလာ (ERP) ။ အထူးသကျနော်တို့ NoGo လှုံ့ဆော်မှုနှင့် Go ကိုနှိုးဆွ၏လိုင်းများအနေဖြင့် P300, N400 နှင့် N200 ၏အချက်ပြမှုများကိုတိုင်းတာ။ ထို့အပြင်ကျနော်တို့ EEG signal ကို၏အသွင်ပြောင်းနှင့်အင်တာနက်ဂိမ်းများကိုမှစွဲလမ်း၏ဒီဂရီခွဲခြားဤအင်္ဂါရပ်များကိုအသုံးပြု discrete wavelet ထံမှကွဲပြား features တွေ extract လုပ်ပါ။ High-အန္တရာယ်နှင့်နိုးနိုးကြားကြားသတိအုပ်စုတစ်စုပြပွဲအောက်ပိုင်းပုံမှန်နှင့်ကောင်းမွန်သော-အသုံးပြုသူအုပ်စုများထက် Fz ရုပ်သံလိုင်း၏လွှဲခွင်-N200 Go သောဤလေ့လာမှုပြပွဲအတွက်စမ်းသပ်ချက်။ Go ကို-P300 နှင့် Fz ရုပ်သံလိုင်း၏ NoGo-P300 ခုနှစ်, High-အန္တရာယ်နှင့်နိုးနိုးကြားကြားသတိအုပ်စုများပုံမှန်နှင့်ကောင်းမွန်သော-အသုံးပြုသူအုပ်စုတစ်စုထက်ပိုမိုမြင့်မားလွှဲခွင်ပြ။ Go ကို-N400 နှင့် Pz ရုပ်သံလိုင်း၏ NoGo-N400 ခုနှစ်, High-အန္တရာယ်နှင့်နိုးနိုးကြားကြားသတိအုပ်စုတစ်စုပြပွဲအောက်ပိုင်းပုံမှန်ထက်လွှဲခွင်နှင့်ကောင်းမွန်သော-အသုံးပြုသူအုပ်စုကို။ အဆိုပါ EEG signal ကိုတစ်ခုချင်းစီမှကြိမ်နှုန်းတီးဝိုင်းများ၏ထုတ်ယူဝိသေသလက္ခဏာများ၏သင်ယူမှုလေ့လာမှုအပြီးအဆိုပါစမ်းသပ်မှု 85% ခွဲခြားတိကျမှန်ကန်မှုကိုပြသသည်။