Zależne od częstotliwości zmiany amplitudy fluktuacji niskiej częstotliwości w grze internetowej (2015)

 

Abstrakcyjny

Badania neuroobrazowania ujawniły, że czynnościowe czynnościowe czynności mózgu związane z zadaniami są upośledzone u osób z zaburzeniami gier internetowych (IGD). Jednak niewiele wiadomo na temat naprzemiennego działania mózgu na ich temat. Ostatnie badania sugerują, że aktywność mózgu o różnych zakresach częstotliwości jest generowana przez różne aktywności nerwowe i ma różne funkcje fizjologiczne i psychiczne. Dlatego w tym badaniu postanowiliśmy zbadać spontaniczną aktywność mózgu u pacjentów z IGD, mierząc ułamkową amplitudę fluktuacji niskiej częstotliwości (fALFF), aby zbadać specyficzne dla pasma zmiany stanu spoczynku fALFF. Podzieliliśmy zakres częstotliwości na pięć pasm na podstawie literatury.

W porównaniu ze zdrowymi kontrolami, grupa IGD wykazała zmniejszone wartości FALFF w tylnym płacie móżdżku i zwiększone wartości FALFF w zakręcie skroniowym wyższym. Istotne interakcje między pasmami częstotliwości i grupami stwierdzono w móżdżku, przednim zakręcie, zakręcie językowym, środkowym zakręcie skroniowym i środkowym zakręcie czołowym. Te obszary mózgu okazały się związane z funkcją wykonawczą i podejmowaniem decyzji. Wyniki te ujawniły zmienioną spontaniczną aktywność IGD w mózgu, co przyczyniło się do zrozumienia podstawowej patofizjologii IGD.

Słowa kluczowe: zaburzenia gier internetowych, funkcjonalne obrazowanie rezonansu magnetycznego w stanie spoczynku, amplituda fluktuacji niskich częstotliwości

Wprowadzenie

Zespół uzależnienia od Internetu (IAD) zdefiniowano jako niezdolność osoby do kontrolowania nadmiernego korzystania z Internetu, nawet w obliczu negatywnych konsekwencji dla aspektów funkcjonowania psychologicznego (; ; ; ). Został zaproponowany jako „uzależnienie behawioralne” zgodnie z jego negatywnym wpływem na społeczne zdrowie psychiczne (). Jednak niewiele wiadomo na temat mechanizmu IAD, a jednolita definicja IAD nie została utworzona, a Podręcznik diagnostyczny i statystyczny 4 (DSM-4) nie obejmował tego zaburzenia behawioralnego (). Wraz z szybkim rozprzestrzenianiem się IAD, DSM-5 został opracowany z myślą o zaburzeniach gier internetowych (IGD) w oparciu o definicję zaburzeń związanych z używaniem substancji i uzależnień (; ; ; ).

Istnieje wiele różnych rodzajów IAD ze względu na różnorodne funkcje Internetu. Ogólnie IAD składa się z trzech podtypów: IGD, pornografii internetowej i poczty e-mail (). Biorąc pod uwagę definicję uzależnienia, wszystkie te kategorie IAD mają cztery cechy charakterystyczne: nadmierne używanie, wycofanie, tolerancja i negatywne konsekwencje (; ; ). Jako najbardziej rozpowszechniona forma IAD (), IGD może mieć określone cechy neuropsychologiczne z innymi uzależnieniami behawioralnymi, takimi jak hazard patologiczny (; ; ; ; ).

Liczne badania obrazowe badały cechy IGD przy użyciu różnych zadań (; , ; ; ), ale trudno jest porównać dane uzyskane z różnych paradygmatów eksperymentalnych i wyciągnąć klinicznie pomocne wnioski z różnych zadań poznawczych (). Badania fMRI w stanie spoczynku ujawniły pewne nieprawidłowości aktywacji mózgu w IGD (więcej opisów z przeglądu autorstwa . Osoby z IGD mają wyższą impulsywność, co jest typowym objawem uzależnienia od narkotyków; objaw ten związany jest ze zmniejszoną aktywacją zakrętu obręczy, co wiąże się z kontrolą poznawczą (). Badanie fMRI wykazało również zwiększoną jednorodność regionalną (ReHo) w pniu mózgu, zrazik ciemieniowy dolny, lewy tylny móżdżek i lewy środkowy przedni zakręt, które są związane z koordynacją czuciowo-ruchową, która może być istotna dla ruchu palców podczas grania w gry internetowe ().

FMRI w stanie spoczynku opracowano jako nową technikę od czasu badania Biswal (). Najpierw zgłosili wysoce zsynchronizowane spontaniczne wahania niskiej częstotliwości (0.01 – 0.08 Hz) w sygnale BOLD wśród kory ruchowej, stwierdzając, że amplituda fluktuacji niskiej częstotliwości (ALFF) była wskaźnikiem neurofizjologicznym (). Na podstawie ALFF, promował inne narzędzie do zobrazowania lokalnej aktywności mózgu - ułamkową amplitudę fluktuacji o niskiej częstotliwości (fALFF), która mogłaby wykryć regionalne nasilenie spontanicznych fluktuacji sygnału BOLD (; ). Ostatnio fALFF był szeroko stosowany w badaniach pacjentów z zaburzeniami psychicznymi, takimi jak depresja (), schizofrenia (), zespół nadpobudliwości psychoruchowej (), IGD (), i tak dalej. Nadal nie jest jasne, czy nieprawidłowości w aktywności IGD w mózgu są związane z konkretnymi pasmami częstotliwości. Ważne jest, aby wykryć spontaniczne fluktuacje mózgu przy określonej częstotliwości większej niż szerokie pasmo częstotliwości. W mózgu występuje wiele różnych oscylacji, których częstotliwości wahają się od bardzo wolnych oscylacji z okresami dziesiątek sekund do bardzo szybkich oscylacji o częstotliwościach przekraczających 1000 Hz (). zaproponował „klasę oscylacji”, która zawiera pasma częstotliwości 10 rozciągające się od 0.02 do 600 Hz (). I zbadał FALFF w czterech pasmach częstotliwości i stwierdził, że oscylacje są powiązane z określonymi procesami neuronowymi (; ). Odkryli, że amplitudy oscylacji (0.01 – 0.027 Hz) przy niskiej częstotliwości były najbardziej odporne w strukturach korowych, a wysokie częstotliwości były najbardziej odporne w strukturach podkorowych, takich jak zwoje podstawy. Badania wykazały, że u pacjentów ze schizofrenią występowały szczególne nieprawidłowości amplitud oscylacji w paśmie częstotliwości powolnym 4 (). udowodnili również, że nieprawidłowości w funkcjonowaniu mózgu u pacjentów z amnestycznymi łagodnymi zaburzeniami poznawczymi wykazały różne wzorce aktywacji w różnych pasmach częstotliwości.

W niniejszym badaniu zebraliśmy wartości FALFF częstotliwości dla 0 – 0.25, w tym sześć pasm częstotliwości 0 – 0.01 Hz, 0.01 – 0.027 Hz, 0.027 – 0.073 Hz, 0.073 – 0.198 Hz oraz 0.198 – 0.25 Hz w IGD, według „klas oscylacji” Buzsáki. Staraliśmy się porównać wartość FALFF między IGD i HC w różnych pasmach i zająć się dwoma kwestiami: po pierwsze, czy osoby z IGD wykazują nieprawidłowe amplitudy FALFF w porównaniu ze zdrowymi kontrolami; po drugie, czy nieprawidłowości w IGD są związane z określonymi pasmami częstotliwości.

Materiały i Metody

Wybór uczestnika

Eksperyment jest zgodny z Kodeksem Etyki Światowego Stowarzyszenia Lekarskiego (Deklaracja Helsińska) i jest zatwierdzony przez Komitet ds. Badań Ludzkich Uniwersytetu Normalnego Zhejiang. Pięćdziesięciu dwóch studentów zostało zatrudnionych za pośrednictwem reklam [26 IGD, 26 zdrowe kontrole (HC)]. Wszyscy byli praworęcznymi mężczyznami. Grupy IGD i HC nie różniły się istotnie wiekiem (IGD: N = 26, 22.2 ± 3.13 lat; HC: N = 26, 22.28 ± 2.54 lat; t(50) = 0.1, p = 0.9). Ze względu na wyższe proporcje IGD wśród mężczyzn uwzględniono tylko mężczyzn. Uczestnicy byli zobowiązani do podpisania świadomej zgody, a wszyscy uczestnicy przeszli zorganizowane wywiady psychiatryczne (MINI) () wykonywana przez doświadczonego psychiatrę z czasem podawania około 15 min. Wszyscy uczestnicy byli wolni od zaburzeń psychicznych osi I wymienionych w MINI. Wszyscy uczestnicy nie spełniali kryteriów DSM-4 dotyczących nadużywania narkotyków lub uzależnień, w tym alkoholu, chociaż wszyscy uczestnicy IGD i HC zgłaszali spożywanie alkoholu w ciągu swojego życia. Wszyscy uczestnicy zostali pouczeni, aby nie używać żadnych substancji, w tym kawy, herbaty, w dniu skanowania. Żaden uczestnik nie zgłosił uszkodzeń mózgu ani wcześniejszych doświadczeń związanych z nielegalnymi narkotykami (np. Kokainą, marihuaną).

Diagnoza IGD została ustalona na podstawie wyników 50 lub wyższych w internetowym teście uzależnienia od Internetu Younga (). Jako uzależnienie od szczególnych zachowań, definicja operacyjna i standardy diagnostyczne dla IGD są nadal niespójne. W niniejszym badaniu grupa IGD składała się z osób, które spełniały ogólne kryteria IAD (wyniki powyżej 50 punktów w IAT) i zgłaszały, że „spędzają większość czasu online grając w gry online (> 80%)” (; ). Wynik IAT w grupie IGD (72 ± 11.7) był znacznie wyższy niż u zdrowych kontroli [29 ± 10.4), t(50) = 14, p = 0.000].

Gromadzenie danych

Po konwencjonalnym skanowaniu lokalizatora obrazy ważone T1 otrzymano z zepsutą sekwencją przywoływania gradientu [TR = 240 ms; czas echa (TE) = 2.46 ms; kąt obrotu (FA) = 90 °; pole widzenia (FOV) = 220 ~ 220 mm2; macierz danych = 256 ~ 256]. Następnie uzyskano obrazy funkcjonalne w stanie spoczynku przy użyciu sekwencji obrazowania echa-płaszczyzny (TR = 2000 ms; TE = 30 ms; FA = 90 °; FOV = 220 ~ 220 mm2; macierz danych = 64 ~ 64) z wycinkami osiowymi 33 (grubość przekroju = 3 mm i przerwa między przekrojami = 1 mm, objętości całkowite = 210) w jednym przebiegu 7 min. Badani musieli się nie ruszać i nie myśleć o niczym systematycznie podczas skanowania. Pod koniec zbierania danych wszyscy badani potwierdzili, że nie zasnęli przez cały okres skanowania.

Wstępne przetwarzanie danych i obliczanie fALFF

Całe funkcjonalne przetwarzanie obrazu zostało wykonane za pomocą Asystenta przetwarzania danych dla stanu spoczynkowego fMRI [DPARSF ()1] oprogramowanie. Dla każdego uczestnika pierwsze punkty czasowe 10 zostały wykluczone z dalszej analizy, która ma na celu uniknięcie przejściowych zmian sygnału, zanim magnetyzacja osiągnie stan ustalony i umożliwienie podmiotom przyzwyczajenia się do środowiska skanowania fMRI. Pozostałe objętości mózgu 200 zostały skorygowane pod kątem czasu cięcia i wyrównywane w celu korekcji ruchu głowy. Uwzględniono tylko uczestników z ruchem głowy mniejszym niż 1.5 mm w kierunku x, y lub z i mniejszym niż 2 obrót wokół każdej osi. Osoby z 26 HC i 26 IGD były ważne w niniejszym badaniu. Następnie wszystkie wyrównane obrazy zostały znormalizowane przestrzennie, a następnie ponownie próbkowane do wokseli izotropowych 3 mm i wygładzone przestrzennie (pełna szerokość przy połowie maksimum = 6 mm), a trend liniowy został usunięty. Po obróbce wstępnej obliczono fALFF za pomocą DPARSF. W skrócie, dla danego woksela szereg czasowy został najpierw przekształcony w dziedzinę częstotliwości przy użyciu „szybkiej transformacji Fouriera”. Pierwiastek kwadratowy widma mocy został obliczony, a następnie uśredniony dla określonego przedziału częstotliwości. Ten uśredniony pierwiastek kwadratowy nazwano FALFF przy danym wokselu predefiniowanych pasm częstotliwości (). Podzieliliśmy pełny zakres częstotliwości (0 – 0.25 Hz) na pięć podpasm: slow-6 (0 – 0.01 Hz), slow-5 (0.01 – 0.027 Hz), slow-4 (0.027 – 0.073 Hz), slow- 3 (0.073 – 0.198 Hz) i slow-2 (0.198 – 0.25 Hz) (35, 46, 30) i obliczył FAŁSZ każdego pasma częstotliwości.

Analiza statystyczna

Dwukierunkowa (wariancja grupy i pasma częstotliwości) analiza wariancji z powtarzanymi pomiarami (ANOVA) została przeprowadzona na zasadzie wokseli po wokselach z grupą (IGD i HC) jako czynnikiem między pasmem i pasmem częstotliwości (slow-2, slow-3, slow-4, slow-5, slow-6) jako powtarzane pomiary. Obliczyliśmy również analizę korelacji opartą na ROI w następstwie znaczącego głównego efektu i interakcji między nasileniem IGD a wartościami FALFF, i wybraliśmy wartości FALFF z określonych pasm.

Efekt

Główne efekty dwukierunkowej ANOVA z powtarzanymi pomiarami pokazano w Postać Figure11, Stoły Tabele11 i 22. Zastosowaliśmy korektę Alphasim do wielu porównań danych obrazowych. Poprawione p <0.05 odpowiada kombinacji nieskorygowanych p <0.05 i rozmiar klastra> 248 mm3). Przeprowadzono analizę korelacji opartą na ROI między wartościami FALFF a ciężkością IGD (wyniki IAT). Móżdżek wykazywał istotną ujemną korelację z nasileniem IGD (slow-4: r = -0.487, p = 0.000; slow-5: r = -0.485, p = 0.000; widzieć Postać Figure2C2C). Współrzędną ROI zdefiniowano na podstawie piku aktywacji przeżytego gromady. Promień ROI wynosi 4 mm i jest wykonywany przez oprogramowanie REST2.

RYSUNEK 1  

() Główny wpływ grupy na amplitudę fluktuacji niskiej częstotliwości (ALFF). Regiony mózgu, w których ułamkowa amplituda fluktuacji niskiej częstotliwości (fALFF) różni się między zaburzeniami gier internetowych (IGD) a zdrowymi kontrolami. Tematy IGD ...
Tabela 1  

Regiony mózgu z głównym efektem grupy.
Tabela 2  

Regiony mózgu z efektem interakcji między grupą a częstotliwością.
RYSUNEK 2  

Wartości ALFF w górnym zakręcie skroniowym i móżdżku. Czerwony i niebieski prostokąt reprezentowały odpowiednio osoby z IGD i zdrowe kontrole. Pełne pasmo częstotliwości (0 – 0.25 Hz) zostało podzielone na pięć pasm. Zostały one wyświetlone w (A, B) ...

Istotne interakcje między pasmem częstotliwości a grupą zaobserwowano w móżdżku, przednim obręczy, zakręcie językowym, środkowym zakręcie skroniowym i środkowym zakręcie czołowym. Środkowy zakręt czołowy wykazywał zwiększone wartości amplitudy, a środkowy zakręt skroniowy wykazywał zmniejszone wartości amplitudy w IGD. Ponadto analizy oparte na ROI wykazały dynamiczną zmianę FALFF w móżdżku i zakręcie językowym wraz z dostosowaniem częstotliwości (patrz Postać Figure33). W IGD móżdżek wykazywał zmniejszone wartości amplitud w dziedzinie o wyższej częstotliwości (slow-2, slow-3, slow-4) i zwiększone wartości amplitud w dziedzinie niższych częstotliwości (slow-6, patrz Postać Figure3A3A). I odwrotnie, zakręt językowy wykazywał zwiększone wartości amplitudy w dziedzinie o wyższej częstotliwości (slow-2, slow-3) i zmniejszone wartości amplitudy w dziedzinie o niższej częstotliwości (slow-6, patrz Postać Figure3B3B). Te dwa regiony miały wspólny punkt przejścia w pasmie wolno-5 dla zmiany amplitudy.

RYSUNEK 3  

Odwrotny wzór w móżdżku i zakręcie językowym w różnych pasmach w IGD. Czerwony i niebieski prostokąt reprezentowały odpowiednio osoby z IGD i zdrowe kontrole. Pełne pasmo częstotliwości (0 – 0.25 Hz) zostało podzielone na pięć pasm. Zostały one wyświetlone ...

Dyskusja

W niniejszym badaniu zbadano nieprawidłową spontaniczną aktywność mózgu w IGD za pomocą fALFF przy różnych pasmach częstotliwości. Efekt głównej grupy ujawnił, że IGD wykazał niższe wartości FALFF w zakręcie skroniowym wyższym i wyższe wartości FALFF w móżdżku. Przedstawiliśmy amplitudy wahań BOLD we wszystkich pasmach częstotliwości (0 – 0.25 Hz) i znaleźliśmy odwrotny wzór zmian w dziedzinie częstotliwości w móżdżku i zakręcie językowym w IGD. Odkrycia te zapewniają pełny obraz analiz fALFF w dziedzinie częstotliwości i podkreślają znaczenie wyboru konkretnej częstotliwości dla wykrywania zaburzeń psychicznych związanych z nieprawidłowościami.

Różne FALFF w korowej między IGD i HC (główny efekt grupy)

Poprzednie literatury uważały, że sygnał slow-2 odzwierciedla bardzo niski dryf częstotliwości, a slow-6 odzwierciedla dźwięki fizjologiczne o wysokiej częstotliwości (; ). Analiza głównego efektu grupy koncentrowała się na spontanicznej aktywności neuronalnej w określonych pasmach częstotliwości (slow-4 i slow-5) w IGD. Główny efekt grupy wykazał, że IGD wykazywał niższe wartości FALFF przy spowolnionym 4 i spowolnionym 5 w móżdżku. W niniejszym badaniu stwierdzono ujemną korelację między wartościami FALFF w móżdżku a nasileniem IGD. Móżdżek jest powszechnie klasyfikowany jako struktura motoryczna, której funkcja nie ogranicza się do koordynacji ruchów lub równowagi, a także odgrywa ważną rolę w wyższych procesach poznawczych (; ). Dowody z badań obrazowania anatomicznego, fizjologicznego i funkcjonalnego wykazały, że osoby z uszkodzeniami móżdżku wykazywały niedobór funkcji poznawczych wykonawczych i pamięci operacyjnej (; ). Odbiera dane z układów czuciowych i innych obszarów mózgu i integruje te dane wejściowe w celu dostosowania aktywności ruchowej (; ; ). Potencjalna rola móżdżku w uzależnieniu została omówiona w ostatnim artykule, w którym zaproponowano, że móżdżek jest potencjalnym ośrodkiem regulacji, na który wpływa uzależnienie (). Literatura wykazała, że ​​osoby z IGD są związane z ponadnormatywnym ReHo (; ) i funkcjonalna łączność () nad móżdżkiem. W niniejszym badaniu zaobserwowano ujemną korelację między wartościami fALFF w móżdżku a nasileniem IGD (patrz Postać Figure2C2C), co również potwierdza, że ​​nieprawidłowa spontaniczna aktywność neuronalna w móżdżku jest związana z niewłaściwym zachowaniem IGD.

Wartości fALFF były wyższe w zakręcie górnym skroniowym w IGD. Poprzednie badanie wykazało, że IGD, w porównaniu z HC, wykazało zmniejszoną łączność funkcjonalną w obszarze skroniowym (). Nasze poprzednie badanie wykazało zmniejszenie ReHo w dolnym zakręcie skroniowym i wnioskujemy, że mogą to być wyniki długiego czasu gry (). Obecne odkrycia są częściowo niespójne z poprzednimi badaniami, więc przedstawiamy hipotezę, że zwiększony FAŁSZ w zakręcie górnym skroniowym może odzwierciedlać wyższy poziom aktywności mózgu korelujący z elastycznością ruchu w IGD, ale funkcja tego obszaru wymaga dalszych badań.

Amplituda zależna od częstotliwości Zmiany w IGD

Efekty interakcji między grupami i pasmami częstotliwości zaobserwowano w móżdżku, zakręcie obręczy przedniej, zakręcie językowym, środkowym zakręcie skroniowym i środkowym zakręcie czołowym.

Wyższe wartości FALFF w środkowym przednim żyroskopie IGD

W niniejszym badaniu uczestnicy IGD wykazali wyższe wartości FALFF w lewym środkowym zakręcie czołowym w różnych pasmach. Środkowy zakręt czołowy odgrywa ważną rolę w koordynowaniu różnych systemów, takich jak uczenie się i pamięć, co jest silnie związane z operacjami umysłowymi (). W poprzednim badaniu doszliśmy do wniosku, że osoby z IGD wykazują zwiększoną synchronizację w obszarach mózgu związanych z koordynacją czuciowo-ruchową () - gra online wymaga od graczy zintegrowania kilku systemów, w tym systemu sensorycznego, sterowania silnikiem, współrzędnych silnika i systemu przetwarzania informacji (). Obecne ustalenia potwierdzają również to założenie. Wynik ten jest również zgodny z badaniem Liu (), która wykazała, że ​​osoby z IGD wykazały znaczny wzrost wartości ReHo w lewym środkowym zakręcie czołowym. Wyciągamy więc wniosek, że uczestnicy IGD wykazywali wyższe wartości FALFF w lewym środkowym zakręcie czołowym, które mogą wiązać się ze zwiększoną zdolnością współrzędnych czuciowo-motorycznych.

Nieprawidłowość przedniego zakrętu obręczy w IGD

Stwierdziliśmy niższy FAŁSZ w przednim zakręcie obręczy na powolnym 6. Przedni obszar zakrętu był zaangażowany w hamowanie, kontrolowanie i monitorowanie konfliktów (; ) i nieprawidłowości zostały wymienione w poprzednich badaniach IGD (; ). Jak wspomniano we wstępie, niższe wartości fALFF mogą odnosić się do zmniejszonej zdolności koordynacyjnej neuronowej aktywności długodystansowej. To założenie jest poparte badaniami w tej dziedzinie: z podejściem funkcjonalnej łączności. zgłoszono zmniejszoną funkcjonalną łączność między ACC i PFC w IAD. zaproponowali, że niższa aktywność w ACC może odzwierciedlać nieprawidłową obniżoną spontaniczną aktywność neuronalną w tym regionie i deficyt funkcjonalny. Inne badania związane z zadaniami wykazały, że IGD zawsze towarzyszyły dysfunkcjom poznawczym, takim jak niedobór funkcji poznawczych (, ). Uważamy więc, że nieprawidłowość w ACC jest związana z dysfunkcjami poznawczymi IGD.

Odwrotny wzór w móżdżku i językowym żyrze w różnych pasmach IGD

Należy zauważyć, że nieprawidłowości w spontanicznej aktywności nerwowej w IGD zależą od określonych pasm częstotliwości, zwłaszcza w móżdżku i zakręcie językowym. W porównaniu z HC, IGD wykazywał zmniejszoną amplitudę w dolnych pasmach częstotliwości (slow-4, slow-5, slow-6) i zwiększoną amplitudę w wyższych pasmach częstotliwości (slow-2, slow-3) w zakręcie językowym. Przeciwnie, IGD wykazywał zwiększoną amplitudę w dolnych pasmach częstotliwości (slow-6) i zmniejszoną amplitudę w wyższych pasmach (slow-2, slow-3, slow-4) w móżdżku (Postacie 2A, B). Okazało się, że różne pasma oscylacyjne są rozwijane przez różne mechanizmy i mają różne funkcje fizjologiczne (; ). Jak wykazały wcześniejsze badania, niższe fluktuacje częstotliwości mają większą moc i fluktuacje wyższych częstotliwości mają mniejszą moc (; ). Obecne odkrycia mogą sugerować, że IGD ma zwiększoną zdolność koordynacyjną długodystansowej aktywności neuronalnej w móżdżku i zakręcie językowym. To założenie może być poparte wcześniejszym badaniem, które wykazało, że osoby z IGD wykazują zwiększoną łączność funkcjonalną w obustronnym móżdżku; ), a inne badanie wykryło deficyty gęstości istoty szarej w zakręcie językowym, które mogą mieć związek z długodystansową aktywnością neuronów ().

Wnioski

Wyniki niniejszego badania sugerują, że osoby z IGD wykazywały nieprawidłowy fALFF w wielu obszarach mózgu, w tym w móżdżku (IGD <HC) i zakręcie skroniowym górnym (IGD> HC). Niniejsze badanie może pomóc w zrozumieniu patofizjologii IGD, a pełna analiza amplitudy częstotliwości może potencjalnie pomóc w wyborze określonego zakresu częstotliwości do wykrywania czynności mózgu związanych z IGD.

Autorskie Wkłady

XL przeanalizował dane, napisał pierwszy szkic manuskryptu; XJ przyczynił się do analizy danych, Y-FZ przyczynił się do wytycznych metod eksperymentalnych i poprawił rękopis. GD zaprojektował to badanie, poprawił i ulepszył rękopis. Wszyscy autorzy przyczynili się do ostatecznego manuskryptu i zatwierdzili go.

Oświadczenie o konflikcie interesów

Autorzy oświadczają, że badanie zostało przeprowadzone przy braku jakichkolwiek powiązań handlowych lub finansowych, które mogłyby być interpretowane jako potencjalny konflikt interesów.

Podziękowanie

Badania te były wspierane przez National Science Foundation of China (31371023). Dr Zang jest wspierany przez program „Qian Jiang Distinguished Professor”.

 

Finansowanie. Darczyńcy nie mieli żadnej roli w projektowaniu badań, zbieraniu i analizowaniu danych, podejmowaniu decyzji o publikacji lub przygotowaniu manuskryptu.

 

Referencje

  • Amerykańskie Towarzystwo Psychiatryczne (2013). Amerykańskie Stowarzyszenie Psychiatryczne. Podręcznik diagnostyczny i statystyczny zaburzeń psychicznych, 5th Edn. Arlington, Teksas: American Psychiatric Association
  • Baria AT, Baliki MN, Parrish T., Apkarian AV (2011). Anatomiczne i funkcjonalne zespoły oscylacji mózgu BOLD. J. Neurosci. 31 7910 – 7919. 10.1523 / JNEUROSCI.1296-11.2011 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
  • Broda KW, Wolf EM (2001). Modyfikacja proponowanych kryteriów diagnostycznych uzależnienia od Internetu. Cyber ​​Psychol. Behav. 4 377-383. 10.1089 / 109493101300210286 [PubMed] [Cross Ref]
  • Biswal B., Yetkin FZ, Haughton VM, Hyde JS (1995). Łączność funkcjonalna w korze ruchowej ludzkiego mózgu spoczynkowego przy użyciu echo-planarnego MRI. Magn. Rezon. Med. 34 537 – 541. 10.1002 / mrm.1910340409 [PubMed] [Cross Ref]
  • Błaszczyński A. (2008). Komentarz: odpowiedź na „Problemy z koncepcją„ uzależnienia od gier wideo ”: niektóre przykłady studiów przypadku”. Int. J. Ment. Uzależniony od zdrowia. 6 179–181. 10.1007/s11469-007-9132-2 [Cross Ref]
  • Block JJ (2007). Częstość występowania jest niedoszacowana w problematycznym badaniu korzystania z Internetu. CNS Spectr. 12 14-15. [PubMed]
  • Block JJ (2008). Zagadnienia dotyczące DSM-V: uzależnienie od internetu. Rano. J. Psychiatry 165 306 – 307. 10.1176 / appi.ajp.2007.07101556 [PubMed] [Cross Ref]
  • Bluhm RL, Miller J., Lanius RA, Osuch EA, Boksman K., Neufeld RWJ, et al. (2007). Spontaniczne wahania niskiej częstotliwości w pogrubionym sygnale u pacjentów ze schizofrenią: anomalie w sieci domyślnej. Schizophr. Byk. 33 1004 – 1012. 10.1093 / schbul / sbm052 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
  • Bullock TH (1997). Sygnały i znaki w układzie nerwowym: dynamiczna anatomia aktywności elektrycznej jest prawdopodobnie bogata w informacje. Proc. Natl. Acad Sci. USA 94 1-6. [Artykuł bezpłatny PMC] [PubMed]
  • Buzsáki G., Draguhn A. (2004). Oscylacje neuronowe w sieciach korowych. nauka 304 1926 – 1929. 10.1126 / science.1099745 [PubMed] [Cross Ref]
  • Kardynał RN (2006). Systemy neuronowe związane z opóźnionym i probabilistycznym wzmocnieniem. Sieć neuronowa. 19 1277 – 1301. 10.1016 / j.neunet.2006.03.004 [PubMed] [Cross Ref]
  • De Smet HJ, Paquier P., Verhoeven J., Mariën P. (2013). Móżdżek: jego rola w języku i powiązane funkcje poznawcze i afektywne. Brain Lang. 127 334 – 342. 10.1016 / j.bandl.2012.11.001 [PubMed] [Cross Ref]
  • De Zeeuw CI, Hoebeek FE, Bosman LWJ, Schonewille M., Witter L., Koekkoek SK (2011). Czasowo-czasowe wzory wypalania w móżdżku. Nat. Wielebny Neurosci. 12 327 – 344. 10.1038 / nrn3011 [PubMed] [Cross Ref]
  • Ding W.-N., Sun J.-H., Sun Y.-W., Zhou Y., Li L., Xu J.-R., et al. (2013). Zmieniona domyślna sieć połączeń funkcjonalnych w stanie spoczynku u młodzieży z uzależnieniem od gier internetowych. PLoS ONE 8: e59902 10.1371 / journal.pone.0059902 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
  • Dong G., DeVito EE, Du X., Cui Z. (2012a). Zaburzenia kontroli hamującej w „zaburzeniach uzależnienia od internetu”: funkcjonalne badanie obrazowania metodą rezonansu magnetycznego. Psychiatry Res. 203 153 – 158. 10.1016 / j.pscychresns.2012.02.001 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
  • Dong G., DeVito E., Huang J., Du X. (2012b). Obrazowanie tensora dyfuzji ujawnia nieprawidłowości kory wzgórza i tylnego zakrętu obręczy u uzależnionych od gier internetowych. J. Psychiatr. Res. 46 1212 – 1216. 10.1016 / j.jpsychires.2012.05.015 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
  • Dong G., Huang J., Du X. (2012c). Zmiany w homogeniczności regionalnej aktywności mózgu w stanie spoczynku u osób uzależnionych od gier internetowych. Behav. Brain Funct. 8 1–8. 10.1186/1744-9081-8-41 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
  • Dong G., Huang J., Du X. (2011a). Zwiększona wrażliwość na nagrody i zmniejszona wrażliwość na straty u osób uzależnionych od Internetu: badanie fMRI podczas zadania zgadywania. J. Psychiatr. Res. 45 1525 – 1529. 10.1016 / j.jpsychires.2011.06.017 [PubMed] [Cross Ref]
  • Dong G., Zhou H., Zhao X. (2011b). Męscy uzależnieni od Internetu wykazują upośledzoną kontrolę wykonawczą: dowody z kolorowego zadania Stroop. Neurosci. Łotysz. 499 114 – 118. 10.1016 / j.neulet.2011.05.047 [PubMed] [Cross Ref]
  • Dong G., Lu Q., Zhou H., Zhao X. (2010). Hamowanie impulsów u osób z zaburzeniami uzależnienia od Internetu: dowody elektrofizjologiczne z badania Go / NoGo. Neurosci. Łotysz. 485 138 – 142. 10.1016 / j.neulet.2010.09.002 [PubMed] [Cross Ref]
  • Dong G., Potenza MN (2014). Kognitywno-behawioralny model zaburzeń gier internetowych: teoretyczne podstawy i implikacje kliniczne. J. Psychiatr. Res. 58 7 – 11. 10.1016 / j.jpsychires.2014.07.005 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
  • Doyon J., Penhune V., Ungerleider LG (2003). Wyraźny udział systemów korowo-prążkowia i korowo-móżdżkowego w nauce umiejętności motorycznych. Neuropsychologia 41 252–262. 10.1016/S0028-3932(02)00158-6 [PubMed] [Cross Ref]
  • Fitzpatrick JJ (2008). Uzależnienie od Internetu: rozpoznawanie i interwencje. Łuk. Psychiatr. Nurs. 22 59 – 60. 10.1016 / j.apnu.2007.12.001 [PubMed] [Cross Ref]
  • Flisher C. (2010). Podłączony: przegląd uzależnienia od internetu. J. Paediatr. Zdrowie dziecka 46 557-559. 10.1111 / j.1440-1754.2010.01879.x [PubMed] [Cross Ref]
  • Fowler JS, Volkow ND, Kassed CA, Chang L. (2007). Obrazowanie uzależnionego ludzkiego mózgu. Sci. Pract. Perspektywa. 3 4 – 16. 10.1151 / spp07324 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
  • Frances AJ, Widiger T. (2012). Diagnoza psychiatryczna: lekcje z przeszłości DSM-IV i ostrzeżenia dotyczące przyszłości DSM-5. Annu. Rev. Clin. Psychol. 8 109 – 130. 10.1146 / annurev-klinpsy-032511-143102 [PubMed] [Cross Ref]
  • Goldstein RZ, Tomasi D., Rajaram S., Cottone LA, Zhang L., Maloney T., i in. (2007). Rola przedniej obręczy i środkowej kory oczodołowo-czołowej w przetwarzaniu sygnałów leku w uzależnieniu od kokainy. Neuroscience 144 1153 – 1159. 10.1016 / j.neuroscience.2006.11.024 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
  • Grant JE, Potenza MN, Weinstein A., Gorelick DA (2010). Wprowadzenie do uzależnień behawioralnych. Rano. J. Nadużywanie alkoholu 36 233-241. 10.3109 / 00952990.2010.491884 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
  • Griffiths M. (2005). Związek między hazardem a grą w gry wideo: odpowiedź na Johanssona i Gotestama. Psychol. Rozpustnik. 96 644 – 646. 10.2466 / pr0.96.3.644-646 [PubMed] [Cross Ref]
  • Guo W., Liu F., Zhang J., Zhang Z., Yu L., Liu J., et al. (2013). Dysocjacja aktywności regionalnej w sieci z domyślnym trybem w pierwszym epizodzie, nieleczona na dużą skalę depresja w spoczynku. J. Affect. Disord. 151 1097-1101. 10.1016 / j.jad.2013.09.003 [PubMed] [Cross Ref]
  • Han DH, Bolo N., Daniels MA, Arenella L., Lyoo IK, Renshaw PF (2011a). Aktywność mózgu i chęć grania w gry wideo. Compr. Psychiatria 52 88 – 95. 10.1016 / j.comppsych.2010.04.004 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
  • Han Y., Wang J., Zhao Z., Min B., Lu J., Li K., i in. (2011b). Zależne od częstotliwości zmiany amplitudy fluktuacji o niskiej częstotliwości w amnestycznych łagodnych zaburzeniach poznawczych: badanie fMRI w stanie spoczynku. Neuroimage 55 287 – 295. 10.1016 / j.neuroimage.2010.11.059 [PubMed] [Cross Ref]
  • Han DH, Lyoo IK, Renshaw PF (2012). Różnicowe regionalne objętości substancji szarej u pacjentów z uzależnieniem od gry on-line i profesjonalnych graczy. J. Psychiatr. Res. 46 507 – 515. 10.1016 / j.jpsychires.2012.01.004 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
  • Hong S.-B., Kim J.-W., Choi E.-J., Kim H.-H., Suh J.-E., Kim C.-D., et al. (2013). Zmniejszona grubość kory oczodołowo-czołowej u nastolatków z uzależnieniem od Internetu. Behav. Brain Funct. 9 1–5. 10.1186/1744-9081-9-11 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
  • Ito M. (2006). Obwód móżdżkowy jako maszyna neuronalna. Progr. Neurobiol. 78 272 – 303. 10.1016 / j.pneurobio.2006.02.006 [PubMed] [Cross Ref]
  • Jiang G.-H., Qiu Y.-W., Zhang X.-L., Han L.-J., Lv X.-F., Li L.-M., et al. (2011). Niskoczęstotliwościowe oscylacje amplitudy u użytkowników heroiny: badanie fMRI w stanie spoczynku. Neuroimage 57 149 – 154. 10.1016 / j.neuroimage.2011.04.004 [PubMed] [Cross Ref]
  • Knyazev GG (2007). Motywacja, emocje i ich kontrola hamująca odzwierciedlają się w oscylacjach mózgu. Neurosci. Biobehav. Obrót silnika. 31 377-395. 10.1016 / j.neubiorev.2006.10.004 [PubMed] [Cross Ref]
  • Ko C. (2014). Zaburzenia gier internetowych. Curr. Addic. Rozpustnik. 1 177-185.
  • Kuss DJ, Griffiths MD (2012). Uzależnienie od Internetu i gier: systematyczny przegląd literatury na temat badań neuroobrazowych. Brain Sci. 2 347 – 374. 10.3390 / brainsci2030347 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
  • Lecrubier Y., Sheehan DV, Weiller E., Amorim P., Bonora I., Harnett Sheehan K., i in. (1997). Mini międzynarodowy wywiad neuropsychiatryczny (MINI). Krótki wywiad ustrukturyzowany diagnostycznie: wiarygodność i trafność według CIDI. Eur. Psychiatria 12 224-231.
  • Liu J., Gao XP, Osunde I., Li X., Zhou SK, Zheng HR, et al. (2010). Zwiększona jednorodność regionalna w zaburzeniach uzależnienia od internetu badanie czynnościowe rezonansu magnetycznego w stanie spoczynku (2009). Broda. Med. J. (Engl.) 123 1904-1908. [PubMed]
  • Moulton EA, Elman I., Becerra LR, Goldstein RZ, Borsook D. (2013). Móżdżek i uzależnienie: spostrzeżenia uzyskane z badań neuroobrazowych. Nałogowiec. Biol. 19 317 – 331. 10.1111 / adb.12101 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
  • Paus T. (2001). Kora obręczy przedniej naczelnego: gdzie kontrola motoryczna, interfejs napędu i poznania. Nat. Wielebny Neurosci. 2 417-424. 10.1038 / 35077500 [PubMed] [Cross Ref]
  • Penttonen M., Buzsáki G. (2003). Naturalny związek logarytmiczny między oscylatorami mózgu. Thalamus Relat. Syst. 2 145 – 152. 10.1017 / S1472928803000074 [Cross Ref]
  • Petry NM, O'Brien CP (2013). Zaburzenia gier internetowych i DSM-5. Nałóg 108 1186 – 1187. 10.1111 / add.12162 [PubMed] [Cross Ref]
  • Petry NM, Rehbein F., Gentile DA, Lemmens JS, Rumpf H.-J., Mößle T., i in. (2014). Międzynarodowy konsensus dotyczący oceny zaburzeń w grach internetowych przy użyciu nowego podejścia DSM-5. Nałóg 109 1399 – 1406. 10.1111 / add.12457 [PubMed] [Cross Ref]
  • Raymond JL, Lisberger SG, Mauk MD (1996). Móżdżek: maszyna do nauki neuronów? nauka 272 1126 – 1131. 10.1126 / science.272.5265.1126 [PubMed] [Cross Ref]
  • Stoodley CJ, Valera EM, Schmahmann JD (2012). Funkcjonalna topografia móżdżku dla zadań motorycznych i poznawczych: badanie fMRI. Neuroimage 59 1560 – 1570. 10.1016 / j.neuroimage.2011.08.065 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
  • Tao R., Huang X., Wang J. (2008). Proponowane kryterium diagnozy klinicznej uzależnienia od Internetu. Med. J. Chin. Lud Liberat. Armia 33 1188-1191.
  • Tao R., Huang X., Wang J., Zhang H., Zhang Y., Li M. (2010). Proponowane kryteria diagnostyczne uzależnienia od internetu. Nałóg 105 556-564. 10.1111 / j.1360-0443.2009.02828.x [PubMed] [Cross Ref]
  • Van Rooij AJ, Schoenmakers TM, Vermulst AA, Van den Eijnden RJJM, Van de Mheen D. (2011). Uzależnienie od gier wideo online: identyfikacja uzależnionych nastolatków. Nałóg 106 205-212. 10.1111 / j.1360-0443.2010.03104.x [PubMed] [Cross Ref]
  • Weinstein A., Lejoyeux M. (2015). Nowe zmiany w mechanizmach neurobiologicznych i farmakogenetycznych leżących u podstaw uzależnienia od internetu i gier wideo. Rano. J. Addict. 24 117 – 125. 10.1111 / ajad.12110 [PubMed] [Cross Ref]
  • Weng C.-B., Qian R.-B., Fu X.-M., Lin B., Han X.-P., Niu C.-S., i in. (2013). Szarej substancji i nieprawidłowości istoty białej w uzależnieniu od gier online. Eur. J. Radiol. 82 1308 – 1312. 10.1016 / j.ejrad.2013.01.031 [PubMed] [Cross Ref]
  • Xu S.-H. (2013). Uzależnieni od Internetu ”. Zachowanie impulsywności: dowody z zadania hazardowego w Iowa: impulsywność zachowania uzależnionych od Internetu: dowody z zadania hazardowego w Iowa. Acta Psychol. Sinica 44 1523-1534.
  • Yan C., Zang Y. (2010). DPARSF: zestaw narzędzi matlab do analizy danych „rurociągów” w stanie spoczynku fMRI. Z przodu. Syst. Neurosci. 14: 13 10.3389 / fnsys.2010.00013 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
  • Młody KS (1998). Uzależnienie od Internetu: pojawienie się nowego zaburzenia klinicznego. Cyber ​​Psychol. Behav. 1 237–244. 10.1007/s10899-011-9287-4 [Cross Ref]
  • Yu R., Chien Y.-L., Wang H.-LS, Liu C.-M., Liu C.-C., Hwang T.-J., et al. (2014). Częstotliwościowe zmiany w amplitudzie wahań niskiej częstotliwości w schizofrenii. Szum. Mózg Mapp. 35 627 – 637. 10.1002 / hbm.22203 [PubMed] [Cross Ref]
  • Yuan K., Jin C., Cheng P., Yang X., Dong T., Bi Y., et al. (2013). Amplituda zaburzeń fluktuacji niskiej częstotliwości u młodzieży z uzależnieniem od gier online. PLoS ONE 8: e78708 10.1371 / journal.pone.0078708 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
  • Yuan K., Qin W., Wang G., Zeng F., Zhao L., Yang X., et al. (2011). Zaburzenia mikrostruktury u młodzieży z zaburzeniami uzależnienia od Internetu. PLoS ONE 6: e20708 10.1371 / journal.pone.0020708 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
  • Zang Y.-F., He Y., Zhu C.-Z., Cao Q.-J., Sui M.-Q., Liang M., i in. (2007a). Zmieniona wyjściowa aktywność mózgu u dzieci z ADHD ujawniona w spoczynkowym MRI czynnościowym. Brain Dev. 29 83 – 91. 10.1016 / j.braindev.2006.07.002 [PubMed] [Cross Ref]
  • Zang Y.-F., Yong H., Chao-Zhe Z., Qing-Jiu C., Man-Qiu S., Meng L., et al. (2007b). Zmieniona wyjściowa aktywność mózgu u dzieci z ADHD ujawniona w spoczynkowym MRI czynnościowym. Brain Dev. 29 83 – 91. 10.1016 / j.braindev.2006.07.002 [PubMed] [Cross Ref]
  • Zou Q.-H., Zhu C.-Z., Yang Y., Zuo X.-N., Long X.-Y., Cao Q.-J., et al. (2008). Ulepszone podejście do wykrywania amplitudy fluktuacji niskiej częstotliwości (ALFF) dla fMRI w stanie spoczynku: ułamkowe ALFF. J. Neurosci. Metody 172 137 – 141. 10.1016 / j.jneumeth.2008.04.012 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]
  • Zuo X.-N., Di Martino A., Kelly C., Shehzad ZE, Gee DG, Klein DF i in. (2010). Oscylujący mózg: złożony i niezawodny. Neuroimage 49 1432 – 1445. 10.1016 / j.neuroimage.2009.09.037 [Artykuł bezpłatny PMC] [PubMed] [Cross Ref]