Чонг-Яу Ви равный участник, Чжиминь Чжао равный участник, Пью-Тиан Яп, Гуорун Ву, Фэн Ши, Истинная цена, Ясон Ду, Цзяньжун Сюй, Янь Чжоу почта, Почта Динган Шен
Опубликовано: сентябрь 16, 2014
DOI: 10.1371 / journal.pone.0107306
Абстрактные
Интернет-зависимость (IAD) все чаще признается психическим расстройством, особенно среди подростков. Однако патогенез, связанный с IAD, остается неясным. В этом исследовании мы стремимся изучить энцефалические функциональные характеристики подростков с ИБС в состоянии покоя, используя данные функциональной магнитно-резонансной томографии. Мы применили теоретико-графовый подход для исследования возможных нарушений функциональной связности с точки зрения сетевых свойств, включая компактность, эффективность и узловую центральность, у 17 подростков с IAD и 16 социально-демографически соответствующих здоровых людей из контрольной группы. Для оценки статистической значимости топологических различий сети на уровне группы были выполнены параметрические тесты с поправкой на частоту ложных обнаружений. Кроме того, был проведен корреляционный анализ для оценки взаимосвязи между функциональной связностью и клиническими показателями в группе IAD. Наши результаты показывают, что существуют значительные нарушения в функциональном коннектоме пациентов с ИАД, особенно между областями, расположенными в лобной, затылочной и теменной долях. Затронутые соединения - это дальние и межполушарные соединения. Хотя значительные изменения наблюдаются в показателях региональных узлов, различий в топологии глобальной сети между IAD и здоровыми группами нет. Кроме того, корреляционный анализ показывает, что наблюдаемые региональные отклонения коррелируют с тяжестью ИАД и клиническими оценками поведения. Наши результаты, которые относительно согласуются между анатомически и функционально определенными атласами, предполагают, что IAD вызывает нарушения функциональных связей и, что важно, такие нарушения могут быть связаны с поведенческими нарушениями.
цифры
Образец цитирования: Ви С.И., Чжао З., Яп П.Т., Ву Г., Ши Ф. и др. (2014) Нарушение функциональной сети мозга при интернет-зависимости: исследование функциональной магнитно-резонансной томографии в состоянии покоя. PLoS ONE 9(9): e107306. doi:10.1371/journal.pone.0107306
Редактор: Сатору Хаясака, Медицинская школа Уэйк Форест, США
Получено: Январь 20, 2014; Принято: Август 11, 2014; Опубликовано: 16 сентября, 2014
Авторское право: © 2014 Ви и др. Это статья в открытом доступе, распространяемая на условиях Лицензии Creative Commons Attribution, который допускает неограниченное использование, распространение и воспроизведение на любом носителе при условии, что оригинал автора и источник зачисляются.
Финансирование: Эта работа была частично поддержана грантами Национальных институтов здравоохранения (NIH) EB006733, EB008374, EB009634, AG041721 и CA140413, а также Национальным фондом естественных наук Китая (81171325) и Национальной программой исследований и разработок ключевых технологий 2007BAI17B03. Спонсоры не играли никакой роли в разработке исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.
Конкурирующие интересы: Авторы заявили, что не существует никаких конкурирующих интересов.
Введение
Сообщалось, что чрезмерное использование Интернета может привести к изменению социально-поведенческих характеристик, аналогичных тем, которые наблюдаются при зависимости от психоактивных веществ и патологических азартных играх. [1], [2]. В связи с резким ростом числа пользователей Интернета за последние десятилетия эта проблема все чаще рассматривается как серьезная проблема общественного здравоохранения. [3]. Интернет-зависимость и компьютерная зависимость в целом представляют собой широко распространенное явление, затрагивающее миллионы людей в Соединенных Штатах и за рубежом, причем самые высокие показатели заболеваемости наблюдаются среди подростков и студентов колледжей в развивающихся регионах Азии. [3]–[7]. Эффект чрезмерного воздействия Интернета в молодом возрасте имеет особое клиническое и социальное значение, поскольку подростковый возраст — это период значительных изменений в нейробиологии, связанной с принятием решений. [8] и, таким образом, проявляет более высокую восприимчивость к аффективным расстройствам и зависимости. [9]–[11]. После плодотворной работы Янга [2]Интернет-зависимость привлекла значительное внимание социологов, психологов, психиатров и педагогов.
Клинические особенности поведенческих проблем, связанных с использованием Интернета, были описаны по различным диагностическим критериям, включая интернет-зависимость (IAD). [12], патологическое использование Интернета [13]и проблемное использование Интернета [14]. IAD был классифицирован как расстройство контроля над импульсами, поскольку оно предполагает неадаптивное использование Интернета без каких-либо одурманивающих веществ, что похоже на патологическую азартную игру. IAD проявляет сходные характеристики с другими зависимостями, включая развитие академических, финансовых и профессиональных трудностей в результате аддиктивного поведения и проблем в развитии и поддержании личных и семейных отношений. Люди, страдающие ОВР, будут проводить больше времени в одиночестве, что, в свою очередь, влияет на их нормальное социальное функционирование. В худших случаях пациенты могут испытывать физический дискомфорт или проблемы со здоровьем, такие как синдром запястного канала, сухость глаз, боли в спине, сильные головные боли, нерегулярное питание и нарушение сна. [15], [16]. Более того, пациенты часто резистентны к лечению ИАД и имеют высокий уровень рецидивов. [17], и многие из них также страдают от других зависимостей, таких как пристрастие к наркотикам, алкоголю, азартным играм или сексу. [18].
Хотя IAD еще не рассматривается как зависимость или психическое расстройство в DSM-5. [19]существует множество исследований, в основном основанных на психологических опросниках, которые указываются самими участниками, показывающих негативные последствия в повседневной жизни с точки зрения поведенческих компонентов, психосоциальных факторов, лечения симптомов, сопутствующих психиатрических заболеваний, клинического диагноза и результатов лечения. [6], [20]–[23]. Помимо поведенческого анализа, недавно были применены методы нейровизуализации для изучения влияния чрезмерного использования Интернета на структурные и функциональные характеристики человеческого мозга. [7], [24]–[29]. Функциональная магнитно-резонансная томография в состоянии покоя (Р-фМРТ) — эффективный метод в естественных условиях инструмент для исследования активности нейронов головного мозга, ранее использовавшийся для выявления возможных нарушений функциональных характеристик головного мозга при ИАД. [24], [26], [27], [30]. В [27]Анализ региональной однородности (ReHo), который измеряет согласованность региональных низкочастотных колебаний (LFF) в сетях мозга, выявил усиленную синхронизацию между областями мозга, связанными с путями вознаграждения, у пациентов с IAD. В аналогичном исследовании людей с зависимостью от онлайн-игр (OGA) было предложено использовать увеличенную амплитуду LFF в левой медиальной орбитофронтальной коре, которая имеет анатомические связи с несколькими областями, связанными с целенаправленным принятием решений, в качестве биомаркера заболевания. [30]. Хонг и другие использовали сетевую статистику (NBS) для анализа групповых различий в межрегиональных функциональных связях между IAD и контрольными группами, и в группе IAD наблюдалось широко распространенное снижение функциональной связности, при этом, в частности, не было глобального нарушения общей топологии сети. [26]. В другом исследовании, основанном на функциональных связях, изменения в сетевых подключениях по умолчанию были изучены с использованием задней поясной извилины (PCC) в качестве исходной области. [24]. Результаты показали усиление функциональной связи между двусторонней задней долей мозжечка и средней височной извилиной, а также снижение связи между двусторонней нижней теменной долей и правой нижней височной извилиной.
В текущем исследовании мы применяем теоретико-графовый подход для анализа IAD на основе данных R-фМРТ. Сначала мы оцениваем значимость нарушения функциональной связи, используя параметрические тесты с коррекцией множественного сравнения. Это позволяет нам полностью изучить полная картина функциональных связей мозга и модели подключения между крупномасштабными сетями [31]. Во-вторых, мы исследуем возможные нарушения подключения, связанные с IAD, с точки зрения свойства глобальной сети, включая свойства маленького мира (т. е. коэффициент кластеризации и характеристическую длину пути) и эффективность сети (т. е. глобальную и локальную эффективность) в режиме маленького мира. В-третьих, при одинаковом диапазоне разреженности сети мы оцениваем функциональную значимость сети, принимая во внимание связь региона со всем функциональным коннектомом. [32] на основе показателей центральности каждой рентабельности инвестиций. Мы заинтересованы в использовании централизованности сети для лучше локализовать разрушенные регионы на более местном уровне. Наконец, мы исследуем взаимосвязь между сетевыми метриками и поведенческими и клиническими показателями участников. Исследование связи между свойствами сети и клиническим исходом расширяет наши знания о патологии зависимости и дает жизненно важную информацию для разработки более надежных методов диагностики IAD.
Материалы и методы
Участниками
В этом исследовании приняли участие тридцать три участника-правши, в том числе 17 подростков с IAD (15 мужчин и 2 женщины) и 16 здоровых людей контрольной группы (HC) соответствующего пола, возраста и образования (14 мужчин и 2 женщины). . Пациенты были набраны из отделения детской и подростковой психиатрии Шанхайского центра психического здоровья медицинского факультета Шанхайского университета Цзяо Тун. Субъекты контрольной группы были набраны из местного сообщества с помощью рекламы. Исследование было одобрено Комитетом по этике медицинских исследований и Институциональным наблюдательным советом Шанхайского центра психического здоровья в соответствии с Хельсинкской декларацией, и от родителей/опекунов каждого участника было получено полное письменное информированное согласие.
Длительность ИАД оценивалась посредством ретроспективной диагностики. Всем испытуемым было предложено вспомнить свой образ жизни, когда они впервые оказались зависимы от Интернета. Чтобы подтвердить наличие интернет-зависимости, пациенты прошли повторное тестирование в соответствии с модифицированным диагностическим опросником Янга (YDQ) по критериям интернет-зависимости, разработанным Бирдом и Вольфом. [33], а надежность самооценки ОВД была подтверждена в ходе интервью с их родителями. Пациенты с ИБС потратили не менее часов в день в Интернете или онлайн-играх, а также дней в неделю. Мы проверили эту информацию от соседей по комнате и одноклассников пациентов о том, что они часто настаивали на том, чтобы сидеть в Интернете поздно ночью, нарушая жизнь других, несмотря на последствия. Обратите внимание, что все пациенты были зависимы от Интернета не менее 2 лет и более. Подробная информация об измененных критериях YDQ для интернет-зависимости представлена в разделе Файл S1.
По результатам предыдущего исследования IAD [34], только те ХК, которые потратили менее 2 часов (затраченный час = ) в день в Интернете были включены в текущее исследование. Группа ХК провела дней в неделю в Интернете. HC также были протестированы с использованием модифицированных критериев YDQ, чтобы убедиться, что они не страдают IAD. Все набранные участники были носителями китайского языка и никогда не употребляли запрещенные вещества. Обратите внимание, что модифицированный YDQ был переведен на китайский язык для удобства участников. Для дальнейшего обоснования результатов диагностики был использован еще один диагностический показатель IAD — шкала интернет-зависимости Янга (YIAS). [35], проводилось для каждого участника. YIAS — это опросник из 20 пунктов, разработанный доктором Кимберли Янг для оценки степени интернет-зависимости. Он классифицирует интернет-пользователей на три степени серьезности на основе 100-балльной схемы: умеренный онлайн-пользователь ( баллов), умеренный онлайн-пользователь ( баллов) и серьезный онлайн-пользователь ( точки).
Помимо диагностики IAD с помощью модифицированных YDQ и YIAS, поведенческое состояние пациентов с IAD также оценивалось с использованием нескольких опросников, связанных с поведением: Шкала импульсивности Барратта-11 (BIS-11). [36], Шкала распределения времени (TMDS) [37], Вопросник по силе и сложности (SDQ) [38]и устройство оценки семьи Макмастера (FAD) [39]. В исследовании использовались как дочерняя, так и родительская версии SDQ. Подробная информация об этих анкетах представлена в Файл S1.
Перед собеседованием для сбора анамнеза все участники прошли простой медицинский осмотр (измерение артериального давления и сердцебиения) для исключения физических нарушений, связанных с двигательной, пищеварительной, нервной, дыхательной, кровообращением, эндокринной, мочевыделительной и репродуктивной системами. Критерии исключения включали: 1) наличие в анамнезе коморбидных психических и непсихиатрических расстройств, таких как тревожное расстройство, депрессия, компульсивность, шизофрения, аутизм или биполярное расстройство; 2) история злоупотребления психоактивными веществами или зависимости; 3) в анамнезе соматические расстройства, связанные с двигательной, пищеварительной, нервной, дыхательной, кровообращением, эндокринной, мочевыделительной и репродуктивной системами; и 4) беременность или менструальный период у женщин в день сканирования. Эта исключительная процедура важна для того, чтобы гарантировать, что участники этого исследования не страдают от других физических, неврологических или нервно-психических расстройств, и, следовательно, уменьшает возможные систематические ошибки в полученных результатах. Подробная демографическая информация и клинические оценки представлены в Таблица 1.
Таблица 1. Демографическая информация участников, участвовавших в этом исследовании.
DOI: 10.1371 / journal.pone.0107306.t001
Сбор данных и предварительная обработка
Сбор данных проводился с использованием сканера 3.0 Тесла (Philips Achieva). Функциональные изображения в состоянии покоя каждого участника были получены со временем эха (TE) = 30 мс и временем повторения (TR) = 2000 мс. Матрица сбора данных имела размер 64×64 с прямоугольным полем зрения 230×230 мм.2и разрешение вокселей 3.59×3.59×4 мм.3. Сканирование включало 220 томов на каждого участника. Во время сбора данных участников просили спокойно лежать в сканере с закрытыми глазами. Хотя для определения того, действительно ли испытуемые держали глаза закрытыми, не использовалось никаких дополнительных методов или устройств, испытуемые подтвердили, что осознавали это и держали глаза закрытыми во время сканирования.
Предварительная обработка данных проводилась с использованием стандартного конвейера в двух наборах инструментов обработки R-fMRI, DPARSF. [40] и ОТДЫХ [41]. Перед какой-либо предварительной обработкой первые 10 объемов R-фМРТ каждого субъекта были отброшены для достижения равновесия намагниченности. Объемы Р-фМРТ были нормализованы по пространству МНИ с разрешением 3×3×3 мм.3. Была проведена регрессия мешающих сигналов, включая желудочки, белое вещество и глобальные сигналы. Ни один из участников не был исключен по критерию смещения более 3 мм или углового поворота более 3 градусов в любом направлении. Чтобы еще больше минимизировать эффекты движения головы, мы использовали 24-параметрическую коррекцию Фристона, а также среднее покадровое смещение (FD) для конкретных вокселей. [42] с порогом FD 0.5. Перед оценкой функциональной связи средние временные ряды R-фМРТ каждой области интереса подвергались полосовой фильтрации ( Гц).
Построение сети и анализ отдельных соединений
В этом исследовании был использован графотеоретический анализ для изучения функциональных изменений коннектома головного мозга, вызванных IAD, у группы китайских подростков. Функциональные сети мозга были построены на макромасштабном уровне, где узлы представляют заранее определенные области мозга, а края представляют межрегиональную функциональную связь в состоянии покоя (RSFC). Чтобы определить узлы сети, мы разделили мозг на области интереса (ROI) путем преобразования изображений фМРТ в атлас автоматической анатомической маркировки (AAL). [43]. Регионы, основанные на атласе AAL, перечислены в Таблице S1 на Файл S1. Репрезентативный временной ряд каждой ROI затем был получен путем усреднения регрессированного временного ряда по всем вокселам в каждой отдельной ROI. Для измерения межрегиональных РСФК мы рассчитали попарную корреляцию Пирсона для всех возможных (() = 4005) пар ROI и построил симметричную матрицу связности для представления этих соединений. Мы проанализировали различия на уровне группы между каждой парой ROI с точки зрения силы связи. Достоверные различия для каждой функциональной связи оценивали с помощью массового одномерного (двустороннего) метода. - тесты с порогом и коррекция частоты ложных обнаружений (FDR).
Сетевые метрики и анализ характеристик
Матрица функциональной связности, основанная на корреляции Пирсона, плотно связана со многими ложными элементами низкой силы. Чтобы лучше смоделировать сети человеческого мозга, которые проявляют свойства маленького мира, матрица функциональных связей каждого человека была дополнительно обработана, чтобы получить диапазон разреженности, который попадает в режим маленького мира () [44]–[48]. Этот режим обеспечивает относительно стабильные характеристики маленького мира для мозговых сетей из 90 ROI. [44]. В частности, корреляционная матрица Пирсона каждого субъекта была преобразована в бинаризованную матрицу смежности. , в соответствии с заранее заданной разреженностью, где все первоначально устанавливаются равными единице, а затем элементы, соответствующие наименьшим значениям корреляции, повторно устанавливаются равными нулю до тех пор, пока не будет достигнут определенный уровень разреженности. На основе этих сетей мы использовали как глобальные, так и региональные сетевые метрики для анализа общей архитектуры и региональной узловой централизации мозговых сетей для сравнения на уровне группы. Используемые глобальные метрики включали параметры маленького мира, а именно коэффициент кластеризации () и характерную длину пути () [49], [50], а также эффективность глобальной сети () и эффективность локальной сети (). Кроме того, мы рассчитали нормализованные версии этих показателей с использованием случайных сетей (качества ), чтобы обеспечить свойство маленького мира построенных мозговых сетей. Мы определяем сеть как «тесный мир», если она соответствует следующим трем критериям: , и соотношение маленького мира, . Три узловые метрики центральности – степень (), эффективность () и посредничество () – каждой области мозга были рассчитаны для исследования локальных характеристик функциональной сети [44], [46].
Чтобы статистически исследовать различия между группами, мы провели двусторонний двухвыборочный анализ. - тесты с порогом (с поправкой FDR) для каждой сетевой метрики (глобальной и региональной) на основе площади под кривой (AUC) каждой сетевой метрики, построенной на основе режима маленького мира [48]. AUC предоставляет сводку топологических характеристик мозговых сетей во всем режиме маленького мира, вместо того, чтобы рассматривать топологию только с одним порогом разреженности. [44], [51]. В частности, для каждой сетевой метрики мы сначала рассчитали значение AUC каждого отдельного субъекта в сетях с разными уровнями разреженности, а затем выполнили двухвыборочное исследование. -тесты для статистической количественной оценки любых различий на групповом уровне между IAD и здоровыми группами. Примечательно, что перед статистическими тестами мы применили множественные линейные регрессии, чтобы исключить влияние возраста, пола и образования, а также их взаимодействия. [31], [52]–[54].
Надежность и повторяемость с использованием функционального атласа
В текущем исследовании функциональные сети связи были построены на региональном уровне путем разделения всего мозга на 90 областей интереса на основе атласа AAL. Однако также сообщалось, что сети мозга, полученные на основе разных схем парцелляции или с использованием разных пространственных масштабов, могут иметь различную топологическую архитектуру. [55]–[57]. Для оценки достоверности и повторяемости наших результатов мы повторили эксперименты с использованием функционального атласа Дозенбаха. [58], который разделяет человеческий мозг на 160 областей интереса, включая мозжечок. В этом атласе каждая ROI определяется как квадрат диаметром 10 мм, окружающий выбранную исходную точку, а расстояние между всеми центрами ROI составляет не менее 10 мм без пространственного перекрытия, что означает, что некоторые области мозга не охвачены набором ROI.
Взаимосвязь между сетевыми метриками и поведенческими показателями
Для тех регионов (на основе атласа AAL), которые демонстрируют значительные различия на уровне групп в региональной узловой центральности, мы использовали парную корреляцию Пирсона (, исправлено FDR) для анализа взаимосвязей между сетевыми свойствами каждого региона и поведенческими оценками человека. В частности, в корреляционном анализе сетевые показатели рассматривались как зависимые переменные, а поведенческие оценки, т.е. BIS-11, TMDS, SDQ и FAD, рассматривались как независимые переменные. Чтобы лучше понять взаимосвязь между пораженными областями мозга и тяжестью заболевания, мы также рассчитали коэффициент корреляции Пирсона между сетевыми характеристиками и оценками YIAS.
Итоги
Демографические и клинические характеристики
Существенной разницы по возрасту, полу и году обучения нет (все с ) между группами IAD и HC. Однако существуют существенные различия в использовании Интернета с точки зрения количества дней в неделю () и часов в день (). Хотя существенной разницы между группами по показателям BIS-11 и TMDS нет (все с ), SDQ-P (), SDQ-C () и ФАД () баллы значительно выше в группе IAD, как показано на Таблица 1 и Рисунок 1. Примечательно, что YIAS (), клинический показатель, используемый для классификации IAD, показывает наиболее значительную разницу на уровне группы.
Рисунок 1. Различия между группами с точки зрения клинических и поведенческих показателей.
(YIAS = шкала интернет-зависимости Янга, BIS-11 = шкала импульсивности Барратта-11, TMDS = шкала склонности к тайм-менеджменту, SDQ-P = родительская версия опросника по сильным и трудностям, SDQ-C = детская версия опросника по сильным и трудностям, FAD = МакМастера Устройство для оценки семьи).
DOI: 10.1371 / journal.pone.0107306.g001
Индивидуальная функциональная связь
По сравнению с группой HC только три функциональных соединения претерпели значительные изменения после коррекции FDR. Две межполушарные связи, одна между левой угловой извилиной (теменная доля) и правой средней орбитофронтальной корой (лобная доля), а другая между левой веретенообразной извилиной (затылочная доля) и правой угловой извилиной (теменная доля), демонстрируют повышенную силу связи в Пациенты ИБД. Одно внутриполушарное соединение между правой хвостатой корой (подкорковой корой) и правой супрамаргинальной извилиной (теменной долей) демонстрирует снижение связности в группе заболевания. Эти существенно измененные функциональные связи проиллюстрированы на рис. Рисунок 2. Соединения красного и синего цвета обозначают повышенную и пониженную функциональную связность соответственно в группе IAD. Следует отметить, что большая часть пораженных функциональных связей затрагивает области, расположенные в правом полушарии и теменной доле.
Рисунок 2. Значительно измененные функциональные связи у пациентов с ИАД (с поправкой на FDR).
Красный: повышенная функциональная связность, Синий: пониженная функциональная связность. (FRO: лобная часть, INS: островковая часть, TEM: височная, PAR: теменная, OCC: затылочная, LIM: лимбическая, SBC: подкорковая). Эта визуализация создана с помощью пакета BrainNet Viewer (http://www.nitrc.org/projects/bnv) и цирки (http://circos.ca/).
DOI: 10.1371 / journal.pone.0107306.g002
Глобальные характеристики функциональных сетей
Мы исследовали топологические свойства внутренних функциональных сетей мозга, сравнивая их поведение в маленьком мире с сопоставимыми случайными сетями на нескольких уровнях разреженности сетей. . В частности, мы исследовали параметры малого мира (например, коэффициент кластеризации, характеристическую длину пути и коэффициент малого мира, ), а также глобальную и локальную эффективность. Случайные сети, использованные в исследовании, сохранили количество узлов и ребер, а также распределение степеней реальных сетей мозга, о которых идет речь, благодаря методу перемонтирования, описанному в [59]. Статистический анализ с использованием двухвыборок - тесты (, исправлено FDR) по значениям AUC в режиме маленького мира не продемонстрировало существенной разницы между группами IAD и HC с точки зрения свойств глобальной сети.
Региональные узловые характеристики функциональных сетей
Несмотря на общую топологию маленького мира, наблюдались значительные различия на уровне групп в региональной узловой центральности. В этом исследовании мы считаем, что область мозга значительно изменена в группе IAD, если хотя бы один из трех ее региональных узловых показателей имеет -значение меньше 0.05 (с поправкой FDR) на основе значений AUC. Таблица 2 суммирует регионы, которые значительно изменены у пациентов с IAD. По сравнению с группой HC, у пациентов с IAD наблюдались изменения централизации узлов, преимущественно локализованные в левой нижней теменной доле (IPL), левом таламусе (THA) и других областях, таких как лимбическая система, в частности, в правой передней поясной извилине (ACG) и правой средняя поясная извилина (МСГ). Примечательно, что IPL и ACG являются компонентами сети режима по умолчанию (DMN), которая ранее была связана с изменением связности при наркозависимости. [60]–[62].
Таблица 2. Области, демонстрирующие аномальную центральность узлов у пациентов с IAD по сравнению со здоровыми людьми из контрольной группы (HC) на основе атласа AAL.
DOI: 10.1371 / journal.pone.0107306.t002
Надежность и повторяемость с использованием функционального атласа
Когда для определения ROI используется атлас Дозенбаха, значительные групповые различия наблюдаются главным образом во лобных и теменных соединениях с мозжечком. Эти выводы суммированы в Таблица 3. Хотя эти связи отличаются от тех, которые выявлены на основании атласа AAL, большинство нарушенных связей затрагивают одни и те же доли мозга, за исключением областей мозжечка. Что касается показателей глобальной сети, мы не обнаружили различий между группами IAD и HC, что аналогично результатам, полученным на основе атласа AAL. Что касается показателей локальной сети, мы обнаружили, что некоторые из идентифицированных регионов пространственно расположены рядом с регионами, определенными на основе атласа AAL, такими как ACG и THA, как указано в Таблица 4.
Таблица 3. Функциональные связи у лиц с ИАД, у которых наблюдались значительные изменения по данным атласа Дозенбаха.
DOI: 10.1371 / journal.pone.0107306.t003
Таблица 4. Области, демонстрирующие аномальную центральность узлов у пациентов с IAD по сравнению со здоровыми людьми из контрольной группы (HC) на основе атласа Дозенбаха.
DOI: 10.1371 / journal.pone.0107306.t004
Взаимосвязь между сетевыми метриками и поведенческими показателями
Ничего существенного(, исправлено FDR) корреляция между метриками глобальной сети (, , качества ), а также поведенческие и клинические показатели. Однако региональные узловые показатели нескольких регионов значительно (, с поправкой FDR) коррелировали с поведенческими и клиническими показателями. Правильный ACG положительно коррелирует с оценкой YIAS. Правильная MCG положительно коррелирует с оценкой YIAS. Левый THA положительно коррелирует с показателями YIAS и SDQ-P. Однако левая IPL существенно не коррелирует с какой-либо поведенческой или клинической оценкой. Области мозга, которые значительно коррелируют с поведенческими и клиническими показателями, показаны на рисунке. Рисунок 3.
Рисунок 3. Области мозга, которые значительно коррелируют с поведенческими и клиническими показателями в группе IAD (с поправкой FDR).
Эта иллюстрация была создана с использованием пакета BrainNet Viewer (http://www.nitrc.org/projects/bnv). (YIAS = показатель интернет-зависимости Янга, BIS-11 = шкала импульсивности Барратта-11, TMDS = шкала склонности к тайм-менеджменту, SDQ-P = родительская версия опросника по сильным и трудностям, SDQ-C = детская версия опросника по сильным и трудностям.).
DOI: 10.1371 / journal.pone.0107306.g003
Обсуждение
Изменения индивидуальной функциональной связности
Понимание механизма развития человеческого мозга важно для лучшего понимания патологических основ расстройств, поражающих детей и подростков, что ведет к возможному раннему лечению. На основе графотеоретического анализа данных R-фМРТ было высказано предположение, что функциональная организация человеческого мозга созревает и развивается от детства к подростковому возрасту и к взрослой жизни, следуя уникальной тенденции – большей функциональной сегрегации у детей и большей функциональной интеграции у взрослых. уровень всего мозга [63]–[66]. В частности, организация функциональных мозговых сетей смещается от локальной связности к более распределенной архитектуре с развитием [63], [66], где взрослые, как правило, имеют более слабую функциональную связь ближнего действия и более сильную функциональную связь дальнего действия, чем дети. [65].
Наши результаты показывают, что нарушенные связи, наблюдаемые при IAD, хотя и лишь немногие после коррекции FDR, представляют собой дальнодействующие и межполушарные функциональные связи, которые важны для связи на большие расстояния в человеческом мозге. Нарушение дальних и межполушарных связей — частый симптом при многих поведенческих отклонениях, в том числе при аутизме. [67]–[70], шизофрения [71], опиоидная зависимость [72], [73], и зависимость от кокаина [74]. Нарушение дальних связей можно рассматривать как сбой процесса интеграции внутри распределенной функциональной сети человеческого мозга. [63], [64], [75], отклонение от нормальной траектории развития нервной системы. Таким образом, мы предполагаем, что аномальное развитие дальних и межполушарных связей у подростков с ОВР, наблюдаемое в этом исследовании, является одной из возможных причин их аддиктивного поведения.
Изменения в свойствах глобальной сети
Человеческий мозг рассматривается как сложная и большая взаимосвязанная динамическая система с различными важными топологическими свойствами, такими как компактность, высокая эффективность при низкой стоимости проводки и сильно связанные концентраторы. [46], [76]–[79]. В сети маленького мира узлы локально кластеризуются в пользу модульной обработки информации и подключаются удаленно через небольшое количество соединений дальнего действия для эффективной общей маршрутизации. [50]. Обе группы IAD и HC продемонстрировали свойства маленького мира, то есть высокие коэффициенты кластеризации () и аналогичные характерные длины пути (), по сравнению с сопоставимыми случайными сетями. Тем не менее, мы наблюдали последовательно более высокие нормализованные коэффициенты кластеризации и аналогичную нормализованную характеристическую длину пути в группе IAD по сравнению с группой HC по плотности соединений, что соответствует предыдущим исследованиям R-fMRI. [26]. Больший коэффициент кластеризации отражает нарушение нейрональной интеграции между отдаленными регионами, которые демонстрируют относительно редкие дальноудаленные и относительно плотные короткоотдаленные функциональные связи в группах IAD и HC. Прогрессирование клинических стадий от легкой до тяжелой может привести к еще большему ухудшению или отключению дальних связей и, таким образом, возможно, способствовать установлению коротких дистанционных связей внутри кластера в качестве альтернативных путей для сохранения передачи информации между двумя отдаленными регионами. Однако установление соединений на коротких расстояниях может привести к появлению аномальных кластеров, что увеличивает риск создания неконтролируемого или случайного потока информации через всю сеть. С другой стороны, все мозговые сети продемонстрировали одинаковую параллельную обработку информации с глобальной и локальной эффективностью по сравнению с сопоставимыми случайными сетями. [80]. Эти результаты подтверждают концепцию модели человеческого мозга маленького мира, которая обеспечивает сбалансированное сочетание местной специализации и глобальной интеграции. [81]. Наше наблюдение отсутствия существенной разницы между группами IAD и HC с точки зрения свойств глобальной сети может означать, что изменения функциональной сетевой структуры при IAD незначительны. Следовательно, дальнейшие исследования биомаркеров IAD, специфичных для региона, могут дать важную информацию о патологии заболевания и зависимости в целом.
Региональные узловые характеристики функциональных сетей
Связанные с IAD изменения централизации узлов в основном обнаруживаются в компонентах лимбической системы, включая ACG и MCG, IPL и THA. Нарушения этих областей, а также связанных с ними путей связи можно интерпретировать как отражение снижения эффективности обработки информации, что, возможно, отражает функциональные нарушения при IAD.
Поясная извилина (CG), неотъемлемая часть лимбической системы, участвует в формировании и обработке эмоций, обучении и памяти, исполнительных функциях и контроле дыхания. [82]. Он получает входные сигналы от THA и неокортекса и проецируется в энторинальную кору через поясную кость. Этот путь фокусируется на эмоционально значимых событиях и регулирует агрессивное поведение. [29]. Нарушение функций, связанных с ЦТ, может ухудшить способность человека отслеживать и контролировать свое поведение, особенно поведение, связанное с эмоциями. [83]. Большинство анализов зависимости от психоактивных веществ и поведенческих зависимостей показали значительные изменения в передней и задней частях ЦГ (АКГ и ПКГ), включая алкогольную зависимость. [84], патологическая азартная игра [85]и ОВД [27], [29]. Сообщалось также о подобных дополнительных изменениях в MCG у лиц, злоупотребляющих кокаином. [86]. В предыдущих исследованиях фМРТ также было показано, что передняя, средняя и задняя ЦТ страдают в условиях вознаграждения и наказания. [87]. Учитывая роль MCG в обработке положительных и отрицательных эмоций, неудивительно, что в этом регионе наблюдаются значительные нарушения связи у пациентов с IAD.
THA представляет собой коммутатор информации мозга и участвует во многих функциях мозга, включая обработку вознаграждения. [88]целенаправленное поведение, когнитивные и двигательные функции. [89]. Он передает сенсорные и двигательные сигналы из подкорковых областей в кору головного мозга. [90]. Через THA орбитофронтальная кора получает прямые и косвенные сигналы от других лимбических областей мозга, которые участвуют в подкреплении препарата, таких как миндалевидное тело, ЦГ и гиппокамп. [91], чтобы контролировать и корректировать поведение, связанное с вознаграждением и наказанием. [92]. У зависимых от онлайн-игр обнаружена аномальная таламо-кортикальная схема [93] может указывать на нарушение функционирования THA, связанное с хроническими нарушениями качества сна. [94] и подавляющее внимание сосредоточено на компьютере. Кроме того, ТГА функционально связан с гиппокампом. [95] как часть расширенной системы гиппокампа, которая имеет решающее значение для когнитивных функций, таких как пространственная навигация и консолидация информации из кратковременной памяти в долговременную память. [96], [97].
Мы наблюдали значительные изменения центральных узлов в IPL, что соответствует результатам, полученным в недавних исследованиях IAD на основе R-фМРТ. [24], [93]. Подобно THA, IPL тесно связана со слуховой, зрительной и соматосенсорной корой головного мозга и способна одновременно обрабатывать различные виды стимулов. Являясь одной из последних в процессе развития структур человеческого мозга, IPL может быть более уязвима к чрезмерному воздействию слуховых и зрительных раздражителей, особенно в детстве. Нарушение IPL, вызванное чрезмерным использованием Интернета, может подавить способность человека правильно опосредовать подавление реакции регуляции импульсов. [98], [99], что наносит ущерб их способности сопротивляться тяге к Интернету, вызванной сигналами, что может еще больше ухудшить IPL. Подобные круговые закономерности часто наблюдаются у наркозависимых и поведенческих наркоманов.
Области DMN обычно более активны в состоянии покоя, чем при выполнении целенаправленных задач. [62]. Известно, что эти области участвуют в эмоциональной модуляции и самореферентной деятельности, включая оценку значимости внутренних и внешних сигналов, вспоминание прошлого и планирование будущего. [60], [62], которые являются важными критериями в диагностике ИАД. Ранее предполагалось, что изменение связей с участием областей DMN способствует различному симптоматическому поведению при заболеваниях. [100], включая зависимость от психоактивных веществ [101], [102] и поведенческие зависимости [24], [103]. Наши данные об изменении функциональной связи с участием нескольких областей DMN частично согласуются с предыдущими наблюдениями, что позволяет предположить, что DMN потенциально может служить биомаркером для выявления пациентов с IAD.
Надежность и повторяемость с использованием функционального атласа
Некоторые из аномальных областей мозга, выявленных на основе атласа AAL, также были идентифицированы с использованием функционального атласа, что подтверждает надежность и повторяемость наших результатов. Одной из возможных причин несколько отличающихся результатов является режим использовано в этом исследовании. Характеристики маленького мира сетей связи, построенных на основе атласа AAL из 90 ROI, наиболее согласуются в этом диапазоне. [44]. Однако этот диапазон разреженности может быть неоптимальным для атласов с разным количеством ROI. Более того, рентабельность инвестиций, полученная из атласа Дозенбаха, определяется функционально и не охватывает весь мозг. [58]. В этом атласе сначала идентифицируются центры всех 160 ROI, и из каждого центра выращивается сфера радиусом 5 мм, в результате чего получается сферическая ROI диаметром 10 мм. Центр каждой области интереса также устанавливается на расстоянии не менее 10 мм от центров других областей интереса, что приводит к пространственно неперекрывающемуся атласу. С другой стороны, атлас AAL покрывает ткань серого вещества всего головного мозга. Эти различия в определении рентабельности инвестиций и общей охватываемой площади могут способствовать различиям в результатах. Следовательно, необходимы дальнейшие исследования с использованием более крупной когорты, чтобы определить, в какой степени выбор схемы парцелляции мозга влияет на характеристику топологии сети.
Корреляция между сетевыми метриками и поведенческими показателями
В этом исследовании мы не наблюдали какой-либо корреляции между показателями глобальной сети и поведенческими показателями, что подразумевает отсутствие изменений во всей топологии сети мозга. Это открытие также может свидетельствовать о том, что изменения в мозговой сети невелики из-за пластичности человеческого мозга (нейропластичности). [104], [105] в восстановлении большинства своих повседневных функций через альтернативные пути (нейронные цепи). Пластичность мозга включает реорганизацию связей между нервными клетками или нейронами и может зависеть от множества факторов. [106]–[108]. Это происходит в зависимости от возраста и чаще встречается в детстве и подростковом возрасте, чем во взрослом возрасте, что позволяет предположить лучшее восстановление нарушенных нейрональных связей у подростков с ИАР. Кроме того, было показано, что различные поведенческие состояния, от зависимости до неврологических и психических расстройств, коррелируют с локальными изменениями в нервных цепях. [106]. Поэтому неудивительно, что показатели глобальной сети грубого уровня, такие как средний коэффициент кластеризации, характеристическая длина пути и эффективность сети, менее чувствительны при обнаружении изменений в схемах мозга в группе IAD.
Однако региональные узловые показатели нескольких областей мозга коррелируют с некоторыми поведенческими показателями. В частности, положительно оценивается родительская версия SDQ (SDQ-P), которая измеряет как способность человека соответствующим образом справляться с импульсивностью, так и тяжесть проблем эмоций и просоциального поведения на основе информации, предоставленной родителями исследуемых подростков. коррелирует с функционально пораженными областями мозга, обнаруженными при IAD. Неспособность контролировать импульсивное поведение и эмоции является одним из основных поведенческих симптомов. Обычно пациенты не осознают изменений в своих эмоциях и поведении, хотя эти изменения относительно очевидны для окружающих их людей. Это может быть основной причиной того, что ни один из сетевых показателей не коррелирует с детской версией SDQ (SDQ-C) из-за ее характера самооценки. С другой стороны, не существует существенной корреляции между показателями региональной сети и другими поведенческими показателями, включая BIS-11, FAD и TMDS. Этот вывод подтверждается большим -значения этих показателей между IAD и здоровыми группами (Таблица 1). Эти результаты могут свидетельствовать о том, что некоторые из этих поведенческих показателей полезны для определения пораженных регионов и, следовательно, помогают в диагностике IAD, хотя еще требуется значительный объем работы, чтобы лучше понять роль этих показателей в поведенческих зависимостях или расстройствах.
Методологические проблемы/ограничения
В этом исследовании следует подчеркнуть несколько ограничений. Во-первых, диагноз IAD в основном основывался на результатах анкет, которые заполнялись самими пациентами, что могло повлиять на надежность диагнозов. В будущем необходимо разработать стандартизированные диагностические инструменты для идентификации IAD, чтобы повысить надежность и достоверность диагнозов IAD. Во-вторых, наше исследование ограничено небольшим размером выборки и гендерным дисбалансом участников (31 мужчина и 4 женщины), что может снизить статистическую мощность и обобщаемость результатов, хотя эти факторы контролировались при анализе. Влияние пола на распространенность ИАД до сих пор остается дискуссионным вопросом. На основе выводов Янга [35], большое количество женщин проявляют интернет-зависимость. Напротив, одно недавнее исследование показало, что мужчины демонстрируют более высокий риск поведения IAD. [109]. Однако также сообщалось, что нет никакой связи между полом и IAD. [110], [111]. Будущие эксперименты с использованием более крупной когорты с более сбалансированным гендерным соотношением необходимы для лучшей оценки взаимосвязи между полом и восприимчивостью к IAD.
Вспомогательная информация
Дополнительные материалы.
DOI: 10.1371 / journal.pone.0107306.s001
(PDF)
Благодарности
Эта работа была частично поддержана грантами Национальных институтов здравоохранения (NIH) EB006733, EB008374, EB009634, AG041721 и CA140413, а также Национальным фондом естественных наук Китая (81171325) и Национальной программой исследований и разработок ключевых технологий 2007BAI17B03.
Авторские вклады
Задумал и спланировал эксперименты: CYW ZZ PTY GW FS TP YD JX YZ DS. Провел эксперименты: CYW ZZ YD JX YZ DS. Проанализированы данные: CYW PTY DS. Предоставленные реагенты/материалы/инструменты анализа: ZZ YD JX YZ. Написал статью: CYW PTY TP DS.
Рекомендации
- 1. Нг Б.Д., Вимер-Хастингс П. (2005) Зависимость от Интернета и онлайн-игр. Киберпсихологическое поведение 8: 110–113. дои: 10.1089/cpb.2005.8.110
- 2. Янг К.С. (1998) Интернет-зависимость: появление нового клинического расстройства. Киберпсихологическое поведение 1: 237–244. дои: 10.1089/cpb.1998.1.237
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- 3. Ко CH, Yen JY, Yen CF, Chen CS, Chen CC (2012) Связь между интернет-зависимостью и психическими расстройствами: обзор литературы. Европейская психиатрия 27: 1–8. doi: 10.1016/j.eurpsy.2010.04.011
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- 4. Блок J (2006). Распространенность недооценена в исследовании проблемного использования Интернета. ЦНС Спектр 12: 14–15.
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- 5. Фицпатрик Дж. Дж. (2008) Интернет-зависимость: распознавание и меры вмешательства. Арх Нейрол 22: 59–60. дои: 10.1016/j.apnu.2007.12.001
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- 6. Цао Ф, Су Л, Лю Т, Гао X (2007) Взаимосвязь между импульсивностью и интернет-зависимостью в выборке китайских подростков. Европейская психиатрия 22: 466–471. doi: 10.1016/j.eurpsy.2007.05.004
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- 7. Юань К., Цинь В., Ван Г., Цзэн Ф., Чжао Л. и др. (2011)Нарушения микроструктуры у подростков с интернет-зависимостью. PLoS ONE 6: e20708. doi: 10.1371/journal.pone.0020708
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- Просмотр статей
- PubMed / NCBI
- Google Scholar
- 8. Эрнст М., Пайн Д.С., Хардин М. (2006)Триадическая модель нейробиологии мотивированного поведения в подростковом возрасте. Psychol Med 36: 299–312. дои: 10.1017/s0033291705005891
- 9. Пайн Д.С., Коэн П., Брук Дж.С. (2001)Эмоциональная реактивность и риск психопатологии среди подростков. ЦНС Спектр 6: 27–35.
- 10. Сильвери М.М., Цилос Г.К., Пиментел П.Дж., Юргелун-Тодд Д.А. (2004) Траектории эмоционального и когнитивного развития подростков: влияние пола и риск употребления наркотиков. Ann NY Acad Sci 1021: 363–370. дои: 10.1196/анналы.1308.046
- 11. Стейнберг Л. (2005) Когнитивное и аффективное развитие в подростковом возрасте. Тенденции Cogn Sci 9: 69–74. doi: 10.1016/j.tics.2004.12.005
- 12. Ko CH, Yen JY, Chen CC, Chen SH, Yen CF (2005)Предлагаемые диагностические критерии интернет-зависимости у подростков. J Nerv Ment Dis 193: 728–733. doi: 10.1097/01.nmd.0000185891.13719.54
- 13. Ю Х.Дж., Чо С.К., Ха Дж., Юне С.К., Ким С.Дж. и др. (2004)Симптомы гиперактивности дефицита внимания и интернет-зависимость. Психиатрия Clin Neurosci 58: 487–494. doi: 10.1111/j.1440-1819.2004.01290.x
- 14. Шапира Н.А., Лессиг М.К., Голдсмит Т.Д., Сабо С.Т., Лазориц М. и др. (2003)Проблемное использование Интернета: предлагаемая классификация и диагностические критерии. Подавить тревогу 17: 207–216. дои: 10.1002/da.10094
- 15. Beard KW (2005) Интернет-зависимость: обзор современных методов оценки и потенциальных вопросов оценки. Киберпсихологическое поведение 8: 7–14. дои: 10.1089/cpb.2005.8.7
- 16. Янг К. (1999) Инновации в клинической практике: справочник, Professional Resource Press, том 17, глава Интернет-зависимость: симптомы, оценка и лечение. стр. 19–31.
- 17. Блок Джей-Джей (2008) Проблемы DSM-V: Интернет-зависимость. Am J Psychiatry 165: 306–307. дои: 10.1176/appi.ajp.2007.07101556
- 18. Дойдж Н. (2007) Мозг, который меняет себя: истории личного триумфа на передовых рубежах науки о мозге. Penguin Books, 1-е издание doi: 10.1080/10398560902721606
- 19. Американская психиатрическая ассоциация (2013). Диагностическое и статистическое руководство по психическим расстройствам (DSM-5). Американское психиатрическое издательство (APPI).. doi: 10.1007/springerreference_179660
- 20. Бернарди С. (2009) С.Палланти (2009) Интернет-зависимость: описательное клиническое исследование, посвященное сопутствующим заболеваниям и диссоциативным симптомам. Compr Psychiatry 50: 510–516. doi: 10.1016/j.comppsych.2008.11.011
- 21. Каплан С.Е. (2002)Проблемное использование Интернета и психосоциальное благополучие: Разработка теоретического инструмента когнитивно-поведенческого измерения. Вычислить человеческое поведение 18: 553–575. doi: 10.1016/s0747-5632(02)00004-3
- 22. Шоу М., Блэк Д.В. (2008)Интернет-зависимость: определение, оценка, эпидемиология и клиническое лечение. Препараты для ЦНС 22: 353–365. дои: 10.2165/00023210-200822050-00001
- 23. Тао Р., Хуан Икс, Ван Дж, Чжан Х, Чжан Ю и др. (2010)Предложенные диагностические критерии интернет-зависимости. Наркомания 105: 556–564. doi: 10.1111/j.1360-0443.2009.02828.x
- 24. Дин В., Сунь Дж., Сунь Ю., Чжоу Ю., Ли Л. и др. (2013)Измененная функциональная связь сети в состоянии покоя по умолчанию у подростков с зависимостью от интернет-игр. PLoS ONE 8: e59902. doi: 10.1371/journal.pone.0059902
- 25. Линь Ф, Чжоу Ю, Ду Ю, Цинь Л, Чжао З и др. (2012)Аномальная целостность белого вещества у подростков с интернет-зависимостью: исследование пространственной статистики на основе трактов. PLoS ONE 7: e30253. doi: 10.1371/journal.pone.0030253
- 26. Хонг С.Б., Залески А., Кокки Л., Форнито А., Чой Э.Дж. и др. (2013)Снижение функциональных связей мозга у подростков с интернет-зависимостью. PLoS ONE 8: e57831. doi: 10.1371/journal.pone.0057831
- 27. Лю Дж, Юань Л, Йе Дж (2010) Эффективный алгоритм для класса задач слитого лассо. В: КДД. стр. 323–332.
- 28. Юань К., Ченг П., Донг Т., Би Ю., Син Л. и др. (2013)Нарушения толщины коры головного мозга в позднем подростковом возрасте при зависимости от онлайн-игр. PLoS ONE 8: e53055. дои: 10.1371/journal.pone.0053055
- 29. Чжоу Ю, Линь Ф, Ду Ю, Цинь Л, Чжао З и др. (2011)Аномалии серого вещества при интернет-зависимости: морфометрическое исследование на основе вокселей. Eur J Radiol 79: 92–95. doi: 10.1016/j.ejrad.2009.10.025
- 30. Юань К., Цзинь С., Ченг П., Ян Икс, Донг Т. и др. (2013)Амплитуда нарушений низкочастотных колебаний у подростков с зависимостью от онлайн-игр. PLoS ONE 8: e78708. doi: 10.1371/journal.pone.0078708
- 31. Цзо С.Н., Эмке Р., Меннес М., Императи Д., Кастельянос FX и др. (2012)Сетевая центральность в функциональном коннектоме человека. Кора Цереба 22: 1862–1875. doi: 10.1093/cercor/bhr269
- 32. Кошюцки Д., Леманн К.А., Петерс Л., Рихтер С., Тенфельде-Подель Д. и др. (2005) Индексы центральности. В: Брандес У., Эрлебах Т., редакторы, Сетевой анализ: методологические основы. Нью-Йорк: Springer-Verlag, том 3418, стр. 16–61.
- 33. Бирд К.В., Вольф Э.М. (2001)Модификация предлагаемых диагностических критериев интернет-зависимости. Киберпсихологическое поведение 4: 377–383. дои: 10.1089/109493101300210286
- 34. Ко Ч., Лю Г.К., Сяо С., Йен Ю., Ян М.Дж. и др. (2009)Мозговая активность, связанная с игровой зависимостью и зависимостью от онлайн-игр. J Psychiatr Res 43: 739–747. doi: 10.1016/j.jpsychires.2008.09.012
- 35. Молодой К.С. (1998). Пойманный в сети: как распознать признаки интернет-зависимости и выигрышная стратегия выздоровления. Джон Уайли и сыновья.
- 36. Паттон Дж. Х., Стэнфорд М. С., Барратт Э. С. (1995) Факторная структура шкалы импульсивности Барратта. J Clin Psychol 51: 768–774. doi: 10.1002/1097-4679(199511)51:6<768::aid-jclp2270510607>3.0.co;2-1
- 37. Хуан X, Чжан Z (2001) Составление инвентаря распределения времени в подростковом возрасте. Acta Psychol Sin 33: 338–343.
- 38. Гудман Р. (1997) Анкета сильных сторон и трудностей: исследовательская записка. J Детская психологическая психиатрия 38: 581–586. doi: 10.1111/j.1469-7610.1997.tb01545.x
- 39. Эпштейн Н.Б., Болдуин Л.М., Бишоп Д.С. (1983) Устройство для оценки семьи Макмастера. J Martal Fam Ther 9: 171–180. doi: 10.1111/j.1752-0606.1983.tb01497.x
- 40. Ян К.Г., Занг Ю.Ф. (2010) DPARSF: набор инструментов MATLAB для «конвейерного» анализа данных фМРТ в состоянии покоя. Front Syst Neurosci 4: 13. doi: 10.3389/fnsys.2010.00013
- 41. Сун XW, Донг ZY, Лун XY, Ли СФ, Цзо Синь и др. (2011) REST: набор инструментов для обработки данных функциональной магнитно-резонансной томографии в состоянии покоя. PLoS ONE 6: e25031. doi: 10.1371/journal.pone.0025031
- 42. Пауэр Дж.Д., Барнс К.А., Снайдер А.З., Шлаггар Б.Л., Петерсен С.Е. (2012). Ложные, но систематические корреляции в функциональных связях сетей МРТ возникают из-за движения субъекта. Нейроизображение 59: 2142–2154. doi: 10.1016/j.neuroimage.2011.10.018
- 43. Цурио-Мазуайер Н., Ландо Б., Папатанасиу Д., Кривелло Ф., Этард О. и др. (2002)Автоматическая анатомическая маркировка активаций в СЗМ с использованием макроскопической анатомической парцелляции мозга одного субъекта при МНИ МРТ. Нейроизображение 15: 273–289. дои: 10.1006/нимг.2001.0978
- 44. Achard S, Bullmore E (2007)Эффективность и стоимость экономичных функциональных сетей мозга. PLoS Comput Biol 3: e17. doi: 10.1371/journal.pcbi.0030017
- 45. Бассетт Д.С., Мейер-Линденберг А., Ахард С., Дьюк Т., Буллмор Э. (2006)Адаптивная реконфигурация фрактальных функциональных сетей человеческого мозга маленького мира. Proc Natl Acad Sci USA 103: 19518–19523. дои: 10.1073/pnas.0606005103
- 46. Рубинов М., Спорнс О. (2010) Комплексные сетевые меры связности мозга: использование и интерпретации. Нейроизображение 52: 1059–1069. doi: 10.1016/j.neuroimage.2009.10.003
- 47. Смит DJA, Stam CJ, Posthuma D, Boomsma DI, De Geus EJC (2008) Наследуемость сетей «маленького мира» в мозге: графотеоретический анализ функциональной связи ЭЭГ в состоянии покоя. Карта мозга Hum 29: 1368–1378. дои: 10.1002/hbm.20468
- 48. Чжан Дж, Ван Дж, Ву Ц, Куанг В, Хуан Икс и др. (2011)Нарушение сетей связи мозга при первом эпизоде большого депрессивного расстройства, не связанного с приемом наркотиков. Биологическая психиатрия 70: 334–342. doi: 10.1016/j.biopsych.2011.05.018
- 49. Латора В., Маркиори М. (2001) Эффективное поведение сетей малого мира. Phys Rev Lett 87: 198701. doi: 10.1103/physrevlett.87.198701
- 50. Уоттс Дж., Строгац Ш. (1998) Коллективная динамика сетей «маленького мира». Природа 393: 440–442. дои: 10.1038/30918
- 51. Хэ Ю, Ван Дж, Ван Л, Чэнь ЗДж, Ян С и др. (2009)Выявление внутренней модульной организации спонтанной активности мозга у людей. ПЛОС ОДИН 4: 1–17. дои: 10.1371/journal.pone.0005226
- 52. Гонг Г., Роза-Нето П., Карбонелл Ф., Чен З.Дж., Хэ Ю. и др. (2009)Возрастные и гендерные различия в кортикальной анатомической сети. J Neurosci 29: 15684–15693. doi: 10.1523/jneurosci.2308-09.2009
- 53. Тянь Л., Ван Дж., Ян С., Хэ Ю (2011)Различия, связанные с полушариями и полом в мозговых сетях маленького мира: функциональное МРТ-исследование в состоянии покоя. Нейроизображение 54: 191–202. doi: 10.1016/j.neuroimage.2010.07.066
- 54. Чжу В, Вэнь В, Хэ Ю, Ся А, Ансти К.Дж. и др. (2012) Изменение топологических закономерностей при нормальном старении с использованием крупномасштабных структурных сетей. Нейробиол Старение 33: 899–913. doi: 10.1016/j.neurobiolaging.2010.06.022
- 55. Хаясака С., Лауриенти П.Дж. (2010) Сравнение характеристик регионального и воксельного сетевого анализа в данных ФМРТ в состоянии покоя. Нейроизображение 50: 499–508. doi: 10.1016/j.neuroimage.2009.12.051
- 56. Форнито А., Залески А., Буллмор Э.Т. (2010)Эффекты сетевого масштабирования в графоаналитических исследованиях данных фМРТ в состоянии покоя человека. Front Syst Neurosci 4: 22. doi: 10.3389/fnsys.2010.00022
- 57. Залески А., Форнито А., Хардинг И.Х., Кокки Л., Юсель М. и др. (2010) Анатомические сети всего мозга: имеет ли значение выбор узлов? Нейроизображение 50: 970–983. doi: 10.1016/j.neuroimage.2009.12.027
- 58. Дозенбах НУФ, Нардос Б., Коэн А.Л., Фэйр Д.А., Пауэр Дж.Д. и др. (2010)Прогнозирование индивидуальной зрелости мозга с помощью ФМРТ. Наука 329: 1358–1361. doi: 10.1126/science.1194144
- 59. Маслов С, Снеппен К (2002) Специфичность и стабильность топологии белковых сетей. Наука 296: 910–913. doi: 10.1126/science.1065103
- 60. Бакнер Р.Л., Эндрю-Ханна Дж.Р., Шактер Д.Л. (2008)Сеть режима мозга по умолчанию: анатомия, функции и связь с болезнями. Ann NY Acad Sci 1124: 1–38. дои: 10.1196/анналы.1440.011
- 61. Грейциус М.Д., Краснов Б., Рейсс А.Л., Менон В. (2003)Функциональная связность в покоящемся мозге: сетевой анализ гипотезы режима по умолчанию. Proc Natl Acad Sci USA 100: 253–258. дои: 10.1073/pnas.0135058100
- 62. Рэйхл М.Э., Маклеод А.М., Снайдер А.З., Пауэрс В.Дж., Гуснард Д.А. и др. (2001) Режим работы мозга по умолчанию. Proc Natl Acad Sci USA 98: 676–682. дои: 10.1073/pnas.98.2.676
- 63. Фэйр Д.А., Дозенбах НУФ, Черч Дж.А., Коэн А.Л., Брамбхатт С. и др. (2007)Развитие отдельных сетей контроля посредством сегрегации и интеграции. Proc Natl Acad Sci USA 104: 13507–13512. дои: 10.1073/pnas.0705843104
- 64. Фэйр Д.А., Коэн А.Л., Пауэр Дж.Д., Дозенбах НУФ, Черч Дж.А. и др. (2009) Функциональные мозговые сети развиваются от «локальной к распределенной» организации. PLoS Comput Biol 5: e1000381. doi: 10.1371/journal.pcbi.1000381
- 65. Келли А.С., Ди Мартино А., Уддин Л.К., Заррар Шехзад1 Д.Г., Рейсс П.Т. и др. (2009)Развитие функциональной связи передней поясной извилины от позднего детства до раннего взросления. Кора Цереба 19: 640–657. дои: 10.1093/cercor/bhn117
- 66. Супекар К., Мусен М., Менон В. (2009)Развитие крупномасштабных функциональных сетей мозга у детей. PLoS Биол 7: e1000157. doi: 10.1371/journal.pbio.1000157
- 67. Андерсон Дж.С., Друзгал Т.Дж., Фрелих А., ДюБрэй М.Б., Ланге Н. и др. (2011)Снижение межполушарной функциональной связи при аутизме. Кора Цереба 21: 1134–1146. дои: 10.1093/cercor/bhq190
- 68. Уилсон Т.В., Рохас Д.К., Рейт М.Л., Тил П.Д., Роджерс С.Дж. (2007). Дети и подростки с аутизмом демонстрируют сниженные устойчивые гамма-ответы МЭГ. Биологическая психиатрия 62: 192–197. doi: 10.1016/j.biopsych.2006.07.002
- 69. Уддин Л.К., Супекар К., Менон В. (2010)Типичное и атипичное развитие функциональных сетей человеческого мозга: данные фМРТ в состоянии покоя. Front Syst Neurosci 4: 21. doi: 10.3389/fnsys.2010.00021
- 70. Уддин Л.К., Супекар К.С., Рьяли С., Менон В. (2011)Динамическая реконфигурация структурных и функциональных связей между основными нейрокогнитивными сетями мозга с развитием. J Neurosci 31: 18578–18589. doi: 10.1523/jneurosci.4465-11.2011
- 71. Лян М., Чжоу Ю., Цзян Т., Лю З., Тянь Л. и др. (2006)Распространенная функциональная разобщенность при шизофрении при функциональной магнитно-резонансной томографии в состоянии покоя. Нейроотчет 17: 209–213. doi: 10.1097/01.wnr.0000198434.06518.b8
- 72. Фингелькурц А.А., Фингелькуртс А.А., Кивисаари Р., Аутти Т., Борисов С. и др. (2006)Увеличение локальной и снижение удаленной функциональной связи в альфа- и бета-диапазонах ЭЭГ у пациентов с опиоидной зависимостью. Психофармакология 188: 42–52. дои: 10.1007/s00213-006-0474-4
- 73. Фингелькуртс А.А., Фингелькуртс А.А., Кивисаари Р., Аутти Т., Борисов С. и др. (2007) Отмена опиоидов приводит к увеличению локальной и удаленной функциональной связи в альфа- и бета-диапазонах ЭЭГ. Neurosci Res 58: 40–49. doi: 10.1016/j.neures.2007.01.011
- 74. Келли С., Цзо С.Н., Готимер К., Кокс С.Л., Линч Л. и др. (2011)Снижение функциональной связи в состоянии покоя между полушариями при кокаиновой зависимости. Биологическая психиатрия 69: 684–692. doi: 10.1016/j.biopsych.2010.11.022
- 75. Фэйр Д.А., Коэн А.Л., Чёрч НУДЖА, Миезин Ф.М., Барч Д.М. и др. (2008) Зрелая архитектура сети мозга по умолчанию. Proc Natl Acad Sci USA 105: 4028–4032. дои: 10.1073/pnas.0800376105
- 76. Буллмор Э., Спорнс О (2009) Сложные мозговые сети: графотеоретический анализ структурных и функциональных систем. Nat Rev Neurosci 10: 186–198. дои: 10.1038/nrn2575
- 77. He Y, Evans A (2010)Графотеоретическое моделирование связей мозга. Curr Opin Neurol 23: 341–350.
- 78. Стам CJ (2010) Характеристика анатомических и функциональных связей в мозге: перспектива сложных сетей. Международный журнал психофизиологии 77: 186–194. doi: 10.1016/j.ijpsycho.2010.06.024
- 79. Ван Дж, Цзо X, He Y (2010)Сетевой анализ функциональной МРТ в состоянии покоя на основе графов. Front Syst Neurosci 4: 16. doi: 10.3389/fnsys.2010.00016
- 80. Латора В., Маркиори М. (2003) Экономическое поведение маленького мира в взвешенных сетях. Европейский физический журнал B 32: 249–263. дои: 10.1140/epjb/e2003-00095-5
- 81. Тонони Дж., Эдельман Г.М., Спорнс О. (1998). Сложность и последовательность: интеграция информации в мозгу. Тенденции в когнитивных науках 2: 474–484. дои: 10.1016/s1364-6613(98)01259-5
- 82. Mayberg HS (1997)Лимбико-кортикальная дисрегуляция: предлагаемая модель депрессии. J Neuropsychiatry Clin Neurosci 9: 471–481.
- 83. Гольдштейн Р.З., Томази Д., Раджарам С., Коттон Л.А., Чжан Л. и др. (2007)Роль передней поясной извилины и медиальной орбитофронтальной коры в обработке сигналов о наркотиках при кокаиновой зависимости. Нейронаука 144: 1153–1159. doi: 10.1016/j.neuroscience.2006.11.024
- 84. Грюссер С.М., Вразе Дж., Кляйн С., Герман Д., Смолка М.Н. и др. (2004) Вызванная сигналом активация полосатого тела и медиальной префронтальной коры связана с последующим рецидивом у абстинентных алкоголиков. Психофармакология (Берл) 175: 296–302. дои: 10.1007/s00213-004-1828-4
- 85. Миедл С.Ф., Фер Т., Мейер Г., Херрманн М. (2010). Нейробиологические корреляты проблем с азартными играми в квазиреалистичном сценарии блэкджека, выявленные с помощью фМРТ. Психиатрия Res 181: 165–173. doi: 10.1016/j.pscychresns.2009.11.008
- 86. Маточик Дж.А., Лондон Э.Д., Элдрет Д.А., Кадет Дж.Л., Болл К.И. (2003)Состав ткани лобной коры у воздерживающихся от употребления кокаина: исследование магнитно-резонансной томографии. Нейроизображение 19. doi: 10.1016/s1053-8119(03)00244-1
- 87. Фудзивара Дж., Тоблер П.Н., Тайра М., Иидзима Т., Цуцуи К.И. (2009)Раздельное и интегрированное кодирование вознаграждения и наказания в поясной извилине. J Neurophyol 101: 3284–3293. doi: 10.1152/jn.90909.2008
- 88. Ю К., Гупта Дж., Инь Х.Х. (2010)Роль медиодорсального таламуса во временной дифференциации действий, ориентированных на вознаграждение. Front Integr Neurosci 4: 14. doi: 10.3389/fnint.2010.00014
- 89. Корбит Л.Х., Мьюир Дж.Л., Баллейн Б.В. (2003)Поражения медиодорсального таламуса и передних ядер таламуса вызывают диссоциативные эффекты на инструментальное кондиционирование у крыс. Eur J Neurosci 18: 1286–1294. дои: 10.1046/j.1460-9568.2003.02833.x
- 90. Сапер CB (2002)Центральная вегетативная нервная система: сознательное висцеральное восприятие и генерация вегетативных паттернов. Анну Преподобный Neurosci 25: 433–469. doi: 10.1146/annurev.neuro.25.032502.111311
- 91. Рэй Дж.П., Принс Дж.Л. (1993)Организация проекций медиодорсального ядра таламуса в орбитальную и медиальную префронтальную кору у макак. J Comp Neurol 337: 1–31. doi: 10.1002/cne.903370102
- 92. Роллс Э.Т. (2004)Функции орбитофронтальной коры. Мозговой когнит 55: 11–29. doi: 10.1016/s0278-2626(03)00277-x
- 93. Донг Г, Хуанг Дж, Ду Икс (2012)Изменения в региональной однородности мозговой активности в состоянии покоя у зависимых от интернет-игр. Поведенческая функция мозга 18: 8–41. дои: 10.1186/1744-9081-8-41
- 94. Стериаде М., Ллинас Р.Р. (1998)Функциональные состояния таламуса и связанное с ним взаимодействие нейронов. Physiol Rev 68: 649–742.
- 95. Штейн Т., Мориц С., Куигли М., Кордес Д., Хотон В. и др. (2000)Функциональная связь в таламусе и гиппокампе, изученная с помощью функциональной МРТ. AJNR Am J Neuroradiol 21: 1397–1401.
- 96. Берджесс Н., Магуайр Э.А., О'Киф Дж (2002)Человеческий гиппокамп и пространственная и эпизодическая память. Нейрон 35: 625–641. doi: 10.1016/s0896-6273(02)00830-9
- 97. Warburton EC, Baird A, Morgan A, Muir JL, Aggleton JP (2001)Совместная важность гиппокумп и передних ядер таламуса для всего аллоцентрического пространственного обучения: данные исследования разъединения на крысах. J Neurosci 21: 7323–7330.
- 98. Гараван Х., Хестер Р., Мерфи К., Фассбендер С., Келли С. (2006). Индивидуальные различия в функциональной нейроанатомии тормозного контроля. Brain Res 1105: 130–142. doi: 10.1016/j.brainres.2006.03.029
- 99. Менон В., Адлеман Н.Е., Уайт К.Д., Гловер Г.Х., Рейсс А.Л. (2001). Активация мозга, связанная с ошибками, во время задачи подавления реакции Go/NoGo. Карта мозга «Хум» 12: 131–143. doi: 10.1002/1097-0193(200103)12:3<131::aid-hbm1010>3.0.co;2-c
- 100. Уитфилд-Габриэли С., Форд Дж. М. (2012) Сетевая активность и взаимодействие в режиме по умолчанию в психопатологии. Анну Преподобный Clin Psychol 8: 49–76. doi: 10.1146/annurev-clinpsy-032511-143049
- 101. Дин X, Ли С.В. (2013) Воспроизводимые области мозга, связанные с кокаиновой зависимостью, с аномальной функциональной связью сети в режиме по умолчанию: групповое исследование ica с различными порядками моделей. Neurosci Lett 548: 110–114. doi: 10.1016/j.neulet.2013.05.029
- 102. Ма Н, Лю Ю, Фу ХМ, Ли Н, Ван СХ и др. (2011)Аномальные функциональные связи сети мозга в режиме по умолчанию у наркозависимых. PLoS ONE 6: e16560. doi: 10.1371/journal.pone.0016560
- 103. Чернегг М., Кроун Дж.С., Эйгенбергер Т., Швартенбек П., Фаут-Бюлер М. и др. (2013) Аномалии функциональных сетей мозга при патологических азартных играх: теоретико-графовый подход. Front Hum Neurosci 7: 625. doi: 10.3389/fnhum.2013.00625
- 104. Колб Б., Уишоу IQ (1998)Пластичность мозга и поведение. Анну Преподобный Психол 49: 43–64. doi: 10.1146/annurev.psych.49.1.43
- 105. Шоу К.А., МакИчерн Дж., редакторы (2001) На пути к теории нейропластичности. Психология Пресс.
- 106. Колб Б., Гибб Р. (2003)Пластичность мозга и поведение. Curr Dir Psychol Sci 12: 1–5. дои: 10.1111/1467-8721.01210
- 107. Колб Б., Гибб Р. (2011)Пластичность мозга и поведение развивающегося мозга. J Can Acad Child Adolesc Psychiatry 20: 265–276.
- 108. Робинсон Т.Е., Берридж К.К. (1993) Нейронная основа тяги к наркотикам: теория зависимости от стимулов и сенсибилизации. Brain Res Rev 18: 247–291. дои: 10.1016/0165-0173(93)90013-п
- 109. Алави С.С., Мараси М.Р. (2011) Влияние психиатрических симптомов на расстройство интернет-зависимости у студентов университета Исфахана. J Res Med Sci 16: 793–800.
- 110. Эггер О, Раутерберг М (1996) Интернет-поведение и зависимость. Технический отчет, Отдел психологии труда и организации (IFAP), Швейцарский федеральный технологический институт (ETH), Цюрих.
- 111. Петри Х., Ганн Д. (1998) Интернет-зависимость: влияние пола, возраста, депрессии и интроверсии. В: Лондонская конференция Британского психологического общества. Лондон, Великобритания: Британское психологическое общество. Доклад, представленный на Лондонской конференции Британского психологического общества.