Yeni bir çalışma, bıkkınlık ya da endişe duygularının beynin iki alanı arasındaki artan “çifte” bir bağlantı olabileceğini ileri sürüyor.
Cell dergisinde yayınlanan bir çalışmada, bir grup araştırmacı beyindeki elektriksel konuşmaları dinledi – başka bir deyişle, beyin bölgelerinin birbirine gönderdiği sinyalleri. Bir kişi aşağıya indiğinde, buldukları zaman, beyin ve beyinde iki farklı bölgede beyin hücreleri arasında iletişim arttı.
Bununla birlikte, açık olan, kaygı, depresyon ve ruh halinin beyindeki fiziksel tezahürlere sahip olmasıdır. “Birçok hasta için, depresyonda hissettiklerinde, beyinlerinde ölçülebilir ve somut bir şeyden kaynaklandığını bilmek çok önemlidir,” diyen California Üniversitesi’nde bir psikiyatrist olan yardımcı araştırmacı Dr. Vikaas Sohal, San Francisco. “Bazı hastalar için bu, önemli bir doğrulama sağlayabilir ve damgalanmayı kaldırabilir ve uygun tedaviyi aramaya teşvik edebilir.”
Araştırmacılar, intrakraniyal elektroensefalografi (EEG) adlı bir teknik kullanarak çalışmayı gerçekleştirdiler.
“İntrakraniyal” , bu yöntem beyinde kafatasının içine elektrotların implante edilmesini içerir. Bu implante edilmiş elektrotlar beyin hücrelerinin elektriksel aktivitesini kaydeder (başka bir deyişle, iletişimlerini kaydeder).
tamamı için kaynağa bakınız
Results
Limbic Activity Can Be Represented by ICNs
To identify limbic subnetworks, we first obtained a more tractable, low-dimensional data representation of our iEEG recordings by identifying a small number of patterns that explain the variation in network activity over time. Specifically, we identified intrinsic coherence networks (ICNs) that correspond to groups of brain regions that exhibit statistically significant, correlated fluctuations in rhythmic activity across recording sites (
). To identify ICNs, we first computed time series of coherence between all pairs of recording sites and in four frequency bands, which are thought to reflect distinct aspects of neural function and cognitive processing (
): theta (θ, 4–8 Hz), alpha (α, 8–13 Hz), beta (β, 13–30 Hz), and gamma (γ, 30–70 Hz) (Figures 1A and 1B). We then performed principal component analysis to reduce dimensionality and noise, followed by independent component analysis to derive statistically significant, independent components that capture the variation in coherence across the network over time (
). Each independent component defines an ICN (Figure 1C). To visualize ICNs, we constructed connectivity diagrams showing pairs of electrodes whose temporal variance exceeds a threshold (Figure 1D). On average, we found 10 ± 4 (mean ± SD) ICNs for each subject and frequency band, which explained 45% ± 10% (θ), 47% ± 10% (α), 67% ± 8% (β), or 77% ± 7% (γ) (mean ± SD) of the total variance in coherence over time
