Articolo metodologico

Uso del neurofeedback basato sulla risonanza magnetica funzionale in tempo reale per sottoregolare la corteccia insulare nei fumatori dipendenti dalla nicotina

DOI:

10.3791/59441

⸱

10 giugno 2020

 ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1Departamento de Psiquiatría, Escuela de Medicina, Centro Interdisciplinario de Neurociencias, Pontificia Universidad Católica de Chile, 2Laboratory for Brain-Machine Interfaces and Neuromodulation, Pontificia Universidad Católica de Chile, 3Institute of Medical Psychology and Behavioral Neurobiology, University of Tübingen, 4Department of Psychiatry and Psychotherapy, University of Tübingen, 5Unidad de Imágenes Cuantitativas Avanzadas, Departamento de Imaágenes, Facultad de Medicina Clínica Alemana, Universidad del Desarrollo, 6División de Neurociencia, Centro de Investigación en Complejidad Social (neuroCICS), Facultad de Gobierno, Universidad del Desarrollo, 7Institute di Ricovero e Cura a Carattere Scientifico, 8Wyss Center for Bio and Neuroengineering, 9Institute for Biological and Medical Engineering, Pontificia Universidad Católica de Chile

In questo articolo

Sommario

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Nella risonanza magnetica funzionale in tempo reale (rtfMRI), l'attività cerebrale viene manipolata sperimentalmente come variabile indipendente e il comportamento viene misurato come variabile dipendente. Il protocollo qui presentato si concentra sull'uso pratico della rtfMRI come strumento terapeutico per disturbi psichiatrici come la dipendenza da nicotina.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

È passato più di un decennio da quando è stato implementato con successo il primo approccio di neurofeedback basato sulla risonanza magnetica funzionale (fMRI). Da allora, vari studi hanno dimostrato che i partecipanti possono imparare a controllare volontariamente una regione del cervello circoscritta. Di conseguenza, la risonanza magnetica funzionale in tempo reale (rtfMRI) ha fornito una nuova opportunità per studiare le modifiche del comportamento dovute alla manipolazione dell'attività cerebrale. Pertanto, le segnalazioni di applicazioni di rtfMRI per allenare l'autoregolazione dell'attività cerebrale e le concomitanti modifiche in condizioni comportamentali e cliniche come disturbi neurologici e psichiatrici [ad esempio, schizofrenia, disturbo ossessivo compulsivo (OCD), ictus] sono rapidamente aumentate.

Gli studi di neuroimaging nella ricerca sulle dipendenze hanno dimostrato che la corteccia cingolata anteriore, la corteccia orbitofrontale e la corteccia insulare vengono attivate durante la presentazione di segnali associati ai farmaci. Inoltre, è stato dimostrato che l'attività in entrambe le cortecce insulari sinistra e destra è altamente correlata con gli impulsi di droga quando i partecipanti sono esposti a segnali che suscitano desiderio. Pertanto, l'insula bilaterale è di particolare importanza nella ricerca sugli impulsi e sulla dipendenza da droghe a causa del suo ruolo nella rappresentazione degli stati corporei (interocettivi). Questo studio esplora l'uso del neurofeedback rtfMRI per la riduzione dell'attività dipendente dal livello di ossigeno nel sangue (BOLD) nelle cortecce insulari bilaterali di partecipanti dipendenti da nicotina. Lo studio verifica anche se ci sono modifiche associate all'allenamento di neurofeedback negli atteggiamenti impliciti dei partecipanti nei confronti dei segnali di desiderio di nicotina e del comportamento esplicito di desiderio.

Introduzione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Il neurofeedback è una procedura di condizionamento operante attraverso la quale gli esseri umani o gli animali possono imparare a modulare l'attività neurale in una o più regioni del cervello. L'addestramento in genere porta a modifiche comportamentali1. In linea di principio, i segnali cerebrali provenienti da una o più regioni cerebrali circoscritte vengono trasformati in feedback sensoriale (ad esempio, feedback visivo, uditivo o tattile), che viene fornito al partecipante per il controllo dell'attività cerebrale mediante condizionamento operante o altre forme di apprendimento. Nell'inversione del paradigma tradizionale del neuroimaging, gli studi di neurofeedback modulano l'attività cerebrale come variabile indipendente e misurano il comportamento come variabile dipendente. Pertanto, il neurofeedback fornisce un nuovo approccio per studiare il coinvolgimento delle regioni cerebrali in diverse funzioni cognitive e come l'iper- o l'ipoattivazione di tali regioni cerebrali possa portare a comportamenti anormali.

Il neurofeedback è stato utilizzato con diverse modalità di neuroimaging come la risonanza magnetica funzionale (fMRI), l'elettroencefalografia (EEG) e la spettroscopia funzionale nel vicino infrarosso (fNIRS). I paradigmi di neurofeedback basati su EEG e fNIRS presentano i vantaggi di una maggiore risoluzione temporale, convenienza e portabilità 2,3. Tuttavia, sono caratterizzati da una bassa risoluzione spaziale e dall'incapacità di accedere alle regioni cerebrali più profonde. Inoltre, l'EEG ha la complessità computazionale del problema inverso per determinare una fonte di attivazioni neurali dai segnali EEG di superficie4. Tuttavia, con i recenti sviluppi della risonanza magnetica funzionale in tempo reale (rtfMRI), è possibile accedere a segnali emodinamici provenienti da tutte le parti del cervello, con una buona risoluzione spaziale (ad esempio, 2 mm3) e una risoluzione temporale di 720 ms5. Pertanto, la fMRI supera i limiti sopra menzionati posseduti dalle tecniche fNIRS ed EEG.

La dipendenza da nicotina è una delle principali cause di morte in tutto il mondo a causa di una serie di malattie associate al fumo6. I fattori riconosciuti che portano alla dipendenza da nicotina sono la suscettibilità sociale, ambientale, psicologicae genetica. A livello neurobiologico, gli studi hanno dimostrato l'attivazione nella corteccia cingolata anteriore (ACC), nella corteccia orbitofrontale (OFC), nell'area tegmentale ventrale (VTA), nello striato ventrale, nell'amigdala, nell'ippocampo, nella corteccia prefrontale (PFC) e nella corteccia insulare durante la presentazione di segnali associati al farmaco in contrasto con i segnali di controllo neutri 9,10,11,12,13,14 . L'attività sia nell'insula sinistra che in quella destra è altamente correlata con l'impulso al fumo quando i fumatori hanno visualizzato segnali associati alla droga15,16. L'insula svolge un ruolo importante nell'suscitare il comportamento del desiderio 17,18,19,20,21, poiché è responsabile della percezione dello stato corporeo. È stato riportato che i fumatori con lesioni nella corteccia insulare avevano maggiori probabilità di smettere di fumare rispetto ai fumatori con danni cerebrali che non coinvolgevano l'insula18.

Una delle maggiori sfide nei metodi esistenti per smettere di fumare è l'alto tasso di ricaduta22. Più dell'80% dei fumatori ha una ricaduta entro i primi mesi dopo aver smesso di fumare23. L'esposizione a stimoli precedentemente associati all'uso di droghe è una delle ragioni principali dell'alto tasso di ricaduta nella dipendenza da nicotina24. Questo meccanismo è chiamato effetto di incubazione. L'attuale protocollo è stato sviluppato per mirare all'effetto di incubazione valutato da un compito di priming affettivo. Studi precedenti hanno dimostrato che i fumatori astenuti hanno atteggiamenti impliciti negativi nei confronti dei segnali legati al fumo 25,26,27,28. Nel tipico compito di priming affettivo, gli stimoli di priming emotivo modificano l'elaborazione di un bersaglio affettivo in modo che il tempo di reazione e l'accuratezza delle risposte siano cambiati29. In altre parole, se gli stimoli primario e target hanno la stessa valenza, il tempo di reazione in risposta agli stimoli target sarà più veloce, e viceversa.

Nel presente studio, si ipotizza che la sottoregolazione della corteccia insulare anteriore bilaterale ridurrà il desiderio e, quindi, la valenza dei segnali che inducono il desiderio cambierà da negativa a neutra, poiché il bias attentivo e associativo si allontanerà dai segnali correlati al fumo30. Il compito di comportamento implicito è un compito di priming affettivo originariamente adattato da Czyzewska e Graham31. Sulla base dell'ipotesi di cui sopra, si prevede di osservare una diminuzione del tempo di reazione in risposta a una combinazione di parole prime (immagine che suscita desiderio o la sua immagine di controparte neutra) e parole bersaglio con valenza positiva dopo il blocco di sottoregolazione rispetto al blocco basale. Il compito di priming (Figura 2B) consiste in un primo (cioè un'immagine che suscita desiderio o la sua controparte neutraimmagine 32) e una parola target con valenza positiva o negativa. L'immagine principale viene presentata per 200 ms, seguita da una parola target presentata per 1 secondo. L'asincronia di insorgenza dello stimolo (SOA) è di 250 ms. I partecipanti vengono quindi istruiti a giudicare la valenza della parola target (positiva o negativa) e a rispondere premendo un pulsante nel modo più rapido e preciso possibile.

Il sistema rtfMRI (Figura 1) è costituito dai seguenti sottosistemi: (1) partecipante, (2) acquisizione del segnale, (3) analisi del segnale online e (4) feedback del segnale. L'acquisizione del segnale viene effettuata con uno scanner per tutto il corpo Siemens Trio 3.0T utilizzando una sequenza di imaging ecoplanare (EPI)33. Procedure come la ricostruzione dell'immagine, la correzione della distorsione e la media del segnale vengono eseguite sul computer dello scanner. Una volta ricostruite e pre-elaborate, le immagini vengono esportate nel sottosistema di analisi dei segnali. Il sottosistema di analisi dei segnali è implementato utilizzando il Turbo Brain Voyager (TBV)34. TBV recupera le immagini ricostruite ed esegue l'elaborazione dei dati che include la correzione del movimento 3D e l'analisi statistica in tempo reale utilizzando il modello lineare generale35. TBV consente all'utente di disegnare regioni di interesse (ROI) su più voxel sulle immagini funzionali ed estrarre i valori medi BOLD del ROI dopo ogni tempo di ripetizione (TR). Le serie temporali delle ROI selezionate vengono quindi esportate nello script MATLAB che calcola e presenta un feedback al partecipante.

Il feedback visivo dell'attività cerebrale viene fornito ai partecipanti sotto forma di un termometro animato graficamente, con le sue barre che cambiano in proporzione alle variazioni percentuali BOLD dei ROI. Diversi studi hanno utilizzato il feedback intermittente (feedback fornito a un partecipante dopo un certo numero di TR della sequenza EPI) per i partecipanti alla formazione36,37. Tuttavia, nel presente studio, è stato anticipato che i partecipanti avrebbero avuto maggiori difficoltà a sottoregolare il segnale BOLD nell'insula anteriore con un feedback continuo a causa del ruolo dell'insula nell'integrazione sensoriale e nel coinvolgimento nell'elaborazione delle informazioni di feedback visivo38. Quindi, si presumeva che il feedback continuo avrebbe provocato un conflitto tra due processi nella corteccia insulare, un processo che aumenta il segnale a causa del feedback esterno e un altro che diminuisce il segnale a causa dell'allenamento del neurofeedback. Quindi, in questo studio, forniamo un feedback solo alla fine di ogni blocco di downregulation (feedback ritardato). Ai partecipanti viene mostrato un testo (ad esempio, Euro 0,87) come feedback visivo (Figura 2A,C) che indica la quantità di denaro che hanno guadagnato (ricompensa monetaria). Questa ricompensa è proporzionale alla percentuale di downregulation raggiunta nel blocco di regolazione.

La RtfMRI è una nuova neurotecnologia che potrebbe essere in grado di superare i problemi negli approcci terapeutici al trattamento delle dipendenze e potrebbe fornire interventi più affidabili ed efficaci per ridurre le ricadute. Gli obiettivi a lungo termine del presente studio sono tre: 1) verificare se i dipendenti da nicotina possono imparare a sottoregolare i segnali BOLD nell'insula anteriore durante la presenza di stimoli che suscitano un comportamento di desiderio; 2) esaminare se l'allenamento di neurofeedback porta a modifiche nel comportamento di bramo; e 3) esplorare se i cambiamenti nei livelli di craving durante l'allenamento di neurofeedback della sottoregolazione dell'insula persistono dopo sei mesi di allenamento senza alcun altro intervento. Questo articolo fornisce una descrizione dettagliata del protocollo sperimentale rtfMRI e dei suoi diversi componenti. Vengono inoltre presentati esempi di dati dello studio e una discussione sulle sfide future e sul potenziale di questo metodo, oltre alla ricerca. Il protocollo presentato è progettato per indagare se l'allenamento di neurofeedback basato sulla risonanza magnetica funzionale può essere utilizzato per studiare le riduzioni dell'attività cerebrale nella corteccia insulare dei fumatori di sigarette. Inoltre, il protocollo ha lo scopo di studiare le relazioni tra l'attivazione della corteccia insulare e i comportamenti di desiderio dei fumatori di sigarette.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Il Comitato Etico della Facoltà di Medicina dell'Università di Tubinga e della Pontificia Universidad Católica de Chile ha approvato il seguente protocollo rtfMRI.

1. Configurazione hardware

  1. L'hardware rappresentato nella Figura 1 viene preparato una sola volta per impostare l'esportazione in tempo reale dei dati della risonanza magnetica.
  2. La preparazione della sala di risonanza magnetica è la stessa della tradizionale misurazione fMRI. Preparare la sala per la risonanza magnetica prima dell'arrivo del partecipante.
  3. Collegare la bobina della testina a 32 o 20 canali allo scanner.
  4. Collegare il cavo VGA/HDMI del proiettore e il dispositivo di risposta compatibile con la risonanza magnetica (pulsantiera) al computer dello stimolo.
    NOTA: Nella maggior parte della configurazione RM, il dispositivo di risposta eroga il trigger TR al computer di stimolo. Questo trigger aiuta a sincronizzare la presentazione dello stimolo e l'acquisizione dei dati.

2. Preparazione dei partecipanti al di fuori dello scanner

  1. Prepara il modulo di consenso e i questionari che i partecipanti devono compilare prima del loro arrivo.
  2. Una volta arrivato il partecipante, spiega l'esperimento e la tecnica fMRI. Inoltre, istruire il partecipante su come eseguire il compito (ad esempio, durante l'esperimento, i partecipanti devono tenere gli occhi aperti e guardare sempre le immagini sullo schermo e devono cercare di non muovere la testa all'interno dello scanner).
  3. Chiedi al partecipante di firmare il modulo di consenso e di compilare i questionari necessari per valutare i livelli di desiderio.
  4. Chiedi ai partecipanti di compilare i seguenti questionari: 1) VAS-C: Scala analogica visiva, desiderio39, 2) QSU-b: Questionario sugli impulsi al fumo – Breve versione40 e 3) sigarette al giorno.
  5. Chiedi al partecipante di espirare attraverso il dispositivo di misurazione del monossido di carbonio (CO).
    NOTA: La misurazione del CO41 indica se il partecipante si astiene o meno dal fumare almeno 3 ore prima dell'arrivo per la sessione di neurofeedback. Il CO è misurato in ppm (parti per milione). Bassi valori di CO indicano che il partecipante non ha fumato per almeno un paio d'ore prima dell'arrivo. Ai partecipanti dovrebbe essere chiesto di astenersi dal fumare in modo che i segnali di desiderio suscitino un forte desiderio durante l'esperimento. I partecipanti con valori elevati di CO saranno avvertiti prima della futura sessione di neurofeedback per assicurarsi che si astengano dal fumare prima della sessione rtfMRI. I partecipanti che non si astengono dal fumare due volte dovrebbero essere esclusi dallo studio.

3. Posizionamento dei partecipanti

NOTA: La procedura di posizionamento dei partecipanti sul tavolo dello scanner è simile al tradizionale esperimento fMRI.

  1. Chiedi al partecipante di rimuovere tutti gli oggetti metallici dalle tasche prima di entrare nella sala di risonanza magnetica.
  2. Chiedere al partecipante di inserire i tappi per le orecchie prima di sdraiarsi sul tavolo dello scanner in posizione supina.
  3. Utilizzare i cuscinetti per fissare la posizione della testa del partecipante all'interno della bobina della testa. Questo passaggio aiuta a ridurre il movimento della testa durante la misurazione.
  4. Bloccare la parte superiore della bobina di testa e fissare lo specchio alla bobina di testa.
  5. Dare il dispositivo di risposta al partecipante e posizionare il dispositivo di risposta in base al comfort del partecipante.
  6. Chiedi al partecipante di chiudere gli occhi e segnare la posizione di riferimento della testa del partecipante tra le sopracciglia usando la luce laser.
  7. Spostare il tavolo dello scanner per posizionare la posizione contrassegnata al centro del foro della risonanza magnetica.
  8. Confermare con il partecipante che si trovi in una posizione comoda e che possa vedere gli stimoli visivi proiettati sullo schermo dietro lo scanner utilizzando lo specchio. Regolare lo specchio, se necessario.

4. Acquisizione dati

  1. Durante le scansioni iniziali, chiedi al partecipante di chiudere gli occhi e cercare di non muovere la testa.
  2. Avviare la misurazione con una sequenza di impulsi localizzatore. Questa sequenza viene in genere utilizzata per determinare la posizione della sezione della scansione anatomica e funzionale (sequenza EPI) eseguita successivamente.
  3. Selezionare il campo visivo (FOV) per la scansione anatomica con i seguenti parametri: TR = 11,5 ms, TE = 5 ms, 176 fette senza fessura, FOV = 240 x 240 mm2, matrice = 256 x 256, angolo di ribaltamento = 18°, fornendo 1 mm3 voxel isotropi. Il FOV della sequenza coprirà l'intera testa del partecipante.
  4. Il campo visivo per la scansione funzionale (sequenza EPI) è allineato alla linea della commessura anteriore/posteriore (linea AC-PC). Regolare la posizione delle sezioni in modo da coprire l'area di destinazione di interesse. I parametri della sequenza sono i seguenti: TR = 1,5, FOV = 192 mm, 25 fette, voxel = 3 mm x 3 mm x 3 mm, angolo di ribaltamento = 70°.

5. Neurofeedback FMRI

  1. Avvisare il partecipante che la corsa di neurofeedback sta iniziando e ripetere le istruzioni fornite in precedenza (ad esempio, che durante la linea di base, un blocco è rappresentato da un segno "+").
    NOTA: Il partecipante deve osservare l'immagine sullo schermo del display. D'altra parte, durante il blocco di regolazione, rappresentato da una freccia verso il basso, i partecipanti dovrebbero cercare di distaccarsi dagli impulsi bramosi utilizzando alcune strategie cognitive. La quantità di denaro mostrata alla fine di ogni blocco regolamentare rappresenta la loro performance. Una quantità maggiore di denaro rappresenta prestazioni migliori.
  2. Eseguire la corsa di neurofeedback in cui i blocchi di base e di regolazione si alternano (30 s ciascuno; Figura 2).
  3. Sul computer dello stimolo, eseguire il software di presentazione scritto con codice di stimolo e premere il pulsante Invio dopo che sullo schermo viene visualizzato Pronto . Il codice di presentazione è ora in attesa che il trigger avvii l'esecuzione del neurofeedback.
    NOTA: Il codice è sincronizzato con i trigger TR provenienti dallo scanner. Pertanto, è il primo passo in preparazione alla corsa di neurofeedback.
  4. Sul computer di analisi, esegui il toolbox MATLAB e il turbo brain voyager (TBV) interni.
  5. Nella casella degli strumenti MATLAB, inserisci le informazioni specifiche del partecipante, come l'ID del paziente e il numero di esecuzione del neurofeedback.
  6. Premere Genera file di protocollo per preparare il file di protocollo utilizzando le informazioni inserite nel passaggio 5.5.
    NOTA: Il file di protocollo contiene informazioni relative alla tempistica della condizione (ad esempio, l'ora in cui TR una condizione specifica deve iniziare e quale stimolo deve essere presentato). Sarà utilizzato sia da MATLAB toolbox che da TBV.
  7. Premere il pulsante Esegui sulla GUI della casella degli strumenti MATLAB. Il codice è ora in attesa di ricevere dati dal TBV.
  8. Nel TBV, selezionare il file di protocollo generato nel passaggio 5.6. Inoltre, seleziona il file .roi generato dalle precedenti sessioni di neurofeedback.
    NOTA: La selezione di un file ROI è importante, in quanto eviterà il crash del software TBV durante il periodo iniziale (10 TR) dell'esecuzione del neurofeedback.
  9. Preparare la sequenza EPI da implementare nel computer host MR. Premere il pulsante di avvio nel TBV.
  10. Ridisegna le ROI target nel software TBV in base ai punti di riferimento anatomici. La forma e le dimensioni dei ventricoli nel cervello sono utilizzate come punti di riferimento per selezionare l'insula anteriore. Inoltre, la forma ondulata della corteccia insulare viene utilizzata con precisione per selezionare i voxel relativi all'insula anteriore bilaterale.
  11. Disegna una ROI sull'area motoria primaria (M1) utilizzando il solco centrale come punto di riferimento anatomico. L'area motoria primaria funge da ROI di riferimento per rimuovere l'effetto degli aumenti globali del BOLD e delle fluttuazioni del BOLD dovute al movimento della testa.
  12. Alla fine di ogni sessione di neurofeedback, chiedi al partecipante: "Quale strategia cognitiva stavi usando durante il blocco di regolazione?". Inoltre, chiedi al partecipante il suo livello di comfort e se desidera continuare o meno con l'esperimento.
  13. Dopo quattro esecuzioni di neurofeedback, selezionare il pulsante di opzione Sì per l'esecuzione del trasferimento.
    NOTA: Una corsa di trasferimento è simile alla corsa di neurofeedback. Tuttavia, i partecipanti eseguono l'autoregolazione in assenza di feedback. Questo aiuta a determinare se l'autoregolazione appresa viene trasferita alla situazione in cui il partecipante non riceverà il neurofeedback (ad esempio, al di fuori dello scanner).

6. Gruppo di controllo

  1. Istruire i partecipanti del gruppo di controllo allo stesso modo di quelli del gruppo sperimentale. Tuttavia, fornisci un feedback sul tuorlo ai partecipanti.
    NOTA: Nel feedback aggiogato, l'importo medio di rinforzo (denaro) sia nel gruppo sperimentale che in quello di controllo rimane lo stesso. L'unica differenza tra i due gruppi è la contingenza del feedback fornito ai partecipanti. Per i partecipanti al gruppo di controllo, l'importo totale del rinforzo (denaro) viene distribuito tra il 40% degli studi di downregulation assegnati in modo casuale. Tuttavia, nell'altro 60% delle sperimentazioni, i partecipanti ricevono un feedback negativo (zero euro). Pertanto, i partecipanti al gruppo di controllo non ricevono un feedback contingente.

7. Analisi offline

  1. Pre-elaborazione dei dati fMRI
    1. Utilizza una cassetta degli attrezzi per la mappatura parametrica statistica (SPM) per pre-elaborare i dati fMRI (https://www.fil.ion.ucl.ac.uk/spm/ext/).
    2. Converti i dati fMRI in formato DICOM in formato NIFTI utilizzando l'utilità di conversione del formato della funzione batch SPM.
    3. Rimuovere le 10 scansioni iniziali da ogni dati di corsa del neurofeedback per evitare effetti di equilibrazione del gradiente42.
    4. Eseguire il processo di riallineamento per rimuovere gli artefatti di movimento e allineare tutti i volumi al primo volume della sessione. Inoltre, eseguire la correzione dell'intervallo di tempo per compensare il ritardo di acquisizione dell'intervallodi tempo 43.
    5. Condurre la segmentazione della scansione anatomica, la coregistrazione dei dati della sequenza EPI e dei dati anatomici e la normalizzazione per mappare i dati dello spazio soggetto al modello cerebrale standard44 del Montreal Neurological Institute (MNI).
    6. Utilizzando il nostro codice MATLAB interno, estrai i segnali BOLD dalle ROI a forma di cubo create attorno alle coordinate MNI corrispondenti all'insula anteriore bilaterale e alla corteccia motoria primaria.
  2. Calcolo della variazione percentuale del segnale BOLD
    1. Calcola la variazione percentuale del segnale BOLD in base alla variazione media del segnale BOLD per ogni ROI durante il blocco di regolazione rispetto al blocco di base precedente. L'equazione per la variazione percentuale del segnale BOLD è la seguente:
      figure-protocol-1
  3. Analisi del comportamento esplicito dei partecipanti al fumo
    1. Importa le risposte dei partecipanti ai questionari (ad esempio, QSU-b, VAS-C, misura CO e sigarette al giorno) in MATLAB.
    2. Verifica la normalità dei dati utilizzando un test di Kolmogorov-Smirnov a campione di MATLAB.
    3. Un t-test a campione singolo dovrebbe essere utilizzato per confrontare le risposte di questionari diversi per ciascun partecipante e un test t a campione accoppiato per confrontare i punteggi tra il gruppo sperimentale e quello di controllo.
  4. Analisi dell'atteggiamento implicito nei confronti dei segnali che suscitano desiderio
    1. Estrarre il tempo di reazione (RT) delle prove di priming affettivo per ciascun partecipante dai file di registro generati dal software di presentazione.
    2. Rimuovi i valori anomali basati sull'RT (cioè, non includere prove con un RT più lungo di 2 volte la deviazione standard dell'RT medio del partecipante).
    3. Verifica la normalità dei dati utilizzando un test di Kolmogorov-Smirnov a campione di MATLAB.
    4. Confrontare gli effetti della downregulation sui tempi di reazione mediani di combinazioni uniche di numeri primi (immagini neutre e che inducono il desiderio) e bersagli (parole positive e negative) per ciascun partecipante e confrontare tra i gruppi sperimentale e di controllo utilizzando un test t wise accoppiato.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Quattro pazienti sono stati reclutati in base ai loro punteggi nel questionario Fagerström Test for Nicotine Dependence (FTND)45 per la dipendenza da nicotina di livello medio (punteggio FTND >4) e al numero di sigarette fumate ogni giorno (>15). Inoltre, è stato assicurato che i partecipanti non avessero tatuaggi o protesi metalliche secondo le misure di sicurezza della risonanza magnetica dell'istituto. Sono state eseguite cinque sessioni di rtfMRI per ciascun partecipante, in cui le prime quattro sess...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

I risultati di quattro partecipanti dimostrano la possibilità per i fumatori di sigarette di imparare a sottoregolare l'attivazione nell'insula anteriore bilaterale in presenza di segnali che suscitano il desiderio. I cambiamenti nei comportamenti impliciti ed espliciti del fumo dopo l'addestramento al neurofeedback nel partecipante campione possono essere correlati alla sottoregolazione appresa, poiché il partecipante non è stato sottoposto ad altri interventi clinici o sperimentali dur...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Gli autori non hanno nulla da rivelare.

Ringraziamenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questo studio è stato sostenuto dalla Comisión Nacional de Investigación Científica y Tecnológica de Chile (Conicyt) attraverso il Fondo Nacional de Desarrollo Científico y Tecnológico, la borsa di studio post-dottorato Fondecyt (n. 3100648), Fondecyt Regular (progetti n. 1171313 e n. 1171320) e CONICYT PIA/Anillo de Investigación en Ciencia y Tecnología ACT172121.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Presentazione MATHSWORKMATLAB versione 2014a
- Presentazione Sistemi Neurocomportamentaliversione 18.0
Brain Innovation B.V.Turbo Brain Voyager Versione 2.6 o 3.0

Riferimenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Fernandez, T., et al. EEG and behavioral changes following neurofeedback treatment in learning disabled children. Clinical Electroencephalography. 34, 145-152 (2003).
  2. Scarapicchia, V., Brown, C., Mayo, C., Gawryluk, J. R. Functional Magnetic Resonance Imaging and Functional Near-Infrared Spectroscopy: Insights from Combined Recording Studies. Frontiers in Human Neuroscience. 11, 419(2017).
  3. Hinault, T., Larcher, K., Zazubovits, N., Gotman, J., Dagher, A. Spatio-temporal patterns of cognitive control revealed with simultaneous electroencephalography and functional magnetic resonance imaging. Human Brain Mapping. , (2018).
  4. Grech, R., et al. Review on solving the inverse problem in EEG source analysis. Journal of NeuroEngineering and Rehabilitation. 5, 25(2008).
  5. Van Essen, D. C., et al. The Human Connectome Project: a data acquisition perspective. NeuroImage. 62, 2222-2231 (2012).
  6. World Health Organization. WHO Report on the Global Tobacco Epidemic, 2017. , Geneva: World Health Organization. (2017).
  7. Ringlever, L., Otten, R., de Leeuw, R. N., Engels, R. C. Effects of parents' education and occupation on adolescent smoking and the mediating role of smoking-specific parenting and parent smoking. European Addiction Research. 17, 55-63 (2011).
  8. Malaiyandi, V., Sellers, E. M., Tyndale, R. F. Implications of CYP2A6 genetic variation for smoking behaviors and nicotine dependence. Clinical Pharmacology and Therapeutics. 77, 145-158 (2005).
  9. Brody, A. L., et al. Neural substrates of resisting craving during cigarette cue exposure. Biological Psychiatry. 62, 642-651 (2007).
  10. Childress, A. R., et al. Cue reactivity and cue reactivity interventions in drug dependence. NIDA Research Monography. 137, 73-95 (1993).
  11. Claus, E. D., Kiehl, K. A., Hutchison, K. E. Neural and behavioral mechanisms of impulsive choice in alcohol use disorder. Alcoholism, Clinical and Experimental Research. 35, 1209-1219 (2011).
  12. Franklin, T. R., et al. Limbic activation to cigarette smoking cues independent of nicotine withdrawal: a perfusion fMRI study. Neuropsychopharmacology. 32, 2301-2309 (2007).
  13. Grusser, S. M., et al. Cue-induced activation of the striatum and medial prefrontal cortex is associated with subsequent relapse in abstinent alcoholics. Psychopharmacology. 175, 296-302 (2004).
  14. Buhler, M., et al. Nicotine dependence is characterized by disordered reward processing in a network driving motivation. Biological Psychiatry. 67, 745-752 (2010).
  15. Bonson, K. R., et al. Neural systems and cue-induced cocaine craving. Neuropsychopharmacology. 26, 376-386 (2002).
  16. Brody, A. L., et al. Brain metabolic changes during cigarette craving. Archives of General Psychiatry. 59, 1162-1172 (2002).
  17. Contreras, M., Ceric, F., Torrealba, F. Inactivation of the interoceptive insula disrupts drug craving and malaise induced by lithium. Science. 318, 655-658 (2007).
  18. Naqvi, N. H., Rudrauf, D., Damasio, H., Bechara, A. Damage to the insula disrupts addiction to cigarette smoking. Science. 315, 531-534 (2007).
  19. Hollander, J. A., Lu, Q., Cameron, M. D., Kamenecka, T. M., Kenny, P. J. Insular hypocretin transmission regulates nicotine reward. Proceedings of the National Academy of Sciences of the United States of America. 105, 19480-19485 (2008).
  20. Forget, B., Pushparaj, A., Le Foll, B. Granular insular cortex inactivation as a novel therapeutic strategy for nicotine addiction. Biological Psychiatry. 68, 265-271 (2010).
  21. Scott, D., Hiroi, N. Deconstructing craving: dissociable cortical control of cue reactivity in nicotine addiction. Biological Psychiatry. 69, 1052-1059 (2011).
  22. Buczkowski, K., Marcinowicz, L., Czachowski, S., Piszczek, E. Motivations toward smoking cessation, reasons for relapse, and modes of quitting: results from a qualitative study among former and current smokers. Patient Prefer Adherence. 8, 1353-1363 (2014).
  23. Hughes, J. R., Stead, L. F., Hartmann-Boyce, J., Cahill, K., Lancaster, T. Antidepressants for smoking cessation. Cochrane Database of Systematic Reviews. , CD000031(2014).
  24. Bedi, G., et al. Incubation of cue-induced cigarette craving during abstinence in human smokers. Biological Psychiatry. 69, 708-711 (2011).
  25. Bassett, J. F., Dabbs, J. M. Jr A portable version of the go/no-go association task (GNAT). Behavior Research Methods. 37, 506-512 (2005).
  26. Huijding, J., de Jong, P. J., Wiers, R. W., Verkooijen, K. Implicit and explicit attitudes toward smoking in a smoking and a nonsmoking setting. Addictive Behaviors. 30, 949-961 (2005).
  27. Sherman, S. J., Rose, J. S., Koch, K., Presson, C. C., Chassin, L. Implicit and explicit attitudes towards cigarette smoking: The effect of context and motivation. Journal of Social and Clinical Psychology. 22, 13-39 (2003).
  28. Swanson, J. E., Rudman, L. A., Greenwald, A. G. Using the Implicit Association Test to investigate attitude- behavior consistency for stigmatized behavior. Cognition and Emotion. 15, 207-230 (2001).
  29. Asgaard, G. L., Gilbert, D. G., Malpass, D., Sugai, C., Dillon, A. Nicotine primes attention to competing affective stimuli in the context of salient alternatives. Experimental and Clinical Psychopharmacology. 18, 51-60 (2010).
  30. Gilbert, D. G., et al. Effects of nicotine on brain responses to emotional pictures. Nicotine & Tobacco Research. 6, 985-996 (2004).
  31. Czyzewska, M., Graham, R. Implicit and explicit attitudes to high- and low-calorie food in females with different BMI status. Eating Behaviors. 9, 303-312 (2008).
  32. Gilbert, D. G., Rabinovich, N. E. International smoking images series (with neutral counterparts). , Southern Illinois University: Integrative Neuroscience Laboratory, Department of Psychology. (1999).
  33. Bandettini, P. A., Wong, E. C., Hinks, R. S., Tikofsky, R. S., Hyde, J. S. Time course EPI of human brain function during task activation. Magnetic Resonance Medicine. 25, 390-397 (1992).
  34. Goebel, R. BrainVoyager - past, present, future. NeuroImage. 62, 748-756 (2012).
  35. Poline, J. B., Worsley, K. J., Holmes, A. P., Frackowiak, R. S., Friston, K. J. Estimating smoothness in statistical parametric maps: variability of p values. Journal of Computer Assisted Tomography. 19, 788-796 (1995).
  36. Johnson, K. A., et al. Intermittent "real-time" fMRI feedback is superior to continuous presentation for a motor imagery task: a pilot study. Journal of Neuroimaging. 22, 58-66 (2012).
  37. Yoo, S. S., Jolesz, F. A. Functional MRI for neurofeedback: feasibility study on a hand motor task. Neuroreport. 13, 1377-1381 (2002).
  38. Craig, A. D. How do you feel--now? The anterior insula and human awareness. Nature reviews. Neuroscience. 10, 59-70 (2009).
  39. Cox, L. S., Tiffany, S. T., Christen, A. G. Evaluation of the brief questionnaire of smoking urges (QSU-brief) in laboratory and clinical settings. Nicotine & Tobacco Research. 3, 7-16 (2001).
  40. Wewers, M. E., Rachfal, C., Ahijevych, K. A psychometric evaluation of a visual analogue scale of craving for cigarettes. Western Journal of Nursing Research. 12, 672-681 (1990).
  41. Allen, D. R., Browse, N. L., Rutt, D. L., Butler, L., Fletcher, C. The effect of cigarette smoke, nicotine, and carbon monoxide on the permeability of the arterial wall. Journal of Vascular Surgery. 7, 139-152 (1988).
  42. Weiskopf, N., et al. Real-time functional magnetic resonance imaging: methods and applications. Magnetic Resonance Imaging. 25, 989-1003 (2007).
  43. Sladky, R., et al. Slice-timing effects and their correction in functional MRI. NeuroImage. 58, 588-594 (2011).
  44. Mazziotta, J., et al. A probabilistic atlas and reference system for the human brain: International Consortium for Brain Mapping (ICBM). Philosophical Transactions of the Royal Society of London: Series B, Biological Sciences. 356, 1293-1322 (2001).
  45. Heatherton, T. F., Kozlowski, L. T., Frecker, R. C., Fagerstrom, K. O. The Fagerstrom Test for Nicotine Dependence: a revision of the Fagerstrom Tolerance Questionnaire. British Journal of Addiction. 86, 1119-1127 (1991).
  46. Myrick, H., et al. Differential brain activity in alcoholics and social drinkers to alcohol cues: relationship to craving. Neuropsychopharmacology. 29, 393-402 (2004).
  47. Tapert, S. F., Brown, G. G., Baratta, M. V., Brown, S. A. fMRI BOLD response to alcohol stimuli in alcohol dependent young women. Addictive Behaviors. 29, 33-50 (2004).
  48. Kilts, C. D., Gross, R. E., Ely, T. D., Drexler, K. P. The neural correlates of cue-induced craving in cocaine-dependent women. American Journal of Psychiatry. 161, 233-241 (2004).
  49. Li, Q., et al. Assessing cue-induced brain response as a function of abstinence duration in heroin-dependent individuals: an event-related fMRI study. PloS One. 8, e62911(2013).
  50. Frank, S., Kullmann, S., Veit, R. Food related processes in the insular cortex. Front Hum Neurosci. 7, 499(2013).
  51. deCharms, R. C., et al. Control over brain activation and pain learned by using real-time functional MRI. Proceedings of the National Academy of Sciences of the United States of America. 102, 18626-18631 (2005).
  52. Ruiz, S., Birbaumer, N., Sitaram, R. Abnormal Neural Connectivity in Schizophrenia and fMRI-Brain-Computer Interface as a Potential Therapeutic Approach. Frontiers in Psychiatry. 4, 17(2013).
  53. Habes, I., et al. Pattern classification of valence in depression. NeuroImage. Clinical. 2, 675-683 (2013).
  54. Li, X., et al. Volitional reduction of anterior cingulate cortex activity produces decreased cue craving in smoking cessation: a preliminary real-time fMRI study. Addiction Biology. 18, 739-748 (2013).
  55. Lubar, J. F., Swartwood, M. O., Swartwood, J. N., O'Donnell, P. H. Evaluation of the effectiveness of EEG neurofeedback training for ADHD in a clinical setting as measured by changes in T.O.V.A. scores, behavioral ratings, and WISC-R performance. Biofeedback and Self-Regulation. 20, 83-99 (1995).
  56. Janssen, T. W., et al. A randomized controlled trial into the effects of neurofeedback, methylphenidate, and physical activity on EEG power spectra in children with ADHD. Journal of Child Psychology and Psychiatry. 57, 633-644 (2016).
  57. Mayer, K., Wyckoff, S. N., Fallgatter, A. J., Ehlis, A. C., Strehl, U. Neurofeedback as a nonpharmacological treatment for adults with attention-deficit/hyperactivity disorder (ADHD): study protocol for a randomized controlled trial. Trials. 16, 174(2015).
  58. Gevensleben, H., et al. Distinct EEG effects related to neurofeedback training in children with ADHD: a randomized controlled trial. International Journal of Psychophysiology. 74, 149-157 (2009).
  59. Ramos-Murguialday, A., et al. Brain-machine interface in chronic stroke rehabilitation: a controlled study. Annals of Neurology. 74, 100-108 (2013).
  60. Biasiucci, A., et al. Brain-actuated functional electrical stimulation elicits lasting arm motor recovery after stroke. Nature Communication. 9, 2421(2018).
  61. Du, J., et al. Effects of repetitive transcranial magnetic stimulation on motor recovery and motor cortex excitability in patients with stroke: a randomized controlled trial. European Journal of Neurology. 23, 1666-1672 (2016).
  62. Ang, K. K., et al. Facilitating effects of transcranial direct current stimulation on motor imagery brain-computer interface with robotic feedback for stroke rehabilitation. Archives of Physical Medicine and Rehabilitation. 96, S79-S87 (2015).
  63. Wolbrecht, E. T., Chan, V., Reinkensmeyer, D. J., Bobrow, J. E. Optimizing compliant, model-based robotic assistance to promote neurorehabilitation. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 16, 286-297 (2008).
  64. Sitaram, R., et al. Closed-loop brain training: the science of neurofeedback. Nature Reviews Neuroscience. 18, 86-100 (2017).
  65. Simkin, D. R., Thatcher, R. W., Lubar, J. Quantitative EEG and neurofeedback in children and adolescents: anxiety disorders, depressive disorders, comorbid addiction and attention-deficit/hyperactivity disorder, and brain injury. Child and Adolescent Psychiatric Clinics of North America. 23, 427-464 (2014).
  66. Pascual-Marqui, R. D., et al. Assessing interactions in the brain with exact low-resolution electromagnetic tomography. Philosophical transactions: Series A, Mathematical, physical, and engineering sciences. , 3768-3784 (2011).
  67. Meir-Hasson, Y., Kinreich, S., Podlipsky, I., Hendler, T., Intrator, N. An EEG Finger-Print of fMRI deep regional activation. NeuroImage. 102, 128-141 (2014).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Real Time fMRINeurofeedback TrainingNicotine AddictionBrain Self RegulationBOLD ActivityAddiction NeuroimagingCraving ReductionBilateral InsulaFunctional MRI
Video in arrivo

Articoli correlati