Method Article

تحديد دور موجات ألفا في التغيرات العصبية التي يسببها التمرين من خلال مخطط كهربية الدماغ في حالة الراحة

DOI:

10.3791/68737

⸱

November 7th, 2025

 ,  ,  ,  ,  ,  ,  ,  ,  , 
11Department of Psychology, School of Sports Medicine,, Wuhan Sports University, 2Research Center of Translational Medicine, Naval Medical University

* These authors contributed equally

In This Article

Summary

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

يهدف هذا البروتوكول إلى فك تشفير إعادة البرمجة التذبذبية العصبية لنطاق ألفا الجبهي الناجمة عن التمارين الهوائية في الأفراد ذوي القلق العالي ، باستخدام تكامل التعلم العميق لمخطط كهربية الدماغ. يحدد النموذج التنبؤي المطور (دقة 81.82٪) تذبذب ألفا باعتباره الآلية الأساسية لتخفيف القلق بوساطة التمرين ، مما يؤدي إلى تطوير أهداف التعديل العصبي الدقيق للاضطرابات العاطفية.

Abstract

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

يظهر تدخل التمرين إمكانات فريدة في علاج عدم التنظيم العاطفي ، ومع ذلك فإن غموض أهداف التعديل العصبي يعيق تطوير وصفات دقيقة للتمارين الرياضية. تبحث هذه الدراسة في قلق السمات كاضطراب عاطفي تمثيلي لدى 40 طالبا جامعيا يعانون من قلق السمات العالية ، والذين تم تعيينهم عشوائيا إما إلى مجموعة تدخل التمرين (40 دقيقة من التمارين الهوائية متوسطة الشدة ، ن = 20) أو مجموعة تحكم غير تمرين (قراءة هادئة لمدة 40 دقيقة ، ن = 20) ، تليها جمع بيانات مخطط كهربية الدماغ أثناء الراحة. من خلال دمج تخطيط كهربية الدماغ في حالة الراحة (EEG) بعد التمرين مع خوارزميات التعلم العميق ، قمنا بتطوير نموذج تنبؤي للتردد الزمني لنطاق ألفا لفك تشفير آليات إعادة البرمجة التذبذبية العصبية بشكل منهجي في قشرة الفص الجبهي التي تسببها التمرين. أظهر نموذج التعلم العميق فعالية تصنيف فائقة (الدقة 83.33٪ ، درجة F1 0.83 ، معامل كابا 0.67) في تحديد تغيرات الانتروبيا الطيفية لقوة نطاق ألفا التي يسببها التمرين. هذه الدراسة رائدة في تحديد إعادة التوازن المثير لألفا الفص الجبهي من خلال إعادة تشكيل التذبذب العصبي كآلية أساسية وراء تخفيف القلق بوساطة التمرين.

Introduction

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

في المجتمع المعاصر ، أدت وتيرة الحياة المتسارعة والعبء المتزايد لضغوط الحياة إلى زيادة كبيرة في انتشار عدم التنظيم العاطفي. من بين المظاهر المختلفة لعدم التنظيم العاطفي ، يشكل القلق ، وهو نوع فرعي سائد ، تحديا كبيرا للأفراد. لطالما اعتبرت العلاجات الدوائية نهجا أساسيا في علاج الخلل العاطفي ، وخاصة القلق. ومع ذلك ، فقد أظهرت الأبحاث أن ما يقرب من 30٪ من الأفراد الذين يعانون من خلل التنظيم العاطفي لا يستجيبون لأدوية الخط الأول. علاوة على ذلك ، قد يؤدي الاستخدام طويل الأمد لهذه الأدوية إلى مخاطر مختلفة ، مثل اضطرابات التمثيل الغذائي والضعف الإدراكي1. التدخلات النفسية ، على الرغم من معالجة العوامل المسببة من خلال الأطر القائمة على الأدلة ، إلا أنها محدودة بفترات العلاج الطويلة التي تتطلب وقتا وجهدا وموارد مالية كبيرة ، إلى جانب تأخر ظهور التأثيرات العلاجية2،3.

في السنوات الأخيرة ، أظهر التدخل في التمرين مزايا ملحوظة في علاج عدم التنظيم العاطفي. أشارت العديد من الدراسات إلى أن التمرين لديه القدرة على تعزيز الحالات العاطفية بشكل طبيعي وتخفيف القلق والاكتئاب ، والذي تم تحقيقه من خلال تعزيز إطلاق الناقل العصبي الداخلي وتحريض التغييرات المشبكية4. على سبيل المثال ، كشفت الأبحاث التي أجريت على الفئران المدربة على ممارسة الرياضة أن عبء نقص الأكسجين قد انخفض بنسبة 52٪ ، ولوحظ تحسن كبير في الوظيفة المعرفية5. يعد قلق السمات ، الذي يمثل ميل الفرد المستقر نسبيا وطويل الأمد لتجربة القلق عبر المواقف المتنوعة6 ، عاملا رئيسيا في فهم الآليات الأساسية لعدم التنظيم العاطفي. إنه بمثابة سمة أساسية للقلق المزمن ، ويمكن أن توفر دراسته رؤى قيمة حول الفيزيولوجيا المرضية لمثل هذا الخلل العاطفي. من خلال فهم قلق السمة ، يمكننا أن نفهم بشكل أفضل سبب كون بعض الأفراد أكثر عرضة لتطوير مشاكل المزاج المرتبطة بالقلق. في عملنا السابق ، أوضحنا مناطق الدماغ الرئيسية المتعلقة بالوظائف المعرفية العاطفية التي تعاني من ضعف الاضطرابات العاطفية وكيف يمكن للتدخل في التمرين تحسين هذه الوظائف المعرفية ومناطق الدماغ ذات الصلة7. بالإضافة إلى ذلك ، أجرينا تجربتين لمخطط كهربية الدماغ (EEG) لاستكشاف بالتفصيل كيف يمكن للتدخل في التمرين تحسين خصائص نشاط الدماغ في القدرة على التحكم في الانتباه بين الأفراد الذين يعانون من قلق عالي السمات8.

في حين أن التدخل في التمرين قد برز كنهج غير دوائي واعد في علاج الاكتئاب ، إلا أن المؤشرات الحيوية العصبية الدقيقة المرتبطة بالآثار الإيجابية للتدخل في التمرين لم يتم تحديدها بوضوحبعد 9،10. تظهر الإيقاعات التذبذبية العصبية ، التي تعمل بمثابة "مشفرات زمانية مكانية" لمعالجة معلومات الدماغ ، خللا مميزا في القلق. على سبيل المثال ، أظهرت الأبحاث أن عدم التزامن قبل الفص الجبهي ألفا (α) يرتبط بعجز التحكم المعرفي الذي لوحظ عادة في القلق11،12. يشير هذا الخلل في تنظيم الإيقاعات التذبذبية العصبية إلى اضطراب أساسي في عمليات الاتصال العصبي الطبيعية التي تعتبر ضرورية للتنظيم العاطفي. ومع ذلك ، هناك ندرة في الدراسات التي تستكشف بشكل شامل كيف يعيد التمرين تشكيل الوظيفة العاطفية عن طريق تعديل الاقتران الإيقاعي عبر المناطق أو ديناميكيات إمكانات المجال المحلي13،14.

قدمت التطورات الحديثة في أبحاث التعلم العميق القائمة على مخطط كهربية الدماغ نماذج جديدة لفهم الآليات المرضية وتطوير علاجات دقيقة للاضطرابات العقلية مثل الاكتئاب والقلق15. والجدير بالذكر أن الدراسات التي تستخدم الاتصال الوظيفي الديناميكي (DFC) لمخطط كهربية الدماغ في حالة الراحة جنبا إلى جنب مع نماذج ماركوف المخفية (HMMs) قد كشفت عن اختلافات ذات دلالة إحصائية في ديناميكيات شبكة نطاق دلتا (δ) وثيتا (θ) وألفا (α) وجاما (γ) بين الاكتئاب غير الذهاني والاكتئاب الذهاني والفصام16،17،18. حقق نموذج التصنيف الثنائي المستند إلى DFC دقة 73.1٪ في التمييز بين هذه الشروط الثلاثة ، متفوقا على التحليلات الثابتة التقليدية. تضمنت المؤشرات الحيوية الرئيسية مزامنة θ-band DMN-SN ، ومزامنة النظام الحوفي FPCN γ النطاق ، واحتمالات انتقال حالة HMM ، مما أدى إلى إنشاء إطار عمل جديد للتصنيف النفسي الدقيق19 يستخدم التحليل النظري للرسم البياني لإثبات أن ميزات شبكة الدماغ الأساسية تتنبأ بفعالية التحفيز العميق للدماغ (DBS) في الاكتئاب المقاوم للعلاج. حقق نموذج غابة عشوائي باستخدام مقاييس الشبكة دقة 81.2٪ في التنبؤ باستجابة DBS ، متجاوزا المقاييس السريرية. أظهرت البيانات الطولية أن DBS يعكس الخلل الوظيفي في الشبكة عن طريق تعزيز المزامنة العالمية δ النطاق وتقليل مركزية sgACC. بالإضافة إلى ذلك ، تنبأت قوة الموجات α للفص الجبهي الأيسر بعدم استجابة مضادات الاكتئاب ، مع نموذج الشبكة العصبية التلافيفية (CNN) الذي حقق دقة 82.3٪ بناء على عدم تناسق α20. Everaert et al. (2022) طور نموذج شبكة عصبية اصطناعية مع اختيار الميزات باستخدام 460 مشاركا لتحديد السمات التنبؤية لاستراتيجيات تنظيم العاطفة. تؤكد هذه النتائج على الحاجة الماسة لتحديد أهداف عصبية دقيقة لتحسين وصفات التمرين21.

في مجال أبحاث علم الأعصاب المتعلقة بالتمرين ، ظهر التعلم العميق كأداة قوية ، مما يتيح استخراج المؤشرات الحيوية العصبية العصبية العصبية الزمانية المكانية المعقدة وعالية الأبعاد والمنخفضة السعة الناتجة عن تدخلات التمرين. أظهرت دراسات متعددة أن النشاط البدني يعدل بشكل كبير أنماط التنشيط في مناطق الدماغ المرتبطة بالحركة وديناميكيات التذبذب العصبية عبر نطاقات التردد22،23،24. كشفت مراجعة منهجية ل 47 دراسة عن زيادات ثابتة في قوة نطاق α / β الفص الجبهي بعد التمرين ، مما يعكس على الأرجح المرونة العصبية المعززة والتثبيط القشري25. أثار كل من التمارين الحادة والتدريب طويل المدى اتجاهات مماثلة ، على الرغم من أن استجابات النطاق γ أظهرت عدم تجانس يعتمد على الشدة (على سبيل المثال ، التدريب الهوائي المعتدل مقابل التدريب المتقطع عالي الكثافة). أنتجت التدخلات الهوائية لمدة أربعة أشهر في الشباب الأصحاء زيادة كبيرة في موجة α الفص الجبهي (9-12 هرتز) ، مرتبطة ارتباطا إيجابيا بمكاسب اللياقة الهوائية. في حين أن التحسينات السلوكية في وقت رد الفعل أو دقته كانت غائبة ، أشارت مقاييس التذبذب العصبي إلى التحسين الديناميكي لشبكات الانتباه البصري ، مما يشير إلى أن الموجات α قد تكون بمثابة مؤشرات حيوية لفعالية التمرين26. أظهر خبراء الرياضة رفيعو المستوى قوة إيقاع حسي حركي مرتفع (SMR ، 12-15 هرتز) أثناء مهام التصويب ، بالتزامن مع انخفاض التماسك الجبهي الصدغي ، مما يشير إلى التنفيذ الآلي للمهارات الحركية وتحسين كفاءة الشبكة27. والجدير بالذكر أن رياضيي تنس الطاولة أظهروا نشاطا منخفضا في مناطق الدماغ المرتبطة بالتمارين الرياضية مقارنة بغير الرياضيين ، مما يشير إلى أن التدريب طويل الأمد يبني شبكات عصبية متخصصة وموفرة للطاقة28.

تركز هذه الدراسة على قلق السمات كموضوع بحثي محدد ، باستخدام تخطيط كهربية الدماغ (EEG) لجمع البيانات العصبية واستكشاف مؤشراتها الحيوية العصبية ، وبالتالي توفير رؤى جديدة لتحديد الأهداف العصبية الدقيقة. تشير الأبحاث السابقة إلى أن موجات ألفا في منطقة الفص الجبهي ترتبط ارتباطا وثيقا بالتنظيم العاطفي والتحكم المعرفي والتعرف العاطفي (Harmon-Jones et al. ، 2010) ، وتلعب دورا محوريا في عمليات مثل فك تشفير الإشارات العاطفية الخارجية (على سبيل المثال ، تعبيرات الوجه والنغمات الصوتية) وتعديل الاستجابات العاطفية. تشير الدراسات إلى أن التغيرات في نشاط ألفا الفص الجبهي قد تكون بمثابة علامات فسيولوجية لخلل التنظيم العاطفي ، لا سيما في القلق والحالات العاطفية السلبية29،30،31. يعمل تخطيط كهربية الدماغ في حالة الراحة (EEG) كشرط تجريبي افتراضي في علم الأعصاب للتحقيق في الخصائص الديناميكية للدماغ ، مما يتطلب من المشاركين البقاء مستيقظين دون أداء أي مهام معرفية32. قد تشمل الحالات التجريبية حالات إغلاق العينين أو فتح العين. تشير الأدلة التجريبية إلى أن التغييرات في تذبذبات ألفا الجبهي يمكن أن تعمل كمؤشرات حيوية لضعف تنظيم المشاعر ، خاصة في الظروف التي تتميز بالقلق وغلبة التأثير السلبي33،34. يمكن أن تكشف كثافته الطيفية وأنماط الاتصال الوظيفية عن خصائص النشاط الجوهري للدماغ ، وهي قابلة للتطبيق للكشف عن العلامات المرضية في الأمراض التنكسية العصبية (مثل مرض الزهايمر) ، واضطرابات النمو (على سبيل المثال ، عسر القراءة النموي) 35،36 ، وكذلك الاضطرابات العقلية والعاطفية (مثل الاكتئاب والقلق) 37. من بين هؤلاء ، يتم استخدام إيقاع ألفا تحت حالة فتح العينين بشكل شائع في الدراسات حول الاضطرابات العاطفية38،39. وبالتالي ، تبحث هذه الدراسة في أداء تصنيف تذبذبات ألفا في مناطق الفص الجبهي قبل وبعد تدخلات التمرين لقلق السمات. بناء على بيانات مخطط كهربية الدماغ ، يستخدم هذا البحث EEGNet لتحديد الأهداف العصبية المرتبطة بتدخلات التمرين للأفراد الذين يعانون من قلق السمات العالية. تم تصميم EEGNet خصيصا لتصنيف إشارات مخطط كهربية الدماغ ويوفر العديد من المزايا الرئيسية مقارنة بطرق التعلم العميق التقليدية وغيرها ، مما يجعله مناسبا بشكل خاص للتحقيق في أنماط مخطط كهربية الدماغ ببياناتمحدودة 40.

تم جمع بيانات مخطط كهربية الدماغ في حالة الراحة باستخدام نظام 64 قناة (منتجات الدماغ ، ألمانيا) باتباع المعيار الدولي 10-20 ، بمعدل أخذ عينات يبلغ 1000 هرتز وتصفية ممر النطاق (0.1-100 هرتز). لضمان جودة الإشارة ، تم الحفاظ على مقاومة القطب الكهربائي أقل من 5 كيلو أوم ، وتمت إزالة القطع الأثرية العينية عبر تحليل المكونات المستقل (ICA). تم توجيه المشاركين للبقاء مستيقظين وأعينهم مفتوحة أثناء التركيز على الصليب ، مما يقلل من الضوضاء المرتبطة بالحركة.

كانت معايير الإدراج الرئيسية للمشاركين ذوي القلق العالي السمات هي: (1) درجات مخزون قلق السمات ≥ 55 ، (2) تمرين محدود عالي الكثافة (< 3 أيام / أسبوع) للتحكم في تأثيرات اللياقة البدنية الموجودة مسبقا ، و (3) إجمالي النشاط البدني الأسبوعي < 600 MET-دقيقة. تهدف هذه المعايير إلى تجانس العينة مع عكس السكان المستقرين في العالم الحقيقي. القيد هو التباين المحتمل في ديناميكيات مخطط كهربية الدماغ في حالة الراحة بسبب الاختلافات الفردية في الإثارة الأساسية أو الحالات تحت السريرية غير المكتشفة ، والتي يمكن أن تتناولها الدراسات المستقبلية بعينات أكبر وتقييمات متعددة الوسائط (على سبيل المثال ، الرنين المغناطيسي الوظيفي أو المهام السلوكية).

نفترض أن نشاط ألفا الفص الجبهي يمكن أن يصنف بشكل فعال بيانات مخطط كهربية الدماغ للتمرين والتحكم. باختصار ، تهدف هذه الدراسة إلى الاستفادة من تقنيات الذكاء الاصطناعي لتحليل فوائد التدخلات الرياضية للاضطرابات العاطفية ، باستخدام قلق السمات كنموذج. يسعى هذا العمل من خلال منهجيته ونتائجه إلى تعزيز فهم التطورات والتحديات الحالية في هذا المجال ، وتقديم التوجيه والرؤى للأبحاث المستقبلية.

Access restricted. Please log in or start a trial to view this content.

Protocol

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

تمت الموافقة على هذه الدراسة من قبل لجنة أخلاقيات البحث المؤسسي بجامعة ووهان الرياضية (2023016).

1. المشاركون في الدراسة

  1. توظيف 550 طالبا رئيسيا غير رياضيا من إحدى الجامعات على أساس تطوعي. قم بإجراء الفحص المسبق لاختيار العينة. استخدم الجرد الصيني المنقح لقلق سمات الحالة41 لهذا الغرض ، كما هو موضح في الجدول 1.
  2. صنف الأفراد الذين يسجلون 55 أو أعلى في المقياس الفرعي لقلق السمات على أنهم يعانون من قلق السمات العالي واخترهم لتجربة مخطط كهربية الدماغ. استخدم المقياس الفرعي لقلق السمات في هذا الجرد كأداة تقييم رئيسية ، باتباع المعايير المعمول بها من دراسات تخطيط موارد المؤسسات السابقة42. ترتكز درجة القطع هذه البالغة 55 على بحث سابق ، مما يضمن طريقة متسقة وصالحة لتصنيف المشاركين الذين يعانون من قلق السمات العالية.
  3. قم بتقييم الأفراد الذين لديهم درجات قلق أعلى من 55 لمستويات نشاطهم البدني. طلب من المشاركين أيضا تلبية ثلاثة معايير إدراج محددة تتعلق بأنماط نشاطهم البدني في الأسبوع السابق.
    1. تأكد من أن المشاركين قد شاركوا في نشاط بدني عالي الكثافة لمدة تقل عن 3 أيام (مع استمرار كل جلسة ≥ 20 دقيقة في اليوم).
      ملاحظة: يمكن أن يكون للنشاط البدني عالي الكثافة تأثير كبير على الجسم والدماغ ، مما قد يؤدي إلى تغيير اللدونة العصبية ومستويات الناقل العصبي. من خلال تقييد عدد أيام النشاط عالي الكثافة ، يمكن للباحثين تقليل الآثار المربكة لمثل هذا التمرين المكثف على العلاقة التي تتم دراستها.
    2. تأكد من أن العدد الإجمالي لأيام التمرين عبر جميع الشدة أقل من 5 أيام في الأسبوع ، وأن إجمالي حجم التمرين أقل من 600 MET-min / أسبوع. سيضمن ذلك أن يكون عبء التمرين الإجمالي للمشاركين ضمن نطاق معين ، مما يقلل من التباين في العينة بسبب أحجام التمرين المختلفة.
    3. تأكد من أن المشاركين شاركوا في أقل من 30 دقيقة من النشاط متوسط الشدة وساروا لمدة تقل عن 5 أيام في الأسبوع.
      ملاحظة: النشاط المعتدل الشدة والمشي ، على الرغم من كونه أقل كثافة من التمارين عالية الكثافة ، إلا أنه لا يزال بإمكانه التأثير على الحالة الفسيولوجية والنفسية للجسم. من خلال وضع هذه الحدود ، يمكن للباحثين التحكم بشكل أكبر في الآثار المحتملة لأنواع مختلفة من النشاط البدني على النتائج التجريبية.

2. تعليمات المهمة

  1. قم بتوجيه المشاركين في مجموعة التدخل في التمرين للانخراط في تمارين هوائية متوسطة الشدة باستخدام مقياس جهد الدورة الثابتة لمدة 30 دقيقة ، وارتداء جهاز مراقبة معدل ضربات القلب لتسجيل البيانات الفسيولوجية. تم تنظيم تدخل التمرين على ثلاث مراحل وفقا للمبادئ التوجيهيةالمعمول بها 43.
    1. مرحلة الإحماء: اطلب من المشاركين ركوب الدراجات بسرعة 25 واط لمدة 5 دقائق لإعداد العضلات وأنظمة القلب والأوعية الدموية لمرحلة التمرين الرئيسية.
    2. مرحلة التمرين الرئيسية: اطلب من المشاركين أداء مهمة ركوب الدراجات المستمرة لمدة 20 دقيقة بمعدل دواسة 70-80 دورة في الدقيقة بكثافة معتدلة. راقب معدل ضربات القلب كل ثانيتين ، واحسب معدل ضربات القلب المستهدف (THR) باستخدام الصيغة:
      THR (HRmax − HRrest) × الكثافة المطلوبة + HRrest
      حيث HRmax = الحد الأقصى لمعدل ضربات القلب ، HRrest = معدل ضربات القلب أثناء الراحة ، وتم تحديد الشدة المطلوبة وفقا لإرشادات تمرين ACSM43.
    3. مرحلة التهدئة: اطلب من المشارك تقليل حمل ركوب الدراجات إلى 15 واط في غضون 5 دقائق لخفض معدل ضربات القلب وتقليل مخاطر الإصابة وتعزيز استرخاء العضلات.
  2. مهمة المجموعة الضابطة: تأكد من جلوس المشارك بهدوء في المختبر لمدة 30 دقيقة ويشارك في مهمة قراءة حرة.

3. جمع البيانات

  1. سجل إشارات مخطط كهربية الدماغ للأشخاص باستخدام جهاز 64 رصاصا ، واضبط مصفوفة القطب الكهربائي وفقا للمعيار الدولي 10-20 بتردد أخذ عينات يبلغ 1000 هرتز.
  2. قبل الحصول على البيانات ، قم بتطبيق معجون موصل طبي على جميع واجهات جلد القطب الكهربائي لضمان قيم المعاوقة أقل من 5 كيلو أوم ، وبالتالي تحسين دقة الإشارة وتقليل القطع الأثرية للحركة.
  3. كان معدل أخذ العينات لجمع البيانات 1000 هرتز ، مع مرشح ممر نطاق من 0.1-100 هرتز.
  4. ضع قطبا كهربائيا في القناة الخارجية اليسرى للعين اليسرى ، وسجل حركات العين العمودية والومض.
  5. أثناء جمع البيانات ، كان FCz و FPz بمثابة القطب المرجعي الأصلي والقطب الأرضي ، على التوالي.
  6. اطلب من المشاركين إبقاء أعينهم مفتوحة والتركيز على الصليب. طوال العملية ، يطلب منهم البقاء واعين ويقظين ، وتجنب التركيز على أي فكرة محددة ، والامتناع عن تجربة التقلبات العاطفية.

4. تحليل البيانات دون اتصال بالإنترنت

  1. المعالجة المسبقة
    1. أعد الرجوع إلى البيانات الأولية إلى متوسط جميع الأقطاب الكهربائية.
    2. قم بتطبيق مرشح تمرير النطاق 0.1-40 هرتز لإزالة الانجراف منخفض التردد (مثل القطع الأثرية التنفسية) والضوضاء عالية التردد (على سبيل المثال ، تداخل خط الطاقة والقطع الأثرية كهربية العضل).
    3. قم بتقسيم جميع بيانات الأشخاص إلى حقبة 120 ثانية، باستثناء الأجزاء الأولية والأخيرة من 10 ثوان من كل تسجيل للتخلص من القطع الأثرية المحتملة للحافة من تهيئة الجهاز.
    4. قم بإزالة القطع الأثرية لمخطط كهربية العين (EOG) ومخطط كهربية القلب (ECG) باستخدام تقنية تحليل المكونات المستقلة (ICA). قامت خوارزمية Infomax بتحليل الإشارة إلى مكونات مستقلة إحصائيا. تم تحديد المكونات الاصطناعية من خلال التوصيف الثلاثي: (1) التضاريس المكانية (EOG تظهر توزيعات ثنائية القطب الجبهي ، تخطيط القلب تظهر هيمنة الزمان الأيسر) ؛ (2) الديناميكيات الزمنية (EOG تظهر المسامير العابرة المغلقة بالوميض ، تخطيط القلب الذي يعرض دورية إيقاع القلب) ؛ و (3) التوقيعات الطيفية (EOG التي توضح التركيز الطيفي منخفض التردد)44.
    5. قم بإزالة الفترات الزمنية التي تجاوز خلالها جهد مخطط كهربية الدماغ ± 75 ميكرو فولت كقطع أثرية.
  2. تحليل الفرق الخاص بالنطاق
    1. أولا ، قم بتقسيم إشارات مخطط كهربية الدماغ إلى أجزاء صغيرة على فترات 120 ثانية.
    2. تحليل خصائص التردد الزمني لإشارات مخطط كهربية الدماغ باستخدام مويجة مورلت المعقدة.
    3. اضبط المعلمات على النحو التالي: تحديد معلمات تحويل المويجة بدورات [3 0,8] و100 حاوية تردد (nfreqs) و200 نقطة زمنية (ntimeout) لتحسين استبانة التردد الزمني لتحليل مخطط كهربية الدماغ45.
    4. قم بإجراء اختبار التقليب نقطة بنقطة (10,000 تكرار) عبر جميع نقاط التردد الزمني لتقييم الدلالة الإحصائية (ص < 0.05 ، مصحح ب FDR).
    5. تصور كمخطط تردد زمني ، مع نقاط زمنية على المحور x وصناديق التردد على المحور y.

5. تحليل النموذج

ملاحظة: تحقق هذه الشبكة العصبية التلافيفية (CNN) تعلم ميزات التردد الزمني لإشارات مخطط كهربية الدماغ من خلال عملية التواء ثنائية الأبعاد متعددة المقاييس46. يتم عرض عملية نموذج CNN في الشكل 1 ب.

  1. الكتلة التلافيفية الأولى
    1. استخدم طبقة الالتفاف ثنائية الأبعاد (Conv2d) مع in_channels = 6 ، out_channels = 16 ، kernel_size = (3 ، 3) ، والحشو = 1 لاستخراج الميزات المكانية المحلية ، حيث تضمن الحشو المتماثل بقاء الأبعاد المكانية دون تغيير بعد الالتواء.
    2. قم بتطبيق تطبيع الدفعات (BatchNorm2d) على إخراج طبقة الالتفاف لتثبيت التدريب وتسريع التقارب ، متبوعا بوظيفة تنشيط الوحدة الخطية المصححة (ReLU) لإدخال اللاخطية.
    3. استخدم طبقة التجميع القصوى (MaxPool2d) مع kernel_size = (2، 2) وخطوة = 2 لضغط المعالم لتقليل الأبعاد المكانية بمقدار النصف مع الاحتفاظ بمعلومات المعالم المهمة.
  2. الكتلة التلافيفية الثانية
    1. استخدم طبقة الالتفاف ثنائية الأبعاد أخرى (Conv2d) مع in_channels = 16 ، out_channels = 32 ، kernel_size = (3 ، 3) ، والحشو = 1 لاستخراج الميزات المكانية عالية المستوى بناء على ناتج الكتلة الأولى ، مع نفس استراتيجية الحشو للحفاظ على الأبعاد المكانية.
    2. على غرار الكتلة الأولى، قم بتطبيق تطبيع الدفعات (BatchNorm2d) وتنشيط ReLU بالتتابع لتطبيع الميزات وإدخال عدم الخطية.
    3. مرة أخرى ، استخدم طبقة تجميع قصوى (MaxPool2d) مع kernel_size = (2 ، 2) وخطوة = 2 لضغط الميزات.
  3. طبقات متصلة بالكامل
    1. قم بتسطيح ميزات الإخراج من الكتلة التلافيفية الثانية إلى متجه أحادي البعد ، والذي يعمل كمدخل للطبقات المتصلة بالكامل.
    2. تأكد من أن الطبقة الأولى المتصلة بالكامل (خطية) تقوم بتعيين المعالم المسطحة إلى مساحة معلم 256 بعد، متبوعة بطبقة انقطاع (Dropout) بمعدل 0.5 لمنع الإفراط في التجهيز، ووظيفة تنشيط ReLU.
    3. تقلل الطبقة الثانية المتصلة بالكامل (الخطية) من أبعاد الميزة من 256 إلى 128 ، مع طبقة انقطاع أخرى (Dropout) بمعدل 0.5 ووظيفة تنشيط ReLU مطبقة بالتتابع.
    4. تقوم الطبقة النهائية المتصلة بالكامل (الخطية) بتعيين الميزات ذات 128 بعدا إلى عدد الفئات المستهدفة (فئتين) ، مما يولد ناتج النموذج.
      ملاحظة: تم تكوين النظام الأساسي لمعالجة البيانات على النحو التالي: خادم به أربعة وحدات HYGON Z100L DCUs؛ بناء النموذج والتدريب في Python 3.8 و PyTorch-1.13. تستخدم التجربة وحدة torch.nn لتوفير المكونات الأساسية مثل Conv2d (طبقة الالتواء) ، BatchNorm2d (تطبيع الدفعات) ، ELU (وظيفة التنشيط) ، AvgPool2d (متوسط التجميع) ، التسرب (طبقة التسرب) ، الخطي (الطبقة المتصلة بالكامل) ، و CrossEntropyLoss (وظيفة الخسارة). توفر وحدة torch.optim محسن آدم لتحديثات المعلمات. توفر وحدة torch.utils.data DataLoader (محمل البيانات) و TensorDataset (فئة غلاف مجموعة البيانات) لمعالجة البيانات ؛ يتم استخدام torch.device لتكوين الجهاز (DCU) ؛ يستخدم torch.save لحفظ معلمة النموذج ؛ ويتم استخدام الدالة sklearn.model_selection.train_test_split من scikit-learn لتقسيم مجموعة البيانات ؛ تم اختيار آدم كمحسن. كانت وظيفة الخسارة هي الانتروبيا المتقاطعة. تم تعيين batch_size على 2 ؛ وتم تعيين العصر على 100. للحصول على بيانات الإدخال ، استخدم ميزات مخطط كهربية الدماغ (استنادا إلى المصفوفات المستخرجة من Morlet) من ست قنوات ما قبل الفص الجبهي (Fp1 ، Fp2 ، AF3 ، AF4 ، AF7 ، AF8) في النطاق ألفا مع ميزات التردد الزمني. قسم التجارب إلى مجموعات تدريب واختبار باستخدام نسبة 7: 3. تقييم فعالية النموذج من خلال نتائج التصنيف باستخدام مقاييس مصفوفة الدقة والارتباك.

Access restricted. Please log in or start a trial to view this content.

Results

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

معالجة بيانات مخطط كهربية الدماغ والتحليل الإحصائي

تم تقسيم بيانات مخطط كهربية الدماغ الأولية إلى حقبتين متمحورتين حول بداية الحدث ، بما يتفق مع الممارسات القياسية في تحليل التردد الزمني لالتقاط الديناميكيات العصبية العابرة مع تقليل القطع الأثرية الحافة. خضعت كل حقبة لتحويل المويجة المستمر (CWT) باستخدام مويجة مورليت المعقدة مع 3 دورات ، والتي توازن على النحو الأمثل بين الدقة ال...

Access restricted. Please log in or start a trial to view this content.

Discussion

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

في مجال أبحاث الصحة العقلية ، فإن فهم الآليات العصبية الأساسية للتدخلات للأفراد الذين يعانون من قلق السمات العالية أمر بالغ الأهمية. تم تصميم هذه الدراسة بهدف واضح يتمثل في استكشاف المؤشرات الحيوية العصبية المرتبطة بالتدخل في التمرين لدى هؤلاء الأفراد من خلال استخدام نماذج الذكاء الاصطناعي. أدى اعتماد الشبكات العصبية العميقة المتقدمة ، بما في ذلك نماذج مثل EEGNet ، إلى إحداث ثورة في معالجة إشارات مخطط كهربية الدماغ (EEG) من خلال تمكين التحليل الدقيق وفك تشفير نشاط الدماغ بدقة غير مسبوقة<...

Access restricted. Please log in or start a trial to view this content.

Disclosures

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

يعلن المؤلفون عدم وجود تضارب في المصالح.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
برين أمب SNمنتجات الدماغAMP12081737 ستاندرداكتساب إشارات تخطيط كهربائي الدماغ (EEG)
إيبرايم بروفيشنالأدوات برمجيات علم النفس2.0.10.92برنامج تجارب علم النفس
دورة الحركة 600شركة إيموشن فيتنس GmbH & السرية KGF-EF-MC-650مقياس إرغومتر الدراجة
وحدة الحوسبة العميقة (DCU)هيغونHYGON Z100Lتحليل النماذج
بايثونمؤسسة بايثون للبرمجياتبايثون 3.8تحليل النماذج

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Thase, M. E., et al. A meta-analysis of randomized, placebo-controlled trials of vortioxetine for the treatment of major depressive disorder in adults. Eur Neuropsychopharmacol. 26 (6), 979-993 (2016).
  2. Koeser, L., et al. Cost-effectiveness of long-term psychoanalytic psychotherapy for treatment-resistant depression: RCT evidence from the Tavistock Adult Depression Study (TADS). J Affect Disord. 335, 313-321 (2023).
  3. De Maat, S., et al. Costs and benefits of long-term psychoanalytic therapy: changes in health care use and work impairment. Harv Rev Psychiatry. 15 (6), 289-300 (2007).
  4. Béland, M., et al. Aerobic exercise alleviates depressive symptoms in patients with a major non-communicable chronic disease: a systematic review and meta-analysis. Br J Sports Med. 54 (5), 272-278 (2020).
  5. Beinlich, F. R. M., et al. Oxygen imaging of hypoxic pockets in the mouse cerebral cortex. Science. 383 (6690), 1471-1478 (2024).
  6. Spielberger, C. D. Anxiety: current trends in theory and research. , Academic Press. Oxford, England. (1972).
  7. Tian, H., et al. Neural mechanisms underlying cognitive impairment in depression and cognitive benefits of exercise intervention. Behav Brain Res. 476, 115218(2025).
  8. He, M., et al. The effects of aerobic exercise on goal-directed attention and inhibitory control in individuals with high trait anxiety: an EEG study. BMC Psychol. 13 (1), 86(2025).
  9. Xiao, K., et al. Beneficial effects of running exercise on hippocampal microglia and neuroinflammation in chronic unpredictable stress-induced depression model rats. Transl Psychiatry. 11 (1), 461(2021).
  10. Xia, J., et al. Physical exercise activates a PVN-NAc oxytocin circuit to relieve stress-induced depressive-like behaviors. Proc Natl Acad Sci U S A. 122 (21), e2503675122(2025).
  11. Dai, Z., et al. Alpha-beta decoupling relevant to inhibition deficits leads to suicide attempt in major depressive disorder. J Affect Disord. 314, 168-175 (2022).
  12. Zrenner, B., et al. Brain oscillation-synchronized stimulation of the left dorsolateral prefrontal cortex in depression using real-time EEG-triggered TMS. Brain Stimul. 13 (1), 197-205 (2020).
  13. Zhang, C., Yeh, C. H., Shi, W. Variational phase-amplitude coupling characterizes signatures of anterior cortex under emotional processing. IEEE J Biomed Health Inform. 27 (4), 1935-1945 (2023).
  14. Sun, S., et al. A single-cell transcriptomic atlas of exercise-induced anti-inflammatory and geroprotective effects across the body. Innovation (Camb). 4 (1), 100380(2023).
  15. Ye, Z., et al. Detecting and phenotyping of aneuploid circulating tumor cells in patients with various malignancies. Cancer Biol Ther. 20 (4), 546-551 (2019).
  16. Qiu, D., et al. Mapping brain functional networks topological characteristics in new daily persistent headache: a magnetoencephalography study. J Headache Pain. 24 (1), 161(2023).
  17. De La Salle, S., et al. Electrophysiological correlates and predictors of the antidepressant response to repeated ketamine infusions in treatment-resistant depression. Prog Neuropsychopharmacol Biol Psychiatry. 115, 110507(2022).
  18. Cao, D., et al. State-specific modulation of mood using intracranial electrical stimulation of the orbitofrontal cortex. Brain Stimul. 16 (4), 1112-1122 (2023).
  19. Chen, H., et al. Resting-state EEG dynamic functional connectivity distinguishes non-psychotic major depression, psychotic major depression and schizophrenia. Mol Psychiatry. 29 (4), 1088-1098 (2024).
  20. Li, S., et al. Resting-state EEG alpha asymmetry predicts false belief understanding during early childhood: an exploratory longitudinal study. Brain Res. 1853, 149523(2025).
  21. Everaert, J., et al. Which features of repetitive negative thinking and positive reappraisal predict depression? an in-depth investigation using artificial neural networks with feature selection. J Psychopathol Clin Sci. 131 (7), 754-768 (2022).
  22. Ciria, L. F., et al. Oscillatory brain activity during acute exercise: tonic and transient neural response to an oddball task. Psychophysiology. 56 (5), e13326(2019).
  23. Wang, J., et al. Executive function elevated by long term high-intensity physical activity and the regulation role of beta-band activity in human frontal region. Cogn Neurodyn. 17 (6), 1463-1472 (2023).
  24. Fry, A., et al. The effect of physical fatigue on oscillatory dynamics of the sensorimotor cortex. Acta Physiol (Oxf). 220 (3), 370-381 (2017).
  25. Hosang, L., et al. Effects of exercise on electroencephalography-recorded neural oscillations: a systematic review. Int Rev Sport Exerc Psychol. 17 (2), 926-979 (2024).
  26. Chaire, A., Becke, A., Düzel, E. Effects of physical exercise on working memory and attention-related neural oscillations. Front Neurosci. 14, 239(2020).
  27. Cheng, M. Y., et al. QEEG markers of superior shooting performance in skilled marksmen: an investigation of cortical activity on psychomotor efficiency hypothesis. Psychol Sport Exerc. 65, 102320(2023).
  28. Zhanbing, R., et al. A review of brain plasticity of motor skill experts: evidence from magnetic resonance imaging. China Sport Sci Technol. 55 (2), 3-18 (2019).
  29. Hein, T. P., et al. Anterior cingulate and medial prefrontal cortex oscillations underlie learning alterations in trait anxiety in humans. Commun Biol. 6 (1), 271(2023).
  30. Segrave, R. A., et al. Upper alpha activity during working memory processing reflects abnormal inhibition in major depression. J Affect Disord. 127 (1-3), 191-198 (2010).
  31. Glier, S., et al. Individual differences in frontal alpha asymmetry moderate the relationship between acute stress responsivity and state and trait anxiety in adolescents. Biol Psychol. 172, 108357(2022).
  32. Perinelli, A., Ricci, L. Stationarity assessment of resting-state condition via permutation entropy on EEG recordings. Sci Rep. 15 (1), 698(2025).
  33. Alzahab, N. A., et al. Auditory evoked potential electroencephalography-biometric dataset. Data Brief. 57, 111065(2024).
  34. Das, S., et al. Resting-state electroencephalography microstates in autism spectrum disorder: a mini-review. Front Psychiatry. 13, 988939(2022).
  35. Kang, J. H., Bae, J. H., Jeon, Y. J. Age-related characteristics of resting-state electroencephalographic signals and the corresponding analytic approaches: a review. Bioengineering (Basel). 11 (5), 418(2024).
  36. Turri, C., et al. Periodic and aperiodic EEG features as potential markers of developmental dyslexia. Biomedicines. 11 (6), 1607(2023).
  37. Wang, S. Y., et al. The effects of alpha asymmetry and high-beta down-training neurofeedback for patients with major depressive disorder and anxiety symptoms. J Affect Disord. 257, 287-296 (2019).
  38. Galkin, S., et al. Quantitative characteristics of the alpha-rhythm of the electroencephalogram in depressive disorders. Neurology Bulletin. 53, 19-25 (2021).
  39. Barry, R. J., et al. EEG differences between eyes-closed and eyes-open resting conditions. Clin Neurophysiol. 118 (12), 2765-2773 (2007).
  40. Liu, D., et al. Incremental classification for high-dimensional EEG manifold representation using bidirectional dimensionality reduction and prototype learning. IEEE J Biomed Health Inform. 29 (2), 984-995 (2025).
  41. Li, W. Revision of the state-trait anxiety inventory with sample of Chinese college students. Acta Sci Nat Univ Pekinensis. 1, 108-112 (1995).
  42. Eldar, S., et al. Enhanced neural reactivity and selective attention to threat in anxiety. Biol Psychol. 85 (2), 252-257 (2010).
  43. Swain, D. P., Leutholtz, B. C. Heart rate reserve is equivalent to %VO2 reserve, not to %VO2max. Med Sci Sports Exerc. 29 (3), 410-414 (1997).
  44. Chen, W., et al. DenoiseMamba: an innovative approach for EEG artifact removal leveraging Mamba and CNN. IEEE J Biomed Health Inform. 29 (9), 6551-6564 (2025).
  45. Durak, L., Arikan, O. Short-time Fourier transform: two fundamental properties and an optimal implementation. IEEE Trans Signal Process. 51 (5), 1231-1242 (2003).
  46. Mohan, R., Perumal, S. Classification and detection of cognitive disorders like depression and anxiety utilizing deep convolutional neural network (CNN) centered on EEG signal. Trait Signal. 40 (3), 971-979 (2023).
  47. Lin, P. J., et al. AM-EEGNet: an advanced multi-input deep learning framework for classifying stroke patient EEG task states. Neurocomputing. 585, 127622(2024).
  48. Liang, X., et al. Convolutional neural network with a topographic representation module for EEG-based brain-computer interfaces. Brain Sci. 13 (2), (2023).
  49. Härpfer, K., et al. Diverging patterns of EEG alpha asymmetry in anxious apprehension and anxious arousal. Biol Psychol. 162, 108111(2021).
  50. Adolph, D., Margraf, J. The differential relationship between trait anxiety, depression, and resting frontal α-asymmetry. J Neural Transm (Vienna). 124 (3), 379-386 (2017).
  51. Lazarov, A., et al. Increased attention allocation to socially threatening faces in social anxiety disorder: a replication study. J Affect Disord. 290, 169-177 (2021).
  52. Lee, H., et al. Amygdala-prefrontal coupling underlies individual differences in emotion regulation. Neuroimage. 62 (3), 1575-1581 (2012).
  53. Chen, T. T., et al. Impact of emotional and motivational regulation on putting performance: a frontal alpha asymmetry study. PeerJ. 7, e6777(2019).
  54. Henriques, J. B., Davidson, R. J. Decreased responsiveness to reward in depression. Cogn Emot. 14 (5), 711-724 (2000).
  55. Liu, L., et al. Running exercise alleviates hippocampal neuroinflammation and shifts the balance of microglial M1/M2 polarization through adiponectin/AdipoR1 pathway activation in mice exposed to chronic unpredictable stress. Mol Psychiatry. 29 (7), 2031-2042 (2024).
  56. Duan, Y. Study of different ways of exercise intervention on college students' anxiety and depression. Chin J Sch Health. 35 (7), 1022-1024 (2014).
  57. Qi, D., et al. Beyond visual constraints: interdisciplinary exploration of aphantasia. Adv Psychol Sci (China). 32 (11), 1844-1853 (2024).
  58. Breedlove, J. L., et al. Generative feedback explains distinct brain activity codes for seen and mental images. Curr Biol. 30 (12), 2211-2224.e6 (2020).
  59. Jiang, Z., et al. Attention module improves both performance and interpretability of four-dimensional functional magnetic resonance imaging decoding neural network. Hum Brain Mapp. 43 (8), 2683-2692 (2022).
  60. Dehghani, A., Soltanian-Zadeh, H., Hossein-Zadeh, G. A. Neural modulation enhancement using connectivity-based EEG neurofeedback with simultaneous fMRI for emotion regulation. Neuroimage. 279, 120320(2023).
  61. Helwegen, K., Libedinsky, I., van den Heuvel, M. P. Statistical power in network neuroscience. Trends Cogn Sci. 27 (3), 282-301 (2023).
  62. Scheijbeler, E. P., et al. Longitudinal resting-state EEG in amyloid-positive patients along the Alzheimer's disease continuum: considerations for clinical trials. Alzheimers Res Ther. 15 (1), 182(2023).
  63. Choo, S., et al. Improving classification performance of motor imagery BCI through EEG data augmentation with conditional generative adversarial networks. Neural Netw. 180, 106665(2024).
  64. Del Pup, F., et al. The role of data partitioning on the performance of EEG-based deep learning models in supervised cross-subject analysis: a preliminary study. Comput Biol Med. 195 (Pt A), 110608(2025).
  65. Acker, L., et al. Preoperative electroencephalographic alpha-power changes with eyes opening are associated with postoperative attention impairment and inattention-related delirium severity. Br J Anaesth. 132 (1), 154-163 (2024).
  66. Mheich, A., et al. HD-EEG for tracking sub-second brain dynamics during cognitive tasks. Sci Data. 8 (1), 32(2021).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Alpha WavesResting State EEGExercise InterventionNeural OscillationsTrait AnxietyPrefrontal CortexDeep Learning ModelPower Spectral EntropyAerobic ExerciseEmotional Dysregulation

Related Articles