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

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 العلاجية^2،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 بوضوح^{بعد 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 القلق^11،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 المحلي^13،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 والفصام^16،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 التردد^22،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 السلبية^29،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 السلبي^33،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 العاطفية^38،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 ببيانات^{محدودة 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.

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 التوجيهية^{المعمول 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.

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 الزمنية والترددية للكشف عن النشاط التذبذبي في نطاقات ثيتا إلى جاما.

تمثل اللوحة اليسرى من الشكل 2 مجموعة التمرين ، وتمثل اللوحة اليمنى مجموعة التحكم. (1) جودة معالجة البيانات: يظهر كلا الأطياف منحنيات ناعمة ونمط اضمحلال الفيزيولوجي العصبي المميز "1 / f" (طاقة عالية عند ترددات منخفضة تتناقص بشكل كبير مع التردد). وتشير المسارات المتداخلة للغاية إلى معالجة مسبقة فعالة للبيانات (مثل تقليل الكثافة والتصفية) وجودة بيانات خط الأساس العالية مع دقة إشارة جيدة في مجال التردد. (2) الاختلافات الدقيقة بين المجموعات: داخل نطاق ألفا (8-12 هرتز ، منطقة رمادية مظللة للتوضيح) ، تظهر المجموعة الضابطة (على اليمين) قيم طاقة أقل قليلا مقارنة بمجموعة التمرين (على اليسار) ، مما يشير إلى أن نوبة واحدة من التمرين الحاد ربما تكون قد أحدثت تأثيرا معدليا خفيفا على إيقاع ألفا لتذبذبات الدماغ في حالة الراحة.

للاستدلال الإحصائي ، أجرينا اختبارات التقليب غير المعلمية النقطية (5,000 تكرار) عبر جميع نقاط التكرار الزمنية. يتحكم هذا النهج في المقارنات المتعددة عن طريق تجميع النقاط المهمة المجاورة (عتبة تشكيل الكتلة ص < 0.05 ، تصحيح FDR على مستوى المجموعة) ، لمعالجة التوزيع غير الغوسي لمعاملات المويجة.

لوحظت اختلافات كبيرة في نشاط قطب الفص الجبهي داخل نطاق التردد 7-13 هرتز بين مجموعتي التمرين والقراءة ، كما هو موضح في الشكل 3.

التحقق من صحة أداء تصنيف نموذج CNN

في التحقيق في تأثير تدخل التمرين على الأفراد الذين يعانون من قلق السمات العالية ، يعد أداء تصنيف نموذج الشبكة العصبية التلافيفية (CNN) باستخدام بيانات ميزة نطاق ألفا الجبهي جانبا حاسما. يهدف هذا التحليل إلى تحديد ما إذا كان النموذج يمكنه التمييز بشكل فعال بين مجموعة القراءة ومجموعة التمرين ، وبالتالي تقديم دليل على الاختلافات على المستوى العصبي المرتبطة بالتمرين.

أظهر نموذج CNN أداء تصنيفا عاليا عند استخدام بيانات ميزة نطاق ألفا الجبهي للتمييز بين مجموعتي القراءة والتمرين ، بدقة 83.33٪ ، وحقق متوسط درجة F1 0.83 ومعامل كابا 0.63. لفهم أداء النموذج بشكل أفضل ، ننتقل إلى مصفوفة ارتباك التصنيف الثنائي المعروضة في الشكل 3 ج. في هذه المصفوفة ، وهي أداة جيدة التنظيم لتقييم نماذج التصنيف ، يمثل كل صف الفئة الحقيقية للبيانات ، ويمثل كل عمود الفئة التي تنبأ بها النموذج. يسمح هذا التخطيط بإجراء تقييم مفصل لقدرة النموذج على تصنيف مثيلات البيانات المختلفة بشكل صحيح. أظهر النموذج أداء تصنيفا جيدا نسبيا لكلا النوعين من البيانات. يشير معدل التعرف المرتفع هذا إلى أن النموذج كان قادرا على تحديد نسبة كبيرة من البيانات التي تنتمي إلى مجموعة التمرين بدقة. بمعنى آخر ، كانت الأنماط العصبية في نطاق ألفا الفص الجبهي المرتبط بالتمرين مميزة بما يكفي للنموذج للتعرف عليها بدرجة عالية من اليقين. تدعم هذه النتائج من مصفوفة الارتباك الدقة الإجمالية لنموذج CNN.

الشكل 1: اكتساب مخطط كهربية الدماغ في حالة الراحة وسير عمل التصنيف المستند إلى CNN. (أ) الجانب الأيسر: عملية تسجيل مخطط كهربية الدماغ في حالة الراحة (EEG). الجانب الأيمن: أشكال موجات مخطط كهربية الدماغ وتوزيع أقطاب فروة الرأس. (ب) سير عمل استخدام الشبكة العصبية التلافيفية (CNN) لتصنيف موجات ألفا لمجموعتين. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

الشكل 2: مقارنة الكثافة الطيفية للطاقة بين مجموعات التمرين والتحكم. اللوحة اليسرى: مجموعة التمرين. اللوحة اليمنى: مجموعة التحكم. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

الشكل 3: الديناميكيات العصبية وتصنيف CNN للتمرين مقابل مجموعات القراءة. (أ) فروق ذات دلالة إحصائية بين المجموعات التي تم تحديدها بواسطة اختبارات t من نقطة إلى نقطة ، مع تسليط الضوء على مجموعات التردد الزمني (p < 0.05 ، مصححة ب FDR). (ب) خرائط طبوغرافية لقدرة نطاق ألفا (7-13 هرتز) ذات المتوسط الكبير. تصور الخرائط التوزيع المكاني للنشاط التذبذبي العصبي لمجموعة القراءة (يسار) ومجموعة التمرين (يمين). (ج) أداء تصنيف نشاط ألفا الجبهي باستخدام نموذج CNN (الدقة: 83.3٪). الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

الجدول 1: معايير توظيف المشاركين وفرزهم.

يعلن المؤلفون عدم وجود تضارب في المصالح.