通过静息态脑电图阐明α波在运动诱导神经变化中的作用

摘要

本方案旨在通过整合脑电图与深度学习技术，解析高强度焦虑个体在有氧运动后前额叶α频段神经振荡的重组机制。所构建的预测模型（准确率达81.82%）确定α振荡是运动缓解焦虑的核心机制，从而推进了情感障碍精准神经调控靶点的发展。

摘要

运动干预在治疗情绪调节障碍方面展现出独特潜力，然而其神经调节靶点的不明确性阻碍了精准运动处方的发展。本研究以40名高特质焦虑大学生为对象，探讨特质焦虑这一代表性情绪障碍问题，受试者被随机分配至运动干预组（40分钟中等强度有氧运动，n = 20）或非运动对照组（40分钟安静阅读，n = 20），随后采集静息态脑电图（EEG）数据。通过将运动后的静息态脑电图与深度学习算法相结合，我们构建了一个α频段时频预测模型，系统解析运动诱导的前额叶皮层神经振荡重编程机制。该深度学习模型在识别运动引起的α频段功率谱熵变化方面表现出优异的分类效能（准确率83.33%，F1分数0.83，Kappa系数0.67）。本研究首次提出，前额叶α频段兴奋性再平衡通过神经振荡重塑，是运动缓解焦虑的核心机制。

引言

在当代社会，生活节奏不断加快以及生活压力日益加重，导致情绪调节障碍的患病率显著上升。在情绪调节障碍的各种表现形式中，焦虑是一种常见亚型，给个体带来巨大挑战。药物治疗长期以来被视为治疗情绪调节障碍（尤其是焦虑）的基本方法。然而研究表明，约30%的情绪调节障碍患者对一线药物治疗无反应。此外，长期使用这些药物可能引发多种风险，如代谢紊乱和认知功能损害¹。心理干预虽然通过循证框架针对病因因素进行治疗，但其应用受限于治疗周期较长，需要投入大量时间、精力和经济成本，且治疗效果起效较慢^2,3。

近年来，运动干预在治疗情绪调节障碍方面展现出显著优势。大量研究表明，运动能够通过促进内源性神经递质的释放以及诱导突触改变，自然地改善情绪状态，并缓解焦虑和抑郁症状⁴。例如，针对经过运动训练的小鼠的研究发现，其缺氧负荷降低了52%，且认知功能出现显著提升⁵。特质焦虑是指个体在多种不同情境下持续体验焦虑的相对稳定且持久的倾向⁶，是理解情绪调节障碍潜在机制的关键因素。它构成了慢性焦虑的核心特征，对其研究有助于深入揭示此类情绪调节障碍的病理生理机制。通过理解特质焦虑，我们能够更清楚地认识为何某些个体更容....

方案

本研究已获得武汉体育学院机构研究伦理委员会的批准（2023016）。

1. 研究参与者

1. 从一所大学中自愿招募550名非体育专业学生。对样本进行预先筛选。为此使用中文版修订版状态-特质焦虑量表⁴¹，如表1所示。
2. 将特质焦虑分量表得分等于或高于55分的个体归类为具有高特质焦虑，并选择他们参与脑电图（EEG）实验。采用该量表的特质焦虑分量表作为主要评估工具，依据先前事件相关电位（ERP）研究建立的标准⁴²。这一55分的截断值基于以往研究，确保对高特质焦虑参与者进行一致且有效的分类。
3. 进一步评估特质焦虑得分高于55分的个体的体力活动水平。参与者还需满足过去一周内与其体力活动模式相关的三项特定纳入标准。
   1. 确保参与者在过去一周中进行高强度体力活动的天数少于3天（每次持续时间≥每天20分钟）。
      注：高强度体力活动可能对身体和大脑产生显著影响，潜在地改变神经可塑性和神经递质水平。通过限制高强度活动的天数，研究人员可最大限度地减少此类剧烈运动对所研究关系的混杂效应。
   2. 确保所有强度的锻炼总天数每周少于5天，且总锻炼量少于600 MET-min/周。这将保证参与者的总体运动负荷处于一定范围内，从而减少因运动量不同而导致的样本变异。
   ....

结果

脑电图数据处理与统计分析

原始脑电数据被分割为以事件 onset 为中心、每段 2 秒的片段，这种做法符合时频分析的标准规范，旨在捕捉短暂的神经动态变化，同时尽量减少边缘伪迹。每个片段均采用具有 3 个周期的复 Morlet 小波进行连续小波变换（CWT），该方法在检测 theta 至 gamma 频段振荡活动时，可最优地平衡时间与频率分辨率。

左侧面板 图2 代表运动组，右侧面板代表对照组。（1）数据处理质量：两条频谱均呈现平滑曲线及特征性的神经生理“1/f”衰减模式（低频段功率较高，并随频率增加呈指数下降）。高度重叠的轨迹表明数据预处理有效（如去噪、滤波），且基线数据质量较高，在频域中具有良好的信号保真度。（2）组间细微差异：在α频段（.......

讨论

在心理健康研究领域，理解针对高特质焦虑个体干预措施的潜在神经机制至关重要。本研究旨在通过利用人工智能模型，探索此类个体在运动干预过程中相关的神经生物标志物。先进的深度神经网络（包括EEGNet等模型）的应用，通过实现对脑电活动的精确分析与解码，以前所未有的准确性彻底改变了脑电图（EEG）信号处理技术^47,48。因此，本研究采用深度学习模型对运动干预的EEG数据进行分类，旨在识别高特质焦虑的神经生物标志物，并探讨干预措施对这些标志物的影响。将具有高特质焦虑的受试者分为实验组和对照组，比较其在运动与阅读任务期间的脑电活动。研究结果具有高度显著性。具体而言，前额叶区域尤其是其α波活动，在分类任务中表现出极高的准确性。该发现强烈提示，前额叶α波可能在运动干预对高特质焦虑的调节效应中发挥关键作用。

在探索情绪识别的神经机制（尤其是与焦虑相关的情境下）时，前额叶α波活动（8-12 Hz）成为一个关键因素。这种特定的神经振荡模式与个体在情绪识别任务中的表现密切相关，理解其作用对于.......

材料

本文使用的材料清单

姓名	公司	目录编号	评论
BrainAmp SN	Brain Products	AMP12081737 标准	脑电图（EEG）信号采集
Eprime 专业版	PSYCHOLOGY SOFTWARE TOOLS	2.0.10.92	心理学实验软件
motion cycle 600	emotion fitness GmbH & Co. KG	F-EF-MC-650	自行车测功计
DCU（深度计算单元）	HYGON	HYGON Z100L	模型分析
Python	Python 软件基金会	Python 3.8	模型分析