通过静息态脑电图描述阿尔法波在运动诱导的神经变化中的作用

在当代社会，生活节奏的加快和生活压力的加重，导致情绪失调的患病率大幅上升。在情绪失调的各种表现中，焦虑作为一种普遍的亚型，对个人构成了巨大的挑战。长期以来，药物疗法一直被认为是治疗情绪失调，尤其是焦虑症的基本方法。然而，研究表明，大约 30% 的情绪失调患者对一线药物没有反应。此外，长期使用这些药物可能会引起各种风险，例如代谢紊乱和认知障碍¹。心理干预虽然通过循证框架解决病因，但受到需要大量时间、精力和财力的治疗持续时间延长以及治疗效果延迟的限制 ^2,3。

近年来，运动干预在治疗情绪失调方面显示出显著的优势。大量研究表明，运动有可能通过促进内源性神经递质释放和诱导突触变化来自然增强情绪状态并缓解焦虑和抑郁⁴。例如，对受过运动训练的小鼠的研究表明，它们的缺氧负担减轻了 52%，并且观察到认知功能显着增强⁵。特质焦虑代表了一个人在不同情况下经历焦虑的相对稳定和持久的倾向⁶，是理解情绪失调潜在机制的关键因素。它是慢性焦虑症的核心特征，研究它可以为这种情绪失调的病理生理学提供有价值的见解。通过了解特质焦虑，我们可以更好地理解为什么有些人更容易出现与焦虑相关的情绪问题。在我们之前的工作中，我们详细阐述了在情绪障碍中受损的与情绪认知功能相关的主要大脑区域，以及运动干预如何改善这些认知功能和相关大脑区域⁷。此外，我们还进行了两项脑电图（EEG）实验，以详细探讨运动干预如何改善高特质焦虑个体的大脑活动特征在注意力控制能力中^8。

虽然运动干预已成为抑郁症治疗中一种有前途的非药物方法，但与运动干预的积极作用相关的精确神经生物标志物尚未明确确定 ^9,10。神经振荡节律作为大脑信息处理的“时空编码器”，在焦虑中表现出特征性的失调。例如，研究表明，前额叶 Alpha（α） 不同步与焦虑症中常见的认知控制缺陷有关^11,12。这种神经振荡节律的失调表明对情绪调节至关重要的正常神经交流过程存在潜在破坏。然而，缺乏研究通过调节跨区域节律耦合或局部场势动态来全面探索运动如何实际重塑情绪功能^13,14。

基于脑电图的深度学习研究的最新进展为理解病理机制和开发抑郁和焦虑等精神障碍的精准治疗提供了新的范式¹⁵。值得注意的是，使用静息态脑电图的动态功能连接（DFC）结合隐马尔可夫模型（HMM）的研究揭示了非精神病性抑郁症、精神病性抑郁症和精神分裂症中Delta（δ）、Theta（θ）、Alpha（α）和Gamma（γ）波段网络动力学的显着差异16,17,18.基于DFC的二元分类模型在区分这三种情况方面达到了73.1%的准确率，优于传统的静态分析。关键生物标志物包括θ波段DMN-SN同步、γ波段FPCN-边缘系统同步和HMM状态转换概率，为精准精神病学分类建立了新的框架¹⁹采用图论分析来证明基线脑网络特征预测深部脑刺激（DBS）对难治性抑郁症的疗效。使用网络指标的随机森林模型在预测 DBS 反应方面达到了 81.2% 的准确率，超过了临床规模。纵向数据显示，DBS通过增强δ频段全局同步和降低sgACC中心性来逆转网络功能障碍。此外，左前额叶α波功率预测抗抑郁药无反应，卷积神经网络 （CNN） 模型基于α不对称²⁰ 实现了 82.3% 的准确率。Everaert 等人（2022 年）开发了一种具有特征选择的人工神经网络模型，使用 460 名参与者来识别情绪调节策略的预测特征。这些发现强调了确定精确神经目标以优化运动处方的迫切需要²¹。

在运动相关的神经科学研究领域，深度学习已成为一种强大的工具，能够从运动干预产生的复杂、高维和低幅度的时空神经数据中提取强大的神经生物标志物。多项研究表明，身体活动显着调节运动相关大脑区域的激活模式和跨频段的神经振荡动力学 22,23,24。对 47 项研究的系统回顾显示，运动后前额叶 α/β 带功率持续增加，可能反映了神经可塑性和皮质抑制的增强²⁵。急性运动和长期训练都诱发了相似的趋势，尽管γ带反应显示出强度依赖性的异质性（例如，中等有氧训练与高强度间歇训练）。对健康年轻人进行为期四个月的有氧干预产生了显着的前额叶α波 （9-12 Hz） 增强，与有氧健身增益呈正相关。虽然反应时间或准确性的行为没有改善，但神经振荡指标表明视觉注意力网络的动态优化，表明α波可以作为运动效果的生物标志物²⁶。高级运动专家在瞄准任务期间表现出升高的感觉运动节律（SMR，12-15 Hz）功率，同时前额颞连贯性降低，表明自动运动技能执行和网络效率提高²⁷。值得注意的是，与非运动员相比，乒乓球运动员在运动相关大脑区域的激活减少，这表明长期训练可以建立专门的、节能的神经网络²⁸。

本研究将特质焦虑作为一个特定的研究主题，利用脑电图（EEG）收集神经数据并探索其神经生物标志物，从而为识别精确的神经目标提供新的见解。先前的研究表明，前额叶区域的α波与情绪调节、认知控制和情绪识别密切相关（Harmon-Jones et al.， 2010），在解码外部情绪线索（例如面部表情、声调）和调节情绪反应等过程中发挥着关键作用。研究表明，前额叶α活动的改变可能是情绪失调的生理标志，特别是在焦虑和负面情绪状态下29,30,31。静息态脑电图 （EEG） 是神经科学中研究大脑动态特性的默认实验条件，要求参与者保持清醒而不执行任何认知任务³²。实验条件可能包括闭眼或睁眼状态。经验证据表明，前额叶α振荡的变化可以作为情绪调节受损的生物标志物，特别是在以焦虑和负面影响占主导地位为特征的情况下^33,34。其功率谱密度和功能连接模式可以揭示大脑的内在活动特征，适用于检测神经退行性疾病（如阿尔茨海默病）、发育障碍（如发育性阅读障碍）^35,36以及精神和情绪障碍（如抑郁和焦虑）³⁷的病理标志物.其中，睁眼状态下的阿尔法节律常用于情绪障碍的研究^38,39。因此，本研究调查了特质焦虑运动干预前后前额叶区域 α 振荡的分类性能。基于脑电图数据，本研究采用 EEGNet 来识别与高度特质焦虑个体运动干预相关的神经目标。EEGNet 专为脑电图信号分类而设计，与传统和其他深度学习方法相比具有几个关键优势，使其特别适合研究数据有限的脑电图模式⁴⁰。

静息态脑电图数据采用64通道系统（Brain Products，德国）按照10-20国际标准收集，采样率为1000 Hz，带通滤波（0.1-100 Hz）。为确保信号质量，电极阻抗保持在 5 kΩ 以下，并通过独立成分分析 （ICA ） 去除 眼部伪影。参与者被指示在盯着十字架时睁开眼睛保持清醒，尽量减少与运动相关的噪音。

高特质焦虑参与者的关键纳入标准是：（1） 特质焦虑量表得分≥ 55，（2） 有限的高强度运动（每周 < 3 天）以控制预先存在的健身影响，以及 （3） 每周总身体活动< 600 MET-min。这些标准旨在使样本同质化，同时反映现实世界的久坐人群。一个局限性是由于基线觉醒或未检测到的亚临床条件的个体差异而导致静息态脑电图动态的潜在变异性，未来的研究可以通过更大的样本和多模式评估（例如，功能磁共振成像或行为任务）来解决这些问题。

我们假设前额叶α活动可以有效地对运动和控制的脑电图数据进行分类。综上所述，本研究旨在利用人工智能技术，以特质焦虑为模型，分析运动干预对情绪障碍的益处。通过其方法论和发现，这项工作旨在增强对该领域当前发展和挑战的理解，为未来的研究提供指导和见解。

本研究获得武汉体育大学（2023016）机构研究伦理委员会的批准。

1. 研究参与者

1. 从某高校自愿招收550名非体育类专业学生。进行样品选择的预筛选。为此，使用中国修订后的状态-特质焦虑量表⁴¹ ，如 表 1 所示。
2. 将特质焦虑分量表得分为 55 分或更高的个体分类为具有高度特质焦虑的个体，并选择他们进行脑电图实验。使用该清单的特质焦虑子量表作为关键评估工具，遵循先前 ERP 研究⁴² 的既定标准。55 分的截止分数是基于先前的研究，确保了对具有高度特质焦虑的参与者进行一致且有效的分类方法。
3. 进一步评估焦虑评分高于 55 的个人的身体活动水平。参与者还被要求满足与前一周身体活动模式相关的三个特定纳入标准。
   1. 确保参与者进行高强度体育活动少于 3 天（每次训练每天持续 ≥ 20 分钟）。
      注意：高强度的体力活动会对身体和大脑产生重大影响，可能改变神经可塑性和神经递质水平。通过限制高强度活动天数，研究人员可以最大限度地减少这种剧烈运动对所研究关系的混杂影响。
   2. 确保所有强度的运动总天数每周少于 5 天，总运动量小于 600 MET-min/周。这将确保参与者的整体运动负荷在一定范围内，减少由于运动量不同而导致样本的变异性。
   3. 确认参与者参与的中等强度活动少于 30 分钟，每周步行少于 5 天。
      注意：中等强度的活动和步行虽然强度低于高强度运动，但仍能影响身体的生理和心理状态。通过设置这些限制，研究人员可以进一步控制不同类型的身体活动对实验结果的潜在影响。

2. 任务指令

1. 指导运动干预组的参与者使用固定自行车测力计进行中等强度的有氧运动30分钟，佩戴心率监测器记录生理数据。根据既定指南⁴³，运动干预分为三个阶段。
   1. 热身阶段：指导参与者以 25 瓦的功率循环 5 分钟，为主要锻炼阶段的肌肉组织和心血管系统做好准备。
   2. 主要练习阶段：指导参与者以 70-80 rpm 的踩踏速度以中等强度执行 20 分钟的连续骑行任务。每 2 秒监测一次心率，并使用以下公式计算目标心率 （THR）：
      THR（HRmax − HRrest）×所需强度 + HRrest
      其中 HRmax = 最大心率，HRrest = 静息心率，所需强度根据 ACSM 运动指南⁴³ 确定。
   3. 冷却阶段：要求参与者在 5 分钟内将骑行负荷降低至 15 W，以降低心率，最大限度地降低受伤风险，并促进肌肉放松。
2. 对照组任务：确保参与者在实验室中安静地坐 30 分钟并从事自由阅读任务。

3. 数据收集

1. 使用64导联设备记录受试者的脑电信号，并根据国际标准10-20系统设置电极阵列，采样频率为1000Hz。
2. 在数据采集之前，在所有电极-皮肤界面上涂抹医用导电膏，以确保阻抗值低于 5 kΩ，从而优化信号保真度并减少运动伪影。
3. 数据收集的采样率为 1000 Hz，带通滤波器为 0.1-100 Hz。将电极阻抗保持在 5 kΩ 以下。
4. 在左眼的左外眦放置电极，记录垂直眼球运动和眨眼。
5. 在数据收集过程中，FCz和FPz分别作为原始参比电极和接地电极。
6. 指导参与者睁大眼睛并注视十字架。在整个过程中，他们需要保持清醒和警觉，避免专注于任何特定的想法，避免经历情绪波动。

4. 离线数据分析

1. 预处理
   1. 将原始数据重新引用到所有电极的平均值。
   2. 应用 0.1-40 Hz 带通滤波器来去除低频漂移（例如呼吸伪影）和高频噪声（例如电源线干扰和肌电图伪影）。
   3. 将所有受试者的数据分割为 120 秒周期，不包括每个记录的初始和最后 10 秒部分，以消除设备初始化中潜在的边缘伪影。
   4. 使用独立成分分析 （ICA） 技术去除眼电图 （EOG） 和心电图 （ECG） 伪影。Infomax 算法将信号分解为统计上独立的分量。通过三方表征确定人工成分：（1）空间地形（EOG显示额极偶极子分布，ECG显示左颞叶优势）;（2）时间动力学（EOG显示眨眼锁定瞬时尖峰，ECG显示心律周期性）;（3）频谱特征（EOG显示低频频谱浓度）⁴⁴。
   5. 删除脑电图电压超过 ± 75 μV 的时间段作为伪影。
2. 特定频段差异分析
   1. 首先，以 120 秒的间隔将脑电图信号分成小段。
   2. 使用复杂的 Morlet 小波分析脑电图信号的时频特性。
   3. 设置参数如下：选择具有周期[3 0.8]，100个频率箱（nfreqs）和200个时间点（ntimeout）的小波变换参数，以优化脑电图分析的时频分辨率⁴⁵。
   4. 对所有时频点执行逐点排列检验（10,000 次迭代）以评估统计显着性（p < 0.05，FDR 校正）。
   5. 可视化为时频图，时间点位于 x 轴上，频率箱位于 y 轴上。

5. 模型分析

注意：该卷积神经网络（CNN）通过多尺度二维卷积运算⁴⁶实现了脑电图信号的时频特征的学习。CNN模型的过程如 图1B所示。

1. 第一个卷积块
   1. 采用 in_channels = 6、out_channels = 16、kernel_size = （3， 3） 和填充 = 1 的二维卷积层 （Conv2d） 来提取局部空间特征，其中对称填充确保卷积后空间维度保持不变。
   2. 对卷积层的输出应用批量归一化（BatchNorm2d）以稳定训练并加速收敛，然后使用整流线性单元（ReLU）激活函数来引入非线性。
   3. 使用具有 kernel_size = （2， 2） 且步幅 = 2 的最大池化层 （MaxPool2d） 进行要素压缩，以将空间维度减半，同时保留重要的要素信息。
2. 第二个卷积块
   1. 利用另一个 in_channels = 16、out_channels = 32、kernel_size = （3， 3） 和填充 = 1 的二维卷积层 （Conv2d），根据第一个块的输出进一步提取高级空间特征，使用相同的填充策略来保持空间维度。
   2. 与第一个块类似，按顺序应用批量归一化（BatchNorm2d）和ReLU激活来归一化特征并引入非线性。
   3. 同样，使用最大池化层 （MaxPool2d） kernel_size = （2， 2） 且步幅 = 2 来压缩特征。
3. 全连接层
   1. 将第二个卷积块的输出特征展平为一维向量，作为全连接层的输入。
   2. 确保第一个全连接层（线性）将展平特征映射到 256 维特征空间，然后是速率为 0.5 的辍学层（Dropout）以防止过度拟合，以及 ReLU 激活函数。
   3. 第二个全连接层（线性）进一步将特征维度从 256 减少到 128，另一个速率为 0.5 的压差层（Dropout）并按顺序应用 ReLU 激活函数。
   4. 最后一个全连接层（线性）将 128 维特征映射到目标类（双类）的数量，从而生成模型的输出。
      注意：数据处理平台配置如下：带有四个 HYGON Z100L DCU 的服务器;Python 3.8 中的模型构建和训练，PyTorch-1.13。实验使用 torch.nn 模块提供 Conv2d（卷积层）、BatchNorm2d（批量归一化）、ELU（激活函数）、AvgPool2d（平均池化）、Dropout（辍学层）、Linear（全连接层）和 CrossEntropyLoss（损失函数）等核心组件;torch.optim 模块为参数更新提供了 Adam 优化器;torch.utils.data 模块提供 DataLoader（数据加载器）和 TensorDataset（数据集包装类）用于数据处理;torch.device 用于设备配置 （DCU）;torch.save 用于模型参数保存;scikit-learn 的 sklearn.model_selection.train_test_split 函数用于数据集拆分;Adam 被选为优化者;损失函数为交叉熵;batch_size设置为 2;纪元设置为 100。对于输入数据，使用来自具有时频特征的 alpha 波段中六个前额叶通道（Fp1、Fp2、AF3、AF4、AF7、AF8）的脑电图特征（基于莫莱特提取的矩阵）。使用 7：3 的比例将实验分为训练集和测试集。使用准确性和混淆矩阵指标通过分类结果评估模型有效性。

脑电图数据处理和统计分析

原始脑电图数据以事件发生为中心分为 2 个 s 周期，与时频分析的标准做法一致，以捕获瞬态神经动力学，同时最大限度地减少边缘伪影。每个时期都使用具有 3 个周期的复杂 Morlet 小波进行连续小波变换 （CWT），该小波优化了时间和频率分辨率，以检测 θ 到 gamma 波段中的振荡活动。

图 2 的左侧面板表示练习组，右侧面板表示控制组。（1）数据处理质量：两种光谱都表现出平滑的曲线和特征性的神经生理学“1/f”衰减模式（低频时的高功率随频率呈指数下降）。高度重叠的轨迹表明有效的数据预处理（例如，去噪、滤波）和高基线数据质量，在频域中具有良好的信号保真度。（2）细微的组间差异：在α波段（8-12 Hz，灰色阴影区域）内，对照组（右）的功效值略低于运动组（左），表明单次急性运动可能对静息态大脑振荡的α节律产生了轻微的调节作用。

对于统计推断，我们在所有时频点上进行了逐点非参数排列检验（5,000 次迭代）。该方法通过聚类相邻有效点（聚类形成阈值 p < 0.05，聚类级 FDR 校正）来控制多重比较，以解决小波系数的非高斯分布。

在运动组和阅读组之间在7-13 Hz频段内观察到前额叶电极活动的显着差异，如 图3所示。

CNN模型分类性能验证

在研究运动干预对高度特质焦虑个体的影响中，使用前额叶α波段特征数据的卷积神经网络（CNN）模型的分类性能是一个至关重要的方面。该分析旨在确定该模型是否能够有效区分阅读组和运动组，从而为与运动相关的神经水平差异提供证据。

CNN模型在使用前额叶α波段特征数据区分Read组和Exercise组时表现出较高的分类性能，准确率为83.33%，平均F1得分为0.83，Kappa系数为0.63。为了更好地理解模型的性能，我们转向 图 3C 中所示的二元分类混淆矩阵。在这个矩阵中，一个结构良好的分类模型评估工具，每一行代表数据的真实类别，每列代表模型预测的类别。这种布局允许详细评估模型正确分类不同数据实例的能力。该模型对两种类型的数据都表现出相对较好的分类性能。这种高识别率意味着该模型能够准确识别属于运动组的很大一部分数据。换句话说，与运动相关的前额叶 α 波段中的神经模式足够独特，模型能够高度确定地识别它们。混淆矩阵的这些结果进一步支持了CNN模型的整体准确性。

图1：静息态脑电图采集和基于CNN的分类工作流程。 （A）左侧：静息态脑电图（EEG）的记录过程。右侧：脑电图波形和头皮电极的分布。（B）使用卷积神经网络（CNN）对两组的α波进行分类的工作流程。 请点击此处查看此图的大图。

图 2：运动组和对照组之间的功率谱密度比较。 左面板：练习组;右侧面板：控制组。 请点击此处查看此图的大图。

图 3：运动组与阅读组的神经动力学和 CNN 分类。 （A） 通过点对点 t 检验确定的组间显着差异，突出时频簇（p < 0.05，FDR 校正）。（B） 大平均 α 波段 （7-13 Hz） 功率的地形图。地图描绘了阅读组（左）和运动组（右）神经振荡活动的空间分布。（C）使用CNN模型对前额叶Alpha活动进行分类性能（准确率：83.3%）。 请点击此处查看此图的大图。

表 1：参与者招募和筛选标准。

作者声明没有利益冲突。