A subscription to JoVE is required to view this content. Sign in or start your free trial.
Research Article
Please note that some of the translations on this page are AI generated. Click here for the English version.
Dieses Protokoll zielt darauf ab, die präfrontale neuronale oszillatorische Reprogrammierung des Alpha-Bandes, die durch aerobes Training bei Personen mit hoher Merkmalsangst induziert wird, unter Verwendung von EEG-Deep-Learning-Integration zu entschlüsseln. Das entwickelte Vorhersagemodell (81,82 % Genauigkeit) identifiziert die Alpha-Oszillation als Kernmechanismus für die trainingsvermittelte Angstlinderung und verbessert die präzisen Neuromodulationsziele für emotionale Störungen.
Die Bewegungsintervention zeigt ein einzigartiges Potenzial bei der Behandlung emotionaler Dysregulation, doch die Mehrdeutigkeit ihrer Neuromodulationsziele behindert die Entwicklung präziser Übungsvorschriften. In dieser Studie wird die Merkmalsangst als repräsentative emotionale Störung bei 40 Universitätsstudenten mit hoher Merkmalsangst untersucht, die nach dem Zufallsprinzip entweder einer Trainingsinterventionsgruppe (40 min moderates aerobes Training, n = 20) oder einer Kontrollgruppe ohne körperliche Belastung (40 min ruhiges Lesen, n = 20) zugeteilt wurden, gefolgt von einer EEG-Datenerhebung im Ruhezustand. Durch die Integration der Ruhezustands-Elektroenzephalographie (EEG) nach dem Training mit Deep-Learning-Algorithmen haben wir ein Alpha-Band-Zeit-Frequenz-Vorhersagemodell entwickelt, um die durch Bewegung induzierten neuronalen oszillatorischen Reprogrammierungsmechanismen im präfrontalen Kortex systematisch zu entschlüsseln. Das Deep-Learning-Modell zeigte eine überlegene Klassifikationseffizienz (Genauigkeit 83,33 %, F1-Score 0,83, Kappa-Koeffizient 0,67) bei der Identifizierung von trainingsinduzierten Veränderungen der spektralen Entropie der Alpha-Band-Leistung. Diese Studie leistet Pionierarbeit bei der Identifizierung des präfrontalen exzitatorischen Alpha-Rebalancings durch neuronale Oszillationsumgestaltung als Kernmechanismus, der der trainingsvermittelten Angstminderung zugrunde liegt.
In der heutigen Gesellschaft haben die Beschleunigung des Lebens und die zunehmende Belastung durch den Lebensdruck zu einem deutlichen Anstieg der Prävalenz emotionaler Dysregulation geführt. Unter den verschiedenen Manifestationen emotionaler Dysregulation stellt Angst, ein weit verbreiteter Subtyp, eine große Herausforderung für den Einzelnen dar. Pharmakologische Therapien gelten seit langem als grundlegender Ansatz bei der Behandlung von emotionalen Dysregulationen, insbesondere von Angstzuständen. Untersuchungen haben jedoch gezeigt, dass etwa 30% der Menschen mit emotionaler Dysregulation nicht auf Medikamente der ersten Wahl ansprechen. Darüber hinaus kann die langfristige Einnahme dieser Medikamente zu verschiedenen Risiken führen, wie z. B. Stoffwechselstörungen und kognitiven Beeinträchtigungen1. Psychologische Interventionen berücksichtigen zwar ätiologische Faktoren durch evidenzbasierte Rahmen, sind aber durch verlängerte Behandlungsdauer, die viel Zeit, Aufwand und finanzielle Ressourcen erfordert, sowie durch den verzögerten Eintritt therapeutischer Effekte begrenzt 2,3.
In den letzten Jahren hat die Bewegungsintervention bemerkenswerte Vorteile bei der Behandlung von emotionaler Dysregulation gezeigt. Eine Vielzahl von Studien hat gezeigt, dass Bewegung das Potenzial hat, emotionale Zustände auf natürliche Weise zu verbessern und Angstzustände und Depressionen zu lindern, was durch die Förderung der freisetzenden endogenen Neurotransmitter und die Induktion synaptischer Veränderungen erreicht wird4. Untersuchungen an bewegungstrainierten Mäusen zeigten beispielsweise, dass ihre hypoxische Belastung um 52 % reduziert wurde und eine signifikante Verbesserung der kognitiven Funktion beobachtet wurde5. Die Merkmalsangst, die die relativ stabile und lang anhaltende Tendenz eines Individuums darstellt, Angst in verschiedenen Situationen zu erleben6, ist ein Schlüsselfaktor für das Verständnis der zugrunde liegenden Mechanismen emotionaler Dysregulation. Sie dient als Kernmerkmal chronischer Angstzustände, und ihre Untersuchung kann wertvolle Einblicke in die Pathophysiologie solcher emotionaler Dysregulation liefern. Durch das Verständnis der Angstzustände können wir besser verstehen, warum manche Menschen anfälliger für die Entwicklung von angstbedingten Stimmungsproblemen sind. In unserer früheren Arbeit haben wir uns mit den wichtigsten Gehirnregionen befasst, die mit emotionalen kognitiven Funktionen zusammenhängen und bei emotionalen Störungen beeinträchtigt sind, und wie Bewegungsinterventionen diese kognitiven Funktionen und relevante Gehirnregionen verbessern können7. Darüber hinaus führten wir zwei Elektroenzephalogramm (EEG)-Experimente durch, um im Detail zu untersuchen, wie Bewegungsinterventionen die Eigenschaften der Gehirnaktivität in Bezug auf die Aufmerksamkeitskontrollfähigkeit bei Personen mit hoher Angststörung verbessern können8.
Während sich die Bewegungsintervention als vielversprechender nicht-pharmakologischer Ansatz in der Behandlung von Depressionen erwiesen hat, sind die genauen neuronalen Biomarker, die mit den positiven Effekten der Bewegungsintervention verbunden sind, noch nicht eindeutig identifiziert worden 9,10. Neuronale oszillatorische Rhythmen, die als "raumzeitliche Encoder" der Informationsverarbeitung im Gehirn fungieren, weisen eine charakteristische Dysregulation bei Angst auf. Zum Beispiel hat die Forschung gezeigt, dass die präfrontale Alpha(α)-Desynchronisation mit kognitiven Kontrolldefiziten verbunden ist, die häufig bei Angstzuständen beobachtet werden11,12. Diese Dysregulation der neuronalen oszillatorischen Rhythmen deutet auf eine zugrunde liegende Störung der normalen neuronalen Kommunikationsprozesse hin, die für die emotionale Regulation entscheidend sind. Es gibt jedoch einen Mangel an Studien, die umfassend untersuchen, wie Bewegung die emotionale Funktion tatsächlich umgestaltet, indem sie die überregionale rhythmische Kopplung oder die lokale Feldpotentialdynamik moduliert13,14.
Jüngste Fortschritte in der EEG-basierten Deep-Learning-Forschung haben neuartige Paradigmen für das Verständnis pathologischer Mechanismen und die Entwicklung präziser Behandlungen für psychische Störungen wie Depressionen und Angstzustände geliefert15. Insbesondere Studien mit dynamischer funktioneller Konnektivität (DFC) des Ruhezustands-EEG in Kombination mit Hidden-Markov-Modellen (HMMs) haben signifikante Unterschiede in der Netzwerkdynamik von Delta (δ), Theta (θ), Alpha (α) und Gamma (γ) bei nicht-psychotischen Depressionen, psychotischen Depressionen und Schizophrenie gezeigt 16,17,18. Ein DFC-basiertes binäres Klassifizierungsmodell erreichte eine Genauigkeit von 73,1 % bei der Unterscheidung dieser drei Bedingungen und übertraf damit herkömmliche statische Analysen. Zu den wichtigsten Biomarkern gehörten die θ-Band-DMN-SN-Synchronisation, die γ-Band-FPCN-Synchronisierung des limbischen Systems und die HMM-Zustandsübergangswahrscheinlichkeiten, wodurch ein neuer Rahmen für die präzise psychiatrische Klassifikation geschaffen wurde.19 Verwendete graphentheoretische Analysen, um zu zeigen, dass die Merkmale des Gehirnnetzwerks zu Studienbeginn die Wirksamkeit der tiefen Hirnstimulation (DBS) bei behandlungsresistenter Depression vorhersagen. Ein Random-Forest-Modell unter Verwendung von Netzwerkmetriken erreichte eine Genauigkeit von 81,2 % bei der Vorhersage des DBS-Ansprechens und übertraf damit klinische Skalen. Längsschnittdaten zeigten, dass DBS die Netzwerkdysfunktion umkehrt, indem es die globale δ-Band-Synchronisation verbessert und die sgACC-Zentralität reduziert. Darüber hinaus prognostizierte die linke präfrontale α-Wellen-Leistung eine Nichtreaktion auf Antidepressiva, wobei ein Convolutional Neural Network (CNN)-Modell eine Genauigkeit von 82,3 % auf der Grundlage von α-Asymmetrieerreichte 20. Everaert et al. (2022) entwickelten ein künstliches neuronales Netzwerkmodell mit Merkmalsauswahl unter Verwendung von 460 Teilnehmern, um prädiktive Merkmale von Emotionsregulationsstrategien zu identifizieren. Diese Ergebnisse unterstreichen die dringende Notwendigkeit, präzise neuronale Ziele zu identifizieren, um die Trainingsverschreibungen zu optimieren21.
Im Bereich der trainingsbezogenen neurowissenschaftlichen Forschung hat sich Deep Learning als leistungsstarkes Werkzeug erwiesen, das die Extraktion robuster neuronaler Biomarker aus den komplexen, hochdimensionalen und raumzeitlichen neurologischen Daten mit geringer Amplitude ermöglicht, die durch Trainingsinterventionen generiert werden. Mehrere Studien haben gezeigt, dass körperliche Aktivität die Aktivierungsmuster in motorischen Hirnregionen und die neuronale oszillatorische Dynamik über Frequenzbänder hinweg signifikant moduliert 22,23,24. Eine systematische Überprüfung von 47 Studien ergab eine konsistente Zunahme der präfrontalen α/β-Bandleistung nach dem Training, was wahrscheinlich eine erhöhte Neuroplastizität und kortikale Hemmung widerspiegelt25. Sowohl akutes Training als auch langfristiges Training induzierten ähnliche Trends, obwohl γ Bandantworten intensitätsabhängige Heterogenität zeigten (z. B. moderates aerobes vs. hochintensives Intervalltraining). Viermonatige aerobe Interventionen bei gesunden jungen Erwachsenen führten zu einer signifikanten präfrontalen α-Wellen-Augmentation (9-12 Hz), die positiv mit aeroben Fitnessgewinnen korrelierte. Während Verhaltensverbesserungen in Bezug auf Reaktionszeit oder -genauigkeit nicht vorhanden waren, deuteten neuronale Oszillationsmetriken auf eine dynamische Optimierung der visuellen Aufmerksamkeitsnetzwerke hin, was darauf hindeutet, dass α Wellen als Biomarker für die Wirksamkeit des Trainings dienen können26. Hochrangige Sportexperten zeigten eine erhöhte sensomotorische Rhythmusleistung (SMR, 12-15 Hz) während der Zielaufgaben, die mit einer verminderten präfrontal-temporalen Kohärenz einherging, was auf eine automatisierte Ausführung motorischer Fähigkeiten und eine Verbesserung der Netzwerkeffizienz hindeutet27. Bemerkenswert ist, dass Tischtennis-Athleten im Vergleich zu Nicht-Sportlern eine verringerte Aktivierung in trainingsbezogenen Gehirnregionen zeigten, was darauf hindeutet, dass langfristiges Training spezialisierte, energieeffiziente neuronale Netzwerke aufbaut28.
Diese Studie konzentriert sich auf die Merkmalsangst als spezifisches Forschungsobjekt und nutzt die Elektroenzephalographie (EEG), um neuronale Daten zu sammeln und ihre neuronalen Biomarker zu erforschen, wodurch neue Erkenntnisse für die Identifizierung präziser neuronaler Ziele gewonnen werden. Frühere Forschungen deuten darauf hin, dass Alpha-Wellen in der präfrontalen Region eng mit emotionaler Regulation, kognitiver Kontrolle und emotionaler Erkennung verbunden sind (Harmon-Jones et al., 2010) und eine zentrale Rolle bei Prozessen wie der Dekodierung externer emotionaler Signale (z. B. Mimik, Stimmton) und der Modulation emotionaler Reaktionen spielen. Studien deuten darauf hin, dass Veränderungen der präfrontalen Alpha-Aktivität als physiologische Marker für emotionale Dysregulation dienen können, insbesondere bei Angstzuständen und negativen emotionalen Zuständen 29,30,31. Die Elektroenzephalographie (EEG) im Ruhezustand dient in den Neurowissenschaften als experimentelle Standardbedingung zur Untersuchung der dynamischen Eigenschaften des Gehirns und verlangt von den Teilnehmern, wach zu bleiben, ohne kognitive Aufgaben auszuführen32. Experimentelle Bedingungen können geschlossene oder offene Augen umfassen. Empirische Evidenz deutet darauf hin, dass Veränderungen der präfrontalen Alpha-Oszillationen als Biomarker für eine gestörte Emotionsregulation fungieren könnten, insbesondere bei Zuständen, die durch Angst und eine Dominanz negativer Affekte gekennzeichnet sind33,34. Seine spektrale Leistungsdichte und seine funktionellen Konnektivitätsmuster können die intrinsischen Aktivitätsmerkmale des Gehirns aufdecken und sind anwendbar auf die Erkennung pathologischer Marker bei neurodegenerativen Erkrankungen (z. B. Alzheimer-Krankheit), Entwicklungsstörungen (z. B. Entwicklungslegasthenie)35,36 sowie psychischen und emotionalen Störungen (z. B. Depressionen und Angstzuständen)37. Unter diesen wird der Alpha-Rhythmus im Zustand mit offenen Augen häufig in Studien zu emotionalen Störungen verwendet38,39. Folglich wird in dieser Studie die Klassifikationsleistung von Alpha-Oszillationen in präfrontalen Regionen vor und nach Trainingsinterventionen bei Merkmalsangst untersucht. Aufbauend auf EEG-Daten wird in dieser Studie EEGNet eingesetzt, um neuronale Ziele zu identifizieren, die mit Trainingsinterventionen für Personen mit hoher Merkmalsangst verbunden sind. EEGNet wurde speziell für die Klassifizierung von EEG-Signalen entwickelt und bietet mehrere entscheidende Vorteile gegenüber herkömmlichen und anderen Deep-Learning-Methoden, wodurch es sich besonders für die Untersuchung von EEG-Mustern mit begrenzten Datenmengen eignet40.
Die Ruhezustands-EEG-Daten wurden mit einem 64-Kanal-System (Brain Products, Deutschland) nach dem internationalen Standard 10-20 mit einer Abtastrate von 1000 Hz und Bandpassfilterung (0,1-100 Hz) erhoben. Um die Signalqualität zu gewährleisten, wurde die Elektrodenimpedanz unter 5 kΩ gehalten, und okuläre Artefakte wurden durch unabhängige Komponentenanalyse (ICA) entfernt. Die Teilnehmer wurden angewiesen, mit offenen Augen wach zu bleiben, während sie sich auf ein Kreuz fixierten, um bewegungsbedingte Geräusche zu minimieren.
Die wichtigsten Einschlusskriterien für Teilnehmer mit hoher Merkmalsangst waren: (1) Trait Anxiety Inventory-Werte ≥ 55, (2) begrenztes hochintensives Training (< 3 Tage/Woche) zur Kontrolle bereits bestehender Fitnesseffekte und (3) wöchentliche Gesamtaktivität < 600 MET-min. Diese Kriterien zielten darauf ab, die Stichprobe zu homogenisieren und gleichzeitig die reale sesshafte Bevölkerung widerzuspiegeln. Eine Einschränkung ist die potenzielle Variabilität der EEG-Dynamik im Ruhezustand aufgrund individueller Unterschiede in der Erregung zu Studienbeginn oder unentdeckter subklinischer Zustände, die zukünftige Studien mit größeren Stichproben und multimodalen Bewertungen (z.B. fMRT oder Verhaltensaufgaben) adressieren könnten.
Wir stellen die Hypothese auf, dass die präfrontale Alpha-Aktivität die EEG-Daten von Bewegung und Kontrolle effektiv klassifizieren kann. Zusammenfassend zielt diese Studie darauf ab, KI-Technologien zu nutzen, um den Nutzen von Bewegungsinterventionen bei emotionalen Störungen zu analysieren, wobei die Merkmalsangst als Modell dient. Durch ihre Methodik und ihre Ergebnisse zielt diese Arbeit darauf ab, das Verständnis für aktuelle Entwicklungen und Herausforderungen in diesem Bereich zu verbessern und Anleitungen und Erkenntnisse für zukünftige Forschung zu bieten.
Diese Studie wurde von der Institutional Research Ethics Commission der Wuhan Sports University (2023016) genehmigt.
1. Studienteilnehmer
2. Anweisungen für Aufgaben
3. Datenerhebung
4. Offline-Datenanalyse
5. Modellanalyse
ANMERKUNG: Dieses Convolutional Neural Network (CNN) erreicht das Erlernen von Zeit-Frequenz-Merkmalen von EEG-Signalen durch eine mehrskalige zweidimensionale Faltungsoperation46. Der Prozess des CNN-Modells ist in Abbildung 1B dargestellt.
EEG-Datenverarbeitung und statistische Auswertung
Die EEG-Rohdaten wurden in 2-Sekunden-Epochen segmentiert, die sich auf den Ereignisbeginn konzentrierten, in Übereinstimmung mit den Standardpraktiken in der Zeit-Frequenz-Analyse, um transiente neuronale Dynamik zu erfassen und gleichzeitig Kantenartefakte zu minimieren. Jede Epoche wurde einer kontinuierlichen Wavelet-Transformation (CWT) unterzogen, wobei ein komplexes Morlet-Wavelet mit 3 Zyklen verwendet wurde, das die zeitliche und frequenzliche Auflösung für die Detektion der oszillatorischen Aktivität in den Theta- bis Gamma-Bändern optimal ausbalanciert.
Das linke Feld in Abbildung 2 stellt die Übungsgruppe dar, und das rechte Feld stellt die Kontrollgruppe dar. (1) Qualität der Datenverarbeitung: Beide Spektren weisen glatte Kurven und das charakteristische neurophysiologische "1/f"-Abklingmuster auf (hohe Leistung bei niedrigen Frequenzen, die exponentiell mit der Frequenz abnimmt). Die stark überlappenden Trajektorien deuten auf eine effektive Datenvorverarbeitung (z. B. Rauschunterdrückung, Filterung) und eine hohe Basisdatenqualität mit guter Signaltreue im Frequenzbereich hin. (2) Subtile Unterschiede zwischen den Gruppen: Innerhalb des Alpha-Bandes (8-12 Hz, schattierter grauer Bereich zur Veranschaulichung) zeigt die Kontrollgruppe (rechts) im Vergleich zur Trainingsgruppe (links) etwas niedrigere Leistungswerte, was darauf hindeutet, dass ein einziger akuter Trainingsschub einen leichten modulatorischen Effekt auf den Alpha-Rhythmus von Gehirnschwingungen im Ruhezustand induziert haben könnte.
Für die statistische Inferenz führten wir punktweise nichtparametrische Permutationstests (5.000 Iterationen) über alle Zeit-Frequenz-Punkte durch. Dieser Ansatz steuert Mehrfachvergleiche, indem benachbarte signifikante Punkte geclustert werden (Clusterbildungsschwelle p < 0,05, FDR-Korrektur auf Clusterebene), um die nicht-Gaußsche Verteilung der Wavelet-Koeffizienten zu berücksichtigen.
Signifikante Unterschiede in der präfrontalen Elektrodenaktivität wurden innerhalb des Frequenzbandes von 7-13 Hz zwischen der Übungs- und der Lesegruppe beobachtet, wie in Abbildung 3 gezeigt.
Validierung der Leistung der Klassifizierung von CNN-Modellen
Bei der Untersuchung der Auswirkungen von Bewegungsinterventionen auf Personen mit hoher Merkmalsangst ist die Klassifikationsleistung des Convolutional Neural Network (CNN)-Modells unter Verwendung von präfrontalen Alpha-Band-Merkmalsdaten ein entscheidender Aspekt. Diese Analyse zielt darauf ab, festzustellen, ob das Modell effektiv zwischen der Lesegruppe und der Übungsgruppe unterscheiden kann, um so einen Beweis für die Unterschiede auf neuronaler Ebene zu liefern, die mit Bewegung verbunden sind.
Das CNN-Modell zeigte eine hohe Klassifizierungsleistung bei der Verwendung von präfrontalen Alpha-Band-Merkmalsdaten zur Unterscheidung zwischen der Read- und der Exercise-Gruppe mit einer Genauigkeit von 83,33 % und erreichte einen durchschnittlichen F1-Score von 0,83 und einen Kappa-Koeffizienten von 0,63. Um die Leistung des Modells besser zu verstehen, wenden wir uns der in Abbildung 3C dargestellten Verwirrungsmatrix für die binäre Klassifizierung zu. In dieser Matrix, einem gut strukturierten Werkzeug zum Auswerten von Klassifizierungsmodellen, stellt jede Zeile die wahre Kategorie der Daten dar, und jede Spalte stellt die vom Modell vorhergesagte Kategorie dar. Dieses Layout ermöglicht eine detaillierte Bewertung der Fähigkeit des Modells, verschiedene Dateninstanzen korrekt zu klassifizieren. Das Modell zeigte für beide Datentypen eine relativ gute Klassifikationsleistung. Diese hohe Erkennungsrate impliziert, dass das Modell in der Lage war, einen großen Teil der Daten, die zur Übungsgruppe gehören, genau zu identifizieren. Mit anderen Worten, die neuronalen Muster im präfrontalen Alpha-Band, die mit Bewegung verbunden sind, waren deutlich genug, damit das Modell sie mit einem hohen Maß an Sicherheit erkennen konnte. Diese Ergebnisse aus der Konfusionsmatrix unterstützen die Gesamtgenauigkeit des CNN-Modells weiter.
Abbildung 1: EEG-Erfassung im Ruhezustand und CNN-basierter Klassifikationsablauf. (A) Links: Der Aufzeichnungsprozess des Elektroenzephalogramms (EEG) im Ruhezustand. Rechte Seite: Die EEG-Wellenformen und die Verteilung der Kopfhautelektroden. (B) Der Arbeitsablauf bei der Verwendung eines Convolutional Neural Network (CNN) zur Klassifizierung der Alphawellen von zwei Gruppen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 2: Vergleich der spektralen Leistungsdichte zwischen Trainings- und Kontrollgruppe. Linkes Feld: die Übungsgruppe; Rechtes Fenster: die Kontrollgruppe. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 3: Neuronale Dynamik und CNN-Klassifizierung von Trainings- vs. Lesegruppen. (A) Signifikante Unterschiede zwischen Gruppen, die durch Punkt-zu-Punkt-t-Tests identifiziert wurden, wobei Zeit-Häufigkeits-Cluster hervorgehoben wurden (p < 0,05, FDR-korrigiert). (B) Topographische Karten der gemittelten Alpha-Band-Leistung (7-13 Hz). Karten zeigen die räumliche Verteilung der neuronalen oszillatorischen Aktivität für die Lesegruppe (links) und die Übungsgruppe (rechts). (C) Klassifikationsleistung der präfrontalen Alpha-Aktivität unter Verwendung eines CNN-Modells (Genauigkeit: 83,3%). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
| Bühne | Kriterien/Ablauf | Zahl | Ergebnis | Position im Protokoll |
| Erstrekrutierung | Nicht-Sport-Majors von der Wuhan Sports University | 550 | Berechtigt für die Vorabprüfung | Abschnitt 1.1 |
| Angst-Screening | STAI Merkmal Angst-Punktzahl ≥55 | 120 | Erreichen Sie die Angstschwelle | Abschnitt 1.2 |
| Aktivitäts-Screening | Häufigkeit des Trainings <3 Tage/Woche (hohe Intensität); MET-Minuten gesamt <600/Woche | 40 | Qualifiziert für die endgültige Zuteilung | Abschnitt 1.3 |
| Finale Gruppen | Bewegungsintervention (n=20): Moderates Radfahren; Steuerung (n=20): Leises Ablesen | 40 | EEG und CNN | Abschnitt 2 |
Tabelle 1: Rekrutierungs- und Screening-Kriterien für die Teilnehmer.
Die Autoren erklären, dass keine Interessenkonflikte bestehen.
Dieses Protokoll zielt darauf ab, die präfrontale neuronale oszillatorische Reprogrammierung des Alpha-Bandes, die durch aerobes Training bei Personen mit hoher Merkmalsangst induziert wird, unter Verwendung von EEG-Deep-Learning-Integration zu entschlüsseln. Das entwickelte Vorhersagemodell (81,82 % Genauigkeit) identifiziert die Alpha-Oszillation als Kernmechanismus für die trainingsvermittelte Angstlinderung und verbessert die präzisen Neuromodulationsziele für emotionale Störungen.
Nichts
| BrainAmp SN | Gehirnprodukte | AMP12081737 Standard | Erfassung von Elektroenzephalogramm-(EEG)-Signalen |
| Eprime Professional | PSYCHOLOGIE-SOFTWARETOOLS | 2.0.10.92 | Software für Psychologie-Experimente |
| Bewegungszyklus 600 | emotion fitness GmbH & Kompanie KG | F-EF-MC-650 | Fahrrad-Ergometer |
| DCU (Deep Computing Unit) | HYGON | HYGON Z100L | Modellanalyse |
| Python | Python Software Foundation | Python 3.8 | Modellanalyse |
