Delineando el papel de las ondas alfa en los cambios neuronales inducidos por el ejercicio a través del EEG en estado de reposo

En la sociedad contemporánea, el ritmo de vida acelerado y la creciente carga de las presiones de la vida han llevado a un aumento significativo en la prevalencia de la desregulación emocional. Entre las diversas manifestaciones de la desregulación emocional, la ansiedad, un subtipo prevalente, plantea un gran desafío para los individuos. Las terapias farmacológicas se han considerado durante mucho tiempo como un enfoque fundamental en el tratamiento de la desregulación emocional, particularmente la ansiedad. Sin embargo, la investigación ha demostrado que aproximadamente el 30% de las personas con desregulación emocional no responden a los medicamentos de primera línea. Además, el uso prolongado de estos medicamentos puede dar lugar a diversos riesgos, como trastornos metabólicos y deterioro cognitivo¹. Las intervenciones psicológicas, aunque abordan los factores etiológicos a través de marcos basados en la evidencia, están limitadas por la duración prolongada del tratamiento que requiere tiempo, esfuerzo y recursos financieros sustanciales, junto con el inicio tardío de los efectos terapéuticos ^2,3.

En los últimos años, la intervención con ejercicios ha demostrado notables ventajas en el tratamiento de la desregulación emocional. Multitud de estudios han indicado que el ejercicio tiene el potencial de mejorar naturalmente los estados emocionales y aliviar la ansiedad y la depresión, lo que se logra a través de la promoción de la liberación de neurotransmisores endógenos y la inducción de cambios sinápticos⁴. Por ejemplo, la investigación en ratones entrenados con ejercicio reveló que su carga hipóxica se redujo en un 52% y se observó una mejora significativa en la función cognitiva⁵. La ansiedad rasgo, que representa la tendencia relativamente estable y duradera de un individuo a experimentar ansiedad en diversas situaciones⁶, es un factor clave para comprender los mecanismos subyacentes de la desregulación emocional. Sirve como una característica central de la ansiedad crónica, y estudiarla puede proporcionar información valiosa sobre la fisiopatología de dicha desregulación emocional. Al comprender la ansiedad rasgo, podemos comprender mejor por qué algunas personas son más propensas a desarrollar problemas de estado de ánimo relacionados con la ansiedad. En nuestro trabajo anterior, elaboramos las principales regiones del cerebro relacionadas con las funciones cognitivas emocionales que se ven afectadas en los trastornos emocionales y cómo la intervención con ejercicios puede mejorar estas funciones cognitivas y las regiones cerebrales relevantes⁷. Además, realizamos dos experimentos de electroencefalograma (EEG) para explorar en detalle cómo la intervención con ejercicios puede mejorar las características de la actividad cerebral en la capacidad de control de la atención entre individuos con ansiedad de alto rasgo⁸.

Si bien la intervención con ejercicios ha surgido como un enfoque no farmacológico prometedor en el tratamiento de la depresión, los biomarcadores neuronales precisos asociados con los efectos positivos de la intervención con ejercicios aún no se han identificado claramente ^9,10. Los ritmos oscilatorios neuronales, que actúan como los "codificadores espaciotemporales" del procesamiento de la información cerebral, exhiben una desregulación característica en la ansiedad. Por ejemplo, la investigación ha demostrado que la desincronización prefrontal Alfa (α) se asocia con déficits de control cognitivo comúnmente observados en la ansiedad^11,12. Esta desregulación de los ritmos oscilatorios neuronales indica una interrupción subyacente en los procesos normales de comunicación neuronal que son cruciales para la regulación emocional. Sin embargo, hay una escasez de estudios que exploren exhaustivamente cómo el ejercicio realmente remodela la función emocional al modular el acoplamiento rítmico interregional o la dinámica del potencial de campo local^13,14.

Los avances recientes en la investigación del aprendizaje profundo basado en EEG han proporcionado paradigmas novedosos para comprender los mecanismos patológicos y desarrollar tratamientos de precisión para trastornos mentales como la depresión y la ansiedad¹⁵. En particular, los estudios que utilizan conectividad funcional dinámica (DFC) de EEG en estado de reposo combinados con modelos ocultos de Markov (HMM) han revelado diferencias significativas en la dinámica de la red de bandas Delta (δ), Theta (θ), Alfa (α) y Gamma (γ) entre la depresión no psicótica, la depresión psicótica y la esquizofrenia 16,17,18 . Un modelo de clasificación binaria basado en DFC logró una precisión del 73,1% en la distinción de estas tres condiciones, superando los análisis estáticos tradicionales. Los biomarcadores clave incluyeron la sincronización DMN-SN de banda θ, la sincronización del sistema límbico FPCN de banda γ y las probabilidades de transición de estado HMM, estableciendo un nuevo marco para la clasificación psiquiátrica de precisión¹⁹ Análisis teórico de gráficos empleado para demostrar que las características de la red cerebral de referencia predicen la eficacia de la estimulación cerebral profunda (DBS) en la depresión resistente al tratamiento. Un modelo de bosque aleatorio que utiliza métricas de red logró una precisión del 81,2% en la predicción de la respuesta de DBS, superando las escalas clínicas. Los datos longitudinales mostraron que DBS revierte la disfunción de la red al mejorar la sincronización global de banda δ y reducir la centralidad de sgACC. Además, la potencia de onda de α prefrontal izquierda predijo la falta de respuesta a los antidepresivos, con un modelo de red neuronal convolucional (CNN) que logró una precisión del 82,3% basada en la asimetría de α²⁰. Everaert et al. (2022) desarrollaron un modelo de red neuronal artificial con selección de características utilizando 460 participantes para identificar características predictivas de las estrategias de regulación de las emociones. Estos hallazgos subrayan la necesidad crítica de identificar objetivos neuronales precisos para optimizar las prescripciones de ejercicio²¹.

En el ámbito de la investigación neurocientífica relacionada con el ejercicio, el aprendizaje profundo se ha convertido en una herramienta poderosa, que permite la extracción de biomarcadores neuronales robustos a partir de datos neurológicos espaciotemporales complejos, de alta dimensión y baja amplitud generados por las intervenciones de ejercicio. Múltiples estudios han demostrado que la actividad física modula significativamente los patrones de activación en las regiones cerebrales relacionadas con el motor y la dinámica oscilatoria neuronal en las bandas de frecuencia 22,23,24. Una revisión sistemática de 47 estudios reveló aumentos consistentes en la potencia de la banda α/β prefrontal después del ejercicio, lo que probablemente refleja una mayor neuroplasticidad e inhibición cortical²⁵. Tanto el ejercicio agudo como el entrenamiento a largo plazo indujeron tendencias similares, aunque las respuestas de la banda γ mostraron heterogeneidad dependiente de la intensidad (por ejemplo, entrenamiento aeróbico moderado versus entrenamiento en intervalos de alta intensidad). Las intervenciones aeróbicas de cuatro meses en adultos jóvenes sanos produjeron un aumento significativo de la onda α prefrontal (9-12 Hz), correlacionado positivamente con las ganancias de aptitud aeróbica. Si bien las mejoras conductuales en el tiempo de reacción o la precisión estuvieron ausentes, las métricas de oscilación neuronal indicaron una optimización dinámica de las redes de atención visual, lo que sugiere α ondas pueden servir como biomarcadores para la eficacia del ejercicio²⁶. Los expertos deportivos de alto nivel exhibieron una potencia elevada del ritmo sensoriomotor (SMR, 12-15 Hz) durante las tareas de puntería, al mismo tiempo que la coherencia prefrontal-temporal reducida, lo que indica la ejecución automatizada de las habilidades motoras y la mejora de la eficiencia de la red²⁷. En particular, los atletas de tenis de mesa mostraron una activación reducida en las regiones cerebrales relacionadas con el ejercicio en comparación con los no atletas, lo que sugiere que el entrenamiento a largo plazo construye redes neuronales especializadas y energéticamente eficientes²⁸.

Este estudio se centra en la ansiedad rasgo como un tema de investigación específico, empleando electroencefalografía (EEG) para recopilar datos neuronales y explorar sus biomarcadores neuronales, proporcionando así nuevos conocimientos para identificar objetivos neuronales precisos. Investigaciones anteriores indican que las ondas alfa en la región prefrontal están estrechamente asociadas con la regulación emocional, el control cognitivo y el reconocimiento emocional (Harmon-Jones et al., 2010), desempeñando un papel fundamental en procesos como la decodificación de señales emocionales externas (por ejemplo, expresiones faciales, tonos vocales) y la modulación de las respuestas emocionales. Los estudios sugieren que las alteraciones en la actividad alfa prefrontal pueden servir como marcadores fisiológicos de desregulación emocional, particularmente en la ansiedad y los estados emocionales negativos 29,30,31. La electroencefalografía en estado de reposo (EEG) sirve como una condición experimental predeterminada en neurociencia para investigar las propiedades dinámicas del cerebro, lo que requiere que los participantes permanezcan despiertos sin realizar ninguna tarea cognitiva³². Las condiciones experimentales pueden incluir estados de ojos cerrados o ojos abiertos. La evidencia empírica indica que los cambios en las oscilaciones alfa prefrontales podrían funcionar como biomarcadores de alteración de la regulación de las emociones, especialmente en condiciones caracterizadas por ansiedad y predominio de afecto negativo^33,34. Su densidad espectral de potencia y sus patrones de conectividad funcional pueden revelar las características de actividad intrínseca del cerebro y son aplicables a la detección de marcadores patológicos en enfermedades neurodegenerativas (p. ej., enfermedad de Alzheimer), trastornos del desarrollo (p. ej., dislexia del desarrollo)^35,36, así como trastornos mentales y emocionales (p. ej., depresión y ansiedad)³⁷. Entre estos, el ritmo alfa bajo la condición de ojos abiertos se utiliza comúnmente en estudios sobre trastornos emocionales ^38,39. En consecuencia, este estudio investiga el rendimiento de clasificación de las oscilaciones alfa en las regiones prefrontales antes y después de las intervenciones de ejercicio para la ansiedad rasgo. Basándose en datos de EEG, esta investigación emplea EEGNet para identificar objetivos neuronales asociados con intervenciones de ejercicio para personas con ansiedad de rasgos altos. EEGNet está diseñado específicamente para la clasificación de señales de EEG y ofrece varias ventajas clave sobre los métodos tradicionales y otros métodos de aprendizaje profundo, lo que lo hace particularmente adecuado para investigar patrones de EEG con datos limitados⁴⁰.

Los datos de EEG en estado de reposo se recopilaron utilizando un sistema de 64 canales (Brain Products, Alemania) siguiendo el estándar internacional 10-20, con una frecuencia de muestreo de 1000 Hz y filtrado de paso de banda (0,1-100 Hz). Para garantizar la calidad de la señal, la impedancia del electrodo se mantuvo por debajo de 5 kΩ y los artefactos oculares se eliminaron mediante análisis de componentes independientes (ICA). Se instruyó a los participantes para que permanecieran despiertos con los ojos abiertos mientras se fijaban en una cruz, minimizando el ruido relacionado con el movimiento.

Los criterios clave de inclusión para los participantes con alta ansiedad rasgo fueron: (1) puntajes del Inventario de Ansiedad Rasgo ≥ 55, (2) ejercicio limitado de alta intensidad (< 3 días a la semana) para controlar los efectos preexistentes de la condición física, y (3) actividad física semanal total < 600 MET-min. Estos criterios tenían como objetivo homogeneizar la muestra y reflejar las poblaciones sedentarias del mundo real. Una limitación es la posible variabilidad en la dinámica del EEG en estado de reposo debido a las diferencias individuales en la excitación inicial o las condiciones subclínicas no detectadas, que los estudios futuros podrían abordar con muestras más grandes y evaluaciones multimodales (p. ej., fMRI o tareas conductuales).

Nuestra hipótesis es que la actividad alfa prefrontal puede clasificar eficazmente los datos de EEG de ejercicio y control. En resumen, este estudio tiene como objetivo aprovechar las tecnologías de IA para analizar los beneficios de las intervenciones de ejercicio para los trastornos emocionales, utilizando la ansiedad rasgo como modelo. A través de su metodología y hallazgos, este trabajo busca mejorar la comprensión de los desarrollos y desafíos actuales en el campo, ofreciendo orientación y conocimientos para futuras investigaciones.

Este estudio fue aprobado por el Comité de Ética de Investigación Institucional de la Universidad de Deportes de Wuhan (2023016).

1. Participantes del estudio

1. Reclutar a 550 estudiantes de carreras no deportivas de una universidad de forma voluntaria. Realice una preselección para la selección de muestras. Utilice el Inventario Revisado de Ansiedad Estado-Rasgo⁴¹ de China para este propósito, como se muestra en la Tabla 1.
2. Clasifique a las personas con una puntuación de 55 o más en la subescala de ansiedad rasgo alta y selecciónelas para el experimento de EEG. Utilizar la subescala Ansiedad rasgo de este inventario como herramienta de evaluación clave, siguiendo los criterios establecidos de estudios previos de ERP⁴². Esta puntuación de corte de 55 se basó en investigaciones anteriores, lo que garantiza una forma consistente y válida de categorizar a los participantes con alta ansiedad rasgo.
3. Evaluar más a fondo a las personas con puntajes de ansiedad superiores a 55 para sus niveles de actividad física. También se requirió que los participantes cumplieran con tres criterios de inclusión específicos relacionados con sus patrones de actividad física en la semana anterior.
   1. Asegúrese de que los participantes hayan realizado actividad física de alta intensidad durante menos de 3 días (con cada sesión que dure ≥ 20 minutos por día).
      NOTA: La actividad física de alta intensidad puede tener un impacto significativo en el cuerpo y el cerebro, alterando potencialmente la plasticidad neuronal y los niveles de neurotransmisores. Al restringir el número de días de actividad de alta intensidad, los investigadores pueden minimizar los efectos de confusión de un ejercicio tan intenso en la relación que se está estudiando.
   2. Asegúrese de que el número total de días de ejercicio en todas las intensidades sea inferior a 5 días por semana y que el volumen total de ejercicio sea inferior a 600 MET-min / semana. Esto asegurará que la carga de ejercicio general de los participantes esté dentro de un cierto rango, reduciendo la variabilidad en la muestra debido a diferentes volúmenes de ejercicio.
   3. Confirme que los participantes realizaron menos de 30 minutos de actividad de intensidad moderada y caminaron durante menos de 5 días a la semana.
      NOTA: La actividad de intensidad moderada y caminar, aunque menos intensa que el ejercicio de alta intensidad, aún puede influir en el estado fisiológico y psicológico del cuerpo. Al establecer estos límites, los investigadores pueden controlar aún más los efectos potenciales de diferentes tipos de actividad física en los resultados experimentales.

2. Instrucción de la tarea

1. Instruya a los participantes en el grupo de intervención de ejercicio para que realicen ejercicio aeróbico de intensidad moderada usando un cicloergómetro estacionario durante 30 minutos, usando un monitor de frecuencia cardíaca para registrar datos fisiológicos. La intervención con ejercicios se estructuró en tres fases siguiendo las pautas establecidas⁴³.
   1. Fase de calentamiento: Indique a los participantes que pedaleen a 25 vatios durante 5 minutos para preparar la musculatura y los sistemas cardiovascular para la fase principal del ejercicio.
   2. Fase principal del ejercicio: Instruya a los participantes para que realicen una tarea de ciclismo continuo de 20 minutos a una velocidad de pedaleo de 70-80 rpm a intensidad moderada. Controla la frecuencia cardíaca cada 2 s y calcula la frecuencia cardíaca objetivo (THR) usando la fórmula:
      THR (FCmáx − FCreposo) × intensidad deseada + FCreposo
      donde la FCmáx = frecuencia cardíaca máxima, la FCreposo = frecuencia cardíaca en reposo y la intensidad deseada se determinaron de acuerdo con las pautas de ejercicio de ACSM⁴³.
   3. Fase de enfriamiento: Pídale al participante que reduzca la carga de ciclismo a 15 W en 5 minutos para disminuir la frecuencia cardíaca, minimizar el riesgo de lesiones y promover la relajación muscular.
2. Tarea del grupo de control: Asegúrese de que el participante se siente en silencio en el laboratorio durante 30 minutos y participe en una tarea de lectura libre.

3. Recopilación de datos

1. Registre las señales de EEG de los sujetos utilizando un dispositivo de 64 derivaciones y configure la matriz de electrodos de acuerdo con el sistema estándar internacional 10-20 con una frecuencia de muestreo de 1000 Hz.
2. Antes de la adquisición de datos, aplique pasta conductora médica a todas las interfaces electrodo-piel para garantizar valores de impedancia por debajo de 5 kΩ, optimizando así la fidelidad de la señal y reduciendo los artefactos de movimiento.
3. La frecuencia de muestreo para la recopilación de datos fue de 1000 Hz, con un filtro de paso de banda de 0,1-100 Hz. Mantener la impedancia del electrodo por debajo de 5 kΩ.
4. Coloque un electrodo en el canto externo izquierdo del ojo izquierdo y registre los movimientos verticales y los parpadeos.
5. Durante la recopilación de datos, FCz y FPz sirvieron como electrodo de referencia original y electrodo de tierra, respectivamente.
6. Indique a los participantes que mantengan los ojos abiertos y se fijen en una cruz. A lo largo del proceso, se les exige que permanezcan conscientes y alerta, eviten concentrarse en cualquier pensamiento específico y se abstengan de experimentar fluctuaciones emocionales.

4. Análisis de datos fuera de línea

1. Preprocesamiento
   1. Vuelva a hacer referencia a los datos sin procesar al promedio de todos los electrodos.
   2. Aplique un filtro de paso de banda de 0,1 a 40 Hz para eliminar la deriva de baja frecuencia (p. ej., artefactos respiratorios) y el ruido de alta frecuencia (p. ej., interferencia de líneas eléctricas y artefactos electromiográficos).
   3. Segmente los datos de todos los sujetos en épocas de 120 s, excluyendo las partes inicial y final de 10 s de cada grabación para eliminar posibles artefactos de borde de la inicialización del dispositivo.
   4. Retire los artefactos del electrooculograma (EOG) y el electrocardiograma (ECG) utilizando la técnica de análisis de componentes independientes (ICA). El algoritmo Infomax descompuso la señal en componentes estadísticamente independientes. Los componentes artificiales se identificaron mediante caracterización tripartita: (1) topografía espacial (EOG que muestra distribuciones de dipolos frontopolares, ECG que exhibe dominancia temporal izquierda); (2) dinámica temporal (EOG que manifiesta picos transitorios bloqueados por parpadeo, ECG que muestra periodicidad del ritmo cardíaco); y (3) firmas espectrales (EOG que demuestran concentración espectral de baja frecuencia)⁴⁴.
   5. Elimine los períodos de tiempo durante los cuales el voltaje del EEG excedió ± 75 μV como artefactos.
2. Análisis de diferencias específicas de banda
   1. Primero, segmente las señales de EEG en segmentos pequeños a intervalos de 120 s.
   2. Analice las características de tiempo-frecuencia de las señales de EEG utilizando una ondícula compleja de Morlet.
   3. Establezca los parámetros de la siguiente manera: Seleccione los parámetros de transformación de ondículas con ciclos [3 0,8], 100 intervalos de frecuencia (nfreqs) y 200 puntos de tiempo (ntimesout) para optimizar la resolución de tiempo-frecuencia para el análisis de EEG⁴⁵.
   4. Realice pruebas de permutación punto por punto (10,000 iteraciones) en todos los puntos de frecuencia de tiempo para evaluar la significación estadística (p < 0.05, corregido por FDR).
   5. Visualice como un gráfico de tiempo-frecuencia, con puntos de tiempo en el eje x y intervalos de frecuencia en el eje y.

5. Análisis del modelo

NOTA: Esta red neuronal convolucional (CNN) logra el aprendizaje de las características de tiempo-frecuencia de las señales de EEG a través de una operación de convolución bidimensional multiescala⁴⁶. El proceso del modelo CNN se muestra en la Figura 1B.

1. Primer bloque convolucional
   1. Emplee una capa de convolución 2D (Conv2d) con in_channels = 6, out_channels = 16, kernel_size = (3, 3) y relleno = 1 para extraer entidades espaciales locales, donde el relleno simétrico garantiza que las dimensiones espaciales permanezcan sin cambios después de la convolución.
   2. Aplique la normalización por lotes (BatchNorm2d) a la salida de la capa de convolución para estabilizar el entrenamiento y acelerar la convergencia, seguida de una función de activación de unidad lineal rectificada (ReLU) para introducir la no linealidad.
   3. Utilice una capa de agrupación máxima (MaxPool2d) con kernel_size = (2, 2) y stride = 2 para la compresión de entidades para reducir las dimensiones espaciales a la mitad y conservar información importante de entidades.
2. Segundo bloque convolucional
   1. Utilice otra capa de convolución 2D (Conv2d) con in_channels = 16, out_channels = 32, kernel_size = (3, 3) y relleno = 1 para extraer aún más entidades espaciales de alto nivel basadas en la salida del primer bloque, con la misma estrategia de relleno para mantener las dimensiones espaciales.
   2. De forma similar al primer bloque, aplique la normalización por lotes (BatchNorm2d) y la activación de ReLU secuencialmente para normalizar las características e introducir la no linealidad.
   3. De nuevo, utilice una capa de agrupación máxima (MaxPool2d) con kernel_size = (2, 2) y stride = 2 para comprimir entidades.
3. Capas totalmente conectadas
   1. Aplanar las entidades de salida del segundo bloque convolucional en un vector unidimensional, que sirve como entrada a las capas totalmente conectadas.
   2. Asegúrese de que la primera capa completamente conectada (Lineal) asigna las entidades aplanadas a un espacio de entidades de 256 dimensiones, seguida de una capa de abandono (Abandono) con una tasa de 0,5 para evitar el sobreajuste y una función de activación de ReLU.
   3. La segunda capa totalmente conectada (Lineal) reduce aún más la dimensión de la entidad de 256 a 128, con otra capa de abandono (Abandono) con una tasa de 0,5 y una función de activación de ReLU aplicada secuencialmente.
   4. La capa final totalmente conectada (lineal) asigna las entidades de 128 dimensiones al número de clases de destino (dos clases), generando la salida del modelo.
      NOTA: La plataforma de procesamiento de datos se configuró de la siguiente manera: un servidor con cuatro DCU HYGON Z100L; creación y entrenamiento de modelos en Python 3.8, PyTorch-1.13. El experimento utiliza el módulo torch.nn para proporcionar componentes principales como Conv2d (capa de convolución), BatchNorm2d (normalización por lotes), ELU (función de activación), AvgPool2d (agrupación promedio), Dropout (capa de abandono), Linear (capa totalmente conectada) y CrossEntropyLoss (función de pérdida); El módulo torch.optim proporciona el optimizador Adam para actualizaciones de parámetros; el módulo torch.utils.data proporciona DataLoader (cargador de datos) y TensorDataset (clase contenedora de conjuntos de datos) para el procesamiento de datos; torch.device se utiliza para la configuración del dispositivo (DCU); torch.save se utiliza para guardar los parámetros del modelo; y la función sklearn.model_selection.train_test_split de scikit-learn se usa para dividir conjuntos de datos; Adam fue seleccionado como optimizador; la función de pérdida fue la entropía cruzada; batch_size se estableció en 2; y la época se estableció en 100. Para los datos de entrada, utilice las características del EEG (basadas en matrices extraídas de Morlet) de seis canales prefrontales (Fp1, Fp2, AF3, AF4, AF7, AF8) en la banda alfa con características de tiempo-frecuencia. Divida los experimentos en conjuntos de entrenamiento y prueba utilizando una proporción de 7:3. Evalúe la efectividad del modelo a través de los resultados de clasificación utilizando métricas de matriz de precisión y confusión.

Procesamiento de datos de EEG y análisis estadístico

Los datos de EEG sin procesar se segmentaron en épocas de 2 s centradas en el inicio del evento, de acuerdo con las prácticas estándar en el análisis de tiempo-frecuencia para capturar la dinámica neuronal transitoria y minimizar los artefactos de borde. Cada época se sometió a una transformación ondícula continua (CWT) utilizando una ondícula Morlet compleja con 3 ciclos, que equilibra de manera óptima la resolución temporal y de frecuencia para detectar la actividad oscilatoria en las bandas theta a gamma.

El panel izquierdo de la Figura 2 representa el grupo de ejercicio y el panel derecho representa el grupo de control. (1) Calidad de procesamiento de datos: Ambos espectros exhiben curvas suaves y el patrón de decaimiento neurofisiológico característico "1 / f" (alta potencia a bajas frecuencias que disminuyen exponencialmente con la frecuencia). Las trayectorias altamente superpuestas indican un preprocesamiento de datos efectivo (por ejemplo, eliminación de ruido, filtrado) y una alta calidad de datos de referencia con buena fidelidad de señal en el dominio de la frecuencia. (2) Diferencias sutiles entre grupos: Dentro de la banda alfa (8-12 Hz, área gris sombreada para ilustración), el grupo de control (derecha) muestra valores de potencia ligeramente más bajos en comparación con el grupo de ejercicio (izquierda), lo que sugiere que una sola sesión de ejercicio agudo puede haber inducido un efecto modulador leve en el ritmo alfa de las oscilaciones cerebrales en estado de reposo.

Para la inferencia estadística, realizamos pruebas de permutación no paramétricas puntuales (5.000 iteraciones) en todos los puntos de tiempo-frecuencia. Este enfoque controla las comparaciones múltiples agrupando puntos significativos adyacentes (umbral de formación de clústeres p < 0,05, corrección FDR a nivel de clúster), para abordar la distribución no gaussiana de los coeficientes de ondículas.

Se observaron diferencias significativas en la actividad del electrodo prefrontal dentro de la banda de frecuencia de 7-13 Hz entre los grupos de ejercicio y lectura, como se muestra en la Figura 3.

Validación del rendimiento de la clasificación del modelo CNN

En la investigación del impacto de la intervención con ejercicio en individuos con ansiedad de rasgos altos, el rendimiento de clasificación del modelo de red neuronal convolucional (CNN) utilizando datos de características de la banda alfa prefrontal es un aspecto crucial. Este análisis tiene como objetivo determinar si el modelo puede distinguir efectivamente entre el grupo de lectura y el grupo de ejercicio, proporcionando así evidencia de las diferencias a nivel neuronal asociadas con el ejercicio.

El modelo CNN mostró un alto rendimiento de clasificación al utilizar datos de características de la banda alfa prefrontal para discriminar entre los grupos de lectura y ejercicio, con una precisión del 83,33%, y logró una puntuación promedio de F1 de 0,83 y un coeficiente Kappa de 0,63. Para comprender mejor el rendimiento del modelo, recurrimos a la matriz de confusión de clasificación binaria presentada en la Figura 3C. En esta matriz, una herramienta bien estructurada para evaluar modelos de clasificación, cada fila representa la verdadera categoría de los datos y cada columna representa la categoría predicha por el modelo. Este diseño permite una evaluación detallada de la capacidad del modelo para clasificar correctamente diferentes instancias de datos. El modelo exhibió un rendimiento de clasificación relativamente bueno para ambos tipos de datos. Esta alta tasa de reconocimiento implica que el modelo pudo identificar con precisión una gran proporción de los datos pertenecientes al grupo de ejercicio. En otras palabras, los patrones neuronales en la banda alfa prefrontal asociados con el ejercicio eran lo suficientemente distintos como para que el modelo los reconociera con un alto grado de certeza. Estos resultados de la matriz de confusión respaldan aún más la precisión general del modelo CNN.

Figura 1: Adquisición de EEG en estado de reposo y flujo de trabajo de clasificación basado en CNN. (A) Lado izquierdo: El proceso de registro del electroencefalograma (EEG) en estado de reposo. Lado derecho: Las formas de onda del EEG y la distribución de los electrodos del cuero cabelludo. (B) El flujo de trabajo de usar una red neuronal convolucional (CNN) para clasificar las ondas alfa de dos grupos. Haga clic aquí para ver una versión más grande de esta figura.

Figura 2: Comparación de la densidad espectral de potencia entre los grupos de ejercicio y control. Panel izquierdo: el Grupo de Ejercicio; Panel derecho: el grupo de control. Haga clic aquí para ver una versión más grande de esta figura.

Figura 3: Dinámica neuronal y clasificación CNN de grupos de ejercicio frente a lectura. (A) Diferencias significativas entre los grupos identificados por las pruebas t punto a punto, destacando los grupos de tiempo-frecuencia (p < 0,05, corregido por FDR). (B) Mapas topográficos de potencia de banda alfa (7-13 Hz) promediada. Los mapas representan la distribución espacial de la actividad oscilatoria neuronal para el grupo de lectura (izquierda) y el grupo de ejercicio (derecha). (C) Rendimiento de clasificación de la actividad alfa prefrontal utilizando un modelo CNN (precisión: 83,3%). Haga clic aquí para ver una versión más grande de esta figura.

Tabla 1: Criterios de reclutamiento y selección de participantes.

Los autores declaran no tener conflictos de intereses.