Method Article

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

DOI:

10.3791/68737

⸱

November 7th, 2025

 ,  ,  ,  ,  ,  ,  ,  ,  , 
11Department of Psychology, School of Sports Medicine,, Wuhan Sports University, 2Research Center of Translational Medicine, Naval Medical University

* These authors contributed equally

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este protocolo tiene como objetivo decodificar la reprogramación oscilatoria neuronal de banda alfa prefrontal inducida por ejercicio aeróbico en individuos con alta ansiedad rasgo, utilizando la integración de aprendizaje profundo de EEG. El modelo predictivo desarrollado (81,82% de precisión) identifica la oscilación alfa como el mecanismo central para el alivio de la ansiedad mediada por el ejercicio, avanzando en los objetivos de neuromodulación de precisión para los trastornos emocionales.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La intervención con ejercicios demuestra un potencial único en el tratamiento de la desregulación emocional, pero la ambigüedad de sus objetivos de neuromodulación dificulta el desarrollo de prescripciones precisas de ejercicios. Este estudio investiga la ansiedad rasgo como un trastorno emocional representativo en 40 estudiantes universitarios de alta ansiedad rasgo, que fueron asignados aleatoriamente a un grupo de intervención de ejercicio (40 minutos de ejercicio aeróbico de intensidad moderada, n = 20) o a un grupo de control sin ejercicio (40 minutos de lectura tranquila, n = 20), seguido de la recopilación de datos de EEG en reposo. Al integrar la electroencefalografía en estado de reposo (EEG) después del ejercicio con algoritmos de aprendizaje profundo, desarrollamos un modelo predictivo de tiempo-frecuencia de banda alfa para decodificar sistemáticamente los mecanismos de reprogramación oscilatoria neuronal en la corteza prefrontal inducidos por el ejercicio. El modelo de aprendizaje profundo exhibió una eficacia de clasificación superior (precisión 83,33%, puntuación F1 0,83, coeficiente Kappa 0,67) en la identificación de alteraciones de la entropía espectral de potencia de banda alfa inducidas por el ejercicio. Este estudio es pionero en la identificación del reequilibrio excitatorio alfa prefrontal a través de la remodelación de la oscilación neuronal como el mecanismo central subyacente a la mitigación de la ansiedad mediada por el ejercicio.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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 ansiedad11,12. 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 local13,14.

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 negativo33,34. 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.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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) utiliz...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

En el ámbito de la investigación de la salud mental, comprender los mecanismos neuronales subyacentes de las intervenciones para personas con ansiedad de rasgos altos es de suma importancia. Este estudio fue diseñado con el objetivo explícito de explorar los biomarcadores neuronales asociados con la intervención con ejercicio en dichos individuos mediante la utilización de modelos de inteligencia artificial. La adopción de redes neuronales profundas avanzadas, incluidos modelos como EEGN...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Los autores declaran no tener conflictos de intereses.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
BrainAmp SNProductos cerebralesAMP12081737 EstándarAdquisición de señales de electroencefalograma (EEG)
Eprime ProfessionalHERRAMIENTAS DE SOFTWARE DE PSICOLOGÍA2.0.10.92Software de experimentos de psicología
Ciclo de movimiento 600emotion fitness GmbH & Co. KGF-EF-MC-650Ergómetro de bicicleta
DCU (Unidad de Computación Profunda)HYGONHYGON Z100LAnálisis del modelo
PitónFundación de Software PythonPython 3.8Análisis del modelo

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Thase, M. E., et al. A meta-analysis of randomized, placebo-controlled trials of vortioxetine for the treatment of major depressive disorder in adults. Eur Neuropsychopharmacol. 26 (6), 979-993 (2016).
  2. Koeser, L., et al. Cost-effectiveness of long-term psychoanalytic psychotherapy for treatment-resistant depression: RCT evidence from the Tavistock Adult Depression Study (TADS). J Affect Disord. 335, 313-321 (2023).
  3. De Maat, S., et al. Costs and benefits of long-term psychoanalytic therapy: changes in health care use and work impairment. Harv Rev Psychiatry. 15 (6), 289-300 (2007).
  4. Béland, M., et al. Aerobic exercise alleviates depressive symptoms in patients with a major non-communicable chronic disease: a systematic review and meta-analysis. Br J Sports Med. 54 (5), 272-278 (2020).
  5. Beinlich, F. R. M., et al. Oxygen imaging of hypoxic pockets in the mouse cerebral cortex. Science. 383 (6690), 1471-1478 (2024).
  6. Spielberger, C. D. Anxiety: current trends in theory and research. , Academic Press. Oxford, England. (1972).
  7. Tian, H., et al. Neural mechanisms underlying cognitive impairment in depression and cognitive benefits of exercise intervention. Behav Brain Res. 476, 115218(2025).
  8. He, M., et al. The effects of aerobic exercise on goal-directed attention and inhibitory control in individuals with high trait anxiety: an EEG study. BMC Psychol. 13 (1), 86(2025).
  9. Xiao, K., et al. Beneficial effects of running exercise on hippocampal microglia and neuroinflammation in chronic unpredictable stress-induced depression model rats. Transl Psychiatry. 11 (1), 461(2021).
  10. Xia, J., et al. Physical exercise activates a PVN-NAc oxytocin circuit to relieve stress-induced depressive-like behaviors. Proc Natl Acad Sci U S A. 122 (21), e2503675122(2025).
  11. Dai, Z., et al. Alpha-beta decoupling relevant to inhibition deficits leads to suicide attempt in major depressive disorder. J Affect Disord. 314, 168-175 (2022).
  12. Zrenner, B., et al. Brain oscillation-synchronized stimulation of the left dorsolateral prefrontal cortex in depression using real-time EEG-triggered TMS. Brain Stimul. 13 (1), 197-205 (2020).
  13. Zhang, C., Yeh, C. H., Shi, W. Variational phase-amplitude coupling characterizes signatures of anterior cortex under emotional processing. IEEE J Biomed Health Inform. 27 (4), 1935-1945 (2023).
  14. Sun, S., et al. A single-cell transcriptomic atlas of exercise-induced anti-inflammatory and geroprotective effects across the body. Innovation (Camb). 4 (1), 100380(2023).
  15. Ye, Z., et al. Detecting and phenotyping of aneuploid circulating tumor cells in patients with various malignancies. Cancer Biol Ther. 20 (4), 546-551 (2019).
  16. Qiu, D., et al. Mapping brain functional networks topological characteristics in new daily persistent headache: a magnetoencephalography study. J Headache Pain. 24 (1), 161(2023).
  17. De La Salle, S., et al. Electrophysiological correlates and predictors of the antidepressant response to repeated ketamine infusions in treatment-resistant depression. Prog Neuropsychopharmacol Biol Psychiatry. 115, 110507(2022).
  18. Cao, D., et al. State-specific modulation of mood using intracranial electrical stimulation of the orbitofrontal cortex. Brain Stimul. 16 (4), 1112-1122 (2023).
  19. Chen, H., et al. Resting-state EEG dynamic functional connectivity distinguishes non-psychotic major depression, psychotic major depression and schizophrenia. Mol Psychiatry. 29 (4), 1088-1098 (2024).
  20. Li, S., et al. Resting-state EEG alpha asymmetry predicts false belief understanding during early childhood: an exploratory longitudinal study. Brain Res. 1853, 149523(2025).
  21. Everaert, J., et al. Which features of repetitive negative thinking and positive reappraisal predict depression? an in-depth investigation using artificial neural networks with feature selection. J Psychopathol Clin Sci. 131 (7), 754-768 (2022).
  22. Ciria, L. F., et al. Oscillatory brain activity during acute exercise: tonic and transient neural response to an oddball task. Psychophysiology. 56 (5), e13326(2019).
  23. Wang, J., et al. Executive function elevated by long term high-intensity physical activity and the regulation role of beta-band activity in human frontal region. Cogn Neurodyn. 17 (6), 1463-1472 (2023).
  24. Fry, A., et al. The effect of physical fatigue on oscillatory dynamics of the sensorimotor cortex. Acta Physiol (Oxf). 220 (3), 370-381 (2017).
  25. Hosang, L., et al. Effects of exercise on electroencephalography-recorded neural oscillations: a systematic review. Int Rev Sport Exerc Psychol. 17 (2), 926-979 (2024).
  26. Chaire, A., Becke, A., Düzel, E. Effects of physical exercise on working memory and attention-related neural oscillations. Front Neurosci. 14, 239(2020).
  27. Cheng, M. Y., et al. QEEG markers of superior shooting performance in skilled marksmen: an investigation of cortical activity on psychomotor efficiency hypothesis. Psychol Sport Exerc. 65, 102320(2023).
  28. Zhanbing, R., et al. A review of brain plasticity of motor skill experts: evidence from magnetic resonance imaging. China Sport Sci Technol. 55 (2), 3-18 (2019).
  29. Hein, T. P., et al. Anterior cingulate and medial prefrontal cortex oscillations underlie learning alterations in trait anxiety in humans. Commun Biol. 6 (1), 271(2023).
  30. Segrave, R. A., et al. Upper alpha activity during working memory processing reflects abnormal inhibition in major depression. J Affect Disord. 127 (1-3), 191-198 (2010).
  31. Glier, S., et al. Individual differences in frontal alpha asymmetry moderate the relationship between acute stress responsivity and state and trait anxiety in adolescents. Biol Psychol. 172, 108357(2022).
  32. Perinelli, A., Ricci, L. Stationarity assessment of resting-state condition via permutation entropy on EEG recordings. Sci Rep. 15 (1), 698(2025).
  33. Alzahab, N. A., et al. Auditory evoked potential electroencephalography-biometric dataset. Data Brief. 57, 111065(2024).
  34. Das, S., et al. Resting-state electroencephalography microstates in autism spectrum disorder: a mini-review. Front Psychiatry. 13, 988939(2022).
  35. Kang, J. H., Bae, J. H., Jeon, Y. J. Age-related characteristics of resting-state electroencephalographic signals and the corresponding analytic approaches: a review. Bioengineering (Basel). 11 (5), 418(2024).
  36. Turri, C., et al. Periodic and aperiodic EEG features as potential markers of developmental dyslexia. Biomedicines. 11 (6), 1607(2023).
  37. Wang, S. Y., et al. The effects of alpha asymmetry and high-beta down-training neurofeedback for patients with major depressive disorder and anxiety symptoms. J Affect Disord. 257, 287-296 (2019).
  38. Galkin, S., et al. Quantitative characteristics of the alpha-rhythm of the electroencephalogram in depressive disorders. Neurology Bulletin. 53, 19-25 (2021).
  39. Barry, R. J., et al. EEG differences between eyes-closed and eyes-open resting conditions. Clin Neurophysiol. 118 (12), 2765-2773 (2007).
  40. Liu, D., et al. Incremental classification for high-dimensional EEG manifold representation using bidirectional dimensionality reduction and prototype learning. IEEE J Biomed Health Inform. 29 (2), 984-995 (2025).
  41. Li, W. Revision of the state-trait anxiety inventory with sample of Chinese college students. Acta Sci Nat Univ Pekinensis. 1, 108-112 (1995).
  42. Eldar, S., et al. Enhanced neural reactivity and selective attention to threat in anxiety. Biol Psychol. 85 (2), 252-257 (2010).
  43. Swain, D. P., Leutholtz, B. C. Heart rate reserve is equivalent to %VO2 reserve, not to %VO2max. Med Sci Sports Exerc. 29 (3), 410-414 (1997).
  44. Chen, W., et al. DenoiseMamba: an innovative approach for EEG artifact removal leveraging Mamba and CNN. IEEE J Biomed Health Inform. 29 (9), 6551-6564 (2025).
  45. Durak, L., Arikan, O. Short-time Fourier transform: two fundamental properties and an optimal implementation. IEEE Trans Signal Process. 51 (5), 1231-1242 (2003).
  46. Mohan, R., Perumal, S. Classification and detection of cognitive disorders like depression and anxiety utilizing deep convolutional neural network (CNN) centered on EEG signal. Trait Signal. 40 (3), 971-979 (2023).
  47. Lin, P. J., et al. AM-EEGNet: an advanced multi-input deep learning framework for classifying stroke patient EEG task states. Neurocomputing. 585, 127622(2024).
  48. Liang, X., et al. Convolutional neural network with a topographic representation module for EEG-based brain-computer interfaces. Brain Sci. 13 (2), (2023).
  49. Härpfer, K., et al. Diverging patterns of EEG alpha asymmetry in anxious apprehension and anxious arousal. Biol Psychol. 162, 108111(2021).
  50. Adolph, D., Margraf, J. The differential relationship between trait anxiety, depression, and resting frontal α-asymmetry. J Neural Transm (Vienna). 124 (3), 379-386 (2017).
  51. Lazarov, A., et al. Increased attention allocation to socially threatening faces in social anxiety disorder: a replication study. J Affect Disord. 290, 169-177 (2021).
  52. Lee, H., et al. Amygdala-prefrontal coupling underlies individual differences in emotion regulation. Neuroimage. 62 (3), 1575-1581 (2012).
  53. Chen, T. T., et al. Impact of emotional and motivational regulation on putting performance: a frontal alpha asymmetry study. PeerJ. 7, e6777(2019).
  54. Henriques, J. B., Davidson, R. J. Decreased responsiveness to reward in depression. Cogn Emot. 14 (5), 711-724 (2000).
  55. Liu, L., et al. Running exercise alleviates hippocampal neuroinflammation and shifts the balance of microglial M1/M2 polarization through adiponectin/AdipoR1 pathway activation in mice exposed to chronic unpredictable stress. Mol Psychiatry. 29 (7), 2031-2042 (2024).
  56. Duan, Y. Study of different ways of exercise intervention on college students' anxiety and depression. Chin J Sch Health. 35 (7), 1022-1024 (2014).
  57. Qi, D., et al. Beyond visual constraints: interdisciplinary exploration of aphantasia. Adv Psychol Sci (China). 32 (11), 1844-1853 (2024).
  58. Breedlove, J. L., et al. Generative feedback explains distinct brain activity codes for seen and mental images. Curr Biol. 30 (12), 2211-2224.e6 (2020).
  59. Jiang, Z., et al. Attention module improves both performance and interpretability of four-dimensional functional magnetic resonance imaging decoding neural network. Hum Brain Mapp. 43 (8), 2683-2692 (2022).
  60. Dehghani, A., Soltanian-Zadeh, H., Hossein-Zadeh, G. A. Neural modulation enhancement using connectivity-based EEG neurofeedback with simultaneous fMRI for emotion regulation. Neuroimage. 279, 120320(2023).
  61. Helwegen, K., Libedinsky, I., van den Heuvel, M. P. Statistical power in network neuroscience. Trends Cogn Sci. 27 (3), 282-301 (2023).
  62. Scheijbeler, E. P., et al. Longitudinal resting-state EEG in amyloid-positive patients along the Alzheimer's disease continuum: considerations for clinical trials. Alzheimers Res Ther. 15 (1), 182(2023).
  63. Choo, S., et al. Improving classification performance of motor imagery BCI through EEG data augmentation with conditional generative adversarial networks. Neural Netw. 180, 106665(2024).
  64. Del Pup, F., et al. The role of data partitioning on the performance of EEG-based deep learning models in supervised cross-subject analysis: a preliminary study. Comput Biol Med. 195 (Pt A), 110608(2025).
  65. Acker, L., et al. Preoperative electroencephalographic alpha-power changes with eyes opening are associated with postoperative attention impairment and inattention-related delirium severity. Br J Anaesth. 132 (1), 154-163 (2024).
  66. Mheich, A., et al. HD-EEG for tracking sub-second brain dynamics during cognitive tasks. Sci Data. 8 (1), 32(2021).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Alpha WavesResting State EEGExercise InterventionNeural OscillationsTrait AnxietyPrefrontal CortexDeep Learning ModelPower Spectral EntropyAerobic ExerciseEmotional Dysregulation

Related Articles