Délimitation du rôle des ondes alpha dans les changements neuronaux induits par l’exercice par l’EEG au repos

Summary

Ce protocole vise à décoder la reprogrammation oscillatoire neuronale préfrontale en bande alpha induite par l’exercice aérobique chez les individus à forte anxiété de trait, en utilisant l’intégration EEG-apprentissage profond. Le modèle prédictif développé (précision de 81,82 %) identifie l’oscillation alpha comme le mécanisme central de l’atténuation de l’anxiété médiée par l’exercice, faisant progresser les objectifs de neuromodulation de précision pour les troubles émotionnels.

Abstract

L’intervention par l’exercice démontre un potentiel unique dans le traitement de la dysrégulation émotionnelle, mais l’ambiguïté de ses cibles de neuromodulation entrave le développement de prescriptions d’exercice précises. Cette étude examine l’anxiété de trait en tant que trouble émotionnel représentatif chez 40 étudiants universitaires à forte anxiété de trait, qui ont été répartis au hasard soit dans un groupe d’intervention d’exercice (exercice aérobique d’intensité modérée de 40 minutes, n = 20), soit dans un groupe témoin sans exercice (40 minutes de lecture silencieuse, n = 20), suivi d’une collecte de données EEG au repos. En intégrant l’électroencéphalographie (EEG) au repos après l’exercice avec des algorithmes d’apprentissage profond, nous avons développé un modèle prédictif temps-fréquence en bande alpha pour décoder systématiquement les mécanismes de reprogrammation oscillatoire neuronale dans le cortex préfrontal induits par l’exercice. Le modèle d’apprentissage profond a montré une efficacité de classification supérieure (précision 83,33 %, score F1 0,83, coefficient Kappa 0,67) dans l’identification des altérations de l’entropie spectrale de puissance de la bande alpha induites par l’exercice. Cette étude a été pionnière dans l’identification du rééquilibrage excitateur Alpha préfrontal par le remodelage de l’oscillation neuronale comme mécanisme central sous-jacent à l’atténuation de l’anxiété médiée par l’exercice.

Introduction

Dans la société contemporaine, l’accélération du rythme de vie et le fardeau croissant des pressions de la vie ont conduit à une augmentation significative de la prévalence de la dysrégulation émotionnelle. Parmi les diverses manifestations de la dysrégulation émotionnelle, l’anxiété, un sous-type répandu, pose un grand défi aux individus. Les thérapies pharmacologiques ont longtemps été considérées comme une approche fondamentale dans le traitement de la dysrégulation émotionnelle, en particulier de l’anxiété. Cependant, la recherche a montré qu’environ 30 % des personnes atteintes de dysrégulation émotionnelle ne répondent pas aux médicaments de première intention. De plus, l’utilisation à long terme de ces médicaments peut entraîner divers risques, tels que des troubles métaboliques et des troubles cognitifs¹. Les interventions psychologiques, bien qu’elles abordent les facteurs étiologiques à l’aide de cadres fondés sur des preuves, sont limitées par des durées de traitement prolongées nécessitant beaucoup de temps, d’efforts et de ressources financières, ainsi que par l’apparition tardive des effets thérapeutiques ^2,3.

Au cours des dernières années, l’intervention par l’exercice a démontré des avantages remarquables dans le traitement de la dysrégulation émotionnelle. Une multitude d’études ont indiqué que l’exercice a le potentiel d’améliorer naturellement les états émotionnels et de soulager l’anxiété et la dépression, grâce à la promotion de la libération de neurotransmetteurs endogènes et à l’induction de changements synaptiques⁴. Par exemple, des recherches sur des souris entraînées à l’exercice ont révélé que leur charge hypoxique était réduite de 52 % et qu’une amélioration significative de la fonction cognitive était observée⁵. L’anxiété de trait, qui représente la tendance relativement stable et durable d’un individu à ressentir de l’anxiété dans diverses situations⁶, est un facteur clé pour comprendre les mécanismes sous-jacents de la dysrégulation émotionnelle. Il s’agit d’une caractéristique centrale de l’anxiété chronique, et son étude peut fournir des informations précieuses sur la physiopathologie d’une telle dysrégulation émotionnelle. En comprenant l’anxiété de trait, nous pouvons mieux comprendre pourquoi certaines personnes sont plus susceptibles de développer des problèmes d’humeur liés à l’anxiété. Dans nos travaux précédents, nous avons élaboré les principales régions cérébrales liées aux fonctions cognitives émotionnelles qui sont altérées dans les troubles émotionnels et comment l’intervention de l’exercice peut améliorer ces fonctions cognitives et les régions cérébrales pertinentes⁷. De plus, nous avons mené deux expériences d’électroencéphalogramme (EEG) pour explorer en détail comment l’intervention par l’exercice peut améliorer les caractéristiques de l’activité cérébrale dans la capacité de contrôle de l’attention chez les personnes souffrant d’anxiété élevée⁸.

Bien que l’intervention par l’exercice soit apparue comme une approche non pharmacologique prometteuse dans le traitement de la dépression, les biomarqueurs neuronaux précis associés aux effets positifs de l’intervention par l’exercice n’ont pas encore été clairement identifiés ^9,10. Les rythmes oscillatoires neuronaux, agissant comme les « encodeurs spatio-temporels » du traitement de l’information cérébrale, présentent une dysrégulation caractéristique de l’anxiété. Par exemple, des recherches ont montré que la désynchronisation préfrontale de l’Alpha(α) est associée à des déficits de contrôle cognitif couramment observés dans l’anxiété^11,12. Cette dérégulation des rythmes oscillatoires neuronaux indique une perturbation sous-jacente des processus normaux de communication neuronale qui sont cruciaux pour la régulation émotionnelle. Cependant, il y a une pénurie d’études qui explorent de manière exhaustive comment l’exercice remodèle réellement la fonction émotionnelle en modulant le couplage rythmique interrégional ou la dynamique potentielle du champ local^13,14.

Les progrès récents de la recherche sur l’apprentissage profond basée sur l’EEG ont fourni de nouveaux paradigmes pour comprendre les mécanismes pathologiques et développer des traitements de précision pour les troubles mentaux tels que la dépression et l’anxiété¹⁵. Notamment, des études utilisant la connectivité fonctionnelle dynamique (DFC) de l’EEG au repos combinée à des modèles de Markov cachés (HMM) ont révélé des différences significatives dans la dynamique des réseaux de bandes Delta (δ), Thêta (θ), Alpha (α) et Gamma (γ) parmi la dépression non psychotique, la dépression psychotique et la schizophrénie 16,17,18 . Un modèle de classification binaire basé sur DFC a atteint une précision de 73,1 % pour distinguer ces trois conditions, surpassant ainsi les analyses statiques traditionnelles. Les principaux biomarqueurs comprenaient la synchronisation DMN-SN en bande θ, la synchronisation FPCN-système limbique en bande γ et les probabilités de transition d’état HMM, établissant un nouveau cadre de classification psychiatrique de précision¹⁹ a utilisé l’analyse théorique des graphes pour démontrer que les caractéristiques de base du réseau cérébral prédisent l’efficacité de la stimulation cérébrale profonde (SCP) dans la dépression résistante au traitement. Un modèle de forêt aléatoire utilisant des métriques de réseau a atteint une précision de 81,2 % dans la prédiction de la réponse DBS, dépassant les échelles cliniques. Les données longitudinales ont montré que la SCP inverse le dysfonctionnement du réseau en améliorant la synchronisation globale en bande δ et en réduisant la centralité de sgACC. De plus, la puissance de l’onde α préfrontale gauche a prédit la non-réponse antidépresseur, avec un modèle de réseau neuronal convolutif (CNN) atteignant une précision de 82,3 % sur la base de l’asymétrie α²⁰. Everaert et al. (2022) ont développé un modèle de réseau neuronal artificiel avec sélection de caractéristiques en utilisant 460 participants pour identifier les caractéristiques prédictives des stratégies de régulation des émotions. Ces résultats soulignent le besoin critique d’identifier des cibles neuronales précises pour optimiser les prescriptions d’exercice²¹.

Dans le domaine de la recherche en neurosciences liée à l’exercice, l’apprentissage profond est devenu un outil puissant, permettant d’extraire des biomarqueurs neuronaux robustes à partir des données neurologiques spatio-temporelles complexes, de haute dimension et de faible amplitude générées par les interventions d’exercice. De nombreuses études ont démontré que l’activité physique module de manière significative les modèles d’activation dans les régions cérébrales liées à la motricité et la dynamique oscillatoire neuronale à travers les bandes de fréquences 22,23,24. Une revue systématique de 47 études a révélé une augmentation constante de la puissance de la bande préfrontale α/β après l’exercice, reflétant probablement une neuroplasticité accrue et une inhibition corticale^{accrue 25}. L’exercice aigu et l’entraînement à long terme ont induit des tendances similaires, bien que les réponses de γ bande aient montré une hétérogénéité dépendante de l’intensité (par exemple, entraînement aérobie modéré vs entraînement par intervalles à haute intensité). Des interventions aérobiques de quatre mois chez de jeunes adultes en bonne santé ont produit une augmentation significative des ondes de α préfrontales (9-12 Hz), positivement corrélée avec les gains de capacité aérobie. Bien que les améliorations comportementales du temps de réaction ou de la précision soient absentes, les mesures d’oscillation neuronale indiquent une optimisation dynamique des réseaux d’attention visuelle, suggérant que les ondes α peuvent servir de biomarqueurs de l’efficacité de l’exercice²⁶. Les experts sportifs de haut niveau ont montré une puissance élevée du rythme sensorimoteur (SMR, 12-15 Hz) pendant les tâches de visée, concomitante à une cohérence préfrontale-temporelle réduite, indiquant l’exécution automatisée des habiletés motrices et l’amélioration de l’efficacité du réseau²⁷. Notamment, les athlètes de tennis de table ont montré une activation réduite dans les régions cérébrales liées à l’exercice par rapport aux non-athlètes, ce qui suggère que l’entraînement à long terme construit^{des réseaux} neuronaux spécialisés et économes en énergie.

Cette étude se concentre sur l’anxiété de trait en tant que sujet de recherche spécifique, en utilisant l’électroencéphalographie (EEG) pour collecter des données neuronales et explorer ses biomarqueurs neuronaux, fournissant ainsi de nouvelles informations pour identifier des cibles neuronales précises. Des recherches antérieures indiquent que les ondes alpha dans la région préfrontale sont étroitement associées à la régulation émotionnelle, au contrôle cognitif et à la reconnaissance émotionnelle (Harmon-Jones et al., 2010), jouant un rôle central dans des processus tels que le décodage des indices émotionnels externes (par exemple, les expressions faciales, les tons vocaux) et la modulation des réponses émotionnelles. Des études suggèrent que les altérations de l’activité alpha préfrontale peuvent servir de marqueurs physiologiques de la dysrégulation émotionnelle, en particulier dans l’anxiété et les états émotionnels négatifs 29,30,31. L’électroencéphalographie au repos (EEG) sert de condition expérimentale par défaut en neurosciences pour étudier les propriétés dynamiques du cerveau, obligeant les participants à rester éveillés sans effectuer de tâches cognitives³². Les conditions expérimentales peuvent inclure des états les yeux fermés ou les yeux ouverts. Des preuves empiriques indiquent que les changements dans les oscillations alpha préfrontales pourraient fonctionner comme des biomarqueurs de la régulation des émotions altérée, en particulier dans des conditions caractérisées par l’anxiété et une prédominance d’affect négatif^33,34. Sa densité spectrale de puissance et ses modèles de connectivité fonctionnelle peuvent révéler les caractéristiques d’activité intrinsèques du cerveau et sont applicables à la détection de marqueurs pathologiques dans les maladies neurodégénératives (par exemple, la maladie d’Alzheimer), les troubles du développement (par exemple, la dyslexie développementale)^35,36, ainsi que les troubles mentaux et émotionnels (par exemple, la dépression et l’anxiété)³⁷. Parmi ceux-ci, le rythme alpha sous la condition les yeux ouverts est couramment utilisé dans les études sur les troubles émotionnels^38,39. Par conséquent, cette étude examine la performance de classification des oscillations alpha dans les régions préfrontales avant et après les interventions d’exercice pour l’anxiété de trait. S’appuyant sur les données EEG, cette recherche utilise EEGNet pour identifier les cibles neuronales associées aux interventions d’exercice chez les personnes souffrant d’anxiété élevée. EEGNet est spécialement conçu pour la classification des signaux EEG et offre plusieurs avantages clés par rapport aux méthodes traditionnelles et autres méthodes d’apprentissage profond, ce qui le rend particulièrement adapté à l’étude des modèles EEG avec des données limitées⁴⁰.

Les données EEG à l’état de repos ont été collectées à l’aide d’un système à 64 canaux (Brain Products, Allemagne) suivant la norme internationale 10-20, avec une fréquence d’échantillonnage de 1000 Hz et un filtrage passe-bande (0,1-100 Hz). Pour garantir la qualité du signal, l’impédance de l’électrode a été maintenue en dessous de 5 kΩ et les artefacts oculaires ont été éliminés via l’analyse en composantes indépendantes (ICA). Les participants ont été invités à rester éveillés avec les yeux ouverts tout en se fixant sur une croix, minimisant ainsi le bruit lié au mouvement.

Les principaux critères d’inclusion pour les participants présentant une anxiété élevée étaient les suivants : (1) scores ≥ 55 dans l’inventaire d’anxiété liée aux traits, (2) exercice limité de haute intensité (< 3 jours par semaine) pour contrôler les effets préexistants sur la condition physique, et (3) activité physique hebdomadaire totale < 600 MET-min. Ces critères visaient à homogénéiser l’échantillon tout en reflétant les populations sédentaires du monde réel. Une limite est la variabilité potentielle de la dynamique de l’EEG à l’état de repos en raison de différences individuelles dans l’excitation de base ou de conditions subcliniques non détectées, que des études futures pourraient aborder avec des échantillons plus grands et des évaluations multimodales (par exemple, IRMf ou tâches comportementales).

Nous émettons l’hypothèse que l’activité alpha préfrontale peut classer efficacement les données EEG de l’exercice et du contrôle. En résumé, cette étude vise à tirer parti des technologies d’IA pour analyser les avantages des interventions d’exercice pour les troubles émotionnels, en utilisant l’anxiété de trait comme modèle. Grâce à sa méthodologie et à ses résultats, ce travail vise à améliorer la compréhension des développements et des défis actuels dans le domaine, en offrant des orientations et des idées pour les recherches futures.

Protocol

Cette étude a été approuvée par le Comité d’éthique de la recherche institutionnelle de l’Université des sports de Wuhan (2023016).

1. Participants à l’étude

1. Recruter 550 étudiants non sportifs d’une université sur une base volontaire. Effectuer une présélection pour la sélection des échantillons. À cette fin, comme le montre le tableau 1, utilisez l’Inventaire révisé de l’anxiété des traits d’État⁴¹ de la Chine.
2. Classez les individus ayant un score de 55 ou plus sur la sous-échelle de l’anxiété de trait comme ayant une anxiété de trait élevée et sélectionnez-les pour l’expérience EEG. Utilisez la sous-échelle Trait Anxiety de cet inventaire comme outil d’évaluation clé, selon les critères établis par les études ERP précédentes⁴². Ce score seuil de 55 était fondé sur des recherches antérieures, assurant une manière cohérente et valide de catégoriser les participants souffrant d’anxiété élevée.
3. Évaluez davantage les personnes ayant des scores d’anxiété supérieurs à 55 pour leur niveau d’activité physique. Les participants devaient également répondre à trois critères d’inclusion spécifiques liés à leurs habitudes d’activité physique au cours de la semaine précédente.
   1. Assurez-vous que les participants ont pratiqué une activité physique de haute intensité pendant moins de 3 jours (chaque séance durant ≥ 20 minutes par jour).
      REMARQUE : L’activité physique de haute intensité peut avoir un impact significatif sur le corps et le cerveau, modifiant potentiellement la plasticité neuronale et les niveaux de neurotransmetteurs. En limitant le nombre de jours d’activité de haute intensité, les chercheurs peuvent minimiser les effets confondants d’un exercice aussi intense sur la relation étudiée.
   2. Assurez-vous que le nombre total de jours d’exercice, toutes intensités confondues, est inférieur à 5 jours par semaine et que le volume total d’exercice est inférieur à 600 MET-min/semaine. Cela garantira que la charge d’exercice globale des participants se situe dans une certaine fourchette, réduisant ainsi la variabilité de l’échantillon due aux différents volumes d’exercice.
   3. Confirmez que les participants ont participé à moins de 30 minutes d’activité d’intensité modérée et ont marché moins de 5 jours par semaine.
      REMARQUE : L’activité d’intensité modérée et la marche, bien que moins intenses que les exercices de haute intensité, peuvent toujours influencer l’état physiologique et psychologique du corps. En fixant ces limites, les chercheurs peuvent contrôler davantage les effets potentiels de différents types d’activité physique sur les résultats expérimentaux.

2. Instruction de la tâche

1. Demandez aux participants du groupe d’intervention d’exercice de s’engager dans des exercices aérobiques d’intensité modérée à l’aide d’un ergomètre de cycle stationnaire pendant 30 minutes, en portant un moniteur de fréquence cardiaque pour enregistrer les données physiologiques. L’intervention a été structurée en trois phases conformément aux lignes directrices établies⁴³.
   1. Phase d’échauffement : Demandez aux participants de faire du vélo à 25 watts pendant 5 minutes afin de préparer la musculature et le système cardiovasculaire pour la phase d’exercice principale.
   2. Phase principale de l’exercice : Demandez aux participants d’effectuer une tâche de cyclisme continu de 20 minutes à une fréquence de pédalage de 70 à 80 tr/min à une intensité modérée. Surveillez la fréquence cardiaque toutes les 2 s et calculez la fréquence cardiaque cible (THR) à l’aide de la formule :
      THR (HRmax − HRrest) × intensité souhaitée + HRrest
      où FCmax = fréquence cardiaque maximale, FCrepos = fréquence cardiaque au repos, et l’intensité souhaitée a été déterminée conformément aux directives d’exercice^{ACSM 43}.
   3. Phase de récupération : Demandez au participant de réduire la charge cycliste à 15 W en 5 minutes pour abaisser le rythme cardiaque, minimiser le risque de blessure et favoriser la relaxation musculaire.
2. Tâche de groupe témoin : Assurez-vous que le participant s’assoit tranquillement dans le laboratoire pendant 30 minutes et s’engage dans une tâche de lecture libre.

3. Collecte des données

1. Enregistrez les signaux EEG des sujets à l’aide d’un appareil à 64 dérivations et réglez le réseau d’électrodes selon la norme internationale 10-20 système avec une fréquence d’échantillonnage de 1000 Hz.
2. Avant l’acquisition des données, appliquez une pâte conductrice médicale sur toutes les interfaces électrode-peau pour garantir des valeurs d’impédance inférieures à 5 kΩ, optimisant ainsi la fidélité du signal et réduisant les artefacts de mouvement.
3. La fréquence d’échantillonnage pour la collecte des données était de 1000 Hz, avec un filtre passe-bande de 0,1 à 100 Hz. Maintenir l’impédance de l’électrode en dessous de 5 kΩ.
4. Placez une électrode sur le canthus externe gauche de l’œil gauche et enregistrez les mouvements verticaux des yeux et les clignements.
5. Lors de la collecte des données, FCz et FPz ont servi d’électrode de référence et d’électrode de terre, respectivement.
6. Demandez aux participants de garder les yeux ouverts et de se fixer sur une croix. Tout au long du processus, ils sont tenus de rester conscients et alertes, d’éviter de se concentrer sur une pensée spécifique et de s’abstenir de ressentir des fluctuations émotionnelles.

4. Analyse des données hors ligne

1. Prétraitement
   1. Référencez les données brutes à la moyenne de toutes les électrodes.
   2. Appliquez un filtre passe-bande de 0,1 à 40 Hz pour éliminer la dérive des basses fréquences (p. ex., les artefacts respiratoires) et le bruit des hautes fréquences (p. ex., interférence des lignes électriques et artefacts électromyographiques).
   3. Segmentez les données de tous les sujets en époques de 120 s, à l’exclusion des parties initiales et finales de 10 s de chaque enregistrement afin d’éliminer les artefacts de bord potentiels lors de l’initialisation du périphérique.
   4. Retirez les artefacts de l’électrooculogramme (EOG) et de l’électrocardiogramme (ECG) à l’aide de la technique ICA (Independent Component Analysis). L’algorithme Infomax a décomposé le signal en composants statistiquement indépendants. Les composantes artéfactuelles ont été identifiées par caractérisation tripartite : (1) topographie spatiale (EOG montrant des distributions de dipôles frontopolaires, ECG montrant une dominance temporelle gauche) ; (2) la dynamique temporelle (EOG manifestant des pics transitoires verrouillés par clignement des yeux, ECG montrant la périodicité du rythme cardiaque) ; et (3) signatures spectrales (EOG démontrant une concentration spectrale à basse fréquence)⁴⁴.
   5. Supprimez les périodes pendant lesquelles la tension EEG a dépassé ± 75 μV en tant qu’artefacts.
2. Analyse des différences spécifiques à la bande
   1. Tout d’abord, segmentez les signaux EEG en petits segments à des intervalles de 120 s.
   2. Analysez les caractéristiques temps-fréquence des signaux EEG à l’aide d’une ondelette de Morlet complexe.
   3. Réglez les paramètres comme suit : Sélectionnez les paramètres de la transformée en ondelettes avec des cycles [3 0,8], 100 intervalles de fréquence (nfreqs) et 200 points temporels (ntimesout) afin d’optimiser la résolution temps-fréquence pour l’analyse EEG⁴⁵.
   4. Effectuer des tests de permutation point par point (10 000 itérations) à tous les points de fréquence temporelle pour évaluer la signification statistique (p < 0,05, corrigé par FDR).
   5. Visualisez sous la forme d’un graphique temps-fréquence, avec des points temporels sur l’axe des x et des groupes de fréquences sur l’axe des y.

5. Analyse du modèle

REMARQUE : Ce réseau neuronal convolutif (CNN) réalise l’apprentissage des caractéristiques temps-fréquence des signaux EEG par une opération de convolution bidimensionnelle multi-échelle⁴⁶. Le processus du modèle CNN est illustré à la figure 1B.

1. Premier bloc convolutif
   1. Utilisez une couche de convolution 2D (Conv2d) avec in_channels = 6, out_channels = 16, kernel_size = (3, 3) et padding = 1 pour extraire des caractéristiques spatiales locales, où le remplissage symétrique garantit que les dimensions spatiales restent inchangées après la convolution.
   2. Appliquez la normalisation par lots (BatchNorm2d) à la sortie de la couche de convolution pour stabiliser l’entraînement et accélérer la convergence, suivie d’une fonction d’activation d’unité linéaire rectifiée (ReLU) pour introduire la non-linéarité.
   3. Utilisez une couche de regroupement maximale (MaxPool2d) avec kernel_size = (2, 2) et stride = 2 pour la compression des entités afin de réduire les dimensions spatiales de moitié tout en conservant les informations importantes sur les entités.
2. Deuxième bloc convolutif
   1. Utilisez une autre couche de convolution 2D (Conv2d) avec in_channels = 16, out_channels = 32, kernel_size = (3, 3) et padding = 1 pour extraire davantage de caractéristiques spatiales de haut niveau en fonction de la sortie du premier bloc, avec la même stratégie de remplissage pour conserver les dimensions spatiales.
   2. Comme pour le premier bloc, appliquez la normalisation par lots (BatchNorm2d) et l’activation de ReLU de manière séquentielle pour normaliser les caractéristiques et introduire la non-linéarité.
   3. Encore une fois, utilisez une couche de regroupement maximale (MaxPool2d) avec kernel_size = (2, 2) et stride = 2 pour compresser les entités.
3. Couches entièrement connectées
   1. Aplatissez les caractéristiques de sortie du deuxième bloc convolutif en un vecteur unidimensionnel, qui sert d’entrée aux couches entièrement connectées.
   2. Assurez-vous que la première couche entièrement connectée (linéaire) mappe les entités aplaties à un espace de caractéristiques de 256 dimensions, suivie d’une couche de décrochage (Dropout) avec un taux de 0,5 pour éviter le surapprentissage, et d’une fonction d’activation ReLU.
   3. La deuxième couche entièrement connectée (linéaire) réduit encore la dimension de la caractéristique de 256 à 128, avec une autre couche de décrochage (Dropout) avec un taux de 0,5 et une fonction d’activation ReLU appliquée séquentiellement.
   4. La couche finale entièrement connectée (linéaire) mappe les caractéristiques à 128 dimensions au nombre de classes cibles (deux classes), générant ainsi la sortie du modèle.
      REMARQUE : La plate-forme de traitement des données a été configurée comme suit : un serveur avec quatre DCU HYGON Z100L ; construction de modèles et entraînement en Python 3.8, PyTorch-1.13. L’expérience utilise le module torch.nn pour fournir des composants de base tels que Conv2d (couche de convolution), BatchNorm2d (normalisation de lot), ELU (fonction d’activation), AvgPool2d (regroupement moyen), Dropout (couche de décrochage), Linear (couche entièrement connectée) et CrossEntropyLoss (fonction de perte) ; Le module torch.optim fournit l’optimiseur Adam pour les mises à jour des paramètres ; le module torch.utils.data fournit DataLoader (chargeur de données) et TensorDataset (classe d’encapsulation de jeu de données) pour le traitement des données ; torch.device est utilisé pour la configuration de l’appareil (DCU) ; torch.save est utilisé pour l’enregistrement des paramètres du modèle ; et la fonction sklearn.model_selection.train_test_split de scikit-learn est utilisée pour le fractionnement des ensembles de données ; Adam a été choisi comme optimiseur ; la fonction de perte était l’entropie croisée ; batch_size a été fixé à 2 ; Et l’époque a été fixée à 100. Pour les données d’entrée, utilisez les caractéristiques EEG (basées sur les matrices extraites de Morlet) de six canaux préfrontaux (Fp1, Fp2, AF3, AF4, AF7, AF8) dans la bande alpha avec les caractéristiques temps-fréquence. Divisez les expériences en ensembles d’entraînement et de test en utilisant un rapport de 7:3. Évaluez l’efficacité du modèle à l’aide des résultats de classification à l’aide de mesures matricielles de précision et de confusion.

Results

Traitement des données EEG et analyse statistique

Les données EEG brutes ont été segmentées en époques de 2 s centrées sur le début de l’événement, conformément aux pratiques standard d’analyse temps-fréquence pour capturer la dynamique neuronale transitoire tout en minimisant les artefacts de bord. Chaque époque a subi une transformation en ondelettes continues (CWT) à l’aide d...

Discussion

Dans le domaine de la recherche en santé mentale, il est d’une importance primordiale de comprendre les mécanismes neuronaux sous-jacents des interventions chez les personnes souffrant d’anxiété élevée. Cette étude a été conçue dans le but explicite d’explorer les biomarqueurs neuronaux associés à l’intervention de l’exercice chez ces individus grâce à l’utilisation de modèles d’intelligence artificielle. L’adoption de réseaux neuronaux profonds avancés, y compris des modèles comme EEGNe...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
BrainAmp SN	Produits cérébraux	AMP12081737 Standard	Acquisition des signaux électroencéphalogrammes (EEG)
Eprime Professional	OUTILS LOGICIELS DE PSYCHOLOGIE	2.0.10.92	Logiciel d’expériences de psychologie
cycle de mouvement 600	emotion fitness GmbH & Comté KG	F-EF-MC-650	Ergomètre de vélo
DCU (Unité de calcul profond)	HYGON	HYGON Z100L	Analyse du modèle
Python	Fondation Python Software	Python 3.8	Analyse du modèle