תיחום תפקידם של גלי אלפא בשינויים עצביים הנגרמים על ידי פעילות גופנית באמצעות EEG במצב מנוחה

בחברה העכשווית, קצב החיים המואץ והנטל הגובר של לחצי החיים הובילו לעלייה משמעותית בשכיחות של חוסר ויסות רגשי. בין ביטויים שונים של חוסר ויסות רגשי, חרדה, תת-סוג נפוץ, מהווה אתגר גדול לאנשים. טיפולים תרופתיים נחשבים זה מכבר לגישה בסיסית בטיפול בחוסר ויסות רגשי, במיוחד חרדה. עם זאת, מחקרים הראו כי כ-30% מהאנשים הסובלים מהפרעות בוויסות רגשי אינם מגיבים לתרופות קו ראשון. יתרה מכך, שימוש ארוך טווח בתרופות אלו עלול להוביל לסיכונים שונים, כגון הפרעות מטבוליות ופגיעה קוגניטיבית¹. התערבויות פסיכולוגיות, למרות שהן מתייחסות לגורמים אטיולוגיים באמצעות מסגרות מבוססות ראיות, מוגבלות על ידי משכי טיפול ממושכים הדורשים זמן, מאמץ ומשאבים כספיים ניכרים, לצד הופעה מאוחרת של השפעות טיפוליות ^2,3.

בשנים האחרונות, התערבות בפעילות גופנית הדגימה יתרונות יוצאי דופן בטיפול בחוסר ויסות רגשי. מספר רב של מחקרים הצביעו על כך שלפעילות גופנית יש פוטנציאל לשפר באופן טבעי מצבים רגשיים ולהקל על חרדה ודיכאון, המושגת באמצעות קידום שחרור נוירוטרנסמיטורים אנדוגניים והשראת שינויים סינפטיים⁴. לדוגמה, מחקר על עכברים מאומנים בפעילות גופנית גילה כי העומס ההיפוקסי שלהם הופחת ב-52%, ונצפה שיפור משמעותי בתפקוד הקוגניטיבי⁵. חרדת תכונה, המייצגת את הנטייה היציבה יחסית והמתמשכת של הפרט לחוות חרדה במצבים מגוונים⁶, היא גורם מפתח בהבנת המנגנונים הבסיסיים של חוסר ויסות רגשי. הוא משמש כמאפיין ליבה של חרדה כרונית, ולימודו יכול לספק תובנות חשובות לגבי הפתופיזיולוגיה של חוסר ויסות רגשי כזה. על ידי הבנת חרדת תכונות, אנו יכולים להבין טוב יותר מדוע אנשים מסוימים נוטים יותר לפתח בעיות מצב רוח הקשורות לחרדה. בעבודתנו הקודמת, הרחבנו על אזורי המוח העיקריים הקשורים לתפקודים קוגניטיביים רגשיים שנפגעים בהפרעות רגשיות וכיצד התערבות בפעילות גופנית יכולה לשפר את התפקודים הקוגניטיביים הללו ואת אזורי המוח הרלוונטיים⁷. בנוסף, ערכנו שני ניסויי אלקטרואנצפלוגרמה (EEG) כדי לחקור בפירוט כיצד התערבות בפעילות גופנית יכולה לשפר את מאפייני הפעילות המוחית ביכולת שליטה בקשב בקרב אנשים עם חרדה גבוהה⁸.

בעוד שהתערבות בפעילות גופנית התגלתה כגישה לא תרופתית מבטיחה בטיפול בדיכאון, הסמנים הביולוגיים העצביים המדויקים הקשורים להשפעות החיוביות של התערבות בפעילות גופנית עדיין לא זוהו בבירור ^9,10. מקצבים תנודתיים עצביים, הפועלים כ"מקודדים מרחביים-זמניים" של עיבוד מידע במוח, מציגים חוסר ויסות אופייני בחרדה. לדוגמה, מחקרים הראו כי דה-סנכרון אלפא (α) קדם-מצחי קשור לליקויי שליטה קוגניטיביים הנצפים בדרך כלל בחרדה^11,12. חוסר ויסות זה של מקצבים תנודתיים עצביים מצביע על הפרעה בסיסית בתהליכי התקשורת העצבית הרגילים החיוניים לוויסות רגשי. עם זאת, יש מחסור במחקרים החוקרים באופן מקיף כיצד פעילות גופנית מעצבת מחדש את התפקוד הרגשי על ידי ויסות צימוד ריתמי חוצה אזורים או דינמיקה פוטנציאלית של שדה מקומי^13,14.

ההתקדמות האחרונה במחקר למידה עמוקה מבוססת EEG סיפקה פרדיגמות חדשות להבנת מנגנונים פתולוגיים ופיתוח טיפולים מדויקים להפרעות נפשיות כגון דיכאון וחרדה^. יש לציין כי מחקרים שהשתמשו בקישוריות תפקודית דינמית (DFC) של EEG במצב מנוחה בשילוב עם מודלים נסתרים של מרקוב (HMMs) חשפו הבדלים משמעותיים בדינמיקת רשת הלהקות דלתא (δ), תטא (θ), אלפא (α) וגמא (γ) בין דיכאון לא פסיכוטי, דיכאון פסיכוטי וסכיזופרניה 16,17,18 . מודל סיווג בינארי מבוסס DFC השיג דיוק של 73.1% בהבחנה בין שלושת המצבים הללו, ועלה על ניתוחים סטטיים מסורתיים. סמנים ביולוגיים מרכזיים כללו סנכרון DMN-SN בפס θ, סנכרון מערכת FPCN-לימבית בפס γ והסתברויות מעבר מצב HMM, הקמת מסגרת חדשה לסיווג פסיכיאטרי מדויק¹⁹ השתמשו בניתוח תיאורטי גרפים כדי להוכיח כי תכונות רשת המוח הבסיסיות מנבאות יעילות של גירוי מוחי עמוק (DBS) בדיכאון עמיד לטיפול. מודל יער אקראי המשתמש במדדי רשת השיג דיוק של 81.2% בחיזוי תגובת DBS, מעל קנה המידה הקליני. נתוני אורך הראו ש-DBS הופך את תפקוד הרשת על ידי שיפור הסנכרון הגלובלי של δ-band והפחתת מרכזיות sgACC. בנוסף, כוח גל α קדם-מצחי שמאלי ניבא אי תגובה של תרופות נוגדות דיכאון, כאשר מודל רשת עצבית קונבולוציונית (CNN) השיג דיוק של 82.3% בהתבסס על α-אסימטריה²⁰. Everaert et al. (2022) פיתחו מודל רשת עצבית מלאכותית עם בחירת תכונות תוך שימוש ב-460 משתתפים כדי לזהות תכונות חיזוי של אסטרטגיות ויסות רגשות. ממצאים אלה מדגישים את הצורך הקריטי בזיהוי מטרות עצביות מדויקות כדי לייעל את מרשמי הפעילות הגופנית²¹.

בתחום המחקר של מדעי המוח הקשורים לפעילות גופנית, למידה עמוקה התגלתה ככלי רב עוצמה, המאפשר חילוץ של סמנים ביולוגיים עצביים חזקים מהנתונים הנוירולוגיים המורכבים, בעלי הממדים הגבוהים והמשרעת הנמוכה שנוצרו על ידי התערבויות פעילות גופנית. מחקרים מרובים הוכיחו כי פעילות גופנית מווסתת באופן משמעותי את דפוסי ההפעלה באזורי מוח הקשורים למוטוריקה ודינמיקה של תנודות עצביות על פני פסי תדרים 22,23,24. סקירה שיטתית של 47 מחקרים חשפה עלייה עקבית בכוח ה-α/β הקדם-מצחי לאחר פעילות גופנית, מה שמשקף ככל הנראה גמישות מוחית מוגברת ועיכוב קליפת המוח²⁵. גם פעילות גופנית חריפה וגם אימון ארוך טווח גרמו למגמות דומות, אם כי תגובות הרצועה γ הראו הטרוגניות תלוית עוצמה (למשל, אימון אינטרוולים אירובי בינוני לעומת אימון אינטרוולים בעצימות גבוהה). התערבויות אירוביות של ארבעה חודשים במבוגרים צעירים בריאים הניבו עלייה משמעותית בגלי α קדם-מצחיים (9-12 הרץ), בקורלציה חיובית עם עלייה בכושר האירובי. בעוד ששיפורים התנהגותיים בזמן התגובה או הדיוק נעדרו, מדדי תנודות עצביות הצביעו על אופטימיזציה דינמית של רשתות קשב חזותיות, מה שמרמז על כך שגלי α עשויים לשמש כסמנים ביולוגיים ליעילות פעילות גופנית²⁶. מומחי ספורט ברמה גבוהה הפגינו עוצמה מוגברת של קצב סנסורי מוטורי (SMR, 12-15 הרץ) במהלך משימות כיוון, במקביל לקוהרנטיות פרה-מצחית-טמפורלית מופחתת, מה שמעיד על ביצוע אוטומטי של מיומנויות מוטוריות ושיפור יעילות הרשת²⁷. יש לציין כי ספורטאי טניס שולחן הראו פעילות מופחתת באזורי מוח הקשורים לפעילות גופנית בהשוואה ללא-ספורטאים, מה שמצביע על כך שאימון ארוך טווח בונה^רשתות עצביות מיוחדות וחסכוניות באנרגיה.

מחקר זה מתמקד בחרדת תכונות כנושא מחקר ספציפי, תוך שימוש באלקטרואנצפלוגרפיה (EEG) כדי לאסוף נתונים עצביים ולחקור את הסמנים הביולוגיים העצביים שלה, ובכך לספק תובנות חדשות לזיהוי מטרות עצביות מדויקות. מחקרים קודמים מצביעים על כך שגלי אלפא באזור הקדם-מצחי קשורים קשר הדוק לוויסות רגשי, שליטה קוגניטיבית וזיהוי רגשי (Harmon-Jones et al., 2010), וממלאים תפקיד מרכזי בתהליכים כמו פענוח רמזים רגשיים חיצוניים (למשל, הבעות פנים, גוונים קוליים) ומווסת תגובות רגשיות. מחקרים מצביעים על כך ששינויים בפעילות אלפא הקדם-מצחית עשויים לשמש כסמנים פיזיולוגיים של חוסר ויסות רגשי, במיוחד בחרדה ובמצבים רגשיים שליליים 29,30,31. אלקטרואנצפלוגרפיה במצב מנוחה (EEG) משמשת כתנאי ניסוי ברירת מחדל במדעי המוח לחקירת התכונות הדינמיות של המוח, ודורשת מהמשתתפים להישאר ערים מבלי^{לבצע משימות} קוגניטיביות כלשהן. תנאי הניסוי עשויים לכלול מצבים של עיניים עצומות או עיניים פקוחות. עדויות אמפיריות מצביעות על כך ששינויים בתנודות אלפא הקדם-מצחיות יכולים לתפקד כסמנים ביולוגיים לפגיעה בוויסות רגשי, במיוחד במצבים המאופיינים בחרדה ודומיננטיות של רגשות שליליים^33,34. צפיפות ספקטרלית הכוח ודפוסי הקישוריות התפקודית שלו יכולים לחשוף את מאפייני הפעילות הפנימית של המוח, והם ישימים לאיתור סמנים פתולוגיים במחלות נוירודגנרטיביות (למשל, מחלת אלצהיימר), הפרעות התפתחותיות (למשל, דיסלקציה התפתחותית)^35,36, כמו גם הפרעות נפשיות ורגשיות (למשל, דיכאון וחרדה)³⁷. בין אלה, מקצב אלפא במצב עיניים פקוחות משמש בדרך כלל במחקרים על הפרעות רגשיות ^38,39. כתוצאה מכך, מחקר זה חוקר את ביצועי הסיווג של תנודות אלפא באזורים הקדם-מצחיים לפני ואחרי התערבויות פעילות גופנית לחרדת תכונות. בהתבסס על נתוני EEG, מחקר זה משתמש ב-EEGNet כדי לזהות מטרות עצביות הקשורות להתערבויות פעילות גופנית עבור אנשים עם חרדת תכונה גבוהה. EEGNet תוכנן במיוחד עבור סיווג אותות EEG ומציע מספר יתרונות מרכזיים על פני שיטות למידה עמוקה מסורתיות ואחרות, מה שהופך אותו למתאים במיוחד לחקירת דפוסי EEG עם נתונים מוגבלים⁴⁰.

נתוני ה-EEG במצב מנוחה נאספו באמצעות מערכת בת 64 ערוצים (Brain Products, גרמניה) בהתאם לתקן הבינלאומי 10-20, עם קצב דגימה של 1000 הרץ וסינון פס פס (0.1-100 הרץ). כדי להבטיח את איכות האות, עכבת האלקטרודה נשמרה מתחת ל-5 kΩ, וחפצי העין הוסרו באמצעות ניתוח רכיבים עצמאי (ICA). המשתתפים הונחו להישאר ערים בעיניים פקוחות תוך כדי קיבוע על צלב, תוך מזעור רעש הקשור לתנועה.

קריטריוני ההכללה העיקריים למשתתפים עם חרדת תכונה גבוהה היו: (1) ציוני מלאי חרדת תכונות ≥ 55, (2) פעילות גופנית מוגבלת בעצימות גבוהה (< 3 ימים בשבוע) כדי לשלוט בהשפעות הכושר הקיימות, ו-(3) פעילות גופנית שבועית כוללת < 600 MET-min. קריטריונים אלה נועדו להומוגני את המדגם תוך שיקוף אוכלוסיות יושבניות בעולם האמיתי. מגבלה היא השונות הפוטנציאלית בדינמיקת EEG במצב מנוחה עקב הבדלים אינדיבידואליים בעוררות הבסיסית או במצבים תת-קליניים שלא זוהו, שמחקרים עתידיים יוכלו לטפל בהם באמצעות דגימות גדולות יותר והערכות רב-מודאליות (למשל, fMRI או משימות התנהגותיות).

אנו משערים שפעילות אלפא קדם-מצחית יכולה לסווג ביעילות את נתוני ה-EEG של פעילות גופנית ובקרה. לסיכום, מחקר זה נועד למנף טכנולוגיות בינה מלאכותית כדי לנתח את היתרונות של התערבויות פעילות גופנית להפרעות רגשיות, תוך שימוש בחרדת תכונות כמודל. באמצעות המתודולוגיה והממצאים שלה, עבודה זו מבקשת לשפר את ההבנה של ההתפתחויות והאתגרים הנוכחיים בתחום, ומציעה הדרכה ותובנות למחקר עתידי.

מחקר זה אושר על ידי ועדת האתיקה של המחקר המוסדי של אוניברסיטת הספורט של ווהאן (2023016).

1. משתתפי המחקר

1. גייס 550 סטודנטים שאינם ספורטיביים מאוניברסיטה על בסיס התנדבותי. בצע סינון מקדים לבחירת דגימה. השתמש ברשימת החרדה הסינית המתוקנת של תכונת המדינה⁴¹ למטרה זו, כפי שמוצג בטבלה 1.
2. סווג אנשים שקיבלו ציון 55 ומעלה בתת-סולם חרדת תכונה כבעלי חרדת תכונה גבוהה ובחר אותם לניסוי EEG. השתמש בתת-סולם חרדת התכונות של מלאי זה ככלי ההערכה המרכזי, בהתאם לקריטריונים שנקבעו ממחקרי ERP קודמים⁴². ציון חיתוך זה של 55 התבסס על מחקר קודם, מה שמבטיח דרך עקבית ותקפה לסווג משתתפים עם חרדת תכונות גבוהה.
3. הערכה נוספת של אנשים עם ציוני חרדה גבוהים מ-55 עבור רמות הפעילות הגופנית שלהם. המשתתפים נדרשו גם לעמוד בשלושה קריטריונים ספציפיים להכללה הקשורים לדפוסי הפעילות הגופנית שלהם בשבוע הקודם.
   1. ודא שהמשתתפים עסקו בפעילות גופנית בעצימות גבוהה במשך פחות מ-3 ימים (כאשר כל מפגש נמשך ≥-20 דקות ביום).
      הערה: לפעילות גופנית בעצימות גבוהה יכולה להיות השפעה משמעותית על הגוף והמוח, מה שעלול לשנות את הפלסטיות העצבית ואת רמות המוליכים העצביים. על ידי הגבלת מספר ימי הפעילות בעצימות גבוהה, החוקרים יכולים למזער את ההשפעות המבלבלות של פעילות גופנית אינטנסיבית כזו על הקשר הנחקר.
   2. ודא שהמספר הכולל של ימי האימון בכל העוצמות הוא פחות מ-5 ימים בשבוע, ונפח האימון הכולל הוא פחות מ-600 MET-min לשבוע. זה יבטיח שעומס האימון הכולל של המשתתפים יהיה בטווח מסוים, ויפחית את השונות במדגם עקב נפחי תרגילים שונים.
   3. ודא שהמשתתפים עסקו בפחות מ-30 דקות של פעילות בעצימות בינונית והלכו פחות מ-5 ימים בשבוע.
      הערה: פעילות והליכה בעצימות בינונית, למרות שהם פחות אינטנסיביים מפעילות גופנית בעצימות גבוהה, עדיין יכולים להשפיע על המצב הפיזיולוגי והפסיכולוגי של הגוף. על ידי קביעת גבולות אלה, החוקרים יכולים לשלוט עוד יותר בהשפעות הפוטנציאליות של סוגים שונים של פעילות גופנית על תוצאות הניסוי.

2. הוראת משימות

1. הנחו את המשתתפים בקבוצת ההתערבות בפעילות גופנית לעסוק בפעילות אירובית בעצימות בינונית באמצעות ארגומטר אופניים נייח למשך 30 דקות, עם מד דופק כדי לתעד נתונים פיזיולוגיים. התערבות הפעילות הגופנית נבנתה בשלושה שלבים בהתאם להנחיות שנקבעו⁴³.
   1. שלב החימום: הנחו את המשתתפים לרכוב על אופניים ב-25 וואט למשך 5 דקות כדי להכין את מערכות השרירים והלב וכלי הדם לשלב האימון העיקרי.
   2. שלב האימון העיקרי: הנחו את המשתתפים לבצע משימת רכיבה רציפה של 20 דקות בקצב דיווש של 70-80 סל"ד בעצימות בינונית. עקוב אחר הדופק כל 2 שניות, וחשב את דופק היעד (THR) באמצעות הנוסחה:
      THR (HRmax − HRrest) × העוצמה הרצויה + HRrest
      כאשר HRmax = דופק מקסימלי, HRrest = דופק במנוחה, והעצימות הרצויה נקבעה על פי הנחיות האימון של ACSM⁴³.
   3. שלב התקררות: בקש מהמשתתף להפחית את עומס הרכיבה ל-15 וואט תוך 5 דקות כדי להוריד את קצב הלב, למזער את הסיכון לפציעה ולקדם הרפיית שרירים.
2. משימת קבוצת בקרה: ודא שהמשתתף יושב בשקט במעבדה במשך 30 דקות ועוסק במשימת קריאה חופשית.

3. איסוף נתונים

1. הקלט את אותות ה-EEG של הנבדקים באמצעות מכשיר בעל 64 מוליכים, והגדר את מערך האלקטרודות על פי התקן הבינלאומי 10-20 מערכת עם תדר דגימה של 1000 הרץ.
2. לפני רכישת הנתונים, יש למרוח משחה מוליכה רפואית על כל ממשקי האלקטרודות-עור כדי להבטיח ערכי עכבה מתחת ל-5 kΩ, ובכך למטב את נאמנות האות ולהפחית את חפצי התנועה.
3. קצב הדגימה לאיסוף נתונים היה 1000 הרץ, עם מסנן פס פס של 0.1-100 הרץ. שמור על עכבת אלקטרודה מתחת ל-5 kΩ.
4. הנח אלקטרודה בקנטוס החיצוני השמאלי של העין השמאלית, ורשום תנועות עיניים אנכיות ומצמוץ.
5. במהלך איסוף הנתונים, FCz ו-FPz שימשו כאלקטרודת הייחוס המקורית והאלקטרודה הקרקעית, בהתאמה.
6. הנחו את המשתתפים לפקוח את עיניהם ולהתמקד בצלב. לאורך כל התהליך, הם נדרשים להישאר מודעים וערניים, להימנע מהתמקדות במחשבה ספציפית כלשהי ולהימנע מלחוות תנודות רגשיות.

4. ניתוח נתונים לא מקוון

1. עיבוד מקדים
   1. הפנה מחדש את הנתונים הגולמיים לממוצע של כל האלקטרודות.
   2. החל מסנן מעבר פס של 0.1-40 הרץ כדי להסיר סחיפה בתדר נמוך (למשל, חפצי נשימה) ורעש בתדר גבוה (למשל, הפרעות בקו חשמל וחפצים אלקטרומיוגרפיים).
   3. פלח את כל נתוני הנבדקים לתקופות של 120 שניות, לא כולל החלקים הראשוניים והאחרונים של 10 השניות של כל הקלטה כדי למנוע חפצי קצה פוטנציאליים מאתחול המכשיר.
   4. הסר את חפצי האלקטרוקולוגרמה (EOG) והאלקטרוקרדיוגרמה (ECG) באמצעות טכניקת ניתוח רכיבים עצמאי (ICA). אלגוריתם Infomax פירק את האות לרכיבים בלתי תלויים סטטיסטית. מרכיבים ארטיפקטיים זוהו באמצעות אפיון משולש: (1) טופוגרפיה מרחבית (EOG המראה התפלגות דיפול פרונטו-קוטבית, א.ק.ג המציג דומיננטיות שמאלית-זמנית); (2) דינמיקה זמנית (EOG מבטא קוצים חולפים נעולים, א.ק.ג המציג מחזוריות קצב לב); ו-(3) חתימות ספקטרליות (EOG המדגים ריכוז ספקטרלי בתדר נמוך)⁴⁴.
   5. הסר פרקי זמן שבהם מתח ה-EEG עלה על ±-75 μV כחפצים.
2. ניתוח הבדלים ספציפיים לפס
   1. ראשית, פלח את אותות ה-EEG למקטעים קטנים במרווחים של 120 שניות.
   2. נתח את מאפייני תדירות הזמן של אותות ה-EEG באמצעות גל מורלט מורכב.
   3. הגדר את הפרמטרים באופן הבא: בחר פרמטרים של טרנספורמציה של גלים עם מחזורים [3 0.8], 100 סלי תדרים (nfreqs) ו-200 נקודות זמן (ntimesout) כדי לייעל את רזולוציית זמן-תדר עבור ניתוח EEG⁴⁵.
   4. בצע בדיקות תמורות נקודתיות (10,000 איטרציות) בכל נקודות תדירות הזמן כדי להעריך מובהקות סטטיסטית (p < 0.05, מתוקן FDR).
   5. הצג באופן חזותי כתרשים תדר זמן, עם נקודות זמן על ציר ה-x וסלי תדרים על ציר ה-y.

5. ניתוח מודל

הערה: רשת עצבית קונבולוציונית זו (CNN) משיגה למידה של תכונות תדר זמן של אותות EEG באמצעות פעולת קונבולוציה דו-ממדית רב-ממדית⁴⁶. התהליך של מודל CNN מוצג באיור 1B.

1. בלוק קונבולוציוני ראשון
   1. השתמש בשכבת קונבולוציה דו-ממדית (Conv2d) עם in_channels = 6, out_channels = 16, kernel_size = (3, 3) וריפוד = 1 כדי לחלץ תכונות מרחביות מקומיות, כאשר הריפוד הסימטרי מבטיח שהממדים המרחביים יישארו ללא שינוי לאחר הקונבולוציה.
   2. החל נורמליזציה של אצווה (BatchNorm2d) על הפלט של שכבת הקונבולוציה כדי לייצב את האימון ולהאיץ את ההתכנסות, ואחריה פונקציית הפעלה של יחידה ליניארית מתוקנת (ReLU) כדי להציג אי-ליניאריות.
   3. השתמש בשכבת איגום מרבית (MaxPool2d) עם kernel_size = (2, 2) ו- stride = 2 לדחיסת תכונות כדי להקטין את הממדים המרחביים בחצי תוך שמירה על מידע חשוב על תכונות.
2. בלוק קונבולוציוני שני
   1. השתמש בשכבת קונבולוציה דו-ממדית נוספת (Conv2d) עם in_channels = 16, out_channels = 32, kernel_size = (3, 3) וריפוד = 1 כדי לחלץ עוד יותר תכונות מרחביות ברמה גבוהה המבוססות על הפלט של הבלוק הראשון, עם אותה אסטרטגיית ריפוד לשמירה על ממדים מרחביים.
   2. בדומה לבלוק הראשון, החל נורמליזציה של אצווה (BatchNorm2d) והפעלת ReLU ברצף כדי לנרמל תכונות ולהציג אי-ליניאריות.
   3. שוב, השתמש בשכבת איגום מקסימלית (MaxPool2d) עם kernel_size = (2, 2) וצעד = 2 כדי לדחוס תכונות.
3. שכבות מחוברות לחלוטין
   1. שטח את תכונות הפלט מהבלוק הקונבולוציוני השני לווקטור חד מימדי, המשמש כקלט לשכבות המחוברות במלואן.
   2. ודא שהשכבה המחוברת במלואה הראשונה (ליניארית) ממפה את התכונות המשוטחות למרחב תכונות של 256 מימדים, ואחריה שכבת נשירה (Dropout) בשיעור של 0.5 למניעת התאמת יתר, ופונקציית הפעלה של ReLU.
   3. השכבה המחוברת במלואה השנייה (ליניארית) מפחיתה עוד יותר את ממד התכונה מ-256 ל-128, עם שכבת נשירה נוספת (Dropout) בקצב של 0.5 ופונקציית הפעלה של ReLU המיושמת ברצף.
   4. השכבה המחוברת במלואה הסופית (ליניארית) ממפה את התכונות של 128 הממדים למספר מחלקות היעד (שתי מחלקות), ויוצרת את הפלט של המודל.
      הערה: פלטפורמת עיבוד הנתונים הוגדרה באופן הבא: שרת עם ארבעה יחידות DCU של HYGON Z100L; בניית מודלים והדרכה ב-Python 3.8, PyTorch-1.13. הניסוי משתמש במודול torch.nn כדי לספק רכיבי ליבה כגון Conv2d (שכבת קונבולוציה), BatchNorm2d (נורמליזציה אצווה), ELU (פונקציית הפעלה), AvgPool2d (איגום ממוצע), נשירה (שכבת נשירה), ליניארי (שכבה מחוברת במלואה) ו-CrossEntropyLoss (פונקציית אובדן); מודול torch.optim מספק את האופטימיזציה של אדם לעדכוני פרמטרים; מודול torch.utils.data מספק DataLoader (טוען נתונים) ו-TensorDataset (מחלקת מעטפת מערך נתונים) לעיבוד נתונים; torch.device משמש לתצורת מכשיר (DCU); torch.save משמש לשמירת פרמטרים של הדגם; והפונקציה sklearn.model_selection.train_test_split מ-scikit-learn משמשת לפיצול מערכי נתונים; אדם נבחר כאופטימיזציה; פונקציית ההפסד הייתה אנטרופיה צולבת; batch_size הוגדר ל-2; ו-Epoch נקבע ל-100. לנתוני קלט, השתמש בתכונות EEG (המבוססות על מטריצות שחולצו על ידי מורלט) משישה ערוצים פרה-פרונטליים (Fp1, Fp2, AF3, AF4, AF7, AF8) בפס האלפא עם תכונות תדר זמן. חלקו את הניסויים לערכות אימון ובדיקות באמצעות יחס של 7:3. הערך את יעילות המודל באמצעות תוצאות סיווג באמצעות מדדי מטריצת דיוק ובלבול.

עיבוד נתוני EEG וניתוח סטטיסטי

נתוני ה-EEG הגולמיים חולקו לתקופות של 2 שניות המתמקדות בתחילת האירוע, בהתאם לשיטות הסטנדרטיות בניתוח זמן-תדר כדי ללכוד דינמיקה עצבית חולפת תוך מזעור חפצי קצה. כל תקופה עברה טרנספורמציה של גלים רציפים (CWT) באמצעות גל מורלט מורכב עם 3 מחזורים, המאזן בצורה אופטימלית את רזולוציית הזמן והתדר לזיהוי פעילות תנודתית ברצועות התטא לגמא.

הפאנל השמאלי של איור 2 מייצג את קבוצת התרגילים, והלוח הימני מייצג את קבוצת הביקורת. (1) איכות עיבוד נתונים: שני הספקטרום מציגים עקומות חלקות ואת דפוס הדעיכה הנוירופיזיולוגי האופייני "1/f" (הספק גבוה בתדרים נמוכים יורד באופן אקספוננציאלי עם התדירות). המסלולים החופפים מאוד מצביעים על עיבוד מקדים יעיל של נתונים (למשל, דה-נוז, סינון) ואיכות נתונים בסיסית גבוהה עם נאמנות אות טובה בתחום התדרים. (2) הבדלים עדינים בין קבוצות: בתוך רצועת האלפא (8-12 הרץ, אזור אפור מוצל להמחשה), קבוצת הביקורת (מימין) מציגה ערכי כוח מעט נמוכים יותר בהשוואה לקבוצת האימון (משמאל), מה שמרמז על כך שהתקף בודד של פעילות גופנית חריפה עשוי לגרום להשפעה מווסתת קלה על קצב האלפא של תנודות מוח במצב מנוחה.

לצורך הסקה סטטיסטית, ביצענו בדיקות פרמוטציה לא פרמטריות נקודתיות (5,000 איטרציות) בכל נקודות הזמן-תדירות. גישה זו שולטת בהשוואות מרובות על ידי אשכול נקודות משמעותיות סמוכות (סף יצירת אשכול p < 0.05, תיקון FDR ברמת האשכול), כדי לטפל בהתפלגות הלא-גאוס של מקדמי גלים.

הבדלים משמעותיים בפעילות האלקטרודות הקדם-מצחיות נצפו ברצועת התדרים של 7-13 הרץ בין קבוצות הפעילות הגופנית והקריאה, כפי שמוצג באיור 3.

אימות ביצועי סיווג מודל CNN

בחקירת ההשפעה של התערבות בפעילות גופנית על אנשים עם חרדת תכונה גבוהה, ביצועי הסיווג של מודל הרשת העצבית הקונבולוציונית (CNN) באמצעות נתוני תכונת פס אלפא קדם-מצחי הם היבט מכריע. ניתוח זה נועד לקבוע אם המודל יכול להבחין ביעילות בין קבוצת הקריאה לקבוצת הפעילות הגופנית, ובכך לספק ראיות להבדלים ברמה העצבית הקשורים לפעילות גופנית.

מודל CNN הראה ביצועי סיווג גבוהים בעת שימוש בנתוני תכונות פס אלפא קדם-מצחי כדי להבחין בין קבוצות הקריאה והפעילות הגופנית, עם דיוק של 83.33%, והשיג ציון F1 ממוצע של 0.83 ומקדם קאפה של 0.63. כדי להבין טוב יותר את ביצועי המודל, אנו פונים למטריצת בלבול הסיווג הבינארי המוצגת באיור 3C. במטריצה זו, כלי מובנה היטב להערכת מודלים של סיווג, כל שורה מייצגת את הקטגוריה האמיתית של הנתונים, וכל עמודה מייצגת את הקטגוריה שנחזה על ידי המודל. פריסה זו מאפשרת הערכה מפורטת של יכולת המודל לסווג נכון מופעי נתונים שונים. המודל הציג ביצועי סיווג טובים יחסית עבור שני סוגי הנתונים. שיעור זיהוי גבוה זה מרמז על כך שהמודל הצליח לזהות במדויק חלק גדול מהנתונים השייכים לקבוצת התרגיל. במילים אחרות, הדפוסים העצביים ברצועת האלפא הקדם-מצחית הקשורים לפעילות גופנית היו ברורים מספיק כדי שהמודל יזהה אותם ברמת ודאות גבוהה. תוצאות אלה ממטריצת הבלבול תומכות עוד יותר ברמת הדיוק הכוללת של מודל ה-CNN.

איור 1: רכישת EEG במצב מנוחה וזרימת עבודה של סיווג מבוסס CNN. (A) צד שמאל: תהליך ההקלטה של אלקטרואנצפלוגרמה במצב מנוחה (EEG). צד ימין: צורות הגל של EEG והתפלגות האלקטרודות בקרקפת. (B) זרימת העבודה של שימוש ברשת עצבית קונבולוציונית (CNN) כדי לסווג את גלי האלפא של שתי קבוצות. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

איור 2: השוואת צפיפות ספקטרלית הספק בין קבוצות פעילות גופנית וקבוצת ביקורת. פאנל שמאלי: קבוצת התרגילים; החלונית הימנית: קבוצת הבקרה. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

איור 3: דינמיקה עצבית וסיווג CNN של קבוצות פעילות גופנית לעומת קריאה. (A) הבדלים מובהקים בין קבוצות שזוהו על ידי מבחני t מנקודה לנקודה, תוך הדגשת אשכולות זמן-תדר (p < 0.05, מתוקן FDR). (B) מפות טופוגרפיות של הספק אלפא ממוצע גדול (7-13 הרץ). מפות מתארות את ההתפלגות המרחבית של פעילות תנודתית עצבית עבור קבוצת הקריאה (משמאל) וקבוצת האימון (מימין). (C) ביצועי סיווג של פעילות אלפא קדם-מצחית באמצעות מודל CNN (דיוק: 83.3%). אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

טבלה 1: קריטריונים לגיוס וסינון משתתפים.

המחברים מצהירים שאין ניגודי אינטרסים.