Method Article

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

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

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

פרוטוקול זה נועד לפענח תכנות מחדש של תנודות עצביות קדם-מצחיות בפס אלפא המושרה על ידי פעילות אירובית אצל אנשים בעלי חרדה גבוהה, באמצעות אינטגרציה של למידה עמוקה EEG. מודל החיזוי שפותח (דיוק של 81.82%) מזהה תנודת אלפא כמנגנון הליבה להקלה על חרדה בתיווך פעילות גופנית, ומקדם יעדי נוירומודולציה מדויקים להפרעות רגשיות.

Abstract

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

התערבות בפעילות גופנית מדגימה פוטנציאל ייחודי בטיפול בחוסר ויסות רגשי, אך העמימות של יעדי הנוירומודולציה שלה מעכבת את הפיתוח של מרשמים מדויקים לפעילות גופנית. מחקר זה חוקר חרדת תכונות כהפרעה רגשית מייצגת ב-40 סטודנטים באוניברסיטה עם חרדה גבוהה, שהוקצו באופן אקראי לקבוצת התערבות בפעילות גופנית (40 דקות פעילות אירובית בעצימות בינונית, n = 20) או לקבוצת ביקורת ללא פעילות גופנית (40 דקות קריאה שקטה, n = 20), ואחריה איסוף נתוני EEG במנוחה. על ידי שילוב אלקטרואנצפלוגרפיה במצב מנוחה (EEG) לאחר פעילות גופנית עם אלגוריתמים של למידה עמוקה, פיתחנו מודל חיזוי תדר זמן של פס אלפא כדי לפענח באופן שיטתי את מנגנוני התכנות מחדש של התנודות העצביות בקליפת המוח הקדם-מצחית המושרה על ידי פעילות גופנית. מודל הלמידה העמוקה הראה יעילות סיווג מעולה (דיוק 83.33%, ציון F1 0.83, מקדם קאפה 0.67) בזיהוי שינויים באנטרופיה ספקטרלית של כוח אלפא הנגרמת על ידי פעילות גופנית. מחקר זה הוא חלוץ בזיהוי איזון מחדש של אלפא מעורר קדם-מצחי באמצעות עיצוב מחדש של תנודות עצביות כמנגנון הליבה העומד בבסיס הפחתת חרדה בתיווך פעילות גופנית.

Introduction

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

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 בחרדה11,12. 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 מקומי13,14.

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 בונהרשתות 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 מבלילבצע 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 שליליים33,34. 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.

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

Protocol

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

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.

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

Results

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

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.

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

Discussion

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

בתחום המחקר של בריאות הנפש, יש חשיבות עליונה להבנת המנגנונים העצביים הבסיסיים של התערבויות עבור אנשים עם חרדת תכונה גבוהה. מחקר זה תוכנן במטרה מפורשת לחקור את הסמנים הביולוגיים העצביים הקשורים להתערבות בפעילות גופנית אצל אנשים כאלה באמצעות שימוש במודלים של בינה מלאכותית. האימוץ של רשתות עצביות עמוקות מתקדמות, כולל מודלים כמו EEGNet, חולל מהפכה בעיבוד אותות אלקטרואנצפלוגרמה (EEG) בכך שהוא מאפשר ניתוח ופענוח מדויקים של פעילות המוח בדיוק חסר תקדים47,48

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

Disclosures

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

המחברים מצהירים שאין ניגודי אינטרסים.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
BrainAmp SNמוצרי מוחAMP12081737 סטנדרטרכישת אותות אלקטרואנצפלוגרמה (EEG)
Eprime Professionalכלי תוכנה לפסיכולוגיה2.0.10.92תוכנת ניסוי פסיכולוגי
מחזור תנועה 600emotion fitness GmbH & פלוגה KGF-EF-MC-650ארגומטר אופניים
DCU (יחידת מחשוב עמוק)הייגוןHYGON Z100Lניתוח מודלים
פיתוןקרן התוכנה של פייתוןפייתון 3.8ניתוח מודלים

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