Delineare il ruolo delle onde alfa nei cambiamenti neurali indotti dall'esercizio fisico attraverso l'EEG in stato di riposo

Nella società contemporanea, l'accelerazione del ritmo di vita e l'aumento del peso delle pressioni della vita hanno portato a un aumento significativo della prevalenza della disregolazione emotiva. Tra le varie manifestazioni di disregolazione emotiva, l'ansia, un sottotipo prevalente, rappresenta una grande sfida per gli individui. Le terapie farmacologiche sono state a lungo considerate un approccio fondamentale nel trattamento della disregolazione emotiva, in particolare dell'ansia. Tuttavia, la ricerca ha dimostrato che circa il 30% degli individui con disregolazione emotiva non risponde ai farmaci di prima linea. Inoltre, l'uso a lungo termine di questi farmaci può dare origine a vari rischi, come disturbi metabolici e deterioramento cognitivo¹. Gli interventi psicologici, sebbene affrontino i fattori eziologici attraverso quadri basati sull'evidenza, sono limitati da durate prolungate del trattamento che richiedono tempo, sforzi e risorse finanziarie sostanziali, insieme all'insorgenza ritardata degli effetti terapeutici ^2,3.

Negli ultimi anni, l'intervento sull'esercizio fisico ha dimostrato notevoli vantaggi nel trattamento della disregolazione emotiva. Una moltitudine di studi ha indicato che l'esercizio fisico ha il potenziale per migliorare naturalmente gli stati emotivi e alleviare l'ansia e la depressione, ottenendo attraverso la promozione del rilascio di neurotrasmettitori endogeni e l'induzione di cambiamenti sinaptici⁴. Ad esempio, la ricerca su topi allenati all'esercizio fisico ha rivelato che il loro carico ipossico è stato ridotto del 52% ed è stato osservato un miglioramento significativo della funzione cognitiva⁵. L'ansia di tratto, che rappresenta la tendenza relativamente stabile e duratura di un individuo a provare ansia in diverse situazioni⁶, è un fattore chiave nella comprensione dei meccanismi alla base della disregolazione emotiva. Serve come caratteristica fondamentale dell'ansia cronica e studiarla può fornire preziose informazioni sulla fisiopatologia di tale disregolazione emotiva. Comprendendo l'ansia di tratto, possiamo comprendere meglio perché alcuni individui sono più inclini a sviluppare problemi di umore legati all'ansia. Nel nostro lavoro precedente, abbiamo elaborato le principali regioni cerebrali correlate alle funzioni cognitive emotive che sono compromesse nei disturbi emotivi e come l'intervento sull'esercizio fisico può migliorare queste funzioni cognitive e le regioni cerebrali rilevanti⁷. Inoltre, abbiamo condotto due esperimenti di elettroencefalogramma (EEG) per esplorare in dettaglio come l'intervento sull'esercizio fisico possa migliorare le caratteristiche dell'attività cerebrale nella capacità di controllo dell'attenzione tra gli individui con ansia ad alto tratto⁸.

Mentre l'intervento sull'esercizio fisico è emerso come un promettente approccio non farmacologico nel trattamento della depressione, i biomarcatori neurali precisi associati agli effetti positivi dell'intervento sull'esercizio fisico non sono ancora stati chiaramente identificati ^9,10. I ritmi oscillatori neurali, che agiscono come "codificatori spaziotemporali" dell'elaborazione delle informazioni cerebrali, mostrano una caratteristica disregolazione nell'ansia. Ad esempio, la ricerca ha dimostrato che la desincronizzazione prefrontale Alfa(α) è associata a deficit di controllo cognitivo comunemente osservati nell'ansia^11,12. Questa disregolazione dei ritmi oscillatori neurali indica un'interruzione sottostante nei normali processi di comunicazione neurale che sono cruciali per la regolazione emotiva. Tuttavia, c'è una carenza di studi che esplorino in modo completo come l'esercizio fisico rimodelli effettivamente la funzione emotiva modulando l'accoppiamento ritmico interregionale o le dinamiche del potenziale di campo locale^13,14.

I recenti progressi nella ricerca sull'apprendimento profondo basato sull'EEG hanno fornito nuovi paradigmi per la comprensione dei meccanismi patologici e lo sviluppo di trattamenti di precisione per disturbi mentali come la depressione e l'ansia¹⁵. In particolare, gli studi che utilizzano la connettività funzionale dinamica (DFC) dell'EEG in stato di riposo combinata con modelli di Markov nascosti (HMM) hanno rivelato differenze significative nelle dinamiche delle reti delle bande Delta ( δ), Theta (θ), Alfa (α) e Gamma (γ) tra depressione non psicotica, depressione psicotica e schizofrenia 16,17,18 . Un modello di classificazione binaria basato su DFC ha raggiunto un'accuratezza del 73,1% nel distinguere queste tre condizioni, superando le analisi statiche tradizionali. I biomarcatori chiave includevano la sincronizzazione DMN-SN in banda θ, la sincronizzazione del sistema FPCN-limbico in banda γ e le probabilità di transizione di stato HMM, stabilendo un nuovo quadro per la classificazione psichiatrica di precisione¹⁹ ha impiegato l'analisi teorica dei grafi per dimostrare che le caratteristiche della rete cerebrale di base predicono l'efficacia della stimolazione cerebrale profonda (DBS) nella depressione resistente al trattamento. Un modello di foresta casuale che utilizza metriche di rete ha raggiunto un'accuratezza dell'81,2% nella previsione della risposta DBS, superando le scale cliniche. I dati longitudinali hanno mostrato che la DBS inverte la disfunzione della rete migliorando la sincronizzazione globale a banda δ e riducendo la centralità del sgACC. Inoltre, la potenza delle onde α prefrontali sinistre ha predetto la non-risposta antidepressiva, con un modello di rete neurale convoluzionale (CNN) che ha raggiunto un'accuratezza dell'82,3% basata sull'asimmetria α²⁰. Everaert et al. (2022) hanno sviluppato un modello di rete neurale artificiale con selezione delle caratteristiche utilizzando 460 partecipanti per identificare le caratteristiche predittive delle strategie di regolazione delle emozioni. Questi risultati sottolineano la necessità critica di identificare bersagli neurali precisi per ottimizzare le prescrizioni di esercizio²¹.

Nell'ambito della ricerca neuroscientifica correlata all'esercizio fisico, il deep learning è emerso come uno strumento potente, che consente l'estrazione di robusti biomarcatori neurali dai dati neurologici spaziotemporali complessi, ad alta dimensione e di bassa ampiezza generati dagli interventi di esercizio. Diversi studi hanno dimostrato che l'attività fisica modula significativamente i modelli di attivazione nelle regioni cerebrali motorie e le dinamiche oscillatorie neurali attraverso le bande di frequenza 22,23,24. Una revisione sistematica di 47 studi ha rivelato aumenti costanti della potenza della banda prefrontale α/β dopo l'esercizio, probabilmente riflettendo una maggiore neuroplasticità e inibizione corticale²⁵. Sia l'esercizio acuto che l'allenamento a lungo termine hanno indotto tendenze simili, sebbene le risposte γ bande abbiano mostrato un'eterogeneità dipendente dall'intensità (ad esempio, allenamento aerobico moderato rispetto all'allenamento a intervalli ad alta intensità). Gli interventi aerobici di quattro mesi in giovani adulti sani hanno prodotto un significativo aumento delle onde α prefrontali (9-12 Hz), correlato positivamente con i guadagni di fitness aerobico. Mentre i miglioramenti comportamentali nel tempo di reazione o nell'accuratezza erano assenti, le metriche di oscillazione neurale indicavano l'ottimizzazione dinamica delle reti di attenzione visiva, suggerendo che le onde α possono fungere da biomarcatori per l'efficacia dell'esercizio²⁶. Esperti di sport di alto livello hanno mostrato un'elevata potenza del ritmo sensomotorio (SMR, 12-15 Hz) durante le attività di mira, in concomitanza con una ridotta coerenza prefrontale-temporale, indicando l'esecuzione automatizzata delle abilità motorie e il miglioramento dell'efficienza della rete²⁷. In particolare, gli atleti di ping pong hanno mostrato una ridotta attivazione nelle regioni cerebrali correlate all'esercizio rispetto ai non atleti, suggerendo che l'allenamento a lungo termine costruisce reti neurali specializzate ed efficienti dal punto di vista energetico²⁸.

Questo studio si concentra sull'ansia di tratto come soggetto di ricerca specifico, impiegando l'elettroencefalografia (EEG) per raccogliere dati neurali ed esplorare i suoi biomarcatori neurali, fornendo così nuove intuizioni per identificare bersagli neurali precisi. Ricerche precedenti indicano che le onde alfa nella regione prefrontale sono strettamente associate alla regolazione emotiva, al controllo cognitivo e al riconoscimento emotivo (Harmon-Jones et al., 2010), svolgendo un ruolo fondamentale in processi come la decodifica di segnali emotivi esterni (ad esempio, espressioni facciali, toni vocali) e la modulazione delle risposte emotive. Gli studi suggeriscono che le alterazioni dell'attività alfa prefrontale possono fungere da marcatori fisiologici di disregolazione emotiva, in particolare negli stati di ansia e emotivi negativi 29,30,31. L'elettroencefalografia in stato di riposo (EEG) funge da condizione sperimentale predefinita nelle neuroscienze per studiare le proprietà dinamiche del cervello, richiedendo ai partecipanti di rimanere svegli senza eseguire alcun compito cognitivo³². Le condizioni sperimentali possono includere stati ad occhi chiusi o ad occhi aperti. L'evidenza empirica indica che i cambiamenti nelle oscillazioni alfa prefrontali potrebbero funzionare come biomarcatori per la regolazione emotiva compromessa, specialmente in condizioni caratterizzate da ansia e una predominanza di affetti negativi ^33,34. La sua densità spettrale di potenza e i modelli di connettività funzionale possono rivelare le caratteristiche intrinseche dell'attività cerebrale e sono applicabili al rilevamento di marcatori patologici nelle malattie neurodegenerative (ad esempio, il morbo di Alzheimer), nei disturbi dello sviluppo (ad esempio, dislessia dello sviluppo)^35,36, nonché nei disturbi mentali ed emotivi (ad esempio, depressione e ansia)³⁷. Tra questi, il ritmo alfa sotto la condizione di occhi aperti è comunemente utilizzato negli studi sui disturbi emotivi^38,39. Di conseguenza, questo studio indaga le prestazioni di classificazione delle oscillazioni alfa nelle regioni prefrontali prima e dopo gli interventi di esercizio per l'ansia di tratto. Basandosi sui dati EEG, questa ricerca utilizza EEGNet per identificare i bersagli neurali associati agli interventi di esercizio fisico per gli individui con ansia ad alto tratto. EEGNet è progettato specificamente per la classificazione del segnale EEG e offre diversi vantaggi chiave rispetto ai metodi tradizionali e ad altri metodi di deep learning, rendendolo particolarmente adatto per lo studio di modelli EEG con dati limitati⁴⁰.

I dati EEG in stato di riposo sono stati raccolti utilizzando un sistema a 64 canali (Brain Products, Germania) secondo lo standard internazionale 10-20, con una frequenza di campionamento di 1000 Hz e filtraggio passa-banda (0,1-100 Hz). Per garantire la qualità del segnale, l'impedenza dell'elettrodo è stata mantenuta al di sotto di 5 kΩ e gli artefatti oculari sono stati rimossi tramite l'analisi dei componenti indipendenti (ICA). I partecipanti sono stati istruiti a rimanere svegli con gli occhi aperti mentre si fissavano su una croce, riducendo al minimo il rumore legato al movimento.

I criteri chiave di inclusione per i partecipanti con ansia ad alto tratto erano: (1) punteggi dell'inventario dell'ansia di tratto ≥ 55, (2) esercizio limitato ad alta intensità (< 3 giorni alla settimana) per controllare gli effetti di fitness preesistenti e (3) attività fisica settimanale totale < 600 MET-min. Questi criteri miravano a omogeneizzare il campione riflettendo le popolazioni sedentarie del mondo reale. Una limitazione è la potenziale variabilità nella dinamica EEG in stato di riposo dovuta a differenze individuali nell'eccitazione basale o in condizioni subcliniche non rilevate, che studi futuri potrebbero affrontare con campioni più ampi e valutazioni multimodali (ad esempio, fMRI o compiti comportamentali).

Ipotizziamo che l'attività alfa prefrontale possa classificare efficacemente i dati EEG dell'esercizio e del controllo. In sintesi, questo studio mira a sfruttare le tecnologie di intelligenza artificiale per analizzare i benefici degli interventi di esercizio fisico per i disturbi emotivi, utilizzando l'ansia di tratto come modello. Attraverso la sua metodologia e i suoi risultati, questo lavoro cerca di migliorare la comprensione degli attuali sviluppi e delle sfide nel campo, offrendo indicazioni e approfondimenti per la ricerca futura.

Questo studio è stato approvato dal Comitato Etico per la Ricerca Istituzionale dell'Università dello Sport di Wuhan (2023016).

1. Partecipanti allo studio

1. Reclutare 550 studenti universitari non sportivi su base volontaria. Eseguire il pre-screening per la selezione del campione. A questo scopo utilizzare l'inventario cinese rivisto dell'ansia dei tratti di stato⁴¹ , come mostrato nella Tabella 1.
2. Classificare gli individui con un punteggio pari o superiore a 55 nella sottoscala dell'ansia di tratto come affetti da ansia di tratto elevato e selezionarli per l'esperimento EEG. Utilizzare la sottoscala Trait Anxiety di questo inventario come strumento di valutazione chiave, seguendo i criteri stabiliti da precedenti studi ERP⁴². Questo punteggio limite di 55 è stato basato su ricerche precedenti, garantendo un modo coerente e valido per classificare i partecipanti con ansia da tratto elevato.
3. Valuta ulteriormente gli individui con punteggi di ansia superiori a 55 per i loro livelli di attività fisica. Ai partecipanti è stato inoltre richiesto di soddisfare tre criteri di inclusione specifici relativi ai loro modelli di attività fisica nella settimana precedente.
   1. Assicurati che i partecipanti abbiano svolto attività fisica ad alta intensità per meno di 3 giorni (con ogni sessione della durata ≥ 20 minuti al giorno).
      NOTA: L'attività fisica ad alta intensità può avere un impatto significativo sul corpo e sul cervello, alterando potenzialmente la plasticità neurale e i livelli di neurotrasmettitori. Limitando il numero di giorni di attività ad alta intensità, i ricercatori possono ridurre al minimo gli effetti confondenti di tale esercizio intenso sulla relazione studiata.
   2. Assicurati che il numero totale di giorni di allenamento a tutte le intensità sia inferiore a 5 giorni a settimana e che il volume totale di esercizio sia inferiore a 600 MET-min/settimana. Ciò garantirà che il carico di esercizio complessivo dei partecipanti rientri in un certo intervallo, riducendo la variabilità nel campione dovuta ai diversi volumi di esercizio.
   3. Confermare che i partecipanti si sono impegnati in meno di 30 minuti di attività di intensità moderata e hanno camminato per meno di 5 giorni alla settimana.
      NOTA: L'attività e la camminata di intensità moderata, sebbene meno intense dell'esercizio ad alta intensità, possono comunque influenzare lo stato fisiologico e psicologico del corpo. Fissando questi limiti, i ricercatori possono controllare ulteriormente i potenziali effetti di diversi tipi di attività fisica sui risultati sperimentali.

2. Istruzioni per il compito

1. Istruire i partecipanti del gruppo di intervento sull'esercizio a impegnarsi in un esercizio aerobico di intensità moderata utilizzando un cicloergometro stazionario per 30 minuti, indossando un cardiofrequenzimetro per registrare i dati fisiologici. L'intervento di esercitazione è stato strutturato in tre fasi seguendo le linee guida stabilite⁴³.
   1. Fase di riscaldamento: Istruire i partecipanti a pedalare a 25 watt per 5 minuti per preparare la muscolatura e il sistema cardiovascolare per la fase principale dell'esercizio.
   2. Fase principale dell'esercizio: Istruire i partecipanti a eseguire un'attività ciclistica continua di 20 minuti a una velocità di pedalata di 70-80 giri/min a intensità moderata. Monitora la frequenza cardiaca ogni 2 s e calcola la frequenza cardiaca target (THR) utilizzando la formula:
      THR (FCmax − FCrest) ×intensità desiderata + FCrest
      dove FCmax = frequenza cardiaca massima, FCrest = frequenza cardiaca a riposo e l'intensità desiderata sono stati determinati secondo le linee guida per l'esercizio ACSM⁴³.
   3. Fase di defaticamento: chiedere al partecipante di ridurre il carico di pedalata a 15 W entro 5 minuti per abbassare la frequenza cardiaca, ridurre al minimo il rischio di lesioni e favorire il rilassamento muscolare.
2. Compito del gruppo di controllo: assicurati che il partecipante si sieda tranquillamente in laboratorio per 30 minuti e si impegni in un compito di lettura libera.

3. Raccolta dei dati

1. Registrare i segnali EEG dei soggetti utilizzando un dispositivo a 64 derivazioni e impostare l'array di elettrodi secondo il sistema standard internazionale 10-20 con una frequenza di campionamento di 1000 Hz.
2. Prima dell'acquisizione dei dati, applicare una pasta conduttiva medicale a tutte le interfacce elettrodo-pelle per garantire valori di impedenza inferiori a 5 kΩ, ottimizzando così la fedeltà del segnale e riducendo gli artefatti di movimento.
3. La frequenza di campionamento per la raccolta dei dati era di 1000 Hz, con un filtro passa-banda di 0,1-100 Hz. Mantenere l'impedenza dell'elettrodo al di sotto di 5 kΩ.
4. Posiziona un elettrodo nel canto esterno sinistro dell'occhio sinistro e registra i movimenti oculari verticali e le palpebre.
5. Durante la raccolta dei dati, FCz e FPz sono stati utilizzati rispettivamente come elettrodo di riferimento originale ed elettrodo di terra.
6. Chiedi ai partecipanti di tenere gli occhi aperti e di fissarsi su una croce. Durante tutto il processo, è necessario rimanere coscienti e vigili, evitare di concentrarsi su qualsiasi pensiero specifico e astenersi dal sperimentare fluttuazioni emotive.

4. Analisi dei dati offline

1. Pre-elaborazione
   1. Rifare riferimento ai dati grezzi alla media di tutti gli elettrodi.
   2. Applicare un filtro passa-banda da 0,1 a 40 Hz per rimuovere la deriva a bassa frequenza (ad esempio, artefatti respiratori) e il rumore ad alta frequenza (ad esempio, interferenze sulla linea di alimentazione e artefatti elettromiografici).
   3. Segmenta i dati di tutti i soggetti in epoche di 120 s, escludendo le porzioni iniziali e finali di 10 s di ciascuna registrazione per eliminare potenziali artefatti edge dall'inizializzazione del dispositivo.
   4. Rimuovere gli artefatti dell'elettrooculogramma (EOG) e dell'elettrocardiogramma (ECG) utilizzando la tecnica dell'analisi delle componenti indipendenti (ICA). L'algoritmo Infomax ha scomposto il segnale in componenti statisticamente indipendenti. Le componenti artifactual sono state identificate attraverso la caratterizzazione tripartita: (1) topografia spaziale (EOG che mostra distribuzioni di dipolo frontopolare, ECG che mostra dominanza temporale sinistra); (2) dinamica temporale (EOG che manifesta picchi transitori bloccati nel battito di ciglia, ECG che mostra periodicità del ritmo cardiaco); e (3) firme spettrali (EOG che dimostrano la concentrazione spettrale a bassa frequenza)⁴⁴.
   5. Rimuovere i periodi di tempo durante i quali la tensione EEG ha superato ± 75 μV come artefatti.
2. Analisi delle differenze band-specific
   1. Innanzitutto, segmentare i segnali EEG in piccoli segmenti a intervalli di 120 s.
   2. Analizzare le caratteristiche tempo-frequenza dei segnali EEG utilizzando una complessa wavelet di Morlet.
   3. Impostare i parametri come segue: Selezionare i parametri della trasformata wavelet con cicli [3 0.8], 100 bin di frequenza (nfreqs) e 200 punti temporali (ntimesout) per ottimizzare la risoluzione tempo-frequenza per l'analisi EEG⁴⁵.
   4. Esegui test di permutazione punto per punto (10.000 iterazioni) in tutti i punti tempo-frequenza per valutare la significatività statistica (p < 0,05, corretto FDR).
   5. Visualizza come un grafico tempo-frequenza, con punti temporali sull'asse x e intervalli di frequenza sull'asse y.

5. Analisi del modello

NOTA: Questa rete neurale convoluzionale (CNN) raggiunge l'apprendimento delle caratteristiche tempo-frequenza dei segnali EEG attraverso un'operazione di convoluzione bidimensionale multiscala⁴⁶. Il processo del modello CNN è mostrato nella Figura 1B.

1. Primo blocco convoluzionale
   1. Utilizza un livello di convoluzione 2D (Conv2d) con in_channels = 6, out_channels = 16, kernel_size = (3, 3) e padding = 1 per estrarre le caratteristiche spaziali locali, dove il padding simmetrico assicura che le dimensioni spaziali rimangano invariate dopo la convoluzione.
   2. Applicare la normalizzazione batch (BatchNorm2d) all'output del livello di convoluzione per stabilizzare l'addestramento e accelerare la convergenza, seguita da una funzione di attivazione dell'unità lineare rettificata (ReLU) per introdurre la non linearità.
   3. Utilizzare un livello di pooling massimo (MaxPool2d) con kernel_size = (2, 2) e stride = 2 per la compressione delle funzionalità per dimezzare le dimensioni spaziali mantenendo importanti informazioni sulle funzionalità.
2. Secondo blocco convoluzionale
   1. Utilizza un altro livello di convoluzione 2D (Conv2d) con in_channels = 16, out_channels = 32, kernel_size = (3, 3) e padding = 1 per estrarre ulteriormente funzionalità spaziali di alto livello in base all'output del primo blocco, con la stessa strategia di padding per mantenere le dimensioni spaziali.
   2. Analogamente al primo blocco, applicare la normalizzazione batch (BatchNorm2d) e l'attivazione ReLU in sequenza per normalizzare le funzionalità e introdurre la non linearità.
   3. Anche in questo caso, utilizzare un livello di pooling massimo (MaxPool2d) con kernel_size = (2, 2) e stride = 2 per comprimere le funzionalità.
3. Livelli completamente connessi
   1. Appiattisci le caratteristiche di output dal secondo blocco convoluzionale in un vettore unidimensionale, che funge da input per i livelli completamente connessi.
   2. Assicurarsi che il primo livello completamente connesso (lineare) mappi le feature appiattite su uno spazio feature a 256 dimensioni, seguito da un layer di dropout (Dropout) con una velocità di 0,5 per evitare l'overfitting e una funzione di attivazione ReLU.
   3. Il secondo livello completamente connesso (lineare) riduce ulteriormente la dimensione dell'elemento da 256 a 128, con un altro livello di dropout (Dropout) con una velocità di 0,5 e una funzione di attivazione ReLU applicata in sequenza.
   4. Il livello finale completamente connesso (lineare) mappa le caratteristiche a 128 dimensioni al numero di classi target (due classi), generando l'output del modello.
      NOTA: La piattaforma di elaborazione dati è stata configurata come segue: un server con quattro DCU HYGON Z100L; costruzione di modelli e addestramento in Python 3.8, PyTorch-1.13. L'esperimento usa il modulo torch.nn per fornire componenti di base, ad esempio Conv2d (livello di convoluzione), BatchNorm2d (normalizzazione batch), ELU (funzione di attivazione), AvgPool2d (pooling medio), Dropout (livello di dropout), Linear (livello completamente connesso) e CrossEntropyLoss (funzione di perdita); Il modulo torch.optim fornisce l'ottimizzatore Adam per gli aggiornamenti dei parametri; il modulo torch.utils.data fornisce DataLoader (caricatore di dati) e TensorDataset (classe wrapper del set di dati) per l'elaborazione dei dati; torch.device viene utilizzato per la configurazione del dispositivo (DCU); torch.save viene utilizzato per il salvataggio dei parametri del modello; e la funzione sklearn.model_selection.train_test_split di scikit-learn viene utilizzata per la suddivisione dei set di dati; Adam è stato scelto come ottimizzatore; la funzione di perdita era l'entropia incrociata; batch_size è stato impostato su 2; ed epoch è stato impostato su 100. Per i dati di input, utilizzare le funzioni EEG (basate su matrici estratte da Morlet) da sei canali prefrontali (Fp1, Fp2, AF3, AF4, AF7, AF8) nella banda alfa con funzioni tempo-frequenza. Dividi gli esperimenti in set di addestramento e di test utilizzando un rapporto 7:3. Valuta l'efficacia del modello attraverso i risultati della classificazione utilizzando le metriche della matrice di accuratezza e confusione.

Elaborazione dati EEG e analisi statistiche

I dati grezzi dell'EEG sono stati segmentati in epoche di 2 s centrate sull'insorgenza dell'evento, in linea con le pratiche standard nell'analisi tempo-frequenza per catturare le dinamiche neurali transitorie riducendo al minimo gli artefatti perimetrali. Ogni epoca è stata sottoposta a trasformazione wavelet continua (CWT) utilizzando una complessa wavelet di Morlet con 3 cicli, che bilancia in modo ottimale la risoluzione temporale e di frequenza per rilevare l'attività oscillatoria nelle bande theta e gamma.

Il pannello di sinistra della Figura 2 rappresenta il gruppo di esercizi, mentre il pannello di destra rappresenta il gruppo di controllo. (1) Qualità dell'elaborazione dei dati: entrambi gli spettri presentano curve morbide e il caratteristico modello di decadimento neurofisiologico "1/f" (alta potenza alle basse frequenze che diminuisce esponenzialmente con la frequenza). Le traiettorie altamente sovrapposte indicano un'efficace pre-elaborazione dei dati (ad esempio, denoising, filtraggio) e un'elevata qualità dei dati di base con una buona fedeltà del segnale nel dominio della frequenza. (2) Sottili differenze tra i gruppi: all'interno della banda alfa (8-12 Hz, area grigia ombreggiata per l'illustrazione), il gruppo di controllo (a destra) mostra valori di potenza leggermente inferiori rispetto al gruppo di esercizi (a sinistra), suggerendo che un singolo periodo di esercizio acuto potrebbe aver indotto un lieve effetto modulatorio sul ritmo alfa delle oscillazioni cerebrali in stato di riposo.

Per l'inferenza statistica, abbiamo eseguito test di permutazione puntuali non parametrici (5.000 iterazioni) in tutti i punti di frequenza temporale. Questo approccio controlla i confronti multipli raggruppando punti significativi adiacenti (soglia di formazione del cluster p < 0,05, correzione FDR a livello di cluster), per affrontare la distribuzione non gaussiana dei coefficienti wavelet.

Differenze significative nell'attività degli elettrodi prefrontali sono state osservate all'interno della banda di frequenza 7-13 Hz tra i gruppi di esercizio e di lettura, come mostrato nella Figura 3.

Convalida delle prestazioni di classificazione dei modelli CNN

Nell'indagine sull'impatto dell'intervento di esercizio fisico su individui con elevata ansia di tratto, le prestazioni di classificazione del modello di rete neurale convoluzionale (CNN) utilizzando i dati delle caratteristiche della banda alfa prefrontale sono un aspetto cruciale. Questa analisi mira a determinare se il modello è in grado di distinguere efficacemente tra il gruppo Read e il gruppo Exercise, fornendo così prove delle differenze a livello neurale associate all'esercizio.

Il modello CNN ha mostrato elevate prestazioni di classificazione quando si utilizzano i dati della banda alfa prefrontale per discriminare tra i gruppi di lettura e di esercizio, con un'accuratezza dell'83,33%, e ha raggiunto un punteggio F1 medio di 0,83 e un coefficiente Kappa di 0,63. Per comprendere meglio le prestazioni del modello, ci rivolgiamo alla matrice di confusione della classificazione binaria presentata nella Figura 3C. In questa matrice, strumento ben strutturato per la valutazione dei modelli di classificazione, ogni riga rappresenta la vera categoria dei dati, e ogni colonna rappresenta la categoria prevista dal modello. Questo layout consente una valutazione dettagliata della capacità del modello di classificare correttamente diverse istanze di dati. Il modello ha mostrato prestazioni di classificazione relativamente buone per entrambi i tipi di dati. Questo alto tasso di riconoscimento implica che il modello è stato in grado di identificare con precisione un'ampia percentuale dei dati appartenenti al gruppo di esercizio. In altre parole, i modelli neurali nella banda alfa prefrontale associati all'esercizio fisico erano abbastanza distinti da consentire al modello di riconoscerli con un alto grado di certezza. Questi risultati della matrice di confusione supportano ulteriormente l'accuratezza complessiva del modello CNN.

Figura 1: Acquisizione EEG in stato di riposo e flusso di lavoro di classificazione basato su CNN. (A) Lato sinistro: Il processo di registrazione dell'elettroencefalogramma in stato di riposo (EEG). Lato destro: le forme d'onda EEG e la distribuzione degli elettrodi del cuoio capelluto. (B) Il flusso di lavoro dell'utilizzo di una rete neurale convoluzionale (CNN) per classificare le onde alfa di due gruppi. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 2: Confronto della densità spettrale di potenza tra gruppi di esercizio e di controllo. Pannello di sinistra: il Gruppo di Esercizi; Pannello di destra: il Gruppo di Controllo. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 3: Dinamiche neurali e classificazione CNN dell'esercizio rispetto ai gruppi di lettura. (A) Differenze significative tra i gruppi identificati dai test t punto-punto, evidenziando i cluster tempo-frequenza (p < 0,05, corretto FDR). (B) Mappe topografiche della potenza in banda alfa media (7-13 Hz). Le mappe rappresentano la distribuzione spaziale dell'attività oscillatoria neurale per il gruppo di lettura (a sinistra) e il gruppo di esercizi (a destra). (C) Prestazioni di classificazione dell'attività Alfa prefrontale utilizzando un modello CNN (accuratezza: 83,3%). Clicca qui per visualizzare una versione più grande di questa figura.

Tabella 1: Criteri di selezione e reclutamento dei partecipanti.

Gli autori dichiarano di non avere conflitti di interesse.