Method Article

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

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

In This Article

Summary

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

Questo protocollo mira a decodificare la riprogrammazione oscillatoria neurale prefrontale in banda alfa indotta dall'esercizio aerobico in individui con ansia ad alto tratto, utilizzando l'integrazione EEG-deep learning. Il modello predittivo sviluppato (81,82% di precisione) identifica l'oscillazione alfa come il meccanismo principale per l'alleviamento dell'ansia mediato dall'esercizio, avanzando gli obiettivi di neuromodulazione di precisione per i disturbi emotivi.

Abstract

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

L'intervento sull'esercizio fisico dimostra un potenziale unico nel trattamento della disregolazione emotiva, ma l'ambiguità dei suoi obiettivi di neuromodulazione ostacola lo sviluppo di prescrizioni precise per l'esercizio. Questo studio indaga l'ansia di tratto come disturbo emotivo rappresentativo in 40 studenti universitari ad alto tratto di ansia, che sono stati assegnati in modo casuale a un gruppo di intervento sull'esercizio fisico (40 minuti di esercizio aerobico di intensità moderata, n = 20) o a un gruppo di controllo senza esercizio (40 minuti di lettura tranquilla, n = 20), seguito dalla raccolta di dati EEG a riposo. Integrando l'elettroencefalografia in stato di riposo (EEG) dopo l'esercizio con algoritmi di deep learning, abbiamo sviluppato un modello predittivo tempo-frequenza in banda alfa per decodificare sistematicamente i meccanismi di riprogrammazione oscillatoria neurale nella corteccia prefrontale indotti dall'esercizio. Il modello di deep learning ha mostrato un'efficacia di classificazione superiore (accuratezza 83,33%, punteggio F1 0,83, coefficiente Kappa 0,67) nell'identificare le alterazioni dell'entropia spettrale di potenza in banda alfa indotte dall'esercizio. Questo studio apre la strada all'identificazione del riequilibrio eccitatorio alfa prefrontale attraverso il rimodellamento dell'oscillazione neurale come meccanismo principale alla base della mitigazione dell'ansia mediata dall'esercizio.

Introduction

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

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'ansia11,12. 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 locale13,14.

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 emotivi38,39. 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.

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

Protocol

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

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.

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

Results

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

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) utilizzand...

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

Discussion

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

Nell'ambito della ricerca sulla salute mentale, la comprensione dei meccanismi neurali sottostanti agli interventi per gli individui con ansia ad alto tratto è di fondamentale importanza. Questo studio è stato progettato con l'obiettivo esplicito di esplorare i biomarcatori neurali associati all'intervento di esercizio fisico in tali individui attraverso l'utilizzo di modelli di intelligenza artificiale. L'adozione di reti neurali profonde avanzate, inclusi modelli come EEGNet, ha rivolu...

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

Disclosures

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

Gli autori dichiarano di non avere conflitti di interesse.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
BrainAmp SNProdotti per il cervelloAMP12081737 StandardAcquisizione di segnali elettroencefalogrammi (EEG)
Eprime ProfessionalSTRUMENTI SOFTWARE PER LA PSICOLOGIA2.0.10.92Software per esperimenti di psicologia
Ciclo di moto 600emotion fitness GmbH & Co. KGF-EF-MC-650Ergometro per biciclette
DCU (Unità di Calcolo Profondo)HYGONHYGON Z100LAnalisi del modello
PitonePython Software FoundationPython 3.8Analisi del modello

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