安静状態脳波による運動誘発性神経変化におけるアルファ波の役割の描写

現代社会では、生活のペースが加速し、生活のプレッシャーの負担が増大しているため、感情調節不全の有病率が大幅に急増しています。感情の調節不全のさまざまな症状の中でも、一般的なサブタイプである不安は、個人にとって大きな課題となっています。薬物療法は、感情の調節不全、特に不安の治療における基本的なアプローチとして長い間考えられてきました。しかし、研究によると、感情調節不全を持つ人の約 30% は第一選択の薬に反応しないことが示されています。さらに、これらの薬剤を長期間使用すると、代謝障害や認知障害など、さまざまなリスクが生じる可能性があります¹。心理的介入は、エビデンスに基づく枠組みを通じて病因に対処しますが、治療効果の発現が遅れるとともに、かなりの時間、労力、財源を必要とする治療期間の延長によって制限されます ^2,3。

近年、運動介入は感情調節不全の治療において顕著な利点を示しています。多くの研究は、運動が内因性神経伝達物質の放出の促進とシナプス変化の誘導を通じて達成され、感情状態を自然に強化し、不安やうつ病を軽減する可能性があることを示しています⁴。例えば、運動訓練を受けたマウスを用いた研究では、低酸素負荷が52%減少し、認知機能の有意な向上が観察されたことが明らかになりました⁵。特性不安は、さまざまな状況にわたって不安を経験する個人の比較的安定的で長期にわたる傾向を表しており⁶、感情調節不全の根本的なメカニズムを理解する上で重要な要素です。これは慢性不安の中核的な特徴として機能し、それを研究することで、そのような感情調節不全の病態生理学についての貴重な洞察が得られます。特性不安を理解することで、一部の個人が不安関連の気分の問題を発症しやすい理由をよりよく理解できます。以前の研究では、感情障害で障害を受ける感情認知機能に関連する主要な脳領域と、運動介入がこれらの認知機能と関連する脳領域をどのように改善できるかについて詳しく説明しました⁷。さらに、運動介入が高特性不安症患者の注意制御能力における脳活動の特徴をどのように改善できるかを詳細に調査するために、2 つの脳波 (EEG) 実験を実施しました⁸。

運動介入はうつ病治療における有望な非薬理学的アプローチとして浮上していますが、運動介入のプラスの効果に関連する正確な神経バイオマーカーはまだ明確に特定されていません ^9,10。脳情報処理の「時空間エンコーダー」として機能する神経振動リズムは、不安において特徴的な調節不全を示します。たとえば、研究によると、前頭前野アルファ(α)の非同期化は、不安で一般的に観察される認知制御障害と関連していることが示されています^11,12。この神経振動リズムの調節不全は、感情の調節に重要な正常な神経コミュニケーションプロセスの根本的な混乱を示しています。しかし、運動が地域間のリズミカルな結合や局所的な電場電位のダイナミクスを調節することによって、実際に感情機能をどのように再形成するかを包括的に調査する研究は不足しています^13,14。

脳波ベースの深層学習研究の最近の進歩により、うつ病や不安などの精神障害の病理学的メカニズムを理解し、精密な治療法を開発するための新しいパラダイムが提供されました¹⁵。特に、非精神病性うつ病、精神病性うつ病、統合失調症におけるデルタ(δ)、シータ(θ)、アルファ(α)、ガンマ(γ)バンドネットワークダイナミクスの有意差が明らかになった安静状態脳波の動的機能的接続性(DFC)と隠れマルコフモデル(HMM)を組み合わせた研究で明らかになりました16,17,18 .DFCベースの二項分類モデルは、これら3つの条件を区別する際に73.1%の精度を達成し、従来の静的分析を上回りました。主要なバイオマーカーには、θ バンド DMN-SN 同期、γ バンド FPCN-大脳辺縁系同期、および HMM 状態遷移確率が含まれ、精密な精神医学的分類のための新しいフレームワークを確立しました¹⁹ グラフ理論分析を採用して、ベースラインの脳ネットワーク機能が治療抵抗性うつ病における脳深部刺激 (DBS) の有効性を予測することを実証しました。ネットワーク指標を使用したランダムフォレストモデルは、DBS応答の予測において81.2%の精度を達成し、臨床規模を上回りました。縦断的データは、DBS がδバンドのグローバル同期を強化し、sgACC の中心性を低下させることにより、ネットワークの機能不全を逆転させることを示しました。さらに、左前頭前野のα波パワーは抗うつ薬の無反応を予測し、畳み込みニューラルネットワーク(CNN)モデルはα非対称性に基づいて82.3%の精度を達成しました²⁰。(2022)は、感情調節戦略の予測特徴を特定するために、460人の参加者を使用して特徴選択を備えた人工ニューラルネットワークモデルを開発しました。これらの発見は、運動処方を最適化するために正確な神経標的を特定することが重要な必要性を強調しています²¹。

運動関連の神経科学研究の分野では、ディープラーニングが強力なツールとして登場し、運動介入によって生成された複雑で高次元かつ低振幅の時空間神経学的データから堅牢な神経バイオマーカーを抽出できるようになりました。複数の研究により、身体活動が運動関連の脳領域の活性化パターンと周波数帯域全体の神経振動ダイナミクスを大幅に調節することが実証されています^22、23、24。47 件の研究のシステマティック レビューでは、運動後の前頭前野 α/β バンド パワーの一貫した増加が明らかになり、これはおそらく神経可塑性と皮質抑制の強化を反映している可能性があります²⁵。急性運動と長期トレーニングの両方が同様の傾向を誘発しましたが、γバンド応答は強度依存の不均一性を示しました (たとえば、中程度の有酸素トレーニングと高強度のインターバル トレーニング)。健康な若年成人における 4 か月の有酸素介入は、有意な前頭前野 α 波 (9-12 Hz) 増強をもたらし、有酸素運動能力の向上と正の相関がありました。反応時間や精度の行動改善は見られませんでしたが、神経振動指標は視覚的注意ネットワークの動的最適化を示し、α波が運動効果のバイオマーカーとして機能する可能性があることを示唆しています²⁶。ハイレベルなスポーツ専門家は、照準タスク中に感覚運動リズム(SMR、12〜15 Hz)の上昇を示し、同時に前頭前野と側頭のコヒーレンスの低下を示し、自動化された運動スキルの実行とネットワーク効率の向上を示しています²⁷。特に、卓球選手は非アスリートと比較して運動関連の脳領域の活性化が低下しており、長期トレーニングが特殊でエネルギー効率の高いニューラルネットワークを構築することを示唆しています²⁸。

この研究は、特定の研究対象としての形質不安に焦点を当てており、脳波検査 (EEG) を使用して神経データを収集し、その神経バイオマーカーを探索することで、正確な神経標的を特定するための新しい洞察を提供します。以前の研究では、前頭前野のアルファ波は感情調節、認知制御、感情認識と密接に関連しており(Harmon-Jones et al., 2010)、外部の感情の手がかり(顔の表情、声のトーンなど)の解読や感情反応の調節などのプロセスにおいて極めて重要な役割を果たしていることが示されています。研究によると、前頭前野アルファ活動の変化は、特に不安や否定的な感情状態において、感情調節不全の生理学的マーカーとして機能する可能性があることが示唆されています 29,30,31。安静状態脳波検査 (EEG) は、脳の動的特性を調査するための神経科学のデフォルトの実験条件として機能し、参加者は認知タスクを実行せずに目覚めたままでいる必要があります³²。実験条件には、目を閉じた状態または目を開けた状態が含まれる場合があります。経験的証拠は、前頭前野アルファ振動の変化が、特に不安と否定的な感情の優位性を特徴とする状態において、感情調節障害のバイオマーカーとして機能する可能性があることを示しています^33,34。そのパワースペクトル密度と機能的接続パターンは、脳の固有の活動特性を明らかにすることができ、神経変性疾患(アルツハイマー病など)、発達障害(発達性失読症など)^35,36、および精神的および感情的障害(うつ病や不安症など)³⁷の病理学的マーカーの検出に適用できます.これらの中で、目を開けた状態の下のアルファリズムは、感情障害の研究で一般的に利用されています^38,39。その結果、この研究では、特性不安に対する運動介入の前後の前頭前野におけるアルファ振動の分類パフォーマンスを調査します。この研究では、EEG データに基づいて、EEGNet を使用して、特性不安が高い個人の運動介入に関連する神経標的を特定します。EEGNetは、EEG信号分類用に特別に設計されており、従来の他の深層学習手法に比べていくつかの重要な利点を提供し、限られたデータでEEGパターンを調査するのに特に適しています⁴⁰。

安静状態の脳波データは、10-20 国際規格に従って 64 チャネル システム (Brain Products、ドイツ) を使用して、サンプリング レート 1000 Hz とバンドパス フィルタリング (0.1-100 Hz) で収集されました。信号品質を確保するために、電極インピーダンスは5 kΩ未満に維持され、独立成分分析(ICA) によって 眼のアーティファクトが除去されました。参加者は、十字架に固定している間、目を開けたまま目を覚まし、動きに関連した騒音を最小限に抑えるように指示されました。

高特性不安の参加者の主な選択基準は、(1) 特性不安インベントリ スコア 55 ≥、(2) 既存のフィットネス効果を制御するための限られた高強度運動 (< 3 日/週)、および (3) 週の総<身体活動 600 MET-min。これらの基準は、現実世界の座りがちな人口を反映しながらサンプルを均質化することを目的としていました。制限は、ベースラインの覚醒または検出されていない無症状状態の個人差による安静状態の脳波ダイナミクスの潜在的な変動であり、将来の研究では、より大きなサンプルとマルチモーダル評価 (fMRI や行動タスクなど) で対処できる可能性があります。

前頭前野アルファ活動は、運動と制御の脳波データを効果的に分類できるという仮説を立てています。要約すると、この研究は、AI テクノロジーを活用して、特性不安をモデルとして使用して、感情障害に対する運動介入の利点を分析することを目的としています。この研究は、その方法論と調査結果を通じて、この分野の現在の発展と課題についての理解を深め、将来の研究のための指針と洞察を提供することを目的としています。

この研究は、武漢体育大学 (2023016) の機関研究倫理委員会によって承認されました。

1. 研究参加者

1. 大学から非スポーツ専攻の学生550人を任意で募集する。サンプル選択のための事前スクリーニングを行います。表 1 に示すように、この目的のために中国の改訂された状態特性不安インベントリ⁴¹ を使用します。
2. 特性不安サブスケールで 55 以上のスコアを獲得した個人を、特性不安が高いと分類し、EEG 実験のために選択します。以前の ERP 研究⁴² で確立された基準に従って、このインベントリの特性不安サブスケールを主要な評価ツールとして使用します。このカットオフスコア 55 は先行研究に基づいており、特性不安が高い参加者を分類するための一貫した有効な方法が保証されています。
3. さらに、不安スコアが 55 を超える個人の身体活動レベルを評価します。参加者はまた、前週の身体活動パターンに関連する 3 つの特定の参加基準を満たす必要がありました。
   1. 参加者が高強度の身体活動を 3 日未満行っていることを確認してください (各セッションは 1 日あたり 20 分≥続きます)。
      注: 高強度の身体活動は体や脳に重大な影響を与え、神経可塑性や神経伝達物質のレベルを変化させる可能性があります。高強度の活動日数を制限することで、研究者らは、研究対象の関係に対するそのような激しい運動の交絡効果を最小限に抑えることができます。
   2. すべての強度の運動日数の合計が週に 5 日未満であり、総運動量が週 600 MET-min 未満であることを確認してください。これにより、参加者の全体的な運動負荷が一定の範囲内にあることが保証され、運動量の違いによるサンプルのばらつきが軽減されます。
   3. 参加者が中強度の活動を 30 分未満行い、週に 5 日未満の歩行を行ったことを確認します。
      注: 中強度の活動とウォーキングは、高強度の運動ほど強度は低いものの、それでも体の生理学的および心理的状態に影響を与える可能性があります。これらの制限を設定することで、研究者は、さまざまな種類の身体活動が実験結果に及ぼす潜在的な影響をさらに制御できます。

2. タスクの指示

1. 運動介入グループの参加者に、心拍数モニターを装着して生理学的データを記録し、固定サイクルエルゴメーターを使用して中強度の有酸素運動を 30 分間行うように指示します。運動介入は、確立されたガイドライン⁴³ に従って 3 つのフェーズで構成されました。
   1. ウォームアップ段階: 参加者に 25 ワットで 5 分間サイクルして、主要な運動段階に向けて筋肉組織と心血管系を準備するように指示します。
   2. 主な運動段階: 参加者に、中程度の強度で 70-80 rpm のペダリング速度で 20 分間の連続サイクリング タスクを実行するように指示します。2秒ごとに心拍数を監視し、次の式を使用して目標心拍数(THR)を計算します。
      THR(HRmax − HRrest)×希望の強度+HRrest
      ここで、HRmax = 最大心拍数、HRrest = 安静時心拍数、および望ましい強度は ACSM 運動ガイドライン⁴³ に従って決定されました。
   3. クールダウン段階: 心拍数を下げ、怪我のリスクを最小限に抑え、筋肉の弛緩を促進するために、参加者に 5 分以内にサイクリング負荷を 15 W に減らすように依頼します。
2. 対照群のタスク: 参加者が実験室に 30 分間静かに座り、自由読書タスクに従事していることを確認します。

3. データ収集

1. 64 誘導デバイスを使用して被験者の脳波信号を記録し、サンプリング周波数 1000 Hz の国際標準 10-20 システムに従って電極アレイを設定します。
2. データ収集の前に、すべての電極と皮膚の界面に医療用導電性ペーストを塗布して、インピーダンス値が5kΩ未満になるようにすることで、信号の忠実度を最適化し、モーションアーティファクトを低減します。
3. データ収集のサンプリングレートは1000Hzで、バンドパスフィルターは0.1〜100Hzでした。電極インピーダンスを5kΩ未満に維持します。
4. 左目の左外眼角に電極を置き、垂直方向の眼球運動とまばたきを記録します。
5. データ収集中、FCz と FPz はそれぞれ元の参照電極と接地電極として機能しました。
6. 参加者に目を開けて十字架に固定するように指示します。プロセス全体を通じて、意識と注意力を保ち、特定の思考に集中しないようにし、感情の変動を経験しないようにする必要があります。

4. オフラインデータ分析

1. 前処理
   1. 生データをすべての電極の平均に再参照します。
   2. 0.1〜40 Hzのバンドパスフィルターを適用して、低周波ドリフト(呼吸アーティファクトなど)と高周波ノイズ(電力線干渉や筋電図アーティファクトなど)を除去します。
   3. すべての被験者のデータを、各記録の最初と最後の10秒の部分を除いて、120秒のエポックにセグメント化して、デバイスの初期化から潜在的なエッジアーティファクトを排除します。
   4. 独立成分分析(ICA)技術を使用して、眼電図(EOG)および心電図(ECG)アーティファクトを除去します。Infomaxアルゴリズムは、信号を統計的に独立した成分に分解しました。人工的なコンポーネントは、三者特性評価によって特定されました:(1)空間トポグラフィー(前頭極双極子分布を示すEOG、左側頭優位を示すECG)。(2) 時間的ダイナミクス (EOG はまばたきロックされた一過性スパイクを示し、ECG は心調律の周期性を示します)。(3)スペクトルシグネチャ(低周波スペクトル濃度を示すEOG)⁴⁴。
   5. EEG電圧が75μV±を超えた期間をアーティファクトとして削除します。
2. バンド固有の差分分析
   1. まず、EEG信号を120秒間隔で小さなセグメントに分割します。
   2. 複素モレットウェーブレットを使用して、EEG信号の時間-周波数特性を解析します。
   3. パラメータを次のように設定します。サイクル[3 0.8]、100周波数ビン(nfreqs)、および200時間点(ntimeout)を持つウェーブレット変換パラメータを選択して、EEG解析の時間-周波数分解能を最適化します⁴⁵。
   4. すべての時間頻度ポイントでポイントごとの順列検定 (10,000 回の反復) を実行して、統計的有意性を評価します (p < 0.05、FDR 補正)。
   5. 時間-周波数プロットとして視覚化し、X 軸に時点、Y 軸に周波数ビンを表示します。

5. モデル解析

注:この畳み込みニューラルネットワーク(CNN)は、マルチスケールの2次元畳み込み演算⁴⁶を通じて、EEG信号の時間-周波数特徴の学習を実現します。CNNモデルのプロセスを 図1Bに示します。

1. 最初の畳み込みブロック
   1. in_channels = 6、out_channels = 16、kernel_size = (3, 3)、パディング = 1 の 2D 畳み込み層 (Conv2d) を使用して局所的な空間特徴を抽出し、対称パディングにより畳み込み後も空間次元が変化しないようにします。
   2. 畳み込み層の出力にバッチ正規化 (BatchNorm2d) を適用してトレーニングを安定させ、収束を加速し、続いて整流線形単位 (ReLU) 活性化関数を適用して非線形性を導入します。
   3. フィーチャ圧縮に kernel_size = (2, 2) およびストライド = 2 の最大プーリング層 (MaxPool2d) を使用して、重要なフィーチャ情報を保持しながら空間寸法を半分に減らします。
2. 2番目の畳み込みブロック
   1. in_channels = 16、out_channels = 32、kernel_size = (3, 3)、パディング = 1 の別の 2D 畳み込み層 (Conv2d) を利用して、空間次元を維持するための同じパディング戦略を使用して、最初のブロックの出力に基づいて高レベルの空間特徴をさらに抽出します。
   2. 最初のブロックと同様に、バッチ正規化 (BatchNorm2d) と ReLU アクティベーションを順番に適用して、特徴を正規化し、非線形性を導入します。
   3. ここでも、kernel_size = (2, 2)、ストライド = 2 の最大プーリング層 (MaxPool2d) を使用して、特徴を圧縮します。
3. 完全接続レイヤー
   1. 2 番目の畳み込みブロックからの出力特徴を 1 次元ベクトルにフラット化し、完全に結合されたレイヤーへの入力として機能します。
   2. 最初の完全結合層 (Linear) がフラット化された特徴量を 256 次元の特徴空間にマッピングし、その後に過学習を防ぐためにレート 0.5 のドロップアウト層 (Dropout) と ReLU 活性化関数をマッピングします。
   3. 2 番目の完全接続層 (Linear) は、特徴次元を 256 から 128 にさらに縮小し、レート 0.5 の別のドロップアウト層 (Dropout) と ReLU 活性化関数を順次適用します。
   4. 最後の完全結合層 (線形) は、128 次元の特徴をターゲット クラスの数 (2 クラス) にマッピングし、モデルの出力を生成します。
      注:データ処理プラットフォームは次のように構成されました:4つのHYGON Z100L DCUを備えたサーバー。Python 3.8、PyTorch-1.13でのモデルの構築とトレーニング。この実験では、torch.nn モジュールを使用して、Conv2d (畳み込み層)、BatchNorm2d (バッチ正規化)、ELU (活性化関数)、AvgPool2d (平均プーリング)、Dropout (ドロップアウト層)、Linear (完全結合層)、CrossEntropyLoss (損失関数) などのコア コンポーネントを提供します。torch.optim モジュールは、パラメーター更新用の Adam オプティマイザーを提供します。torch.utils.data モジュールは、データ処理用の DataLoader (データローダー) と TensorDataset (データセットラッパークラス) を提供します。torch.device はデバイス構成 (DCU) に使用されます。torch.save はモデルパラメータの保存に使用されます。scikit-learn の sklearn.model_selection.train_test_split 関数は、データセットの分割に使用されます。アダムがオプティマイザーとして選ばれました。損失関数はクロスエントロピーでした。batch_sizeは 2 に設定されました。エポックは100に設定されました。入力データには、時間-周波数特徴を持つアルファバンドの6つの前頭前野チャンネル(Fp1、Fp2、AF3、AF4、AF7、AF8)のEEG特徴(Morlet抽出マトリックスに基づく)を使用します。実験を 7:3 の比率を使用してトレーニング セットとテスト セットに分割します。精度と混同行列のメトリックを使用して、分類結果を通じてモデルの有効性を評価します。

脳波データ処理と統計解析

生の脳波データは、エッジアーティファクトを最小限に抑えながら一時的な神経ダイナミクスを捉えるための時間周波数分析の標準的な慣行と一致して、イベントの発生を中心とした2秒のエポックに分割されました。各エポックは、シータからガンマバンドへの振動活動を検出するために、時間分解能と周波数分解能のバランスを最適に取る3サイクルの複素モーレットウェーブレットを使用して、連続ウェーブレット変換(CWT)を受けました。

図 2 の左側のパネルは演習グループを表し、右側のパネルはコントロール グループを表します。(1)データ処理品質:どちらのスペクトルも滑らかな曲線と特徴的な神経生理学的「1/f」減衰パターン(低周波での高出力が周波数とともに指数関数的に減少する)を示します。高度に重複する軌道は、効果的なデータ前処理(ノイズ除去、フィルタリングなど)と、周波数領域で良好な信号忠実度を備えた高いベースラインデータ品質を示しています。(2)微妙なグループ間の違い:アルファバンド(8-12 Hz、説明のために影付きの灰色の領域)内では、対照群(右)は運動群(左)と比較してわずかに低い検出力値を示し、1回の急性運動が安静時の脳振動のアルファリズムに軽度の調節効果を誘発した可能性があることを示唆しています。

統計的推論のために、すべての時間周波数ポイントにわたってポイントごとのノンパラメトリック順列検定 (5,000 回の反復) を実行しました。このアプローチは、ウェーブレット係数の非ガウス分布に対処するために、隣接する有効点(クラスター形成しきい値 p < 0.05、クラスターレベルの FDR 補正)をクラスタリングすることにより、多重比較を制御します。

図3に示すように、運動群と読書群の間で7〜13Hzの周波数帯域内で前頭前電極活動の有意差が観察されました。

CNNモデル分類性能の検証

特性不安が高い個人に対する運動介入の影響の調査では、前頭前野アルファバンドの特徴データを使用した畳み込みニューラルネットワーク (CNN) モデルの分類パフォーマンスが重要な側面です。この分析は、モデルが読み取りグループと運動グループを効果的に区別できるかどうかを判断し、それによって運動に関連する神経レベルの違いの証拠を提供することを目的としています。

CNNモデルは、前頭前野アルファバンドの特徴データを用いてRead 群とExercise群を区別したところ、高い分類性能を示し、精度は83.33%で、平均F1スコアは0.83、カッパ係数は0.63でした。モデルのパフォーマンスをよりよく理解するために、 図3Cに示されている二項分類混同行列に目を向けます。分類モデルを評価するための適切に構造化されたツールであるこの行列では、各行はデータの真のカテゴリを表し、各列はモデルによって予測されたカテゴリを表します。このレイアウトにより、さまざまなデータ インスタンスを正しく分類するモデルの能力を詳細に評価できます。このモデルは、両方のタイプのデータに対して比較的良好な分類性能を示しました。この高い認識率は、モデルが運動グループに属するデータの大部分を正確に識別できたことを意味します。言い換えれば、運動に関連する前頭前野アルファバンドの神経パターンは、モデルがそれらを高い確実性で認識するのに十分なほど明確でした。混同行列からのこれらの結果は、CNNモデルの全体的な精度をさらに裏付けています。

図1:安静状態の脳波取得とCNNベースの分類ワークフロー。 (A)左側:安静状態の脳波(EEG)の記録プロセス。右側:脳波波形と頭皮電極の分布。(B)畳み込みニューラルネットワーク(CNN)を使用して2つのグループのアルファ波を分類するワークフロー。 この図の拡大版を表示するには、ここをクリックしてください。

図2:運動群と対照群のパワースペクトル密度の比較。 左パネル:エクササイズグループ。右側のパネル:コントロールグループ。 この図の拡大版を表示するには、ここをクリックしてください。

図3:運動グループと読書グループの神経ダイナミクスとCNN分類。 (A) 時間-周波数クラスターを強調表示するポイントツーポイント t 検定によって特定されたグループ間の有意差 (p < 0.05、FDR 補正)。(B)グランド平均アルファバンド(7〜13 Hz)電力の地形図。地図は、読書グループ(左)と運動グループ(右)の神経振動活動の空間分布を示しています。(C)CNNモデルを用いた前頭前野アルファ活動の分類性能(精度:83.3%)。 この図の拡大版を表示するには、ここをクリックしてください。

表 1: 参加者の募集とスクリーニング基準。

著者は利益相反を宣言しません。