휴식 상태 EEG를 통한 운동 유발 신경 변화에서 알파파의 역할 설명

현대 사회에서는 삶의 속도가 빨라지고 삶의 압박에 대한 부담이 증가함에 따라 정서적 조절 장애의 유병률이 크게 급증하고 있습니다. 정서적 조절 장애의 다양한 징후 중에서 널리 퍼진 하위 유형인 불안은 개인에게 큰 도전이 됩니다. 약리학적 요법은 오랫동안 정서적 조절 장애, 특히 불안 치료의 근본적인 접근 방식으로 간주되어 왔습니다. 그러나 연구에 따르면 정서적 조절 장애가 있는 개인의 약 30%가 1차 약물에 반응하지 않는 것으로 나타났습니다. 또한, 이러한 약물을 장기간 사용하면 대사 장애 및 인지 장애와 같은 다양한 위험이 발생할 수 있습니다¹. 심리적 개입은 증거 기반 프레임워크를 통해 병인학적 요인을 다루지만 치료 효과의 지연된 시작과 함께 상당한 시간, 노력 및 재정적 자원이 필요한 장기간의 치료 기간으로 인해 제한됩니다 ^2,3.

최근 몇 년 동안 운동 중재는 정서적 조절 장애 치료에서 놀라운 이점을 보여주고 있습니다. 많은 연구에 따르면 운동은 내인성 신경 전달 물질 방출 촉진과 시냅스 변화 유도를 통해 자연적으로 감정 상태를 향상시키고 불안과 우울증을 완화할 수 있는 잠재력이 있습니다⁴. 예를 들어, 운동 훈련을 받은 쥐를 대상으로 한 연구에서는 저산소 부담이 52% 감소하고 인지 기능이 크게 향상되는 것으로 나타났습니다⁵. 다양한 상황에서 불안을 경험하는 개인의 상대적으로 안정적이고 오래 지속되는 경향을 나타내는 특성 불안6은 정서적 조절 장애의 기본 메커니즘을 이해하는 핵심 요소입니다. 이는 만성 불안의 핵심 특징으로 작용하며, 이를 연구하면 이러한 정서적 조절 장애의 병태생리학에 대한 귀중한 통찰력을 얻을 수 있습니다. 특성 불안을 이해함으로써 일부 개인이 불안 관련 기분 문제가 발생하기 쉬운 이유를 더 잘 이해할 수 있습니다. 이전 연구에서 우리는 정서 장애로 손상되는 정서적 인지 기능과 관련된 주요 뇌 영역과 운동 개입이 이러한 인지 기능 및 관련 뇌 영역을 어떻게 향상시킬 수 있는지에 대해 자세히 설명했습니다⁷. 또한 운동 개입이 고특성 불안이 있는 개인의 주의력 조절 능력에서 뇌 활동의 특성을 어떻게 개선할 수 있는지 자세히 알아보기 위해 두 가지 뇌파도(EEG) 실험을 수행했습니다⁸.

운동 중재는 우울증 치료에서 유망한 비약물적 접근법으로 부상했지만 운동 중재의 긍정적인 효과와 관련된 정확한 신경 바이오마커는 아직 명확하게 확인되지 않았습니다 ^9,10. 뇌 정보 처리의 "시공간 인코더" 역할을 하는 신경 진동 리듬은 불안에서 특징적인 조절 장애를 나타냅니다. 예를 들어, 연구에 따르면 전두엽 알파(α) 비동기화는 불안에서 일반적으로 관찰되는 인지 제어 결함과 관련이 있습니다^11,12. 이러한 신경 진동 리듬의 조절 장애는 감정 조절에 중요한 정상적인 신경 의사소통 과정의 근본적인 중단을 나타냅니다. 그러나 운동이 지역 간 리듬 결합 또는 지역 필드 전위 역학을 조절하여 실제로 정서적 기능을 재구성하는 방법을 포괄적으로 탐구하는 연구는 부족합니다^13,14.

EEG 기반 딥러닝 연구의 최근 발전은 병리학적 메커니즘을 이해하고 우울증 및 불안과 같은 정신 장애에 대한 정밀 치료법을 개발하기 위한 새로운 패러다임을 제공했습니다¹⁵. 특히, 숨겨진 마르코프 모델(HMM)과 결합된 휴식 상태 EEG의 동적 기능적 연결성(DFC)을 사용한 연구에서는 비정신병적 우울증, 정신병적 우울증 및 정신분열증 사이에서 델타(δ), 세타(θ), 알파(α) 및 감마(γ) 대역 네트워크 역학에서 상당한 차이가 나타났습니다 16,17,18. DFC 기반 이진 분류 모델은 이 세 가지 조건을 구별하는 데 73.1%의 정확도를 달성하여 기존의 정적 분석을 능가했습니다. 주요 바이오마커에는 θ 대역 DMN-SN 동기화, γ 대역 FPCN-변연계 동기화 및 HMM 상태 전이 확률이 포함되어 정밀 정신과 분류를 위한 새로운 프레임워크를 구축했습니다¹⁹ 그래프 이론 분석을 사용하여 기본 뇌 네트워크 기능이 치료 저항성 우울증에서 심부 뇌 자극(DBS) 효능을 예측한다는 것을 입증했습니다. 네트워크 메트릭을 사용한 랜덤 포레스트 모델은 DBS 반응 예측에서 81.2%의 정확도를 달성하여 임상 규모를 능가했습니다. 종단 데이터에 따르면 DBS는 δ 대역 글로벌 동기화를 강화하고 sgACC 중심성을 줄임으로써 네트워크 기능 장애를 역전시킵니다. 또한 왼쪽 전두엽 α파 전력은 항우울제 무반응을 예측했으며, 컨볼루션 신경망(CNN) 모델은 α 비대칭을 기반으로 82.3%의 정확도를 달성했습니다²⁰. Everaert et al. (2022)은 감정 조절 전략의 예측 특징을 식별하기 위해 460명의 참가자를 사용하여 특징 선택이 가능한 인공 신경망 모델을 개발했습니다. 이러한 발견은 운동 처방을 최적화하기 위해 정확한 신경 표적을 식별해야 하는 중요한 필요성을 강조합니다²¹.

운동 관련 신경과학 연구 영역에서 딥러닝은 운동 개입에 의해 생성된 복잡하고 고차원적이며 진폭이 낮은 시공간 신경학적 데이터에서 강력한 신경 바이오마커를 추출할 수 있는 강력한 도구로 부상했습니다. 여러 연구에서 신체 활동이 운동 관련 뇌 영역의 활성화 패턴과 주파수 대역 전반에 걸쳐 신경 진동 역학을 크게 조절한다는 것을 입증했습니다 22,23,24. 47개 연구에 대한 체계적인 검토에서 운동 후 전두엽 α/β 밴드 파워가 지속적으로 증가한 것으로 나타났으며, 이는 향상된 신경가소성과 피질 억제를 반영할 가능성이 높습니다²⁵. 급성 운동과 장기 훈련 모두 유사한 경향을 유발했지만 γ 밴드 반응은 강도에 따른 이질성(예: 중간 유산소 대 고강도 인터벌 트레이닝)을 보였습니다. 건강한 젊은 성인을 대상으로 한 4개월간의 유산소 개입은 상당한 전두엽 α파(9-12Hz) 증가를 일으켰으며 유산소 체력 향상과 양의 상관관계가 있었습니다. 반응 시간이나 정확도의 행동 개선은 없었지만 신경 진동 지표는 시각적 주의 네트워크의 동적 최적화를 나타내며 α파가 운동 효능에 대한 바이오마커 역할을 할 수 있음을 시사합니다²⁶. 높은 수준의 스포츠 전문가들은 조준 작업 중에 증가된 감각 운동 리듬(SMR, 12-15Hz) 파워를 보였으며, 동시에 감소된 전두엽-측두엽 일관성을 나타내어 자동화된 운동 기술 실행 및 네트워크 효율성 향상을 나타냅니다²⁷. 특히, 탁구 선수는 비운동선수에 비해 운동 관련 뇌 영역의 활성화가 감소한 것으로 나타났으며, 이는 장기 훈련이 전문적이고 에너지 효율적인 신경망을 구축한다는 것을 시사합니다²⁸.

본 연구는 특정 연구 대상으로서 특성 불안에 초점을 맞추고 뇌파 검사(EEG)를 사용하여 신경 데이터를 수집하고 신경 바이오마커를 탐색함으로써 정확한 신경 표적을 식별하기 위한 새로운 통찰력을 제공합니다. 이전 연구에 따르면 전두엽 영역의 알파파는 감정 조절, 인지 조절 및 감정 인식과 밀접한 관련이 있으며(Harmon-Jones et al., 2010), 외부 감정 단서(예: 얼굴 표정, 음성 톤) 해독 및 감정 반응 조절과 같은 과정에서 중추적인 역할을 합니다. 연구에 따르면 전두엽 알파 활동의 변화는 특히 불안과 부정적인 감정 상태에서 정서적 조절 장애의 생리학적 지표 역할을 할 수 있습니다 29,30,31. 휴식 상태 뇌파 검사(EEG)는 뇌의 동적 특성을 조사하기 위한 신경과학의 기본 실험 조건 역할을 하며, 참가자는 인지 작업을 수행하지 않고 깨어 있어야 합니다³². 실험 조건에는 눈을 감거나 눈을 뜬 상태가 포함될 수 있습니다. 경험적 증거에 따르면 전두엽 알파 진동의 변화는 특히 불안과 부정적인 감정이 우세한 상태를 특징으로 하는 상태에서 감정 조절 장애에 대한 바이오마커로 기능할 수 있습니다^33,34. 그것의 파워 스펙트럼 밀도와 기능적 연결 패턴은 뇌의 내재적 활동 특성을 밝힐 수 있으며, 신경퇴행성 질환(예: 알츠하이머병), 발달 장애(예: 발달 난독증)^35,36 및 정신 및 정서적 장애(예: 우울증 및 불안)³⁷에서 병리학적 마커를 검출하는 데 적용할 수 있습니다.. 이 중 눈을 뜬 상태의 알파 리듬은 정서장애에 대한 연구에 일반적으로 활용된다^38,39. 결과적으로, 본 연구는 특성 불안에 대한 운동 중재 전후의 전두엽 영역에서 알파 진동의 분류 성능을 조사합니다. EEG 데이터를 기반으로 하는 이 연구는 EEGNet을 사용하여 특성 불안이 높은 개인을 위한 운동 개입과 관련된 신경 표적을 식별합니다. EEGNet은 EEG 신호 분류를 위해 특별히 설계되었으며 기존 및 기타 딥 러닝 방법에 비해 몇 가지 주요 이점을 제공하므로 제한된 데이터로 EEG 패턴을 조사하는 데 특히 적합합니다⁴⁰.

휴식 상태 EEG 데이터는 10-20 국제 표준에 따라 64채널 시스템(Brain Products, 독일)을 사용하여 샘플링 속도 1000Hz 및 대역 통과 필터링(0.1-100Hz)으로 수집되었습니다. 신호 품질을 보장하기 위해 전극 임피던스를 5kΩ 미만으로 유지하고 ICA(Independent Component Analysis) 를 통해 안구 아티팩트를 제거했습니다. 참가자들은 십자가에 고정하는 동안 눈을 뜨고 깨어 있어 움직임 관련 소음을 최소화하도록 지시받았습니다.

고특성 불안 참가자의 주요 포함 기준은 다음과 같습니다: (1) 특성 불안 목록 점수 55≥, (2) 기존 피트니스 효과를 제어하기 위한 제한된 고강도 운동(주당 3일 <), (3) 총 주간 신체 활동 < 600 MET-min. 이러한 기준은 실제 앉아서 생활하는 인구를 반영하면서 샘플을 균질화하는 것을 목표로 했습니다. 한계는 기준선 각성 또는 감지되지 않은 무증상 조건의 개인차로 인한 휴식 상태 EEG 역학의 잠재적 가변성이며, 향후 연구에서는 더 큰 샘플 및 다중 모드 평가(예: fMRI 또는 행동 작업)로 해결할 수 있습니다.

우리는 전두엽 알파 활동이 운동 및 조절의 EEG 데이터를 효과적으로 분류할 수 있다는 가설을 세웁니다. 요약하면, 본 연구는 AI 기술을 활용하여 특성 불안을 모델로 사용하여 정서 장애에 대한 운동 중재의 이점을 분석하는 것을 목표로 합니다. 방법론과 연구 결과를 통해 이 작업은 해당 분야의 현재 개발과 과제에 대한 이해를 높이고 향후 연구를 위한 지침과 통찰력을 제공하고자 합니다.

본 연구는 우한체육대학교(2023016)기관연구윤리위원회의 승인을 받았다.

1. 연구 참가자

1. 대학에서 스포츠 전공이 아닌 학생 550명을 자발적으로 모집합니다. 샘플 선택을 위한 사전 스크리닝을 수행합니다. 표 1과 같이 이러한 목적을 위해 중국 개정 상태-특성 불안 목록⁴¹을 사용하십시오.
2. 특성 불안 하위 척도에서 55점 이상을 받은 개인을 특성 불안이 높은 개인으로 분류하고 EEG 실험을 위해 선택합니다. 이전 ERP 연구에서 확립된 기준에 따라 이 목록의 특성 불안 하위 척도를 주요 평가 도구로 사용합니다⁴². 이 컷오프 점수 55점은 이전 연구에 근거하여 특성 불안이 높은 참가자를 분류하는 일관되고 유효한 방법을 보장합니다.
3. 신체 활동 수준에 대해 불안 점수가 55보다 높은 개인을 추가로 평가합니다. 참가자는 또한 지난 주의 신체 활동 패턴과 관련된 세 가지 특정 포함 기준을 충족해야 했습니다.
   1. 참가자가 3일 미만 동안 고강도 신체 활동에 참여했는지 확인하십시오(각 세션은 하루 ≥ 20분 지속).
      참고: 고강도 신체 활동은 신체와 뇌에 상당한 영향을 미쳐 잠재적으로 신경 가소성과 신경 전달 물질 수준을 변화시킬 수 있습니다. 고강도 활동일수를 제한함으로써 연구자들은 연구 중인 관계에 대한 이러한 격렬한 운동의 교란 효과를 최소화할 수 있습니다.
   2. 모든 강도의 총 운동 일수가 주당 5일 미만이고 총 운동량이 주당 600MET-min 미만인지 확인하십시오. 이렇게 하면 참가자의 전체 운동 부하가 특정 범위 내에 있는지 확인하여 다양한 운동량으로 인한 샘플의 변동성이 줄어듭니다.
   3. 참가자가 30분 미만의 중간 강도 활동에 참여하고 일주일에 5일 미만 동안 걷았는지 확인합니다.
      참고: 중간 강도의 활동과 걷기는 고강도 운동보다 덜 강렬하지만 여전히 신체의 생리적, 심리적 상태에 영향을 미칠 수 있습니다. 이러한 한계를 설정함으로써 연구자들은 실험 결과에 대한 다양한 유형의 신체 활동의 잠재적 영향을 추가로 제어할 수 있습니다.

2. 작업 지시

1. 운동 중재 그룹의 참가자에게 생리학적 데이터를 기록하기 위해 심박수 모니터를 착용하고 고정식 사이클 에르고미터를 사용하여 30분 동안 중간 강도의 유산소 운동에 참여하도록 지시합니다. 운동 개입은 확립된 지침⁴³에 따라 세 단계로 구성되었습니다.
   1. 워밍업 단계: 참가자들에게 주요 운동 단계를 위한 근육 조직과 심혈관계를 준비하기 위해 5분 동안 25와트로 사이클링하도록 지시합니다.
   2. 주요 운동 단계: 참가자들에게 적당한 강도에서 70-80rpm의 페달링 속도로 20분 연속 사이클링 작업을 수행하도록 지시합니다. 2초마다 심박수를 모니터링하고 다음 공식을 사용하여 목표 심박수(THR)를 계산합니다.
      THR(HRmax − HRrest) × 원하는 강도 + HRrest
      여기서 HRmax = 최대 심박수, HRrest = 안정시 심박수, 원하는 강도는 ACSM 운동 지침⁴³에 따라 결정되었습니다.
   3. 쿨다운 단계: 참가자에게 심박수를 낮추고 부상 위험을 최소화하며 근육 이완을 촉진하기 위해 5분 이내에 사이클링 부하를 15W로 줄이도록 요청합니다.
2. 통제 그룹 작업: 참가자가 30분 동안 실험실에 조용히 앉아 자유 독서 작업에 참여하도록 합니다.

3. 데이터 수집

1. 64리드 장치를 사용하여 피험자의 EEG 신호를 기록하고 샘플링 주파수가 1000Hz인 국제 표준 10-20 시스템에 따라 전극 어레이를 설정합니다.
2. 데이터 수집 전에 모든 전극-피부 인터페이스에 의료용 전도성 페이스트를 도포하여 임피던스 값을 5kΩ 미만으로 보장함으로써 신호 충실도를 최적화하고 모션 아티팩트를 줄입니다.
3. 데이터 수집을 위한 샘플링 속도는 1000Hz였으며 대역 통과 필터는 0.1-100Hz였습니다. 전극 임피던스를 5kΩ 미만으로 유지합니다.
4. 왼쪽 눈의 왼쪽 외안각에 전극을 놓고 수직 안구 움직임과 깜박임을 기록합니다.
5. 데이터 수집 중에 FCz와 FPz는 각각 원래 기준 전극과 접지 전극 역할을 했습니다.
6. 참가자들에게 눈을 뜨고 십자가에 고정하도록 지시합니다. 그 과정 전반에 걸쳐 의식과 주의력을 유지하고, 특정 생각에 집중하지 않고, 감정적 변동을 경험하지 않아야 합니다.

4. 오프라인 데이터 분석

1. 전처리
   1. 원시 데이터를 모든 전극의 평균으로 다시 참조합니다.
   2. 0.1-40Hz 대역 통과 필터를 적용하여 저주파 드리프트(예: 호흡기 아티팩트) 및 고주파 노이즈(예: 전력선 간섭 및 근전도 아티팩트)를 제거합니다.
   3. 모든 피험자의 데이터를 각 기록의 초기 및 마지막 10초 부분을 제외하고 120초 에포크로 분할하여 장치 초기화에서 잠재적인 에지 아티팩트를 제거합니다.
   4. ICA(Independent Component Analysis) 기술을 사용하여 안전도(EOG) 및 심전도(ECG) 아티팩트를 제거합니다. Infomax 알고리즘은 신호를 통계적으로 독립적인 구성 요소로 분해했습니다. 인공적 구성 요소는 삼자 특성화를 통해 식별되었습니다: (1) 공간 지형(전두극 쌍극자 분포를 나타내는 EOG, 좌측 측두엽 우세를 나타내는 ECG); (2) 시간적 역학(깜박임 잠금 일시적인 스파이크를 나타내는 EOG, 심장 박동 주기성을 나타내는 ECG); 및 (3) 스펙트럼 시그니처(저주파 스펙트럼 농도를 나타내는 EOG)⁴⁴.
   5. EEG 전압이 75μV± 초과한 기간을 아티팩트로 제거합니다.
2. 밴드별 차이 분석
   1. 먼저 EEG 신호를 120초 간격으로 작은 세그먼트로 분할합니다.
   2. 복잡한 Morlet 웨이블릿을 사용하여 EEG 신호의 시간-주파수 특성을 분석합니다.
   3. 매개변수를 다음과 같이 설정합니다. EEG 분석을 위한 시간-주파수 분해능을 최적화하기 위해 주기[3 0.8], 100개의 주파수 빈(nfreqs) 및 200개의 시점(ntimeout)이 있는 웨이블릿 변환 매개변수를 선택합니다⁴⁵.
   4. 모든 시간 주파수 지점에서 지점별 순열 테스트(10,000회 반복)를 수행하여 통계적 유의성을 평가합니다(p < 0.05, FDR 보정).
   5. x축에 시간 지점이 있고 y축에 빈도 구간이 있는 시간-주파수 플롯으로 시각화합니다.

5. 모델 분석

참고: 이 컨볼루션 신경망(CNN)은 다중 스케일 2차원 컨볼루션 연산⁽⁴⁶)을 통해 EEG 신호의 시간-주파수 특징의 학습을 달성합니다. CNN 모델의 프로세스는 그림 1B에 나와 있습니다.

1. 첫 번째 컨볼루션 블록
   1. in_channels = 6, out_channels = 16, kernel_size = (3, 3) 및 패딩 = 1인 2D 컨볼루션 레이어(Conv2d)를 사용하여 로컬 공간 특징을 추출하며, 여기서 대칭 패딩은 컨볼루션 후에도 공간 차원이 변경되지 않도록 합니다.
   2. 컨볼루션 레이어의 출력에 배치 정규화(BatchNorm2d)를 적용하여 훈련을 안정화하고 수렴을 가속화한 다음 ReLU(Rectified Linear Unit) 활성화 함수를 적용하여 비선형성을 도입합니다.
   3. 피처 압축에 kernel_size = (2, 2) 및 보폭 = 2인 최대 풀링 레이어(MaxPool2d)를 사용하여 중요한 피처 정보를 유지하면서 공간 차원을 절반으로 줄입니다.
2. 두 번째 컨볼루션 블록
   1. in_channels = 16, out_channels = 32, kernel_size = (3, 3) 및 패딩 = 1인 다른 2D 컨볼루션 레이어(Conv2d)를 활용하여 공간 차원을 유지하기 위해 동일한 패딩 전략을 사용하여 첫 번째 블록의 출력을 기반으로 높은 수준의 공간 피처를 추가로 추출합니다.
   2. 첫 번째 블록과 유사하게 배치 정규화(BatchNorm2d) 및 ReLU 활성화를 순차적으로 적용하여 기능을 정규화하고 비선형성을 도입합니다.
   3. 다시 말하지만, kernel_size = (2, 2) 및 보폭 = 2인 최대 풀링 레이어(MaxPool2d)를 사용하여 피처를 압축합니다.
3. 완전히 연결된 레이어
   1. 두 번째 컨볼루션 블록의 출력 기능을 완전히 연결된 레이어에 대한 입력 역할을 하는 1차원 벡터로 평면화합니다.
   2. 첫 번째 완전 연결 레이어(선형)가 평면화된 기능을 256차원 기능 공간에 매핑한 다음 과적합을 방지하기 위해 비율이 0.5인 드롭아웃 레이어(Dropout)와 ReLU 활성화 함수를 매핑합니다.
   3. 두 번째 완전 연결 레이어(선형)는 0.5의 비율과 ReLU 활성화 함수가 순차적으로 적용되는 또 다른 드롭아웃 레이어(Dropout)를 사용하여 기능 차원을 256에서 128로 더 줄입니다.
   4. 최종 완전 연결 계층(선형)은 128차원 기능을 대상 클래스(2클래스)의 수에 매핑하여 모델의 출력을 생성합니다.
      참고: 데이터 처리 플랫폼은 다음과 같이 구성되었습니다: 4개의 HYGON Z100L DCU가 있는 서버; Python 3.8, PyTorch-1.13에서 모델 구축 및 훈련. 실험에서는 torch.nn 모듈을 사용하여 Conv2d(컨볼루션 계층), BatchNorm2d(배치 정규화), ELU(활성화 함수), AvgPool2d(평균 풀링), Dropout(드롭아웃 계층), Linear(완전 연결 계층) 및 CrossEntropyLoss(손실 함수)와 같은 핵심 구성 요소를 제공합니다. torch.optim 모듈은 매개변수 업데이트를 위한 Adam 옵티마이저를 제공합니다. torch.utils.data 모듈은 데이터 처리를 위한 DataLoader(데이터 로더) 및 TensorDataset(데이터 세트 래퍼 클래스)를 제공합니다. torch.device는 장치 구성(DCU)에 사용됩니다. torch.save 는 모델 매개변수 저장에 사용됩니다. scikit-learn의 sklearn.model_selection.train_test_split 함수는 데이터 세트 분할에 사용됩니다. Adam이 옵티마이저로 선택되었습니다. 손실 함수는 교차 엔트로피였습니다. batch_size 2로 설정되었습니다. epoch는 100으로 설정되었습니다. 입력 데이터의 경우 시간-주파수 특징이 있는 알파 대역의 6개 전두엽 채널(Fp1, Fp2, AF3, AF4, AF7, AF8)의 EEG 특징(Morlet 추출 행렬 기반)을 사용합니다. 실험을 7:3 비율로 훈련 세트와 테스트 세트로 나눕니다. 정확도 및 혼동 행렬 메트릭을 사용하여 분류 결과를 통해 모델 효과를 평가합니다.

EEG 데이터 처리 및 통계 분석

원시 EEG 데이터는 이벤트 시작을 중심으로 2초 에포크로 분할되었으며, 가장자리 아티팩트를 최소화하면서 일시적인 신경 역학을 포착하기 위한 시간-주파수 분석의 표준 관행과 일치합니다. 각 에포크는 3주기의 복잡한 Morlet 웨이블릿을 사용하여 연속 웨이블릿 변환(CWT)을 거쳤으며, 이는 감마 대역으로의 세타에서 진동 활동을 감지하기 위한 시간 및 주파수 해상도의 균형을 최적으로 유지합니다.

그림 2의 왼쪽 패널은 운동 그룹을 나타내고 오른쪽 패널은 제어 그룹을 나타냅니다. (1) 데이터 처리 품질: 두 스펙트럼 모두 부드러운 곡선과 특징적인 신경생리학적 "1/f" 감쇠 패턴(주파수에 따라 기하급수적으로 감소하는 저주파의 고전력)을 나타냅니다. 고도로 겹치는 궤적은 효과적인 데이터 전처리(예: 노이즈 제거, 필터링)와 주파수 영역에서 우수한 신호 충실도를 갖춘 높은 기준선 데이터 품질을 나타냅니다. (2) 미묘한 그룹 간 차이: 알파 대역(8-12Hz, 그림을 위해 음영 처리된 회색 영역) 내에서 대조군(오른쪽)은 운동군(왼쪽)에 비해 약간 낮은 전력 값을 나타내며, 이는 급성 운동의 한 번의 시합이 휴식 상태 뇌 진동의 알파 리듬에 경미한 조절 효과를 유도했을 수 있음을 시사합니다.

통계적 추론을 위해 모든 시간 빈도 지점에 걸쳐 점별 비모수 순열 테스트(5,000회 반복)를 수행했습니다. 이 접근 방식은 웨이블릿 계수의 비가우스 분포를 해결하기 위해 인접한 유효 지점(클러스터 형성 임계값 p < 0.05, 클러스터 수준 FDR 보정)을 클러스터링하여 다중 비교를 제어합니다.

그림 3과 같이 운동 그룹과 독서 그룹 사이의 7-13Hz 주파수 대역 내에서 전두엽 전극 활동의 유의미한 차이가 관찰되었습니다.

CNN 모델 분류 성능 검증

특성 불안이 높은 개인에 대한 운동 개입의 영향을 조사하는 데 있어 전두엽 알파 밴드 특징 데이터를 사용한 CNN(Convolutional Neural Network) 모델의 분류 성능은 중요한 측면입니다. 이 분석은 모델이 읽기 그룹과 운동 그룹을 효과적으로 구별할 수 있는지 여부를 결정하여 운동과 관련된 신경 수준 차이에 대한 증거를 제공하는 것을 목표로 합니다.

CNN 모델은 전두엽 알파 밴드 특징 데이터를 사용하여 읽기 그룹과 운동 그룹을 구별할 때 83.33%의 정확도로 높은 분류 성능을 보였으며 평균 F1 점수 0.83, 카파 계수 0.63을 달성했습니다. 모델의 성능을 더 잘 이해하기 위해 그림 3C에 제시된 이진 분류 혼동 행렬을 사용합니다. 분류 모델을 평가하기 위한 잘 구성된 도구인 이 행렬에서 각 행은 데이터의 실제 범주를 나타내고 각 열은 모델에서 예측한 범주를 나타냅니다. 이 레이아웃을 사용하면 다양한 데이터 인스턴스를 올바르게 분류하는 모델의 능력을 자세히 평가할 수 있습니다. 이 모델은 두 가지 유형의 데이터 모두에 대해 비교적 우수한 분류 성능을 보였습니다. 이러한 높은 인식률은 모델이 운동 그룹에 속하는 데이터의 상당 부분을 정확하게 식별할 수 있었음을 의미합니다. 즉, 운동과 관련된 전두엽 알파 밴드의 신경 패턴은 모델이 높은 수준의 확실성으로 인식할 수 있을 만큼 충분히 뚜렷했습니다. 혼동 행렬의 이러한 결과는 CNN 모델의 전반적인 정확도를 더욱 뒷받침합니다.

그림 1: 휴식 상태 EEG 획득 및 CNN 기반 분류 워크플로 . (A) 왼쪽: 휴식 상태 뇌파도(EEG)의 기록 과정. 오른쪽: EEG 파형과 두피 전극의 분포. (B) CNN(Convolutional Neural Network)을 사용하여 두 그룹의 알파파를 분류하는 워크플로. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 2: 운동군과 대조군 간의 전력 스펙트럼 밀도 비교. 왼쪽 패널: 운동 그룹; 오른쪽 패널: 제어 그룹. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 3: 운동 대 독서 그룹의 신경 역학 및 CNN 분류. (A) 시간-주파수 클러스터를 강조하는 지점 간 t-테스트로 식별된 그룹 간의 유의미한 차이(p < 0.05, FDR 보정). (B) 그랜드 평균 알파 대역(7-13Hz) 전력의 지형도. 지도는 독서 그룹(왼쪽)과 운동 그룹(오른쪽)에 대한 신경 진동 활동의 공간적 분포를 보여줍니다. (C) CNN 모델을 이용한 전두엽 알파 활동의 분류 성능(정확도: 83.3%). 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

표 1: 참가자 모집 및 선별 기준.

저자는 이해 상충이 없음을 선언합니다.