Method Article

Afbakening van de rol van alfagolven in door inspanning geïnduceerde neurale veranderingen door middel van EEG in rusttoestand

DOI:

10.3791/68737

⸱

November 7th, 2025

 ,  ,  ,  ,  ,  ,  ,  ,  , 
11Department of Psychology, School of Sports Medicine,, Wuhan Sports University, 2Research Center of Translational Medicine, Naval Medical University

* These authors contributed equally

In This Article

Summary

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

Dit protocol heeft tot doel prefrontale alfa-band neurale oscillerende herprogrammering te decoderen die wordt geïnduceerd door aërobe oefening bij personen met een hoge eigenschapsangst, met behulp van EEG-deep learning-integratie. Het ontwikkelde voorspellende model (81,82% nauwkeurigheid) identificeert alfa-oscillatie als het kernmechanisme voor door inspanning gemedieerde angstverlichting, waardoor precisie-neuromodulatiedoelen voor emotionele stoornissen worden bevorderd.

Abstract

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

Inspanningsinterventie vertoont een uniek potentieel bij de behandeling van emotionele ontregeling, maar de ambiguïteit van de neuromodulatiedoelen belemmert de ontwikkeling van nauwkeurige inspanningsvoorschriften. Deze studie onderzoekt eigenschapsangst als een representatieve emotionele stoornis bij 40 universiteitsstudenten met een hoge trekangst, die willekeurig werden toegewezen aan een inspanningsinterventiegroep (40 minuten matige intensiteit aërobe oefening, n = 20) of een niet-inspanningscontrolegroep (40 minuten rustig lezen, n = 20), gevolgd door EEG-gegevensverzameling in rust. Door elektro-encefalografie in rusttoestand (EEG) na inspanning te integreren met deep learning-algoritmen, ontwikkelden we een alfa-band tijd-frequentie voorspellend model om systematisch de neurale oscillerende herprogrammeringsmechanismen in de prefrontale cortex geïnduceerd door inspanning te decoderen. Het deep learning-model vertoonde een superieure classificatie-efficiëntie (nauwkeurigheid 83,33%, F1-score 0,83, Kappa-coëfficiënt 0,67) bij het identificeren van door inspanning geïnduceerde spectrale entropieveranderingen in het alfabandvermogen. Deze studie is een pionier in de identificatie van prefrontale Alpha excitatoire herbalancering door middel van neurale oscillatie remodellering als het kernmechanisme dat ten grondslag ligt aan door inspanning gemedieerde angstbeperking.

Introduction

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

In de hedendaagse samenleving hebben het versnelde tempo van het leven en de toenemende last van de druk van het leven geleid tot een aanzienlijke toename van de prevalentie van emotionele ontregeling. Onder de verschillende manifestaties van emotionele ontregeling vormt angst, een veel voorkomend subtype, een grote uitdaging voor individuen. Farmacologische therapieën worden al lang beschouwd als een fundamentele benadering bij de behandeling van emotionele ontregeling, met name angst. Onderzoek heeft echter aangetoond dat ongeveer 30% van de personen met emotionele ontregeling niet reageert op eerstelijnsmedicatie. Bovendien kan langdurig gebruik van deze geneesmiddelen verschillende risico's met zich meebrengen, zoals stofwisselingsstoornissen en cognitieve stoornissen1. Psychologische interventies, hoewel ze etiologische factoren aanpakken via evidence-based kaders, worden beperkt door langere behandelingsduur die veel tijd, moeite en financiële middelen vergt, naast het vertraagde begin van therapeutische effecten 2,3.

In de afgelopen jaren heeft oefeninterventie opmerkelijke voordelen aangetoond bij de behandeling van emotionele ontregeling. Een groot aantal onderzoeken heeft aangetoond dat lichaamsbeweging het potentieel heeft om op natuurlijke wijze emotionele toestanden te verbeteren en angst en depressie te verlichten, bereikt door de bevordering van de afgifte van endogene neurotransmitters en de inductie van synaptische veranderingen4. Uit onderzoek bij muizen die getraind werden door inspanning bleek bijvoorbeeld dat hun hypoxische belasting met 52% was verminderd en dat er een significante verbetering van de cognitieve functie werd waargenomen5. Eigenschapsangst, die de relatief stabiele en langdurige neiging van een persoon vertegenwoordigt om angst te ervaren in verschillende situaties6, is een sleutelfactor bij het begrijpen van de onderliggende mechanismen van emotionele ontregeling. Het dient als een kernkenmerk van chronische angst, en het bestuderen ervan kan waardevolle inzichten opleveren in de pathofysiologie van dergelijke emotionele ontregeling. Door angst voor eigenschappen te begrijpen, kunnen we beter begrijpen waarom sommige mensen vatbaarder zijn voor het ontwikkelen van angstgerelateerde stemmingsproblemen. In ons eerdere werk hebben we dieper ingegaan op de belangrijkste hersengebieden die verband houden met emotionele cognitieve functies die zijn aangetast bij emotionele stoornissen en hoe inspanningsinterventie deze cognitieve functies en relevante hersengebieden kan verbeteren7. Daarnaast hebben we twee elektro-encefalogram (EEG)-experimenten uitgevoerd om in detail te onderzoeken hoe inspanningsinterventie de kenmerken van hersenactiviteit in het aandachtscontrolevermogen kan verbeteren bij personen met angst met een hoge eigenschap8.

Hoewel inspanningsinterventie naar voren is gekomen als een veelbelovende niet-farmacologische benadering bij de behandeling van depressie, zijn de precieze neurale biomarkers die verband houden met de positieve effecten van inspanningsinterventie nog niet duidelijk geïdentificeerd 9,10. Neurale oscillerende ritmes, die fungeren als de "spatiotemporele encoders" van de informatieverwerking van de hersenen, vertonen karakteristieke ontregeling bij angst. Onderzoek heeft bijvoorbeeld aangetoond dat prefrontale Alpha(α)-desynchronisatie geassocieerd is met cognitieve controlestoornissen die vaak worden waargenomen bij angst11,12. Deze ontregeling van neurale oscillerende ritmes duidt op een onderliggende verstoring in de normale neurale communicatieprocessen die cruciaal zijn voor emotionele regulatie. Er is echter een gebrek aan studies die uitgebreid onderzoeken hoe lichaamsbeweging de emotionele functie daadwerkelijk hervormt door de interregionale ritmische koppeling of de dynamiek van het lokale veldpotentieel te moduleren13,14.

Recente ontwikkelingen in EEG-gebaseerd deep learning-onderzoek hebben nieuwe paradigma's opgeleverd voor het begrijpen van pathologische mechanismen en het ontwikkelen van precisiebehandelingen voor psychische stoornissen zoals depressie en angst15. Met name studies waarbij gebruik wordt gemaakt van dynamische functionele connectiviteit (DFC) van EEG in rusttoestand in combinatie met verborgen Markov-modellen (HMM's) hebben significante verschillen aangetoond in de dynamiek van het Delta (δ), Theta (θ), Alpha (α) en Gamma (γ) band tussen niet-psychotische depressie, psychotische depressie en schizofrenie 16,17,18 . Een op DFC gebaseerd binair classificatiemodel bereikte een nauwkeurigheid van 73,1% bij het onderscheiden van deze drie aandoeningen, waarmee het beter presteerde dan traditionele statische analyses. Belangrijke biomarkers waren onder meer θ-band DMN-SN-synchronisatie, γ-band FPCN-limbische systeemsynchronisatie en HMM-toestandsovergangskansen, waarmee een nieuw kader voor precisie psychiatrische classificatie werd opgezet19 gebruikte grafentheoretische analyse om aan te tonen dat basiskenmerken van het hersennetwerk de werkzaamheid van diepe hersenstimulatie (DBS) voorspellen bij therapieresistente depressie. Een willekeurig forest-model dat gebruikmaakte van netwerkmetrieken bereikte een nauwkeurigheid van 81,2% bij het voorspellen van DBS-respons, waarmee de klinische schalen werden overtroffen. Longitudinale gegevens toonden aan dat DBS netwerkdisfunctie omkeert door de wereldwijde synchronisatie van δ-bands te verbeteren en de sgACC-centraliteit te verminderen. Bovendien voorspelde de linker prefrontale α-golfkracht antidepressiva non-respons, waarbij een convolutioneel neuraal netwerk (CNN) -model een nauwkeurigheid van 82,3% bereikte op basis van α-asymmetrie20. Everaert et al. (2022) ontwikkelden een kunstmatig neuraal netwerkmodel met functieselectie met 460 deelnemers om voorspellende kenmerken van emotieregulatiestrategieën te identificeren. Deze bevindingen onderstrepen de cruciale noodzaak om precieze neurale doelen te identificeren om trainingsvoorschriften te optimaliseren21.

Op het gebied van inspanningsgerelateerd neurowetenschappelijk onderzoek is deep learning naar voren gekomen als een krachtig hulpmiddel, dat de extractie van robuuste neurale biomarkers mogelijk maakt uit de complexe, hoogdimensionale en lage amplitude spatiotemporele neurologische gegevens die worden gegenereerd door inspanningsinterventies. Meerdere studies hebben aangetoond dat fysieke activiteit activeringspatronen in motorische hersengebieden en neurale oscillerende dynamiek over frequentiebanden significant moduleert 22,23,24. Een systematische review van 47 onderzoeken toonde een consistente toename van de prefrontale α/β-bandkracht na inspanning, waarschijnlijk als gevolg van verbeterde neuroplasticiteit en corticale remming25. Zowel acute inspanning als langdurige training veroorzaakten vergelijkbare trends, hoewel γ-bandresponsen intensiteitsafhankelijke heterogeniteit vertoonden (bijv. matige aerobe versus intervaltraining met hoge intensiteit). Aërobe interventies van vier maanden bij gezonde jonge volwassenen produceerden een significante prefrontale α golf (9-12 Hz) augmentatie, positief gecorreleerd met aërobe conditiewinsten. Hoewel gedragsverbeteringen in reactietijd of nauwkeurigheid afwezig waren, duidden neurale oscillatiestatistieken op dynamische optimalisatie van visuele aandachtsnetwerken, wat suggereert α golven kunnen dienen als biomarkers voor de effectiviteit van inspanning26. Sportexperts op hoog niveau vertoonden een verhoogd sensomotorisch ritme (SMR, 12-15 Hz) vermogen tijdens richttaken, gelijktijdig met verminderde prefrontale-temporele coherentie, wat wijst op geautomatiseerde uitvoering van motorische vaardigheden en verbetering van de netwerkefficiëntie27. Met name tafeltennisatleten vertoonden verminderde activering in inspanningsgerelateerde hersengebieden in vergelijking met niet-atleten, wat suggereert dat langdurige training gespecialiseerde, energie-efficiënte neurale netwerken opbouwt28.

Deze studie richt zich op eigenschapsangst als een specifiek onderzoeksonderwerp, waarbij elektro-encefalografie (EEG) wordt gebruikt om neurale gegevens te verzamelen en de neurale biomarkers te verkennen, waardoor nieuwe inzichten worden verkregen voor het identificeren van precieze neurale doelen. Eerder onderzoek geeft aan dat alfagolven in het prefrontale gebied nauw verbonden zijn met emotionele regulatie, cognitieve controle en emotionele herkenning (Harmon-Jones et al., 2010), en een cruciale rol spelen in processen zoals het decoderen van externe emotionele signalen (bijv. Gezichtsuitdrukkingen, vocale tonen) en het moduleren van emotionele reacties. Studies suggereren dat veranderingen in prefrontale alfa-activiteit kunnen dienen als fysiologische markers van emotionele ontregeling, met name bij angst en negatieve emotionele toestanden 29,30,31. Elektro-encefalografie in rusttoestand (EEG) dient als een standaard experimentele conditie in de neurowetenschappen voor het onderzoeken van de dynamische eigenschappen van de hersenen, waarbij deelnemers wakker moeten blijven zonder cognitieve taken uit te voeren32. Experimentele omstandigheden kunnen bestaan uit gesloten of open ogen. Empirisch bewijs geeft aan dat veranderingen in prefrontale alfa-oscillaties kunnen fungeren als biomarkers voor verminderde emotieregulatie, vooral bij aandoeningen die worden gekenmerkt door angst en een overwicht van negatief affect33,34. De spectrale vermogensdichtheid en functionele connectiviteitspatronen kunnen de intrinsieke activiteitskenmerken van de hersenen onthullen en zijn van toepassing op het detecteren van pathologische markers bij neurodegeneratieve ziekten (bijv. de ziekte van Alzheimer), ontwikkelingsstoornissen (bijv. ontwikkelingsdyslexie)35,36, evenals mentale en emotionele stoornissen (bijv. depressie en angst)37. Hiervan wordt het alfaritme onder de ogen-open conditie vaak gebruikt in onderzoeken naar emotionele stoornissen38,39. Bijgevolg onderzoekt deze studie de classificatieprestaties van alfa-oscillaties in prefrontale regio's voor inspanningsinterventies voor eigenschapsangst. Voortbouwend op EEG-gegevens, maakt dit onderzoek gebruik van EEGNet om neurale doelen te identificeren die verband houden met inspanningsinterventies voor personen met een hoge eigenschapsangst. EEGNet is speciaal ontworpen voor EEG-signaalclassificatie en biedt verschillende belangrijke voordelen ten opzichte van traditionele en andere deep learning-methoden, waardoor het bijzonder geschikt is voor het onderzoeken van EEG-patronen met beperkte gegevens40.

De EEG-gegevens in rusttoestand werden verzameld met behulp van een 64-kanaals systeem (Brain Products, Duitsland) volgens de internationale standaard 10-20, met een bemonsteringsfrequentie van 1000 Hz en banddoorlaatfiltering (0,1-100 Hz). Om de signaalkwaliteit te garanderen, werd de elektrode-impedantie onder de 5 kΩ gehouden en werden oculaire artefacten verwijderd via Independent Component Analysis (ICA). Deelnemers kregen de opdracht om wakker te blijven met open ogen terwijl ze zich fixeerden op een kruis, waardoor bewegingsgerelateerd geluid werd geminimaliseerd.

De belangrijkste inclusiecriteria voor deelnemers met een hoge eigenschapsangst waren: (1) Trait Anxiety Inventory-scores ≥ 55, (2) beperkte intensieve training (< 3 dagen/week) om te controleren op reeds bestaande fitnesseffecten, en (3) totale wekelijkse fysieke activiteit < 600 MET-min. Deze criteria waren bedoeld om de steekproef te homogeniseren en tegelijkertijd de sedentaire populaties in de echte wereld te weerspiegelen. Een beperking is de potentiële variabiliteit in EEG-dynamiek in rusttoestand als gevolg van individuele verschillen in opwinding bij aanvang of niet-gedetecteerde subklinische aandoeningen, die toekomstige studies zouden kunnen aanpakken met grotere steekproeven en multimodale beoordelingen (bijv. fMRI of gedragstaken).

Onze hypothese is dat prefrontale alfa-activiteit de EEG-gegevens van inspanning en controle effectief kan classificeren. Samenvattend heeft deze studie tot doel AI-technologieën te gebruiken om de voordelen van oefeninterventies voor emotionele stoornissen te analyseren, waarbij eigenschapsangst als model wordt gebruikt. Door middel van zijn methodologie en bevindingen probeert dit werk het begrip van de huidige ontwikkelingen en uitdagingen in het veld te vergroten en begeleiding en inzichten te bieden voor toekomstig onderzoek.

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

Protocol

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

Deze studie is goedgekeurd door de Institutional Research Ethics Committee van Wuhan Sports University (2023016).

1. Deelnemers aan de studie

  1. Rekruteer op vrijwillige basis 550 niet-sportieve hoofdstudenten van een universiteit. Voer een pre-screening uit voor de selectie van monsters. Gebruik hiervoor de Chinese Revised State-Trait Anxiety Inventory41 , zoals weergegeven in Tabel 1.
  2. Classificeer personen die 55 of hoger scoren op de subschaal Trait Anxiety als personen met een hoge eigenschapsangst en selecteer ze voor het EEG-experiment. Gebruik de subschaal Trait Anxiety van deze inventaris als het belangrijkste beoordelingsinstrument, volgens vastgestelde criteria uit eerdere ERP-onderzoeken42. Deze cutoff-score van 55 was gebaseerd op eerder onderzoek, wat zorgt voor een consistente en valide manier om deelnemers met hoge eigenschapsangst te categoriseren.
  3. Beoordeel verder personen met angstscores hoger dan 55 voor hun fysieke activiteitsniveau. Deelnemers moesten ook voldoen aan drie specifieke inclusiecriteria met betrekking tot hun fysieke activiteitspatronen in de voorgaande week.
    1. Zorg ervoor dat de deelnemers minder dan 3 dagen aan intensieve fysieke activiteit hebben gedaan (waarbij elke sessie ≥ 20 minuten per dag duurt).
      OPMERKING: Fysieke activiteit met hoge intensiteit kan een aanzienlijke impact hebben op het lichaam en de hersenen, waardoor de neurale plasticiteit en neurotransmitterniveaus mogelijk kunnen veranderen. Door het aantal dagen met intensieve activiteit te beperken, kunnen de onderzoekers de verstorende effecten van dergelijke intensieve lichaamsbeweging op de bestudeerde relatie minimaliseren.
    2. Zorg ervoor dat het totale aantal trainingsdagen over alle intensiteiten minder dan 5 dagen per week is en dat het totale trainingsvolume minder dan 600 MET-min/week is. Dit zorgt ervoor dat de totale trainingsbelasting van de deelnemers binnen een bepaald bereik ligt, waardoor de variabiliteit in de steekproef als gevolg van verschillende trainingsvolumes wordt verminderd.
    3. Bevestig dat de deelnemers minder dan 30 minuten matig intensief actief waren en minder dan 5 dagen per week wandelden.
      OPMERKING: Activiteit en wandelen met matige intensiteit, hoewel minder intens dan intensieve training, kunnen nog steeds de fysiologische en psychologische toestand van het lichaam beïnvloeden. Door deze limieten in te stellen, kunnen de onderzoekers de potentiële effecten van verschillende soorten fysieke activiteit op de experimentele resultaten verder beheersen.

2. Taak instructie

  1. Instrueer de deelnemers in de inspanningsinterventiegroep om gedurende 30 minuten deel te nemen aan aërobe oefeningen met matige intensiteit met behulp van een stationaire fietsergometer, waarbij u een hartslagmeter draagt om fysiologische gegevens vast te leggen. De oefeninterventie was gestructureerd in drie fasen volgens vastgestelde richtlijnen43.
    1. Opwarmfase: Instrueer de deelnemers om gedurende 5 minuten op 25 watt te fietsen om het spierstelsel en het cardiovasculaire systeem voor te bereiden op de hoofdinspanningsfase.
    2. Belangrijkste trainingsfase: Instrueer de deelnemers om een continue fietstaak van 20 minuten uit te voeren met een trapsnelheid van 70-80 tpm en matige intensiteit. Controleer de hartslag elke 2 s en bereken de doelhartslag (THR) met behulp van de formule:
      THR (HRmax − HRrest) × gewenste intensiteit + HRrest
      waarbij HRmax = maximale hartslag, HRrest = hartslag in rust, en de gewenste intensiteit werd bepaald volgens ACSM-trainingsrichtlijnen43.
    3. Afkoelfase: Vraag de deelnemer om de fietsbelasting binnen 5 minuten te verminderen tot 15 W om de hartslag te verlagen, het risico op blessures te minimaliseren en spierontspanning te bevorderen.
  2. Controlegroeptaak: Zorg ervoor dat de deelnemer 30 minuten stil in het laboratorium zit en deelneemt aan een vrije leestaak.

3. Verzameling van gegevens

  1. Registreer de EEG-signalen van proefpersonen met behulp van een apparaat met 64 afleidingen en stel de elektrode-array in volgens het internationale standaard 10-20-systeem met een bemonsteringsfrequentie van 1000 Hz.
  2. Breng voorafgaand aan de gegevensverzameling medische geleidende pasta aan op alle elektrode-huidinterfaces om impedantiewaarden onder de 5 kΩ te garanderen, waardoor de signaalgetrouwheid wordt geoptimaliseerd en bewegingsartefacten worden verminderd.
  3. De bemonsteringsfrequentie voor gegevensverzameling was 1000 Hz, met een banddoorlaatfilter van 0,1-100 Hz. Houd de elektrode-impedantie onder de 5 kΩ.
  4. Plaats een elektrode op de linker buitenste canthus van het linkeroog en registreer verticale oogbewegingen en knipperingen.
  5. Tijdens het verzamelen van gegevens dienden FCz en FPz respectievelijk als de oorspronkelijke referentie-elektrode en massa-elektrode.
  6. Instrueer de deelnemers om hun ogen open te houden en zich te fixeren op een kruis. Gedurende het hele proces moeten ze bij bewustzijn en alert blijven, zich niet concentreren op een specifieke gedachte en zich onthouden van het ervaren van emotionele fluctuaties.

4. Offline data-analyse

  1. Voorbewerking
    1. Verwijs de ruwe gegevens opnieuw naar het gemiddelde van alle elektroden.
    2. Pas een banddoorlaatfilter van 0.1-40 Hz toe om laagfrequente drift (bijv. ademhalingsartefacten) en hoogfrequent geluid (bijv. interferentie van hoogspanningslijnen en elektromyografische artefacten) te verwijderen.
    3. Segmenteer de gegevens van alle proefpersonen in 120 s-epochs, met uitzondering van de eerste en laatste 10 s-gedeelten van elke opname om mogelijke randartefacten van de initialisatie van het apparaat te elimineren.
    4. Verwijder de artefacten van het elektro-oculogram (EOG) en het elektrocardiogram (ECG) met behulp van de Independent Component Analysis (ICA)-techniek. Het Infomax-algoritme ontleedde het signaal in statistisch onafhankelijke componenten. Artificiële componenten werden geïdentificeerd door middel van tripartiete karakterisering: (1) ruimtelijke topografie (EOG met frontopolaire dipoolverdelingen, ECG met links-temporele dominantie); (2) temporele dynamiek (EOG manifesteert voorbijgaande pieken met knippervergrendeling, ECG die cardiaal-ritmeperiodiciteit vertoont); en (3) spectrale signaturen (EOG die laagfrequente spectrale concentratie aantoont)44.
    5. Verwijder tijdsperioden waarin de EEG-spanning ± 75 μV overschreed als artefacten.
  2. Bandspecifieke verschilanalyse
    1. Segmenteer eerst de EEG-signalen in kleine segmenten met tussenpozen van 120 s.
    2. Analyseer de tijd-frequentiekarakteristieken van de EEG-signalen met behulp van een complexe Morlet-wavelet.
    3. Stel de parameters als volgt in: Selecteer wavelet-transformatieparameters met cycli [3 0,8], 100 frequentiebakken (nfreq's) en 200 tijdstippen (ntimeout) om de tijdfrequentieresolutie voor EEG-analyse45 te optimaliseren.
    4. Voer puntsgewijze permutatietests uit (10.000 iteraties) op alle tijdfrequentiepunten om statistische significantie te beoordelen (p < 0,05, FDR-gecorrigeerd).
    5. Visualiseer als een tijd-frequentiegrafiek, met tijdpunten op de x-as en frequentiebins op de y-as.

5. Analyse van modellen

OPMERKING: Dit convolutionele neurale netwerk (CNN) bereikt het leren van tijdfrequentiekenmerken van EEG-signalen door middel van een tweedimensionale convolutiebewerking op meerdere schalen46. Het proces van het CNN-model wordt weergegeven in figuur 1B.

  1. Eerste convolutionele blokkade
    1. Gebruik een 2D-convolutielaag (Conv2d) met in_channels = 6, out_channels = 16, kernel_size = (3, 3) en opvulling = 1 om lokale ruimtelijke kenmerken te extraheren, waarbij de symmetrische opvulling ervoor zorgt dat de ruimtelijke dimensies na convolutie ongewijzigd blijven.
    2. Pas batchnormalisatie (BatchNorm2d) toe op de uitvoer van de convolutielaag om de training te stabiliseren en de convergentie te versnellen, gevolgd door een gerectificeerde lineaire eenheid (ReLU) activeringsfunctie om niet-lineariteit te introduceren.
    3. Gebruik een maximale poolinglaag (MaxPool2d) met kernel_size = (2, 2) en stap = 2 voor functiecompressie om de ruimtelijke dimensies met de helft te verminderen met behoud van belangrijke functie-informatie.
  2. Tweede convolutioneel blok
    1. Gebruik een andere 2D-convolutielaag (Conv2d) met in_channels = 16, out_channels = 32, kernel_size = (3, 3) en opvulling = 1 om ruimtelijke kenmerken op hoog niveau verder te extraheren op basis van de uitvoer van het eerste blok, met dezelfde opvullingsstrategie om ruimtelijke dimensies te behouden.
    2. Net als bij het eerste blok, past u batchnormalisatie (BatchNorm2d) en ReLU-activering achtereenvolgens toe om functies te normaliseren en niet-lineariteit te introduceren.
    3. Gebruik opnieuw een maximale poolinglaag (MaxPool2d) met kernel_size = (2, 2) en stap = 2 om functies te comprimeren.
  3. Volledig verbonden lagen
    1. Vlak de uitvoerkenmerken van het tweede convolutionele blok af tot een eendimensionale vector, die dient als invoer voor de volledig verbonden lagen.
    2. Zorg ervoor dat de eerste volledig verbonden laag (lineair) de afgevlakte objecten afbeeldt op een 256-dimensionale functieruimte, gevolgd door een dropout-laag (Dropout) met een snelheid van 0,5 om overfitting te voorkomen, en een ReLU-activeringsfunctie.
    3. De tweede volledig verbonden laag (lineair) verkleint de functiedimensie verder van 256 naar 128, met een andere dropout-laag (Dropout) met een snelheid van 0,5 en een ReLU-activeringsfunctie die achtereenvolgens wordt toegepast.
    4. De laatste volledig verbonden laag (lineair) brengt de 128-dimensionale kenmerken in kaart met het aantal doelklassen (tweeklasse) en genereert de output van het model.
      OPMERKING: Het gegevensverwerkingsplatform is als volgt geconfigureerd: een server met vier HYGON Z100L DCU's; modelbouw en training in Python 3.8, PyTorch-1.13. Het experiment maakt gebruik van de torch.nn-module om kerncomponenten te bieden, zoals Conv2d (convolutielaag), BatchNorm2d (batchnormalisatie), ELU (activeringsfunctie), AvgPool2d (gemiddelde pooling), Dropout (dropout-laag), Linear (volledig verbonden laag) en CrossEntropyLoss (verliesfunctie); De torch.optim module biedt de Adam optimizer voor parameterupdates; de torch.utils.data-module biedt DataLoader (dataloader) en TensorDataset (dataset-wrapperklasse) voor gegevensverwerking; torch.device wordt gebruikt voor apparaatconfiguratie (DCU); torch.save wordt gebruikt voor het opslaan van modelparameters; en de functie sklearn.model_selection.train_test_split van scikit-learn wordt gebruikt voor het splitsen van gegevenssets; Adam werd geselecteerd als de optimalisator; de verliesfunctie was cross-entropie; batch_size was ingesteld op 2; en het tijdperk werd op 100 gesteld. Gebruik voor invoergegevens EEG-kenmerken (gebaseerd op morlet-geëxtraheerde matrices) van zes prefrontale kanalen (Fp1, Fp2, AF3, AF4, AF7, AF8) in de alfaband met tijd-frequentiekenmerken. Verdeel de experimenten in trainings- en testsets met een verhouding van 7:3. Evalueer de effectiviteit van het model door middel van classificatieresultaten met behulp van nauwkeurigheids- en verwarringsmatrixstatistieken.

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

Results

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

EEG-gegevensverwerking en statistische analyse

De ruwe EEG-gegevens werden gesegmenteerd in epochs van 2 s, gecentreerd op het begin van de gebeurtenis, in overeenstemming met standaardpraktijken in tijd-frequentieanalyse om voorbijgaande neurale dynamiek vast te leggen en randartefacten te minimaliseren. Elk tijdperk onderging een continue wavelettransformatie (CWT) met behulp ...

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

Discussion

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

Op het gebied van onderzoek naar geestelijke gezondheid is het van het grootste belang om de onderliggende neurale mechanismen van interventies voor personen met hoge angsten te begrijpen. Deze studie is opgezet met het expliciete doel om de neurale biomarkers te onderzoeken die verband houden met inspanningsinterventie bij dergelijke personen door het gebruik van kunstmatige-intelligentiemodellen. De acceptatie van geavanceerde diepe neurale netwerken, waaronder modellen zoals EEGNet, h...

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

Disclosures

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

De auteurs verklaren geen belangenconflicten.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
BrainAmp SNBrain ProductsAMP12081737 StandardAcquisitie van elektro-encefalogram (EEG) signalen
Eprime ProfessionalPSYCHOLOGY SOFTWARE TOOLS2.0.10.92Psychologie Experiment Software
motion cycle 600emotion fitness GmbH & Co. KGF-EF-MC-650Fiets Ergometer
DCU(Deep Computing Unit)HYGONHYGON Z100LModel analyse
PythonPython Software FoundationPython 3.8Model analyse

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