Określenie roli fal alfa w zmianach nerwowych wywołanych wysiłkiem za pomocą EEG w stanie spoczynku

We współczesnym społeczeństwie przyspieszające tempo życia i rosnące obciążenie presją życiową doprowadziły do znacznego wzrostu rozpowszechnienia zaburzeń emocjonalnych. Wśród różnych objawów zaburzenia emocjonalnego, lęk, powszechny podtyp, stanowi poważne wyzwanie dla osób. Terapie farmakologiczne od dawna są uważane za fundamentalne podejście w leczeniu zaburzeń emocjonalnych, zwłaszcza lęku. Jednak badania wykazały, że około 30% osób z zaburzeniami emocjonalnymi nie reaguje na leki pierwszego rzutu. Ponadto długotrwałe stosowanie tych leków może wiązać się z różnymi zagrożeniami, takimi jak zaburzenia metaboliczne czy zaburzenia poznawcze¹. Interwencje psychologiczne, choć uwzględniają czynniki etiologiczne poprzez ramy oparte na dowodach, są ograniczone przez wydłużony czas trwania leczenia, wymagający znacznego czasu, wysiłku i środków finansowych, a także opóźnione pojawienie się efektów terapeutycznych ^2,3.

W ostatnich latach interwencja ćwiczeń wykazała znaczące korzyści w leczeniu zaburzeń emocjonalnych. Wiele badań wykazało, że ćwiczenia mają potencjał naturalnego wzmacniania stanów emocjonalnych oraz łagodzenia lęku i depresji, osiągane poprzez promowanie endogennego uwalniania neuroprzekaźników i indukcję zmian synaptycznych⁴. Na przykład badania na myszach trenowanych ćwiczeniach wykazały, że ich obciążenie hipoksyjne zmniejszyło się o 52%, a zaobserwowano istotną poprawę funkcji poznawczych⁵. Lęk cechowy, który reprezentuje stosunkowo stabilną i długotrwałą skłonność jednostki do doświadczania lęku w różnych sytuacjach⁶, jest kluczowym czynnikiem w zrozumieniu podstawowych mechanizmów zaburzenia emocjonalnego. Jest to podstawowa cecha przewlekłego lęku, a jego badanie może dostarczyć cennych informacji na temat patofizjologii takich zaburzeń emocjonalnych. Rozumiejąc lęk związany z lękiem, możemy lepiej zrozumieć, dlaczego niektórzy ludzie są bardziej podatni na rozwój problemów z nastrojem związanym z lękiem. W naszych wcześniejszych badaniach rozwinęliśmy główne obszary mózgu związane z funkcjami poznawczymi emocjonalnymi, które są upośledzone w zaburzeniach emocjonalnych, oraz to, jak interwencja ćwiczeniowa może poprawić te funkcje poznawcze i odpowiednie obszary mózgu⁷. Dodatkowo przeprowadziliśmy dwa eksperymenty elektroencefalograficzne (EEG), aby szczegółowo zbadać, jak interwencja ćwiczeniowa może poprawić cechy aktywności mózgu i zdolności kontroli uwagi u osób z lękiem o wysokich cechach⁸.

Chociaż interwencja ćwiczeń wyłoniła się jako obiecujące, niefarmakologiczne podejście w leczeniu depresji, precyzyjne biomarkery nerwowe związane z pozytywnymi efektami interwencji ćwiczeniowej nie zostały jeszcze jednoznacznie zidentyfikowane ^9,10. Rytmy oscylacyjne nerwowe, działające jako "enkodery przestrzenno-czasowe" przetwarzania informacji w mózgu, wykazują charakterystyczne zaburzenia w zakresie lęku. Na przykład badania wykazały, że desynchronizacja alfa(α) przedczołowego jest związana z deficytami kontroli poznawczej często obserwowanymi w lęku^11,12. Ta dysregulacja rytmów oscylacyjnych nerwowych wskazuje na ukryte zaburzenia w normalnych procesach komunikacji nerwowej, które są kluczowe dla regulacji emocji. Jednak brakuje badań, które kompleksowo badają, jak ćwiczenia faktycznie przekształcają funkcje emocjonalne poprzez modulację rytmicznego sprzężenia międzyregionalnego lub dynamiki potencjału lokalnego pola^13,14.

Najnowsze osiągnięcia w badaniach nad głębokim uczeniem opartym na EEG dostarczyły nowych paradygmatów do zrozumienia mechanizmów patologicznych oraz opracowania precyzyjnych terapii zaburzeń psychicznych, takich jak depresja i lęk¹⁵. Warto zauważyć, że badania wykorzystujące dynamiczną łączność funkcjonalną (DFC) EEG w stanie spoczynku w połączeniu z ukrytymi modelami Markowa (HMM) wykazały istotne różnice w dynamice sieci pasmowych Delta (δ), Theta (θ), Alfa (α) i Gamma (γ) między depresją niepsychotyczną, depresją psychotyczną i schizofrenią 16,17,18 . Model klasyfikacji binarnej oparty na DFC osiągnął 73,1% dokładności w rozróżnianiu tych trzech warunków, przewyższając tradycyjne analizy statyczne. Kluczowe biomarkery obejmowały synchronizację DMN-SN w paśmie θ, synchronizację FPCN z układem limbicznym w γ pasmie oraz prawdopodobieństwa przejścia stanów HMM, ustanawiając nowe ramy precyzyjnej klasyfikacji psychiatrycznej.¹⁹ wykorzystywało analizę teoretyczną grafów, aby wykazać, że podstawowe cechy sieci mózgowej przewidują skuteczność głębokiej stymulacji mózgu (DBS) w leczeniu opornej na leczenie depresji. Model losowego lasu wykorzystujący metryki sieciowe osiągnął 81,2% dokładności w przewidywaniu odpowiedzi DBS, przekraczając skale kliniczne. Dane podłużne wykazały, że DBS odwraca dysfunkcję sieci poprzez poprawę globalnej synchronizacji δ-pasma i redukcję centralności sgACC. Dodatkowo, lewoczołowe α-falowe moc przewidywała brak odpowiedzi na antydepresanty, a model sieci neuronowej splotowej (CNN) osiągnął dokładność 82,3% na podstawie asymetrii^α-20. Everaert i in. (2022) opracowali model sztucznej sieci neuronowej z udziałem 460 uczestników w celu identyfikacji predykcyjnych cech strategii regulacji emocji. Te wyniki podkreślają kluczową potrzebę precyzyjnego określenia celów neuronalnych, aby zoptymalizować zalecenia dotyczące ćwiczeń²¹.

W dziedzinie badań neurobiologicznych związanych z ćwiczeniami wielowymiarowymi uczenie głębokie stało się potężnym narzędziem, umożliwiającym wydobycie solidnych biomarkerów nerwowych ze złożonych, wysokowymiarowych i niskoamplitudowych danych neurologicznych przestrzenno-czasowych generowanych dzięki interwencjom ćwiczeniowym. Wiele badań wykazało, że aktywność fizyczna znacząco moduluje wzorce aktywacji w obszarach mózgu związanych z ruchem oraz dynamikę oscylującą nerwową w pasmach^{częstotliwości} 22,23,24. Systematyczny przegląd obejmujący 47 badań wykazał stały wzrost mocy α/β przedczołowych po wysiłku, co prawdopodobnie odzwierciedla zwiększoną neuroplastyczność i hamowanie korowe²⁵. Zarówno intensywne ćwiczenia, jak i trening długoterminowy wywołały podobne trendy, choć γ odpowiedzi pasm wykazywały heterogeniczność zależną od intensywności (np. umiarkowany trening aerobowy vs. wysokointensywny trening interwałowy). Czteromiesięczne interwencje aerobowe u zdrowych młodych dorosłych doprowadziły do znaczącego zwiększenia fal przedczołowych α (9-12 Hz), co było pozytywnie skorelowane z postępem w sprawności tlenowej. Chociaż nie zaobserwowano poprawy czasu reakcji lub dokładności zachowań, metryki oscylacji neuronowej wskazywały na dynamiczną optymalizację sieci uwagi wzrokowej, sugerując, α fale mogą pełnić rolę biomarkerów skuteczności ćwiczeń²⁶. Eksperci sportowi na wysokim poziomie wykazywali podwyższoną moc rytmu sensorycyjno-motorycznego (SMR, 12-15 Hz) podczas zadań celowania, równolegle ze zmniejszoną koherencją przedczołową i czasoliniową, co wskazuje na automatyczne wykonywanie umiejętności motorycznych i zwiększenie efektywności sieciowej²⁷. Warto zauważyć, że sportowcy tenisa stołowego wykazali zmniejszoną aktywację w obszarach mózgu związanych z ćwiczeniami w porównaniu z osobami niesportowymi, co sugeruje długoterminowe budowanie specjalistycznych, energooszczędnych sieci neuronowych²⁸.

Badanie koncentruje się na lęku dotyczącym cech jako konkretnym badaczniku, wykorzystując elektroencefalografię (EEG) do zbierania danych neuronalnych i badania biomarkerów neuronowych, dostarczając tym samym nowatorskich wglądów do precyzyjnej identyfikacji celów neuronalnych. Wcześniejsze badania wskazują, że fale alfa w okolicy przedczołowej są ściśle powiązane z regulacją emocji, kontrolą poznawczą i rozpoznawaniem emocji (Harmon-Jones i in., 2010), odgrywając kluczową rolę w procesach takich jak dekodowanie zewnętrznych sygnałów emocjonalnych (np. mimika, tony głosu) oraz modulowanie reakcji emocjonalnych. Badania sugerują, że zmiany w aktywności alfa przedczołowej mogą pełnić rolę fizjologicznych wskaźników zaburzeń emocjonalnych, szczególnie w stanach lękowych i negatywnych stanach emocjonalnych 29,30,31. Elektroencefalografia w stanie spoczynku (EEG) pełni rolę domyślnego warunku eksperymentalnego w neurobiologii do badania właściwości dynamicznych mózgu, wymagając od uczestników pozostawania czujnymi bez wykonywania jakichkolwiek czynności poznawczych³². Warunki eksperymentalne mogą obejmować stany zamknięte lub otwarte oczy. Dowody empiryczne wskazują, że zmiany w oscylacjach alfa w przedczołowym obszarze mogą pełnić rolę biomarkerów zaburzonej regulacji emocji, zwłaszcza w stanach charakteryzujących się lękiem i przewagą negatywnego afektu^33,34. Jego gęstość widmowa mocy oraz wzorce funkcjonalnej łączności mogą ujawniać cechy aktywności wewnętrznej mózgu i są stosowane do wykrywania markerów patologicznych w chorobach neurodegeneracyjnych (np. choroba Alzheimera), zaburzeniach rozwojowych (np. dysleksja rozwojowa)^35,36, a także w zaburzeniach psychicznych i emocjonalnych (np. depresja i lęk)³⁷. Wśród nich rytm alfa pod warunkiem otwartego oczu jest powszechnie wykorzystywany w badaniach nad zaburzeniami emocjonalnymi^38,39. W związku z tym badanie bada klasyfikację oscylacji alfa w regionach przedczołowych przed i po interwencjach ćwiczeniowych w leczeniu lęku cechowego. Bazując na danych EEG, badania te wykorzystują EEGNet do identyfikacji celów neuronalnych związanych z interwencjami ćwiczeniowymi u osób z lękiem o wysokich cechach. EEGNet został specjalnie zaprojektowany do klasyfikacji sygnałów EEG i oferuje kilka kluczowych zalet w porównaniu z tradycyjnymi i innymi metodami głębokiego uczenia, co czyni go szczególnie odpowiednim do badania wzorców EEG z ograniczonymi⁴⁰ danymi.

Dane EEG w stanie spoczynku były zbierane za pomocą systemu 64-kanałowego (Brain Products, Niemcy) zgodnie z międzynarodowym standardem 10-20, z częstotliwością próbkowania 1000 Hz i filtrowaniem pasmowym (0,1-100 Hz). Aby zapewnić jakość sygnału, impedancja elektrod była utrzymywana poniżej 5 kΩ, a artefakty oczne usuwano za pomocą niezależnej analizy składowej (ICA). Uczestnicy zostali poinstruowani, by pozostawać czuwni z otwartymi oczami, skupiając się na krzyżu, minimalizując hałas związany z ruchem.

Kluczowe kryteria włączenia dla uczestników o wysokiej jakości lęku to: (1) wyniki Trait Anxiety Inventory ≥ 55, (2) ograniczone ćwiczenia o wysokiej intensywności (< 3 dni w tygodniu) w celu kontroli wcześniejszych efektów fitnessu oraz (3) całkowita tygodniowa aktywność fizyczna < 600 MET-min. Kryteria te miały na celu ujednolicenie próby, jednocześnie odzwierciedlając rzeczywiste populacje osiadłe. Ograniczeniem jest potencjalna zmienność dynamiki EEG w stanie spoczynku wynikająca z indywidualnych różnic w wyjściowym stanie pobudzenia lub niewykrytych stanach subklinicznych, co przyszłe badania mogłyby uwzględnić przy użyciu większych próbek i ocen multimodalnych (np. fMRI lub zadania behawioralne).

Hipotezujemy, że aktywność alfa przedczołowa może skutecznie klasyfikować dane EEG dotyczące ćwiczeń i kontroli. Podsumowując, celem tego badania jest wykorzystanie technologii AI do analizy korzyści płynących z interwencji ćwiczeń w zaburzeniach emocjonalnych, wykorzystując lęk związany z cechami jako modelem. Dzięki swojej metodologii i wynikom praca ta dąży do pogłębienia zrozumienia aktualnych wydarzeń i wyzwań w tej dziedzinie, oferując wskazówki i wglądy do przyszłych badań.

Badanie to zostało zatwierdzone przez Komitet Etyki Badań Instytucjonalnych Uniwersytetu Sportowego w Wuhan (2023016).

1. Uczestnicy badania

1. Zrekrutować 550 studentów niezwiązanych ze sportem z uniwersytetu na zasadzie wolontariatu. Przeprowadz wstępne badania do wyboru próbki. Do tego celu wykorzystaj chiński zrewidowany stan i cechowy inwentarz lęku⁴¹ , jak pokazano w Tabeli 1.
2. Klasyfikuj osoby z wynikiem 55 lub wyższym w podskali lęku cech jako mające wysoki lęk o cechach i wybierz je do eksperymentu EEG. Użyj podskali lęku cech w tym inwentarze jako kluczowego narzędzia oceny, zgodnie z ustalonymi kryteriami z wcześniejszych badań ERP⁴². Ten wynik progowy 55 opierał się na wcześniejszych badaniach, zapewniając spójny i wiarygodny sposób kategoryzowania uczestników z lękiem o wysokich cechach.
3. Dodatkowo oceniaj osoby z wynikami lęku powyżej 55 pod kątem poziomu aktywności fizycznej. Uczestnicy musieli również spełnić trzy konkretne kryteria włączenia związane z ich wzorcami aktywności fizycznej w poprzednim tygodniu.
   1. Upewnij się, że uczestnicy angażują się w intensywną aktywność fizyczną krócej niż 3 dni (każda sesja trwa ≥ 20 minut dziennie).
      UWAGA: Intensywna aktywność fizyczna może mieć znaczący wpływ na ciało i mózg, potencjalnie zmieniając plastyczność neuronalną oraz poziom neuroprzekaźników. Ograniczając liczbę dni intensywnej aktywności, naukowcy mogą zminimalizować zakłócające skutki tak intensywnej aktywności fizycznej dla badanych relacji.
   2. Upewnij się, że łączna liczba dni ćwiczeń we wszystkich intensywnościach wynosi mniej niż 5 dni w tygodniu, a całkowita objętość ćwiczeń jest mniejsza niż 600 MET-min/tydzień. Zapewni to, że całkowite obciążenie ćwiczeń uczestników mieści się w określonym zakresie, zmniejszając zmienność próby spowodowaną różnymi objętościami ćwiczeń.
   3. Potwierdź, że uczestnicy wykonywali mniej niż 30 minut aktywności o umiarkowanej intensywności i chodzili mniej niż 5 dni w tygodniu.
      UWAGA: Aktywność o umiarkowanej intensywności i chodzenie, choć mniej intensywne niż ćwiczenia o wysokiej intensywności, mogą nadal wpływać na stan fizjologiczny i psychiczny organizmu. Ustalając te limity, naukowcy mogą dodatkowo kontrolować potencjalne efekty różnych rodzajów aktywności fizycznej na wyniki eksperymentalne.

2. Instrukcje zadania

1. Poinstruuj uczestników grupy interwencji ćwiczeń, aby przez 30 minut wykonywali umiarkowanie intensywne ćwiczenia aerobowe z użyciem ergometru stacjonarnego, nosząc monitor tętna do zapisywania danych fizjologicznych. Interwencja ćwiczeń została podzielona na trzy fazy zgodnie z ustalone wytyczne⁴³.
   1. Faza rozgrzewkowa: Instruuj uczestników jazdy na rowerze z mocą 25 watów przez 5 minut, aby przygotować układ mięśniowy i sercowo-naczyniowy do głównej fazy ćwiczeń.
   2. Faza główna ćwiczeń: Instruuj uczestników wykonywania 20-minutowego ciągłego zadania jazdy na rowerze z prędkością pedałowania 70-80 obr./min i umiarkowanym natężeniem. Monitoruj tętno co 2 sekundy i obliczaj docelowe tętno (THR) według wzoru:
      THR (HRmax − HRrest) × pożądana intensywność + HRrest
      gdzie HRmax = maksymalne tętno, HRrest = tętno spoczynkowe, a pożądana intensywność została określona zgodnie z wytycznymi ćwiczeń ACSM⁴³.
   3. Faza chłodzenia: Poproś uczestnika o zmniejszenie obciążenia rowerowego do 15 W w ciągu 5 minut, aby obniżyć tętno, zminimalizować ryzyko kontuzji i pobudzić rozluźnienie mięśni.
2. Zadanie grupy kontrolnej: Upewnij się, że uczestnik siedzi cicho w laboratorium przez 30 minut i wykonuje zadanie czytania wolnego.

3. Zbieranie danych

1. Rejestruj sygnały EEG osób za pomocą urządzenia 64-leadowego i ustaw matrycę elektrod zgodnie z międzynarodowym standardem systemu 10-20 z częstotliwością próbkowania 1000 Hz.
2. Przed akwizycją danych nałóż medyczną pastę przewodzącą na wszystkie interfejsy elektrody-powłoka, aby zapewnić impedancję poniżej 5 kΩ, co optymalizuje wierność sygnału i zmniejsza artefakty ruchu.
3. Częstotliwość pobierania danych wynosiła 1000 Hz, z filtrem pasmowym o częstotliwości 0,1-100 Hz. Utrzymywanie impedancji elektrod poniżej 5 kΩ.
4. Umieść elektrodę na lewym zewnętrznym canthus lewego oka i rejestruj pionowe ruchy oczu oraz mrugnięcia.
5. Podczas zbierania danych FCz i FPz służyły odpowiednio jako oryginalna elektroda referencyjna i elektroda uziemienia.
6. Poinstruuj uczestników, by trzymali oczy szeroko otwarte i skupiali się na krzyżu. Przez cały proces muszą pozostać świadomi i czujni, unikać skupiania się na konkretnych myślach oraz powstrzymywać się od przeżywania wahań emocjonalnych.

4. Analiza danych offline

1. Wstępne przetwarzanie
   1. Ponownie odnaleź surowe dane do średniej wszystkich elektrod.
   2. Zastosuj filtr pasmowy 0,1-40 Hz, aby usunąć dryf niskoczęstotliwościowy (np. artefakty oddechowe) oraz szumy wysokiej częstotliwości (np. zakłócenia linii energetycznych i artefakty elektromiograficzne).
   3. Segmentuj dane wszystkich uczestników na epoki po 120 sekundach, z wyłączeniem początkowych i ostatnich 10 sekund każdego nagrania, aby wyeliminować potencjalne artefakty krawędziowe wynikające z inicjalizacji urządzenia.
   4. Usuń artefakty elektrookulogramu (EOG) i elektrokardiogramu (EKG) za pomocą techniki analizy niezależnych składowych (ICA). Algorytm Infomax rozkładał sygnał na statystycznie niezależne składowe. Artefaktowe składniki zostały zidentyfikowane poprzez charakterystykę trójdzielną: (1) topografia przestrzenna (EOG pokazująca rozkład dipolowy czołówkowy, EKG wykazujące dominację lewoskroniową); (2) dynamika czasowa (EOG manifestujący przejściowe skoki zablokowane mrugnięciem, EKG wykazujące okresowość rytmu serca); oraz (3) sygnatury spektralne (EOG demonstrujące niskoczęstotliwościowe stężenie spektralne)^44.
   5. Usuń okresy, w których napięcie EEG przekroczyło ± 75 μV, jako artefakty.
2. Analiza różnic specyficznych dla pasm
   1. Najpierw podziel sygnały EEG na małe segmenty co 120 sekund.
   2. Przeanalizuj charakterystykę czasowo-częstotliwościową sygnałów EEG za pomocą złożonej falki Morleta.
   3. Ustaw parametry następująco: Wybierz parametry transformacji falkowej z cyklami [3 0,8], 100 częstotliwości (nfreqs) i 200 punktów czasowych (ntimesout), aby zoptymalizować rozdzielczość czasowo-częstotliwościową dla analizy^{EEG 45}.
   4. Wykonaj testy permutacyjne punkt po punkcie (10 000 iteracji) we wszystkich punktach czasowo-częstotliwościowych, aby ocenić istotność statystyczną (p < 0,05, skorygowane FDR).
   5. Wizualizuj to jako wykres czas-częstotliwość, z punktami czasu na osi x i pasmami częstotliwości na osi y.

5. Analiza modelu

UWAGA: Ta splotowa sieć neuronowa (CNN) umożliwia uczenie się cech czasowo-częstotliwościowych sygnałów EEG za pomocą wieloskalowej dwuwymiarowej operacji splotu⁴⁶. Proces modelu CNN przedstawiono na Rysunku 1B.

1. Pierwszy blok splotowy
   1. Stosuj warstwę konwolucyjną 2D (Conv2d) z in_channels = 6, out_channels = 16, kernel_size = (3, 3) oraz dopełnieniem = 1 do wyodrębnienia lokalnych cech przestrzennych, gdzie symetryczne wypełnienie zapewnia, że wymiary przestrzenne pozostają niezmienione po konwolucji.
   2. Zastosuj normalizację wsadową (BatchNorm2d) do wyjścia warstwy splotu, aby ustabilizować trening i przyspieszyć zbieżność, a następnie użyć funkcji aktywacji prostowanej jednostki liniowej (ReLU), aby wprowadzić nieliniowość.
   3. Do kompresji cech użyj warstwy maksymalnej puli (MaxPool2d) z kernel_size = (2, 2) i stride = 2, aby zmniejszyć wymiary przestrzenne o połowę, zachowując ważne informacje o cechach.
2. Drugi blok splotowy
   1. Wykorzystaj kolejną warstwę konwolucyjną 2D (Conv2d) z in_channels = 16, out_channels = 32, kernel_size = (3, 3) i dopełnieniem = 1, aby dalej wyodrębnić cechy przestrzenne na wysokim poziomie na podstawie wyniku pierwszego bloku, z tą samą strategią wypełniania do utrzymania wymiarów przestrzennych.
   2. Podobnie jak w pierwszym bloku, zastosuj normalizację wsadową (BatchNorm2d) i aktywację ReLU sekwencyjnie, aby normalizować cechy i wprowadzić nieliniowość.
   3. Ponownie użyj warstwy maksymalnej puli (MaxPool2d) z kernel_size = (2, 2) i stride = 2, aby kompresować cechy.
3. W pełni połączone warstwy
   1. Spłaszcz cechy wyjściowe z drugiego bloku splotowego do wektora jednowymiarowego, który służy jako wejście do w pełni połączonych warstw.
   2. Upewnij się, że pierwsza w pełni połączona warstwa (liniowa) mapuje spłaszczone cechy na 256-wymiarową przestrzeń cech, następnie warstwę dropout (Dropout) o częstotliwości 0,5, aby zapobiec nadmiernemu dopasowaniu, oraz funkcję aktywacji ReLU.
   3. Druga w pełni połączona warstwa (liniowa) dodatkowo zmniejsza wymiar cech z 256 do 128, a kolejna warstwa dropout (dropout) o częstotliwości 0,5 oraz funkcja aktywacji ReLU jest zastosowana sekwencyjnie.
   4. Ostatnia w pełni spójna warstwa (liniowa) odwzorowuje cechy 128-wymiarowe na liczbę klas docelowych (klasa dwuklasowa), generując wyjście modelu.
      UWAGA: Platforma przetwarzania danych była skonfigurowana następująco: serwer z czterema sterownikami HYGON Z100L; budowa modeli i trening w Pythonie 3.8, PyTorch-1.13. Eksperyment wykorzystuje moduł torch.nn do dostarczania kluczowych komponentów, takich jak Conv2d (warstwa splotowa), BatchNorm2d (normalizacja wsadowa), ELU (funkcja aktywacji), AvgPool2d (uśredniona pula), Dropout (warstwa dropout), Linear (warstwa w pełni połączona) oraz CrossEntropyLoss (funkcja strat); Moduł torch.optim dostarcza optymalizację Adama do aktualizacji parametrów; moduł torch.utils.data zapewnia DataLoader (ładowarka danych) oraz TensorDataset (klasa opakowania zbioru) do przetwarzania danych; torch.device jest używany do konfiguracji urządzeń (DCU); torch.save służy do zapisywania parametrów modelu; a funkcja sklearn.model_selection.train_test_split z scikit-learn jest używana do podziału zbiorów danych; Adam został wybrany na optymalizatora; funkcją straty była entropia krzyżowa; batch_size ustawiono na 2; A epoka została ustawiona na 100. Do danych wejściowych użyj funkcji EEG (opartych na macierzach wyodrębnionych przez Morleta) z sześciu kanałów przedczołowych (Fp1, Fp2, AF3, AF4, AF7, AF8) w paśmie alfa z funkcjami czasowo-częstotliwościowymi. Podziel eksperymenty na zestawy treningowe i testowe, stosując stosunek 7:3. Ocena skuteczności modelu na podstawie wyników klasyfikacji, wykorzystując metryki macierzy dokładności i pomyłki.

Przetwarzanie danych EEG i analiza statystyczna

Surowe dane EEG zostały podzielone na epoki 2 sekundy skupione wokół początku zdarzenia, zgodnie ze standardowymi praktykami analizy czasowo-częstotliwościowej, mające na celu uchwycenie przejściowej dynamiki neuronalnej przy minimalizacji artefaktów brzegowych. Każda epoka przechodziła ciągłą transformację falkową (CWT) z wykorzystaniem złożonej falki Morleta z 3 cyklami, która optymalnie równoważy rozdzielczość czasową i częstotliwościową do wykrywania aktywności oscylacyjnej w pasmach theta do gamma.

Lewy panel na Rysunku 2 przedstawia grupę ćwiczeń, a prawy panel Grupę Kontrolną. (1) Jakość przetwarzania danych: Oba widma wykazują gładkie krzywe oraz charakterystyczny neurofizjologiczny wzór rozpadu "1/f" (wysoka moc przy niskich częstotliwościach spada wykładniczo wraz z częstotliwością). Silnie nakładające się trajektorie wskazują na efektywne wstępne przetwarzanie danych (np. odzumianie, filtrowanie) oraz wysoką jakość danych bazowych przy dobrej wierności sygnału w dziedzinie częstotliwości. (2) Subtelne różnice między grupami: W obrębie pasma alfa (8-12 Hz, na przykład zacieniona szara strefa) grupa kontrolna (po prawej) wykazuje nieco niższe wartości mocy w porównaniu do grupy ćwiczącej (po lewej), co sugeruje, że pojedynczy epizod ostrego wysiłku mógł wywołać łagodny efekt modulacyjny na rytm alfa oscylacji mózgu w stanie spoczynku.

Dla wnioskowania statystycznego przeprowadziliśmy punktowe testy permutacji nieparametrycznej (5 000 iteracji) we wszystkich punktach czasowo-częstotliwościowych. To podejście kontroluje wielokrotne porównania poprzez klasteryzację sąsiednich istotnych punktów (próg tworzenia klastrów p < 0,05, korekta FDR-na poziomie klastra), aby uwzględnić nie-gaussowski rozkład współczynników falkowych.

Istotne różnice w aktywności elektrod przedczołowych zaobserwowano w paśmie częstotliwości 7-13 Hz między grupą ćwiczącą a czytającą, jak pokazano na Rysunku 3.

Walidacja wydajności klasyfikacji modeli CNN

W badaniach nad wpływem interwencji ćwiczeniowej na osoby z wysokim lękiem dotyczącym cech, kluczowym aspektem jest wydajność modelu splotowej sieci neuronowej (CNN) opartej na danych cech pasma alfa przedczołowego. Analiza ta ma na celu ustalenie, czy model potrafi skutecznie rozróżnić grupę Czytania od grupy ćwiczeń, dostarczając tym samym dowodów na różnice na poziomie nerwowym związane z ćwiczeniami.

Model CNN wykazał wysoką klasyfikację przy użyciu danych o cechach pasma alfa przedczołowego do rozróżniania grup Read i Exercise, z dokładnością 83,33%, osiągając średni wynik F1 na poziomie 0,83 oraz współczynnik Kappa 0,63. Aby lepiej zrozumieć wydajność modelu, sięgamy do binarnej macierzy klasyfikacji zamieszania przedstawionej na Rysunku 3C. W tej macierzy, dobrze ustrukturyzowanym narzędziu do oceny modeli klasyfikacyjnych, każdy wiersz reprezentuje prawdziwą kategorię danych, a każda kolumna kategorię przewidzianą przez model. Taki układ pozwala na szczegółową ocenę zdolności modelu do poprawnej klasyfikacji różnych instancji danych. Model wykazał stosunkowo dobrą wydajność klasyfikacji dla obu typów danych. Ten wysoki wskaźnik rozpoznawania oznacza, że model był w stanie dokładnie zidentyfikować dużą część danych należących do grupy ćwiczącej. Innymi słowy, wzorce nerwowe w paśmie alfa przedczołowego związane z ćwiczeniami były na tyle wyraźne, że model mógł je rozpoznać z dużą pewnością. Wyniki z macierzy pomyłek dodatkowo potwierdzają ogólną dokładność modelu CNN.

Rysunek 1: Proces pozyskiwania EEG w stanie spoczynku i proces klasyfikacji oparty na CNN. (A) Lewa strona: Proces rejestracji elektroencefalogramu w stanie spoczynku (EEG). Prawa strona: Przebiegi EEG i rozkład elektrod na skórze głowy. (B) Sposób pracy polegający na użyciu splotowej sieci neuronowej (CNN) do klasyfikacji fal alfa dwóch grup. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Rysunek 2: Porównanie gęstości mocy między grupami ćwiczącymi i kontrolnymi. Lewy panel: Grupa Ćwiczeń; Prawy panel: Grupa Kontrolna. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Rysunek 3: Dynamika neuronalna i klasyfikacja grup ćwiczeń w porównaniu z grupami czytelniczymi przez CNN. (A) Istotne różnice między grupami zidentyfikowanymi przez punkt-punkt testy t, podkreślające klastry czasowo-częstotliwościowe (p < 0,05, skorygowane FDR). (B) Mapy topograficzne średniej mocy w paśmie alfa (7-13 Hz). Mapy przedstawiają przestrzenny rozkład aktywności oscylacyjnej nerwowej dla grupy czytającej (po lewej) i grupy ćwiczeniowej (po prawej). (C) Wydajność klasyfikacji przedczołowej aktywności Alfa z wykorzystaniem modelu CNN (dokładność: 83,3%). Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Tabela 1: Kryteria rekrutacji i selekcji uczestników.

Autorzy deklarują brak konfliktu interesów.