Method Article

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

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

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

Protokół ten ma na celu rozszyfrowanie przedczołowych oscylacyjnych oscylacji neuronalnych w paśmie alfa, wywołanego ćwiczeniami aerobowymi u osób o wysokim lęku cechowym, wykorzystując integrację EEG z głębokim uczeniem. Opracowany model predykcyjny (dokładność 81,82%) wskazuje oscylacje alfa jako podstawowy mechanizm łagodzenia lęku wywołanego ćwiczeniami, przyspieszając precyzyjne cele neuromodulacji zaburzeń emocjonalnych.

Abstract

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

Interwencja ćwiczeń wykazuje wyjątkowy potencjał w leczeniu zaburzeń emocjonalnych, jednak niejasność celów neuromodulacji utrudnia opracowanie precyzyjnych zaleceń ćwiczeń. Badanie to analizuje lęk cechowy jako reprezentatywne zaburzenie emocjonalne u 40 studentów uniwersytetów o wysokich cechach lęku, którzy zostali losowo przydzieleni do grupy interwencyjnej ćwiczeń (40 minut ćwiczeń aerobowych o umiarkowanym intensywności, n = 20) lub do grupy kontrolnej bez ćwiczeń (40 min cichego czytania, n = 20), po czym następowało zbieranie danych EEG w odpoczynku. Integrując elektroencefalografię spoczynkową (EEG) po ćwiczeniach z algorytmami głębokiego uczenia, opracowaliśmy model predykcyjny w paśmie alfa do systematycznego dekodowania mechanizmów oscylacyjnego przeprogramowania nerwowych w korze przedczołowej wywołanych wysiłkiem. Model głębokiego uczenia wykazał się wyższą skutecznością klasyfikacji (dokładność 83,33%, wynik F1 0,83, współczynnik Kappa 0,67) w identyfikacji zmian entropii spektralnej w paśmie alfa wywołanych przez ćwiczenia. Badanie to pioniersko identyfikuje pobudzającą równowagę Alfa przedczołową poprzez remodelację oscylacji nerwowej jako podstawowego mechanizmu leżącego u podstaw łagodzenia lęku wywołanego ćwiczeniami.

Introduction

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

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 lęku11,12. 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 pola13,14.

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 asymetriiα-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 pasmachczęstotliwości 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 afektu33,34. 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 emocjonalnymi38,39. 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.

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

Protocol

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

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 analizyEEG 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.

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

Results

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

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 ...

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

Discussion

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

W obszarze badań nad zdrowiem psychicznym zrozumienie mechanizmów neuronowych interwencji u osób z lękiem o wysokich cechach jest niezwykle ważne. Badanie to zostało zaprojektowane z wyraźnym celem zbadania biomarkerów neuronalnych związanych z interwencją ćwiczeniową u takich osób poprzez wykorzystanie modeli sztucznej inteligencji. Wdrożenie zaawansowanych głębokich sieci neuronowych, w tym modeli takich jak EEGNet, zrewolucjonizowało przetwarzanie sygnałów elektroencefalogramu (EEG), umożliwiając precyzyjną analizę i ...

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

Disclosures

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

Autorzy deklarują brak konfliktu interesów.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
BrainAmp SNProdukty mózgoweAMP12081737 StandardPozyskiwanie sygnałów elektroencefalogramu (EEG)
Eprime ProfessionalNARZĘDZIA DO PSYCHOLOGII2.0.10.92Oprogramowanie do eksperymentów psychologicznych
Cykl ruchu 600emotion fitness GmbH & Kompania KGF-EF-MC-650Ergometr rowerowy
DCU (Jednostka Głębokich Obliczeń)HYGONHYGON Z100LAnaliza modelu
PytonPython Software FoundationPython 3.8Analiza modelu

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