Delineando o papel das ondas alfa nas alterações neurais induzidas pelo exercício por meio do EEG em estado de repouso

Na sociedade contemporânea, o ritmo acelerado da vida e o crescente fardo das pressões vitais levaram a um aumento significativo na prevalência da desregulação emocional. Dentre as várias manifestações de desregulação emocional, a ansiedade, um subtipo prevalente, representa um grande desafio para os indivíduos. As terapias farmacológicas há muito são consideradas uma abordagem fundamental no tratamento da desregulação emocional, particularmente da ansiedade. No entanto, a pesquisa mostrou que aproximadamente 30% dos indivíduos com desregulação emocional não respondem aos medicamentos de primeira linha. Além disso, o uso prolongado desses medicamentos pode acarretar vários riscos, como distúrbios metabólicos e comprometimento cognitivo¹. As intervenções psicológicas, embora abordem fatores etiológicos por meio de estruturas baseadas em evidências, são limitadas por durações prolongadas de tratamento que exigem tempo, esforço e recursos financeiros substanciais, juntamente com o início tardio dos efeitos terapêuticos ^2,3.

Nos últimos anos, a intervenção com exercícios tem demonstrado vantagens notáveis no tratamento da desregulação emocional. Uma infinidade de estudos indicou que o exercício tem o potencial de melhorar naturalmente os estados emocionais e aliviar a ansiedade e a depressão, alcançado por meio da promoção da liberação de neurotransmissores endógenos e da indução de alterações sinápticas⁴. Por exemplo, pesquisas em camundongos treinados para exercícios revelaram que sua carga hipóxica foi reduzida em 52% e um aumento significativo na função cognitiva foi observado⁵. A ansiedade-traço, que representa a tendência relativamente estável e duradoura de um indivíduo de experimentar ansiedade em diversas situações⁶, é um fator-chave na compreensão dos mecanismos subjacentes à desregulação emocional. Ele serve como uma característica central da ansiedade crônica, e estudá-lo pode fornecer informações valiosas sobre a fisiopatologia dessa desregulação emocional. Ao entender a ansiedade-traço, podemos compreender melhor por que alguns indivíduos são mais propensos a desenvolver problemas de humor relacionados à ansiedade. Em nosso trabalho anterior, elaboramos as principais regiões cerebrais relacionadas às funções cognitivas emocionais que são prejudicadas em distúrbios emocionais e como a intervenção com exercícios pode melhorar essas funções cognitivas e regiões cerebrais relevantes⁷. Além disso, realizamos dois experimentos de eletroencefalograma (EEG) para explorar em detalhes como a intervenção com exercícios pode melhorar as características da atividade cerebral na capacidade de controle da atenção entre indivíduos com ansiedade de alto traço⁸.

Embora a intervenção com exercícios tenha surgido como uma abordagem não farmacológica promissora no tratamento da depressão, os biomarcadores neurais precisos associados aos efeitos positivos da intervenção com exercícios ainda não foram claramente identificados ^9,10. Os ritmos oscilatórios neurais, atuando como os "codificadores espaço-temporais" do processamento de informações cerebrais, exibem desregulação característica na ansiedade. Por exemplo, pesquisas mostraram que a dessincronização pré-frontal de Alfa (α) está associada a déficits de controle cognitivo comumente observados na ansiedade^11,12. Essa desregulação dos ritmos oscilatórios neurais indica uma interrupção subjacente nos processos normais de comunicação neural que são cruciais para a regulação emocional. No entanto, há uma escassez de estudos que explorem de forma abrangente como o exercício realmente remodela a função emocional, modulando o acoplamento rítmico inter-regional ou a dinâmica do potencial de campo local^13,14.

Avanços recentes na pesquisa de aprendizado profundo baseada em EEG forneceram novos paradigmas para a compreensão de mecanismos patológicos e o desenvolvimento de tratamentos de precisão para transtornos mentais, como depressão e ansiedade¹⁵. Notavelmente, estudos usando conectividade funcional dinâmica (DFC) de EEG em estado de repouso combinado com modelos ocultos de Markov (HMMs) revelaram diferenças significativas na dinâmica da rede de bandas Delta (δ), Theta (θ), Alpha (α) e Gamma (γ) entre depressão não psicótica, depressão psicótica e esquizofrenia 16,17,18 . Um modelo de classificação binária baseado em DFC alcançou 73,1% de precisão na distinção dessas três condições, superando as análises estáticas tradicionais. Os principais biomarcadores incluíram sincronização DMN-SN de banda θ, sincronização do sistema límbico FPCN de banda γ e probabilidades de transição de estado HMM, estabelecendo uma nova estrutura para classificação psiquiátrica de precisão¹⁹ empregou análise teórica de gráfico para demonstrar que as características da rede cerebral basal preveem a eficácia da estimulação cerebral profunda (DBS) na depressão resistente ao tratamento. Um modelo de floresta aleatória usando métricas de rede alcançou 81,2% de precisão na predição da resposta do DBS, superando as escalas clínicas. Os dados longitudinais mostraram que o DBS reverte a disfunção da rede, aumentando a sincronização global da banda δ e reduzindo a centralidade do sgACC. Além disso, a potência de onda de α pré-frontal esquerda previu a não resposta ao antidepressivo, com um modelo de rede neural convolucional (CNN) alcançando 82,3% de precisão com base na assimetria de α²⁰. Everaert et al. (2022) desenvolveram um modelo de rede neural artificial com seleção de recursos usando 460 participantes para identificar recursos preditivos de estratégias de regulação emocional. Esses achados ressaltam a necessidade crítica de identificar alvos neurais precisos para otimizar as prescrições de exercícios²¹.

No campo da pesquisa em neurociência relacionada ao exercício, o aprendizado profundo emergiu como uma ferramenta poderosa, permitindo a extração de biomarcadores neurais robustos dos dados neurológicos espaço-temporais complexos, de alta dimensão e baixa amplitude gerados por intervenções de exercícios. Vários estudos demonstraram que a atividade física modula significativamente os padrões de ativação em regiões cerebrais relacionadas ao motor e na dinâmica oscilatória neural em todas as bandas de frequência 22,23,24. Uma revisão sistemática de 47 estudos revelou aumentos consistentes na potência da banda pré-frontal α/β após o exercício, provavelmente refletindo neuroplasticidade aumentada e inibição cortical²⁵. Tanto o exercício agudo quanto o treinamento de longo prazo induziram tendências semelhantes, embora γ respostas da banda tenham mostrado heterogeneidade dependente da intensidade (por exemplo, treinamento aeróbico moderado vs. treinamento intervalado de alta intensidade). Intervenções aeróbicas de quatro meses em adultos jovens saudáveis produziram aumento significativo da onda α pré-frontal (9-12 Hz), positivamente correlacionado com ganhos de aptidão aeróbica. Embora as melhorias comportamentais no tempo de reação ou na precisão estivessem ausentes, as métricas de oscilação neural indicaram otimização dinâmica das redes de atenção visual, sugerindo que as ondas α podem servir como biomarcadores para a eficácia do exercício²⁶. Especialistas em esportes de alto nível exibiram potência elevada do ritmo sensório-motor (SMR, 12-15 Hz) durante as tarefas de mira, concomitante com coerência pré-frontal-temporal reduzida, indicando execução automatizada de habilidades motoras e melhoria da eficiência da rede²⁷. Notavelmente, os atletas de tênis de mesa mostraram ativação reduzida em regiões cerebrais relacionadas ao exercício em comparação com não atletas, sugerindo que o treinamento de longo prazo constrói redes neurais especializadas e eficientes em termos de energia²⁸.

Este estudo enfoca a ansiedade-traço como um assunto de pesquisa específico, empregando eletroencefalografia (EEG) para coletar dados neurais e explorar seus biomarcadores neurais, fornecendo assim novos insights para identificar alvos neurais precisos. Pesquisas anteriores indicam que as ondas alfa na região pré-frontal estão intimamente associadas à regulação emocional, controle cognitivo e reconhecimento emocional (Harmon-Jones et al., 2010), desempenhando um papel fundamental em processos como decodificação de pistas emocionais externas (por exemplo, expressões faciais, tons vocais) e modulação de respostas emocionais. Estudos sugerem que alterações na atividade alfa pré-frontal podem servir como marcadores fisiológicos de desregulação emocional, particularmente na ansiedade e estados emocionais negativos 29,30,31. A eletroencefalografia em estado de repouso (EEG) serve como uma condição experimental padrão na neurociência para investigar as propriedades dinâmicas do cérebro, exigindo que os participantes permaneçam acordados sem realizar nenhuma tarefa cognitiva³². As condições experimentais podem incluir estados de olhos fechados ou olhos abertos. Evidências empíricas indicam que mudanças nas oscilações alfa pré-frontais podem funcionar como biomarcadores para regulação emocional prejudicada, especialmente em condições caracterizadas por ansiedade e predomínio de afeto negativo^33,34. Sua densidade espectral de potência e padrões de conectividade funcional podem revelar as características intrínsecas da atividade do cérebro e são aplicáveis à detecção de marcadores patológicos em doenças neurodegenerativas (por exemplo, doença de Alzheimer), distúrbios do desenvolvimento (por exemplo, dislexia do desenvolvimento)^35,36, bem como transtornos mentais e emocionais (por exemplo, depressão e ansiedade)³⁷. Dentre estes, o ritmo alfa sob a condição de olhos abertos é comumente utilizado em estudos sobre transtornos emocionais^38,39. Consequentemente, este estudo investiga o desempenho da classificação das oscilações alfa nas regiões pré-frontais antes e após as intervenções de exercício para a ansiedade-traço. Com base nos dados do EEG, esta pesquisa emprega EEGNet para identificar alvos neurais associados a intervenções de exercícios para indivíduos com ansiedade de alto traço. O EEGNet foi projetado especificamente para classificação de sinais de EEG e oferece várias vantagens importantes sobre os métodos tradicionais e outros métodos de aprendizado profundo, tornando-o particularmente adequado para investigar padrões de EEG com dados limitados⁴⁰.

Os dados de EEG em estado de repouso foram coletados usando um sistema de 64 canais (Brain Products, Alemanha) seguindo o padrão internacional 10-20, com uma taxa de amostragem de 1000 Hz e filtragem passa-banda (0,1-100 Hz). Para garantir a qualidade do sinal, a impedância do eletrodo foi mantida abaixo de 5 kΩ e os artefatos oculares foram removidos por meio da Análise de Componentes Independentes (ICA). Os participantes foram instruídos a permanecer acordados com os olhos abertos enquanto se fixavam em uma cruz, minimizando o ruído relacionado ao movimento.

Os principais critérios de inclusão para participantes com alto traço de ansiedade foram: (1) pontuações do Inventário de Ansiedade Traço ≥ 55, (2) exercício limitado de alta intensidade (< 3 dias/semana) para controlar os efeitos de condicionamento físico pré-existentes e (3) atividade física semanal total < 600 MET-min. Esses critérios visavam homogeneizar a amostra enquanto refletiam populações sedentárias do mundo real. Uma limitação é a variabilidade potencial na dinâmica do EEG em estado de repouso devido a diferenças individuais na excitação basal ou condições subclínicas não detectadas, que estudos futuros poderiam abordar com amostras maiores e avaliações multimodais (por exemplo, fMRI ou tarefas comportamentais).

Nossa hipótese é que a atividade alfa pré-frontal pode efetivamente classificar os dados de EEG de exercício e controle. Em resumo, este estudo visa alavancar as tecnologias de IA para analisar os benefícios das intervenções de exercícios para distúrbios emocionais, usando a ansiedade traço como modelo. Por meio de sua metodologia e descobertas, este trabalho busca aprimorar a compreensão dos desenvolvimentos e desafios atuais no campo, oferecendo orientação e insights para pesquisas futuras.

Este estudo foi aprovado pelo Comitê de Ética em Pesquisa Institucional da Universidade de Esportes de Wuhan (2023016).

1. Participantes do estudo

1. Recrute 550 estudantes não esportivos de uma universidade de forma voluntária. Realize a pré-triagem para seleção da amostra. Use o Inventário de Ansiedade Traço-Estado Revisado Chinês⁴¹ para esse fim, conforme mostrado na Tabela 1.
2. Classifique os indivíduos com pontuação igual ou superior a 55 na subescala Ansiedade-traço como tendo ansiedade traço alta e selecione-os para o experimento de EEG. Utilizar a subescala Ansiedade-traço desse inventário como principal ferramenta de avaliação, seguindo critérios estabelecidos em estudos anteriores de ERP⁴². Essa pontuação de corte de 55 foi baseada em pesquisas anteriores, garantindo uma maneira consistente e válida de categorizar os participantes com ansiedade de alto traço.
3. Avalie ainda mais os indivíduos com escores de ansiedade superiores a 55 para seus níveis de atividade física. Os participantes também foram obrigados a atender a três critérios de inclusão específicos relacionados aos seus padrões de atividade física na semana anterior.
   1. Certifique-se de que os participantes tenham praticado atividade física de alta intensidade por menos de 3 dias (com cada sessão durando ≥ 20 minutos por dia).
      NOTA: A atividade física de alta intensidade pode ter um impacto significativo no corpo e no cérebro, potencialmente alterando a plasticidade neural e os níveis de neurotransmissores. Ao restringir o número de dias de atividade de alta intensidade, os pesquisadores podem minimizar os efeitos de confusão de exercícios tão intensos na relação que está sendo estudada.
   2. Certifique-se de que o número total de dias de exercício em todas as intensidades seja inferior a 5 dias por semana e que o volume total de exercícios seja inferior a 600 MET-min/semana. Isso garantirá que a carga geral de exercícios dos participantes esteja dentro de um determinado intervalo, reduzindo a variabilidade na amostra devido a diferentes volumes de exercícios.
   3. Confirme se os participantes se envolveram em menos de 30 minutos de atividade de intensidade moderada e caminharam por menos de 5 dias por semana.
      NOTA: A atividade e a caminhada de intensidade moderada, embora menos intensas do que o exercício de alta intensidade, ainda podem influenciar o estado fisiológico e psicológico do corpo. Ao definir esses limites, os pesquisadores podem controlar ainda mais os efeitos potenciais de diferentes tipos de atividade física nos resultados experimentais.

2. Instrução da tarefa

1. Instrua os participantes do grupo de intervenção de exercícios a se envolverem em exercícios aeróbicos de intensidade moderada usando um cicloergômetro estacionário por 30 minutos, usando um monitor de frequência cardíaca para registrar dados fisiológicos. A intervenção de exercícios foi estruturada em três fases, seguindo as diretrizes estabelecidas⁴³.
   1. Fase de aquecimento: Instrua os participantes a pedalar a 25 watts por 5 minutos para preparar a musculatura e os sistemas cardiovascular para a fase principal do exercício.
   2. Fase principal do exercício: Instrua os participantes a realizar uma tarefa de ciclismo contínuo de 20 minutos a uma taxa de pedalada de 70-80 rpm em intensidade moderada. Monitore a frequência cardíaca a cada 2 s e calcule a frequência cardíaca alvo (FCT) usando a fórmula:
      ATQ (FCmáx − FCrep) × intensidade desejada + FCrep
      onde FCmax = frequência cardíaca máxima, FCrest = frequência cardíaca de repouso e a intensidade desejada foi determinada de acordo com as diretrizes de exercícios do ACSM⁴³.
   3. Fase de resfriamento: Peça ao participante para reduzir a carga de ciclismo para 15 W em 5 minutos para diminuir a frequência cardíaca, minimizar o risco de lesões e promover o relaxamento muscular.
2. Tarefa do grupo de controle: Certifique-se de que o participante fique sentado em silêncio no laboratório por 30 minutos e se envolva em uma tarefa de leitura livre.

3. Coleta de dados

1. Registre os sinais de EEG dos indivíduos usando um dispositivo de 64 derivações e defina o conjunto de eletrodos de acordo com o sistema padrão internacional 10-20 com uma frequência de amostragem de 1000 Hz.
2. Antes da aquisição de dados, aplique pasta condutora médica em todas as interfaces eletrodo-pele para garantir valores de impedância abaixo de 5 kΩ, otimizando assim a fidelidade do sinal e reduzindo os artefatos de movimento.
3. A taxa de amostragem para coleta de dados foi de 1000 Hz, com filtro passa-banda de 0,1-100 Hz. Manter a impedância do eletrodo abaixo de 5 kΩ.
4. Coloque um eletrodo no canto externo esquerdo do olho esquerdo e registre os movimentos verticais dos olhos e piscar.
5. Durante a coleta de dados, FCz e FPz serviram como eletrodo de referência original e eletrodo terra, respectivamente.
6. Instrua os participantes a manter os olhos abertos e fixar-se em uma cruz. Ao longo do processo, eles são obrigados a permanecer conscientes e alertas, evitar se concentrar em qualquer pensamento específico e abster-se de experimentar flutuações emocionais.

4. Análise de dados offline

1. Pré-processamento
   1. Refaça a referência dos dados brutos à média de todos os eletrodos.
   2. Aplique um filtro passa-banda de 0.1-40 Hz para remover desvios de baixa frequência (por exemplo, artefatos respiratórios) e ruídos de alta frequência (por exemplo, interferência na linha de energia e artefatos eletromiográficos).
   3. Segmente os dados de todos os sujeitos em épocas de 120 s, excluindo as partes inicial e final de 10 s de cada gravação para eliminar possíveis artefatos de borda da inicialização do dispositivo.
   4. Remova os artefatos de eletrooculograma (EOG) e eletrocardiograma (ECG) usando a técnica de Análise de Componentes Independentes (ICA). O algoritmo Infomax decompôs o sinal em componentes estatisticamente independentes. Os componentes artificiais foram identificados por meio de caracterização tripartite: (1) topografia espacial (EOG mostrando distribuições de dipolo frontopolar, ECG exibindo dominância temporal esquerda); (2) dinâmica temporal (EOG manifestando picos transitórios bloqueados por piscar, ECG exibindo periodicidade do ritmo cardíaco); e (3) assinaturas espectrais (EOG demonstrando concentração espectral de baixa frequência)⁴⁴.
   5. Remova os períodos de tempo durante os quais a tensão do EEG excedeu ± 75 μV como artefatos.
2. Análise de diferença específica da banda
   1. Primeiro, segmente os sinais de EEG em pequenos segmentos em intervalos de 120 s.
   2. Analise as características de tempo-frequência dos sinais de EEG usando uma wavelet complexa de Morlet.
   3. Defina os parâmetros da seguinte forma: Selecione os parâmetros de transformada wavelet com ciclos [3 0,8], 100 caixas de frequência (nfreqs) e 200 pontos de tempo (ntimeout) para otimizar a resolução de tempo-frequência para análise de EEG⁴⁵.
   4. Realize testes de permutação ponto a ponto (10.000 iterações) em todos os pontos de frequência de tempo para avaliar a significância estatística (p < 0,05, corrigido por FDR).
   5. Visualize como um gráfico de tempo-frequência, com pontos de tempo no eixo x e caixas de frequência no eixo y.

5. Análise do modelo

NOTA: Esta rede neural convolucional (CNN) alcança o aprendizado de recursos de frequência de tempo de sinais de EEG por meio de uma operação de convolução bidimensional em várias escalas⁴⁶. O processo do modelo CNN é mostrado na Figura 1B.

1. Primeiro bloco convolucional
   1. Empregue uma camada de convolução 2D (Conv2d) com in_channels = 6, out_channels = 16, kernel_size = (3, 3) e preenchimento = 1 para extrair recursos espaciais locais, onde o preenchimento simétrico garante que as dimensões espaciais permaneçam inalteradas após a convolução.
   2. Aplique a normalização em lote (BatchNorm2d) à saída da camada de convolução para estabilizar o treinamento e acelerar a convergência, seguida por uma função de ativação de unidade linear retificada (ReLU) para introduzir a não linearidade.
   3. Use uma camada de pool máximo (MaxPool2d) com kernel_size = (2, 2) e stride = 2 para compactação de feição para reduzir as dimensões espaciais pela metade, mantendo informações importantes da feição.
2. Segundo bloco convolucional
   1. Utilize outra camada de convolução 2D (Conv2d) com in_channels = 16, out_channels = 32, kernel_size = (3, 3) e preenchimento = 1 para extrair ainda mais recursos espaciais de alto nível com base na saída do primeiro bloco, com a mesma estratégia de preenchimento para manter as dimensões espaciais.
   2. Semelhante ao primeiro bloco, aplique a normalização em lote (BatchNorm2d) e a ativação de ReLU sequencialmente para normalizar recursos e introduzir não linearidade.
   3. Novamente, use uma camada de pool máximo (MaxPool2d) com kernel_size = (2, 2) e stride = 2 para compactar feições.
3. Camadas totalmente conectadas
   1. Nivele os recursos de saída do segundo bloco convolucional em um vetor unidimensional, que serve como entrada para as camadas totalmente conectadas.
   2. Certifique-se de que a primeira camada totalmente conectada (Linear) mapeie os recursos nivelados para um espaço de recursos de 256 dimensões, seguida por uma camada de dropout (Dropout) com uma taxa de 0,5 para evitar sobreajuste e uma função de ativação ReLU.
   3. A segunda camada totalmente conectada (Linear) reduz ainda mais a dimensão do recurso de 256 para 128, com outra camada de dropout (Dropout) com uma taxa de 0,5 e uma função de ativação ReLU aplicada sequencialmente.
   4. A camada final totalmente conectada (Linear) mapeia os recursos de 128 dimensões para o número de classes de destino (duas classes), gerando a saída do modelo.
      NOTA: A plataforma de processamento de dados foi configurada da seguinte forma: um servidor com quatro DCUs HYGON Z100L; construção e treinamento de modelos em Python 3.8, PyTorch-1.13. O experimento usa o módulo torch.nn para fornecer componentes principais, como Conv2d (camada de convolução), BatchNorm2d (normalização em lote), ELU (função de ativação), AvgPool2d (agrupamento médio), Dropout (camada de abandono), Linear (camada totalmente conectada) e CrossEntropyLoss (função de perda); O módulo torch.optim fornece o otimizador Adam para atualizações de parâmetros; o módulo torch.utils.data fornece DataLoader (carregador de dados) e TensorDataset (classe wrapper de conjunto de dados) para processamento de dados; torch.device é usado para configuração de dispositivo (DCU); torch.save é usado para salvar parâmetros do modelo; e a função sklearn.model_selection.train_test_split do scikit-learn é usada para divisão de conjuntos de dados; Adam foi selecionado como o otimizador; a função de perda era entropia cruzada; batch_size foi definido como 2; e a época foi definida como 100. Para dados de entrada, use recursos de EEG (com base em matrizes extraídas de Morlet) de seis canais pré-frontais (Fp1, Fp2, AF3, AF4, AF7, AF8) na banda alfa com recursos de tempo-frequência. Divida os experimentos em conjuntos de treinamento e teste usando uma proporção de 7:3. Avalie a eficácia do modelo por meio de resultados de classificação usando métricas de matriz de precisão e confusão.

Processamento de dados de EEG e análise estatística

Os dados brutos de EEG foram segmentados em épocas de 2 s centradas no início do evento, de acordo com as práticas padrão na análise de tempo-frequência para capturar a dinâmica neural transitória, minimizando os artefatos de borda. Cada época passou por transformação wavelet contínua (CWT) usando uma wavelet Morlet complexa com 3 ciclos, que equilibra de forma ideal a resolução temporal e de frequência para detectar atividade oscilatória nas bandas a gama.

O painel esquerdo da Figura 2 representa o grupo de exercícios e o painel direito representa o Grupo de Controle. (1) Qualidade do processamento de dados: Ambos os espectros exibem curvas suaves e o padrão de decaimento neurofisiológico característico "1 / f" (alta potência em baixas frequências diminuindo exponencialmente com a frequência). As trajetórias altamente sobrepostas indicam pré-processamento de dados eficaz (por exemplo, redução de ruído, filtragem) e alta qualidade de dados de linha de base com boa fidelidade de sinal no domínio da frequência. (2) Diferenças sutis entre grupos: Dentro da banda alfa (8-12 Hz, área cinza sombreada para ilustração), o grupo controle (direita) mostra valores de potência ligeiramente mais baixos em comparação com o grupo de exercício (esquerda), sugerindo que uma única sessão de exercício agudo pode ter induzido um leve efeito modulatório no ritmo alfa das oscilações cerebrais em estado de repouso.

Para inferência estatística, realizamos testes de permutação não paramétricos pontuais (5.000 iterações) em todos os pontos de frequência de tempo. Essa abordagem controla comparações múltiplas agrupando pontos significativos adjacentes (limiar de formação de cluster p < 0,05, correção FDR em nível de cluster), para abordar a distribuição não gaussiana de coeficientes wavelet.

Diferenças significativas na atividade do eletrodo pré-frontal foram observadas dentro da faixa de frequência de 7-13 Hz entre os grupos exercício e leitura, conforme mostrado na Figura 3.

Validação do desempenho da classificação do modelo CNN

Na investigação do impacto da intervenção de exercícios em indivíduos com ansiedade de alto traço, o desempenho da classificação do modelo de Rede Neural Convolucional (CNN) usando dados de características da banda alfa pré-frontal é um aspecto crucial. Esta análise visa determinar se o modelo pode efetivamente distinguir entre o grupo de leitura e o grupo de exercício, fornecendo evidências para as diferenças de nível neural associadas ao exercício.

O modelo CNN mostrou alto desempenho de classificação ao usar dados de características da banda alfa pré-frontal para discriminar entre os grupos de leitura e exercício, com uma precisão de 83,33%, e alcançou uma pontuação média de F1 de 0,83 e um coeficiente Kappa de 0,63. Para entender melhor o desempenho do modelo, recorremos à matriz de confusão de classificação binária apresentada na Figura 3C. Nessa matriz, uma ferramenta bem estruturada para avaliar modelos de classificação, cada linha representa a verdadeira categoria dos dados e cada coluna representa a categoria prevista pelo modelo. Esse layout permite uma avaliação detalhada da capacidade do modelo de classificar corretamente diferentes instâncias de dados. O modelo exibiu um desempenho de classificação relativamente bom para ambos os tipos de dados. Essa alta taxa de reconhecimento implica que o modelo foi capaz de identificar com precisão uma grande proporção dos dados pertencentes ao grupo de exercícios. Em outras palavras, os padrões neurais na banda alfa pré-frontal associados ao exercício eram distintos o suficiente para que o modelo os reconhecesse com um alto grau de certeza. Esses resultados da matriz de confusão apóiam ainda mais a precisão geral do modelo CNN.

Figura 1: Aquisição de EEG em estado de repouso e fluxo de trabalho de classificação baseado em CNN. (A) Lado esquerdo: O processo de registro do eletroencefalograma (EEG) em estado de repouso. Lado direito: As formas de onda do EEG e a distribuição dos eletrodos do couro cabeludo. (B) O fluxo de trabalho do uso de uma Rede Neural Convolucional (CNN) para classificar as ondas alfa de dois grupos. Clique aqui para ver uma versão maior desta figura.

Figura 2: Comparação da densidade espectral de potência entre os grupos de exercício e controle. Painel esquerdo: o Grupo de Exercícios; Painel direito: o Grupo de controle. Clique aqui para ver uma versão maior desta figura.

Figura 3: Dinâmica neural e classificação CNN de grupos de exercícios versus grupos de leitura. (A) Diferenças significativas entre os grupos identificadas por testes t ponto a ponto, destacando-se clusters tempo-frequência (p < 0,05, corrigido por FDR). (B) Mapas topográficos da potência da banda alfa média (7-13 Hz). Os mapas descrevem a distribuição espacial da atividade oscilatória neural para o grupo de leitura (esquerda) e grupo de exercícios (direita). (C) Desempenho de classificação da atividade alfa pré-frontal usando um modelo CNN (precisão: 83,3%). Clique aqui para ver uma versão maior desta figura.

Tabela 1: Recrutamento de participantes e critérios de triagem.

Os autores declaram não haver conflitos de interesse.