Определение роли альфа-волн в нейронных изменениях, вызванных физической нагрузкой, с помощью ЭЭГ в состоянии покоя

В современном обществе ускорение темпа жизни и растущее бремя жизненного давления привели к значительному росту распространенности эмоциональной дисрегуляции. Среди различных проявлений эмоциональной дисрегуляции, тревожность, преобладающий подтип, представляет собой большую проблему для индивидуумов. Фармакологическая терапия долгое время рассматривалась как фундаментальный подход к лечению эмоциональной дисрегуляции, особенно тревоги. Тем не менее, исследования показали, что примерно 30% людей с эмоциональной дисрегуляцией не реагируют на препараты первой линии. Более того, длительное применение этих препаратов может привести к различным рискам, таким как метаболические нарушения и когнитивные нарушения¹. Психологические вмешательства, хотя и воздействуют на этиологические факторы с помощью научно обоснованных рамок, ограничены длительной продолжительностью лечения, требующей значительного времени, усилий и финансовых ресурсов, наряду с отсроченным наступлением терапевтических эффектов ^2,3.

В последние годы физические упражнения демонстрируют замечательные преимущества в лечении эмоциональной дисрегуляции. Множество исследований показало, что физические упражнения обладают потенциалом для естественного улучшения эмоционального состояния и облегчения тревоги и депрессии, что достигается за счет стимулирования высвобождения эндогенных нейромедиаторов и индукции синаптических^{изменений.} Например, исследования на мышах, тренирующихся физическими упражнениями, показали, что их гипоксическая нагрузка снизилась на 52%, а^{также наблюдалось} значительное улучшение когнитивных функций. Тревожность, которая представляет собой относительно стабильную и длительную тенденцию человека испытывать тревогу в различных ситуациях⁶, является ключевым фактором в понимании основных механизмов эмоциональной дисрегуляции. Она служит основным признаком хронической тревоги, и ее изучение может дать ценную информацию о патофизиологии такой эмоциональной дисрегуляции. Понимая тревожность, мы можем лучше понять, почему некоторые люди более склонны к развитию проблем с настроением, связанных с тревогой. В нашей предыдущей работе мы подробно остановились на основных областях мозга, связанных с эмоциональными когнитивными функциями, которые нарушаются при эмоциональных расстройствах, и на том, как физические упражнения могут улучшить эти когнитивные функции и соответствующие области мозга⁷. Кроме того, мы провели два эксперимента с электроэнцефалограммой (ЭЭГ), чтобы подробно изучить, как физические упражнения могут улучшить характеристики мозговой активности в способности контролировать внимание у людей с высокой^{тревожностью.}

В то время как физические упражнения стали многообещающим нефармакологическим подходом к лечению депрессии, точные нейронные биомаркеры, связанные с положительными эффектами физических упражнений, еще не были четко идентифицированы^. Нейронные колебательные ритмы, действующие как «пространственно-временные кодировщики» обработки информации мозгом, демонстрируют характерную дисрегуляцию при тревоге. Например, исследования показали, что префронтальная альфа(α) десинхронизация связана с дефицитом когнитивного контроля, обычно наблюдаемым при тревоге ^11,12. Эта дисрегуляция нервных колебательных ритмов указывает на скрытое нарушение нормальных процессов нейронной коммуникации, которые имеют решающее значение для эмоциональной регуляции. Тем не менее, существует нехватка исследований, которые всесторонне изучают, как физические упражнения на самом деле изменяют эмоциональную функцию, модулируя межрегиональную ритмическую связь^{или динамику} потенциала локального ^поля.

Последние достижения в исследованиях глубокого обучения на основе ЭЭГ предоставили новые парадигмы для понимания патологических механизмов и разработки точных методов лечения психических расстройств, таких как депрессия и тревога^. Примечательно, что исследования с использованием динамической функциональной связности (DFC) ЭЭГ в состоянии покоя в сочетании со скрытыми марковскими моделями (HMM) выявили значительные различия в динамике сети полос Delta (δ), Theta (θ), Alpha (α) и Gamma (γ) среди непсихотических депрессий, психотических депрессий и шизофрении 16,17,18 . Модель двоичной классификации на основе DFC достигла 73,1% точности в различении этих трех условий, превзойдя традиционный статический анализ. Ключевые биомаркеры включали синхронизацию θ-диапазона DMN-SN, синхронизацию γ-полосной FPCN-лимбической системы и вероятности перехода состояния HMM, создавая новую основу для точной психиатрической классификации 19 Использованный теоретический анализ графов^{продемонстрировал}, что базовые функции сети мозга предсказывают эффективность глубокой стимуляции мозга (DBS) при резистентной к лечению депрессии. Модель случайного леса с использованием сетевых метрик достигла 81,2% точности в прогнозировании ответа DBS, превзойдя клинические масштабы. Продольные данные показали, что DBS устраняет дисфункцию сети, улучшая глобальную синхронизацию δ-диапазонов и снижая центральность sgACC. Кроме того, левая префронтальная α-волновая мощность предсказывала отсутствие ответа антидепрессантов, при этом модель сверточной нейронной сети (СНС) достигла точности 82,3% на основе α-асимметрии²⁰. Everaert et al. (2022) разработали модель искусственной нейронной сети с выбором признаков с использованием 460 участников для выявления прогностических особенностей стратегий регуляции эмоций. Эти результаты подчеркивают критическую необходимость определения точных нейронных мишеней для оптимизации назначений упражнений²¹.

В области нейробиологических исследований, связанных с физическими упражнениями, глубокое обучение стало мощным инструментом, позволяющим извлекать надежные нейронные биомаркеры из сложных, многомерных и малоамплитудных пространственно-временных неврологических данных, генерируемых в результате физических упражнений. Многочисленные исследования показали, что физическая активность значительно модулирует паттерны активации в моторных областях мозга и нейронную колебательную динамику в полосах^частот 22,23,24. Систематический обзор 47 исследований выявил последовательное увеличение мощности префронтального α/β диапазона после физических упражнений, что, вероятно, отражает повышенную нейропластичность и корковое торможение^. Как интенсивные физические нагрузки, так и длительные тренировки индуцировали сходные тенденции, хотя ответы γ диапазонов показали гетерогенность, зависящую от интенсивности (например, умеренная аэробная тренировка против высокоинтенсивной интервальной тренировки). Четырехмесячные аэробные вмешательства у здоровых молодых людей приводили к значительному увеличению префронтальной α волны (9-12 Гц), положительно коррелировавшей с улучшением аэробной физической формы. В то время как поведенческие улучшения времени реакции или точности отсутствовали, метрики нейронных колебаний указывали на динамическую оптимизацию сетей визуального внимания, предполагая, α волны могут служить биомаркерами эффективности^{упражнений.} Спортивные эксперты высокого уровня продемонстрировали повышенную мощность сенсомоторного ритма (SMR, 12-15 Гц) во время выполнения задач прицеливания, одновременно со снижением префронтально-временной когерентности, что указывает на автоматическое выполнение двигательных навыков и повышение эффективности сети^. Примечательно, что спортсмены, занимающиеся настольным теннисом, показали меньшую активацию в областях мозга, связанных с физическими упражнениями, по сравнению с теми, кто не занимается спортом, что позволяет предположить, что долгосрочные тренировки создают специализированные, энергоэффективные нейронные сети^.

В этом исследовании основное внимание уделяется тревожности черт характера как конкретному предмету исследования, с использованием электроэнцефалографии (ЭЭГ) для сбора нейронных данных и изучения ее нейронных биомаркеров, тем самым обеспечивая новые идеи для идентификации точных нейронных мишеней. Предыдущие исследования показывают, что альфа-волны в префронтальной области тесно связаны с эмоциональной регуляцией, когнитивным контролем и распознаванием эмоций (Harmon-Jones et al., 2010), играя ключевую роль в таких процессах, как расшифровка внешних эмоциональных сигналов (например, мимики, тона голоса) и модуляция эмоциональных реакций. Исследования показывают, что изменения в префронтальной альфа-активности могут служить физиологическими маркерами эмоциональной дисрегуляции, особенно при тревоге и негативных эмоциональных состояниях 29,30,31. Электроэнцефалография в состоянии покоя (ЭЭГ) служит стандартным экспериментальным условием в нейробиологии для исследования динамических свойств мозга, требуя от участников бодрствовать без выполнения каких-либо когнитивных^задач. Условия эксперимента могут включать состояния с закрытыми или открытыми глазами. Эмпирические данные указывают на то, что изменения префронтальных альфа-колебаний могут функционировать как биомаркеры нарушения регуляции эмоций, особенно в условиях, характеризующихся тревогой и преобладанием негативных^{эмоций.} Его спектральная плотность мощности и функциональные связности могут выявить характеристики внутренней активности мозга и применимы для выявления патологических маркеров при нейродегенеративных заболеваниях (например, болезни Альцгеймера), нарушениях развития (например, дислексии развития)^35,36, а также психических и эмоциональных расстройствах (например, депрессии и тревоге)³⁷. Среди них альфа-ритм в условиях открытых глаз обычно используется в исследованиях эмоциональных расстройств^38,39. Следовательно, в этом исследовании изучается классификационная эффективность альфа-осцилляций в префронтальных областях до и после физических вмешательств при тревожности. Основываясь на данных ЭЭГ, в этом исследовании используется EEGNet для определения нейронных мишеней, связанных с физическими упражнениями у людей с высокой тревожностью. EEGNet специально разработан для классификации сигналов ЭЭГ и имеет несколько ключевых преимуществ по сравнению с традиционными и другими методами глубокого обучения, что делает его особенно подходящим для исследования паттернов ЭЭГ с ограниченными данными^.

Данные ЭЭГ в состоянии покоя собирали с помощью 64-канальной системы (Brain Products, Германия) в соответствии с международным стандартом 10-20, с частотой дискретизации 1000 Гц и полосовой фильтрацией (0,1-100 Гц). Для обеспечения качества сигнала импеданс электродов поддерживался на уровне ниже 5 кОм, а глазные артефакты удалялись с помощью независимого компонентного анализа (ICA). Участников проинструктировали оставаться в сознании с открытыми глазами, фиксируясь на кресте, сводя к минимуму шум, связанный с движением.

Ключевыми критериями включения участников с высоким уровнем тревожности были: (1) баллы опросника тревожности ≥ 55, (2) ограниченные высокоинтенсивные упражнения (< 3 дня в неделю) для контроля ранее существовавших эффектов физической формы, и (3) общая еженедельная физическая активность < 600 МЕТ-мин. Эти критерии были направлены на гомогенизацию выборки, отражая при этом реальные популяции, ведущие сидячий образ жизни. Ограничением является потенциальная вариабельность динамики ЭЭГ в состоянии покоя из-за индивидуальных различий в исходном возбуждении или невыявленных субклинических состояниях, которые в будущих исследованиях могут быть устранены с помощью более крупных выборок и мультимодальных оценок (например, фМРТ или поведенческих задач).

Мы предполагаем, что префронтальная альфа-активность может эффективно классифицировать данные ЭЭГ упражнений и контроля. Таким образом, это исследование направлено на использование технологий искусственного интеллекта для анализа преимуществ физических упражнений при эмоциональных расстройствах, используя в качестве модели тревожность. Благодаря своей методологии и выводам эта работа направлена на улучшение понимания текущих событий и проблем в этой области, предлагая рекомендации и идеи для будущих исследований.

Данное исследование было одобрено Комитетом по этике институциональных исследований Уханьского спортивного университета (2023016).

1. Участники исследования

1. Набрать 550 студентов неспортивных специальностей из вуза на добровольной основе. Выполните предварительный скрининг для отбора образцов. Для этой цели используйте Китайский пересмотренный опросник тревожности⁴¹ , как показано в таблице 1.
2. Классифицируйте людей, набравших 55 баллов или выше по субшкале «Тревожность», как имеющих высокий уровень тревожности, и выберите их для эксперимента ЭЭГ. Используйте подшкалу «Тревожность» данного опросника в качестве ключевого инструмента оценки, следуя критериям, установленным из предыдущих исследований ERP⁴². Этот пороговый балл в 55 баллов был основан на предыдущих исследованиях, что обеспечивает последовательный и валидный способ категоризации участников с высокой тревожностью.
3. Дополнительно оцените уровень физической активности у людей с тревожностью выше 55. Участники также должны были соответствовать трем конкретным критериям включения, связанным с их физической активностью на предыдущей неделе.
   1. Убедитесь, что участники занимались высокоинтенсивной физической активностью менее 3 дней (при этом каждое занятие длится ≥ 20 минут в день).
      ПРИМЕЧАНИЕ: Высокоинтенсивная физическая активность может оказывать значительное влияние на тело и мозг, потенциально изменяя нейронную пластичность и уровень нейротрансмиттеров. Ограничивая количество дней с высокой интенсивной активностью, исследователи могут свести к минимуму смешанное влияние таких интенсивных упражнений на изучаемую взаимосвязь.
   2. Убедитесь, что общее количество дней упражнений с любой интенсивностью составляет менее 5 дней в неделю, а общий объем упражнений составляет менее 600 MET-мин в неделю. Это позволит гарантировать, что общая нагрузка по нагрузке участников будет находиться в определенном диапазоне, что снизит вариабельность выборки из-за разного объема упражнений.
   3. Подтвердите, что участники занимались умеренной активностью менее 30 минут и ходили менее 5 дней в неделю.
      Примечание: Активность умеренной интенсивности и ходьба, хотя и менее интенсивные, чем высокоинтенсивные упражнения, все же могут влиять на физиологическое и психологическое состояние организма. Установив эти пределы, исследователи могут в дальнейшем контролировать потенциальное влияние различных видов физической активности на экспериментальные результаты.

2. Инструкция по заданию

1. Проинструктируйте участников группы вмешательства в упражнения выполнять аэробные упражнения умеренной интенсивности с использованием стационарного велоэргометра в течение 30 минут, надев пульсометр для записи физиологических данных. Вмешательство в упражнения было структурировано в три этапа в соответствии с установленными руководящими принципами⁴³.
   1. Фаза разминки: Проинструктируйте участников о том, что они будут кататься на велосипеде мощностью 25 Вт в течение 5 минут, чтобы подготовить мускулатуру и сердечно-сосудистую систему к основной фазе упражнения.
   2. Основная фаза упражнения: Проинструктируйте участников выполнить 20-минутное непрерывное задание на езде на велосипеде со скоростью вращения педалей 70-80 об/мин при умеренной интенсивности. Отслеживайте частоту сердечных сокращений каждые 2 с и рассчитывайте целевую частоту сердечных сокращений (THR) по формуле:
      THR (HRmax − HRrest) × желаемой интенсивности + HRrest
      где HRmax = максимальная частота сердечных сокращений, HRrest = частота сердечных сокращений в состоянии покоя, а желаемая интенсивность была определена в соответствии с рекомендациями ACSM по упражнениям⁴³.
   3. Фаза заминки: Попросите участника снизить нагрузку при езде на велосипеде до 15 Вт в течение 5 минут, чтобы снизить частоту сердечных сокращений, свести к минимуму риск травм и способствовать расслаблению мышц.
2. Задание контрольной группы: Убедитесь, что участник сидит спокойно в лаборатории в течение 30 минут и выполняет задание по свободному чтению.

3. Сбор данных

1. Запишите сигналы ЭЭГ испытуемых с помощью прибора с 64 отведениями, а электродную решетку установите по системе международного стандарта 10-20 с частотой дискретизации 1000 Гц.
2. Перед сбором данных нанесите медицинскую проводящую пасту на все интерфейсы электрод-оболочка, чтобы обеспечить значения импеданса ниже 5 кОм, тем самым оптимизируя точность сигнала и уменьшая артефакты движения.
3. Частота дискретизации для сбора данных составила 1000 Гц, полосовой фильтр - 0,1-100 Гц. Импеданс электродов должен быть ниже 5 кОм.
4. Поместите электрод в левый наружный кантус левого глаза и запишите вертикальные движения глаз и моргание.
5. Во время сбора данных FCz и FPz служили исходным электродом сравнения и заземляющим электродом соответственно.
6. Проинструктируйте участников держать глаза открытыми и фиксироваться на кресте. На протяжении всего процесса они должны оставаться сознательными и бдительными, не сосредотачиваться на какой-либо конкретной мысли и воздерживаться от эмоциональных колебаний.

4. Анализ данных в автономном режиме

1. Предварительная обработка
   1. Повторно сопоставьте исходные данные со средним значением по всем электродам.
   2. Примените полосовой фильтр с частотой 0,1–40 Гц для удаления низкочастотного дрейфа (например, респираторных артефактов) и высокочастотного шума (например, помех от линий электропередач и электромиографических артефактов).
   3. Сегментируйте данные всех субъектов на эпохи по 120 с, исключая начальную и конечную части каждой записи по 10 с, чтобы исключить потенциальные артефакты краев при инициализации устройства.
   4. Удалите артефакты электроокулограммы (ЭОГ) и электрокардиограммы (ЭКГ) с помощью метода анализа независимых компонент (ICA). Алгоритм Infomax разложил сигнал на статистически независимые составляющие. Искусственные компоненты были идентифицированы с помощью трехчастной характеристики: (1) пространственная топография (ЭОГ показывает распределение фронтополярных диполей, ЭКГ демонстрирует левовременное доминирование); (2) временная динамика (ЭОГ, проявляющая мигающие переходные спайки, ЭКГ, показывающая периодичность сердечного ритма); и (3) спектральные сигнатуры (ЭОГ, демонстрирующие низкочастотную спектральную концентрацию)⁴⁴.
   5. Исключите периоды времени, в течение которых напряжение ЭЭГ превышало ± 75 мкВ в качестве артефактов.
2. Анализ различий по полосам
   1. Во-первых, сегментируйте сигналы ЭЭГ на небольшие сегменты с интервалом в 120 с.
   2. Анализ частотно-временных характеристик сигналов ЭЭГ с помощью комплексного вейвлета Морле.
   3. Установите следующие параметры: Выберите параметры вейвлет-преобразования с циклами [3 0.8], 100 частотными бинами (nfreqs) и 200 временными точками (ntimesout) для оптимизации частотно-временного разрешения для анализа ЭЭГ⁴⁵.
   4. Проведите пошаговое тестирование перестановок (10 000 итераций) во всех временных частотных точках для оценки статистической значимости (p < 0,05, с поправкой FDR).
   5. Визуализируйте в виде частотно-временного графика с временными точками по оси X и интервалами частот по оси y.

5. Анализ модели

Примечание: Эта сверточная нейронная сеть (СНС) обеспечивает обучение частотно-временных характеристик сигналов ЭЭГ с помощью многомасштабной двумерной операции свертки⁴⁶. Процесс работы модели СНС показан на рисунке 1B.

1. Первый сверточный блок
   1. Используйте слой 2D свертки (Conv2d) с in_channels = 6, out_channels = 16, kernel_size = (3, 3) и padding = 1 для извлечения локальных пространственных объектов, где симметричное заполнение гарантирует, что пространственные размеры останутся неизменными после свертки.
   2. Примените пакетную нормализацию (BatchNorm2d) к выходным данным слоя свертки для стабилизации обучения и ускорения сходимости, а затем функцию активации выпрямленных линейных единиц (ReLU) для введения нелинейности.
   3. Используйте максимальный слой пулинга (MaxPool2d) с kernel_size = (2, 2) и stride = 2 для сжатия объектов, чтобы уменьшить пространственные размеры вдвое, сохранив при этом важную информацию об объектах.
2. Второй сверточный блок
   1. Используйте другой слой 2D свертки (Conv2d) с in_channels = 16, out_channels = 32, kernel_size = (3, 3) и padding = 1 для дальнейшего извлечения высокоуровневых пространственных объектов на основе выходных данных первого блока, с той же стратегией заполнения для сохранения пространственных измерений.
   2. Как и в первом блоке, последовательно примените пакетную нормализацию (BatchNorm2d) и активацию ReLU для нормализации функций и введения нелинейности.
   3. Опять же, используйте максимальный слой пулинга (MaxPool2d) с kernel_size = (2, 2) и stride = 2 для сжатия объектов.
3. Полностью соединенные слои
   1. Сведение выходных признаков из второго сверточного блока в одномерный вектор, который служит входными данными для полностью соединенных слоев.
   2. Убедитесь, что первый полносвязный слой (Linear) сопоставляет плоские объекты с 256-мерным пространством признаков, за которым следует слой выпадения (Dropout) с коэффициентом 0,5 для предотвращения переобучения и функция активации ReLU.
   3. Второй полносвязный слой (Linear) еще больше уменьшает размерность элемента с 256 до 128, при этом другой слой дропаута (Dropout) имеет коэффициент 0,5 и последовательно применяется функция активации ReLU.
   4. Последний полносвязный слой (Linear) сопоставляет 128-мерные признаки с числом целевых классов (двухклассовый), генерируя выходные данные модели.
      ПРИМЕЧАНИЕ: Платформа обработки данных была настроена следующим образом: сервер с четырьмя DCU HYGON Z100L; построение и обучение моделей на Python 3.8, PyTorch-1.13. В эксперименте используется модуль torch.nn для предоставления основных компонентов, таких как Conv2d (слой свертки), BatchNorm2d (нормализация пакета), ELU (функция активации), AvgPool2d (объединение усредненных данных), Dropout (слой отбросов), Linear (полностью связный слой) и CrossEntropyLoss (функция потерь); Модуль torch.optim предоставляет оптимизатор Adam для обновления параметров; модуль torch.utils.data предоставляет DataLoader (загрузчик данных) и TensorDataset (класс-оболочка набора данных) для обработки данных; torch.device используется для настройки устройства (DCU); torch.save используется для сохранения параметров модели; а для разбиения наборов данных используется функция sklearn.model_selection.train_test_split из scikit-learn; Адам был выбран в качестве оптимизатора; Функция потерь была кросс-энтропией; batch_size было установлено на 2; И Epoch был установлен на 100. Для ввода данных используются признаки ЭЭГ (на основе извлеченных матриц Морле) из шести префронтальных каналов (Fp1, Fp2, AF3, AF4, AF7, AF8) в альфа-диапазоне с частотно-временными признаками. Разделите эксперименты на обучающие и тестовые наборы в соотношении 7:3. Оценивайте эффективность модели с помощью результатов классификации с использованием метрик точности и матрицы несоответствий.

Обработка данных ЭЭГ и статистический анализ

Исходные данные ЭЭГ были сегментированы на 2 с эпохи с центром в начале события, в соответствии со стандартной практикой в частотно-временном анализе для захвата переходной нейронной динамики при минимизации краевых артефактов. Каждая эпоха подвергалась непрерывному вейвлет-преобразованию (CWT) с использованием комплексного вейвлета Морле с 3 циклами, который оптимально балансирует временное и частотное разрешение для детектирования колебательной активности в тета-гамма-диапазонах.

Левая панель на рисунке 2 представляет группу упражнений, а правая панель представляет контрольную группу. (1) Качество обработки данных: оба спектра демонстрируют гладкие кривые и характерную нейрофизиологическую картину распада «1/f» (высокая мощность на низких частотах экспоненциально уменьшается с частотой). Сильно перекрывающиеся траектории указывают на эффективную предварительную обработку данных (например, шумоподавление, фильтрацию) и высокое качество исходных данных с хорошей точностью сигнала в частотной области. (2) Тонкие межгрупповые различия: в альфа-диапазоне (8-12 Гц, заштрихованная серая область для иллюстрации) контрольная группа (справа) показывает несколько более низкие значения мощности по сравнению с группой упражнений (слева), что позволяет предположить, что один сеанс интенсивной физической нагрузки мог вызвать мягкий модулирующий эффект на альфа-ритм колебаний мозга в состоянии покоя.

Для статистического вывода мы выполнили точечные непараметрические тесты перестановок (5000 итераций) во всех точках временной частоты. Этот подход позволяет проводить множественные сравнения путем кластеризации смежных значимых точек (порог кластерообразования p < 0,05, коррекция FDR на уровне кластера) для рассмотрения негауссова распределения вейвлет-коэффициентов.

Значительные различия в активности префронтальных электродов наблюдались в диапазоне частот 7-13 Гц между группами упражнений и чтения, как показано на рисунке 3.

Проверка эффективности классификации моделей СНС

В исследовании влияния физических упражнений на людей с высокой тревожностью, решающее значение имеет классификационная эффективность модели сверточной нейронной сети (СНС) с использованием данных префронтального альфа-диапазона. Этот анализ направлен на то, чтобы определить, может ли модель эффективно различать группу чтения и группу упражнений, тем самым предоставляя доказательства различий на нейронном уровне, связанных с физическими упражнениями.

Модель CNN показала высокую классификационную эффективность при использовании данных префронтального альфа-диапазона для различения групп чтения и упражнений с точностью 83,33% и достигла среднего балла F1 0,83 и коэффициента Каппа 0,63. Чтобы лучше понять производительность модели, обратимся к матрице неточностей двоичной классификации, представленной на рисунке 3C. В этой матрице, хорошо структурированном средстве для оценки моделей классификации, каждая строка представляет истинную категорию данных, а каждый столбец представляет категорию, прогнозируемую моделью. Такая компоновка позволяет детально оценить способность модели правильно классифицировать различные экземпляры данных. Модель продемонстрировала относительно хорошую классификационную производительность для обоих типов данных. Такой высокий уровень распознавания означает, что модель смогла точно идентифицировать большую часть данных, принадлежащих группе упражнений. Другими словами, нейронные паттерны в префронтальном альфа-диапазоне, связанные с физическими упражнениями, были достаточно четкими, чтобы модель могла распознать их с высокой степенью уверенности. Эти результаты матрицы несоответствий еще больше подтверждают общую точность модели CNN.

Рисунок 1: Регистрация ЭЭГ в состоянии покоя и процесс классификации на основе СНС. (A) Слева: Процесс записи электроэнцефалограммы (ЭЭГ) в состоянии покоя. Справа: Формы волн ЭЭГ и распределение электродов кожи головы. (Б) Рабочий процесс использования сверточной нейронной сети (СНС) для классификации альфа-волн двух групп. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 2: Сравнение спектральной плотности мощности между группами упражнений и контрольной группой. Левая панель: группа упражнений; Правая панель: Контрольная группа. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 3: Нейронная динамика и классификация групп упражнений и чтения СНН. (A) Значимые различия между группами, выявленные с помощью t-критерия «точка-точка», выделения кластеров временных частот (p < 0,05, с поправкой FDR). (B) Топографические карты с большим усреднением мощности альфа-диапазона (7-13 Гц). Карты отображают пространственное распределение нейронной колебательной активности для группы чтения (слева) и группы упражнений (справа). (C) Классификация префронтальной альфа-активности с использованием модели CNN (точность: 83,3%). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Таблица 1: Критерии набора и отбора участников.

Авторы заявляют об отсутствии конфликта интересов.