Method Article

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

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

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

Этот протокол направлен на расшифровку префронтального нейронного осцилляторного перепрограммирования альфа-диапазона, вызванного аэробными упражнениями у людей с высоким уровнем тревожности, с использованием интеграции ЭЭГ с глубоким обучением. Разработанная прогностическая модель (точность 81,82%) определяет альфа-осцилляцию как основной механизм облегчения тревоги, опосредованного физическими упражнениями, продвигая точные цели нейромодуляции для эмоциональных расстройств.

Abstract

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

Физические упражнения демонстрируют уникальный потенциал в лечении эмоциональной дисрегуляции, однако неоднозначность ее целей нейромодуляции препятствует разработке точных рецептов упражнений. В этом исследовании личностная тревожность изучается как репрезентативное эмоциональное расстройство у 40 студентов университета с высоким уровнем тревожности, которые были случайным образом распределены либо в группу вмешательства в физические упражнения (40 минут аэробных упражнений умеренной интенсивности, n = 20), либо в контрольную группу без упражнений (40 минут спокойного чтения, n = 20), с последующим сбором данных ЭЭГ в состоянии покоя. Объединив электроэнцефалографию в состоянии покоя (ЭЭГ) после тренировки с алгоритмами глубокого обучения, мы разработали предиктивную модель временного интервала альфа-диапазона для систематической расшифровки нейронных колебательных механизмов перепрограммирования в префронтальной коре, вызванных физическими упражнениями. Модель глубокого обучения продемонстрировала превосходную эффективность классификации (точность 83,33%, оценка F1 0,83, коэффициент Каппа 0,67) при выявлении индуцированных физическими упражнениями изменений спектральной энтропии альфа-диапазона. Это исследование впервые выявило префронтальную альфа-возбуждающую ребалансировку через ремоделирование нейронных колебаний в качестве основного механизма, лежащего в основе смягчения тревоги, опосредованного физическими упражнениями.

Introduction

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

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 синаптическихизменений. Например, исследования на мышах, тренирующихся физическими упражнениями, показали, что их гипоксическая нагрузка снизилась на 52%, атакже 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 высокойтревожностью.

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 связьили 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 графовпродемонстрировал, 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 полосахчастот 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 эффективностиупражнений. 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 когнитивныхзадач. 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 негативныхэмоций. 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 расстройств38,39. 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.

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

Protocol

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

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.

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

Results

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

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 М...

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

Discussion

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

В области исследований в области психического здоровья понимание нейронных механизмов, лежащих в основе вмешательств для людей с высокой тревожностью, имеет первостепенное значение. Это исследование было разработано с явной целью изучения нейронных биомаркеров, связанных с физическими упражнениями у таких людей, с использованием моделей искусственного интеллекта. Внедрение передовых глубоких нейронных сетей, в том числе таких моделей, как EEGNet, произвело революцию в обработке сигналов ...

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

Disclosures

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

Авторы заявляют об отсутствии конфликта интересов.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
BrainAmp SNПродукты для мозгаAMP12081737 СтандартПолучение сигналов электроэнцефалографии (ЭЭГ)
Eprime ProfessionalПРОГРАММНЫЕ ИНСТРУМЕНТЫ ДЛЯ ПСИХОЛОГИИ2.0.10.92Программное обеспечение для психологических экспериментов
Цикл движения 600emotion fitness GmbH & Рота KGF-EF-MC-650Велосипедный эргометр
DCU (Блок глубоких вычислений)HYGONHYGON Z100LАнализ модели
ПитонФонд программного обеспечения PythonPython 3.8Анализ модели

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