Method Article

Egzersize Bağlı Nöral Değişikliklerde Alfa Dalgalarının Rolünün Dinlenme Durumu EEG ile Tanımlanması

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

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

Bu protokol, EEG-derin öğrenme entegrasyonunu kullanarak, yüksek sürekli kaygılı bireylerde aerobik egzersizin neden olduğu prefrontal alfa bandı nöral salınımlı yeniden programlamanın kodunu çözmeyi amaçlamaktadır. Geliştirilen öngörücü model (%81,82 doğruluk), alfa salınımını egzersiz aracılı kaygının hafifletilmesinde temel mekanizma olarak tanımlar ve duygusal bozukluklar için hassas nöromodülasyon hedeflerini ilerletir.

Abstract

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

Egzersiz müdahalesi, duygusal düzensizliğin tedavisinde benzersiz bir potansiyel gösterir, ancak nöromodülasyon hedeflerinin belirsizliği, kesin egzersiz reçetelerinin geliştirilmesini engeller. Bu çalışma, bir egzersiz müdahale grubuna (40 dakika orta yoğunlukta aerobik egzersiz, n = 20) veya egzersiz yapmayan bir kontrol grubuna (40 dakika sessiz okuma, n = 20) rastgele atanan ve ardından istirahat EEG verilerinin toplanması ile 40 yüksek sürekli kaygılı üniversite öğrencisinde sürekli kaygıyı temsili bir duygusal bozukluk olarak araştırmaktadır. Egzersiz sonrası dinlenme durumu elektroensefalografisini (EEG) derin öğrenme algoritmalarıyla entegre ederek, egzersizin neden olduğu prefrontal korteksteki nöral salınımlı yeniden programlama mekanizmalarını sistematik olarak çözmek için bir alfa bandı zaman-frekans tahmin modeli geliştirdik. Derin öğrenme modeli, egzersize bağlı alfa bandı güç spektral entropi değişikliklerini belirlemede üstün sınıflandırma etkinliği (doğruluk %83.33, F1 skoru 0.83, Kappa katsayısı 0.67) sergiledi. Bu çalışma, egzersiz aracılı anksiyete azaltmanın altında yatan temel mekanizma olarak nöral salınım yeniden şekillenmesi yoluyla prefrontal Alfa uyarıcı yeniden dengelemenin tanımlanmasına öncülük etmektedir.

Introduction

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

Çağdaş toplumda, artan yaşam temposu ve artan yaşam baskısı yükü, duygusal düzensizliğin yaygınlığında önemli bir artışa yol açmıştır. Duygusal düzensizliğin çeşitli belirtileri arasında, yaygın bir alt tip olan kaygı, bireyler için büyük bir zorluk teşkil eder. Farmakolojik tedaviler uzun zamandır duygusal düzensizliğin, özellikle de anksiyetenin tedavisinde temel bir yaklaşım olarak kabul edilmektedir. Bununla birlikte, araştırmalar, duygusal düzensizliği olan bireylerin yaklaşık% 30'unun birinci basamak ilaçlara yanıt vermediğini göstermiştir. Ayrıca, bu ilaçların uzun süreli kullanımı metabolik bozukluklar ve bilişsel bozukluk gibi çeşitli risklere yol açabilir1. Psikolojik müdahaleler, etiyolojik faktörleri kanıta dayalı çerçeveler aracılığıyla ele almasına rağmen, terapötik etkilerin gecikmeli başlangıcının yanı sıra önemli zaman, çaba ve finansal kaynak gerektiren uzun tedavi süreleri ile sınırlıdır 2,3.

Son yıllarda, egzersiz müdahalesi duygusal düzensizliğin tedavisinde dikkate değer avantajlar göstermektedir. Çok sayıda çalışma, egzersizin, endojen nörotransmitter salınımının teşvik edilmesi ve sinaptik değişikliklerin indüklenmesi yoluyla elde edilen duygusal durumları doğal olarak iyileştirme ve anksiyete ve depresyonu hafifletme potansiyeline sahip olduğunu göstermiştir4. Örneğin, egzersiz eğitimi almış fareler üzerinde yapılan araştırmalar, hipoksik yüklerinin %52 oranında azaldığını ve bilişsel işlevlerde önemli bir gelişme gözlemlendiğini ortaya çıkardı5. Bireyin çeşitli durumlarda kaygı yaşamaya yönelik nispeten istikrarlı ve uzun süreli eğilimini temsil edensürekli kaygı 6, duygusal düzensizliğin altında yatan mekanizmaları anlamada önemli bir faktördür. Kronik anksiyetenin temel bir özelliği olarak hizmet eder ve onu incelemek, bu tür duygusal düzensizliğin patofizyolojisi hakkında değerli bilgiler sağlayabilir. Sürekli kaygıyı anlayarak, bazı bireylerin neden kaygı ile ilgili duygudurum sorunları geliştirmeye daha yatkın olduğunu daha iyi anlayabiliriz. Önceki çalışmamızda, duygusal bozukluklarda bozulan duygusal bilişsel işlevlerle ilgili ana beyin bölgelerini ve egzersiz müdahalesinin bu bilişsel işlevleri ve ilgili beyin bölgelerini nasıl iyileştirebileceğini detaylandırmıştık7. Ek olarak, egzersiz müdahalesinin yüksek sürekli kaygısı olan bireylerde dikkat kontrol yeteneğinde beyin aktivitesinin özelliklerini nasıl iyileştirebileceğini ayrıntılı olarak araştırmak için iki elektroensefalogram (EEG) deneyi gerçekleştirdik8.

Egzersiz müdahalesi, depresyon tedavisinde umut verici bir farmakolojik olmayan yaklaşım olarak ortaya çıkmış olsa da, egzersiz müdahalesinin olumlu etkileriyle ilişkili kesin nöral biyobelirteçler henüz net olarak tanımlanmamıştır 9,10. Beyin bilgi işlemenin "uzay-zamansal kodlayıcıları" olarak hareket eden nöral salınım ritimleri, kaygıda karakteristik düzensizlik sergiler. Örneğin, araştırmalar prefrontal Alfa(α) senkronizasyonunun anksiyetede yaygın olarak gözlenen bilişsel kontrol eksiklikleri ile ilişkili olduğunu göstermiştir11,12. Nöral salınım ritimlerinin bu düzensizliği, duygusal düzenleme için çok önemli olan normal nöral iletişim süreçlerinde altta yatan bir bozulmaya işaret eder. Bununla birlikte, egzersizin bölgeler arası ritmik eşleşmeyi veya yerel alan potansiyel dinamiklerini modüle ederek duygusal işlevi gerçekte nasıl yeniden şekillendirdiğini kapsamlı bir şekilde araştıran çalışmaların eksikliği vardır13,14.

EEG tabanlı derin öğrenme araştırmalarındaki son gelişmeler, patolojik mekanizmaları anlamak ve depresyon ve anksiyete gibi zihinsel bozukluklar için hassas tedaviler geliştirmek için yeni paradigmalar sağlamıştır15. Özellikle, gizli Markov modelleri (HMM'ler) ile birlikte dinlenme durumu EEG'sinin dinamik fonksiyonel bağlantısını (DFC) kullanan çalışmalar, psikotik olmayan depresyon, psikotik depresyon ve şizofreni arasında Delta (δ), Teta (θ), Alfa (α) ve Gama (γ) bant ağ dinamiklerinde önemli farklılıklar ortaya koymuştur 16,17,18. DFC tabanlı bir ikili sınıflandırma modeli, bu üç koşulu ayırt etmede %73.1 doğruluk elde ederek geleneksel statik analizlerden daha iyi performans gösterdi. Anahtar biyobelirteçler arasında θ-bant DMN-SN senkronizasyonu, γ bant FPCN-limbik sistem senkronizasyonu ve HMM durum geçiş olasılıkları yer aldı ve hassas psikiyatrik sınıflandırma için yeni bir çerçeve oluşturdu19 temel beyin ağı özelliklerinin tedaviye dirençli depresyonda derin beyin stimülasyonu (DBS) etkinliğini öngördüğünü göstermek için grafik teorik analizi kullandı. Ağ ölçümlerini kullanan rastgele bir orman modeli, DBS yanıtını tahmin etmede klinik ölçekleri aşarak %81,2 doğruluk elde etti. Boylamsal veriler, DBS'nin δ bantlı küresel senkronizasyonu artırarak ve sgACC merkeziliğini azaltarak ağ işlev bozukluğunu tersine çevirdiğini gösterdi. Ek olarak, sol prefrontal α dalga gücü, α-asimetri20'ye dayalı olarak %82,3 doğruluk elde eden bir evrişimli sinir ağı (CNN) modeli ile antidepresan yanıtsızlığını öngördü. Everaert ve ark. (2022), duygu düzenleme stratejilerinin öngörücü özelliklerini belirlemek için 460 katılımcıyı kullanarak özellik seçimli bir yapay sinir ağı modeli geliştirmiştir. Bu bulgular, egzersiz reçetelerini optimize etmek için kesin sinirsel hedeflerin belirlenmesine yönelik kritik ihtiyacın altını çizmektedir21.

Egzersizle ilgili sinir bilimi araştırmaları alanında derin öğrenme, egzersiz müdahaleleri tarafından üretilen karmaşık, yüksek boyutlu ve düşük genlikli uzay-zamansal nörolojik verilerden sağlam sinirsel biyobelirteçlerin çıkarılmasını sağlayan güçlü bir araç olarak ortaya çıkmıştır. Birden fazla çalışma, fiziksel aktivitenin motorla ilgili beyin bölgelerindeki aktivasyon modellerini ve frekans bantları 22,23,24 boyunca nöral salınım dinamiklerini önemli ölçüde modüle ettiğini göstermiştir. 47 çalışmanın sistematik bir incelemesi, egzersizi takiben prefrontal α/β bandı gücünde tutarlı artışlar ortaya çıkardı, bu da muhtemelen gelişmiş nöroplastisite ve kortikal inhibisyonu yansıtıyor25. Hem akut egzersiz hem de uzun süreli antrenman benzer eğilimlere neden oldu, ancak γ bant yanıtları yoğunluğa bağlı heterojenlik gösterdi (örneğin, orta aerobik ve yüksek yoğunluklu aralıklı antrenman). Sağlıklı genç erişkinlerde dört aylık aerobik müdahaleler, aerobik kondisyon kazanımları ile pozitif korelasyon gösteren önemli prefrontal α dalgası (9-12 Hz) artışı üretti. Reaksiyon süresinde veya doğrulukta davranışsal gelişmeler bulunmamakla birlikte, nöral salınım ölçümleri görsel dikkat ağlarının dinamik optimizasyonunu gösterdi ve α dalgalarının egzersiz etkinliği için biyobelirteçler olarak hizmet edebileceğini düşündürdü26. Üst düzey spor uzmanları, nişan alma görevleri sırasında, otomatik motor beceri yürütme ve ağ verimliliği artışını gösteren, azaltılmış prefrontal-zamansal tutarlılık ile eşzamanlı olarak yüksek sensorimotor ritim (SMR, 12-15 Hz) gücü sergilediler27. Özellikle, masa tenisi sporcuları, sporcu olmayanlara kıyasla egzersizle ilgili beyin bölgelerinde daha az aktivasyon gösterdi, bu da uzun süreli antrenmanın uzmanlaşmış, enerji açısından verimli sinir ağları oluşturduğunu gösteriyor28.

Bu çalışma, nöral verileri toplamak ve nöral biyobelirteçlerini keşfetmek için elektroensefalografiyi (EEG) kullanarak spesifik bir araştırma konusu olarak sürekli kaygıya odaklanmakta ve böylece kesin nöral hedeflerin belirlenmesi için yeni bilgiler sağlamaktadır. Önceki araştırmalar, prefrontal bölgedeki alfa dalgalarının duygusal düzenleme, bilişsel kontrol ve duygusal tanıma ile yakından ilişkili olduğunu göstermektedir (Harmon-Jones ve diğerleri, 2010), dış duygusal ipuçlarının (örneğin, yüz ifadeleri, ses tonları) kodunun çözülmesi ve duygusal tepkilerin modüle edilmesi gibi süreçlerde çok önemli bir rol oynamaktadır. Çalışmalar, prefrontal alfa aktivitesindeki değişikliklerin, özellikle anksiyete ve olumsuz duygusal durumlarda, duygusal düzensizliğin fizyolojik belirteçleri olarak hizmet edebileceğini düşündürmektedir 29,30,31. Dinlenme durumu elektroensefalografisi (EEG), sinirbilimde beynin dinamik özelliklerini araştırmak için varsayılan bir deneysel koşul olarak hizmet eder ve katılımcıların herhangi bir bilişsel görev yerine getirmeden uyanık kalmalarını gerektirir32. Deneysel koşullar, gözlerin kapalı veya gözlerin açık olduğu durumları içerebilir. Ampirik kanıtlar, prefrontal alfa salınımlarındaki değişikliklerin, özellikle anksiyete ve olumsuz duygulanımın baskınlığı ile karakterize edilen durumlarda, bozulmuş duygu düzenlemesi için biyobelirteçler olarak işlev görebileceğini göstermektedir33,34. Güç spektral yoğunluğu ve fonksiyonel bağlantı modelleri, beynin içsel aktivite özelliklerini ortaya çıkarabilir ve nörodejeneratif hastalıklarda (örneğin, Alzheimer hastalığı), gelişimsel bozukluklarda (örneğin, gelişimsel disleksi)35,36 ve ayrıca zihinsel ve duygusal bozukluklarda (örneğin, depresyon ve anksiyete)37 patolojik belirteçleri tespit etmek için uygulanabilir. Bunlar arasında, gözler açık koşul altındaki alfa ritmi, duygusal bozukluklar üzerine yapılan çalışmalarda yaygın olarak kullanılmaktadır38,39. Sonuç olarak, bu çalışma sürekli kaygı için egzersiz müdahalelerinden önce ve sonra prefrontal bölgelerdeki alfa salınımlarının sınıflandırma performansını araştırmaktadır. EEG verilerine dayanan bu araştırma, yüksek sürekli kaygısı olan bireyler için egzersiz müdahaleleriyle ilişkili sinirsel hedefleri belirlemek için EEGNet'i kullanır. EEGNet, EEG sinyal sınıflandırması için özel olarak tasarlanmıştır ve geleneksel ve diğer derin öğrenme yöntemlerine göre birkaç önemli avantaj sunar, bu da onu özellikle sınırlı veri40 ile EEG modellerini araştırmak için uygun hale getirir.

Dinlenme durumu EEG verileri, 10-20 uluslararası standardını takip eden 64 kanallı bir sistem (Brain Products, Almanya) kullanılarak, 1000 Hz örnekleme hızı ve bant geçiren filtreleme (0.1-100 Hz) ile toplandı. Sinyal kalitesini sağlamak için elektrot empedansı 5 kΩ'un altında tutuldu ve oküler artefaktlar Bağımsız Bileşen Analizi (İKA) ile giderildi. Katılımcılara, bir çarmıha sabitlenirken gözleri açık olarak uyanık kalmaları ve hareketle ilgili gürültüyü en aza indirmeleri talimatı verildi.

Yüksek sürekli kaygı katılımcıları için temel dahil edilme kriterleri şunlardı: (1) Sürekli Kaygı Envanteri puanları ≥ 55, (2) önceden var olan fitness etkilerini kontrol etmek için sınırlı yüksek yoğunluklu egzersiz (haftada < 3 gün) ve (3) toplam haftalık fiziksel

Prefrontal alfa aktivitesinin, egzersiz ve kontrolün EEG verilerini etkili bir şekilde sınıflandırabileceğini varsayıyoruz. Özetle, bu çalışma, sürekli kaygıyı bir model olarak kullanarak, duygusal bozukluklar için egzersiz müdahalelerinin faydalarını analiz etmek için yapay zeka teknolojilerinden yararlanmayı amaçlamaktadır. Metodolojisi ve bulguları aracılığıyla bu çalışma, alandaki mevcut gelişmelerin ve zorlukların anlaşılmasını geliştirmeyi, gelecekteki araştırmalar için rehberlik ve içgörü sunmayı amaçlamaktadır.

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

Protocol

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

Bu çalışma Wuhan Spor Üniversitesi Kurumsal Araştırma Etik Kurulu (2023016) tarafından onaylandı.

1. Çalışma katılımcıları

  1. Bir üniversiteden gönüllü olarak 550 spor dışı ana dal öğrencisi alın. Numune seçimi için ön tarama yapın. Bu amaçla Tablo 1'de gösterildiği gibi Çin Gözden Geçirilmiş Durumluk-Sürekli Kaygı Envanteri41'i kullanın.
  2. Sürekli Kaygı alt ölçeğinden 55 ve üzeri puan alan bireyleri yüksek sürekli kaygıya sahip olarak sınıflandırın ve EEG deneyi için seçin. Bu envanterin Sürekli Kaygı alt ölçeğini, önceki ERP çalışmalarından42 elde edilen kriterleri izleyerek temel değerlendirme aracı olarak kullanın. Bu 55'lik kesme puanı, önceki araştırmalara dayanıyordu ve yüksek sürekli kaygısı olan katılımcıları kategorize etmenin tutarlı ve geçerli bir yolunu sağlıyordu.
  3. Anksiyete puanı 55'in üzerinde olan bireyleri fiziksel aktivite düzeyleri açısından daha fazla değerlendirin. Katılımcıların ayrıca önceki haftadaki fiziksel aktivite kalıplarıyla ilgili üç özel dahil etme kriterini karşılamaları istendi.
    1. Katılımcıların 3 günden daha kısa bir süre boyunca yüksek yoğunluklu fiziksel aktivitede bulunduklarından emin olun (her seans günde ≥ 20 dakika sürer).
      NOT: Yüksek yoğunluklu fiziksel aktivite, vücut ve beyin üzerinde önemli bir etkiye sahip olabilir ve potansiyel olarak nöral plastisite ve nörotransmitter seviyelerini değiştirebilir. Araştırmacılar, yüksek yoğunluklu aktivite günlerinin sayısını kısıtlayarak, bu kadar yoğun egzersizin incelenen ilişki üzerindeki kafa karıştırıcı etkilerini en aza indirebilirler.
    2. Tüm yoğunluklarda toplam egzersiz günü sayısının haftada 5 günden az olduğundan ve toplam egzersiz hacminin haftada 600 MET-dk'dan az olduğundan emin olun. Bu, katılımcıların genel egzersiz yükünün belirli bir aralıkta olmasını sağlayacak ve farklı egzersiz hacimleri nedeniyle örneklemdeki değişkenliği azaltacaktır.
    3. Katılımcıların 30 dakikadan az orta yoğunlukta aktivite yaptıklarını ve haftada 5 günden az yürüdüklerini doğrulayın.
      NOT: Orta yoğunlukta aktivite ve yürüyüş, yüksek yoğunluklu egzersizden daha az yoğun olmasına rağmen, yine de vücudun fizyolojik ve psikolojik durumunu etkileyebilir. Araştırmacılar bu sınırları belirleyerek farklı fiziksel aktivite türlerinin deneysel sonuçlar üzerindeki potansiyel etkilerini daha da kontrol edebilirler.

2. Görev talimatı

  1. Egzersiz müdahale grubundaki katılımcılara, fizyolojik verileri kaydetmek için bir kalp atış hızı monitörü takarak 30 dakika boyunca sabit bir döngü ergometresi kullanarak orta yoğunlukta aerobik egzersiz yapmalarını söyleyin. Egzersiz müdahalesi, belirlenmiş yönergeler43 izlenerek üç aşamada yapılandırılmıştır.
    1. Isınma aşaması: Katılımcılara, kas ve kardiyovasküler sistemleri ana egzersiz aşamasına hazırlamak için 5 dakika boyunca 25 watt'ta bisiklet sürmelerini söyleyin.
    2. Ana egzersiz aşaması: Katılımcılara orta yoğunlukta 70-80 rpm pedal çevirme hızında 20 dakikalık sürekli bisiklet sürme görevi yapmalarını söyleyin. Her 2 saniyede bir kalp atış hızını izleyin ve aşağıdaki formülü kullanarak hedef kalp atış hızını (THR) hesaplayın:
      THR (HRmax − HRrest) × istenen yoğunluk + HRrest
      burada HRmax = maksimum kalp atış hızı, HRrest = dinlenme kalp atış hızı ve istenen yoğunluk ACSM egzersiz yönergelerine göre belirlenmiştir43.
    3. Soğuma aşaması: Kalp atış hızını düşürmek, yaralanma riskini en aza indirmek ve kas gevşemesini teşvik etmek için katılımcıdan bisiklet yükünü 5 dakika içinde 15 W'a düşürmesini isteyin.
  2. Kontrol grubu görevi: Katılımcının laboratuvarda 30 dakika sessizce oturmasını ve serbest okuma görevi yapmasını sağlayın.

3. Veri toplama

  1. 64 derivasyonlu bir cihaz kullanarak deneklerin EEG sinyallerini kaydedin ve elektrot dizisini 1000 Hz örnekleme frekansı ile uluslararası standart 10-20 sistemine göre ayarlayın.
  2. Veri toplamadan önce, empedans değerlerinin 5 kΩ'un altında olmasını sağlamak için tüm elektrot-cilt arayüzlerine tıbbi iletken macun uygulayın, böylece sinyal doğruluğunu optimize edin ve hareket artefaktlarını azaltın.
  3. Veri toplama için örnekleme hızı, 1000-0.1 Hz'lik bir bant geçiren filtre ile 100 Hz idi. Elektrot empedansını 5 kΩ'un altında tutun.
  4. Sol gözün sol dış kantusuna bir elektrot yerleştirin ve dikey göz hareketlerini ve göz kırpmalarını kaydedin.
  5. Veri toplama sırasında FCz ve FPz sırasıyla orijinal referans elektrodu ve toprak elektrodu olarak görev yaptı.
  6. Katılımcılara gözlerini açık tutmalarını ve bir çarmıha odaklanmalarını söyleyin. Süreç boyunca bilinçli ve uyanık kalmaları, belirli bir düşünceye odaklanmamaları ve duygusal dalgalanmalar yaşamamaları gerekir.

4. Çevrimdışı veri analizi

  1. Ön işleme
    1. Ham verileri tüm elektrotların ortalamasına yeniden referanslayın.
    2. Düşük frekanslı kaymayı (örn. solunum artefaktları) ve yüksek frekanslı gürültüyü (örn. güç hattı paraziti ve elektromiyografik artefaktlar) gidermek için 0.1-40 Hz bant geçiren filtre uygulayın.
    3. Cihazın başlatılmasından kaynaklanan olası kenar artefaktlarını ortadan kaldırmak için her kaydın ilk ve son 10 saniyelik kısımları hariç olmak üzere tüm deneklerin verilerini 120 saniyelik dönemlere ayırın.
    4. Bağımsız Bileşen Analizi (ICA) tekniğini kullanarak elektrookülogram (EOG) ve elektrokardiyogram (EKG) artefaktlarını çıkarın. Infomax algoritması, sinyali istatistiksel olarak bağımsız bileşenlere ayırdı. Artefakt bileşenler, üçlü karakterizasyon yoluyla tanımlandı: (1) uzamsal topografya (frontopolar dipol dağılımlarını gösteren EOG, sol temporal baskınlık sergileyen EKG); (2) zamansal dinamikler (göz kırpma kilitli geçici sivri uçlar gösteren EOG, kardiyak ritim periyodikliğini gösteren EKG); ve (3) spektral imzalar (düşük frekanslı spektral konsantrasyonu gösteren EOG)44.
    5. EEG voltajının ± 75 μV'u aştığı zaman periyotlarını artefakt olarak kaldırın.
  2. Banda özgü fark analizi
    1. İlk olarak, EEG sinyallerini 120 s aralıklarla küçük segmentlere ayırın.
    2. Karmaşık bir Morlet dalgacığı kullanarak EEG sinyallerinin zaman-frekans özelliklerini analiz edin.
    3. Parametreleri aşağıdaki gibi ayarlayın: EEG analizi45 için zaman-frekans çözünürlüğünü optimize etmek için döngüler [3 0.8], 100 frekans kutusu (nfreqs) ve 200 zaman noktası (ntimesout) ile dalgacık dönüşümü parametrelerini seçin.
    4. İstatistiksel anlamlılığı değerlendirmek için tüm zaman-frekans noktalarında nokta nokta permütasyon testi (10.000 yineleme) gerçekleştirin (p < 0.05, FDR düzeltmeli).
    5. X ekseninde zaman noktaları ve y ekseninde frekans kutuları ile bir zaman-frekans grafiği olarak görselleştirin.

5. Model analizi

NOT: Bu evrişimli sinir ağı (CNN), çok ölçekli iki boyutlu bir evrişim işlemi46 ile EEG sinyallerinin zaman-frekans özelliklerinin öğrenilmesini sağlar. CNN modelinin süreci Şekil 1B'de gösterilmektedir.

  1. İlk evrişimli blok
    1. Simetrik dolgunun evrişimden sonra uzamsal boyutların değişmeden kalmasını sağladığı yerel uzamsal özellikleri çıkarmak için in_channels = 6, out_channels = 16, kernel_size = (3, 3) ve dolgu = 1 olan bir 2B evrişim katmanı (Conv2d) kullanın.
    2. Eğitimi stabilize etmek ve yakınsamayı hızlandırmak için evrişim katmanının çıktısına toplu normalleştirme (BatchNorm2d) uygulayın, ardından doğrusal olmamayı sağlamak için düzeltilmiş bir doğrusal birim (ReLU) aktivasyon işlevi uygulayın.
    3. Önemli özellik bilgilerini korurken uzamsal boyutları yarı yarıya azaltmak için özellik sıkıştırması için kernel_size = (2, 2) ve adım = 2 olan bir maksimum havuzlama katmanı (MaxPool2d) kullanın.
  2. İkinci evrişimli blok
    1. Uzamsal boyutları korumak için aynı dolgu stratejisiyle, ilk bloğun çıktısına dayalı olarak üst düzey uzamsal özellikleri daha da çıkarmak için in_channels = 16, out_channels = 32, kernel_size = (3, 3) ve dolgu = 1 olan başka bir 2B evrişim katmanı (Conv2d) kullanın.
    2. İlk bloğa benzer şekilde, özellikleri normalleştirmek ve doğrusal olmamayı sağlamak için toplu normalleştirme (BatchNorm2d) ve ReLU etkinleştirmesini sırayla uygulayın.
    3. Yine, özellikleri sıkıştırmak için kernel_size = (2, 2) ve adım = 2 olan bir maksimum havuzlama katmanı (MaxPool2d) kullanın.
  3. Tamamen bağlı katmanlar
    1. İkinci evrişimli bloktan çıktı özelliklerini, tam bağlı katmanlara girdi görevi gören tek boyutlu bir vektöre düzleştirin.
    2. İlk tam bağlı katmanın (Doğrusal) düzleştirilmiş özellikleri 256 boyutlu bir özellik uzayına eşlediğinden, ardından aşırı uyumu önlemek için 0,5 oranında bir bırakma katmanı (Bırakma) ve bir ReLU etkinleştirme işlevi izlediğinden emin olun.
    3. İkinci tam bağlı katman (Doğrusal), 256 oranlı başka bir bırakma katmanı (Bırakma) ve sırayla uygulanan bir ReLU aktivasyon fonksiyonu ile özellik boyutunu 128'dan 0.5'e daha da düşürür.
    4. Son tam bağlı katman (Doğrusal), 128 boyutlu özellikleri hedef sınıfların sayısıyla (iki sınıflı) eşleyerek modelin çıktısını oluşturur.
      NOT: Veri işleme platformu şu şekilde yapılandırılmıştır: dört HYGON Z100L DCU'lu bir sunucu; Python 3.8, PyTorch-1.13'te model oluşturma ve eğitim. Deney, Conv2d (evrişim katmanı), BatchNorm2d (toplu normalleştirme), ELU (etkinleştirme işlevi), AvgPool2d (ortalama havuzlama), Dropout (bırakma katmanı), Linear (tamamen bağlı katman) ve CrossEntropyLoss (kayıp işlevi) gibi temel bileşenleri sağlamak için torch.nn modülünü kullanır; torch.optim modülü, parametre güncellemeleri için Adam optimize ediciyi sağlar; torch.utils.data modülü, veri işleme için DataLoader (veri yükleyici) ve TensorDataset (veri kümesi sarmalayıcı sınıfı) sağlar; torch.device, cihaz yapılandırması (DCU) için kullanılır; torch.save, model parametresi kaydetme için kullanılır; ve scikit-learn'den sklearn.model_selection.train_test_split işlevi veri kümesi bölme için kullanılır; Adam optimize edici olarak seçildi; kayıp fonksiyonu çapraz entropiydi; batch_size 2 olarak ayarlandı; ve dönem 100 olarak ayarlandı. Giriş verileri için, zaman-frekans özelliklerine sahip alfa bandındaki altı prefrontal kanaldan (Fp1, Fp2, AF3, AF4, AF7, AF8) EEG özelliklerini (Morlet ile çıkarılan matrislere dayalı) kullanın. Deneyleri 7:3 oranını kullanarak eğitim ve test setlerine bölün. Doğruluk ve karışıklık matrisi metriklerini kullanarak sınıflandırma sonuçları aracılığıyla model etkinliğini değerlendirin.

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

Results

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

EEG veri işleme ve istatistiksel analiz

Ham EEG verileri, kenar artefaktlarını en aza indirirken geçici nöral dinamikleri yakalamak için zaman-frekans analizindeki standart uygulamalarla tutarlı olarak, olay başlangıcına odaklanan 2 saniyelik dönemlere bölündü. Her dönem, tetadan gama bantlarına salınım aktivitesini saptalamak için zamansal ve frekans çözünürlüğünü en iyi şekild...

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

Discussion

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

Ruh sağlığı araştırmaları alanında, sürekli kaygısı yüksek olan bireylere yönelik müdahalelerin altında yatan sinirsel mekanizmaların anlaşılması büyük önem taşımaktadır. Bu çalışma, yapay zeka modellerinin kullanımı yoluyla bu tür bireylerde egzersiz müdahalesi ile ilişkili nöral biyobelirteçleri araştırmak amacıyla tasarlanmıştır. EEGNet gibi modeller de dahil olmak üzere gelişmiş derin sinir ağlarının benimsenmesi, beyin aktivitesinin benzeri görülmemiş bir doğrulukla hassas analizini...

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

Disclosures

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

Yazarlar herhangi bir çıkar çatışması beyan etmemektedir.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
BrainAmp SNBeyin ÜrünleriAMP12081737 StandardElektroensefalogram (EEG) sinyallerinin edinilmesi
Eprime ProfesyonelPSIKOLOJI YAZILIM ARAÇLARI2.0.10.92Psikoloji Deney Yazılımı
Hareket döngüsü 600emotion fitness GmbH & Şirket KGF-EF-MC-650Bisiklet Ergometresi
DCU (Derin Hesaplama Birimi)HYGONHYGON Z100LModel analizi
PitonPython Yazılım VakfıPython 3.8Model analizi

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