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

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 eden^{sürekli 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 göstermiştir^11,12. 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 vardır^13,14.

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-asimetri^20'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 göstermektedir^33,34. 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 kullanılmaktadır^38,39. 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.

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 Envanteri^41'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.

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 şekilde dengeleyen 3 döngülü karmaşık bir Morlet dalgacığı kullanılarak sürekli dalgacık dönüşümüne (CWT) tabi tutuldu.

Şekil 2'nin sol paneli egzersiz grubunu, sağ panel ise Kontrol Grubunu temsil eder. (1) Veri işleme kalitesi: Her iki spektrum da düzgün eğriler ve karakteristik nörofizyolojik "1/f" bozunma modeli sergiler (düşük frekanslarda yüksek güç, frekansla katlanarak azalır). Yüksek oranda örtüşen yörüngeler, etkili veri ön işlemeyi (örneğin, gürültü giderme, filtreleme) ve frekans alanında iyi sinyal doğruluğu ile yüksek temel veri kalitesini gösterir. (2) Gruplar arası ince farklılıklar: Alfa bandı içinde (8-12 Hz, örnekleme için gölgeli gri alan), kontrol grubu (sağda) egzersiz grubuna (solda) kıyasla biraz daha düşük güç değerleri gösterir, bu da tek bir akut egzersiz nöbetinin dinlenme durumundaki beyin salınımlarının alfa ritmi üzerinde hafif bir modülatör etkiye neden olmuş olabileceğini düşündürür.

İstatistiksel çıkarım için, tüm zaman-frekans noktalarında noktasal parametrik olmayan permütasyon testleri (5.000 yineleme) gerçekleştirdik. Bu yaklaşım, dalgacık katsayılarının Gauss olmayan dağılımını ele almak için bitişik önemli noktaları kümeleyerek (küme oluşturan eşik p < 0.05, küme düzeyinde FDR düzeltmesi) çoklu karşılaştırmaları kontrol eder.

Şekil 3'te gösterildiği gibi, egzersiz ve okuma grupları arasında 7-13 Hz frekans bandında prefrontal elektrot aktivitesinde önemli farklılıklar gözlendi.

CNN modeli sınıflandırma performansının doğrulanması

Egzersiz müdahalesinin yüksek sürekli kaygısı olan bireyler üzerindeki etkisinin araştırılmasında, prefrontal alfa bandı özellik verilerini kullanan Evrişimli Sinir Ağı (CNN) modelinin sınıflandırma performansı çok önemli bir husustur. Bu analiz, modelin Okuma grubu ile Egzersiz grubu arasında etkili bir şekilde ayrım yapıp yapamayacağını belirlemeyi ve böylece egzersizle ilişkili sinir düzeyindeki farklılıklara dair kanıt sağlamayı amaçlamaktadır.

CNN modeli, Okuma ve Egzersiz grupları arasında ayrım yapmak için prefrontal alfa bandı özellik verilerini kullanırken %83,33 doğrulukla yüksek sınıflandırma performansı gösterdi ve ortalama 0,83 F1 puanı ve 0,63 Kappa katsayısı elde etti. Modelin performansını daha iyi anlamak için Şekil 3C'de sunulan ikili sınıflandırma karışıklık matrisine dönüyoruz. Sınıflandırma modellerini değerlendirmek için iyi yapılandırılmış bir araç olan bu matriste, her satır verilerin gerçek kategorisini temsil eder ve her sütun model tarafından tahmin edilen kategoriyi temsil eder. Bu düzen, modelin farklı veri örneklerini doğru şekilde sınıflandırma yeteneğinin ayrıntılı bir değerlendirmesine olanak tanır. Model, her iki veri türü için de nispeten iyi bir sınıflandırma performansı sergiledi. Bu yüksek tanıma oranı, modelin egzersiz grubuna ait verilerin büyük bir bölümünü doğru bir şekilde tanımlayabildiği anlamına gelir. Başka bir deyişle, egzersizle ilişkili prefrontal alfa bandındaki nöral modeller, modelin bunları yüksek derecede kesinlikle tanıması için yeterince belirgindi. Karışıklık matrisinden elde edilen bu sonuçlar, CNN modelinin genel doğruluğunu daha da desteklemektedir.

Şekil 1: Dinlenme durumu EEG alımı ve CNN tabanlı sınıflandırma iş akışı. (A) Sol taraf: Dinlenme durumu elektroensefalogramının (EEG) kayıt süreci. Sağ taraf: EEG dalga formları ve kafa derisi elektrotlarının dağılımı. (B) İki grubun alfa dalgalarını sınıflandırmak için bir Evrişimli Sinir Ağı (CNN) kullanma iş akışı. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 2: Egzersiz ve kontrol grupları arasındaki güç spektral yoğunluk karşılaştırması. Sol panel: Egzersiz Grubu; Sağ panel: Kontrol Grubu. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 3: Egzersiz ve okuma gruplarının nöral dinamikleri ve CNN sınıflandırması. (A) Zaman-frekans kümelerini vurgulayan, noktadan noktaya t-testleri ile tanımlanan gruplar arasındaki önemli farklılıklar (p < 0.05, FDR düzeltmeli). (B) Büyük ortalamalı alfa bandı (7-13 Hz) gücünün topografik haritaları. Haritalar, okuma grubu (solda) ve egzersiz grubu (sağda) için nöral salınım aktivitesinin uzamsal dağılımını göstermektedir. (C) Bir CNN modeli kullanılarak prefrontal Alfa aktivitesinin sınıflandırma performansı (doğruluk: %83,3). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Tablo 1: Katılımcı alımı ve tarama kriterleri.

Yazarlar herhangi bir çıkar çatışması beyan etmemektedir.