通过静息态脑电图阐明α波在运动诱导神经变化中的作用

摘要

本方案旨在通过整合脑电图与深度学习技术，解析高强度焦虑个体在有氧运动后前额叶α频段神经振荡的重组机制。所构建的预测模型（准确率达81.82%）确定α振荡是运动缓解焦虑的核心机制，从而推进了情感障碍精准神经调控靶点的发展。

摘要

运动干预在治疗情绪调节障碍方面展现出独特潜力，然而其神经调节靶点的不明确性阻碍了精准运动处方的发展。本研究以40名高特质焦虑大学生为对象，探讨特质焦虑这一代表性情绪障碍问题，受试者被随机分配至运动干预组（40分钟中等强度有氧运动，n = 20）或非运动对照组（40分钟安静阅读，n = 20），随后采集静息态脑电图（EEG）数据。通过将运动后的静息态脑电图与深度学习算法相结合，我们构建了一个α频段时频预测模型，系统解析运动诱导的前额叶皮层神经振荡重编程机制。该深度学习模型在识别运动引起的α频段功率谱熵变化方面表现出优异的分类效能（准确率83.33%，F1分数0.83，Kappa系数0.67）。本研究首次提出，前额叶α频段兴奋性再平衡通过神经振荡重塑，是运动缓解焦虑的核心机制。

引言

在当代社会，生活节奏不断加快以及生活压力日益加重，导致情绪调节障碍的患病率显著上升。在情绪调节障碍的各种表现形式中，焦虑是一种常见亚型，给个体带来巨大挑战。药物治疗长期以来被视为治疗情绪调节障碍（尤其是焦虑）的基本方法。然而研究表明，约30%的情绪调节障碍患者对一线药物治疗无反应。此外，长期使用这些药物可能引发多种风险，如代谢紊乱和认知功能损害¹。心理干预虽然通过循证框架针对病因因素进行治疗，但其应用受限于治疗周期较长，需要投入大量时间、精力和经济成本，且治疗效果起效较慢^2,3。

近年来，运动干预在治疗情绪调节障碍方面展现出显著优势。大量研究表明，运动能够通过促进内源性神经递质的释放以及诱导突触改变，自然地改善情绪状态，并缓解焦虑和抑郁症状⁴。例如，针对经过运动训练的小鼠的研究发现，其缺氧负荷降低了52%，且认知功能出现显著提升⁵。特质焦虑是指个体在多种不同情境下持续体验焦虑的相对稳定且持久的倾向⁶，是理解情绪调节障碍潜在机制的关键因素。它构成了慢性焦虑的核心特征，对其研究有助于深入揭示此类情绪调节障碍的病理生理机制。通过理解特质焦虑，我们能够更清楚地认识为何某些个体更容易出现与焦虑相关的情绪问题。在我们之前的研究中，系统阐述了情绪障碍中受损的情绪认知功能相关的主要脑区，以及运动干预如何改善这些认知功能及相关脑区活动⁷。此外，我们还开展了两项脑电图（EEG）实验，深入探讨运动干预如何改善高特质焦虑个体在注意力控制能力方面的脑活动特征⁸。

尽管运动干预已成为抑郁症治疗中一种颇具前景的非药物干预手段，但与运动干预积极效应相关的精确神经生物标志物尚未被明确识别^9,10。神经振荡节律作为大脑信息处理的"时空编码器"，在焦虑状态下表现出特征性的失调。例如，研究表明，前额叶Alpha(α)去同步化与焦虑中常见的认知控制缺陷相关^11,12。这种神经振荡节律的失调提示了正常神经通讯过程存在潜在破坏，而这些过程对情绪调节至关重要。然而，目前尚缺乏系统性研究，深入探讨运动如何通过调节跨脑区节律耦合或局部场电位动态来实际重塑情绪功能^13,14。

基于脑电图（EEG）的深度学习研究的最新进展，为理解抑郁症和焦虑症等精神障碍的病理机制以及开发精准治疗方案提供了新的范式¹⁵。值得注意的是，结合隐马尔可夫模型（HMMs）的静息态脑电图动态功能连接（DFC）研究揭示了非精神病性抑郁、精神病性抑郁和精神分裂症在Delta（δ）、Theta（θ）、Alpha（α）和Gamma（γ）频段网络动态方面的显著差异^16,17,18。基于DFC的二分类模型在区分这三种疾病状态时达到了73.1%的准确率，优于传统静态分析方法。关键生物标志物包括θ频段默认模式网络（DMN）与突显网络（SN）的同步性、γ频段前额顶控制网络（FPCN）与边缘系统的同步性，以及HMM状态转移概率，从而建立了精神疾病精准分类的新框架¹⁹。另有研究采用图论分析方法表明，基线脑网络特征可预测难治性抑郁症患者深部脑刺激（DBS）的疗效。利用网络指标构建的随机森林模型预测DBS治疗反应的准确率达到81.2%，优于临床量表评估。纵向数据显示，DBS通过增强δ频段的全脑同步性并降低亚属扣带回皮层（sgACC）的中心性，逆转了脑网络功能障碍。此外，左侧前额叶α波功率可预测抗抑郁治疗无反应状态，基于α波不对称性的卷积神经网络（CNN）模型预测准确率达82.3%²⁰。Everaert等人（2022）利用460名参与者开发了一种结合特征选择的人工神经网络模型，用于识别情绪调节策略的预测性特征。这些发现凸显了识别精确神经靶点以优化运动干预处方的迫切需求²¹。

在运动相关神经科学研究领域，深度学习已成为一种强大的工具，能够从运动干预所产生的复杂、高维度且低幅值的时空神经数据中提取出稳健的神经生物标志物。多项研究表明，身体活动显著调节了与运动相关脑区的激活模式以及跨频段的神经振荡动态^22,23,24。一项涵盖47项研究的系统综述发现，运动后前额叶α/β频段功率呈现一致性的升高，可能反映了神经可塑性的增强和皮层抑制功能的提升²⁵。无论是急性运动还是长期训练均诱导出相似的趋势，但γ频段的反应表现出依赖于运动强度的异质性（例如，中等强度有氧运动与高强度间歇训练之间的差异）。在健康青年人群中进行为期四个月的有氧干预后，观察到前额叶α波（9–12 Hz）显著增强，并与有氧适能的提升呈正相关。尽管未观察到反应时间或准确率等行为表现的改善，神经振荡指标却显示出视觉注意网络的动态优化，提示α波可能作为评估运动效果的生物标志物²⁶。高水平运动员在执行瞄准任务时表现出更高的感觉运动节律（SMR，12–15 Hz）功率，同时伴随前额叶-颞叶相干性的降低，表明其运动技能执行趋于自动化，并实现了神经网络效率的提升²⁷。值得注意的是，乒乓球运动员相较于非运动员在与运动相关的脑区表现出更低的激活水平，提示长期训练可建立专门化且能量效率更高的神经网络²⁸。

本研究以特质焦虑为特定研究对象，采用脑电图（EEG）技术采集神经数据并探索其神经生物标志物，从而为识别精确的神经靶点提供新见解。既往研究表明，前额叶区域的α波与情绪调节、认知控制及情绪识别密切相关（Harmon-Jones等，2010），在解码外部情绪线索（如面部表情、语调）和调节情绪反应等过程中发挥关键作用。研究提示，前额叶α活动的改变可能作为情绪调节障碍的生理标志物，尤其在焦虑及负性情绪状态中具有重要意义^29,30,31。静息态脑电图（EEG）是神经科学研究中用于探究大脑动态特性的默认实验条件，要求受试者保持清醒但不执行任何认知任务³²。实验条件可包括闭眼或睁眼状态。实证证据表明，前额叶α振荡的变化可能作为情绪调节受损的生物标志物，特别是在以焦虑和负性情绪占主导的状态中尤为显著^33,34。其功率谱密度和功能连接模式能够揭示大脑的内在活动特征，可用于检测神经退行性疾病（如阿尔茨海默病）、发育障碍（如发展性阅读障碍）^35,36以及精神与情绪障碍（如抑郁症和焦虑症）中的病理标志物³⁷。其中，睁眼条件下的α节律常被用于情绪障碍相关研究^38,39。因此，本研究探讨运动干预前后前额叶区域α振荡在特质焦虑分类中的表现。基于脑电数据，本研究采用EEGNet识别与高特质焦虑个体运动干预相关的神经靶点。EEGNet专为脑电信号分类而设计，在处理有限数据的脑电模式研究方面，相较于传统方法及其他深度学习方法具有多项关键优势⁴⁰。

采用64通道系统（Brain Products，德国）按照国际10-20系统采集静息态脑电图数据，采样率为1000 Hz，并进行0.1–100 Hz的带通滤波。为确保信号质量，电极阻抗保持在5 kΩ以下，并去除眼动伪迹 通过 独立成分分析（ICA）。要求受试者保持清醒，睁眼注视十字标记，尽量减少与运动相关的噪声。

高特质焦虑参与者的入选关键标准为：（1）特质焦虑量表评分 ≥ 55；（2）限制高强度运动（< 每周3天），以控制既存体能水平的影响；（3）每周总体力活动 < 600 MET-分钟。这些标准旨在使样本同质化，同时反映现实世界中久坐不动的人群特征。一个局限性在于，由于个体在基线唤醒水平或未被发现的亚临床状态方面的差异，可能导致静息态脑电图动态存在潜在变异性，未来的研究可通过更大样本量和多模态评估（如功能性磁共振成像或行为任务）来解决这一问题。

我们假设前额叶α活动能够有效区分运动组与对照组的脑电图数据。总之，本研究旨在以特质焦虑为模型，利用人工智能技术分析运动干预对情绪障碍的益处。通过其研究方法与发现，本工作力图增进对当前该领域发展现状与挑战的理解，为未来的研究提供指导与启示。

方案

本研究已获得武汉体育学院机构研究伦理委员会的批准（2023016）。

1. 研究参与者

1. 从一所大学中自愿招募550名非体育专业学生。对样本进行预先筛选。为此使用中文版修订版状态-特质焦虑量表⁴¹，如表1所示。
2. 将特质焦虑分量表得分等于或高于55分的个体归类为具有高特质焦虑，并选择他们参与脑电图（EEG）实验。采用该量表的特质焦虑分量表作为主要评估工具，依据先前事件相关电位（ERP）研究建立的标准⁴²。这一55分的截断值基于以往研究，确保对高特质焦虑参与者进行一致且有效的分类。
3. 进一步评估特质焦虑得分高于55分的个体的体力活动水平。参与者还需满足过去一周内与其体力活动模式相关的三项特定纳入标准。
   1. 确保参与者在过去一周中进行高强度体力活动的天数少于3天（每次持续时间≥每天20分钟）。
      注：高强度体力活动可能对身体和大脑产生显著影响，潜在地改变神经可塑性和神经递质水平。通过限制高强度活动的天数，研究人员可最大限度地减少此类剧烈运动对所研究关系的混杂效应。
   2. 确保所有强度的锻炼总天数每周少于5天，且总锻炼量少于600 MET-min/周。这将保证参与者的总体运动负荷处于一定范围内，从而减少因运动量不同而导致的样本变异。
   3. 确认参与者每周进行中等强度活动的时间少于30分钟，且步行天数少于5天。
      注：尽管中等强度活动和步行的强度低于高强度锻炼，但仍可能影响身体的生理和心理状态。通过设定这些限制，研究人员可进一步控制不同类型体力活动对实验结果的潜在影响。

2. 任务说明

1. 指导运动干预组的参与者使用固定式功率自行车进行30分钟中等强度的有氧运动，佩戴心率监测器以记录生理数据。该运动干预根据既定指南分为三个阶段⁴³。
   1. 热身阶段：指导参与者以25瓦的功率骑行5分钟，以使肌肉和心血管系统为主要运动阶段做好准备。
   2. 主要运动阶段：指导参与者以70–80 rpm的踏频持续骑行20分钟，运动强度为中等。每2秒监测一次心率，并使用以下公式计算目标心率（THR）：
      THR = (HRmax − HRrest) × 期望强度 + HRrest
      其中HRmax为最大心率，HRrest为静息心率，期望强度根据ACSM运动指南确定⁴³。
   3. 整理阶段：要求参与者在5分钟内将骑行负荷降低至15 W，以降低心率，减少受伤风险，并促进肌肉放松。
2. 对照组任务：确保参与者在实验室中安静坐立30分钟，并进行自由阅读任务。

3. 数据采集

1. 使用64导设备记录受试者的脑电图信号，并按照国际标准10-20系统设置电极阵列，采样频率为1000 Hz。
2. 在数据采集前，向所有电极-皮肤接触界面涂抹医用导电膏，确保阻抗值低于5 kΩ，从而优化信号保真度并减少运动伪迹。
3. 数据采集的采样率为1000 Hz，带通滤波范围为0.1-100 Hz。保持电极阻抗低于5 kΩ。
4. 在左眼外眦处放置一个电极，用于记录垂直眼动和眨眼信号。
5. 在数据采集过程中，FCz和FPz分别作为原始参考电极和接地电极。
6. 指导参与者保持睁眼状态，注视屏幕上的十字标记。在整个过程中，要求其保持清醒和警觉，避免专注于任何特定思维，且不要产生情绪波动。

4. 离线数据分析

1. 预处理
   1. 将原始数据重参考至所有电极的平均值。
   2. 应用0.1–40 Hz的带通滤波器，以去除低频漂移（如呼吸伪迹）和高频噪声（如电源干扰和肌电伪迹）。
   3. 将所有受试者的数据分割为120秒的时间段，并排除每段记录起始和结束各10秒的部分，以消除设备初始化可能引起的边缘伪迹。
   4. 使用独立成分分析（Independent Component Analysis, ICA）技术去除眼电图（EOG）和心电图（ECG）伪迹。Infomax算法将信号分解为统计上独立的成分。通过三方面特征识别伪迹成分：（1）空间拓扑分布（EOG表现为额极偶极子分布，ECG表现为左侧颞区主导）；（2）时间动态特性（EOG表现为与眨眼同步的瞬态尖峰，ECG表现为心律周期性波动）；（3）频谱特征（EOG表现为低频段频谱集中）⁴⁴。
   5. 剔除脑电电压超过±75 µV的时间段，作为伪迹处理。
2. 频段特异性差异分析
   1. 首先，将脑电信号按120秒间隔分割为若干小段。
   2. 使用复Morlet小波分析脑电信号的时频特性。
   3. 参数设置如下：选择小波变换参数cycles为[3 0.8]，频率点数（nfreqs）为100，时间点数（ntimesout）为200，以优化脑电分析的时频分辨率⁴⁵。
   4. 在所有时频点上进行逐点置换检验（10,000次迭代），评估统计显著性（p < 0.05，经FDR校正）。
   5. 以时间点为横轴、频率点为纵轴，绘制时频图进行可视化。

5. 模型分析

注意：该卷积神经网络（CNN）通过多尺度二维卷积操作实现对脑电图（EEG）信号时频特征的学习⁴⁶。CNN 模型的流程如图 1B所示。

1. 第一个卷积块
   1. 使用一个二维卷积层（Conv2d），其中 in_channels = 6，out_channels = 16，kernel_size = (3, 3)，padding = 1，以提取局部空间特征，对称填充可确保卷积后空间维度保持不变。
   2. 对卷积层的输出应用批归一化（BatchNorm2d），以稳定训练过程并加速收敛，随后使用修正线性单元（ReLU）激活函数引入非线性。
   3. 使用最大池化层（MaxPool2d），其 kernel_size = (2, 2)、stride = 2，进行特征压缩，将空间维度减半，同时保留重要特征信息。
2. 第二个卷积块
   1. 使用另一个二维卷积层（Conv2d），其中 in_channels = 16，out_channels = 32，kernel_size = (3, 3)，padding = 1，基于第一个卷积块的输出进一步提取高层空间特征，并采用相同的填充策略以保持空间维度。
   2. 与第一个卷积块类似，依次应用批归一化（BatchNorm2d）和 ReLU 激活函数，以归一化特征并引入非线性。
   3. 再次使用最大池化层（MaxPool2d），其 kernel_size = (2, 2)、stride = 2，进行特征压缩。
3. 全连接层
   1. 将第二个卷积块输出的特征展平为一维向量，作为全连接层的输入。
   2. 确保第一个全连接层（Linear）将展平后的特征映射到256维特征空间，随后接一个丢弃率为0.5的 Dropout 层以防止过拟合，并使用 ReLU 激活函数。
   3. 第二个全连接层（Linear）进一步将特征维度从256降至128，依次应用另一个丢弃率为0.5的 Dropout 层和 ReLU 激活函数。
   4. 最后一个全连接层（Linear）将128维特征映射到目标类别数量（二分类），生成模型输出。
      注：数据处理平台配置如下：配备四块 HYGON Z100L DCU 的服务器；使用 Python 3.8 和 PyTorch-1.13 进行模型构建与训练；实验中使用 torch.nn 模块提供核心组件，如 Conv2d（卷积层）、BatchNorm2d（批归一化）、ELU（激活函数）、AvgPool2d（平均池化）、Dropout（丢弃层）、Linear（全连接层）和 CrossEntropyLoss（损失函数）；torch.optim 模块提供 Adam 优化器用于参数更新；torch.utils.data 模块提供 DataLoader（数据加载器）和 TensorDataset（数据集封装类）用于数据处理；torch.device 用于设备配置（DCU）；torch.save 用于保存模型参数；使用 scikit-learn 中的 sklearn.model_selection.train_test_split 函数进行数据集划分；优化器选用 Adam；损失函数为交叉熵；batch_size 设置为 2；epoch 设置为 100。输入数据采用基于 Morlet 提取的矩阵、来自六个前额通道（Fp1, Fp2, AF3, AF4, AF7, AF8）的 alpha 频段脑电图（EEG）特征，并包含时频特征。实验按 7:3 的比例划分为训练集和测试集。通过准确率和混淆矩阵指标评估模型的分类效果。

结果

脑电图数据处理与统计分析

原始脑电数据被分割为以事件 onset 为中心、每段 2 秒的片段，这种做法符合时频分析的标准规范，旨在捕捉短暂的神经动态变化，同时尽量减少边缘伪迹。每个片段均采用具有 3 个周期的复 Morlet 小波进行连续小波变换（CWT），该方法在检测 theta 至 gamma 频段振荡活动时，可最优地平衡时间与频率分辨率。

左侧面板 图2 代表运动组，右侧面板代表对照组。（1）数据处理质量：两条频谱均呈现平滑曲线及特征性的神经生理“1/f”衰减模式（低频段功率较高，并随频率增加呈指数下降）。高度重叠的轨迹表明数据预处理有效（如去噪、滤波），且基线数据质量较高，在频域中具有良好的信号保真度。（2）组间细微差异：在α频段（...

讨论

在心理健康研究领域，理解针对高特质焦虑个体干预措施的潜在神经机制至关重要。本研究旨在通过利用人工智能模型，探索此类个体在运动干预过程中相关的神经生物标志物。先进的深度神经网络（包括EEGNet等模型）的应用，通过实现对脑电活动的精确分析与解码，以前所未有的准确性彻底改变了脑电图（EEG）信号处理技术^47,48。因此，本研究采用深度学习模型对运动干预的EEG数据进行分类，旨在识别高特质焦虑的神经生物标志物，并探讨干预措施对这些标志物的影响。将具有高特质焦虑的受试者分为实验组和对照组，比较其在运动与阅读任务期间的脑电活动。研究结果具有高度显著性。具体而言，前额叶区域尤其是其α波活动，在分类任务中表现出极高的准确性。该发现强烈提示，前额叶α波可能在运动干预对高特质焦虑的调节效应中发挥关键作用。

在探索情绪识别的神经机制（尤其是与焦虑相关的情境下）时，前额叶α波活动（8-12 Hz）成为一个关键因素。这种特定的神经振荡模式与个体在情绪识别任务中的表现密切相关，理解其作用对于...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
BrainAmp SN	Brain Products	AMP12081737 标准	脑电图（EEG）信号采集
Eprime 专业版	PSYCHOLOGY SOFTWARE TOOLS	2.0.10.92	心理学实验软件
motion cycle 600	emotion fitness GmbH & Co. KG	F-EF-MC-650	自行车测功计
DCU（深度计算单元）	HYGON	HYGON Z100L	模型分析
Python	Python 软件基金会	Python 3.8	模型分析