上海大学杨帮华教授团队提出基于时频特征的多尺度卷积神经网络解码大鼠运动疲劳LFP

背景意义：运动性疲劳是日常体育锻炼或竞技体育运动中常见的一种现象，它的发生不仅会降低个体的工作能力，同时也会增加个体损伤的机率，其产生机制及其复杂。根据发生部位的不同，可将运动性疲劳分为“外周疲劳”和“中枢疲劳”，并且近年越多的证据表明，运动过程中导致机体运动能力下降的主要原因不但与外周运动系统有密切的关系，而且与中枢神经系统的调控有更为直接的联系。鉴于受试者运动疲劳时大脑机能改变会伴随着脑电信号的变化，因此选择脑电来检测中枢神经系统机能的变化，为探索人类大脑在运动疲劳状态下的工作特征提供参考。

Fig. 1 大鼠运动疲劳实验计划示意图。A: 电极植入位置的大鼠大脑背视图和冠状切面图，B: 运动疲劳实验时间规划，C:左侧是LFP记录示意图，右侧是建立大鼠运动疲劳模型示意图。

主要工作：实验选取12只SD大鼠，首先将4根局部场电位电极植入到大鼠的左M1、M2和右M1和M2运动区，等大鼠恢复后建立大鼠跑步运动疲劳模型，采集大鼠跑步疲劳前后的静息LFP，如Fig. 1所示。然后，对LFP进行0.5-100Hz的带通滤波和50Hz的陷波滤波，划分5个频段: Delta (0.5-4Hz), Theta (4-8Hz), Alpha (8-13Hz), Beta (13-30Hz) and Gamma band (30-100Hz)；接着对5个频段进行功率谱分析，并根据功率谱特征，设计了多尺度卷积神经网络（MSConvNet），如Fig. 2 - Fig. 4所示，对LFP进行二分类；最后通过Captum可视化和输入-输出相关性分析验证了提出方法的合理性。

Fig. 2. MSConvNet 结构，包括三个模块：时间特征模块、窄频特征模块和宽频特征模块。

Fig. 3. 时间特征模块概览。在ConvPoolBlock1中，LFP输入（位于顶部）逐渐向底部转换。浅粉色立方体：输入/特征图；黄色立方体：卷积/池化核。相应的大小分别用黑色和红色表示。@25表示每个CNN层有25个滤波器。

Fig. 4. 窄频特征模块概览。浅绿色长方体：输入/特征图；黄色长方体：卷积/汇集核。

主要结果：运动疲劳后Theta、Alpha和Beta频段的功率谱密度(PSD)显著降低(p < 0.05)， 如Fig. 5所示；MSConvNet取得了85.04%的平均准确率(p < 0.05)，如表1，显著高于其他先进的深度学习方法；输入-输出相关性分析显示MSConvNet提高了模型输入和模型输出之间的相关性，Captum结果表明MSConvNet能提高5个频段对分类结果的贡献，分别如Fig. 6和Fig. 7 所示，证明了设计模型的合理性。

Fig. 5.Delta、Theta、Alpha、Beta、Gamma 和全波段的平均PSD 变化。pre：运动前的静息状态，post：运动疲劳后的静息状态。*: P < 0.05。

Fig. 6. Delta、Theta、Alpha、Beta 和Gamma 波段输出特性与 各频段PSD 的相关性结果.

Fig. 7.Delta、Theta、Alpha、Beta和 Gamma 波段对结果有贡献。纵轴表示贡献大小；绝对值越大，贡献越大。

总结：本文发现大鼠运动疲劳后LFP的Theta、Alpha、Beta波段的PSD显著降低，支持大脑对运动疲劳起调节作用的理论。基于疲劳后LFP的频带特征，设计多尺度卷积神经网络对大鼠运动疲劳前后的LFP进行二分类，准确率显著高于基准算法。同时，Captum可视化和输入-输出特征相关性分析表明，该模型确实学习到了有用的LFP信息，并且不同频带对分类结果的影响不同，这表明深度学习及其可解释算法可能有助于探索运动疲劳的中枢机制。为研究运动疲劳的中枢机制提供了参考，也为检测运动疲劳提供了新思路。

论文信息：

Zhang G, Yang B, Dong X, et al. A multiscale convolutional neural network based on time-frequency features for decoding rat exercise fatigue LFP[J]. Biomedical Signal Processing and Control, 2024, 95: 106333.

论文链接：

https://www.sciencedirect.com/science/article/pii/S1746809424003914

—— End ——

仅用于学术分享，若侵权请留言，即时删侵！