Взаимосвязь физической активности и функциональной связанности мозга

Введение. Количество физической активности в повседневной жизни является важным аспектом нормального функционирования человека, позволяющим ему легче адаптироваться к постоянно изменяющимся условиям жизни. Несмотря на то, что исследования физической активности прежде всего рассматриваются с точки зрения физического здоровья, в настоящее время большой пласт работ посвящен исследованиям комплексного влияния физической активности как на физиологическое, так и на психологическое состояние человека. Исследователи подчеркивают положительную связь физической активности и различных аспектов благополучия человека [37], высокой стрессоустойчивости, низкого уровня тревожности и депрессии [34]. Ряд исследований посвящен связи когнитивной сфе- ры и физической активности в разных возрастах [2, 18, 31]. Вместе с тем большая доля исследований посвящена изучению важной роли физической активности в снижении рисков когнитивного угасания, связанного с возрастными физиологическими изменениями [32, 33].

Комплексный характер положительного влияния физической активности также подтверждается данными нейровизуализации мозга. Исследования как структурных (анатомических) особенностей, так и функциональных характеристик активности мозга демонстрируют зависимость от уровня физической активностью [21, 38].

Изменения структурных характеристик мозга вследствие активной физической деятельности связывают с процессами нейропла- стичности. Повышенный уровень физической активности связывают с увеличением размеров серого вещества в ряде областей мозга (в первую очередь, в моторных областях коры и гиппокампе [15, 17]), а также с увеличением количества волокон белого вещества (включая волокна мозолистого тела, лучистого венца и верхнего продольного пучка конечного мозга [17]) и изменением их микроструктуры [4]. Физическая активность связана с изменениями структурных характеристик как в детском [3], так и в среднем и пожилом возрасте [12].

Важная роль в понимании механизмов воздействия физической нагрузки на работу мозга принадлежит исследованиям функциональных характеристик мозговой активности, в частности, оценке изменений функциональной связанности мозга. Под функциональной связанностью понимают характеристику отношений между анатомически различными, пространственно близкими или удаленными областями мозга, которые взаимодействуют через спонтанную или вызванную синхронизацию для достижения реализации сложной психической функции [39, 20]. Показатели связанности мозга могут быть определены как на основании данных, полученных во время какой-либо деятельности, так и в состоянии покоя (спокойного бодрствования без выполнения каких-либо заданий). Анализ синхронизованной активации (в первую очередь синхронизованного во времени потребления кислорода в мозге на основе фМРТ-данных) в разных областях мозга позволил выделить несколько сетей, имеющих специфические функции. Так, выделяют отдельные стабильные (совпадающие по локализации в различных исследованиях) сети, активные в состоянии покоя: сеть пассивного режима работы мозга, моторная и сенсорная сети, сеть обработки актуальной информации, фронто-париетальная сеть и другие [39]. Анализ паттернов функциональной связанности как внутри этих сетей, так и между ними и другими регионами мозга позволяет изучить, как под действием физической нагрузки меняется взаимодействие различных мозговых областей.

Согласно ряду исследований, моторная активность людей, профессионально занимающихся физической активностью, индуцирует изменения функциональной связанности покоя внутри и между регионами мозга, которые типично вовлечены в моторную активность (мозжечок, фронто-париетальная сеть и сенсомоторные регионы и моторная сеть) [5, 6, 9, 13, 19, 24, 28].

Кроме выделения сетей в мозге на основании их ко-активации для анализа изменений работы мозга в целом в ответ на физическую нагрузку перспективным является подход, связанный с поиском системных и глобальных характеристик нейрональной активности. Глобальные характеристики функциональной связанности оцениваются на основе математического понятия связанности между компонентами графа – совокупности объектов и связей между ними. Графы нейронных сетей могут быть описаны с помощью таких показателей, как количество вершин (узлов) графа, коэффициент кластеризации, модулярность, средняя длина пути между узлами, мера центральности вершин и число ребер графа [1]. В многочисленных работах было показано, что получаемые на основе теории графов метрики связанности мозговой активности очень стабильны для конкретного человека [22], коррелируют с когнитивными способностями человека [7, 11], могут использоваться для прогнозирования различных черт личности (например, темперамента или творчества [25], а также связаны с психопатологическими состояниями [23].

При этом в настоящее время вопрос о том, как изменяются глобальные характеристики нейрональной динамики в ответ на физическую нагрузку, остается малоизученным. Исследования взаимосвязи физической активности и функциональной связанности, интерпретированные с применением теории графов, могут позволить проанализировать стабильные для состояния пассивного режима работы мозга изменения показателей глобальной нейрональной динамики в ответ на физическую нагрузку.

Для оценки характеристик глобальной связанности мозга в нашем исследовании нами выбран метод регистрации ЭЭГ в связи с тем, что высокое временное разрешение этого метода позволит нам проанализировать активность мозга в разных частотных диапазонах, потенциально имеющих разный вклад в обработку сенсомоторной информации в мозге [27].

Цель исследования: изучить взаимосвязь между физической активностью и характеристиками функциональной связанности на основе данных ЭЭГ.

Материалы и методы. В исследовании приняли участие 55 человек от 17 до 35 лет.

На основе проведенного опроса о вовлеченности в физическую активность в итоговую выборку исследования вошли 43 здоровых респондента (26 женщин), часть участников (12 человек) не вошли в итоговую выборку, так как не указали время, которое они затрачивают на физическую активность. Участники исследования были поделены на две группы, в первую группу вошли 21 человек – участники, занимающиеся физической активностью более 3 часов в неделю, во вторую – 22 человека, не занимающиеся физической активностью. Все участники не имели в анамнезе неврологических и психиатрических расстройств и травм головы.

Процедура. Первоначально все участники проходили самоотчет о своей вовлеченности в физическую активность. Респондентам необходимо было оценить, могут ли они причислить себя к людям, занимающимся физической активностью, а также оценить время, которое они затрачивают на эту активность. У всех участников регистрировалась ЭЭГ в состоянии покоя. Регистрация электроэнцефалограммы осуществлялась в состоянии покоя в течение 10 мин (по 2 мин открытые и закрытые глаза). Данные ЭЭГ записывались с 64 активных электродов, размещенных по международной системе 10-10 с усилителем ActiChamp Brain Products (Brain Products, Мюнхен, Германия). Все эксперименты проводились в звуконепроницаемой и электрически экранированной комнате с тусклым освещением. Диапазон сопротивления был от 0 до 25 kOhm. Для непрерывной записи без какой-либо фильтрации и непрерывного отбора проб на частоте 500 Гц использовалась система сбора данных Brain Products PyCorder. Электрод сравнения находился на Cz. После записи данных и снижения частоты дискретизации до 256 Гц данные были отфильтрованы от 0,1 до 30 Гц, затем был проведен анализ. Далее данные вручную очищались от артефактов с исключением шумных каналов. Для удаления артефактов моргания и вертикального движения глаз был проведен независимый компонентный анализ на следующих электродах: VEOG – Fp1, HEOG – FT9 и FT10. После независимого компонентного анализа исключенные каналы были топографически интерполированы и было проведено полуавтоматическое удаление артефактов. Оценка синхронизации ЭЭГ-активности производилась с помощью библиотеки MNE Python [29]. Для оценки силы связи между каналами использовался метод weighted Phase Lag Index [36], разработанный для минимизации проблемы объемного проведения сигнала в ЭЭГ. Для оценки различий глобальных характеристик функциональной связанности мозга у исследуемых групп сравнивались такие метрики графа, как характеристическая длина пути, коэффициент кластеризации, индекс тесного мира и модулярность в следующих частотных диапазонах: 4–8, 8–13, 13–20, 20–30 Гц. При подсчете метрик графа использовались градуальные веса связей. Для анализа метрик связности использовались связи, значения которых были выше медианного для каждого испытуемого.

Статистическая обработка данных была проведена в среде статистического программирования R [35]. Для описания распределения и оценки различий метрик графа у исследуемых групп использовались критерий Вилкоксона и двойной односторонний независимый тест (ДОТ, [26]), используемый для решения вопроса о том, может ли быть отвергнута гипотеза о наличии достаточно экстремальных эффектов, которые можно считать значимыми. В настоящей работе минимальный размер эффекта выбран на основе коэффициента d Коэна и равняется d = 0,5 (эффект среднего размера по классификации Коэна).

Результаты и обсуждение. Первоначально были посчитаны описательные статистики для групп участников, вовлеченных и не вовлеченных в физическую активность (см. таблицу). В таблице и далее для описания и анализа представлены данные, записанные на частоте 8–13 Гц, так как значимые различия метрик были выявлены только в альфа-диапазоне.

Для иллюстрации полученного распределения значений метрик связности на рис. 1 представлены данные плотности распределения каждой из этих метрик связности у двух групп участников.

Для предварительного анализа различий между группами был использован критерий Вилкоксона. Проведенный анализ показал, что группа испытуемых, занимающихся физической активностью больше 3 ч в неделю, достоверно отличается от группы не занимающихся физической активностью по величине кластерного коэффициента по критерию Вилкоксона (W = 201, p < 0,001). Полученные результаты представлены на рис. 2.

Описательные статистики для различных метрик связности у групп респондентов, вовлеченных в спорт (группа I) и не занимающихся спортом (группа II) Descriptive statistics for connectivity metrics in sports (group I) and non-sports (group II) groups

Наименование метрик связности Connectivity metrics	Группа I / Group I	Группа II / Group II
	Среднее и стандартное отклонение Mean and standard deviation M ± SD	Среднее и стандартное отклонение Mean and standard deviation M ± SD
Кластерный коэффициент Cluster coefficient	0,622 ± 0,035	0,583 ± 0,016
Модулярность Modularity	0,094 ± 0,021	0,097 ± 0,019
Характеристическая длина пути Path length	0,670 ± 0,106	0,700 ± 0,105
Индекс тесного мира Small world index	1,349 ± 0,249	1,523 ± 0,218

Примечание: группа I – участники, занимающиеся физической активностью более 3 часов в неделю, группа II – участники, не занимающиеся физической активностью.

Note: group I – participants engaged in physical activity for more than 3 hours a week, group II – participants not engaged in physical activity.

Рис. 1. Плотность распределения значений метрик связанности для групп участников, вовлеченных и не вовлеченных в физическую активность

Fig. 1. Distribution density of connectivity metrics for participants with different levels of physical activity

Для дальнейшего анализа нами была использована процедура ДОТ (двойного одностороннего теста) [26], которая является расширением классических статистических методов, направленных на сравнение межгрупповых различий. Процедура ДОТ позволяет не просто постулировать наличие различий между выборками, но и оценить их эквивалентность на основе заранее выбранного размера эффекта. Результаты ДОТ для различий между группами не занимающихся физической нагрузкой и занимающихся больше 3 ч в неделю по кластерному коэффициенту на частоте 8–13 Гц представлены на рис. 3.

Согласно полученным результатам, при сравнении групп вовлеченных и не вовлеченных в физическую активность наблюдаются статистически значимые различия для двух односторонних тестов Стьюдента (ДОТ – верхнее значение t = –4,13, df = 38, p < 0,001, ДОТ – нижнее значение t = –1,72, df = 38, p < 0,954), при этом наблюдаемый размер эффекта превышает заранее выбранный размер эффекта, равный d = 0,05, как для верхней, так и для нижней границы, что говорит не только о статистической значимости, но и о неэквивалентности выборок. Таким образом, на основе имеющихся данных можно сделать вывод

Характеристическая длина пути Модулярность Коэффициент кластеризации Индекс тесного мира Метрики связанности

Рис. 2. Медианные значения и разброс значений для метрик связанности в диапазоне. В качестве основы для построения боксплота использовалось медианное значение метрики для каждой группы. Для границы «ящика» использовались значения верхнего и нижнего квартиля распределений. Прямые линии, исходящие из боксплота («усы»), обозначают степени разброса за пределами верхнего и нижнего квартилей, отдельные точки показывают «выбросы» в данных. *** – уровень значимости p < 0,001 для теста Вилкоксона

Fig. 2. Boxplots for connectivity metrics for participants with different levels of physical activity. The middle line in the box is median, the edges of the boxes display interquartile range. The lines show the variance outside the quartiles, individual dots represent outliers in the data. *** – represents the Wilcoxon p-value (p < 0.001)

Рис. 3. Оценка разброса различий между группами участников, вовлеченных и не вовлеченных в физическую активность, и минимальных размеров эффекта для значения Коэна d = 0,5. Верхнее и нижнее значение размера эффекта в данных подсчитано на основе значений двух односторонних t-тестов Стьюдента. Показаны верхний и нижний размер эффекта для коэффициента Коэна d = 0,5

Fig. 3. The effect size ranges for two one-sided test (TOST) procedure with Cohen’s d = 0.5 minimal effect size. The actual effect size for the data is calculated based on the Student’s two one-sided t-test (TOST procedure), and the values for Cohen’s d = 0.5 are shown о том, что группа участников, вовлеченных в физическую активность, демонстрирует статистически более высокие показатели коэффициента кластеризации мозговых сетей в диапазоне альфа-ритма, при этом размер эффекта превышает средний по классификации Коэна.

Достоверных различий между данными группами в характеристической длине пути, индексе тесного мира и модулярности во всех исследуемых частотных диапазонах не выявлено (см. рис. 2).

Полученные в исследовании результаты свидетельствуют о том, что у молодых людей, регулярно занимающихся физической активностью более 3 ч в неделю, функциональная связанность мозга выше, чем у людей того же возраста, не занимающихся физической активностью, по такому показателю, как коэффициент кластеризации. В масштабах мозга в целом более высокое значение коэффициента кластеризации означает, что связи графа наиболее плотно сгруппированы вокруг нескольких узлов, более низкие значения этого коэффициента указывают на большую равномерность распределения связей между всеми узлами в мозге [7, 8]. Это согласуется с результатами исследований функциональной связанности мозга по данным фМРТ, в которых показано, что функциональная связанность у людей, профессионально занимающихся спортом, возрастает в основном в пределах сетей, вовлеченных в моторную деятельность. Так, в исследовании G. Li и соавт. [24] был найден более высокий уровень функциональной связанности у опытных танцоров с 10-летним стажем между моторными регионами, и особенно в сенсомоторной коре, а также в кортико-базальных ганглиях, между средней поясной корой, скорлупой, постцентральной и прецентральной извилиной по сравнению со здоровой группой людей, не вовлеченных в физическую активность. Подобная же динамика изменений функциональной связанности обнаружена в исследованиях с краткосрочной физической активностью [5, 28], результаты которых демонстрировали увеличение функциональной связанности покоя в моторных областях, а также во фронтопариетальной нейронной сети. Таким образом, можно предположить, что физическая нагрузка увеличивает плотность связей в пределах уже существующих взаимодействий. Одним из механизмов, формирующих структурную основу таких взаимодействий, являет- ся повышение уровня таких нейротрофических факторов, как BDNF, инсулиноподобного и эндотелиального факторов роста в ответ на физическую нагрузку, что способствует формированию новых связей между соседними узлами и ускорению передачи сигналов между ними [14]. Частотный диапазон 8–13 Гц, в котором нашим исследованием выявлены значимые изменения функциональной связанности мозга под влиянием физической нагрузки, соответствует частотному диапазону, в котором исследованием В. Gutmann и соавт. [16] показано увеличение пиковой частоты под влиянием физической нагрузки. Также известно, что диапазон 8–13 Гц связан не только с альфа-активностью, но и с сенсомоторной активностью (мю-ритмом). Мю-ритм связан как с мысленными представлениями движений [30], так и с индивидуальными различиями в успешности в спортивной деятельности [10].

Заключение. Результаты настоящего исследования показывают, что физическая активность увеличивает функциональную связанность мозга в альфа-диапазоне, причем связанность увеличивается за счет появления новых функциональных кластеров внутри уже существующих ассоциаций мозговых регионов. Необходимо отметить, что полученные нами результаты имеют ряд ограничений. Во-первых, несмотря на наличие статистически значимых различий, позволяющих зафиксировать неэквивалентность групп людей, вовлеченных и не вовлеченных в активную физическую деятельность, в настоящем исследовании численность людей в выборке относительно невелика и предполагает независимое воспроизведение полученных результатов. Во-вторых, в проведенном исследовании вовлеченность в физическую активность рассматривалась вне зависимости от типа физической нагрузки. Оценка специфики взаимосвязи характеристик связанности мозговой активности и различных типов физической нагрузки (аэробной/анаэробной, а также связанной / не связанной с освоением тонких моторных навыков) требует дополнительных исследований.

В целом применение основанного на теории графов сетевого подхода к анализу связанности мозговой активности позволило описать новые закономерности глобальных характеристик мозговой активности, связанных с вовлеченностью в активную физическую деятельность.

Исследование выполнено при финансовой поддержке Российского фонда фундаментальных исследований, проект «Нейрофизиологические механизмы индивидуальных различий интеллекта», № 18-013-00944.