BrainBeats como um plug-in EEGLAB de código aberto para analisar conjuntamente sinais cardiovasculares e de EEG

Por muito tempo, a abordagem reducionista dominou a investigação científica em fisiologia e cognição humanas. Essa abordagem envolveu a dissecação de processos corporais e mentais complexos em componentes menores e mais gerenciáveis, permitindo que os pesquisadores se concentrassem em sistemas individuais isoladamente. Essa estratégia surgiu devido aos desafios em estudar a natureza intrincada e interconectada do corpo e da mente humanos¹. O reducionismo tem sido fundamental para a compreensão de subsistemas individuais isoladamente, como elucidar o papel dos canais iônicos e potenciais de ação para a comunicação neural² ou cardíaca³ . No entanto, uma lacuna significativa permanece em nossa compreensão de como esses sistemas isolados interagem em uma escala espacial e temporal maior. A estrutura multimodal (integrativa ou ecológica) considera o corpo humano um sistema multidimensional complexo, onde a mente é vista não como um produto do cérebro, mas como uma atividade do ser vivo, uma atividade que integra o cérebro nas funções cotidianas do corpo humano⁴. As abordagens multimodais e reducionistas não são exclusivas, assim como não podemos estudar um neurônio sem todo o cérebro ou todo o cérebro sem entender as propriedades individuais dos neurônios. Juntos, eles abrem caminho para uma compreensão mais abrangente e sinérgica da saúde humana, patologia, cognição, psicologia e consciência. O presente método visa facilitar a investigação multimodal da interação entre o cérebro e o coração, fornecendo análise conjunta de eletroencefalografia (EEG) e sinais cardiovasculares, ou seja, eletrocardiografia (ECG) e fotopletismografia (PPG). Esta caixa de ferramentas, implementada como um plugin EEGLAB no MATLAB, aborda as limitações metodológicas existentes e é feita de código aberto para facilitar a acessibilidade e reprodutibilidade na área científica. Ele implementa as diretrizes e recomendações mais recentes em seu design e parâmetros padrão para incentivar os usuários a seguir as práticas recomendadas conhecidas. A caixa de ferramentas proposta deve ser um recurso valioso para pesquisadores e médicos interessados em 1) estudar potenciais evocados por batimentos cardíacos, 2) extrair características de sinais de EEG e ECG / PPG ou 3) remover artefatos cardíacos de sinais de EEG.

Pesquisa coração-cérebro
A relação entre o coração e o cérebro tem sido historicamente estudada por meio de métodos de neuroimagem, como ressonância magnética funcional (fMRI) e tomografia por emissão de pósitrons (PET). Usando essas ferramentas, os pesquisadores destacaram algumas regiões cerebrais associadas ao controle cardiovascular (por exemplo, manipulação da frequência cardíaca e da pressão arterial⁵), mostraram a influência da frequência cardíaca no sinal BOLD⁶ ou identificaram possíveis vias cérebro-corpo que contribuem para a doença cardíaca coronária (ou seja, pressão arterial evocada por estresse⁷). Embora esses estudos tenham avançado significativamente nossa compreensão da complexa interação entre o sistema nervoso central (SNC) e a função cardiovascular, essas técnicas de neuroimagem são caras, têm disponibilidade limitada e estão confinadas a ambientes laboratoriais controlados, o que restringe sua praticidade para aplicações no mundo real e em larga escala.

Em contraste, EEG e ECG / PPG são ferramentas mais acessíveis e portáteis que oferecem o potencial para estudar as interações cérebro-coração em ambientes e populações mais diversos ou por períodos mais longos, proporcionando novas oportunidades. O ECG mede os sinais elétricos gerados por cada batimento cardíaco quando o coração se contrai e relaxa por meio de eletrodos colocados na pele (geralmente no tórax ou nos braços)⁸. O PPG mede as alterações do volume sanguíneo nos tecidos microvasculares (ou seja, fluxo sanguíneo e pulsação) usando uma fonte de luz (por exemplo, LED) e um fotodetector (comumente colocado na ponta do dedo, pulso ou testa), dependendo de como o sangue absorve mais luz do que o tecido circundante⁹. Ambos os métodos fornecem informações valiosas sobre a função cardiovascular, mas servem a propósitos diferentes e oferecem tipos de dados distintos. Assim como o ECG, o EEG registra os campos elétricos gerados pela atividade sincronizada de milhares de neurônios corticais que se propagam pela matriz extracelular, tecidos, crânio e couro cabeludo até atingirem os eletrodos colocados na superfície do couro cabeludo¹⁰. Como tal, o uso de EEG e ECG / PPG é uma grande promessa para avançar nossa compreensão dos processos fisiológicos, cognitivos e emocionais subjacentes às interações cérebro-coração e suas implicações para a saúde e o bem-estar humanos. Portanto, capturar a interação coração-cérebro a partir de sinais de EEG, ECG / PPG com a caixa de ferramentas BrainBeats pode ser particularmente útil para as seguintes áreas científicas: diagnóstico clínico e previsão, aprendizado de máquina de big data (ML), automonitoramento do mundo real¹¹ e imagens móveis do cérebro / corpo (MoBI) ^{12 , 13} .

Duas abordagens para analisar conjuntamente sinais de EEG e ECG
Existem duas abordagens principais para estudar as interações entre EEG e sinais cardiovasculares:

Os potenciais evocados por batimentos cardíacos (HEP) no domínio do tempo: potenciais relacionados a eventos (ERP) e as oscilações evocadas por batimentos cardíacos (HEO) no domínio da frequência de tempo: perturbações espectrais relacionadas a eventos (ERSP) e coerência entre tentativas (ITC). Essa abordagem examina como o cérebro processa cada batimento cardíaco. Com precisão de milissegundos (ms), esse método requer que ambas as séries temporais estejam perfeitamente sincronizadas e que os batimentos cardíacos sejam marcados nos sinais de EEG. Essa abordagem ganhou interesse nos últimos anos 14,15,16,17,18,19.

Abordagem baseada em recursos: esta abordagem extrai características de EEG e variabilidade da frequência cardíaca (VFC) de sinais contínuos e examina associações entre eles. Isso foi feito independentemente para EEG (muitas vezes denominado EEG quantitativo ou qEEG²⁰), ECG 21,22,23 e PPG 24,25,26. Essa abordagem apresenta aplicações promissoras ao capturar variáveis relacionadas ao estado e às características. Ressalta-se que, tanto para o EEG quanto para os sinais cardiovasculares, quanto maior o registro, mais dominante é a variável traço 27,28,29. Assim, as aplicações dependem dos parâmetros de gravação. As análises baseadas em recursos estão ganhando interesse crescente, fornecendo novas métricas quantitativas para prever o desenvolvimento de transtornos mentais e neurológicos, resposta ao tratamento ou recaída 30,31,32,33,34,35. Essa abordagem é especialmente atraente com conjuntos de dados grandes e do mundo real (por exemplo, clínica, monitoramento remoto), que podem ser obtidos mais facilmente graças às recentes inovações em neurotecnologia vestível¹¹. Uma aplicação menos explorada é a identificação de associações entre características específicas do cérebro e do coração, destacando a dinâmica subjacente do sistema nervoso central. A variabilidade da frequência cardíaca (VFC) pode ser calculada a partir de sinais de ECG e PPG. Ele fornece informações sobre o sistema nervoso autônomo (SNA) medindo as variações nos intervalos de tempo entre os batimentos cardíacos (ou seja, os intervalos normais a normais)²⁷. O aumento da atividade simpática (SNS) (por exemplo, durante o estresse ou exercício) normalmente reduz a VFC, enquanto a atividade parassimpática (PNS) (por exemplo, durante o relaxamento) a aumenta. Uma frequência respiratória mais lenta geralmente aumenta a VFC devido à atividade aprimorada do SNP, especialmente para gravações curtas (<10 min)²⁷. Pontuações mais altas de VFC geralmente sugerem um SNA mais resiliente e adaptável, enquanto uma VFC mais baixa pode indicar estresse, fadiga ou problemas de saúde subjacentes. Registros longos de VFC (ou seja, pelo menos 24 h) fornecem um prognóstico preditivo para várias condições de saúde, incluindo doenças cardiovasculares, estresse, ansiedade e algumas condições neurológicas²⁷. Medidas como pressão arterial, frequência cardíaca ou níveis de colesterol fornecem informações sobre o estado do sistema cardiovascular. Em contraste, a VFC adiciona um aspecto dinâmico, mostrando como o coração responde e se recupera do estresse.

Vantagens do BrainBeats sobre os métodos existentes
Embora existam ferramentas, conforme revisado abaixo, para processar sinais cardiovasculares e de EEG independentemente um do outro, eles não podem ser analisados em conjunto. Além disso, a maioria dos meios disponíveis para processar sinais cardiovasculares envolve licenciamento caro, não permite processamento automatizado (especialmente benéfico para grandes conjuntos de dados), possui algoritmos proprietários que impedem a transparência e a reprodutibilidade ou requer habilidades avançadas de programação por não fornecer uma interface gráfica do usuário (GUI)³⁶. Até onde sabemos, quatro caixas de ferramentas MATLAB de código aberto suportam análise HEP/HEO com uma GUI: a caixa de ferramentas ecg-kit³⁷, o pipeline BeMoBIL³⁸, o plug-in HEPLAB EEGLAB³⁹ e a caixa de ferramentas CARE-rCortex⁴⁰. Embora o HEPLAB, o BeMoBIL e o kit de ecg facilitem a análise HEP detectando batimentos cardíacos e marcando-os nos sinais de EEG, eles não fornecem análise estatística ou estão limitados ao domínio do tempo (ou seja, HEP). O plug-in CARE-rCortex abordou esses problemas suportando ECG e sinais respiratórios, análise no domínio da frequência de tempo, estatísticas e métodos avançados de normalização e correção de linha de base adaptados à análise HEP/HEO. No entanto, utiliza o método de Bonferroni para correção estatística do erro tipo 1 (ou seja, falsos positivos), que é muito conservador e não fisiologicamente sólido para aplicações de EEG, levando a um aumento nos erros do tipo II (ou seja, falsos negativos)⁴¹. Além disso, a caixa de ferramentas não oferece acesso à linha de comando para automação. Por fim, estudos recentes não recomendam métodos de correção basal 42,43,44, pois reduzem a relação sinal-ruído (RSR) e são estatisticamente desnecessários e indesejáveis.

Para resolver essas limitações, apresentamos a caixa de ferramentas BrainBeats, atualmente implementada como um plugin EEGLAB de código aberto no ambiente MATLAB. Ele incorpora as seguintes vantagens em relação aos métodos anteriores:

1) Uma GUI fácil de usar e recursos de linha de comando (para programadores que desejam realizar processamento automatizado). 2) Algoritmos, parâmetros e diretrizes validados para o processamento de sinais cardiovasculares, como detecção de picos de R, interpolação de artefatos de RR e cálculo de métricas de VFC (por exemplo, implantação de diretrizes para janelas, reamostragem, normalização, etc.27,45,46). Isso é importante porque Vest et al. demonstraram como diferenças modestas nessas etapas de processamento podem levar a resultados divergentes, contribuindo para a falta de reprodutibilidade e aplicabilidade clínica das métricas de VFC⁴⁶. 3) Algoritmos validados, parâmetros padrão e diretrizes para processamento de sinais de EEG, incluindo filtragem e janelamento^44,47, re-referenciamento^48,49, remoção de canais e artefatos anormais 50,51,52, decomposição otimizada de ICA e classificação de componentes independentes 53,54,55,56. Os usuários podem ajustar todos os parâmetros de pré-processamento ou até mesmo pré-processar seus dados de EEG com seu método preferido antes de usar a caixa de ferramentas para atender às suas necessidades (por exemplo, com o plug-in EEGLAB clean_rawdata^50,52, o pipeline BeMoBIL³⁸, o pipeline PREP⁵⁷, etc.). 4) Potenciais evocados por batimentos cardíacos (HEP, ou seja, domínio do tempo) e oscilações (HEO; perturbações espectrais relacionadas a eventos com métodos wavelet ou FFT e coerência entre tentativas estão disponíveis através do software EEGLAB padrão) a partir de sinais de ECG. Estatísticas paramétricas e não paramétricas com correções para erros do tipo 1 estão disponíveis por meio do software padrão da EEGLAB. As estatísticas não paramétricas incluem estatísticas de permutação e correções espaço-temporais para comparações múltiplas (por exemplo, agrupamento espaço-temporal ou aprimoramento de agrupamento livre de limiar) ^{58 , 59} . Os usuários podem usar o plug-in LIMO-EEG para implementar modelagem linear hierárquica, que leva em conta bem a variância dentro e entre os sujeitos e implementa uma abordagem univariada em massa livre de suposições com controle robusto para erros tipo I e II^60,61. As análises estatísticas dos dados HEP/HEO podem ser realizadas nos domínios do canal e do componente independente. 5) Análise HEP/HEO e HRV a partir de sinais PPG (pela primeira vez para HEP/HEO). 6) Suporta a extração conjunta de recursos de EEG e HRV pela primeira vez. 7) A caixa de ferramentas fornece várias visualizações de dados para inspecionar sinais em várias etapas de processamento necessárias e saídas no nível do assunto.

TABELA 1: Novidades trazidas pelo BrainBeats em relação a métodos semelhantes pré-existentes.

Informações para ajudar os leitores a decidir se o método é apropriado para eles
Esta caixa de ferramentas é apropriada para qualquer pesquisador ou clínico com dados de EEG e ECG/PPG. O plug-in ainda não suporta a importação de sinais de EEG e ECG/PPG de arquivos separados (embora esse recurso esteja disponível em breve). A caixa de ferramentas é apropriada para qualquer pessoa que pretenda realizar análises HEP/HEO, extrair características de EEG e/ou VFC com métodos padronizados ou simplesmente remover artefatos cardíacos dos sinais de EEG. Consulte a Figura 1 para obter um diagrama de blocos resumindo o fluxo e os métodos gerais do BrainBeats.

FIGURA 1. Diagrama de blocos resumindo a arquitetura e o fluxo geral do BrainBeats. As operações comuns entre os três métodos são marrons. As operações específicas para potenciais evocados por batimentos cardíacos (HEP) e oscilações (HEO) são verdes. As operações específicas para a extração de características de EEG e VFC são azuis. As operações específicas para remover artefatos cardíacos dos sinais de EEG são vermelhas. Clique aqui para ver uma versão maior desta figura.