JoVE Journal > Neuroscience
Summary
Abstract
Introduction
Protocol
Resultados
Discussion
Divulgaciones
Acknowledgements
Materials
Referencias
Please note that all translations are automatically generated. Click here for the English version.
Neurociencias

BrainBeatsは、脳波と心血管の信号を共同で分析するためのオープンソースのEEGLABプラグインです

Published: April 26, 2024
doi:
10.3791/65829
, ,
1Centre de Recherche Cerveau et Cognition (CerCo), CNRS,Toulouse III University, 2Institute of Noetic Sciences (IONS), 3Department of Neurology,Oregon Health & Science University, 4Swartz Center of Computational Neuroscience (SCCN), INC,UCSD

Summary

BrainBeatsツールボックスは、EEGと心血管(ECG / PPG)信号を共同で分析するために設計されたオープンソースのEEGLABプラグインです。これには、心拍誘発電位(HEP)評価、特徴ベースの分析、およびEEG信号からの心臓アーチファクト抽出が含まれます。このプロトコルは、2つのレンズ(HEPと機能)を通じて脳と心臓の相互作用を研究するのに役立ち、再現性とアクセシビリティを向上させます。

Abstract

脳と心血管系の相互作用は、人間の生理学の理解を深め、健康状態を改善する可能性が注目されています。しかし、これらの信号のマルチモーダル解析は、ガイドライン、標準化された信号処理と統計ツール、グラフィカルユーザーインターフェース(GUI)、大規模なデータセットの処理や再現性の向上のための自動化が不足しているため、困難です。標準化されたEEGおよび心拍変動(HRV)特徴抽出法には、さらに空白が存在し、臨床診断や機械学習(ML)モデルの堅牢性を損ないます。これらの制限に対応して、BrainBeats ツールボックスを紹介します。オープンソースのEEGLEBプラグインとして実装されたBrainBeatsは、3つの主要なプロトコルを統合しています:1)ミリ秒の精度で時間ロックされた脳と心臓の相互作用を評価するための心拍誘発電位(HEP)と振動(HEO)。2)さまざまな脳と心臓の指標間の関連性/違いを調べるため、または堅牢な機能ベースのMLモデルを構築するためのEEGおよびHRV特徴抽出。3)脳波信号から心臓のアーチファクトを自動的に抽出し、脳波分析を行いながら潜在的な心血管汚染を除去します。これら3つの方法を、64チャンネルのEEG、ECG、およびPPG信号を同時に含むオープンソースのデータセットに適用するためのステップバイステップのチュートリアルを提供します。ユーザーは、グラフィカルユーザーインターフェース(GUI)またはコマンドラインを使用して、独自の研究ニーズに合わせてパラメーターを簡単に微調整できます。BrainBetsは、脳と心臓の相互作用の研究をよりアクセスしやすく、再現性のあるものにするはずです。

Introduction

長い間、還元主義的アプローチは、人間の生理学と認知における科学的調査を支配してきました。このアプローチでは、複雑な身体および精神的なプロセスを、より小さく、より管理しやすいコンポーネントに分解することで、研究者は個々のシステムに単独で集中することができました。この戦略は、人間の身体と心の複雑で相互に関連し合った性質を研究する際の課題から生じました1。還元主義は、神経2 または心臓3 のコミュニケーションにおけるイオンチャネルと活動電位の役割を解明するなど、個々のサブシステムを単独で理解するのに役立ちました。しかし、これらの孤立したシステムがより大きな空間的および時間的スケールでどのように相互作用するかについての理解には、大きなギャップが残っています。マルチモーダル(統合的または生態学的)フレームワークは、人体を複雑な多次元システムと見なし、心は脳の産物ではなく、生物の活動、つまり脳を人体の日常的な機能に統合する活動として見なされます4。マルチモーダルアプローチと還元主義的アプローチは排他的ではなく、脳全体なしでは1つのニューロンを研究できないか、個々のニューロンの特性を理解せずに脳全体を研究できないのと同じです。彼らは一緒になって、人間の健康、病理、認知、心理学、意識について、より包括的で相乗的な理解への道を切り開きます。本手法は、脳波(EEG)と心血管信号、すなわち心電図(ECG)と光電式容積脈波(PPG)の共同解析を提供することにより、脳と心臓の相互作用のマルチモーダル調査を容易にすることを目的としています。このツールボックスは、MATLAB の EEGLAB プラグインとして実装され、既存の方法論の限界に対処し、科学分野でのアクセシビリティと再現性を促進するためにオープンソース化されています。最新のガイドラインと推奨事項を設計と既定のパラメーターに実装して、ユーザーが既知のベスト プラクティスに従うことを奨励します。提案されたツールボックスは、1)心拍誘発電位の研究、2)EEGおよびECG / PPG信号からの特徴の抽出、または3)EEG信号からの心臓アーチファクトの除去に関心のある研究者や臨床医にとって貴重なリソースになるはずです。

心脳研究
心臓と脳の関係は、機能的磁気共鳴画像法(fMRI)や陽電子放出断層撮影法(PET)などの神経画像法によって歴史的に研究されてきました。これらのツールを使用して、研究者は心血管制御に関連するいくつかの脳領域(心拍数や血圧の操作など)を強調したり、BOLD信号6に対する心拍数の影響を示したり、冠状動脈性心疾患(ストレス誘発性血圧7)に寄与する可能性のある脳-体経路を特定したりしました).これらの研究により、中枢神経系(CNS)と心血管機能との間の複雑な相互作用についての理解が大幅に進歩しましたが、これらのニューロイメージング技術は高価で、利用可能性が限られており、制御された実験室環境に限定されているため、実世界および大規模なアプリケーションへの実用性が制限されています。

対照的に、EEGとECG / PPGは、より手頃な価格でポータブルなツールであり、より多様な環境や集団、または長期間にわたって脳と心臓の相互作用を研究する可能性を提供し、新しい機会を提供します。心電図は、心臓が収縮および弛緩するときに、皮膚(通常は胸部または腕)に配置された電極を介して、各心拍によって生成される電気信号を測定します8。PPGは、光源(例えば、LED)および光検出器(通常は指先、手首、または額に配置される)を使用して、微小血管組織の血液量の変化(すなわち、血流および脈拍数)を測定するが、これは、血液が周囲の組織よりも多くの光を吸収する方法に依存している9。どちらの方法も心血管機能に関する貴重な情報を提供しますが、目的も異なり、データタイプも異なります。ECGと同様に、EEGは、細胞外マトリックス、組織、頭蓋骨、および頭皮を伝播して頭皮の表面10に着目するまで伝播する数千の皮質ニューロンの同期活動によって生成される電場を記録する。このように、EEGとECG/PPGの使用は、脳と心臓の相互作用の根底にある生理学的、認知的、感情的なプロセスと、それらが人間の健康と幸福に与える影響についての理解を深める上で大きな期待を寄せています。したがって、BrainBeatsツールボックスを使用してEEG、ECG/PPG信号から心と脳の相互作用をキャプチャすることは、臨床診断および予測、ビッグデータ機械学習(ML)、実世界の自己モニタリング11、およびモバイル脳/身体イメージング(MoBI)12,13の科学分野で特に役立つ可能性があります。

脳波信号とECG信号を共同で解析するための2つのアプローチ
EEGと心血管信号の間の相互作用を研究するには、主に2つのアプローチがあります。

時間領域の心拍誘発電位(HEP):イベント関連電位(ERP)、および時間-周波数領域の心拍誘発振動(HEO):イベント関連スペクトル摂動(ERSP)と試行間コヒーレンス(ITC)。このアプローチでは、脳が各心拍をどのように処理するかを調べます。ミリ秒(ms)の精度で、この方法では、両方の時系列が完全に同期され、心拍がEEG信号にマークされる必要があります。このアプローチは、近年14,15,16,17,18,19で関心を集めています。

特徴ベースのアプローチ: このアプローチでは、連続的な信号から EEG と心拍変動 (HRV) の特徴を抽出し、それらの間の関連性を調べます。これは、EEG(定量的EEGまたはqEEG20と呼ばれることが多い)、ECG 21,22,23、およびPPG 24,25,26とは独立して行われています。このアプローチは、状態と形質に関連する変数の両方を捕捉することにより、有望なアプリケーションを提供します。EEG信号と心血管信号の両方について、記録が長いほど、形質変数27,28,29がより支配的になることに注意してください。したがって、アプリケーションは記録パラメータに依存します。特徴量ベースの分析はますます関心を集めており、精神障害および神経障害の発症、治療反応、または再発を予測するための新しい定量的指標を提供しています30,31,32,33,34,35。このアプローチは、ウェアラブルニューロテクノロジー11の最近の革新のおかげでより簡単に取得できる大規模な現実世界のデータセット(例:クリニック、リモートモニタリング)で特に魅力的です。あまり探求されていないアプリケーションは、特定の脳と心臓の特徴との間の関連を特定し、中枢神経系のダイナミクスの根底にある可能性を強調することです。心拍変動(HRV)は、ECG信号とPPG信号の両方から計算できます。これは、心拍間の時間間隔(すなわち、正常から正常への間隔)の変動を測定することにより、自律神経系(ANS)に関する情報を提供する27。交感神経(SNS)活動の増加(ストレスや運動中など)は通常、HRVを減少させ、副交感神経(PNS)活動(リラクゼーション中など)はHRVを増加させます。呼吸数が遅いと、特に短い録音(<10分)の場合、PNS活動が増加するため、一般にHRVが増加します27。HRVスコアが高いほど、一般的にANSの回復力と適応性が高いことを示唆し、HRVが低い場合は、ストレス、疲労、または根本的な健康問題を示している可能性があります。長いHRV記録(すなわち、少なくとも24時間)は、心血管疾患、ストレス、不安、およびいくつかの神経学的状態を含むさまざまな健康状態の予測予後を提供する27。血圧、心拍数、コレステロール値などの測定値は、心血管系の状態に関する情報を提供します。対照的に、HRVはダイナミックな側面を追加し、心臓がストレスにどのように反応し、ストレスから回復するかを示します。

既存の方法に対するBrainBeatsの利点
以下で検討するように、心血管信号と脳波信号を互いに独立して処理するツールは存在しますが、それらを一緒に分析することはできません。さらに、心血管信号を処理するための利用可能なほとんどの手段は、高価なライセンスを伴い、自動処理を許可せず(特に大規模なデータセットに有益)、透明性と再現性を妨げる独自のアルゴリズムを持っているか、またはグラフィカルユーザーインターフェース(GUI)を提供しないことにより高度なプログラミングスキルを必要とする36。私たちの知る限り、4つのオープンソースのMATLABツールボックス(ecg-kitツールボックス37、BeMoBILパイプライン38、HEPLAB EEGLABプラグイン39、およびCARE-rCortexツールボックス40)がGUIによるHEP/HEO解析をサポートしています。HEPLAB、BeMoBIL、およびecg-kitは、心拍を検出し、それらをEEG信号にマーキングすることでHEP分析を容易にしますが、統計分析を提供しないか、時間領域(つまりHEP)に限定されます。CARE-rCortexプラグインは、ECGおよび呼吸信号、時間-周波数領域分析、統計、およびHEP/HEO分析に適応した高度なベースライン正規化および補正方法をサポートすることにより、これらの問題に対処しました。しかし、それは、タイプ1エラー(すなわち、偽陽性)の統計的修正のためにボンフェローニ法を使用しており、これはあまりにも保守的であり、EEGアプリケーションにとっては生理学的に健全ではなく、タイプIIエラー(すなわち、偽陰性)の増加につながる41。さらに、ツールボックスは自動化のためのコマンドラインアクセスを提供していません。最後に、最近の研究では、ベースライン補正法42,43,44は、信号対雑音比(SNR)を低下させ、統計的に不必要で望ましくないため、推奨していません。

これらの制限に対処するために、現在 MATLAB 環境にオープンソースの EEGLAB プラグインとして実装されている BrainBeats ツールボックスを紹介します。これには、以前の方法に比べて次の利点があります。

1) 使いやすいGUIとコマンドライン機能(自動処理を目指すプログラマー向け)2)Rピークの検出、RRアーティファクトの補間、HRVメトリックの計算など、心血管信号を処理するための検証済みのアルゴリズム、パラメータ、およびガイドライン(例えば、ウィンドウ処理、リサンプリング、正規化などの埋め込みガイドライン27,45,46)。Vestらは、これらの処理ステップのわずかな違いが結果の違いを招き、HRVメトリクスの再現性と臨床的適用性の欠如に寄与することを示したため、これは重要です46。3)フィルタリングとウィンドウ処理44,47、再参照48,49、異常なチャネルとアーティファクトの除去50,51,52、最適化されたICA分解と独立したコンポーネントの分類53,54,55,56を含む、EEG信号を処理するための検証済みのアルゴリズム、デフォルトパラメータ、およびガイドライン.ユーザーは、自分のニーズに合わせてツールボックスを使用する前に、すべての前処理パラメータを微調整したり、好みの方法でEEGデータを前処理したりすることができます(例:EEGLAB clean_rawdataプラグイン50,52、BeMoBILパイプライン38、PREPパイプライン57など)。4)心電図信号から、心拍誘発電位(HEP、すなわち時間領域)および振動(HEO;ウェーブレットまたはFFT法によるイベント関連のスペクトル摂動、および試行間コヒーレンス)は、標準のEEGLABソフトウェアを通じて利用可能です。タイプ1エラーの補正を含むパラメトリックおよびノンパラメトリック統計は、EEGLABの標準ソフトウェアを介して利用できます。ノンパラメトリック統計には、多重比較のための順列統計と時空間補正が含まれます(例:時空間クラスタリングまたはしきい値なしクラスター強化)58,59。ユーザーは、LIMO-EEGプラグインを使用して、被験者内および被験者間の分散を適切に説明し、タイプIおよびIIエラー60,61のロバスト制御を備えた仮定のない質量単変量アプローチを実装する階層線形モデリングを実装できます。HEP/HEOデータの統計解析は、チャネルドメインと独立コンポーネントドメインで行うことができます。5) PPG信号からのHEP/HEOおよびHRV解析(HEP/HEOでは初めて)。6) 脳波とHRVの特徴の共同抽出を初めてサポートします。7) このツールボックスは、さまざまな必要な処理ステップで信号を検査し、被験者レベルでの出力を生成するためのさまざまなデータ視覚化を提供します。

方式 ECGからのRピークの検出 PPGからのR波の検出 HEP/HEO EEG & HRV 機能 脳波から心臓のアーチファクトを取り除く GUIの コマンドライン
ECGキット X X X X
ベモビル X X X
ヘプラブ X X X X
CARE-rCortex X X X X
ブレインビート X X X X X X X

表1:BrainBeatsが既存の類似の方法と比較してもたらした新規性。

読者がその方法が自分に適しているかどうかを判断するのに役立つ情報
このツールボックスは、脳波およびECG/PPGデータを持つ研究者や臨床医に適しています。このプラグインは、EEG信号とECG/PPG信号を別々のファイルからインポートすることにはまだ対応していません(ただし、この機能は近日中に利用可能になります)。このツールボックスは、HEP/HEO分析の実行、標準化された方法でのEEGおよび/またはHRV特徴の抽出、または単にEEG信号からの心臓アーチファクトの除去を目指す人に適しています。 図 1 は、BrainBeats の全体的なフローとメソッドをまとめたブロック図です。

Figure 1
図 1.BrainBeatsの全体的なアーキテクチャとフローをまとめたブロック図。3 つの方法に共通する操作は茶色です。心拍誘発電位(HEP)と振動(HEO)に固有の操作は緑色です。EEGおよびHRV特徴の抽出に固有の操作は青色です。EEG信号から心臓のアーチファクトを除去するための操作は赤です。 この図の拡大版を表示するには、ここをクリックしてください。

Protocol

各参加者からインフォームドコンセントが得られ、ウラル連邦大学の倫理委員会が実験プロトコルを承認しました。 1. BrainBeatsの要件 MATLABとEEGLABをコンピューターにインストールします。EEGLABは https://github.com/sccn/eeglab でダウンロードでき、コンピューター上の任意の場所で解凍(またはGitユーザーの場合はクローン化)できます。インストールの詳細?…

Representative Results

まず、BrainBeatsプラグインを使用して、EEGおよびECGデータの前処理、アーティファクトの特定と除去、心拍誘発電位(HEP)と振動(HEO)の分析を行いました。BrainBetsは、ECG信号と一部のRRアーティファクトからRR間隔を正常に検出しました(図2)。また、BrainBeatsはコマンドウィンドウで、心拍の11/305(3.61%)がアーティファクトとしてフラグが立てられ、補間されたと報告しました?…

Discussion

プロトコルの重要なステップ
重要な手順については、手順 1.1 から 1.4 で説明します。警告とエラーメッセージは、ツールボックスのさまざまな場所に実装されており、ユーザーが問題が発生する理由を理解するのに役立ちます(例:電極の位置がEEGデータにロードされていない、ファイルの長さが超低周波HRVの信頼性の高い測定値を計算するには短すぎる、信号品質が低すぎて?…

Divulgaciones

The authors have nothing to disclose.

Acknowledgements

この研究を支援したのが、ノエティック科学研究所です。BrainBeatsの一部のアルゴリズムを開発するために適応されたオリジナルのオープンソースアルゴリズムの開発者に感謝します。

Materials

EEGLAB Swartz Center for Computational Neuroscience (SCCN) Free/Open-source
MATLAB The Mathworks, Inc. Requires a license
Windows PC Lenovo, Inc.
DOWNLOAD MATERIALS LIST

Referencias

  1. von Bertalanffy, L. . General system theory Foundations, development, applications. , (1968).
  2. Hodgkin, A. L., Huxley, A. F. A quantitative description of membrane current and its application to conduction and excitation in nerve. J Physiol. 117 (4), 500-544 (1952).
  3. Bean, B. P. Nitrendipine block of cardiac calcium channels: high-affinity binding to the inactivated state. Proc Natl Acad Sci U SA. 81 (20), 6388-6392 (1984).
  4. Fuchs, T. . Ecology of the brain: The phenomenology and biology of the embodied mind. , (2017).
  5. Napadow, V., et al. Brain correlates of autonomic modulation: Combining heart rate variability with fMRI. NeuroImage. 42 (1), 169-177 (2008).
  6. Chang, C., Cunningham, J. P., Glover, G. H. Influence of heart rate on the BOLD signal: The cardiac response function. NeuroImage. 44 (3), 857-869 (2009).
  7. Gianaros, P. J., Sheu, L. K. A review of neuroimaging studies of stressor-evoked blood pressure reactivity: Emerging evidence for a brain-body pathway to coronary heart disease risk. NeuroImage. 47 (3), 922-936 (2009).
  8. Burch, G. E., DePasquale, N. P. . A history of electrocardiography. No 1. , (1990).
  9. Allen, J. Photoplethysmography and its application in clinical physiological measurement. Physiol Meas. 28 (3), 1 (2007).
  10. Cohen, M. X. Where does EEG come from and what does it mean. Trends Neurosci. 40 (4), 208-218 (2017).
  11. Cannard, C., Brandmeyer, T., Wahbeh, H., Delorme, A. Self-health monitoring and wearable neurotechnologies. Handb Clin Neurol. 168, 207-232 (2020).
  12. Gramann, K., Ferris, D. P., Gwin, J., Makeig, S. Imaging natural cognition in action. Int. J. Psychophysiol. 91 (1), 22-29 (2014).
  13. Jungnickel, E., Gehrke, L., Klug, M., Gramann, K. Chapter 10 – MoBI-Mobile brain/body imaging. Neuroergonomics. , 59-63 (2019).
  14. Al, E., et al. Heart-brain interactions shape somatosensory perception and evoked potentials. Proc Natl Acad Sci. 117 (19), 10575-10584 (2020).
  15. Banellis, L., Cruse, D. Skipping a beat: Heartbeat-evoked potentials reflect predictions during interoceptive-exteroceptive integration. Cereb Cortex Commun. 1 (1), (2020).
  16. Baranauskas, M., Grabauskaitė, A., Griškova-Bulanova, I., Lataitytė-Šimkevičienė, B., Stanikūnas, R. Heartbeat evoked potentials (HEP) capture brain activity affecting subsequent heartbeat. Biomed Signal Process. Cont. 68, 102731 (2021).
  17. Candia-Rivera, D., et al. Neural responses to heartbeats detect residual signs of consciousness during resting state in postcomatose patients. J Neurosci. 41 (24), 5251-5262 (2021).
  18. Jiang, H., et al. Brain-heart interactions underlying traditional Tibetan buddhist meditation. Cereb cortex. 30 (2), 439-450 (2020).
  19. Kumral, D., et al. Attenuation of the heartbeat-evoked potential in patients with atrial fibrillation. JACC Clin Electrophysiol. 8 (10), 1219-1230 (2022).
  20. Thakor, N. V., Tong, S. Advances in quantitative electroencephalogram analysis methods. Annu Rev Biomed Eng. 6, 453-495 (2004).
  21. Thayer, J. F., Åhs, F., Fredrikson, M., Sollers, J. J., Wager, T. D. A meta-analysis of heart rate variability and neuroimaging studies: Implications for heart rate variability as a marker of stress and health. Neurosci Biobehav Rev. 36 (2), 747-756 (2012).
  22. Mather, M., Thayer, J. F. How heart rate variability affects emotion regulation brain networks. Curr Opin Beha. Sci. 19, 98-104 (2018).
  23. Kemp, A. H., Quintana, D. S. The relationship between mental and physical health: Insights from the study of heart rate variability. Int J Psychophysiol. 89 (3), 288-296 (2013).
  24. Daneshi Kohan, M., Motie Nasrabadi, A., Shamsollahi, M. B., Sharifi, A. EEG/PPG effective connectivity fusion for analyzing deception in interview. Signal Image Video Process. 14 (5), 907-914 (2020).
  25. Übeyli, E. D., Cvetkovic, D., Cosic, I. Analysis of human PPG, ECG and EEG signals by eigenvector methods. Digit Signal Process. 20 (3), 956-963 (2010).
  26. Zambrana-Vinaroz, D., Vicente-Samper, J. M., Manrique-Cordoba, J., Sabater-Navarro, J. M. Wearable epileptic seizure prediction system based on machine learning techniques using ECG, PPG and EEG signals. Sensors. 22 (23), 9372 (2022).
  27. Shaffer, F., Ginsberg, J. P. An overview of heart rate variability metrics and norms. Front Public Health. 5, 258 (2017).
  28. Coan, J. A., Allen, J. J. B. The state and trait nature of frontal EEG asymmetry in emotion. The asymmetrical brain. , 565-615 (2003).
  29. Hagemann, D., Hewig, J., Seifert, J., Naumann, E., Bartussek, D. The latent state-trait structure of resting EEG asymmetry: replication and extension. Psychophysiology. 42 (6), 740-752 (2005).
  30. Widge, A. S., et al. Electroencephalographic biomarkers for treatment response prediction in major depressive illness: A meta-analysis. Am J Psychiatry. 176 (1), 44-56 (2019).
  31. Olbrich, S., Arns, M. EEG biomarkers in major depressive disorder: Discriminative power and prediction of treatment response. Int Rev Psychiatry. 25 (5), 604-618 (2013).
  32. Kumar, Y., Dewal, M. L., Anand, R. S. Epileptic seizures detection in EEG using DWT-based ApEn and artificial neural network. Signal Image Video Process. 8, 1323-1334 (2014).
  33. Acharya, U. R., et al. Automated diagnosis of epileptic EEG using entropies. Biomed Signal Process Control. 7 (4), 401-408 (2012).
  34. de Aguiar Neto, F. S., Rosa, J. L. G. Depression biomarkers using non-invasive EEG: A review. Neurosci Biobehav Rev. 105, 83-93 (2019).
  35. Cannard, C., Wahbeh, H., Delorme, A. Electroencephalography correlates of well-being using a low-cost wearable system. Front Hum Neurosci. 15, 736 (2021).
  36. Tarvainen, M. P., Niskanen, J. P., Lipponen, J. A., Ranta-aho, P. O., Karjalainen, P. A. Kubios HRV – Heart rate variability analysis software. Comput. Methods Programs Biomed. 113 (1), 210-220 (2014).
  37. Demski, A. J., Soria, M. L. ECG-kit: a Matlab toolbox for cardiovascular signal processing. Journal of Open Research Software. 4 (1), e8 (2016).
  38. Klug, M., et al. The BeMoBIL pipeline for automated analyses of multimodal mobile brain and body imaging data. BioRxiv. , (2022).
  39. Perakakis, P. . HEPLAB. , (2023).
  40. Grosselin, F., Navarro-Sune, X., Raux, M., Similowski, T., Chavez, M. CARE-rCortex: A Matlab toolbox for the analysis of CArdio-REspiratory-related activity in the Cortex. J Neurosci Meth. 308, 309-316 (2018).
  41. Luck, S. J., Gaspelin, N. How to get statistically significant effects in any ERP experiment (and why you shouldn’t). Psychophysiology. 54 (1), 146-157 (2017).
  42. Alday, P. M. How much baseline correction do we need in ERP research? Extended GLM model can replace baseline correction while lifting its limits. Psychophysiology. 56 (12), e13451 (2019).
  43. Delorme, A. EEG is better left alone. Sci Rep. 13 (1), 2372 (2023).
  44. Widmann, A., Schröger, E., Maess, B. Digital filter design for electrophysiological data – a practical approach. J Neurosci Methods. 250, 34-46 (2015).
  45. Pham, T., Lau, Z. J., Chen, S. H. A., Makowski, D. Heart Rate Variability in Psychology: A Review of HRV Indices and an Analysis Tutorial. Sensors. 21 (12), 3998 (2021).
  46. Vest, A. N., et al. An open source benchmarked toolbox for cardiovascular waveform and interval analysis. Physiol Meas. 39 (10), 105004 (2018).
  47. Smith, E. E., Reznik, S. J., Stewart, J. L., Allen, J. J. B. Assessing and conceptualizing frontal EEG asymmetry: An updated primer on recording, processing, analyzing, and interpreting frontal alpha asymmetry. Int J Psychophysiol Off J Int Organ Psychophysiol. 111, 98-114 (2017).
  48. Dong, L., et al. MATLAB toolboxes for reference electrode standardization technique (REST) of scalp EEG. Front Neurosci. 11, 601 (2017).
  49. Candia-Rivera, D., Catrambone, V., Valenza, G. The role of electroencephalography electrical reference in the assessment of functional brain-heart interplay: From methodology to user guidelines. J Neurosci Methods. 360, 109269 (2021).
  50. Mullen, T. R., et al. Real-time Neuroimaging and cognitive monitoring using wearable dry EEG. IEEE Trans Biomed Eng Spec Issue Wearable Technol. 62 (11), 2553-2567 (2015).
  51. Chang, C. Y., Hsu, S. H., Pion-Tonachini, L., Jung, T. P. Evaluation of artifact subspace reconstruction for automatic EEG artifact removal. 40th Ann Int Conf IEEE Eng Med Biol Soc. , 1242-1245 (2018).
  52. Miyakoshi, M. Artifact subspace reconstruction: a candidate for a dream solution for EEG studies, sleep or awake. Sleep. 46 (12), 241 (2023).
  53. Kim, H., et al. ICA’s bug: How ghost ICs emerge from effective rank deficiency caused by EEG electrode interpolation and incorrect re-referencing. Front Signal Process. 3, 1064138 (2023).
  54. Frank, G., Makeig, S., Delorme, A. A Framework to evaluate independent component analysis applied to EEG signal: testing on the Picard algorithm. ArXiv. , (2022).
  55. Ablin, P., Cardoso, J. F., Gramfort, A. Faster independent component analysis by preconditioning with Hessian approximations. IEEE Trans Signal Process. 66 (15), 4040-4049 (2018).
  56. Pion-Tonachini, L., Kreutz-Delgado, K., Makeig, S. ICLabel: An automated electroencephalographic independent component classifier, dataset, and website. NeuroImage. 198, 181-197 (2019).
  57. Bigdely-Shamlo, N., Mullen, T., Kothe, C., Su, K. M., Robbins, K. A. The PREP pipeline: standardized preprocessing for large-scale EEG analysis. Front Neuroinformatics. 9, 12 (2015).
  58. Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG- and MEG-data. J Neurosci Methods. 164 (1), 177-190 (2007).
  59. Pernet, C. R., Latinus, M., Nichols, T. E., Rousselet, G. A. Cluster-based computational methods for mass univariate analyses of event-related brain potentials/fields: A simulation study. J Neurosci Methods. 250, 85-93 (2015).
  60. Pernet, C. R., Chauveau, N., Gaspar, C., Rousselet, G. A. LIMO EEG: A toolbox for hierarchical LInear MOdeling of ElectroEncephaloGraphic data. Comput Intell Neurosci. 2011, 1-11 (2011).
  61. Pernet, C., et al. Electroencephalography robust statistical linear modelling using a single weight per trial. Aperture Neuro. 2022 (7), 51 (2022).
  62. Pavlov, Y. G., Kasanov, D., Kosachenko, A. I., Kotyusov, A. I., Busch, N. A. Pupillometry and electroencephalography in the digit span task. Sci. Data. 9 (1), 325 (2022).
  63. Pavlov, Y. G., Kasanov, D., Kosachenko, A. I., Kotyusov, A. I. EEG, pupillometry, ECG and photoplethysmography, and behavioral data in the digit span task and rest. OpenNeuro. , (2024).
  64. Clifford, G. . Signal processing methods for heart rate variability. , (2002).
  65. Pan, J., Tompkins, W. J. A real-time QRS detection algorithm. IEEE Trans. Biomed. Eng. 3, 230-236 (1985).
  66. Maess, B., Schröger, E., Widmann, A. Highpass filters and baseline correction in M/EEG analysis. Commentary on: "How inappropriate highpass filters can produce artefacts and incorrect conclusions in ERP studies of language and cognition. J. Neurosci. Methods. 266, 164-165 (2016).
  67. Park, H. D., Blanke, O. Heartbeat-evoked cortical responses: Underlying mechanisms, functional roles, and methodological considerations. NeuroImage. 197, 502-511 (2019).
  68. Lomb, N. R. Least-squares frequency analysis of unequally spaced data. Astrophys Space Sci. 39, 447-462 (1976).
  69. Corcoran, A. W., Alday, P. M., Schlesewsky, M., Bornkessel-Schlesewsky, I. Toward a reliable, automated method of individual alpha frequency (IAF) quantification. Psychophysiology. 55 (7), e13064 (2018).
  70. Chen, W., Zhuang, J., Yu, W., Wang, Z. Measuring complexity using FuzzyEn, ApEn, and SampEn. Med Eng Phys. 31 (1), 61-68 (2009).
  71. Cannard, C., Delorme, A. . An open-source EEGLAB plugin for computing entropy-based measures on MEEG signals. , (2022).
  72. Lau, Z. J., Pham, T., Chen, S. H. A., Makowski, D. Brain entropy, fractal dimensions and predictability: A review of complexity measures for EEG in healthy and neuropsychiatric populations. Eur J Neurosci. 56 (7), 5047-5069 (2022).
  73. Costa, M., Goldberger, A. L., Peng, C. -. K. Multiscale entropy analysis of biological signals. Phys Rev E Stat Nonlin Soft Matter Phys. 71 (2), 021906 (2005).
  74. Humeau-Heurtier, A. multiscale entropy approaches and their applications. Entropy. 22 (6), 644 (2020).
  75. Armañac-Julián, P., et al. Reliability of pulse photoplethysmography sensors: Coverage using different setups and body locations. Front Electron. 3, 906324 (2022).
  76. Catrambone, V., Greco, A., Vanello, N., Scilingo, E. P., Valenza, G. Time-resolved directional brain-heart interplay measurement through synthetic data generation models. Ann Biomed Eng. 47, 1479-1489 (2019).
  77. Georgieva-Tsaneva, G., Gospodinova, E., Gospodinov, M., Cheshmedzhiev, K. Portable sensor system for registration, processing and mathematical analysis of PPG signals. Appl Sci. 10 (3), 1051 (2020).
  78. Kim, J. H., Park, S. E., Jeung, G. W., Kim, K. S. Detection of R-peaks in ECG signal by adaptive linear neuron (ADALINE) artificial neural network. MATEC Web Conf. 54, 10001 (2016).
  79. Lei, R., Ling, B. W. K., Feng, P., Chen, J. Estimation of heart rate and respiratory rate from PPG signal using complementary ensemble empirical mode decomposition with both independent component analysis and non-negative matrix factorization. Sensors. 20 (11), 3238 (2020).

Tags

EEGECGHRVBrain-heart InterplayOpen-sourceEEGLAB PluginHeartbeat-evoked PotentialsHeart Rate VariabilityArtifact RemovalMultimodal AnalysisMachine Learning

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Citar este artículo
Cannard, C., Wahbeh, H., Delorme, A. BrainBeats as an Open-Source EEGLAB Plugin to Jointly Analyze EEG and Cardiovascular Signals. J. Vis. Exp. (206), e65829, doi:10.3791/65829 (2024).
Descargar cita
Reimpresiones y permisos

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image