BrainBeats 作为开源 EEGLAB 插件，用于联合分析 EEG 和心血管信号
Summary
BrainBeats 工具箱是一个开源的 EEGLAB 插件，旨在联合分析 EEG 和心血管 （ECG/PPG） 信号。它包括心跳诱发电位 （HEP） 评估、基于特征的分析以及从 EEG 信号中提取心脏伪影。该协议将有助于通过两个镜头（HEP 和特征）研究脑心相互作用，从而提高可重复性和可及性。
Abstract
大脑和心血管系统之间的相互作用因其在促进我们对人类生理学的理解和改善健康状况方面的潜力而受到越来越多的关注。然而，由于缺乏指南、标准化信号处理和统计工具、图形用户界面 （GUI） 以及用于处理大型数据集或提高可重复性的自动化，因此对这些信号进行多模态分析具有挑战性。标准化的 EEG 和心率变异性 （HRV） 特征提取方法还存在进一步的空白，破坏了临床诊断或机器学习 （ML） 模型的稳健性。为了应对这些限制，我们引入了 BrainBeats 工具箱。BrainBeats 作为开源 EEGLAB 插件实现，集成了三个主要协议：1） 心跳诱发电位 （HEP） 和振荡 （HEO），用于以毫秒级精度评估时间锁定的脑心相互作用;2） EEG 和 HRV 特征提取，用于检查各种大脑和心脏指标之间的关联/差异或构建强大的基于特征的 ML 模型;3） 在进行 EEG 分析时，从 EEG 信号中自动提取心脏伪影，以去除任何潜在的心血管污染。我们提供了一个分步教程，将这三种方法应用于包含同步 64 通道 EEG、ECG 和 PPG 信号的开源数据集。用户可以使用图形用户界面 （GUI） 或命令行轻松微调参数，以定制他们独特的研究需求。BrainBeats 应该使脑心相互作用研究更容易获得和可重复性。
Introduction
长期以来，还原论方法一直主导着人类生理学和认知学的科学研究。这种方法涉及将复杂的身体和心理过程分解成更小、更易于管理的组件，使研究人员能够孤立地关注单个系统。这种策略的出现是由于研究人类身心错综复杂和相互关联的本质所面临的挑战1。还原论有助于孤立地理解各个子系统，例如阐明离子通道和动作电位在神经2 或心脏3 通信中的作用。然而，我们对这些孤立的系统如何在更大的空间和时间尺度上相互作用的理解仍然存在重大差距。多模态（综合或生态）框架认为人体是一个复杂的多维系统，其中思想不被视为大脑的产物，而是生物的一种活动，一种将大脑整合到人体日常功能中的活动4。多模态和还原论方法并不排他性，就像我们不能在没有整个大脑的情况下研究一个神经元，或者在不了解单个神经元特性的情况下就无法研究整个大脑一样。它们共同为对人类健康、病理学、认知、心理学和意识的更全面、协同的理解铺平了道路。该方法旨在通过提供脑电图 （EEG） 和心血管信号的联合分析，即心电图 （ECG） 和光电容积脉搏波 （PPG），来简化大脑和心脏之间相互作用的多模态研究。该工具箱在 MATLAB 中作为 EEGLAB 插件实现，解决了现有的方法限制，并成为开源的，以促进科学领域的可访问性和可重复性。它将最新的准则和建议实施到其设计和默认参数中，以鼓励用户遵循已知的最佳实践。对于感兴趣的研究人员和临床医生来说，所提出的工具箱应该是宝贵的资源 1） 研究心跳诱发电位，2） 从 EEG 和 ECG/PPG 信号中提取特征，或 3） 从 EEG 信号中去除心脏伪影。
心脑研究
心脏和大脑之间的关系历来通过神经影像学方法进行研究，例如功能磁共振成像 （fMRI） 和正电子发射断层扫描 （PET）。使用这些工具，研究人员突出显示了一些与心血管控制相关的大脑区域（例如，心率和血压的操纵5），显示了心率对 BOLD 信号的影响6，或确定了导致冠心病的潜在脑身通路（即压力诱发的血压7).虽然这些研究极大地促进了我们对中枢神经系统 （CNS） 和心血管功能之间复杂相互作用的理解，但这些神经影像学技术价格昂贵、可用性有限，并且仅限于受控的实验室环境，这限制了它们在现实世界和大规模应用中的实用性。
相比之下，EEG 和 ECG/PPG 是更实惠和便携的工具，为在更多样化的环境和人群中或更长时间内研究脑心相互作用提供了潜力，提供了新的机会。ECG 通过放置在皮肤（通常位于胸部或手臂）上的电极测量心脏收缩和放松时每次心跳产生的电信号8。PPG 使用光源（例如 LED）和光电探测器（通常放置在指尖、手腕或前额）测量微血管组织中的血容量变化（即血流和脉搏率），具体取决于血液如何比周围组织吸收更多的光9。这两种方法都提供了有关心血管功能的宝贵信息，但用途不同，并提供不同的数据类型。与心电图一样，脑电图记录数千个皮层神经元同步活动产生的电场，这些神经元通过细胞外基质、组织、颅骨和头皮传播，直到到达放置在头皮表面的电极10。因此，脑电图和心电图/PPG 的使用对于促进我们对脑心相互作用背后的生理、认知和情感过程及其对人类健康和福祉的影响的理解具有巨大的前景。因此，使用 BrainBeats 工具箱从 EEG、ECG/PPG 信号捕获心脑相互作用可能对以下科学领域特别有用：临床诊断和预测、大数据机器学习 （ML）、真实世界自我监测11 和移动脑/身体成像 （MoBI）12,13。
联合分析 EEG 和 ECG 信号的两种方法
研究脑电图和心血管信号之间相互作用有两种主要方法：
时域中的心跳诱发电位 （HEP）：事件相关电位 （ERP），时频域中的心跳诱发电位 （HEO）：事件相关频谱扰动 （ERSP） 和试验间相干性 （ITC）。这种方法检查大脑如何处理每个心跳。以毫秒 （ms） 的精度，这种方法要求两个时间序列完全同步，并且心跳要在 EEG 信号中标记。这种方法近年来引起了人们的兴趣 14,15,16,17,18,19。
基于特征的方法：这种方法从连续信号中提取 EEG 和心率变异性 （HRV） 特征，并检查它们之间的关联。这是独立进行的 EEG（通常称为定量 EEG 或 qEEG20）、ECG21、22、23 和 PPG24、25、26。这种方法通过捕获与状态和特征相关的变量来提供有前途的应用。请注意，对于 EEG 和心血管信号，记录时间越长，性状变量 27,28,29 就越显性。因此，应用程序取决于记录参数。基于特征的分析越来越受到关注，为预测精神和神经系统疾病的发展、治疗反应或复发提供了新的定量指标 30,31,32,33,34,35。这种方法对于大型和真实世界的数据集（例如，诊所、远程监控）尤其引人注目，这要归功于可穿戴神经技术的最新创新11。一个较少探索的应用是识别特定大脑和心脏特征之间的关联，突出潜在的潜在中枢神经系统动力学。心率变异性 （HRV） 可以根据 ECG 和 PPG 信号计算。它通过测量心跳之间时间间隔的变化（即正常到正常的间隔）来提供有关自主神经系统 （ANS） 的信息27。交感神经 （SNS） 活动增加（例如，在压力或运动期间）通常会降低 HRV，而副交感神经 （PNS） 活动（例如，在放松期间）会增加 HRV。由于 PNS 活动增强，较慢的呼吸频率通常会增加 HRV，尤其是对于短记录（<10 分钟）27。较高的 HRV 分数通常表明 ANS 更具弹性和适应性，而较低的 HRV 可能表明压力、疲劳或潜在的健康问题。长时间的 HRV 记录（即至少 24 小时）为各种健康状况提供预测预后，包括心血管疾病、压力、焦虑和一些神经系统疾病27。血压、心率或胆固醇水平等指标提供有关心血管系统状态的信息。相比之下，HRV 增加了一个动态方面，显示心脏如何响应压力并从压力中恢复。
BrainBeats 相对于现有方法的优势
虽然存在工具，如下所述，可以彼此独立地处理心血管和 EEG 信号，但它们不能联合分析。此外，大多数处理心血管信号的可用方法都涉及昂贵的许可，不允许自动处理（尤其有利于大型数据集），具有阻止透明度和可重复性的专有算法，或者由于不提供图形用户界面 （GUI） 而需要高级编程技能36。据我们所知，四个开源 MATLAB 工具箱支持使用 GUI 进行 HEP/HEO 分析：ecg-kit 工具箱37、BeMoBIL 管道38、HEPLAB EEGLAB 插件39 和 CARE-rCortex 工具箱40。虽然 HEPLAB、BeMoBIL 和 ecg-kit 通过检测心跳并在 EEG 信号中标记它们来促进 HEP 分析，但它们不提供统计分析或仅限于时域（即 HEP）。CARE-rCortex 插件通过支持 ECG 和呼吸信号、时频域分析、统计以及适用于 HEP/HEO 分析的高级基线归一化和校正方法来解决这些问题。然而，它使用 Bonferroni 方法对 1 型错误（即假阳性）进行统计校正，这对于 EEG 应用来说过于保守且生理上不合理，导致 II 型错误（即假阴性）增加41。此外，该工具箱不提供用于自动化的命令行访问。最后，最近的研究建议不要使用基线校正方法 42,43,44，因为它们会降低信噪比 （SNR），并且在统计上是不必要的和不可取的。
为了解决这些限制，我们引入了 BrainBeats 工具箱，目前在 MATLAB 环境中作为开源 EEGLAB 插件实现。与以前的方法相比，它具有以下优点：
1） 易于使用的 GUI 和命令行功能（适用于旨在执行自动化处理的程序员）。2） 经过验证的算法、参数和处理心血管信号的指南，例如检测 R 峰、插值 RR 伪影和计算 HRV 指标（例如，用于窗口化、重采样、归一化等的植入指南27,45,46）。这很重要，因为 Vest 等人证明了这些处理步骤中的适度差异如何导致不同的结果，从而导致 HRV 指标缺乏可重复性和临床适用性46。3） 经过验证的算法、默认参数和处理脑电信号的指南，包括过滤和窗口化44,47，重新引用48,49，去除异常通道和伪影 50,51,52，优化的 ICA 分解和独立组件的分类 53,54,55,56.在使用工具箱满足他们的需求之前，用户可以微调所有预处理参数，甚至使用他们喜欢的方法预处理他们的 EEG 数据（例如，使用 EEGLAB clean_rawdata 插件50,52、BeMoBIL 管道38、PREP 管道57 等）。4） 心电图信号的心跳诱发电位（HEP，即时域）和振荡（HEO;使用小波或 FFT 方法的事件相关频谱扰动，以及试验间相干性可通过标准 EEGLAB 软件获得）。通过 EEGLAB 的标准软件可获得带有 1 类误差校正的参数和非参数统计。非参数统计包括排列统计和多重比较的时空校正（例如，时空聚类或无阈值聚类增强）58,59。用户可以使用 LIMO-EEG 插件来实现分层线性建模，该模型很好地考虑了受试者内和受试者间的方差，并实施了无假设的质量单变量方法，对 I 型和 II 型误差进行了稳健控制60,61。HEP/HEO 数据统计分析可以在通道域和独立组件域中进行。5） 来自 PPG 信号的 HEP/HEO 和 HRV 分析（首次用于 HEP/HEO）。6） 首次支持脑电和 HRV 特征的联合提取。7） 该工具箱提供各种数据可视化，以检查各种必要处理步骤中的信号，并在主题级别进行输出。
| 方法 | 从 ECG 中检测 R 峰 | 检测 PPG 的 R 波 | HEP/HEO 系列 | EEG & HRV 特性 | 从 EEG 中去除心脏伪影 | 图形用户界面 | 命令行 |
| 心电图套件 | X | X | X | X | |||
| BeMoBIL 贝莫比尔 | X | X | X | ||||
| HEPLAB | X | X | X | X | |||
| CARE-rCortex 皮层 | X | X | X | X | |||
| 脑跳 | X | X | X | X | X | X | X |
表 1：BrainBeats 相对于先前存在的类似方法带来的新颖性。
帮助读者确定该方法是否适合他们的信息
该工具箱适用于任何拥有 EEG 和 ECG/PPG 数据的研究人员或临床医生。该插件尚不支持从单独的文件导入 EEG 和 ECG/PPG 信号（尽管此功能将很快推出）。该工具箱适用于任何旨在执行 HEP/HEO 分析、使用标准化方法提取 EEG 和/或 HRV 特征或简单地从 EEG 信号中去除心脏伪影的任何人。图 1 中总结了 BrainBeats 的整体流程和方法的框图。
图 1.总结 BrainBeats 整体架构和流程的框图。这三种方法中常见的运算是棕色的。特定于心跳诱发电位 （HEP） 和振荡 （HEO） 的操作为绿色。特定于提取 EEG 和 HRV 特征的操作为蓝色。专门用于从 EEG 信号中去除心脏伪影的操作为红色。 请单击此处查看此图的较大版本。
Protocol
Representative Results
Discussion
协议中的关键步骤
关键步骤在步骤 1.1-1.4 中描述。警告和错误消息在工具箱中的不同位置实现，以帮助用户了解他们可能遇到问题的原因（例如，EEG 数据中未加载电极位置、文件长度太短而无法计算超低频 HRV 的可靠测量、信号质量太低而无法进行任何可靠的分析等）。每个功能都为高级用户记录了数据，并且可以轻松微调参数（推荐参数和典型范围记录…
Divulgaciones
The authors have nothing to disclose.
Acknowledgements
认知科学研究所支持这项研究。我们感谢原始开源算法的开发人员，这些算法适用于开发 BrainBeats 的一些算法。
Materials
| EEGLAB | Swartz Center for Computational Neuroscience (SCCN) | Free/Open-source | |
| MATLAB | The Mathworks, Inc. | Requires a license | |
| Windows PC | Lenovo, Inc. |
Referencias
- von Bertalanffy, L. . General system theory Foundations, development, applications. , (1968).
- 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).
- 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).
- Fuchs, T. . Ecology of the brain: The phenomenology and biology of the embodied mind. , (2017).
- Napadow, V., et al. Brain correlates of autonomic modulation: Combining heart rate variability with fMRI. NeuroImage. 42 (1), 169-177 (2008).
- 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).
- 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).
- Burch, G. E., DePasquale, N. P. . A history of electrocardiography. No 1. , (1990).
- Allen, J. Photoplethysmography and its application in clinical physiological measurement. Physiol Meas. 28 (3), 1 (2007).
- Cohen, M. X. Where does EEG come from and what does it mean. Trends Neurosci. 40 (4), 208-218 (2017).
- Cannard, C., Brandmeyer, T., Wahbeh, H., Delorme, A. Self-health monitoring and wearable neurotechnologies. Handb Clin Neurol. 168, 207-232 (2020).
- Gramann, K., Ferris, D. P., Gwin, J., Makeig, S. Imaging natural cognition in action. Int. J. Psychophysiol. 91 (1), 22-29 (2014).
- Jungnickel, E., Gehrke, L., Klug, M., Gramann, K. Chapter 10 – MoBI-Mobile brain/body imaging. Neuroergonomics. , 59-63 (2019).
- Al, E., et al. Heart-brain interactions shape somatosensory perception and evoked potentials. Proc Natl Acad Sci. 117 (19), 10575-10584 (2020).
- Banellis, L., Cruse, D. Skipping a beat: Heartbeat-evoked potentials reflect predictions during interoceptive-exteroceptive integration. Cereb Cortex Commun. 1 (1), (2020).
- 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).
- 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).
- Jiang, H., et al. Brain-heart interactions underlying traditional Tibetan buddhist meditation. Cereb cortex. 30 (2), 439-450 (2020).
- Kumral, D., et al. Attenuation of the heartbeat-evoked potential in patients with atrial fibrillation. JACC Clin Electrophysiol. 8 (10), 1219-1230 (2022).
- Thakor, N. V., Tong, S. Advances in quantitative electroencephalogram analysis methods. Annu Rev Biomed Eng. 6, 453-495 (2004).
- 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).
- Mather, M., Thayer, J. F. How heart rate variability affects emotion regulation brain networks. Curr Opin Beha. Sci. 19, 98-104 (2018).
- 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).
- 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).
- 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).
- 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).
- Shaffer, F., Ginsberg, J. P. An overview of heart rate variability metrics and norms. Front Public Health. 5, 258 (2017).
- Coan, J. A., Allen, J. J. B. The state and trait nature of frontal EEG asymmetry in emotion. The asymmetrical brain. , 565-615 (2003).
- 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).
- 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).
- 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).
- 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).
- Acharya, U. R., et al. Automated diagnosis of epileptic EEG using entropies. Biomed Signal Process Control. 7 (4), 401-408 (2012).
- de Aguiar Neto, F. S., Rosa, J. L. G. Depression biomarkers using non-invasive EEG: A review. Neurosci Biobehav Rev. 105, 83-93 (2019).
- Cannard, C., Wahbeh, H., Delorme, A. Electroencephalography correlates of well-being using a low-cost wearable system. Front Hum Neurosci. 15, 736 (2021).
- 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).
- Demski, A. J., Soria, M. L. ECG-kit: a Matlab toolbox for cardiovascular signal processing. Journal of Open Research Software. 4 (1), e8 (2016).
- Klug, M., et al. The BeMoBIL pipeline for automated analyses of multimodal mobile brain and body imaging data. BioRxiv. , (2022).
- Perakakis, P. . HEPLAB. , (2023).
- 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).
- 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).
- 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).
- Delorme, A. EEG is better left alone. Sci Rep. 13 (1), 2372 (2023).
- Widmann, A., Schröger, E., Maess, B. Digital filter design for electrophysiological data – a practical approach. J Neurosci Methods. 250, 34-46 (2015).
- 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).
- Vest, A. N., et al. An open source benchmarked toolbox for cardiovascular waveform and interval analysis. Physiol Meas. 39 (10), 105004 (2018).
- 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).
- Dong, L., et al. MATLAB toolboxes for reference electrode standardization technique (REST) of scalp EEG. Front Neurosci. 11, 601 (2017).
- 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).
- 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).
- 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).
- Miyakoshi, M. Artifact subspace reconstruction: a candidate for a dream solution for EEG studies, sleep or awake. Sleep. 46 (12), 241 (2023).
- 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).
- Frank, G., Makeig, S., Delorme, A. A Framework to evaluate independent component analysis applied to EEG signal: testing on the Picard algorithm. ArXiv. , (2022).
- 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).
- Pion-Tonachini, L., Kreutz-Delgado, K., Makeig, S. ICLabel: An automated electroencephalographic independent component classifier, dataset, and website. NeuroImage. 198, 181-197 (2019).
- 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).
- Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG- and MEG-data. J Neurosci Methods. 164 (1), 177-190 (2007).
- 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).
- 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).
- Pernet, C., et al. Electroencephalography robust statistical linear modelling using a single weight per trial. Aperture Neuro. 2022 (7), 51 (2022).
- 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).
- 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).
- Clifford, G. . Signal processing methods for heart rate variability. , (2002).
- Pan, J., Tompkins, W. J. A real-time QRS detection algorithm. IEEE Trans. Biomed. Eng. 3, 230-236 (1985).
- 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).
- Park, H. D., Blanke, O. Heartbeat-evoked cortical responses: Underlying mechanisms, functional roles, and methodological considerations. NeuroImage. 197, 502-511 (2019).
- Lomb, N. R. Least-squares frequency analysis of unequally spaced data. Astrophys Space Sci. 39, 447-462 (1976).
- 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).
- Chen, W., Zhuang, J., Yu, W., Wang, Z. Measuring complexity using FuzzyEn, ApEn, and SampEn. Med Eng Phys. 31 (1), 61-68 (2009).
- Cannard, C., Delorme, A. . An open-source EEGLAB plugin for computing entropy-based measures on MEEG signals. , (2022).
- 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).
- 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).
- Humeau-Heurtier, A. multiscale entropy approaches and their applications. Entropy. 22 (6), 644 (2020).
- Armañac-Julián, P., et al. Reliability of pulse photoplethysmography sensors: Coverage using different setups and body locations. Front Electron. 3, 906324 (2022).
- 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).
- 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).
- 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).
- 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).
.