BrainBeats como plugin de EEGLAB de código abierto para analizar conjuntamente señales EEG y cardiovasculares

Durante mucho tiempo, el enfoque reduccionista ha dominado la investigación científica en fisiología y cognición humanas. Este enfoque implicó diseccionar procesos corporales y mentales complejos en componentes más pequeños y manejables, lo que permitió a los investigadores centrarse en sistemas individuales de forma aislada. Esta estrategia surgió debido a los desafíos en el estudio de la naturaleza intrincada e interconectada del cuerpo y la mente humanos¹. El reduccionismo ha sido fundamental para comprender los subsistemas individuales de forma aislada, como dilucidar el papel de los canales iónicos y los potenciales de acción para la comunicación neuronal² o cardíaca³ . Sin embargo, sigue habiendo una brecha significativa en nuestra comprensión de cómo interactúan estos sistemas aislados en una escala espacial y temporal más amplia. El marco multimodal (integrador o ecológico) considera al cuerpo humano como un sistema multidimensional complejo, donde la mente no es vista como un producto del cerebro sino como una actividad del ser vivo, una actividad que integra el cerebro dentro de las funciones cotidianas del cuerpo humano⁴. Los enfoques multimodal y reduccionista no son excluyentes, al igual que no podemos estudiar una neurona sin todo el cerebro o todo el cerebro sin comprender las propiedades individuales de las neuronas. Juntos, allanan el camino para una comprensión más completa y sinérgica de la salud, la patología, la cognición, la psicología y la conciencia humanas. El presente método tiene como objetivo facilitar la investigación multimodal de la interacción entre el cerebro y el corazón al proporcionar análisis conjuntos de electroencefalografía (EEG) y señales cardiovasculares, a saber, electrocardiografía (ECG) y fotopletismografía (PPG). Esta caja de herramientas, implementada como un complemento de EEGLAB en MATLAB, aborda las limitaciones metodológicas existentes y se ha hecho de código abierto para facilitar la accesibilidad y la reproducibilidad en el área científica. Implementa las últimas directrices y recomendaciones en su diseño y parámetros predeterminados para animar a los usuarios a seguir las mejores prácticas conocidas. La caja de herramientas propuesta debería ser un recurso valioso para los investigadores y médicos interesados en 1) estudiar los potenciales evocados por los latidos del corazón, 2) extraer características de las señales de EEG y ECG/PPG, o 3) eliminar los artefactos cardíacos de las señales de EEG.

Investigación corazón-cerebro
La relación entre el corazón y el cerebro se ha estudiado históricamente a través de métodos de neuroimagen como la resonancia magnética funcional (fMRI) y la tomografía por emisión de positrones (PET). Utilizando estas herramientas, los investigadores destacaron algunas regiones del cerebro asociadas con el control cardiovascular (por ejemplo, la manipulación de la frecuencia cardíaca y la presión arterial⁵), mostraron la influencia de la frecuencia cardíaca en la señal BOLD⁶ o identificaron posibles vías cerebro-cuerpo que contribuyen a la enfermedad coronaria (es decir, la presión arterial provocada por el estrés⁷). Si bien estos estudios han avanzado significativamente nuestra comprensión de la compleja interacción entre el sistema nervioso central (SNC) y la función cardiovascular, estas técnicas de neuroimagen son costosas, tienen una disponibilidad limitada y se limitan a entornos de laboratorio controlados, lo que restringe su practicidad para aplicaciones en el mundo real y a gran escala.

Por el contrario, el EEG y el ECG/PPG son herramientas más asequibles y portátiles que ofrecen el potencial de estudiar las interacciones cerebro-corazón en entornos y poblaciones más diversas o durante períodos más largos, lo que brinda nuevas oportunidades. El ECG mide las señales eléctricas generadas por cada latido del corazón cuando el corazón se contrae y se relaja a través de electrodos colocados en la piel (generalmente en el pecho o los brazos)⁸. La PPG mide los cambios en el volumen sanguíneo en los tejidos microvasculares (es decir, el flujo sanguíneo y la frecuencia del pulso) utilizando una fuente de luz (por ejemplo, LED) y un fotodetector (comúnmente colocado en la punta del dedo, la muñeca o la frente), dependiendo de cómo la sangre absorbe más luz que el tejido circundante⁹. Ambos métodos proporcionan información valiosa sobre la función cardiovascular, pero sirven para diferentes propósitos y ofrecen distintos tipos de datos. Al igual que el ECG, el EEG registra los campos eléctricos generados por la actividad sincronizada de miles de neuronas corticales que se propagan a través de la matriz extracelular, los tejidos, el cráneo y el cuero cabelludo hasta llegar a los electrodos colocados en^{la superficie del} cuero cabelludo. Como tal, el uso de EEG y ECG/PPG es muy prometedor para avanzar en nuestra comprensión de los procesos fisiológicos, cognitivos y emocionales que subyacen a las interacciones cerebro-corazón y sus implicaciones para la salud y el bienestar humanos. Por lo tanto, la captura de la interacción corazón-cerebro de las señales de EEG, ECG/PPG con la caja de herramientas BrainBeats puede ser particularmente útil para las siguientes áreas científicas: diagnóstico y pronóstico clínico, aprendizaje automático (ML) de big data, autocontrol del mundo real¹¹ e imágenes móviles de cerebro/cuerpo (MoBI)^12,13.

Dos enfoques para analizar conjuntamente las señales de EEG y ECG
Existen dos enfoques principales para estudiar las interacciones entre el EEG y las señales cardiovasculares:

Los potenciales evocados por latidos cardíacos (HEP) en el dominio del tiempo: potenciales relacionados con eventos (ERP), y las oscilaciones evocadas por latidos cardíacos (HEO) en el dominio tiempo-frecuencia: perturbaciones espectrales relacionadas con eventos (ERSP) y coherencia entre ensayos (ITC). Este enfoque examina cómo el cerebro procesa cada latido del corazón. Con una precisión de milisegundos (ms), este método requiere que ambas series temporales estén perfectamente sincronizadas y que los latidos del corazón se marquen en las señales de EEG. Este enfoque ha ganado interés en los últimos años 14,15,16,17,18,19.

Enfoque basado en características: este enfoque extrae las características del EEG y la variabilidad de la frecuencia cardíaca (VFC) de las señales continuas y examina las asociaciones entre ellas. Esto se ha hecho de forma independiente para el EEG (a menudo denominado EEG cuantitativo o qEEG²⁰), ECG 21,22,23 y PPG 24,25,26. Este enfoque presenta aplicaciones prometedoras al capturar variables relacionadas con el estado y los rasgos. Obsérvese que, tanto para el EEG como para las señales cardiovasculares, cuanto más largo es el registro, más dominante es la variable rasgo 27,28,29. Por lo tanto, las aplicaciones dependen de los parámetros de grabación. Los análisis basados en características están ganando cada vez más interés, proporcionando nuevas métricas cuantitativas para pronosticar el desarrollo de trastornos mentales y neurológicos, tratamiento-respuesta o recaída 30,31,32,33,34,35. Este enfoque es especialmente convincente con grandes conjuntos de datos del mundo real (por ejemplo, clínica, monitoreo remoto), que se pueden obtener más fácilmente gracias a las recientes innovaciones en neurotecnología portátil¹¹. Una aplicación menos explorada es la identificación de asociaciones entre características específicas del cerebro y el corazón, lo que pone de relieve las posibles dinámicas subyacentes del sistema nervioso central. La variabilidad de la frecuencia cardíaca (VFC) se puede calcular a partir de señales de ECG y PPG. Proporciona información sobre el sistema nervioso autónomo (SNA) midiendo las variaciones en los intervalos de tiempo entre los latidos del corazón (es decir, los intervalos entre normales y normales)²⁷. El aumento de la actividad simpática (SNS) (p. ej., durante el estrés o el ejercicio) generalmente reduce la VFC, mientras que la actividad parasimpática (SNP) (p. ej., durante la relajación) la aumenta. Una frecuencia respiratoria más lenta generalmente aumenta la VFC debido a una mayor actividad del SNP, especialmente para registros cortos (<10 min)²⁷. Las puntuaciones más altas de VFC generalmente sugieren un SNA más resistente y adaptable, mientras que una VFC más baja puede indicar estrés, fatiga o problemas de salud subyacentes. Los registros largos de VFC (es decir, al menos 24 h) proporcionan un pronóstico predictivo para diversas condiciones de salud, incluidas las enfermedades cardiovasculares, el estrés, la ansiedad y algunas afecciones neurológicas²⁷. Medidas como la presión arterial, la frecuencia cardíaca o los niveles de colesterol proporcionan información sobre el estado del sistema cardiovascular. Por el contrario, la VFC añade un aspecto dinámico, mostrando cómo el corazón responde y se recupera del estrés.

Ventajas de BrainBeats sobre los métodos existentes
Si bien existen herramientas, como se revisa a continuación, para procesar las señales cardiovasculares y EEG de forma independiente entre sí, no se pueden analizar conjuntamente. Además, la mayoría de los medios disponibles para procesar señales cardiovasculares implican licencias costosas, no permiten el procesamiento automatizado (especialmente beneficioso para grandes conjuntos de datos), tienen algoritmos propietarios que impiden la transparencia y la reproducibilidad, o requieren habilidades de programación avanzadas al no proporcionar una interfaz gráfica de usuario (GUI)³⁶. Hasta donde sabemos, cuatro toolboxes de MATLAB de código abierto soportan el análisis HEP/HEO con una GUI: la caja de herramientas del kit de ecg³⁷, la pipeline BeMoBIL³⁸, el plugin HEPLAB EEGLAB³⁹ y la caja de herramientas CARE-rCortex⁴⁰. Si bien HEPLAB, BeMoBIL y el kit de ECG facilitan el análisis de HEP al detectar los latidos del corazón y marcarlos en las señales de EEG, no proporcionan análisis estadístico o se limitan al dominio del tiempo (es decir, HEP). El complemento CARE-rCortex abordó estos problemas al admitir señales respiratorias y de ECG, análisis en el dominio del tiempo-frecuencia, estadísticas y métodos avanzados de normalización y corrección de línea de base adaptados al análisis HEP/HEO. Sin embargo, utiliza el método de Bonferroni para la corrección estadística del error de tipo 1 (es decir, falsos positivos), que es demasiado conservador y no fisiológicamente sólido para las aplicaciones de EEG, lo que conduce a un aumento de los errores de tipo II (es decir, falsos negativos)⁴¹. Además, la toolbox no ofrece acceso a la línea de comandos para la automatización. Por último, estudios recientes desaconsejan los métodos de corrección basal 42,43,44, ya que reducen la relación señal-ruido (SNR) y son estadísticamente innecesarios e indeseables.

Para abordar estas limitaciones, presentamos la caja de herramientas BrainBeats, actualmente implementada como un complemento de EEGLAB de código abierto en el entorno de MATLAB. Incorpora las siguientes ventajas respecto a los métodos anteriores:

1) Una interfaz gráfica de usuario fácil de usar y capacidades de línea de comandos (para programadores que buscan realizar un procesamiento automatizado). 2) Algoritmos, parámetros y directrices validados para el procesamiento de señales cardiovasculares, como la detección de picos R, la interpolación de artefactos RR y el cálculo de métricas de VFC (p. ej., implantación de directrices para ventanas, remuestreo, normalización, etc.27,45,46). Esto es importante porque Vest et al. demostraron cómo diferencias modestas en estos pasos de procesamiento pueden conducir a resultados divergentes, lo que contribuye a la falta de reproducibilidad y aplicabilidad clínica de las métricas de VFC⁴⁶. 3) Algoritmos validados, parámetros predeterminados y pautas para el procesamiento de señales de EEG, incluido el filtrado y la creación de ventanas^44,47, la rereferenciación^48,49, la eliminación de canales y artefactos anormales^50,51,52, la descomposición ICA optimizada y la clasificación de componentes independientes^53,54,55,56. Los usuarios pueden ajustar todos los parámetros de preprocesamiento o incluso preprocesar sus datos de EEG con su método preferido antes de utilizar la caja de herramientas para satisfacer sus necesidades (por ejemplo, con el complemento clean_rawdata EEGLAB^50,52, la tubería BeMoBIL³⁸, la tubería PREP⁵⁷, etc.). 4) Los potenciales evocados por los latidos del corazón (HEP, es decir, el dominio del tiempo) y las oscilaciones (HEO; perturbaciones espectrales relacionadas con eventos con métodos wavelet o FFT, y coherencia entre ensayos están disponibles a través del software estándar EEGLAB) a partir de señales de ECG. Las estadísticas paramétricas y no paramétricas con correcciones para errores de tipo 1 están disponibles a través del software estándar de EEGLAB. Los estadísticos no paramétricos incluyen estadísticos de permutación y correcciones espacio-temporales para comparaciones múltiples (p. ej., agrupamiento espacio-temporal o mejora de conglomerados sin umbral)^58,59. Los usuarios pueden utilizar el complemento LIMO-EEG para implementar un modelado lineal jerárquico, que tiene en cuenta bien la varianza dentro y entre sujetos e implementa un enfoque univariado de masa libre de suposiciones con un control robusto de los errores de tipo I y II^60,61. Los análisis estadísticos de datos HEP/HEO se pueden realizar en los dominios de canal y componentes independientes. 5) Análisis HEP/HEO y HRV a partir de señales PPG (por primera vez para HEP/HEO). 6) Admite la extracción conjunta de las características de EEG y HRV por primera vez. 7) La caja de herramientas proporciona varias visualizaciones de datos para inspeccionar señales en varios pasos de procesamiento necesarios y salidas a nivel de sujeto.

TABLA 1: Novedades aportadas por BrainBeats en relación con métodos similares preexistentes.

Información para ayudar a los lectores a decidir si el método es apropiado para ellos
Esta caja de herramientas es apropiada para cualquier investigador o clínico con datos de EEG y ECG/PPG. El plugin aún no admite la importación de señales de EEG y ECG/PPG desde archivos separados (aunque esta función estará disponible pronto). La caja de herramientas es apropiada para cualquier persona que desee realizar análisis HEP/HEO, extraer características de EEG y/o HRV con métodos estandarizados, o simplemente eliminar artefactos cardíacos de las señales de EEG. Consulte la Figura 1 para ver un diagrama de bloques que resume el flujo general y los métodos de BrainBeats.

FIGURA 1. Diagrama de bloques que resume la arquitectura y el flujo general de BrainBeats. Las operaciones que son comunes a los tres métodos son marrones. Las operaciones específicas de los potenciales evocados por latidos cardíacos (HEP) y las oscilaciones (HEO) son verdes. Las operaciones específicas de la extracción de las características del EEG y la VFC son azules. Las operaciones específicas para eliminar artefactos cardíacos de las señales de EEG son rojas. Haga clic aquí para ver una versión más grande de esta figura.