JoVE Journal > Neuroscience
Summary
Abstract
Introduction
Protocol
Risultati
Discussion
Divulgazioni
Acknowledgements
Materials
Riferimenti
Traduzione automatica
Please note that all translations are automatically generated. Click here for the English version.
Neuroscienze

EEG 및 심혈관 신호를 공동으로 분석하기 위한 오픈 소스 EEGLAB 플러그인인 BrainBeats

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 도구 상자는 EEG 및 심혈관(ECG/PPG) 신호를 공동으로 분석하도록 설계된 오픈 소스 EEGLAB 플러그인입니다. 여기에는 HEP(Heartbeat-evoked Potentials) 평가, 기능 기반 분석 및 EEG 신호에서 심장 아티팩트 추출이 포함됩니다. 이 프로토콜은 두 개의 렌즈(HEP 및 기능)를 통해 뇌-심장 상호 작용을 연구하는 데 도움이 되어 재현성과 접근성을 향상시킵니다.

Abstract

뇌와 심혈관계 간의 상호 작용은 인체 생리학에 대한 이해를 높이고 건강 결과를 개선할 수 있는 잠재력으로 인해 점점 더 많은 주목을 받고 있습니다. 그러나 이러한 신호의 멀티모달 분석은 지침, 표준화된 신호 처리 및 통계 도구, 그래픽 사용자 인터페이스(GUI), 대규모 데이터 세트를 처리하거나 재현성을 높이기 위한 자동화의 부재로 인해 까다롭습니다. 표준화된 EEG 및 심박변이도(HRV) 특징 추출 방법에는 또 다른 공백이 존재하여 임상 진단 또는 기계 학습(ML) 모델의 견고성을 훼손합니다. 이러한 제한 사항에 대응하여 BrainBeats 도구 상자를 소개합니다. 오픈 소스 EEGLAB 플러그인으로 구현된 BrainBeats는 세 가지 주요 프로토콜을 통합합니다: 1) 밀리초 정확도로 시간 고정 뇌-심장 상호 작용을 평가하기 위한 심장 박동 유발 전위(HEP) 및 진동(HEO); 2) 다양한 뇌 및 심장 지표 간의 연관성/차이를 조사하거나 강력한 특징 기반 ML 모델을 구축하기 위한 EEG 및 HRV 특징 추출; 3) EEG 분석을 수행하는 동안 잠재적인 심혈관 오염을 제거하기 위해 EEG 신호에서 심장 아티팩트를 자동으로 추출합니다. 이 세 가지 방법을 동시 64채널 EEG, ECG 및 PPG 신호를 포함하는 오픈 소스 데이터 세트에 적용하기 위한 단계별 자습서를 제공합니다. 사용자는 그래픽 사용자 인터페이스(GUI) 또는 명령줄을 사용하여 고유한 연구 요구 사항에 맞게 매개변수를 쉽게 미세 조정할 수 있습니다. BrainBeats는 뇌와 심장의 상호 작용 연구에 더 쉽게 접근하고 재현할 수 있도록 해야 합니다.

Introduction

오랫동안 환원주의적 접근은 인간의 생리학과 인지에 대한 과학적 탐구를 지배해 왔다. 이 접근 방식에는 복잡한 신체 및 정신 과정을 더 작고 관리하기 쉬운 구성 요소로 해부하여 연구원들이 개별 시스템에 독립적으로 집중할 수 있도록 하는 것이 포함되었습니다. 이 전략은 인간의 몸과 마음의 복잡하고 상호 연결된 특성을 연구하는 데 어려움이 있었기 때문에 생겨났습니다 1. 환원주의는 신경2 또는 심장3 통신에 대한 이온 채널과 활동 전위의 역할을 설명하는 것과 같이 개별 하위 시스템을 고립되어 이해하는 데 중요한 역할을 했습니다. 그러나 이러한 고립된 시스템이 더 큰 공간적, 시간적 규모에서 어떻게 상호 작용하는지에 대한 우리의 이해에는 상당한 격차가 남아 있습니다. 다중(통합적 또는 생태적) 틀은 인체를 복잡한 다차원적 시스템으로 간주하며, 여기서 마음은 뇌의 산물이 아니라 생명체의 활동, 즉 인체의 일상 기능 내에서 뇌를 통합하는 활동으로 간주한다4. 멀티모달(multimodal)과 환원주의(reductionist) 접근법은 배타적이지 않은데, 이는 우리가 전체 뇌 없이 하나의 뉴런을 연구할 수 없고, 개별 뉴런의 특성을 이해하지 않고는 전체 뇌를 연구할 수 없는 것과 같다. 그들은 함께 인간의 건강, 병리학, 인지, 심리학 및 의식에 대한 보다 포괄적이고 시너지 효과를 내는 이해를 위한 길을 닦습니다. 본 방법은 뇌파검사(EEG)와 심혈관 신호, 즉 심전도(ECG) 및 광혈류측정법(PPG)의 공동 분석을 제공함으로써 뇌와 심장 사이의 상호 작용에 대한 다중 모드 연구를 용이하게 하는 것을 목표로 합니다. MATLAB에서 EEGLAB 플러그인으로 구현된 이 툴박스는 기존의 방법론적 한계를 해결하고 과학 분야의 접근성과 재현성을 용이하게 하기 위해 오픈 소스로 만들어졌습니다. 최신 지침과 권장 사항을 설계 및 기본 매개 변수에 구현하여 사용자가 알려진 모범 사례를 따르도록 권장합니다. 제안된 도구 상자는 1) 심장 박동 유발 전위 연구, 2) EEG 및 ECG/PPG 신호에서 특징 추출, 3) EEG 신호에서 심장 아티팩트 제거에 관심이 있는 연구자 및 임상의에게 귀중한 리소스가 될 것입니다.

심장-뇌 연구
심장과 뇌의 관계는 기능적 자기 공명 영상(fMRI) 및 양전자 방출 단층 촬영(PET)과 같은 신경 영상 방법을 통해 역사적으로 연구되어 왔습니다. 연구진은 이러한 도구를 사용하여 심혈관 조절과 관련된 일부 뇌 영역(예: 심박수및 혈압 조작5)을 강조하거나, 심박수가 BOLD 신호6에 미치는 영향을 보여주거나, 관상동맥 심장 질환(즉, 스트레스 유발 혈압7)에 기여할 수 있는 뇌-신체 경로를 식별했다). 이러한 연구는 중추신경계(CNS)와 심혈관 기능 간의 복잡한 상호 작용에 대한 이해를 크게 향상시켰지만, 이러한 신경 영상 기법은 비용이 많이 들고 가용성이 제한적이며 통제된 실험실 환경에 국한되어 있어 실제 및 대규모 응용 분야에 대한 실용성이 제한됩니다.

이와는 대조적으로, EEG 및 ECG/PPG는 더 다양한 환경과 인구 집단 또는 장기간에 걸쳐 뇌-심장 상호 작용을 연구할 수 있는 잠재력을 제공하여 새로운 기회를 제공하는 더 저렴하고 휴대 가능한 도구입니다. ECG는 심장이 수축하고 이완할 때 피부(일반적으로 가슴 또는 팔)에 배치된 전극을 통해 각 심장 박동에서 생성되는 전기 신호를 측정합니다8. PPG는 광원(예: LED)과 광검출기(일반적으로 손가락 끝, 손목 또는 이마에 배치)를 사용하여 미세혈관 조직의 혈액량 변화(즉, 혈류 및 맥박수)를 측정하며, 혈액이 주변 조직보다 더 많은 빛을 흡수하는 방식에 의존합니다9. 두 방법 모두 심혈관 기능에 대한 중요한 정보를 제공하지만 용도가 다르고 고유한 데이터 유형을 제공합니다. ECG와 마찬가지로 EEG는 세포외 기질, 조직, 두개골 및 두피를 통해 전파되는 수천 개의 대뇌 피질 뉴런의 동기화 된 활동에 의해 생성 된 전기장을 기록하여 두피 표면(10)에 배치 된 전극에 도달합니다. 따라서 EEG 및 ECG/PPG의 사용은 뇌-심장 상호 작용의 기저에 있는 생리적, 인지적, 정서적 과정과 인간의 건강과 웰빙에 미치는 영향에 대한 이해를 증진시키는 데 큰 가능성을 가지고 있습니다. 따라서 BrainBeats 도구 상자를 사용하여 EEG, ECG/PPG 신호에서 심장-뇌 상호 작용을 캡처하는 것은 임상 진단 및 예측, 빅 데이터 머신 러닝(ML), 실제 자가 모니터링11 및 모바일 뇌/신체 영상(MoBI)12,13과 같은 과학 분야에 특히 유용할 수 있습니다.

EEG 및 ECG 신호를 공동으로 분석하기 위한 두 가지 접근 방식
EEG와 심혈관 신호 간의 상호 작용을 연구하는 두 가지 주요 접근 방식이 있습니다.

시간 도메인: 이벤트 관련 전위(ERP)의 심장 박동 유발 전위(HEP) 및 시간-주파수 영역의 심장 박동 유발 발진(HEO): 이벤트 관련 스펙트럼 섭동(ERSP) 및 시험 간 일관성(ITC). 이 접근법은 뇌가 각 심장 박동을 어떻게 처리하는지 조사합니다. 밀리초(ms) 정확도로 이 방법을 사용하려면 두 시계열이 완벽하게 동기화되고 심장 박동이 EEG 신호에 표시되어야 합니다. 이 접근법은 최근 몇 년 동안 관심을 끌었습니다 14,15,16,17,18,19.

특징 기반 접근법: 이 접근법은 연속 신호에서 EEG 및 심박 변이도(HRV) 특징을 추출하고 이들 간의 연관성을 검사합니다. 이것은 EEG (종종 정량적 EEG 또는 qEEG20라고 불림), ECG 21,22,23 및 PPG 24,25,26에 대해 독립적으로 수행되었습니다. 이 접근 방식은 상태 및 특성 관련 변수를 모두 캡처하여 유망한 응용 프로그램을 제시합니다. EEG 및 심혈관 신호 모두에 대해 기록이 길수록 특성 변수 27,28,29가 더 우세합니다. 따라서 응용 프로그램은 기록 매개변수에 따라 달라집니다. 특징 기반 분석은 정신 및 신경 장애, 치료 반응 또는 재발을 예측하기 위한 새로운 정량적 지표를 제공하여 점점 더 많은 관심을 받고 있습니다 30,31,32,33,34,35. 이 접근법은 대규모 실제 데이터 세트(예: 클리닉, 원격 모니터링)에서 특히 매력적이며, 이는 웨어러블 신경 기술11의 최근 혁신 덕분에 더 쉽게 얻을 수 있습니다. 덜 탐구된 응용 분야는 특정 뇌와 심장 기능 간의 연관성을 식별하여 중추 신경계 역학의 기저에 있는 잠재력을 강조하는 것입니다. 심박 변이도(HRV)는 ECG 및 PPG 신호 모두에서 계산할 수 있습니다. 자율 신경계(ANS)에 대한 정보를 제공하여 심장 박동 사이의 시간 간격(즉, 정상에서 정상까지의 간격)의 변화를 측정합니다27. 교감신경(SNS) 활동이 증가하면(예: 스트레스 또는 운동 중) 일반적으로 HRV가 감소하는 반면, 부교감신경(PNS) 활동(예: 이완 중)은 HRV를 증가시킵니다. 느린 호흡 속도는 일반적으로 PNS 활동이 증가하여 HRV를 증가시키며, 특히 짧은 녹음(<10분)의 경우 더욱 그렇습니다27. HRV 점수가 높을수록 일반적으로 더 탄력적이고 적응력이 뛰어난 ANS를 나타내는 반면, HRV가 낮으면 스트레스, 피로 또는 근본적인 건강 문제를 나타낼 수 있습니다. 장시간 HRV 기록(즉, 최소 24시간)은 심혈관 질환, 스트레스, 불안 및 일부 신경학적 상태를 포함한 다양한 건강 상태에 대한 예측 예후를 제공한다27. 혈압, 심박수 또는 콜레스테롤 수치와 같은 측정은 심혈관계의 상태에 대한 정보를 제공합니다. 이와는 대조적으로, HRV는 심장이 스트레스에 어떻게 반응하고 스트레스로부터 회복되는지를 보여주는 역동적인 측면을 추가합니다.

기존 방법에 비해 BrainBeats의 장점
아래에서 검토한 바와 같이 심혈관 및 EEG 신호를 서로 독립적으로 처리할 수 있는 도구가 존재하지만 공동으로 분석할 수는 없습니다. 더욱이, 심혈관 신호를 처리하는 데 사용 가능한 대부분의 수단은 비용이 많이 드는 라이선스를 필요로 하거나, 자동화된 처리를 허용하지 않거나(특히 대규모 데이터 세트에 유용함), 투명성과 재현성을 방해하는 독점 알고리즘을 가지고 있거나, 그래픽 사용자 인터페이스(GUI)를 제공하지 않음으로써 고급 프로그래밍 기술을 필요로 합니다36. 우리가 아는 한, GUI를 통한 HEP/HEO 분석을 지원하는 4개의 오픈 소스 MATLAB 툴박스, 즉 ecg-kit 툴박스(37), BeMoBIL 파이프라인(38), HEPLAB EEGLAB 플러그인(39), CARE-rCortex 툴박스(40)가 있습니다. HEPLAB, BeMoBI 및 ecg-kit는 심장 박동을 감지하고 EEG 신호에 표시하여 HEP 분석을 용이하게 하지만 통계 분석을 제공하지 않거나 시간 영역(즉, HEP)으로 제한됩니다. CARE-rCortex 플러그인은 ECG 및 호흡 신호, 시간-주파수 영역 분석, 통계, HEP/HEO 분석에 적합한 고급 기준선 정규화 및 보정 방법을 지원하여 이러한 문제를 해결했습니다. 그러나 유형 1 오류(즉, 거짓 양성)의 통계적 보정을 위해 Bonferroni 방법을 사용하며, 이는 EEG 응용 프로그램에 대해 너무 보수적이고 생리학적으로 건전하지 않아 유형 II 오류(즉, 거짓 음성)의 증가로 이어집니다41. 또한 이 툴박스는 자동화를 위한 명령줄 액세스를 제공하지 않습니다. 마지막으로, 최근 연구에서는 기준선 보정 방법 42,43,44를 권장하는데, 이는 신호 대 잡음비(SNR)를 줄이고 통계적으로 불필요하고 바람직하지 않기 때문입니다.

이러한 제한 사항을 해결하기 위해 현재 MATLAB 환경에서 오픈 소스 EEGLAB 플러그인으로 구현된 BrainBeats 툴박스를 소개합니다. 이전 방법에 비해 다음과 같은 장점이 있습니다.

1) 사용하기 쉬운 GUI 및 명령줄 기능(자동화된 처리를 수행하려는 프로그래머용). 2) R 피크 감지, RR 아티팩트 보간, HRV 메트릭 계산과 같은 심혈관 신호 처리를 위한 검증된 알고리즘, 매개변수 및 지침(예: 윈도우잉, 재샘플링, 정규화 등에 대한 임플란트 지침)27,45,46). 이는 Vest 등이 이러한 처리 단계에서 미미한 차이가 어떻게 다른 결과로 이어질 수 있는지를 보여주었기 때문에 HRV 지표의 재현성 및 임상적 적용 가능성의 부족에 기여하기 때문이다46. 3) 필터링 및 윈도잉 44,47, 재참조 48,49, 비정상 채널 및 아티팩트 제거(50,51,52), 최적화된 ICA 분해 및 독립 구성 요소 분류 53,54,55,56을 포함한 EEG 신호 처리를 위한 검증된 알고리즘, 기본 매개변수 및 지침. 사용자는 툴박스를 사용하여 필요에 맞게 툴박스를 사용하기 전에 모든 전처리 매개변수를 미세 조정하거나 선호하는 방법으로 EEG 데이터를 전처리할 수도 있습니다(예: EEGLAB clean_rawdata 플러그인50,52, BeMoBIL 파이프라인(38), PREP 파이프라인(57 등) ). 4) ECG 신호의 심장 박동 유발 전위(HEP, 즉 시간 영역) 및 진동(HEO, 웨이블릿 또는 FFT 방법을 사용한 이벤트 관련 스펙트럼 섭동, 시험 간 일관성은 표준 EEGLAB 소프트웨어를 통해 사용 가능). 유형 1 오류에 대한 수정 사항이 있는 파라메트릭 및 비파라메트릭 통계는 EEGLAB의 표준 소프트웨어를 통해 사용할 수 있습니다. 비모수 통계에는 다중 비교를 위한 순열 통계 및 시공간 보정(예: 시공간 군집화 또는 임계값 없는 군집 향상)이 포함됩니다(예: 시공간 군집화 또는 임계값 없는 군집 향상)58,59. 사용자는 LIMO-EEG 플러그인을 사용하여 계층적 선형 모델링을 구현할 수 있으며, 이는 내부 및 피험자 간 분산을 잘 설명하고 유형 I 및 II 오류60,61에 대한 강력한 제어를 통해 가정없는 질량 단변량 접근 방식을 구현합니다. HEP/HEO 데이터 통계 분석은 채널 및 독립 구성 요소 도메인에서 수행할 수 있습니다. 5) PPG 신호에서 HEP/HEO 및 HRV 분석(HEP/HEO에 대한 최초). 6) 최초로 EEG 및 HRV 특징의 공동 추출을 지원합니다. 7) 이 툴박스는 필요한 다양한 처리 단계에서 신호를 검사하고 주제 수준에서 출력을 검사할 수 있는 다양한 데이터 시각화를 제공합니다.

메서드 ECG에서 R-피크 검출 PPG에서 R파를 감지합니다 HEP/HEO (헅/HEO) EEG & HRV 특징 EEG에서 심장 아티팩트 제거 GUI (그래픽 인터페이스) 명령줄
ECG 키트 X X X X
비모빌 X X X
헵랩 X X X X
케어-r코텍스 X X X X
브레인비트 X X X X X X X

표 1: 기존의 유사한 방법과 관련하여 BrainBeats가 가져온 참신함.

독자가 이 방법이 자신에게 적합한지 판단하는 데 도움이 되는 정보
이 툴박스는 EEG 및 ECG/PPG 데이터가 있는 모든 연구자 또는 임상의에게 적합합니다. 플러그인은 아직 별도의 파일에서 EEG 및 ECG/PPG 신호 가져오기를 지원하지 않습니다(이 기능은 곧 사용할 수 있음). 이 툴박스는 HEP/HEO 분석을 수행하거나, 표준화된 방법으로 EEG 및/또는 HRV 특징을 추출하거나, 단순히 EEG 신호에서 심장 인공물을 제거하려는 모든 사람에게 적합합니다. BrainBeats의 전반적인 흐름과 방법을 요약한 블록 다이어그램은 그림 1 을 참조하십시오.

Figure 1
그림 1. BrainBeats의 전체 아키텍처와 흐름을 요약한 블록 다이어그램. 세 가지 방법에서 공통적인 작업은 갈색입니다. HEP(Heartbeat-evoked Potentials) 및 HEO(Oscillations)와 관련된 작동은 녹색입니다. EEG 및 HRV 특징 추출과 관련된 작업은 파란색입니다. EEG 신호에서 심장 인공물을 제거하는 것과 관련된 작업은 빨간색입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Protocol

각 참가자로부터 정보에 입각한 동의를 얻었고, 우랄 연방 대학 윤리 위원회는 실험 프로토콜을 승인했습니다. 1. BrainBeats 요구 사항 컴퓨터에 MATLAB과 EEGLAB을 설치합니다. EEGLAB은 https://github.com/sccn/eeglab 에서 다운로드할 수 있으며 컴퓨터의 어느 곳에서나 압축을 풀거나 Git 사용자를 위해 복제할 수 있습니다. 설치에 대한 자세한 ?…

Representative Results

먼저 BrainBeats 플러그인을 사용하여 EEG 및 ECG 데이터를 사전 처리하고, 아티팩트를 식별 및 제거하고, 심장 박동 유발 전위(HEP) 및 진동(HEO)을 분석했습니다. BrainBeats는 ECG 신호와 일부 RR 아티팩트에서 RR 간격을 성공적으로 감지했습니다(그림 2). BrainBeats는 또한 명령 창에서 하트비트의 11/305(3.61%)가 아티팩트로 플래그가 지정되고 보간되었다고 보고?…

Discussion

프로토콜의 중요한 단계
중요한 단계는 1.1-1.4단계에 설명되어 있습니다. 경고 및 오류 메시지는 사용자가 문제가 발생할 수 있는 이유(예: EEG 데이터에 로드되지 않은 전극 위치, 초저주파 HRV의 신뢰할 수 있는 측정값을 계산하기에 너무 짧은 파일 길이, 신뢰할 수 있는 분석을 위한 신호 품질이 너무 낮음 등)를 이해하는 데 도움이 되도록 툴박스의 다양한 …

Divulgazioni

The authors have nothing to disclose.

Acknowledgements

노에틱 과학 연구소(Institute of Noetic Sciences)가 이 연구를 지원했습니다. BrainBeats의 알고리즘 중 일부를 개발하기 위해 조정된 원본 오픈 소스 알고리즘의 개발자에게 감사드립니다.

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

Riferimenti

  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
This article has been published
Video Coming Soon
Keep me updated:

.

PDF
DOI
DOWNLOAD MATERIALS LIST
Citazione di questo articolo
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).
Scarica citazione
Ristampe e autorizzazioni

View Video

✖

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

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image