BrainBeats как плагин EEGLAB с открытым исходным кодом для совместного анализа сигналов ЭЭГ и сердечно-сосудистой системы

В течение долгого времени редукционистский подход доминировал в научных исследованиях в области физиологии и познания человека. Этот подход включал в себя препарирование сложных телесных и психических процессов на более мелкие, более управляемые компоненты, что позволило исследователям сосредоточиться на отдельных системах в отдельности. Эта стратегия возникла из-за трудностей в изучении сложной и взаимосвязанной природы человеческого тела и разума¹. Редукционизм сыграл важную роль в понимании отдельных подсистем по отдельности, например, в выяснении роли ионных каналов и потенциалов действия^{для нейронной} коммуникации² или сердечной 3. Тем не менее, остается значительный пробел в нашем понимании того, как эти изолированные системы взаимодействуют в более широком пространственном и временном масштабе. Мультимодальная (интегративная или экологическая) структура рассматривает человеческое тело как сложную многомерную систему, в которой разум рассматривается не как продукт мозга, а как деятельность живого существа, деятельность, которая интегрирует мозг в повседневные функции^{человеческого тела.} Мультимодальный и редукционистский подходы не являются исключительными, точно так же, как мы не можем изучать один нейрон без всего мозга или весь мозг без понимания свойств отдельных нейронов. Вместе они прокладывают путь к более всестороннему, синергетическому пониманию человеческого здоровья, патологии, познания, психологии и сознания. Настоящий метод направлен на облегчение мультимодального исследования взаимодействия между мозгом и сердцем путем обеспечения совместного анализа электроэнцефалографии (ЭЭГ) и сердечно-сосудистых сигналов, а именно электрокардиографии (ЭКГ) и фотоплетизмографии (ФПГ). Этот инструментарий, реализованный в виде плагина EEGLAB в MATLAB, устраняет существующие методологические ограничения и сделан открытым исходным кодом для обеспечения доступности и воспроизводимости в научной области. Он внедряет последние руководства и рекомендации в свой дизайн и параметры по умолчанию, чтобы побудить пользователей следовать известным передовым практикам. Предлагаемый инструментарий должен стать ценным ресурсом для исследователей и клиницистов, заинтересованных в 1) изучении вызванных сердцебиением потенциалов, 2) извлечении особенностей из сигналов ЭЭГ и ЭКГ/ФПГ или 3) удалении сердечных артефактов из сигналов ЭЭГ.

Исследования сердца и мозга
Взаимосвязь между сердцем и мозгом исторически изучалась с помощью методов нейровизуализации, таких как функциональная магнитно-резонансная томография (фМРТ) и позитронно-эмиссионная томография (ПЭТ). Используя эти инструменты, исследователи выделили некоторые области мозга, связанные с контролем сердечно-сосудистой системы (например, управление частотой сердечных сокращений и артериальным давлением^), показали влияние частоты сердечных сокращений на сигнал BOLD⁶ или определили потенциальные пути мозг-тело, способствующие ишемической болезни сердца (т.е. артериальное давление, вызванное^{стрессом7}). Несмотря на то, что эти исследования значительно продвинули наше понимание сложного взаимодействия между центральной нервной системой (ЦНС) и сердечно-сосудистой функцией, эти методы нейровизуализации дороги, имеют ограниченную доступность и ограничены контролируемыми лабораторными условиями, что ограничивает их практичность для реальных и крупномасштабных приложений.

Напротив, ЭЭГ и ЭКГ/ФПГ являются более доступными и портативными инструментами, которые предлагают потенциал для изучения взаимодействий мозга и сердца в более разнообразных условиях и популяциях или в течение более длительных периодов времени, предоставляя новые возможности. ЭКГ измеряет электрические сигналы, генерируемые каждым ударом сердца, когда сердце сокращается и расслабляется с помощью электродов, размещенных на коже (обычно на груди или руках)⁸. PPG измеряет изменения объема крови в микрососудистых тканях (т.е. кровоток и частоту пульса) с помощью источника света (например, светодиода) и фотодетектора (обычно размещаемого на кончике пальца, запястья или лбу), полагаясь на то, как кровь поглощает больше света, чем окружающие^ткани. Оба метода предоставляют ценную информацию о сердечно-сосудистой функции, но служат разным целям и предлагают разные типы данных. Как и ЭКГ, ЭЭГ записывает электрические поля, генерируемые синхронизированной активностью тысяч корковых нейронов, которые распространяются через внеклеточный матрикс, ткани, череп и кожу головы, пока не достигнут электродов, размещенных^{на поверхности кожи} головы. Таким образом, использование ЭЭГ и ЭКГ/ФПГ имеет большие перспективы для улучшения нашего понимания физиологических, когнитивных и эмоциональных процессов, лежащих в основе взаимодействия мозга и сердца, и их последствий для здоровья и благополучия человека. Таким образом, захват взаимодействия сердца и мозга из сигналов ЭЭГ, ЭКГ/ППГ с помощью инструментария BrainBeats может быть особенно полезен в следующих научных областях: клиническая диагностика и прогнозирование, машинное обучение больших данных (ML), самоконтроль в реальном^мире11 и мобильная визуализация мозга/тела (MoBI)^12,13.

Два подхода к совместному анализу сигналов ЭЭГ и ЭКГ
Существует два основных подхода к изучению взаимодействия между ЭЭГ и сердечно-сосудистыми сигналами:

Вызванные сердцебиением потенциалы (HEP) во временной области: потенциалы, связанные с событиями (ERP), и вызванные сердцебиением осцилляции (HEO) во временной частотной области: спектральные возмущения, связанные с событиями (ERSP) и межсудебная когерентность (ITC). Этот подход изучает, как мозг обрабатывает каждое сердцебиение. С точностью до миллисекунды (мс) этот метод требует, чтобы оба временных ряда были идеально синхронизированы, а сердцебиения были отмечены в сигналах ЭЭГ. Этот подход вызвал интерес в последние годы 14,15,16,17,18,19.

Подход, основанный на функциях: этот подход извлекает особенности ЭЭГ и вариабельности сердечного ритма (ВСР) из непрерывных сигналов и изучает связи между ними. Это было сделано независимо для ЭЭГ (часто называемой количественной ЭЭГ или кЭЭГ²⁰), ЭКГ 21,22,23 и ППГ 24,25,26. Этот подход представляет собой многообещающие приложения, захватывая переменные, связанные как с состоянием, так и с типажем. Обратите внимание, что как для ЭЭГ, так и для сердечно-сосудистых сигналов, чем длиннее запись, тем более доминирующей является переменная черт 27,28,29. Таким образом, приложения зависят от параметров записи. Анализ, основанный на признаках, вызывает все больший интерес, предоставляя новые количественные метрики для прогнозирования развития психических и неврологических расстройств, реакции на лечение или рецидива 30,31,32,33,34,35. Этот подход особенно привлекателен для больших и реальных наборов данных (например, клиника, удаленный мониторинг), которые могут быть более легко получены благодаря последним инновациям в носимых^{нейротехнологиях.} Менее изученным применением является выявление связей между конкретными особенностями мозга и сердца, что подчеркивает потенциал, лежащий в основе динамики центральной нервной системы. Вариабельность сердечного ритма (ВСР) может быть рассчитана по сигналам ЭКГ и ФПГ. Он предоставляет информацию об автономной нервной системе (ВНС) путем измерения вариаций временных интервалов между сердечными сокращениями (т.е. интервалов от нормы к норме)²⁷. Повышенная симпатическая активность (например, во время стресса или физических упражнений) обычно снижает ВСР, в то время как парасимпатическая активность (ПНС) (например, во время релаксации) увеличивает ее. Более медленная частота дыхания обычно увеличивает ВСР из-за повышенной активности ПНС, особенно при коротких записях (<10 минут)²⁷. Более высокие показатели ВСР, как правило, указывают на более устойчивую и адаптируемую ВНС, в то время как более низкая ВСР может указывать на стресс, усталость или основные проблемы со здоровьем. Длительные записи ВСР (т.е. не менее 24 часов) обеспечивают прогностический прогноз для различных состояний здоровья, включая сердечно-сосудистые заболевания, стресс, тревогу и некоторые неврологические^{состояния.} Такие показатели, как артериальное давление, частота сердечных сокращений или уровень холестерина, дают информацию о состоянии сердечно-сосудистой системы. Напротив, ВСР добавляет динамический аспект, показывая, как сердце реагирует на стресс и восстанавливается после него.

Преимущества BrainBeats перед существующими методами
Несмотря на то, что существуют инструменты, рассмотренные ниже, для обработки сердечно-сосудистых и ЭЭГ-сигналов независимо друг от друга, они не могут быть совместно проанализированы. Кроме того, большинство доступных средств обработки сердечно-сосудистых сигналов требуют дорогостоящего лицензирования, не позволяют автоматизировать обработку (что особенно выгодно для больших наборов данных), имеют собственные алгоритмы, препятствующие прозрачности и воспроизводимости, или требуют продвинутых навыков программирования, не предоставляя графического пользовательского интерфейса (GUI)³⁶. Насколько нам известно, четыре набора инструментов MATLAB с открытым исходным кодом поддерживают анализ HEP/HEO с графическим интерфейсом пользователя: набор инструментов^{ECG-kit 37}, конвейер BeMoBIL³⁸, плагин HEPLAB EEGLAB³⁹ и набор инструментов CARE-rCortex⁴⁰. Несмотря на то, что HEPLAB, BeMoBIL и набор для ЭКГ облегчают анализ HEP, обнаруживая сердцебиение и отмечая его в сигналах ЭЭГ, они не обеспечивают статистический анализ или ограничены временной областью (т.е. HEP). Плагин CARE-rCortex решает эти проблемы за счет поддержки ЭКГ и дыхательных сигналов, анализа во временной и частотной области, статистики и передовых методов нормализации и коррекции исходного уровня, адаптированных к анализу HEP/HEO. Тем не менее, он использует метод Бонферрони для статистической коррекции ошибки 1-го типа (т.е. ложноположительных), которая является слишком консервативной и физиологически не обоснованной для приложений ЭЭГ, что приводит к увеличению ошибок II типа (т.е. ложноотрицательных результатов)⁴¹. Кроме того, набор инструментов не предлагает доступ к командной строке для автоматизации. Наконец, недавние исследования не рекомендуют использовать методы коррекции^{исходного уровня} 42,43,44, так как они снижают отношение сигнал/шум (SNR) и являются статистически ненужными и нежелательными.

Чтобы обойти эти ограничения, мы представляем набор инструментов BrainBeats, который в настоящее время реализован в виде плагина EEGLAB с открытым исходным кодом в среде MATLAB. Он включает в себя следующие преимущества по сравнению с предыдущими методами:

1) Простой в использовании графический интерфейс и возможности командной строки (для программистов, стремящихся выполнять автоматизированную обработку). 2) Валидированные алгоритмы, параметры и рекомендации по обработке сердечно-сосудистых сигналов, такие как обнаружение пиков R, интерполяция артефактов RR и вычисление метрик ВСР (например, рекомендации по имплантации окон, ресамплизации, нормализации и т. д.27,45,46). Это важно, потому что Vest et al. продемонстрировали, как незначительные различия в этих этапах обработки могут привести к расходящимся результатам, способствуя отсутствию воспроизводимости и клинической применимости метрик ВСР⁴⁶. 3) Валидированные алгоритмы, стандартные параметры и рекомендации по обработке сигналов ЭЭГ, включая фильтрацию и окноирование^44,47, повторные ссылки^48,49, удаление аномальных каналов и артефактов 50,51,52, оптимизированную декомпозицию ICA и классификацию независимых компонентов 53,54,55,56. Пользователи могут точно настроить все параметры предварительной обработки или даже предварительно обработать свои данные ЭЭГ с помощью предпочитаемого метода, прежде чем использовать набор инструментов в соответствии со своими потребностями (например, с помощью плагина^50,52 EEGLAB clean_rawdata, конвейера BeMoBIL³⁸, конвейера PREP⁵⁷ и т.д.). 4) Вызванные сердцебиением потенциалы (HEP, т.е. во временной области) и осцилляции (HEO; спектральные возмущения, связанные с событиями с помощью вейвлет-методов или БПФ, а также межпробная когерентность доступны с помощью стандартного программного обеспечения EEGLAB) из сигналов ЭКГ. Параметрическая и непараметрическая статистика с поправками на ошибки 1-го типа доступна в стандартном программном обеспечении EEGLAB. Непараметрическая статистика включает статистику перестановок и пространственно-временные поправки для множественных сравнений (например, пространственно-временная кластеризация или беспороговое кластерное усиление)^58,59. Пользователи могут использовать плагин LIMO-EEG для реализации иерархического линейного моделирования, которое хорошо учитывает дисперсию внутри и между субъектами и реализует массово-одномерный подход без предположений с надежным контролем ошибок I и II типа^60,61. Статистический анализ данных HEP/HEO может быть выполнен в канальной и независимой компонентной областях. 5) HEP/HEO и анализ ВСР по сигналам PPG (впервые для HEP/HEO). 6) Впервые поддерживает совместное извлечение признаков ЭЭГ и ВСР. 7) Инструментарий предоставляет различные визуализации данных для проверки сигналов на различных необходимых этапах обработки и выходных данных на уровне предмета.

Таблица 1: Новшества, привнесенные BrainBeats по сравнению с ранее существовавшими аналогичными методами.

Информация, которая поможет читателям решить, подходит ли им этот метод
Этот набор инструментов подходит для любого исследователя или клинициста с данными ЭЭГ и ЭКГ/ФПГ. Плагин пока не поддерживает импорт сигналов ЭЭГ и ЭКГ/ФПГ из отдельных файлов (хотя эта функция будет доступна в ближайшее время). Набор инструментов подходит для тех, кто хочет провести анализ HEP/HEO, извлечь особенности ЭЭГ и/или ВСР с помощью стандартизированных методов или просто удалить сердечные артефакты из сигналов ЭЭГ. На рисунке 1 показана блок-схема, обобщающая общий поток и методы BrainBeats.

РИСУНОК 1. Блок-схема, обобщающая общую архитектуру и поток BrainBeats. Операции, общие для всех трех методов, выделены коричневым цветом. Операции, специфичные для вызванных сердцебиением потенциалов (HEP) и колебаний (HEO), выделены зеленым цветом. Операции, специфичные для извлечения признаков ЭЭГ и ВСР, выделены синим цветом. Операции, специфичные для удаления сердечных артефактов из сигналов ЭЭГ, выделены красным цветом. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.