JoVE Journal > Neuroscience
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Acknowledgements
Materials
References
العربية

Automatically Generated
Please note that all translations are automatically generated. Click here for the English version.
Neuroscience

BrainBeats كمكون إضافي EEGLAB مفتوح المصدر لتحليل EEG وإشارات القلب والأوعية الدموية بشكل مشترك

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

صندوق أدوات BrainBeats هو مكون إضافي مفتوح المصدر ل EEGLAB مصمم لتحليل إشارات EEG والقلب والأوعية الدموية (ECG / PPG) بشكل مشترك. ويشمل تقييم إمكانات نبضات القلب (HEP) ، والتحليل القائم على الميزات ، واستخراج القطع الأثرية للقلب من إشارات EEG. سيساعد البروتوكول في دراسة التفاعل بين الدماغ والقلب من خلال عدستين (HEP والميزات) ، مما يعزز قابلية التكرار وإمكانية الوصول.

Abstract

يحظى التفاعل بين الدماغ وأنظمة القلب والأوعية الدموية باهتمام متزايد لقدرته على تعزيز فهمنا لعلم وظائف الأعضاء البشرية وتحسين النتائج الصحية. ومع ذلك ، فإن التحليل متعدد الوسائط لهذه الإشارات يمثل تحديا بسبب الافتقار إلى المبادئ التوجيهية ، ومعالجة الإشارات الموحدة والأدوات الإحصائية ، وواجهات المستخدم الرسومية (GUIs) ، والأتمتة لمعالجة مجموعات البيانات الكبيرة أو زيادة قابلية الاستنساخ. يوجد فراغ آخر في طرق استخراج ميزات EEG وتقلب معدل ضربات القلب (HRV) ، مما يقوض التشخيص السريري أو متانة نماذج التعلم الآلي (ML). استجابة لهذه القيود ، نقدم صندوق أدوات BrainBeats. تم تنفيذ BrainBeats كمكون إضافي مفتوح المصدر ل EEGLAB ، وهو يدمج ثلاثة بروتوكولات رئيسية: 1) إمكانات نبضات القلب (HEP) والتذبذبات (HEO) لتقييم التفاعل بين الدماغ والقلب المقفل زمنيا بدقة ميلي ثانية. 2) استخراج ميزة EEG و HRV لفحص الارتباطات / الاختلافات بين مقاييس الدماغ والقلب المختلفة أو لبناء نماذج ML قوية قائمة على الميزات ؛ 3) الاستخراج الآلي لأدوات القلب من إشارات EEG لإزالة أي تلوث محتمل للقلب والأوعية الدموية أثناء إجراء تحليل EEG. نحن نقدم برنامجا تعليميا خطوة بخطوة لتطبيق هذه الطرق الثلاث على مجموعة بيانات مفتوحة المصدر تحتوي على إشارات EEG و ECG و PPG متزامنة من 64 قناة. يمكن للمستخدمين ضبط المعلمات بسهولة لتخصيص احتياجاتهم البحثية الفريدة باستخدام واجهة المستخدم الرسومية (GUI) أو سطر الأوامر. يجب أن تجعل BrainBeats أبحاث التفاعل بين الدماغ والقلب أكثر سهولة وقابلية للتكرار.

Introduction

لفترة طويلة ، سيطر النهج الاختزالي على البحث العلمي في علم وظائف الأعضاء والإدراك البشري. تضمن هذا النهج تشريح العمليات الجسدية والعقلية المعقدة إلى مكونات أصغر وأكثر قابلية للإدارة ، مما يسمح للباحثين بالتركيز على الأنظمة الفردية بمعزل عن غيرها. نشأت هذه الاستراتيجية بسبب التحديات في دراسة الطبيعة المعقدة والمترابطة لجسم الإنسان وعقله1. كان للاختزال دور فعال في فهم الأنظمة الفرعية الفردية بمعزل عن بعضها البعض ، مثل توضيح دور القنوات الأيونية وإمكانات العمل للتواصل العصبي2 أو القلبي3 . ومع ذلك ، لا تزال هناك فجوة كبيرة في فهمنا لكيفية تفاعل هذه الأنظمة المعزولة على نطاق مكاني وزمن أكبر. يعتبر الإطار متعدد الوسائط (التكاملي أو البيئي) جسم الإنسان نظاما معقدا متعدد الأبعاد ، حيث لا ينظر إلى العقل على أنه نتاج للدماغ ولكن كنشاط للكائن الحي ، وهو نشاط يدمج الدماغ في الوظائف اليومية لجسم الإنسان4. النهج متعدد الوسائط والاختزالي ليسا حصريين ، تماما كما لا يمكننا دراسة خلية عصبية واحدة بدون الدماغ بأكمله أو الدماغ بأكمله دون فهم خصائص الخلايا العصبية الفردية. معا ، يمهدون الطريق لفهم أكثر شمولا وتآزرا لصحة الإنسان ، وعلم الأمراض ، والإدراك ، وعلم النفس ، والوعي. تهدف الطريقة الحالية إلى تسهيل التحقيق متعدد الوسائط للتفاعل بين الدماغ والقلب من خلال توفير تحليل مشترك لتخطيط كهربية الدماغ (EEG) وإشارات القلب والأوعية الدموية ، وهي تخطيط كهربية القلب (ECG) وتخطيط التحجم الضوئي (PPG). يعالج صندوق الأدوات هذا ، الذي تم تنفيذه كمكون إضافي ل EEGLAB في MATLAB ، القيود المنهجية الحالية وهو مفتوح المصدر لتسهيل إمكانية الوصول والتكرار في المجال العلمي. ينفذ أحدث الإرشادات والتوصيات في تصميمه ومعلماته الافتراضية لتشجيع المستخدمين على اتباع أفضل الممارسات المعروفة. يجب أن يكون صندوق الأدوات المقترح موردا قيما للباحثين والأطباء المهتمين ب 1) دراسة إمكانات نبضات القلب ، 2) استخراج الميزات من إشارات EEG و ECG / PPG ، أو 3) إزالة القطع الأثرية القلبية من إشارات EEG.

أبحاث القلب والدماغ
تمت دراسة العلاقة بين القلب والدماغ تاريخيا عبر طرق التصوير العصبي مثل التصوير بالرنين المغناطيسي الوظيفي (fMRI) والتصوير المقطعي بالإصدار البوزيتروني (PET). باستخدام هذه الأدوات ، سلط الباحثون الضوء على بعض مناطق الدماغ المرتبطة بالتحكم في القلب والأوعية الدموية (على سبيل المثال ، التلاعب بمعدل ضربات القلب وضغط الدم5) ، وأظهروا تأثير معدل ضربات القلب على إشارة BOLD6 ، أو حددوا مسارات الدماغ والجسم المحتملة التي تساهم في أمراض القلب التاجية (أي ضغط الدم الناجم عن الإجهاد7). في حين أن هذه الدراسات قد طورت بشكل كبير فهمنا للتفاعل المعقد بين الجهاز العصبي المركزي (CNS) ووظيفة القلب والأوعية الدموية ، فإن تقنيات التصوير العصبي هذه باهظة الثمن ، ولها توافر محدود ، وتقتصر على إعدادات المختبر الخاضعة للرقابة ، مما يحد من عمليتها للتطبيقات في العالم الحقيقي وعلى نطاق واسع.

في المقابل ، يعد EEG و ECG / PPG أدوات محمولة وبأسعار معقولة توفر إمكانية دراسة تفاعلات الدماغ والقلب في بيئات ومجموعات سكانية أكثر تنوعا أو على مدى فترات أطول ، مما يوفر فرصا جديدة. يقيس مخطط كهربية القلب الإشارات الكهربائية الناتجة عن كل نبضة قلب عندما ينقبض القلب ويسترخي عبر أقطاب كهربائية موضوعة على الجلد (عادة على الصدر أو الذراعين)8. يقيس PPG تغيرات حجم الدم في أنسجة الأوعية الدموية الدقيقة (أي تدفق الدم ومعدل النبض) باستخدام مصدر ضوء (على سبيل المثال ، LED) وكاشف ضوئي (يوضع عادة على طرف الإصبع أو الرسغ أو الجبهة) ، بالاعتماد على كيفية امتصاص الدم للضوء أكثر من الأنسجة المحيطة9. توفر كلتا الطريقتين معلومات قيمة حول وظيفة القلب والأوعية الدموية ولكنها تخدم أغراضا مختلفة وتقدم أنواعا متميزة من البيانات. مثل ECG ، يسجل EEG المجالات الكهربائية الناتجة عن النشاط المتزامن لآلاف الخلايا العصبية القشرية التي تنتشر عبر المصفوفة خارج الخلية والأنسجة والجمجمة وفروة الرأس حتى تصل إلى الأقطاب الكهربائية الموضوعة على سطح فروة الرأس10. على هذا النحو ، فإن استخدام EEG و ECG / PPG يحمل وعدا كبيرا لتعزيز فهمنا للعمليات الفسيولوجية والمعرفية والعاطفية الكامنة وراء تفاعلات الدماغ والقلب وآثارها على صحة الإنسان ورفاهيته. لذلك ، قد يكون التقاط التفاعل بين القلب والدماغ من EEG وإشارات ECG / PPG باستخدام صندوق أدوات BrainBeats مفيدا بشكل خاص للمجالات العلمية التالية: التشخيص السريري والتنبؤ ، والتعلم الآلي للبيانات الضخمة (ML) ، والمراقبة الذاتية في العالم الحقيقي11 ، والتصوير المحمول للدماغ / الجسم (MoBI) 12,13.

نهجان للتحليل المشترك لإشارات EEG و ECG
هناك طريقتان رئيسيتان لدراسة التفاعلات بين EEG وإشارات القلب والأوعية الدموية:

الإمكانات المستثارة بنبضات القلب (HEP) في المجال الزمني: الإمكانات المرتبطة بالحدث (ERP) ، والتذبذبات المستثارة بنبضات القلب (HEO) في مجال التردد الزمني: الاضطرابات الطيفية المتعلقة بالحدث (ERSP) والتماسك بين التجارب (ITC). يدرس هذا النهج كيفية معالجة الدماغ لكل نبضة قلب. مع دقة ميلي ثانية (مللي ثانية) ، تتطلب هذه الطريقة مزامنة كلا السلسلتين الزمنيتين بشكل مثالي ووضع علامة على نبضات القلب في إشارات EEG. اكتسب هذا النهج اهتماما في السنوات الأخيرة14،15،16،17،18،19.

النهج القائم على الميزات: يستخرج هذا النهج ميزات EEG وتقلب معدل ضربات القلب (HRV) من الإشارات المستمرة ويفحص الارتباطات بينهما. وقد تم ذلك بشكل مستقل ل EEG (غالبا ما يطلق عليه EEG الكمي أو qEEG20) و ECG21،22،23 و PPG24،25،26. يقدم هذا النهج تطبيقات واعدة من خلال التقاط كل من المتغيرات المتعلقة بالحالة والسمات. لاحظ أنه بالنسبة لكل من إشارات EEG والقلب والأوعية الدموية ، كلما طالت مدة التسجيل ، زاد تأثير متغير السمة27،28،29. وبالتالي ، تعتمد التطبيقات على معلمات التسجيل. تكتسب التحليلات القائمة على الميزات اهتماما متزايدا ، حيث توفر مقاييس كمية جديدة للتنبؤ بتطور الاضطرابات العقلية والعصبية ، أو الاستجابة للعلاج ، أو الانتكاس30،31،32،33،34،35. هذا النهج مقنع بشكل خاص مع مجموعات البيانات الكبيرة والواقعية (على سبيل المثال ، العيادة ، المراقبة عن بعد) ، والتي يمكن الحصول عليها بسهولة أكبر بفضل الابتكارات الحديثة في التكنولوجيا العصبية القابلة للارتداء11. التطبيق الأقل استكشافا هو تحديد الارتباطات بين ميزات معينة للدماغ والقلب ، مما يسلط الضوء على ديناميكيات الجهاز العصبي المركزي الكامنة المحتملة. يمكن حساب تقلب معدل ضربات القلب (HRV) من كل من إشارات ECG و PPG. يوفر معلومات حول الجهاز العصبي المستقل (ANS) عن طريق قياس الاختلافات في الفترات الزمنية بين ضربات القلب (أي الفواصل الزمنية من الطبيعي إلى الطبيعي)27. زيادة النشاط الودي (SNS) (على سبيل المثال ، أثناء الإجهاد أو التمرين) عادة ما يقلل من HRV ، في حين أن النشاط السمبتاوي (PNS) (على سبيل المثال ، أثناء الاسترخاء) يزيده. يزيد معدل التنفس البطيء بشكل عام من HRV بسبب نشاط PNS المحسن ، خاصة للتسجيلات القصيرة (<10 دقائق)27. تشير درجات HRV الأعلى عموما إلى ANS أكثر مرونة وقابلية للتكيف ، في حين أن انخفاض HRV يمكن أن يشير إلى الإجهاد أو التعب أو المشكلات الصحية الأساسية. توفر تسجيلات HRV الطويلة (أي 24 ساعة على الأقل) تشخيصا تنبؤيا لمختلف الحالات الصحية ، بما في ذلك أمراض القلب والأوعية الدموية والتوتر والقلق وبعض الحالات العصبية27. تدابير مثل ضغط الدم أو معدل ضربات القلب أو مستويات الكوليسترول تعطي معلومات حول حالة نظام القلب والأوعية الدموية. في المقابل ، يضيف HRV جانبا ديناميكيا ، يوضح كيف يستجيب القلب للإجهاد ويتعافى منه.

مزايا BrainBeats على الأساليب الحالية
على الرغم من وجود أدوات ، كما هو موضح أدناه ، لمعالجة إشارات القلب والأوعية الدموية و EEG بشكل مستقل عن بعضها البعض ، إلا أنه لا يمكن تحليلها بشكل مشترك. وعلاوة على ذلك، فإن معظم الوسائل المتاحة لمعالجة إشارات القلب والأوعية الدموية تنطوي على ترخيص مكلف، ولا تسمح بالمعالجة الآلية (مفيدة بشكل خاص لمجموعات البيانات الكبيرة)، أو لديها خوارزميات مسجلة الملكية تمنع الشفافية وقابلية الاستنساخ، أو تتطلب مهارات برمجة متقدمة من خلال عدم توفير واجهة مستخدم رسومية (GUI)36. على حد علمنا ، تدعم أربعة صناديق أدوات MATLAB مفتوحة المصدر تحليل HEP / HEO باستخدام واجهة المستخدم الرسومية: صندوق أدوات مجموعة أدوات ECG37 ، وخط أنابيب BeMoBIL38 ، والمكون الإضافي HEPLAB EEGLAB39 ، وصندوق أدوات CARE-rCortex40. في حين أن HEPLAB و BeMoBIL و ECG-kit تسهل تحليل HEP من خلال اكتشاف نبضات القلب ووضع علامة عليها في إشارات EEG ، إلا أنها لا توفر تحليلا إحصائيا أو تقتصر على المجال الزمني (أي HEP). عالج المكون الإضافي CARE-rCortex هذه المشكلات من خلال دعم ECG والإشارات التنفسية ، وتحليل مجال التردد الزمني ، والإحصاءات ، وطرق تطبيع وتصحيح خط الأساس المتقدمة التي تم تكييفها مع تحليل HEP / HEO. ومع ذلك ، فإنه يستخدم طريقة Bonferroni للتصحيح الإحصائي للخطأ من النوع 1 (أي الإيجابيات الخاطئة) ، وهي متحفظة للغاية وغير سليمة من الناحية الفسيولوجية لتطبيقات EEG ، مما يؤدي إلى زيادة في أخطاء النوع الثاني (أي السلبيات الخاطئة)41. علاوة على ذلك ، لا يوفر صندوق الأدوات الوصول إلى سطر الأوامر للأتمتة. أخيرا ، توصي الدراسات الحديثة بعدم استخدام طرق تصحيح خط الأساس42،43،44 ، لأنها تقلل من نسبة الإشارة إلى الضوضاء (SNR) وهي غير ضرورية إحصائيا وغير مرغوب فيها.

لمعالجة هذه القيود ، نقدم صندوق أدوات BrainBeats ، الذي يتم تنفيذه حاليا كمكون إضافي مفتوح المصدر EEGLAB في بيئة MATLAB. يتضمن المزايا التالية مقارنة بالطرق السابقة:

1) واجهة مستخدم رسومية سهلة الاستخدام وقدرات سطر الأوامر (للمبرمجين الذين يهدفون إلى إجراء المعالجة الآلية). 2) الخوارزميات والمعلمات والمبادئ التوجيهية التي تم التحقق من صحتها لمعالجة إشارات القلب والأوعية الدموية ، مثل اكتشاف قمم R ، واستيفاء القطع الأثرية RR ، وحساب مقاييس HRV (على سبيل المثال ، إرشادات الزرع للنوافذ ، وإعادة أخذ العينات ، والتطبيع ، وما إلى ذلك 27،45،46). هذا مهم لأن Vest et al. أظهر كيف يمكن أن تؤدي الاختلافات المتواضعة في خطوات المعالجة هذه إلى نتائج متباينة ، مما يساهم في عدم قابلية التكرار والتطبيق السريري لمقاييس HRV46. 3) الخوارزميات التي تم التحقق من صحتها والمعلمات الافتراضية والمبادئ التوجيهية لمعالجة إشارات EEG ، بما في ذلك التصفية والنوافذ44,47 ، وإعادة الإشارة إلى 48,49 ، وإزالة القنوات والتحف غير الطبيعية 50,51,52 ، تحليل ICA الأمثل وتصنيف المكونات المستقلة 53,54,55,56. يمكن للمستخدمين ضبط جميع معلمات المعالجة المسبقة أو حتى المعالجة المسبقة لبيانات EEG الخاصة بهم بالطريقة المفضلة لديهم قبل استخدام صندوق الأدوات لمطابقة احتياجاتهم (على سبيل المثال ، مع المكون الإضافي EEGLAB clean_rawdata50,52 ، وخط أنابيب BeMoBIL38 ، وخط أنابيب PREP57 ، وما إلى ذلك). 4) تتوفر الإمكانات المستثارة بنبضات القلب (HEP ، أي المجال الزمني) والتذبذبات (HEO ؛ الاضطرابات الطيفية المتعلقة بالحدث باستخدام طرق المويجات أو FFT ، والتماسك بين التجارب من خلال برنامج EEGLAB القياسي) من إشارات ECG. تتوفر الإحصائيات البارامترية وغير البارامترية مع تصحيحات لأخطاء النوع 1 عبر برنامج EEGLAB القياسي. تشمل الإحصاءات اللابارامترية إحصاءات التقليب والتصحيحات الزمانية المكانية لمقارنات متعددة (على سبيل المثال ، التجميع الزماني المكاني أو تحسين الكتلة الخالية من العتبة)58,59. يمكن للمستخدمين استخدام المكون الإضافي LIMO-EEG لتنفيذ النمذجة الخطية الهرمية ، والتي تمثل بشكل جيد التباين داخل وبين الموضوعات وتنفذ نهجا أحادي المتغير خال من الافتراضات مع تحكم قوي في أخطاء النوع الأول والثاني60,61. يمكن إجراء التحليلات الإحصائية لبيانات HEP / HEO في مجالات القناة والمكونات المستقلة. 5) تحليل HEP / HEO و HRV من إشارات PPG (لأول مرة ل HEP / HEO). 6) يدعم الاستخراج المشترك لميزات EEG و HRV لأول مرة. 7) يوفر صندوق الأدوات تصورات بيانات مختلفة لفحص الإشارات في مختلف خطوات المعالجة والمخرجات الضرورية على مستوى الموضوع.

أسلوب كشف قمم R من تخطيط القلب كشف موجات R من PPG هيب/هيو ميزات EEG و HRV إزالة عيوب القلب من EEG واجهه المستخدم الرسوميه سطر الأوامر
ECG-كيت X X X X
بيموبيل X X X
هيبلاب X X X X
كير-آر كورتكس X X X X
برين بيتس X X X X X X X

الجدول 1: المستجدات التي جلبتها BrainBeats بالنسبة إلى الأساليب المماثلة الموجودة مسبقا.

معلومات لمساعدة القراء على تحديد ما إذا كانت الطريقة مناسبة لهم
صندوق الأدوات هذا مناسب لأي باحث أو طبيب لديه بيانات EEG و ECG / PPG. لا يدعم المكون الإضافي حتى الآن استيراد إشارات EEG و ECG / PPG من ملفات منفصلة (على الرغم من أن هذه الميزة ستكون متاحة قريبا). صندوق الأدوات مناسب لأي شخص يهدف إلى إجراء تحليل HEP / HEO ، أو استخراج ميزات EEG و / أو HRV بطرق موحدة ، أو ببساطة إزالة القطع الأثرية القلبية من إشارات EEG. انظر الشكل 1 للحصول على مخطط كتلة يلخص التدفق العام ل BrainBeats وأساليبه.

Figure 1
الشكل 1. مخطط كتلة يلخص البنية العامة ل BrainBeats والتدفق. العمليات الشائعة عبر الطرق الثلاث بنية. العمليات الخاصة بالإمكانات التي تثيرها ضربات القلب (HEP) والتذبذبات (HEO) خضراء. العمليات الخاصة باستخراج ميزات EEG و HRV باللون الأزرق. العمليات الخاصة بإزالة آثار القلب من إشارات EEG باللون الأحمر. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

Protocol

تم الحصول على موافقة مستنيرة من كل مشارك ، ووافقت لجنة الأخلاقيات بجامعة الأورال الفيدرالية على البروتوكول التجريبي. 1. متطلبات برين بيتس قم بتثبيت MATLAB و EEGLAB على الكمبيوتر. يمكن تنزيل EEGLAB في https://github.com/sccn/eeglab وفك ضغطه (أو استنساخه لمستخدمي Git) في أي مكان على الكم…

Representative Results

أولا ، تم استخدام المكون الإضافي BrainBeats للمعالجة المسبقة لبيانات EEG و ECG ، وتحديد القطع الأثرية وإزالتها ، وتحليل إمكانات نبضات القلب (HEP) والتذبذبات (HEO). نجح BrainBeats في اكتشاف فترات RR من إشارة ECG وبعض القطع الأثرية RR (الشكل 2). ذكرت BrainBeats أيضا في نافذة الأوامر أن 11/305 (3.61٪) من نبضات …

Discussion

الخطوات الحاسمة في البروتوكول
يتم وصف الخطوات الهامة في الخطوات من 1.1 إلى 1.4. يتم تنفيذ التحذيرات ورسائل الخطأ في أماكن مختلفة في صندوق الأدوات لمساعدة المستخدمين على فهم سبب مواجهتهم لمشكلات (على سبيل المثال ، مواقع الأقطاب الكهربائية غير المحملة في بيانات EEG ، وطول الملف قصير ?…

Disclosures

The authors have nothing to disclose.

Acknowledgements

دعم معهد علوم Noetic هذا البحث. نشكر مطوري الخوارزميات الأصلية مفتوحة المصدر التي تم تكييفها لتطوير بعض خوارزميات BrainBeats.

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

References

  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
Cite This Article
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).
Download Citation
Reprints and Permissions

View Video

✖

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

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image