BrainBeats כתוסף EEGLAB בקוד פתוח לניתוח משותף של אותות EEG ואותות לב וכלי דם
Summary
ארגז הכלים של BrainBeats הוא תוסף EEGLAB בקוד פתוח שנועד לנתח במשותף אותות EEG ולב וכלי דם (ECG/PPG). הוא כולל הערכת פוטנציאלים מעוררי פעימות לב (HEP), ניתוח מבוסס תכונות וחילוץ חפצי לב מאותות EEG. הפרוטוקול יסייע בחקר יחסי גומלין מוח-לב באמצעות שתי עדשות (HEP ותכונות), וישפר את יכולת השחזור והנגישות.
Abstract
יחסי הגומלין בין המוח למערכת הלב וכלי הדם זוכים לתשומת לב מוגברת בשל הפוטנציאל שלהם לקדם את הבנתנו את הפיזיולוגיה האנושית ולשפר את התוצאות הבריאותיות. עם זאת, הניתוח הרב-מודאלי של אותות אלה מאתגר בשל היעדר הנחיות, עיבוד אותות סטנדרטיים וכלים סטטיסטיים, ממשקי משתמש גרפיים (GUI) ואוטומציה לעיבוד מערכי נתונים גדולים או הגדלת יכולת השחזור. חלל נוסף קיים בשיטות מיצוי סטנדרטיות של תכונות EEG והשתנות קצב לב (HRV), המערערות את האבחון הקליני או את החוסן של מודלים של למידת מכונה (ML). בתגובה למגבלות אלה, אנו מציגים את ארגז הכלים של BrainBeats. BrainBeats, המיושמת כתוסף EEGLAB בקוד פתוח, משלבת שלושה פרוטוקולים עיקריים: 1) פוטנציאלים מעוררי פעימות לב (HEP) ותנודות (HEO) להערכת יחסי גומלין בין מוח ללב נעולים בזמן בדיוק של אלפיות השנייה; 2) מיצוי תכונות EEG ו- HRV לבחינת קשרים/הבדלים בין מדדי מוח ולב שונים או לבניית מודלים חזקים מבוססי תכונות ML; 3) חילוץ אוטומטי של ממצאי לב מאותות EEG כדי להסיר כל זיהום קרדיווסקולרי פוטנציאלי בעת ביצוע ניתוח EEG. אנו מספקים הדרכה שלב אחר שלב ליישום שלוש שיטות אלה על מערך נתונים בקוד פתוח המכיל אותות EEG, ECG ו- PPG בו-זמנית של 64 ערוצים. משתמשים יכולים לכוונן בקלות פרמטרים כדי להתאים אישית את צרכי המחקר הייחודיים שלהם באמצעות ממשק המשתמש הגרפי (GUI) או שורת הפקודה. BrainBeats אמור להפוך את מחקר יחסי הגומלין בין המוח ללב לנגיש יותר וניתן לשחזור.
Introduction
במשך זמן רב, הגישה הרדוקציוניסטית שלטה במחקר המדעי בפיזיולוגיה ובקוגניציה האנושית. גישה זו כללה ניתוח תהליכים גופניים ומנטליים מורכבים למרכיבים קטנים וקלים יותר לניהול, מה שאיפשר לחוקרים להתמקד במערכות בודדות בבידוד. אסטרטגיה זו התעוררה בשל האתגרים בחקר הטבע המורכב והמקושר של הגוף והנפש האנושיים1. רדוקציוניזם סייע בהבנת תת-מערכות בודדות בבידוד, כגון הבהרת תפקידן של תעלות יונים ופוטנציאלי פעולה עבור תקשורת עצבית2 או לבבית3 . עם זאת, נותר פער משמעותי בהבנתנו כיצד מערכות מבודדות אלה מתקשרות בקנה מידה מרחבי וזמני גדול יותר. המסגרת הרב-מודאלית (אינטגרטיבית או אקולוגית) רואה בגוף האדם מערכת רב-ממדית מורכבת, שבה הנפש אינה נתפסת כתוצר של המוח אלא כפעילות של היצור החי, פעילות המשלבת את המוח בתפקודים היומיומיים של גוף האדם4. הגישות הרב-מודאליות והרדוקציוניסטיות אינן בלעדיות, בדיוק כפי שאיננו יכולים לחקור נוירון אחד ללא המוח כולו או המוח כולו ללא הבנת תכונות נוירונים בודדים. יחד, הם סוללים את הדרך להבנה מקיפה וסינרגטית יותר של בריאות האדם, פתולוגיה, קוגניציה, פסיכולוגיה ותודעה. השיטה הנוכחית נועדה להקל על החקירה הרב-מודאלית של יחסי הגומלין בין המוח ללב על ידי מתן ניתוח משותף של אלקטרואנצפלוגרפיה (EEG) ואותות קרדיווסקולריים, כלומר אלקטרוקרדיוגרפיה (ECG) ופוטופלטיסמוגרפיה (PPG). ארגז כלים זה, המיושם כתוסף EEGLAB ב- MATLAB, נותן מענה למגבלות מתודולוגיות קיימות ונעשה קוד פתוח כדי להקל על נגישות ושחזור בתחום המדעי. הוא מיישם את ההנחיות וההמלצות העדכניות ביותר בפרמטרי העיצוב וברירת המחדל שלו כדי לעודד משתמשים לעקוב אחר שיטות עבודה מומלצות ידועות. ארגז הכלים המוצע צריך להיות משאב רב ערך עבור חוקרים וקלינאים המעוניינים 1) לחקור פוטנציאלים מעוררי פעימות לב, 2) חילוץ תכונות מאותות EEG ו- ECG/PPG, או 3) הסרת ממצאי לב מאותות EEG.
חקר הלב-מוח
הקשר בין הלב למוח נחקר היסטורית באמצעות שיטות דימות מוחי כגון דימות תהודה מגנטית תפקודי (fMRI) וטומוגרפיית פליטת פוזיטרונים (PET). באמצעות כלים אלה, החוקרים הדגישו כמה אזורי מוח הקשורים לשליטה קרדיווסקולרית (למשל, מניפולציה של קצב הלב ולחץ דם5), הראו את ההשפעה של קצב הלב על אות BOLD6, או זיהו מסלולים פוטנציאליים במוח-גוף התורמים למחלות לב כליליות (כלומר, לחץ דם המעורר מתח7). בעוד שמחקרים אלה קידמו באופן משמעותי את הבנתנו את יחסי הגומלין המורכבים בין מערכת העצבים המרכזית (CNS) לבין תפקוד הלב וכלי הדם, טכניקות דימות מוחי אלה יקרות, זמינותן מוגבלת, והן מוגבלות לסביבות מעבדה מבוקרות, המגבילות את המעשיות שלהן ליישומים בעולם האמיתי ובקנה מידה גדול.
לעומת זאת, EEG ו- ECG/PPG הם כלים זולים וניידים יותר המציעים פוטנציאל לחקר אינטראקציות מוח-לב בסביבות ואוכלוסיות מגוונות יותר או על פני תקופות ארוכות יותר, ומספקים הזדמנויות חדשות. אק”ג מודד את האותות החשמליים הנוצרים על ידי כל פעימת לב כאשר הלב מתכווץ ונרגע באמצעות אלקטרודות המונחות על העור (בדרך כלל על החזה או הזרועות)8. PPG מודד שינויים בנפח הדם ברקמות כלי הדם (כלומר, זרימת הדם וקצב הדופק) באמצעות מקור אור (למשל, LED) וגלאי אור (בדרך כלל ממוקם על קצה האצבע, פרק כף היד או המצח), בהסתמך על האופן שבו הדם סופג יותר אור מאשר הרקמה שמסביב9. שתי השיטות מספקות מידע רב ערך על תפקוד הלב וכלי הדם, אך משרתות מטרות שונות ומציעות סוגי נתונים נפרדים. בדומה לאק”ג, EEG רושם את השדות החשמליים הנוצרים על-ידי הפעילות המסונכרנת של אלפי תאי עצב בקליפת המוח המתפשטים דרך המטריצה, הרקמות, הגולגולת והקרקפת החוץ-תאיות עד שהם מגיעים לאלקטרודות הממוקמות על פני הקרקפת10. ככזה, השימוש ב-EEG ובאק”ג/PPG טומן בחובו הבטחה גדולה לקידום הבנתנו את התהליכים הפיזיולוגיים, הקוגניטיביים והרגשיים העומדים בבסיס אינטראקציות מוח-לב והשלכותיהם על בריאות האדם ורווחתו. לכן, לכידת יחסי לב-מוח מ-EEG, אותות אק”ג/PPG באמצעות ארגז הכלים של BrainBeats עשויה להיות שימושית במיוחד בתחומים המדעיים הבאים: אבחון וחיזוי קליניים, למידת מכונה של ביג דאטה (ML), ניטור עצמי בעולם האמיתי11 והדמיית מוח/גוף ניידת (MoBI)12,13.
שתי גישות לניתוח משותף של אותות EEG ו- ECG
ישנן שתי גישות עיקריות לחקר אינטראקציות בין EEG לבין אותות קרדיווסקולריים:
הפוטנציאלים מעוררי פעימות הלב (HEP) בתחום הזמן: פוטנציאלים הקשורים לאירועים (ERP), והתנודות המעוררות פעימות לב (HEO) בתחום תדר הזמן: הפרעות ספקטרליות הקשורות לאירועים (ERSP) וקוהרנטיות בין-ניסויית (ITC). גישה זו בוחנת כיצד המוח מעבד כל פעימת לב. עם דיוק של אלפיות השנייה (ms), שיטה זו דורשת ששתי סדרות הזמן יהיו מסונכרנות באופן מושלם ופעימות הלב יסומנו באותות EEG. גישה זו זוכה להתעניינות בשנים האחרונות 14,15,16,17,18,19.
גישה מבוססת תכונות: גישה זו מחלצת תכונות EEG והשתנות קצב לב (HRV) מאותות רציפים ובוחנת קשרים ביניהם. זה נעשה באופן עצמאי עבור EEG (המכונה לעתים קרובות EEG כמותי או qEEG20), ECG 21,22,23, ו- PPG 24,25,26. גישה זו מציגה יישומים מבטיחים על ידי לכידת משתנים הקשורים למדינה ולתכונות כאחד. שימו לב שגם עבור אותות EEG וגם עבור אותות קרדיווסקולריים, ככל שההקלטה ארוכה יותר, כך משתנה התכונה 27,28,29 דומיננטי יותר. לפיכך, היישומים תלויים בפרמטרים ההקלטה. ניתוחים מבוססי תכונות צוברים עניין הולך וגובר, ומספקים מדדים כמותיים חדשים לחיזוי התפתחות הפרעות נפשיות ונוירולוגיות, תגובת טיפול או הישנות30,31,32,33,34,35. גישה זו משכנעת במיוחד עם מערכי נתונים גדולים בעולם האמיתי (למשל, מרפאה, ניטור מרחוק), אשר ניתן להשיג בקלות רבה יותר הודות לחידושים האחרונים בנוירוטכנולוגיה לבישה11. יישום פחות נחקר הוא זיהוי קשרים בין תכונות ספציפיות של המוח והלב, תוך הדגשת הפוטנציאל העומד בבסיס הדינמיקה של מערכת העצבים המרכזית. ניתן לחשב את השתנות הדופק (HRV) הן מאותות אק”ג והן מאותות PPG. הוא מספק מידע על מערכת העצבים האוטונומית (ANS) על ידי מדידת השינויים במרווחי הזמן בין פעימות הלב (כלומר, המרווחים הרגילים לנורמליים)27. פעילות סימפתטית מוגברת (SNS) (למשל, במהלך מתח או פעילות גופנית) בדרך כלל מפחיתה HRV, בעוד פעילות פאראסימפתטית (PNS) (למשל, במהלך הרפיה) מגבירה אותו. קצב נשימה איטי יותר בדרך כלל מגביר את HRV עקב פעילות מוגברת של מערכת העצבים הפארא-סימפתטית, במיוחד עבור הקלטות קצרות (<10 דקות)27. ציוני HRV גבוהים יותר מצביעים בדרך כלל על ANS גמיש יותר וניתן להסתגלות, בעוד HRV נמוך יותר יכול להצביע על מתח, עייפות או בעיות בריאות בסיסיות. הקלטות HRV ארוכות (כלומר, לפחות 24 שעות) מספקות פרוגנוזה מנבאת למצבים בריאותיים שונים, כולל מחלות לב וכלי דם, מתח, חרדה וכמה מצבים נוירולוגיים27. מדדים כמו לחץ דם, קצב לב או רמות כולסטרול מספקים מידע על מצב מערכת הלב וכלי הדם. לעומת זאת, HRV מוסיף היבט דינמי, המראה כיצד הלב מגיב ללחץ ומתאושש ממנו.
היתרונות של BrainBeats על פני השיטות הקיימות
בעוד שקיימים כלים, כפי שיסוקר להלן, לעיבוד אותות לב וכלי דם ואותות EEG בנפרד זה מזה, לא ניתן לנתח אותם במשותף. יתר על כן, רוב האמצעים הזמינים לעיבוד אותות קרדיווסקולריים כרוכים ברישוי יקר, אינם מאפשרים עיבוד אוטומטי (מועיל במיוחד עבור מערכי נתונים גדולים), בעלי אלגוריתמים קנייניים המונעים שקיפות ושחזור, או דורשים מיומנויות תכנות מתקדמות בכך שאינם מספקים ממשק משתמש גרפי (GUI)36. למיטב ידיעתנו, ארבעה ארגזי כלים של MATLAB בקוד פתוח תומכים בניתוח HEP/HEO באמצעות ממשק משתמש גרפי: ארגז הכלים של ערכת האק”ג37, צינור BeMoBIL38, תוסף HEPLAB EEGLAB39 וארגז הכלים CARE-rCortex40. בעוד HEPLAB, BeMoBIL וערכת אק”ג מסייעים לניתוח HEP על ידי זיהוי פעימות לב וסימונם באותות EEG, הם אינם מספקים ניתוח סטטיסטי או מוגבלים לתחום הזמן (כלומר, HEP). תוסף CARE-rCortex טיפל בבעיות אלה על ידי תמיכה באותות אק”ג ונשימה, ניתוח תחום תדר זמן, סטטיסטיקה ושיטות מתקדמות לנורמליזציה ותיקון בסיסיים המותאמות לניתוח HEP/HEO. עם זאת, היא משתמשת בשיטת בונפרוני לתיקון סטטיסטי של שגיאה מסוג 1 (כלומר, תוצאות חיוביות שגויות), שהיא שמרנית מדי ולא מבוססת פיזיולוגית עבור יישומי EEG, מה שמוביל לעלייה בשגיאות מסוג II (כלומר, שליליות שגויות)41. יתר על כן, ארגז הכלים אינו מציע גישה לשורת הפקודה עבור אוטומציה. לבסוף, מחקרים אחרונים ממליצים שלא להשתמש בשיטות תיקון בסיסיות 42,43,44, מכיוון שהן מפחיתות את יחס האות לרעש (SNR) והן מיותרות ובלתי רצויות מבחינה סטטיסטית.
כדי להתמודד עם מגבלות אלה, אנו מציגים את ארגז הכלים של BrainBeats, המיושם כיום כתוסף EEGLAB בקוד פתוח בסביבת MATLAB. הוא משלב את היתרונות הבאים על פני שיטות קודמות:
1) ממשק משתמש גרפי קל לשימוש ויכולות שורת פקודה (למתכנתים השואפים לבצע עיבוד אוטומטי). 2) אלגוריתמים, פרמטרים והנחיות מתוקפים לעיבוד אותות קרדיווסקולריים, כגון זיהוי פסגות R, אינטרפולציה של ממצאי RR וחישוב מדדי HRV (למשל, הנחיות להשתלת חלוניות, דגימה מחדש, נורמליזציה וכו ‘27,45,46). זה חשוב מכיוון ש- Vest et al. הראו כיצד הבדלים צנועים בשלבי עיבוד אלה יכולים להוביל לתוצאות שונות, ולתרום לחוסר יכולת השחזור והישימות הקלינית של מדדי HRV46. 3) אלגוריתמים מאומתים, פרמטרי ברירת מחדל והנחיות לעיבוד אותות EEG, כולל סינון וחלון44,47, הפניה מחדש48,49, הסרת תעלות חריגות וממצאים 50,51,52, פירוק אופטימלי של ICA וסיווג רכיבים בלתי תלויים 53,54,55,56. המשתמשים יכולים לכוונן את כל פרמטרי העיבוד המקדים או אפילו לעבד מראש את נתוני ה-EEG שלהם בשיטה המועדפת עליהם לפני השימוש בארגז הכלים שיתאים לצרכיהם (למשל, עם תוסף EEGLAB clean_rawdata50,52, צינור BeMoBIL38, צינור PREP57 וכו’). 4) פוטנציאלים מעוררי פעימות לב (HEP, כלומר, תחום זמן) ותנודות (HEO; הפרעות ספקטרליות הקשורות לאירועים בשיטות wavelet או FFT, וקוהרנטיות בין ניסויים זמינים באמצעות תוכנת EEGLAB סטנדרטית) מאותות ECG. סטטיסטיקה פרמטרית ולא פרמטרית עם תיקונים לשגיאות מסוג 1 זמינה באמצעות התוכנה הסטנדרטית של EEGLAB. סטטיסטיקות לא פרמטריות כוללות סטטיסטיקות פרמוטציה ותיקונים מרחביים-זמניים עבור השוואות מרובות (למשל, אשכולות מרחביים-זמניים או שיפור אשכולות ללא סף)58,59. משתמשים יכולים להשתמש בתוסף LIMO-EEG כדי ליישם מידול ליניארי היררכי, המביא בחשבון היטב שונות בתוך ובין נושאים ומיישם גישה חד-משתנית מסה נטולת הנחות עם בקרה חזקה עבור שגיאות מסוג I ו- II60,61. ניתן לבצע את הניתוחים הסטטיסטיים של נתוני HEP/HEO בתחומי הערוץ והרכיבים הבלתי תלויים. 5) ניתוח HEP/HEO ו-HRV מאותות PPG (לראשונה עבור HEP/HEO). 6) תומך בחילוץ משותף של תכונות EEG ו- HRV בפעם הראשונה. 7) ארגז הכלים מספק הדמיות נתונים שונות לבדיקת אותות בשלבי עיבוד נחוצים שונים ופלטים ברמת הנושא.
| שיטת | זיהוי פסגות R מאק”ג | זיהוי גלי R מ-PPG | HEP/HEO | תכונות EEG ו-HRV | הסרת חפצי לב מ- EEG | ממשק משתמש גרפי | שורת הפקודה |
| ערכת אק”ג | X | X | X | X | |||
| BeMoBIL | X | X | X | ||||
| חפלאב | X | X | X | X | |||
| CARE-rCortex | X | X | X | X | |||
| פעימות מוח | X | X | X | X | X | X | X |
טבלה 1: חידושים שהביאה BrainBeats ביחס לשיטות קיימות ודומות.
מידע שיעזור לקוראים להחליט אם השיטה מתאימה להם
ארגז כלים זה מתאים לכל חוקר או קלינאי עם נתוני EEG ו- ECG/PPG. התוסף עדיין אינו תומך בייבוא אותות EEG ו-ECG/PPG מקבצים נפרדים (אם כי תכונה זו תהיה זמינה בקרוב). ארגז הכלים מתאים לכל מי שמטרתו לבצע ניתוח HEP/HEO, לחלץ תכונות EEG ו / או HRV בשיטות סטנדרטיות, או פשוט להסיר ממצאי לב מאותות EEG. ראו איור 1 עבור דיאגרמת בלוקים המסכמת את הזרימה הכוללת של BrainBeats ואת השיטות.
איור 1. דיאגרמת בלוקים המסכמת את הארכיטקטורה והזרימה הכוללת של BrainBeats. הפעולות הנפוצות בשלוש השיטות הן חומות. ניתוחים ספציפיים לפוטנציאלים מעוררי פעימות לב (HEP) ותנודות (HEO) הם ירוקים. פעולות ספציפיות לחילוץ תכונות EEG ו- HRV הן כחולות. ניתוחים ספציפיים להסרת חפצי לב מאותות EEG הם אדומים. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
Protocol
Representative Results
Discussion
שלבים קריטיים בפרוטוקול
שלבים קריטיים מתוארים בשלבים 1.1-1.4. אזהרות והודעות שגיאה מיושמות במקומות שונים בארגז הכלים כדי לעזור למשתמשים להבין מדוע הם עלולים להיתקל בבעיות (למשל, מיקומי אלקטרודות שאינם נטענים בנתוני EEG, אורך הקובץ קצר מדי לחישוב מדד אמין של HRV בתדר אולטרה נמוך, איכו…
Disclosures
The authors have nothing to disclose.
Acknowledgements
המכון למדעי הנוטיקה תמך במחקר זה. אנו מודים למפתחי אלגוריתמי הקוד הפתוח המקוריים שהותאמו לפיתוח חלק מהאלגוריתמים של BrainBeats.
Materials
| EEGLAB | Swartz Center for Computational Neuroscience (SCCN) | Free/Open-source | |
| MATLAB | The Mathworks, Inc. | Requires a license | |
| Windows PC | Lenovo, Inc. |
References
- 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).
