BrainBeats come plug-in EEGLAB open source per analizzare congiuntamente i segnali EEG e cardiovascolari

Per molto tempo, l’approccio riduzionista ha dominato l’indagine scientifica in fisiologia e cognizione umana. Questo approccio ha comportato la sezionazione di processi corporei e mentali complessi in componenti più piccoli e più gestibili, consentendo ai ricercatori di concentrarsi sui singoli sistemi in isolamento. Questa strategia è nata a causa delle sfide nello studio della natura intricata e interconnessa del corpo e della mente umana¹. Il riduzionismo è stato determinante per comprendere i singoli sottosistemi in isolamento, come chiarire il ruolo dei canali ionici e dei potenziali d’azione per la comunicazione neurale² o cardiaca³ . Tuttavia, rimane una lacuna significativa nella nostra comprensione di come questi sistemi isolati interagiscono su una scala spaziale e temporale più ampia. Il quadro multimodale (integrativo o ecologico) considera il corpo umano un sistema multidimensionale complesso, dove la mente è vista non come un prodotto del cervello ma come un’attività dell’essere vivente, un’attività che integra il cervello all’interno delle funzioni quotidiane del corpo umano⁴. Gli approcci multimodali e riduzionisti non sono esclusivi, proprio come non possiamo studiare un neurone senza l’intero cervello o l’intero cervello senza comprendere le proprietà dei singoli neuroni. Insieme, aprono la strada a una comprensione più completa e sinergica della salute umana, della patologia, della cognizione, della psicologia e della coscienza. Il presente metodo mira a facilitare l’indagine multimodale dell’interazione tra il cervello e il cuore fornendo un’analisi congiunta dell’elettroencefalografia (EEG) e dei segnali cardiovascolari, in particolare l’elettrocardiografia (ECG) e la fotopletismografia (PPG). Questo toolbox, implementato come plugin EEGLAB in MATLAB, affronta i limiti metodologici esistenti ed è reso open source per facilitare l’accessibilità e la riproducibilità nell’area scientifica. Implementa le linee guida e le raccomandazioni più recenti nella sua progettazione e nei parametri predefiniti per incoraggiare gli utenti a seguire le migliori pratiche note. Il toolbox proposto dovrebbe essere una risorsa preziosa per i ricercatori e i medici interessati a 1) studiare i potenziali evocati dal battito cardiaco, 2) estrarre caratteristiche dai segnali EEG ed ECG/PPG, o 3) rimuovere gli artefatti cardiaci dai segnali EEG.

Ricerca cuore-cervello
La relazione tra il cuore e il cervello è stata storicamente studiata attraverso metodi di neuroimaging come la risonanza magnetica funzionale (fMRI) e la tomografia a emissione di positroni (PET). Utilizzando questi strumenti, i ricercatori hanno evidenziato alcune regioni cerebrali associate al controllo cardiovascolare (ad esempio, la manipolazione della frequenza cardiaca e della pressione sanguigna⁵), hanno mostrato l’influenza della frequenza cardiaca sul segnale BOLD⁶ o hanno identificato potenziali percorsi cervello-corpo che contribuiscono alla malattia coronarica (ad esempio, la pressione sanguigna evocata dallo stress⁷). Sebbene questi studi abbiano fatto progredire in modo significativo la nostra comprensione della complessa interazione tra il sistema nervoso centrale (SNC) e la funzione cardiovascolare, queste tecniche di neuroimaging sono costose, hanno una disponibilità limitata e sono confinate in ambienti di laboratorio controllati, il che limita la loro praticità per applicazioni nel mondo reale e su larga scala.

Al contrario, l’EEG e l’ECG/PPG sono strumenti più convenienti e portatili che offrono il potenziale per studiare le interazioni cervello-cuore in contesti e popolazioni più diversificati o per periodi più lunghi, fornendo nuove opportunità. L’ECG misura i segnali elettrici generati da ogni battito cardiaco quando il cuore si contrae e si rilassa tramite elettrodi posizionati sulla pelle (di solito sul torace o sulle braccia)⁸. Il PPG misura le variazioni del volume del sangue nei tessuti microvascolari (ad esempio, il flusso sanguigno e la frequenza cardiaca) utilizzando una sorgente luminosa (ad esempio, LED) e un fotorilevatore (comunemente posizionato sulla punta del dito, sul polso o sulla fronte), basandosi su come il sangue assorbe più luce rispetto al tessuto circostante⁹. Entrambi i metodi forniscono informazioni preziose sulla funzione cardiovascolare, ma servono a scopi diversi e offrono tipi di dati distinti. Come l’ECG, l’EEG registra i campi elettrici generati dall’attività sincronizzata di migliaia di neuroni corticali che si propagano attraverso la matrice extracellulare, i tessuti, il cranio e il cuoio capelluto fino a raggiungere gli elettrodi posti sulla superficie del cuoio capelluto¹⁰. Pertanto, l’uso dell’EEG e dell’ECG/PPG è molto promettente per far progredire la nostra comprensione dei processi fisiologici, cognitivi ed emotivi alla base delle interazioni cervello-cuore e delle loro implicazioni per la salute e il benessere umano. Pertanto, l’acquisizione dell’interazione cuore-cervello da segnali EEG, ECG/PPG con il toolbox BrainBeats può essere particolarmente utile per le seguenti aree scientifiche: diagnostica clinica e previsione, apprendimento automatico dei big data (ML), automonitoraggio del mondo reale¹¹ e imaging mobile cervello/corpo (MoBI)^12,13.

Due approcci per l’analisi congiunta dei segnali EEG ed ECG
Esistono due approcci principali per studiare le interazioni tra EEG e segnali cardiovascolari:

I potenziali evocati dal battito cardiaco (HEP) nel dominio del tempo: potenziali correlati agli eventi (ERP) e le oscillazioni evocate dal battito cardiaco (HEO) nel dominio della frequenza temporale: perturbazioni spettrali correlate agli eventi (ERSP) e coerenza inter-trial (ITC). Questo approccio esamina il modo in cui il cervello elabora ogni battito cardiaco. Con una precisione di millisecondi (ms), questo metodo richiede che entrambe le serie temporali siano perfettamente sincronizzate e che i battiti cardiaci siano marcati nei segnali EEG. Questo approccio ha guadagnato interesse negli ultimi anni 14,15,16,17,18,19.

Approccio basato sulle funzionalità: questo approccio estrae le caratteristiche dell’EEG e della variabilità della frequenza cardiaca (HRV) dai segnali continui ed esamina le associazioni tra di loro. Questo è stato fatto in modo indipendente per l’EEG (spesso chiamato EEG quantitativo o qEEG²⁰), ECG 21,22,23 e PPG 24,25,26. Questo approccio presenta applicazioni promettenti catturando variabili relative allo stato e ai tratti. Si noti che, sia per i segnali EEG che cardiovascolari, più lunga è la registrazione, più dominante è la variabile di tratto 27,28,29. Pertanto, le applicazioni dipendono dai parametri di registrazione. Le analisi basate sulle caratteristiche stanno guadagnando un crescente interesse, fornendo nuove metriche quantitative per prevedere lo sviluppo di disturbi mentali e neurologici, la risposta al trattamento o la ricaduta 30,31,32,33,34,35. Questo approccio è particolarmente interessante con set di dati di grandi dimensioni e del mondo reale (ad esempio, clinica, monitoraggio remoto), che possono essere ottenuti più facilmente grazie alle recenti innovazioni nella neurotecnologia indossabile¹¹. Un’applicazione meno esplorata è l’identificazione di associazioni tra specifiche caratteristiche del cervello e del cuore, evidenziando le potenziali dinamiche sottostanti del sistema nervoso centrale. La variabilità della frequenza cardiaca (HRV) può essere calcolata sia dai segnali ECG che PPG. Fornisce informazioni sul sistema nervoso autonomo (ANS) misurando le variazioni degli intervalli di tempo tra i battiti cardiaci (cioè gli intervalli da normale a normale)²⁷. L’aumento dell’attività simpatica (SNS) (ad esempio, durante lo stress o l’esercizio fisico) in genere riduce l’HRV, mentre l’attività parasimpatica (PNS) (ad esempio, durante il rilassamento) la aumenta. Una frequenza respiratoria più lenta generalmente aumenta l’HRV a causa di una maggiore attività del PNS, soprattutto per registrazioni brevi (<10 min)²⁷. Punteggi HRV più alti generalmente suggeriscono un ANS più resiliente e adattabile, mentre un HRV più basso può indicare stress, affaticamento o problemi di salute sottostanti. Registrazioni HRV lunghe (cioè almeno 24 ore) forniscono una prognosi predittiva per varie condizioni di salute, tra cui malattie cardiovascolari, stress, ansia e alcune condizioni neurologiche²⁷. Misure come la pressione sanguigna, la frequenza cardiaca o i livelli di colesterolo forniscono informazioni sullo stato del sistema cardiovascolare. Al contrario, l’HRV aggiunge un aspetto dinamico, mostrando come il cuore risponde e si riprende dallo stress.

I vantaggi di BrainBeats rispetto ai metodi esistenti
Sebbene esistano strumenti, come esaminato di seguito, per elaborare i segnali cardiovascolari ed EEG indipendentemente l’uno dall’altro, non possono essere analizzati congiuntamente. Inoltre, la maggior parte dei mezzi disponibili per elaborare i segnali cardiovascolari comporta licenze costose, non consente l’elaborazione automatizzata (particolarmente vantaggiosa per set di dati di grandi dimensioni), dispone di algoritmi proprietari che impediscono la trasparenza e la riproducibilità o richiede competenze di programmazione avanzate non fornendo un’interfaccia utente grafica (GUI)³⁶. Per quanto ne sappiamo, quattro toolbox MATLAB open source supportano l’analisi HEP/HEO con un’interfaccia grafica: il toolbox³⁷ del kit ecg, il pipeline³⁸ di BeMoBIL, il plugin EEGLAB³⁹ di HEPLAB e il toolbox⁴⁰ di CARE-rCortex. Sebbene HEPLAB, BeMoBIL ed ecg-kit facilitino l’analisi HEP rilevando i battiti cardiaci e marcandoli nei segnali EEG, non forniscono analisi statistiche o sono limitati al dominio del tempo (cioè HEP). Il plug-in CARE-rCortex ha affrontato questi problemi supportando l’ECG e i segnali respiratori, l’analisi nel dominio del tempo-frequenza, le statistiche e i metodi avanzati di normalizzazione e correzione della linea di base adattati all’analisi HEP/HEO. Tuttavia, utilizza il metodo Bonferroni per la correzione statistica dell’errore di tipo 1 (cioè i falsi positivi), che è troppo conservativo e non fisiologicamente valido per le applicazioni EEG, portando ad un aumento degli errori di tipo II (cioè i falsi negativi)⁴¹. Inoltre, il toolbox non offre l’accesso alla riga di comando per l’automazione. Infine, studi recenti sconsigliano i metodi di correzione della linea di base 42,43,44, in quanto riducono il rapporto segnale/rumore (SNR) e sono statisticamente inutili e indesiderabili.

Per risolvere queste limitazioni, introduciamo il toolbox BrainBeats, attualmente implementato come plug-in EEGLAB open source nell’ambiente MATLAB. Incorpora i seguenti vantaggi rispetto ai metodi precedenti:

1) Una GUI facile da usare e funzionalità a riga di comando (per i programmatori che mirano a eseguire l’elaborazione automatizzata). 2) Algoritmi, parametri e linee guida convalidati per l’elaborazione dei segnali cardiovascolari, come il rilevamento dei picchi R, l’interpolazione degli artefatti RR e il calcolo delle metriche HRV (ad esempio, l’impianto di linee guida per windowing, ricampionamento, normalizzazione, ecc.27,45,46). Questo è importante perché Vest et al. hanno dimostrato come modeste differenze in queste fasi di elaborazione possano portare a risultati divergenti, contribuendo alla mancanza di riproducibilità e applicabilità clinica delle metriche HRV⁴⁶. 3) Algoritmi convalidati, parametri predefiniti e linee guida per l’elaborazione dei segnali EEG, inclusi filtraggio e windowing^44,47, rireferenziazione^48,49, rimozione di canali anomali e artefatti 50,51,52, decomposizione ICA ottimizzata e classificazione di componenti indipendenti 53,54,55,56. Gli utenti possono mettere a punto tutti i parametri di pre-elaborazione o persino pre-elaborare i propri dati EEG con il metodo preferito prima di utilizzare il toolbox per soddisfare le proprie esigenze (ad esempio, con il plug-in EEGLAB clean_rawdata^50,52, la pipeline BeMoBIL³⁸, la pipeline PREP⁵⁷, ecc.). 4) Potenziali evocati dal battito cardiaco (HEP, cioè nel dominio del tempo) e oscillazioni (HEO; perturbazioni spettrali correlate agli eventi con metodi wavelet o FFT e coerenza inter-trial sono disponibili attraverso il software standard EEGLAB) dai segnali ECG. Le statistiche parametriche e non parametriche con correzioni per errori di tipo 1 sono disponibili tramite il software standard di EEGLAB. Le statistiche non parametriche includono statistiche di permutazione e correzioni spazio-temporali per confronti multipli (ad esempio, clustering spazio-temporale o miglioramento del cluster senza soglia)^58,59. Gli utenti possono utilizzare il plug-in LIMO-EEG per implementare la modellazione lineare gerarchica, che tiene conto della varianza all’interno e tra i soggetti e implementa un approccio univariato di massa privo di ipotesi con un controllo robusto per gli errori di tipo I e II^60,61. Le analisi statistiche dei dati HEP/HEO possono essere eseguite nei domini del canale e dei componenti indipendenti. 5) Analisi HEP/HEO e HRV da segnali PPG (per la prima volta per HEP/HEO). 6) Supporta per la prima volta l’estrazione congiunta delle caratteristiche EEG e HRV. 7) Il toolbox fornisce varie visualizzazioni di dati per ispezionare i segnali nelle varie fasi di elaborazione necessarie e gli output a livello di soggetto.

TABELLA 1: Novità apportate da BrainBeats rispetto a metodi preesistenti e simili.

Informazioni per aiutare i lettori a decidere se il metodo è appropriato per loro
Questo toolbox è adatto a qualsiasi ricercatore o clinico con dati EEG ed ECG/PPG. Il plug-in non supporta ancora l’importazione di segnali EEG ed ECG/PPG da file separati (anche se questa funzione sarà presto disponibile). Il toolbox è adatto a chiunque intenda eseguire analisi HEP/HEO, estrarre le caratteristiche EEG e/o HRV con metodi standardizzati o semplicemente rimuovere gli artefatti cardiaci dai segnali EEG. Vedere la Figura 1 per un diagramma a blocchi che riassume il flusso e i metodi complessivi di BrainBeats.

FIGURA 1. Diagramma a blocchi che riassume l’architettura e il flusso complessivi di BrainBeats. Le operazioni comuni ai tre metodi sono marroni. Le operazioni specifiche per i potenziali evocati dal battito cardiaco (HEP) e le oscillazioni (HEO) sono in verde. Le operazioni specifiche per l’estrazione delle caratteristiche EEG e HRV sono blu. Le operazioni specifiche per la rimozione degli artefatti cardiaci dai segnali EEG sono in rosso. Clicca qui per visualizzare una versione più grande di questa figura.