EEG ve kardiyovasküler sinyalleri ortaklaşa analiz etmek için açık kaynaklı bir EEGLAB eklentisi olarak BrainBeats
Summary
BrainBeats araç kutusu, EEG ve kardiyovasküler (EKG/PPG) sinyalleri ortaklaşa analiz etmek için tasarlanmış açık kaynaklı bir EEGLAB eklentisidir. Kalp atışı ile uyarılmış potansiyeller (HEP) değerlendirmesini, özellik tabanlı analizi ve EEG sinyallerinden kalp artefaktı çıkarımını içerir. Protokol, beyin-kalp etkileşiminin iki mercek (HEP ve özellikler) aracılığıyla incelenmesine yardımcı olacak ve tekrarlanabilirliği ve erişilebilirliği artıracaktır.
Abstract
Beyin ve kardiyovasküler sistemler arasındaki etkileşim, insan fizyolojisi anlayışımızı ilerletme ve sağlık sonuçlarını iyileştirme potansiyeli nedeniyle daha fazla dikkat çekiyor. Bununla birlikte, bu sinyallerin çok modlu analizi, yönergelerin, standartlaştırılmış sinyal işleme ve istatistiksel araçların, grafik kullanıcı arayüzlerinin (GUI’ler) ve büyük veri kümelerini işlemek veya tekrarlanabilirliği artırmak için otomasyonun olmaması nedeniyle zordur. Standartlaştırılmış EEG ve kalp atış hızı değişkenliği (HRV) özellik çıkarma yöntemlerinde, klinik teşhisi veya makine öğrenimi (ML) modellerinin sağlamlığını baltalayan başka bir boşluk vardır. Bu sınırlamalara yanıt olarak BrainBeats araç kutusunu kullanıma sunuyoruz. Açık kaynaklı bir EEGLAB eklentisi olarak uygulanan BrainBeats, üç ana protokolü entegre eder: 1) Zaman kilitli beyin-kalp etkileşimini milisaniye hassasiyetinde değerlendirmek için kalp atışı ile uyarılmış potansiyeller (HEP) ve salınımlar (HEO); 2) Çeşitli beyin ve kalp ölçümleri arasındaki ilişkileri/farklılıkları incelemek veya sağlam özellik tabanlı makine öğrenimi modelleri oluşturmak için EEG ve HRV özellik çıkarımı; 3) EEG analizi yapılırken herhangi bir potansiyel kardiyovasküler kontaminasyonu gidermek için EEG sinyallerinden kalp artefaktlarının otomatik olarak çıkarılması. Bu üç yöntemi eşzamanlı 64 kanallı EEG, EKG ve PPG sinyallerini içeren açık kaynaklı bir veri kümesine uygulamak için adım adım bir eğitim sunuyoruz. Kullanıcılar, grafik kullanıcı arayüzünü (GUI) veya komut satırını kullanarak benzersiz araştırma ihtiyaçlarını uyarlamak için parametrelere kolayca ince ayar yapabilir. BrainBeats, beyin-kalp etkileşimi araştırmalarını daha erişilebilir ve tekrarlanabilir hale getirmelidir.
Introduction
Uzun bir süre boyunca, indirgemeci yaklaşım, insan fizyolojisi ve bilişindeki bilimsel araştırmalara egemen olmuştur. Bu yaklaşım, karmaşık bedensel ve zihinsel süreçleri daha küçük, daha yönetilebilir bileşenlere ayırmayı içeriyordu ve araştırmacıların ayrı ayrı bireysel sistemlere odaklanmasına izin veriyordu. Bu strateji, insan vücudunun ve zihninin karmaşık ve birbirine bağlı doğasını incelemedeki zorluklar nedeniyle ortaya çıkmıştır1. İndirgemecilik, nöral2 veya kardiyak3 iletişim için iyon kanallarının ve aksiyon potansiyellerinin rolünü aydınlatmak gibi, bireysel alt sistemleri izole bir şekilde anlamada etkili olmuştur. Bununla birlikte, bu izole sistemlerin daha geniş bir mekansal ve zamansal ölçekte nasıl etkileşime girdiğine dair anlayışımızda önemli bir boşluk kalmaktadır. Multimodal (bütünleştirici veya ekolojik) çerçeve, insan vücudunu, zihnin beynin bir ürünü olarak değil, canlının bir faaliyeti olarak görüldüğü, beyni insan vücudunun günlük işlevlerine entegre eden bir faaliyet olarak görüldüğü karmaşık, çok boyutlu bir sistem olarak kabul eder4. Multimodal ve indirgemeci yaklaşımlar münhasır değildir, tıpkı tüm beyin olmadan bir nöronu veya bireysel nöron özelliklerini anlamadan tüm beyni inceleyemeyeceğimiz gibi. Birlikte, insan sağlığı, patolojisi, bilişi, psikolojisi ve bilinci hakkında daha kapsamlı, sinerjik bir anlayışın yolunu açıyorlar. Mevcut yöntem, elektroensefalografi (EEG) ve kardiyovasküler sinyallerin, yani elektrokardiyografi (EKG) ve fotopletismografinin (PPG) ortak analizini sağlayarak beyin ve kalp arasındaki etkileşimin multimodal araştırmasını kolaylaştırmayı amaçlamaktadır. MATLAB’da bir EEGLAB eklentisi olarak uygulanan bu araç kutusu, mevcut metodolojik sınırlamaları ele alır ve bilimsel alanda erişilebilirliği ve tekrarlanabilirliği kolaylaştırmak için açık kaynak haline getirilir. Kullanıcıları bilinen en iyi uygulamaları takip etmeye teşvik etmek için en son yönergeleri ve önerileri tasarımına ve varsayılan parametrelerine uygular. Önerilen araç kutusu, 1) kalp atışı ile uyarılmış potansiyelleri incelemek, 2) EEG ve EKG / PPG sinyallerinden özellikleri çıkarmak veya 3) EEG sinyallerinden kalp artefaktlarını çıkarmak ile ilgilenen araştırmacılar ve klinisyenler için değerli bir kaynak olmalıdır.
Kalp-beyin araştırması
Kalp ve beyin arasındaki ilişki, fonksiyonel manyetik rezonans görüntüleme (fMRI) ve pozitron emisyon tomografisi (PET) gibi nörogörüntüleme yöntemleri ile tarihsel olarak incelenmiştir. Araştırmacılar bu araçları kullanarak, kardiyovasküler kontrol ile ilişkili bazı beyin bölgelerini vurguladılar (örneğin, kalp atış hızı ve kan basıncının manipülasyonu5), kalp atış hızının BOLD sinyali6 üzerindeki etkisini gösterdiler veya koroner kalp hastalığına katkıda bulunan potansiyel beyin-vücut yollarını belirlediler (yani, stresle uyarılmış kan basıncı7). Bu çalışmalar, merkezi sinir sistemi (CNS) ve kardiyovasküler fonksiyon arasındaki karmaşık etkileşime ilişkin anlayışımızı önemli ölçüde ilerletmiş olsa da, bu nörogörüntüleme teknikleri pahalıdır, sınırlı kullanılabilirliğe sahiptir ve kontrollü laboratuvar ortamlarıyla sınırlıdır, bu da gerçek dünya ve büyük ölçekli uygulamalar için pratikliklerini kısıtlar.
Buna karşılık, EEG ve EKG / PPG, beyin-kalp etkileşimlerini daha çeşitli ortamlarda ve popülasyonlarda veya daha uzun süreler boyunca inceleme potansiyeli sunan ve yeni fırsatlar sunan daha uygun fiyatlı ve taşınabilir araçlardır. EKG, cilde (genellikle göğüs veya kollara) yerleştirilen elektrotlar aracılığıyla kalp kasıldığında ve gevşediğinde her kalp atışı tarafından üretilen elektrik sinyallerini ölçer8. PPG, bir ışık kaynağı (örneğin LED) ve bir fotodetektör (genellikle parmak ucuna, bileğe veya alnına yerleştirilir) kullanarak mikrovasküler dokulardaki kan hacmi değişikliklerini (yani kan akışı ve nabız hızı) ölçer ve kanın çevredeki dokudan nasıl daha fazla ışık emdiğine bağlı olarak9. Her iki yöntem de kardiyovasküler fonksiyon hakkında değerli bilgiler sağlar, ancak farklı amaçlara hizmet eder ve farklı veri türleri sunar. EKG gibi, EEG de hücre dışı matriks, dokular, kafatası ve kafa derisi boyunca kafa derisinin yüzeyine yerleştirilen elektrotlara ulaşana kadar yayılan binlerce kortikal nöronun senkronize aktivitesi tarafından üretilen elektrik alanlarını kaydeder10. Bu nedenle, EEG ve EKG / PPG kullanımı, beyin-kalp etkileşimlerinin altında yatan fizyolojik, bilişsel ve duygusal süreçleri ve bunların insan sağlığı ve refahı üzerindeki etkilerini anlamamızı ilerletmek için büyük umut vaat etmektedir. Bu nedenle, BrainBeats araç kutusu ile EEG, EKG/PPG sinyallerinden kalp-beyin etkileşimini yakalamak, aşağıdaki bilimsel alanlar için özellikle yararlı olabilir: klinik tanı ve tahmin, büyük veri makine öğrenimi (ML), gerçek dünyada kendi kendini izleme11 ve mobil beyin/vücut görüntüleme (MoBI)12,13.
EEG ve EKG sinyallerini birlikte analiz etmek için iki yaklaşım
EEG ve kardiyovasküler sinyaller arasındaki etkileşimleri incelemek için iki ana yaklaşım vardır:
Zaman alanında kalp atışı ile uyarılan potansiyeller (HEP): olayla ilgili potansiyeller (ERP) ve zaman-frekans alanında kalp atışı ile uyarılan salınımlar (HEO): olayla ilgili spektral bozulmalar (ERSP) ve denemeler arası tutarlılık (ITC). Bu yaklaşım, beynin her kalp atışını nasıl işlediğini inceler. Milisaniye (ms) hassasiyetle bu yöntem, her iki zaman serisinin de mükemmel bir şekilde senkronize edilmesini ve kalp atışlarının EEG sinyallerinde işaretlenmesini gerektirir. Bu yaklaşım son yıllarda ilgi kazanmıştır 14,15,16,17,18,19.
Özellik tabanlı yaklaşım: Bu yaklaşım, sürekli sinyallerden EEG ve kalp atış hızı değişkenliği (HRV) özelliklerini çıkarır ve aralarındaki ilişkileri inceler. Bu, EEG (genellikle kantitatif EEG veya qEEG20 olarak adlandırılır), EKG 21,22,23 ve PPG 24,25,26 için bağımsız olarak yapılmıştır. Bu yaklaşım, hem durum hem de özellik ile ilgili değişkenleri yakalayarak umut verici uygulamalar sunar. Hem EEG hem de kardiyovasküler sinyaller için, kayıt ne kadar uzun olursa, özellik değişkeni 27,28,29 o kadar baskın olur. Bu nedenle, uygulamalar kayıt parametrelerine bağlıdır. Özellik tabanlı analizler artan ilgi görüyor ve zihinsel ve nörolojik bozuklukların gelişimini, tedavi yanıtını veya nüksetmeyi tahmin etmek için yeni nicel ölçümler sağlıyor 30,31,32,33,34,35. Bu yaklaşım, giyilebilir nöroteknolojideki son yenilikler sayesinde daha kolay elde edilebilen büyük ve gerçek dünya veri kümelerinde (örneğin, klinik, uzaktan izleme) özellikle ilgi çekicidir11. Daha az keşfedilmiş bir uygulama, merkezi sinir sistemi dinamiklerinin altında yatan potansiyeli vurgulayan, belirli beyin ve kalp özellikleri arasındaki ilişkilerin tanımlanmasıdır. Kalp atış hızı değişkenliği (HRV) hem EKG hem de PPG sinyallerinden hesaplanabilir. Kalp atışları arasındaki zaman aralıklarındaki değişimleri (yani normalden normale aralıklar) ölçerek otonom sinir sistemi (ANS) hakkında bilgi sağlar27. Artan sempatik (SNS) aktivite (ör., stres veya egzersiz sırasında) tipik olarak HRV’yi azaltırken, parasempatik (PNS) aktivite (ör., gevşeme sırasında) arttırır. Daha yavaş bir solunum hızı, özellikle kısa kayıtlar için (<10 dakika) gelişmiş PNS aktivitesi nedeniyle genellikle HRV'yi artırır27. Daha yüksek HRV skorları genellikle daha esnek ve uyarlanabilir bir ANS’ye işaret ederken, daha düşük bir HRV stres, yorgunluk veya altta yatan sağlık sorunlarına işaret edebilir. Uzun HRV kayıtları (yani en az 24 saat), kardiyovasküler hastalıklar, stres, anksiyete ve bazı nörolojik durumlar dahil olmak üzere çeşitli sağlık durumları için öngörücü bir prognoz sağlar27. Kan basıncı, kalp atış hızı veya kolesterol seviyeleri gibi ölçümler kardiyovasküler sistemin durumu hakkında bilgi verir. Buna karşılık, HRV, kalbin strese nasıl tepki verdiğini ve stresten nasıl kurtulduğunu gösteren dinamik bir yön ekler.
BrainBeats’in mevcut yöntemlere göre avantajları
Aşağıda gözden geçirildiği gibi, kardiyovasküler ve EEG sinyallerini birbirinden bağımsız olarak işlemek için araçlar mevcut olsa da, bunlar birlikte analiz edilemez. Ayrıca, kardiyovasküler sinyalleri işlemek için mevcut araçların çoğu maliyetli lisanslama içerir, otomatik işlemeye izin vermez (özellikle büyük veri kümeleri için faydalıdır), şeffaflığı ve tekrarlanabilirliği önleyen özel algoritmalara sahiptir veya bir grafik kullanıcı arayüzü (GUI) sağlamayarak gelişmiş programlama becerileri gerektirir36. Bildiğimiz kadarıyla, dört açık kaynaklı MATLAB araç kutusu, bir GUI ile HEP/HEO analizini destekler: ekg-kit araç kutusu37, BeMoBIL boru hattı38, HEPLAB EEGLAB eklentisi39 ve CARE-rCortex araç kutusu40. HEPLAB, BeMoBIL ve ekg kiti, kalp atışlarını tespit ederek ve bunları EEG sinyallerinde işaretleyerek HEP analizini kolaylaştırırken, istatistiksel analiz sağlamazlar veya zaman alanıyla (yani HEP) sınırlıdırlar. CARE-rCortex eklentisi, EKG ve solunum sinyallerini, zaman-frekans alanı analizini, istatistikleri ve HEP/HEO analizine uyarlanmış gelişmiş temel normalleştirme ve düzeltme yöntemlerini destekleyerek bu sorunları ele aldı. Bununla birlikte, EEG uygulamaları için çok muhafazakar ve fizyolojik olarak sağlam olmayan tip 1 hatanın (yani yanlış pozitifler) istatistiksel olarak düzeltilmesi için Bonferroni yöntemini kullanır ve bu da tip II hatalarda (yani yanlış negatiflerde) bir artışa yol açar41. Ayrıca, araç kutusu otomasyon için komut satırı erişimi sunmaz. Son olarak, son çalışmalar, sinyal-gürültü oranını (SNR) azalttıkları ve istatistiksel olarak gereksiz ve istenmeyen oldukları için temel düzeltme yöntemlerine 42,43,44 karşı tavsiyede bulunmaktadır.
Bu sınırlamaları ele almak için, şu anda MATLAB ortamında açık kaynaklı bir EEGLAB eklentisi olarak uygulanan BrainBeats araç kutusunu tanıtıyoruz. Önceki yöntemlere göre aşağıdaki avantajları içerir:
1) Kullanımı kolay bir GUI ve komut satırı yetenekleri (otomatik işleme gerçekleştirmeyi hedefleyen programcılar için). 2) R zirvelerini tespit etmek, RR artefaktlarını enterpolasyon yapmak ve HRV metriklerini hesaplamak gibi kardiyovasküler sinyalleri işlemek için doğrulanmış algoritmalar, parametreler ve kılavuzlar (örneğin, pencereleme, yeniden örnekleme, normalizasyon vb. için implantasyon kılavuzları.27,45,46). Bu önemlidir, çünkü Vest ve ark. bu işleme adımlarındaki mütevazı farklılıkların nasıl farklı sonuçlara yol açabileceğini ve HRV metriklerinin tekrarlanabilirliği ve klinik uygulanabilirliği eksikliğine katkıda bulunduğunu göstermiştir46. 3) Filtreleme ve pencereleme 44,47, yeniden referans verme48,49, anormal kanalların ve artefaktların kaldırılması 50,51,52, optimize edilmiş ICA ayrışması ve bağımsız bileşenlerin sınıflandırılması dahil olmak üzere EEG sinyallerinin işlenmesi için doğrulanmış algoritmalar, varsayılan parametreler ve kılavuzlar 53,54,55,56. Kullanıcılar, ihtiyaçlarını karşılamak için araç kutusunu kullanmadan önce tüm ön işleme parametrelerine ince ayar yapabilir ve hatta EEG verilerini tercih ettikleri yöntemle önceden işleyebilir (örneğin, EEGLAB clean_rawdata eklentisi 50,52, BeMoBIL boru hattı38, PREP boru hattı57, vb.). 4) EKG sinyallerinden kalp atışı ile uyarılmış potansiyeller (HEP, yani zaman alanı) ve salınımlar (HEO; dalgacık veya FFT yöntemleriyle olaya bağlı spektral bozulmalar ve denemeler arası tutarlılık standart EEGLAB yazılımı aracılığıyla elde edilebilir). Tip 1 hatalar için düzeltmeler içeren parametrik ve parametrik olmayan istatistikler EEGLAB’ın standart yazılımı aracılığıyla mevcuttur. Parametrik olmayan istatistikler, çoklu karşılaştırmalar için permütasyon istatistiklerini ve uzay-zamansal düzeltmeleri içerir (örneğin, uzay-zamansal kümeleme veya eşiksiz küme geliştirme)58,59. Kullanıcılar, denekler arası ve denekler arası varyansı iyi bir şekilde açıklayan ve tip I ve II hatalar için sağlam kontrol ile varsayımdan bağımsız kütle-tek değişkenli bir yaklaşım uygulayan hiyerarşik doğrusal modellemeyi uygulamak için LIMO-EEG eklentisini kullanabilir60,61. HEP/HEO verileri istatistiksel analizleri, kanal ve bağımsız bileşen alanlarında gerçekleştirilebilir. 5) PPG sinyallerinden HEP/HEO ve HRV analizi (HEP/HEO için ilk kez). 6) EEG ve HRV özelliklerinin ilk kez eklem ekstraksiyonunu destekler. 7) Araç kutusu, konu düzeyinde çeşitli gerekli işleme adımlarında ve çıktılarda sinyalleri incelemek için çeşitli veri görselleştirmeleri sağlar.
| Yöntem | EKG’den R-tepe noktalarını tespit edin | PPG’den R dalgalarını tespit edin | HEP/HEO | EEG ve HRV özellikleri | Kalp artefaktlarını EEG’den çıkarın | GUI | Komut satırı |
| EKG Kiti | X | X | X | X | |||
| BeMoBİL | X | X | X | ||||
| HEPLAB (HEPLAB) | X | X | X | X | |||
| BAKIM-rCortex | X | X | X | X | |||
| Beyin Vuruşları | X | X | X | X | X | X | X |
TABLO 1: BrainBeats’in önceden var olan, benzer yöntemlere göre getirdiği yenilikler.
Okuyucuların yöntemin kendileri için uygun olup olmadığına karar vermelerine yardımcı olacak bilgiler
Bu araç kutusu, EEG ve EKG/PPG verilerine sahip herhangi bir araştırmacı veya klinisyen için uygundur. Eklenti henüz EEG ve EKG/PPG sinyallerinin ayrı dosyalardan içe aktarılmasını desteklememektedir (ancak bu özellik yakında kullanıma sunulacaktır). Araç kutusu, HEP/HEO analizi yapmayı, EEG ve/veya HRV özelliklerini standart yöntemlerle çıkarmayı veya EEG sinyallerinden kalp artefaktlarını çıkarmayı hedefleyen herkes için uygundur. BrainBeats’in genel akışını ve yöntemlerini özetleyen bir blok diyagram için Şekil 1’e bakın.
ŞEKIL 1. BrainBeats’in genel mimarisini ve akışını özetleyen blok diyagramı. Üç yöntemde yaygın olan işlemler kahverengidir. Kalp atışı ile uyarılmış potansiyellere (HEP) ve salınımlara (HEO) özgü işlemler yeşildir. EEG ve HRV özelliklerinin çıkarılmasına özgü işlemler mavidir. EEG sinyallerinden kalp artefaktlarının çıkarılmasına özgü operasyonlar kırmızıdır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Protocol
Representative Results
Discussion
Protokoldeki kritik adımlar
Kritik adımlar 1.1-1.4 adımlarında açıklanmıştır. Uyarılar ve hata mesajları, kullanıcıların neden sorunlarla karşılaşabileceklerini anlamalarına yardımcı olmak için araç kutusunun çeşitli yerlerine uygulanır (örneğin, EEG verilerine yüklenmemiş elektrot konumları, dosya uzunluğunun ultra düşük frekanslı HRV’nin güvenilir bir ölçümünü hesaplamak için çok kısa olması, sinyal kalitesinin herhangi bir güvenilir analiz için çok d?…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Noetic Sciences Enstitüsü bu araştırmayı destekledi. BrainBeats’in bazı algoritmalarını geliştirmek için uyarlanan orijinal açık kaynaklı algoritmaların geliştiricilerine teşekkür ederiz.
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).
