Özet

BrainBeats como plugin de EEGLAB de código abierto para analizar conjuntamente señales EEG y cardiovasculares

Published: April 26, 2024
doi:

Özet

La caja de herramientas BrainBeats es un complemento de EEGLAB de código abierto diseñado para analizar conjuntamente señales de EEG y cardiovasculares (ECG/PPG). Incluye la evaluación de potenciales evocados por latidos cardíacos (HEP), análisis basado en características y extracción de artefactos cardíacos a partir de señales de EEG. El protocolo ayudará a estudiar la interacción cerebro-corazón a través de dos lentes (HEP y características), mejorando la reproducibilidad y la accesibilidad.

Abstract

La interacción entre el cerebro y los sistemas cardiovasculares está atrayendo cada vez más atención por su potencial para avanzar en nuestra comprensión de la fisiología humana y mejorar los resultados de salud. Sin embargo, el análisis multimodal de estas señales es un desafío debido a la falta de pautas, herramientas estadísticas y de procesamiento de señales estandarizadas, interfaces gráficas de usuario (GUI) y automatización para procesar grandes conjuntos de datos o aumentar la reproducibilidad. Existe un vacío adicional en los métodos estandarizados de extracción de características de EEG y variabilidad de la frecuencia cardíaca (HRV), lo que socava el diagnóstico clínico o la solidez de los modelos de aprendizaje automático (ML). En respuesta a estas limitaciones, presentamos la caja de herramientas BrainBeats. Implementado como un complemento de EEGLAB de código abierto, BrainBeats integra tres protocolos principales: 1) Potenciales evocados por latidos cardíacos (HEP) y oscilaciones (HEO) para evaluar la interacción cerebro-corazón bloqueada en el tiempo con una precisión de milisegundos; 2) Extracción de características de EEG y HRV para examinar asociaciones/diferencias entre varias métricas cerebrales y cardíacas o para construir modelos sólidos de ML basados en características; 3) Extracción automatizada de artefactos cardíacos a partir de señales de EEG para eliminar cualquier posible contaminación cardiovascular mientras se realiza el análisis de EEG. Proporcionamos un tutorial paso a paso para aplicar estos tres métodos a un conjunto de datos de código abierto que contiene señales simultáneas de EEG, ECG y PPG de 64 canales. Los usuarios pueden ajustar fácilmente los parámetros para adaptarlos a sus necesidades de investigación únicas utilizando la interfaz gráfica de usuario (GUI) o la línea de comandos. BrainBeats debería hacer que la investigación sobre la interacción entre el cerebro y el corazón sea más accesible y reproducible.

Introduction

Durante mucho tiempo, el enfoque reduccionista ha dominado la investigación científica en fisiología y cognición humanas. Este enfoque implicó diseccionar procesos corporales y mentales complejos en componentes más pequeños y manejables, lo que permitió a los investigadores centrarse en sistemas individuales de forma aislada. Esta estrategia surgió debido a los desafíos en el estudio de la naturaleza intrincada e interconectada del cuerpo y la mente humanos1. El reduccionismo ha sido fundamental para comprender los subsistemas individuales de forma aislada, como dilucidar el papel de los canales iónicos y los potenciales de acción para la comunicación neuronal2 o cardíaca3 . Sin embargo, sigue habiendo una brecha significativa en nuestra comprensión de cómo interactúan estos sistemas aislados en una escala espacial y temporal más amplia. El marco multimodal (integrador o ecológico) considera al cuerpo humano como un sistema multidimensional complejo, donde la mente no es vista como un producto del cerebro sino como una actividad del ser vivo, una actividad que integra el cerebro dentro de las funciones cotidianas del cuerpo humano4. Los enfoques multimodal y reduccionista no son excluyentes, al igual que no podemos estudiar una neurona sin todo el cerebro o todo el cerebro sin comprender las propiedades individuales de las neuronas. Juntos, allanan el camino para una comprensión más completa y sinérgica de la salud, la patología, la cognición, la psicología y la conciencia humanas. El presente método tiene como objetivo facilitar la investigación multimodal de la interacción entre el cerebro y el corazón al proporcionar análisis conjuntos de electroencefalografía (EEG) y señales cardiovasculares, a saber, electrocardiografía (ECG) y fotopletismografía (PPG). Esta caja de herramientas, implementada como un complemento de EEGLAB en MATLAB, aborda las limitaciones metodológicas existentes y se ha hecho de código abierto para facilitar la accesibilidad y la reproducibilidad en el área científica. Implementa las últimas directrices y recomendaciones en su diseño y parámetros predeterminados para animar a los usuarios a seguir las mejores prácticas conocidas. La caja de herramientas propuesta debería ser un recurso valioso para los investigadores y médicos interesados en 1) estudiar los potenciales evocados por los latidos del corazón, 2) extraer características de las señales de EEG y ECG/PPG, o 3) eliminar los artefactos cardíacos de las señales de EEG.

Investigación corazón-cerebro
La relación entre el corazón y el cerebro se ha estudiado históricamente a través de métodos de neuroimagen como la resonancia magnética funcional (fMRI) y la tomografía por emisión de positrones (PET). Utilizando estas herramientas, los investigadores destacaron algunas regiones del cerebro asociadas con el control cardiovascular (por ejemplo, la manipulación de la frecuencia cardíaca y la presión arterial5), mostraron la influencia de la frecuencia cardíaca en la señal BOLD6 o identificaron posibles vías cerebro-cuerpo que contribuyen a la enfermedad coronaria (es decir, la presión arterial provocada por el estrés7). Si bien estos estudios han avanzado significativamente nuestra comprensión de la compleja interacción entre el sistema nervioso central (SNC) y la función cardiovascular, estas técnicas de neuroimagen son costosas, tienen una disponibilidad limitada y se limitan a entornos de laboratorio controlados, lo que restringe su practicidad para aplicaciones en el mundo real y a gran escala.

Por el contrario, el EEG y el ECG/PPG son herramientas más asequibles y portátiles que ofrecen el potencial de estudiar las interacciones cerebro-corazón en entornos y poblaciones más diversas o durante períodos más largos, lo que brinda nuevas oportunidades. El ECG mide las señales eléctricas generadas por cada latido del corazón cuando el corazón se contrae y se relaja a través de electrodos colocados en la piel (generalmente en el pecho o los brazos)8. La PPG mide los cambios en el volumen sanguíneo en los tejidos microvasculares (es decir, el flujo sanguíneo y la frecuencia del pulso) utilizando una fuente de luz (por ejemplo, LED) y un fotodetector (comúnmente colocado en la punta del dedo, la muñeca o la frente), dependiendo de cómo la sangre absorbe más luz que el tejido circundante9. Ambos métodos proporcionan información valiosa sobre la función cardiovascular, pero sirven para diferentes propósitos y ofrecen distintos tipos de datos. Al igual que el ECG, el EEG registra los campos eléctricos generados por la actividad sincronizada de miles de neuronas corticales que se propagan a través de la matriz extracelular, los tejidos, el cráneo y el cuero cabelludo hasta llegar a los electrodos colocados enla superficie del cuero cabelludo. Como tal, el uso de EEG y ECG/PPG es muy prometedor para avanzar en nuestra comprensión de los procesos fisiológicos, cognitivos y emocionales que subyacen a las interacciones cerebro-corazón y sus implicaciones para la salud y el bienestar humanos. Por lo tanto, la captura de la interacción corazón-cerebro de las señales de EEG, ECG/PPG con la caja de herramientas BrainBeats puede ser particularmente útil para las siguientes áreas científicas: diagnóstico y pronóstico clínico, aprendizaje automático (ML) de big data, autocontrol del mundo real11 e imágenes móviles de cerebro/cuerpo (MoBI)12,13.

Dos enfoques para analizar conjuntamente las señales de EEG y ECG
Existen dos enfoques principales para estudiar las interacciones entre el EEG y las señales cardiovasculares:

Los potenciales evocados por latidos cardíacos (HEP) en el dominio del tiempo: potenciales relacionados con eventos (ERP), y las oscilaciones evocadas por latidos cardíacos (HEO) en el dominio tiempo-frecuencia: perturbaciones espectrales relacionadas con eventos (ERSP) y coherencia entre ensayos (ITC). Este enfoque examina cómo el cerebro procesa cada latido del corazón. Con una precisión de milisegundos (ms), este método requiere que ambas series temporales estén perfectamente sincronizadas y que los latidos del corazón se marquen en las señales de EEG. Este enfoque ha ganado interés en los últimos años 14,15,16,17,18,19.

Enfoque basado en características: este enfoque extrae las características del EEG y la variabilidad de la frecuencia cardíaca (VFC) de las señales continuas y examina las asociaciones entre ellas. Esto se ha hecho de forma independiente para el EEG (a menudo denominado EEG cuantitativo o qEEG20), ECG 21,22,23 y PPG 24,25,26. Este enfoque presenta aplicaciones prometedoras al capturar variables relacionadas con el estado y los rasgos. Obsérvese que, tanto para el EEG como para las señales cardiovasculares, cuanto más largo es el registro, más dominante es la variable rasgo 27,28,29. Por lo tanto, las aplicaciones dependen de los parámetros de grabación. Los análisis basados en características están ganando cada vez más interés, proporcionando nuevas métricas cuantitativas para pronosticar el desarrollo de trastornos mentales y neurológicos, tratamiento-respuesta o recaída 30,31,32,33,34,35. Este enfoque es especialmente convincente con grandes conjuntos de datos del mundo real (por ejemplo, clínica, monitoreo remoto), que se pueden obtener más fácilmente gracias a las recientes innovaciones en neurotecnología portátil11. Una aplicación menos explorada es la identificación de asociaciones entre características específicas del cerebro y el corazón, lo que pone de relieve las posibles dinámicas subyacentes del sistema nervioso central. La variabilidad de la frecuencia cardíaca (VFC) se puede calcular a partir de señales de ECG y PPG. Proporciona información sobre el sistema nervioso autónomo (SNA) midiendo las variaciones en los intervalos de tiempo entre los latidos del corazón (es decir, los intervalos entre normales y normales)27. El aumento de la actividad simpática (SNS) (p. ej., durante el estrés o el ejercicio) generalmente reduce la VFC, mientras que la actividad parasimpática (SNP) (p. ej., durante la relajación) la aumenta. Una frecuencia respiratoria más lenta generalmente aumenta la VFC debido a una mayor actividad del SNP, especialmente para registros cortos (<10 min)27. Las puntuaciones más altas de VFC generalmente sugieren un SNA más resistente y adaptable, mientras que una VFC más baja puede indicar estrés, fatiga o problemas de salud subyacentes. Los registros largos de VFC (es decir, al menos 24 h) proporcionan un pronóstico predictivo para diversas condiciones de salud, incluidas las enfermedades cardiovasculares, el estrés, la ansiedad y algunas afecciones neurológicas27. Medidas como la presión arterial, la frecuencia cardíaca o los niveles de colesterol proporcionan información sobre el estado del sistema cardiovascular. Por el contrario, la VFC añade un aspecto dinámico, mostrando cómo el corazón responde y se recupera del estrés.

Ventajas de BrainBeats sobre los métodos existentes
Si bien existen herramientas, como se revisa a continuación, para procesar las señales cardiovasculares y EEG de forma independiente entre sí, no se pueden analizar conjuntamente. Además, la mayoría de los medios disponibles para procesar señales cardiovasculares implican licencias costosas, no permiten el procesamiento automatizado (especialmente beneficioso para grandes conjuntos de datos), tienen algoritmos propietarios que impiden la transparencia y la reproducibilidad, o requieren habilidades de programación avanzadas al no proporcionar una interfaz gráfica de usuario (GUI)36. Hasta donde sabemos, cuatro toolboxes de MATLAB de código abierto soportan el análisis HEP/HEO con una GUI: la caja de herramientas del kit de ecg37, la pipeline BeMoBIL38, el plugin HEPLAB EEGLAB39 y la caja de herramientas CARE-rCortex40. Si bien HEPLAB, BeMoBIL y el kit de ECG facilitan el análisis de HEP al detectar los latidos del corazón y marcarlos en las señales de EEG, no proporcionan análisis estadístico o se limitan al dominio del tiempo (es decir, HEP). El complemento CARE-rCortex abordó estos problemas al admitir señales respiratorias y de ECG, análisis en el dominio del tiempo-frecuencia, estadísticas y métodos avanzados de normalización y corrección de línea de base adaptados al análisis HEP/HEO. Sin embargo, utiliza el método de Bonferroni para la corrección estadística del error de tipo 1 (es decir, falsos positivos), que es demasiado conservador y no fisiológicamente sólido para las aplicaciones de EEG, lo que conduce a un aumento de los errores de tipo II (es decir, falsos negativos)41. Además, la toolbox no ofrece acceso a la línea de comandos para la automatización. Por último, estudios recientes desaconsejan los métodos de corrección basal 42,43,44, ya que reducen la relación señal-ruido (SNR) y son estadísticamente innecesarios e indeseables.

Para abordar estas limitaciones, presentamos la caja de herramientas BrainBeats, actualmente implementada como un complemento de EEGLAB de código abierto en el entorno de MATLAB. Incorpora las siguientes ventajas respecto a los métodos anteriores:

1) Una interfaz gráfica de usuario fácil de usar y capacidades de línea de comandos (para programadores que buscan realizar un procesamiento automatizado). 2) Algoritmos, parámetros y directrices validados para el procesamiento de señales cardiovasculares, como la detección de picos R, la interpolación de artefactos RR y el cálculo de métricas de VFC (p. ej., implantación de directrices para ventanas, remuestreo, normalización, etc.27,45,46). Esto es importante porque Vest et al. demostraron cómo diferencias modestas en estos pasos de procesamiento pueden conducir a resultados divergentes, lo que contribuye a la falta de reproducibilidad y aplicabilidad clínica de las métricas de VFC46. 3) Algoritmos validados, parámetros predeterminados y pautas para el procesamiento de señales de EEG, incluido el filtrado y la creación de ventanas44,47, la rereferenciación48,49, la eliminación de canales y artefactos anormales50,51,52, la descomposición ICA optimizada y la clasificación de componentes independientes53,54,55,56. Los usuarios pueden ajustar todos los parámetros de preprocesamiento o incluso preprocesar sus datos de EEG con su método preferido antes de utilizar la caja de herramientas para satisfacer sus necesidades (por ejemplo, con el complemento clean_rawdata EEGLAB50,52, la tubería BeMoBIL38, la tubería PREP57, etc.). 4) Los potenciales evocados por los latidos del corazón (HEP, es decir, el dominio del tiempo) y las oscilaciones (HEO; perturbaciones espectrales relacionadas con eventos con métodos wavelet o FFT, y coherencia entre ensayos están disponibles a través del software estándar EEGLAB) a partir de señales de ECG. Las estadísticas paramétricas y no paramétricas con correcciones para errores de tipo 1 están disponibles a través del software estándar de EEGLAB. Los estadísticos no paramétricos incluyen estadísticos de permutación y correcciones espacio-temporales para comparaciones múltiples (p. ej., agrupamiento espacio-temporal o mejora de conglomerados sin umbral)58,59. Los usuarios pueden utilizar el complemento LIMO-EEG para implementar un modelado lineal jerárquico, que tiene en cuenta bien la varianza dentro y entre sujetos e implementa un enfoque univariado de masa libre de suposiciones con un control robusto de los errores de tipo I y II60,61. Los análisis estadísticos de datos HEP/HEO se pueden realizar en los dominios de canal y componentes independientes. 5) Análisis HEP/HEO y HRV a partir de señales PPG (por primera vez para HEP/HEO). 6) Admite la extracción conjunta de las características de EEG y HRV por primera vez. 7) La caja de herramientas proporciona varias visualizaciones de datos para inspeccionar señales en varios pasos de procesamiento necesarios y salidas a nivel de sujeto.

Método Detección de picos R a partir de ECG Detección de ondas R de PPG HEP/HEO Características de EEG y HRV Eliminar los artefactos cardíacos del EEG Interfaz gráfica de usuario Línea de comandos
kit de electrocardiograma X X X X
BeMoBIL X X X
HEPLAB X X X X
CUIDADO-rCortex X X X X
Latidos cerebrales X X X X X X X

TABLA 1: Novedades aportadas por BrainBeats en relación con métodos similares preexistentes.

Información para ayudar a los lectores a decidir si el método es apropiado para ellos
Esta caja de herramientas es apropiada para cualquier investigador o clínico con datos de EEG y ECG/PPG. El plugin aún no admite la importación de señales de EEG y ECG/PPG desde archivos separados (aunque esta función estará disponible pronto). La caja de herramientas es apropiada para cualquier persona que desee realizar análisis HEP/HEO, extraer características de EEG y/o HRV con métodos estandarizados, o simplemente eliminar artefactos cardíacos de las señales de EEG. Consulte la Figura 1 para ver un diagrama de bloques que resume el flujo general y los métodos de BrainBeats.

Figure 1
FIGURA 1. Diagrama de bloques que resume la arquitectura y el flujo general de BrainBeats. Las operaciones que son comunes a los tres métodos son marrones. Las operaciones específicas de los potenciales evocados por latidos cardíacos (HEP) y las oscilaciones (HEO) son verdes. Las operaciones específicas de la extracción de las características del EEG y la VFC son azules. Las operaciones específicas para eliminar artefactos cardíacos de las señales de EEG son rojas. Haga clic aquí para ver una versión más grande de esta figura.

Protocol

Se obtuvo el consentimiento informado de cada participante y el comité de ética de la Universidad Federal de los Urales aprobó el protocolo experimental. 1. Requisitos de BrainBeats Instale MATLAB y EEGLAB en el equipo. EEGLAB se puede descargar en https://github.com/sccn/eeglab y descomprimir (o clonar para usuarios de Git) en cualquier lugar de la computadora. Consulte la página de GitHub para obtener más detalles sobre la instalación. Agregue la ru…

Representative Results

En primer lugar, se utilizó el plugin BrainBeats para preprocesar los datos de EEG y ECG, identificar y eliminar artefactos, y analizar los potenciales evocados por los latidos del corazón (HEP) y las oscilaciones (HEO). BrainBeats detectó con éxito los intervalos RR de la señal de ECG y algunos artefactos RR (Figura 2). BrainBeats también informó en la ventana de comandos que 11/305 (3,61%) de los latidos del corazón se marcaron como artefactos e interpolaron. El índice medio de ca…

Discussion

Pasos críticos en el protocolo
Los pasos críticos se describen en los pasos 1.1-1.4. Las advertencias y los mensajes de error se implementan en varios lugares de la caja de herramientas para ayudar a los usuarios a comprender por qué pueden encontrar problemas (por ejemplo, ubicaciones de los electrodos no cargadas en los datos de EEG, longitud del archivo demasiado corta para calcular una medida confiable de HRV de frecuencia ultrabaja, calidad de la señal demasiado baja para cualquier análisis …

Açıklamalar

The authors have nothing to disclose.

Acknowledgements

El Instituto de Ciencias Noéticas apoyó esta investigación. Agradecemos a los desarrolladores de los algoritmos originales de código abierto que se adaptaron para desarrollar algunos de los algoritmos de BrainBeats.

Materials

EEGLAB Swartz Center for Computational Neuroscience (SCCN) Free/Open-source
MATLAB The Mathworks, Inc. Requires a license
Windows PC Lenovo, Inc.

Referanslar

  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).

Play Video

Bu Makaleden Alıntı Yapın
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).

View Video