BrainBeats als Open-Source-EEGLAB-Plugin zur gemeinsamen Analyse von EEG- und kardiovaskulären Signalen

Lange Zeit dominierte der reduktionistische Ansatz die wissenschaftliche Erforschung der menschlichen Physiologie und Kognition. Bei diesem Ansatz wurden komplexe körperliche und mentale Prozesse in kleinere, besser handhabbare Komponenten zerlegt, so dass sich die Forscher isoliert auf einzelne Systeme konzentrieren konnten. Diese Strategie entstand aufgrund der Herausforderungen bei der Erforschung der komplizierten und miteinander verbundenen Natur des menschlichen Körpers und Geistes¹. Der Reduktionismus hat maßgeblich dazu beigetragen, einzelne Subsysteme isoliert zu verstehen, wie z.B. die Aufklärung der Rolle von Ionenkanälen und Aktionspotentialen für die neuronale² oder kardiale³ Kommunikation. Es gibt jedoch noch eine erhebliche Lücke in unserem Verständnis davon, wie diese isolierten Systeme auf einer größeren räumlichen und zeitlichen Skala interagieren. Der multimodale (integrative oder ökologische) Rahmen betrachtet den menschlichen Körper als ein komplexes multidimensionales System, in dem der Geist nicht als Produkt des Gehirns, sondern als Aktivität des Lebewesens angesehen wird, eine Aktivität, die das Gehirn in die alltäglichen Funktionen des menschlichen Körpers integriert⁴. Die multimodalen und reduktionistischen Ansätze schließen sich nicht aus, so wie wir nicht ein Neuron ohne das gesamte Gehirn oder das gesamte Gehirn untersuchen können, ohne die Eigenschaften einzelner Neuronen zu verstehen. Zusammen ebnen sie den Weg für ein umfassenderes, synergetisches Verständnis der menschlichen Gesundheit, Pathologie, Kognition, Psychologie und Bewusstsein. Die vorliegende Methode zielt darauf ab, die multimodale Untersuchung des Zusammenspiels zwischen Gehirn und Herz zu erleichtern, indem sie die gemeinsame Analyse von Elektroenzephalographie (EEG) und kardiovaskulären Signalen, nämlich Elektrokardiographie (EKG) und Photoplethysmographie (PPG), ermöglicht. Diese Toolbox, die als EEGLAB-Plugin in MATLAB implementiert ist, adressiert bestehende methodische Einschränkungen und ist Open Source, um die Zugänglichkeit und Reproduzierbarkeit im wissenschaftlichen Bereich zu erleichtern. Es implementiert die neuesten Richtlinien und Empfehlungen in seine Design- und Standardparameter, um Benutzer zu ermutigen, bekannte Best Practices zu befolgen. Die vorgeschlagene Toolbox sollte eine wertvolle Ressource für Forscher und Kliniker sein, die daran interessiert sind, 1) herzschlagevozierte Potentiale zu untersuchen, 2) Merkmale aus EEG- und EKG/PPG-Signalen zu extrahieren oder 3) Herzartefakte aus EEG-Signalen zu entfernen.

Herz-Hirn-Forschung
Die Beziehung zwischen Herz und Gehirn wurde in der Vergangenheit mit Hilfe von bildgebenden Verfahren wie der funktionellen Magnetresonanztomographie (fMRT) und der Positronen-Emissions-Tomographie (PET) untersucht. Mit diesen Instrumenten hoben die Forscher einige Gehirnregionen hervor, die mit der kardiovaskulären Kontrolle verbunden sind (z. B. Manipulation der Herzfrequenz und des Blutdrucks⁵), zeigten den Einfluss der Herzfrequenz auf das BOLD-Signal⁶ oder identifizierten potenzielle Gehirn-Körper-Bahnen, die zur koronaren Herzkrankheit beitragen (z. B. stressevozierter Blutdruck⁷). Während diese Studien unser Verständnis des komplexen Zusammenspiels zwischen dem Zentralnervensystem (ZNS) und der Herz-Kreislauf-Funktion erheblich verbessert haben, sind diese Neuroimaging-Verfahren teuer, nur begrenzt verfügbar und auf kontrollierte Laborumgebungen beschränkt, was ihre Praktikabilität für reale und großtechnische Anwendungen einschränkt.

Im Gegensatz dazu sind EEG und EKG/PPG erschwinglichere und tragbarere Werkzeuge, die das Potenzial bieten, Gehirn-Herz-Interaktionen in vielfältigeren Umgebungen und Populationen oder über längere Zeiträume zu untersuchen, was neue Möglichkeiten eröffnet. Das EKG misst die elektrischen Signale, die bei jedem Herzschlag erzeugt werden, wenn sich das Herz zusammenzieht und entspannt, und zwar über Elektroden, die auf der Haut platziert werden (normalerweise an der Brust oder an den Armen)⁸. PPG misst Veränderungen des Blutvolumens in den mikrovaskulären Geweben (d. h. Blutfluss und Pulsfrequenz) mit einer Lichtquelle (z. B. LED) und einem Photodetektor (der üblicherweise an einer Fingerspitze, einem Handgelenk oder einer Stirn angebracht wird), wobei es sich darauf verlässt, wie das Blut mehr Licht absorbiert als das umgebende Gewebe⁹. Beide Methoden liefern wertvolle Informationen über die kardiovaskuläre Funktion, dienen jedoch unterschiedlichen Zwecken und bieten unterschiedliche Datentypen. Wie das EKG zeichnet das EEG die elektrischen Felder auf, die durch die synchronisierte Aktivität von Tausenden von kortikalen Neuronen erzeugt werden, die sich durch die extrazelluläre Matrix, das Gewebe, den Schädel und die Kopfhaut ausbreiten, bis sie die Elektroden erreichen, die auf der Oberfläche der Kopfhaut platziert sind¹⁰. Daher ist die Verwendung von EEG und EKG/PPG vielversprechend, um unser Verständnis der physiologischen, kognitiven und emotionalen Prozesse, die den Gehirn-Herz-Interaktionen zugrunde liegen, und ihrer Auswirkungen auf die menschliche Gesundheit und das Wohlbefinden zu verbessern. Daher kann die Erfassung des Herz-Hirn-Zusammenspiels von EEG- und EKG-/PPG-Signalen mit der BrainBeats-Toolbox besonders nützlich für die folgenden wissenschaftlichen Bereiche sein: klinische Diagnostik und Prognose, maschinelles Lernen (ML) in großen Datenmengen, Selbstüberwachung in der realen Welt¹¹ und mobile Gehirn-/Körperbildgebung (MoBI)^12,13.

Zwei Ansätze zur gemeinsamen Analyse von EEG- und EKG-Signalen
Es gibt zwei Hauptansätze, um die Wechselwirkungen zwischen EEG und kardiovaskulären Signalen zu untersuchen:

Die herzschlagevozierten Potentiale (HEP) im Zeitbereich: ereigniskorrelierte Potentiale (ERP) und die herzschlagevozierten Oszillationen (HEO) im Zeit-Frequenz-Bereich: ereigniskorrelierte spektrale Störungen (ERSP) und Inter-Trial-Kohärenz (ITC). Dieser Ansatz untersucht, wie das Gehirn jeden Herzschlag verarbeitet. Mit einer Genauigkeit von Millisekunden (ms) erfordert diese Methode, dass beide Zeitreihen perfekt synchronisiert sind und die Herzschläge in den EEG-Signalen markiert werden. Dieser Ansatz hat in den letzten Jahren an Interesse gewonnen 14,15,16,17,18,19.

Merkmalsbasierter Ansatz: Dieser Ansatz extrahiert EEG- und Herzfrequenzvariabilitätsmerkmale (HRV) aus kontinuierlichen Signalen und untersucht Assoziationen zwischen ihnen. Dies wurde unabhängig voneinander für EEG (oft als quantitatives EEG oder qEEG²⁰ bezeichnet), EKG 21,22,23 und PPG 24,25,26 durchgeführt. Dieser Ansatz bietet vielversprechende Anwendungen, indem er sowohl zustands- als auch merkmalsbezogene Variablen erfasst. Es ist zu beachten, dass sowohl für EEG- als auch für kardiovaskuläre Signale die Merkmalsvariable umso dominanter ist, je länger die Aufzeichnung dauert 27,28,29. Die Anwendungen hängen also von den Aufnahmeparametern ab. Merkmalsbasierte Analysen gewinnen zunehmend an Interesse und liefern neue quantitative Metriken für die Vorhersage der Entwicklung psychischer und neurologischer Störungen, des Ansprechens auf die Behandlung oder des Rückfalls 30,31,32,33,34,35. Dieser Ansatz ist besonders überzeugend bei großen und realen Datensätzen (z. B. Klinik, Fernüberwachung), die dank der jüngsten Innovationen in der tragbaren Neurotechnologie¹¹ leichter zu erhalten sind. Eine weniger erforschte Anwendung ist die Identifizierung von Assoziationen zwischen spezifischen Gehirn- und Herzmerkmalen, wobei möglicherweise die zugrunde liegende Dynamik des Zentralnervensystems hervorgehoben wird. Die Herzfrequenzvariabilität (HRV) kann sowohl aus EKG- als auch aus PPG-Signalen berechnet werden. Es liefert Informationen über das autonome Nervensystem (ANS), indem es die Schwankungen in den Zeitintervallen zwischen den Herzschlägen (d. h. den normalen bis normalen Intervallen) ^misst27. Eine erhöhte sympathische (SNS) Aktivität (z. B. bei Stress oder körperlicher Belastung) reduziert in der Regel die HRV, während die parasympathische (PNS) Aktivität (z. B. während der Entspannung) sie erhöht. Eine langsamere Atemfrequenz erhöht im Allgemeinen die HRV aufgrund der erhöhten PNS-Aktivität, insbesondere bei kurzen Aufzeichnungen (<10 min)²⁷. Höhere HRV-Werte deuten im Allgemeinen auf ein widerstandsfähigeres und anpassungsfähigeres ANS hin, während eine niedrigere HRV auf Stress, Müdigkeit oder zugrunde liegende Gesundheitsprobleme hinweisen kann. Lange HRV-Aufzeichnungen (d. h. mindestens 24 Stunden) bieten eine prädiktive Prognose für verschiedene Gesundheitszustände, einschließlich Herz-Kreislauf-Erkrankungen, Stress, Angstzustände und einige neurologische Erkrankungen²⁷. Messungen wie Blutdruck, Herzfrequenz oder Cholesterinspiegel geben Aufschluss über den Zustand des Herz-Kreislauf-Systems. Im Gegensatz dazu fügt die HRV einen dynamischen Aspekt hinzu und zeigt, wie das Herz auf Stress reagiert und sich davon erholt.

Die Vorteile von BrainBeats gegenüber bestehenden Methoden
Es gibt zwar Instrumente, um kardiovaskuläre und EEG-Signale unabhängig voneinander zu verarbeiten, aber sie können nicht gemeinsam analysiert werden. Darüber hinaus sind die meisten verfügbaren Mittel zur Verarbeitung kardiovaskulärer Signale mit kostspieligen Lizenzierungen verbunden, erlauben keine automatisierte Verarbeitung (besonders vorteilhaft für große Datensätze), verfügen über proprietäre Algorithmen, die Transparenz und Reproduzierbarkeit verhindern, oder erfordern fortgeschrittene Programmierkenntnisse, da sie keine grafische Benutzeroberfläche (GUI) ^{bereitstellen36}. Unseres Wissens unterstützen vier Open-Source-MATLAB-Toolboxen die HEP/HEO-Analyse mit einer GUI: die EKG-Kit-Toolbox³⁷, die BeMoBIL-Pipeline³⁸, das HEPLAB EEGLAB-Plugin³⁹ und die CARE-rCortex-Toolbox⁴⁰. HEPLAB, BeMoBIL und EKG-Kit erleichtern zwar die HEP-Analyse, indem sie Herzschläge erkennen und in den EEG-Signalen markieren, bieten jedoch keine statistische Analyse oder sind auf den Zeitbereich (d. h. HEP) beschränkt. Das CARE-rCortex-Plugin löste diese Probleme, indem es EKG- und Atemsignale, Zeit-Frequenz-Bereichsanalysen, Statistiken und fortschrittliche Baseline-Normalisierungs- und Korrekturmethoden unterstützte, die an die HEP/HEO-Analyse angepasst sind. Es wird jedoch die Bonferroni-Methode zur statistischen Korrektur des Typ-1-Fehlers (d. h. falsch positiver Ergebnisse) verwendet, die für EEG-Anwendungen zu konservativ und physiologisch nicht solide ist, was zu einer Zunahme von Typ-II-Fehlern (d. h. falsch negativen Ergebnissen) ^führt41. Darüber hinaus bietet die Toolbox keinen Befehlszeilenzugriff für die Automatisierung. Schließlich raten neuere Studien von Baseline-Korrekturmethoden ab 42,43,44, da sie das Signal-Rausch-Verhältnis (SNR) reduzieren und statistisch unnötig und unerwünscht sind.

Um diese Einschränkungen zu beheben, stellen wir die BrainBeats-Toolbox vor, die derzeit als Open-Source-EEGLAB-Plugin in der MATLAB-Umgebung implementiert ist. Es bietet folgende Vorteile gegenüber bisherigen Methoden:

1) Eine einfach zu bedienende GUI und Befehlszeilenfunktionen (für Programmierer, die eine automatisierte Verarbeitung durchführen möchten). 2) Validierte Algorithmen, Parameter und Richtlinien für die Verarbeitung kardiovaskulärer Signale, wie z. B. die Erkennung von R-Peaks, die Interpolation von RR-Artefakten und die Berechnung von HRV-Metriken (z. B. Implantation von Richtlinien für Windowing, Resampling, Normalisierung usw.27,45,46). Dies ist wichtig, da Vest et al. gezeigt haben, wie geringfügige Unterschiede in diesen Verarbeitungsschritten zu unterschiedlichen Ergebnissen führen können, was zur mangelnden Reproduzierbarkeit und klinischen Anwendbarkeit von HRV-Metriken beiträgt⁴⁶. 3) Validierte Algorithmen, Standardparameter und Richtlinien für die Verarbeitung von EEG-Signalen, einschließlich Filterung und Fensterbildung^44,47, Neureferenzierung^48,49, Entfernung abnormaler Kanäle und Artefakte 50,51,52, optimierte ICA-Zerlegung und Klassifizierung unabhängiger Komponenten 53,54,55,56. Die Benutzer können alle Vorverarbeitungsparameter feinabstimmen oder sogar ihre EEG-Daten mit ihrer bevorzugten Methode vorverarbeiten, bevor sie die Toolbox nach ihren Bedürfnissen verwenden (z. B. mit EEGLAB clean_rawdata Plugin^50,52, der BeMoBIL-Pipeline³⁸, der PREP-Pipeline⁵⁷ usw.). 4) Herzschlagevozierte Potentiale (HEP, d.h. Zeitbereich) und Oszillationen (HEO; ereigniskorrelierte spektrale Störungen mit Wavelet- oder FFT-Methoden sowie Kohärenz zwischen den Versuchen sind über die Standard-EEGLAB-Software verfügbar) von EKG-Signalen. Parametrische und nichtparametrische Statistiken mit Korrekturen für Fehler vom Typ 1 sind über die Standardsoftware von EEGLAB verfügbar. Zu den nichtparametrischen Statistiken gehören Permutationsstatistiken und raumzeitliche Korrekturen für Mehrfachvergleiche (z. B. raumzeitliches Clustering oder schwellenwertfreie Clusterverstärkung)^58,59. Benutzer können das LIMO-EEG-Plugin verwenden, um eine hierarchische lineare Modellierung zu implementieren, die die Varianz innerhalb und zwischen den Probanden gut berücksichtigt und einen annahmefreien massenunivariaten Ansatz mit robuster Kontrolle für Fehler vom Typ I und II implementiert^60,61. Die statistischen Analysen der HEP/HEO-Daten können im Kanal- und unabhängigen Komponentenbereich durchgeführt werden. 5) HEP/HEO- und HRV-Analyse von PPG-Signalen (zum ersten Mal für HEP/HEO). 6) Unterstützt zum ersten Mal die gemeinsame Extraktion von EEG- und HRV-Merkmalen. 7) Die Toolbox bietet verschiedene Datenvisualisierungen zur Inspektion von Signalen bei verschiedenen notwendigen Verarbeitungsschritten und Ausgaben auf Subjektebene.

TABELLE 1: Neuheiten, die BrainBeats im Vergleich zu bereits existierenden, ähnlichen Methoden mit sich bringt.

Informationen, die den Lesern bei der Entscheidung helfen, ob die Methode für sie geeignet ist
Diese Toolbox ist für jeden Forscher oder Kliniker geeignet, der über EEG- und EKG/PPG-Daten verfügt. Das Plugin unterstützt noch nicht den Import von EEG- und EKG/PPG-Signalen aus separaten Dateien (obwohl diese Funktion in Kürze verfügbar sein wird). Die Toolbox eignet sich für alle, die HEP/HEO-Analysen durchführen, EEG- und/oder HRV-Merkmale mit standardisierten Methoden extrahieren oder einfach Herzartefakte aus EEG-Signalen entfernen möchten. In Abbildung 1 finden Sie ein Blockdiagramm, das den Gesamtablauf und die Methoden von BrainBeats zusammenfasst.

ABBILDUNG 1. Blockdiagramm, das die Gesamtarchitektur und den Ablauf von BrainBeats zusammenfasst. Die Vorgänge, die in den drei Methoden gemeinsam sind, sind braun. Operationen, die für herzschlagevozierte Potentiale (HEP) und Oszillationen (HEO) spezifisch sind, sind grün. Operationen, die für die Extraktion von EEG- und HRV-Merkmalen spezifisch sind, sind blau. Operationen, die spezifisch für die Entfernung von Herzartefakten aus den EEG-Signalen sind, sind rot. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.