方法文章

BrainBeats：一个用于联合分析脑电图与心血管信号的开源EEGLAB插件

4.1K 次观看

⸱

DOI：

10.3791/65829

⸱

2024年4月26日

 ,  , 
1Centre de Recherche Cerveau et Cognition (CerCo), CNRS, Toulouse III University, 2Institute of Noetic Sciences (IONS), 3Department of Neurology, Oregon Health & Science University, 4Swartz Center of Computational Neuroscience (SCCN), INC, UCSD

本文内容

摘要

BrainBeats 工具箱是一个开源的 EEGLAB 插件，旨在联合分析脑电图（EEG）和心血管信号（ECG/PPG）。该工具箱包含心搏诱发电位（HEP）评估、基于特征的分析以及从脑电图信号中提取心脏伪迹等功能。本实验方案将通过两个视角（HEP 和特征分析）促进对脑-心相互作用的研究，提升研究的可重复性和可及性。

摘要

大脑与心血管系统之间的相互作用正受到越来越多的关注，因其有望加深我们对人类生理学的理解并改善健康结局。然而，由于缺乏相关指南、标准化的信号处理与统计工具、图形用户界面（GUI）以及对大规模数据集的自动化处理手段或可重复性提升方法，这些信号的多模态分析仍面临挑战。此外，在标准化的脑电图（EEG）和心率变异性（HRV）特征提取方法方面也存在空白，这削弱了临床诊断的可靠性或机器学习（ML）模型的稳健性。针对这些局限性，我们推出了 BrainBeats 工具箱。该工具箱以开源 EEGLAB 插件的形式实现，集成了三个主要协议：1）心跳诱发电位（HEP）与心跳相关振荡（HEO），用于在毫秒级精度上评估大脑与心脏之间的时间锁定相互作用；2）EEG 与 HRV 特征提取，用于分析不同脑与心脏指标之间的关联性或差异性，或构建稳健的基于特征的机器学习模型；3）从 EEG 信号中自动提取心脏伪迹，以在进行 EEG 分析时消除潜在的心血管信号污染。我们提供了一步一步的操作教程，指导如何将这三种方法应用于一个包含同步 64 导联 EEG、ECG 和 PPG 信号的开源数据集。用户可通过图形用户界面（GUI）或命令行轻松调整参数，以满足其特定的研究需求。BrainBeats 将使脑-心相互作用的研究更加便捷且具备更高的可重复性。

引言

长期以来，还原论方法在人类生理学和认知科学的研究中占据主导地位。该方法将复杂的身体和心理过程分解为更小、更易处理的组成部分，使研究人员能够孤立地研究各个系统。这种策略的产生源于研究人体和大脑复杂且相互关联特性的困难1。还原论在孤立地理解各个子系统方面发挥了重要作用，例如阐明离子通道和动作电位在神经2或心脏3信号传导中的作用。然而，我们对这些孤立系统如何在更大的空间和时间尺度上相互作用仍存在显著的知识空白。多模态（整合性或生态性）框架将人体视为一个复杂的多维系统，其中心智并非大脑的产物，而是生命体的一种活动，这种活动将大脑整合到人体的日常功能之中4。多模态与还原论方法并非互斥，正如我们无法脱离整个大脑研究单个神经元，也无法在不了解单个神经元特性的前提下研究整个大脑。二者共同为更全面、协同地理解人类健康、病理、认知、心理学和意识铺平了道路。本方法旨在通过联合分析脑电图（EEG）与心血管信号——即心电图（ECG）和光电容积脉搏波（PPG）——来促进对脑-心相互作用的多模态研究。该工具箱以MATLAB中的EEGLAB插件形式实现，旨在解决现有方法学上的局限性，并以开源形式发布，以提升科学研究的可及性与可重复性。其设计和默认参数遵循最新的指南与建议，以鼓励用户遵循已知的最佳实践。该工具箱可为以下研究人员和临床医生提供有价值的资源：1）研究 心跳诱发电位 ；2）从EEG和ECG/PPG信号中提取特征；或3）去除EEG信号中的心脏伪迹。

心脑研究
历史上，心脏与大脑之间的关系主要通过功能磁共振成像（fMRI）和正电子发射断层扫描（PET）等神经影像学方法进行研究。利用这些工具，研究人员揭示了某些与心血管调控相关的大脑区域（例如，对心率和血压的调节5），证明了心率对BOLD信号的影响6，或识别出可能参与冠心病发生发展的脑-体通路（例如，应激诱发的血压升高7）。尽管这些研究极大地加深了我们对中枢神经系统（CNS）与心血管功能之间复杂相互作用的理解，但这些神经影像技术成本高昂、可及性有限，且只能在受控的实验室环境中使用，限制了其在真实世界和大规模应用中的实用性。

相比之下，脑电图（EEG）和心电图（ECG）/光电容积描记法（PPG）是成本更低且便携性更高的工具，有望在更多样化的环境和人群中，或在更长时间内研究脑-心相互作用，从而带来新的研究机遇。ECG通过放置在皮肤上的电极（通常位于胸部或手臂）测量每次心跳时心脏收缩和舒张所产生的电信号8。PPG利用光源（例如LED）和光电探测器（通常置于指尖、手腕或前额）测量微血管组织中的血容量变化（即血流和脉搏率），其原理基于血液对光的吸收程度高于周围组织9。这两种方法均能提供有关心血管功能的重要信息，但用途不同，且提供的数据类型各异。与ECG类似，EEG记录的是大量皮层神经元同步活动所产生的电场，这些信号穿过细胞外基质、组织、颅骨和头皮，最终到达放置于头皮表面的电极10。因此，结合EEG与ECG/PPG信号，利用BrainBeats工具箱捕捉脑-心相互作用，有望显著推动我们对脑-心交互背后生理、认知和情绪过程的理解，并揭示其对人类健康与福祉的影响。因此，基于EEG和ECG/PPG信号，通过BrainBeats工具箱研究脑-心互动可能在以下科学领域具有特别重要的应用价值：临床诊断与预测、大数据机器学习（ML）、真实世界中的自我监测11，以及移动脑/体成像（MoBI）12,13。

联合分析脑电图和心电图信号的两种方法
研究脑电图（EEG）与心血管信号之间相互作用主要有两种方法：

时域中的心跳诱发电位（HEP）：事件相关电位（ERP），以及时频域中的心跳诱发振荡（HEO）：事件相关谱扰动（ERSP）和试验间一致性（ITC）。该方法用于研究大脑如何处理每一次心跳。该方法具有毫秒（ms）级的时间精度，要求两个时间序列完全同步，并在脑电（EEG）信号中标记出每一次心跳。近年来，该方法已引起广泛关注14,15,16,17,18,19。

基于特征的方法：该方法从连续信号中提取脑电图（EEG）和心率变异性（HRV）特征，并分析它们之间的关联。此前已分别对EEG（常称为定量脑电图或qEEG20）、ECG21,22,23以及PPG24,25,26进行了独立研究。该方法通过捕捉状态相关和特质相关的变量，展现出良好的应用前景。需要注意的是，对于EEG和心血管信号而言，记录时间越长，特质变量的影响越占主导地位27,28,29。因此，其应用效果取决于记录参数。基于特征的分析正受到越来越多的关注，为预测精神和神经系统疾病的进展、治疗反应或复发提供了新的量化指标30,31,32,33,34,35。该方法在大规模真实世界数据集（例如临床数据、远程监测数据）中尤其具有吸引力，而近年来可穿戴神经技术的创新使得此类数据更易于获取11。另一个较少被探索的应用是识别特定脑部与心脏特征之间的关联，从而揭示潜在的中枢神经系统动态机制。心率变异性（HRV）可通过ECG和PPG信号计算得出。它通过测量心跳间期的变化（即正常-正常间期）来反映自主神经系统（ANS）的功能状态27。交感神经（SNS）活动增强（如在应激或运动期间）通常会降低HRV，而副交感神经（PNS）活动（如在放松状态下）则会增加HRV。较慢的呼吸频率通常会因PNS活动增强而提高HRV，尤其是在短时记录（<10分钟）中更为明显27。较高的HRV值通常表明自主神经系统更具弹性与适应能力，而较低的HRV可能提示存在应激、疲劳或潜在健康问题。长时间的HRV记录（即至少24小时）可为多种健康状况提供预后预测，包括心血管疾病、应激、焦虑以及某些神经系统疾病27。血压、心率或胆固醇水平等指标可反映心血管系统的当前状态，而HRV则提供了动态信息，显示心脏对压力的响应及恢复能力。

BrainBeats 相较于现有方法的优势
尽管目前已有一些工具（如下文所述）可独立处理心脑血管信号和脑电图（EEG）信号，但这些工具无法实现联合分析。此外，大多数现有心脑血管信号处理方法存在以下问题：需要支付高昂的授权费用、不支持自动化处理（而自动化对大规模数据集尤为重要）、采用专有算法导致缺乏透明度和可重复性，或因未提供图形用户界面（GUI）而要求使用者具备高级编程技能36。据我们所知，目前有四个开源的 MATLAB 工具箱支持通过 GUI 进行心电-脑电耦合（HEP/HEO）分析：ecg-kit 工具箱37、BeMoBIL 流程38、HEPLAB EEGLAB 插件39 和 CARE-rCortex 工具箱40。HEPLAB、BeMoBIL 和 ecg-kit 虽然能够通过检测心跳并在 EEG 信号中标记心跳事件来辅助 HEP 分析，但它们不提供统计分析功能，或仅限于时域分析（即 HEP）。CARE-rCortex 插件在这些方面有所改进，支持心电（ECG）和呼吸信号处理、时频域分析、统计分析，以及针对 HEP/HEO 分析优化的先进基线归一化与校正方法。然而，该工具箱在统计学上采用 Bonferroni 方法对 I 类错误（即假阳性）进行校正，这种方法过于保守，不符合 EEG 应用的生理学实际，容易导致 II 类错误（即假阴性）增加41。此外，该工具箱不支持命令行调用，因而无法实现自动化处理。最后，近期研究建议避免使用基线校正方法42,43,44，因为这类方法会降低信噪比（SNR），且在统计学上既不必要也不可取。

为解决这些局限性，我们推出了 BrainBeats 工具箱，目前以开源 EEGLAB 插件的形式在 MATLAB 环境中实现。该工具箱相较于以往方法具有以下优势：

1）提供易于使用的图形用户界面（GUI）以及命令行功能（适用于希望执行自动化处理的程序员）。2）提供经过验证的算法、参数和指南，用于处理心血管信号，例如检测R波峰值、插值RR伪迹以及计算心率变异性（HRV）指标（例如，内嵌有关窗函数、重采样、归一化等步骤的指南27,45,46）。这一点至关重要，因为Vest等人已证明，这些处理步骤中的微小差异可能导致结果出现分歧，从而影响HRV指标的可重复性与临床适用性46。3）提供经过验证的算法、默认参数和指南，用于处理脑电图（EEG）信号，包括滤波与分段44,47、重参考48,49、异常通道及伪迹的剔除50,51,52、优化的独立成分分析（ICA）分解及独立成分分类53,54,55,56。用户可对所有预处理参数进行精细调整，或在使用工具箱前采用其偏好的方法对EEG数据进行预处理，以满足特定需求（例如，使用EEGLAB clean_rawdata插件50,52、BeMoBIL流程38、PREP流程57等）。4）支持从ECG信号提取心跳诱发电位（HEP，即时域）和心跳相关振荡（HEO；通过标准EEGLAB软件可实现基于小波或FFT方法的事件相关谱扰动分析，以及试次间一致性分析）。参数化与非参数化统计方法（含对Ⅰ类错误的校正）可通过EEGLAB标准软件实现。非参数化统计包括置换检验以及针对多重比较的时空校正方法（例如，时空聚类或无阈值聚类增强）58,59。用户可使用LIMO-EEG插件实施分层线性建模，该方法能有效处理被试内与被试间变异，并采用无需假设的大规模单变量方法，对Ⅰ类和Ⅱ类错误实现稳健控制60,61。HEP/HEO数据的统计分析可在通道域和独立成分域中进行。5）首次支持从PPG信号中进行HEP/HEO与HRV分析（对HEP/HEO而言为首次）。6）首次支持同步提取EEG与HRV特征。7）该工具箱提供多种数据可视化功能，可用于在各个必要的处理步骤中检查信号，并查看个体水平的分析结果输出。

方法从心电图中检测R波峰值从PPG中检测R波HEP/HEO脑电图 & HRV 特征去除脑电图中的心脏伪迹图形用户界面命令行
心电图套件XXXX
BeMoBILXXX
HEPLABXXXX
CARE-rCortexXXXX
BrainBeatsXXXXXXX

表1： BrainBeats 相较于已有的类似方法所引入的新颖之处。

帮助读者判断该方法是否适用于自身需求的信息
本工具箱适用于所有拥有脑电图（EEG）和心电图（ECG）/光电容积描记法（PPG）数据的研究人员或临床医生。当前插件尚不支持从独立文件中分别导入 EEG 和 ECG/PPG 信号（但该功能即将上线）。本工具箱适用于希望进行心电诱发脑电位（HEP）/心电诱发脑电振荡（HEO）分析、使用标准化方法提取 EEG 和/或心率变异性（HRV）特征，或仅需从 EEG 信号中去除心脏伪迹的用户。有关 BrainBeats 整体流程与方法的框图，请参见图 1。

figure-introduction-1
图1. 总结 BrainBeats 整体架构与流程的框图。 三种方法共有的操作步骤用棕色表示。专用于心搏诱发电位（HEP）和心搏振荡（HEO）的操作用绿色表示。专用于提取脑电图（EEG）和心率变异性（HRV）特征的操作用蓝色表示。专用于从脑电图信号中去除心脏伪迹的操作用红色表示。 请点击此处以查看此图的放大版本。

方案

已从每位参与者处获得知情同意，实验方案已获乌拉尔联邦大学伦理委员会批准。

1. BrainBeats 使用要求

  1. 在计算机上安装 MATLAB 和 EEGLAB。EEGLAB 可从 https://github.com/sccn/eeglab 下载并解压（Git 用户也可直接克隆），解压位置可为计算机上的任意目录。更多安装详情请参见 GitHub 页面。 
  2. 在 MATLAB 主界面中点击 设置路径 按钮，将 EEGLAB 文件夹路径添加至 MATLAB 路径中。选择包含解压文件的 eeglab 文件夹，然后点击 保存 > 关闭。
  3. 在 MATLAB 命令窗口中输入 eeglab 以启动 EEGLAB。
  4. 点击 文件 > 管理 EEGLAB 扩展，安装 BrainBeats 插件。在搜索栏中输入 brainbeats ，在列表中选择 BrainBeats 插件，然后点击 安装/更新。
  5. 将示例数据集加载至 EEGLAB。点击 文件 > 加载现有数据。导航至 EEGLAB 文件夹，进入 plugins 文件夹，再进入 BrainBeats 文件夹，打开 sample_data 文件夹。选择文件 dataset.set。
    注：该数据集对应一个开源多被试数据集中的 sub-032（睁眼静息态）62,63。选择该数据集是因为其包含同步采集的 EEG（64 导联）、ECG（1 导联）和 PPG（1 导联）信号，采样率为 1000 Hz。ECG 和 PPG 信号通过 actiCHamp 系统的辅助输入通道采集。EEG 数据使用根据 10-20 系统放置的有源电极记录，FCz 作为在线参考电极，Fpz 作为接地电极，阻抗保持在 25 kΩ 以下。ECG 信号通过放置在右腕的一个有源电极、左腕的参考电极以及肘部内侧下方 3 cm 处左前臂的接地电极记录。PPG 信号从左手食指采集。由于 EEG、ECG 和 PPG 数据使用同一放大器同步采集，因此时间上是同步的。更多详细信息请参见参考文献62,63。
  6. 勾选 保存输出 复选框，以将所有内容保存至与原始加载文件相同位置的相应 .set 文件中。
    注：在本教程中，我们将 EEG、ECG 和 PPG 数据合并为一个 EEGLAB 数据集，加载了三维边界元法（BEM）电极坐标，并将信号下采样至 250 Hz，以减小文件体积（便于用户下载）并加快计算速度。由于该数据集原本无异常 EEG 导联，我们人为修改了 TP9 导联以演示 BrainBeats 的坏导联检测与剔除算法。同样，我们人为在文件起始处模拟了一个较大的 EEG 伪迹，并在 3–6 s 时间段内在颞区导联模拟高频肌电样伪迹，以演示 BrainBeats 的伪迹去除功能。

2. 心跳诱发电位（HEP）与振荡（HEO）

  1. 打开 BrainBeats 的首个通用用户界面（GUI）以选择主要参数。在 EEGLAB 中，点击 工具 > BrainBeats > 1st 水平（受试者水平）选择 心搏诱发电位 HEP 运行分析， 心电图 选择心电数据类型，点击按钮显示通道列表，选择标记为 ECG 的心电图通道（或直接在文本框中输入 ECG）。保留选项 可视化输出（推荐） 和 保存输出结果 选择并点击 好的.
  2. 第二个图形用户界面窗口将根据之前的选项（即包含ECG数据的HEP分析）弹出。请选择EEG和ECG信号的预处理参数。通过取消勾选相应复选框来关闭预处理功能 预处理心电图 和 预处理脑电图 以确认在启动 BrainBeats 之前数据是否已被预处理。更改 电源线噪声 至 50 Hz 在 预处理脑电图片段 由于这些脑电图数据是在俄罗斯采集的。点击 好的 启动。
  3. 将出现一条警告消息，提示确认是否删除已检测到的PPG通道。这是因为该工具箱无法同时分析ECG和PPG信号（或其他辅助通道），若将PPG通道保留在数据集中，将导致严重错误（如伪迹去除失败、ICA分解效果差等）。点击 是BrainBeats 开始执行一些检查，设置默认参数，并将心电图（ECG）信号从脑电图（EEG）数据中分离，以预处理 ECG 信号并计算 RR 间期。
  4. 使用 Physionet 心血管信号工具箱中的已验证算法对 ECG 和 RR 时间序列进行预处理46,64 根据 BrainBeats 的数据格式进行调整，以提高清晰度、参数调优和计算效率（算法验证参见参考文献）。该插件输出 RR 间期、时间戳、滤波后的 ECG 信号、R 波峰值索引及心率（HR）。可通过图形用户界面（GUI）或命令行调整这些参数。
    注意：心电图信号使用定制且经过验证的带通滤波器（1-30 Hz）进行滤波，并采用Pan-Tompkins算法扫描信号以识别QRS波群和R波峰值&T) 方法65，实施一些信号处理操作，包括微分、平方、积分和滤波，以实现最佳性能。该P&T 能量阈值根据采样率和平滑后的 ECG 值进行估算，以避免受到大幅波动的干扰。若 RR 间期变异性超过中位数的 1.5 倍，系统将搜索遗漏的峰值。在每 30 秒时间段内计算平均 R 波峰值符号，并通过不应期检查对峰值点进行优化，以处理基线平坦情况并确保检测的一致性。
  5. 接下来，BrainBeats 使用前向-后向搜索法结合生理学阈值，识别 RR 间期中的异常 RR 间期或间期内的尖峰。信号质量指数（SQI）被计算46；如果系统显示警告，提示超过20%的RR间期序列包含RR伪迹（超出生理范围或信号质量指数SQI低于0.9），请勾选此项。图表将显示滤波后的ECG信号、识别出的R波峰值、NN间期以及插值处理的伪迹（参见 图2).
    注意：RR 伪影默认使用保形分段三次插值法进行插值，以获得正常到正常（NN）间期；但可根据需要将其移除（不推荐）或采用其他插值方法（线性、三次、最近邻、前/后邻、样条、三次卷积或修正 Akima 三次插值法）。当存在多个 ECG 通道时，将分别为每个通道估算 RR 间期，并选择 RR 伪影数量最少的通道用于后续步骤。
  6. 通过按压滚动查看放大的 R 波峰 30 秒窗口，以便更仔细地检查 向右/向左箭头如果数据包含多个 ECG/PPG 通道，请选择信号质量指数最佳的通道用于 RR 间期分析。目前 BrainBeats 不支持同时处理 ECG 和 PPG 信号。出于教学目的，我们选择了一个同时包含这两种数据类型的示例数据集。
  7. 完成 ECG 信号处理后，默认情况下，BrainBeats 使用非线性因果最小相位 FIR 滤波器对 EEG 数据进行 1–40 Hz 的带通滤波，以减少心跳前后时段之间的信号扩散，保持因果性，并避免不必要的群延迟44这一点对于研究心跳前时期的用户尤为重要。如果低通滤波器的截止频率设置高于电源线频率（例如，低通截止频率为80 Hz，而电源线频率为50 Hz），应使用锐利的陷波滤波器以去除工频干扰伪迹。随后，采用REST算法将脑电数据重新参考至无穷远参考（此方法最适用于心电诱发脑电位分析）。49除非检测到的通道数少于30个（此时无法可靠地重新参考，系统将生成警告以提醒用户）。
  8. BrainBeats 随后检测、移除并插值异常的 EEG 通道（图3）。检查默认参数是否为持续时间超过5秒的平坦直线（clean_flatlines算法）、高频噪声标准差最大为10、时间窗长度为5秒（以更有效地捕捉低频伪迹）52相邻通道间的最小相关性为0.65，最大允许比例为33%（clean_channels算法）。
    注意：默认情况下，RANSAC 采样次数设置为 500，以提高坏通道剔除的收敛性和可重复性（尽管这会增加计算时间）。
  9. 接下来，将R波峰值作为事件标记插入脑电图（EEG）数据中，以标记每一次心跳，并围绕这些标记对数据进行分段，不进行基线校正（按照指南要求）43,66; 图4）。由于NN间期长度不同，而EEG必须以恒定长度进行分段，因此需在R波峰值事件后，根据5th 间搏周期（IBI）数据的第5百分位数（即短于该值的最短IBI占总IBI的5%，在直方图中以红色虚线表示；参见 图5).
    注意：此 5th 百分位数值是一种较好的折衷选择，可在确保各时段不过短的同时保留尽可能多的时段，因为HEP/HEO分析所关注的时间段为心跳后200-600毫秒49,67.
  10. 将 EEG 数据从 R 波峰前 300 毫秒至 5th R波峰值后百分位值，以R波峰值为时间0点。根据指南，剔除短于550 ms或包含多个R波峰值的时段（以避免对ERP/ERSP造成偏差）49,67使用均方根（RMS）和信噪比（SNR）指标，结合 MATLAB 的 isoutlier 函数，检测包含显著 EEG 伪迹的时段图6）。人为伪迹时段被剔除。
  11. 使用默认的Infomax算法进行盲源分离，并考虑数据秩以获得最佳性能53如有需要，可选择预条件独立成分分析（PICARD）算法以实现快速计算54,54 通过选择该选项 Picard（快速） 或通过选择选项使用改进的Infomax算法 改进的Infomax算法（耗时较长但可重复） 对于场独立成分分析（ICA）方法（尽管这涉及更长的计算时间）。使用 ICLabel 插件56 自动分类独立成分以提取非脑源性伪迹（眼动成分以90%的置信度被去除，而肌电、电源线干扰及通道噪声则以99%的置信度被去除）； 图7).
  12. 保留该选项 可视化输出 在第一个图形用户界面窗口中选择以可视化最终的脑电时间序列和总平均 HEP（图8 顶部），每次心跳的肝静脉血流（HEP）图8 底部）以及心跳诱发电振荡的总体平均值（HEO； 图9）。从事件相关谱扰动（ERSP，即在心跳周期中脑电功率的变化）的角度分析 HEOs； 图9 顶部）以及试次间相位一致性（ITC，即在不同心跳周期中相位角的一致性； 图9 底部).
    注意：ERSP 使用默认的 3 周期小波（应用了汉宁窗，填充比为 2）进行计算，用于较高频率的小波周期数缓慢增加，最多达到其最高频率对应 FFT 窗口中周期数的 20%（即 1 减去 0.8）。这用于控制该函数所测量的各个时间窗的形状及其在最终时频图中的形态。为便于图示，已去除任意基线，ERSP 的计算频率范围设定为 7–25 Hz，以捕捉文献中描述的典型 HEO 效应，即在心搏后 300–450 ms 期间、额中央电极区域的 alpha 频段（8–13 Hz）活动17,67由于心动周期间期定义的时程较短，无法估计较低频率。采用非参数（置换）统计方法可视化HEO，显著性水平设为校正后错误发现率（FDR，即Ⅰ类错误或族系误差）的p值0.05。这些图谱可用于教学目的或单次试验分析。
  13. 生成预处理图以可视化各个步骤。如需关闭，请取消勾选该复选框 可视化预处理最终的脑电图数据（在R波峰值附近经过清理和分段）不包含心电图数据，因为这会干扰事件相关电位/事件相关同步去同步化（ERP/ERSP）分析。若需在最终输出中保留心电通道，请勾选该复选框 保持心通道.
    注意：在处理下一个文件（下一个条件或参与者）之前，可根据需要在此暂停。
  14. BrainBeats 支持 EEGLAB 的历史记录功能。所有操作结束后，输入 eegh 在 MATLAB 命令窗口中输入命令，以打印出可通过单行命令重复上述所有步骤的命令行，该命令行包含在图形用户界面（GUI）中手动选择的参数，从而实现便捷的自动化。预处理的输出结果（例如：心血管时间序列的信号质量指数、NN 间期、被移除的 EEG 通道、片段和成分等）可在 EEGLAB 结构 EEG.brainbeats.preprocessings 中找到。所有参数 также 被导出至 EEG.brainbeats.parameters 中。
  15. 对于高级用户，可使用以下命令行并采用默认参数执行上述所有步骤（更多选项请参见 BrainBeats 代码库中的教程脚本）：
    eeglab；关闭；% 在不启动图形用户界面的情况下运行 EEGLAB
    main_path = fileparts(which('eegplugin_BrainBeats.m')); cd(main_path);
    EEG = pop_loadset('filename','dataset.set',
    'filepath',fullfile(main_path, 'sample_data')); %加载示例数据集
    EEG = brainbeats_process(EEG,'analysis',
    肝, 心电信号, ECG, 心脏通道
    {'ECG'},'clean_eeg',true); % 启动 BrainBeats 1st 使用默认参数对文件进行高能物理分析的处理级别
  16. 上述步骤已从ECG信号中提取了HEP/HEO。请按以下步骤对PPG信号进行处理。
  17. 在接下来的步骤中，执行相同的操作，但使用PPG信号。由于之前的操作已覆盖数据，需再次加载同一数据集（参见步骤1.5），并重新打开BrainBeats的第一个图形用户界面以选择主要参数。点击 工具 > BrainBeats > 1st 水平（受试者水平）选择 心跳诱发电位（HEP） 运行分析， PPG 选择心率数据类型，点击按钮以显示通道列表，从中选择PPG通道。保持选项不变 可视化输出（推荐） 和 保存输出结果 选择并单击“确定”。
  18. 第二个图形用户界面窗口将以与步骤 2.2 类似的方式弹出。唯一的区别是我们现在可以微调参数，以处理 PPG 信号而非 ECG 信号。点击 好的 使用默认参数运行。
  19. 出现一条警告消息，提示确认是否删除已检测到的额外 ECG 通道。此情况属于正常现象。单击 是默认情况下，工具箱将对PPG信号进行预处理，检测脉搏波以获取RR间期，识别是否存在RR伪影，并对伪影进行插值校正。图10）。执行步骤 2.7 至 2.12，并生成相同的图表和输出结果，但基于从 PPG 信号中检测到的 R 波（参见 图11 和 图12).
    注意：R波通过在指定时间窗内检测信号的斜率来识别。当斜率超过一个动态阈值时，即标记为潜在脉冲，该阈值根据检测历史和信号特征进行动态调整。随后，算法在眼闭合期（eye-closing period）内搜索以精确定位最大斜率点，并通过阈值法确定脉搏波的起始点。R波峰值被识别为起始点附近的波谷，并记录其位置。算法遍历整个信号，持续调整检测阈值并识别R波峰值，进而用于计算RR间期。
  20. 对于高级用户，可使用以下命令行并采用默认参数执行上述所有步骤（更多选项请参见 BrainBeats 代码仓库中的教程脚本）：
    eeglab；关闭；% 在不启动图形用户界面的情况下运行 EEGLAB
    main_path = fileparts(which('eegplugin_
    BrainBeats.m')); cd(main_path);
    EEG = pop_loadset('filename','dataset.set'
    'filepath', fullfile(main_path, 'sample_data')；% 加载样本数据集
    EEG = brainbeats_process(EEG,'analysis',
    hep'、'heart_signal'、'PPG'、'heart_channels
    {'PPG'},'clean_eeg',true); % 启动 BrainBeats 1st 使用默认参数对文件进行高能物理分析的处理级别

3. 提取脑电图和心率变异性特征

  1. 再次加载相同的数据集（参见步骤 1.5；点击 文件 > 加载现有数据集 > 选择数据集.set）因为之前的操​​作已将其覆盖，再次打开主图形用户界面以选择主要参数（步骤 2.1；点击 工具 > BrainBeats > 1st 水平）。选择 提取脑电图 & HRV 特征 对于分析类型， 心电图 对于心电信号类型，进行选择 心电图 在电极标签列表中点击 好的.
  2. 第二个图形用户界面窗口将弹出，与步骤2.2中的窗口类似，但包含用于EEG预处理以及提取HRV和EEG特征的不同参数。请按照以下说明设置这些参数。点击 好的 以默认参数启动。
    1. 在HRV部分，单击按钮 频率选项 选择计算HRV功率的方法（默认设置为归一化的Lomb-Scargle周期图）、窗口重叠比例（默认设置为25%），以及是否进行二级归一化（默认未启用；详见下文注释）。
    2. 在 EEG 特征部分，单击按钮 频率选项 用于微调某些参数，例如计算功率谱密度（PSD；默认值 = 1–40 Hz）的总体频率范围、单位（分贝，µV）2/Hz，或相对于总功率进行归一化），窗函数类型（默认 = 汉明窗），窗函数重叠率（默认 = 50%），窗长（默认 = 2 s），以及每个频段的频率边界类型。
      注意：HRV 功率默认使用归一化的 Lomb-Scargle 周期图法计算，该方法无需重采样（因此能更好地保留原始信息），并能最优处理非均匀采样数据、缺失数据及噪声（NN 间期数据中常见情况）68归一化版本通过信号的方差对功率进行缩放，所得结果对噪声水平的变化较不敏感，更聚焦于周期性成分的相对强度，并且在不同记录或受试者之间更具可比性。其他可用方法包括非归一化的Lomb-Scargle周期图、Welch方法和快速傅里叶变换（FFT）。对于Welch和FFT方法，系统会自动执行重采样，以生成所需的规则采样时间序列。还可通过将每个频段的功率除以总功率，进行第二级归一化处理，从而更直观地反映各个频率成分对总功率的相对贡献。该功能默认关闭，因其仅在四个频段均可用时才有意义，而这要求信号时长至少为24小时。这些算法改编自Physionet心血管信号处理工具箱。46.
  3. 相同的警告消息会出现，提示确认是否删除已检测到的额外PPG通道。这种情况属于正常现象。单击 是BrainBeats 将开始预处理 ECG 数据，并以与步骤 2.4 相同的方式提取 NN 间期。随后，从 NN 间期中提取时域（SDNN、RMSSD、pNN50）、频域（ULF、VLF、LF、HF、LF:HF 比值、总功率）和非线性域（Poincaré 图、相位校正信号平均、模糊熵和分形维数）的心率变异性（HRV）特征。
    注意：BrainBeats 会自动检查文件长度，以确保满足最低要求（例如，ULF-HRV 功率需要 24 小时数据），若不满足则发送警告信息，并且不会导出这些特征，以防止不可靠的估算。BrainBeats 遵循心率变异性指标估算的相关指南和建议27,45.
  4. BrainBeats 按照步骤 2.7 对脑电图数据进行预处理。（参见 图3）。使用伪迹子空间重建（artifact subspace reconstruction, ASR）算法在连续数据中自动检测大伪迹50,52 （默认SD标准设为30，并使用80%的可用内存以提高速度）。这些大型伪迹将从EEG数据中移除（参见 图13）。要在图形用户界面中调整这些参数，请选择相应字段 用于ASR的阈值以剔除不良片段及ASR可用的内存容量.
    注意：由于在特征模式下，各个信号的特征是分别估算的，因此脑电图（EEG）和心血管时间序列无需进行时间同步。因此，EEG伪迹可直接从EEG数据中去除（红色部分， 图13），而HEP模式则不同，该模式要求两个时间序列的时间同步精度达到毫秒级，因此包含伪迹的片段均被剔除。
  5. 使用与HEP相同的算法和参数进行ICA（见步骤2.11），但此次若以99%的置信度检测到心脏成分，则将其去除（在HEP/HEO中这些成分被保留，因为我们不希望去除与心脏相关的有效信号）。
  6. 盒子 频域 在步骤3.2中进行检查，因此BrainBeats提取以下频域特征：delta（1-3 Hz）、theta（3-7 Hz）、alpha（8-13 Hz）、beta（13-30 Hz）和gamma（30+ Hz）频段的平均功率谱密度（PSD）、个体α频率（IAF），以及所有可用（对称）电极对上的α不对称性。请检查这些特征。
    注意：将功率谱密度（PSD）转换为分贝（dB）有助于在不同记录和受试者之间比较结果。频率范围可设置为常规范围（例如，预定义的8-13 Hz作为α频段），也可设置为个体化范围，后者通过分析功率谱密度分布来确定，以考虑个体间的差异。69 （例如，alpha 频段为 7.3-12.6 Hz）。该算法专为 alpha 频段设计，对于其他频段效果不佳，尤其是在功率谱分布中不存在明显峰值时。个体 alpha 频率（IAF）通过 alpha 频段的重心法进行估算，以更有效地处理分裂峰值或不明确的峰值。69α不对称性根据指南进行计算（采用2秒汉明窗，50%重叠，左侧通道α功率的对数减去右侧通道α功率的对数）47因此，正值表示左侧α波功率大于右侧，反之亦然。可通过将每个电极的α波功率除以所有电极α波功率的总和，对α波不对称性进行标准化。47对称电极对是通过theta距离获得的，这要求EEG数据包含电极坐标。
  7. 盒子 非线性域 在步骤 3.2 中进行检查，BrainBeats 提取每个 EEG 通道的模糊熵和分形维数。
    注意：非线性域特征被认为能够捕捉脑部复杂的非线性动态，这些动态常被频谱分析方法所忽略，且在研究不同身体系统间相互作用方面展现出独特潜力70,71,72模糊熵相较于其替代方法（样本熵和近似熵）更为可靠且稳健，但计算耗时更长（尤其是在处理采样率较高的长时程脑电图时间序列时）。为解决此问题，当脑电图信号时长超过2分钟且采样率高于100 Hz时，系统会自动将其下采样（若采样因子非整数则进行抽取）至90 Hz（即奈奎斯特频率为45 Hz，以匹配默认的低通滤波器，并尽可能避免工频噪声伪迹）。此外，在估计脑电图特征时，默认启用并行计算，以缩短计算时间，尤其适用于拥有大量脑电通道的情况。
  8. 选择 可视化输出结果 在第一个图形用户界面（见步骤 3.1）中，生成显示心率变异性（HRV）和脑电图（EEG）数据功率谱密度（PSD）的图图14）以及显示某些脑电图特征的头皮地形图（图15).
    注意：您还可以在 EEG.brainbeats.preprocessing 中找到一些预处理结果，以及在 EEG.brainbeats.parameters 中查看所有使用的参数。我们鼓励用户在科学出版物中报告这些输出，以提高研究结果的可重复性。
  9. 保持 保存输出结果 在第一个图形用户界面窗口中勾选该选项框，以将所有导出到 EEGLAB .set 文件的特征保存在 EEG.brainbeats.features 中，并将这些特征保存为与数据集加载路径相同的文件夹中的 .mat 文件。
  10. BrainBeats 支持 EEGLAB 的历史记录功能。在完成所有操作后，输入 eegh 在 MATLAB 命令窗口中输入该命令行，即可打印出一条命令，通过该命令行可使用图形用户界面（GUI）中手动选择的参数，一键重复执行上述所有步骤，从而实现操作的便捷自动化与复现。
  11. 对于高级用户，可通过以下命令执行上述所有步骤：
    eeglab；关闭；% 在不启动图形用户界面的情况下启动 EEGLAB
    main_path = fileparts(which('eegplugin_BrainBeats.m')); cd(main_path);
    EEG = pop_loadset('filename','dataset.set',
    'filepath',fullfile(main_path, 'sample_data')); % 加载示例数据集
    EEG = brainbeats_process(EEG, ' analysis'
    '特征','心电信号','ECG', '心电通道',{'ECG'},'纯净脑电信号',true
  12. 前述步骤已从 ECG 信号中提取了 HRV 特征。请使用以下步骤从 PPG 信号中提取 HRV 特征（EEG 特征的提取方法相同）。
  13. 再次加载同一数据集（步骤 1.5），因为此前的操作已将其覆盖，并重新打开主图形用户界面（步骤 2.5）。选择 提取脑电图 & HRV 特征 用于分析并选择 PPG 对于心电信号类型和 PPG 用于通道名称。点击 好的.
  14. 2nd GUI 窗口现在显示用于预处理 PPG 以及提取 HRV 和 EEG 特征的参数。点击 好的 使用默认参数运行。参数说明见步骤 2.17。
  15. 将出现一条警告消息，提示确认是否移除检测到的 ECG 通道。这是正常现象，因为该工具箱并非设计用于同时分析 ECG 和 PPG 信号（或其他辅助通道），若将 ECG 通道保留在数据集中，将导致严重错误（如伪迹去除失败、ICA 分解效果差等）。点击 是.
  16. BrainBeats 对 PPG 信号进行预处理，并如步骤 2.5 所述估算 NN 间期。检查从 NN 间期提取的 HRV 特征，与步骤 3.2 相同，只是此时 NN 间期来源于 PPG 信号。EEG 信号的预处理方式与步骤 3.2 一致。BrainBeats 绘制 PSD图16）。此处唯一的区别在于，PSD 是基于从 PPG 获得的 NN 间期而非 ECG 估算得出的。
  17. 对于高级用户，可通过以下命令执行上述所有步骤：
    eeglab；关闭；% 在不启动图形用户界面的情况下运行 EEGLAB
    main_path = fileparts(which('eegplugin_BrainBeats.m')); cd(main_path);
    EEG = pop_loadset('filename','dataset.set','filepath',
    fullfile(main_path, 'sample_data')); %加载示例数据集
    EEG = brainbeats_process(EEG,'analysis',
    '特征','心电信号', 'PPG','心电通道',{'PPG'},'干净的EEG',true

4. 从脑电图信号中提取心脏伪迹。

  1. 加载样本数据集（参见步骤 1.5）。
  2. 单击以打开主图形用户界面窗口 工具 > BrainBeats > 1st 水平（受试者水平） 并选择 从脑电图信号中提取心脏伪影 对于分析类型， 心电图 选择心电信号类型，并在电极标签列表中选择ECG。点击 好的.
  3. 2nd GUI 窗口显示预处理参数。设置 电源线噪声 到 50 赫兹（欧洲），如有需要，编辑置信水平，勾选该框 增强模式（测试版），然后单击 好的 使用默认参数运行，因为示例数据集中的脑电图信号未经预处理。
    注意：检测心脏成分的置信度默认设置为80%，但对于某些数据集而言，该值可能过高或过低。提高此值将增加检测到心脏成分的可能性，但会降低检测结果的可靠性。Boost模式（测试版）为可选功能，旨在通过将心脏信号扩散至脑电图（EEG）信号中来提升分类性能。
  4. 将出现一条警告消息，提示确认是否删除检测到的额外PPG通道。这是正常现象，因为该工具箱并非设计用于同时分析ECG和PPG信号（或其他辅助通道），若将该通道保留在数据集中，将导致严重错误（如伪影去除失败、ICA分解效果差等）。点击 是.
  5. 心电信号经过带通滤波，以去除低于1 Hz的低频漂移和高于20 Hz的高频噪声（使用非因果零相位FIR滤波器）。按照步骤3.4对脑电信号进行预处理。
  6. 使用预条件独立成分分析算法（PICARD）进行独立成分分析（ICA）。如需更改此选项，可在第4.3步的图形用户界面中选择标准Infomax算法或用于重复的改进Infomax算法。随后，使用ICLabel对独立成分进行自动分类。若某一成分被以80%的置信度分类为心脏成分，则默认情况下将从EEG数据中自动检测并提取该成分。
  7. 在第一个主图形用户界面中保留“可视化输出”框（步骤 4.2），以可视化被移除成分的头皮地形图图17 左侧）以及最终的脑电图时间序列（蓝色， 图17 右侧）在提取心脏组分（红色部分， 图17 右侧).
    注意：保留心电图（ECG）通道以用于可视化，以确认与心电图相关成分的提取，但在此步骤之后将其移除，因其不再包含任何相关信息。
  8. 对于高级用户，可使用以下命令行执行这些步骤：
    eeglab；close；% 在不启动图形用户界面的情况下运行 EEGLAB
    main_path = fileparts(which('eegplugin_BrainBeats.m')); cd(main_path);
    EEG = pop_loadset('filename','dataset.set','filepath',
    fullfile(main_path, 'sample_data')
    EEG = brainbeats_process(EEG,'analysis','rm_heart'
    心电信号，ECG
    'heart_channels',{'ECG'},'clean_eeg',true,'vis_cleaning',false,...
    'conf_thresh', .8, 'boost', true);

结果

首先，使用 BrainBeats 插件对脑电图（EEG）和心电图（ECG）数据进行预处理，识别并去除伪迹，并分析心搏诱发电位（HEP）和振荡（HEO）。BrainBeats 成功地从 ECG 信号中检测出 RR 间期以及部分 RR 伪迹（图 2）。BrainBeats 还在命令窗口中报告，305 次心跳中有 11 次（3.61%）被标记为伪迹并进行了插值处理。RR 间期的平均信号质量指数（SQI）（插值前）为 1，这是最高值。当 RR 序列中有 20% 或以上的数据被标记为伪迹，或 SQI<0.9 时，表示信号质量较低。TP9 EEG 通道被移除并进行了插值（图 3），多个包含伪迹的时段被剔除（图 6），并且 两个眼动成分被标记为需去除 （图 7）。输出结果包括总平均 HEP（图 8）和 HEO（图 9）。我们观察到在心跳后 150 至 400 毫秒期间，额中央头皮区域的 alpha 频段（8–15 Hz）存在显著的心搏诱发电振荡（HEO）（图 9，上图），这与先前的研究结果一致17,67。另一方面，试次间一致性（ITC）分析表明，脑电相位相对于心跳没有出现显著的相位锁定或重置现象（图 9，下图）。

其次，使用 BrainBeats 插件对 PPG 信号执行相同操作。BrainBeats 成功地从 ECG 信号中检测出 RR 间期以及部分 RR 伪迹（图10）。BrainBeats 在命令窗口中报告，309 个心跳中有 15 个（4.85%）被标记为伪迹并进行了插值处理。RR 间期的平均信号质量指数（SQI）（插值前）为 0.87。尽管平均信号质量低于 0.9，但仍被视为良好，因为被标记为伪迹或 SQI＜0.9 的 RR 序列比例不足 20%。输出结果展示了基于 PPG 信号检测到的 R 波计算得到的总平均 HEP（图11）。我们观察到在 R 波之后的几乎整个时间窗（150–400 ms）以及几乎整个频率范围内，在额中央头皮区域存在显著效应（图12 上图）。未观察到 ITC 效应（图12 下图）。这是首次基于 PPG 信号进行 HEP/HEO 分析，未来研究尚需进一步解读这些结果。

第三，使用 BrainBeats 从 ECG 信号中提取 EEG 特征和 HRV 特征。该过程包括对 ECG 和 EEG 信号进行预处理、检测并去除伪迹，以及在多个域中计算 HRV 和 EEG 特征。我们观察到 HRV 功率谱密度（PSD）分布在高频（HF）波段内约 0.19 Hz 处出现一个峰值（图14 顶部）。对于 EEG，我们观察到 PSD 分布在 alpha 波段内约 10.5 Hz 处出现一个峰值（图14 底部）。头皮拓扑图（图15）表明，主要频段的平均功率（以及最高峰值 alpha 频率值）主要集中在后部头皮区域。此外，较高的模糊熵值（反映规律性方面的更高复杂性）主要集中在右侧额区和后部头皮区域。相比之下，分形维数值（反映分形特征方面的更高复杂性）在不同头皮区域之间差异较小。最后，alpha 不对称性图（右下角）显示中央顶区左侧 alpha 功率高于右侧，而后部区域右侧 alpha 功率高于左侧。这些半球间 alpha 功率的差异通常被解释为相应区域的局部抑制（即，更高的 alpha 功率反映更强的皮层抑制）。

第四，使用 BrainBeats 进行相同的分析，但此处的心率变异性（HRV）特征是从 PPG 信号中提取的。这一次，我们在低频（LF）频段内观察到一个约 0.04 Hz 的峰值，以及在约 0.19 Hz 附近的分裂峰（图 16 顶部）。请注意，该分布与从 ECG 信号计算得到的 NN 间期所获得的结果略有不同（图 14 顶部）。这可能是由于 PPG 信号的质量相对较低所致。EEG 特征与 图 14 中相同。

最后，我们使用 BrainBeats 从 EEG 信号中提取心脏伪迹。在增强模式下，心脏成分的分类置信度达到 94.1%（图 17 左），并已从 EEG 信号中提取出来（图 17 右）。

figure-results-1
图 2. 从 ECG 信号中获得的 RR 间期、伪影和 NN 间期。 上图：经预处理的 ECG 信号（蓝色），其中 R 波峰由 BrainBeats 检测出（橙色点，即 RR 间期）。中图：在对 RR 伪影（红色）进行插值后得到的正常-正常（NN）间期（蓝色）。下图：与上图相同，但进行了放大（30 秒窗口），以便通过按左右箭头滚动功能更仔细地观察 R 波峰。请点击此处查看该图的放大版本。

figure-results-2
图3. 拒绝不良的 EEG 通道。 自动检测并从数据集中移除异常脑电通道（TP9）的可视化结果。注意：较大的伪迹将在后续步骤中处理。脑电数据经过1-40 Hz带通滤波，并重新参考至无穷远。 请点击此处以查看此图的放大版本。

figure-results-3
图 4预处理后标记信号中R波峰值的64通道脑电图数据可视化。 心电图信号包含在底部的图中，以供视觉确认。 请点击此处以查看此图的放大版本。

figure-results-4
图5．心跳间期（IBI）的直方图。 红色实线表示拟合的正态分布，红色虚线表示5%百分位数，用作划分脑电图（EEG）数据的上限截断值（本例中为R波峰值后650 ms）。 请点击此处查看该图的放大版本。

figure-results-5
图6。去除伪迹片段。 在进行独立成分分析（ICA）之前，检测并剔除的脑电图异常片段（即包含伪迹的片段）的可视化结果。请点击此处查看该图的放大版本。

figure-results-6
图7。独立成分分类以去除非脑源性伪迹。 在对EEG数据进行盲源分离以获得独立成分后，使用ICLabel插件对这些成分进行分类，并自动标记出非脑源性成分以便剔除。请点击此处查看该图的放大版本。

figure-results-7
图8．通过心电图（ECG）获得的平均心跳诱发电位（HEP）总图。 上图：每个脑电图（EEG）通道的片段平均结果（叠加显示），头皮地形图显示感兴趣时间段内（R波后200-500 ms）的振幅分布。下图：心跳诱发电位随时间的演变过程（每一次“试验”对应一次心跳）。请点击此处查看该图的放大版本。

figure-results-8
图9．从心电图（ECG）获得的心跳诱发电位振荡（HEO）。 上图： 经置换统计（1000次迭代）并在95%置信水平下对错误发现率（FDR）进行校正后，Fz通道（额中央区）的HEO结果（p<0.05）。 下图： 经FDR校正后的试次间一致性（ITC）结果。 请点击此处查看该图的放大版本。

figure-results-9
图10．从PPG信号获得的RR间期、伪影和NN间期。顶部：预处理后的PPG信号（蓝色），以及由BrainBeats检测到的脉搏波（橙色点，即RR间期）。中图：在对RR伪影（红色）进行插值后得到的正常至正常（NN）间期（蓝色）。底部：与上图相同，但进行了放大（30秒窗口），以便通过按左右箭头滚动功能更仔细地观察脉搏波。请点击此处查看该图的放大版本。

figure-results-10
图11．通过PPG获得的平均心搏诱发电位（HEP）总图。 上图：所有电极在时域上叠加，头皮地形图显示感兴趣时间段内（心搏后200-500 ms）的振幅分布。下图：HEP随时间的演变过程（每次“试验”对应一次脉搏波）。请点击此处查看该图的放大版本。

figure-results-11
图12．通过PPG获得的心跳诱发电位振荡（HEO）。 上图：在进行置换统计（1000次迭代）并以95%置信水平（p<0.05）对错误发现率（FDR）进行校正后，EEG通道Fz（额中央区）的HEO结果。下图：经FDR校正后的试次间一致性（ITC）。请点击此处查看该图的放大版本。

figure-results-12
图13。通过伪迹子空间重建（ASR）算法检测并移除了一个较大的脑电图（EEG）伪迹。 用户可滚动浏览整个文件，以检查算法移除的片段。请点击此处查看该图的放大版本。

figure-results-13
图14。从NN间期（ECG）和脑电图（EEG）信号中提取的功率谱密度（PSD）。 上方：利用来自ECG信号的归一化Lomb-Scargle周期图估算的心率变异性（HRV）在低频段（LF；0.04–0.15 Hz；黄色）和高频段（HF；0.15–0.40 Hz；蓝色）的功率。下方：基于预处理后的EEG数据计算并以分贝（dB）归一化的PSD，为便于可视化，所有通道取平均值。请点击此处查看该图的放大版本。

figure-results-14
图15。BrainBeats 提取的主要脑电图特征通过头皮地形图展示。 主要脑电图特征依次包括 delta（1-3 Hz）、theta（3-7 Hz）、alpha（8-13 Hz）、beta（13-30 Hz）和 gamma（30-40 Hz）频段的平均谱功率、个体 alpha 频率（IAF）、模糊熵、分形维度以及 alpha 不对称性。说明：较高的模糊熵值反映在规律性方面的更高复杂性，而分形维度则反映在分形特征方面的更高复杂性。alpha 不对称性基于16对对称电极计算得出。正值表示左侧 alpha 功率高于右侧，通常与局部皮层区域左侧抑制强于右侧相关。请点击此处查看该图的放大版本。

figure-results-15
图16．从NN间期（PPG）和脑电图（EEG）信号中提取的功率谱密度（PSD）。上方：利用PPG信号通过归一化的Lomb-Scargle周期图估计得到的低频（LF；0.04–0.15 Hz；黄色）和高频（HF；0.15–0.40 Hz；蓝色）频段的心率变异性（HRV）功率。请点击此处查看该图的放大版本。

figure-results-16
图17．BrainBeats 检测并移除的心脏成分可视化。左侧：头皮地形图及分类置信度水平。右侧：提取心脏成分（红色）后的脑电时间序列（蓝色）。请点击此处查看该图的放大版本。

讨论

方案中的关键步骤
关键步骤在步骤 1.1–1.4 中进行了描述。工具箱在多个位置设置了警告和错误提示信息，以帮助用户理解可能遇到问题的原因（例如，脑电数据中未加载电极位置、文件长度过短无法计算可靠的超低频心率变异性指标、信号质量过低无法进行任何可靠分析等）。每个函数均提供了面向高级用户的详细文档，参数可轻松微调（推荐参数及典型取值范围在本文及代码中均有记录）。用户可通过在命令窗口中输入 help 命令后接函数名称（例如，输入 help brainbeats_process），获取有关如何使用特定函数或参数正常取值范围的帮助信息。

方法的局限性
使用者必须拥有包含脑电图（EEG）和心血管数据（ECG 或 PPG）的同一数据文件，或知晓如何独立合并这两类数据。目前，数据导入无法通过 BrainBeats 自动完成，因为需要安装特定插件以支持多种数据格式（例如 .csv、.edf、.bdf、.vhdr 等）。未来的版本将允许使用者直接将任意数量文件的 BIDS 数据集自动加载至 BrainBeats，自动整合可用的 EEG 与心血管信号，并解决潜在的时间同步问题（例如不同的采样率、时间戳对齐等）。

熵特征在捕捉心血管、皮层下和皮层系统之间复杂的双向相互作用方面具有显著潜力，这些相互作用可能隐藏于非线性反馈环路动力学中27,73,74。然而，熵特征的计算量较大，尤其在高采样率下，从脑电图（EEG）信号中计算这些特征可能需要较长时间。尽管目前已采用一些解决方案（如并行计算、降采样/减采样），未来的研究将进一步降低这些计算成本。

尽管HEP/HEO的组水平统计结果已可获取，但目前特征模式的统计结果尚不可用，预计即将开放。在此期间，用户仍可使用该方法轻松且可靠地提取特征，利用任意标准统计软件进行统计分析，或采用自己选择的方法构建基于特征的机器学习模型。

心电图（ECG）通过捕捉心脏的电场直接评估心脏电生理活动。相比之下，光电容积脉搏波（PPG）测量的是微血管床中的血容量变化，通过血流动力学间接反映心脏活动。由于R波在QRS波群中表现明显，对应于心室在收缩前的去极化过程，因此在ECG中识别R峰较为直接。而PPG信号中最显著的峰值是收缩峰（或脉搏波峰），对应动脉中血容量最大的时刻，该峰值出现在ECG R峰之后片刻。这种延迟是由于压力波从心脏传导至PPG信号测量部位（通常为外周部位）所需的时间所致。因此，在BrainBeats中标记为R波的PPG波形谷值，位于两个收缩峰之间，对应血容量最低的时刻，并不与ECG中的R峰对齐；相反，它更接近ECG中的T波，后者代表心室复极化9。这种信号特征的差异导致ECG与PPG信号之间存在时间上的不一致，从而影响所观察到的心-脑诱发电位（HEP）的时间特性。在临床上，这种差异要求在选择适合HEP分析的检测方式时需谨慎考虑：ECG更适合用于直接研究心脏电生理活动，而PPG则因使用便捷和患者舒适度高，更适合长期监测。尽管ECG和PPG均可用于HEP分析，但二者信号性质和生理意义不同，因此其分析结果不能直接互换。应根据具体研究或临床应用的目标和需求，选择合适的检测方式。虽然这可能构成一定局限性，但同时也是一种优势，意味着ECG和PPG可提供关于心血管系统的不同类型信息，二者结合使用时可相互补充，带来新的研究洞察。此外，若R峰（来自ECG）与R波（来自PPG）之间的时间差在时间上保持稳定，则可通过使用包含同步ECG-PPG信号的数据集（如本教程所用数据集）进行校正。

与心电图（ECG）相比，PPG信号更加平滑且缺乏明显的特征峰，因此容易受到伪影干扰75。尽管本研究中所采用的算法已在先前研究中得到验证，并在本研究所使用的数据集上表现良好，但其在其他类型的PPG信号上可能表现不佳，尤其是通过可穿戴设备采集的信号。

对于 HEP/HEO 分析，通常根据个体心搏间期（IBI；约 600-1000 ms）的分布设定阈值来定义时间窗。这会导致不同受试者的时窗长度不同，从而在组分析中引入误差。此外，由于 IBI 导致的时窗较短，与传统的脑电图（EEG）研究相比（刺激通常间隔数秒，以使大脑恢复至基线水平），可能产生不必要的边缘效应，或限制研究者对低频成分的分析。时频分解通常要求时窗在感兴趣的最低频率上至少向外延伸三个周期。对于 HEO，感兴趣的时间窗为 200-500 ms。因此，若要分析低至 5 Hz 的频率，需要在该时间窗前后各额外扩展 600 ms（即 -400 至 900 ms）。如果希望分析低至 1 Hz 的频率，则在感兴趣时间窗前后还需各增加 3 秒。这是为了在避免边缘效应的同时，获得准确的时间和频率分辨率所必需的。

该方法相较于现有方法的重要性
总体而言，BrainBeats 为脑电（EEG）和心血管信号提供了先进的信号处理技术，并可通过命令行和图形用户界面（GUI）进行精细调节。

这三种方法既可以通过用户友好的图形界面（GUI）进行操作，也可以通过命令行（适用于专家用户，支持自动化）实现。方法1可以在时域（HEP）、频域（HEO）或时频域（HEO）中进行分析，且可针对通道或独立成分水平进行考察。据我们所知，此前从未使用PPG信号进行过HEP/HEO分析，而如今这一方法已可便捷实现。

目前，方法2尚无现成的替代方案。此外，用户也可以使用BrainBeats对其他不同时包含这两种信号的数据集，单独进行脑电（EEG）或心率变异性（HRV）特征的预处理与提取。例如，用户可对心电（ECG）/光电容积描记（PPG）信号进行预处理并提取HRV特征，以仅分析HRV数值（反之，若用户希望从脑电数据集中提取EEG特征，亦可如此操作）。这对于基于特征的机器学习应用尤为有用。

方法3能够快速且自动地从脑电图（EEG）信号中去除心脏伪迹。尽管使用EEGLAB中的ICLabel插件已可实现此功能，但该过程要求用户执行一系列步骤并选择参数（例如，对信号进行高通滤波、运行独立成分分析（ICA）、运行ICLabel、调整参数、从EEG信号中减去心脏成分以及移除心电图（ECG）通道），这些操作容易导致错误（例如出现伪影独立成分55）。此外，我们引入了一种增强方法，该方法利用心血管信号（通常未包含在上述操作中）以提高本方法的性能。

此外，该工具箱实现了计算性能的改进，以加速脑电图特征（主要是多尺度熵测量）的估计，包括使用GPU和并行计算。请注意，这些选项的效益取决于用户的硬件条件（即显卡、处理器数量和线程数）。

未来方向
作者将在长期内持续修改和完善该工具箱，以实施领域专家的最新指南和建议，并修复可能出现的任何错误。

将增加更多功能和方法，以评估脑电图（EEG）与心血管信号之间的相互作用。例如，可轻松将定量脑电图（qEEG）特征（如θ/β功率比，或能够反映相关临床或认知信息的其他频谱比值）添加至该工具箱中。新增的方法将包括脑电-心电（EEG-ECG）直接与部分相干性分析、时间分辨的脑-心双向相互作用测量76，以及利用机器学习方法对心电诱发脑电位（HEP）或特征数据进行分类（例如决策树、随机森林、朴素贝叶斯、支持向量机SVM、K近邻KNN、长短期记忆网络等）17。

为了在使用可穿戴技术采集的含噪声PPG信号中更优地检测R波，未来版本的BrainBeats可能会为这些应用提供替代算法。其他有前景的算法包括基于信号导数的算法77、自适应线性神经元人工神经网络（已用于ECG78），或集合经验模态分解79。

对于 HEO 分析，为解决时间-频率估计中的短时程问题（见上述局限性），我们计划在未来版本中采用反射法，即在关注的时间窗前后，将该时间窗内的信号（即信号的反向版本）进行镜像扩展。这种方法可实现平滑过渡，并消除不必要的边缘效应。镜像部分随后会被移除。

披露

作者无任何利益冲突需要披露。

致谢

意识科学研究所支持了本项研究。我们感谢原始开源算法的开发者，这些算法经过改进后用于开发 BrainBeats 的部分算法。

材料

本文使用的材料清单
姓名公司目录编号评论
EEGLAB斯瓦茨计算神经科学中心（SCCN）免费/开源
MATLABThe Mathworks, Inc.需要许可证
Windows 个人电脑联想集团有限公司

参考文献

  1. von Bertalanffy, L. General system theory Foundations, development, applications. , G. Braziller. (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. , Oxford University Press. (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. , Norman Publishing. (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. , Oxford University. UK. (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).

重印与许可

标签

BrainBeats：一个用于联合分析脑电图与心血管信号的开源EEGLAB插件
联系我们
向图书馆推荐

隐私

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。