Name: BrainBeats 作为开源 EEGLAB 插件，用于联合分析 EEG 和心血管信号 (视频) | JoVE Journal
Uploaded: 2024-04-26T12:40:00.000+00:00
Duration: 8 min 22 s
Description: 了解BrainBeats开源EEGLAB插件，用于联合分析EEG与心血管信号。该工具支持心跳诱发电位评估和心电伪迹提取，帮助研究者深入探索脑心交互机制及其对认知与情绪状态的影响。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

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。

Unveiling Brain-Heart Interplay with EEG and Cardio Signals

作者无任何利益冲突需要披露。

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。

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&#160;心跳诱发电位&#160;；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（&#60;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。
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>方法</td>
			<td>从心电图中检测R波峰值</td>
			<td>从PPG中检测R波</td>
			<td>HEP/HEO</td>
			<td>脑电图 &amp;#38; HRV 特征</td>
			<td>去除脑电图中的心脏伪迹</td>
			<td>图形用户界面</td>
			<td>命令行</td>
		</tr>
		<tr>
			<td>心电图套件</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td></td>
			<td></td>
			<td></td>
			<td>X</td>
		</tr>
		<tr>
			<td>BeMoBIL</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td></td>
			<td>X</td>
		</tr>
		<tr>
			<td>HEPLAB</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td>X</td>
			<td>X</td>
		</tr>
		<tr>
			<td>CARE-rCortex</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td>X</td>
			<td>X</td>
		</tr>
		<tr>
			<td>BrainBeats</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
		</tr>
	</tbody>
</table>
表1：&#160;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。
<img alt="图1" class="xfigimg" src="/files/ftp_upload/65829/65829fig01.jpg" /> 
图1.&#160;总结 BrainBeats 整体架构与流程的框图。&#160;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。 <a href="https://www.jove.com/files/ftp_upload/65829/65829fig01large.jpg" target="_blank">请点击此处以查看此图的放大版本。</a>

<table><tbody><tr><td>EEGLAB</td><td>斯瓦茨计算神经科学中心（SCCN）</td><td></td><td>免费/开源</td></tr><tr><td>MATLAB</td><td>The Mathworks, Inc.</td><td></td><td>需要许可证</td></tr><tr><td>Windows 个人电脑</td><td>联想集团有限公司</td><td></td><td></td></tr></tbody></table>

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

BrainBeats as an Open-Source EEGLAB Plugin to Jointly Analyze EEG and Cardiovascular Signals

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。

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&lt;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&#160;两个眼动成分被标记为需去除&#160;（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）。
<img alt="图 2" class="xfigimg" src="/files/ftp_upload/65829/65829fig02.jpg" /> 
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。<a href="https://www.jove.com/files/ftp_upload/65829/65829fig02large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="图3" class="xfigimg" src="/files/ftp_upload/65829/65829fig03.jpg" /> 
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。 <a href="https://www.jove.com/files/ftp_upload/65829/65829fig03large.jpg" target="_blank">请点击此处以查看此图的放大版本。</a>
<img alt="图4" class="xfigimg" src="/files/ftp_upload/65829/65829fig04.jpg" /> 
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。 <a href="https://www.jove.com/files/ftp_upload/65829/65829fig04large.jpg" target="_blank">请点击此处以查看此图的放大版本。</a>
<img alt="图5" class="xfigimg" src="/files/ftp_upload/65829/65829fig05.jpg" /> 
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）。 <a href="https://www.jove.com/files/ftp_upload/65829/65829fig05large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="图6" class="xfigimg" src="/files/ftp_upload/65829/65829fig06.jpg" /> 
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。<a href="https://www.jove.com/files/ftp_upload/65829/65829fig06large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="图7" class="xfigimg" src="/files/ftp_upload/65829/65829fig07v2.jpg" /> 
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。<a href="https://www.jove.com/files/ftp_upload/65829/65829fig07largev2.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="图8" class="xfigimg" src="/files/ftp_upload/65829/65829fig08.jpg" /> 
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）。<a href="https://www.jove.com/files/ftp_upload/65829/65829fig08large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="图9" class="xfigimg" src="/files/ftp_upload/65829/65829fig09.jpg" /> 
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&#60;0.05）。 下图： 经FDR校正后的试次间一致性（ITC）结果。 <a href="https://www.jove.com/files/ftp_upload/65829/65829fig09large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="图10" class="xfigimg" src="/files/ftp_upload/65829/65829fig10.jpg" /> 
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。<a href="https://www.jove.com/files/ftp_upload/65829/65829fig10large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="图11" class="xfigimg" src="/files/ftp_upload/65829/65829fig11.jpg" /> 
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）。<a href="https://www.jove.com/files/ftp_upload/65829/65829fig11large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="图12" class="xfigimg" src="/files/ftp_upload/65829/65829fig12.jpg" /> 
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&#60;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）。<a href="https://www.jove.com/files/ftp_upload/65829/65829fig12large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="图13" class="xfigimg" src="/files/ftp_upload/65829/65829fig13.jpg" /> 
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。<a href="https://www.jove.com/files/ftp_upload/65829/65829fig13large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="图14" class="xfigimg" src="/files/ftp_upload/65829/65829fig14.jpg" /> 
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。<a href="https://www.jove.com/files/ftp_upload/65829/65829fig14large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="图15" class="xfigimg" src="/files/ftp_upload/65829/65829fig15.jpg" /> 
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。<a href="https://www.jove.com/files/ftp_upload/65829/65829fig15large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="图16" class="xfigimg" src="/files/ftp_upload/65829/65829fig16.jpg" /> 
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。<a href="https://www.jove.com/files/ftp_upload/65829/65829fig16large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="图17" class="xfigimg" src="/files/ftp_upload/65829/65829fig17.jpg" /> 
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）。<a href="https://www.jove.com/files/ftp_upload/65829/65829fig17large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>

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。

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

大脑与心血管系统之间的相互作用正受到越来越多关注，因其有望深化我们对人类……的理解

BrainBeats 工具箱的目的是提供一个开源且自动化的工具，用于开展脑-心相互作用的研究。该工具箱使研究人员能够通过标准化的信号处理、特征提取、图形用户界面和数据可视化，对脑电图（EEG）和心血管信号进行多模态分析。由于科学史上长期采用还原论的研究方法，脑系统与心脏系统被分割和孤立研究，导致对二者之间的相互作用及相互影响的理解十分有限。BrainBeats 工具箱旨在弥合这一差距。理解大脑与心脏之间的相互作用，有助于研究人员更深入地了解认知和情绪状态如何影响心血管功能，反之亦然。这些见解进而可带来新的治疗策略或干预措施。首先，在计算机上打开 MATLAB。在 MATLAB 的主面板中，单击“设置路径”按钮，以添加 EEG 实验室文件夹的路径。单击“添加文件夹”按钮，然后选择已解压缩的 EEG 实验室文件夹。然后点击保存，再点击关闭。在 MATLAB 命令窗口中输入 EEG lab 以启动 EEG lab。要安装 BrainBeats 插件，请点击文件，然后选择管理 EEG lab 扩展。然后在搜索栏中输入 BrainBeats，在列表中选择 BrainBeats 插件，然后点击安装。要将示例数据集加载到 EEG lab 中，请点击文件并加载现有数据。导航至 EEG lab 文件夹，然后进入 plugins 和 BrainBeats 文件夹。打开样本数据文件夹并选择文件 dataset.set。在 EEG 实验室中，依次点击工具、BrainBeats 和一级分析（被试水平），以打开 BrainBeats 首次分析通用用户界面（GUI）。选择心搏诱发电位（HEP）作为要运行的分析类型，并选择 ECG 作为心脏数据类型。然后点击按钮以显示通道列表，并选择 ECG 通道。保持默认选中的“可视化输出”和“保存输出”选项，然后点击“确定”。在第二个图形用户界面窗口中，从“预处理 EEG”部分将电源线噪声更改为 50 hertz，然后点击“确定”以启动处理。当出现警告消息提示移除检测到的 PPG 通道时，点击“是”。对于PPG信号，加载数据集，再次设置文件。然后在EEG实验室中，依次点击工具、BrainBeats和第一级被试水平，以打开BrainBeats的第一个图形用户界面。选择心搏诱发电位（HEP）作为分析类型，光电容积脉搏波（PPG）作为心脏数据类型。然后点击按钮以显示通道列表，并选择PPG通道。保持“可视化输出”和“保存输出”选项为推荐设置，然后点击“确定”。在第二个图形用户界面窗口中，从“预处理EEG”部分将电源线噪声更改为50赫兹，然后点击“确定”以启动分析。当出现提示移除额外 ECG 通道的警告消息时，点击“是”。BrainBeats 已成功从 ECG 信号中检测出 RR 间期及部分 RR 伪迹。在心搏后 150 至 400 毫秒期间，在额中央头皮区域观察到显著的 alpha 频段振荡。另一方面，试验内一致性分析表明，脑电相位相对于心跳并未出现显著的相位锁定或相位重置。BrainBeats 还从 PPG 信号中检测到了 RR 间期以及一些 RR 伪迹。在 R 波后的几乎整个时间窗口和几乎整个频率范围内，额中央头皮位点均观察到了显著效应。试次间一致性分析表明，脑电相位未出现显著的相位锁定或相位重置。要将示例数据集加载到EEG lab中，请点击文件并选择加载现有数据。导航至EEG lab文件夹，然后进入plugins文件夹和BrainBeats文件夹。打开样本数据文件夹并选择文件 dataset.set。将样本数据集加载到 EEG lab 后，依次点击工具、BrainBeats 和一级被试水平，以打开主图形用户界面并选择参数。分析类型选择提取 EEG 和 HRV 特征，心信号类型选择 ECG。在电极标签列表中选择ECG，然后点击“确定”。随后将弹出第二个图形用户界面窗口，用于设置脑电图预处理以及提取心率变异性（HRV）和脑电图特征的不同参数。在“预处理脑电图”部分，将电源线噪声更改为50赫兹，然后点击“确定”以启动处理。当出现警告消息提示移除额外的PPG通道时，点击“是”。所有操作结束后，在 MATLAB 命令窗口中输入 eegh，以打印命令行并可通过单条命令重复所有步骤。加载相同的数据集文件后，依次点击工具（tools）、BrainBeats 和一级被试水平（first level subject level），打开主图形用户界面以选择参数。选择“提取 EEG 和 HRV 特征”作为分析选项，并选择 PPG 作为心信号类型。选择 PPG 作为通道名称，然后点击“确定”。在第二个图形用户界面窗口中，从预处理 EEG 部分将电源线噪声更改为 50 赫兹，然后点击“确定”以运行程序。当出现警告消息提示移除检测到的 ECG 通道时，点击“是”，并查看生成的输出结果。加载示例数据集文件 dataset.set。然后依次点击工具、BrainBeats 和第一级学科级别以打开主图形用户界面。在分析类型中选择“从 EEG 信号中提取心脏伪影”，在心电信号类型中选择 ECG。在电极标签列表中输入 ECG，然后点击确定。在选择 EEG 信号的预处理参数后，选择 50 赫兹作为线路噪声频率，勾选增强模式复选框，然后点击确定以启动分析。当出现提示移除额外PPG通道的警告消息时，点击“是”。利用BrainBeats，从ECG信号中提取了脑电图（EEG）和心率变异性特征，结果显示在高频段内心率变异性功率谱密度峰值约为0.19赫兹，脑电图在α频段约为10.5赫兹处出现峰值。头皮拓扑图显示主要集中在后部区域，在额部、右侧及后部区域表现出更高的复杂性。后续利用PPG信号对心率变异性进行的分析表明，在低频段约0.04赫兹处出现一个峰值，在约0.19赫兹附近出现一个分叉峰值，提示PPG信号质量较低。

brainbeats-as-an-open-source-eeglab-plugin-to-jointly-analyze-eeg

Research

科研

JoVE Journal

Neuroscience

神经科学

BrainBeats 作为开源 EEGLAB 插件，用于联合分析 EEG 和心血管信号

本研究提出了一种标准化且可重复的方案，用于实施空间-时间-频率脑电图分析工具（STFEEG），以实现运动想象脑电信号的解码。该方案包含可配置的空间-时间-频率分割、基于共空间模式（CSP）的特征提取、多种分类算法以及可视化功能。...

STFEEG-工具：一种用于运动想象脑机接口的时空频脑电分析工具

我们采用脑磁图（MEG）和脑电图（EEG）来绘制参与简单感觉刺激处理的脑区。...

同步 MEG 与 EEG 的功能定位映射

我们采用脑磁图和脑电图（MEG/EEG），结合磁共振成像（MRI）获取的解剖学信息，来绘制与听觉注意相关的皮层网络动态图谱。...

利用同步脑磁图/脑电图与基于解剖约束的最小范数估计绘制皮层动态：以听觉注意为例

本方案包含将现有立体定位仪升级为机器人（计算机数字控制；CNC）立体定位仪所需的设计文件和软件，成本约为1000美元（不含钻头）。...

构建开源机器人立体定位仪

本文介绍了一种视频成像技术及高分辨率时空图谱方法，用于识别成年小鼠结肠运动神经调控的变化。利用该方法在离体组织样本中可检测胃肠道（GI）功能的细微影响，从而增进对胃肠道疾病的理解。...

利用视频成像与时空图分析小鼠胃肠道运动功能

尖锐的微电极能够准确表征活体果蝇（Drosophila）中感光细胞和视觉中间神经元的电生理输出。本文介绍了如何利用该方法记录单个细胞在可控光照刺激下高质量的电压反应。该方法非常适合研究昆虫复眼中神经信息的处理过程。...

记录细胞内电压反应的电生理学方法 果蝇 光感受器与中间神经元对光刺激的反应 在体 内

非束缚式脑电遥测技术是一种有价值的实验方法，可用于在自由活动的啮齿类动物中长期记录体内脑电图。本详细方案描述了立体定位下在不同脑区进行硬膜外和深部脑内电极植入的操作步骤，以实现对中枢神经系统节律性活动及相关行为阶段的可靠记录。...

非束缚式脑电遥测：硬膜外与深部脑内立体定位脑电电极植入

本文提供了在小鼠中低成本构建和外科植入慢性经颅高密度脑电图蒙太奇的详细说明，同时描述了信号记录、提取和处理技术。...

使用低成本开源资源在啮齿类动物模型中进行高密度脑电图采集

本文介绍了一种将正念冥想训练、情景记忆任务与脑电图（EEG）相结合的实验方案，旨在探讨正念冥想对情景记忆的行为学和神经机制影响。...

结合行为学与脑电图研究正念冥想对情景记忆的影响

本文介绍了一种简化的开源硬件和软件系统，用于通过虚拟现实（VR）研究小鼠的空间学习能力。该系统利用微控制器网络和运行简易Python图形软件包的单板计算机，向固定头部的小鼠在跑轮上奔跑时呈现虚拟的直线轨道。...

一种用于测量头部固定小鼠空间学习能力的开源虚拟现实系统

了解BrainBeats开源EEGLAB插件，用于联合分析EEG与心血管信号。该工具支持心跳诱发电位评估和心电伪迹提取，帮助研究者深入探索脑心交互机制及其对认知与情绪状态的影响。

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

探索更多视频