Methodenartikel

Integration kardialer Zyklusphasen in ereignisbezogene Potentialanalyse: Ein Protokoll für zweidimensionale und virtuelle Realitätsumgebungen

69 Ansichten

⸱

DOI:

10.3791/69752

⸱

5. Mai 2026

 ,  ,  ,  , 
1Research Center for Genetics and Life Sciences, Sirius University of Science and Technology, 2Samara State Medical University, 3National Research University Higher School of Economics

In diesem Artikel

Zusammenfassung

Dieses Protokoll beschreibt einen Ansatz zur Untersuchung der kardialen phasenabhängigen Modulation visueller ereignisbezogener Potentiale unter Verwendung gleichzeitiger Elektroenzephalographie und elektrokardiografischer Aufzeichnungen. Das Protokoll beschreibt die Stimulussynchronisation, die Segmentierung der kardialen Phase sowie die Analyse ereignisbezogener Potenziale während Systole und Diastole und ist sowohl in konventionellen zweidimensionalen als auch in immersiven Virtual-Reality-Umgebungen anwendbar.

Zusammenfassung

Der Herzschlag ist ein grundlegender physiologischer Rhythmus, der nicht nur das Leben aufrechterhält, sondern auch Wahrnehmungs- und neuronale Prozesse moduliert und so die Reproduzierbarkeit ereignisbezogener Potenziale (ERPs) beeinflusst. Obwohl Virtual Reality (VR) im Vergleich zu herkömmlichen zweidimensionalen (2D) Bildschirmen hoch immersive Umgebungen bietet, bringt sie auch besondere Herausforderungen für die elektrophysiologische Aufzeichnung mit sich, darunter Bewegungsartefakte, Präsentationslatenz und potenziell stärkere kardiogene Modulation. Diese Faktoren können die Effizienz der Standard-Elektroenzephalographie (EEG)-Vorverarbeitung verringern und zu erheblichem Datenverlust führen. Diese Studie präsentiert ein detailliertes Protokoll, das simultanes EEG und Elektrokardiographie (EKG) kombiniert, um Herz-Hirn-Interaktionen sowohl unter VR- als auch unter 2D-Bedingungen zu untersuchen. Der Ansatz beinhaltet eine präzise Ausrichtung von Reizen mit Herzsignalen, Korrektur für VR-induzierte Latenz und erweitertes Artefaktmanagement. Die Segmentierung der EEG-Epochen basierend darauf, ob Reize während der Herzsystole oder Diastole auftreten, zeigte eine robuste Unterdrückung der visuellen ERP-Amplitude während der Systole. Entscheidend ist, dass dieser unterdrückende Effekt sowohl in VR- als auch in 2D-Umgebungen nahezu identisch war, was die Wirksamkeit des Protokolls demonstriert und bestätigt, dass diese grundlegende Herz-Hirn-Interaktion widerstandsfähig gegen Veränderungen im Immersionsniveau ist. Dieses Protokoll bietet somit einen standardisierten Rahmen zur Untersuchung des kardialen Einflusses auf die Kognition, der an verschiedene visuelle Präsentationsmethoden angepasst werden kann.

Einleitung

Die rhythmische Aktivität des Herzens wird zunehmend nicht nur als wichtiger homöostatischer Prozess, sondern auch als fundamentaler Modulator der Gehirnfunktion und Kognitionanerkannt. Eine wachsende Zahl von Erkenntnissen zeigt, dass Herzsignale einen kontinuierlichen Einfluss auf ein breites Spektrum neurokognitiver Prozesse ausüben, darunter Wahrnehmung, Aufmerksamkeit, Emotionsregulation und Bewusstsein 2,3. Diese Herz-Hirn-Achse wird durch afferente interozeptive Signale von kardiovaskulären Barorezeptoren und Mechanorezeptoren vermittelt, die über den Hirnstamm in kortikale Bereiche projizieren, wo sie sich mit exterozeptiver sensorischer Informationverbinden 4,5. Folglich verarbeitet das Gehirn äußere Reize nicht passiv, sondern tut dies im Kontext des inneren Zustands des Körpers, dessen Schlüsselindikator die Phase des Herzzyklus ist.

Die zentrale methodologische Herausforderung besteht darin, aufzuzeigen, wie kardiogene neuronale Aktivität die Verarbeitung äußerer Reize beeinflusst, gemessen an visuellen ERPs. Die auffälligste elektrophysiologische Manifestation dieses Zusammenspiels ist das herzschlag-evokierte Potential (HEP), ein spezifisches EEG-Aktivitätsmuster, das zeitlich an die Herzkontraktion6 gebunden ist. Der HEP gilt als neuronaler Marker der interozeptiven Aufmerksamkeit, der die prädiktive Codierung des bevorstehenden Herzschlags im Gehirn und dessen Folgen für die sensorische Verarbeitungwiderspiegelt 7,8. Nach zeitgenössischen Modellen nutzt das Gehirn diese kardialen Signale, um eine einheitliche Darstellung des inneren Zustands des Körpers im äußeren Kontextzu schaffen 9,10. Empirische Belege deuten darauf hin, dass die Verarbeitung äußerer Reize, einschließlich ihrer wahrnehmbaren Salienz und zugrundeliegender neuronaler Korrelate, je nachdem, ob sie während der Herzsystole oder der Diastole 11,12,13 auftreten, erheblich variiert. Stimuli, die während der Systole (Kontraktionsphase) präsentiert werden, sind konsistent mit einer unterdrückten neuronalen Verarbeitung assoziiert, was sich durch reduzierte ERP-Amplituden und veränderte Verhaltensreaktionen im Vergleich zu denen während der Diastole (der Relaxationsphase) zeigt. Dieser Effekt wird durch die "somatosensorische Gatting"-Hypothese erklärt, die besagt, dass das Gehirn die exterozeptive Signalverarbeitung unterdrückt, um während der Systole15,17 vorübergehend kardiale interozeptive Signale zu priorisieren.

Trotz wachsendem Interesse an der Herz-Hirn-Achse konzentrieren sich Standard-ERP-Analyseprotokolle ausschließlich auf äußere Reize, segmentieren Epochen relativ zum Beginn des Reizes und ignorieren so die tiefgreifende Variabilität von Studie zu Studie, die durch den laufenden Herzzyklus entsteht. Um die kardiale Zyklusmodulation visueller ERPs genau zu erfassen, ist ein grundlegend anderer Ansatz erforderlich. Dies erfordert die präzise Ausrichtung der Stimuluspräsentation auf spezifische Herzphasen, verifiziert durch gleichzeitige EKG-Aufzeichnung18. In der aktuellen Literatur fehlen standardisierte, detaillierte und leicht reproduzierbare Protokolle, die alle Verarbeitungsphasen umfassend beschreiben – von der Rohdatenerfassung bis zur statistischen Analyse – und dabei kardiale Phasen berücksichtigen.

Eine weitere methodische Herausforderung ergibt sich durch die schnelle Einführung immersiver Technologien wie VR in der Neurowissenschaft. VR-Umgebungen bieten hoch immersive und fesselnde Kontexte und ermöglichen die Schaffung kontrollierter, aber realistischer experimentellerUmgebungen 19,20. Die gleichzeitige Erfassung hochwertiger EEG- und EKG-Daten in einer VR-Umgebung ist jedoch mit mehreren technischen Schwierigkeiten verbunden. Dazu gehören potenzielle Bewegungsartefakte, elektromagnetische Störungen durch das Headset und der kritische Bedarf an präziser zeitlicher Synchronisation zwischen Stimuluspräsentation (oft mit inhärenter Latenz), Datenerfassung und Bewegungsverfolgungssystemen21. Diese technischen Herausforderungen haben zu einem Mangel an robusten Analyseprotokollen beigetragen, die speziell für den direkten Vergleich kardioabhängiger neuronaler Modulation zwischen klassischen 2D- und immersiven VR-Paradigmen entwickelt wurden. Dieses Fehlen eines gemeinsamen Rahmens behindert letztlich die Forschung darüber, wie Immersion und Präsenz grundlegende Mechanismen der Gehirn-Körper-Interaktion modulieren.

Um diese Herausforderungen zu bewältigen, präsentiert diese Arbeit ein umfassendes, schrittweises methodisches Protokoll zur Untersuchung der kardialen Zyklusmodulation visueller ERPs durch die Integration gleichzeitiger EEG- und EKG-Aufzeichnungen. Das Fundament des Ansatzes ist die Segmentierung neuronaler Daten relativ zum kardialen R-Peak, wodurch die Klassifizierung von Reizen basierend auf ihrem Auftreten während der Systole oder Diastole möglich ist. Entscheidend ist, dass eine datenbasierte Analyse der gesamten Post-Stimulus-Epoche verwendet wird, um bestimmte Zeitfenster zu identifizieren, in denen die Herzphase einen signifikanten modulatorischen Einfluss auf die neuronale Antwort ausübt. Die Hauptbeiträge dieser Arbeit sind dreifach: (1) Ein vollständiges, visualisiertes Protokoll für eine einfache Replikation wird bereitgestellt, (2) das Protokoll wird angepasst und validiert, um Daten zu vergleichen, die mit einem Standard-2D-Monitor und einem immersiven VR-Headset erfasst werden, und (3) der Nutzen des Protokolls wird demonstriert, indem gezeigt wird, wie Gesichtsreize der emotionalen Valenz den kardialen Einfluss auf neuronale Verarbeitung unterschiedlich modulieren, abhängig von der Immersivität der Umwelt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Die Studie wurde vom Bioethikkomitee der Staatlichen Medizinischen Universität Samara genehmigt (Protokollcode 195, vom 10. Oktober 2018). Alle Teilnehmer gaben vor der Studie eine informierte, freiwillige Einwilligung. Die endgültige Stichprobe bestand aus 27 gesunden männlichen Freiwilligen im Alter von 19 bis 21 Jahren. Während der Testsitzungen absolvierte jeder Teilnehmer eine Reihe standardisierter Bewertungen, die einzeln durchgeführt wurden. Die Reagenzien und die verwendeten Geräte sind in der Materialtabelle aufgeführt.

1. Materialien und Ausrüstung

HINWEIS: Verwenden Sie funktional gleichwertige Hardware und Software, wenn es angemessen ist. Siehe Abbildung 1 für einen Überblick über den experimentellen Aufbau, einschließlich Systemlayout und Verbindungen. Bereiten Sie die folgende Ausrüstung und Software vor dem Experiment vor. Allgemeine Anforderungen werden unten beschrieben, und spezifische Konfigurationen sind in der Materialtabelle aufgeführt.

  1. EEG/EKG-Aufnahmesystem
    1. Verwenden Sie ein Verstärkersystem, das die gleichzeitige Aufzeichnung von EEG und EKG ermöglicht.
    2. Verwenden Sie EEG-Elektroden, die von der Kopfhaut für die EKG-Aufzeichnung neu zugewiesen werden können.
  2. EKG-Eingangsoptionen (EEG-System unterstützt bipolare Kanäle)
    1. Verwenden Sie dedizierte bipolare Eingangskanäle für die EKG-Aufzeichnung, wenn verfügbar.
    2. Wechseln Sie zwei nicht-kritische EEG-Elektroden, um ein bipolares EKG-Paar zu bilden, falls keine dedizierten bipolaren Kanäle verfügbar sind.
  3. EKG-Eingangsoptionen (das EEG-System unterstützt nur monopolare Kanäle)
    1. Verwenden Sie einen Differenzialadapter, um EKG-Signale in einen Hilfs- (AUX-) oder Differenzialeingang zu leiten.
    2. Verwenden Sie passive Elektroden und Einweg-Klebeelektroden, die mit der gewählten Eingangskonfiguration kompatibel sind.
  4. Stimuluspräsentation
    1. Verwenden Sie einen Computer mit einem Display mit hoher Bildwiederholrate (≥120 Hz) für eine 2D-Präsentation.
    2. Verwenden Sie ein kopfmontiertes Display mit einem sekundären Monitor zur Signalspiegelung für VR-Präsentationen.
  5. Synchronisation und Sensoren
    1. Verwenden Sie eine Photodiode oder einen Fotosensor mit Montagezubehör und schließen Sie ihn an das EEG-Erfassungssystem an.
  6. Software
    1. Verwenden Sie eine VR-Laufzeitumgebung und eine Stimulussteuerungssoftware, die präzises Timing, Sequenzierung und Triggerausgabe ermöglicht.
    2. Verwenden Sie EEG/EKG-Analysesoftware, die Ereignisbehandlung, Vorverarbeitung und ERP-Analyse unterstützt; Verwenden Sie bei Bedarf optionale benutzerdefinierte Skripte.
  7. Laborumgebung und Zubehör
    1. Nutzen Sie einen abgeschirmten und richtig isolierten Raum für die EEG-Aufnahme.
    2. Stellen Sie einen bequemen Stuhl, Kabelmanagement-Lösungen, Hautvorbereitungsmaterialien, leitfähiges Gel und Hygienematerialien für kopfmontierte Displays bereit.

2. Systemaufbau und Latenzerkennung

  1. Installieren und konfigurieren Sie die Stimulus-Präsentationssoftware.
    1. VR-Zustand
      1. Installieren Sie die herstellerspezifische VR-Laufzeit, die für das kopfmontierte Display erforderlich ist.
      2. Bereite die experimentelle Stimulusanwendung gemäß der Laufzeitdokumentation auf dem VR-Headset aus.
      3. Führen Sie die anfängliche VR-Systemeinrichtung durch, indem Sie das Tracking-System kalibrieren (falls zutreffend) und die Spielbereichsgrenzen gemäß den Anweisungen des Herstellers definieren, um stabiles Tracking sicherzustellen und bewegungsbedingte Artefakte zu minimieren.
    2. 2D-Bedingung
      1. Optimieren Sie die Stimuluspräsentations-Workstation, indem unnötige Hintergrundanwendungen und -prozesse deaktiviert werden, um Unterbrechungen und Zeitverzögerungen während der Datenerfassung zu minimieren.
  2. Erstellen Sie die Aufnahmemontage in der EEG-Aufnahmesoftware.
    1. Erstelle eine neue Arbeitsbereichs- oder Aufzeichnungskonfiguration und benenne sie entsprechend der Studienkennung.
    2. Weisen Sie EEG-Kanäle zu und reservieren Sie AUX-Eingangskanäle gemäß der Hardware-Dokumentation des Verstärkers.
    3. Fügen Sie zwei zusätzliche Kanäle für die Photodioden- und EKG-Signale hinzu. Konfigurieren Sie Kanalnamen, -typen und -einheiten nach Bedarf und fügen Sie diese Kanäle in dieselbe Aufnahmedatei wie das EEG ein. Beschriften Sie den EKG-Kanal konsequent (z. B. "EKG").
  3. Messen Sie die Stimuluspräsentationslatenz mit einer Photodiode.
    1. Schließen Sie die Photodiode an einen verfügbaren AUX-Eingang des EEG-Verstärkers an.
    2. VR-Bedingung: Montage der Photodiode an der Linse des Headsets an einer Stelle, die einem stimulusgesperrten Luminanzpatch entspricht. Präsentieren Sie mindestens 100 Stimulusereignisse und zeichnen Sie das Photodiodensignal auf, um die Anzeigelatenz und den Trial-to-Trial-Jitter relativ zum beabsichtigten Auslöser zu messen. Nach Abschluss der VR-Messungen wird die Photodiode auf das 2D-Display verlegt.
    3. 2D-Bedingung: Platzieren Sie die Photodiode über einen dezenten stimulusgebundenen Pixelbereich auf dem Monitor. Präsentiert mindestens 100 Reizereignisse und zeichnet das Photodiodensignal auf, um die Anzeigelatenz und Jitter relativ zum vorgesehenen Auslöser zu messen.
    4. Optional: Wenn zwei Photodioden verfügbar sind, schließen Sie jeden Sensor an einen separaten AUX-Kanal an und präsentieren synchronisierte Blitze, um gleichzeitig 2D- und VR-Latenzen zu messen.
    5. Entferne die Photodiode nach Abschluss der Latenzmessungen vom 2D-Display, um die Sicht des Teilnehmers nicht zu behindern.
    6. Berechnen Sie die mittlere Anzeigelatenz und die Standardabweichung (Jitter) für jede Präsentationsumgebung.
    7. Dokumentiere Latenz- und Jitterwerte separat für die 2D- und VR-Bedingungen.
    8. Überprüfen Sie, dass der Latenzjitter während der gesamten Sitzung stabil bleibt. Wenn Hardware- oder Softwareeinstellungen geändert werden, wiederhole die Latenzmessungen.
  4. Konfigurieren Sie den EKG-Aufzeichnungskanal.
    1. Bestimmen Sie die EKG-Eingangskonfiguration basierend auf den verfügbaren Verstärkermöglichkeiten (unterstützte bipolare Kanäle vs. nur monopolare Kanäle; siehe Schritte 1.2 und 1.3).
    2. Wenn eine bipolare EKG-Aufzeichnung unterstützt wird, aktivieren Sie den dedizierten bipolaren EKG-Eingang in der Aufzeichnungssoftware und reservieren Sie das Kanallabel "ECG".
    3. Wenn nur monopolare Kanäle verfügbar sind, schließen Sie einen differentiellen Adapter an einen AUX- oder Differentialeingang an und bilden Sie diesen Eingang als EKG-Kanal in der Aufzeichnungssoftware zu. Reservieren Sie das Kanallabel "ECG".
    4. Setzen Sie in diesem Stadium keine EKG-Elektroden an. Führen Sie Elektrodenplatzierung und Impedanzprüfungen während der Teilnehmervorbereitung durch.

3. Teilnehmervorbereitung

  1. Platzierung der EEG-Kappe
    1. Die EEG-Kappe wird gemäß dem internationalen 10–10- oder 10–20-System angepasst, indem die Cz-Elektrode ausgerichtet und die Kappengröße auf denKopfumfang 22 des Teilnehmers angepasst wird.
    2. Trennen Sie das Haar an jeder Elektrodenstelle mit einem Wattestäbchen oder einer stumpfen Kanüle (etwa 2–3 mm Durchmesser). Tragen Sie ein mildes Schleifmittel oder eine Hautvorbereitungslösung auf, um den Widerstand zu reduzieren.
    3. Setzen Sie jede Elektrode ein, tragen Sie leitfähiges Gel auf und sorgen Sie für festen Kontakt mit der Kopfhaut, indem Sie den Elektrodenhalter sanft drehen. Vermeiden Sie leitfähige Gelbrücken zwischen benachbarten Elektroden.
    4. Missen Sie die Elektrodenimpedanzen und reduzieren Sie sie unter 8 kΩ (oder den Laborstandard), indem Sie Haarscheitel wiederholen, zusätzliche Hautpräparation auftragen oder leitfähiges Gel nach Bedarf hinzufügen.
    5. Sichern Sie EEG-Kabel, um die Bewegung zu minimieren und sicherzustellen, dass sich der Teilnehmer vor der Weiterfahrt wohlfühlt.
  2. Platzierung von EKG-Elektroden
    1. Reinigen Sie die Haut an der Innenseite beider Handgelenke mit Alkoholtüchern und lassen Sie die Haut vollständig trocknen.
    2. Platzieren Sie Einweg-Klebeelektroden an den Handgelenken, um Standard Limb Lead I aufzuzeichnen, wobei die negative Elektrode am rechten Handgelenk und die positive Elektrode am linken Handgelenk positioniert wird. Sorgen Sie für einen guten Elektrodenkontakt und vermeiden Sie die Platzierung über knöcherne Vorsprünge.
    3. Sichern Sie EKG-Kabel mit medizinischem Klebeband und lassen Sie kleine Schleifen zurück, um bewegungsbedingte Artefakte zu reduzieren.
    4. Überprüfen Sie das EKG-Signal in Ruhe. Stellen Sie sicher, dass R-Peaks deutlich sichtbar und aufrecht sind. Wenn R-Peaks invertiert erscheinen, tausche die Elektrodenpolarität um. Bestätigen Sie, dass das EKG-Signal über die Zeit stabil bleibt.
    5. Wenn ein einzelner Verstärker für EEG- und EKG-Aufzeichnungen verwendet wird, werden EEG- und EKG-Masseelektroden wie vom System gefordert angeschlossen. Wenn mehrere Massekontakte verfügbar sind, werden separate Masseelektroden für EEG und EKG eingesetzt, um die Signalstabilität zu verbessern und sicherzustellen, dass alle Erdungselektroden intern im Verstärker verbunden sind.

4. Passform des VR-Headsets (nur im VR-Zustand)

  1. Entfernen Sie die EEG-Kappe nicht und trennen Sie keine EEG- oder EKG-Elektroden vor der Montage des Headsets.
  2. Lockere den oberen Gurt und den hinteren Befestigungsmechanismus des VR-Headsets, um die Platzierung über der EEG-Kappe zu ermöglichen.
  3. Weisen Sie den Teilnehmer an, den vorderen Teil des VR-Headsets auf sein Gesicht zu setzen. Senken Sie den hinteren Abschnitt über die EEG-Kappe und ziehen Sie die Gurte allmählich fest, bis das Headset sicher sitzt.
    1. Stellen Sie sicher, dass das Headset keinen übermäßigen Druck auf EEG-Elektroden ausübt. Passe die Passform so an, dass das Headset nicht verrutscht und gleichzeitig der Komfort der Teilnehmer bei längerer Nutzung erhalten bleibt. Überprüfen Sie das EEG-Signal auf Leitungsrauschen oder druckinduzierte Artefakte und stellen Sie das Headsetbei Bedarf neu ein.
  4. Spiegeln Sie die Ausgabe des VR-Displays auf einen sekundären Monitor, um eine Echtzeitüberwachung der Reizpräsentation und des Teilnehmerverhaltens zu ermöglichen.
  5. Überprüfen Sie die EEG-Elektrodenimpedanzen nach der Montage des Headsets erneut. Tragen Sie leitfähiges Gel auf jeden Kanal auf, der 8 kΩ überschreitet (oder den Laborstandard). Wiederholen Sie die Impedanzprüfungen regelmäßig während des VR-Verhältnisses.

5. Aufnahme

  1. Stimuluspräsentation
    1. Präsentieren Sie visuelle Reize mit präzisem und reproduzierbarem Timing. Senden und zeichnen Sie Ereignisauslöser für jeden Reizbeginn innerhalb der EEG-Aufzeichnung auf. Verwenden Sie identische Stimulus-Timing-Parameter (z. B. Stimulusdauer, Inter-Stimulus-Intervall) in den 2D- und VR-Umgebungen.
  2. Teilnehmerüberwachung
    1. Weisen Sie den Teilnehmer an, Kopfbewegungen und Augenblinzeln während der Stimuluspräsentation zu minimieren. Überwachen Sie kontinuierlich die EEG- und EKG-Signale während der Aufnahme. Pausieren Sie das Experiment bei Bedarf zur Korrektur der Elektrodenimpedanzen oder zur Anpassung der Verkabelung.
  3. Aufnahmeblöcke
    1. Erfassen Sie Daten in beiden Präsentationsumgebungen (2D und VR). Die Ordnung der Umgebungen zwischen den Teilnehmern ausgleichen, wenn sie zur Kontrolle der Ordnungseffekte anwendbar sind.

6. EEG-Vorverarbeitung

  1. Datenimport und Kanalverifikation
    1. Importieren Sie die kontinuierlichen EEG-, EKG- und Photodiodendaten in die EEG-Analysesoftware. Überprüfen Sie, dass alle Kanaletiketten, -typen und Einheiten korrekt zugewiesen sind.
  2. Signalfilterung
    1. Wenden Sie einen Notch-Filter auf der lokalen Netzfrequenz (50 Hz oder 60 Hz) an. Fügen Sie harmonische Frequenzen hinzu, wenn es der Laborstandard verlangt.
    2. Wenden Sie einen Bandpassfilter gemäß dem Laborstandard auf die EEG-Daten an (z. B. 0,1–40 Hz).
  3. Korrektur und Umkennzeichnung von Ereignismarkern
    1. Korrigieren Sie Reizereignismarker, indem Sie die umgebungsspezifische Anzeigelatenz subtrahieren, die in Schritt 2.3 gemessen wurde. Erzeugen Sie latenzkorrigierte Stimulusmarker für nachfolgende Analysen.
    2. Formulieren Sie Stimulusmarker entsprechend der Präsentationsumgebung um (z. B. Präfix-Ereignislabels mit "2D_" oder "VR_").
  4. Artefakterkennung und -korrektur
    1. Inspizieren Sie die kontinuierlichen Daten visuell auf Artefakte. Identifizieren und markieren Sie Segmente mit übermäßigem Lärm oder Bewegungsartefakten. Interpolieren Sie schlechte Kanäle, wenn es angemessen ist, und folgen Sie den üblichen Laborverfahren.
    2. Führen Sie eine unabhängige Komponentenanalyse (ICA)24 durch, um Augen- und Muskelartefakte zu identifizieren. Inspizieren Sie Teilzeitverläufe, Kopfhauttopographien und spektrale Eigenschaften. Entferne Artefakt-bezogene Komponenten basierend auf objektiven Kriterien oder Expertenurteil. Wenn angebracht, erweitern Sie ICA- oder regressionsbasierte Ansätze auf die Modellierung kardial-bezogener Artefakte.
    3. ERPs werden zeitlich auf den R-Peak berechnet und verwenden dieselben Vorverarbeitungsparameter wie für stimulusgesperrte ERPs. Inspizieren Sie die resultierenden Wellenformen und Kopfhauttopographien, um eine potenzielle Kontamination mit Herzfeldartefakten (CFA) zu beurteilen25. Identifizieren Sie markante QRS-ähnliche Komplexe oder andere EKG-bezogene Ablenkungen in den EEG-Signalen (Abbildung 2), die auf das restliche Herzvolumen hinweisen, das zur Kopfhaut geleitet wurde.
      1. Wenn erhebliche kardiale Aktivitäten beobachtet werden, wenden Sie zusätzliche Korrekturverfahren an, allgemeine lineare modellbasierte Regression mit EKG als kontinuierlichen Prädiktor26, erweiterte ICA-basierte Methoden oder maschinelles Lernen ansprechende Ansätze27.
    4. Berücksichtigen Sie Überschneidungen zwischen stimulusgesicherten ERPs und HEP. Verwenden Sie Methoden, die explizit überlappende neuronale Antworten modellieren, wie regressionsbasierte oder dekonvulutionsbasierte Ansätze26. Wenn angebracht, wenden Sie surrogatbasierte Verfahren oder Kontrollanalysen an, um die Robustheit kardialer neuronaler Effekte zu bewerten 28,29.

7. Herzphasensegmentierung (offline)

  1. R-Peaks erkennen
    1. Erkennen Sie R-Peaks automatisch im EKG-Signal mithilfe der Analysesoftware. Überprüfen Sie alle erkannten Ereignisse manuell und korrigieren Sie übersehene oder falsch erkannte R-Peaks, um eine genaue Herzschlagzeitmessung sicherzustellen.
  2. Definiere Herzphasen
    1. Systole und Diastole definieren und dabei individuelle Unterschiede in Herzfrequenz und Schlag-zu-Schlag-Variabilität berücksichtigen. Bevorzuge zyklusspezifische Definitionen gegenüber festen zeitlichen Fenstern, wenn möglich.
      HINWEIS: Verwenden Sie einen der folgenden Ansätze: (1) Definieren Sie Systole und Diastole als Anteile jedes einzelnen R-R-Intervalls, was mit der nichtlinearen Beziehung zwischen Herzfrequenz und Herzphasendauer übereinstimmt; (2) Wenn es die Qualität des EKG-Signals erlaubt, das Ende der Systole mit dem Ende der T-Welle als physiologisch geerdetem Marker zu definieren; (3) Wenn eine zuverlässige T-Wellen-Detektion nicht machbar ist, wird die Systole mit einem festen Zeitfenster definiert (z. B. die ersten 300 ms nach dem R-Peak). Erkennen Sie diese Annäherung explizit an und berücksichtigen Sie individuelle Herzfrequenzunterschiede in späteren Analysen.
  3. Signale der kardialen Phase Reizen zuweisen
    1. Verwenden Sie latenzkorrigierte Stimulusmarker, um jeden Reiz der zum Beginn des Reizes vorhandenen Herzphase (Systole oder Diastole) zuzuordnen. Weisen Sie Phasenlabels für jede Präsentationsumgebung (2D oder VR) separat zu und benennen Sie Ereignisse entsprechend um (z. B. 2D_systole, VR_diastole).
  4. Ausschluss mehrdeutiger Studien
    1. Identifizieren und entfernen Sie Studien, in denen das geplante ERP-Analysefenster beide Herzphasen abdeckt, basierend auf der sofortigen Herzfrequenz des Teilnehmers.
  5. Beispiel-Softwareimplementierung
    HINWEIS: Die folgenden Schritte veranschaulichen eine mögliche Implementierung mit einer EEG-Analyse-Software, die EKG-Ereigniserkennung und -umkennzeichnung unterstützt.
    1. Automatisierte R-Peak-Erkennung: Öffnen Sie das Ereigniserkennungsmenü und wählen Sie die Herzschlagerkennungsfunktion. Wählen Sie den EKG-Kanal mit der höchsten Signalqualität, definieren Sie ein Label für die detektierten Ereignisse (z. B. "R-Peak") und führen Sie den Detektionsalgorithmus aus, um R-Peak-Ereignismarker zu erzeugen.
    2. Manuelle Überprüfung der R-Peak-Erkennung: Inspizieren Sie das EKG-Signal visuell mit überlagerten R-Peak-Markern. Fügen Sie fehlende Marker hinzu und entfernen Sie falsche Erkennungen mit den von der Software bereitgestellten Ereignisbearbeitungstools.
    3. Herzphasenbasierte Ereignis-Neukennzeichnung: Verwenden Sie die Funktion zur Ereigniskombination oder -auswahl, um Reize nach Herzphase zu Beginn zu klassifizieren.
      HINWEIS: Bei systolischen Studien werden Reize ausgewählt, die innerhalb des vordefinierten systolischen Intervalls nach jedem R-Peak auftreten. Bei diastolischen Studien werden Reize ausgewählt, die innerhalb des vordefinierten diastolischen Intervalls vor dem nächsten R-Peak auftreten. Erstelle neue Ereigniskategorien für Systole und Diastole. Führen Sie dieses Verfahren separat für jede Herzphase und jede Präsentationsumgebung durch.

8. Epochie und Durchschnitt

  1. Epochial und Baseline-Korrektur
    1. Kennzeichnungen der kardialen Phase ausschließlich basierend auf der zum Beginn des Reizes vorhandenen Herzphase (d. h. Systole oder Diastole) zuweisen. Definieren Sie die ERP-Epoche relativ zum Beginn des Reizes. Erlauben Sie der Epoche, sich auf weitere Herzphasen auszudehnen, ohne die Phasenklassifikation zu beeinflussen.
    2. Verwenden Sie eine Epochenlänge von etwa 400 ms. Wenn ein längeres Zeitfenster (z. B. 600 ms) erforderlich ist, sollten Studien ausgeschlossen werden, bei denen sich das Analysefenster wesentlich in die anschließende Herzphase erstreckt. Wenden Sie die Baseline-Korrektur mit einem kurzen Pre-Stimulus-Intervall an (z. B. -50 bis 0 ms oder -50 bis -2 ms).
  2. Durchschnitt
    1. Berechnen Sie ERPs separat für die vier experimentellen Bedingungen: 2D_systole, 2D_diastole, VR_systole und VR_diastole. Geben Sie die Anzahl der aufbewahrten Versuche für jede Erkrankung an.
  3. Überlegungen zur Elektrodenauswahl
    1. Wähle Elektroden für die Analyse basierend auf der Forschungsfrage und der Art der interessierenden ERP-Komponenten aus. Verwenden Sie okzipitale Elektroden (O1, Oz, O2) für visuelle Paradigmen, da sie kanonische visuelle ERPs mit hohem Signal-Rausch-Verhältnis erfassen.

9. Qualitätskontrolle und Fehlerbehebung

  1. Trigger-Stimulus-Latenz-Jitter
    1. Bewertung von Versuch zu Studien Latenz-Jitter zwischen Trigger-Zeitstempeln und photodiode-gemessenem Stimulusbeginn. Man betrachtet Jitter, der etwa 10 ms über etwa 10 ms hinweg über die Studien hinweg liegt, als problematisch, insbesondere für frühe ERP-Komponenten. Wenn übermäßiger Jitter festgestellt wird, sollten Sie das Stimulus-Timing, die Hardware-Synchronisation neu bewerten und bei Bedarf laufspezifische Latenzkorrekturen anwenden.
  2. EKG-Sättigung oder Rauschen
    1. Überprüfen Sie den Kontakt und die Impedanz der EKG-Elektroden. Tausche die Elektrodenpolarität, wenn R-Peaks invertiert sind. Verlegen Sie die EKG-Elektroden an die Unterarme, wenn die Handgelenksaufnahmen weiterhin laut sind.
  3. VR-Headset-Druckartefakte
    1. Setzen Sie die Headset-Gurte neu an, um den Druck auf EEG-Elektroden zu verringern. Füge bei Bedarf Polsterung hinzu und trage leitfähiges Gel auf die betroffenen Elektroden wieder auf.
  4. Ungleiche Studienzählungen über Herzphasen hinweg
    1. Passen Sie das ERP-Epochenfenster oder den Stimuluszeitpunkt an, um eine ausgewogene Stichprobe über systolische und diastolische Phasen zu gewährleisten.
  5. Studien in mehrdeutiger Phase
    1. Identifizieren Sie Studien, bei denen der Beginn des Reizes nahe einer Herzphasengrenze auftritt (z. B. rund um den R-Peak oder nahe dem Übergang zwischen Systole und Diastole) und in denen das geplante Analysefenster beide Phasen umfassen kann. Markiere diese Prozesse als mehrdeutig. Untersuchen Sie das EKG-Signal und das momentane R-R-Intervall und schließen Sie mehrdeutige Studien von der weiteren Analyse aus.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Die vorliegende Studie verwendete ein Analyseprotokoll, um die ERP-Modulation durch afferente interozeptive Signale während der Herzzyklusphase (Systole vs. Diastole) in zwei experimentellen Umgebungen zu untersuchen: einem Standard-2D-Monitor und einer immersiven VR-Umgebung. EEG-Epochen wurden extrahiert und relativ zum R-Peak des gleichzeitig aufgezeichneten EKG analysiert.

Der nichtparametrische, clusterbasierte Permutationstest, der auf visuelle ERPs ange...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Kritische Schritte im Protokoll
Mehrere Schritte des vorgeschlagenen Protokolls sind entscheidend, um valide kardiale phasenabhängige ERP-Effekte zu erzielen. Erstens ist eine präzise Synchronisation zwischen der Stimuluspräsentation und der EEG-Aufzeichnung unerlässlich, und die umgebungsspezifische Anzeigelatenz muss mit einer Photodiode quantifiziert und auf Ereignismarker-Ebene korrigiert werden, da unkorrigierte Verzögerungen oder übermäßiger Jitter zu zeitlichem...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren erklären, dass sie keinen Interessenkonflikt haben.

Danksagungen

Diese Arbeit wurde durch die Förderung des Landesprogramms des Bundesterritoriums «Sirius» «Wissenschaftliche und technologische Entwicklung des «Bundesgebiets Sirius» (Vereinbarung Nr. 28-03, Datum 27.09.2024) unterstützt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
actiCAP slim / SnapBrain Products GmbHBP-185-2200Aktive Elektrodenkappe mit 64 Kanälen.
actiCHamp Plus Vielseitiger All-in-One-LaborverstärkerBrain Products GmbHS/N ACBM17120955Primäres EEG-Datenerfassungssystem.
Ag/AgCl-Wähler entbehrlich 26 mmNika-Medical LtdN/AEinwegelektroden für Drei-Kanal-EKG
BIP2AUX AdapterBrain Products GmbHN/AVerbindet den EKG-Ausgang mit dem EEG-Aux-Eingang.
Desktop ROG Srtix ASUSTeK Computer Inc.G835LR-SA117Hochleistungs-Arbeitsstation. Verwendet für den gleichzeitigen Betrieb des VR-Systems (HTC Vive), der Stimuluspräsentationssoftware und der EEG-Aufzeichnungsplattform (BrainVision Recorder).
HTC Vive  Pro EyeHTC Corporation S/N FA1142100443VR-System für immersive Stimuluspräsentation.
FotosensorBrain Products GmbHN/AZur optischen Detektion des Reizbeginns.
Samsung 27" ViewFinity S8 Samsung Electronics Co., LtdS/N 0UYMHNBXB00044DPrimäranzeige für die 2D-Bedingung.
Samsung 27" ViewFinity S8 Samsung Electronics Co., LtdS/N 0UYMHNBXB00030EExperimentatoren-Display. Verwendet zum Betrieb von EEG-Aufzeichnungssoftware und zur Überwachung von Daten während Experimenten.
Geschützter Raum Neiroiconica "Experte"Neiroiconica Assistive LtdS/N figure-materials-1K20210119011Elektromagnetisch abgeschirmte Kammer.
Snap-Lead-KabelNeurosoft LtdN/AVerbindet EKG-Elektroden mit dem Adapter
TriggerBox PlusBrain Products GmbHS/N TB-A100009-0624Synchronisationsschnittstelle für TTL-Trigger.

Referenzen

  1. Barrett, L. F., Simmons, W. K. Interoceptive predictions in the brain. Nat Rev Neurosci. 16 (7), 419-429 (2015).
  2. Critchley, H. D., Garfinkel, S. N. Interoception and emotion. Curr Opin Psychol. 17, 7-14 (2017).
  3. Quigley, K. S., Kanoski, S., Grill, W. M., Barrett, L. F., Tsakiris, M. Functions of interoception: from energy regulation to experience of the self. Trends Neurosci. 44 (1), 29-38 (2021).
  4. Cechetto, D. F. Cortical control of the autonomic nervous system. Exp Physiol. 99 (2), 326-331 (2014).
  5. Gianaros, P. J., Wager, T. D. Brain-body pathways linking psychological stress and physical health. Curr Dir Psychol Sci. 24 (4), 313-321 (2015).
  6. Schandry, R., Sparrer, B., Weitkunat, R. From the heart to the brain: a study of heartbeat-contingent scalp potentials. Int J Neurosci. 30 (4), 261-275 (1986).
  7. Azzalini, D., Rebollo, I., Tallon-Baudry, C. Visceral signals shape brain dynamics and cognition. Trends Cogn Sci. 23 (6), 488-509 (2019).
  8. Park, H. D., Blanke, O. Heartbeat-evoked cortical responses: underlying mechanisms, functional roles, and methodological considerations. Neuroimage. 197, 502-511 (2019).
  9. Saltafossi, M., Zaccaro, A., Perrucci, M. G., Ferri, F., Costantini, M. The impact of cardiac phases on multisensory integration. Biol Psychol. 182, 108642(2023).
  10. Seth, A. K., Friston, K. J. Active interoceptive inference and the emotional brain. Philos Trans R Soc B Biol Sci. 371 (1708), 20160007(2016).
  11. Kirasirova, L. A., Pyatin, V. F. Face-related ERP is influenced by cardiac afferent information. Opera Med Physiol. 9 (1), 54-59 (2022).
  12. Martins, A. Q., Ring, C., McIntyre, D., Edwards, L., Martin, U. Effects of unpredictable stimulation on pain and nociception across the cardiac cycle. Pain. 147 (1-3), 84-90 (2009).
  13. Motyka, P., et al. Interactions between cardiac activity and conscious somatosensory perception. Psychophysiology. 56 (3), e13424(2019).
  14. Edwards, L., Inui, K., Ring, C., Wang, X., Kakigi, R. Pain-related evoked potentials are modulated across the cardiac cycle. Pain. 137 (3), 488-494 (2008).
  15. Garfinkel, S. N., et al. Fear from the heart: sensitivity to fear stimuli depends on individual heartbeats. J Neurosci. 34 (19), 6573-6582 (2014).
  16. Rau, H., Elbert, T. Psychophysiology of arterial baroreceptors and the etiology of hypertension. Biol Psychol. 57, 179-201 (2001).
  17. Gray, M. A., Rylander, K., Harrison, N. A., Wallin, B. G., Critchley, H. D. Following one’s heart: cardiac rhythms gate central initiation of sympathetic reflexes. J Neurosci. 29, 1817-1825 (2009).
  18. Pollatos, O., Schandry, R. Accuracy of heartbeat perception is reflected in the amplitude of the heartbeat-evoked brain potential. Psychophysiology. 41 (3), 476-482 (2004).
  19. Parsons, T. D. Virtual reality for enhanced ecological validity and experimental control in clinical, affective and social neurosciences. Front Hum Neurosci. 9, 520(2015).
  20. Slobounov, S. M., Ray, W., Johnson, B., Slobounov, E., Newell, K. M. Modulation of cortical activity in 2D versus 3D virtual reality environments: an EEG study. Int J Psychophysiol. 95 (3), 254-260 (2015).
  21. Pavlov, Y. G., et al. EEGManyLabs: Investigating the replicability of influential EEG experiments. Cortex. 144, 213-229 (2021).
  22. Klem, G., Lüders, H., Jasper, H., Elger, C. The ten-twenty electrode system of the International Federation. Electroencephalogr Clin Neurophysiol Suppl. 52, 3-6 (1999).
  23. Larsen, O. F. P., et al. A method for synchronized use of EEG and eye tracking in fully immersive VR. Front Hum Neurosci. 18, 1347974(2024).
  24. Vigário, R., Särelä, J., Jousmäki, V., Hämäläinen, M., Oja, E. Independent component approach to the analysis of EEG and MEG recordings. IEEE Trans Biomed Eng. 47 (5), 589-593 (2000).
  25. Al, E., et al. Heart-brain interactions shape somatosensory perception and evoked potentials. Proc Natl Acad Sci USA. 117 (19), 10575-10584 (2020).
  26. Ehinger, B. V., Dimigen, O. Unfold: An integrated toolbox for overlap correction, non-linear modeling, and regression-based EEG analysis. PeerJ. 7, e7838(2019).
  27. Arnau, S., Sharifian, F., Wascher, E., Larra, M. F. Removing the cardiac field artifact from EEG using neural network regression. Psychophysiology. 60 (4), e14323(2023).
  28. Aprile, F., et al. The heartbeat-evoked potential in young and older adults during attention orienting. Psychophysiology. 62 (1), e70057(2025).
  29. Steinfath, P., et al. Validating genuine changes in heartbeat-evoked potentials using pseudotrials and surrogate procedures. Imaging Neurosci. 3, IMAG.a.30(2025).
  30. Walker, B. B., Sandman, C. A. Visual evoked potentials change as heart rate and carotid pressure change. Psychophysiology. 19 (5), 520-527 (1982).
  31. Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG and MEG data. J Neurosci Methods. 164 (1), 177-190 (2007).
  32. Coll, M. P., Hobson, H., Bird, G., Murphy, J. Systematic review and meta-analysis of the relationship between the heartbeat-evoked potential and interoception. Neurosci Biobehav Rev. 122, 190-200 (2021).
  33. Kirasirova, L., Tugin, S., Pyatin, V., Kabir, M. S., Sagalajev, B. Modality-specific ERP dynamics in virtual and non-immersive environments. Proc Int Conf Neurotechnologies Neurointerfaces, , 36-39 (2025).
  34. Sagehorn, M., et al. Real-life relevant face perception is not captured by the N170 but reflected in later potentials: a comparison of 2D and virtual reality stimuli. Front Psychol. 14, 1050892(2023).
  35. Kirasirova, L., Maslova, O., Pyatin, V. Impact of virtual agent facial emotions and attention on N170 ERP amplitude: comparative study. Front Behav Neurosci. 19, 1523705(2025).
  36. Marín-Morales, J., et al. Affective computing in virtual reality: Emotion recognition from brain and heartbeat dynamics using wearable sensors. Sci Rep. 8, 13657(2018).
  37. Kirasirova, L., et al. Standardized EEG protocol for comparing cortical responses to mechanical and electrical tactile stimuli. J Vis Exp. (229), e69817(2026).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

ereigniskorrelierte PotentialeVirtual Reality EEGHerz Hirn InteraktionEEG VorverarbeitungElektrokardiographie EKGBewegungsartefaktevisuelle ERP Amplitudekardiale Systolekardiale Diastole
Video demnächst verfügbar

Verwandte Artikel