BrainBeatsは、脳波と心血管の信号を共同で分析するためのオープンソースのEEGLABプラグインです

サマリー

BrainBeatsツールボックスは、EEGと心血管(ECG / PPG)信号を共同で分析するために設計されたオープンソースのEEGLABプラグインです。これには、心拍誘発電位(HEP)評価、特徴ベースの分析、およびEEG信号からの心臓アーチファクト抽出が含まれます。このプロトコルは、2つのレンズ(HEPと機能)を通じて脳と心臓の相互作用を研究するのに役立ち、再現性とアクセシビリティを向上させます。

要約

脳と心血管系の相互作用は、人間の生理学の理解を深め、健康状態を改善する可能性が注目されています。しかし、これらの信号のマルチモーダル解析は、ガイドライン、標準化された信号処理と統計ツール、グラフィカルユーザーインターフェース(GUI)、大規模なデータセットの処理や再現性の向上のための自動化が不足しているため、困難です。標準化されたEEGおよび心拍変動(HRV)特徴抽出法には、さらに空白が存在し、臨床診断や機械学習(ML)モデルの堅牢性を損ないます。これらの制限に対応して、BrainBeats ツールボックスを紹介します。オープンソースのEEGLEBプラグインとして実装されたBrainBeatsは、3つの主要なプロトコルを統合しています:1)ミリ秒の精度で時間ロックされた脳と心臓の相互作用を評価するための心拍誘発電位(HEP)と振動(HEO)。2)さまざまな脳と心臓の指標間の関連性/違いを調べるため、または堅牢な機能ベースのMLモデルを構築するためのEEGおよびHRV特徴抽出。3)脳波信号から心臓のアーチファクトを自動的に抽出し、脳波分析を行いながら潜在的な心血管汚染を除去します。これら3つの方法を、64チャンネルのEEG、ECG、およびPPG信号を同時に含むオープンソースのデータセットに適用するためのステップバイステップのチュートリアルを提供します。ユーザーは、グラフィカルユーザーインターフェース(GUI)またはコマンドラインを使用して、独自の研究ニーズに合わせてパラメーターを簡単に微調整できます。BrainBetsは、脳と心臓の相互作用の研究をよりアクセスしやすく、再現性のあるものにするはずです。

概要

長い間、還元主義的アプローチは、人間の生理学と認知における科学的調査を支配してきました。このアプローチでは、複雑な身体および精神的なプロセスを、より小さく、より管理しやすいコンポーネントに分解することで、研究者は個々のシステムに単独で集中することができました。この戦略は、人間の身体と心の複雑で相互に関連し合った性質を研究する際の課題から生じました¹。還元主義は、神経² または心臓³ のコミュニケーションにおけるイオンチャネルと活動電位の役割を解明するなど、個々のサブシステムを単独で理解するのに役立ちました。しかし、これらの孤立したシステムがより大きな空間的および時間的スケールでどのように相互作用するかについての理解には、大きなギャップが残っています。マルチモーダル(統合的または生態学的)フレームワークは、人体を複雑な多次元システムと見なし、心は脳の産物ではなく、生物の活動、つまり脳を人体の日常的な機能に統合する活動として見なされます⁴。マルチモーダルアプローチと還元主義的アプローチは排他的ではなく、脳全体なしでは1つのニューロンを研究できないか、個々のニューロンの特性を理解せずに脳全体を研究できないのと同じです。彼らは一緒になって、人間の健康、病理、認知、心理学、意識について、より包括的で相乗的な理解への道を切り開きます。本手法は、脳波(EEG)と心血管信号、すなわち心電図(ECG)と光電式容積脈波(PPG)の共同解析を提供することにより、脳と心臓の相互作用のマルチモーダル調査を容易にすることを目的としています。このツールボックスは、MATLAB の EEGLAB プラグインとして実装され、既存の方法論の限界に対処し、科学分野でのアクセシビリティと再現性を促進するためにオープンソース化されています。最新のガイドラインと推奨事項を設計と既定のパラメーターに実装して、ユーザーが既知のベスト プラクティスに従うことを奨励します。提案されたツールボックスは、1)心拍誘発電位の研究、2)EEGおよびECG / PPG信号からの特徴の抽出、または3)EEG信号からの心臓アーチファクトの除去に関心のある研究者や臨床医にとって貴重なリソースになるはずです。

心脳研究
心臓と脳の関係は、機能的磁気共鳴画像法(fMRI)や陽電子放出断層撮影法(PET)などの神経画像法によって歴史的に研究されてきました。これらのツールを使用して、研究者は心血管制御に関連するいくつかの脳領域(心拍数や血圧の操作^など)を強調したり、BOLD信号⁶に対する心拍数の影響を示したり、冠状動脈性心疾患(ストレス誘発性血圧⁷)に寄与する可能性のある脳-体経路を特定したりしました).これらの研究により、中枢神経系(CNS)と心血管機能との間の複雑な相互作用についての理解が大幅に進歩しましたが、これらのニューロイメージング技術は高価で、利用可能性が限られており、制御された実験室環境に限定されているため、実世界および大規模なアプリケーションへの実用性が制限されています。

対照的に、EEGとECG / PPGは、より手頃な価格でポータブルなツールであり、より多様な環境や集団、または長期間にわたって脳と心臓の相互作用を研究する可能性を提供し、新しい機会を提供します。心電図は、心臓が収縮および弛緩するときに、皮膚(通常は胸部または腕)に配置された電極を介して、各心拍によって生成される電気信号を測定し^ます8。PPGは、光源(例えば、LED)および光検出器(通常は指先、手首、または額に配置される)を使用して、微小血管組織の血液量の変化(すなわち、血流および脈拍数)^{を測定するが、}これは、血液が周囲の組織よりも多くの光を吸収する方法に依存している9。どちらの方法も心血管機能に関する貴重な情報を提供しますが、目的も異なり、データタイプも異なります。ECGと同様に、EEGは、細胞外マトリックス、組織、頭蓋骨、および頭皮を伝播して頭皮の表面¹⁰に着目するまで伝播する数千の皮質ニューロンの同期活動によって生成される電場を記録する。このように、EEGとECG/PPGの使用は、脳と心臓の相互作用の根底にある生理学的、認知的、感情的なプロセスと、それらが人間の健康と幸福に与える影響についての理解を深める上で大きな期待を寄せています。したがって、BrainBeatsツールボックスを使用してEEG、ECG/PPG信号から心と脳の相互作用をキャプチャすることは、臨床診断および予測、ビッグデータ機械学習(ML)、実世界の自己モニタリング¹¹、およびモバイル脳/身体イメージング(MoBI)^12,13の科学分野で特に役立つ可能性があります。

脳波信号とECG信号を共同で解析するための2つのアプローチ
EEGと心血管信号の間の相互作用を研究するには、主に2つのアプローチがあります。

時間領域の心拍誘発電位(HEP):イベント関連電位(ERP)、および時間-周波数領域の心拍誘発振動(HEO):イベント関連スペクトル摂動(ERSP)と試行間コヒーレンス(ITC)。このアプローチでは、脳が各心拍をどのように処理するかを調べます。ミリ秒(ms)の精度で、この方法では、両方の時系列が完全に同期され、心拍がEEG信号にマークされる必要があります。このアプローチは、近年14,15,16,17,18,19で関心を集めています。

特徴ベースのアプローチ: このアプローチでは、連続的な信号から EEG と心拍変動 (HRV) の特徴を抽出し、それらの間の関連性を調べます。これは、EEG(定量的EEGまたはqEEG²⁰と呼ばれることが多い)、ECG 21,22,23、およびPPG 24,25,26とは独立して行われています。このアプローチは、状態と形質に関連する変数の両方を捕捉することにより、有望なアプリケーションを提供します。EEG信号と心血管信号の両方について、記録が長いほど、形質変数27,28,29がより支配的になることに注意してください。したがって、アプリケーションは記録パラメータに依存します。特徴量ベースの分析はますます関心を集めており、精神障害および神経障害の発症、治療反応、または再発を予測するための新しい定量的指標を提供しています30,31,32,33,34,35。このアプローチは、ウェアラブルニューロ^{テクノロジー11}の最近の革新のおかげでより簡単に取得できる大規模な現実世界のデータセット(例:クリニック、リモートモニタリング)で特に魅力的です。あまり探求されていないアプリケーションは、特定の脳と心臓の特徴との間の関連を特定し、中枢神経系のダイナミクスの根底にある可能性を強調することです。心拍変動(HRV)は、ECG信号とPPG信号の両方から計算できます。これは、心拍間の時間間隔(すなわち、正常から正常への間隔)の変動を測定することにより、自律神経系(ANS)に関する情報を提供する²⁷。交感神経(SNS)活動の増加(ストレスや運動中など)は通常、HRVを減少させ、副交感神経(PNS)活動(リラクゼーション中など)はHRVを増加させます。呼吸数が遅いと、特に短い録音(<10分)の場合、PNS活動が増加するため、一般にHRVが増加します²⁷。HRVスコアが高いほど、一般的にANSの回復力と適応性が高いことを示唆し、HRVが低い場合は、ストレス、疲労、または根本的な健康問題を示している可能性があります。長いHRV記録(すなわち、少なくとも24時間)は、心血管疾患、ストレス、不安、およびいくつかの神経学的状態を含むさまざまな健康状態の予測予後を提供する²⁷。血圧、心拍数、コレステロール値などの測定値は、心血管系の状態に関する情報を提供します。対照的に、HRVはダイナミックな側面を追加し、心臓がストレスにどのように反応し、ストレスから回復するかを示します。

既存の方法に対するBrainBeatsの利点
以下で検討するように、心血管信号と脳波信号を互いに独立して処理するツールは存在しますが、それらを一緒に分析することはできません。さらに、心血管信号を処理するための利用可能なほとんどの手段は、高価なライセンスを伴い、自動処理を許可せず(特に大規模なデータセットに有益)、透明性と再現性を妨げる独自のアルゴリズムを持っているか、またはグラフィカルユーザーインターフェース(GUI)を提供しないことにより高度なプログラミングスキルを必要とする³⁶。私たちの知る限り、4つのオープンソースのMATLABツールボックス(ecg-kitツールボックス³⁷、BeMoBILパイプライン³⁸、HEPLAB EEGLABプラグイン³⁹、およびCARE-rCortexツールボックス⁴⁰)がGUIによるHEP/HEO解析をサポートしています。HEPLAB、BeMoBIL、およびecg-kitは、心拍を検出し、それらをEEG信号にマーキングすることでHEP分析を容易にしますが、統計分析を提供しないか、時間領域(つまりHEP)に限定されます。CARE-rCortexプラグインは、ECGおよび呼吸信号、時間-周波数領域分析、統計、およびHEP/HEO分析に適応した高度なベースライン正規化および補正方法をサポートすることにより、これらの問題に対処しました。しかし、それは、タイプ1エラー(すなわち、偽陽性)の統計的修正のためにボンフェローニ法を使用しており、これはあまりにも保守的であり、EEGアプリケーションにとっては生理学的に健全ではなく、タイプIIエラー(すなわち、偽陰性)の増加につながる⁴¹。さらに、ツールボックスは自動化のためのコマンドラインアクセスを提供していません。最後に、最近の研究では、ベースライン補正法42,43,44は、信号対雑音比(SNR)を低下させ、統計的に不必要で望ましくないため、推奨していません。

これらの制限に対処するために、現在 MATLAB 環境にオープンソースの EEGLAB プラグインとして実装されている BrainBeats ツールボックスを紹介します。これには、以前の方法に比べて次の利点があります。

1) 使いやすいGUIとコマンドライン機能(自動処理を目指すプログラマー向け)2)Rピークの検出、RRアーティファクトの補間、HRVメトリックの計算など、心血管信号を処理するための検証済みのアルゴリズム、パラメータ、およびガイドライン(例えば、ウィンドウ処理、リサンプリング、正規化などの埋め込みガイドライン27,45,46)。Vestらは、これらの処理ステップのわずかな違いが結果の違いを招き、HRVメトリクスの再現性と臨床的適用性の欠如に寄与することを示したため、これは重要です⁴⁶。3)フィルタリングとウィンドウ処理^44,47、再参照^48,49、異常なチャネルとアーティファクト^の除去50,51,52、最適化されたICA分解と独立したコンポーネントの分類53,54,55,56を含む、EEG信号を処理するための検証済みのアルゴリズム、デフォルトパラメータ、およびガイドライン.ユーザーは、自分のニーズに合わせてツールボックスを使用する前に、すべての前処理パラメータを微調整したり、好みの方法でEEGデータを前処理したりすることができます(例:EEGLAB clean_rawdataプラグイン^50,52、BeMoBILパイプライン³⁸、PREPパイプライン⁵⁷など)。4)心電図信号から、心拍誘発電位(HEP、すなわち時間領域)および振動(HEO;ウェーブレットまたはFFT法によるイベント関連のスペクトル摂動、および試行間コヒーレンス)は、標準のEEGLABソフトウェアを通じて利用可能です。タイプ1エラーの補正を含むパラメトリックおよびノンパラメトリック統計は、EEGLABの標準ソフトウェアを介して利用できます。ノンパラメトリック統計には、多重比較のための順列統計と時空間補正が含まれます(例:時空間クラスタリングまたはしきい値なしクラスター強化)^58,59。ユーザーは、LIMO-EEGプラグインを使用して、被験者内および被験者間の分散を適切に説明し、タイプIおよびII^{エラー60,61}のロバスト制御を備えた仮定のない質量単変量アプローチを実装する階層線形モデリングを実装できます。HEP/HEOデータの統計解析は、チャネルドメインと独立コンポーネントドメインで行うことができます。5) PPG信号からのHEP/HEOおよびHRV解析(HEP/HEOでは初めて)。6) 脳波とHRVの特徴の共同抽出を初めてサポートします。7) このツールボックスは、さまざまな必要な処理ステップで信号を検査し、被験者レベルでの出力を生成するためのさまざまなデータ視覚化を提供します。

方式	ECGからのRピークの検出	PPGからのR波の検出	HEP/HEO	EEG & HRV 機能	脳波から心臓のアーチファクトを取り除く	GUIの	コマンドライン
ECGキット	X	X	X				X
ベモビル	X		X				X
ヘプラブ	X		X			X	X
CARE-rCortex	X		X			X	X
ブレインビート	X	X	X	X	X	X	X

表1:BrainBeatsが既存の類似の方法と比較してもたらした新規性。

読者がその方法が自分に適しているかどうかを判断するのに役立つ情報
このツールボックスは、脳波およびECG/PPGデータを持つ研究者や臨床医に適しています。このプラグインは、EEG信号とECG/PPG信号を別々のファイルからインポートすることにはまだ対応していません(ただし、この機能は近日中に利用可能になります)。このツールボックスは、HEP/HEO分析の実行、標準化された方法でのEEGおよび/またはHRV特徴の抽出、または単にEEG信号からの心臓アーチファクトの除去を目指す人に適しています。 図 1 は、BrainBeats の全体的なフローとメソッドをまとめたブロック図です。

図 1.BrainBeatsの全体的なアーキテクチャとフローをまとめたブロック図。3 つの方法に共通する操作は茶色です。心拍誘発電位(HEP)と振動(HEO)に固有の操作は緑色です。EEGおよびHRV特徴の抽出に固有の操作は青色です。EEG信号から心臓のアーチファクトを除去するための操作は赤です。 この図の拡大版を表示するには、ここをクリックしてください。

プロトコル

各参加者からインフォームドコンセントが得られ、ウラル連邦大学の倫理委員会が実験プロトコルを承認しました。

1. BrainBeatsの要件

1. MATLABとEEGLABをコンピューターにインストールします。EEGLABは https://github.com/sccn/eeglab でダウンロードでき、コンピューター上の任意の場所で解凍(またはGitユーザーの場合はクローン化)できます。インストールの詳細については、GitHub ページを参照してください。
2. MATLAB のホーム パネルで EEGLAB フォルダーへのパスを追加するには、[ パスの設定 ] ボタンをクリックします。解凍したファイルがあるeeglabフォルダを選択し、[ 保存]をクリックして>[閉じる]をクリックします。
3. MATLAB のコマンド ウィンドウで 「eeglab 」と入力して EEGLAB を起動します。
4. 「 File」>「Manage EEGLAB拡張機能」をクリックして、BrainBeatsプラグインをインストールします。検索バーに 「brainbeats 」と入力し、リストから BrainBeats プラグインを選択して、[ インストール/更新]をクリックします。
5. サンプルデータセットをEEGLABに読み込みます。 [ファイル] > [既存のデータをロード] をクリックします。EEGLABフォルダに移動し、pluginsフォルダに移動し、BrainBeatsフォルダに移動して、sample_dataフォルダを開きます。 ファイル dataset.set を選択します。
   注:このデータセットは、オープンソースのマルチサブジェクトデータセット^62,63のsub-032(目を開けて安静状態)に対応します。これは、1000 Hz のサンプリング レートで、EEG (64 チャネル)、ECG (1 チャネル)、PPG (1 チャネル) の同時機能が含まれているため、選択されました。ECG信号とPPG信号は、actiCHampシステムの補助入力を使用して収集されました。脳波データは、10-20システムに従って配置されたアクティブ電極、オンラインリファレンスとしてFCz、接地電極としてFpzを使用し、インピーダンスを25kOm未満に維持して記録しました。ECG は、右手首に 1 つのアクティブ電極を配置し、参照電極を左手首に配置し、肘から遠位 3 cm の左前腕の内側に地面を配置して記録しました。PPGは左の人差し指から記録しました。EEG、ECG、およびPPGデータは、同じアンプで同時に記録されたため、時間同期しています。詳細については、参考文献^62,63を参照してください。
6. Save Outputsチェックボックスにチェックを入れると、対応する.setファイルのすべてがEEGLABにロードされた元のファイルと同じ場所に保存されます。
   注:このチュートリアルでは、EEG、ECG、およびPPGデータを1つのEEGLABデータセットに統合し、3D境界要素法(BEM)電極座標をロードし、信号を250 Hzにダウンサンプリングして、ファイル重量(ユーザーダウンロード用)を減らし、計算時間を短縮しました。このデータセットには異常な脳波チャネルがなかったため、BrainBeatsの不良チャネル検出および除去アルゴリズムを示すために、チャネルTP9を人為的に変更しました。同様に、BrainBeatsのアーティファクト除去機能を説明するために、ファイルの先頭にある大きなEEGアーティファクトと、3〜6秒の時間チャネルの高周波筋肉様アーティファクトを人工的にシミュレートします。

2. 心拍誘発電位(HEP)と振動(HEO)

1. BrainBeatsの最初の一般的なユーザーインターフェイス(GUI)を開いて、メインパラメータを選択します。EEGLABで、 Tools > BrainBeats >^1st level (subject level)をクリックします。実行する分析として [Heartbeat-evoked potentials HEP ]を選択し、心臓のデータタイプとして [ECG ]を選択し、ボタンをクリックしてチャネルのリストを表示し、ECGとラベル付けされたECGチャネルを選択します(またはテキストボックスに直接入力します)。 「出力の視覚化 (推奨)」 オプションと「 出力の保存 」オプションを選択したまま、「 OK」をクリックします。
2. 前の選択に基づいて、2番目のGUIウィンドウがポップアップ表示されます(つまり、ECGデータを使用したHEP分析)。EEG信号とECG信号の両方の前処理パラメータを選択します。BrainBeatsを起動する前に、Preprocess ECGとPreprocess EEGのチェックボックスをオフにして、データがすでに前処理されているかどうかを確認します。これらのEEGデータはロシアで記録されたため、EEGの前処理セクションで電力線ノイズを50Hzに変更します。[OK] をクリックして起動します。
3. 警告メッセージが表示され、検出されたPPGチャネルを削除するように確認を求められます。これは、ツールボックスが ECG と PPG の両方 (または他の補助チャネル) を同時に解析するように設計されておらず、データセットに保持すると重大なエラー (アーティファクトの除去、ICA 分解の不良など) が発生するためです。 [はい] をクリックします。BrainBeatsは、いくつかのチェックの実行を開始し、いくつかのデフォルトパラメータを設定し、ECGをEEGデータから分離して、ECG信号を前処理し、RR間隔を計算します。
4. ECGおよびRR時系列は、BrainBeatsのデータフォーマット、明瞭度の向上、パラメータ調整、および計算時間に適合するように適合したPhysionet Cardiovascular Signalツールボックス^46,64の検証済みアルゴリズムを使用して前処理されます(アルゴリズムの検証については参考文献を参照)。プラグインは、RR間隔、タイムスタンプ、フィルタリングされたECG信号、Rピークインデックス、および心拍数(HR)を出力します。これらのパラメータは、GUIまたはコマンドラインで調整します。
   注:ECG信号は、カスタマイズされた検証済みフィルター(1〜30 Hz)を使用してバンドパスフィルタリングされ、Pan-Tompkins(P&T)メソッド⁶⁵を使用してQRSプレックスとRピークを識別するために信号をスキャンします。最高のパフォーマンスを得るために、微分、二乗、積分、平滑化などの信号処理操作を実装します。P&T エネルギーのしきい値は、サンプルレートと平滑化された ECG 値に基づいて推定され、大きなバンプによる中断を回避します。RR間隔の変動が中央値の1.5倍を超える場合、欠落したピークが検索されます。平均 R ピーク符号は 30 秒のセグメントで計算され、ピーク点は不応期チェックを通じて精製され、フラットライン条件を管理し、一貫した検出を確保します。
5. 次に、BrainBeatsは、前方後方検索と生理学的閾値を使用して、異常なRR間隔またはRR間隔内のスパイクを特定します。信号品質指数(SQI)は⁴⁶計算されます。RR タイム シリーズの 20% を超える RR アーチファクト (生理学的限界の範囲外、または SQI が 0.9 未満) に警告が表示される場合は、これを確認します。プロットには、フィルタリングされたECG信号、同定されたRピーク、NN間隔、および補間されたアーチファクトが表示されます( 図2を参照)。
   注: RR アーティファクトは、デフォルトで形状保持区分的 3 次法を使用して内挿され、法線から法線 (NN) 間隔を取得しますが、必要に応じてそれらを削除する (推奨されません) か、別の補間法 (線形、3 次、最近傍、前/次近傍、スプライン、3 次畳み込み、または修正 Akima 3 次) を使用します。複数の ECG チャネルが存在する場合、RR 間隔がそれぞれに推定され、RR アーティファクトの数が最も少ないチャネルが次の手順で選択されます。
6. Rピークのズームインされた30秒のウィンドウをスクロールして、 右/左矢印を押して詳しく調べます。データに複数の ECG/PPG チャネルが含まれている場合は、RR 間隔の信号品質インデックスが最適なチャネルを使用します。BrainBeatsは、現時点ではECG信号とPPG信号の両方を同時にサポートしていません。チュートリアルの目的で、両方のデータ型を含むサンプル データセットを選択しました。
7. ECG信号の処理が完了すると、BrainBeatsバンドパスは、デフォルトで非線形因果最小位相FIRフィルタを使用してEEGデータを1〜40Hzでフィルタリングし、心拍前と心拍後の期間の間のスミアリング活動を減らし、因果関係を維持し、望ましくないグループ遅延を回避します⁴⁴。これは、ハートビート前の期間を調べるユーザーにとって特に重要です。ローパスフィルタが電力線周波数よりも高い値に設定されている場合(たとえば、電力線周波数が50Hzの80Hzローパス)、シャープなノッチフィルタを使用してラインノイズアーチファクトを除去します。その後、EEGデータは、30チャネル未満が検出されない限り、RESTアルゴリズム(HEP分析⁴⁹に最適)を使用して無限に再参照されます(この場合、チャネルを確実に再参照することができず、ユーザーに知らせるために警告が生成されます)。
8. その後、BrainBets は異常な脳波チャネルを検出、除去、補間します(図 3)。デフォルトのパラメータが、5秒より大きいフラットライン(clean_flatlinesアルゴリズム)、最大高周波ノイズ標準偏差10、ウィンドウ長5秒(低速周波数アーティファクト⁵²をより適切にキャプチャするため)、隣接するチャネル間の最小相関が.65、および最大許容部分が33%(clean_channelsアルゴリズム)であることを確認します。
   注:RANSACサンプルの数は、不良チャネル除去の収束性と再現性を高めるために、デフォルトで500に設定されています(ただし、計算時間は長くなります)。
9. 次に、RピークをイベントマーカーとしてEEGデータに挿入して、各心拍をマークし、ベースラインを除去せずにこれらのマーカーの周りにデータをセグメント化します(ガイドライン^43,66による;図4)。NNインターバルは長さが異なり、EEGは一定の長さでセグメント化する必要があるため、心拍インターバル(IBI)データの5^パーセンタイルを使用して、Rピークイベント後の最小エポックサイズカットオフを推定します(つまり、最短IBIの5%がそれ以下に収まる値は、ヒストグラムに赤い破線で表示されます;図5を参照)。
   注:この5^パーセンタイル値は、HEP / HEO分析の関心のある期間がハートビート^49,67後200〜600ミリ秒であるため、エポックが短すぎないようにしながら、できるだけ多くのエポックを保持するための良い妥協点です。
10. 脳波データを R ピークの -300 ミリ秒前から R ピーク後の^{5 パーセン}タイル値までセグメント化し、R ピークを時間 0 にします。ガイドライン^49,67に従って、550 msより短いエポック、または複数のRピークを含むエポック(ERP/ERSPに偏りがある)はリジェクトします。大きなEEGアーチファクトを含むエポックは、二乗平均平方根(RMS)と信号対雑音比(SNR)のメトリクスとMATLABのアイソアウトライアー関数を使用して検出されます(図6)。アーティファクト エポックは削除されます。
11. デフォルトのInfomaxアルゴリズムを使用してブラインドソース分離を実行し、最高のパフォーマンス⁵³のデータランクを考慮します。必要に応じて、高速計算のための前処理付き独立成分分析(PICARD)アルゴリズムを選択するか、オプションPicard(高速)^{を選択することにより、}またはフィールドICA法に対してオプションModified Infomax(長いが複製可能)を選択することにより、修正Infomaxアルゴリズムを選択する(ただし、これにははるかに長い計算時間が含まれる)。ICLabelプラグイン⁵⁶を使用して、ICを自動的に分類し、非脳アーティファクトを抽出します(眼球成分は90%の信頼度で除去されますが、筋肉、ラインノイズ、チャネルノイズは99%の信頼度で除去されます。図 7)。
12. 最初のGUIウィンドウで[出力の視覚化]オプションを選択したままにして、最終的なEEG時系列、総平均HEP(図8上)、各心拍のHEP(図8下)、および総平均心拍誘発振動(HEO;図9)。イベント関連のスペクトル摂動(ERSP、つまり、心拍間のEEGパワーの変化;図9上)と試行間位相コヒーレンス(ITC、つまり、心拍間の位相角の一貫性。図 9 下)。
    注 : ERSP は、既定の 3 サイクル ウェーブレット (ハニング テーパー ウィンドウが適用され、パディング比 2) を使用して計算され、高周波数に使用されるウェーブレットのサイクル数は、最高周波数 (1 から 0.8) での同等の FFT ウィンドウのサイクル数の 20% までゆっくりと拡大します。これにより、関数によって測定された個々のウィンドウの形状と、結果の時間/周波数ペインでのそれらの形状が制御されます。任意のベースラインは、説明のために削除され、ERSPは、文献に記載されている典型的なHEO効果、すなわち、前部中心電極^17,67上のアルファバンド(8-13Hz)の心拍後300-450ミリ秒を捕捉するために、周波数7-25Hzに対して計算される。より低い周波数は、ビート間間隔によって定義されるエポックサイズが短いため、推定できません。ノンパラメトリック(順列)統計を適用して、p値0.05のHEOを視覚化し、偽発見率(FDR、つまりタイプ1エラーまたはファミリーワイズエラー)を補正します。これらのプロットは、チュートリアル目的または単一試行解析用に生成されます。
13. さまざまなステップを視覚化するために、前処理プロットが生成されます。オフにするには、[ 前処理を視覚化する] ボックスのチェックを外します。最終的なEEGデータ(クリーニングされ、Rピークを中心にセグメント化)には、ERP / ERSP分析に偏りがあるため、ECGデータは含まれません。最終出力でハートチャンネルを保持するには、[ ハートチャンネルを保持する]チェックボックスをオンにします。
    注: 必要に応じて、次のファイル (次の条件または参加先) を処理する前に、ここで一時停止します。
14. BrainBeatsはEEGLABの履歴機能をサポートしています。すべての操作の最後に、MATLABのコマンドウィンドウに eegh と入力してコマンドラインを印刷し、GUIで手動で選択したパラメーターを使用して、上記のすべての手順を1つのコマンドラインで繰り返すため、自動化が容易になります。前処理の出力(心血管時系列の信号品質指数、NN間隔、削除された脳波チャネル、セグメント、コンポーネントなど)をEEGLAB構造体で見つけます:EEG.brainbeats.preprocessings。すべてのパラメータはEEG.brainbeats.parametersにもエクスポートされます。
15. 上級ユーザーの場合は、以下のコマンドラインを使用して、デフォルトのパラメータを使用して上記のすべての手順を実行します(その他のオプションについては、BrainBeatsリポジトリのチュートリアルスクリプトを参照してください)。
    EEGLABの;閉める;% GUIなしでEEGLABを起動
    main_path = fileparts(which('eegplugin_BrainBeats.m'));cd(main_path);
    EEG = pop_loadset('ファイル名','dataset.set',
    'ファイルパス',fullfile(main_path, 'sample_data'));%サンプルデータセットを読み込みます
    脳波 = brainbeats_process(脳波,'分析',
    'hep'、'heart_signal'、'ECG'、'heart_channels'、
    {'ECG'},'clean_eeg',true);% BrainBeats 1^st レベルを起動して、デフォルトのパラメータでHEP分析用のファイルを処理します
16. 上記の手順では、ECG信号からHEP / HEOを実行しました。PPG 信号に対して、以下の手順を使用します。
17. 次の手順では、同じ操作を PPG 信号を使用して実行します。前の操作で上書きされた同じデータセットを再度読み込み(ステップ1.5を参照)、BrainBeatsの最初のGUIを再度開いてメインパラメータを選択します。 「Tools」> BrainBeats>^1st レベル(サブジェクトレベル)をクリックします。実行する分析として 心拍誘発電位(HEP) を選択し、心臓のデータタイプとして PPG を選択し、ボタンをクリックしてチャネルのリストを表示し、PPGチャネルを選択します。 「出力の視覚化 (推奨)」 オプションと「 出力の保存 」オプションを選択したまま、「OK」をクリックします。
18. 2番目のGUIウィンドウは、手順2.2と同様の方法でポップアップします。唯一の違いは、ECG信号の代わりにPPG信号を処理するようにパラメーターを微調整できるようになったことです。 [OK ] をクリックして、デフォルトのパラメータで実行します。
19. 警告メッセージが表示され、検出された余分なECGチャネルを削除するように確認を求められます。繰り返しになりますが、これは予想通りです。 [はい] をクリックします。デフォルトでは、ツールボックスは PPG 信号を前処理し、パルス波を検出して RR 間隔を取得し、RR アーティファクト (存在する場合) を特定して補間します (図 10)。ステップ 2.7.を 2.12 に設定します。が実行され、同じプロットと出力が生成されますが、PPG信号から検出されたR波に基づいています( 図11 および 図12を参照)。
    注:R波は、指定されたウィンドウ内の信号の傾きを使用して検出されます。その後、スロープが動的スレッショルドを超えると、潜在的なパルスにフラグが立てられ、検出履歴と信号特性に基づいて調整されます。次に、アルゴリズムは目を閉じる時間内に検索して最大傾きを特定し、その後、パルス波の開始をしきい値化によって決定します。R波のピークは、開始近くの谷として識別され、その位置が記録されます。このアルゴリズムは、信号全体を反復処理し、検出しきい値を連続的に調整して R 波のピークを特定し、RR 間隔の計算に使用されます。
20. 上級ユーザーの場合は、以下のコマンドラインを使用して、デフォルトのパラメータを使用して上記のすべての手順を実行します(その他のオプションについては、BrainBeatsリポジトリのチュートリアルスクリプトを参照してください)。
    EEGLABの;閉める;% GUIなしでEEGLABを起動
    main_path = fileparts(which('eegplugin_
    BrainBeats.m'));cd(main_path);
    EEG = pop_loadset('ファイル名','dataset.set',
    'ファイルパス',fullfile(main_path, 'sample_data'));%サンプルデータセットを読み込みます
    脳波 = brainbeats_process(脳波,'分析',
    'hep'、'heart_signal'、'PPG'、'heart_channels'、
    {'PPG'},'clean_eeg',true);% BrainBeats 1^st レベルを起動して、デフォルトのパラメータでHEP分析用のファイルを処理します

3. 脳波・HRV特徴量の抽出

1. 同じデータセットを再度読み込みます (手順 1.5 を参照)。前の操作で上書きされたため、[ファイル] > [既存のデータセットをロード] > [dataset.set] を選択) をクリックし、メイン GUI を再度開いてメイン パラメーターを選択します (ステップ 2.1;[ツール] > [BrainBeats] > 1^レベル) をクリックします。解析タイプとして「Extract EEG & HRV features」を、心臓信号タイプとして「ECG」を選択し、電極ラベルのリストで「ECG」を選択します。[OK] をクリックします。
2. 2番目のGUIウィンドウは、ステップ2.2と同様にポップアップしますが、EEGの前処理とHRVおよびEEG特徴の抽出のための異なるパラメータがあります。これらのパラメータは、以下で説明するように設定します。 「OK 」をクリックして、デフォルトのパラメータで起動します。
   1. HRVセクションで、HRVパワーの計算方法(デフォルトでは正規化されたLomb-Scargleピリオドグラムに設定)、ウィンドウのオーバーラップ(デフォルトは25%に設定)、およびセカンドレベルの正規化の実行方法(デフォルトでは設定されていません。詳細については以下の注を参照)を選択するための「 周波数オプション 」ボタンをクリックします。
   2. EEG機能セクションで、ボタン freq.オプション をクリックして、パワースペクトル密度を計算する全体的な周波数範囲(PSD、デフォルト= 1-40 Hz)、単位(デシベル、μV² / Hz、または総電力で正規化)、ウィンドウタイプ(デフォルト=ハミング)、ウィンドウのオーバーラップ(デフォルト= 50%)、ウィンドウの長さ(デフォルト= 2秒)、 各バンドの周波数境界のタイプ。
      注:HRVパワーは、デフォルトでは正規化されたLomb-Scargleピリオドグラムを使用して計算され、リサンプリングを必要とせず(したがって、元の情報をよりよく保存する)、不均一にサンプリングされたデータ、欠損データ、およびノイズ(NN間隔で典型的)を最適に処理します⁶⁸。正規化されたバージョンは、信号の分散によって電力をスケーリングし、ノイズレベルの変化に対する感度が低く、周期成分の相対的な強度に重点を置き、異なる録音や被験者間でより比較可能な結果を提供します。その他の方法としては、非正規化Lomb-Scargleピリオドグラム、ウェルチ法、高速フーリエ変換(FFT)などがあります。ウェルチ法とFFT法では、必要な定期的にサンプリングされた時系列を作成するために、リサンプリングが自動的に実行されます。第 2 レベルの正規化は、各周波数帯域の電力を総電力で割ることによって適用でき、各周波数成分の全体的な電力に対する相対的な寄与をより直感的に測定できます。これは、4つのバンドすべてが利用可能で、少なくとも24時間の信号が必要な場合にのみ意味があるため、デフォルトでは無効になっています。これらのアルゴリズムは、Physionet Cardiovascular signal processing toolbox⁴⁶から適応される。
3. 同じ警告メッセージが表示され、検出された余分なPPGチャネルを削除するように確認を求められます。繰り返しになりますが、これは予想通りです。 [はい] をクリックします。BrainBeatsは、ステップ2.4と同様に、ECGデータの前処理とNN間隔の抽出を開始します。次に、時間領域(SDNN、RMSSD、pNN50)、周波数領域(ULF、VLF、LF、HF、LF:HF比、総電力)、非線形領域(Poincare、位相整流信号平均化、ファジーエントロピー、フラクタル次元)のNN間隔から心拍変動(HRV)の特徴を抽出します。
   注:BrainBeatsは、ファイルの長さを自動的にチェックして、最小要件が満たされていることを確認し(たとえば、ULF-HRV電源には24時間のデータが必要)、満たされていない場合は警告メッセージを送信し、信頼性の低い推定を防ぐためにこれらの機能をエクスポートしません。BrainBeatsは、HRVメトリック^27,45を推定するためのガイドラインと推奨事項に従います。
4. BrainBeatsは、ステップ2.7のようにEEGデータを前処理します。(図3を参照)。大きなアーティファクトは、アーティファクト部分空間再構成(ASR)アルゴリズム^50,52(デフォルトのSD基準は30に設定され、使用可能なRAMの80%を使用して速度を上げる)を使用して、連続データで自動的に検出されます。これらの大きなアーティファクトは、EEGデータから削除されます(図13を参照)。GUI でこれらのパラメータを調整するには、[Threshold to reject bad segments with ASR] フィールドと [Available RAM to use for ASR] フィールドを選択します。
   注:EEGと心血管の時系列は、各信号で個別に推定されるため、特徴モードの時間を同期する必要はありません。したがって、EEGアーティファクトはEEGデータから直接除去できます( 赤、図13)が、アーティファクトを含むエポックが両方の時系列で拒否されたHEPモードとは異なり、その方法にはms精度との時間同期が不可欠であるためです。
5. HEPと同じアルゴリズムとパラメータを使用してICAを実行します(ステップ2.11を参照)が、今回は99%の信頼度で検出された場合に心臓成分が除去されます(関連する心臓関連の信号を除去したくないため、HEP/HEO用に保持されました)。
6. ステップ3.2で 「周波数領域 」にチェックを入れると、BrainBeatsは、デルタ(1-3 Hz)、シータ(3-7 Hz)、アルファ(8-13 Hz)、ベータ(13-30 Hz)、ガンマ(30+ Hz)周波数帯域の平均パワースペクトル密度(PSD)、個々のアルファ周波数(IAF)、および利用可能なすべての(対称)電極ペアのアルファ非対称性を抽出します。これらの機能を確認してください。
   注:PSDをデシベル(dB)に変換すると、録音と被写体間での結果の比較が容易になります。周波数境界は、従来の境界(例えば、アルファバンドのための事前定義された8〜13Hz)または、個人間差⁶⁹ (例えば、アルファバンドのための7.3〜12.6Hz)を説明するためにパワースペクトル密度の分布から検出される個別化された境界に設定することができる。このアルゴリズムはアルファバンド用に設計されており、特にパワースペクトル分布にピークが存在しない場合、他のバンドではあまり機能しません。個々のアルファ周波数(IAF)は、分割されたピークまたはあいまいなピーク⁶⁹によりよく対処するために、アルファ重心を使用して推定される。アルファ非対称性は、ガイドライン(50%オーバーラップの2秒ハミングウィンドウ、左チャネルからのアルファパワーの対数から右チャネルからのアルファパワーの対数を引いたもの)に従って計算されます⁴⁷。したがって、正の値は右よりも左のアルファパワーが大きいことを示し、その逆も同様です。アルファ非対称性は、各電極からのアルファパワーを、すべての電極⁴⁷をまたいで合計したアルファパワーで割ることによって正規化することができる。対称ペアはシータ距離を使用して取得されるため、EEGデータには電極座標が含まれている必要があります。
7. ステップ3.2で 「非線形領域 」にチェックを入れると、BrainBeatsは各脳波チャネルのファジーエントロピーとフラクタル次元を抽出します。
   注:非線形領域の特徴は、スペクトル測定では見逃される脳の非線形で複雑なダイナミクスを捉えると考えられており、さまざまな身体システム間の相互作用を調査するために特に有望である70,71,72。ファジーエントロピーは、他の選択肢(サンプルエントロピーと近似エントロピー)よりも信頼性と堅牢性に優れていますが、計算時間が長くなります(特に、高いサンプリングレートでEEG時系列が長い場合)。この問題に対処するために、EEG信号の長さが2分より長く、サンプリングレートが100Hzを超える場合、EEG信号は自動的に90Hzにダウンサンプリングされます(係数が整数でない場合はデシメーションされます)つまり、デフォルトのローパスフィルタに一致させ、ラインノイズアーティファクトを可能な限り回避するために、45Hzのナイキスト周波数に対応します)。さらに、EEGの特徴を推定する際には、並列計算がデフォルトでアクティブになっているため、特に多くのEEGチャネルが利用可能な場合に計算時間を短縮します。
8. 最初のGUIで [Visualize outputs ]を選択し(ステップ3.1を参照)、HRVおよびEEGデータ(図14)のパワースペクトル密度(PSD)と、一部のEEG特徴を表示する頭皮トポグラフィー(図15)を表示するプロットを生成します。
   注:一部の前処理出力はEEG.brainbeats.preprocessingにあり、使用されているすべてのパラメータはEEG.brainbeats.parametersにあります。私たちは、発見の再現性を高めるために、これらの成果を科学出版物で報告することをユーザーに推奨しています。
9. 最初のGUIウィンドウで 「出力を保存 」チェックボックスをオンのままにして、EEGLABの.setファイルにエクスポートされたすべての特徴をEEG.brainbeats.featuresに保存し、データセットがロードされたのと同じフォルダの.matファイルに保存します。
10. BrainBeatsはEEGLABの履歴機能をサポートしています。すべての操作の最後に、MATLABのコマンドウィンドウに eegh と入力してコマンドラインを印刷しますこれにより、GUIで手動で選択したパラメーターを使用して、単一のコマンドラインで上記のすべての手順を繰り返すことができるため、操作の自動化と複製が容易になります。
11. 上級ユーザーの場合は、次のコマンドを使用して上記のすべての手順を実行します。
    EEGLABの;閉める;% GUIなしでEEGLABを起動
    main_path = fileparts(which('eegplugin_BrainBeats.m'));cd(main_path);
    EEG = pop_loadset('ファイル名','dataset.set',
    'ファイルパス',fullfile(main_path, 'sample_data'));% サンプル データセットを読み込みます
    脳波 = brainbeats_process(脳波,' 解析',
    'features','heart_signal','ECG', 'heart_channels',{'ECG'},'clean_eeg',true);
12. 前の手順では、ECG 信号から HRV 特徴を抽出しました。次の手順を使用して、PPG信号からHRV特徴を抽出します(EEG特徴は同じです)。
13. 操作によって上書きされた同じデータセットを再度読み込み(手順1.5)、メインGUIを再度開きます(手順2.5)。解析には 「Extract EEG & HRV features 」を選択し、心臓信号の種類には 「PPG 」を、チャンネル名には 「PPG 」を選択します。 [OK] をクリックします。
14. ^2番目のGUIウィンドウには、PPGの前処理とHRVおよびEEG特徴の抽出のためのパラメータが表示されます。[OK] をクリックして、デフォルトのパラメータで実行します。パラメータについては、ステップ 2.17 で説明します。
15. 警告メッセージが表示され、検出されたECGチャネルを削除するかどうかの確認を求められます。ツールボックスは ECG と PPG の両方 (または他の補助チャネル) を同時に解析するようには設計されておらず、データセットに保持すると重大なエラー (アーティファクトの除去、ICA 分解の不良など) が発生するため、これは予想されることです。 [はい] をクリックします。
16. BrainBeatsは、ステップ2.5と同様にPPG信号を前処理し、NN間隔を推定します。NN間隔から抽出されたHRV特徴量を、手順3.2と同様に確認します。ただし、NN 間隔は PPG 信号から取得されています。EEG信号は、ステップ3.2と同様に前処理されます。BrainBeatsはPSDをプロットします(図16)。ここでの唯一の違いは、ECGとは対照的に、PPGから得られたNN間隔から推定されたPSDです。
17. 上級ユーザーの場合は、次のコマンドを使用して上記のすべての手順を実行します。
    EEGLABの;閉める;% GUIなしでEEGLABを起動
    main_path = fileparts(which('eegplugin_BrainBeats.m'));cd(main_path);
    EEG = pop_loadset('ファイル名','dataset.set','ファイルパス',
    fullfile(main_path, 'sample_data'));%サンプルデータセットを読み込みます
    脳波 = brainbeats_process(脳波,'分析',
    'features','heart_signal', 'PPG','heart_channels',{'PPG'},'clean_eeg',true);

4.脳波信号から心臓のアーチファクトを抽出します。

1. サンプルデータセットを読み込みます(ステップ1.5を参照)。
2. BrainBeats >^1st level(サブジェクトレベル)>ツールをクリックしてメインGUIウィンドウを開き、分析タイプとしてEEG信号から心臓アーティファクトを抽出し、心臓信号タイプとしてECGを選択し、電極ラベルのリストでECGを選択します。[OK] をクリックします。
3. ^{2 番目の} GUI ウィンドウには、前処理パラメータが表示されます。[電力線ノイズ] を 50 Hz (ヨーロッパ) に設定し、必要に応じて信頼水準を編集し、[ブースト モード (ベータ)] チェック ボックスをオンにし、[OK] をクリックして、サンプル データセットからの EEG 信号が前処理されていないため、デフォルトのパラメーターで実行します。
   注: 心臓の成分を検出するための信頼度はデフォルトで 80% に設定されていますが、データセットによっては低すぎたり高すぎたりすることがあります。この値を大きくすると、心臓の成分が検出される可能性は高くなりますが、検出の信頼性は低下します。ブーストモード(ベータ)はオプションで、心拍信号を脳波信号に塗りつけることで分類性能を向上させることを目的としています。
4. 警告メッセージが表示され、検出された余分なPPGチャネルを削除するように確認を求められます。ツールボックスは ECG と PPG の両方 (または他の補助チャネル) を同時に解析するようには設計されておらず、データセットに保持すると重大なエラー (アーティファクトの除去、ICA 分解の不良など) が発生するため、これは予想されることです。 [はい] をクリックします。
5. ECG 信号はバンドパス フィルタ処理され、1 Hz 未満の低速周波数ドリフトと 20 Hz を超える高周波ノイズが除去されます (非因果的なゼロフェーズ FIR フィルタを使用)。ステップ3.4のようにEEG信号を前処理します。
6. プレコンディショニングされた実データアルゴリズム(PICARD)を使用して、独立成分分析(ICA)を実行します。このオプションを変更するには、ステップ 4.3 で GUI からレプリケーション用の標準 Infomax アルゴリズムまたは変更された Infomax アルゴリズムを選択します。次に、ICLabel を使用して独立したコンポーネントを自動的に分類します。コンポーネントが80%の信頼度で心臓コンポーネントとして分類されている場合、デフォルトでは、EEGデータから自動的に検出および抽出されます。
7. 最初のメインGUI(ステップ4.2)でボックスのVisualize出力を保持して、心臓コンポーネントを抽出した後の除去されたコンポーネントの頭皮トポグラフィー(図17左)と最終的なEEG時系列(青、図17右)を視覚化します(赤、図17右)。
   注:ECGチャネルは、ECG関連コンポーネントの抽出を確認するために視覚化するために保持されますが、関連情報が含まれなくなったため、この手順の後は削除されます。
8. 上級ユーザーの場合は、次のコマンド ラインを使用して次の手順を実行します。
   EEGLABの;閉める;% GUIなしでEEGLABを起動
   main_path = fileparts(which('eegplugin_BrainBeats.m'));cd(main_path);
   EEG = pop_loadset('ファイル名','dataset.set','ファイルパス',
   fullfile(main_path, 'sample_data'));
   脳波 = brainbeats_process(脳波,'分析','rm_heart',
   'heart_signal'、'心電図'、...
   'heart_channels',{'ECG'},'clean_eeg',true,'vis_cleaning',false,...
   'conf_thresh',.8,'boost',true);

結果

まず、BrainBeatsプラグインを使用して、EEGおよびECGデータの前処理、アーティファクトの特定と除去、心拍誘発電位(HEP)と振動(HEO)の分析を行いました。BrainBetsは、ECG信号と一部のRRアーティファクトからRR間隔を正常に検出しました(図2)。また、BrainBeatsはコマンドウィンドウで、心拍の11/305(3.61%)がアーティファクトとしてフラグが立てられ、補間されたと報告しました。RR 間隔 (補間前) の平均信号品質指数 (SQI) の値は 1 で、これが最大値です。信号品質が低いと、RRシリーズの20%以上がアーティファクトとしてフラグが付けられるか、SQI<0.9でフラグが付けられます。TP9 EEGチャネルを取り外して補間し(図3)、アーティファクトを含むいくつかのエポック(図6)と、2つの眼成分に除去のフラグを立てました(図7)。出力には、総平均HEP(図8)とHEO(図9)が含まれます。心拍後150〜400ミリ秒のアルファバンド(8〜15 Hz)で、前頭中心の頭皮部位で有意な心拍誘発振動(HEO)が観察されました(図9、上)これは、以前の調査結果^{と一致しています17,67})。一方、試行間コヒーレンス(ITC)解析では、心拍に対するEEG位相の有意な位相ロックまたはリセットは示されませんでした(図9、下部)。

次に、BrainBeatsプラグインを使用して同じことを行いましたが、PPGを使用しました。BrainBets は、ECG 信号と一部の RR アーティファクトから RR 間隔を正常に検出しました(図 10)。BrainBeatsは、コマンドウィンドウで、ハートビートの15/309(4.85%)がアーティファクトとしてフラグが立てられ、補間されたと報告しました。RR 間隔 (補間前) の平均信号品質指数 (SQI) の値は 0.87 です。信号品質は平均で 0.9 未満ですが、RR シリーズの 20% 未満がアーティファクトとしてフラグが立てられたか、SQI<0.9 であったため、依然として良好と見なされます。出力は、PPG信号から検出されたR波に基づく総平均HEP(図11)を示しました。R波(150-400 ms)に続くほぼ全時間ウィンドウとほぼ全周波数範囲(図12上)で、前頭中心頭皮部位で有意な影響が観察されました。ITC効果は観察されませんでした(図12下)。PPG信号からHEP/HEO解析を行うのは今回が初めてであり、これらの結果を解釈するためには今後の研究が必要です。

第三に、BrainBeatsを使用して、ECG信号からEEG特徴とHRV特徴を抽出しました。このプロセスには、ECG 信号と EEG 信号の前処理、アーチファクトの検出と除去、さまざまなドメインでの HRV と EEG の特徴の計算が含まれます。高周波(HF)帯域内の~0.19HzでHRVパワースペクトル密度(PSD)分布のピークが観測されました(図14上)。EEGについては、αバンド内の~10.5HzでPSD分布のピークを観測しました(図14下)。頭皮のトポグラフィー(図15)は、メイン周波数帯域(および最大ピークアルファ周波数値)の平均パワーが主に頭皮後部に局在していることを示しています。さらに、ファジーエントロピー値が高い(規則性の点で複雑さが高いことを反映している)は、主に前頭の右側と後部の頭皮領域に局在しています。対照的に、フラクタル次元値(フラクタル特性の点でより複雑であることを反映している)は、頭皮領域間で大きな変動を示しません。最後に、アルファ非対称プロット(右下隅)は、中央頭頂部領域で右より左のアルファパワーが大きく、後部領域で右より右のアルファパワーが大きいことを示しています。半球間のアルファパワーのこれらの違いは、一般に、対応する領域での局所的な抑制の観点から解釈されます(つまり、アルファパワーが大きいほど皮質の抑制が大きくなります)。

第四に、BrainBeatsは、HRVの特徴がPPG信号から抽出されたことを除いて、同じことを行うために使用されました。今回は、LF周波数帯域内で~0.04Hzにピークが見られ、~0.19Hz付近でスプリットピークが観測されています(図16上)。この分布は、ECG信号から計算されたNN間隔から得られる分布とはわずかに異なることに注意してください(図14上)。これは、PPG 信号の信号品質が低いことが原因である可能性があります。EEGの特徴は図14と同じです。

最後に、BrainBetsを使用して、EEG信号から心臓のアーティファクトを抽出しました。心臓成分は、ブーストモード(図17左)を使用して94.1%の信頼度で分類し、EEG信号から抽出しました(図17右)。

図 2.ECG信号から取得したRR間隔、アーチファクト、およびNN間隔。上:前処理されたECG信号(青)とBrainBeatsによって検出されたRピーク(オレンジ色の点、つまりRRインターバル)。中央: RR アーティファクト (赤) の補間後のノーマル ツー ノーマル (NN) 間隔 (青)。下:上のプロットと同じですが、ズームイン(30秒ウィンドウ)して、左/右矢印を押すスクロール機能でRピークをより詳しく調べます。この図の拡大版を表示するには、ここをクリックしてください。

図 3.不良な脳波チャネルの拒否。 異常な脳波チャネル(TP9)の可視化は、自動的に検出され、データセットから削除されます。注: 大きなアーティファクトは、次のステップで処理されます。EEGデータはバンドパスフィルタリング(1〜40 Hz)され、無限大に再参照されました。 この図の拡大版を表示するには、ここをクリックしてください。

図 4.前処理後の64チャンネル脳波データの可視化と、信号のRピークのマーキング 。ECG信号は、視覚的な確認のために下部のプロットに含まれています。 この図の拡大版を表示するには、ここをクリックしてください。

図 5.拍間間隔 (IBI) のヒストグラム。 赤い線は適合した正規分布を示し、赤い破線は 5% パーセンタイルを示し、EEG データがセグメント化される上限カットオフ値として使用されます (つまり、ここでは R ピークの 650 ミリ秒後)。 この図の拡大版を表示するには、ここをクリックしてください。

図 6.人工的なエポックの除去。 独立成分分析(ICA)を実行する前に検出および除去されたEEG外れ値のエポック(つまり、アーティファクトを含む)の視覚化。 この図の拡大版を表示するには、ここをクリックしてください。

図 7.脳以外のアーティファクトを除去するための独立したコンポーネントの分類。 ブラインドソース分離を実行してEEGデータの独立したコンポーネントを取得した後、ICLabelプラグインを使用してそれらを分類し、抽出のために非脳コンポーネントに自動的にフラグを立てます。 この図の拡大版を表示するには、ここをクリックしてください。

図 8.ECGで得られた総平均心拍誘発電位(HEP)。上:各EEGチャネルのエポック全体の平均(重ね合わせ)、頭皮トポグラフィーは関心のある期間(Rピーク後200〜500ミリ秒)の振幅分布を示しています。下:時間の経過に伴うHEPの進化(各「試行」は心拍に対応します)。この図の拡大版を表示するには、ここをクリックしてください。

図 9.ECGから得られる心拍誘発振動(HEO)。ページのトップへ：順列統計(1000回の反復)後のチャネルFz(前線中心領域)でのHEO、および95%信頼水準(p<0.05)での偽発見率(FDR)の補正。下:FDR補正後の試行間コヒーレンス(ITC)。この図の拡大版を表示するには、ここをクリックしてください。

図 10.PPG 信号から取得した RR 間隔、アーティファクト、および NN 間隔。上:前処理されたPPG信号(青)とBrainBetsによって検出されたパルス波(オレンジ色の点、つまりRR間隔)。 中央: RR アーティファクト (赤) の補間後のノーマル ツー ノーマル (NN) 間隔 (青)。 下:上のプロットと同じですが、ズームイン(30秒ウィンドウ)して、左/右矢印を押すスクロール機能でパルス波をより詳しく検査します。 この図の拡大版を表示するには、ここをクリックしてください。

図 11.PPGで得られた総平均心拍誘発電位(HEP)。上:すべての電極は時間領域に重ね合わされており、頭皮のトポグラフィーは関心のある期間(心拍後200〜500ミリ秒)の振幅分布を示しています。下:時間の経過に伴うHEPの進化(各「試行」はパルス波に対応します)。この図の拡大版を表示するには、ここをクリックしてください。

図 12.PPGから得られる心拍誘発振動(HEO)。ページのトップへ： 順列統計 (1000 回の反復) 後の EEG チャネル Fz (前頭中心領域) の HEO、および 95% 信頼水準 (p<0.05) での偽発見率 (FDR) の補正。下:FDR補正後の試行間コヒーレンス(ITC)。この図の拡大版を表示するには、ここをクリックしてください。

図 13.大きな脳波アーチファクトが、アーティファクト亜空間再構成(ASR)アルゴリズムによって検出され、除去されました。 ユーザーは、アルゴリズムによって削除されたセグメントを検査するために、ファイル全体をスクロールできます。 この図の拡大版を表示するには、ここをクリックしてください。

図 14.NNインターバル(ECG)とEEG信号から抽出されたパワースペクトル密度(PSD)。上:低周波(LF;0.04-0.15Hz;黄色)および高周波(HF;0.15-0.40Hz;青)帯域の心拍変動(HRV)パワーを、ECG信号から正規化されたLomb-Scargleピリオドグラムを使用して推定。下:前処理された脳波データから計算されたデシベル(dB)に正規化されたPSDを、視覚化のためにすべてのチャネルで平均化。この図の拡大版を表示するには、ここをクリックしてください。

図 15.BrainBeatsによって抽出された主な脳波の特徴は、頭皮のトポグラフィーで示されています。 主なEEG機能には、デルタ(1-3 Hz)、シータ(3-7 Hz)、アルファ(8-13 Hz)、ベータ(13-30 Hz)、ガンマ(30-40 Hz)周波数帯域の平均スペクトルパワー、個々のアルファ周波数(IAF)、ファジーエントロピー、フラクタル次元、アルファ非対称性の順にあります。注: ファジー エントロピー値が大きいほど、規則性の複雑さが増していることを反映し、フラクタル次元はフラクタル特性の複雑さが大きいことを反映しています。アルファ非対称性は、16の対称対の電極で計算されました。正の値は、右よりも左のアルファパワーが大きいことを反映しており、通常は局所皮質領域の右よりも左の阻害が大きいことに関連しています。 この図の拡大版を表示するには、ここをクリックしてください。

図 16.NNインターバル(PPG)とEEG信号から抽出されたパワースペクトル密度(PSD)。上:PPG信号から正規化されたLomb-Scargleピリオドグラムを使用して推定された、低周波(LF;0.04-0.15Hz;黄色)帯域と高周波(HF;0.15-0.40Hz;青)帯域の心拍変動(HRV)パワー。 この図の拡大版を表示するには、ここをクリックしてください。

図 17.BrainBeatsによって検出および除去された心臓成分の視覚化。左:頭皮のトポグラフィーと分類の信頼度。 右:心臓成分を抽出した後の脳波時系列(青)(赤)。 この図の拡大版を表示するには、ここをクリックしてください。

ディスカッション

プロトコルの重要なステップ
重要な手順については、手順 1.1 から 1.4 で説明します。警告とエラーメッセージは、ツールボックスのさまざまな場所に実装されており、ユーザーが問題が発生する理由を理解するのに役立ちます(例:電極の位置がEEGデータにロードされていない、ファイルの長さが超低周波HRVの信頼性の高い測定値を計算するには短すぎる、信号品質が低すぎて信頼性の高い分析ができないなど)。各機能は上級ユーザー向けに文書化されており、パラメーターは簡単に微調整できます (推奨パラメーターと一般的な範囲は、この原稿とコードに記載されています)。ユーザーは、特定の関数の使用方法やパラメータの通常の範囲に関するヘルプに、helpコマンドの後に関数の名前を付けてアクセスできます(たとえば、コマンドウィンドウに help brainbeats_process と入力します)。

方法の制限
ユーザーは、同じファイル内にEEGと心血管(ECGまたはPPG)のデータセットを所有しているか、それらを独立してマージする方法を知っている必要があります。データのインポートは、さまざまなデータ形式(.csv、.edf、.bdf、.vhdrなど)に対応するために特定のプラグインをインストールする必要があるため、現在BrainBeatsを介して自動化されていません。将来のバージョンでは、ユーザーは任意の数のファイルを含むBIDSデータセットを直接BrainBeatsに自動的にロードし、利用可能なEEG信号と心血管信号を組み合わせて、潜在的な時間同期性の問題(例:異なるサンプリングレート、タイムスタンプの整列など)に対処できるようになります。

エントロピーの特徴は、非線形フィードバックループダイナミクス27,73,74に隠れている可能性のある心血管系、皮質下系、および皮質系の間の複雑な双方向の相互作用を捕捉するために特に有望である。ただし、計算量が多く、特にサンプリングレートが高い場合、EEG信号からの計算に時間がかかる場合があります。一部のソリューション(並列計算、ダウンサンプリング/デシメーション)が実装されていますが、将来の研究ではこれらの計算コストがさらに削減されます。

HEP/HEO ではグループレベルの統計を使用できますが、現在、機能モードでは利用できませんが、近日中に利用可能になります。一方、ユーザーはこの方法を使用して、特徴量を簡単かつ確実に抽出したり、標準の統計ソフトウェアで統計を実行したり、選択した方法で特徴ベースのMLモデルを構築したりすることができます。

ECGは、心臓の電場を捕捉することにより、心臓の電気生理学を直接評価します。対照的に、PPGは微小血管床の血液量の変化を測定し、血流ダイナミクスを通じて心臓の活動をより間接的に反映します。ECGのRピークの特定は、心臓の収縮に先行する心室脱分極に対応するQRS群での明確な発現により、簡単です。対照的に、PPG信号の最も顕著なピークは収縮期ピーク(または脈波ピーク)であり、動脈内の最大血液量のポイントに対応します。これは、ECG の R ピークの少し後に発生します。この遅延は、圧力波が心臓からPPG信号が測定される周辺部位まで移動するのにかかる時間によるものです。したがって、2つの収縮期ピークの間に発生するPPG波形の谷(BrainBeatsではR波としてマーク)は、最小血液量のポイントに対応し、ECGのRピークとは整列しません。むしろ、心室再分極を表す心電図^のT波に近い9。この信号特性の違いにより、ECG信号とPPG信号の間にタイミングのずれが生じ、観測されたHEPの時間的側面に影響を与えます。臨床的には、この相違は、HEP分析に適したモダリティを選択する際に慎重に検討する必要があり、ECGは直接心臓電気生理学的研究に好まれ、PPGは使いやすさと長期モニタリングのための患者の快適さに利点があります。ECGとPPGはHEP分析を容易にすることができますが、それらの異なるシグナルの性質と生理学的意味合いは、それらの推論が直接交換可能ではないことを示唆しています。HEP分析のためのECGとPPGのどちらを選択するかは、研究または臨床応用の特定の目的とニーズに合わせて調整する必要があります。これは制限になる可能性がありますが、ECGとPPGは心血管系に関する2つの異なるタイプの情報を提供できるため、組み合わせると補完的で新しい洞察が得られるため、強みでもあります。さらに、Rピーク(ECGから)とR波(PPGから)の間の時間差は、このチュートリアルで使用するように、同時ECG-PPG信号を含むデータセットを使用して、時間の経過とともに安定している場合は補正できます。

PPG信号は、ECGに比べて滑らかで明確な特徴がないため、アーティファクトに対して脆弱である⁷⁵。この研究で使用されたアルゴリズムは、以前に検証され、この研究に使用されたデータセットで良好に機能しましたが、他のタイプのPPG信号、特にウェアラブル技術で収集されたPPG信号では、それほど機能しない可能性があります。

HEP/HEO 解析では、エポックは、個々の拍動間隔 (IBI; ~600-1000 ms) の分布に基づく閾値を使用して定義されます。これにより、被験者間で異なるエポックの長さとグループ分析のエラーが発生します。さらに、IBIに起因するエポックの長さが短いため、従来のEEG研究と比較して(刺激は通常、脳がベースラインに戻るために数秒間隔で配置されます)、望ましくないエッジ効果が生じる可能性があったり、ユーザーが遅い周波数を調べるのを妨げたりします。時間-周波数分解では、通常、エポックは、関心のあるウィンドウを超えて、関心のある最も低い周波数で最大 3 サイクルまで拡張する必要があります。HEOの場合、関心のあるウィンドウは200〜500ミリ秒です。したがって、例えば、5Hzという低い周波数を調べるためには、ウィンドウの前後に追加の600ミリ秒(すなわち、-400〜900ミリ秒)が必要になります。1 Hz という低い周波数を調べる場合は、対象のウィンドウの前後に追加で 3 秒が必要です。これは、エッジ効果を回避しながら、正確な時間と周波数の分解能を得るために必要です。

既存の方法に対する本方法の意義
全体として、BrainBeatsは、EEG信号と心血管信号の両方に対して最先端の信号処理技術を提供し、コマンドラインとグラフィカルユーザーインターフェース(GUI)による微調整機能を備えています。

3つの方法は、ユーザーフレンドリーなグラフィカルインターフェース(GUI)とコマンドライン(専門家、自動化が可能)の両方を使用して実行できます。方法1は、時間(HEP)、周波数(HEO)、または時間-周波数(HEO)領域、およびチャネルレベルまたは独立したコンポーネントレベルで調べることができます。私たちの知る限り、HEP/HEOはPPG信号を使用して実行されたことはなく、現在では容易に利用可能です。

方法 2 には、現在、既存の代替手段がありません。さらに、ユーザーはBrainBeatsを使用して、両方の信号を含まない他のデータセットと個別にEEGまたはHRVの特徴を簡単に前処理および抽出することもできます。たとえば、ユーザーはECG/PPG信号を前処理し、HRV特徴を抽出してHRV値のみを分析できます(ユーザーがEEGデータセットからEEG特徴を抽出する場合はその逆も同様です)。これは、機能ベースの ML アプリケーションに特に役立ちます。

方法3は、脳波信号から心臓のアーチファクトを迅速かつ自動的に除去することを可能にします。これは、ICLabelプラグインを使用してEEGLABですでに可能ですが、ユーザーは一連の手順とパラメータの選択(信号のハイパスフィルタリング、ICAの実行、ICLabelの実行、パラメータの調整、EEG信号からの心臓成分の減算、ECGチャネルの削除など)を実行する必要があります。これは、エラー(ゴースト^IC55).さらに、心血管信号を使用してこの方法のパフォーマンスを向上させるブースト法を紹介します(通常はこれらの操作に含まれません)。

さらに、このツールボックスには、GPU や並列コンピューティングなどの EEG 特徴 (主にマルチスケール エントロピー測定) の推定を高速化するためのコンピューティング パフォーマンスの向上が実装されています。これらのオプションは、ユーザーのハードウェア(グラフィックカード、プロセッサとスレッドの数など)と同じくらい有益であることに注意してください。

今後の方向性
ツールボックスは、フィールドの専門家の最新のガイドラインと推奨事項を実装し、発生する可能性のあるエラーを修正するために、著者によって長期的に変更および改善され続けます。

EEGと心血管信号の間の相互作用を評価するための追加の機能と方法が追加されます。たとえば、シータ/ベータ比(または関連する臨床情報または認知情報をキャプチャする同様のスペクトル比)などのqEEG機能をツールボックスに簡単に追加できます。新しい方法には、例えば、EEG-ECGの直接的および部分的なコヒーレンス、時間分解された指向性脳/心臓相互作用測定⁷⁶、または機械学習を使用したHEPまたは特徴データの分類(例えば、決定木、ランダムフォレスト、ナイーブベイズ、SVM、KNN、長短期記憶ネットワークなど)が含まれる。¹⁷.

ウェアラブル技術で収集されたノイズの多いPPG信号からR波を検出する最高のパフォーマンスを得るために、将来のBrainBetsバージョンは、これらのアプリケーションのための代替アルゴリズムを提供する可能性があります。他の有望なアルゴリズムには、信号導関数ベースのアルゴリズム⁷⁷、適応線形ニューロン人工ニューラルネットワーク(^ECG78に使用)、またはアンサンブル経験的モード分解⁷⁹が含まれる。

HEO解析では、時間-周波数推定のショートエポックの問題(上記の制限を参照)に対処するために、将来のバージョンでは、関心のあるウィンドウの前後で関心のあるウィンドウ(つまり、信号の逆バージョン)から信号をミラーリングして拡張するリフレクション法を実装する予定です。これにより、スムーズなトランジションが提供され、望ましくないエッジ効果が取り除かれます。その後、ミラー化されたセクションが削除されます。

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
EEGLAB	Swartz Center for Computational Neuroscience (SCCN)		フリー/オープンソース
MATLAB	The Mathworks, Inc.		Windows
PC	Lenovo, Inc.