Name: 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 (動画) | JoVE Journal
Uploaded: 2024-04-26T12:40:00.000+00:00
Duration: 8 min 22 s
Description: 学ぶBrainBeatsツールボックスによるEEGと心血管信号の共同解析手法。心拍誘発電位や心拍アーティファクト抽出を行い、脳心相互作用の理解と研究の再現性向上に貢献します。

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

この研究を支援したのが、ノエティック科学研究所です。BrainBeatsの一部のアルゴリズムを開発するために適応されたオリジナルのオープンソースアルゴリズムの開発者に感謝します。

脳波と心電信号による脳と心臓の相互作用の解明

著者は何も開示していません。

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。

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(&lt;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。
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody><tr><td>方式</td>
			<td>ECGからのRピークの検出</td>
			<td>PPGからのR波の検出</td>
			<td>HEP/HEO</td>
			<td>EEG &amp; HRV 機能</td>
			<td>脳波から心臓のアーチファクトを取り除く</td>
			<td>GUIの</td>
			<td>コマンドライン</td>
		</tr><tr><td>ECGキット</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td></td>
			<td></td>
			<td></td>
			<td>X</td>
		</tr><tr><td>ベモビル</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td></td>
			<td>X</td>
		</tr><tr><td>ヘプラブ</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>ブレインビート</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: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。
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65829/65829fig01.jpg"> 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。 <a href="https://www.jove.com/files/ftp_upload/65829/65829fig01large.jpg" target="_blank">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。</a>

<table><tbody><tr><td>EEGLAB</td><td>Swartz Center for Computational Neuroscience (SCCN)</td><td></td><td>フリー/オープンソース</td></tr><tr><td>MATLAB</td><td>The Mathworks, Inc.</td><td></td><td>Windows</td></tr><tr><td>PC</td><td>Lenovo, Inc.</td>のライセンスが必要です。<td></td><td></td></tr></tbody></table>

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

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

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。

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&lt;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&lt;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)。
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/65829/65829fig02.jpg"> 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。<a href="https://www.jove.com/files/ftp_upload/65829/65829fig02large.jpg" target="_blank">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。</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/65829/65829fig03.jpg"> 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。 <a href="https://www.jove.com/files/ftp_upload/65829/65829fig03large.jpg" target="_blank">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。</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/65829/65829fig04.jpg"> 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。 <a href="https://www.jove.com/files/ftp_upload/65829/65829fig04large.jpg" target="_blank">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。</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/65829/65829fig05.jpg"> 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)。 <a href="https://www.jove.com/files/ftp_upload/65829/65829fig05large.jpg" target="_blank">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。</a>
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/65829/65829fig06.jpg"> 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。 <a href="https://www.jove.com/files/ftp_upload/65829/65829fig06large.jpg" target="_blank">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。</a>
<img alt="Figure 7" class="xfigimg" src="/files/ftp_upload/65829/65829fig07v2.jpg"> 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。 <a href="https://www.jove.com/files/ftp_upload/65829/65829fig07largev2.jpg" target="_blank">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。</a>
<img alt="Figure 8" class="xfigimg" src="/files/ftp_upload/65829/65829fig08.jpg"> 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)。<a href="https://www.jove.com/files/ftp_upload/65829/65829fig08large.jpg" target="_blank">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。</a>
<img alt="Figure 9" class="xfigimg" src="/files/ftp_upload/65829/65829fig09.jpg"> 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&lt;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)。<a href="https://www.jove.com/files/ftp_upload/65829/65829fig09large.jpg" target="_blank">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。</a>
<img alt="Figure 10" class="xfigimg" src="/files/ftp_upload/65829/65829fig10.jpg"> 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。 <a href="https://www.jove.com/files/ftp_upload/65829/65829fig10large.jpg" target="_blank">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。</a>
<img alt="Figure 11" class="xfigimg" src="/files/ftp_upload/65829/65829fig11.jpg"> 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)。<a href="https://www.jove.com/files/ftp_upload/65829/65829fig11large.jpg" target="_blank">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。</a>
<img alt="Figure 12" class="xfigimg" src="/files/ftp_upload/65829/65829fig12.jpg"> 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&lt;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)。<a href="https://www.jove.com/files/ftp_upload/65829/65829fig12large.jpg" target="_blank">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。</a>
<img alt="Figure 13" class="xfigimg" src="/files/ftp_upload/65829/65829fig13.jpg"> 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。 <a href="https://www.jove.com/files/ftp_upload/65829/65829fig13large.jpg" target="_blank">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。</a>
<img alt="Figure 14" class="xfigimg" src="/files/ftp_upload/65829/65829fig14.jpg"> 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。<a href="https://www.jove.com/files/ftp_upload/65829/65829fig14large.jpg" target="_blank">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。</a>
<img alt="Figure 15" class="xfigimg" src="/files/ftp_upload/65829/65829fig15.jpg"> 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。 <a href="https://www.jove.com/files/ftp_upload/65829/65829fig15large.jpg" target="_blank">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。</a>
<img alt="Figure 16" class="xfigimg" src="/files/ftp_upload/65829/65829fig16.jpg"> 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。 <a href="https://www.jove.com/files/ftp_upload/65829/65829fig16large.jpg" target="_blank">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。</a>
<img alt="Figure 17" class="xfigimg" src="/files/ftp_upload/65829/65829fig17.jpg"> 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)。 <a href="https://www.jove.com/files/ftp_upload/65829/65829fig17large.jpg" target="_blank">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。</a>

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。

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

The interplay between the brain and the cardiovascular systems is garnering increased attention for its potential to advance our understanding of human ...

BrainBeatsツールボックスの範囲は、脳と心臓の相互作用に関する研究を行うためのオープンソースの自動化ツールを提供することです。これにより、研究者は、標準化された信号処理、特徴抽出、グラフィカルユーザーインターフェース、およびデータの視覚化を通じて、EEGおよび心血管信号のマルチモーダル分析を実行できます。科学における歴史的な還元主義的アプローチの結果として、脳と心臓のシステムは分離され、孤立し、それらの相互作用と相互影響についての理解が限られています。BrainBeatsツールボックスは、このギャップを埋めることを目的としています。脳と心臓の相互作用を理解することで、研究者は認知状態と感情状態が心血管機能にどのように影響するか、またその逆についてもより深い洞察を得ることができます。そして、これらの洞察は、新たな治療介入や治療につながる可能性があります。

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

Research

JoVE Journal

Neuroscience

神経科学

本研究は、運動画像EEG復号のための時空間周波数EEG解析ツール(STFEEG)を実装するための標準化かつ再現可能なプロトコルを提示し、設定可能な空間・時間周波数セグメンテーション、共通空間パターン(CSP)に基づく特徴抽出、複数分類アルゴリズム、可視化機能を組み込んでいます。...

STFEEG-ツール:運動画像脳-コンピュータインターフェースのための空間・時間・周波数EEG解析ツール

我々は単純な感覚刺激の処理に関わる脳の領域をマップするために脳磁図（MEG）と脳波を脳波（EEG）を使用します。...

同時MEGおよびEEGとの機能的マッピング

我々は、磁気共鳴画像法（MRI）によって捕捉解剖学的情報と組み合わせ磁気と脳波（MEG /...

同時MEG / EEGおよび解剖学的に制約のある最小ノルム推定値を使用してマッピング皮質ダイナミクス：聴覚注意の例

（ドリルは除く）の周りの千ドルのための固定装置、（CNC制御されるコンピュータ数値）このプロトコルは、デザインやロボットへの既存の固定装置をアップグレードするために必要なソフトウェアが含まれています。...

オープンソースロボット定位固定装置を構築する

この記事では、成体マウスの結腸運動性の神経調節の変化を特定するためのビデオイメージング技術と高解像度の時空間マッピングについて説明します。このアプローチを用いて、単離された組織調製物を用いて胃腸(GI)機能に対する微妙な影響を検出することができ、消化管疾患の理解を深めることができます。...

マウスにおける胃腸の運動を分析するためにビデオ画像と時空間マップ

Sharp微小電極は、生きたショウジョウバエの光受容体および視覚介在ニューロン出力の正確な電気生理学的特性評価を可能にします。ここでは、この方法を使用して、制御された光刺激に対する個々の細胞の高品質な電圧応答を記録する方法を示します。この手法は、昆虫の複眼における神経情報処理の研究に最適です。...

の記録細胞内の電圧応答のための電気生理学的手法<em&gt;ショウジョウバエ</em&gt;光刺激に感光体と介在ニューロン<em&gt;インビボ</em

非拘束脳波radiotelemetryは自由に動くげっ歯類からin vivoでの長期的な脳波を記録する貴重な方法論的アプローチです。この詳細なプロトコールは、CNSのリズムとCNS関連行動の段階の信頼性の高い記録を得るために、異なる脳領域に定位硬膜外と深い脳内電極配置を説明しています。...

非拘束EEG Radiotelemetry：硬膜外とディープ脳内定位EEG電極配置

慢性経頭蓋高密度脳波モンタージュの低コストな構築と外科的移植のための指示書が提供されています。信号の記録、抽出、および処理技術についても説明します。...

低コストかつオープンソースのリソースの使用げっ歯類モデルにおける高密度脳波取得

ここでは、マインドフルネス瞑想トレーニング、エピソード記憶タスク、およびEEGを組み合わせて、エピソード記憶に対するマインドフルネス瞑想の行動的および神経的影響を理解するためのプロトコルを提示します。...

行動とEEGを組み合わせて、エピソード記憶に対するマインドフルネス瞑想の効果を研究する

ここでは、仮想現実(VR)を使用してマウス空間学習を調査するための簡略化されたオープンソースのハードウェアとソフトウェアのセットアップを紹介します。このシステムは、マイクロコントローラのネットワークと使いやすいPythonグラフィカルソフトウェアパッケージを実行するシングルボードコンピュータを利用して、車輪の上で動作するヘッド拘束マウスに仮想リニアトラックを表示します。...

頭部拘束マウスの空間学習計測のためのオープンソースバーチャルリアリティシステム

学ぶBrainBeatsツールボックスによるEEGと心血管信号の共同解析手法。心拍誘発電位や心拍アーティファクト抽出を行い、脳心相互作用の理解と研究の再現性向上に貢献します。

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

さらに動画を探す