Name: EEG 및 심혈관 신호를 공동으로 분석하기 위한 오픈 소스 EEGLAB 플러그인인 BrainBeats (동영상) | JoVE Journal
Uploaded: 2024-04-26T12:40:00.000+00:00
Duration: 8 min 22 s
Description: 학습하세요 BrainBeats EEGLAB 플러그인을 사용하여 EEG와 심혈관 신호를 공동 분석하는 방법을. 이 오픈 소스 도구는 뇌-심장 상호작용 연구의 재현성과 접근성을 향상시킵니다.

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

노에틱 과학 연구소(Institute of Noetic Sciences)가 이 연구를 지원했습니다. BrainBeats의 알고리즘 중 일부를 개발하기 위해 조정된 원본 오픈 소스 알고리즘의 개발자에게 감사드립니다.

EEG 및 심장 신호와의 뇌-심장 상호 작용 공개

저자는 밝힐 것이 없습니다.

프로토콜의 중요한 단계 중요한 단계는 1.1-1.4단계에 설명되어 있습니다. 경고 및 오류 메시지는 사용자가 문제가 발생할 수 있는 이유(예: EEG 데이터에 로드되지 않은 전극 위치, 초저주파 HRV의 신뢰할 수 있는 측정값을 계산하기에 너무 짧은 파일 길이, 신뢰할 수 있는 분석을 위한 신호 품질이 너무 낮음 등)를 이해하는 데 도움이 되도록 툴박스의 다양한 위치에 구현됩니다. 각 기능은 고급 사용자를 위해 문서화되어 있으며 매개 변수를 쉽게 미세 조정할 수 있습니다(권장 매개 변수 및 일반적인 범위는 이 원고와 코드에 설명되어 있음). 사용자는 도움말 명령 다음에 함수 이름을 사용하여 특정 기능을 사용하는 방법 또는 매개변수의 정규 범위에 대한 도움말에 액세스할 수 있습니다(예: 명령 창에 도움말 brainbeats_process 입력).
방법의 한계 사용자는 동일한 파일 내에 EEG 및 심혈관(ECG 또는 PPG)이 포함된 데이터 세트를 소유하거나 독립적으로 병합하는 방법을 알고 있어야 합니다. 다양한 데이터 형식(예: .csv,. edf,. bdf,. vhdr 등)을 설명하기 위해 특정 플러그인을 설치해야 하기 때문에 데이터 가져오기는 현재 BrainBeats를 통해 자동화되지 않습니다. 향후 버전에서는 사용자가 파일 수에 관계없이 BIDS 데이터 세트를 BrainBeats에 직접 자동으로 로드하고, 사용 가능한 EEG 및 심혈관 신호를 결합하고, 잠재적인 시간 동기화 문제(예: 다양한 샘플링 속도, 타임스탬프 정렬 등)를 처리할 수 있습니다.
엔트로피 특징은 비선형 피드백 루프 역학 27,73,74에 숨겨져 있을 수 있는 심혈관 시스템, 피질 하 시스템 및 피질 시스템 간의 복잡한 양방향 상호 작용을 포착하는 데 특히 유망합니다. 그러나 계산량이 많고 특히 샘플링 속도가 높은 경우 EEG 신호에서 계산하는 데 시간이 오래 걸릴 수 있습니다. 일부 솔루션(병렬 컴퓨팅, 다운 샘플링/데시메이션)이 구현되지만 향후 작업에서는 이러한 계산 비용을 더욱 줄일 수 있습니다.
HEP/HEO에 대한 그룹 수준 통계는 사용할 수 있지만 현재 기능 모드에는 사용할 수 없지만 곧 사용할 수 있습니다. 한편, 사용자는 여전히 이 방법을 사용하여 쉽고 안정적으로 특징을 추출하거나, 표준 통계 소프트웨어로 통계를 수행하거나, 선택한 방법으로 특성 기반 ML 모델을 구축할 수 있습니다.
ECG는 심장의 전기장을 포착하여 심장 전기생리학을 직접 평가합니다. 대조적으로, PPG는 미세혈관 침대의 혈액량 변화를 측정하여 혈류 역학을 통해 심장 활동을 보다 간접적으로 반영합니다. ECG에서 R-피크를 식별하는 것은 심장 수축 전의 심실 탈분극에 해당하는 QRS 복합체에서 명확하게 나타나기 때문에 간단합니다. 대조적으로, PPG 신호에서 가장 두드러진 피크는 동맥의 최대 혈액량 지점에 해당하는 수축기 피크(또는 맥파 피크)입니다. ECG의 R-피크보다 약간 후에 발생합니다. 이러한 지연은 압력파가 심장에서 PPG 신호가 측정되는 말초 부위로 이동하는 데 걸리는 시간 때문입니다. 따라서 두 수축기 피크 사이에서 발생하는 PPG 파형의 골짜기(BrainBeats에서 R-파로 표시)는 최소 혈액량 지점에 해당하며 ECG의 R-피크와 일치하지 않습니다. 대신, 심실 재분극을 나타내는 ECG의 T-wave에 더 가깝다9. 이러한 신호 특성의 차이로 인해 ECG와 PPG 신호 간의 타이밍 차이가 발생하며, 이는 관찰된 HEP의 시간적 측면에 영향을 미칩니다. 임상적으로 이러한 차이는 HEP 분석에 적합한 방식을 선택하는 데 신중한 고려가 필요하며, ECG는 직접 심장 전기 생리학 연구에 선호되고 PPG는 장기 모니터링을 위한 사용 편의성 및 환자 편안함이라는 이점을 제공합니다. ECG와 PPG는 HEP 분석을 용이하게 할 수 있지만, 신호 특성과 생리학적 영향이 다르다는 것은 두 추론이 직접 상호 교환할 수 없음을 시사합니다. HEP 분석을 위한 ECG와 PPG 간의 선택은 연구 또는 임상 적용의 특정 목표와 요구 사항에 맞게 조정되어야 합니다. 이는 한계가 될 수 있지만, ECG와 PPG가 심혈관계에 대한 두 가지 다른 유형의 정보를 제공할 수 있다는 것을 의미하기 때문에 강점이기도 합니다. 또한 이 자습서에서 사용된 것처럼 동시 ECG-PPG 신호가 포함된 데이터 세트를 사용하여 시간이 지남에 따라 안정적인 경우 R-피크(ECG에서)와 R-파(PPG에서) 간의 시간적 차이를 수정할 수 있습니다.
PPG 신호는 ECG에 비해 더 매끄럽고 뚜렷한 특징이 없기 때문에 아티팩트75에 취약하다. 이 연구에 사용된 알고리즘은 이전에 이 연구에 사용된 데이터 세트에서 검증되고 잘 수행되었지만 다른 유형의 PPG 신호, 특히 웨어러블 기술로 수집된 신호에서는 잘 수행되지 않을 수 있습니다.
HEP/HEO 분석의 경우 epoch는 개인의 인터비트 간격(IBI, ~600-1000ms)의 분포를 기반으로 임계값을 사용하여 정의됩니다. 이로 인해 피험자에 따라 다른 epoch 길이가 발생하고 그룹 분석에 오류가 발생합니다. 또한, 기존 EEG 연구에 비해 IBI로 인한 짧은 epoch 길이(자극은 일반적으로 뇌가 기준선으로 돌아갈 수 있도록 몇 초 간격으로 배치됨)로 인해 원치 않는 엣지 효과가 발생하거나 사용자가 느린 주파수를 검사하는 데 방해가 됩니다. 시간-주파수 분해는 일반적으로 Epoch가 관심 창을 넘어 가장 낮은 관심 주파수에서 최대 3주기까지 확장해야 합니다. HEO의 경우 관심 창은 200-500ms입니다. 따라서, 예를 들어, 5 Hz만큼 낮은 주파수를 검사하기 위해 윈도우 전후에 추가로 600 ms (즉, -400 내지 900 ms)가 필요할 것이다. 1Hz의 낮은 주파수를 검사하려면 관심 창 전후에 추가로 3초가 필요합니다. 이는 에지 효과를 피하면서 정확한 시간 및 주파수 해상도를 얻는 데 필요합니다.
기존 방법에 대한 방법의 중요성 전반적으로 BrainBeats는 명령줄 및 그래픽 사용자 인터페이스(GUI)를 통한 미세 조정 기능과 함께 EEG 및 심혈관 신호 모두에 대한 최첨단 신호 처리 기술을 제공합니다.
세 가지 방법은 사용자 친화적인 그래픽 인터페이스(GUI)와 명령줄(전문가, 자동화 허용)을 모두 사용하여 수행할 수 있습니다. 방법 1은 시간(HEP), 주파수(HEO) 또는 시간-주파수(HEO) 영역뿐만 아니라 채널 또는 독립 구성 요소 수준에서도 검사할 수 있습니다. 우리가 아는 한, HEP/HEO는 PPG 신호를 사용하여 수행된 적이 없으며 현재 쉽게 사용할 수 있습니다.
방법 2에는 현재 기존 대안이 없습니다. 또한 사용자는 BrainBeats를 사용하여 두 신호를 모두 포함하지 않는 다른 데이터 세트와 함께 EEG 또는 HRV 기능을 개별적으로 간단히 전처리하고 추출할 수도 있습니다. 예를 들어, 사용자는 ECG/PPG 신호를 전처리하고 HRV 특징을 추출하여 HRV 값만 분석할 수 있습니다(사용자가 EEG 데이터 세트에서 EEG 특징을 추출하려는 경우 그 반대의 경우도 마찬가지임). 이는 기능 기반 ML 애플리케이션에 특히 유용할 수 있습니다.
방법 3을 사용하면 EEG 신호에서 심장 인공물을 빠르고 자동으로 제거할 수 있습니다. 이것은 ICLabel 플러그인을 사용하여 EEGLAB에서 이미 가능하지만, 사용자가 쉽게 오류(예: 고스트 ICs(55))를 유발할 수 있는 일련의 단계와 매개변수 선택(예: 신호 고역 통과 필터링, ICA 실행, ICLabel 실행, 매개변수 조정, EEG 신호에서 심장 구성 요소 빼기, ECG 채널 제거)을 수행해야 합니다.). 또한 심혈관 신호를 사용하여 이 방법의 성능을 향상시키는 부스트 방법을 소개합니다(일반적으로 이러한 작업에는 포함되지 않음).
또한 이 툴박스는 GPU 및 병렬 컴퓨팅을 포함한 EEG 특징(주로 다중 스케일 엔트로피 측정)의 추정을 가속화하기 위해 컴퓨팅 성능 개선을 구현합니다. 이러한 옵션은 사용자의 하드웨어(즉, 그래픽 카드, 프로세서 및 스레드 수)만큼만 유용합니다.
향후의 방향 툴박스는 현장 전문가의 최신 지침과 권장 사항을 구현하고 발생할 수 있는 오류를 수정하기 위해 장기적으로 작성자에 의해 계속 수정되고 개선될 것입니다.
EEG와 심혈관 신호 간의 상호 작용을 평가하기 위한 추가 기능과 방법이 추가될 것입니다. 예를 들어, 세타/베타 비율(또는 관련 임상 또는 인지 정보를 캡처하는 유사한 스펙트럼 비율)과 같은 qEEG 기능을 툴박스에 쉽게 추가할 수 있습니다. 새로운 방법에는 예를 들어, EEG-ECG 직접 및 부분 일관성, 시간 분해 방향성 뇌/심장 상호 작용 측정(76) 또는 기계 학습을 사용한 HEP 또는 기능 데이터의 분류(예: 의사 결정 트리, 랜덤 포레스트, 나이브 베이즈, SVM, KNN, 장기 단기 기억 네트워크 등)가 포함됩니다. 17.
웨어러블 기술로 수집된 잡음이 있는 PPG 신호에서 R파를 감지하는 최상의 성능을 위해 향후 BrainBeats 버전은 이러한 애플리케이션을 위한 대체 알고리즘을 제공할 수 있습니다. 다른 유망한 알고리즘으로는 신호 유도체 기반 알고리즘(77), 적응형 선형 뉴런 인공 신경망(ECG(78)에 사용됨) 또는 앙상블 경험적 모드 분해(ensemble empirical mode decomposition)79가 있다.
HEO 분석의 경우, 시간-주파수 추정에 대한 짧은 epoch 문제를 해결하기 위해(위의 제한 사항 참조), 향후 버전에서 관심 창(즉, 신호의 역버전)의 신호를 미러링하여 관심 창을 확장하는 반사 방법을 구현할 계획입니다. 이렇게 하면 부드러운 전환이 제공되고 원치 않는 가장자리 효과가 제거됩니다. 그런 다음 대칭복사된 단면이 제거됩니다.

오랫동안 환원주의적 접근은 인간의 생리학과 인지에 대한 과학적 탐구를 지배해 왔다. 이 접근 방식에는 복잡한 신체 및 정신 과정을 더 작고 관리하기 쉬운 구성 요소로 해부하여 연구원들이 개별 시스템에 독립적으로 집중할 수 있도록 하는 것이 포함되었습니다. 이 전략은 인간의 몸과 마음의 복잡하고 상호 연결된 특성을 연구하는 데 어려움이 있었기 때문에 생겨났습니다 1. 환원주의는 신경2 또는 심장3 통신에 대한 이온 채널과 활동 전위의 역할을 설명하는 것과 같이 개별 하위 시스템을 고립되어 이해하는 데 중요한 역할을 했습니다. 그러나 이러한 고립된 시스템이 더 큰 공간적, 시간적 규모에서 어떻게 상호 작용하는지에 대한 우리의 이해에는 상당한 격차가 남아 있습니다. 다중(통합적 또는 생태적) 틀은 인체를 복잡한 다차원적 시스템으로 간주하며, 여기서 마음은 뇌의 산물이 아니라 생명체의 활동, 즉 인체의 일상 기능 내에서 뇌를 통합하는 활동으로 간주한다4. 멀티모달(multimodal)과 환원주의(reductionist) 접근법은 배타적이지 않은데, 이는 우리가 전체 뇌 없이 하나의 뉴런을 연구할 수 없고, 개별 뉴런의 특성을 이해하지 않고는 전체 뇌를 연구할 수 없는 것과 같다. 그들은 함께 인간의 건강, 병리학, 인지, 심리학 및 의식에 대한 보다 포괄적이고 시너지 효과를 내는 이해를 위한 길을 닦습니다. 본 방법은 뇌파검사(EEG)와 심혈관 신호, 즉 심전도(ECG) 및 광혈류측정법(PPG)의 공동 분석을 제공함으로써 뇌와 심장 사이의 상호 작용에 대한 다중 모드 연구를 용이하게 하는 것을 목표로 합니다. MATLAB에서 EEGLAB 플러그인으로 구현된 이 툴박스는 기존의 방법론적 한계를 해결하고 과학 분야의 접근성과 재현성을 용이하게 하기 위해 오픈 소스로 만들어졌습니다. 최신 지침과 권장 사항을 설계 및 기본 매개 변수에 구현하여 사용자가 알려진 모범 사례를 따르도록 권장합니다. 제안된 도구 상자는 1) 심장 박동 유발 전위 연구, 2) EEG 및 ECG/PPG 신호에서 특징 추출, 3) EEG 신호에서 심장 아티팩트 제거에 관심이 있는 연구자 및 임상의에게 귀중한 리소스가 될 것입니다.
심장-뇌 연구 심장과 뇌의 관계는 기능적 자기 공명 영상(fMRI) 및 양전자 방출 단층 촬영(PET)과 같은 신경 영상 방법을 통해 역사적으로 연구되어 왔습니다. 연구진은 이러한 도구를 사용하여 심혈관 조절과 관련된 일부 뇌 영역(예: 심박수및 혈압 조작5)을 강조하거나, 심박수가 BOLD 신호6에 미치는 영향을 보여주거나, 관상동맥 심장 질환(즉, 스트레스 유발 혈압7)에 기여할 수 있는 뇌-신체 경로를 식별했다). 이러한 연구는 중추신경계(CNS)와 심혈관 기능 간의 복잡한 상호 작용에 대한 이해를 크게 향상시켰지만, 이러한 신경 영상 기법은 비용이 많이 들고 가용성이 제한적이며 통제된 실험실 환경에 국한되어 있어 실제 및 대규모 응용 분야에 대한 실용성이 제한됩니다.
이와는 대조적으로, EEG 및 ECG/PPG는 더 다양한 환경과 인구 집단 또는 장기간에 걸쳐 뇌-심장 상호 작용을 연구할 수 있는 잠재력을 제공하여 새로운 기회를 제공하는 더 저렴하고 휴대 가능한 도구입니다. ECG는 심장이 수축하고 이완할 때 피부(일반적으로 가슴 또는 팔)에 배치된 전극을 통해 각 심장 박동에서 생성되는 전기 신호를 측정합니다8. PPG는 광원(예: LED)과 광검출기(일반적으로 손가락 끝, 손목 또는 이마에 배치)를 사용하여 미세혈관 조직의 혈액량 변화(즉, 혈류 및 맥박수)를 측정하며, 혈액이 주변 조직보다 더 많은 빛을 흡수하는 방식에 의존합니다9. 두 방법 모두 심혈관 기능에 대한 중요한 정보를 제공하지만 용도가 다르고 고유한 데이터 유형을 제공합니다. ECG와 마찬가지로 EEG는 세포외 기질, 조직, 두개골 및 두피를 통해 전파되는 수천 개의 대뇌 피질 뉴런의 동기화 된 활동에 의해 생성 된 전기장을 기록하여 두피 표면(10)에 배치 된 전극에 도달합니다. 따라서 EEG 및 ECG/PPG의 사용은 뇌-심장 상호 작용의 기저에 있는 생리적, 인지적, 정서적 과정과 인간의 건강과 웰빙에 미치는 영향에 대한 이해를 증진시키는 데 큰 가능성을 가지고 있습니다. 따라서 BrainBeats 도구 상자를 사용하여 EEG, ECG/PPG 신호에서 심장-뇌 상호 작용을 캡처하는 것은 임상 진단 및 예측, 빅 데이터 머신 러닝(ML), 실제 자가 모니터링11 및 모바일 뇌/신체 영상(MoBI)12,13과 같은 과학 분야에 특히 유용할 수 있습니다.
EEG 및 ECG 신호를 공동으로 분석하기 위한 두 가지 접근 방식 EEG와 심혈관 신호 간의 상호 작용을 연구하는 두 가지 주요 접근 방식이 있습니다.
시간 도메인: 이벤트 관련 전위(ERP)의 심장 박동 유발 전위(HEP) 및 시간-주파수 영역의 심장 박동 유발 발진(HEO): 이벤트 관련 스펙트럼 섭동(ERSP) 및 시험 간 일관성(ITC). 이 접근법은 뇌가 각 심장 박동을 어떻게 처리하는지 조사합니다. 밀리초(ms) 정확도로 이 방법을 사용하려면 두 시계열이 완벽하게 동기화되고 심장 박동이 EEG 신호에 표시되어야 합니다. 이 접근법은 최근 몇 년 동안 관심을 끌었습니다 14,15,16,17,18,19.
특징 기반 접근법: 이 접근법은 연속 신호에서 EEG 및 심박 변이도(HRV) 특징을 추출하고 이들 간의 연관성을 검사합니다. 이것은 EEG (종종 정량적 EEG 또는 qEEG20라고 불림), ECG 21,22,23 및 PPG 24,25,26에 대해 독립적으로 수행되었습니다. 이 접근 방식은 상태 및 특성 관련 변수를 모두 캡처하여 유망한 응용 프로그램을 제시합니다. EEG 및 심혈관 신호 모두에 대해 기록이 길수록 특성 변수 27,28,29가 더 우세합니다. 따라서 응용 프로그램은 기록 매개변수에 따라 달라집니다. 특징 기반 분석은 정신 및 신경 장애, 치료 반응 또는 재발을 예측하기 위한 새로운 정량적 지표를 제공하여 점점 더 많은 관심을 받고 있습니다 30,31,32,33,34,35. 이 접근법은 대규모 실제 데이터 세트(예: 클리닉, 원격 모니터링)에서 특히 매력적이며, 이는 웨어러블 신경 기술11의 최근 혁신 덕분에 더 쉽게 얻을 수 있습니다. 덜 탐구된 응용 분야는 특정 뇌와 심장 기능 간의 연관성을 식별하여 중추 신경계 역학의 기저에 있는 잠재력을 강조하는 것입니다. 심박 변이도(HRV)는 ECG 및 PPG 신호 모두에서 계산할 수 있습니다. 자율 신경계(ANS)에 대한 정보를 제공하여 심장 박동 사이의 시간 간격(즉, 정상에서 정상까지의 간격)의 변화를 측정합니다27. 교감신경(SNS) 활동이 증가하면(예: 스트레스 또는 운동 중) 일반적으로 HRV가 감소하는 반면, 부교감신경(PNS) 활동(예: 이완 중)은 HRV를 증가시킵니다. 느린 호흡 속도는 일반적으로 PNS 활동이 증가하여 HRV를 증가시키며, 특히 짧은 녹음(&lt;10분)의 경우 더욱 그렇습니다27. HRV 점수가 높을수록 일반적으로 더 탄력적이고 적응력이 뛰어난 ANS를 나타내는 반면, HRV가 낮으면 스트레스, 피로 또는 근본적인 건강 문제를 나타낼 수 있습니다. 장시간 HRV 기록(즉, 최소 24시간)은 심혈관 질환, 스트레스, 불안 및 일부 신경학적 상태를 포함한 다양한 건강 상태에 대한 예측 예후를 제공한다27. 혈압, 심박수 또는 콜레스테롤 수치와 같은 측정은 심혈관계의 상태에 대한 정보를 제공합니다. 이와는 대조적으로, HRV는 심장이 스트레스에 어떻게 반응하고 스트레스로부터 회복되는지를 보여주는 역동적인 측면을 추가합니다.
기존 방법에 비해 BrainBeats의 장점 아래에서 검토한 바와 같이 심혈관 및 EEG 신호를 서로 독립적으로 처리할 수 있는 도구가 존재하지만 공동으로 분석할 수는 없습니다. 더욱이, 심혈관 신호를 처리하는 데 사용 가능한 대부분의 수단은 비용이 많이 드는 라이선스를 필요로 하거나, 자동화된 처리를 허용하지 않거나(특히 대규모 데이터 세트에 유용함), 투명성과 재현성을 방해하는 독점 알고리즘을 가지고 있거나, 그래픽 사용자 인터페이스(GUI)를 제공하지 않음으로써 고급 프로그래밍 기술을 필요로 합니다36. 우리가 아는 한, GUI를 통한 HEP/HEO 분석을 지원하는 4개의 오픈 소스 MATLAB 툴박스, 즉 ecg-kit 툴박스(37), BeMoBIL 파이프라인(38), HEPLAB EEGLAB 플러그인(39), CARE-rCortex 툴박스(40)가 있습니다. HEPLAB, BeMoBI 및 ecg-kit는 심장 박동을 감지하고 EEG 신호에 표시하여 HEP 분석을 용이하게 하지만 통계 분석을 제공하지 않거나 시간 영역(즉, HEP)으로 제한됩니다. CARE-rCortex 플러그인은 ECG 및 호흡 신호, 시간-주파수 영역 분석, 통계, HEP/HEO 분석에 적합한 고급 기준선 정규화 및 보정 방법을 지원하여 이러한 문제를 해결했습니다. 그러나 유형 1 오류(즉, 거짓 양성)의 통계적 보정을 위해 Bonferroni 방법을 사용하며, 이는 EEG 응용 프로그램에 대해 너무 보수적이고 생리학적으로 건전하지 않아 유형 II 오류(즉, 거짓 음성)의 증가로 이어집니다41. 또한 이 툴박스는 자동화를 위한 명령줄 액세스를 제공하지 않습니다. 마지막으로, 최근 연구에서는 기준선 보정 방법 42,43,44를 권장하는데, 이는 신호 대 잡음비(SNR)를 줄이고 통계적으로 불필요하고 바람직하지 않기 때문입니다.
이러한 제한 사항을 해결하기 위해 현재 MATLAB 환경에서 오픈 소스 EEGLAB 플러그인으로 구현된 BrainBeats 툴박스를 소개합니다. 이전 방법에 비해 다음과 같은 장점이 있습니다.
1) 사용하기 쉬운 GUI 및 명령줄 기능(자동화된 처리를 수행하려는 프로그래머용). 2) R 피크 감지, RR 아티팩트 보간, HRV 메트릭 계산과 같은 심혈관 신호 처리를 위한 검증된 알고리즘, 매개변수 및 지침(예: 윈도우잉, 재샘플링, 정규화 등에 대한 임플란트 지침)27,45,46). 이는 Vest 등이 이러한 처리 단계에서 미미한 차이가 어떻게 다른 결과로 이어질 수 있는지를 보여주었기 때문에 HRV 지표의 재현성 및 임상적 적용 가능성의 부족에 기여하기 때문이다46. 3) 필터링 및 윈도잉 44,47, 재참조 48,49, 비정상 채널 및 아티팩트 제거(50,51,52), 최적화된 ICA 분해 및 독립 구성 요소 분류 53,54,55,56을 포함한 EEG 신호 처리를 위한 검증된 알고리즘, 기본 매개변수 및 지침. 사용자는 툴박스를 사용하여 필요에 맞게 툴박스를 사용하기 전에 모든 전처리 매개변수를 미세 조정하거나 선호하는 방법으로 EEG 데이터를 전처리할 수도 있습니다(예: EEGLAB clean_rawdata 플러그인50,52, BeMoBIL 파이프라인(38), PREP 파이프라인(57 등) ). 4) ECG 신호의 심장 박동 유발 전위(HEP, 즉 시간 영역) 및 진동(HEO, 웨이블릿 또는 FFT 방법을 사용한 이벤트 관련 스펙트럼 섭동, 시험 간 일관성은 표준 EEGLAB 소프트웨어를 통해 사용 가능). 유형 1 오류에 대한 수정 사항이 있는 파라메트릭 및 비파라메트릭 통계는 EEGLAB의 표준 소프트웨어를 통해 사용할 수 있습니다. 비모수 통계에는 다중 비교를 위한 순열 통계 및 시공간 보정(예: 시공간 군집화 또는 임계값 없는 군집 향상)이 포함됩니다(예: 시공간 군집화 또는 임계값 없는 군집 향상)58,59. 사용자는 LIMO-EEG 플러그인을 사용하여 계층적 선형 모델링을 구현할 수 있으며, 이는 내부 및 피험자 간 분산을 잘 설명하고 유형 I 및 II 오류60,61에 대한 강력한 제어를 통해 가정없는 질량 단변량 접근 방식을 구현합니다. HEP/HEO 데이터 통계 분석은 채널 및 독립 구성 요소 도메인에서 수행할 수 있습니다. 5) PPG 신호에서 HEP/HEO 및 HRV 분석(HEP/HEO에 대한 최초). 6) 최초로 EEG 및 HRV 특징의 공동 추출을 지원합니다. 7) 이 툴박스는 필요한 다양한 처리 단계에서 신호를 검사하고 주제 수준에서 출력을 검사할 수 있는 다양한 데이터 시각화를 제공합니다.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody><tr><td>메서드</td>
			<td>ECG에서 R-피크 검출</td>
			<td>PPG에서 R파를 감지합니다</td>
			<td>HEP/HEO (헅/HEO)</td>
			<td>EEG &amp; HRV 특징</td>
			<td>EEG에서 심장 아티팩트 제거</td>
			<td>GUI (그래픽 인터페이스)</td>
			<td>명령줄</td>
		</tr><tr><td>ECG 키트</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td></td>
			<td></td>
			<td></td>
			<td>X</td>
		</tr><tr><td>비모빌</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td></td>
			<td>X</td>
		</tr><tr><td>헵랩</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td>X</td>
			<td>X</td>
		</tr><tr><td>케어-r코텍스</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td>X</td>
			<td>X</td>
		</tr><tr><td>브레인비트</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>표 1: 기존의 유사한 방법과 관련하여 BrainBeats가 가져온 참신함.
독자가 이 방법이 자신에게 적합한지 판단하는 데 도움이 되는 정보 이 툴박스는 EEG 및 ECG/PPG 데이터가 있는 모든 연구자 또는 임상의에게 적합합니다. 플러그인은 아직 별도의 파일에서 EEG 및 ECG/PPG 신호 가져오기를 지원하지 않습니다(이 기능은 곧 사용할 수 있음). 이 툴박스는 HEP/HEO 분석을 수행하거나, 표준화된 방법으로 EEG 및/또는 HRV 특징을 추출하거나, 단순히 EEG 신호에서 심장 인공물을 제거하려는 모든 사람에게 적합합니다. BrainBeats의 전반적인 흐름과 방법을 요약한 블록 다이어그램은 그림 1 을 참조하십시오.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65829/65829fig01.jpg"> 그림 1. BrainBeats의 전체 아키텍처와 흐름을 요약한 블록 다이어그램. 세 가지 방법에서 공통적인 작업은 갈색입니다. HEP(Heartbeat-evoked Potentials) 및 HEO(Oscillations)와 관련된 작동은 녹색입니다. EEG 및 HRV 특징 추출과 관련된 작업은 파란색입니다. EEG 신호에서 심장 인공물을 제거하는 것과 관련된 작업은 빨간색입니다. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig01large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>

<table><tbody><tr><td>EEGLAB</td><td>Swartz Center for Computational Neuroscience (SCCN)</td><td></td><td>무료/오픈 소스</td></tr><tr><td>MATLAB</td><td>The Mathworks, Inc.</td><td></td><td>라이선스 필요</td></tr><tr><td>Windows PC</td><td>Lenovo, Inc.</td><td></td><td></td></tr></tbody></table>

eeg 및 심혈관 신호를 공동으로 분석하기 위한 오픈 소스 eeglab 플러그인인 brainbeats

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

뇌와 심혈관계 간의 상호 작용은 인체 생리학에 대한 이해를 높이고 건강 결과를 개선할 수 있는 잠재력으로 인해 점점 더 많은 주목을 받고 있습니다. 그러나 이러한 신호의 멀티모달 분석은 지침, 표준화된 신호 처리 및 통계 도구, 그래픽 사용자 인터페이스(GUI), 대규모 데이터 세트를 처리하거나 재현성을 높이기 위한 자동화의 부재로 인해 까다롭습니다. 표준화된 EEG 및 심박변이도(HRV) 특징 추출 방법에는 또 다른 공백이 존재하여 임상 진단 또는 기계 학습(ML) 모델의 견고성을 훼손합니다. 이러한 제한 사항에 대응하여 BrainBeats 도구 상자를 소개합니다. 오픈 소스 EEGLAB 플러그인으로 구현된 BrainBeats는 세 가지 주요 프로토콜을 통합합니다: 1) 밀리초 정확도로 시간 고정 뇌-심장 상호 작용을 평가하기 위한 심장 박동 유발 전위(HEP) 및 진동(HEO); 2) 다양한 뇌 및 심장 지표 간의 연관성/차이를 조사하거나 강력한 특징 기반 ML 모델을 구축하기 위한 EEG 및 HRV 특징 추출; 3) EEG 분석을 수행하는 동안 잠재적인 심혈관 오염을 제거하기 위해 EEG 신호에서 심장 아티팩트를 자동으로 추출합니다. 이 세 가지 방법을 동시 64채널 EEG, ECG 및 PPG 신호를 포함하는 오픈 소스 데이터 세트에 적용하기 위한 단계별 자습서를 제공합니다. 사용자는 그래픽 사용자 인터페이스(GUI) 또는 명령줄을 사용하여 고유한 연구 요구 사항에 맞게 매개변수를 쉽게 미세 조정할 수 있습니다. BrainBeats는 뇌와 심장의 상호 작용 연구에 더 쉽게 접근하고 재현할 수 있도록 해야 합니다.

먼저 BrainBeats 플러그인을 사용하여 EEG 및 ECG 데이터를 사전 처리하고, 아티팩트를 식별 및 제거하고, 심장 박동 유발 전위(HEP) 및 진동(HEO)을 분석했습니다. BrainBeats는 ECG 신호와 일부 RR 아티팩트에서 RR 간격을 성공적으로 감지했습니다(그림 2). BrainBeats는 또한 명령 창에서 하트비트의 11/305(3.61%)가 아티팩트로 플래그가 지정되고 보간되었다고 보고했습니다. RR 간격(보간 전)의 평균 신호 품질 지수(SQI)는 가장 높은 값인 1의 값을 갖습니다. 낮은 신호 품질은 RR 시리즈의 20% 이상이 아티팩트 또는 SQI&lt;0.9로 플래그가 지정되는 것에 해당합니다. TP9 EEG 채널은 제거 및 보간되었고(그림 3), 아티팩트가 포함된 여러 epoch(그림 6), 두 개의 눈 구성 요소가 제거 플래그가 지정되었습니다(그림 7). 출력에는 그랜드 평균 HEP(그림 8) 및 HEO(그림 9)가 포함됩니다. 우리는 전두엽 두피 부위에서 심장 박동 후 150-400ms까지 알파 대역(8-15Hz)에서 유의한 심장 박동 유발 진동(HEO)을 관찰했으며, 이는 이전 연구 결과와 일치합니다17,67). 반면에, 임상시험 간 일관성(ITC) 분석에서는 심장 박동과 관련하여 EEG 단계의 유의미한 위상 잠금 또는 재설정이 제안되지 않았습니다(그림 9, 하단).
둘째, BrainBeats 플러그인은 PPG와 동일한 작업을 수행하는 데 사용되었습니다. BrainBeats는 ECG 신호와 일부 RR 아티팩트에서 RR 간격을 성공적으로 감지했습니다(그림 10). BrainBeats는 명령 창에서 하트비트의 15/309(4.85%)가 아티팩트로 플래그가 지정되고 보간되었다고 보고했습니다. RR 간격(보간 전)의 평균 신호 품질 지수(SQI) 값은 0.87입니다. 신호 품질은 평균적으로 0.9 미만이지만 RR 시리즈의 20% 미만이 아티팩트로 플래그가 지정되었거나 SQI&lt;0.9가 있기 때문에 여전히 양호한 것으로 간주됩니다. 출력은 PPG 신호에서 감지된 R 파를 기반으로 한 그랜드 평균 HEP(그림 11)를 보여주었습니다. 우리는 R-wave(150-400 ms)와 거의 전체 주파수 범위(그림 12 상단)에 이어 거의 전체 시간 창에서 전두부 두피 부위에서 유의미한 효과를 관찰했습니다. ITC 효과는 관찰되지 않았습니다(그림 12 하단). PPG 신호에서 HEP/HEO 분석이 수행된 것은 이번이 처음이며, 이러한 결과를 해석하기 위해서는 향후 연구가 필요합니다.
셋째, BrainBeats를 사용하여 ECG 신호에서 EEG 특징과 HRV 특징을 추출했습니다. 이 프로세스에는 ECG 및 EEG 신호의 전처리, 아티팩트 감지 및 제거, 다양한 영역에서 HRV 및 EEG 기능 계산이 포함됩니다. 고주파(HF) 대역 내에서 ~0.19Hz에서 HRV 전력 스펙트럼 밀도(PSD) 분포의 피크를 관찰했습니다(그림 14 상단). EEG의 경우 알파 대역 내에서 ~10.5Hz에서 PSD 분포의 피크를 관찰했습니다( 그림 14 하단). 두피 지형도(그림 15)는 주 주파수 대역의 평균 파워(및 가장 높은 피크 알파 주파수 값)가 주로 두피 뒤쪽 영역에 국한되어 있음을 나타냅니다. 또한, 더 높은 퍼지 엔트로피 값(규칙성 측면에서 더 높은 복잡성을 반영함)은 대부분 전두엽 오른쪽 및 후두 영역에 국한됩니다. 대조적으로, 프랙탈 차원 값(프랙탈 특성 측면에서 더 큰 복잡성을 반영함)은 두피 영역 간에 큰 차이를 보이지 않습니다. 마지막으로, 알파 비대칭 플롯(오른쪽 하단 모서리)은 중앙 두정 영역에서 왼쪽보다 오른쪽 알파 파워가 더 크고 뒤쪽 영역에서 왼쪽보다 오른쪽 알파 파워가 더 크다는 것을 보여줍니다. 반구간 알파 파워의 이러한 차이는 일반적으로 해당 영역에서의 국소적 억제의 관점에서 해석됩니다(즉, 더 많은 알파 파워는 더 큰 피질 억제를 반영합니다).
넷째, HRV 특징이 PPG 신호에서 추출되었다는 점을 제외하고는 BrainBeats를 사용하여 동일한 작업을 수행했습니다. 이번에는 LF 주파수 대역 내에서 ~0.04Hz의 피크와 ~0.19Hz 부근의 분할 피크를 관찰합니다(그림 16 상단). 이 분포는 ECG 신호에서 계산된 NN 간격에서 얻은 분포와 약간 다릅니다(그림 14 상단). 이는 PPG 신호의 신호 품질이 낮기 때문일 수 있습니다. EEG 기능은 그림 14와 동일합니다.
마지막으로, BrainBeats를 사용하여 EEG 신호에서 심장 인공물을 추출했습니다. 심장 구성 요소는 부스트 모드(그림 17 왼쪽)를 사용하여 94.1% 신뢰도로 분류되고 EEG 신호(그림 17 오른쪽)에서 추출되었습니다.
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/65829/65829fig02.jpg"> 그림 2. ECG 신호에서 얻은 RR 간격, 아티팩트 및 NN 간격. 위: BrainBeats에서 감지한 R-피크(주황색 점, 즉 RR 간격)가 있는 전처리된 ECG 신호(파란색). 중간: RR 아티팩트(빨간색)의 보간 후 NN(Normal-to-Normal) 간격(파란색). 하단: 상단 플롯과 동일하지만 왼쪽/오른쪽 화살표를 눌러 스크롤 기능으로 R-피크를 더 자세히 검사하기 위해 확대(30초 창)했습니다. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig02large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/65829/65829fig03.jpg"> 그림 3. 불량 EEG 채널 거부. 비정상 EEG 채널(TP9)의 시각화는 자동으로 감지되어 데이터 세트에서 제거됩니다. 참고: 큰 아티팩트는 추가 단계에서 처리됩니다. EEG 데이터는 대역 통과 필터링 (1-40Hz)되고 무한대로 다시 참조되었습니다. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig03large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/65829/65829fig04.jpg"> 그림 4. 신호의 R-피크를 전처리하고 표시한 후 64채널 EEG 데이터를 시각화합니다. ECG 신호는 시각적 확인을 위해 하단의 플롯에 포함되어 있습니다. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig04large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/65829/65829fig05.jpg"> 그림 5. 인터비트 간격(IBI)의 히스토그램입니다. 빨간색 선은 적합된 정규 분포를 나타내고 빨간색 점선은 EEG 데이터가 분할되는 상한 컷오프 값으로 사용되는 5% 백분위수를 나타냅니다(즉, 여기서는 R-피크 이후 650ms). <a href="https://www.jove.com/files/ftp_upload/65829/65829fig05large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/65829/65829fig06.jpg"> 그림 6. 아티팩트 시대 제거. 독립 구성 요소 분석(ICA)을 수행하기 전에 감지 및 제거된 EEG 이상치 시대(즉, 아티팩트 포함)의 시각화. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig06large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 7" class="xfigimg" src="/files/ftp_upload/65829/65829fig07v2.jpg"> 그림 7. 비브레인 아티팩트를 제거하기 위한 독립 구성 요소의 분류입니다. EEG 데이터의 독립적인 구성 요소를 얻기 위해 블라인드 소스 분리를 수행한 후 ICLabel 플러그인을 사용하여 이를 분류하고 추출을 위해 뇌가 아닌 구성 요소에 자동으로 플래그를 지정합니다. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig07largev2.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 8" class="xfigimg" src="/files/ftp_upload/65829/65829fig08.jpg"> 그림 8. ECG로 얻은 그랜드 평균 심장 박동 유발 전위(HEP). Top: 각 EEG 채널(중첩)에 대한 epoch 전체의 평균이며, 관심 기간(R-peak 후 200-500ms)의 진폭 분포를 보여주는 두피 지형도표가 있습니다. 하단: 시간 경과에 따른 HEP 진화(각 "시도"는 심장 박동에 해당). <a href="https://www.jove.com/files/ftp_upload/65829/65829fig08large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 9" class="xfigimg" src="/files/ftp_upload/65829/65829fig09.jpg"> 그림 9. ECG에서 얻은 심장 박동 유발 진동(HEO). 맨 위로: 순열 통계(1000회 반복) 후 채널 Fz(전두엽 영역)의 HEO 및 95% 신뢰 수준(p&lt;0.05)에서 FDR(false discovery rate)로 수정되었습니다. 아래: FDR 수정 후 시행 간 일관성(ITC). <a href="https://www.jove.com/files/ftp_upload/65829/65829fig09large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 10" class="xfigimg" src="/files/ftp_upload/65829/65829fig10.jpg"> 그림 10. PPG 신호에서 얻은 RR 간격, 아티팩트 및 NN 간격. 위: BrainBeats에서 감지한 맥파가 있는 전처리된 PPG 신호(파란색)(주황색 점, 즉 RR 간격). 중간: RR 아티팩트(빨간색)의 보간 후 NN(Normal-to-Normal) 간격(파란색). 하단: 상단 플롯과 동일하지만 왼쪽/오른쪽 화살표를 눌러 스크롤 기능으로 맥파를 더 자세히 검사하기 위해 확대(30초 창)했습니다. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig10large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 11" class="xfigimg" src="/files/ftp_upload/65829/65829fig11.jpg"> 그림 11. PPG로 얻은 그랜드 평균 심장 박동 유발 전위(HEP). 상단: 모든 전극은 시간 영역에 중첩되며, 두피 지형은 관심 기간(심장 박동 후 200-500ms)의 진폭 분포를 보여줍니다. 하단: 시간 경과에 따른 HEP 진화(각 "시도"는 맥파에 해당). <a href="https://www.jove.com/files/ftp_upload/65829/65829fig11large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 12" class="xfigimg" src="/files/ftp_upload/65829/65829fig12.jpg"> 그림 12. PPG에서 얻은 심장 박동 유발 진동(HEO). 맨 위로: 순열 통계(1000회 반복) 후 EEG 채널 Fz(전두부 중심 영역)에 대한 HEO 및 95% 신뢰 수준(p&lt;0.05)에서 FDR(false discovery rate)로 수정되었습니다. 아래: FDR 수정 후 시행 간 일관성(ITC). <a href="https://www.jove.com/files/ftp_upload/65829/65829fig12large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 13" class="xfigimg" src="/files/ftp_upload/65829/65829fig13.jpg"> 그림 13. 큰 EEG 아티팩트가 ASR(아티팩트 부분 공간 재구성) 알고리즘에 의해 감지되고 제거되었습니다. 사용자는 전체 파일을 스크롤하여 알고리즘에 의해 제거된 세그먼트를 검사할 수 있습니다. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig13large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 14" class="xfigimg" src="/files/ftp_upload/65829/65829fig14.jpg"> 그림 14. NN 간격(ECG) 및 EEG 신호에서 추출된 전력 스펙트럼 밀도(PSD). 위: 저주파(LF, 0.04-0.15Hz, 노란색) 및 고주파(HF, 0.15-0.40Hz, 파란색) 대역의 심박 변이도(HRV) 전력으로, ECG 신호의 정규화된 Lomb-Scargle 주기도를 사용하여 추정됩니다. 아래: 시각화를 위해 모든 채널에서 평균을 구한 전처리된 EEG 데이터에서 계산된 데시벨(dB)로 정규화된 PSD. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig14large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 15" class="xfigimg" src="/files/ftp_upload/65829/65829fig15.jpg"> 그림 15. BrainBeats에 의해 추출된 주요 EEG 특징은 두피 지형도로 설명됩니다. 주요 EEG 기능에는 델타(1-3Hz), 세타(3-7Hz), 알파(8-13Hz), 베타(13-30Hz) 및 감마(30-40Hz) 주파수 대역의 평균 스펙트럼 전력, 개별 알파 주파수(IAF), 퍼지 엔트로피, 프랙탈 차원 및 알파 비대칭이 순서대로 포함됩니다. 참고: 퍼지 엔트로피 값이 클수록 규칙성 측면에서 더 높은 복잡성을 반영하는 반면, 프랙탈 차원은 프랙탈 특성 측면에서 더 큰 복잡성을 반영합니다. 알파 비대칭은 16개의 대칭 전극 쌍에서 계산되었습니다. 양수 값은 왼쪽에서 오른쪽으로 더 큰 알파 파워를 반영하며, 일반적으로 로컬 피질 영역의 왼쪽에서 오른쪽으로의 더 큰 억제와 관련이 있습니다. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig15large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 16" class="xfigimg" src="/files/ftp_upload/65829/65829fig16.jpg"> 그림 16. NN 간격(PPG) 및 EEG 신호에서 추출된 전력 스펙트럼 밀도(PSD). 위: 저주파(LF, 0.04-0.15Hz, 노란색) 및 고주파(HF, 0.15-0.40Hz, 파란색) 대역의 심박 변이도(HRV) 전력, PPG 신호의 정규화된 Lomb-Scargle 주기도를 사용하여 추정. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig16large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 17" class="xfigimg" src="/files/ftp_upload/65829/65829fig17.jpg"> 그림 17. BrainBeats에 의해 감지 및 제거된 심장 구성 요소의 시각화. 왼쪽: 두피 지형과 분류의 신뢰 수준. 오른쪽: 심장 성분(빨간색)을 추출한 후의 EEG 시계열(파란색). <a href="https://www.jove.com/files/ftp_upload/65829/65829fig17large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>

BrainBeats 도구 상자는 EEG 및 심혈관(ECG/PPG) 신호를 공동으로 분석하도록 설계된 오픈 소스 EEGLAB 플러그인입니다. 여기에는 HEP(Heartbeat-evoked Potentials) 평가, 기능 기반 분석 및 EEG 신호에서 심장 아티팩트 추출이 포함됩니다. 이 프로토콜은 두 개의 렌즈(HEP 및 기능)를 통해 뇌-심장 상호 작용을 연구하는 데 도움이 되어 재현성과 접근성을 향상시킵니다.

EEG 및 심혈관 신호를 공동으로 분석하기 위한 오픈 소스 EEGLAB 플러그인인 BrainBeats

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

BrainBeats 도구 상자의 범위는 뇌-심장 상호 작용에 대한 연구를 수행하기 위한 오픈 소스 및 자동화 도구를 제공하는 것입니다. 이를 통해 연구원들은 표준화된 신호 처리, 특징 추출, 그래픽 사용자 인터페이스 및 데이터 시각화를 통해 EEG 및 심혈관 신호의 다중 모드 분석을 수행할 수 있습니다. 과학의 역사적 환원주의적 접근의 결과로 뇌와 심장 시스템은 분리되고 고립되어 그들의 상호 작용과 상호 영향에 대한 이해가 제한되었습니다.BrainBeats 도구 상자는 이러한 격차를 해소하는 것을 목표로 합니다. 뇌와 심장 사이의 상호 작용을 이해함으로써 연구자들은 인지 및 감정 상태가 심혈관 기능에 미치는 영향과 그 반대의 경우도 마찬가지에 대한 더 깊은 통찰력을 얻을 수 있습니다. 결과적으로 이러한 통찰력은 새로운 치료 개입 및 치료로 이어질 수 있습니다.

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

Research

연구

JoVE Journal

Neuroscience

신경과학

본 연구는 운동 영상 EEG 디코딩을 위한 시공간-시간-주파수 EEG 분석 도구(STFEEG)를 구현하기 위한 표준화되고 재현 가능한 프로토콜을 제시하며, 구성 가능한 시공간 주파수 분할, 공통 공간 패턴(CSP) 기반 특징 추출, 다중 분류 알고리즘 및 시각화 기능을 포함합니다.

STFEEG-도구: 운동 영상 뇌-컴퓨터 인터페이스를 위한 시공간-시간-주파수 EEG 분석 도구

우리는 magnetoencephalography (MEG)와 electroencephalography이 (EEG) 단순한 감각 자극의 처리에 관련된 뇌 영역을지도하기 위해 사용합니다.

동시 MEG와 EEG와 기능 매핑

우리는 자기 공명 영상 (MRI)에 의해 캡처 해부학 적 정보와 결합 마그네토와 electroencephalography (멕 / EEG)은, 청각주의와 관련된 대뇌 피질의 네트워크의 역학을 매핑 사용합니다.

동시 멕 / EEG와 해부학적인 몸의 구조 제약 최소 - 표준 견적을 사용하여 매핑 두피 역학 : 청각주의 예

(드릴 제외) 약 $ 1,000 정위 악기, (CNC 제어 컴퓨터의 숫자)이 프로토콜은 디자인과 로봇으로 기존의 정위 장비를 업그레이드하는 데 필요한 소프트웨어가 포함되어 있습니다.

오픈 소스 로봇 정위 장비 구축

이 기사에서는 성체 마우스에서 결장 운동성의 신경 조절 변화를 식별하기 위한 비디오 이미징 기술과 고해상도 시공간 매핑에 대해 설명합니다. 위장관(GI) 기능에 대한 미묘한 영향은 위장관 질환에 대한 이해를 증진하기 위해 분리된 조직 제제에서 이 접근법을 사용하여 감지할 수 있습니다.

비디오 이미징 및 시공간지도는 마우스에서 위장관 운동성을 분석하는

Sharp microelectrodes는 살아있는 초파리에서 광수용체 및 시각 중간뉴런 출력의 정확한 전기생리학적 특성을 가능하게 합니다. 여기에서는 이 방법을 사용하여 제어된 광 자극에 대한 개별 셀의 고품질 전압 응답을 기록하는 방법을 보여줍니다. 이 방법은 곤충 겹눈의 신경 정보 처리를 연구하는 데 이상적입니다.

의 기록 세포 내 전압 응답에 대한 전기 생리 방법<em&gt; 초파리</em&gt; 빛 자극에 광수와의 interneurons<em&gt; 생체</em

비 구속 된 EEG radiotelemetry 자유롭게 이동 설치류에서 생체 장기 뇌파를 기록하기위한 유용한 방법 론적 접근이다. 상세한 프로토콜은 CNS의 리듬 성 CNS와 관련된 행동 단계 안정적인 기록을 얻기 위해 다양한 뇌 영역에 정위 경막 깊은 뇌내 전극 배치를 설명한다.

비 금지 EEG Radiotelemetry : 경막 외 및 깊은 뇌내 정위 EEG 전극 위치

만성 경두개 고밀도 뇌파 촬영 몽타주를 마우스에 저비용으로 제작하고 외과적으로 이식하기 위한 지침이 제공됩니다. 신호 기록, 추출 및 처리 기술도 설명됩니다.

설치류 모델에서 고밀도 뇌파 취득 낮은 비용과 오픈 소스 리소스를 사용하여

여기에서는 마음 챙김 명상 훈련, 에피소드 기억 작업 및 EEG를 결합하여 에피소드 기억에 대한 마음 챙김 명상의 행동 및 신경 효과를 이해하는 프로토콜을 제시합니다.

행동과 EEG를 결합하여 마음 챙김 명상이 에피소드 기억에 미치는 영향 연구

여기에서는 가상 현실(VR)을 사용하여 마우스 공간 학습을 조사하기 위한 간소화된 오픈 소스 하드웨어 및 소프트웨어 설정을 제시합니다. 이 시스템은 마이크로 컨트롤러 네트워크와 사용하기 쉬운 Python 그래픽 소프트웨어 패키지를 실행하는 단일 기판 컴퓨터를 활용하여 휠에서 실행되는 머리 구속 마우스에 대한 가상 선형 트랙을 표시합니다.

머리가 구속된 마우스의 공간 학습 측정을 위한 오픈 소스 가상 현실 시스템An open-source virtual reality system for the measurement of spatial learning in head-trained mice

학습하세요 BrainBeats EEGLAB 플러그인을 사용하여 EEG와 심혈관 신호를 공동 분석하는 방법을. 이 오픈 소스 도구는 뇌-심장 상호작용 연구의 재현성과 접근성을 향상시킵니다.

EEG 및 심혈관 신호를 공동으로 분석하기 위한 오픈 소스 EEGLAB 플러그인인 BrainBeats

더 많은 동영상 탐색