Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Methodenartikel

BrainBeats als open-source EEGLAB-plug-in om gezamenlijk EEG- en cardiovasculaire signalen te analyseren

4.2K weergaven

⸱

DOI:

10.3791/65829

⸱

26 april 2024

 ,  , 
1Centre de Recherche Cerveau et Cognition (CerCo), CNRS, Toulouse III University, 2Institute of Noetic Sciences (IONS), 3Department of Neurology, Oregon Health & Science University, 4Swartz Center of Computational Neuroscience (SCCN), INC, UCSD

In dit artikel

Samenvatting

De BrainBeats-toolbox is een open-source EEGLAB-plug-in die is ontworpen om gezamenlijk EEG- en cardiovasculaire (ECG/PPG) signalen te analyseren. Het omvat beoordeling van hartslag-evoked potentials (HEP), op kenmerken gebaseerde analyse en extractie van hartartefacten uit EEG-signalen. Het protocol zal helpen bij het bestuderen van de interactie tussen hersenen en hart door twee lenzen (HEP en functies), waardoor de reproduceerbaarheid en toegankelijkheid worden verbeterd.

Samenvatting

De wisselwerking tussen de hersenen en het cardiovasculaire systeem krijgt steeds meer aandacht voor het potentieel ervan om ons begrip van de menselijke fysiologie te vergroten en de gezondheidsresultaten te verbeteren. De multimodale analyse van deze signalen is echter een uitdaging vanwege het ontbreken van richtlijnen, gestandaardiseerde signaalverwerking en statistische hulpmiddelen, grafische gebruikersinterfaces (GUI's) en automatisering voor het verwerken van grote datasets of het vergroten van de reproduceerbaarheid. Er bestaat nog een leemte in gestandaardiseerde methoden voor het extraheren van EEG- en hartslagvariabiliteit (HRV), die de klinische diagnostiek of de robuustheid van machine learning (ML)-modellen ondermijnen. Als antwoord op deze beperkingen introduceren we de BrainBeats-toolbox. BrainBeats is geïmplementeerd als een open-source EEGLAB-plug-in en integreert drie hoofdprotocollen: 1) Heartbeat-evoked potentials (HEP) en oscillaties (HEO) voor het beoordelen van tijdvergrendelde hersen-hartinteractie tot op de milliseconde nauwkeurig; 2) EEG- en HRV-functie-extractie voor het onderzoeken van associaties/verschillen tussen verschillende hersen- en hartmetrieken of voor het bouwen van robuuste, op kenmerken gebaseerde ML-modellen; 3) Geautomatiseerde extractie van hartartefacten uit EEG-signalen om mogelijke cardiovasculaire besmetting te verwijderen tijdens het uitvoeren van EEG-analyse. We bieden een stapsgewijze zelfstudie voor het toepassen van deze drie methoden op een open-source dataset met gelijktijdige 64-kanaals EEG-, ECG- en PPG-signalen. Gebruikers kunnen eenvoudig parameters verfijnen om hun unieke onderzoeksbehoeften aan te passen met behulp van de grafische gebruikersinterface (GUI) of de opdrachtregel. BrainBeats moet onderzoek naar de interactie tussen hersenen en hart toegankelijker en reproduceerbaarder maken.

Inleiding

Lange tijd heeft de reductionistische benadering het wetenschappelijk onderzoek naar de menselijke fysiologie en cognitie gedomineerd. Deze aanpak omvatte het ontleden van complexe lichamelijke en mentale processen in kleinere, beter beheersbare componenten, waardoor onderzoekers zich konden concentreren op individuele systemen in isolatie. Deze strategie is ontstaan vanwege de uitdagingen bij het bestuderen van de ingewikkelde en onderling verbonden aard van het menselijk lichaam en de geest1. Reductionisme heeft een belangrijke rol gespeeld bij het begrijpen van individuele subsystemen op zichzelf, zoals het ophelderen van de rol van ionkanalen en actiepotentialen voor neurale2 - of cardiale3-communicatie . Er blijft echter een belangrijke leemte in ons begrip van hoe deze geïsoleerde systemen op grotere ruimtelijke en temporele schaal op elkaar inwerken. Het multimodale (integratieve of ecologische) kader beschouwt het menselijk lichaam als een complex multidimensionaal systeem, waarbij de geest niet wordt gezien als een product van de hersenen, maar als een activiteit van het levende wezen, een activiteit die de hersenen integreert in de dagelijkse functies van het menselijk lichaam4. De multimodale en reductionistische benaderingen zijn niet exclusief, net zoals we niet één neuron kunnen bestuderen zonder het hele brein of het hele brein zonder de eigenschappen van individuele neuronen te begrijpen. Samen maken ze de weg vrij voor een uitgebreider, synergetisch begrip van menselijke gezondheid, pathologie, cognitie, psychologie en bewustzijn. De huidige methode heeft tot doel het multimodale onderzoek naar de wisselwerking tussen de hersenen en het hart te vergemakkelijken door gezamenlijke analyse van elektro-encefalografie (EEG) en cardiovasculaire signalen, namelijk elektrocardiografie (ECG) en fotoplethysmografie (PPG). Deze toolbox, geïmplementeerd als een EEGLAB-plug-in in MATLAB, pakt bestaande methodologische beperkingen aan en is open source gemaakt om de toegankelijkheid en reproduceerbaarheid op wetenschappelijk gebied te vergemakkelijken. Het implementeert de nieuwste richtlijnen en aanbevelingen in zijn ontwerp en standaardparameters om gebruikers aan te moedigen bekende best practices te volgen. De voorgestelde toolbox zou een waardevolle bron moeten zijn voor onderzoekers en clinici die geïnteresseerd zijn in 1) het bestuderen van hartslag-opgeroepen potentialen, 2) het extraheren van kenmerken uit EEG- en ECG/PPG-signalen, of 3) het verwijderen van hartartefacten uit EEG-signalen.

Hart-hersenonderzoek
De relatie tussen het hart en de hersenen is van oudsher bestudeerd via neuroimaging-methoden zoals functionele magnetische resonantiebeeldvorming (fMRI) en positronemissietomografie (PET). Met behulp van deze hulpmiddelen benadrukten onderzoekers enkele hersengebieden die verband houden met cardiovasculaire controle (bijv. manipulatie van hartslag en bloeddruk5), toonden ze de invloed van de hartslag op het BOLD-signaal6, of identificeerden ze mogelijke hersen-lichaamroutes die bijdragen aan coronaire hartziekten (d.w.z. door stress veroorzaakte bloeddruk7). Hoewel deze studies ons begrip van de complexe wisselwerking tussen het centrale zenuwstelsel (CZS) en de cardiovasculaire functie aanzienlijk hebben verbeterd, zijn deze neuroimaging-technieken duur, hebben ze een beperkte beschikbaarheid en zijn ze beperkt tot gecontroleerde laboratoriumomgevingen, wat hun bruikbaarheid voor real-world en grootschalige toepassingen beperkt.

EEG en ECG/PPG daarentegen zijn meer betaalbare en draagbare hulpmiddelen die het potentieel bieden voor het bestuderen van hersen-hartinteracties in meer diverse omgevingen en populaties of over langere perioden, wat nieuwe mogelijkheden biedt. ECG meet de elektrische signalen die door elke hartslag worden gegenereerd wanneer het hart samentrekt en ontspant via elektroden die op de huid worden geplaatst (meestal op de borst of armen)8. PPG meet veranderingen in het bloedvolume in de microvasculaire weefsels (d.w.z. bloedstroom en polsslag) met behulp van een lichtbron (bijv. LED) en een fotodetector (meestal geplaatst op een vingertop, pols of voorhoofd), afhankelijk van hoe bloed meer licht absorbeert dan het omringende weefsel9. Beide methoden bieden waardevolle informatie over de cardiovasculaire functie, maar dienen verschillende doelen en bieden verschillende gegevenstypen. Net als ECG registreert EEG de elektrische velden die worden gegenereerd door de gesynchroniseerde activiteit van duizenden corticale neuronen die zich voortplanten door de extracellulaire matrix, weefsels, schedel en hoofdhuid totdat ze de elektroden bereiken die op het oppervlak van de hoofdhuid zijn geplaatst. Als zodanig is het gebruik van EEG en ECG/PPG veelbelovend voor het bevorderen van ons begrip van de fysiologische, cognitieve en emotionele processen die ten grondslag liggen aan hersen-hartinteracties en hun implicaties voor de gezondheid en het welzijn van de mens. Daarom kan het vastleggen van de interactie tussen hart en hersenen van EEG, ECG/PPG-signalen met de BrainBeats-toolbox bijzonder nuttig zijn voor de volgende wetenschappelijke gebieden: klinische diagnostiek en voorspelling, big data machine learning (ML), real-world zelfmonitoring11 en mobiele beeldvorming van hersenen en lichamen (MoBI)12,13.

Twee benaderingen voor het gezamenlijk analyseren van EEG- en ECG-signalen
Er zijn twee belangrijke benaderingen voor het bestuderen van interacties tussen EEG en cardiovasculaire signalen:

De hartslag-opgewekte potentialen (HEP) in het tijddomein: gebeurtenisgerelateerde potentialen (ERP), en de hartslag-opgewekte oscillaties (HEO) in het tijd-frequentiedomein: gebeurtenisgerelateerde spectrale verstoringen (ERSP) en inter-trial coherentie (ITC). Deze benadering onderzoekt hoe de hersenen elke hartslag verwerken. Met een nauwkeurigheid van milliseconden (ms) vereist deze methode dat beide tijdreeksen perfect worden gesynchroniseerd en dat de hartslagen worden gemarkeerd in de EEG-signalen. Deze aanpak heeft de afgelopen jaren aan belangstelling gewonnen 14,15,16,17,18,19.

Op kenmerken gebaseerde benadering: deze benadering extraheert EEG- en hartslagvariabiliteitskenmerken (HRV) uit continue signalen en onderzoekt associaties daartussen. Dit is onafhankelijk gedaan voor EEG (vaak kwantitatief EEG of qEEG20 genoemd), ECG 21,22,23 en PPG 24,25,26. Deze aanpak biedt veelbelovende toepassingen door zowel toestands- als eigenschapsgerelateerde variabelen vast te leggen. Merk op dat, voor zowel EEG- als cardiovasculaire signalen, hoe langer de registratie, hoe dominanter de eigenschapsvariabele 27,28,29. De toepassingen zijn dus afhankelijk van de opnameparameters. Op kenmerken gebaseerde analyses krijgen steeds meer belangstelling en bieden nieuwe kwantitatieve maatstaven voor het voorspellen van de ontwikkeling van mentale en neurologische stoornissen, behandelingsrespons of terugval 30,31,32,33,34,35. Deze aanpak is vooral aantrekkelijk met grote en real-world datasets (bijv. kliniek, monitoring op afstand), die gemakkelijker kunnen worden verkregen dankzij de recente innovaties in draagbare neurotechnologie11. Een minder onderzochte toepassing is de identificatie van associaties tussen specifieke hersen- en hartkenmerken, waarbij de mogelijke onderliggende dynamiek van het centrale zenuwstelsel wordt benadrukt. Hartslagvariabiliteit (HRV) kan worden berekend op basis van zowel ECG- als PPG-signalen. Het geeft informatie over het autonome zenuwstelsel (ANS) door de variaties in tijdsintervallen tussen hartslagen te meten (d.w.z. de normaal-naar-normale intervallen)27. Verhoogde sympathische (SNS) activiteit (bijv. tijdens stress of inspanning) verlaagt doorgaans de HRV, terwijl parasympathische (PNS) activiteit (bijv. tijdens ontspanning) deze verhoogt. Een langzamere ademhaling verhoogt over het algemeen de HRV als gevolg van verhoogde PNS-activiteit, vooral voor korte opnames (<10 min)27. Hogere HRV-scores suggereren over het algemeen een veerkrachtiger en aanpasbaarder ANS, terwijl een lagere HRV kan duiden op stress, vermoeidheid of onderliggende gezondheidsproblemen. Lange HRV-opnames (d.w.z. ten minste 24 uur) bieden een voorspellende prognose voor verschillende gezondheidsproblemen, waaronder hart- en vaatziekten, stress, angst en sommige neurologische aandoeningen27. Metingen zoals bloeddruk, hartslag of cholesterolgehalte geven informatie over de status van het cardiovasculaire systeem. HRV daarentegen voegt een dynamisch aspect toe, dat laat zien hoe het hart reageert op en herstelt van stress.

De voordelen van BrainBeats ten opzichte van bestaande methoden
Hoewel er hulpmiddelen bestaan, zoals hieronder wordt besproken, om cardiovasculaire en EEG-signalen onafhankelijk van elkaar te verwerken, kunnen ze niet gezamenlijk worden geanalyseerd. Bovendien brengen de meeste beschikbare middelen voor de verwerking van cardiovasculaire signalen dure licenties met zich mee, staan ze geen geautomatiseerde verwerking toe (vooral gunstig voor grote datasets), hebben ze eigen algoritmen die transparantie en reproduceerbaarheid verhinderen, of vereisen ze geavanceerde programmeervaardigheden door geen grafische gebruikersinterface (GUI) te bieden36. Voor zover wij weten, ondersteunen vier open-source MATLAB-toolboxen HEP/HEO-analyse met een GUI: de ecg-kit toolbox37, de BeMoBIL-pipeline38, de HEPLAB EEGLAB-plugin39 en de CARE-rCortex-toolbox40. Hoewel HEPLAB, BeMoBIL en ecg-kit HEP-analyse vergemakkelijken door hartslagen te detecteren en deze in de EEG-signalen te markeren, bieden ze geen statistische analyse of zijn ze beperkt tot het tijddomein (d.w.z. HEP). De CARE-rCortex-plug-in pakte deze problemen aan door ECG- en ademhalingssignalen, tijd-frequentiedomeinanalyse, statistieken en geavanceerde baselinenormalisatie- en correctiemethoden te ondersteunen die zijn aangepast aan HEP/HEO-analyse. Het gebruikt echter de Bonferroni-methode voor statistische correctie van de type 1-fout (d.w.z. valse positieven), die te conservatief en niet fysiologisch verantwoord is voor EEG-toepassingen, wat leidt tot een toename van type II-fouten (d.w.z. vals-negatieven)41. Bovendien biedt de toolbox geen command-line toegang voor automatisering. Ten slotte raden recente studies af om basislijncorrectiemethoden 42,43,44 te gebruiken, omdat ze de signaal-ruisverhouding (SNR) verlagen en statistisch onnodig en ongewenst zijn.

Om deze beperkingen aan te pakken, introduceren we de BrainBeats-toolbox, die momenteel is geïmplementeerd als een open-source EEGLAB-plug-in in de MATLAB-omgeving. Het bevat de volgende voordelen ten opzichte van eerdere methoden:

1) Een gebruiksvriendelijke GUI en command-line mogelijkheden (voor programmeurs die geautomatiseerde verwerking willen uitvoeren). 2) Gevalideerde algoritmen, parameters en richtlijnen voor het verwerken van cardiovasculaire signalen, zoals het detecteren van R-pieken, het interpoleren van RR-artefacten en het berekenen van HRV-metrieken (bijv. Implantatierichtlijnen voor windowing, herbemonstering, normalisatie, enz.27,45,46). Dit is belangrijk omdat Vest et al. hebben aangetoond hoe bescheiden verschillen in deze verwerkingsstappen kunnen leiden tot uiteenlopende resultaten, wat bijdraagt aan het gebrek aan reproduceerbaarheid en klinische toepasbaarheid van HRV-metrieken46. 3) Gevalideerde algoritmen, standaardparameters en richtlijnen voor het verwerken van EEG-signalen, inclusief filtering en windowing44,47, herverwijzing naar48,49, verwijdering van abnormale kanalen en artefacten 50,51,52, geoptimaliseerde ICA-decompositie en classificatie van onafhankelijke componenten 53,54,55,56 . De gebruikers kunnen alle voorverwerkingsparameters verfijnen of zelfs hun EEG-gegevens voorbewerken met hun voorkeursmethode voordat ze de toolbox gebruiken om aan hun behoeften te voldoen (bijv. met EEGLAB clean_rawdata plugin50,52, de BeMoBIL-pijpleiding38, de PREP-pijpleiding57, enz.). 4) Hartslag-opgeroepen potentialen (HEP, d.w.z. tijddomein) en oscillaties (HEO; gebeurtenisgerelateerde spectrale verstoringen met wavelet- of FFT-methoden, en inter-trial coherentie zijn beschikbaar via de standaard EEGLAB-software) van ECG-signalen. Parametrische en niet-parametrische statistieken met correcties voor type 1-fouten zijn beschikbaar via de standaardsoftware van EEGLAB. Niet-parametrische statistieken omvatten permutatiestatistieken en spatiotemporele correcties voor meerdere vergelijkingen (bijv. spatiotemporele clustering of drempelvrije clusterverbetering)58,59. Gebruikers kunnen de LIMO-EEG-plug-in gebruiken om hiërarchische lineaire modellering te implementeren, die goed rekening houdt met variantie binnen en tussen proefpersonen en een aannamevrije massa-univariate benadering implementeert met robuuste controle voor type I- en II-fouten60,61. De statistische analyses van HEP/HEO-gegevens kunnen worden uitgevoerd in de kanaal- en onafhankelijke componentdomeinen. 5) HEP/HEO- en HRV-analyse van PPG-signalen (voor het eerst voor HEP/HEO). 6) Ondersteunt voor het eerst de gezamenlijke extractie van EEG- en HRV-kenmerken. 7) De toolbox biedt verschillende datavisualisaties om signalen te inspecteren bij verschillende noodzakelijke verwerkingsstappen en outputs op onderwerpniveau.

MethodeDetecteer R-pieken van ECGDetecteer R-golven van PPGHEP/HEOEEG- en HRV-functiesHartartefacten verwijderen uit EEGGrafische gebruikersinterfaceOpdrachtregel
ECG-kitXXXX
BeMoBILXXX
HEPLABXXXX
ZORG-rCortexXXXX
HersenklopjesXXXXXXX

TABEL 1: Nieuwigheden van BrainBeats ten opzichte van reeds bestaande, vergelijkbare methoden.

Informatie om lezers te helpen beslissen of de methode voor hen geschikt is
Deze toolbox is geschikt voor elke onderzoeker of clinicus met EEG- en ECG/PPG-gegevens. De plug-in biedt nog geen ondersteuning voor het importeren van EEG- en ECG/PPG-signalen uit afzonderlijke bestanden (hoewel deze functie binnenkort beschikbaar zal zijn). De toolbox is geschikt voor iedereen die HEP/HEO-analyse wil uitvoeren, EEG- en/of HRV-kenmerken wil extraheren met gestandaardiseerde methoden, of gewoon hartartefacten uit EEG-signalen wil verwijderen. Zie figuur 1 voor een blokdiagram met een samenvatting van de algehele flow en methoden van BrainBeats.

figure-introduction-1
FIGUUR 1. Blokdiagram dat de algehele architectuur en flow van BrainBeats samenvat. De bewerkingen die gebruikelijk zijn bij de drie methoden zijn bruin. Bewerkingen die specifiek zijn voor hartslag-evoked potentials (HEP) en oscillaties (HEO) zijn groen. Bewerkingen die specifiek zijn voor de extractie van EEG- en HRV-kenmerken zijn blauw. Operaties die specifiek zijn voor het verwijderen van hartartefacten uit de EEG-signalen zijn rood. Klik hier om een grotere versie van deze figuur te bekijken.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

Van elke deelnemer werd geïnformeerde toestemming verkregen en de ethische commissie van de Oeral Federale Universiteit keurde het experimentele protocol goed.

1. Vereisten voor BrainBeats

  1. Installeer MATLAB en EEGLAB op de computer. EEGLAB kan overal op de computer worden gedownload en https://github.com/sccn/eeglab worden uitgepakt (of gekloond voor Git-gebruikers). Zie de GitHub-pagina voor meer informatie over de installatie.
  2. Voeg het pad toe aan de EEGLAB-map in het startpaneel van MATLAB door op de knop Pad instellen te klikken. Selecteer de eeglab-map met het uitgepakte bestand en klik op Opslaan > Sluiten.
  3. Start EEGLAB door eeglab te typen in het opdrachtvenster van MATLAB.
  4. Installeer de BrainBeats-plug-in door te klikken op Bestand > EEGLAB-extensies beheren. Typ brainbeats in de zoekbalk, selecteer de BrainBeats-plug-in in de lijst en klik op Installeren/Bijwerken.
  5. Laad de voorbeelddataset in EEGLAB. Klik op Bestand > Bestaande gegevens laden. Navigeer naar de EEGLAB-map, ga naar de plugins-map, ga naar de BrainBeats-map en open de sample_data-map. Selecteer het bestand dataset.set.
    OPMERKING: Deze dataset komt overeen met sub-032 (rusttoestand met geopende ogen) van een open-source dataset met meerdere onderwerpen 62,63. Dit werd gekozen omdat het gelijktijdig EEG (64 kanalen), ECG (één kanaal) en PPG (één kanaal) bevat, met een bemonsteringsfrequentie van 1000 Hz. ECG- en PPG-signalen werden verzameld met behulp van de aux-ingangen van het actiCHamp-systeem. EEG-gegevens werden geregistreerd met actieve elektroden geplaatst volgens het 10-20-systeem, met FCz als de online referentie en Fpz als de massa-elektrode, en met de impedantie onder 25 kOm gehouden. ECG werd geregistreerd met behulp van één actieve elektrode die op de rechterpols werd geplaatst, de referentie-elektrode op de linkerpols en de aarde op de linker binnenste onderarm op 3 cm afstand van de elleboog. PPG werd geregistreerd vanaf de linker wijsvinger. EEG-, ECG- en PPG-gegevens zijn tijdgesynchroniseerd omdat ze gelijktijdig met dezelfde versterker zijn opgenomen. Zie referenties 62,63 voor meer details.
  6. Vink het selectievakje Uitvoer opslaan aan om alles in het bijbehorende .set-bestand op dezelfde locatie op te slaan als het originele bestand dat in EEGLAB is geladen.
    OPMERKING: Voor deze zelfstudie hebben we de EEG-, ECG- en PPG-gegevens samengevoegd tot één EEGLAB-dataset, de elektrodecoördinaten van de 3D-grenselementmethode (BEM) geladen en het signaal gedownsampled naar 250 Hz om het bestandsgewicht te verminderen (voor gebruikersdownload) en de rekentijd te versnellen. Omdat deze dataset geen abnormaal EEG-kanaal had, hebben we kanaal TP9 kunstmatig aangepast om het algoritme voor het detecteren en verwijderen van slechte kanalen van BrainBeats te illustreren. Op dezelfde manier simuleren we kunstmatig een groot EEG-artefact aan het begin van het bestand en een hoogfrequent spierachtig artefact in de temporele kanalen van 3-6 s om de functie voor het verwijderen van artefacten van BrainBeats te illustreren.

2. Hartslag-opgeroepen potentialen (HEP) en oscillaties (HEO)

  1. Open de eerste algemene gebruikersinterface (GUI) van BrainBeats om de belangrijkste parameters te selecteren. Klik in EEGLAB op Tools > BrainBeats > 1e niveau (onderwerpniveau). Selecteer Heartbeat-evoked potentials HEP als de uit te voeren analyse, ECG als het hartgegevenstype en klik op de knop om de lijst met kanalen weer te geven om het ECG-kanaal met het label ECG te selecteren (of typ het rechtstreeks in het tekstvak). Houd de opties Uitvoer visualiseren (aanbevolen) en Uitvoer opslaan geselecteerd en klik op Ok.
  2. Er verschijnt een tweede GUI-venster op basis van de vorige keuzes (d.w.z. HEP-analyse met ECG-gegevens). Selecteer voorbewerkingsparameters voor zowel EEG- als ECG-signalen. Schakel voorverwerking uit door de vakjes ECG voorbewerken en EEG voorverwerken uit te schakelen om te zien of de gegevens al zijn voorbewerkt voordat BrainBeats wordt gestart. Wijzig de ruis van de hoogspanningslijn in 50 Hz in de sectie EEG voorproces , aangezien deze EEG-gegevens in Rusland zijn opgenomen. Klik op OK om te starten.
  3. Er verschijnt een waarschuwingsbericht waarin om bevestiging wordt gevraagd om het gedetecteerde PPG-kanaal te verwijderen. Dit komt omdat de toolbox niet is ontworpen om zowel ECG als PPG tegelijkertijd (of andere hulpkanalen) te analyseren en het bewaren ervan in de dataset zal leiden tot ernstige fouten (bijv. verwijdering van artefacten, slechte ICA-decompositie, enz.). Klik op Ja. BrainBeats begint met het uitvoeren van enkele controles, het instellen van enkele standaardparameters en scheidt het ECG van de EEG-gegevens om het ECG-signaal voor te verwerken en de RR-intervallen te berekenen.
  4. ECG- en RR-tijdreeksen worden voorverwerkt met behulp van gevalideerde algoritmen uit de Physionet Cardiovascular Signal toolbox46,64 die zijn aangepast om te passen bij de gegevensopmaak van BrainBeats, de helderheid te vergroten, parameterafstemming en rekentijd te berekenen (zie referenties voor validatie van de algoritmen). De plug-in voert de RR-intervallen, tijdstempels, gefilterd ECG-signaal, R-piekindices en hartslag (HR) uit. Stem deze parameters af via de GUI of command line.
    OPMERKING: Het ECG-signaal wordt bandpass-gefilterd met behulp van een aangepast, gevalideerd filter (1-30 Hz) en scant het signaal om het QRS-complex en R-pieken te identificeren met behulp van de Pan-Tompkins (P&T) methode65, waarbij enkele signaalverwerkingsbewerkingen worden geïmplementeerd, waaronder differentiatie, kwadratuur, integratie en afvlakking voor de beste prestaties. De P&T-energiedrempel wordt geschat op basis van de bemonsteringsfrequentie en de afgevlakte ECG-waarden om verstoring door grote hobbels te voorkomen. Als de variabiliteit van het RR-interval groter is dan 1,5 keer de mediaan, wordt er gezocht naar gemiste pieken. Het gemiddelde R-piekteken wordt berekend over segmenten van 30 s en piekpunten worden verfijnd door middel van een refractaire periodecontrole, waarbij flatline-omstandigheden worden beheerd en een consistente detectie wordt gegarandeerd.
  5. Vervolgens identificeert BrainBeats abnormale RR-intervallen of pieken binnen RR-intervallen met behulp van een voorwaarts-achterwaartse zoekopdracht en fysiologische drempels. De signaalkwaliteitsindex (SQI) wordt berekend46; controleer dit als het systeem waarschuwingen weergeeft waarbij meer dan 20% van de RR-tijdreeks RR-artefacten bevat (buiten de fysiologische limieten of met een SQI van minder dan 0,9). Een grafiek toont het gefilterde ECG-signaal, geïdentificeerde R-pieken, NN-intervallen en geïnterpoleerde artefacten (zie figuur 2).
    OPMERKING: De RR-artefacten worden standaard geïnterpoleerd met behulp van de vormbehoudende stuksgewijze kubusmethode om de normaal-naar-normaal (NN) intervallen te verkrijgen, maar verwijder ze (niet aanbevolen) of gebruik een andere interpolatiemethode (lineair, kubusvormig, dichtstbijzijnde buur, vorige/volgende buur, spline, kubische convolutie of gewijzigde Akima-kubus) indien nodig. Als er meerdere ECG-kanalen aanwezig zijn, worden de RR-intervallen voor elk kanaal geschat en wordt het kanaal met het minste aantal RR-artefacten geselecteerd voor de volgende stappen.
  6. Blader door de ingezoomde vensters van 30 s van de R-pieken voor nadere inspectie door op de pijlen rechts/links te drukken. Als de gegevens meerdere ECG/PPG-kanalen bevatten, gebruik dan het kanaal met de beste signaalkwaliteitsindex voor de RR-intervallen. BrainBeats ondersteunt op dit moment niet zowel ECG- als PPG-signalen tegelijkertijd. Voor zelfstudiedoeleinden hebben we een voorbeeldgegevensset gekozen die beide gegevenstypen bevat.
  7. Eenmaal klaar met het ECG-signaal, filtert de BrainBeats-bandpass de EEG-gegevens op 1-40 Hz met behulp van een niet-lineair causaal minimumfase FIR-filter standaard om smearing-activiteit tussen pre- en post-hartslagperioden te verminderen, causaliteit te behouden en ongewenste groepsvertragingen te voorkomen44. Dit is vooral belangrijk voor gebruikers die de pre-hartslagperiode onderzoeken. Als het laagdoorlaatfilter is ingesteld op een waarde boven de frequentie van de hoogspanningslijn (bijv. 80 Hz laagdoorlaatfilter met een hoogspanningsfrequentie van 50 Hz), gebruikt u een scherp inkepingfilter om het lijnruisartefact te verwijderen. De EEG-gegevens worden vervolgens opnieuw verwezen naar oneindig met behulp van het REST-algoritme (het meest geschikt voor HEP-analyse49), tenzij er minder dan 30 kanalen worden gedetecteerd (in welk geval ze niet op betrouwbare wijze opnieuw kunnen worden verwezen en er een waarschuwing wordt gegenereerd om gebruikers hiervan op de hoogte te stellen).
  8. BrainBeats detecteert, verwijdert en interpoleert vervolgens abnormale EEG-kanalen (Figuur 3). Controleer of de standaardparameters vlakke lijnen zijn die groter zijn dan 5 s (clean_flatlines-algoritme), een maximale standaarddeviatie voor hoogfrequente ruis van 10, een vensterlengte van 5 s (om langzame frequentieartefacten beter vast te leggen52), een minimale correlatie tussen aangrenzende kanalen van .65 en een maximaal getolereerd deel van 33% (clean_channels algoritme).
    OPMERKING: Het aantal RANSAC-samples is standaard ingesteld op 500 om de convergentie en reproduceerbaarheid van slechte kanaalafwijzing te vergroten (hoewel het de rekentijd verlengt).
  9. Voeg vervolgens R-pieken in als gebeurtenismarkeringen in de EEG-gegevens om elke hartslag te markeren en segmenteer de gegevens rond deze markers zonder verwijdering van de basislijn (volgens richtlijnen43,66; Figuur 4). Aangezien NN-intervallen verschillende lengtes hebben en EEG op een constante lengte moet worden gesegmenteerd, schat je de minimale grenswaarde van de epochgrootte na R-piekgebeurtenissen met behulp van het 5e percentiel van de interbeat-interval (IBI)-gegevens (d.w.z. de waarde waaronder 5% van de kortste IBI's vallen, weergegeven als een gestippelde rode lijn op een histogram; zie figuur 5).
    OPMERKING: Deze waarde van het 5e percentiel is een goed compromis om zoveel mogelijk epochs te behouden en er tegelijkertijd voor te zorgen dat ze niet te kort zijn, aangezien de periode van interesse voor HEP/HEO-analyse 200-600 ms na hartslag49,67 is.
  10. Segmenteer EEG-gegevens van -300 ms vóór de R-pieken tot de 5e percentielwaarde na de R-piek, met de R-piek op tijdstip 0. Verwerp epochs korter dan 550 ms of met meer dan één R-piek (wat de ERP/ERSP zou beïnvloeden), volgens richtlijnen49,67. Tijdperken met grote EEG-artefacten worden gedetecteerd met behulp van root-mean-square (RMS) en signaal-ruisverhouding (SNR) metrieken en de isoutlier-functie van MATLAB (Figuur 6). Artificiële tijdperken worden verwijderd.
  11. Voer blinde bronscheiding uit met behulp van het standaard Infomax-algoritme, waarbij u rekening houdt met de gegevensrangschikking voor de beste prestaties53. Kies desgewenst voor het PICARD-algoritme (preconditioned independent component analysis) voor snelle berekening54,54 door te kiezen voor de optie Picard (snel) of het aangepaste Infomax-algoritme door de optie Modified Infomax (lang maar repliceerbaar) te kiezen voor de ICA-methode in het veld (hoewel dit veel langere rekentijden met zich meebrengt). Gebruik de ICLabel-plug-in56 om IC's automatisch te classificeren om niet-hersenartefacten te extraheren (oculaire componenten worden met 90% zekerheid verwijderd, terwijl spier-, lijnruis en kanaalruis met 99% zekerheid worden verwijderd; Figuur 7).
  12. Houd de optie Uitvoer visualiseren geselecteerd in het eerste GUI-venster om de uiteindelijke EEG-tijdreeks, de grote gemiddelde HEP (Figuur 8 boven), HEP voor elke hartslag (Figuur 8 onder) en de grote gemiddelde hartslag-opgewekte oscillaties (HEO; Figuur 9). Onderzoek HEO's in termen van gebeurtenisgerelateerde spectrale verstoring (ERSP, d.w.z. veranderingen in EEG-vermogen over hartslagen; Figuur 9 boven) en inter-trial fase coherentie (ITC, d.w.z. consistentie van de fasehoek over hartslagen; Figuur 9 onderaan).
    OPMERKING: ERSP wordt berekend met behulp van een standaard wavelet van 3 cycli (met een Hanning-taps toelopend venster, padverhouding van 2) en met het aantal cycli in de wavelets dat wordt gebruikt voor hogere frequenties dat langzaam toeneemt tot 20% van het aantal cycli in het equivalente FFT-venster bij de hoogste frequentie (1 min 0,8). Hiermee worden de vormen van de afzonderlijke vensters bepaald, gemeten door de functie, en hun vormen in de resulterende tijd-/frequentievensters. Een willekeurige basislijn wordt ter illustratie verwijderd en ERSP wordt berekend voor frequenties van 7-25 Hz om het typische HEO-effect vast te leggen dat in de literatuur wordt beschreven, namelijk 300-450 ms na de hartslag in de alfaband (8-13 Hz) over frontocentrale elektroden17,67. Lagere frequenties kunnen niet worden geschat vanwege de korte epoch-grootte die wordt gedefinieerd door de interbeat-intervallen. Niet-parametrische (permutatie) statistieken worden toegepast om de HEO te visualiseren voor een p-waarde van 0,05, gecorrigeerd voor false discovery rate (FDR, d.w.z. type 1-fout of familiegewijze fout). Deze plots worden gegenereerd voor zelfstudiedoeleinden of analyse van afzonderlijke proeven.
  13. Er worden voorbewerkingsplots gegenereerd om de verschillende stappen te visualiseren. Als u deze functie wilt uitschakelen, schakelt u het vakje Voorbewerkingen visualiseren uit. De uiteindelijke EEG-gegevens (opgeschoond en gesegmenteerd rond de R-pieken) bevatten de ECG-gegevens niet, omdat dit de ERP/ERSP-analyse zou beïnvloeden. Om het hartkanaal in de uiteindelijke uitvoer te behouden, vinkt u het vakje Hartkanaal behouden aan.
    OPMERKING: Pauzeer hier indien nodig voordat u het volgende bestand (volgende voorwaarde of deelnemer) verwerkt.
  14. BrainBeats ondersteunt de geschiedenisfunctie van EEGLAB. Typ aan het einde van alle bewerkingen eegh in het opdrachtvenster van MATLAB om de opdrachtregel af te drukken om alle bovenstaande stappen te herhalen via een enkele opdrachtregel, met de parameters die handmatig in de GUI zijn geselecteerd, waardoor eenvoudige automatisering mogelijk is. Vind voorbewerkingsoutputs (bijv. signaalkwaliteitsindex van de cardiovasculaire tijdreeksen, NN-intervallen, verwijderde EEG-kanalen, segmenten en componenten, enz.) in de EEGLAB-structuur: EEG.brainbeats.preprocessings. Alle parameters worden ook geëxporteerd in EEG.brainbeats.parameters.
  15. Voor gevorderde gebruikers, voer alle bovenstaande stappen uit met standaardparameters met de volgende opdrachtregels (zie het tutorial-script in de BrainBeats-repository voor meer opties):
    eeglab; sluiten; % Start EEGLAB zonder de GUI
    main_path = bestanddelen(welke('eegplugin_BrainBeats.m')); cd(main_path);
    EEG = pop_loadset('bestandsnaam','dataset.set',
    'filepath',fullfile(main_path, 'sample_data')); %Laad de voorbeeldgegevensset
    EEG = brainbeats_process(EEG,'analyse',
    'hep', 'heart_signal', 'ECG', 'heart_channels',
    {'ECG'},'clean_eeg', true); % Start BrainBeats 1st level om het bestand te verwerken voor HEP-analyse met standaardparameters
  16. De bovenstaande stappen voerden HEP/HEO uit op basis van het ECG-signaal. Gebruik de volgende stappen voor het PPG-signaal.
  17. Voer in de volgende stappen dezelfde bewerkingen uit, maar met behulp van een PPG-signaal. Laad dezelfde dataset opnieuw (zie stap 1.5) omdat de vorige bewerkingen deze hebben overschreven, en open de eerste GUI van BrainBeats opnieuw om de belangrijkste parameters te selecteren. Klik op Tools > BrainBeats > niveau 1 (onderwerpniveau). Selecteer Heartbeat-evoked potentials (HEP) als de uit te voeren analyse, PPG als het hartgegevenstype en klik op de knop om de lijst met kanalen weer te geven om het PPG-kanaal te selecteren. Houd de opties Uitvoer visualiseren (aanbevolen) en Uitvoer opslaan geselecteerd en klik op OK.
  18. Het tweede GUI-venster verschijnt op een manier die vergelijkbaar is met stap 2.2 . Het enige verschil is dat we nu de parameter kunnen verfijnen om het PPG-signaal te verwerken in plaats van het ECG-signaal. Klik op OK om de standaardparameters uit te voeren.
  19. Er verschijnt een waarschuwingsbericht waarin om bevestiging wordt gevraagd om het extra ECG-kanaal dat is gedetecteerd te verwijderen. Nogmaals, dit is te verwachten. Klik op Ja. Standaard zal de toolbox het PPG-signaal voorverwerken, de pulsgolven detecteren om de RR-intervallen te verkrijgen, RR-artefacten identificeren, indien aanwezig, en deze interpoleren (Figuur 10). Stappen 2.7. tot en met 2.12. worden uitgevoerd en dezelfde grafieken en outputs worden gegenereerd, maar op basis van de R-golven die worden gedetecteerd door het PPG-signaal (zie figuur 11 en figuur 12).
    OPMERKING: R-golven worden gedetecteerd met behulp van de helling van het signaal binnen een gespecificeerd venster. Potentiaalpulsen worden dan gemarkeerd wanneer de helling een dynamische drempel overschrijdt, die wordt aangepast op basis van de detectiegeschiedenis en signaalkarakteristieken. Het algoritme zoekt vervolgens binnen een oogsluitingsperiode om de maximale helling te bepalen, en vervolgens wordt het begin van de pulsgolf bepaald door middel van drempels. De pieken van de R-golf worden geïdentificeerd als de valleien in de buurt van het begin en hun locaties worden geregistreerd. Het algoritme doorloopt het hele signaal, past continu de detectiedrempels aan en identificeert R-golfpieken, die vervolgens worden gebruikt om de RR-intervallen te berekenen.
  20. Voor gevorderde gebruikers, voer alle bovenstaande stappen uit met standaardparameters met de volgende opdrachtregels (zie het tutorial-script in de BrainBeats-repository voor meer opties):
    eeglab; sluiten; % Start EEGLAB zonder de GUI
    main_path = fileparts(welke('eegplugin_
    BrainBeats.m')); cd(main_path);
    EEG = pop_loadset('bestandsnaam','dataset.set',
    'filepath',fullfile(main_path, 'sample_data')); %Laad de voorbeeldgegevensset
    EEG = brainbeats_process(EEG,'analyse',
    'hep', 'heart_signal', 'PPG', 'heart_channels',
    {'PPG'},'clean_eeg', waar); % Start BrainBeats 1st level om het bestand te verwerken voor HEP-analyse met standaardparameters

3. EEG- en HRV-kenmerken extraheren

  1. Laad dezelfde dataset opnieuw (zie stap 1.5; Klik op Bestand > Bestaande gegevensset laden > Selecteer dataset.set) omdat deze is overschreven door de vorige bewerkingen en open de hoofd-GUI opnieuw om de belangrijkste parameters te selecteren (stap 2.1; Klik op Tools > BrainBeats > 1e niveau). Selecteer EEG- en HRV-kenmerken extraheren voor het analysetype, ECG voor het hartsignaaltype en selecteer ECG in de lijst met elektrodelabels. Klik op OK.
  2. Het tweede GUI-venster verschijnt zoals in stap 2.2, maar met verschillende parameters voor EEG-voorverwerking en het extraheren van HRV- en EEG-functies. Stel deze parameters in zoals hieronder beschreven. Klik op OK om te starten met standaardparameters.
    1. Klik in de HRV-sectie op de knop freq. opties om de methode te selecteren voor het berekenen van het HRV-vermogen (standaard ingesteld op genormaliseerd Lomb-Scargle-periodogram), de vensteroverlapping (standaard ingesteld op 25%) en voor het uitvoeren van een normalisatie op het tweede niveau (standaard uitgeschakeld; zie opmerking hieronder voor meer details).
    2. Klik in het gedeelte met EEG-functies op de knop freq. opties om enkele parameters te verfijnen, zoals het totale frequentiebereik waarop de spectrale vermogensdichtheid (PSD; standaard = 1-40 Hz) moet worden berekend), de eenheden (decibel, μV2/Hz, of genormaliseerd door totaal vermogen), het venstertype (standaard = hamming), de vensteroverlapping (standaard = 50%), de vensterlengte (standaard = 2 s), en de soorten frequentiegrenzen voor elke band.
      OPMERKING: Het HRV-vermogen wordt standaard berekend met behulp van het genormaliseerde Lomb-Scargle-periodogram, dat geen hersampling vereist (waardoor de originele informatie beter behouden blijft) en het beste omgaat met niet-uniform bemonsterde gegevens, ontbrekende gegevens en ruis (typisch met NN-intervallen)68. De genormaliseerde versie schaalt het vermogen op basis van de variantie van het signaal, wat resultaten oplevert die minder gevoelig zijn voor variërende ruisniveaus, meer gericht zijn op de relatieve sterkte van periodieke componenten en meer vergelijkbaar zijn tussen verschillende opnamen of onderwerpen. Andere beschikbare methoden zijn het niet-genormaliseerde Lomb-Scargle-periodogram, de Welch-methode en de Fast Fourier Transform (FFT). Resampling wordt automatisch uitgevoerd voor de Welch- en FFT-methoden om de benodigde regelmatig bemonsterde tijdreeksen te creëren. Een normalisatie op het tweede niveau kan worden toegepast door het vermogen van elke frequentieband te delen door het totale vermogen, wat een meer intuïtieve meting biedt van de relatieve bijdrage van elke frequentiecomponent aan het totale vermogen. Het is standaard uitgeschakeld omdat het alleen zinvol is als alle vier de banden beschikbaar zijn en ten minste 24 uur signaal nodig zijn. Deze algoritmen zijn aangepast van de Physionet Cardiovasculaire signaalverwerkingstoolbox46.
  3. Hetzelfde waarschuwingsbericht verschijnt, waarin om bevestiging wordt gevraagd om het extra PPG-kanaal dat is gedetecteerd te verwijderen. Nogmaals, dit is te verwachten. Klik op Ja. BrainBeats begint met het voorverwerken van de ECG-gegevens en het identiek extraheren van de NN-intervallen, zoals in stap 2.4. Vervolgens extraheert het hartslagvariabiliteitskenmerken (HRV) uit de NN-intervallen in de tijd (SDNN, RMSSD, pNN50), frequentie (ULF, VLF, LF, HF, LF:HF-verhouding, totaal vermogen) en niet-lineaire (Poincaré, fase-gecorrigeerde signaalgemiddelde, fuzzy entropie en fractale dimensie) domeinen.
    OPMERKING: BrainBeats controleert automatisch de bestandslengte om er zeker van te zijn dat aan de minimumvereisten wordt voldaan (bijv. ULF-HRV-voeding vereist 24 uur aan gegevens), stuurt waarschuwingsberichten als dit niet het geval is, en exporteert deze functies niet om onbetrouwbare schattingen te voorkomen. BrainBeats volgt richtlijnen en aanbevelingen voor het schatten van HRV-statistieken27,45.
  4. BrainBeats verwerkt de EEG-gegevens voor zoals in stap 2.7. (zie figuur 3). Grote artefacten worden automatisch gedetecteerd in de continue gegevens met behulp van het ASR-algoritme (Artifact Subspace Construction)50,52 (standaard SD-criterium ingesteld op 30 en 80% van het beschikbare RAM-geheugen gebruikt om de snelheid te verhogen). Deze grote artefacten worden uit de EEG-gegevens verwijderd (zie figuur 13). Als u deze parameters in de GUI wilt aanpassen, selecteert u de velden Drempel om slechte segmenten met ASR te weigeren en Beschikbaar RAM om te gebruiken voor ASR.
    OPMERKING: De EEG- en cardiovasculaire tijdreeksen hoeven niet te worden gesynchroniseerd voor de functiemodus, aangezien de kenmerken op elk signaal afzonderlijk worden geschat. EEG-artefacten kunnen dus rechtstreeks uit de EEG-gegevens worden verwijderd (in rood, figuur 13), in tegenstelling tot de HEP-modus, waar epochs met artefacten voor beide tijdreeksen werden afgewezen omdat tijdsynchronisatie met ms-nauwkeurigheid essentieel is voor die methode.
  5. Voer ICA uit met behulp van dezelfde algoritmen en parameters als voor HEP (zie stap 2.11.), behalve dat deze keer de hartcomponenten worden verwijderd als ze met 99% zekerheid worden gedetecteerd (ze werden bewaard voor HEP/HEO omdat we geen relevante hartgerelateerde signalen willen verwijderen).
  6. Het vakje Frequentiedomein is aangevinkt in stap 3.2., dus BrainBeats extraheert de volgende kenmerken van het frequentiedomein: de gemiddelde spectrale vermogensdichtheid (PSD) voor de delta (1-3 Hz), theta (3-7 Hz), alfa (8-13 Hz), bèta (13-30 Hz) en gamma (30+ Hz) frequentiebanden, de individuele alfafrequentie (IAF) en alfa-asymmetrie op alle beschikbare (symmetrische) elektrodeparen. Controleer deze functies.
    OPMERKING: PSD omgerekend naar decibel (dB) vergemakkelijkt de vergelijking van resultaten tussen opnames en onderwerpen. De frequentiegrenzen kunnen worden ingesteld op de conventionele grenzen (bijv. vooraf gedefinieerde 8-13 Hz voor de alfaband) of op de geïndividualiseerde grenzen, die worden gedetecteerd uit de verdeling van de spectrale vermogensdichtheid om rekening te houden met interindividuele verschillen69 (bijv. 7,3-12,6 Hz voor de alfaband). Het algoritme is ontworpen voor de alfaband en presteert niet zo goed voor andere banden, vooral wanneer er geen pieken aanwezig zijn in de spectrale vermogensverdeling. De individuele alfafrequentie (IAF) wordt geschat aan de hand van het alfazwaartepunt om beter om te gaan met gesplitste pieken of dubbelzinnige pieken69. Alfa-asymmetrie wordt berekend volgens richtlijnen (2-s hamming-venster met 50% overlap, de logaritme van de alfamacht van het linkerkanaal minus de logaritme van de alfamacht van het rechterkanaal)47. Positieve waarden duiden dus op een groter links-dan-rechts alfavermogen en vice versa. Alfa-asymmetrie kan worden genormaliseerd door het alfavermogen van elke elektrode te delen door het alfavermogen dat over alle elektroden wordt opgeteld47. De symmetrische paren worden verkregen met behulp van thèta-afstanden, waarbij de EEG-gegevens elektrodecoördinaten moeten bevatten.
  7. Het vakje Niet-lineair domein is aangevinkt in stap 3.2., BrainBeats extraheert de fuzzy entropie en de fractale dimensie voor elk EEG-kanaal.
    OPMERKING: Functies van het niet-lineaire domein worden verondersteld niet-lineaire, complexe dynamiek van de hersenen vast te leggen die wordt gemist door spectrale metingen en die bijzonder veelbelovend zijn voor het onderzoeken van interacties tussen verschillende lichaamssystemen 70,71,72. Fuzzy entropie is betrouwbaarder en robuuster dan zijn alternatieven (steekproef en benaderende entropie), maar vereist langere rekentijden (vooral bij lange EEG-tijdreeksen met hoge bemonsteringsfrequenties). Om dit probleem aan te pakken, wanneer EEG-signalen langer zijn dan 2 minuten met een bemonsteringsfrequentie van meer dan 100 Hz, worden ze automatisch gedownsampled (of gedecimeerd wanneer de factor geen geheel getal is) tot 90 Hz (d.w.z. overeenkomend met een Nyquist-frequentie van 45 Hz, om overeen te komen met het standaard laagdoorlaatfilter en lijnruisartefacten zoveel mogelijk te vermijden). Bovendien is parallel computing standaard geactiveerd bij het schatten van EEG-functies, wat de rekentijd verkort, vooral wanneer er veel EEG-kanalen beschikbaar zijn.
  8. Selecteer Uitvoer visualiseren in de eerste GUI (zie stap 3.1.) om een grafiek te genereren die de spectrale vermogensdichtheid (PSD) voor HRV- en EEG-gegevens weergeeft (Figuur 14) samen met hoofdhuidtopografieën die enkele EEG-kenmerken weergeven (Figuur 15).
    OPMERKING: U kunt ook enkele voorverwerkingsuitgangen vinden in EEG.brainbeats.preprocessing en alle parameters die worden gebruikt in EEG.brainbeats.parameters. We moedigen gebruikers aan om deze resultaten te rapporteren in wetenschappelijke publicaties om de reproduceerbaarheid van bevindingen te vergroten.
  9. Houd het vakje Uitvoer opslaan aangevinkt in het eerste GUI-venster om alle functies op te slaan die zijn geëxporteerd naar het EEGLAB .set-bestand in EEG.brainbeats.features en sla ze op in een .mat-bestand in dezelfde map waarin de dataset is geladen.
  10. BrainBeats ondersteunt de geschiedenisfunctie van EEGLAB. Typ aan het einde van alle bewerkingen eegh in het opdrachtvenster van MATLAB om de opdrachtregel af te drukkenwaarmee u alle bovenstaande stappen kunt herhalen via een enkele opdrachtregel, met de parameters die handmatig in de GUI zijn geselecteerd, waardoor eenvoudige automatisering en replicatie van de bewerkingen mogelijk is.
  11. Voor gevorderde gebruikers voert u alle bovenstaande stappen uit met de volgende opdracht:
    eeglab; sluiten; % Start EEGLAB zonder de GUI
    main_path = bestanddelen(welke('eegplugin_BrainBeats.m')); cd(main_path);
    EEG = pop_loadset('bestandsnaam','dataset.set',
    'filepath',fullfile(main_path, 'sample_data')); % Laad de voorbeeldgegevensset
    EEG = brainbeats_process(EEG', analyse',
    'kenmerken', 'heart_signal', 'ECG', 'heart_channels', {'ECG'},'clean_eeg', true);
  12. In de vorige stappen zijn HRV-kenmerken uit het ECG-signaal geëxtraheerd. Gebruik de volgende stappen om HRV-kenmerken uit het PPG-signaal te extraheren (EEG-kenmerken zijn hetzelfde).
  13. Laad dezelfde gegevensset opnieuw (stap 1.5.) omdat deze is overschreven door de bewerkingen en open de hoofd-GUI opnieuw (stap 2.5.). Selecteer Extract EEG & HRV-kenmerken voor de analyse en selecteer PPG voor het hartsignaaltype en PPG voor de kanaalnaam. Klik op OK.
  14. Het 2e GUI-venster toont nu de parameters voor het voorbewerken van PPG en voor het extraheren van de HRV- en EEG-functies. Klik op OK om de standaardparameters uit te voeren. De parameters worden beschreven in stap 2.17.
  15. Er verschijnt een waarschuwingsbericht waarin om bevestiging wordt gevraagd om het gedetecteerde ECG-kanaal te verwijderen. Dit is te verwachten, aangezien de toolbox niet is ontworpen om zowel ECG als PPG (of andere hulpkanalen) tegelijkertijd te analyseren en het bewaren ervan in de dataset zal leiden tot ernstige fouten (bijv. verwijdering van artefacten, slechte ICA-decompositie, enz.). Klik op Ja.
  16. BrainBeats verwerkt het PPG-signaal voor en schat de NN-intervallen zoals in stap 2.5. Controleer de geëxtraheerde HRV-kenmerken van de NN-intervallen, hetzelfde als in stap 3.2 . behalve dat de NN-intervallen nu zijn verkregen uit het PPG-signaal. De EEG-signalen worden voorbewerkt zoals in stap 3.2. BrainBeats zet de PSD in kaart (Figuur 16). Het enige verschil hier is de PSD geschat op basis van de NN-intervallen verkregen uit de PPG in tegenstelling tot ECG.
  17. Voor gevorderde gebruikers voert u alle bovenstaande stappen uit met de volgende opdracht:
    eeglab; sluiten; % Start EEGLAB zonder de GUI
    main_path = bestanddelen(welke('eegplugin_BrainBeats.m')); cd(main_path);
    EEG = pop_loadset('bestandsnaam','dataset.set','bestandspad',
    fullfile(main_path, 'sample_data')); %Laad de voorbeeldgegevensset
    EEG = brainbeats_process(EEG,'analyse',
    'functies', 'heart_signal', 'PPG', 'heart_channels', {'PPG'},'clean_eeg', waar);

4. Extraheer hartartefacten uit EEG-signalen.

  1. Laad de voorbeeldgegevensset (zie stap 1.5.).
  2. Open het hoofdvenster van de GUI door te klikken op Tools > BrainBeats > niveau 1 (onderwerpniveau) en selecteer Hartartefacten extraheren uit EEG-signalen voor het analysetype, ECG voor hartsignaaltype en selecteer ECG in de lijst met elektrodelabels. Klik op OK.
  3. Het 2e GUI-venster toont de parameters voor voorbewerking. Stel de ruis van de voedingslijn in op 50 Hz (Europa), bewerk indien nodig het betrouwbaarheidsniveau, vink het vakje Boost-modus (bèta) aan en klik op OK om met de standaardparameters te werken, aangezien de EEG-signalen van de voorbeeldgegevensset niet zijn voorbewerkt.
    OPMERKING: het betrouwbaarheidsniveau voor het detecteren van hartcomponenten is standaard ingesteld op 80%, wat voor sommige datasets te laag of te hoog kan zijn. Het verhogen van deze waarde vergroot de kans op het detecteren van hartcomponenten, maar vermindert de betrouwbaarheid van die detectie. De Boost-modus (bèta) is optioneel en heeft tot doel de classificatieprestaties te verbeteren door het hartsignaal in de EEG-signalen te smeren.
  4. Er verschijnt een waarschuwingsbericht waarin om bevestiging wordt gevraagd om het extra PPG-kanaal dat is gedetecteerd te verwijderen. Dit is te verwachten, aangezien de toolbox niet is ontworpen om zowel ECG als PPG (of andere hulpkanalen) tegelijkertijd te analyseren en het bewaren ervan in de dataset zal leiden tot ernstige fouten (bijv. verwijdering van artefacten, slechte ICA-decompositie, enz.). Klik op Ja.
  5. Het ECG-signaal is bandpass-gefilterd om langzame frequentieafwijkingen onder 1 Hz en hoogfrequente ruis boven 20 Hz te verwijderen (met een niet-causaal nulfase FIR-filter). Voorverwerken van de EEG-signalen zoals in stap 3.4.
  6. Voer onafhankelijke componentanalyse (ICA) uit met behulp van het voorgeconditioneerde ICA voor echte gegevens-algoritme (PICARD). Als u deze optie wilt wijzigen, kiest u het standaard Infomax-algoritme of het gewijzigde Infomax-algoritme voor replicatie vanuit de GUI in stap 4.3 . Classificeer vervolgens de onafhankelijke componenten automatisch met ICLabel. Als een component met 80% zekerheid wordt geclassificeerd als een hartcomponent, wordt deze standaard automatisch gedetecteerd en geëxtraheerd uit de EEG-gegevens.
  7. Bewaar het vakje Uitvoer visualiseren in de eerste hoofd-GUI (stap 4.2.) om de hoofdhuidtopografie van de verwijderde component te visualiseren (Figuur 17 Links) en de uiteindelijke EEG-tijdreeks (in blauw, Figuur 17 Rechts) na het extraheren van de hartcomponent (in rood, Figuur 17 Rechts).
    OPMERKING: het ECG-kanaal wordt bewaard voor visualisatie om de extractie van ECG-gerelateerde componenten te bevestigen, maar het wordt na deze stap verwijderd omdat het geen relevante informatie meer bevat.
  8. Voor gevorderde gebruikers voert u deze stappen uit met behulp van de volgende opdrachtregels:
    eeglab; sluiten; % Start EEGLAB zonder de GUI
    main_path = bestanddelen(welke('eegplugin_BrainBeats.m')); cd(main_path);
    EEG = pop_loadset('bestandsnaam','dataset.set','bestandspad',
    fullfile(main_path, 'sample_data'));
    EEG = brainbeats_process(EEG, 'analyse','rm_heart',
    'heart_signal', 'ECG', ...
    'heart_channels',{'ECG'},'clean_eeg',true,'vis_cleaning',false,...
    'conf_thresh',.8,'boost',waar');

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

Ten eerste werd de BrainBeats-plug-in gebruikt om EEG- en ECG-gegevens voor te verwerken, artefacten te identificeren en te verwijderen en hartslag-evoked potentials (HEP) en oscillaties (HEO) te analyseren. BrainBeats detecteerde met succes de RR-intervallen van het ECG-signaal en enkele RR-artefacten (Figuur 2). BrainBeats meldde ook in het opdrachtvenster dat 11/305 (3,61%) van de hartslagen werden gemarkeerd als artefacten en geïnterpoleerd. De gemiddelde signaalkwaliteitsindex (SQI) van...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

Cruciale stappen in het protocol
Kritieke stappen worden beschreven in de stappen 1.1-1.4. Waarschuwingen en foutmeldingen worden op verschillende plaatsen in de toolbox geïmplementeerd om gebruikers te helpen begrijpen waarom ze problemen kunnen ondervinden (bijv. elektrodelocaties die niet in de EEG-gegevens worden geladen, bestandslengte die te kort is om een betrouwbare meting van ultralage frequentie-HRV te berekenen, signaalkwaliteit die te laag is voor een betrouwbare analyse, enz.). Elke funct...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteurs hebben niets te onthullen.

Dankbetuigingen

Het Institute of Noetic Sciences ondersteunde dit onderzoek. We danken de ontwikkelaars van de originele open-source algoritmen die zijn aangepast om enkele van de algoritmen van BrainBeats te ontwikkelen.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
EEGLABSwartz Center for Computational Neuroscience (SCCN)Gratis/Open-source
MATLABThe Mathworks, Inc.Vereist een licentie
Windows PCLenovo, Inc.

Referenties

  1. von Bertalanffy, L. General system theory Foundations, development, applications. , G. Braziller. (1968).
  2. Hodgkin, A. L., Huxley, A. F. A quantitative description of membrane current and its application to conduction and excitation in nerve. J Physiol. 117 (4), 500-544 (1952).
  3. Bean, B. P. Nitrendipine block of cardiac calcium channels: high-affinity binding to the inactivated state. Proc Natl Acad Sci U SA. 81 (20), 6388-6392 (1984).
  4. Fuchs, T. Ecology of the brain: The phenomenology and biology of the embodied mind. , Oxford University Press. (2017).
  5. Napadow, V., et al. Brain correlates of autonomic modulation: Combining heart rate variability with fMRI. NeuroImage. 42 (1), 169-177 (2008).
  6. Chang, C., Cunningham, J. P., Glover, G. H. Influence of heart rate on the BOLD signal: The cardiac response function. NeuroImage. 44 (3), 857-869 (2009).
  7. Gianaros, P. J., Sheu, L. K. A review of neuroimaging studies of stressor-evoked blood pressure reactivity: Emerging evidence for a brain-body pathway to coronary heart disease risk. NeuroImage. 47 (3), 922-936 (2009).
  8. Burch, G. E., DePasquale, N. P. A history of electrocardiography. No 1. , Norman Publishing. (1990).
  9. Allen, J. Photoplethysmography and its application in clinical physiological measurement. Physiol Meas. 28 (3), 1(2007).
  10. Cohen, M. X. Where does EEG come from and what does it mean. Trends Neurosci. 40 (4), 208-218 (2017).
  11. Cannard, C., Brandmeyer, T., Wahbeh, H., Delorme, A. Self-health monitoring and wearable neurotechnologies. Handb Clin Neurol. 168, 207-232 (2020).
  12. Gramann, K., Ferris, D. P., Gwin, J., Makeig, S. Imaging natural cognition in action. Int. J. Psychophysiol. 91 (1), 22-29 (2014).
  13. Jungnickel, E., Gehrke, L., Klug, M., Gramann, K. Chapter 10 - MoBI-Mobile brain/body imaging. Neuroergonomics. , 59-63 (2019).
  14. Al, E., et al. Heart-brain interactions shape somatosensory perception and evoked potentials. Proc Natl Acad Sci. 117 (19), 10575-10584 (2020).
  15. Banellis, L., Cruse, D. Skipping a beat: Heartbeat-evoked potentials reflect predictions during interoceptive-exteroceptive integration. Cereb Cortex Commun. 1 (1), (2020).
  16. Baranauskas, M., Grabauskaitė, A., Griškova-Bulanova, I., Lataitytė-Šimkevičienė, B., Stanikūnas, R. Heartbeat evoked potentials (HEP) capture brain activity affecting subsequent heartbeat. Biomed Signal Process. Cont. 68, 102731(2021).
  17. Candia-Rivera, D., et al. Neural responses to heartbeats detect residual signs of consciousness during resting state in postcomatose patients. J Neurosci. 41 (24), 5251-5262 (2021).
  18. Jiang, H., et al. Brain-heart interactions underlying traditional Tibetan buddhist meditation. Cereb cortex. 30 (2), 439-450 (2020).
  19. Kumral, D., et al. Attenuation of the heartbeat-evoked potential in patients with atrial fibrillation. JACC Clin Electrophysiol. 8 (10), 1219-1230 (2022).
  20. Thakor, N. V., Tong, S. Advances in quantitative electroencephalogram analysis methods. Annu Rev Biomed Eng. 6, 453-495 (2004).
  21. Thayer, J. F., Åhs, F., Fredrikson, M., Sollers, J. J., Wager, T. D. A meta-analysis of heart rate variability and neuroimaging studies: Implications for heart rate variability as a marker of stress and health. Neurosci Biobehav Rev. 36 (2), 747-756 (2012).
  22. Mather, M., Thayer, J. F. How heart rate variability affects emotion regulation brain networks. Curr Opin Beha. Sci. 19, 98-104 (2018).
  23. Kemp, A. H., Quintana, D. S. The relationship between mental and physical health: Insights from the study of heart rate variability. Int J Psychophysiol. 89 (3), 288-296 (2013).
  24. Daneshi Kohan, M., Motie Nasrabadi, A., Shamsollahi, M. B., Sharifi, A. EEG/PPG effective connectivity fusion for analyzing deception in interview. Signal Image Video Process. 14 (5), 907-914 (2020).
  25. Übeyli, E. D., Cvetkovic, D., Cosic, I. Analysis of human PPG, ECG and EEG signals by eigenvector methods. Digit Signal Process. 20 (3), 956-963 (2010).
  26. Zambrana-Vinaroz, D., Vicente-Samper, J. M., Manrique-Cordoba, J., Sabater-Navarro, J. M. Wearable epileptic seizure prediction system based on machine learning techniques using ECG, PPG and EEG signals. Sensors. 22 (23), 9372(2022).
  27. Shaffer, F., Ginsberg, J. P. An overview of heart rate variability metrics and norms. Front Public Health. 5, 258(2017).
  28. Coan, J. A., Allen, J. J. B. The state and trait nature of frontal EEG asymmetry in emotion. The asymmetrical brain. , 565-615 (2003).
  29. Hagemann, D., Hewig, J., Seifert, J., Naumann, E., Bartussek, D. The latent state-trait structure of resting EEG asymmetry: replication and extension. Psychophysiology. 42 (6), 740-752 (2005).
  30. Widge, A. S., et al. Electroencephalographic biomarkers for treatment response prediction in major depressive illness: A meta-analysis. Am J Psychiatry. 176 (1), 44-56 (2019).
  31. Olbrich, S., Arns, M. EEG biomarkers in major depressive disorder: Discriminative power and prediction of treatment response. Int Rev Psychiatry. 25 (5), 604-618 (2013).
  32. Kumar, Y., Dewal, M. L., Anand, R. S. Epileptic seizures detection in EEG using DWT-based ApEn and artificial neural network. Signal Image Video Process. 8, 1323-1334 (2014).
  33. Acharya, U. R., et al. Automated diagnosis of epileptic EEG using entropies. Biomed Signal Process Control. 7 (4), 401-408 (2012).
  34. de Aguiar Neto, F. S., Rosa, J. L. G. Depression biomarkers using non-invasive EEG: A review. Neurosci Biobehav Rev. 105, 83-93 (2019).
  35. Cannard, C., Wahbeh, H., Delorme, A. Electroencephalography correlates of well-being using a low-cost wearable system. Front Hum Neurosci. 15, 736(2021).
  36. Tarvainen, M. P., Niskanen, J. P., Lipponen, J. A., Ranta-aho, P. O., Karjalainen, P. A. Kubios HRV - Heart rate variability analysis software. Comput. Methods Programs Biomed. 113 (1), 210-220 (2014).
  37. Demski, A. J., Soria, M. L. ECG-kit: a Matlab toolbox for cardiovascular signal processing. Journal of Open Research Software. 4 (1), e8(2016).
  38. Klug, M., et al. The BeMoBIL pipeline for automated analyses of multimodal mobile brain and body imaging data. BioRxiv. , (2022).
  39. Perakakis, P. HEPLAB. , (2023).
  40. Grosselin, F., Navarro-Sune, X., Raux, M., Similowski, T., Chavez, M. CARE-rCortex: A Matlab toolbox for the analysis of CArdio-REspiratory-related activity in the Cortex. J Neurosci Meth. 308, 309-316 (2018).
  41. Luck, S. J., Gaspelin, N. How to get statistically significant effects in any ERP experiment (and why you shouldn't). Psychophysiology. 54 (1), 146-157 (2017).
  42. Alday, P. M. How much baseline correction do we need in ERP research? Extended GLM model can replace baseline correction while lifting its limits. Psychophysiology. 56 (12), e13451(2019).
  43. Delorme, A. EEG is better left alone. Sci Rep. 13 (1), 2372(2023).
  44. Widmann, A., Schröger, E., Maess, B. Digital filter design for electrophysiological data - a practical approach. J Neurosci Methods. 250, 34-46 (2015).
  45. Pham, T., Lau, Z. J., Chen, S. H. A., Makowski, D. Heart Rate Variability in Psychology: A Review of HRV Indices and an Analysis Tutorial. Sensors. 21 (12), 3998(2021).
  46. Vest, A. N., et al. An open source benchmarked toolbox for cardiovascular waveform and interval analysis. Physiol Meas. 39 (10), 105004(2018).
  47. Smith, E. E., Reznik, S. J., Stewart, J. L., Allen, J. J. B. Assessing and conceptualizing frontal EEG asymmetry: An updated primer on recording, processing, analyzing, and interpreting frontal alpha asymmetry. Int J Psychophysiol Off J Int Organ Psychophysiol. 111, 98-114 (2017).
  48. Dong, L., et al. MATLAB toolboxes for reference electrode standardization technique (REST) of scalp EEG. Front Neurosci. 11, 601(2017).
  49. Candia-Rivera, D., Catrambone, V., Valenza, G. The role of electroencephalography electrical reference in the assessment of functional brain-heart interplay: From methodology to user guidelines. J Neurosci Methods. 360, 109269(2021).
  50. Mullen, T. R., et al. Real-time Neuroimaging and cognitive monitoring using wearable dry EEG. IEEE Trans Biomed Eng Spec Issue Wearable Technol. 62 (11), 2553-2567 (2015).
  51. Chang, C. Y., Hsu, S. H., Pion-Tonachini, L., Jung, T. P. Evaluation of artifact subspace reconstruction for automatic EEG artifact removal. 40th Ann Int Conf IEEE Eng Med Biol Soc. , 1242-1245 (2018).
  52. Miyakoshi, M. Artifact subspace reconstruction: a candidate for a dream solution for EEG studies, sleep or awake. Sleep. 46 (12), 241(2023).
  53. Kim, H., et al. ICA's bug: How ghost ICs emerge from effective rank deficiency caused by EEG electrode interpolation and incorrect re-referencing. Front Signal Process. 3, 1064138(2023).
  54. Frank, G., Makeig, S., Delorme, A. A Framework to evaluate independent component analysis applied to EEG signal: testing on the Picard algorithm. ArXiv. , (2022).
  55. Ablin, P., Cardoso, J. F., Gramfort, A. Faster independent component analysis by preconditioning with Hessian approximations. IEEE Trans Signal Process. 66 (15), 4040-4049 (2018).
  56. Pion-Tonachini, L., Kreutz-Delgado, K., Makeig, S. ICLabel: An automated electroencephalographic independent component classifier, dataset, and website. NeuroImage. 198, 181-197 (2019).
  57. Bigdely-Shamlo, N., Mullen, T., Kothe, C., Su, K. M., Robbins, K. A. The PREP pipeline: standardized preprocessing for large-scale EEG analysis. Front Neuroinformatics. 9, 12(2015).
  58. Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG- and MEG-data. J Neurosci Methods. 164 (1), 177-190 (2007).
  59. Pernet, C. R., Latinus, M., Nichols, T. E., Rousselet, G. A. Cluster-based computational methods for mass univariate analyses of event-related brain potentials/fields: A simulation study. J Neurosci Methods. 250, 85-93 (2015).
  60. Pernet, C. R., Chauveau, N., Gaspar, C., Rousselet, G. A. LIMO EEG: A toolbox for hierarchical LInear MOdeling of ElectroEncephaloGraphic data. Comput Intell Neurosci. 2011, 1-11 (2011).
  61. Pernet, C., et al. Electroencephalography robust statistical linear modelling using a single weight per trial. Aperture Neuro. 2022 (7), 51(2022).
  62. Pavlov, Y. G., Kasanov, D., Kosachenko, A. I., Kotyusov, A. I., Busch, N. A. Pupillometry and electroencephalography in the digit span task. Sci. Data. 9 (1), 325(2022).
  63. Pavlov, Y. G., Kasanov, D., Kosachenko, A. I., Kotyusov, A. I. EEG, pupillometry, ECG and photoplethysmography, and behavioral data in the digit span task and rest. OpenNeuro. , (2024).
  64. Clifford, G. Signal processing methods for heart rate variability. , Oxford University. UK. (2002).
  65. Pan, J., Tompkins, W. J. A real-time QRS detection algorithm. IEEE Trans. Biomed. Eng. 3, 230-236 (1985).
  66. Maess, B., Schröger, E., Widmann, A. Highpass filters and baseline correction in M/EEG analysis. Commentary on: "How inappropriate highpass filters can produce artefacts and incorrect conclusions in ERP studies of language and cognition. J. Neurosci. Methods. 266, 164-165 (2016).
  67. Park, H. D., Blanke, O. Heartbeat-evoked cortical responses: Underlying mechanisms, functional roles, and methodological considerations. NeuroImage. 197, 502-511 (2019).
  68. Lomb, N. R. Least-squares frequency analysis of unequally spaced data. Astrophys Space Sci. 39, 447-462 (1976).
  69. Corcoran, A. W., Alday, P. M., Schlesewsky, M., Bornkessel-Schlesewsky, I. Toward a reliable, automated method of individual alpha frequency (IAF) quantification. Psychophysiology. 55 (7), e13064(2018).
  70. Chen, W., Zhuang, J., Yu, W., Wang, Z. Measuring complexity using FuzzyEn, ApEn, and SampEn. Med Eng Phys. 31 (1), 61-68 (2009).
  71. Cannard, C., Delorme, A. An open-source EEGLAB plugin for computing entropy-based measures on MEEG signals. , (2022).
  72. Lau, Z. J., Pham, T., Chen, S. H. A., Makowski, D. Brain entropy, fractal dimensions and predictability: A review of complexity measures for EEG in healthy and neuropsychiatric populations. Eur J Neurosci. 56 (7), 5047-5069 (2022).
  73. Costa, M., Goldberger, A. L., Peng, C. -K. Multiscale entropy analysis of biological signals. Phys Rev E Stat Nonlin Soft Matter Phys. 71 (2), 021906(2005).
  74. Humeau-Heurtier, A. multiscale entropy approaches and their applications. Entropy. 22 (6), 644(2020).
  75. Armañac-Julián, P., et al. Reliability of pulse photoplethysmography sensors: Coverage using different setups and body locations. Front Electron. 3, 906324(2022).
  76. Catrambone, V., Greco, A., Vanello, N., Scilingo, E. P., Valenza, G. Time-resolved directional brain-heart interplay measurement through synthetic data generation models. Ann Biomed Eng. 47, 1479-1489 (2019).
  77. Georgieva-Tsaneva, G., Gospodinova, E., Gospodinov, M., Cheshmedzhiev, K. Portable sensor system for registration, processing and mathematical analysis of PPG signals. Appl Sci. 10 (3), 1051(2020).
  78. Kim, J. H., Park, S. E., Jeung, G. W., Kim, K. S. Detection of R-peaks in ECG signal by adaptive linear neuron (ADALINE) artificial neural network. MATEC Web Conf. 54, 10001(2016).
  79. Lei, R., Ling, B. W. K., Feng, P., Chen, J. Estimation of heart rate and respiratory rate from PPG signal using complementary ensemble empirical mode decomposition with both independent component analysis and non-negative matrix factorization. Sensors. 20 (11), 3238(2020).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Tags

Interactie tussen hersenen en hartEEG-cardiovasculaire analysehartslag-opgewekte potentialenEEG-kenmerkextractieHRV-kenmerkextractieopen-source toolsetgeautomatiseerde signaalverwerkingverwijdering van hartartefactenmultimodale data-analyse
BrainBeats als open-source EEGLAB-plug-in om gezamenlijk EEG- en cardiovasculaire signalen te analyseren
Neem contact met ons op
Aanbevelen aan de bibliotheek

Privacy

Gebruiksvoorwaarden

Beleidsoverzicht

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.