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

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 cardiale^{3-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 windowing^44,47, herverwijzing naar^48,49, 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 plugin^50,52, 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-fouten^60,61. 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.

Methode	Detecteer R-pieken van ECG	Detecteer R-golven van PPG	HEP/HEO	EEG- en HRV-functies	Hartartefacten verwijderen uit EEG	Grafische gebruikersinterface	Opdrachtregel
ECG-kit	X	X	X				X
BeMoBIL	X		X				X
HEPLAB	X		X			X	X
ZORG-rCortex	X		X			X	X
Hersenklopjes	X	X	X	X	X	X	X

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.

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.

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 toolbox^46,64 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 richtlijnen^43,66; 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 hartslag^49,67 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 richtlijnen^49,67. 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 berekening^54,54 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 elektroden^17,67. 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 1^st 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 1^st 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-statistieken^27,45.
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');

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 de RR-intervallen (vóór interpolatie) heeft een waarde van 1, wat de hoogste waarde is. Een lage signaalkwaliteit komt overeen met 20% of meer van de RR-serie die is gemarkeerd als een artefact of met een SQI<0.9. Het TP9 EEG-kanaal werd verwijderd en geïnterpoleerd (Figuur 3), verschillende epochs met artefacten (Figuur 6) en twee oogcomponenten werden gemarkeerd voor verwijdering (Figuur 7). De output omvat het gemiddelde HEP (figuur 8) en HEO (figuur 9). We observeerden significante hartslag-opgewekte oscillaties (HEO) in de alfaband (8-15 Hz) van 150 tot 400 ms na de hartslag op een frontocentrale hoofdhuidplaats (Figuur 9, boven), in overeenstemming met eerdere bevindingen^17,67). Aan de andere kant suggereerde de inter-trial coherence (ITC) analyse geen significante fasevergrendeling of reset van de EEG-fase met betrekking tot de hartslagen (Figuur 9, onder).

Ten tweede werd de BrainBeats-plug-in gebruikt om hetzelfde te doen, maar dan met PPG. BrainBeats detecteerde met succes de RR-intervallen van het ECG-signaal en enkele RR-artefacten (Figuur 10). BrainBeats meldde in het opdrachtvenster dat 15/309 (4,85%) van de hartslagen werden gemarkeerd als artefacten en geïnterpoleerd. De gemiddelde signaalkwaliteitsindex (SQI) van de RR-intervallen (vóór interpolatie) heeft een waarde van 0,87. De signaalkwaliteit is gemiddeld lager dan 0,9, maar wordt nog steeds als goed beschouwd omdat minder dan 20% van de RR-serie als artefact is gemarkeerd of een SQI<0,9 had. De uitgangen toonden de gemiddelde HEP (figuur 11) op basis van de R-golven die werden gedetecteerd door het PPG-signaal. We zagen significante effecten op een frontocentrale hoofdhuidplaats in bijna het hele tijdsbestek na de R-golf (150-400 ms) en bijna het hele frequentiebereik (figuur 12 bovenaan). Er werd geen ITC-effect waargenomen (figuur 12 onderaan). Dit is de eerste keer dat HEP/HEO-analyse is uitgevoerd op basis van PPG-signalen en toekomstig onderzoek is nodig om deze resultaten te interpreteren.

Ten derde werd BrainBeats gebruikt om EEG-kenmerken en HRV-kenmerken uit het ECG-signaal te extraheren. Het proces omvat het voorbewerken van de ECG- en EEG-signalen, het detecteren en verwijderen van artefacten en het berekenen van HRV- en EEG-functies in verschillende domeinen. We zagen een piek in de HRV-vermogensspectrale dichtheid (PSD) verdeling bij ~0,19 Hz binnen de hoogfrequente (HF) band (figuur 14 boven). Voor EEG zagen we een piek in de PSD-verdeling bij ~10,5 Hz binnen de alfaband Figuur 14 onderaan). De topografieën van de hoofdhuid (figuur 15) geven aan dat het gemiddelde vermogen in de hoofdfrequentiebanden (en de hoogste piek-alfafrequentiewaarden) voornamelijk gelokaliseerd zijn in de achterste hoofdhuidgebieden. Bovendien zijn hogere fuzzy entropiewaarden (die een hogere complexiteit weerspiegelen in termen van regelmaat) meestal gelokaliseerd in de frontale, rechter en achterste hoofdhuidregio's. Daarentegen vertonen fractale dimensiewaarden (die een grotere complexiteit weerspiegelen in termen van fractale kenmerken) niet veel variatie tussen hoofdhuidregio's. Ten slotte toont de alfa-asymmetriegrafiek (rechterbenedenhoek) een grotere links-dan-rechts alfa-kracht in het centrale pariëtale gebied en een groter rechts-dan-links alfa-vermogen in het posterieure gebied. Deze verschillen in interhemisferische alfa-kracht worden over het algemeen geïnterpreteerd in termen van lokale remming in de overeenkomstige gebieden (d.w.z. meer alfa-kracht weerspiegelt een grotere corticale remming).

Ten vierde werd BrainBeats gebruikt om hetzelfde te doen, behalve dat HRV-functies werden geëxtraheerd uit het PPG-signaal. Deze keer zien we een piek op ~0,04 Hz binnen de LF-frequentieband en een gesplitste piek rond ~0,19 Hz (figuur 16 boven). Merk op dat deze verdeling iets anders is dan die verkregen uit het NN-interval berekend op basis van het ECG-signaal (Figuur 14 bovenaan). Dit kan het gevolg zijn van een lagere signaalkwaliteit in het PPG-signaal. De EEG-kenmerken zijn hetzelfde als in figuur 14.

Ten slotte gebruikten we BrainBeats om hartartefacten uit de EEG-signalen te extraheren. Een hartcomponent werd geclassificeerd met een betrouwbaarheid van 94,1% met behulp van de boost-modus (Figuur 17 links) en geëxtraheerd uit de EEG-signalen (Figuur 17 rechts).

FIGUUR 2. RR-intervallen, artefacten en NN-intervallen verkregen uit ECG-signaal. Boven: voorbewerkt ECG-signaal (blauw) met de R-pieken gedetecteerd door BrainBeats (oranje stippen, d.w.z. RR-intervallen). Midden: Intervallen van normaal naar normaal (NN) (in blauw) na interpolatie van de RR-artefacten (in rood). Onder: Hetzelfde als de bovenste plot, maar ingezoomd (venster van 30 seconden) om de R-pieken nauwkeuriger te inspecteren met een scrollfunctie door op de pijlen links/rechts te drukken. Klik hier om een grotere versie van deze figuur te bekijken.

FIGUUR 3. Afwijzing van slechte EEG-kanalen. Visualisatie van het abnormale EEG-kanaal (TP9) dat automatisch wordt gedetecteerd en uit de dataset wordt verwijderd. Opmerking: het grote artefact wordt in een volgende stap behandeld. EEG-gegevens werden bandpassgefilterd (1-40 Hz) en opnieuw gerefereerd naar oneindig. Klik hier om een grotere versie van deze figuur te bekijken.

FIGUUR 4. Visualisatie van de 64-kanaals EEG-gegevens na voorbewerking en markering van de R-pieken in het signaal. Het ECG-signaal is opgenomen in de grafiek onderaan voor visuele bevestiging. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 5. Histogram van de interbeat-intervallen (IBI). De rode lijn toont de passende normale verdeling en de rode stippellijn toont het 5%-percentiel, gebruikt als de bovenste afkapwaarde waarop de EEG-gegevens zijn gesegmenteerd (d.w.z. 650 ms na de R-piek hier). Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 6. Verwijdering van artefactische tijdperken. Visualisatie van de EEG-uitbijtertijdperken (d.w.z. met artefacten) die werden gedetecteerd en verwijderd voordat onafhankelijke componentanalyse (ICA) werd uitgevoerd. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 7. Classificatie van de onafhankelijke componenten om niet-hersenartefacten te verwijderen. Na het uitvoeren van blinde bronscheiding om de onafhankelijke componenten van onze EEG-gegevens te verkrijgen, wordt de ICLabel-plug-in gebruikt om ze te classificeren en automatisch de niet-hersencomponenten te markeren voor extractie. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 8. Grand gemiddelde hartslag-evoked potentials (HEP) verkregen met ECG. Boven: Gemiddelde over epochs voor elk EEG-kanaal (gesuperponeerd), waarbij de hoofdhuidtopografieën de amplitudeverdeling laten zien in de betreffende periode (200-500 ms na R-piek). Onder: HEP-evolutie in de tijd (elke "proef" komt overeen met een hartslag). Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 9. Hartslag-opgewekte oscillaties (HEO) verkregen uit ECG. Boven: HEO op kanaal Fz (frontocentrale regio) na permutatiestatistieken (1000-iteraties) en gecorrigeerd voor false discovery rate (FDR) op het 95% betrouwbaarheidsniveau (p<0,05). Onder: Inter-trial coherentie (ITC) na FDR-correctie. Klik hier om een grotere versie van deze figuur te bekijken.

FIGUUR 10. RR-intervallen, artefacten en NN-intervallen verkregen uit PPG-signaal. Boven: voorbewerkt PPG-signaal (blauw) met de pulsgolven gedetecteerd door BrainBeats (oranje stippen, d.w.z. RR-intervallen). Midden: Intervallen van normaal naar normaal (NN) (in blauw) na interpolatie van de RR-artefacten (in rood). Onder: Hetzelfde als de bovenste plot, maar ingezoomd (venster van 30 s) om de pulsgolven nauwkeuriger te inspecteren met een scrollfunctie door op de pijlen links/rechts te drukken. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 11. Grand gemiddelde hartslag-evoked potentials (HEP) verkregen met PPG. Boven: Alle elektroden worden over elkaar heen gelegd in het tijddomein, waarbij de topografieën van de hoofdhuid de amplitudeverdeling laten zien in de betreffende periode (200-500 ms na hartslag). Onder: HEP-evolutie in de tijd (elke "proef" komt overeen met een pulsgolf). Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 12. Hartslag-opgewekte oscillaties (HEO) verkregen uit PPG. Boven: HEO voor EEG-kanaal Fz (frontocentrale regio) na permutatiestatistieken (1000-iteraties) en gecorrigeerd voor false discovery rate (FDR) op het 95% betrouwbaarheidsniveau (p<0,05). Onder: Inter-trial coherentie (ITC) na FDR-correctie. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 13. Een groot EEG-artefact werd gedetecteerd en verwijderd door het algoritme voor de reconstructie van de artefactsubruimte (ASR). Gebruikers kunnen door het hele bestand scrollen om de segmenten te inspecteren die door het algoritme zijn verwijderd. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 14. Vermogensspectrale dichtheid (PSD) geëxtraheerd uit NN-intervallen (ECG) en EEG-signalen. Boven: Hartslagvariabiliteit (HRV) vermogen in de laagfrequente (LF; 0,04-0,15 Hz; in geel) en hoogfrequente (HF; 0,15-0,40 Hz; in blauw) banden, geschat met behulp van het genormaliseerde Lomb-Scargle-periodogram van het ECG-signaal. Onder: PSD genormaliseerd naar decibel (dB) berekend op basis van de voorbewerkte EEG-gegevens, gemiddeld over alle kanalen voor visualisatie. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 15. De belangrijkste EEG-kenmerken die door BrainBeats worden geëxtraheerd, worden geïllustreerd door hoofdhuidtopografieën. De belangrijkste EEG-kenmerken zijn onder meer het gemiddelde spectrale vermogen in de delta (1-3 Hz), theta (3-7 Hz), alfa (8-13 Hz), bèta (13-30 Hz) en gamma (30-40 Hz) frequentiebanden, de individuele alfafrequentie (IAF), fuzzy entropie, fractale dimensie en alfa-asymmetrie, in volgorde. Opmerkingen: Grotere fuzzy entropiewaarden weerspiegelen een hogere complexiteit in termen van regelmaat, terwijl de fractale dimensie een grotere complexiteit weerspiegelt in termen van fractale kenmerken. Alfa-asymmetrie werd berekend op 16 symmetrische paren elektroden. Positieve waarden weerspiegelen een grotere links-dan-rechts alfa-kracht, meestal geassocieerd met een grotere links-dan-rechts remming van lokale corticale regio's. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 16. Spectrale vermogensdichtheid (PSD) geëxtraheerd uit NN-intervallen (PPG) en EEG-signalen. Boven: Hartslagvariabiliteit (HRV) vermogen in de laagfrequente (LF; 0,04-0,15 Hz; in geel) en hoogfrequente (HF; 0,15-0,40 Hz; in blauw) banden, geschat met behulp van het genormaliseerde Lomb-Scargle-periodogram van het PPG-signaal. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 17. Visualisatie van de hartcomponent gedetecteerd en verwijderd door BrainBeats. Links: De topografie van de hoofdhuid en het betrouwbaarheidsniveau van de classificatie. Rechts: EEG-tijdreeks (in blauw) na extractie van de hartcomponent (in rood). Klik hier om een grotere versie van deze figuur 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 functie is gedocumenteerd voor gevorderde gebruikers en de parameters kunnen eenvoudig worden verfijnd (aanbevolen parameters en typische bereiken zijn gedocumenteerd in dit manuscript en in de code). Gebruikers hebben toegang tot hulp bij het gebruik van bepaalde functies of wat normale reeksen parameters zijn, met behulp van het help-commando gevolgd door de naam van de functie (typ bijvoorbeeld help-brainbeats_process in het opdrachtvenster).

Beperkingen van de methode
Gebruikers moeten beschikken over een dataset met EEG en cardiovasculair (ECG of PPG) in hetzelfde bestand of weten hoe ze deze onafhankelijk kunnen samenvoegen. Het importeren van gegevens is momenteel niet geautomatiseerd via BrainBeats omdat specifieke plug-ins moeten worden geïnstalleerd om rekening te houden met de verschillende gegevensformaten (bijv. .csv,. edf,. bdf,. vhdr, enz.). Een toekomstige versie zal gebruikers in staat stellen om automatisch BIDS-datasets met een willekeurig aantal bestanden rechtstreeks in BrainBeats te laden, de beschikbare EEG- en cardiovasculaire signalen te combineren en mogelijke problemen met tijdsynchroniciteit aan te pakken (bijv. verschillende bemonsteringsfrequenties, uitlijningstijdstempels, enz.).

Entropiekenmerken zijn bijzonder veelbelovend voor het vastleggen van complexe, bidirectionele interacties tussen cardiovasculaire, subcorticale en corticale systemen die mogelijk verborgen zijn in niet-lineaire feedbacklusdynamiek 27,73,74. Ze zijn echter rekenkundig zwaar en het kan lang duren om EEG-signalen te berekenen, vooral bij hoge bemonsteringsfrequenties. Hoewel sommige oplossingen worden geïmplementeerd (parallel computing, down-sampling/decimering), zullen toekomstige werkzaamheden deze rekenkosten verder verlagen.

Hoewel er statistieken op groepsniveau beschikbaar zijn voor HEP/HEO, zijn ze momenteel niet beschikbaar voor de functiemodus, maar zullen ze binnenkort beschikbaar zijn. Ondertussen kunnen gebruikers deze methode nog steeds gebruiken om eenvoudig en betrouwbaar functies te extraheren, statistieken uit te voeren met standaard statistische software of op functies gebaseerde ML-modellen te bouwen met de methode van hun keuze.

ECG beoordeelt direct de elektrofysiologie van het hart door de elektrische velden van het hart op te vangen. PPG daarentegen meet veranderingen in het bloedvolume in microvasculaire bedden, waarbij de hartactiviteit meer indirect wordt weerspiegeld door de dynamiek van de bloedstroom. Het identificeren van de R-piek in ECG is eenvoudig vanwege de duidelijke manifestatie in het QRS-complex, wat overeenkomt met de ventriculaire depolarisatie voorafgaand aan de samentrekking van het hart. Daarentegen is de meest prominente piek voor het PPG-signaal de systolische piek (of pulsgolfpiek), die overeenkomt met het punt van het maximale bloedvolume in de slagaders. Het treedt iets na de R-piek in het ECG op. Deze vertraging is te wijten aan de tijd die de drukgolf nodig heeft om van het hart naar de perifere plaats te reizen waar het PPG-signaal wordt gemeten. De vallei in de PPG-golfvorm (gemarkeerd als R-golf in BrainBeats), die optreedt tussen twee systolische pieken, komt dus overeen met het punt van minimaal bloedvolume en komt niet overeen met de R-piek in het ECG. In plaats daarvan ligt het dichter bij de T-golf in het ECG, die ventriculaire repolarisatie⁹ vertegenwoordigt. Dit verschil in signaalkarakteristieken resulteert in timingverschillen tussen ECG- en PPG-signalen, die de temporele aspecten van waargenomen HEP's beïnvloeden. Klinisch gezien vereist deze divergentie een zorgvuldige afweging bij het selecteren van de juiste modaliteit voor HEP-analyse, waarbij ECG de voorkeur heeft voor directe cardiale elektrofysiologische onderzoeken en PPG voordelen biedt op het gebied van gebruiksgemak en comfort voor de patiënt voor langdurige monitoring. Hoewel ECG en PPG HEP-analyse kunnen vergemakkelijken, suggereren hun verschillende signaalaard en fysiologische implicaties dat hun gevolgtrekkingen niet direct uitwisselbaar zijn. De keuze tussen ECG en PPG voor HEP-analyse moet worden afgestemd op de specifieke doelstellingen en behoeften van het onderzoek of de klinische toepassing. Hoewel dit een beperking kan zijn, is het ook een sterk punt omdat het betekent dat ECG en PPG twee verschillende soorten informatie over het cardiovasculaire systeem kunnen bieden, die complementair kunnen zijn en nieuwe inzichten kunnen bieden wanneer ze worden gecombineerd. Bovendien kan het temporele verschil tussen R-pieken (van ECG) en R-golven (van PPG) worden gecorrigeerd als het in de loop van de tijd stabiel is door gebruik te maken van een dataset met gelijktijdige ECG-PPG-signalen, zoals gebruikt voor deze tutorial.

PPG-signalen zijn vloeiender en missen duidelijke kenmerken ten opzichte van ECG, waardoor ze kwetsbaar zijn voor artefacten⁷⁵. Hoewel het algoritme dat in dit onderzoek werd gebruikt, eerder werd gevalideerd en goed presteerde op de dataset die voor dit onderzoek werd gebruikt, presteert het mogelijk niet zo goed op andere soorten PPG-signalen, vooral die welke zijn verzameld met draagbare technologieën.

Voor HEP/HEO-analyse worden epochs gedefinieerd met behulp van drempels op basis van de verdeling van de interbeat-intervallen van de individuen (IBI; ~600-1000 ms). Dit leidt tot verschillende epoch-lengtes tussen onderwerpen en fouten voor groepsanalyse. Bovendien leidt de korte tijdsduur als gevolg van IBI's, in vergelijking met conventionele EEG-onderzoeken (stimuli worden meestal in enkele seconden gespreid om de hersenen terug te laten keren naar de basislijn), tot mogelijke ongewenste randeffecten of voorkomt het dat gebruikers langzame frequenties onderzoeken. Tijd-frequentie decompositie vereist doorgaans dat epochs zich uitstrekken tot 3 cycli in de laagste frequentie van interesse buiten het venster van interesse. Voor HEO is het interessevenster 200-500 ms. Zo zou men bijvoorbeeld 600 ms extra voor en na het venster nodig hebben (d.w.z. -400 tot 900 ms) voor het onderzoeken van frequenties zo laag als 5 Hz. Als men frequenties zo laag als 1 Hz wil onderzoeken, zijn er 3 extra s nodig voor en na het betreffende venster. Dit is nodig om de juiste tijd- en frequentieresolutie te verkrijgen en tegelijkertijd randeffecten te voorkomen.

Betekenis van de methode ten opzichte van bestaande methoden
Over het algemeen biedt BrainBeats state-of-the-art signaalverwerkingstechnieken voor zowel EEG- als cardiovasculaire signalen, met fijnafstemmingsmogelijkheden via de opdrachtregel en grafische gebruikersinterface (GUI).

De drie methoden kunnen worden uitgevoerd met behulp van zowel een gebruiksvriendelijke grafische interface (GUI) als een opdrachtregel (experts, waardoor automatisering mogelijk is). Methode 1 kan worden onderzocht in de domeinen tijd (HEP), frequentie (HEO) of tijdfrequentie (HEO), maar ook op kanaal- of onafhankelijke componentniveaus. Voor zover wij weten, is HEP/HEO nooit uitgevoerd met behulp van PPG-signalen en is het nu direct beschikbaar.

Methode 2 heeft momenteel geen reeds bestaand alternatief. Bovendien kunnen gebruikers BrainBeats ook gebruiken om EEG- of HRV-kenmerken eenvoudig afzonderlijk voor te verwerken en te extraheren met andere datasets die niet beide signalen bevatten. Een gebruiker kan bijvoorbeeld ECG/PPG-signalen voorbewerken en HRV-kenmerken extraheren om alleen HRV-waarden te analyseren (en vice versa als een gebruiker EEG-kenmerken uit een EEG-dataset wil extraheren). Dit kan met name handig zijn voor op functies gebaseerde ML-toepassingen.

Methode 3 maakt het mogelijk om snel en geautomatiseerd hartartefacten uit de EEG-signalen te verwijderen. Hoewel dit al mogelijk is in EEGLAB met de ICLabel-plug-in, vereist het dat gebruikers een reeks stappen en keuze van parameters uitvoeren (bijv. highpass-filtering van de signalen, het uitvoeren van ICA, het uitvoeren van ICLabel, het afstemmen van parameters, het aftrekken van de hartcomponenten van de EEG-signalen en het verwijderen van de ECG-kanalen) die gemakkelijk tot fouten kunnen leiden (bijv. ghost IC's⁵⁵). Verder introduceren we een boost-methode die de prestaties van deze methode verhoogt met behulp van het cardiovasculaire signaal (meestal niet inbegrepen in deze operaties).

Bovendien implementeert de toolbox verbeteringen in de computerprestaties om de schatting van EEG-functies (voornamelijk multischaal-entropiemetingen) te versnellen, waaronder GPU en parallel computing. Merk op dat deze opties slechts zo voordelig zijn als de hardware van de gebruikers (d.w.z. grafische kaart en aantal processors en threads).

Toekomstige richtingen
De toolbox zal op de lange termijn door de auteurs worden aangepast en verbeterd om de nieuwste richtlijnen en aanbevelingen van veldexperts te implementeren en eventuele fouten op te lossen.

Extra functies en methoden zullen worden toegevoegd om interacties tussen EEG en cardiovasculaire signalen te beoordelen. QEEG-functies zoals de theta/bèta-ratio (of vergelijkbare spectrale ratio's die relevante klinische of cognitieve informatie vastleggen) kunnen bijvoorbeeld eenvoudig aan de toolbox worden toegevoegd. Nieuwe methoden zullen bijvoorbeeld EEG-ECG directe en gedeeltelijke coherentie omvatten, de tijd-opgeloste directionele hersen/hart-interactiemeting⁷⁶, of classificatie van HEP- of functiegegevens met behulp van machine learning (bijv. beslissingsbomen, willekeurig bos, naïeve Bayes, SVM, KNN, netwerken voor lang kortetermijngeheugen, enz.) ¹⁷. okt.

Voor de beste prestaties bij het detecteren van R-golven van luidruchtige PPG-signalen die zijn verzameld met draagbare technologieën, kunnen toekomstige BrainBeats-versies alternatieve algoritmen voor deze toepassingen bieden. Andere veelbelovende algoritmen zijn onder meer op signaalderivaten gebaseerde algoritmen⁷⁷, adaptieve lineaire neuronkunstmatige neurale netwerken (gebruikt voor ECG⁷⁸) of ensemble empirische modusdecompositie⁷⁹.

Voor HEO-analyse, om het probleem van de korte epoch voor tijd-frequentieschatting aan te pakken (zie beperkingen hierboven), zijn we van plan om in toekomstige versies de reflectiemethode te implementeren, die het signaal van het interessevenster (d.w.z. de achterwaartse versie van het signaal) voor en na het interessevenster weerspiegelt om het uit te breiden. Dit zorgt voor vloeiende overgangen en verwijdert de ongewenste randeffecten. De gespiegelde delen worden vervolgens verwijderd.

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
EEGLAB	Swartz Center for Computational Neuroscience (SCCN)		Gratis/Open-source
MATLAB	The Mathworks, Inc.		Vereist een licentie
Windows PC	Lenovo, Inc.