Artykuł metodologiczny

BrainBeats jako wtyczka EEGLAB o otwartym kodzie źródłowym do wspólnej analizy EEG i sygnałów sercowo-naczyniowych

DOI:

10.3791/65829

⸱

26 kwietnia 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

W tym artykule

Podsumowanie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Zestaw narzędzi BrainBeats to wtyczka EEGLAB o otwartym kodzie źródłowym, przeznaczona do wspólnej analizy sygnałów EEG i sercowo-naczyniowych (EKG/PPG). Obejmuje ocenę potencjałów wywołanych biciem serca (HEP), analizę opartą na cechach i ekstrakcję artefaktów serca z sygnałów EEG. Protokół pomoże w badaniu interakcji mózg-serce przez dwie soczewki (HEP i funkcje), zwiększając odtwarzalność i dostępność.

Streszczenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wzajemne oddziaływanie między mózgiem a układem sercowo-naczyniowym przyciąga coraz większą uwagę ze względu na jego potencjał do pogłębiania naszego zrozumienia fizjologii człowieka i poprawy wyników zdrowotnych. Jednak multimodalna analiza tych sygnałów jest trudna ze względu na brak wytycznych, ustandaryzowanego przetwarzania sygnałów i narzędzi statystycznych, graficznych interfejsów użytkownika (GUI) oraz automatyzacji przetwarzania dużych zbiorów danych lub zwiększania odtwarzalności. Kolejna luka istnieje w standaryzowanych metodach ekstrakcji cech EEG i zmienności rytmu serca (HRV), co podważa diagnostykę kliniczną lub solidność modeli uczenia maszynowego (ML). W odpowiedzi na te ograniczenia wprowadzamy zestaw narzędzi BrainBeats. Zaimplementowany jako wtyczka EEGLAB o otwartym kodzie źródłowym, BrainBeats integruje trzy główne protokoły: 1) Potencjały wywołane biciem serca (HEP) i oscylacje (HEO) do oceny czasowej interakcji mózg-serce z dokładnością do milisekundy; 2) Ekstrakcja cech EEG i HRV w celu zbadania skojarzeń/różnic między różnymi wskaźnikami mózgu i serca lub do zbudowania solidnych modeli uczenia maszynowego opartych na cechach; 3) Automatyczna ekstrakcja artefaktów serca z sygnałów EEG w celu usunięcia potencjalnego zanieczyszczenia sercowo-naczyniowego podczas przeprowadzania analizy EEG. Udostępniamy samouczek krok po kroku dotyczący zastosowania tych trzech metod do zestawu danych typu open source zawierającego jednoczesne 64-kanałowe sygnały EEG, EKG i PPG. Użytkownicy mogą łatwo dostroić parametry, aby dostosować je do swoich unikalnych potrzeb badawczych za pomocą graficznego interfejsu użytkownika (GUI) lub wiersza poleceń. Projekt BrainBeats powinien sprawić, że badania nad wzajemnymi oddziaływaniami między mózgiem a sercem staną się bardziej dostępne i powtarzalne.

Wprowadzenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Przez długi czas, redukcjonistyczne podejście zdominowało badania naukowe w zakresie ludzkiej fizjologii i poznania. Podejście to polegało na rozdzieleniu złożonych procesów cielesnych i psychicznych na mniejsze, łatwiejsze do opanowania komponenty, co pozwoliło naukowcom skupić się na poszczególnych systemach w izolacji. Strategia ta powstała ze względu na wyzwania związane z badaniem skomplikowanej i wzajemnie połączonej natury ludzkiego ciała i umysłu1. Redukcjonizm odegrał zasadniczą rolę w zrozumieniu poszczególnych podsystemów w izolacji, takich jak wyjaśnienie roli kanałów jonowych i potencjałów czynnościowych w komunikacji neural2 lub cardiac3. Pozostaje jednak znacząca luka w naszym zrozumieniu tego, w jaki sposób te odizolowane systemy oddziałują na siebie w większej skali przestrzennej i czasowej. Ramy multimodalne (integracyjne lub ekologiczne) traktują ludzkie ciało jako złożony wielowymiarowy system, w którym umysł jest postrzegany nie jako produkt mózgu, ale jako aktywność żywej istoty, aktywność, która integruje mózg z codziennymi funkcjami ludzkiego ciała4. Podejścia multimodalne i redukcjonistyczne nie wykluczają się, tak jak nie możemy badać jednego neuronu bez całego mózgu lub całego mózgu bez zrozumienia właściwości poszczególnych neuronów. Razem torują drogę do bardziej wszechstronnego, synergicznego zrozumienia ludzkiego zdrowia, patologii, funkcji poznawczych, psychologii i świadomości. Niniejsza metoda ma na celu ułatwienie multimodalnego badania wzajemnych oddziaływań między mózgiem a sercem poprzez zapewnienie wspólnej analizy elektroencefalografii (EEG) i sygnałów sercowo-naczyniowych, a mianowicie elektrokardiografii (EKG) i fotopletyzmografii (PPG). Ten zestaw narzędzi, zaimplementowany jako wtyczka EEGLAB w MATLAB, rozwiązuje istniejące ograniczenia metodologiczne i jest udostępniany jako oprogramowanie typu open source, aby ułatwić dostępność i odtwarzalność w obszarze naukowym. Implementuje najnowsze wytyczne i zalecenia do swojego projektu i parametrów domyślnych, aby zachęcić użytkowników do stosowania znanych najlepszych praktyk. Proponowany zestaw narzędzi powinien być cennym źródłem informacji dla badaczy i klinicystów zainteresowanych 1) badaniem potencjałów wywołanych biciem serca, 2) wyodrębnianiem cech sygnałów EEG i EKG/PPG lub 3) usuwaniem artefaktów serca z sygnałów EEG.

Badania nad sercem i mózgiem
Związek między sercem a mózgiem był historycznie badany za pomocą metod neuroobrazowania, takich jak funkcjonalny rezonans magnetyczny (fMRI) i pozytonowa tomografia emisyjna (PET). Korzystając z tych narzędzi, naukowcy zwrócili uwagę na niektóre obszary mózgu związane z kontrolą układu krążenia (np. manipulacja tętnem i ciśnieniem krwi5), pokazali wpływ tętna na sygnał BOLD6 lub zidentyfikowali potencjalne szlaki mózg-ciało przyczyniające się do choroby niedokrwiennej serca (tj. ciśnienie krwi wywołane stresem7). Chociaż badania te znacznie poszerzyły naszą wiedzę na temat złożonych zależności między ośrodkowym układem nerwowym (OUN) a funkcją układu sercowo-naczyniowego, te techniki neuroobrazowania są drogie, mają ograniczoną dostępność i są ograniczone do kontrolowanych warunków laboratoryjnych, co ogranicza ich praktyczność w zastosowaniach rzeczywistych i na dużą skalę.

Natomiast EEG i EKG/PPG są bardziej przystępnymi cenowo i przenośnymi narzędziami, które oferują potencjał do badania interakcji mózg-serce w bardziej zróżnicowanych warunkach i populacjach lub przez dłuższy czas, zapewniając nowe możliwości. EKG mierzy sygnały elektryczne generowane przez każde uderzenie serca, gdy serce kurczy się i rozluźnia, za pomocą elektrod umieszczonych na skórze (zwykle na klatce piersiowej lub ramionach)8. PPG mierzy zmiany objętości krwi w tkankach mikronaczyniowych (tj. przepływ krwi i częstość tętna) za pomocą źródła światła (np. diody LED) i fotodetektora (zwykle umieszczanego na opuszku palca, nadgarstku lub czole), opierając się na tym, jak krew pochłania więcej światła niż otaczająca tkanka9. Obie metody dostarczają cennych informacji na temat funkcji układu sercowo-naczyniowego, ale służą różnym celom i oferują różne typy danych. Podobnie jak EKG, EEG rejestruje pola elektryczne generowane przez zsynchronizowaną aktywność tysięcy neuronów korowych, które rozchodzą się przez macierz zewnątrzkomórkową, tkanki, czaszkę i skórę głowy, aż dotrą do elektrod umieszczonych na powierzchni skóry głowy10. W związku z tym zastosowanie EEG i EKG/PPG jest bardzo obiecujące dla pogłębienia naszej wiedzy na temat procesów fizjologicznych, poznawczych i emocjonalnych leżących u podstaw interakcji mózg-serce oraz ich implikacji dla zdrowia i dobrego samopoczucia człowieka. W związku z tym przechwytywanie interakcji między sercem a mózgiem z sygnałów EEG, EKG/PPG za pomocą zestawu narzędzi BrainBeats może być szczególnie przydatne w następujących obszarach naukowych: diagnostyka kliniczna i prognozowanie, uczenie maszynowe (ML) big data, samomonitorowanie w świecie rzeczywistym11 oraz mobilne obrazowanie mózgu/ciała (MoBI)12,13.

Dwa podejścia do wspólnej analizy sygnałów EEG i EKG
Istnieją dwa główne podejścia do badania interakcji między EEG a sygnałami sercowo-naczyniowymi:

Potencjały wywołane biciem serca (HEP) w dziedzinie czasu: potencjały związane ze zdarzeniami (ERP) i oscylacje wywołane biciem serca (HEO) w dziedzinie czasu-częstotliwości: perturbacje widmowe związane ze zdarzeniami (ERSP) i koherencja międzyprocesowa (ITC). Podejście to bada, w jaki sposób mózg przetwarza każde uderzenie serca. Przy dokładności milisekundowej (ms) metoda ta wymaga, aby oba szeregi czasowe były idealnie zsynchronizowane, a bicie serca było zaznaczone w sygnałach EEG. To podejście zyskało zainteresowanie w ostatnich latach14,15,16,17,18,19.

Podejście oparte na cechach: to podejście wyodrębnia cechy EEG i zmienności tętna (HRV) z ciągłych sygnałów i bada powiązania między nimi. Zostało to zrobione niezależnie dla EEG (często określanego jako ilościowe EEG lub qEEG20), ECG21,22,23 i PPG24,25,26. Podejście to daje obiecujące zastosowania, ponieważ obejmuje zarówno zmienne związane ze stanem, jak i cechą. Należy zauważyć, że zarówno w przypadku sygnałów EEG, jak i sercowo-naczyniowych, im dłuższy zapis, tym bardziej dominująca jest zmienna cechy27,28,29. W związku z tym aplikacje zależą od parametrów nagrywania. Analizy oparte na cechach zyskują coraz większe zainteresowanie, dostarczając nowych wskaźników ilościowych do prognozowania rozwoju zaburzeń psychicznych i neurologicznych, odpowiedzi na leczenie lub nawrotu30,31,32,33,34,35. Takie podejście jest szczególnie atrakcyjne w przypadku dużych i rzeczywistych zbiorów danych (np. klinika, zdalne monitorowanie), które można łatwiej uzyskać dzięki najnowszym innowacjom w neurotechnologii ubieralnej11. Mniej zbadanym zastosowaniem jest identyfikacja powiązań między określonymi cechami mózgu i serca, podkreślająca potencjał leżący u podstaw dynamiki ośrodkowego układu nerwowego. Zmienność rytmu serca (HRV) można obliczyć zarówno na podstawie sygnałów EKG, jak i PPG. Dostarcza informacji o autonomicznym układzie nerwowym (ANS), mierząc różnice w odstępach czasu między uderzeniami serca (tj. interwały normalne do normalnych)27. Zwiększona aktywność układu współczulnego (SNS) (np. podczas stresu lub ćwiczeń) zazwyczaj zmniejsza HRV, podczas gdy aktywność przywspółczulna (PNS) (np. podczas relaksu) zwiększa je. Wolniejsze tempo oddychania generalnie zwiększa HRV ze względu na zwiększoną aktywność PNS, szczególnie w przypadku krótkich nagrań (<10 min)27. Wyższe wyniki HRV na ogół sugerują bardziej odporny i elastyczny ANS, podczas gdy niższy HRV może wskazywać na stres, zmęczenie lub podstawowe problemy zdrowotne. Długie zapisy HRV (tj. co najmniej 24 godziny) dostarczają prognozy dla różnych schorzeń, w tym chorób sercowo-naczyniowych, stresu, lęku i niektórych schorzeń neurologicznych27. Pomiary takie jak ciśnienie krwi, tętno lub poziom cholesterolu dostarczają informacji o stanie układu sercowo-naczyniowego. W przeciwieństwie do tego, HRV dodaje aspekt dynamiczny, pokazując, jak serce reaguje na stres i jak się po nim regeneruje.

Zalety BrainBeats nad istniejącymi metodami
Chociaż istnieją narzędzia, które można omówić poniżej, do przetwarzania sygnałów sercowo-naczyniowych i EEG niezależnie od siebie, nie można ich wspólnie analizować. Co więcej, większość dostępnych sposobów przetwarzania sygnałów sercowo-naczyniowych wiąże się z kosztownymi licencjami, nie pozwala na automatyczne przetwarzanie (szczególnie korzystne w przypadku dużych zbiorów danych), mają zastrzeżone algorytmy, które uniemożliwiają przejrzystość i odtwarzalność, lub wymagają zaawansowanych umiejętności programistycznych, ponieważ nie zapewniają graficznego interfejsu użytkownika (GUI)36. Według naszej wiedzy, cztery zestawy narzędzi MATLAB o otwartym kodzie źródłowym obsługują analizę HEP/HEO za pomocą graficznego interfejsu użytkownika: zestaw narzędzi ECG-kit37, BeMoBIL pipeline38, wtyczka HEPLAB EEGLAB 39 oraz CARE-rCortex toolbox40. Chociaż HEPLAB, BeMoBLIT i ECG-kit ułatwiają analizę HEP poprzez wykrywanie bicia serca i oznaczanie ich w sygnałach EEG, nie zapewniają one analizy statystycznej lub są ograniczone do dziedziny czasu (tj. HEP). Wtyczka CARE-rCortex rozwiązała te problemy, obsługując EKG i sygnały oddechowe, analizę dziedziny czasowo-częstotliwościowej, statystyki oraz zaawansowane metody normalizacji i korekcji linii bazowej dostosowane do analizy HEP/HEO. Wykorzystuje jednak metodę Bonferroniego do statystycznej korekcji błędu typu 1 (tj. wyników fałszywie dodatnich), która jest zbyt konserwatywna i nie jest fizjologicznie uzasadniona dla zastosowań EEG, co prowadzi do wzrostu błędów typu II (tj. wyników fałszywie ujemnych)41. Ponadto przybornik nie oferuje dostępu do wiersza poleceń w celu automatyzacji. Wreszcie, ostatnie badania odradzają metody korekcji linii bazowej42,43,44, ponieważ zmniejszają one stosunek sygnału do szumu (SNR) i są statystycznie niepotrzebne i niepożądane.

Aby rozwiązać te ograniczenia, wprowadzamy zestaw narzędzi BrainBeats, obecnie zaimplementowany jako wtyczka EEGLAB o otwartym kodzie źródłowym w środowisku MATLAB. Łączy w sobie następujące zalety w porównaniu z poprzednimi metodami:

1) Łatwy w użyciu graficzny interfejs użytkownika i funkcje wiersza poleceń (dla programistów dążących do automatycznego przetwarzania). 2) Zweryfikowane algorytmy, parametry i wytyczne dotyczące przetwarzania sygnałów sercowo-naczyniowych, takie jak wykrywanie pików R, interpolacja artefaktów RR i obliczanie wskaźników HRV (np. wytyczne dotyczące implantacji dla okienkowania, ponownego próbkowania, normalizacji itp.27,45,46). Jest to ważne, ponieważ Vest i in. wykazali, jak niewielkie różnice w tych etapach przetwarzania mogą prowadzić do rozbieżnych wyników, przyczyniając się do braku odtwarzalności i klinicznego zastosowania wskaźników HRV46. 3) Zweryfikowane algorytmy, domyślne parametry i wytyczne dotyczące przetwarzania sygnałów EEG, w tym filtrowanie i okienkowanie44,47, re-referencing48,49, usuwanie nieprawidłowych kanałów i artefaktów50,51,52, zoptymalizowana dekompozycja ICA i klasyfikacja niezależnych components53,54,55,56. Użytkownicy mogą dostroić wszystkie parametry przetwarzania wstępnego, a nawet wstępnie przetworzyć dane EEG preferowaną metodą przed użyciem zestawu narzędzi w celu dopasowania do swoich potrzeb (np. za pomocą wtyczki EEGLAB clean_rawdata50,52, potok BeMoBIL38, potok PREP57itp.). 4) Potencjały wywołane biciem serca (HEP, czyli dziedzina czasu) i oscylacje (HEO; perturbacje spektralne związane ze zdarzeniami metodami falkowymi lub FFT oraz koherencja międzypróbna są dostępne za pośrednictwem standardowego oprogramowania EEGLAB) z sygnałów EKG. Statystyki parametryczne i nieparametryczne z poprawkami na błędy typu 1 są dostępne za pośrednictwem standardowego oprogramowania EEGLAB. Statystyki nieparametryczne obejmują statystyki permutacji i poprawki czasoprzestrzenne dla wielokrotnych porównań (np. grupowanie czasoprzestrzenne lub bezprogowe ulepszanie klastrów)58,59. Użytkownicy mogą używać wtyczki-EEG do implementacji hierarchicznego modelowania liniowego, które dobrze uwzględnia wariancję wewnątrz i między obiektami oraz implementuje podejście masowo-jednowymiarowe bez założeń z solidną kontrolą błędów typu I i II60,61. Analizy statystyczne danych HEP/HEO mogą być przeprowadzane w domenach kanałów i niezależnych komponentów. 5) Analiza HEP/HEO i HRV na podstawie sygnałów PPG (po raz pierwszy dla HEP/HEO). 6) Po raz pierwszy wspomaga łączną ekstrakcję cech EEG i HRV. 7) Zestaw narzędzi zapewnia różne wizualizacje danych do kontroli sygnałów na różnych niezbędnych etapach przetwarzania i wyjściach na poziomie przedmiotu.

metodaWykrywanie szczytów R na podstawie EKGWykrywanie fal R z PPGHEP/HEOFunkcje EEG i HRVUsuń artefakty serca z EEGinterfejs graficznyWiersz poleceń
Zestaw EKGZZZZ
BeMoBILZZZ
HEPLABZZZZ
CARE-rCortexZZZZ
BrainBeats (Mózg bije)ZZZZZZZ

TABELA 1: Nowości wprowadzone przez BrainBeats w stosunku do istniejących, podobnych metod.

Informacje, które pomogą czytelnikom zdecydować, czy metoda jest dla nich odpowiednia
Ten zestaw narzędzi jest odpowiedni dla każdego badacza lub klinicysty posiadającego dane EEG i EKG/PPG. Wtyczka nie obsługuje jeszcze importowania sygnałów EEG i EKG/PPG z osobnych plików (chociaż ta funkcja będzie dostępna wkrótce). Zestaw narzędzi jest odpowiedni dla każdego, kto chce przeprowadzić analizę HEP/HEO, wyodrębnić cechy EEG i/lub HRV za pomocą standardowych metod lub po prostu usunąć artefakty serca z sygnałów EEG. Zobacz Rysunek 1 dla schematu blokowego podsumowującego ogólny przepływ i metody BrainBeats.

figure-introduction-1
RYSUNEK 1. Schemat blokowy podsumowujący ogólną architekturę i przepływ BrainBeats. Operacje, które są wspólne dla wszystkich trzech metod, są brązowe. Operacje specyficzne dla potencjałów wywołanych biciem serca (HEP) i oscylacji (HEO) są zielone. Operacje specyficzne dla ekstrakcji cech EEG i HRV są oznaczone kolorem niebieskim. Operacje specyficzne dla usuwania artefaktów serca z sygnałów EEG są oznaczone kolorem czerwonym. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Protokół

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Uzyskano świadomą zgodę od każdego uczestnika, a komisja etyki Uralskiego Uniwersytetu Federalnego zatwierdziła protokół eksperymentalny.

1. Wymagania BrainBeats

  1. Zainstaluj MATLAB i EEGLAB na komputerze. EEGLAB można pobrać pod adresem https://github.com/sccn/eeglab i rozpakować (lub sklonować dla użytkowników Git) w dowolnym miejscu na komputerze. Zobacz stronę GitHub, aby uzyskać więcej informacji na temat instalacji.
  2. Dodaj ścieżkę do folderu EEGLAB w panelu głównym MATLAB, klikając przycisk Ustaw ścieżkę. Wybierz folder eeglab z rozpakowanym plikiem i kliknij Zapisz > Zamknij.
  3. Uruchom EEGLAB, wpisując eeglab w oknie poleceń MATLAB.
  4. Zainstaluj wtyczkę BrainBeats, klikając Plik > Zarządzaj rozszerzeniami EEGLAB. Wpisz brainbeats w pasku wyszukiwania, wybierz wtyczkę BrainBeats z listy i kliknij Zainstaluj/Aktualizuj.
  5. Załaduj przykładowy zestaw danych do EEGLAB. Kliknij pozycję Plik> Załaduj istniejące dane. Przejdź do folderu EEGLAB, przejdź do folderu wtyczek, przejdź do folderu BrainBeats i otwórz folder sample_data. Wybierz plik dataset.set.
    UWAGA: Ten zestaw danych odpowiada sub-032 (stan spoczynku z otwartymi oczami) z wieloobiektowego zestawu danych typu open source62,63. Został wybrany, ponieważ zawiera jednoczesne EEG (64 kanały), EKG (jeden kanał) i PPG (jeden kanał), przy częstotliwości próbkowania 1000 Hz. Sygnały EKG i PPG zbierane były za pomocą wejść pomocniczych systemu actiCHamp. Dane EEG rejestrowano za pomocą elektrod aktywnych umieszczonych zgodnie z układem 10-20, z FCz jako odniesieniem online i Fpz jako elektrodą masową, przy impedancji utrzymywanej poniżej 25 kOm. EKG rejestrowano za pomocą jednej elektrody aktywnej umieszczonej na prawym nadgarstku, elektrody referencyjnej na lewym nadgarstku oraz uziemienia na lewej wewnętrznej stronie przedramienia w odległości 3 cm dystalnie od łokcia. PPG rejestrowano z palca wskazującego lewej ręki. Dane EEG, EKG i PPG są zsynchronizowane w czasie, ponieważ zostały zarejestrowane jednocześnie za pomocą tego samego wzmacniacza. Zobacz references62,63, aby uzyskać więcej informacji.
  6. Zaznacz pole wyboru Zapisz wyjścia, aby zapisać wszystko w odpowiednim pliku .set w tej samej lokalizacji, co oryginalny plik, który został załadowany do EEGLAB.
    UWAGA: W tym samouczku połączyliśmy dane EEG, EKG i PPG w jeden zestaw danych EEGLAB, załadowaliśmy współrzędne elektrody metodą elementów granicznych 3D (BEM) i zmniejszyliśmy próbkowanie sygnału do 250 Hz, aby zmniejszyć wagę pliku (do pobrania przez użytkownika) i przyspieszyć czas obliczeń. Ponieważ ten zestaw danych nie zawierał nieprawidłowego kanału EEG, sztucznie zmodyfikowaliśmy kanał TP9, aby zilustrować algorytm wykrywania i usuwania złych kanałów BrainBeats. Podobnie, sztucznie symulujemy duży artefakt EEG na początku pliku i artefakt przypominający mięśnie o wysokiej częstotliwości w kanałach skroniowych od 3 do 6 sekund, aby zilustrować funkcję usuwania artefaktów BrainBeats.

2. Potencjały wywołane biciem serca (HEP) i oscylacje (HEO)

  1. Otwórz pierwszy ogólny interfejs użytkownika (GUI) BrainBeats, aby wybrać główne parametry. W EEGLAB kliknij Narzędzia > BrainBeats > 1. poziom (poziom przedmiotu). Wybierz Potencjały wywołane biciem serca HEP jako analizę do uruchomienia, EKG jako typ danych serca i kliknij przycisk, aby wyświetlić listę kanałów, aby wybrać kanał EKG oznaczony jako EKG (lub wpisz go bezpośrednio w polu tekstowym). Pozostaw zaznaczone opcje Wizualizuj dane wyjściowe (zalecane) i Zapisz dane wyjściowe, a następnie kliknij przycisk OK.
  2. Pojawi się drugie okno GUI w oparciu o poprzednie opcje (tj. analizę HEP z danymi EKG). Wybierz parametry przetwarzania wstępnego zarówno dla sygnałów EEG, jak i EKG. Wyłącz przetwarzanie wstępne, odznaczając pola Wstępne przetwarzanie EKG i Wstępne przetwarzanie EEG, aby sprawdzić, czy dane zostały już wstępnie przetworzone przed uruchomieniem BrainBeats. Zmień szum linii energetycznej na 50 Hz w sekcji EEG przed procesem, ponieważ te dane EEG zostały zarejestrowane w Rosji. Kliknij OK, aby uruchomić.
  3. Pojawi się komunikat ostrzegawczy z prośbą o potwierdzenie usunięcia wykrytego kanału PPG. Dzieje się tak, ponieważ zestaw narzędzi nie jest przeznaczony do jednoczesnej analizy zarówno EKG, jak i PPG (lub innych kanałów pomocniczych), a utrzymanie go w zestawie danych doprowadzi do poważnych błędów (np. usunięcia artefaktów, słabego rozkładu ICA itp.). Kliknij przycisk Tak. BrainBeats zaczyna wykonywać pewne kontrole, ustawia pewne domyślne parametry i oddziela EKG od danych EEG, aby wstępnie przetworzyć sygnał EKG i obliczyć odstępy RR.
  4. Szeregi czasowe EKG i RR są wstępnie przetwarzane przy użyciu zwalidowanych algorytmów z zestawu narzędzi Physionet Cardiovascular Signal46,64 dostosowanych do formatowania danych BrainBeats, zwiększenia przejrzystości, dostrajania parametrów i czasu obliczeń (zobacz referencje w celu walidacji algorytmów). Wtyczka wyświetla interwały RR, znaczniki czasu, filtrowany sygnał EKG, wskaźniki szczytów R i tętno (HR). Dostosuj te parametry za pomocą graficznego interfejsu użytkownika lub wiersza poleceń.
    UWAGA: Sygnał EKG jest filtrowany pasmowo-przepustowo przy użyciu dostosowanego, zatwierdzonego filtra (1-30 Hz) i skanuje sygnał w celu zidentyfikowania zespołu QRS i pików R za pomocą metody Pan-Tompkinsa (P&T) 65, implementując niektóre operacje przetwarzania sygnału, w tym różnicowanie, kwadraturę, integrację i wygładzanie w celu uzyskania najlepszej wydajności. Próg energii P&T jest szacowany na podstawie częstotliwości próbkowania i wygładzonych wartości EKG, aby uniknąć zakłóceń spowodowanych dużymi uderzeniami. Jeśli zmienność przedziału RR przekracza 1,5 raza medianę, wyszukuje pominięte szczyty. Średni znak piku R jest obliczany w ciągu 30 sekund segmentów, a punkty piku są udoskonalane poprzez kontrolę okresu ogniotrwałego, zarządzając warunkami płaskimi i zapewniając spójne wykrywanie.
  5. Następnie BrainBeats identyfikuje nieprawidłowe interwały RR lub skoki w interwałach RR za pomocą wyszukiwania do przodu i do tyłu oraz progów fizjologicznych. Obliczany jest indeks jakości sygnału (SQI)46; sprawdź to, jeśli system wyświetla ostrzeżenia, w których więcej niż 20% szeregów czasowych RR zawiera artefakty RR (poza limitami fizjologicznymi lub z SQI poniżej 0,9). Wykres przedstawia przefiltrowany sygnał EKG, zidentyfikowane szczyty R, interwały NN i interpolowane artefakty (patrz Rysunek 2).
    UWAGA: Artefakty RR są domyślnie interpolowane przy użyciu metody sześciennej z zachowaniem kształtu w celu uzyskania odstępów normalnych do normalnych (NN), ale w razie potrzeby należy je usunąć (niezalecane) lub użyć innej metody interpolacji (liniowej, sześciennej, najbliższego sąsiada, poprzedniego/następnego sąsiada, splajnu, splotu sześciennego lub zmodyfikowanej kostki Akima). Gdy obecnych jest kilka kanałów EKG, odstępy RR są szacowane dla każdego z nich, a kanał z najmniejszą liczbą artefaktów RR jest wybierany do kolejnych kroków.
  6. Przewiń powiększone 30-sekundowe okna szczytów R, aby dokładniej się przyjrzeć, naciskając strzałki w prawo/w lewo. Jeśli dane zawierają kilka kanałów EKG/PPG, należy użyć kanału o najlepszym wskaźniku jakości sygnału dla interwałów RR. BrainBeats nie obsługuje obecnie jednocześnie sygnałów EKG i PPG. Na potrzeby samouczka wybraliśmy przykładowy zestaw danych, który zawiera oba typy danych.
  7. Po zakończeniu z sygnałem EKG, pasmo przepustowe BrainBeats filtruje dane EEG przy 1-40 Hz przy użyciu nieliniowego przyczynowego filtra FIR o minimalnej fazie, aby zmniejszyć aktywność rozmazywania między okresami przed i po biciu serca, zachować przyczynowość i uniknąć niepożądanych opóźnień grupowych44. Jest to szczególnie ważne dla użytkowników badających okres przed biciem serca. Jeśli filtr dolnoprzepustowy jest ustawiony na wartość wyższą od częstotliwości linii energetycznej (np. 80 Hz dolnoprzepustowy przy częstotliwości linii zasilającej 50 Hz), użyj ostrego filtra wycinającego, aby usunąć artefakt szumu linii. Dane EEG są następnie ponownie odnoszone do nieskończoności za pomocą algorytmu REST (najlepiej nadającego się do analizy HEP49), chyba że wykryto mniej niż 30 kanałów (w takim przypadku nie można ich wiarygodnie ponownie odwołać i generowane jest ostrzeżenie, aby poinformować użytkowników).
  8. Następnie BrainBeats wykrywa, usuwa i interpoluje nieprawidłowe kanały EEG (Rysunek 3). Sprawdź, czy domyślne parametry to płaskie linie większe niż 5 s (algorytm clean_flatlines), maksymalne odchylenie standardowe szumu o wysokiej częstotliwości wynoszące 10, długość okna 5 s (aby lepiej uchwycić artefakty o niskiej częstotliwości52), minimalna korelacja między sąsiednimi kanałami 0,65 i maksymalna tolerowana część 33% (algorytm clean_channels).
    UWAGA: Liczba próbek RANSAC jest domyślnie ustawiona na 500, aby zwiększyć zbieżność i powtarzalność odrzucania uszkodzonych kanałów (chociaż wydłuża to czas obliczeń).
  9. Następnie wstaw szczyty R jako markery zdarzeń do danych EEG, aby zaznaczyć każde uderzenie serca i podzielić dane wokół tych markerów bez usuwania linii bazowej (zgodnie z wytycznymi43,66; Rysunek 4). Ponieważ interwały NN mają różne długości, a EEG musi być segmentowane na stałą długość, oszacuj minimalną granicę wielkości epoki po zdarzeniach szczytu R, używając 5. percentyla danych interwału międzydudniowego (IBI) (tj. wartości, poniżej której przypada 5% najkrótszych IBI, wyświetlanej jako przerywana czerwona linia na histogramie; patrz Rysunek 5).
    UWAGA: Ta wartość 5. percentyla jest dobrym kompromisem, aby zachować jak najwięcej epok, jednocześnie zapewniając, że nie są one zbyt krótkie, ponieważ okres zainteresowania analizą HEP/HEO wynosi 200-600 ms po pulsie49,67.
  10. Segmentacja danych EEG od -300 ms przed szczytami R do wartości 5. percentyla po szczycie R, z szczytem R w czasie 0. Odrzucaj epoki krótsze niż 550 ms lub zawierające więcej niż jeden szczyt R (co mogłoby zniekształcić ERP/ERSP), zgodnie z wytycznymi49,67. Epoki zawierające duże artefakty EEG są wykrywane za pomocą metryk średniej kwadratowej (RMS) i stosunku sygnału do szumu (SNR) oraz funkcji isoutlier MATLAB (Rysunek 6). Artefakty epok są usuwane.
  11. Wykonaj ślepą separację źródeł przy użyciu domyślnego algorytmu Infomax, biorąc pod uwagę rangę danych w celu uzyskania najlepszej wydajności53. W razie potrzeby wybierz algorytm PICARD (preconditioned independent component analysis) do szybkich obliczeń54,54, wybierając opcję Picard (szybka) lub zmodyfikowany algorytm Infomax, wybierając opcję Zmodyfikowany Infomax (długi, ale powtarzalny) dla metody ICA pola (chociaż wiąże się to ze znacznie dłuższymi czasami obliczeń). Użyj wtyczki ICLabel56, aby automatycznie klasyfikować układy scalone w celu wyodrębnienia artefaktów niezwiązanych z mózgiem (komponenty oka są usuwane z 90% pewnością, podczas gdy szumy mięśniowe, liniowe i kanałowe są usuwane z 99% pewnością; Rysunek 7).
  12. Pozostaw opcję Wizualizuj dane wyjściowe wybraną w pierwszym oknie graficznego interfejsu użytkownika, aby zwizualizować końcowy szereg czasowy EEG, średnią ogólną HEP ( Rysunek 8 u góry), HEP dla każdego uderzenia serca (Rysunek 8 na dole) oraz całkowite średnie oscylacje wywołane biciem serca (HEO; Rysunek 9). Zbadaj HEO pod kątem perturbacji widmowych związanych ze zdarzeniami (ERSP, tj. zmiany mocy EEG w każdym uderzeniu serca; Rysunek 9 na górze) i spójność faz międzyprocesowych (ITC, tj. spójność kąta fazowego w każdym uderzeniu serca; Rysunek 9 na dole).
    UWAGA: ERSP jest obliczany przy użyciu domyślnej falki 3-cyklowej (z zastosowanym oknem stożkowym Hanninga, współczynnik padów 2) i z liczbą cykli w falkach używanych dla wyższych częstotliwości powoli rozszerzającą się do 20% liczby cykli w równoważnym oknie FFT przy najwyższej częstotliwości (1 minus 0,8). Steruje to kształtami poszczególnych okien mierzonymi przez funkcję i ich kształtami w wynikowych szybach czasu/częstotliwości. W celach ilustracyjnych usuwa się dowolną linię bazową, a ERSP oblicza się dla częstotliwości 7-25 Hz, aby uchwycić typowy efekt HEO opisany w literaturze, a mianowicie 300-450 ms po biciu serca w paśmie alfa (8-13 Hz) nad elektrodami czołowocentralnymi17,67. Niższe częstotliwości nie mogą być oszacowane ze względu na krótki rozmiar epoki zdefiniowany przez interwały międzytaktowe. Statystyki nieparametryczne (permutacje) są stosowane do wizualizacji HEO dla wartości p 0,05, skorygowanej o współczynnik fałszywych odkryć (FDR, tj. błąd typu 1 lub błąd rodzinny). Wykresy te są generowane do celów samouczka lub analizy pojedynczych prób.
  13. Wykresy przetwarzania wstępnego są generowane w celu wizualizacji różnych kroków. Aby ją wyłączyć, odznacz pole Wizualizuj przetwarzanie wstępne. Końcowe dane EEG (oczyszczone i podzielone na segmenty wokół szczytów R) nie obejmują danych EKG, ponieważ zaważyłoby to analizę ERP/ERSP. Aby zachować kanał serca w końcowym wyjściu, zaznacz pole Zachowaj kanał serca.
    UWAGA: W razie potrzeby zatrzymaj się w tym miejscu przed przetworzeniem następnego pliku (następnego warunku lub uczestnika).
  14. BrainBeats obsługuje funkcję historii EEGLAB. Pod koniec wszystkich operacji wpisz eegh w oknie poleceń MATLAB, aby wydrukować wiersz poleceń, aby powtórzyć wszystkie powyższe kroki za pomocą jednego wiersza poleceń, z parametrami wybranymi ręcznie w graficznym interfejsie użytkownika, co umożliwia łatwą automatyzację. Znajdź dane wyjściowe przetwarzania wstępnego (np. indeks jakości sygnału szeregów czasowych układu sercowo-naczyniowego, interwały NN, usunięte kanały, segmenty i komponenty EEG itp.) w strukturze EEGLAB: EEG.brainbeats.preprocessings. Wszystkie parametry są również eksportowane do EEG.brainbeats.parameters.
  15. Zaawansowani użytkownicy powinni wykonać wszystkie powyższe kroki z parametrami domyślnymi za pomocą następujących wierszy poleceń (więcej opcji można znaleźć w skrypcie samouczka w repozytorium BrainBeats):
    eeglab; zamykać; % Uruchom EEGLAB bez GUI
    main_path = fileparts(which('eegplugin_BrainBeats.m')); cd(main_path);
    EEG = pop_loadset('nazwa pliku','dataset.set',
    'ścieżka pliku',fullfile(main_path, 'sample_data')); %Załaduj przykładowy zestaw danych
    EEG = brainbeats_process(EEG,'analiza',
    'hep','heart_signal','EKG', 'heart_channels',
    {'EKG'},'clean_eeg',prawda); % Uruchom BrainBeats 1. poziom, aby przetworzyć plik do analizy HEP z parametrami domyślnymi
  16. Powyższe kroki wykonały HEP/HEO z sygnału EKG. Wykonaj następujące czynności dla sygnału PPG.
  17. W kolejnych krokach wykonaj te same operacje, ale przy użyciu sygnału PPG. Załaduj ponownie ten sam zestaw danych (patrz krok 1.5), ponieważ poprzednie operacje go nadpisały, a następnie ponownie otwórz pierwszy graficzny interfejs użytkownika BrainBeats, aby wybrać główne parametry. Kliknij pozycję Narzędzia > BrainBeats > 1. poziom (poziom tematu). Wybierz Potencjały wywołane biciem serca (HEP) jako analizę do uruchomienia, PPG jako typ danych serca i kliknij przycisk, aby wyświetlić listę kanałów, aby wybrać kanał PPG. Pozostaw zaznaczone opcje Wizualizuj dane wyjściowe (zalecane) i Zapisz dane wyjściowe, a następnie kliknij przycisk OK.
  18. Drugie okno GUI wyskakuje w sposób podobny do kroku 2.2 . Jedyna różnica polega na tym, że możemy teraz dostroić parametr, aby przetwarzał sygnał PPG zamiast sygnału EKG. Kliknij przycisk OK, aby uruchomić z parametrami domyślnymi.
  19. Pojawi się komunikat ostrzegawczy z prośbą o potwierdzenie usunięcia wykrytego dodatkowego kanału EKG. Również w tym przypadku można się tego spodziewać. Kliknij przycisk Tak. Domyślnie przybornik wstępnie przetworzy sygnał PPG, wykryje fale impulsowe w celu uzyskania interwałów RR, zidentyfikuje artefakty RR, jeśli takie istnieją, i dokona ich interpolacji (Rysunek 10). Kroki 2.7. zgodnie z pkt 2.12. są wykonywane i generowane są te same wykresy i wyniki, ale w oparciu o fale R wykryte z sygnału PPG (patrz Rysunek 11 i Rysunek 12).
    UWAGA: Fale R są wykrywane na podstawie nachylenia sygnału w określonym oknie. Impulsy potencjału są następnie sygnalizowane, gdy nachylenie przekroczy próg dynamiczny, który jest dostosowywany na podstawie historii wykrywania i charakterystyki sygnału. Następnie algorytm przeszukuje w okresie zamykania oka, aby wskazać maksymalne nachylenie, a następnie początek fali tętna jest określany poprzez progowanie. Szczyty fali R są identyfikowane jako doliny w pobliżu początku, a ich lokalizacje są rejestrowane. Algorytm iteruje cały sygnał, stale dostosowując progi detekcji i identyfikując szczyty fali R, które są następnie wykorzystywane do obliczania interwałów RR.
  20. Zaawansowani użytkownicy powinni wykonać wszystkie powyższe kroki z parametrami domyślnymi za pomocą następujących wierszy poleceń (więcej opcji można znaleźć w skrypcie samouczka w repozytorium BrainBeats):
    eeglab; zamykać; % Uruchom EEGLAB bez GUI
    main_path = fileparts(which('eegplugin_
    BrainBeats.m')); cd(main_path);
    EEG = pop_loadset('nazwa pliku','dataset.set',
    'ścieżka pliku',fullfile(main_path, 'sample_data')); %Załaduj przykładowy zestaw danych
    EEG = brainbeats_process(EEG,'analiza',
    'hep','heart_signal','PPG', 'heart_channels',
    {'PPG'},'clean_eeg',prawda); % Uruchom BrainBeats 1. poziom, aby przetworzyć plik do analizy HEP z parametrami domyślnymi

3. Ekstrakcja cech EEG i HRV

  1. Załaduj ponownie ten sam zestaw danych (patrz krok 1.5; Kliknij Plik> Załaduj istniejący zestaw danych > Wybierz dataset.set), ponieważ został on nadpisany przez poprzednie operacje, a następnie ponownie otwórz główny graficzny interfejs użytkownika, aby wybrać główne parametry (krok 2.1; Kliknij pozycję Narzędzia > BrainBeats > 1. poziom). Wybierz opcję Wyodrębnij funkcje EEG i HRV dla typu analizy, EKG dla typu sygnału serca i wybierz EKG z listy etykiet elektrod. Kliknij przycisk OK.
  2. Pojawia się drugie okno GUI, podobnie jak w kroku 2.2, ale z innymi parametrami wstępnego przetwarzania EEG i wyodrębniania funkcji HRV i EEG. Ustaw te parametry zgodnie z poniższym opisem. Kliknij przycisk OK, aby uruchomić komputer z parametrami domyślnymi.
    1. W sekcji HRV kliknij przycisk częste opcje, aby wybrać metodę obliczania mocy HRV (domyślnie ustawiona na znormalizowany periodogram Lomba-Scargle'a), nakładanie się okien (domyślnie ustawione na 25%) oraz do wykonywania normalizacji drugiego poziomu (domyślnie nieustawione; więcej szczegółów w notatce poniżej).
    2. W sekcji funkcji EEG kliknij przycisk częste opcje, aby dostroić niektóre parametry, takie jak ogólny zakres częstotliwości, na podstawie którego obliczana jest gęstość widmowa mocy (PSD; domyślnie = 1-40 Hz), jednostki (decybele, μV2/Hz lub znormalizowane przez moc całkowitą), typ okna (domyślnie = hamming), nakładanie się okna (domyślnie = 50%), długość okna (domyślnie = 2 s), oraz rodzaje granic częstotliwości dla każdego pasma.
      UWAGA: Moc HRV jest domyślnie obliczana przy użyciu znormalizowanego periodogramu Lomba-Scargle'a, który nie wymaga ponownego próbkowania (dzięki czemu lepiej zachowuje oryginalne informacje) i najlepiej radzi sobie z niejednorodnie próbkowanymi danymi, brakującymi danymi i szumem (typowym dla interwałów NN)68. Wersja znormalizowana skaluje moc przez wariancję sygnału, zapewniając wyniki, które są mniej wrażliwe na różne poziomy szumów, bardziej skoncentrowane na względnej sile składowych okresowych i bardziej porównywalne dla różnych nagrań lub tematów. Inne dostępne metody obejmują nieznormalizowany periodogram Lomba-Scargle'a, metodę Welcha i szybką transformację Fouriera (FFT). Ponowne próbkowanie jest wykonywane automatycznie dla metod Welch i FFT w celu utworzenia niezbędnych szeregów czasowych regularnie próbkowanych. Normalizację drugiego poziomu można zastosować, dzieląc moc każdego pasma częstotliwości przez moc całkowitą, zapewniając bardziej intuicyjną miarę względnego udziału każdej składowej częstotliwości w ogólnej mocy. Jest ona domyślnie wyłączona, ponieważ ma sens tylko wtedy, gdy dostępne są wszystkie cztery pasma, co wymaga co najmniej 24 godzin sygnału. Algorytmy te zostały zaadaptowane z narzędzia do przetwarzania sygnałów Physionet Cardiovascular Interface46.
  3. Pojawia się ten sam komunikat ostrzegawczy z prośbą o potwierdzenie usunięcia wykrytego dodatkowego kanału PPG. Również w tym przypadku można się tego spodziewać. Kliknij przycisk Tak. BrainBeats rozpocznie wstępne przetwarzanie danych EKG i wyodrębnianie interwałów NN w identyczny sposób, jak w kroku 2.4. Następnie wyodrębnia cechy zmienności rytmu serca (HRV) z interwałów NN w domenach czasu (SDNN, RMSSD, pNN50), częstotliwości (ULF, VLF, LF, HF, stosunek LF:HF, moc całkowita) i nieliniowej (Poincare, uśrednianie sygnału rektyfikowanego fazowo, entropia rozmyta i wymiar fraktalny).
    UWAGA: BrainBeats automatycznie sprawdza długość pliku, aby upewnić się, że spełnione są minimalne wymagania (np. zasilanie ULF-HRV wymaga 24 godzin danych), wysyła komunikaty ostrzegawcze, jeśli tak nie jest, i nie eksportuje tych funkcji, aby zapobiec niewiarygodnym szacunkom. BrainBeats postępuje zgodnie z wytycznymi i zaleceniami dotyczącymi szacowania metryk HRV27,45.
  4. BrainBeats wstępnie przetwarza dane EEG, jak w kroku 2.7 . (patrz Rysunek 3). Duże artefakty są wykrywane automatycznie w danych ciągłych za pomocą algorytmu rekonstrukcji podprzestrzeni artefaktów (ASR)50,52 (domyślne kryterium SD ustawione na 30 i wykorzystujące 80% dostępnej pamięci RAM w celu zwiększenia prędkości). Te duże artefakty są usuwane z danych EEG (patrz Rysunek 13). Aby dostosować te parametry w graficznym interfejsie użytkownika, zaznacz pola Próg, aby odrzucić uszkodzone segmenty z ASR i Dostępna pamięć RAM do użycia dla ASR.
    UWAGA: Szeregi czasowe EEG i sercowo-naczyniowe nie muszą być synchronizowane w czasie dla trybu cech, ponieważ cechy są szacowane dla każdego sygnału osobno. W ten sposób artefakty EEG mogą być usuwane bezpośrednio z danych EEG (na czerwono, Rysunek 13), w przeciwieństwie do trybu HEP, gdzie epoki zawierające artefakty zostały odrzucone dla obu szeregów czasowych, ponieważ synchronizacja czasu z dokładnością ms jest niezbędna dla tej metody.
  5. Wykonaj ICA przy użyciu tych samych algorytmów i parametrów, co w przypadku HEP (patrz krok 2.11.), z wyjątkiem tego, że tym razem składniki serca są usuwane, jeśli zostaną wykryte z 99% pewnością (zostały zachowane dla HEP/HEO, ponieważ nie chcemy usuwać odpowiednich sygnałów związanych z sercem).
  6. Pole Dziedzina częstotliwości jest zaznaczone w kroku 3.2., więc BrainBeats wyodrębnia następujące cechy domeny częstotliwości: średnią gęstość widmową mocy (PSD) dla pasm częstotliwości delta (1-3 Hz), theta (3-7 Hz), alfa (8-13 Hz), beta (13-30 Hz) i gamma (30+ Hz), indywidualna częstotliwość alfa (IAF) i asymetria alfa we wszystkich dostępnych (symetrycznych) parach elektrod. Sprawdź te funkcje.
    UWAGA: Plik PSD przeliczony na decybele (dB) ułatwia porównywanie wyników z różnych nagrań i obiektów. Granice częstotliwości można ustawić na granice konwencjonalne (np. predefiniowane 8-13 Hz dla pasma alfa) lub na granice zindywidualizowane, które są wykrywane na podstawie rozkładu gęstości widmowej mocy w celu uwzględnienia różnic międzyosobniczych69 (np. 7,3-12,6 Hz dla pasma alfa). Algorytm został zaprojektowany dla pasma alfa i nie działa tak dobrze dla innych pasm, zwłaszcza gdy piki nie występują w rozkładzie widmowym mocy. Indywidualna częstotliwość alfa (IAF) jest szacowana przy użyciu środka ciężkości alfa, aby lepiej radzić sobie z podzielonymi pikami lub niejednoznacznymi pikami69. Asymetria alfa jest obliczana zgodnie z wytycznymi (2-sekundowe okno hamminga z 50% nałożeniem, logarytm mocy alfa z lewego kanału minus logarytm mocy alfa z prawego kanału)47. W związku z tym wartości dodatnie wskazują na większą moc alfa w lewo niż w prawo i na odwrót. Asymetrię alfa można znormalizować, dzieląc moc alfa z każdej elektrody przez moc alfa zsumowaną dla wszystkich elektrod47. Pary symetryczne uzyskuje się za pomocą odległości theta, co wymaga, aby dane EEG zawierały współrzędne elektrody.
  7. Pole Domena nieliniowa jest zaznaczone w kroku 3.2., BrainBeats wyodrębnia entropię rozmytą i wymiar fraktalny dla każdego kanału EEG.
    UWAGA: Uważa się, że cechy domeny nieliniowej wychwytują nieliniową, złożoną dynamikę mózgu, która jest pomijana przez pomiary spektralne i są szczególnie obiecujące w badaniu interakcji między różnymi układami ciała70,71,72. Entropia rozmyta jest bardziej niezawodna i odporna niż jej alternatywy (próbka i przybliżona entropia), ale wymaga dłuższych czasów obliczeń (szczególnie w przypadku długich szeregów czasowych EEG z wysokimi częstotliwościami próbkowania). Aby rozwiązać ten problem, gdy sygnały EEG są dłuższe niż 2 minuty z częstotliwością próbkowania większą niż 100 Hz, są one automatycznie próbkowane w dół (lub dziesiątkowane, gdy współczynnik nie jest liczbą całkowitą) do 90 Hz (tj. odpowiadających częstotliwości Nyquista 45 Hz, aby dopasować domyślny filtr dolnoprzepustowy i w jak największym stopniu uniknąć artefaktów szumu linii). Co więcej, przetwarzanie równoległe jest domyślnie aktywowane podczas szacowania cech EEG, co skraca czas obliczeń, zwłaszcza gdy dostępnych jest wiele kanałów EEG.
  8. Wybierz opcję Wizualizuj dane wyjściowe w pierwszym graficznym interfejsie użytkownika (patrz krok 3.1.), aby wygenerować wykres przedstawiający gęstość widmową mocy (PSD) dla danych HRV i EEG (Rysunek 14) wraz z topografiami skóry głowy wyświetlającymi niektóre cechy EEG (Rysunek 15).
    UWAGA: Niektóre dane wyjściowe przetwarzania wstępnego można również znaleźć w EEG.brainbeats.preprocessing i wszystkie parametry używane w EEG.brainbeats.parameters. Zachęcamy użytkowników do zgłaszania tych wyników w publikacjach naukowych, aby zwiększyć możliwość powielania wyników.
  9. Pozostaw zaznaczone pole Zapisz dane wyjściowe w pierwszym oknie graficznego interfejsu użytkownika, aby zapisać wszystkie funkcje wyeksportowane do pliku EEGLAB .set w EEG.brainbeats.features i zapisać je w pliku .mat w tym samym folderze, w którym załadowano zestaw danych.
  10. BrainBeats obsługuje funkcję historii EEGLAB. Na końcu wszystkich operacji wpisz eegh w oknie poleceń MATLAB, aby wydrukować wiersz poleceń, który pozwoli Ci powtórzyć wszystkie powyższe kroki za pomocą jednego wiersza poleceń, z parametrami, które zostały wybrane ręcznie w GUI, co pozwoli na łatwą automatyzację i replikację operacji.
  11. W przypadku zaawansowanych użytkowników wykonaj wszystkie powyższe kroki za pomocą następującego polecenia:
    eeglab; zamykać; % Uruchom EEGLAB bez GUI
    main_path = fileparts(which('eegplugin_BrainBeats.m')); cd(main_path);
    EEG = pop_loadset('nazwa pliku','dataset.set',
    'ścieżka pliku',fullfile(main_path, 'sample_data')); % Załaduj przykładowy zestaw danych
    EEG = brainbeats_process(EEG,' analiza',
    'cechy','heart_signal','EKG', 'heart_channels',{'EKG'},'clean_eeg',prawda);
  12. W poprzednich krokach wyodrębniono cechy HRV z sygnału EKG. Wykonaj następujące czynności, aby wyodrębnić cechy HRV z sygnału PPG (cechy EEG są takie same).
  13. Załaduj ponownie ten sam zestaw danych (krok 1.5.), ponieważ został on nadpisany przez operacje, a następnie ponownie otwórz główny graficzny interfejs użytkownika (krok 2.5.). Wybierz Wyodrębnij funkcje EEG i HRV do analizy i wybierz PPG dla typu sygnału serca i PPG dla nazwy kanału. Kliknij przycisk OK.
  14. Drugie okno GUI pokazuje teraz parametry wstępnego przetwarzania PPG oraz wyodrębniania cech HRV i EEG. Kliknij przycisk OK, aby uruchomić z parametrami domyślnymi. Parametry są opisane w kroku 2.17.
  15. Pojawi się komunikat ostrzegawczy z prośbą o potwierdzenie usunięcia wykrytego kanału EKG. Można się tego spodziewać, ponieważ zestaw narzędzi nie jest przeznaczony do jednoczesnej analizy zarówno EKG, jak i PPG (lub innych kanałów pomocniczych), a utrzymanie go w zbiorze danych doprowadzi do poważnych błędów (np. usunięcia artefaktów, słabego rozkładu ICA itp.). Kliknij przycisk Tak.
  16. BrainBeats wstępnie przetwarza sygnał PPG i szacuje interwały NN jak w kroku 2.5. Sprawdź wyodrębnione cechy HRV z interwałów NN, tak samo jak w kroku 3.2 . z wyjątkiem tego, że interwały NN zostały teraz uzyskane z sygnału PPG. Sygnały EEG są wstępnie przetwarzane jak w kroku 3.2. BrainBeats tworzy wykres PSD (Rysunek 16). Jedyną różnicą jest tutaj PSD oszacowane na podstawie interwałów NN uzyskanych z PPG, a nie EKG.
  17. W przypadku zaawansowanych użytkowników wykonaj wszystkie powyższe kroki za pomocą następującego polecenia:
    eeglab; zamykać; % Uruchom EEGLAB bez GUI
    main_path = fileparts(which('eegplugin_BrainBeats.m')); cd(main_path);
    EEG = pop_loadset('nazwa pliku','dataset.set','ścieżka pliku',
    fullfile(main_path, 'sample_data')); %Załaduj przykładowy zestaw danych
    EEG = brainbeats_process(EEG,'analiza',
    'cechy','heart_signal', 'PPG','heart_channels',{'PPG'},'clean_eeg',true);

4. Wyodrębnij artefakty serca z sygnałów EEG.

  1. Załaduj przykładowy zestaw danych (zobacz krok 1.5.).
  2. Otwórz główne okno graficznego interfejsu użytkownika, klikając Narzędzia > BrainBeats > 1. poziom (poziom tematu) i wybierz Wyodrębnij artefakty serca z sygnałów EEG jako typ analizy, EKG dla typu sygnału serca i wybierz EKG z listy etykiet elektrod. Kliknij przycisk OK.
  3. Okno 2. graficznego interfejsu użytkownika pokazuje parametry przetwarzania wstępnego. Ustaw szum linii energetycznej na 50 Hz (Europa), w razie potrzeby edytuj poziom ufności, zaznacz pole Tryb wzmocnienia (beta) i kliknij OK, aby uruchomić z parametrami domyślnymi, ponieważ sygnały EEG z przykładowego zestawu danych nie są wstępnie przetwarzane.
    UWAGA: poziom ufności wykrywania składników serca jest domyślnie ustawiony na 80%, co może być zbyt niskie lub zbyt wysokie w przypadku niektórych zestawów danych. Zwiększenie tej wartości zwiększy szanse na wykrycie składników serca, ale zmniejszy wiarygodność tego wykrywania. Tryb Boost (beta) jest opcjonalny i ma na celu poprawę wydajności klasyfikacji poprzez rozmazywanie sygnału serca w sygnałach EEG.
  4. Pojawi się komunikat ostrzegawczy z prośbą o potwierdzenie usunięcia dodatkowego kanału PPG, który został wykryty. Można się tego spodziewać, ponieważ zestaw narzędzi nie jest przeznaczony do jednoczesnej analizy zarówno EKG, jak i PPG (lub innych kanałów pomocniczych), a utrzymanie go w zbiorze danych doprowadzi do poważnych błędów (np. usunięcia artefaktów, słabego rozkładu ICA itp.). Kliknij przycisk Tak.
  5. Sygnał EKG jest filtrowany pasmowo-przepustowo w celu usunięcia powolnych odchyleń częstotliwości poniżej 1 Hz i szumów o wysokiej częstotliwości powyżej 20 Hz (z nieprzyczynowym filtrem FIR o zerowej fazie). Wstępnie przetworzyć sygnały EEG jak w kroku 3.4.
  6. Przeprowadzanie analizy składowych niezależnych (ICA) przy użyciu wstępnie kondycjonowanego algorytmu ICA dla danych rzeczywistych (PICARD). Aby zmienić tę opcję, wybierz standardowy algorytm Infomax lub zmodyfikowany algorytm Infomax do replikacji z graficznego interfejsu użytkownika w kroku 4.3 . Następnie automatycznie sklasyfikuj niezależne komponenty za pomocą ICLabel. Jeśli komponent jest sklasyfikowany jako komponent serca z 80% pewnością, jest on domyślnie wykrywany i wyodrębniany automatycznie z danych EEG.
  7. Zachowaj pole Wizualizuj wyniki w pierwszym głównym graficznym interfejsie użytkownika (krok 4.2.), aby zobrazować topografię skóry głowy usuniętego komponentu (Rysunek 17 po lewej) i końcowy szereg czasowy EEG (na niebiesko, Rysunek 17 po prawej) po wyodrębnieniu komponentu serca (na czerwono, Rysunek 17 po prawej).
    UWAGA: kanał EKG jest zachowywany do wizualizacji w celu potwierdzenia ekstrakcji składników związanych z EKG, ale jest usuwany po tym kroku, ponieważ nie zawiera już żadnych istotnych informacji.
  8. Zaawansowani użytkownicy powinni wykonać następujące czynności, korzystając z następujących wierszy polecenia:
    eeglab; zamykać; % Uruchom EEGLAB bez GUI
    main_path = fileparts(which('eegplugin_BrainBeats.m')); cd(main_path);
    EEG = pop_loadset('nazwa pliku','dataset.set','ścieżka pliku',
    fullfile(main_path, 'sample_data'));
    EEG = brainbeats_process(EEG,'analiza','rm_heart',
    'heart_signal','EKG', ...
    'heart_channels',{'EKG'},'clean_eeg',prawda,'vis_cleaning',fałsz,...
    'conf_thresh',.8,'boost',true);

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Po pierwsze, wtyczka BrainBeats została użyta do wstępnego przetwarzania danych EEG i EKG, identyfikacji i usuwania artefaktów oraz analizy potencjałów wywołanych biciem serca (HEP) i oscylacji (HEO). BrainBeats z powodzeniem wykrył odstępy RR na podstawie sygnału EKG i niektórych artefaktów RR (Rysunek 2). BrainBeats zgłosił również w oknie poleceń, że 11/305 (3,61%) uderzeń serca zostało oznaczonych jako artefakty i interpolowanych. Średni wskaźnik jakości sygnału (SQI) interwałów RR (przed interpolacją) ma wartość 1, która jest najwyższą wartością. Niska jakość sygnału odpowiada oznaczaniu 20% lub więcej serii RR jako artefakt lub za pomocą SQI<0,9. Kanał EEG TP9 został usunięty i poddany interpolacji (Rysunek 3), kilka epok zawierających artefakty (Rysunek 6), a dwa komponenty oka zostały oznaczone do usunięcia (Rysunek 7). Dane wyjściowe obejmują średnią ogólną HEP (Rysunek 8) i HEO ( Rysunek 9). Zaobserwowaliśmy znaczące oscylacje wywołane biciem serca (HEO) w paśmie alfa (8-15 Hz) od 150 do 400 ms po biciu serca w czołowo-centralnym miejscu skóry głowy (Rysunek 9, u góry), zgodne z wcześniejszymi ustaleniami17,67). Z drugiej strony, analiza spójności międzypróbnej (ITC) nie sugerowała znaczącego blokowania fazy lub resetowania fazy EEG w odniesieniu do bicia serca (Rysunek 9, na dole).

Po drugie, wtyczka BrainBeats została użyta do zrobienia tego samego, ale z PPG. BrainBeats z powodzeniem wykrył interwały RR na podstawie sygnału EKG i niektórych artefaktów RR (Rysunek 10). BrainBeats zgłosił w oknie poleceń, że 15/309 (4,85%) uderzeń serca zostało oznaczonych jako artefakty i interpolowanych. Średni wskaźnik jakości sygnału (SQI) interwałów RR (przed interpolacją) ma wartość 0,87. Jakość sygnału jest średnio poniżej 0,9, ale nadal uważana za dobrą, ponieważ mniej niż 20% serii RR zostało oznaczone jako artefakt lub miało SQI<0,9. Dane wyjściowe pokazały średnią ogólną HEP (Rysunek 11) w oparciu o fale R wykryte w sygnale PPG. Zaobserwowaliśmy znaczące efekty w czołowo-centralnym miejscu skóry głowy w prawie całym oknie czasowym po fali R (150-400 ms) i prawie w całym zakresie częstotliwości (Ryc. 12 u góry). Nie zaobserwowano efektu ITC (Rysunek 12 na dole). Jest to pierwszy raz, kiedy analiza HEP/HEO została przeprowadzona na podstawie sygnałów PPG, a do interpretacji tych wyników potrzebne są przyszłe badania.

Po trzecie, BrainBeats został użyty do wyodrębnienia cech EEG i HRV z sygnału EKG. Proces ten obejmuje wstępne przetwarzanie sygnałów EKG i EEG, wykrywanie i usuwanie artefaktów oraz obliczanie cech HRV i EEG w różnych dziedzinach. Zaobserwowaliśmy szczyt rozkładu gęstości widmowej mocy HRV (PSD) przy ~0,19 Hz w paśmie wysokich częstotliwości (HF) (Rysunek 14 u góry). W przypadku EEG zaobserwowaliśmy szczyt rozkładu PSD przy ~10,5 Hz w paśmie alfa Rysunek 14 na dole). Topografie skóry głowy (Rysunek 15) wskazują, że średnia moc w głównych pasmach częstotliwości (i najwyższe szczytowe wartości częstotliwości alfa) są przede wszystkim zlokalizowane w tylnych obszarach skóry głowy. Co więcej, wyższe wartości entropii rozmytej (odzwierciedlające większą złożoność pod względem regularności) są głównie zlokalizowane w przednim prawym i tylnym obszarze skóry głowy. W przeciwieństwie do tego, wartości wymiarów fraktalnych (odzwierciedlające większą złożoność pod względem charakterystyki fraktalnej) nie wykazują dużej wariancji między regionami skóry głowy. Wreszcie, wykres asymetrii alfa (prawy dolny róg) pokazuje większą moc alfa w lewo niż w prawo w centralnym obszarze ciemieniowym i większą moc alfa w prawej niż lewej w okolicy tylnej. Te różnice w międzypółkulowej mocy alfa są na ogół interpretowane w kategoriach miejscowego hamowania w odpowiednich obszarach (tj. większa moc alfa odzwierciedla większe hamowanie korowe).

Po czwarte, BrainBeats został użyty do tego samego, z wyjątkiem tego, że cechy HRV zostały wyodrębnione z sygnału PPG. Tym razem obserwujemy szczyt przy ~0,04 Hz w paśmie częstotliwości LF i podzielony szczyt około ~0,19 Hz (Rysunek 16 u góry). Zauważ, że rozkład ten jest nieco inny niż ten uzyskany z interwału NN obliczonego na podstawie sygnału EKG (Rysunek 14 u góry). Może to być wynikiem niższej jakości sygnału w sygnale PPG. Cechy EEG są takie same jak w Rysunek 14.

Na koniec, użyliśmy BrainBeats do wyodrębnienia artefaktów serca z sygnałów EEG. Komponent serca został sklasyfikowany z 94,1% pewnością przy użyciu trybu boost (Rysunek 17 po lewej) i wyodrębniony z sygnałów EEG (Rysunek 17 po prawej).

figure-results-1
RYSUNEK 2. Interwały RR, artefakty i interwały NN uzyskane z sygnału EKG. U góry: wstępnie przetworzony sygnał EKG (niebieski) z pikami R wykrytymi przez BrainBeats (pomarańczowe kropki, tj. interwały RR). Środek: interwały od normalnego do normalnego (NN) (w kolorze niebieskim) po interpolacji artefaktów RR (w kolorze czerwonym). Dół: taki sam jak górny wykres, ale powiększony (okno 30 sekund), aby dokładniej przyjrzeć się szczytom R za pomocą funkcji przewijania poprzez naciśnięcie strzałek w lewo/w prawo. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-2
RYSUNEK 3. Odrzucenie złych kanałów EEG. Wizualizacja nieprawidłowego kanału EEG (TP9) automatycznie wykrytego i usuniętego ze zbioru danych. Uwaga: duży artefakt jest omawiany w dalszym kroku. Dane EEG zostały przefiltrowane pasmowo (1-40 Hz) i ponownie odniesione do nieskończoności. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-3
RYSUNEK 4. Wizualizacja 64-kanałowych danych EEG po wstępnym przetworzeniu i zaznaczeniu pików R w sygnale. Sygnał EKG jest zawarty na wykresie na dole w celu wizualnego potwierdzenia. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-4
Rysunek 5. Histogram interwałów międzymiarowych (IBI). Czerwona linia pokazuje dopasowany rozkład normalny, a czerwona linia przerywana pokazuje 5% percentyl, używany jako górna wartość odcięcia, przy której dane EEG są segmentowane (tj. 650 ms po szczycie R). Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-5
Rysunek 6. Usuwanie artefaktów epokowych. Wizualizacja epok odstających EEG (tj. zawierających artefakty), które zostały wykryte i usunięte przed przeprowadzeniem analizy niezależnych składowych (ICA). Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-6
Rysunek 7. Klasyfikacja niezależnych komponentów w celu usunięcia artefaktów innych niż mózg. Po wykonaniu ślepej separacji źródeł w celu uzyskania niezależnych składników naszych danych EEG, wtyczka ICLabel służy do ich klasyfikowania i automatycznego oznaczania komponentów niezwiązanych z mózgiem do ekstrakcji. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-7
Rysunek 8. Średni potencjał wywołany biciem serca (HEP) uzyskany za pomocą EKG. U góry: Średnia z epok dla każdego kanału EEG (nałożona), z topografiami skóry głowy pokazującymi rozkład amplitudy w okresie zainteresowania (200-500 ms po szczycie R). Dół: Ewolucja HEP w czasie (każda "próba" odpowiada uderzeniu serca). Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-8
Rysunek 9. Oscylacje wywołane biciem serca (HEO) uzyskane z EKG. Do góry: HEO na kanale Fz (region czołowo-centralny) po statystyce permutacji (1000 iteracji) i skorygowany o wskaźnik fałszywych odkryć (FDR) na poziomie ufności 95% (p<0,05). U dołu: Spójność międzypróbna (ITC) po korekcie FDR. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-9
RYSUNEK 10. Interwały RR, artefakty i interwały NN uzyskane z sygnału PPG. U góry: wstępnie przetworzony sygnał PPG (niebieski) z falami tętna wykrytymi przez BrainBeats (pomarańczowe kropki, czyli interwały RR). Środek: interwały od normalnego do normalnego (NN) (w kolorze niebieskim) po interpolacji artefaktów RR (w kolorze czerwonym). Dół: taki sam jak górny wykres, ale powiększony (okno 30 sekund), aby dokładniej przyjrzeć się falom tętna za pomocą funkcji przewijania poprzez naciśnięcie strzałek w lewo/w prawo. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-10
Rysunek 11. Średni potencjał wywołany biciem serca (HEP) uzyskany za pomocą PPG. U góry: Wszystkie elektrody są nałożone na siebie w dziedzinie czasu, a topografie skóry głowy pokazują rozkład amplitudy w okresie zainteresowania (200-500 ms po uderzeniu serca). Dół: Ewolucja HEP w czasie (każda "próba" odpowiada fali pulsującej). Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-11
Rysunek 12. Oscylacje wywołane biciem serca (HEO) uzyskane z PPG. Do góry: HEO dla kanału EEG Fz (region czołowo-centralny) po statystyce permutacji (1000 iteracji) i skorygowane o wskaźnik fałszywych odkryć (FDR) na poziomie ufności 95% (p<0,05). U dołu: Spójność międzypróbna (ITC) po korekcie FDR. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-12
Rysunek 13. Duży artefakt EEG został wykryty i usunięty przez algorytm rekonstrukcji podprzestrzeni artefaktów (ASR). Użytkownicy mogą przewijać cały plik, aby sprawdzić segmenty usunięte przez algorytm. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-13
Rysunek 14. Gęstość widmowa mocy (PSD) ekstrahowana z interwałów NN (EKG) i sygnałów EEG. U góry: Moc zmienności rytmu serca (HRV) w pasmach niskich częstotliwości (LF; 0,04-0,15 Hz; na żółto) i wysokich częstotliwości (HF; 0,15-0,40 Hz; na niebiesko), oszacowana przy użyciu znormalizowanego periodogramu Lomba-Scargle'a na podstawie sygnału EKG. Dół: PSD znormalizowane do decybeli (dB) obliczone na podstawie wstępnie przetworzonych danych EEG, uśrednionych dla wszystkich kanałów w celu wizualizacji. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-14
Rysunek 15. Główne cechy EEG wyodrębnione przez BrainBeats są zilustrowane topografiami skóry głowy. Główne cechy EEG to średnia moc widmowa w pasmach częstotliwości delta (1-3 Hz), theta (3-7 Hz), alfa (8-13 Hz), beta (13-30 Hz) i gamma (30-40 Hz), indywidualna częstotliwość alfa (IAF), entropia rozmyta, wymiar fraktalny i asymetria alfa, w kolejności. Uwagi: Większe wartości entropii rozmytej odzwierciedlają wyższą złożoność pod względem regularności, podczas gdy wymiar fraktalny odzwierciedla większą złożoność pod względem charakterystyki fraktalnej. Asymetrię alfa obliczono na 16 symetrycznych parach elektrod. Wartości dodatnie odzwierciedlają większą moc alfa w lewo niż w prawo, zwykle związaną z większym hamowaniem lokalnych obszarów kory mózgowej w lewo niż w prawo. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-15
Rysunek 16. Gęstość widmowa mocy (PSD) ekstrahowana z interwałów NN (PPG) i sygnałów EEG. U góry: Moc zmienności rytmu serca (HRV) w pasmach niskich częstotliwości (LF; 0,04-0,15 Hz; na żółto) i wysokich częstotliwości (HF; 0,15-0,40 Hz; na niebiesko), oszacowana przy użyciu znormalizowanego periodogramu Lomba-Scargle'a z sygnału PPG. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-16
Rysunek 17. Wizualizacja komponentu serca wykrytego i usuniętego przez BrainBeats. Po lewej: Topografia skóry głowy i poziom ufności klasyfikacji. Po prawej: szereg czasowy EEG (na niebiesko) po ekstrakcji komponentu serca (na czerwono). Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Krytyczne kroki w protokole
Kroki krytyczne opisano w krokach 1.1-1.4. Ostrzeżenia i komunikaty o błędach są zaimplementowane w różnych miejscach w zestawie narzędzi, aby pomóc użytkownikom zrozumieć, dlaczego mogą napotkać problemy (np. lokalizacje elektrod nie są załadowane w danych EEG, długość pliku jest zbyt krótka, aby obliczyć wiarygodną miarę HRV o bardzo niskiej częstotliwości, jakość sygnału jest zbyt niska, aby można było przeprowadzić wiarygodną analizę itp.). Każda funkcja jest udokumentowana dla zaawansowanych użytkowników, a parametry można łatwo dostroić (zalecane parametry i typowe zakresy są udokumentowane w tym manuskrypcie i w kodzie). Użytkownicy mogą uzyskać dostęp do pomocy dotyczącej sposobu korzystania z niektórych funkcji lub normalnych zakresów parametrów, za pomocą polecenia pomocy, po którym następuje nazwa funkcji (np. wpisz help brainbeats_process w oknie poleceń).

Ograniczenia metody
Użytkownicy muszą posiadać zestaw danych z EEG i sercowo-naczyniowym (EKG lub PPG) w tym samym pliku lub wiedzieć, jak je połączyć niezależnie. Import danych nie jest obecnie zautomatyzowany za pomocą BrainBeats, ponieważ należy zainstalować określone wtyczki, aby uwzględnić różne formaty danych (np. .csv,. edf,. bdf,. vhdr itp.). Przyszła wersja pozwoli użytkownikom automatycznie ładować zestawy danych BIDS z dowolną liczbą plików bezpośrednio do BrainBeats, łączyć dostępne sygnały EEG i sercowo-naczyniowe oraz radzić sobie z potencjalnymi problemami z synchronizacją czasu (np. różne częstotliwości próbkowania, wyrównanie znaczników czasu itp.).

Cechy entropii są szczególnie obiecujące w uchwyceniu złożonych, dwukierunkowych interakcji między układami sercowo-naczyniowymi, podkorowymi i korowymi, które mogą być ukryte w nieliniowej dynamice pętli sprzężenia zwrotnego 27,73,74. Są one jednak ciężkie obliczeniowo i mogą zająć dużo czasu, aby obliczyć na podstawie sygnałów EEG, zwłaszcza przy wysokich częstotliwościach próbkowania. Chociaż niektóre rozwiązania są już wdrażane (obliczenia równoległe, próbkowanie w dół/dziesiątkowanie), przyszłe prace jeszcze bardziej obniżą te koszty obliczeniowe.

Chociaż statystyki na poziomie grupy są dostępne dla HEP/HEO, nie są one obecnie dostępne w trybie funkcji, ale będą dostępne wkrótce. Tymczasem użytkownicy mogą nadal używać tej metody do łatwego i niezawodnego wyodrębniania cech, wykonywania statystyk za pomocą dowolnego standardowego oprogramowania statystycznego lub tworzenia modeli ML opartych na funkcjach za pomocą wybranej przez siebie metody.

EKG bezpośrednio ocenia elektrofizjologię serca poprzez uchwycenie pola elektrycznego serca. Natomiast PPG mierzy zmiany objętości krwi w łożyskach mikronaczyniowych, odzwierciedlając aktywność serca bardziej pośrednio poprzez dynamikę przepływu krwi. Identyfikacja szczytu R w EKG jest prosta ze względu na jego wyraźną manifestację w zespole QRS, odpowiadającą depolaryzacji komór poprzedzającej skurcz serca. Natomiast najbardziej widocznym szczytem sygnału PPG jest szczyt skurczowy (lub szczyt fali tętna), odpowiadający punktowi maksymalnej objętości krwi w tętnicach. Występuje nieznacznie po szczycie R w EKG. Opóźnienie to wynika z czasu potrzebnego na przebycie fali ciśnienia od serca do miejsca peryferyjnego, w którym mierzony jest sygnał PPG. Tak więc dolina w kształcie fali PPG (oznaczona jako załamek R w BrainBeats), występująca między dwoma szczytami skurczowymi, odpowiada punktowi minimalnej objętości krwi i nie pokrywa się ze szczytem R w EKG. Zamiast tego jest bliższy załamkowi T w EKG, który reprezentuje repolaryzację komorową9. Ta różnica w charakterystyce sygnału powoduje rozbieżności czasowe między sygnałami EKG i PPG, które wpływają na czasowe aspekty obserwowanych HEP. Z klinicznego punktu widzenia ta rozbieżność wymaga starannego rozważenia wyboru odpowiedniej metody analizy HEP, przy czym EKG jest preferowane do bezpośrednich badań elektrofizjologicznych serca, a PPG oferuje korzyści w zakresie łatwości użycia i komfortu pacjenta przy długoterminowym monitorowaniu. Chociaż EKG i PPG mogą ułatwić analizę HEP, ich różny charakter sygnału i implikacje fizjologiczne sugerują, że ich wnioski nie są bezpośrednio wymienne. Wybór między EKG a PPG do analizy HEP powinien być dostosowany do konkretnych celów i potrzeb badania lub zastosowania klinicznego. Chociaż może to być ograniczeniem, jest to również mocna strona, ponieważ oznacza, że EKG i PPG mogą dostarczać dwóch różnych rodzajów informacji o układzie sercowo-naczyniowym, które w połączeniu mogą się uzupełniać i dostarczać nowych informacji. Co więcej, różnicę czasową między szczytami R (z EKG) a załamkami R (z PPG) można skorygować, jeśli jest stabilna w czasie, korzystając z zestawu danych zawierającego jednoczesne sygnały EKG-PPG, jak wykorzystano w tym samouczku.

Sygnały PPG są gładsze i nie mają wyraźnych cech w stosunku do EKG, co czyni je podatnymi na artefakty75. Chociaż algorytm zastosowany w tym badaniu został wcześniej zweryfikowany i dobrze działał na zestawie danych wykorzystanym w tym badaniu, może nie działać tak dobrze w przypadku innych typów sygnałów PPG, zwłaszcza tych zebranych za pomocą technologii ubieralnych.

W przypadku analizy HEP/HEO epoki są definiowane za pomocą progów opartych na rozkładzie interwałów międzyuderzeniowych poszczególnych osób (IBI; ~600-1000 ms). Prowadzi to do różnych długości epok w różnych obiektach i błędów w analizie grupowej. Co więcej, krótka długość epoki wynikająca z IBI, w porównaniu z konwencjonalnymi badaniami EEG (bodźce są zwykle rozłożone w ciągu kilku sekund, aby umożliwić mózgowi powrót do stanu wyjściowego), prowadzi do potencjalnych niepożądanych efektów krawędziowych lub uniemożliwia użytkownikom badanie wolnych częstotliwości. Dekompozycja czasowo-częstotliwościowa zazwyczaj wymaga, aby epoki rozciągały się do 3 cykli w najniższej interesującej nas częstotliwości poza oknem zainteresowania. W przypadku HEO interesujące nas okno wynosi 200-500 ms. W związku z tym wymagane byłoby na przykład dodatkowe 600 ms przed i po oknie (tj. od -400 do 900 ms) na badanie częstotliwości tak niskich, jak 5 Hz. Jeśli ktoś chciałby zbadać częstotliwości tak niskie, jak 1 Hz, potrzebne są dodatkowe 3 sekundy przed i po interesującym nas oknie. Jest to konieczne do uzyskania prawidłowej rozdzielczości czasu i częstotliwości przy jednoczesnym uniknięciu efektów krawędziowych.

Znaczenie metody w odniesieniu do istniejących metod
Ogólnie rzecz biorąc, BrainBeats zapewnia najnowocześniejsze techniki przetwarzania sygnałów zarówno dla EEG, jak i sygnałów sercowo-naczyniowych, z możliwością dostrajania za pomocą wiersza poleceń i graficznego interfejsu użytkownika (GUI).

Te trzy metody można wykonać zarówno za pomocą przyjaznego dla użytkownika interfejsu graficznego (GUI), jak i wiersza poleceń (eksperci, umożliwiający automatyzację). Metoda 1 może być badana w dziedzinach czasu (HEP), częstotliwości (HEO) lub czas-częstotliwość (HEO), a także na poziomie kanału lub niezależnych komponentów. O ile nam wiadomo, HEP/HEO nigdy nie był wykonywany przy użyciu sygnałów PPG, a teraz jest łatwo dostępny.

Metoda 2 nie ma obecnie istniejącej wcześniej alternatywy. Co więcej, użytkownicy mogą również używać BrainBeats do wstępnego przetwarzania i wyodrębniania cech EEG lub HRV indywidualnie z innymi zestawami danych, które nie zawierają obu sygnałów. Na przykład użytkownik może wstępnie przetworzyć sygnały EKG/PPG i wyodrębnić cechy HRV w celu analizy tylko wartości HRV (i odwrotnie, jeśli użytkownik chce wyodrębnić cechy EEG ze zbioru danych EEG). Może to być szczególnie przydatne w przypadku aplikacji uczenia maszynowego opartych na funkcjach.

Metoda 3 pozwala na szybkie i automatyczne usunięcie artefaktów serca z sygnałów EEG. Chociaż jest to już możliwe w EEGLAB z wtyczką ICLabel, wymaga od użytkowników wykonania szeregu kroków i wyboru parametrów (np. filtrowanie sygnałów górnoprzepustowych, uruchamianie ICA, uruchamianie ICLabel, dostrajanie parametrów, odejmowanie składowych serca od sygnałów EEG i usuwanie kanałów EKG), które mogą łatwo prowadzić do błędów (np. układy scalone duchów55)). Ponadto wprowadzamy metodę boost, która zwiększa wydajność tej metody za pomocą sygnału sercowo-naczyniowego (zazwyczaj nie jest uwzględniona w tych operacjach).

Ponadto zestaw narzędzi wdraża ulepszenia wydajności obliczeniowej, aby przyspieszyć szacowanie cech EEG (głównie wieloskalowych miar entropii), w tym GPU i obliczeń równoległych. Należy pamiętać, że te opcje są tak korzystne, jak sprzęt użytkownika (tj. karta graficzna oraz liczba procesorów i wątków).

Kierunki na przyszłość
Zestaw narzędzi będzie nadal modyfikowany i ulepszany przez autorów w perspektywie długoterminowej, aby wdrażać najnowsze wytyczne i zalecenia ekspertów terenowych oraz naprawiać wszelkie błędy, które mogą się pojawić.

Zostaną dodane dodatkowe funkcje i metody do oceny interakcji między EEG a sygnałami sercowo-naczyniowymi. Na przykład funkcje qEEG, takie jak stosunek theta/beta (lub podobne współczynniki spektralne, które rejestrują istotne informacje kliniczne lub poznawcze) można łatwo dodać do zestawu narzędzi. Nowe metody będą obejmować, na przykład, bezpośrednią i częściową koherencję EEG-EKG, czasowo-rozdzielczy pomiar kierunkowej interakcji mózg/serce76 lub klasyfikację danych HEP lub danych cechowych za pomocą uczenia maszynowego (np. drzewa decyzyjne, las losowy, naiwny Bayes, SVM, KNN, sieci długiej pamięci krótkotrwałej itp.)Rozdział 17.

Aby uzyskać najlepszą wydajność w wykrywaniu fal R z hałaśliwych sygnałów PPG zebranych za pomocą technologii ubieralnych, przyszłe wersje BrainBeats mogą zapewnić alternatywne algorytmy dla tych zastosowań. Inne obiecujące algorytmy obejmują algorytmy oparte na pochodnych sygnałów77, adaptacyjne sztuczne sieci neuronowe neuronów liniowych (używane w EKG78) lub zespołową dekompozycję w trybie empirycznym79.

Na potrzeby analizy HEO, aby rozwiązać problem krótkiej epoki w estymacji czasowo-częstotliwościowej (patrz ograniczenia powyżej), planujemy zaimplementować w przyszłych wersjach metodę odbicia, która odzwierciedla sygnał z interesującego okna (tj. wstecznej wersji sygnału) przed i po oknie zainteresowania w celu jego rozszerzenia. Zapewnia to płynne przejścia i usuwa niepożądane efekty krawędzi. Sekcje odbite w lustrze są następnie usuwane.

Oświadczenia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy nie mają nic do ujawnienia.

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Instytut Nauk Noetycznych wspierał te badania. Dziękujemy twórcom oryginalnych algorytmów open-source, które zostały przystosowane do opracowania niektórych algorytmów BrainBeats.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
EEGLABSwartz Center for Computational Neuroscience (SCCN)Darmowy/Open-source
MATLABThe Mathworks, Inc.Wymaga licencji
na komputer z systemem WindowsLenovo, Inc.

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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).

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Interakcje m zg serceanaliza EEG i uk adu sercowo naczyniowegopotencja y wywo ane uderzeniem sercaekstrakcja cech EEGekstrakcja cech HRVotwarta biblioteka narz dzizautomatyzowane przetwarzanie sygna wusuwanie artefakt w sercowychmultimodalna analiza danych

Powiązane artykuły