Artykuł metodologiczny

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

4.1K wyświetleń

⸱

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

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

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

Przez długi czas w badaniach naukowych nad fizjologią i poznawaniem człowieka dominowało podejście redukcjonistyczne. Podejście to polegało na rozbijaniu złożonych procesów cielesnych i psychicznych na mniejsze, łatwiejsze do opanowania komponenty, co pozwalało badaczom skupić się na poszczególnych układach w izolacji. Strategia ta wynikała z trudności w badaniu zawiłej i wzajemnie powiązanej natury ludzkiego ciała i umysłu1. Redukcjonizm był kluczowy dla zrozumienia poszczególnych podsystemów w izolacji, na przykład przy wyjaśnianiu roli kanałów jonowych i potencjałów czynnościowych w komunikacji neuronalnej2 lub kardiologicznej3. Niemniej jednak, wciąż istnieje znacząca luka w naszym zrozumieniu tego, jak te odizolowane systemy oddziałują na siebie w większej skali przestrzennej i czasowej. Ramy multimodalne (integracyjne lub ekologiczne) traktują ludzkie ciało jako złożony system wielowymiarowy, w którym umysł jest postrzegany nie jako produkt mózgu, lecz jako aktywność istoty żywej – aktywność, która integruje mózg z codziennymi funkcjami ludzkiego organizmu4. Podejścia multimodalne i redukcjonistyczne nie wykluczają się wzajemnie, podobnie jak nie można badać jednego neuronu bez całego mózgu ani całego mózgu bez zrozumienia właściwości poszczególnych neuronów. Razem torują one drogę do bardziej kompleksowego, synergicznego zrozumienia ludzkiego zdrowia, patologii, poznawania, psychologii i świadomości. Przedstawiona metoda ma na celu ułatwienie multimodalnych badań nad współzależnością między mózgiem a sercem poprzez zapewnienie wspólnej analizy elektroencefalografii (EEG) i sygnałów sercowo-naczyniowych, a mianowicie elektrokardiografii (ECG) i fotopletyzmografii (PPG). Niniejszy zestaw narzędzi, zaimplementowany jako wtyczka EEGLAB w programie MATLAB, rozwiązuje istniejące ograniczenia metodologiczne i został udostępniony jako oprogramowanie open source, aby ułatwić dostępność i powtarzalność w środowisku naukowym. W swojej konstrukcji i parametrach domyślnych implementuje on najnowsze wytyczne i rekomendacje, aby zachęcić użytkowników do stosowania uznanych dobrych praktyk. Proponowany zestaw narzędzi powinien stanowić cenny zasób dla badaczy i klinicystów zainteresowanych: 1) badaniem potencjałów wywołanych rytmem serca , 2) ekstrakcją cech z sygnałów EEG i ECG/PPG lub 3) usuwaniem artefaktów serca z sygnałów EEG.

Badania nad osią serce-mózg
Zależność między sercem a mózgiem była historycznie badana za pomocą metod neuroobrazowania, takich jak funkcjonalny rezonans magnetyczny (fMRI) oraz pozytonowa tomografia emisyjna (PET). Wykorzystując te narzędzia, badacze wyróżnili niektóre obszary mózgu związane z kontrolą sercowo-naczyniową (np. manipulacja częstością akcji serca i ciśnieniem tętniczym5), wykazali wpływ częstości akcji serca na sygnał BOLD6 lub zidentyfikowali potencjalne szlaki mózg-ciało przyczyniające się do choroby wieńcowej (tj. ciśnienie tętnicze wywołane stresem7). Choć badania te znacząco poszerzyły naszą wiedzę na temat złożonych zależności między ośrodkowym układem nerwowym (OUN) a funkcją sercowo-naczyniową, techniki neuroobrazowania te są kosztowne, mają ograniczoną dostępność i są ograniczone do kontrolowanych warunków laboratoryjnych, co ogranicza ich praktyczność w zastosowaniach rzeczywistych i na szeroką skalę.

W przeciwieństwie do nich, EEG oraz ECG/PPG są bardziej przystępnymi cenowo i przenośnymi narzędziami, które dają możliwość badania interakcji mózg-serce w bardziej zróżnicowanych środowiskach i populacjach lub przez dłuższe okresy, otwierając nowe możliwości. ECG mierzy sygnały elektryczne generowane przy każdym uderzeniu serca podczas jego skurczu i rozkurczu za pomocą elektrod umieszczonych na skórze (zazwyczaj na klatce piersiowej lub ramionach)8. PPG mierzy zmiany objętości krwi w tkankach mikro naczyniowych (tj. przepływ krwi i tętno) przy użyciu źródła światła (np. LED) i fotodetektora (zazwyczaj umieszczonego na opuszkach palców, nadgarstku lub czole), opierając się na fakcie, że krew pochłania więcej światła niż otaczająca ją tkanka9. Obie metody dostarczają cennych informacji o funkcji układu sercowo-naczyniowego, ale służą innym celom i oferują odmienne rodzaje danych. Podobnie jak ECG, EEG rejestruje pola elektryczne generowane przez zsynchronizowaną aktywność tysięcy neuronów korowych, które rozprzestrzeniają 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 ECG/PPG daje duże nadzieje na pogłębienie naszej wiedzy na temat procesów fizjologicznych, poznawczych i emocjonalnych leżących u podstaw interakcji mózg-serce oraz ich wpływu na zdrowie i dobrostan człowieka. Dlatego rejestrowanie wzajemnych oddziaływań serce-mózg z sygnałów EEG oraz ECG/PPG za pomocą zestawu narzędzi BrainBeats może być szczególnie użyteczne w następujących obszarach naukowych: diagnostyka i prognozowanie kliniczne, uczenie maszynowe (ML) oparte na dużych zbiorach danych, monitorowanie stanu zdrowia w warunkach rzeczywistych11 oraz mobilne obrazowanie mózgu/ciała (MoBI)12,13.

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

Potencjały wywołane rytmem serca (HEP) w dziedzinie czasu: potencjały wywołane zdarzeniem (ERP), oraz oscylacje wywołane rytmem serca (HEO) w dziedzinie czasu-częstotliwości: spektralne perturbacje związane ze zdarzeniem (ERSP) oraz spójność między próbami (ITC). Podejście to bada sposób, w jaki mózg przetwarza każde uderzenie serca. Metoda ta, charakteryzująca się dokładnością do milisekund (ms), wymaga idealnej synchronizacji obu szeregów czasowych oraz zaznaczenia uderzeń serca w sygnałach EEG. Podejście to zyskało zainteresowanie w ostatnich latach14,15,16,17,18,19.

Podejście oparte na cechach: podejście to polega na wyodrębnianiu cech EEG i zmienności rytmu serca (HRV) z sygnałów ciągłych oraz badaniu powiązań między nimi. Metoda ta była stosowana niezależnie dla EEG (często określanego jako ilościowe EEG lub qEEG20), EKG21,22,23 oraz PPG24,25,26. Podejście to wykazuje obiecujące zastosowania dzięki rejestrowaniu zmiennych związanych zarówno ze stanem, jak i cechami stałymi (traits). Należy zauważyć, że w przypadku sygnałów EEG i sercowo-naczyniowych, im dłuższy czas rejestracji, tym bardziej dominująca jest zmienna cechy stałej27,28,29. Zatem zastosowania zależą od parametrów rejestracji. Analizy oparte na cechach budzą coraz większe zainteresowanie, dostarczając nowych wskaźników ilościowych do prognozowania rozwoju zaburzeń psychicznych i neurologicznych, odpowiedzi na leczenie lub nawrotów30,31,32,33,34,35. Podejście to jest szczególnie przekonujące w przypadku dużych zbiorów danych z rzeczywistych warunków (np. klinicznych, zdalnego monitorowania), które można łatwiej uzyskać dzięki niedawnym innowacjom w dziedzinie noszonej neurotechnologii11. Mniej zbadanym zastosowaniem jest identyfikacja powiązań między konkretnymi cechami mózgu i serca, co pozwala wyróżnić potencjalną dynamikę ośrodkowego układu nerwowego. Zmienność rytmu serca (HRV) można obliczyć zarówno z sygnałów EKG, jak i PPG. Dostarcza ona informacji o autonomicznym układzie nerwowym (ANS) poprzez pomiar zmienności odstępów czasowych między uderzeniami serca (tj. odstępów normalny-normalny)27. Zwiększona aktywność współczulna (SNS) (np. podczas stresu lub wysiłku fizycznego) zazwyczaj zmniejsza HRV, podczas gdy aktywność przywspółczulna (PNS) (np. podczas relaksacji) ją zwiększa. Wolniejsza częstotliwość oddychania zazwyczaj zwiększa HRV ze względu na wzmożoną aktywność PNS, zwłaszcza w przypadku krótkich rejestracji (<10 min)27. Wyższe wyniki HRV zazwyczaj sugerują bardziej odporny i adaptacyjny ANS, podczas gdy niższe HRV może wskazywać na stres, zmęczenie lub utajone problemy zdrowotne. Długie rejestracje HRV (tj. co najmniej 24 h) pozwalają na prognozowanie różnych stanów zdrowotnych, w tym chorób sercowo-naczyniowych, stresu, lęku i niektórych schorzeń neurologicznych27. Pomiary takie jak ciśnienie tętnicze, tętno czy poziom cholesterolu dostarczają informacji o stanie układu sercowo-naczyniowego. W przeciwieństwie do nich, HRV dodaje aspekt dynamiczny, pokazując, jak serce reaguje na stres i jak się po nim regeneruje.

Zalety BrainBeats w porównaniu do istniejących metod
Choć istnieją narzędzia, omówione poniżej, służące do niezależnego przetwarzania sygnałów sercowo-naczyniowych i EEG, nie można ich analizować wspólnie. Co więcej, większość dostępnych środków do przetwarzania sygnałów sercowo-naczyniowych wiąże się z kosztownym licencjonowaniem, nie umożliwia automatycznego przetwarzania (szczególnie korzystnego w przypadku dużych zbiorów danych), posiada zastrzeżone algorytmy, które uniemożliwiają transparentność i powtarzalność, lub wymaga zaawansowanych umiejętności programistycznych z powodu braku graficznego interfejsu użytkownika (GUI)36. Z naszej wiedzy cztery otwarte zestawy narzędzi MATLAB wspierają analizę HEP/HEO z interfejsem GUI: zestaw narzędzi ecg-kit37, potok BeMoBIL38, wtyczkę HEPLAB EEGLAB39 oraz zestaw narzędzi CARE-rCortex40. Chociaż HEPLAB, BeMoBIL i ecg-kit ułatwiają analizę HEP poprzez wykrywanie uderzeń serca i zaznaczanie ich w sygnałach EEG, nie zapewniają one analizy statystycznej lub są ograniczone do dziedziny czasu (tj. HEP). Wtyczka CARE-rCortex rozwiązała te problemy, wspierając sygnały EKG i oddechowe, analizę w dziedzinie czasu i częstotliwości, statystykę oraz zaawansowane metody normalizacji i korekcji linii bazowej dostosowane do analizy HEP/HEO. Wykorzystuje ona jednak metodę Bonferroniego do statystycznej korekcji błędu typu I (tj. fałszywie dodatnich wyników), która jest zbyt konserwatywna i nieuzasadniona fizjologicznie w zastosowaniach EEG, co prowadzi do wzrostu błędów typu II (tj. fałszywie ujemnych wyników)41. Ponadto zestaw narzędzi ten nie oferuje dostępu przez wiersz poleceń w celu automatyzacji. Wreszcie, niedawne badania odradzają stosowanie metod korekcji linii bazowej42,43,44, ponieważ obniżają one stosunek sygnału do szumu (SNR) i są statystycznie niepotrzebne oraz niewskazane.

Aby rozwiązać te ograniczenia, przedstawiamy zestaw narzędzi BrainBeats, obecnie zaimplementowany jako wtyczka open-source do oprogramowania EEGLAB w środowisku MATLAB. Charakteryzuje się on następującymi zaletami w porównaniu z poprzednimi metodami:

1) Intuicyjny interfejs graficzny (GUI) oraz możliwości obsługi z linii komend (dla programistów dążących do zautomatyzowania przetwarzania). 2) Zwalidowane algorytmy, parametry i wytyczne dotyczące przetwarzania sygnałów sercowo-naczyniowych, takie jak wykrywanie szczytów R, interpolacja artefaktów RR i obliczanie wskaźników HRV (np. wbudowane wytyczne dotyczące okienkowania, ponownego próbkowania, normalizacji itp.27,45,46). Jest to istotne, ponieważ Vest i wsp. wykazali, że niewielkie różnice w tych etapach przetwarzania mogą prowadzić do rozbieżnych wyników, co przyczynia się do braku powtarzalności i przydatności klinicznej wskaźników HRV46. 3) Zwalidowane algorytmy, domyślne parametry i wytyczne dotyczące przetwarzania sygnałów EEG, w tym filtrowania i okienkowania44,47, ponownego odniesienia (re-referencing)48,49, usuwania nieprawidłowych kanałów i artefaktów50,51,52, zoptymalizowanej dekompozycji ICA i klasyfikacji komponentów niezależnych53,54,55,56. Użytkownicy mogą dostrajać wszystkie parametry wstępnego przetwarzania lub nawet przetwarzać wstępnie swoje dane EEG preferowaną metodą przed użyciem toolboxa, aby dostosować go do swoich potrzeb (np. za pomocą wtyczki EEGLAB clean_rawdata50,52, potoku BeMoBIL38, potoku PREP57 itp.). 4) Potencjały wywołane uderzeniem serca (HEP, tj. domena czasu) i oscylacje (HEO; perturbacje spektralne związane z zdarzeniem z zastosowaniem metod falkowych lub FFT oraz spójność międzypróbkowa są dostępne za pomocą standardowego oprogramowania EEGLAB) z sygnałów ECG. Statystyka parametryczna i nieparametryczna z korekcjami błędów typu I są dostępne poprzez standardowe oprogramowanie EEGLAB. Statystyka nieparametryczna obejmuje statystykę permutacyjną oraz korekcje czasowo-przestrzenne dla wielokrotnych porównań (np. klastrowanie czasowo-przestrzenne lub wzmocnienie klastrów bezprogowe)58,59. Użytkownicy mogą wykorzystać wtyczkę LIMO-EEG do wdrażania hierarchicznego modelowania liniowego, które dobrze uwzględnia wariancję wewnątrz- i międzyosobniczą oraz implementuje podejście masowo-jednowymiarowe bez założeń z robustną kontrolą błędów typu I i II60,61. Analizy statystyczne danych HEP/HEO mogą być przeprowadzane w domenie kanałów i komponentów niezależnych. 5) Analiza HEP/HEO i HRV z sygnałów PPG (po raz pierwszy w przypadku HEP/HEO). 6) Wsparcie dla wspólnej ekstrakcji cech EEG i HRV po raz pierwszy. 7) Toolbox zapewnia różnorodne wizualizacje danych w celu inspekcji sygnałów na różnych niezbędnych etapach przetwarzania oraz wyników na poziomie badanego.

MetodaDetekcja załamków R w zapisie EKGWykrywanie załamków R z sygnału PPGHEP/HEOEEG & Cechy HRVUsuwanie artefaktów pochodzenia sercowego z EEGinterfejs graficzny użytkownikaWiersz poleceń
zestaw do ekgXXXX
BeMoBILXXX
HEPLABXXXX
CARE-rCortexXXXX
BrainBeatsXXXXXXX

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

Informacje pomagające czytelnikom ocenić, czy metoda jest dla nich odpowiednia
Niniejszy zestaw narzędzi jest odpowiedni dla każdego badacza lub klinicysty dysponującego danymi EEG oraz ECG/PPG. Wtyczka nie obsługuje jeszcze importowania sygnałów EEG i ECG/PPG z oddzielnych plików (choć funkcja ta zostanie wkrótce udostępniona). Zestaw narzędzi jest odpowiedni dla osób dążących do przeprowadzenia analizy HEP/HEO, wyodrębnienia cech EEG i/lub HRV za pomocą zestandaryzowanych metod lub po prostu usunięcia artefaktów pochodzenia sercowego z sygnałów EEG. Schemat blokowy podsumowujący ogólny przepływ i metody BrainBeats przedstawiono na Rysunku 1.

figure-introduction-1
RYSUNEK 1. Schemat blokowy podsumowujący ogólną architekturę i przepływ BrainBeats. Operacje wspólne dla trzech metod są zaznaczone na brązowo. Operacje specyficzne dla potencjałów wywołanych rytmem serca (HEP) oraz oscylacji wywołanych rytmem serca (HEO) są zaznaczone na zielono. Operacje specyficzne dla ekstrakcji cech EEG i HRV są zaznaczone na niebiesko. Operacje specyficzne dla usuwania artefaktów sercowych z sygnałów EEG są zaznaczone na czerwono. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Protokół

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

W pierwszej kolejności wykorzystano wtyczkę BrainBeats do wstępnego przetwarzania danych EEG i ECG, identyfikacji i usuwania artefaktów oraz analizy potencjałów wywołanych uderzeniem serca (HEP) i oscylacji wywołanych uderzeniem serca (HEO). BrainBeats pomyślnie wykrył odstępy RR z sygnału ECG oraz niektóre artefakty RR (Rycina 2). W oknie poleceń BrainBeats poinformował również, że 11/305 (3,61%) uderzeń serca zostało oznaczonych jako artefakty i poddanych interpolacji. Średni indeks jakości sygnału (SQI) odstępów RR (przed interpolacją) wynosi 1, co jest wartością najwyższą. Niska jakość sygnału odpowiada sytuacji, w której 20% lub więcej serii RR jest oznaczonych jako artefakty lub posiada SQI<0,9. Kanał EEG TP9 został usunięty i poddany interpolacji (Rycina 3), kilka epok zawierających artefakty (Rycina 6) oraz dwa komponenty oczne zostały oznaczone do usunięcia (Rycina 7). Wyniki obejmują uśrednione HEP (Rycina 8) oraz HEO (Rycina 9). Zaobserwowano istotne oscylacje wywołane uderzeniem serca (HEO) w paśmie alfa (8-15 Hz) od 150 do 400 ms po uderzeniu serca w przedniośrodkowym punkcie skalpu (Rycina 9, góra), co jest zgodne z wcześniejszymi ustaleniami17,67). Z drugiej strony, analiza koherencji międzypróbkowej (ITC) nie wykazała istotnego blokowania fazowego ani resetowania fazy EEG względem uderzeń serca (Rycina 9, dół).

Po drugie, w celu przeprowadzenia analogicznej procedury z wykorzystaniem PPG zastosowano wtyczkę BrainBeats. BrainBeats skutecznie wykryła odstępy RR z sygnału EKG oraz niektóre artefakty RR (Rysunek 10). Program BrainBeats zgłosił w oknie poleceń, że 15/309 (4,85%) uderzeń serca zostało oznaczonych jako artefakty i poddanych interpolacji. Średni wskaźnik jakości sygnału (SQI) dla odstępów RR (przed interpolacją) wynosi 0,87. Jakość sygnału jest średnio poniżej 0,9, lecz nadal uznaje się ją za dobrą, ponieważ mniej niż 20% serii RR zostało oznaczonych jako artefakt lub posiadało wskaźnik SQI<0.9. Wyniki wykazały ogólną średnią HEP (Rysunek 11) na podstawie fal R wykrytych w sygnale PPG. Zaobserwowano istotne efekty w przedniocentralnym punkcie pomiarowym na skórze głowy w prawie całym oknie czasowym następującym po fali R (150–400 ms) oraz w prawie całym zakresie częstotliwości (Rysunek 12 góra). Nie zaobserwowano efektu ITC (Rysunek 12 dół). Jest to pierwsza analiza HEP/HEO przeprowadzona na podstawie sygnałów PPG; dalsze badania są niezbędne do zinterpretowania tych wyników.

Po trzecie, program BrainBeats został wykorzystany do ekstrakcji 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 domenach. Zaobserwowaliśmy szczyt w rozkładzie gęstości widmowej mocy (PSD) HRV przy ~0,19 Hz w obrębie pasma wysokich częstotliwości (HF) (Rysunek 14 góra). W przypadku EEG zaobserwowaliśmy szczyt w rozkładzie PSD przy ~10,5 Hz w obrębie pasma alfa (Rysunek 14 dół). Topografie skóry głowy (Rysunek 15) wskazują, że średnia moc w głównych pasmach częstotliwości (oraz najwyższe wartości szczytowej częstotliwości alfa) są zlokalizowane przede wszystkim w tylnych obszarach skóry głowy. Ponadto wyższe wartości entropii rozmytej (odzwierciedlające większą złożoność pod kątem regularności) są zlokalizowane głównie w prawym przednim i tylnym regionie skóry głowy. W przeciwieństwie do tego, wartości wymiaru fraktalnego (odzwierciedlające większą złożoność pod kątem cech fraktalnych) nie wykazują dużych różnic między regionami skóry głowy. Wreszcie wykres asymetrii alfa (prawy dolny róg) pokazuje większą moc alfa po lewej niż po prawej stronie w środkowym regionie ciemieniowym oraz większą moc alfa po prawej niż po lewej stronie w regionie tylnym. Różnice te w międzypółkulowej mocy alfa są zazwyczaj interpretowane jako lokalne hamowanie w odpowiadających im obszarach (tzn. większa moc alfa odzwierciedla silniejsze hamowanie korowe).

Po czwarte, program BrainBeats został wykorzystany do przeprowadzenia analogicznej analizy, z wyjątkiem tego, że cechy HRV wyodrębniono z sygnału PPG. Tym razem obserwujemy szczyt przy ~0,04 Hz w pasmie częstotliwości LF oraz rozszczepiony szczyt w okolicach ~0,19 Hz (Rycina 16 góra). Należy zauważyć, że rozkład ten nieco różni się od rozkładu uzyskanego z odstępów NN obliczonych z sygnału EKG (Rycina 14 góra). Może to być wynik niższej jakości sygnału PPG. Cechy EEG są takie same jak na Rycini 14.

Na koniec użyliśmy programu BrainBeats do usunięcia artefaktów serca z sygnałów EEG. Komponent serca został sklasyfikowany z pewnością 94,1% przy użyciu trybu boost (Rysunek 17 Lewo>) i usunięty z sygnałów EEG (Rysunek 17 Prawo).

figure-results-1
RYSUNEK 2. Odstępy RR, artefakty i odstępy NN uzyskane z sygnału EKG. Góra: wstępnie przetworzony sygnał EKG (niebieski) z wykrytymi przez BrainBeats szczytami R (pomarańczowe kropki, tj. odstępy RR). Środek: odstępy Normal-to-Normal (NN) (na niebiesko) po interpolacji artefaktów RR (na czerwono). Dół: to samo co na górnym wykresie, ale w powiększeniu (okno 30 s), aby dokładniej przyjrzeć się szczytom R, z funkcją przewijania za pomocą strzałek lewo/prawo. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

figure-results-2
RYCINA 3. Odrzucanie wadliwych kanałów EEG. Wizualizacja nieprawidłowego kanału EEG (TP9), który został automatycznie wykryty i usunięty z zestawu danych. Uwaga: duży artefakt jest usuwany w kolejnym kroku. Dane EEG zostały poddane filtrowaniu pasmowoprzepustowemu (1-40 Hz) i ponownemu odniesieniu do nieskończoności. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

figure-results-3
RYCINA 4. Wizualizacja danych EEG z 64 kanałów po preprocessingu i oznaczeniu załamków R w sygnale. Sygnał EKG został dołączony do wykresu na dole w celu wizualnego potwierdzenia. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

figure-results-4
Rysunek 5. Histogram odstępów między uderzeniami serca (IBI). Czerwona linia przedstawia dopasowany rozkład normalny, a czerwona przerywana linia wskazuje 5. percentyl, stosowany jako górna wartość odcięcia, przy której segmentowane są dane EEG (tutaj: 650 ms po szczycie R). Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

figure-results-5
Rysunek 6. Usuwanie epok artefaktowych. Wizualizacja odstających epok EEG (tj. zawierających artefakty), które zostały wykryte i usunięte przed przeprowadzeniem analizy niezależnych komponentów (ICA). Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

figure-results-6
Rysunek 7. Klasyfikacja komponentów niezależnych w celu usunięcia artefaktów niepochodzących z mózgu. Po przeprowadzeniu ślepej separacji źródeł w celu uzyskania komponentów niezależnych z danych EEG, wtyczka ICLabel jest wykorzystywana do ich klasyfikacji i automatycznego oznaczenia komponentów niepochodzących z mózgu do usunięcia. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

figure-results-7
Rysunek 8. Średnie ogólne potencjały wywołane uderzeniem serca (HEP) uzyskane za pomocą ECG. Góra: Średnia z epok dla każdego kanału EEG (nałożone na siebie), wraz z topografiami skóry głowy pokazującymi rozkład amplitudy w okresie zainteresowania (200-500 ms po szczycie R). Dół: Ewolucja HEP w czasie (każda „próba” odpowiada jednemu uderzeniu serca). Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

figure-results-8
Rycina 9. Oscylacje wywołane biciem serca (HEO) uzyskane z EKG. Góra: HEO w kanale Fz (region czołowo-centralny) po statystyce permutacji (1000 iteracji) i korekcie na współczynnik odkryć fałszywych (FDR) przy poziomie ufności 95% (p<0.05). Dół: Koherencja międzypróbkowa (ITC) po korekcie FDR. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

figure-results-9
RYSUNEK 10. Odstępy RR, artefakty i odstępy NN uzyskane z sygnału PPG. Góra: wstępnie przetworzony sygnał PPG (niebieski) z falami tętna wykrytymi przez BrainBeats (pomarańczowe kropki, tj. odstępy RR). Środek: odstępy Normal-to-Normal (NN) (na niebiesko) po interpolacji artefaktów RR (na czerwono). Dół: tak samo jak na górnym wykresie, ale z powiększeniem (okno 30 s), aby dokładniej przyjrzeć się falom tętna, z funkcją przewijania za pomocą strzałek lewo/prawo. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

figure-results-10
Rycina 11. Średnie potencjały wywołane rytmem serca (HEP) uzyskane za pomocą PPG. Góra: Wszystkie elektrody są nałożone na siebie w dziedzinie czasu, a topografie skóry głowy przedstawiają rozkład amplitudy w badanym okresie (200-500 ms po uderzeniu serca). Dół: Ewolucja HEP w czasie (każda „próba” odpowiada fali tętna). Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

figure-results-11
Rycina 12. Oscylacje wywołane rytmem serca (HEO) uzyskane z PPG. Góra: HEO dla kanału EEG Fz (obszar czołowo-centralny) po statystyce permutacji (1000 iteracji) i korekcie na wskaźnik fałszywych odkryć (FDR) przy poziomie ufności 95% (p<0.05). Dół: Koherencja międzypróbkowa (ITC) po korekcie FDR. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

figure-results-12
Rycina 13. Wykryto i usunięto duży artefakt EEG za pomocą algorytmu rekonstrukcji podprzestrzeni artefaktów (ASR). Użytkownicy mogą przejrzeć cały plik, aby sprawdzić segmenty usunięte przez algorytm. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

figure-results-13
Rysunek 14. Gęstość widmowa mocy (PSD) wyekstrahowana z odstępów NN (EKG) i sygnałów EEG. Góra: Moc zmienności rytmu serca (HRV) w pasmach niskich częstotliwości (LF; 0.04-0.15 Hz; kolor żółty) i wysokich częstotliwości (HF; 0.15-0.40 Hz; kolor niebieski), oszacowana przy użyciu znormalizowanego periodogramu Lomb-Scargle z sygnału EKG. Dół: PSD znormalizowana do decybeli (dB), obliczona z wstępnie przetworzonych danych EEG i uśredniona dla wszystkich kanałów w celu wizualizacji. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

figure-results-14
Rycina 15. Główne cechy EEG wyekstrahowane przez BrainBeats przedstawiono za pomocą topografii skalpu. Główne cechy EEG obejmują, w kolejności: średnią moc spektralną w pasmach częstotliwości delta (1-3 Hz), theta (3-7 Hz), alfa (8-13 Hz), beta (13-30 Hz) i gamma (30-40 Hz), indywidualną częstotliwość alfa (IAF), entropię rozmytą, wymiar fraktalny oraz asymetrię alfa. Uwagi: Wyższe wartości entropii rozmytej odzwierciedlają większą złożoność pod względem regularności, natomiast wymiar fraktalny odzwierciedla większą złożoność pod względem charakterystyki fraktalnej. Asymetria alfa została obliczona dla 16 symetrycznych par elektrod. Wartości dodatnie oznaczają większą moc alfa lewej strony niż prawej, co zazwyczaj wiąże się z silniejszą inhibicją lokalnych obszarów kory lewej strony w porównaniu z prawą. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

figure-results-15
Rysunek 16. Gęstość widmowa mocy (PSD) wyekstrahowana z odstępów NN (PPG) i sygnałów EEG. Góra: 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 Lomb-Scargle z sygnału PPG. Kliknij tutaj, aby wyświetlić 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: Serie czasowe EEG (na niebiesko) po wyekstrahowaniu komponentu serca (na czerwono). Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Dyskusja

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

Autorzy nie mają nic do ujawnienia.

Podziękowania

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

  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

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
BrainBeats jako wtyczka EEGLAB o otwartym kodzie źródłowym do wspólnej analizy EEG i sygnałów sercowo-naczyniowych
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki Korzystania

Zasady

Copyright © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.