Name: BrainBeats jako wtyczka EEGLAB o otwartym kodzie źródłowym do wspólnej analizy EEG i sygnałów sercowo-naczyniowych (Wideo) | JoVE Journal
Uploaded: 2024-04-26T12:40:00.000+00:00
Duration: 8 min 22 s
Description: Poznaj analizę wielomodalną sygnałów EEG i kardiologicznych przy użyciu wtyczki BrainBeats dla EEGLAB. To narzędzie open-source umożliwia badanie interakcji mózg-serce i poprawia powtarzalność badań.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

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

Unveiling Brain-Heart Interplay with EEG and Cardio Signals

Autorzy nie mają nic do ujawnienia.

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.

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&#160;potencjałów wywołanych rytmem serca&#160;, 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 (&#60;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.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Metoda</td>
			<td>Detekcja załamków R w zapisie EKG</td>
			<td>Wykrywanie załamków R z sygnału PPG</td>
			<td>HEP/HEO</td>
			<td>EEG &amp;#38; Cechy HRV</td>
			<td>Usuwanie artefaktów pochodzenia sercowego z EEG</td>
			<td>interfejs graficzny użytkownika</td>
			<td>Wiersz poleceń</td>
		</tr>
		<tr>
			<td>zestaw do ekg</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td></td>
			<td></td>
			<td></td>
			<td>X</td>
		</tr>
		<tr>
			<td>BeMoBIL</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td></td>
			<td>X</td>
		</tr>
		<tr>
			<td>HEPLAB</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td>X</td>
			<td>X</td>
		</tr>
		<tr>
			<td>CARE-rCortex</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td>X</td>
			<td>X</td>
		</tr>
		<tr>
			<td>BrainBeats</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
		</tr>
	</tbody>
</table>
TABELA 1:&#160;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.
<img alt="Rysunek 1" class="xfigimg" src="/files/ftp_upload/65829/65829fig01.jpg" /> 
RYSUNEK 1.&#160;Schemat blokowy podsumowujący ogólną architekturę i przepływ BrainBeats.&#160;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. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig01large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.</a>

<table><tbody><tr><td>EEGLAB</td><td>Swartz Center for Computational Neuroscience (SCCN)</td><td></td><td>Darmowy/Open-source</td></tr><tr><td>MATLAB</td><td>The Mathworks, Inc.</td><td></td><td>Wymaga licencji</td></tr><tr><td>na komputer z systemem Windows</td><td>Lenovo, Inc.</td><td></td><td></td></tr></tbody></table>

brainbeats jako wtyczka eeglab o otwartym kodzie źródłowym do wspólnej analizy eeg i sygnałów sercowo-naczyniowych

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

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.

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&#60;0,9. Kanał EEG TP9 został usunięty i poddany interpolacji (Rycina 3), kilka epok zawierających artefakty (Rycina 6) oraz&#160;dwa komponenty oczne zostały oznaczone do usunięcia&#160;(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&#60;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).
<img alt="Rysunek 2" class="xfigimg" src="/files/ftp_upload/65829/65829fig02.jpg" /> 
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. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig02large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.</a>
<img alt="Rycina 3" class="xfigimg" src="/files/ftp_upload/65829/65829fig03.jpg" /> 
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. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig03large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.</a>
<img alt="Rycina 4" class="xfigimg" src="/files/ftp_upload/65829/65829fig04.jpg" /> 
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. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig04large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.</a>
<img alt="Rysunek 5" class="xfigimg" src="/files/ftp_upload/65829/65829fig05.jpg" /> 
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). <a href="https://www.jove.com/files/ftp_upload/65829/65829fig05large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.</a>
<img alt="Rysunek 6" class="xfigimg" src="/files/ftp_upload/65829/65829fig06.jpg" /> 
Rysunek 6. Usuwanie epok artefaktowych. Wizualizacja odstających epok EEG (tj. zawierających artefakty), które zostały wykryte i usunięte przed przeprowadzeniem analizy niezależnych komponentów (ICA). <a href="https://www.jove.com/files/ftp_upload/65829/65829fig06large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.</a>
<img alt="Rysunek 7" class="xfigimg" src="/files/ftp_upload/65829/65829fig07v2.jpg" /> 
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. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig07largev2.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.</a>
<img alt="Rysunek 8" class="xfigimg" src="/files/ftp_upload/65829/65829fig08.jpg" /> 
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). <a href="https://www.jove.com/files/ftp_upload/65829/65829fig08large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.</a>
<img alt="Rycina 9" class="xfigimg" src="/files/ftp_upload/65829/65829fig09.jpg" /> 
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&#60;0.05). Dół: Koherencja międzypróbkowa (ITC) po korekcie FDR. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig09large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.</a>
<img alt="Rysunek 10" class="xfigimg" src="/files/ftp_upload/65829/65829fig10.jpg" /> 
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. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig10large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.</a>
<img alt="Rycina 11" class="xfigimg" src="/files/ftp_upload/65829/65829fig11.jpg" /> 
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). <a href="https://www.jove.com/files/ftp_upload/65829/65829fig11large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.</a>
<img alt="Rycina 12" class="xfigimg" src="/files/ftp_upload/65829/65829fig12.jpg" /> 
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&#60;0.05). Dół: Koherencja międzypróbkowa (ITC) po korekcie FDR. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig12large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.</a>
<img alt="Rycina 13" class="xfigimg" src="/files/ftp_upload/65829/65829fig13.jpg" /> 
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. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig13large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.</a>
<img alt="Rysunek 14" class="xfigimg" src="/files/ftp_upload/65829/65829fig14.jpg" /> 
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. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig14large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.</a>
<img alt="Rycina 15" class="xfigimg" src="/files/ftp_upload/65829/65829fig15.jpg" /> 
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. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig15large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.</a>
<img alt="Rysunek 16" class="xfigimg" src="/files/ftp_upload/65829/65829fig16.jpg" /> 
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. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig16large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.</a>
<img alt="Rysunek 17" class="xfigimg" src="/files/ftp_upload/65829/65829fig17.jpg" /> 
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). <a href="https://www.jove.com/files/ftp_upload/65829/65829fig17large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.</a>

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.

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

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

Zadaniem BrainBeats jest zapewnienie zautomatyzowanego narzędzia typu open source do prowadzenia badań nad wzajemnymi oddziaływaniami mózgu-serca. Umożliwia naukowcom przeprowadzanie multimodalnej analizy sygnałów EEG i sercowo-naczyniowych poprzez ustandaryzowane przetwarzanie sygnałów, ekstrakcję cech, graficzny interfejs użytkownika i wizualizację danych. W wyniku historycznego redukcjonistycznego podejścia w nauce układy mózgowy i sercowy zostały rozdzielone i odizolowane, co doprowadziło do ograniczonego zrozumienia ich interakcji i wzajemnego wpływu.Zestaw narzędzi BrainBeats ma na celu wypełnienie tej luki. Zrozumienie wzajemnych oddziaływań między mózgiem a sercem pozwala naukowcom uzyskać głębszy wgląd w to, jak stany poznawcze i emocjonalne wpływają na funkcjonowanie układu sercowo-naczyniowego i odwrotnie. Z kolei te spostrzeżenia mogą prowadzić do nowych terapii lub interwencji i zabiegów.Aby rozpocząć, otwórz MATLAB na komputerze. W panelu głównym MATLAB kliknij przycisk Ustaw ścieżkę, aby dodać ścieżkę do folderu laboratorium EEG. Kliknij przycisk Dodaj folder i wybierz folder laboratorium EEG, który został rozpakowany.Następnie kliknij Zapisz, a następnie Zamknij. W oknie poleceń MATLAB wpisz EEG lab, aby uruchomić EEG lab. Aby zainstalować wtyczkę BrainBeats, kliknij plik, a następnie zarządzaj rozszerzeniami laboratorium EEG.Następnie w pasku wyszukiwania wpisz BrainBeats, wybierz wtyczkę BrainBeats z listy i kliknij zainstaluj. Aby załadować przykładowy zestaw danych do laboratorium EEG, kliknij Plik i załaduj istniejące dane. Przejdź do folderu laboratorium EEG, a następnie przejdź do folderów wtyczek i BrainBeats.Otwórz folder przykładowych danych i wybierz plik dataset.set. W laboratorium EEG sekwencyjnie klikaj narzędzia, BrainBeats i pierwszy poziom, poziom tematu, aby otworzyć pierwszy ogólny interfejs użytkownika lub GUI brain beats. Wybierz potencjały wywołane biciem serca lub HEP jako analizę do uruchomienia i EKG jako typ danych serca.Następnie kliknij przycisk, aby wyświetlić listę kanałów i wybierz kanał EKG. Pozostaw wybrane opcje wizualizacji zalecanych wyjść i zapisz wyjścia, a następnie kliknij OK.In drugim oknie GUI, w sekcji EEG przed przetwarzaniem, zmień szum linii energetycznej na 50 Hz i kliknij OK, aby uruchomić. Po wyświetleniu komunikatu ostrzegawczego o konieczności usunięcia wykrytego kanału PPG kliknij przycisk Tak.W przypadku sygnału PPG załaduj zestaw danych. ustaw plik ponownie. Następnie w laboratorium EEG sekwencyjnie klikaj narzędzia, BrainBeats i poziom przedmiotu pierwszego poziomu, aby otworzyć pierwszy graficzny interfejs użytkownika BrainBeats.Wybierz potencjały wywołane biciem serca lub HEP jako analizę do uruchomienia i PPG jako typ danych serca. Następnie kliknij przycisk, aby wyświetlić listę kanałów i wybierz kanał PPG. Pozostaw wybrane opcje wizualizacji zalecanych wyjść i zapisz wyjścia, a następnie kliknij OK.In drugim oknie GUI, w sekcji EEG przed przetwarzaniem, zmień szum linii energetycznej na 50 Hz i kliknij OK, aby uruchomić.Gdy pojawi się komunikat ostrzegawczy o konieczności usunięcia dodatkowego kanału EKG, kliknij przycisk Tak. BrainBeats z powodzeniem wykrył odstępy RR na podstawie sygnału EKG i niektóre artefakty RR. Zaobserwowano znaczne bicie serca wywołane oscylacjami w paśmie alfa od 150 do 400 milisekund po uderzeniu serca w czołowo-centralnym miejscu skóry głowy.Z drugiej strony, wewnątrzprocesowa analiza koherencji nie sugerowała znaczącego blokowania faz lub resetowania fazy EEG w odniesieniu do bicia serca. BrainBeats wykrył również interwały RR z sygnału PPG i niektóre artefakty RR. Zaobserwowano istotny efekt w miejscu czołowo-centralnym skóry głowy w prawie całym oknie czasowym następującym po załamku R i prawie w całym zakresie częstotliwości.Analiza koherencji między badaniami sugerująca brak istotnego blokowania faz lub resetowania fazy EEG. Aby załadować przykładowy zestaw danych do laboratorium EEG, kliknij Plik i załaduj istniejące dane. Przejdź do folderu laboratorium EEG, a następnie przejdź do folderu wtyczek i folderu BrainBeats.Otwórz folder przykładowych danych i wybierz plik dataset.set. Po załadowaniu przykładowego zestawu danych do laboratorium EEG, sekwencyjnie klikaj narzędzia, BrainBeats i poziom przedmiotu pierwszego poziomu, aby otworzyć główny graficzny interfejs użytkownika i wybrać parametry. Wybierz cechy ekstrakcji EEG i HRV dla typu analizy i EKG dla typu sygnału serca.Wybierz EKG z listy etykiet elektrod i kliknij OK. Następnie pojawia się drugie okno GUI z różnymi parametrami wstępnego przetwarzania EEG i wyodrębniania funkcji HRV i EEG. W sekcji EEG przed procesem zmień szum linii energetycznej na 50 Hz i kliknij OK, aby uruchomić. Gdy pojawi się komunikat ostrzegawczy o konieczności usunięcia dodatkowego kanału PPG, kliknij przycisk Tak.Pod koniec wszystkich operacji wpisz eegh w oknie poleceń MATLAB, aby wydrukować wiersz poleceń i powtórzyć wszystkie kroki za pomocą jednego wiersza poleceń. Po załadowaniu tego samego pliku zestawu danych sekwencyjnie klikaj narzędzia, BrainBeats i poziom tematu pierwszego poziomu, aby otworzyć główny graficzny interfejs użytkownika w celu wybrania parametrów. Wybierz cechy ekstrakcji EEG i HRV do analizy oraz PPG dla typu sygnału serca.Wybierz PPG jako nazwę kanału i kliknij OK.In drugim oknie GUI, w sekcji EEG przed przetwarzaniem zmień szum linii energetycznej na 50 Hz i kliknij OK, aby uruchomić. Gdy pojawi się komunikat ostrzegawczy o konieczności usunięcia wykrytego kanału EKG, kliknij Tak i przejrzyj wygenerowane dane wyjściowe. Załaduj przykładowy plik zestawu danych dataset.set.Następnie kolejno klikaj narzędzia, BrainBeats i poziom tematu pierwszego poziomu, aby otworzyć główny graficzny interfejs użytkownika. wybierz wyodrębnij artefakty serca z sygnałów EEG dla typu analizy i EKG dla typu sygnału serca. Wpisz EKG na liście etykiet elektrod i kliknij przycisk OK. Po wybraniu parametrów wstępnego przetwarzania sygnałów EEG, wybierz 50 Hz dla szumu linii, zaznacz pole trybu wzmocnienia i kliknij OK, aby uruchomić.Gdy pojawi się komunikat ostrzegawczy o konieczności usunięcia dodatkowego kanału PPG, kliknij przycisk Tak. Za pomocą BrainBeats wyodrębniono cechy EEG i zmienności rytmu serca z sygnałów EKG, ujawniając szczyt gęstości widmowej mocy zmienności rytmu serca na poziomie około 0,19 Hz w paśmie wysokich częstotliwości oraz EEG na poziomie około 10,5 Hz w paśmie alfa. Topografie skóry głowy wykazały dominujące lokalizacje w obszarach tylnych o większej złożoności w obszarze czołowym, prawym i tylnym.Późniejsza analiza z wykorzystaniem sygnałów PPG do zmienności rytmu serca wykazała szczyt przy około 0,04 Hz w paśmie niskich częstotliwości i rozwidlony szczyt około 0,19 Hz, co sugeruje niższą jakość sygnału PPG.

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

Research

JoVE Journal

Neuroscience

Neuronauka

Niniejsze badanie przedstawia ustandaryzowany i powtarzalny protokół implementacji narzędzia do analizy EEG przestrzenno-czasowo-częstotliwościowej (STFEEG) do dekodowania EEG obrazów motorycznych, łącząc konfigurowalną segmentację przestrzenno-czasowo-częstotliwościową, ekstrakcję cech opartą na wspólnych wzorcach przestrzennych (CSP), algorytmy wielokrotnej klasyfikacji oraz możliwości wizualizacji.

STFEEG-Tool: narzędzie do analizy EEG przestrzenno-czasowo-częstotliwościowej dla interfejsów mózg-komputer obrazowania motorycznego

Stosujemy magnetoencefalografię (MEG) oraz elektroencefalografię (EEG) w celu zmapowania obszarów mózgu zaangażowanych w przetwarzanie prostych bodźców sensorycznych.

Mapowanie funkcjonalne z jednoczesną rejestracją MEG i EEG

Wykorzystujemy magnetoencefalografię i elektroencefalografię (MEG/EEG), w połączeniu z informacjami anatomicznymi uzyskanymi za pomocą obrazowania rezonansem magnetycznym (MRI), aby zmapować dynamikę sieci korowej związanej z uwagą słuchową.

Mapowanie dynamiki korowej z wykorzystaniem jednoczesnej MEG/EEG oraz oszacowań minimalnej normy z ograniczeniami anatomicznymi: przykład uwagi słuchowej

Ten protokół zawiera projekty i oprogramowanie niezbędne do ulepszenia istniejącego instrumentu stereotaktycznego do robotycznego (sterowanego numerycznie; CNC) instrument stereotaktyczny za około 1,000 USD (bez wiertarki).

Budowa zrobotyzowanego instrumentu stereotaktycznego o otwartym kodzie źródłowym

Ten artykuł opisuje technikę obrazowania wideo i mapowanie czasoprzestrzenne o wysokiej rozdzielczości w celu identyfikacji zmian w neuronalnej regulacji ruchliwości okrężnicy u dorosłych myszy. Subtelny wpływ na czynność przewodu pokarmowego (GI) można wykryć przy użyciu tego podejścia w izolowanych preparatach tkankowych, aby pogłębić naszą wiedzę na temat chorób przewodu pokarmowego.

Obrazowanie wideo i mapy czasoprzestrzenne do analizy motoryki przewodu pokarmowego u myszy

Ostre mikroelektrody umożliwiają dokładną elektrofizjologiczną charakterystykę fotoreceptorów i wizualnych interneuronów u żyjących Drosophila. Tutaj pokazujemy, jak wykorzystać tę metodę do rejestrowania wysokiej jakości odpowiedzi napięciowych poszczególnych komórek na kontrolowaną stymulację światłem. Ta metoda jest idealna do badania przetwarzania informacji neuronalnych w oczach złożonych owadów.

Elektrofizjologiczna metoda rejestracji wewnątrzkomórkowych odpowiedzi napięciowych fotoreceptorów i interneuronów Drosophila na bodźce świetlne in vivo

Nieograniczająca radiotelemetria EEG jest cennym podejściem metodologicznym do rejestrowania in vivo długoterminowych elektroencefalogramów od swobodnie poruszających się gryzoni. Ten szczegółowy protokół opisuje stereotaktyczne znieczulenie zewnątrzoponowe i głębokie domózgowe umieszczenie elektrod w różnych obszarach mózgu w celu uzyskania wiarygodnych zapisów rytmiczności OUN i etapów behawioralnych związanych z OUN.

Nieskrępowana radiotelemetria EEG: zewnątrzoponowe i głębokie śródmózgowe stereotaktyczne umieszczenie elektrod EEG

Instrukcje dotyczące taniego konstruowania i chirurgicznego wszczepiania myszom przewlekłego przezczaszkowego montażu elektroencefalograficznego o dużej gęstości są dostarczone. Opisano również techniki nagrywania, ekstrakcji i przetwarzania sygnału.

Akwizycja elektroencefalograficzna o dużej gęstości w modelu gryzoni przy użyciu tanich zasobów typu open source

Tutaj prezentujemy protokół łączenia treningu medytacji uważności, epizodycznego zadania pamięciowego i EEG, aby zrozumieć behawioralne i neuronalne efekty medytacji uważności na pamięć epizodyczną.

Połączenie zachowania i EEG w celu zbadania wpływu medytacji uważności na pamięć epizodyczną

Tutaj prezentujemy uproszczoną konfigurację sprzętu i oprogramowania open-source do badania uczenia przestrzennego myszy za pomocą wirtualnej rzeczywistości (VR). System ten wyświetla wirtualną ścieżkę liniową do myszy z ograniczeniem głowy działającej na kole, wykorzystując sieć mikrokontrolerów i komputer jednopłytkowy z łatwym w użyciu pakietem oprogramowania graficznego Python.

System rzeczywistości wirtualnej typu open source do pomiaru uczenia się przestrzennego u myszy z unieruchomioną głową

Poznaj analizę wielomodalną sygnałów EEG i kardiologicznych przy użyciu wtyczki BrainBeats dla EEGLAB. To narzędzie open-source umożliwia badanie interakcji mózg-serce i poprawia powtarzalność badań.

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

Przeglądaj więcej filmów