BrainBeats как плагин EEGLAB с открытым исходным кодом для совместного анализа сигналов ЭЭГ и сердечно-сосудистой системы

Краткое содержание

BrainBeats toolbox — это плагин EEGLAB с открытым исходным кодом, предназначенный для совместного анализа сигналов ЭЭГ и сердечно-сосудистой системы (ЭКГ/ФПГ). Он включает в себя оценку вызванных сердцебиением потенциалов (HEP), анализ на основе признаков и извлечение сердечных артефактов из сигналов ЭЭГ. Протокол поможет в изучении взаимодействия мозга и сердца через две линзы (HEP и функции), повышая воспроизводимость и доступность.

Аннотация

Взаимодействие между мозгом и сердечно-сосудистой системой привлекает все большее внимание из-за его потенциала для улучшения нашего понимания физиологии человека и улучшения состояния здоровья. Тем не менее, мультимодальный анализ этих сигналов является сложной задачей из-за отсутствия руководящих принципов, стандартизированных инструментов обработки сигналов и статистики, графических пользовательских интерфейсов (GUI) и автоматизации обработки больших наборов данных или повышения воспроизводимости. Еще один пробел существует в стандартизированных методах извлечения признаков ЭЭГ и вариабельности сердечного ритма (ВСР), что подрывает клиническую диагностику или надежность моделей машинного обучения (ML). В ответ на эти ограничения мы представляем набор инструментов BrainBeats. BrainBeats, реализованный в виде плагина EEGLAB с открытым исходным кодом, интегрирует три основных протокола: 1) Вызванные сердцебиением потенциалы (HEP) и осцилляции (HEO) для оценки заблокированного во времени взаимодействия мозга и сердца с точностью до миллисекунды; 2) Извлечение признаков ЭЭГ и ВСР для изучения ассоциаций/различий между различными показателями мозга и сердца или для построения надежных моделей машинного обучения на основе признаков; 3) Автоматизированное извлечение артефактов сердца из сигналов ЭЭГ для устранения любых потенциальных сердечно-сосудистых загрязнений при проведении анализа ЭЭГ. Мы предоставляем пошаговое руководство по применению этих трех методов к набору данных с открытым исходным кодом, содержащему одновременные 64-канальные сигналы ЭЭГ, ЭКГ и ППГ. Пользователи могут легко настраивать параметры в соответствии со своими уникальными исследовательскими потребностями с помощью графического интерфейса пользователя (GUI) или командной строки. BrainBeats должен сделать исследования взаимодействия мозга и сердца более доступными и воспроизводимыми.

Введение

В течение долгого времени редукционистский подход доминировал в научных исследованиях в области физиологии и познания человека. Этот подход включал в себя препарирование сложных телесных и психических процессов на более мелкие, более управляемые компоненты, что позволило исследователям сосредоточиться на отдельных системах в отдельности. Эта стратегия возникла из-за трудностей в изучении сложной и взаимосвязанной природы человеческого тела и разума¹. Редукционизм сыграл важную роль в понимании отдельных подсистем по отдельности, например, в выяснении роли ионных каналов и потенциалов действия^{для нейронной} коммуникации² или сердечной 3. Тем не менее, остается значительный пробел в нашем понимании того, как эти изолированные системы взаимодействуют в более широком пространственном и временном масштабе. Мультимодальная (интегративная или экологическая) структура рассматривает человеческое тело как сложную многомерную систему, в которой разум рассматривается не как продукт мозга, а как деятельность живого существа, деятельность, которая интегрирует мозг в повседневные функции^{человеческого тела.} Мультимодальный и редукционистский подходы не являются исключительными, точно так же, как мы не можем изучать один нейрон без всего мозга или весь мозг без понимания свойств отдельных нейронов. Вместе они прокладывают путь к более всестороннему, синергетическому пониманию человеческого здоровья, патологии, познания, психологии и сознания. Настоящий метод направлен на облегчение мультимодального исследования взаимодействия между мозгом и сердцем путем обеспечения совместного анализа электроэнцефалографии (ЭЭГ) и сердечно-сосудистых сигналов, а именно электрокардиографии (ЭКГ) и фотоплетизмографии (ФПГ). Этот инструментарий, реализованный в виде плагина EEGLAB в MATLAB, устраняет существующие методологические ограничения и сделан открытым исходным кодом для обеспечения доступности и воспроизводимости в научной области. Он внедряет последние руководства и рекомендации в свой дизайн и параметры по умолчанию, чтобы побудить пользователей следовать известным передовым практикам. Предлагаемый инструментарий должен стать ценным ресурсом для исследователей и клиницистов, заинтересованных в 1) изучении вызванных сердцебиением потенциалов, 2) извлечении особенностей из сигналов ЭЭГ и ЭКГ/ФПГ или 3) удалении сердечных артефактов из сигналов ЭЭГ.

Исследования сердца и мозга
Взаимосвязь между сердцем и мозгом исторически изучалась с помощью методов нейровизуализации, таких как функциональная магнитно-резонансная томография (фМРТ) и позитронно-эмиссионная томография (ПЭТ). Используя эти инструменты, исследователи выделили некоторые области мозга, связанные с контролем сердечно-сосудистой системы (например, управление частотой сердечных сокращений и артериальным давлением^), показали влияние частоты сердечных сокращений на сигнал BOLD⁶ или определили потенциальные пути мозг-тело, способствующие ишемической болезни сердца (т.е. артериальное давление, вызванное^{стрессом7}). Несмотря на то, что эти исследования значительно продвинули наше понимание сложного взаимодействия между центральной нервной системой (ЦНС) и сердечно-сосудистой функцией, эти методы нейровизуализации дороги, имеют ограниченную доступность и ограничены контролируемыми лабораторными условиями, что ограничивает их практичность для реальных и крупномасштабных приложений.

Напротив, ЭЭГ и ЭКГ/ФПГ являются более доступными и портативными инструментами, которые предлагают потенциал для изучения взаимодействий мозга и сердца в более разнообразных условиях и популяциях или в течение более длительных периодов времени, предоставляя новые возможности. ЭКГ измеряет электрические сигналы, генерируемые каждым ударом сердца, когда сердце сокращается и расслабляется с помощью электродов, размещенных на коже (обычно на груди или руках)⁸. PPG измеряет изменения объема крови в микрососудистых тканях (т.е. кровоток и частоту пульса) с помощью источника света (например, светодиода) и фотодетектора (обычно размещаемого на кончике пальца, запястья или лбу), полагаясь на то, как кровь поглощает больше света, чем окружающие^ткани. Оба метода предоставляют ценную информацию о сердечно-сосудистой функции, но служат разным целям и предлагают разные типы данных. Как и ЭКГ, ЭЭГ записывает электрические поля, генерируемые синхронизированной активностью тысяч корковых нейронов, которые распространяются через внеклеточный матрикс, ткани, череп и кожу головы, пока не достигнут электродов, размещенных^{на поверхности кожи} головы. Таким образом, использование ЭЭГ и ЭКГ/ФПГ имеет большие перспективы для улучшения нашего понимания физиологических, когнитивных и эмоциональных процессов, лежащих в основе взаимодействия мозга и сердца, и их последствий для здоровья и благополучия человека. Таким образом, захват взаимодействия сердца и мозга из сигналов ЭЭГ, ЭКГ/ППГ с помощью инструментария BrainBeats может быть особенно полезен в следующих научных областях: клиническая диагностика и прогнозирование, машинное обучение больших данных (ML), самоконтроль в реальном^мире11 и мобильная визуализация мозга/тела (MoBI)^12,13.

Два подхода к совместному анализу сигналов ЭЭГ и ЭКГ
Существует два основных подхода к изучению взаимодействия между ЭЭГ и сердечно-сосудистыми сигналами:

Вызванные сердцебиением потенциалы (HEP) во временной области: потенциалы, связанные с событиями (ERP), и вызванные сердцебиением осцилляции (HEO) во временной частотной области: спектральные возмущения, связанные с событиями (ERSP) и межсудебная когерентность (ITC). Этот подход изучает, как мозг обрабатывает каждое сердцебиение. С точностью до миллисекунды (мс) этот метод требует, чтобы оба временных ряда были идеально синхронизированы, а сердцебиения были отмечены в сигналах ЭЭГ. Этот подход вызвал интерес в последние годы 14,15,16,17,18,19.

Подход, основанный на функциях: этот подход извлекает особенности ЭЭГ и вариабельности сердечного ритма (ВСР) из непрерывных сигналов и изучает связи между ними. Это было сделано независимо для ЭЭГ (часто называемой количественной ЭЭГ или кЭЭГ²⁰), ЭКГ 21,22,23 и ППГ 24,25,26. Этот подход представляет собой многообещающие приложения, захватывая переменные, связанные как с состоянием, так и с типажем. Обратите внимание, что как для ЭЭГ, так и для сердечно-сосудистых сигналов, чем длиннее запись, тем более доминирующей является переменная черт 27,28,29. Таким образом, приложения зависят от параметров записи. Анализ, основанный на признаках, вызывает все больший интерес, предоставляя новые количественные метрики для прогнозирования развития психических и неврологических расстройств, реакции на лечение или рецидива 30,31,32,33,34,35. Этот подход особенно привлекателен для больших и реальных наборов данных (например, клиника, удаленный мониторинг), которые могут быть более легко получены благодаря последним инновациям в носимых^{нейротехнологиях.} Менее изученным применением является выявление связей между конкретными особенностями мозга и сердца, что подчеркивает потенциал, лежащий в основе динамики центральной нервной системы. Вариабельность сердечного ритма (ВСР) может быть рассчитана по сигналам ЭКГ и ФПГ. Он предоставляет информацию об автономной нервной системе (ВНС) путем измерения вариаций временных интервалов между сердечными сокращениями (т.е. интервалов от нормы к норме)²⁷. Повышенная симпатическая активность (например, во время стресса или физических упражнений) обычно снижает ВСР, в то время как парасимпатическая активность (ПНС) (например, во время релаксации) увеличивает ее. Более медленная частота дыхания обычно увеличивает ВСР из-за повышенной активности ПНС, особенно при коротких записях (<10 минут)²⁷. Более высокие показатели ВСР, как правило, указывают на более устойчивую и адаптируемую ВНС, в то время как более низкая ВСР может указывать на стресс, усталость или основные проблемы со здоровьем. Длительные записи ВСР (т.е. не менее 24 часов) обеспечивают прогностический прогноз для различных состояний здоровья, включая сердечно-сосудистые заболевания, стресс, тревогу и некоторые неврологические^{состояния.} Такие показатели, как артериальное давление, частота сердечных сокращений или уровень холестерина, дают информацию о состоянии сердечно-сосудистой системы. Напротив, ВСР добавляет динамический аспект, показывая, как сердце реагирует на стресс и восстанавливается после него.

Преимущества BrainBeats перед существующими методами
Несмотря на то, что существуют инструменты, рассмотренные ниже, для обработки сердечно-сосудистых и ЭЭГ-сигналов независимо друг от друга, они не могут быть совместно проанализированы. Кроме того, большинство доступных средств обработки сердечно-сосудистых сигналов требуют дорогостоящего лицензирования, не позволяют автоматизировать обработку (что особенно выгодно для больших наборов данных), имеют собственные алгоритмы, препятствующие прозрачности и воспроизводимости, или требуют продвинутых навыков программирования, не предоставляя графического пользовательского интерфейса (GUI)³⁶. Насколько нам известно, четыре набора инструментов MATLAB с открытым исходным кодом поддерживают анализ HEP/HEO с графическим интерфейсом пользователя: набор инструментов^{ECG-kit 37}, конвейер BeMoBIL³⁸, плагин HEPLAB EEGLAB³⁹ и набор инструментов CARE-rCortex⁴⁰. Несмотря на то, что HEPLAB, BeMoBIL и набор для ЭКГ облегчают анализ HEP, обнаруживая сердцебиение и отмечая его в сигналах ЭЭГ, они не обеспечивают статистический анализ или ограничены временной областью (т.е. HEP). Плагин CARE-rCortex решает эти проблемы за счет поддержки ЭКГ и дыхательных сигналов, анализа во временной и частотной области, статистики и передовых методов нормализации и коррекции исходного уровня, адаптированных к анализу HEP/HEO. Тем не менее, он использует метод Бонферрони для статистической коррекции ошибки 1-го типа (т.е. ложноположительных), которая является слишком консервативной и физиологически не обоснованной для приложений ЭЭГ, что приводит к увеличению ошибок II типа (т.е. ложноотрицательных результатов)⁴¹. Кроме того, набор инструментов не предлагает доступ к командной строке для автоматизации. Наконец, недавние исследования не рекомендуют использовать методы коррекции^{исходного уровня} 42,43,44, так как они снижают отношение сигнал/шум (SNR) и являются статистически ненужными и нежелательными.

Чтобы обойти эти ограничения, мы представляем набор инструментов BrainBeats, который в настоящее время реализован в виде плагина EEGLAB с открытым исходным кодом в среде MATLAB. Он включает в себя следующие преимущества по сравнению с предыдущими методами:

1) Простой в использовании графический интерфейс и возможности командной строки (для программистов, стремящихся выполнять автоматизированную обработку). 2) Валидированные алгоритмы, параметры и рекомендации по обработке сердечно-сосудистых сигналов, такие как обнаружение пиков R, интерполяция артефактов RR и вычисление метрик ВСР (например, рекомендации по имплантации окон, ресамплизации, нормализации и т. д.27,45,46). Это важно, потому что Vest et al. продемонстрировали, как незначительные различия в этих этапах обработки могут привести к расходящимся результатам, способствуя отсутствию воспроизводимости и клинической применимости метрик ВСР⁴⁶. 3) Валидированные алгоритмы, стандартные параметры и рекомендации по обработке сигналов ЭЭГ, включая фильтрацию и окноирование^44,47, повторные ссылки^48,49, удаление аномальных каналов и артефактов 50,51,52, оптимизированную декомпозицию ICA и классификацию независимых компонентов 53,54,55,56. Пользователи могут точно настроить все параметры предварительной обработки или даже предварительно обработать свои данные ЭЭГ с помощью предпочитаемого метода, прежде чем использовать набор инструментов в соответствии со своими потребностями (например, с помощью плагина^50,52 EEGLAB clean_rawdata, конвейера BeMoBIL³⁸, конвейера PREP⁵⁷ и т.д.). 4) Вызванные сердцебиением потенциалы (HEP, т.е. во временной области) и осцилляции (HEO; спектральные возмущения, связанные с событиями с помощью вейвлет-методов или БПФ, а также межпробная когерентность доступны с помощью стандартного программного обеспечения EEGLAB) из сигналов ЭКГ. Параметрическая и непараметрическая статистика с поправками на ошибки 1-го типа доступна в стандартном программном обеспечении EEGLAB. Непараметрическая статистика включает статистику перестановок и пространственно-временные поправки для множественных сравнений (например, пространственно-временная кластеризация или беспороговое кластерное усиление)^58,59. Пользователи могут использовать плагин LIMO-EEG для реализации иерархического линейного моделирования, которое хорошо учитывает дисперсию внутри и между субъектами и реализует массово-одномерный подход без предположений с надежным контролем ошибок I и II типа^60,61. Статистический анализ данных HEP/HEO может быть выполнен в канальной и независимой компонентной областях. 5) HEP/HEO и анализ ВСР по сигналам PPG (впервые для HEP/HEO). 6) Впервые поддерживает совместное извлечение признаков ЭЭГ и ВСР. 7) Инструментарий предоставляет различные визуализации данных для проверки сигналов на различных необходимых этапах обработки и выходных данных на уровне предмета.

Метод	Определение R-пиков по данным ЭКГ	Обнаружение R-волн от PPG	HEP/HEO	Особенности ЭЭГ и ВСР	Удаление артефактов сердца с ЭЭГ	Графический интерфейс пользователя	Командная строка
ЭКГ-комплект	X	X	X				X
БеМоБИЛ	X		X				X
HEPLAB	X		X			X	X
CARE-rCortex	X		X			X	X
БрейнБитс	X	X	X	X	X	X	X

Таблица 1: Новшества, привнесенные BrainBeats по сравнению с ранее существовавшими аналогичными методами.

Информация, которая поможет читателям решить, подходит ли им этот метод
Этот набор инструментов подходит для любого исследователя или клинициста с данными ЭЭГ и ЭКГ/ФПГ. Плагин пока не поддерживает импорт сигналов ЭЭГ и ЭКГ/ФПГ из отдельных файлов (хотя эта функция будет доступна в ближайшее время). Набор инструментов подходит для тех, кто хочет провести анализ HEP/HEO, извлечь особенности ЭЭГ и/или ВСР с помощью стандартизированных методов или просто удалить сердечные артефакты из сигналов ЭЭГ. На рисунке 1 показана блок-схема, обобщающая общий поток и методы BrainBeats.

РИСУНОК 1. Блок-схема, обобщающая общую архитектуру и поток BrainBeats. Операции, общие для всех трех методов, выделены коричневым цветом. Операции, специфичные для вызванных сердцебиением потенциалов (HEP) и колебаний (HEO), выделены зеленым цветом. Операции, специфичные для извлечения признаков ЭЭГ и ВСР, выделены синим цветом. Операции, специфичные для удаления сердечных артефактов из сигналов ЭЭГ, выделены красным цветом. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Протокол

От каждого участника было получено информированное согласие, а этический комитет Уральского федерального университета утвердил протокол эксперимента.

1. Требования BrainBeats

1. Установите MATLAB и EEGLAB на компьютер. EEGLAB можно скачать по адресу https://github.com/sccn/eeglab и распаковать (или клонировать для пользователей Git) в любом месте компьютера. Дополнительные сведения об установке см. на странице GitHub.
2. Добавьте путь к папке EEGLAB на главной панели MATLAB, нажав кнопку «Задать путь ». Выберите папку eeglab с распакованным файлом и нажмите «Сохранить» > «Закрыть».
3. Запустите EEGLAB, набрав eeglab в командном окне MATLAB.
4. Установите плагин BrainBeats, нажав «Файл» > «Управление расширениями EEGLAB». Введите brainbeats в строку поиска, выберите в списке плагин BrainBeats и нажмите «Установить/обновить».
5. Загрузите образец набора данных в EEGLAB. Нажмите кнопку Файл > Загрузить существующие данные. Перейдите в папку EEGLAB, перейдите в папку плагинов, перейдите в папку BrainBeats и откройте папку sample_data. Выберите файл dataset.set.
   ПРИМЕЧАНИЕ: Этот набор данных соответствует sub-032 (состояние покоя с открытыми глазами) из набора данных с открытым исходным кодом^62,63. Этот вариант был выбран потому, что он содержит одновременные ЭЭГ (64 канала), ЭКГ (один канал) и ФПГ (один канал) с частотой дискретизации 1000 Гц. Сигналы ЭКГ и ФПГ собирали с помощью вспомогательных входов системы actiCHamp. Данные ЭЭГ регистрировали с помощью активных электродов, размещенных по системе 10-20, с FCz в качестве онлайн-эталона и Fpz в качестве заземляющего электрода, с поддержанием импеданса ниже 25 кОм. ЭКГ регистрировали с помощью одного активного электрода, размещенного на правом запястье, электрода сравнения на левом запястье и земли на левом внутреннем предплечье на расстоянии 3 см от локтя. ППГ регистрировалась с указательного пальца левой руки. Данные ЭЭГ, ЭКГ и ФПГ синхронизированы по времени, так как они были записаны одновременно с помощью одного и того же усилителя. Более подробную информацию см. в ссылках^62,63.
6. Установите флажок «Сохранить выходы», чтобы сохранить все данные в соответствующем файле .set в том же месте, что и исходный файл, который был загружен в EEGLAB.
   ПРИМЕЧАНИЕ: В этом уроке мы объединили данные ЭЭГ, ЭКГ и PPG в один набор данных EEGLAB, загрузили координаты электродов методом 3D граничных элементов (BEM) и уменьшили частоту сигнала до 250 Гц, чтобы уменьшить вес файла (для загрузки пользователем) и ускорить время вычислений. Поскольку в этом наборе данных не было аномального канала ЭЭГ, мы искусственно изменили канал TP9, чтобы проиллюстрировать алгоритм обнаружения и удаления плохих каналов BrainBeats. Аналогичным образом, мы искусственно моделируем большой артефакт ЭЭГ в начале файла и высокочастотный мышечный артефакт в височных каналах от 3 до 6 с, чтобы проиллюстрировать функцию удаления артефактов в BrainBeats.

2. Вызванные сердцебиением потенциалы (HEP) и колебания (HEO)

1. Откройте первый общий пользовательский интерфейс (GUI) BrainBeats, чтобы выбрать основные параметры. В EEGLAB нажмите «Инструменты» > BrainBeats >^1-м уровне (уровень предмета). Выберите Heartbeat-induced potentials HEP в качестве анализа для выполнения, ЭКГ в качестве типа данных сердца и нажмите на кнопку, чтобы отобразить список каналов, чтобы выбрать канал ЭКГ, помеченный как ECG (или введите его непосредственно в текстовое поле). Оставьте выбранными опции Визуализировать выходные данные (рекомендуется) и Сохранить выходные данные и нажмите Ok.
2. Второе окно графического интерфейса пользователя открывается на основе предыдущих вариантов (т.е. анализ HEP с данными ЭКГ). Выберите параметры предварительной обработки для сигналов ЭЭГ и ЭКГ. Отключите предварительную обработку, сняв флажки «Предварительная обработка ЭКГ » и « Предварительная обработка ЭЭГ », чтобы проверить, были ли данные уже предварительно обработаны перед запуском BrainBeats. Измените шум линии питания на 50 Гц в секции предварительной обработки ЭЭГ , так как эти данные ЭЭГ были зарегистрированы в России. Нажмите OK для запуска.
3. Появится предупреждающее сообщение с просьбой подтвердить удаление обнаруженного канала PPG. Это связано с тем, что инструментарий не предназначен для одновременного анализа ЭКГ и ФПГ (или других вспомогательных каналов), и сохранение его в наборе данных приведет к серьезным ошибкам (например, удалению артефактов, плохой декомпозиции ICA и т. д.). Нажмите кнопку Да. BrainBeats начинает выполнять некоторые проверки, устанавливая некоторые параметры по умолчанию, и отделяет ЭКГ от данных ЭЭГ для предварительной обработки сигнала ЭКГ и вычисления интервалов RR.
4. Временные ряды ЭКГ и RR предварительно обрабатываются с использованием проверенных алгоритмов из набора инструментов Physionet Cardiovascular Signal^46,64, адаптированных к форматированию данных BrainBeats, повышению ясности, настройке параметров и времени вычислений (см. ссылки для проверки алгоритмов). Плагин выводит интервалы RR, временные метки, отфильтрованный сигнал ЭКГ, индексы R-пиков и частоту сердечных сокращений (ЧСС). Настройте эти параметры с помощью графического интерфейса пользователя или командной строки.
   ПРИМЕЧАНИЕ: Сигнал ЭКГ фильтруется по полосе пропускания с использованием специализированного, проверенного фильтра (1-30 Гц) и сканирует сигнал для идентификации комплекса QRS и R-пиков с использованием метода Пана-Томпкинса (P&T)⁶⁵, реализуя некоторые операции обработки сигнала, включая дифференцирование, возведение в квадрат, интегрирование и сглаживание для достижения наилучших результатов. Энергетический порог P&T оценивается на основе частоты дискретизации и сглаженных значений ЭКГ, чтобы избежать разрушения из-за больших неровностей. Если вариабельность интервала RR превышает медиану в 1,5 раза, выполняется поиск пропущенных пиков. Средний знак R-пика рассчитывается по сегментам 30 с, а пиковые точки уточняются с помощью проверки рефрактерного периода, управления плоскими условиями и обеспечения согласованного обнаружения.
5. Затем BrainBeats идентифицирует аномальные интервалы RR или пики в интервалах RR, используя прямой и обратный поиск и физиологические пороги. Индекс качества сигнала (SQI) рассчитывается^{как 46}; проверьте это, если система отображает предупреждения, в которых более 20% временного ряда RR содержат артефакты RR (за пределами физиологических пределов или с SQI ниже 0,9). На графике отображается отфильтрованный сигнал ЭКГ, идентифицированные R-пики, интервалы NN и интерполированные артефакты (см. рис. 2).
   ПРИМЕЧАНИЕ: Артефакты RR интерполируются по умолчанию с использованием кусочно-кубического метода с сохранением формы для получения интервалов от нормали к нормали (NN), но удаляют их (не рекомендуется) или используют другой метод интерполяции (линейный, кубический, ближайший сосед, предыдущий/следующий сосед, сплайн, кубическая свертка или модифицированный кубический Akima), если это необходимо. При наличии нескольких каналов ЭКГ для каждого из них оцениваются интервалы RR, а для следующих этапов выбирается канал с наименьшим числом артефактов RR.
6. Прокрутите увеличенные 30-секундные окна R-пиков для более близкого рассмотрения, нажимая стрелки вправо/влево. Если данные содержат несколько каналов ЭКГ/ФПГ, используйте канал с наилучшим индексом качества сигнала для интервалов RR. В настоящее время BrainBeats не поддерживает сигналы ЭКГ и ФПГ одновременно. В качестве учебника мы выбрали пример набора данных, который содержит оба типа данных.
7. После обработки сигнала ЭКГ полоса BrainBeats фильтрует данные ЭЭГ на частоте 1-40 Гц, используя нелинейный причинно-следственный фильтр минимальной фазы КИХ, который по умолчанию снижает активность смазывания между периодами до и после сердцебиения, сохраняет причинно-следственную связь и позволяет избежать^{нежелательных} групповых задержек. Это особенно важно для пользователей, изучающих период до сердцебиения. Если фильтр нижних частот установлен на значение выше частоты сети питания (например, 80 Гц при частоте сети питания 50 Гц), используйте фильтр с резким режектором для удаления артефакта шума линии. Затем данные ЭЭГ повторно привязываются до бесконечности с использованием алгоритма REST (лучше всего подходит для анализа HEP⁴⁹), если не обнаружено менее 30 каналов (в этом случае они не могут быть надежно повторно привязаны, и генерируется предупреждение, чтобы сообщить об этом пользователям).
8. Затем BrainBeats обнаруживает, удаляет и интерполирует аномальные каналы ЭЭГ (рис. 3). Убедитесь, что параметрами по умолчанию являются плоские линии больше 5 с (алгоритм clean_flatlines), максимальное стандартное отклонение высокочастотного шума 10, длина окна 5 с (для лучшего захвата низкочастотных артефактов⁵²), минимальная корреляция между соседними каналами 0,65 и максимально допустимая доля 33% (алгоритм clean_channels).
   ПРИМЕЧАНИЕ: Количество выборок RANSAC по умолчанию установлено равным 500 для повышения сходимости и воспроизводимости плохого отклонения канала (хотя это увеличивает время вычислений).
9. Затем вставьте R-пики в качестве маркеров событий в данные ЭЭГ, чтобы отметить каждый пульс, и сегментируйте данные вокруг этих маркеров без удаления исходного уровня (согласно рекомендациям^43,66; Рисунок 4). Поскольку интервалы NN имеют разную длину и ЭЭГ должна быть сегментирована с постоянной длиной, оцените минимальный предел размера эпохи после событий R-пика, используя^5-й процентиль данных межтактового интервала (IBI) (т.е. значение, ниже которого опускаются 5% самых коротких IBI, отображается пунктирной красной линией на гистограмме; см. рис. 5).
   ПРИМЕЧАНИЕ: Это значение^5-го процентиля является хорошим компромиссом для сохранения как можно большего количества эпох, гарантируя, что они не будут слишком короткими, поскольку период интереса для анализа HEP/HЭО составляет 200-600 мс после пульса ^49,67.
10. Сегментируйте данные ЭЭГ от -300 мс до R-пика до^5-го процентиля после R-пика, с R-пиком в момент времени 0. Отклоняйте эпохи короче 550 мс или содержащие более одного R-пика (что приведет к смещению ERP/ESP), согласно рекомендациям^49,67. Эпохи, содержащие большие артефакты ЭЭГ, обнаруживаются с помощью метрик среднеквадратичного значения (RMS) и отношения сигнал/шум (SNR), а также функции изовыброса MATLAB (рис. 6). Искусственные эпохи удалены.
11. Выполнение слепого разделения источников с использованием стандартного алгоритма Infomax с учетом ранга данных для достижения наилучшей производительности⁵³. При желании выберите алгоритм предобусловленного анализа независимых компонент (PICARD) для быстрого вычисления ^54,54, выбрав опцию Picard (быстрый), или модифицированный алгоритм Infomax, выбрав опцию Modified Infomax (длинный, но воспроизводимый) для метода ICA поля (хотя это требует гораздо более длительного времени вычислений). Используйте плагин ICLabel⁵⁶ для автоматической классификации ИС для извлечения артефактов, не относящихся к мозгу (глазные компоненты удаляются с 90% достоверностью, тогда как мышечные, линейные шумы и шумы каналов удаляются с 99% достоверностью; Рисунок 7).
12. Оставьте выбранный параметр Визуализировать выходы в первом окне графического интерфейса, чтобы визуализировать окончательный временной ряд ЭЭГ, большое среднее значение HEP (Рисунок 8 вверху), HEP для каждого сердцебиения (Рисунок 8 внизу) и большое среднее количество колебаний, вызванных сердцебиением (HEO; Рисунок 9). Исследуйте ВЭО с точки зрения спектральных возмущений, связанных с событиями (ERSP, т.е. изменения мощности ЭЭГ в течение сердечных сокращений; Рисунок 9 вверху) и когерентность фазы между испытаниями (ITC, т.е. постоянство фазового угла в течение сердечных сокращений; Рисунок 9 внизу).
    ПРИМЕЧАНИЕ: ERSP вычисляется с использованием стандартного 3-тактового вейвлета (с примененным коническим окном Хеннинга, отношением прокладок 2) и с числом циклов в вейвлетах, используемых для более высоких частот, медленно расширяющимся до 20% от числа циклов в эквивалентном окне БПФ на его самой высокой частоте (1 минус 0,8). Это позволяет управлять формами отдельных окон, измеряемых функцией, и их формами в результирующих стеклах времени/частоты. Произвольная базовая линия удаляется в иллюстративных целях, и ERSP вычисляется для частот 7-25 Гц, чтобы зафиксировать типичный эффект HEO, описанный в литературе, а именно 300-450 мс после сердцебиения в альфа-диапазоне (8-13 Гц) над лобноцентральными электродами^17,67. Более низкие частоты не могут быть оценены из-за короткого размера эпохи, определяемого интервалами между тактами. Непараметрическая статистика (перестановка) применяется для визуализации HEO для p-значения 0,05, скорректированного на частоту ложных открытий (FDR, т.е. ошибка 1-го типа или ошибка семейства). Эти графики генерируются в учебных целях или для анализа в отдельных испытаниях.
13. Графики предварительной обработки генерируются для визуализации различных этапов. Чтобы отключить его, снимите флажок Визуализировать препроцессирование. Окончательные данные ЭЭГ (очищенные и сегментированные вокруг R-пиков) не включают данные ЭКГ, поскольку это может привести к смещению анализа ERP/ESP. Чтобы сохранить сердечный канал на конечном выходе, установите флажок Сохранить сердечный канал.
    ПРИМЕЧАНИЕ: При необходимости сделайте паузу перед обработкой следующего файла (следующего условия или участника).
14. BrainBeats поддерживает функцию истории EEGLAB. В конце всех операций введите eegh в командном окне MATLAB, чтобы распечатать командную строку и повторить все вышеуказанные шаги через одну командную строку, с параметрами, которые были выбраны вручную в графическом интерфейсе, что позволяет легко автоматизировать. Найдите выходы предварительной обработки (например, индекс качества сигнала сердечно-сосудистых временных рядов, интервалы NN, удаленные каналы ЭЭГ, сегменты и компоненты и т. д.) в структуре EEGLAB: EEG.brainbeats.preprocessings. Все параметры также экспортируются в EEG.brainbeats.parameters.
15. Для продвинутых пользователей выполните все вышеуказанные шаги с параметрами по умолчанию с помощью следующих командных строк (дополнительные параметры см. в учебном скрипте в репозитории BrainBeats):
    eeglab; закрывать; % Запуск EEGLAB без графического интерфейса
    main_path = fileparts(which('eegplugin_BrainBeats.m')); cd(main_path);
    EEG = pop_loadset('имя_файла','dataset.set',
    'filepath',fullfile(main_path, 'sample_data')); %Загрузить образец набора данных
    ЭЭГ = brainbeats_process(ЭЭГ,'анализ',
    'hep','heart_signal','ECG', 'heart_channels',
    {'ECG'},'clean_eeg',true); % Запустите BrainBeats^1-го уровня для обработки файла для анализа HEP с параметрами по умолчанию
16. На описанных выше этапах выполняется HEP/HEO по сигналу ЭКГ. Выполните следующие действия для сигнала PPG.
17. В следующих шагах выполните те же операции, но с использованием сигнала PPG. Загрузите тот же набор данных снова (см. шаг 1.5), так как предыдущие операции перезаписали его, и снова откройте первый графический интерфейс BrainBeats, чтобы выбрать основные параметры. Нажмите Инструменты > BrainBeats >^1-м уровне (уровень предмета). Выберите Heartbeat-induced potentials (HEP) в качестве анализа для выполнения, PPG в качестве типа данных о сердце, и нажмите на кнопку, чтобы отобразить список каналов, чтобы выбрать канал PPG. Оставьте выбранными параметры Визуализировать выходные данные (рекомендуется) и Сохранить выходные данные и нажмите OK.
18. Второе окно с графическим интерфейсом пользователя появляется таким же образом, как и на шаге 2.2. Единственное отличие заключается в том, что теперь мы можем тонко настроить параметр для обработки сигнала PPG вместо сигнала ЭКГ. Нажмите OK , чтобы запустить с параметрами по умолчанию.
19. Появится предупреждающее сообщение с просьбой подтвердить удаление обнаруженного дополнительного канала ЭКГ. Опять же, это ожидаемо. Нажмите кнопку Да. По умолчанию набор инструментов выполняет предварительную обработку сигнала PPG, обнаруживает пульсовые волны для получения интервалов RR, идентифицирует артефакты RR, если таковые имеются, и интерполирует их (рис. 10). Шаги 2.7. к 2.12. и генерируются те же графики и выходные данные, но на основе волн R, обнаруженных по сигналу PPG (см. Рисунок 11 и Рисунок 12).
    ПРИМЕЧАНИЕ: Волны R обнаруживаются с помощью наклона сигнала в пределах указанного окна. Затем потенциальные импульсы помечаются, когда наклон превышает динамический порог, который корректируется на основе истории обнаружения и характеристик сигнала. Затем алгоритм выполняет поиск в течение периода закрытия глаза, чтобы точно определить максимальный наклон, а затем начало пульсовой волны определяется с помощью порогового значения. Пики R-волны идентифицируются как впадины вблизи начала, и их местоположение записывается. Алгоритм перебирает весь сигнал, непрерывно корректируя пороги обнаружения и определяя пики R-волны, которые затем используются для вычисления интервалов RR.
20. Для продвинутых пользователей выполните все вышеуказанные шаги с параметрами по умолчанию с помощью следующих командных строк (дополнительные параметры см. в учебном скрипте в репозитории BrainBeats):
    eeglab; закрывать; % Запуск EEGLAB без графического интерфейса
    main_path = fileparts(which('eegplugin_
    BrainBeats.m')); cd(main_path);
    EEG = pop_loadset('имя_файла','dataset.set',
    'filepath',fullfile(main_path, 'sample_data')); %Загрузить образец набора данных
    ЭЭГ = brainbeats_process(ЭЭГ,'анализ',
    'hep','heart_signal','PPG', 'heart_channels',
    {'PPG'},'clean_eeg',true); % Запустите BrainBeats^1-го уровня для обработки файла для анализа HEP с параметрами по умолчанию

3. Извлечение особенностей ЭЭГ и ВСР

1. Загрузите тот же набор данных еще раз (см. шаг 1.5; Нажмите File > Load existing dataset > Select dataset.set), так как он был перезаписан предыдущими операциями, и снова откройте основной графический интерфейс для выбора основных параметров (шаг 2.1; Нажмите «Инструменты» > BrainBeats >^1-м уровне). Выберите Извлечь признаки ЭЭГ и ВСР для типа анализа, ЭКГ для типа сердечного сигнала и выберите ЭКГ в списке меток электродов. Нажмите OK.
2. Второе окно с графическим интерфейсом появляется, как и в шаге 2.2, но с другими параметрами для предварительной обработки ЭЭГ и извлечения характеристик ВСР, и ЭЭГ. Установите эти параметры, как описано ниже. Нажмите OK для запуска с параметрами по умолчанию.
   1. В разделе «ВСР» нажмите на кнопку « Параметры частоты», чтобы выбрать метод вычисления мощности ВСР (по умолчанию установлено нормализованная периодограмма Ломба-Скаргла), перекрытие окон (по умолчанию установлено значение 25%) и для выполнения нормализации второго уровня (по умолчанию не установлено; см. примечание ниже для получения более подробной информации).
   2. В разделе «Функции ЭЭГ» нажмите на кнопку «Параметры частоты», чтобы точно настроить некоторые параметры, такие как общий диапазон частот, для которого вычисляется спектральная плотность мощности (PSD; по умолчанию = 1-40 Гц), единицы измерения (децибелы, μВ²/Гц или нормализованные по общей мощности), тип окна (по умолчанию = хамминг), перекрытие окон (по умолчанию = 50%), длина окна (по умолчанию = 2 с), и типы частотных границ для каждого диапазона.
      ПРИМЕЧАНИЕ: Мощность ВСР рассчитывается по умолчанию с использованием нормализованной периодограммы Ломба-Скаргла, которая не требует повторной дискретизации (следовательно, лучше сохраняет исходную информацию) и лучше всего справляется с неравномерно дискретизированными данными, недостающими данными и шумом (типично для интервалов NN)⁶⁸. Нормализованная версия масштабирует мощность в зависимости от дисперсии сигнала, обеспечивая результаты, которые менее чувствительны к изменяющимся уровням шума, более сосредоточены на относительной силе периодических составляющих и более сопоставимы между различными записями или объектами. Другие доступные методы включают ненормализованную периодограмму Ломба-Скаргла, метод Уэлча и быстрое преобразование Фурье (БПФ). Для методов Уэлча и БПФ для создания необходимых регулярных временных рядов выполняется повторная выборка. Нормализация второго уровня может быть применена путем деления мощности каждой полосы частот на общую мощность, что обеспечивает более интуитивную меру относительного вклада каждой частотной составляющей в общую мощность. По умолчанию он отключен, так как имеет смысл только при наличии всех четырех диапазонов, требующих не менее 24 часов сигнала. Эти алгоритмы адаптированы из набора инструментов⁴⁶ для обработки сердечно-сосудистых сигналов Physionet.
3. Появляется то же предупреждающее сообщение с просьбой подтвердить удаление обнаруженного дополнительного канала PPG. Опять же, это ожидаемо. Нажмите кнопку Да. BrainBeats начнет предварительную обработку данных ЭКГ и извлечение интервалов NN идентично, как на шаге 2.4. Затем он извлекает характеристики вариабельности сердечного ритма (ВСР) из интервалов NN во временной (SDNN, RMSSD, pNN50), частотной (УНЧ, ОНЧ, НЧ, ВЧ, отношение НЧ:ВЧ, общая мощность) и нелинейной (Пуанкаре, фазовыпрямленное усреднение сигнала, нечеткая энтропия и фрактальная размерность) областях.
   ПРИМЕЧАНИЕ: BrainBeats автоматически проверяет длину файла, чтобы убедиться в соблюдении минимальных требований (например, для питания ULF-HRV требуется 24 часа данных), отправляет предупреждающие сообщения, если это не так, и не экспортирует эти функции для предотвращения ненадежных оценок. BrainBeats следует указаниям и рекомендациям по оценке показателей ВСР^27,45.
4. BrainBeats предварительно обрабатывает данные ЭЭГ, как показано на шаге 2.7. (см. Рисунок 3). Большие артефакты обнаруживаются автоматически в непрерывных данных с использованием алгоритма реконструкции подпространства артефактов (ASR) ^50,52 (критерий SD по умолчанию установлен на 30 и использование 80% доступной оперативной памяти для увеличения скорости). Эти большие артефакты удаляются из данных ЭЭГ (см. рисунок 13). Чтобы настроить эти параметры в графическом интерфейсе, выберите поля Порог для отклонения плохих сегментов с ASR и Доступная оперативная память для использования для ASR.
   ПРИМЕЧАНИЕ: Временные ряды ЭЭГ и сердечно-сосудистой системы не нуждаются в синхронизации по времени для режима функций, поскольку особенности оцениваются по каждому сигналу отдельно. Таким образом, артефакты ЭЭГ могут быть удалены непосредственно из данных ЭЭГ (выделены красным цветом, рис. 13), в отличие от режима HEP, где эпохи, содержащие артефакты, были отвергнуты для обоих временных рядов, поскольку для этого метода важна синхронизация времени с точностью мс.
5. Выполняйте ВСА с использованием тех же алгоритмов и параметров, что и для HEP (см. шаг 2.11.), за исключением того, что на этот раз компоненты сердца удаляются при обнаружении с вероятностью 99% (они были сохранены для HEP/HEO, поскольку мы не хотим удалять соответствующие сердечные сигналы).
6. На шаге 3.2 отмечен флажок «Частотная область », поэтому BrainBeats извлекает следующие характеристики частотной области: среднюю спектральную плотность мощности (PSD) для полос частот дельта (1-3 Гц), тета (3-7 Гц), альфа (8-13 Гц), бета (13-30 Гц) и гамма (30+ Гц), индивидуальная альфа-частота (IAF) и альфа-асимметрия на всех доступных (симметричных) парах электродов. Проверьте эти функции.
   ПРИМЕЧАНИЕ: PSD, преобразованный в децибелы (дБ), облегчает сравнение результатов по записям и объектам. Частотные границы могут быть установлены в соответствии с условными границами (например, предопределенными 8-13 Гц для альфа-диапазона) или в соответствии с индивидуализированными границами, которые обнаруживаются по распределению спектральной плотности мощности для учета межиндивидуальных различий⁶⁹ (например, 7,3-12,6 Гц для альфа-диапазона). Алгоритм был разработан для альфа-диапазона и не работает так же хорошо для других диапазонов, особенно когда пики отсутствуют в спектральном распределении мощности. Индивидуальная альфа-частота (IAF) оценивается с использованием альфа-центра тяжести для лучшей работы с расщепленными пиками или неоднозначными пиками⁶⁹. Альфа-асимметрия вычисляется в соответствии с рекомендациями (2-секундное окно Хамминга с 50% перекрытием, логарифм альфа-мощности из левого канала минус логарифм альфа-мощности из правого канала)⁴⁷. Следовательно, положительные значения указывают на большую альфа-мощность слева, чем справа, и наоборот. Альфа-асимметрия может быть нормализована путем деления альфа-мощности от каждого электрода на альфа-мощность, суммированную по всем электродам⁴⁷. Симметричные пары получаются с использованием тета-расстояний, требующих, чтобы данные ЭЭГ содержали координаты электродов.
7. На шаге 3.2 отмечен флажок Нелинейная область , BrainBeats извлекает нечеткую энтропию и фрактальную размерность для каждого канала ЭЭГ.
   Примечание: Считается, что функции нелинейной области улавливают нелинейную, сложную динамику мозга, которая не учитывается при спектральных измерениях, и демонстрируют особые перспективы для исследования взаимодействий между различными системами организма 70,71,72. Нечеткая энтропия более надежна и устойчива, чем ее альтернативы (выборочная и приближенная энтропия), но требует более длительного времени вычислений (особенно при длинных временных рядах ЭЭГ с высокой частотой дискретизации). Чтобы решить эту проблему, когда сигналы ЭЭГ длятся более 2 минут с частотой дискретизации более 100 Гц, они автоматически понижаются (или уменьшаются, если множитель не является целым числом) до 90 Гц (т. е. соответствуют частоте Найквиста 45 Гц, чтобы соответствовать фильтру нижних частот по умолчанию и максимально избегать артефактов линейного шума). Кроме того, параллельные вычисления активируются по умолчанию при оценке характеристик ЭЭГ, что сокращает время вычислений, особенно при наличии большого количества каналов ЭЭГ.
8. Выберите Визуализировать выходные данные в первом графическом интерфейсе пользователя (см. шаг 3.1.), чтобы создать график, отображающий спектральную плотность мощности (PSD) для данных ВСР и ЭЭГ (рисунок 14), а также топографии кожи головы, отображающие некоторые особенности ЭЭГ (рисунок 15).
   ПРИМЕЧАНИЕ: Вы также можете найти некоторые выходные данные предварительной обработки в EEG.brainbeats.preprocessing и все параметры, используемые в EEG.brainbeats.parameters. Мы призываем пользователей сообщать об этих результатах в научных публикациях, чтобы повысить воспроизводимость результатов.
9. Установите флажок Сохранять выходные данные в первом окне графического интерфейса, чтобы сохранить все функции, экспортированные в файл EEGLAB .set в EEG.brainbeats.features, и сохранить их в файле .mat в той же папке, где был загружен набор данных.
10. BrainBeats поддерживает функцию истории EEGLAB. В конце всех операций введите eegh в командном окне MATLAB, чтобы распечатать командную строку, которая позволит вам повторить все вышеуказанные шаги через одну командную строку, с параметрами, которые были выбраны вручную в графическом интерфейсе, что позволяет легко автоматизировать и повторить операции.
11. Для продвинутых пользователей выполните все описанные выше действия с помощью следующей команды:
    eeglab; закрывать; % Запуск EEGLAB без графического интерфейса
    main_path = fileparts(which('eegplugin_BrainBeats.m')); cd(main_path);
    EEG = pop_loadset('имя_файла','dataset.set',
    'filepath',fullfile(main_path, 'sample_data')); % Загрузить образец набора данных
    ЭЭГ = brainbeats_process(ЭЭГ,' анализ',
    'features','heart_signal','ECG', 'heart_channels',{'ECG'},'clean_eeg',true);
12. На предыдущих шагах из сигнала ЭКГ извлекались особенности ВСР. Выполните следующие действия, чтобы извлечь признаки ВСР из сигнала PPG (функции ЭЭГ те же).
13. Загрузите тот же набор данных снова (шаг 1.5.), так как он был перезаписан операциями, и снова откройте основной графический интерфейс (шаг 2.5.). Выберите «Извлечь характеристики ЭЭГ и ВСР» для анализа, а затем выберите PPG для типа сердечного сигнала и PPG для названия канала. Нажмите OK.
14. Во^2-м окне графического интерфейса теперь отображаются параметры для предварительной обработки PPG и извлечения признаков ВСР и ЭЭГ. Нажмите OK , чтобы запустить с параметрами по умолчанию. Параметры описаны в шаге 2.17.
15. Появится предупреждающее сообщение с просьбой подтвердить удаление обнаруженного канала ЭКГ. Этого следовало ожидать, так как инструментарий не предназначен для одновременного анализа ЭКГ и ФПГ (или других вспомогательных каналов) и сохранение его в наборе данных приведет к серьезным ошибкам (например, удалению артефактов, плохому разложению ICA и т. д.). Нажмите кнопку Да.
16. BrainBeats предварительно обрабатывает сигнал PPG и оценивает интервалы NN как на шаге 2.5. Проверьте извлеченные признаки ВСР из интервалов NN, как и на шаге 3.2. за исключением того, что интервалы NN теперь получены из сигнала PPG. Сигналы ЭЭГ предварительно обрабатываются, как показано на шаге 3.2. BrainBeats строит график PSD (рис. 16). Единственное различие здесь заключается в том, что ПСД оценивается по интервалам NN, полученным из ППГ, в отличие от ЭКГ.
17. Для продвинутых пользователей выполните все описанные выше действия с помощью следующей команды:
    eeglab; закрывать; % Запуск EEGLAB без графического интерфейса
    main_path = fileparts(which('eegplugin_BrainBeats.m')); cd(main_path);
    EEG = pop_loadset('имя файла','dataset.set','filepath',
    fullfile(main_path, 'sample_data')); %Загрузить образец набора данных
    ЭЭГ = brainbeats_process(ЭЭГ,'анализ',
    'features','heart_signal', 'PPG','heart_channels',{'PPG'},'clean_eeg',true);

4. Извлекайте сердечные артефакты из сигналов ЭЭГ.

1. Загрузите образец набора данных (см. шаг 1.5.).
2. Откройте главное окно графического интерфейса, нажав Инструменты > BrainBeats >^1-м уровне (тематический уровень) и выберите тип анализа Извлечь артефакты сердца из сигналов ЭЭГ, тип сигнала сердца — ЭКГ и выберите ЭКГ в списке меток электродов. Нажмите OK.
3. Во^2-м окне графического интерфейса отображаются параметры предварительной обработки. Установите шум линии электропередачи на частоту 50 Гц (Европа), при необходимости отредактируйте уровень достоверности, установите флажок Режим усиления (бета) и нажмите OK , чтобы запустить с параметрами по умолчанию, поскольку сигналы ЭЭГ из примера набора данных не обрабатываются заранее.
   ПРИМЕЧАНИЕ: уровень достоверности для обнаружения компонентов сердца по умолчанию установлен на уровне 80%, что может быть слишком низким или слишком высоким для некоторых наборов данных. Увеличение этого значения увеличит шансы обнаружения компонентов сердца, но снизит надежность этого обнаружения. Режим Boost (бета) является опциональным и направлен на улучшение характеристик классификации путем размазывания сердечного сигнала в сигналы ЭЭГ.
4. Появится предупреждающее сообщение с просьбой подтвердить удаление обнаруженного дополнительного канала PPG. Этого следовало ожидать, так как инструментарий не предназначен для одновременного анализа ЭКГ и ФПГ (или других вспомогательных каналов) и сохранение его в наборе данных приведет к серьезным ошибкам (например, удалению артефактов, плохому разложению ICA и т. д.). Нажмите кнопку Да.
5. Сигнал ЭКГ фильтруется полосой пропускания для удаления медленных дрейфов частот ниже 1 Гц и высокочастотных шумов выше 20 Гц (с помощью непричинного фильтра нулевой фазы КИХ). Предварительная обработка сигналов ЭЭГ, как показано на шаге 3.4.
6. Выполнение независимого компонентного анализа (ICA) с использованием предварительно подготовленного алгоритма ICA для реальных данных (PICARD). Чтобы изменить эту опцию, выберите стандартный алгоритм Infomax или модифицированный алгоритм Infomax для репликации из графического интерфейса пользователя на шаге 4.3. Затем автоматически классифицируйте независимые компоненты с помощью ICLabel. Если компонент классифицируется как компонент сердца с 80% достоверностью, он по умолчанию обнаруживается и извлекается автоматически из данных ЭЭГ.
7. Оставьте поле Визуализировать выходы в первом основном графическом интерфейсе пользователя (шаг 4.2.), чтобы визуализировать топографию кожи головы удаленного компонента (рисунок 17 слева) и окончательный временной ряд ЭЭГ (синим цветом, рисунок 17 справа) после извлечения сердечного компонента (красным, рисунок 17 справа).
   ПРИМЕЧАНИЕ: канал ЭКГ сохраняется для визуализации с целью подтверждения извлечения компонентов, связанных с ЭКГ, но после этого шага он удаляется, так как больше не содержит никакой релевантной информации.
8. Для опытных пользователей выполните следующие действия с помощью следующих командных строк:
   eeglab; закрывать; % Запуск EEGLAB без графического интерфейса
   main_path = fileparts(which('eegplugin_BrainBeats.m')); cd(main_path);
   EEG = pop_loadset('имя файла','dataset.set','filepath',
   fullfile(main_path, 'sample_data'));
   ЭЭГ = brainbeats_process(ЭЭГ,'анализ','rm_heart',
   'heart_signal','ЭКГ',...
   'heart_channels',{'ECG'},'clean_eeg',true,'vis_cleaning',false,...
   'conf_thresh',.8,'boost',true);

Результаты

Во-первых, плагин BrainBeats использовался для предварительной обработки данных ЭЭГ и ЭКГ, выявления и удаления артефактов, а также анализа вызванных сердцебиением потенциалов (HEP) и колебаний (HEO). BrainBeats успешно обнаружил интервалы RR по сигналу ЭКГ и некоторые артефакты RR (рис. 2). BrainBeats также сообщил в командном окне, что 11/305 (3,61%) пульсов были помечены как артефакты и интерполированы. Средний индекс качества сигнала (SQI) интервалов RR (до интерполяции) имеет значение 1, которое является самым высоким значением. Низкое качество сигнала соответствует тому, что 20% или более серий RR помечены как артефакты или с SQI<0,9. Канал ЭЭГ TP9 был удален и интерполирован (рис. 3), несколько эпох, содержащих артефакты (рис. 6), и два компонента глаза были помечены для удаления (рис. 7). Выходные данные включают в себя большую среднюю HEP (Рисунок 8) и HEO (Рисунок 9). Мы наблюдали значительные колебания, вызванные сердцебиением (HEO) в альфа-диапазоне (8-15 Гц) от 150 до 400 мс после сердцебиения в лобно-центральном участке кожи головы (рис. 9, вверху), что согласуется с предыдущими результатами^17,67). С другой стороны, анализ межклинической когерентности (ITC) не выявил существенной фазовой синхронизации или сброса фазы ЭЭГ в отношении сердечных сокращений (Рисунок 9, внизу).

Во-вторых, плагин BrainBeats использовался для того же самого, но с PPG. BrainBeats успешно обнаружил интервалы RR из сигнала ЭКГ и некоторые артефакты RR (рис. 10). BrainBeats сообщил в командном окне, что 15/309 (4,85%) пульсов были помечены как артефакты и интерполированы. Средний индекс качества сигнала (SQI) интервалов RR (до интерполяции) имеет значение 0,87. Качество сигнала в среднем ниже 0,9, но все равно считается хорошим, потому что менее 20% серий RR были помечены как артефакты или имели SQI<0,9. Выходные данные показали большое среднее значение HEP (рис. 11) на основе волн R, обнаруженных по сигналу PPG. Мы наблюдали значимые эффекты в лобно-центральном участке кожи головы почти в течение всего временного окна после R-волны (150-400 мс) и почти во всем диапазоне частот (рис. 12 вверху). Эффекта ITC не наблюдалось (Рисунок 12 внизу). Это первый раз, когда анализ HEP/HEO был проведен по сигналам PPG, и для интерпретации этих результатов необходимы дальнейшие исследования.

В-третьих, BrainBeats был использован для извлечения особенностей ЭЭГ и особенностей ВСР из сигнала ЭКГ. Процесс включает в себя предварительную обработку сигналов ЭКГ и ЭЭГ, обнаружение и удаление артефактов, а также вычисление характеристик ВСР и ЭЭГ в различных областях. Мы наблюдали пик распределения спектральной плотности мощности (PSD) ВСР на частоте ~0,19 Гц в высокочастотном (ВЧ) диапазоне (Рисунок 14 вверху). Для ЭЭГ мы наблюдали пик распределения ПСД на частоте ~10,5 Гц в альфа-диапазоне (рис. 14). Топографии кожи головы (рис. 15) показывают, что средняя мощность в основных частотных диапазонах (и самые высокие пиковые значения альфа-частоты) в основном локализованы в области задней части головы. Кроме того, более высокие значения нечеткой энтропии (отражающие более высокую сложность с точки зрения регулярности) в основном локализованы в лобной правой и задней областях головы. Напротив, значения фрактальной размерности (отражающие большую сложность с точки зрения фрактальных характеристик) не показывают большой дисперсии между областями кожи головы. Наконец, график альфа-асимметрии (нижний правый угол) показывает большую альфа-степень слева по сравнению с правой в центральной теменной области и большую альфа-степень справа по сравнению с левой в задней области. Эти различия в альфа-мощности в межполушариях обычно интерпретируются в терминах локального торможения в соответствующих областях (т.е. большая альфа-мощность отражает большее торможение коры головного мозга).

В-четвертых, для того же результата был использован BrainBeats, за исключением того, что особенности ВСР извлекались из сигнала PPG. На этот раз мы наблюдаем пик на частоте ~0,04 Гц в диапазоне частот НЧ и расщепленный пик на частоте около ~0,19 Гц (Рисунок 16 вверху). Обратите внимание, что это распределение немного отличается от распределения, полученного из интервала NN, рассчитанного по сигналу ЭКГ (Рисунок 14 вверху). Это может быть результатом более низкого качества сигнала PPG. Функции ЭЭГ такие же, как на рисунке 14.

Наконец, мы использовали BrainBeats для извлечения сердечных артефактов из сигналов ЭЭГ. Компонент сердца был классифицирован с достоверностью 94,1% с использованием режима буста (Рисунок 17 слева) и извлечен из сигналов ЭЭГ (Рисунок 17 Справа).

РИСУНОК 2. Интервалы RR, артефакты и интервалы NN, полученные из сигнала ЭКГ. Вверху: предварительно обработанный сигнал ЭКГ (синий) с R-пиками, обнаруженными BrainBeats (оранжевые точки, т.е. интервалы RR). Посередине: интервалы от нормали к норме (NN) (выделены синим цветом) после интерполяции артефактов RR (выделены красным цветом). Внизу: То же, что и верхний график, но увеличенный (окно 30 секунд) для более тщательного изучения R-пиков с функцией прокрутки нажатием стрелок влево/вправо. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

РИСУНОК 3. Отбраковка плохих каналов ЭЭГ. Визуализация аномального канала ЭЭГ (TP9) автоматически обнаруживается и удаляется из набора данных. Примечание: с большим артефактом мы поговорим на следующем этапе. Данные ЭЭГ были отфильтрованы по полосе пропускания (1-40 Гц) и повторно соотнесены с точностью до бесконечности. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

РИСУНОК 4. Визуализация 64-канальных данных ЭЭГ после предварительной обработки и выделения R-пиков в сигнале. Сигнал ЭКГ включается в график внизу для визуального подтверждения. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 5. Гистограмма межтактных интервалов (IBI). Красная линия показывает подогнанное нормальное распределение, а красная пунктирная линия показывает 5% процентиль, используемый в качестве верхнего порогового значения, на котором данные ЭЭГ сегментируются (т.е. через 650 мс после R-пика). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 6. Удаление артефактных эпох. Визуализация эпох выбросов ЭЭГ (т.е. содержащих артефакты), которые были обнаружены и удалены до проведения независимого компонентного анализа (ICA). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 7. Классификация независимых компонентов для удаления артефактов, не относящихся к мозгу. После выполнения слепого разделения источников для получения независимых компонентов наших данных ЭЭГ, плагин ICLabel используется для их классификации и автоматической пометки компонентов, не относящихся к мозгу, для извлечения. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 8. Большие средние вызванные потенциалы сердцебиения (HEP), полученные с помощью ЭКГ. Вверху: Среднее значение по эпохам для каждого канала ЭЭГ (наложено), с топографиями кожи головы, показывающими распределение амплитуды в интересующий период (200-500 мс после R-пика). Внизу: эволюция HEP с течением времени (каждое «испытание» соответствует сердцебиению). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 9. Вызванные сердцебиением колебания (ГЭО), полученные по данным ЭКГ. Вверх: HEO в канале Fz (лобно-центральная область) после статистики перестановок (1000 итераций) и с поправкой на частоту ложных открытий (FDR) с доверительной вероятностью 95% (p<0,05). Внизу: Межсудебная когерентность (ITC) после коррекции FDR. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

РИСУНОК 10. Интервалы RR, артефакты и интервалы NN, полученные из сигнала PPG. Вверху: предварительно обработанный сигнал PPG (синий) с пульсовыми волнами, детектируемыми BrainBeats (оранжевые точки, т.е. интервалы RR). Посередине: интервалы от нормали к норме (NN) (выделены синим цветом) после интерполяции артефактов RR (выделены красным цветом). Внизу: То же, что и верхний график, но увеличен (окно 30 секунд) для более тщательного изучения пульсовых волн с помощью функции прокрутки нажатием стрелок влево/вправо. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 11. Большие средние вызванные сердцебиение потенциалы (HEP), полученные с помощью PPG. Вверху: Все электроды накладываются друг на друга во временной области, при этом топографии кожи головы показывают распределение амплитуды в интересующем периоде (200-500 мс после сердцебиения). Дно: эволюция HEP с течением времени (каждое «испытание» соответствует пульсовой волне). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 12. Колебания, вызванные сердцебиением (HEO), полученные из PPG. Вверх: HEO для канала ЭЭГ Fz (лобно-центральная область) после статистики перестановок (1000 итераций) и с поправкой на частоту ложных открытий (FDR) на уровне 95% достоверности (p<0,05). Внизу: Межсудебная когерентность (ITC) после коррекции FDR. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 13. Большой артефакт ЭЭГ был обнаружен и удален с помощью алгоритма реконструкции подпространства артефакта (ASR). Пользователи могут прокручивать весь файл, чтобы проверить сегменты, удаленные алгоритмом. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 14. Спектральная плотность мощности (PSD), полученная из NN интервалов (ЭКГ) и сигналов ЭЭГ. Вверху: Вариабельность сердечного ритма (ВСР) в низкочастотном (НЧ; 0,04-0,15 Гц; желтый) и высокочастотном (ВЧ; 0,15-0,40 Гц; синем) диапазонах, оцененном с помощью нормализованной периодограммы Ломба-Скаргла по сигналу ЭКГ. Внизу: PSD, нормализованный до децибел (дБ), рассчитанный на основе предварительно обработанных данных ЭЭГ, усредненных по всем каналам для визуализации. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 15. Основные особенности ЭЭГ, извлеченные с помощью BrainBeats, проиллюстрированы топографиями кожи головы. К основным особенностям ЭЭГ относятся средняя спектральная мощность в дельта-диапазоне (1-3 Гц), тета-диапазоне (3-7 Гц), альфа-диапазоне (8-13 Гц), бета-частоте (13-30 Гц) и гамма-диапазоне (30-40 Гц), индивидуальная альфа-частота (IAF), нечеткая энтропия, фрактальная размерность и альфа-асимметрия. Примечания: Большие значения нечеткой энтропии отражают более высокую сложность с точки зрения регулярности, в то время как фрактальная размерность отражает большую сложность с точки зрения фрактальных характеристик. Альфа-асимметрия рассчитывалась на 16 симметричных парах электродов. Положительные значения отражают большую альфа-силу влево, чем вправо, обычно связанную с большим левым, чем правым торможением локальных корковых областей. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 16. Спектральная плотность мощности (PSD), полученная из NN интервалов (PPG) и сигналов ЭЭГ. Вверху: Вариабельность сердечного ритма (ВСР) в низкочастотном (НЧ; 0,04-0,15 Гц; желтый) и высокочастотном (ВЧ; 0,15-0,40 Гц; синим) диапазонах, оцененном с помощью нормализованной периодограммы Ломба-Скаргла по сигналу PPG. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 17. Визуализация сердечного компонента, обнаруженного и удаленного с помощью BrainBeats. Слева: топография скальпа и уровень достоверности классификации. Справа: временные ряды ЭЭГ (синим цветом) после извлечения сердечного компонента (красным). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Обсуждение

Критические шаги в протоколе
Критические шаги описаны в шагах 1.1-1.4. Предупреждения и сообщения об ошибках реализованы в различных местах набора инструментов, чтобы помочь пользователям понять, почему они могут столкнуться с проблемами (например, расположение электродов не загружено в данные ЭЭГ, длина файла слишком мала для расчета надежного измерения сверхнизкочастотной ВСР, качество сигнала слишком низкое для любого надежного анализа и т. д.). Каждая функция документирована для продвинутых пользователей, а параметры могут быть легко настроены (рекомендуемые параметры и типичные диапазоны описаны в этой рукописи и в коде). Пользователи могут получить доступ к справке о том, как использовать определенные функции или каковы нормальные диапазоны параметров, используя команду help, за которой следует имя функции (например, введите help brainbeats_process в окне команд).

Ограничения метода
Пользователи должны владеть набором данных с ЭЭГ и сердечно-сосудистой системой (ЭКГ или ФПГ) в одном файле или знать, как объединить их по отдельности. Импорт данных в настоящее время не автоматизирован с помощью BrainBeats, поскольку необходимо установить специальные плагины для учета различных форматов данных (например, .csv,. edf,. bdf,. vhdr и т. д.). В будущей версии пользователи смогут автоматически загружать наборы данных BIDS с любым количеством файлов непосредственно в BrainBeats, объединять доступные сигналы ЭЭГ и сердечно-сосудистой системы, а также решать потенциальные проблемы синхронизации времени (например, разные частоты дискретизации, выравнивание временных меток и т. д.).

Особенности энтропии особенно перспективны для захвата сложных двунаправленных взаимодействий между сердечно-сосудистой, подкорковой и корковой системами, которые могут быть скрыты в динамике нелинейной петли обратной связи 27,73,74. Тем не менее, они требуют больших вычислительных ресурсов и могут занимать много времени для вычисления сигналов ЭЭГ, особенно с высокой частотой дискретизации. Несмотря на то, что некоторые решения уже реализованы (параллельные вычисления, понижающая выборка/децимация), будущая работа еще больше снизит эти вычислительные затраты.

Хотя статистика на уровне группы доступна для HEP/HEO, в настоящее время она недоступна для режима функций, но скоро будет доступна. Между тем, пользователи по-прежнему могут использовать этот метод для простого и надежного извлечения признаков, выполнения статистики с помощью любого стандартного статистического программного обеспечения или создания моделей машинного обучения на основе признаков с помощью выбранного ими метода.

ЭКГ напрямую оценивает электрофизиологию сердца, улавливая электрические поля сердца. Напротив, PPG измеряет изменения объема крови в микрососудистом русле, отражая сердечную деятельность более косвенно через динамику кровотока. Определить R-пик на ЭКГ несложно благодаря его четкому проявлению в комплексе QRS, соответствующему деполяризации желудочков, предшествующей сокращению сердца. Напротив, наиболее заметным пиком для сигнала ФПГ является систолический пик (или пик пульсовой волны), соответствующий точке максимального объема крови в артериях. Он возникает немного позже R-пика на ЭКГ. Эта задержка связана с тем, что волне давления требуется время, чтобы пройти от сердца к периферическому участку, где измеряется сигнал PPG. Таким образом, впадина в форме волны PPG (помечена как R-зубец в BrainBeats), возникающая между двумя систолическими пиками, соответствует точке минимального объема крови и не совпадает с R-пиком на ЭКГ. Вместо этого он ближе к зубцу Т на ЭКГ, который представляет собой реполяризацию желудочков⁹. Эта разница в характеристиках сигнала приводит к временным различиям между сигналами ЭКГ и ФПГ, которые влияют на временные аспекты наблюдаемых ГЭП. С клинической точки зрения это расхождение требует тщательного рассмотрения при выборе подходящего метода для анализа HEP, при этом ЭКГ предпочтительнее для прямых электрофизиологических исследований сердца, а PPG обеспечивает преимущества в простоте использования и комфорте пациента при долгосрочном мониторинге. В то время как ЭКГ и ФПГ могут облегчить анализ HEP, их различная природа сигнала и физиологические последствия предполагают, что их выводы не являются напрямую взаимозаменяемыми. Выбор между ЭКГ и ФПГ для анализа HEP должен быть адаптирован к конкретным целям и потребностям исследования или клинического применения. Хотя это может быть ограничением, это также является преимуществом, потому что это означает, что ЭКГ и ФПГ могут предоставить два разных типа информации о сердечно-сосудистой системе, которые могут дополнять друг друга и давать новые идеи при объединении. Кроме того, временная разница между R-пиками (из ЭКГ) и R-зубцами (из PPG) может быть скорректирована, если она стабильна с течением времени, с помощью набора данных, содержащего одновременные сигналы ECG-PPG, как в этом руководстве.

Сигналы ФПГ более плавные и не имеют ярко выраженных особенностей по сравнению с ЭКГ, что делает их уязвимыми к артефактам⁷⁵. Несмотря на то, что алгоритм, использованный в этом исследовании, был ранее проверен и хорошо показал себя на наборе данных, используемом для этого исследования, он может не работать так же хорошо на других типах сигналов PPG, особенно тех, которые собираются с помощью носимых технологий.

Для анализа HEP/HЭО эпохи определяются с помощью пороговых значений, основанных на распределении межтактных интервалов индивидуумов (IBI; ~600-1000 мс). Это приводит к разной длине эпох у разных испытуемых и ошибкам при групповом анализе. Кроме того, короткая продолжительность эпохи, возникающая в результате ИМК, по сравнению с обычными исследованиями ЭЭГ (стимулы обычно располагаются с интервалом в несколько секунд, чтобы позволить мозгу вернуться к исходному уровню), приводит к потенциальным нежелательным краевым эффектам или не позволяет пользователям исследовать медленные частоты. Частотно-временная декомпозиция обычно требует, чтобы эпохи простирались до 3 циклов с наименьшей частотой интереса за пределами интересующего окна. Для ВЭО интересующее окно составляет 200-500 мс. Таким образом, потребуется, например, дополнительные 600 мс до и после окна (т.е. от -400 до 900 мс) для исследования частот с частотой менее 5 Гц. Если кто-то хочет исследовать частоты до 1 Гц, потребуется еще 3 с до и после интересующего окна. Это необходимо для получения правильного разрешения по времени и частоте, избегая при этом краевых эффектов.

Значение метода по отношению к существующим методам
В целом, BrainBeats предоставляет самые современные методы обработки сигналов как для ЭЭГ, так и для сердечно-сосудистых сигналов, с возможностью тонкой настройки с помощью командной строки и графического пользовательского интерфейса (GUI).

Эти три метода могут быть выполнены как с помощью удобного графического интерфейса (GUI), так и с помощью командной строки (эксперты, позволяющие автоматизировать). Метод 1 может быть исследован во временной (HEP), частотной (HEO) или частотно-временной (HEO) областях, а также на уровне канала или независимой компоненты. Насколько нам известно, HEP/HEO никогда не выполнялся с использованием сигналов PPG и теперь легко доступен.

Метод 2 в настоящее время не имеет ранее существовавшей альтернативы. Кроме того, пользователи также могут использовать BrainBeats для простой предварительной обработки и извлечения характеристик ЭЭГ или ВСР по отдельности с другими наборами данных, которые не содержат оба сигнала. Например, пользователь может предварительно обработать сигналы ЭКГ/ФПГ и извлечь признаки ВСР только для анализа значений ВСР (и наоборот, если пользователь хочет извлечь признаки ЭЭГ из набора данных ЭЭГ). Это может быть особенно полезно для приложений машинного обучения на основе функций.

Метод 3 позволяет быстро и автоматически удалять сердечные артефакты из сигналов ЭЭГ. Хотя это уже возможно в EEGLAB с помощью плагина ICLabel, это требует от пользователей выполнения ряда шагов и выбора параметров (например, фильтрация сигналов высоких частот, запуск ICA, запуск ICLabel, настройка параметров, вычитание сердечных компонентов из сигналов ЭЭГ и удаление каналов ЭКГ), которые могут легко привести к ошибкам (например, фантомные ICs⁵⁵). Кроме того, мы вводим метод буста, который повышает эффективность этого метода с помощью сердечно-сосудистого сигнала (как правило, не включается в эти операции).

Кроме того, набор инструментов реализует улучшения вычислительной производительности для ускорения оценки особенностей ЭЭГ (в основном многомасштабных энтропийных мер), включая графические процессоры и параллельные вычисления. Обратите внимание, что эти варианты выгодны только в зависимости от аппаратного обеспечения пользователя (т.е. графической карты и количества процессоров и потоков).

Будущие направления
В долгосрочной перспективе авторы продолжат модифицировать и совершенствовать инструментарий для реализации последних руководств и рекомендаций экспертов в этой области и исправления любых ошибок, которые могут возникнуть.

Будут добавлены дополнительные функции и методы для оценки взаимодействия между ЭЭГ и сердечно-сосудистыми сигналами. Например, такие функции кЭЭГ, как отношение тета/бета (или аналогичные спектральные отношения, которые фиксируют соответствующую клиническую или когнитивную информацию), могут быть легко добавлены в набор инструментов. Новые методы будут включать, например, прямую и частичную когерентность ЭЭГ-ЭКГ, измерение направленного взаимодействия мозга и сердца с временным разрешением⁷⁶ или классификацию данных HEP или признаков с помощью машинного обучения (например, деревья решений, случайный лес, наивный Байес, SVM, KNN, сети с длительной кратковременной памятью и т. д.). ¹⁷.

Для достижения наилучшей производительности при обнаружении R-волн из зашумленных сигналов PPG, собранных с помощью носимых технологий, будущие версии BrainBeats могут предоставить альтернативные алгоритмы для этих приложений. К другим перспективным алгоритмам относятся алгоритмы⁷⁷, основанные на производных сигналов, адаптивные искусственные нейронные сети линейных нейронов (используемые для ЭКГ⁷⁸) или ансамблевое эмпирическое разложение^{мод 79}.

Для анализа ВЭО, чтобы решить проблему короткой эпохи для частотно-временной оценки (см. ограничения выше), мы планируем внедрить в будущих версиях метод отражения, который отражает сигнал из интересующего окна (т.е. обратной версии сигнала) до и после интересующего окна для его расширения. Это обеспечивает плавные переходы и устраняет нежелательные эффекты краев. Затем зеркально отраженные секции удаляются.

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
EEGLAB	Swartz Center for Computational Neuroscience (SCCN)		Бесплатный/открытый исходный код
MATLAB	The Mathworks, Inc.		Требуется лицензия
Windows PC	Lenovo, Inc.