Summary

BrainBeats som en åpen kildekode EEGLAB-plugin for i fellesskap å analysere EEG og kardiovaskulære signaler

Published: April 26, 2024
doi:

Summary

BrainBeats-verktøykassen er en åpen kildekode EEGLAB-plugin designet for i fellesskap å analysere EEG og kardiovaskulære (EKG/PPG) signaler. Den inkluderer vurdering av hjerteslagfremkalte potensialer (HEP), funksjonsbasert analyse og ekstraksjon av hjerteartefakter fra EEG-signaler. Protokollen vil hjelpe til med å studere hjerne-hjerte-samspill gjennom to linser (HEP og funksjoner), noe som forbedrer reproduserbarhet og tilgjengelighet.

Abstract

Samspillet mellom hjernen og de kardiovaskulære systemene får økt oppmerksomhet for dets potensial til å fremme vår forståelse av menneskelig fysiologi og forbedre helseutfall. Den multimodale analysen av disse signalene er imidlertid utfordrende på grunn av mangelen på retningslinjer, standardisert signalbehandling og statistiske verktøy, grafiske brukergrensesnitt (GUI) og automatisering for behandling av store datasett eller økende reproduserbarhet. Et ytterligere tomrom eksisterer i standardiserte EEG- og hjertefrekvensvariabilitetsmetoder (HRV), som undergraver klinisk diagnostikk eller robustheten til maskinlæringsmodeller (ML). Som svar på disse begrensningene introduserer vi BrainBeats-verktøykassen. Implementert som en åpen kildekode EEGLAB-plugin, integrerer BrainBeats tre hovedprotokoller: 1) Heartbeat-fremkalte potensialer (HEP) og oscillasjoner (HEO) for å vurdere tidslåst hjerne-hjerte-samspill med millisekunders nøyaktighet; 2) EEG- og HRV-funksjonsekstraksjon for å undersøke assosiasjoner/forskjeller mellom ulike hjerne- og hjertemålinger eller for å bygge robuste funksjonsbaserte ML-modeller; 3) Automatisert ekstraksjon av hjerteartefakter fra EEG-signaler for å fjerne potensiell kardiovaskulær forurensning mens du utfører EEG-analyse. Vi gir en trinnvis veiledning for å bruke disse tre metodene på et åpen kildekode-datasett som inneholder samtidige 64-kanals EEG-, EKG- og PPG-signaler. Brukere kan enkelt finjustere parametere for å skreddersy sine unike forskningsbehov ved hjelp av det grafiske brukergrensesnittet (GUI) eller kommandolinjen. BrainBeats bør gjøre forskning på hjerne-hjerte-samspill mer tilgjengelig og reproduserbar.

Introduction

I lang tid har den reduksjonistiske tilnærmingen dominert vitenskapelige undersøkelser i menneskelig fysiologi og kognisjon. Denne tilnærmingen innebar å dissekere komplekse kroppslige og mentale prosesser i mindre, mer håndterbare komponenter, slik at forskere kunne fokusere på individuelle systemer isolert. Denne strategien oppsto på grunn av utfordringene med å studere den intrikate og sammenkoblede naturen til menneskekroppen ogsinnet 1. Reduksjonisme har vært medvirkende til å forstå individuelle delsystemer isolert, for eksempel å belyse rollen til ionekanaler og aksjonspotensialer for nevral2 eller hjerte3 kommunikasjon. Imidlertid er det fortsatt et betydelig gap i vår forståelse av hvordan disse isolerte systemene samhandler på en større romlig og tidsmessig skala. Det multimodale (integrerende eller økologiske) rammeverket anser menneskekroppen som et komplekst flerdimensjonalt system, der sinnet ikke blir sett på som et produkt av hjernen, men som en aktivitet av det levende vesenet, en aktivitet som integrerer hjernen i menneskekroppens hverdagsfunksjoner4. De multimodale og reduksjonistiske tilnærmingene er ikke eksklusive, akkurat som vi ikke kan studere ett nevron uten hele hjernen eller hele hjernen uten å forstå individuelle nevronegenskaper. Sammen baner de vei for en mer omfattende, synergisk forståelse av menneskers helse, patologi, kognisjon, psykologi og bevissthet. Denne metoden tar sikte på å lette den multimodale undersøkelsen av samspillet mellom hjernen og hjertet ved å gi felles analyse av elektroencefalografi (EEG) og kardiovaskulære signaler, nemlig elektrokardiografi (EKG) og fotopletysmografi (PPG). Denne verktøykassen, implementert som en EEGLAB-plugin i MATLAB, adresserer eksisterende metodiske begrensninger og er laget åpen kildekode for å lette tilgjengelighet og reproduserbarhet i det vitenskapelige området. Den implementerer de nyeste retningslinjene og anbefalingene i utformingen og standardparameterne for å oppmuntre brukere til å følge kjente anbefalte fremgangsmåter. Den foreslåtte verktøykassen bør være en verdifull ressurs for forskere og klinikere som er interessert i å 1) studere hjerteslagfremkalte potensialer, 2) trekke ut trekk fra EEG- og EKG/PPG-signaler, eller 3) fjerne hjerteartefakter fra EEG-signaler.

Hjerte-hjerne-forskning
Forholdet mellom hjertet og hjernen har historisk blitt studert via nevroavbildningsmetoder som funksjonell magnetisk resonansavbildning (fMRI) og positronemisjonstomografi (PET). Ved hjelp av disse verktøyene fremhevet forskere noen hjerneregioner assosiert med kardiovaskulær kontroll (f.eks. manipulering av hjertefrekvens og blodtrykk5), viste påvirkningen av hjertefrekvens på BOLD-signalet6, eller identifiserte potensielle hjerne-kroppsveier som bidrar til koronar hjertesykdom (dvs. stressfremkalt blodtrykk7). Selv om disse studiene har forbedret vår forståelse av det komplekse samspillet mellom sentralnervesystemet (CNS) og kardiovaskulær funksjon, er disse nevroavbildningsteknikkene dyre, har begrenset tilgjengelighet og er begrenset til kontrollerte laboratorieinnstillinger, noe som begrenser deres praktiske anvendelighet for virkelige og storskala applikasjoner.

Derimot er EEG og EKG/PPG rimeligere og mer bærbare verktøy som gir potensial for å studere hjerne-hjerte-interaksjoner i mer forskjellige omgivelser og populasjoner eller over lengre perioder, noe som gir nye muligheter. EKG måler de elektriske signalene som genereres av hvert hjerteslag når hjertet trekker seg sammen og slapper av via elektroder plassert på huden (vanligvis på brystet eller armene)8. PPG måler blodvolumendringer i det mikrovaskulære vevet (dvs. blodstrøm og pulsfrekvens) ved hjelp av en lyskilde (f.eks. LED) og en fotodetektor (vanligvis plassert på en fingertupp, håndledd eller panne), avhengig av hvordan blod absorberer mer lys enn det omkringliggende vevet9. Begge metodene gir verdifull informasjon om kardiovaskulær funksjon, men tjener forskjellige formål og tilbyr forskjellige datatyper. I likhet med EKG registrerer EEG de elektriske feltene som genereres av den synkroniserte aktiviteten til tusenvis av kortikale nevroner som forplanter seg gjennom den ekstracellulære matrisen, vevet, hodeskallen og hodebunnen til de når elektrodene plassert på hodebunnens overflate10. Som sådan har bruken av EEG og EKG/PPG et stort løfte for å fremme vår forståelse av de fysiologiske, kognitive og emosjonelle prosessene som ligger til grunn for hjerne-hjerte-interaksjoner og deres implikasjoner for menneskers helse og velvære. Derfor kan det være spesielt nyttig å fange hjerte-hjerne-samspill fra EEG, EKG/PPG-signaler med BrainBeats-verktøykassen for følgende vitenskapelige områder: klinisk diagnostikk og prognoser, big data maskinlæring (ML), selvovervåking i den virkelige verden11 og mobil hjerne/kropp-avbildning (MoBI)12,13.

To tilnærminger for felles analyse av EEG- og EKG-signaler
Det er to hovedtilnærminger for å studere interaksjoner mellom EEG og kardiovaskulære signaler:

De hjerteslagfremkalte potensialene (HEP) i tidsdomenet: hendelsesrelaterte potensialer (ERP), og de hjerteslagfremkalte svingningene (HEO) i tidsfrekvensdomenet: hendelsesrelaterte spektrale forstyrrelser (ERSP) og inter-trial koherens (ITC). Denne tilnærmingen undersøker hvordan hjernen behandler hvert hjerteslag. Med millisekund (ms) nøyaktighet krever denne metoden at begge tidsseriene er perfekt synkronisert og hjerteslagene skal markeres i EEG-signalene. Denne tilnærmingen har fått interesse de siste årene 14,15,16,17,18,19.

Funksjonsbasert tilnærming: denne tilnærmingen trekker ut EEG- og hjertefrekvensvariabilitet (HRV) funksjoner fra kontinuerlige signaler og undersøker assosiasjoner mellom dem. Dette har blitt gjort uavhengig for EEG (ofte kalt kvantitativt EEG eller qEEG20), EKG 21,22,23 og PPG 24,25,26. Denne tilnærmingen presenterer lovende applikasjoner ved å fange opp både tilstands- og egenskapsrelaterte variabler. Merk at for både EEG og kardiovaskulære signaler, jo lengre opptaket er, desto mer dominerende er egenskapsvariabelen 27,28,29. Dermed avhenger applikasjonene av opptaksparametrene. Funksjonsbaserte analyser får økende interesse, og gir nye kvantitative beregninger for å forutsi utviklingen av psykiske og nevrologiske lidelser, behandlingsrespons eller tilbakefall 30,31,32,33,34,35. Denne tilnærmingen er spesielt overbevisende med store og virkelige datasett (f.eks. klinikk, fjernovervåking), som lettere kan oppnås takket være de nylige innovasjonene innen bærbar nevroteknologi11. En mindre utforsket applikasjon er identifisering av assosiasjoner mellom spesifikke hjerne- og hjertefunksjoner, og fremhever potensiell underliggende sentralnervesystemdynamikk. Hjertefrekvensvariabilitet (HRV) kan beregnes ut fra både EKG- og PPG-signaler. Den gir informasjon om det autonome nervesystemet (ANS) ved å måle variasjonene i tidsintervaller mellom hjerteslag (dvs. normal-til-normale intervaller)27. Økt sympatisk (SNS) aktivitet (f.eks. under stress eller trening) reduserer vanligvis HRV, mens parasympatisk (PNS) aktivitet (f.eks. under avslapning) øker den. En langsommere pustefrekvens øker generelt HRV på grunn av forbedret PNS-aktivitet, spesielt for korte opptak (<10 min)27. Høyere HRV-score antyder generelt en mer motstandsdyktig og tilpasningsdyktig ANS, mens en lavere HRV kan indikere stress, tretthet eller underliggende helseproblemer. Lange HRV-opptak (dvs. minst 24 timer) gir en prediktiv prognose for ulike helsetilstander, inkludert hjerte- og karsykdommer, stress, angst og noen nevrologiske tilstander27. Mål som blodtrykk, hjertefrekvens eller kolesterolnivåer gir informasjon om det kardiovaskulære systemets status. Derimot legger HRV til et dynamisk aspekt, som viser hvordan hjertet reagerer på og kommer seg etter stress.

BrainBeats’ fordeler fremfor eksisterende metoder
Selv om det finnes verktøy, som gjennomgått nedenfor, for å behandle kardiovaskulære og EEG-signaler uavhengig av hverandre, kan de ikke analyseres i fellesskap. Videre involverer de fleste tilgjengelige midler for å behandle kardiovaskulære signaler kostbar lisensiering, tillater ikke automatisert behandling (spesielt gunstig for store datasett), har proprietære algoritmer som forhindrer åpenhet og reproduserbarhet, eller krever avanserte programmeringsferdigheter ved ikke å tilby et grafisk brukergrensesnitt (GUI)36. Så vidt vi vet, støtter fire MATLAB-verktøykasser med åpen kildekode HEP/HEO-analyse med et GUI: ekg-kit-verktøykassen37, BeMoBIL-pipelinen38, HEPLAB EEGLAB-pluginen39 og CARE-rCortex-verktøykassen40. Mens HEPLAB, BeMoBIL og ekg-sett letter HEP-analyse ved å oppdage hjerteslag og merke dem i EEG-signalene, gir de ikke statistisk analyse eller er begrenset til tidsdomenet (dvs. HEP). CARE-rCortex-pluginen løste disse problemene ved å støtte EKG- og respirasjonssignaler, tidsfrekvensdomeneanalyse, statistikk og avanserte baseline-normaliserings- og korreksjonsmetoder tilpasset HEP/HEO-analyse. Imidlertid bruker den Bonferroni-metoden for statistisk korreksjon av type 1-feilen (dvs. falske positiver), som er for konservativ og ikke fysiologisk forsvarlig for EEG-applikasjoner, noe som fører til en økning i type II-feil (dvs. falske negativer)41. Videre tilbyr ikke verktøykassen kommandolinjetilgang for automatisering. Til slutt anbefaler nyere studier mot baseline-korreksjonsmetoder 42,43,44, da de reduserer signal-til-støy-forholdet (SNR) og er statistisk unødvendige og uønskede.

For å løse disse begrensningene introduserer vi BrainBeats-verktøykassen, som for tiden er implementert som en åpen kildekode EEGLAB-plugin i MATLAB-miljøet. Den inneholder følgende fordeler i forhold til tidligere metoder:

1) En brukervennlig GUI og kommandolinjefunksjoner (for programmerere som tar sikte på å utføre automatisert behandling). 2) Validerte algoritmer, parametere og retningslinjer for behandling av kardiovaskulære signaler, for eksempel å oppdage R-topper, interpolere RR-artefakter og beregne HRV-beregninger (f.eks. implantasjonsretningslinjer for vinduer, resampling, normalisering, etc.27,45,46). Dette er viktig fordi Vest et al. demonstrerte hvordan beskjedne forskjeller i disse prosesseringstrinnene kan føre til divergerende resultater, noe som bidrar til mangelen på reproduserbarhet og klinisk anvendelighet av HRV-beregninger46. 3) Validerte algoritmer, standardparametere og retningslinjer for behandling av EEG-signaler, inkludert filtrering og vindu 44,47, re-referanse48,49, fjerning av unormale kanaler og artefakter 50,51,52, optimalisert ICA-dekomponering og klassifisering av uavhengige komponenter 53,54,55,56. Brukerne kan finjustere alle forbehandlingsparametere eller til og med forhåndsbehandle EEG-dataene sine med deres foretrukne metode før de bruker verktøykassen for å matche deres behov (f.eks. med EEGLAB clean_rawdata plugin 50,52, BeMoBIL-pipelinen38, PREP-pipelinen57, etc.). 4) Hjerteslag-fremkalte potensialer (HEP, dvs. tidsdomene) og svingninger (HEO; hendelsesrelaterte spektrale forstyrrelser med wavelet- eller FFT-metoder, og inter-trial coherence er tilgjengelig gjennom standard EEGLAB-programvare) fra EKG-signaler. Parametrisk og ikke-parametrisk statistikk med korreksjoner for type 1-feil er tilgjengelig via EEGLABs standardprogramvare. Ikke-parametrisk statistikk inkluderer permutasjonsstatistikk og spatiotemporale korreksjoner for flere sammenligninger (f.eks. spatiotemporal clustering eller terskelfri klyngeforbedring)58,59. Brukere kan bruke LIMO-EEG-pluginen til å implementere hierarkisk lineær modellering, som tar godt hensyn til varians innenfor og mellom forsøkspersoner og implementerer en antagelsesfri masse-univariat tilnærming med robust kontroll for type I- og II-feil60,61. HEP/HEO-datastatistiske analyser kan utføres i kanal- og uavhengige komponentdomener. 5) HEP/HEO- og HRV-analyse fra PPG-signaler (for første gang for HEP/HEO). 6) Støtter felles ekstraksjon av EEG- og HRV-funksjoner for første gang. 7) Verktøykassen gir ulike datavisualiseringer for å inspisere signaler ved ulike nødvendige prosesseringstrinn og utganger på fagnivå.

Metode Oppdage R-topper fra EKG Oppdag R-bølger fra PPG HEP/HEO EEG og HRV funksjoner Fjern hjerteartefakter fra EEG Grafisk brukergrensesnitt Kommandolinje
EKG-sett X X X X
BeMoBIL X X X
HEPLAB X X X X
CARE-rCortex X X X X
BrainBeats X X X X X X X

TABELL 1: Nyheter brakt av BrainBeats i forhold til eksisterende, lignende metoder.

Informasjon som hjelper leserne med å avgjøre om metoden passer for dem
Denne verktøykassen passer for enhver forsker eller kliniker med EEG- og EKG/PPG-data. Programtillegget støtter ennå ikke import av EEG- og EKG/PPG-signaler fra separate filer (selv om denne funksjonen snart vil være tilgjengelig). Verktøykassen passer for alle som ønsker å utføre HEP/HEO-analyse, trekke ut EEG- og/eller HRV-funksjoner med standardiserte metoder, eller ganske enkelt fjerne hjerteartefakter fra EEG-signaler. Se figur 1 for et blokkdiagram som oppsummerer BrainBeats’ generelle flyt og metoder.

Figure 1
FIGUR 1. Blokkdiagram som oppsummerer BrainBeats’ generelle arkitektur og flyt. Operasjonene som er felles for de tre metodene er brune. Operasjoner som er spesifikke for hjerteslagfremkalte potensialer (HEP) og svingninger (HEO) er grønne. Operasjoner som er spesifikke for utvinning av EEG- og HRV-funksjoner er blå. Operasjoner som er spesifikke for å fjerne hjerteartefakter fra EEG-signalene er røde. Klikk her for å se en større versjon av denne figuren.

Protocol

Informert samtykke ble innhentet fra hver deltaker, og Ural Federal Universitys etiske komité godkjente den eksperimentelle protokollen. 1. BrainBeats-krav Installer MATLAB og EEGLAB på datamaskinen. EEGLAB kan lastes ned på https://github.com/sccn/eeglab og pakkes ut (eller klones for Git-brukere) hvor som helst på datamaskinen. Se GitHub-siden for mer informasjon om installasjon. Legg til banen til EEGLAB-mappen i MATLABs startpanel ved å klikke <str…

Representative Results

Først ble BrainBeats-pluginen brukt til å forbehandle EEG- og EKG-data, identifisere og fjerne artefakter og analysere hjerteslagfremkalte potensialer (HEP) og svingninger (HEO). BrainBeats oppdaget RR-intervallene fra EKG-signalet og noen RR-artefakter (figur 2). BrainBeats rapporterte også i kommandovinduet at 11/305 (3,61 %) av hjerteslagene ble flagget som artefakter og interpolert. Den gjennomsnittlige signalkvalitetsindeksen (SQI) for RR-intervallene (før interpolering) har en verd…

Discussion

Kritiske trinn i protokollen
Kritiske trinn er beskrevet i trinn 1.1-1.4. Advarsler og feilmeldinger implementeres på forskjellige steder i verktøykassen for å hjelpe brukere med å forstå hvorfor de kan støte på problemer (f.eks. elektrodeplasseringer som ikke er lastet inn i EEG-dataene, fillengden er for kort til å beregne et pålitelig mål på ultralavfrekvent HRV, signalkvaliteten er for lav for pålitelig analyse, etc.). Hver funksjon er dokumentert for avanserte brukere, og parametrene …

Disclosures

The authors have nothing to disclose.

Acknowledgements

Institute of Noetic Sciences støttet denne forskningen. Vi takker utviklerne av de originale åpen kildekode-algoritmene som ble tilpasset for å utvikle noen av BrainBeats’ algoritmer.

Materials

EEGLAB Swartz Center for Computational Neuroscience (SCCN) Free/Open-source
MATLAB The Mathworks, Inc. Requires a license
Windows PC Lenovo, Inc.

References

  1. von Bertalanffy, L. . General system theory Foundations, development, applications. , (1968).
  2. Hodgkin, A. L., Huxley, A. F. A quantitative description of membrane current and its application to conduction and excitation in nerve. J Physiol. 117 (4), 500-544 (1952).
  3. Bean, B. P. Nitrendipine block of cardiac calcium channels: high-affinity binding to the inactivated state. Proc Natl Acad Sci U SA. 81 (20), 6388-6392 (1984).
  4. Fuchs, T. . Ecology of the brain: The phenomenology and biology of the embodied mind. , (2017).
  5. Napadow, V., et al. Brain correlates of autonomic modulation: Combining heart rate variability with fMRI. NeuroImage. 42 (1), 169-177 (2008).
  6. Chang, C., Cunningham, J. P., Glover, G. H. Influence of heart rate on the BOLD signal: The cardiac response function. NeuroImage. 44 (3), 857-869 (2009).
  7. Gianaros, P. J., Sheu, L. K. A review of neuroimaging studies of stressor-evoked blood pressure reactivity: Emerging evidence for a brain-body pathway to coronary heart disease risk. NeuroImage. 47 (3), 922-936 (2009).
  8. Burch, G. E., DePasquale, N. P. . A history of electrocardiography. No 1. , (1990).
  9. Allen, J. Photoplethysmography and its application in clinical physiological measurement. Physiol Meas. 28 (3), 1 (2007).
  10. Cohen, M. X. Where does EEG come from and what does it mean. Trends Neurosci. 40 (4), 208-218 (2017).
  11. Cannard, C., Brandmeyer, T., Wahbeh, H., Delorme, A. Self-health monitoring and wearable neurotechnologies. Handb Clin Neurol. 168, 207-232 (2020).
  12. Gramann, K., Ferris, D. P., Gwin, J., Makeig, S. Imaging natural cognition in action. Int. J. Psychophysiol. 91 (1), 22-29 (2014).
  13. Jungnickel, E., Gehrke, L., Klug, M., Gramann, K. Chapter 10 – MoBI-Mobile brain/body imaging. Neuroergonomics. , 59-63 (2019).
  14. Al, E., et al. Heart-brain interactions shape somatosensory perception and evoked potentials. Proc Natl Acad Sci. 117 (19), 10575-10584 (2020).
  15. Banellis, L., Cruse, D. Skipping a beat: Heartbeat-evoked potentials reflect predictions during interoceptive-exteroceptive integration. Cereb Cortex Commun. 1 (1), (2020).
  16. Baranauskas, M., Grabauskaitė, A., Griškova-Bulanova, I., Lataitytė-Šimkevičienė, B., Stanikūnas, R. Heartbeat evoked potentials (HEP) capture brain activity affecting subsequent heartbeat. Biomed Signal Process. Cont. 68, 102731 (2021).
  17. Candia-Rivera, D., et al. Neural responses to heartbeats detect residual signs of consciousness during resting state in postcomatose patients. J Neurosci. 41 (24), 5251-5262 (2021).
  18. Jiang, H., et al. Brain-heart interactions underlying traditional Tibetan buddhist meditation. Cereb cortex. 30 (2), 439-450 (2020).
  19. Kumral, D., et al. Attenuation of the heartbeat-evoked potential in patients with atrial fibrillation. JACC Clin Electrophysiol. 8 (10), 1219-1230 (2022).
  20. Thakor, N. V., Tong, S. Advances in quantitative electroencephalogram analysis methods. Annu Rev Biomed Eng. 6, 453-495 (2004).
  21. Thayer, J. F., Åhs, F., Fredrikson, M., Sollers, J. J., Wager, T. D. A meta-analysis of heart rate variability and neuroimaging studies: Implications for heart rate variability as a marker of stress and health. Neurosci Biobehav Rev. 36 (2), 747-756 (2012).
  22. Mather, M., Thayer, J. F. How heart rate variability affects emotion regulation brain networks. Curr Opin Beha. Sci. 19, 98-104 (2018).
  23. Kemp, A. H., Quintana, D. S. The relationship between mental and physical health: Insights from the study of heart rate variability. Int J Psychophysiol. 89 (3), 288-296 (2013).
  24. Daneshi Kohan, M., Motie Nasrabadi, A., Shamsollahi, M. B., Sharifi, A. EEG/PPG effective connectivity fusion for analyzing deception in interview. Signal Image Video Process. 14 (5), 907-914 (2020).
  25. Übeyli, E. D., Cvetkovic, D., Cosic, I. Analysis of human PPG, ECG and EEG signals by eigenvector methods. Digit Signal Process. 20 (3), 956-963 (2010).
  26. Zambrana-Vinaroz, D., Vicente-Samper, J. M., Manrique-Cordoba, J., Sabater-Navarro, J. M. Wearable epileptic seizure prediction system based on machine learning techniques using ECG, PPG and EEG signals. Sensors. 22 (23), 9372 (2022).
  27. Shaffer, F., Ginsberg, J. P. An overview of heart rate variability metrics and norms. Front Public Health. 5, 258 (2017).
  28. Coan, J. A., Allen, J. J. B. The state and trait nature of frontal EEG asymmetry in emotion. The asymmetrical brain. , 565-615 (2003).
  29. Hagemann, D., Hewig, J., Seifert, J., Naumann, E., Bartussek, D. The latent state-trait structure of resting EEG asymmetry: replication and extension. Psychophysiology. 42 (6), 740-752 (2005).
  30. Widge, A. S., et al. Electroencephalographic biomarkers for treatment response prediction in major depressive illness: A meta-analysis. Am J Psychiatry. 176 (1), 44-56 (2019).
  31. Olbrich, S., Arns, M. EEG biomarkers in major depressive disorder: Discriminative power and prediction of treatment response. Int Rev Psychiatry. 25 (5), 604-618 (2013).
  32. Kumar, Y., Dewal, M. L., Anand, R. S. Epileptic seizures detection in EEG using DWT-based ApEn and artificial neural network. Signal Image Video Process. 8, 1323-1334 (2014).
  33. Acharya, U. R., et al. Automated diagnosis of epileptic EEG using entropies. Biomed Signal Process Control. 7 (4), 401-408 (2012).
  34. de Aguiar Neto, F. S., Rosa, J. L. G. Depression biomarkers using non-invasive EEG: A review. Neurosci Biobehav Rev. 105, 83-93 (2019).
  35. Cannard, C., Wahbeh, H., Delorme, A. Electroencephalography correlates of well-being using a low-cost wearable system. Front Hum Neurosci. 15, 736 (2021).
  36. Tarvainen, M. P., Niskanen, J. P., Lipponen, J. A., Ranta-aho, P. O., Karjalainen, P. A. Kubios HRV – Heart rate variability analysis software. Comput. Methods Programs Biomed. 113 (1), 210-220 (2014).
  37. Demski, A. J., Soria, M. L. ECG-kit: a Matlab toolbox for cardiovascular signal processing. Journal of Open Research Software. 4 (1), e8 (2016).
  38. Klug, M., et al. The BeMoBIL pipeline for automated analyses of multimodal mobile brain and body imaging data. BioRxiv. , (2022).
  39. Perakakis, P. . HEPLAB. , (2023).
  40. Grosselin, F., Navarro-Sune, X., Raux, M., Similowski, T., Chavez, M. CARE-rCortex: A Matlab toolbox for the analysis of CArdio-REspiratory-related activity in the Cortex. J Neurosci Meth. 308, 309-316 (2018).
  41. Luck, S. J., Gaspelin, N. How to get statistically significant effects in any ERP experiment (and why you shouldn’t). Psychophysiology. 54 (1), 146-157 (2017).
  42. Alday, P. M. How much baseline correction do we need in ERP research? Extended GLM model can replace baseline correction while lifting its limits. Psychophysiology. 56 (12), e13451 (2019).
  43. Delorme, A. EEG is better left alone. Sci Rep. 13 (1), 2372 (2023).
  44. Widmann, A., Schröger, E., Maess, B. Digital filter design for electrophysiological data – a practical approach. J Neurosci Methods. 250, 34-46 (2015).
  45. Pham, T., Lau, Z. J., Chen, S. H. A., Makowski, D. Heart Rate Variability in Psychology: A Review of HRV Indices and an Analysis Tutorial. Sensors. 21 (12), 3998 (2021).
  46. Vest, A. N., et al. An open source benchmarked toolbox for cardiovascular waveform and interval analysis. Physiol Meas. 39 (10), 105004 (2018).
  47. Smith, E. E., Reznik, S. J., Stewart, J. L., Allen, J. J. B. Assessing and conceptualizing frontal EEG asymmetry: An updated primer on recording, processing, analyzing, and interpreting frontal alpha asymmetry. Int J Psychophysiol Off J Int Organ Psychophysiol. 111, 98-114 (2017).
  48. Dong, L., et al. MATLAB toolboxes for reference electrode standardization technique (REST) of scalp EEG. Front Neurosci. 11, 601 (2017).
  49. Candia-Rivera, D., Catrambone, V., Valenza, G. The role of electroencephalography electrical reference in the assessment of functional brain-heart interplay: From methodology to user guidelines. J Neurosci Methods. 360, 109269 (2021).
  50. Mullen, T. R., et al. Real-time Neuroimaging and cognitive monitoring using wearable dry EEG. IEEE Trans Biomed Eng Spec Issue Wearable Technol. 62 (11), 2553-2567 (2015).
  51. Chang, C. Y., Hsu, S. H., Pion-Tonachini, L., Jung, T. P. Evaluation of artifact subspace reconstruction for automatic EEG artifact removal. 40th Ann Int Conf IEEE Eng Med Biol Soc. , 1242-1245 (2018).
  52. Miyakoshi, M. Artifact subspace reconstruction: a candidate for a dream solution for EEG studies, sleep or awake. Sleep. 46 (12), 241 (2023).
  53. Kim, H., et al. ICA’s bug: How ghost ICs emerge from effective rank deficiency caused by EEG electrode interpolation and incorrect re-referencing. Front Signal Process. 3, 1064138 (2023).
  54. Frank, G., Makeig, S., Delorme, A. A Framework to evaluate independent component analysis applied to EEG signal: testing on the Picard algorithm. ArXiv. , (2022).
  55. Ablin, P., Cardoso, J. F., Gramfort, A. Faster independent component analysis by preconditioning with Hessian approximations. IEEE Trans Signal Process. 66 (15), 4040-4049 (2018).
  56. Pion-Tonachini, L., Kreutz-Delgado, K., Makeig, S. ICLabel: An automated electroencephalographic independent component classifier, dataset, and website. NeuroImage. 198, 181-197 (2019).
  57. Bigdely-Shamlo, N., Mullen, T., Kothe, C., Su, K. M., Robbins, K. A. The PREP pipeline: standardized preprocessing for large-scale EEG analysis. Front Neuroinformatics. 9, 12 (2015).
  58. Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG- and MEG-data. J Neurosci Methods. 164 (1), 177-190 (2007).
  59. Pernet, C. R., Latinus, M., Nichols, T. E., Rousselet, G. A. Cluster-based computational methods for mass univariate analyses of event-related brain potentials/fields: A simulation study. J Neurosci Methods. 250, 85-93 (2015).
  60. Pernet, C. R., Chauveau, N., Gaspar, C., Rousselet, G. A. LIMO EEG: A toolbox for hierarchical LInear MOdeling of ElectroEncephaloGraphic data. Comput Intell Neurosci. 2011, 1-11 (2011).
  61. Pernet, C., et al. Electroencephalography robust statistical linear modelling using a single weight per trial. Aperture Neuro. 2022 (7), 51 (2022).
  62. Pavlov, Y. G., Kasanov, D., Kosachenko, A. I., Kotyusov, A. I., Busch, N. A. Pupillometry and electroencephalography in the digit span task. Sci. Data. 9 (1), 325 (2022).
  63. Pavlov, Y. G., Kasanov, D., Kosachenko, A. I., Kotyusov, A. I. EEG, pupillometry, ECG and photoplethysmography, and behavioral data in the digit span task and rest. OpenNeuro. , (2024).
  64. Clifford, G. . Signal processing methods for heart rate variability. , (2002).
  65. Pan, J., Tompkins, W. J. A real-time QRS detection algorithm. IEEE Trans. Biomed. Eng. 3, 230-236 (1985).
  66. Maess, B., Schröger, E., Widmann, A. Highpass filters and baseline correction in M/EEG analysis. Commentary on: "How inappropriate highpass filters can produce artefacts and incorrect conclusions in ERP studies of language and cognition. J. Neurosci. Methods. 266, 164-165 (2016).
  67. Park, H. D., Blanke, O. Heartbeat-evoked cortical responses: Underlying mechanisms, functional roles, and methodological considerations. NeuroImage. 197, 502-511 (2019).
  68. Lomb, N. R. Least-squares frequency analysis of unequally spaced data. Astrophys Space Sci. 39, 447-462 (1976).
  69. Corcoran, A. W., Alday, P. M., Schlesewsky, M., Bornkessel-Schlesewsky, I. Toward a reliable, automated method of individual alpha frequency (IAF) quantification. Psychophysiology. 55 (7), e13064 (2018).
  70. Chen, W., Zhuang, J., Yu, W., Wang, Z. Measuring complexity using FuzzyEn, ApEn, and SampEn. Med Eng Phys. 31 (1), 61-68 (2009).
  71. Cannard, C., Delorme, A. . An open-source EEGLAB plugin for computing entropy-based measures on MEEG signals. , (2022).
  72. Lau, Z. J., Pham, T., Chen, S. H. A., Makowski, D. Brain entropy, fractal dimensions and predictability: A review of complexity measures for EEG in healthy and neuropsychiatric populations. Eur J Neurosci. 56 (7), 5047-5069 (2022).
  73. Costa, M., Goldberger, A. L., Peng, C. -. K. Multiscale entropy analysis of biological signals. Phys Rev E Stat Nonlin Soft Matter Phys. 71 (2), 021906 (2005).
  74. Humeau-Heurtier, A. multiscale entropy approaches and their applications. Entropy. 22 (6), 644 (2020).
  75. Armañac-Julián, P., et al. Reliability of pulse photoplethysmography sensors: Coverage using different setups and body locations. Front Electron. 3, 906324 (2022).
  76. Catrambone, V., Greco, A., Vanello, N., Scilingo, E. P., Valenza, G. Time-resolved directional brain-heart interplay measurement through synthetic data generation models. Ann Biomed Eng. 47, 1479-1489 (2019).
  77. Georgieva-Tsaneva, G., Gospodinova, E., Gospodinov, M., Cheshmedzhiev, K. Portable sensor system for registration, processing and mathematical analysis of PPG signals. Appl Sci. 10 (3), 1051 (2020).
  78. Kim, J. H., Park, S. E., Jeung, G. W., Kim, K. S. Detection of R-peaks in ECG signal by adaptive linear neuron (ADALINE) artificial neural network. MATEC Web Conf. 54, 10001 (2016).
  79. Lei, R., Ling, B. W. K., Feng, P., Chen, J. Estimation of heart rate and respiratory rate from PPG signal using complementary ensemble empirical mode decomposition with both independent component analysis and non-negative matrix factorization. Sensors. 20 (11), 3238 (2020).

Play Video

Cite This Article
Cannard, C., Wahbeh, H., Delorme, A. BrainBeats as an Open-Source EEGLAB Plugin to Jointly Analyze EEG and Cardiovascular Signals. J. Vis. Exp. (206), e65829, doi:10.3791/65829 (2024).

View Video