Authors
Contact Us

Sign In

A subscription to JoVE is required to view this content. Sign in or start your free trial.

In This Article

  • Summary
  • Abstract
  • Introduction
  • Protocol
  • النتائج
  • Discussion
  • Disclosures
  • Acknowledgements
  • Materials
  • References
  • Reprints and Permissions

Summary

صندوق أدوات BrainBeats هو مكون إضافي مفتوح المصدر ل EEGLAB مصمم لتحليل إشارات EEG والقلب والأوعية الدموية (ECG / PPG) بشكل مشترك. ويشمل تقييم إمكانات نبضات القلب (HEP) ، والتحليل القائم على الميزات ، واستخراج القطع الأثرية للقلب من إشارات EEG. سيساعد البروتوكول في دراسة التفاعل بين الدماغ والقلب من خلال عدستين (HEP والميزات) ، مما يعزز قابلية التكرار وإمكانية الوصول.

Abstract

يحظى التفاعل بين الدماغ وأنظمة القلب والأوعية الدموية باهتمام متزايد لقدرته على تعزيز فهمنا لعلم وظائف الأعضاء البشرية وتحسين النتائج الصحية. ومع ذلك ، فإن التحليل متعدد الوسائط لهذه الإشارات يمثل تحديا بسبب الافتقار إلى المبادئ التوجيهية ، ومعالجة الإشارات الموحدة والأدوات الإحصائية ، وواجهات المستخدم الرسومية (GUIs) ، والأتمتة لمعالجة مجموعات البيانات الكبيرة أو زيادة قابلية الاستنساخ. يوجد فراغ آخر في طرق استخراج ميزات EEG وتقلب معدل ضربات القلب (HRV) ، مما يقوض التشخيص السريري أو متانة نماذج التعلم الآلي (ML). استجابة لهذه القيود ، نقدم صندوق أدوات BrainBeats. تم تنفيذ BrainBeats كمكون إضافي مفتوح المصدر ل EEGLAB ، وهو يدمج ثلاثة بروتوكولات رئيسية: 1) إمكانات نبضات القلب (HEP) والتذبذبات (HEO) لتقييم التفاعل بين الدماغ والقلب المقفل زمنيا بدقة ميلي ثانية. 2) استخراج ميزة EEG و HRV لفحص الارتباطات / الاختلافات بين مقاييس الدماغ والقلب المختلفة أو لبناء نماذج ML قوية قائمة على الميزات ؛ 3) الاستخراج الآلي لأدوات القلب من إشارات EEG لإزالة أي تلوث محتمل للقلب والأوعية الدموية أثناء إجراء تحليل EEG. نحن نقدم برنامجا تعليميا خطوة بخطوة لتطبيق هذه الطرق الثلاث على مجموعة بيانات مفتوحة المصدر تحتوي على إشارات EEG و ECG و PPG متزامنة من 64 قناة. يمكن للمستخدمين ضبط المعلمات بسهولة لتخصيص احتياجاتهم البحثية الفريدة باستخدام واجهة المستخدم الرسومية (GUI) أو سطر الأوامر. يجب أن تجعل BrainBeats أبحاث التفاعل بين الدماغ والقلب أكثر سهولة وقابلية للتكرار.

Introduction

لفترة طويلة ، سيطر النهج الاختزالي على البحث العلمي في علم وظائف الأعضاء والإدراك البشري. تضمن هذا النهج تشريح العمليات الجسدية والعقلية المعقدة إلى مكونات أصغر وأكثر قابلية للإدارة ، مما يسمح للباحثين بالتركيز على الأنظمة الفردية بمعزل عن غيرها. نشأت هذه الاستراتيجية بسبب التحديات في دراسة الطبيعة المعقدة والمترابطة لجسم الإنسان وعقله1. كان للاختزال دور فعال في فهم الأنظمة الفرعية الفردية بمعزل عن بعضها البعض ، مثل توضيح دور القنوات الأيونية وإمكانات العمل للتواصل العصبي2 أو القلبي3 . ومع ذلك ، لا تزال هناك فجوة كبيرة في فهمنا لكيفية تفاعل هذه الأنظمة المعزولة على نطاق مكاني وزمن أكبر. يعتبر الإطار متعدد الوسائط (التكاملي أو البيئي) جسم الإنسان نظاما معقدا متعدد الأبعاد ، حيث لا ينظر إلى العقل على أنه نتاج للدماغ ولكن كنشاط للكائن الحي ، وهو نشاط يدمج الدماغ في الوظائف اليومية لجسم الإنسان4. النهج متعدد الوسائط والاختزالي ليسا حصريين ، تماما كما لا يمكننا دراسة خلية عصبية واحدة بدون الدماغ بأكمله أو الدماغ بأكمله دون فهم خصائص الخلايا العصبية الفردية. معا ، يمهدون الطريق لفهم أكثر شمولا وتآزرا لصحة الإنسان ، وعلم الأمراض ، والإدراك ، وعلم النفس ، والوعي. تهدف الطريقة الحالية إلى تسهيل التحقيق متعدد الوسائط للتفاعل بين الدماغ والقلب من خلال توفير تحليل مشترك لتخطيط كهربية الدماغ (EEG) وإشارات القلب والأوعية الدموية ، وهي تخطيط كهربية القلب (ECG) وتخطيط التحجم الضوئي (PPG). يعالج صندوق الأدوات هذا ، الذي تم تنفيذه كمكون إضافي ل EEGLAB في MATLAB ، القيود المنهجية الحالية وهو مفتوح المصدر لتسهيل إمكانية الوصول والتكرار في المجال العلمي. ينفذ أحدث الإرشادات والتوصيات في تصميمه ومعلماته الافتراضية لتشجيع المستخدمين على اتباع أفضل الممارسات المعروفة. يجب أن يكون صندوق الأدوات المقترح موردا قيما للباحثين والأطباء المهتمين ب 1) دراسة إمكانات نبضات القلب ، 2) استخراج الميزات من إشارات EEG و ECG / PPG ، أو 3) إزالة القطع الأثرية القلبية من إشارات EEG.

أبحاث القلب والدماغ
تمت دراسة العلاقة بين القلب والدماغ تاريخيا عبر طرق التصوير العصبي مثل التصوير بالرنين المغناطيسي الوظيفي (fMRI) والتصوير المقطعي بالإصدار البوزيتروني (PET). باستخدام هذه الأدوات ، سلط الباحثون الضوء على بعض مناطق الدماغ المرتبطة بالتحكم في القلب والأوعية الدموية (على سبيل المثال ، التلاعب بمعدل ضربات القلب وضغط الدم5) ، وأظهروا تأثير معدل ضربات القلب على إشارة BOLD6 ، أو حددوا مسارات الدماغ والجسم المحتملة التي تساهم في أمراض القلب التاجية (أي ضغط الدم الناجم عن الإجهاد7). في حين أن هذه الدراسات قد طورت بشكل كبير فهمنا للتفاعل المعقد بين الجهاز العصبي المركزي (CNS) ووظيفة القلب والأوعية الدموية ، فإن تقنيات التصوير العصبي هذه باهظة الثمن ، ولها توافر محدود ، وتقتصر على إعدادات المختبر الخاضعة للرقابة ، مما يحد من عمليتها للتطبيقات في العالم الحقيقي وعلى نطاق واسع.

في المقابل ، يعد EEG و ECG / PPG أدوات محمولة وبأسعار معقولة توفر إمكانية دراسة تفاعلات الدماغ والقلب في بيئات ومجموعات سكانية أكثر تنوعا أو على مدى فترات أطول ، مما يوفر فرصا جديدة. يقيس مخطط كهربية القلب الإشارات الكهربائية الناتجة عن كل نبضة قلب عندما ينقبض القلب ويسترخي عبر أقطاب كهربائية موضوعة على الجلد (عادة على الصدر أو الذراعين)8. يقيس PPG تغيرات حجم الدم في أنسجة الأوعية الدموية الدقيقة (أي تدفق الدم ومعدل النبض) باستخدام مصدر ضوء (على سبيل المثال ، LED) وكاشف ضوئي (يوضع عادة على طرف الإصبع أو الرسغ أو الجبهة) ، بالاعتماد على كيفية امتصاص الدم للضوء أكثر من الأنسجة المحيطة9. توفر كلتا الطريقتين معلومات قيمة حول وظيفة القلب والأوعية الدموية ولكنها تخدم أغراضا مختلفة وتقدم أنواعا متميزة من البيانات. مثل ECG ، يسجل EEG المجالات الكهربائية الناتجة عن النشاط المتزامن لآلاف الخلايا العصبية القشرية التي تنتشر عبر المصفوفة خارج الخلية والأنسجة والجمجمة وفروة الرأس حتى تصل إلى الأقطاب الكهربائية الموضوعة على سطح فروة الرأس10. على هذا النحو ، فإن استخدام EEG و ECG / PPG يحمل وعدا كبيرا لتعزيز فهمنا للعمليات الفسيولوجية والمعرفية والعاطفية الكامنة وراء تفاعلات الدماغ والقلب وآثارها على صحة الإنسان ورفاهيته. لذلك ، قد يكون التقاط التفاعل بين القلب والدماغ من EEG وإشارات ECG / PPG باستخدام صندوق أدوات BrainBeats مفيدا بشكل خاص للمجالات العلمية التالية: التشخيص السريري والتنبؤ ، والتعلم الآلي للبيانات الضخمة (ML) ، والمراقبة الذاتية في العالم الحقيقي11 ، والتصوير المحمول للدماغ / الجسم (MoBI) 12,13.

نهجان للتحليل المشترك لإشارات EEG و ECG
هناك طريقتان رئيسيتان لدراسة التفاعلات بين EEG وإشارات القلب والأوعية الدموية:

الإمكانات المستثارة بنبضات القلب (HEP) في المجال الزمني: الإمكانات المرتبطة بالحدث (ERP) ، والتذبذبات المستثارة بنبضات القلب (HEO) في مجال التردد الزمني: الاضطرابات الطيفية المتعلقة بالحدث (ERSP) والتماسك بين التجارب (ITC). يدرس هذا النهج كيفية معالجة الدماغ لكل نبضة قلب. مع دقة ميلي ثانية (مللي ثانية) ، تتطلب هذه الطريقة مزامنة كلا السلسلتين الزمنيتين بشكل مثالي ووضع علامة على نبضات القلب في إشارات EEG. اكتسب هذا النهج اهتماما في السنوات الأخيرة14،15،16،17،18،19.

النهج القائم على الميزات: يستخرج هذا النهج ميزات EEG وتقلب معدل ضربات القلب (HRV) من الإشارات المستمرة ويفحص الارتباطات بينهما. وقد تم ذلك بشكل مستقل ل EEG (غالبا ما يطلق عليه EEG الكمي أو qEEG20) و ECG21،22،23 و PPG24،25،26. يقدم هذا النهج تطبيقات واعدة من خلال التقاط كل من المتغيرات المتعلقة بالحالة والسمات. لاحظ أنه بالنسبة لكل من إشارات EEG والقلب والأوعية الدموية ، كلما طالت مدة التسجيل ، زاد تأثير متغير السمة27،28،29. وبالتالي ، تعتمد التطبيقات على معلمات التسجيل. تكتسب التحليلات القائمة على الميزات اهتماما متزايدا ، حيث توفر مقاييس كمية جديدة للتنبؤ بتطور الاضطرابات العقلية والعصبية ، أو الاستجابة للعلاج ، أو الانتكاس30،31،32،33،34،35. هذا النهج مقنع بشكل خاص مع مجموعات البيانات الكبيرة والواقعية (على سبيل المثال ، العيادة ، المراقبة عن بعد) ، والتي يمكن الحصول عليها بسهولة أكبر بفضل الابتكارات الحديثة في التكنولوجيا العصبية القابلة للارتداء11. التطبيق الأقل استكشافا هو تحديد الارتباطات بين ميزات معينة للدماغ والقلب ، مما يسلط الضوء على ديناميكيات الجهاز العصبي المركزي الكامنة المحتملة. يمكن حساب تقلب معدل ضربات القلب (HRV) من كل من إشارات ECG و PPG. يوفر معلومات حول الجهاز العصبي المستقل (ANS) عن طريق قياس الاختلافات في الفترات الزمنية بين ضربات القلب (أي الفواصل الزمنية من الطبيعي إلى الطبيعي)27. زيادة النشاط الودي (SNS) (على سبيل المثال ، أثناء الإجهاد أو التمرين) عادة ما يقلل من HRV ، في حين أن النشاط السمبتاوي (PNS) (على سبيل المثال ، أثناء الاسترخاء) يزيده. يزيد معدل التنفس البطيء بشكل عام من HRV بسبب نشاط PNS المحسن ، خاصة للتسجيلات القصيرة (<10 دقائق)27. تشير درجات HRV الأعلى عموما إلى ANS أكثر مرونة وقابلية للتكيف ، في حين أن انخفاض HRV يمكن أن يشير إلى الإجهاد أو التعب أو المشكلات الصحية الأساسية. توفر تسجيلات HRV الطويلة (أي 24 ساعة على الأقل) تشخيصا تنبؤيا لمختلف الحالات الصحية ، بما في ذلك أمراض القلب والأوعية الدموية والتوتر والقلق وبعض الحالات العصبية27. تدابير مثل ضغط الدم أو معدل ضربات القلب أو مستويات الكوليسترول تعطي معلومات حول حالة نظام القلب والأوعية الدموية. في المقابل ، يضيف HRV جانبا ديناميكيا ، يوضح كيف يستجيب القلب للإجهاد ويتعافى منه.

مزايا BrainBeats على الأساليب الحالية
على الرغم من وجود أدوات ، كما هو موضح أدناه ، لمعالجة إشارات القلب والأوعية الدموية و EEG بشكل مستقل عن بعضها البعض ، إلا أنه لا يمكن تحليلها بشكل مشترك. وعلاوة على ذلك، فإن معظم الوسائل المتاحة لمعالجة إشارات القلب والأوعية الدموية تنطوي على ترخيص مكلف، ولا تسمح بالمعالجة الآلية (مفيدة بشكل خاص لمجموعات البيانات الكبيرة)، أو لديها خوارزميات مسجلة الملكية تمنع الشفافية وقابلية الاستنساخ، أو تتطلب مهارات برمجة متقدمة من خلال عدم توفير واجهة مستخدم رسومية (GUI)36. على حد علمنا ، تدعم أربعة صناديق أدوات MATLAB مفتوحة المصدر تحليل HEP / HEO باستخدام واجهة المستخدم الرسومية: صندوق أدوات مجموعة أدوات ECG37 ، وخط أنابيب BeMoBIL38 ، والمكون الإضافي HEPLAB EEGLAB39 ، وصندوق أدوات CARE-rCortex40. في حين أن HEPLAB و BeMoBIL و ECG-kit تسهل تحليل HEP من خلال اكتشاف نبضات القلب ووضع علامة عليها في إشارات EEG ، إلا أنها لا توفر تحليلا إحصائيا أو تقتصر على المجال الزمني (أي HEP). عالج المكون الإضافي CARE-rCortex هذه المشكلات من خلال دعم ECG والإشارات التنفسية ، وتحليل مجال التردد الزمني ، والإحصاءات ، وطرق تطبيع وتصحيح خط الأساس المتقدمة التي تم تكييفها مع تحليل HEP / HEO. ومع ذلك ، فإنه يستخدم طريقة Bonferroni للتصحيح الإحصائي للخطأ من النوع 1 (أي الإيجابيات الخاطئة) ، وهي متحفظة للغاية وغير سليمة من الناحية الفسيولوجية لتطبيقات EEG ، مما يؤدي إلى زيادة في أخطاء النوع الثاني (أي السلبيات الخاطئة)41. علاوة على ذلك ، لا يوفر صندوق الأدوات الوصول إلى سطر الأوامر للأتمتة. أخيرا ، توصي الدراسات الحديثة بعدم استخدام طرق تصحيح خط الأساس42،43،44 ، لأنها تقلل من نسبة الإشارة إلى الضوضاء (SNR) وهي غير ضرورية إحصائيا وغير مرغوب فيها.

لمعالجة هذه القيود ، نقدم صندوق أدوات BrainBeats ، الذي يتم تنفيذه حاليا كمكون إضافي مفتوح المصدر EEGLAB في بيئة MATLAB. يتضمن المزايا التالية مقارنة بالطرق السابقة:

1) واجهة مستخدم رسومية سهلة الاستخدام وقدرات سطر الأوامر (للمبرمجين الذين يهدفون إلى إجراء المعالجة الآلية). 2) الخوارزميات والمعلمات والمبادئ التوجيهية التي تم التحقق من صحتها لمعالجة إشارات القلب والأوعية الدموية ، مثل اكتشاف قمم R ، واستيفاء القطع الأثرية RR ، وحساب مقاييس HRV (على سبيل المثال ، إرشادات الزرع للنوافذ ، وإعادة أخذ العينات ، والتطبيع ، وما إلى ذلك 27،45،46). هذا مهم لأن Vest et al. أظهر كيف يمكن أن تؤدي الاختلافات المتواضعة في خطوات المعالجة هذه إلى نتائج متباينة ، مما يساهم في عدم قابلية التكرار والتطبيق السريري لمقاييس HRV46. 3) الخوارزميات التي تم التحقق من صحتها والمعلمات الافتراضية والمبادئ التوجيهية لمعالجة إشارات EEG ، بما في ذلك التصفية والنوافذ44,47 ، وإعادة الإشارة إلى 48,49 ، وإزالة القنوات والتحف غير الطبيعية 50,51,52 ، تحليل ICA الأمثل وتصنيف المكونات المستقلة 53,54,55,56. يمكن للمستخدمين ضبط جميع معلمات المعالجة المسبقة أو حتى المعالجة المسبقة لبيانات EEG الخاصة بهم بالطريقة المفضلة لديهم قبل استخدام صندوق الأدوات لمطابقة احتياجاتهم (على سبيل المثال ، مع المكون الإضافي EEGLAB clean_rawdata50,52 ، وخط أنابيب BeMoBIL38 ، وخط أنابيب PREP57 ، وما إلى ذلك). 4) تتوفر الإمكانات المستثارة بنبضات القلب (HEP ، أي المجال الزمني) والتذبذبات (HEO ؛ الاضطرابات الطيفية المتعلقة بالحدث باستخدام طرق المويجات أو FFT ، والتماسك بين التجارب من خلال برنامج EEGLAB القياسي) من إشارات ECG. تتوفر الإحصائيات البارامترية وغير البارامترية مع تصحيحات لأخطاء النوع 1 عبر برنامج EEGLAB القياسي. تشمل الإحصاءات اللابارامترية إحصاءات التقليب والتصحيحات الزمانية المكانية لمقارنات متعددة (على سبيل المثال ، التجميع الزماني المكاني أو تحسين الكتلة الخالية من العتبة)58,59. يمكن للمستخدمين استخدام المكون الإضافي LIMO-EEG لتنفيذ النمذجة الخطية الهرمية ، والتي تمثل بشكل جيد التباين داخل وبين الموضوعات وتنفذ نهجا أحادي المتغير خال من الافتراضات مع تحكم قوي في أخطاء النوع الأول والثاني60,61. يمكن إجراء التحليلات الإحصائية لبيانات HEP / HEO في مجالات القناة والمكونات المستقلة. 5) تحليل HEP / HEO و HRV من إشارات PPG (لأول مرة ل HEP / HEO). 6) يدعم الاستخراج المشترك لميزات EEG و HRV لأول مرة. 7) يوفر صندوق الأدوات تصورات بيانات مختلفة لفحص الإشارات في مختلف خطوات المعالجة والمخرجات الضرورية على مستوى الموضوع.

أسلوبكشف قمم R من تخطيط القلبكشف موجات R من PPGهيب/هيوميزات EEG و HRVإزالة عيوب القلب من EEGواجهه المستخدم الرسوميهسطر الأوامر
ECG-كيتXXXX
بيموبيلXXX
هيبلابXXXX
كير-آر كورتكسXXXX
برين بيتسXXXXXXX

الجدول 1: المستجدات التي جلبتها BrainBeats بالنسبة إلى الأساليب المماثلة الموجودة مسبقا.

معلومات لمساعدة القراء على تحديد ما إذا كانت الطريقة مناسبة لهم
صندوق الأدوات هذا مناسب لأي باحث أو طبيب لديه بيانات EEG و ECG / PPG. لا يدعم المكون الإضافي حتى الآن استيراد إشارات EEG و ECG / PPG من ملفات منفصلة (على الرغم من أن هذه الميزة ستكون متاحة قريبا). صندوق الأدوات مناسب لأي شخص يهدف إلى إجراء تحليل HEP / HEO ، أو استخراج ميزات EEG و / أو HRV بطرق موحدة ، أو ببساطة إزالة القطع الأثرية القلبية من إشارات EEG. انظر الشكل 1 للحصول على مخطط كتلة يلخص التدفق العام ل BrainBeats وأساليبه.

figure-introduction-14799
الشكل 1. مخطط كتلة يلخص البنية العامة ل BrainBeats والتدفق. العمليات الشائعة عبر الطرق الثلاث بنية. العمليات الخاصة بالإمكانات التي تثيرها ضربات القلب (HEP) والتذبذبات (HEO) خضراء. العمليات الخاصة باستخراج ميزات EEG و HRV باللون الأزرق. العمليات الخاصة بإزالة آثار القلب من إشارات EEG باللون الأحمر. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

Protocol

تم الحصول على موافقة مستنيرة من كل مشارك ، ووافقت لجنة الأخلاقيات بجامعة الأورال الفيدرالية على البروتوكول التجريبي.

1. متطلبات برين بيتس

  1. قم بتثبيت MATLAB و EEGLAB على الكمبيوتر. يمكن تنزيل EEGLAB في https://github.com/sccn/eeglab وفك ضغطه (أو استنساخه لمستخدمي Git) في أي مكان على الكمبيوتر. راجع صفحة GitHub لمزيد من التفاصيل حول التثبيت.
  2. أضف المسار إلى مجلد EEGLAB في اللوحة الرئيسية ل MATLAB بالنقر فوق الزر "تعيين المسار ". حدد المجلد eeglab الذي يحتوي على الملف الذي تم فك ضغطه وانقر فوق حفظ > إغلاق.
  3. قم بتشغيل EEGLAB عن طريق كتابة eeglab في نافذة أوامر MATLAB.
  4. قم بتثبيت المكون الإضافي BrainBeats بالنقر فوق ملف > إدارة ملحقات EEGLAB. اكتب Brainbeats في شريط البحث ، وحدد المكون الإضافي BrainBeats في القائمة وانقر فوق تثبيت / تحديث.
  5. قم بتحميل مجموعة بيانات العينة في EEGLAB. انقر فوق ملف > تحميل البيانات الموجودة. انتقل إلى مجلد EEGLAB ، وانتقل إلى مجلد المكونات الإضافية ، وانتقل إلى مجلد BrainBeats وافتح مجلد sample_data. حدد الملف dataset.set.
    ملاحظة: تتوافق مجموعة البيانات هذه مع sub-032 (حالة الراحة مع فتح العينين) من مجموعة بيانات متعددة الموضوعات مفتوحة المصدر62,63. تم اختيار هذا لأنه يحتوي على EEG متزامن (64 قناة) ، ECG (قناة واحدة) ، و PPG (قناة واحدة) ، بمعدل أخذ عينات 1000 هرتز. تم جمع إشارات ECG و PPG باستخدام المدخلات المساعدة لنظام actiCHamp. تم تسجيل بيانات EEG باستخدام أقطاب كهربائية نشطة موضوعة وفقا لنظام 10-20 ، مع FCz كمرجع عبر الإنترنت و Fpz كقطب أرضي ، ومع الحفاظ على المقاومة أقل من 25 kOm. تم تسجيل تخطيط كهربية القلب باستخدام قطب كهربائي نشط واحد يوضع على الرسغ الأيمن ، والقطب المرجعي على الرسغ الأيسر ، والأرض على الساعد الداخلي الأيسر على بعد 3 سم من الكوع. تم تسجيل PPG من السبابة اليسرى. تتم مزامنة بيانات EEG و ECG و PPG مع الوقت حيث تم تسجيلها في وقت واحد مع نفس مكبر الصوت. انظر المراجع 62,63 لمزيد من التفاصيل.
  6. حدد خانة الاختيار حفظ المخرجات لحفظ كل شيء في ملف .set المقابل في نفس موقع الملف الأصلي الذي تم تحميله في EEGLAB.
    ملاحظة: بالنسبة لهذا البرنامج التعليمي، قمنا بدمج بيانات EEG وECG وPPG في مجموعة بيانات EEGLAB واحدة، وقمنا بتحميل إحداثيات قطب طريقة عنصر الحدود 3D (BEM)، وقمنا بتصغير الإشارة إلى 250 هرتز لتقليل وزن الملف (لتنزيل المستخدم) وتسريع وقت الحوسبة. نظرا لأن مجموعة البيانات هذه لا تحتوي على قناة EEG غير طبيعية ، فقد قمنا بتعديل القناة TP9 بشكل مصطنع لتوضيح خوارزمية اكتشاف وإزالة القناة السيئة في BrainBeats. وبالمثل ، نقوم بمحاكاة قطعة أثرية كبيرة EEG بشكل مصطنع في بداية الملف وقطعة أثرية عالية التردد تشبه العضلات في القنوات الزمنية من 3-6 ثوان لتوضيح ميزة إزالة القطع الأثرية في BrainBeats.

2. إمكانات نبضات القلب (HEP) والتذبذبات (HEO)

  1. افتح أول واجهة مستخدم عامة (GUI) ل BrainBeats لتحديد المعلمات الرئيسية. في EEGLAB ، انقر فوق أدوات > BrainBeats > مستوى 1 (مستوى الموضوع). حدد إمكانات نبضات القلب HEP كتحليل للتشغيل ، وتخطيط القلب كنوع بيانات القلب ، وانقر فوق الزر لعرض قائمة القنوات لتحديد قناة ECG المسماة ECG (أو اكتبها مباشرة في مربع النص). احتفظ بالخيارين مرئيات المخرجات (مستحسن) وحفظ المخرجات محددين وانقر موافق.
  2. تنبثق نافذة واجهة المستخدم الرسومية الثانية بناء على الخيارات السابقة (أي تحليل HEP باستخدام بيانات ECG). حدد معلمات المعالجة المسبقة لكل من إشارات EEG و ECG. قم بإيقاف تشغيل المعالجة المسبقة عن طريق إلغاء تحديد المربعين المعالجة المسبقة ECG و Preprocess EEG لمعرفة ما إذا كانت البيانات قد تمت معالجتها مسبقا بالفعل قبل تشغيل BrainBeats. قم بتغيير ضوضاء خط الطاقة إلى 50 هرتز في قسم EEG قبل المعالجة حيث تم تسجيل بيانات EEG هذه في روسيا. انقر فوق "موافق " لبدء التشغيل.
  3. ستظهر رسالة تحذير تطلب تأكيدا لإزالة قناة PPG التي تم اكتشافها. وذلك لأن صندوق الأدوات غير مصمم لتحليل كل من ECG و PPG في وقت واحد (أو القنوات المساعدة الأخرى) وسيؤدي الاحتفاظ به في مجموعة البيانات إلى أخطاء فادحة (على سبيل المثال ، إزالة القطع الأثرية ، وسوء تحلل ICA ، وما إلى ذلك). انقر فوق نعم. يبدأ BrainBeats في إجراء بعض الفحوصات ، وتعيين بعض المعلمات الافتراضية ، ويفصل ECG عن بيانات EEG للمعالجة المسبقة لإشارة ECG وحساب فترات RR.
  4. تتم معالجة السلاسل الزمنية ECG و RR مسبقا باستخدام خوارزميات تم التحقق من صحتها من صندوق أدوات Physionet Cardiovascular Signal46,64 الذي تم تكييفه ليناسب تنسيق بيانات BrainBeats ، وزيادة الوضوح ، وضبط المعلمات ، ووقت الحوسبة (انظر المراجع للتحقق من صحة الخوارزميات). يقوم المكون الإضافي بإخراج فترات RR والطوابع الزمنية وإشارة ECG المفلترة ومؤشرات R-peaks ومعدل ضربات القلب (HR). اضبط هذه المعلمات عبر واجهة المستخدم الرسومية أو سطر الأوامر.
    ملاحظة: يتم ترشيح إشارة ECG باستخدام مرشح مخصص تم التحقق من صحته (1-30 هرتز) ويقوم بمسح الإشارة لتحديد مجمع QRS وقمم R باستخدام طريقة Pan-Tompkins (P &T)65 ، وتنفيذ بعض عمليات معالجة الإشارات بما في ذلك التمايز والتربيع والتكامل والتنعيم للحصول على أفضل أداء. يتم تقدير عتبة طاقة P&T بناء على معدل العينة وقيم ECG الملساء لتجنب الاضطراب من المطبات الكبيرة. إذا تجاوز تباين الفاصل الزمني RR 1.5 ضعف الوسيط ، فإنه يبحث عن القمم الفائتة. يتم حساب متوسط علامة R-peak على مدى 30 ثانية ، ويتم تحسين نقاط الذروة من خلال فحص فترة المقاومة للحرارة ، وإدارة ظروف الخط المسطح وضمان الكشف المتسق.
  5. بعد ذلك ، يحدد BrainBeats فترات RR غير الطبيعية أو الارتفاعات داخل فترات RR باستخدام البحث الأمامي والخلفي والعتبات الفسيولوجية. يتم حساب مؤشر جودة الإشارة (SQI)46 ؛ تحقق من ذلك إذا كان النظام يعرض تحذيرات حيث يحتوي أكثر من 20٪ من سلسلة أوقات RR على عناصر RR (خارج الحدود الفسيولوجية أو مع SQI أقل من 0.9). يعرض مخطط إشارة ECG المفلترة ، وقمم R المحددة ، وفترات NN ، والتحف المقحمة (انظر الشكل 2).
    ملاحظة: يتم استيفاء عناصر RR بشكل افتراضي باستخدام الطريقة المكعبة المجزأة التي تحافظ على الشكل للحصول على الفواصل الزمنية العادية إلى العادية (NN) ولكن إزالتها (غير مستحسن) أو استخدام طريقة استيفاء أخرى (خطي ، مكعب ، أقرب جار ، جار سابق / تالي ، شريحة ، التفاف مكعب ، أو مكعب Akima معدل) إذا لزم الأمر. عند وجود العديد من قنوات تخطيط القلب، يتم تقدير فترات RR لكل منها، ويتم تحديد القناة التي تحتوي على أقل عدد من عناصر RR للخطوات التالية.
  6. قم بالتمرير عبر نوافذ 30 ثانية المكبرة لقمم R لإجراء فحص دقيق بالضغط على الأسهم اليمنى / اليسرى. إذا كانت البيانات تحتوي على عدة قنوات ECG / PPG ، فاستخدم القناة ذات أفضل مؤشر جودة إشارة لفترات RR. لا يدعم BrainBeats إشارات ECG و PPG في وقت واحد في الوقت الحالي. لأغراض البرنامج التعليمي، اخترنا عينة من مجموعة البيانات التي تحتوي على كلا نوعي البيانات.
  7. بمجرد الانتهاء من إشارة ECG ، يقوم BrainBeats bandpass بتصفية بيانات EEG عند 1-40 هرتز باستخدام مرشح FIR غير خطي للمرحلة الدنيا السببية افتراضيا لتقليل نشاط التلطيخ بين فترات ما قبل وما بعد ضربات القلب ، والحفاظ على السببية ، وتجنب تأخيرات المجموعة غير المرغوب فيها44. هذا مهم بشكل خاص للمستخدمين الذين يفحصون فترة ما قبل نبضات القلب. إذا تم ضبط مرشح الترددات المنخفضة على قيمة أعلى من تردد خط الطاقة (على سبيل المثال ، ممر منخفض 80 هرتز مع تردد خط طاقة عند 50 هرتز) ، فاستخدم مرشحا من الشق الحاد لإزالة قطعة معلومات ضوضاء الخط. ثم تتم إعادة الرجوع إلى بيانات EEG إلى ما لا نهاية باستخدام خوارزمية REST (الأنسب لتحليل HEP49) ما لم يتم اكتشاف أقل من 30 قناة (في هذه الحالة لا يمكن إعادة الرجوع إليها بشكل موثوق ، ويتم إنشاء تحذير لإعلام المستخدمين).
  8. ثم يكتشف BrainBeats قنوات EEG غير الطبيعية ويزيلها ويستكملها (الشكل 3). تحقق من أن المعلمات الافتراضية هي خطوط مسطحة أكبر من 5 ثوان (خوارزمية clean_flatlines) ، وانحراف معياري أقصى للضوضاء عالية التردد يبلغ 10 ، وطول نافذة يبلغ 5 ثوان (لالتقاط القطع الأثرية ذات التردد البطيء52 بشكل أفضل) ، والحد الأدنى للارتباط بين القنوات المجاورة .65 ، والحد الأقصى المسموح به للجزء 33٪ (خوارزمية clean_channels).
    ملاحظة: يتم تعيين عدد عينات RANSAC إلى 500 بشكل افتراضي لزيادة التقارب وإمكانية تكرار رفض القناة السيئة (على الرغم من أنه يزيد من وقت الحساب).
  9. بعد ذلك ، أدخل قمم R كعلامات حدث في بيانات EEG لتمييز كل نبضة قلب وتقسيم البيانات حول هذه العلامات دون إزالة خط الأساس (وفقا للإرشادات43,66 ؛ الشكل 4). نظرا لأن فترات NN لها أطوال مختلفة ويجب تقسيم EEG بطول ثابت ، قم بتقدير الحد الأدنى لقطع حجم الحقبة بعد أحداث R-peakباستخدام النسبة المئوية الخامسة لبيانات الفاصل الزمني (IBI) (أي القيمة التي تقع تحتها 5٪ من أقصر IBIs ، معروضة كخط أحمر متقطع على الرسم البياني ؛ انظر الشكل 5).
    ملاحظة: هذهالقيمة المئوية 5 هي حل وسط جيد للحفاظ على أكبر عدد ممكن من الحقب مع ضمان أنها ليست قصيرة جدا لأن فترة الاهتمام لتحليل HEP / HEO هي 200-600 مللي ثانية بعد نبضاتالقلب 49,67.
  10. قم بتقسيم بيانات EEG من -300 مللي ثانية قبل قمم R إلىالقيمة المئوية 5 بعد ذروة R ، مع ذروة R في الوقت 0. رفض الممرات الأقصر من 550 مللي ثانية أو التي تحتوي على أكثر من ذروة R واحدة (والتي من شأنها أن تحيز ERP / ERSP) ، وفقا للإرشادات49,67. يتم الكشف عن العصور التي تحتوي على قطع أثرية كبيرة EEG باستخدام مقاييس الجذر المتوسط المربع (RMS) ونسبة الإشارة إلى الضوضاء (SNR) ووظيفة MATLAB isoutlier (الشكل 6). تتم إزالة العصور الأثرية.
  11. قم بإجراء فصل أعمى للمصدر باستخدام خوارزمية Infomax الافتراضية ، مع مراعاة ترتيب البيانات للحصول على أفضل أداء53. إذا رغبت في ذلك ، اختر خوارزمية تحليل المكونات المستقلة (PICARD) المشروطة مسبقا للحساب السريع54,54 عن طريق اختيار الخيار Picard (سريع) أو خوارزمية Infomax المعدلة عن طريق اختيار الخيار Infomax المعدل (طويل ولكن قابل للتكرار) لطريقة ICA الميدانية (على الرغم من أن هذا ينطوي على أوقات حساب أطول بكثير). استخدم المكون الإضافيICLabel 56 لتصنيف الدوائر المتكاملة تلقائيا لاستخراج القطع الأثرية غير الدماغية (تتم إزالة مكونات العين بثقة 90٪ ، بينما تتم إزالة ضوضاء العضلات والخط وضوضاء القناة بثقة 99٪ ؛ الشكل 7).
  12. احتفظ بالخيار تصور المخرجات المحددة في نافذة واجهة المستخدم الرسومية الأولى لتصور السلسلة الزمنية النهائية لتخطيط كهربية الدماغ، والمتوسط الكلي ل HEP (الشكل 8 أعلى)، و HEP لكل نبضة قلب (الشكل 8 أسفل)، والمتوسط الكلي للتذبذبات الناجمة عن نبضات القلب (HEO; الشكل 9). فحص HEOs من حيث الاضطراب الطيفي المرتبط بالحدث (ERSP ، أي التغيرات في قدرة EEG عبر ضربات القلب ؛ الشكل 9 أعلاه) واتساق المرحلة بين المحاكمات (مركز التجارة الدولية، أي اتساق زاوية الطور عبر نبضات القلب؛ الشكل 9 أسفل).
    ملاحظة: يتم حساب ERSP باستخدام مويجة افتراضية من 3 دورات (مع تطبيق نافذة Hanning مدببة ، نسبة الوسادة 2) ومع عدد الدورات في المويجات المستخدمة للترددات الأعلى التي تتوسع ببطء حتى 20٪ من عدد الدورات في نافذة FFT المكافئة بأعلى تردد لها (1 ناقص 0.8). يتحكم هذا في أشكال النوافذ الفردية التي تم قياسها بواسطة الوظيفة وأشكالها في أجزاء الوقت/التردد الناتجة. تتم إزالة خط الأساس التعسفي لأغراض التوضيح ، ويتم حساب ERSP للترددات 7-25 هرتز لالتقاط تأثير HEO النموذجي الموصوف في الأدبيات ، أي 300-450 مللي ثانية بعد نبضات القلب في نطاق ألفا (8-13 هرتز) عبر الأقطاب الكهربائية الأماميةالمركزية 17,67. لا يمكن تقدير الترددات المنخفضة بسبب حجم الحقبة القصيرة التي تحددها الفواصل الزمنية المتداخلة. يتم تطبيق الإحصائيات غير البارامترية (التقليب) لتصور HEO لقيمة p تبلغ 0.05 ، مصححة لمعدل الاكتشاف الخاطئ (FDR ، أي خطأ من النوع 1 أو خطأ عائلي). يتم إنشاء هذه المؤامرات لأغراض تعليمية أو تحليل التجارب الفردية.
  13. يتم إنشاء مؤامرات المعالجة المسبقة لتصور الخطوات المختلفة. لإيقاف تشغيله ، قم بإلغاء تحديد المربع تصور المعالجات المسبقة. لا تتضمن بيانات EEG النهائية (التي تم تنظيفها وتجزئتها حول قمم R) بيانات ECG لأنها ستحيز لتحليل ERP / ERSP. للحفاظ على قناة القلب في الإخراج النهائي ، حدد المربع الاحتفاظ بقناة القلب.
    ملاحظة: توقف مؤقتا هنا إذا لزم الأمر قبل معالجة الملف التالي (الشرط التالي أو المشارك).
  14. يدعم BrainBeats وظيفة تاريخ EEGLAB. في نهاية جميع العمليات ، اكتب eegh في نافذة أوامر MATLAB لطباعة سطر الأوامر لتكرار جميع الخطوات المذكورة أعلاه عبر سطر أوامر واحد ، مع المعلمات التي تم تحديدها يدويا في واجهة المستخدم الرسومية ، مما يسمح بالأتمتة السهلة. ابحث عن مخرجات المعالجة المسبقة (على سبيل المثال ، مؤشر جودة الإشارة للسلسلة الزمنية للقلب والأوعية الدموية ، وفترات NN ، وقنوات EEG التي تمت إزالتها ، والأجزاء ، والمكونات ، وما إلى ذلك) في هيكل EEGLAB: EEG.brainbeats.preprocessings. يتم تصدير جميع المعلمات أيضا في EEG.brainbeats.parameters.
  15. بالنسبة للمستخدمين المتقدمين ، قم بتنفيذ جميع الخطوات المذكورة أعلاه باستخدام المعلمات الافتراضية باستخدام سطور الأوامر التالية (راجع البرنامج النصي التعليمي في مستودع BrainBeats لمزيد من الخيارات):
    إيجلاب. غلق; ٪ إطلاق EEGLAB بدون واجهة المستخدم الرسومية
    main_path = أجزاء الملفات (التي ('eegplugin_BrainBeats.m')) ؛ القرص المضغوط (main_path) ؛
    EEG = pop_loadset ("اسم الملف" ، "مجموعة البيانات" ،
    "مسار الملف" ، الملف الكامل (main_path ، "sample_data") ؛ ٪تحميل عينة مجموعة البيانات
    EEG = brainbeats_process (EEG ، "تحليل" ،
    "التهاب الكبد الوب" ، "heart_signal" ، "تخطيط القلب" ، "heart_channels" ،
    {'ECG'},'clean_eeg',true); ٪ قم بتشغيل مستوى BrainBeats 1st لمعالجة الملف لتحليل HEP باستخدام المعلمات الافتراضية
  16. أدت الخطوات المذكورة أعلاه HEP / HEO من إشارة ECG. استخدم الخطوات التالية لإشارة PPG.
  17. في الخطوات التالية ، قم بإجراء نفس العمليات ولكن باستخدام إشارة PPG. قم بتحميل نفس مجموعة البيانات مرة أخرى (انظر الخطوة 1.5) نظرا لأن العمليات السابقة قد حلت فوقها ، وافتح واجهة المستخدم الرسومية الأولى ل BrainBeats مرة أخرى لتحديد المعلمات الرئيسية. انقر فوق أدوات > BrainBeats > مستوى 1 (مستوى الموضوع). حدد إمكانات نبضات القلب (HEP) كتحليل للتشغيل ، PPG كنوع بيانات القلب ، وانقر فوق الزر لعرض قائمة القنوات لتحديد قناة PPG. احتفظ بالخيارين تصور المخرجات (مستحسن) وحفظ المخرجات محددين وانقر موافق.
  18. تنبثق نافذة واجهة المستخدم الرسومية الثانية بطريقة مشابهة للخطوة 2.2 . الاختلاف الوحيد هو أنه يمكننا الآن ضبط المعلمة لمعالجة إشارة PPG بدلا من إشارة ECG. انقر فوق موافق للتشغيل باستخدام المعلمات الافتراضية.
  19. تظهر رسالة تحذير تطلب تأكيدا لإزالة قناة ECG الإضافية التي تم اكتشافها. مرة أخرى ، هذا متوقع. انقر فوق نعم. بشكل افتراضي ، سيقوم صندوق الأدوات بمعالجة إشارة PPG مسبقا ، واكتشاف الموجات النبضية للحصول على فترات RR ، وتحديد عناصر RR ، إن وجدت ، واستكمالها (الشكل 10). الخطوات 2.7. إلى 2.12. يتم تنفيذها ، ويتم إنشاء نفس المخططات والمخرجات ولكن بناء على موجات R المكتشفة من إشارة PPG (انظر الشكل 11 والشكل 12).
    ملاحظة: يتم اكتشاف موجات R باستخدام ميل الإشارة داخل نافذة محددة. ثم يتم وضع علامة على النبضات المحتملة عندما يتجاوز المنحدر عتبة ديناميكية ، والتي يتم ضبطها بناء على تاريخ الكشف وخصائص الإشارة. ثم تبحث الخوارزمية خلال فترة إغلاق العين لتحديد الحد الأقصى للمنحدر ، وبعد ذلك ، يتم تحديد بداية موجة النبض من خلال العتبة. يتم تحديد قمم الموجة R على أنها الوديان القريبة من البداية ، ويتم تسجيل مواقعها. تتكرر الخوارزمية عبر الإشارة بأكملها ، وتضبط باستمرار عتبات الكشف وتحدد قمم الموجة R ، والتي تستخدم بعد ذلك لحساب فترات RR.
  20. بالنسبة للمستخدمين المتقدمين ، قم بتنفيذ جميع الخطوات المذكورة أعلاه باستخدام المعلمات الافتراضية باستخدام سطور الأوامر التالية (راجع البرنامج النصي التعليمي في مستودع BrainBeats لمزيد من الخيارات):
    إيجلاب. غلق; ٪ إطلاق EEGLAB بدون واجهة المستخدم الرسومية
    main_path = أجزاء الملف (التي ('eegplugin_
    BrainBeats.m'))؛ القرص المضغوط (main_path) ؛
    EEG = pop_loadset ("اسم الملف" ، "مجموعة البيانات" ،
    "مسار الملف" ، الملف الكامل (main_path ، "sample_data") ؛ ٪تحميل عينة مجموعة البيانات
    EEG = brainbeats_process (EEG ، "تحليل" ،
    "hep" ، "heart_signal" ، "PPG" ، "heart_channels" ،
    {'PPG'},'clean_eeg',true); ٪ قم بتشغيل مستوى BrainBeats 1st لمعالجة الملف لتحليل HEP باستخدام المعلمات الافتراضية

3. استخراج ميزات EEG و HRV

  1. قم بتحميل نفس مجموعة البيانات مرة أخرى (راجع الخطوة 1.5; انقر فوق ملف > تحميل مجموعة البيانات الموجودة > تحديد dataset.set) حيث تم استبدالها بواسطة العمليات السابقة وافتح واجهة المستخدم الرسومية الرئيسية مرة أخرى لتحديد المعلمات الرئيسية (الخطوة 2.1 ؛ انقر فوق أدوات > BrainBeats > مستوى 1). حدد استخراج ميزات EEG و HRV لنوع التحليل ، وتخطيط كهربية القلب لنوع إشارة القلب ، وحدد ECG في قائمة ملصقات القطب الكهربائي. انقر فوق موافق.
  2. تنبثق نافذة واجهة المستخدم الرسومية الثانية كما في الخطوة 2.2 ولكن مع معلمات مختلفة للمعالجة المسبقة ل EEG واستخراج ميزات HRV و EEG. قم بتعيين هذه المعلمات كما هو موضح أدناه. انقر فوق "موافق " لبدء التشغيل باستخدام المعلمات الافتراضية.
    1. في قسم HRV ، انقر فوق الزر خيارات متكررة لتحديد طريقة حساب طاقة HRV (تم ضبطها افتراضيا على مخطط Lomb-Scargle الطبيعي) ، وتداخل النافذة (تم ضبطه افتراضيا على 25٪) ، ولإجراء تسوية من المستوى الثاني (غير مضبوط افتراضيا ؛ انظر الملاحظة أدناه لمزيد من التفاصيل).
    2. في قسم ميزات EEG ، انقر فوق الزر التكرار. خيارات لضبط بعض المعلمات ، مثل نطاق التردد الكلي الذي يتم من خلاله حساب الكثافة الطيفية للطاقة (PSD ؛ الافتراضي = 1-40 هرتز) ، الوحدات (ديسيبل ، μV2 / هرتز ، أو تطبيع بواسطة إجمالي الطاقة) ، نوع النافذة (الافتراضي = hamming) ، تتداخل النافذة (الافتراضي = 50٪) ، طول النافذة (الافتراضي = 2 ثانية) ، وأنواع حدود التردد لكل نطاق.
      ملاحظة: يتم حساب طاقة HRV افتراضيا باستخدام مخطط Lomb-Scargle الدوري الطبيعي ، والذي لا يتطلب إعادة أخذ العينات (وبالتالي الحفاظ على المعلومات الأصلية بشكل أفضل) وأفضل تعامل مع البيانات التي تم أخذ عينات منها بشكل غير موحد ، والبيانات المفقودة ، والضوضاء (نموذجية مع فترات NN)68. تعمل النسخة الطبيعية على قياس الطاقة من خلال تباين الإشارة ، مما يوفر نتائج أقل حساسية لمستويات الضوضاء المختلفة ، وأكثر تركيزا على القوة النسبية للمكونات الدورية ، وأكثر قابلية للمقارنة عبر التسجيلات أو الموضوعات المختلفة. تشمل الطرق الأخرى المتاحة مخطط Lomb-Scargle غير الطبيعي ، وطريقة Welch ، وتحويل فورييه السريع (FFT). يتم إجراء إعادة التشكيل تلقائيا لطريقتي Welch و FFT لإنشاء السلاسل الزمنية اللازمة التي يتم أخذ عينات منها بانتظام. يمكن تطبيق تطبيع المستوى الثاني بقسمة قدرة كل نطاق تردد على القدرة الإجمالية ، مما يوفر مقياسا أكثر سهولة للمساهمة النسبية لكل مكون تردد في القدرة الإجمالية. يتم تعطيله افتراضيا لأنه يكون ذا معنى فقط عندما تكون جميع النطاقات الأربعة متاحة ، مما يتطلب 24 ساعة على الأقل من الإشارة. تم تكييف هذه الخوارزميات من صندوق أدوات معالجة إشارات القلب والأوعية الدمويةPhysionet 46.
  3. تظهر رسالة التحذير نفسها ، وتطلب تأكيدا لإزالة قناة PPG الإضافية التي تم اكتشافها. مرة أخرى ، هذا متوقع. انقر فوق نعم. سيبدأ BrainBeats في المعالجة المسبقة لبيانات ECG واستخراج فترات NN بشكل مماثل ، كما في الخطوة 2.4. بعد ذلك ، يستخرج ميزات تقلب معدل ضربات القلب (HRV) من فترات NN في الوقت (SDNN ، RMSSD ، pNN50) ، التردد (ULF ، VLF ، LF ، HF ، LF: HF نسبة ، إجمالي الطاقة) ، وغير الخطية (Poincare ، متوسط الإشارة المصححة الطور ، الإنتروبيا الضبابية ، والبعد الكسوري).
    ملاحظة: يتحقق BrainBeats تلقائيا من طول الملف لضمان تلبية الحد الأدنى من المتطلبات (على سبيل المثال ، تتطلب طاقة ULF-HRV 24 ساعة من البيانات) ، ويرسل رسائل تحذير إذا لم يكن الأمر كذلك ، ولا يقوم بتصدير هذه الميزات لمنع التقديرات غير الموثوقة. تتبع BrainBeats الإرشادات والتوصيات لتقدير مقاييس HRV27,45.
  4. يقوم BrainBeats بمعالجة بيانات EEG مسبقا كما في الخطوة 2.7. (انظر الشكل 3). يتم اكتشاف القطع الأثرية الكبيرة تلقائيا في البيانات المستمرة باستخدام خوارزمية إعادة بناء الفضاء الفرعي (ASR)50,52 (تم تعيين معيار SD الافتراضي على 30 واستخدام 80٪ من ذاكرة الوصول العشوائي المتاحة لزيادة السرعة). تتم إزالة هذه القطع الأثرية الكبيرة من بيانات EEG (انظر الشكل 13). لضبط هذه المعلمات في واجهة المستخدم الرسومية ، حدد الحقول عتبة لرفض الشرائح السيئة باستخدام ASR وذاكرة الوصول العشوائي المتاحة لاستخدامها في ASR.
    ملاحظة: لا يلزم مزامنة السلاسل الزمنية لتخطيط كهربية الدماغ والقلب والأوعية الدموية لوضع الميزات حيث يتم تقدير الميزات على كل إشارة على حدة. وبالتالي ، يمكن إزالة القطع الأثرية EEG مباشرة من بيانات EEG (باللون الأحمر ، الشكل 13) ، على عكس وضع HEP ، حيث تم رفض العصور التي تحتوي على القطع الأثرية لكلا السلسلتين الزمنيتين لأن التزامن الزمني مع دقة ms ضروري لهذه الطريقة.
  5. قم بإجراء ICA باستخدام نفس الخوارزميات والمعلمات الخاصة ب HEP (انظر الخطوة 2.11.) ، باستثناء أنه هذه المرة تتم إزالة مكونات القلب إذا تم اكتشافها بثقة 99٪ (تم الاحتفاظ بها ل HEP / HEO لأننا لا نريد إزالة الإشارات ذات الصلة المتعلقة بالقلب).
  6. المربع يتم تحديد مجال التردد في الخطوة 3.2 ، لذلك يستخرج BrainBeats ميزات مجال التردد التالية: متوسط الكثافة الطيفية للطاقة (PSD) لدلتا (1-3 هرتز) ، ثيتا (3-7 هرتز) ، ألفا (8-13 هرتز) ، بيتا (13-30 هرتز) ، وجاما (30+ هرتز) ، تردد ألفا الفردي (IAF) ، وعدم تناسق ألفا على جميع أزواج الأقطاب الكهربائية المتاحة (المتماثلة). تحقق من هذه الميزات.
    ملاحظة: يسهل تحويل PSD إلى ديسيبل (ديسيبل) مقارنة النتائج عبر التسجيلات والموضوعات. ويمكن ضبط حدود التردد على الحدود التقليدية (مثل النطاق 13-8 المحددة مسبقا لنطاق ألفا) أو على الحدود الفردية، التي تكتشف من توزيع الكثافة الطيفية للقدرة لمراعاة الفروق بين الأفراد69 (على سبيل المثال، 12.6-7,3 هرتز لنطاق ألفا). تم تصميم الخوارزمية لنطاق ألفا ولا تعمل بشكل جيد مع النطاقات الأخرى ، خاصة عندما لا تكون القمم موجودة في التوزيع الطيفي للقدرة. يتم تقدير تردد ألفا الفردي (IAF) باستخدام مركز ثقل ألفا للتعامل بشكل أفضل مع القمم المنقسمة أو القمم الغامضة69. يتم حساب عدم تناسق ألفا باتباع الإرشادات (نافذة هامينغ 2-s مع تداخل 50٪ ، لوغاريتم قوة ألفا من القناة اليسرى مطروحا منه لوغاريتم قوة ألفا من القناة اليمنى)47. ومن ثم ، تشير القيم الموجبة إلى قوة ألفا أكبر من اليسار والعكس صحيح. يمكن تطبيع عدم تناسق ألفا بقسمة قوة ألفا من كل قطب على قوة ألفا المجمعة عبر جميع الأقطابالكهربائية 47. يتم الحصول على الأزواج المتماثلة باستخدام مسافات ثيتا ، مما يتطلب أن تحتوي بيانات EEG على إحداثيات قطب كهربائي.
  7. يتم تحديد المربع المجال غير الخطي في الخطوة 3.2 ، يستخرج BrainBeats الإنتروبيا الضبابية والبعد الكسوري لكل قناة EEG.
    ملاحظة: يعتقد أن ميزات المجال غير الخطي تلتقط ديناميكيات غير خطية ومعقدة للدماغ تفوتها المقاييس الطيفية وتظهر وعدا خاصا للتحقيق في التفاعلات بين أنظمة الجسم المختلفة70،71،72. تعتبر الإنتروبيا الضبابية أكثر موثوقية وقوة من بدائلها (الانتروبيا العينة والتقريبية) ولكنها تتطلب أوقات حساب أطول (خاصة مع السلاسل الزمنية الطويلة لتخطيط كهربية الدماغ مع معدلات أخذ العينات العالية). لمعالجة هذه المشكلة ، عندما تكون إشارات EEG أطول من 2 دقيقة مع معدل أخذ عينات أكبر من 100 هرتز ، يتم تقليلها تلقائيا (أو تدميرها عندما لا يكون العامل عددا صحيحا) إلى 90 هرتز (أي المقابلة لتردد Nyquist البالغ 45 هرتز ، لمطابقة مرشح الترددات المنخفضة الافتراضي وتجنب القطع الأثرية لضوضاء الخط قدر الإمكان). علاوة على ذلك ، يتم تنشيط الحوسبة المتوازية افتراضيا عند تقدير ميزات EEG ، مما يقلل من وقت الحوسبة ، خاصة عند توفر العديد من قنوات EEG.
  8. حدد تصور المخرجات في واجهة المستخدم الرسومية الأولى (انظر الخطوة 3.1.) ، لإنشاء مخطط يعرض الكثافة الطيفية للطاقة (PSD) لبيانات HRV و EEG (الشكل 14) جنبا إلى جنب مع طبوغرافيا فروة الرأس التي تعرض بعض ميزات EEG (الشكل 15).
    ملاحظة: يمكنك أيضا العثور على بعض مخرجات المعالجة المسبقة في EEG.brainbeats.preprocessing وجميع المعلمات المستخدمة في EEG.brainbeats.parameters. نحن نشجع المستخدمين على الإبلاغ عن هذه المخرجات في المنشورات العلمية لزيادة تكرار النتائج.
  9. احتفظ بمربع حفظ المخرجات محددا في نافذة واجهة المستخدم الرسومية الأولى لحفظ جميع الميزات التي تم تصديرها إلى ملف EEGLAB .set في EEG.brainbeats.features وحفظها في ملف .mat في نفس المجلد حيث تم تحميل مجموعة البيانات.
  10. يدعم BrainBeats وظيفة تاريخ EEGLAB. في نهاية جميع العمليات ، اكتب eegh في نافذة أوامر MATLAB لطباعة سطر الأوامر الذي سيسمح لك بتكرار جميع الخطوات المذكورة أعلاه عبر سطر أوامر واحد ، مع المعلمات التي تم تحديدها يدويا في واجهة المستخدم الرسومية ، مما يسمح بسهولة أتمتة العمليات وتكرارها.
  11. بالنسبة للمستخدمين المتقدمين ، قم بتنفيذ جميع الخطوات المذكورة أعلاه باستخدام الأمر التالي:
    إيجلاب. غلق; ٪ إطلاق EEGLAB بدون واجهة المستخدم الرسومية
    main_path = أجزاء الملفات (التي ('eegplugin_BrainBeats.m')) ؛ القرص المضغوط (main_path) ؛
    EEG = pop_loadset ("اسم الملف" ، "مجموعة البيانات" ،
    "مسار الملف" ، الملف الكامل (main_path ، "sample_data") ؛ ٪ تحميل مجموعة البيانات النموذجية
    EEG = brainbeats_process (EEG ، "تحليل" ،
    'الميزات','heart_signal','ECG', 'heart_channels',{'ECG'},'clean_eeg',true);
  12. الخطوات السابقة المستخرجة ميزات HRV من إشارة ECG. استخدم الخطوات التالية لاستخراج ميزات HRV من إشارة PPG (ميزات EEG هي نفسها).
  13. قم بتحميل نفس مجموعة البيانات مرة أخرى (الخطوة 1.5.) حيث تم استبدالها بواسطة العمليات وافتح واجهة المستخدم الرسومية الرئيسية مرة أخرى (الخطوة 2.5.). حدد استخراج ميزات EEG و HRV للتحليل وحدد PPG لنوع إشارة القلب و PPG لاسم القناة. انقر فوق موافق.
  14. تعرض نافذة واجهة المستخدم الرسومية 2 الثانية الآن معلمات المعالجة المسبقة PPG ولاستخراج ميزات HRV و EEG. انقر فوق موافق للتشغيل باستخدام المعلمات الافتراضية. يتم وصف المعلمات في الخطوة 2.17.
  15. ستظهر رسالة تحذير تطلب تأكيدا لإزالة قناة ECG المكتشفة. هذا أمر متوقع لأن صندوق الأدوات غير مصمم لتحليل كل من ECG و PPG في وقت واحد (أو القنوات المساعدة الأخرى) وسيؤدي الاحتفاظ به في مجموعة البيانات إلى أخطاء جسيمة (على سبيل المثال ، إزالة القطع الأثرية ، وسوء تحلل ICA ، وما إلى ذلك). انقر فوق نعم.
  16. يقوم BrainBeats بمعالجة إشارة PPG مسبقا ويقدر فترات NN كما في الخطوة 2.5. تحقق من ميزات HRV المستخرجة من فترات NN ، كما في الخطوة 3.2 . باستثناء أنه تم الآن الحصول على فترات NN من إشارة PPG. تتم معالجة إشارات EEG مسبقا كما في الخطوة 3.2. يرسم BrainBeats مديرية الأمن العام (الشكل 16). الفرق الوحيد هنا هو PSD المقدر من فترات NN التي تم الحصول عليها من PPG بدلا من ECG.
  17. بالنسبة للمستخدمين المتقدمين ، قم بتنفيذ جميع الخطوات المذكورة أعلاه باستخدام الأمر التالي:
    إيجلاب. غلق; ٪ إطلاق EEGLAB بدون واجهة المستخدم الرسومية
    main_path = أجزاء الملفات (التي ('eegplugin_BrainBeats.m')) ؛ القرص المضغوط (main_path) ؛
    EEG = pop_loadset ("اسم الملف" ، "dataset.set" ، "مسار الملف" ،
    الملف الكامل (main_path ، 'sample_data')) ؛ ٪تحميل عينة مجموعة البيانات
    EEG = brainbeats_process (EEG ، "تحليل" ،
    'الميزات','heart_signal', 'PPG','heart_channels',{'PPG'},'clean_eeg',true);

4. استخراج القطع الأثرية القلب من إشارات EEG.

  1. قم بتحميل نموذج مجموعة البيانات (راجع الخطوة 1.5.).
  2. افتح نافذة واجهة المستخدم الرسومية الرئيسية بالنقر فوق أدوات > BrainBeats > مستوى 1 (مستوى الموضوع) وحدد استخراج القطع الأثرية للقلب من إشارات EEG لنوع التحليل ، ECG لنوع إشارة القلب وحدد ECG في قائمة ملصقات القطب. انقر فوق موافق.
  3. تعرض نافذة واجهة المستخدم الرسومية 2الثانية معلمات المعالجة المسبقة. اضبط ضوضاء خط الطاقة على 50 هرتز (أوروبا) ، وقم بتحرير مستوى الثقة إذا لزم الأمر ، وحدد المربع وضع التعزيز (تجريبي) ، وانقر فوق موافق للتشغيل باستخدام المعلمات الافتراضية نظرا لأن إشارات EEG من مجموعة البيانات النموذجية لا تتم معالجتها مسبقا.
    ملاحظة: يتم تعيين مستوى الثقة للكشف عن مكونات القلب إلى 80٪ بشكل افتراضي ، والذي قد يكون منخفضا جدا أو مرتفعا جدا بالنسبة لبعض مجموعات البيانات. ستؤدي زيادة هذه القيمة إلى زيادة فرص اكتشاف مكونات القلب ولكنها تقلل من موثوقية هذا الكشف. وضع التعزيز (بيتا) اختياري ويهدف إلى تحسين أداء التصنيف عن طريق تلطيخ إشارة القلب في إشارات EEG.
  4. ستظهر رسالة تحذير تطلب تأكيدا لإزالة قناة PPG الإضافية التي تم اكتشافها. هذا أمر متوقع لأن صندوق الأدوات غير مصمم لتحليل كل من ECG و PPG في وقت واحد (أو القنوات المساعدة الأخرى) وسيؤدي الاحتفاظ به في مجموعة البيانات إلى أخطاء جسيمة (على سبيل المثال ، إزالة القطع الأثرية ، وسوء تحلل ICA ، وما إلى ذلك). انقر فوق نعم.
  5. يتم ترشيح إشارة ECG بتمرير النطاق لإزالة انحرافات التردد البطيئة التي تقل عن 1 هرتز والضوضاء عالية التردد فوق 20 هرتز (مع مرشح FIR غير السببي للمرحلة الصفرية). المعالجة المسبقة لإشارات EEG كما في الخطوة 3.4.
  6. قم بإجراء تحليل المكونات المستقل (ICA) باستخدام ICA المشروط مسبقا لخوارزمية البيانات الحقيقية (PICARD). لتغيير هذا الخيار، اختر خوارزمية Infomax القياسية أو خوارزمية Infomax المعدلة للنسخ المتماثل من واجهة المستخدم الرسومية في الخطوة 4.3 . بعد ذلك ، قم بتصنيف المكونات المستقلة تلقائيا باستخدام ICLabel. إذا تم تصنيف أحد المكونات كمكون للقلب بثقة 80٪ ، اكتشافه افتراضيا واستخراجه تلقائيا من بيانات EEG.
  7. احتفظ بالمربع تصور المخرجات في واجهة المستخدم الرسومية الرئيسية الأولى (الخطوة 4.2.) لتصور تضاريس فروة الرأس للمكون الذي تمت إزالته (الشكل 17 يسار) والسلاسل الزمنية النهائية لتخطيط كهربية الدماغ (باللون الأزرق ، الشكل 17 يمين) بعد استخراج مكون القلب (باللون الأحمر ، الشكل 17 يمين).
    ملاحظة: يتم الاحتفاظ بقناة ECG للتصور لتأكيد استخراج المكونات المتعلقة بتخطيط القلب ، ولكن تتم إزالتها بعد هذه الخطوة لأنها لم تعد تحتوي على أي معلومات ذات صلة.
  8. بالنسبة للمستخدمين المتقدمين ، قم بتنفيذ هذه الخطوات باستخدام سطور الأوامر التالية:
    إيجلاب. غلق; ٪ إطلاق EEGLAB بدون واجهة المستخدم الرسومية
    main_path = أجزاء الملفات (التي ('eegplugin_BrainBeats.m')) ؛ القرص المضغوط (main_path) ؛
    EEG = pop_loadset ("اسم الملف" ، "dataset.set" ، "مسار الملف" ،
    الملف الكامل (main_path ، 'sample_data')) ؛
    EEG = brainbeats_process (EEG ، "التحليل" ، "rm_heart" ،
    "heart_signal" ، "تخطيط القلب" ، ...
    'heart_channels',{'ECG'},'clean_eeg',true,'vis_cleaning',false,...
    "conf_thresh" ، .8 ، "تعزيز" ، صحيح) ؛

النتائج

أولا ، تم استخدام المكون الإضافي BrainBeats للمعالجة المسبقة لبيانات EEG و ECG ، وتحديد القطع الأثرية وإزالتها ، وتحليل إمكانات نبضات القلب (HEP) والتذبذبات (HEO). نجح BrainBeats في اكتشاف فترات RR من إشارة ECG وبعض القطع الأثرية RR (الشكل 2). ذكرت BrainBeats أيضا في نافذة الأوامر أن 11/305 (3.61٪) من نبضات ...

Discussion

الخطوات الحاسمة في البروتوكول
يتم وصف الخطوات الهامة في الخطوات من 1.1 إلى 1.4. يتم تنفيذ التحذيرات ورسائل الخطأ في أماكن مختلفة في صندوق الأدوات لمساعدة المستخدمين على فهم سبب مواجهتهم لمشكلات (على سبيل المثال ، مواقع الأقطاب الكهربائية غير المحملة في بيانات EEG ، وطول الملف قصير ?...

Disclosures

ليس لدى المؤلفين ما يكشفون عنه.

Acknowledgements

دعم معهد علوم Noetic هذا البحث. نشكر مطوري الخوارزميات الأصلية مفتوحة المصدر التي تم تكييفها لتطوير بعض خوارزميات BrainBeats.

Materials

NameCompanyCatalog NumberComments
EEGLABSwartz Center for Computational Neuroscience (SCCN)Free/Open-source
MATLABThe Mathworks, Inc.Requires a license
Windows PCLenovo, 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).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Explore More Articles

EEG ECG HRV EEGLAB

This article has been published

Video Coming Soon

JoVE Logo

Privacy

Terms of Use

Policies

Contact Us

Recommend to library

JoVE NEWSLETTERS

Research

Education

Authors

Librarians

ABOUT JoVE

Copyright © 2025 MyJoVE Corporation. All rights reserved