Das Institut für Noetische Wissenschaften unterstützte diese Forschung. Wir danken den Entwicklern der ursprünglichen Open-Source-Algorithmen, die angepasst wurden, um einige der Algorithmen von BrainBeats zu entwickeln.

Enthüllung des Gehirn-Herz-Zusammenspiels mit EEG- und Kardiosignalen

Die Autoren haben nichts offenzulegen.

Kritische Schritte im Protokoll Kritische Schritte werden in den Schritten 1.1-1.4 beschrieben. Warnungen und Fehlermeldungen sind an verschiedenen Stellen in der Toolbox implementiert, um den Benutzern zu helfen, zu verstehen, warum sie auf Probleme stoßen können (z. B. Elektrodenpositionen, die nicht in die EEG-Daten geladen sind, Dateilänge, die zu kurz ist, um ein zuverlässiges Maß für die ultraniederfrequente HRV zu berechnen, Signalqualität, die für eine zuverlässige Analyse zu niedrig ...

Lange Zeit dominierte der reduktionistische Ansatz die wissenschaftliche Erforschung der menschlichen Physiologie und Kognition. Bei diesem Ansatz wurden komplexe körperliche und mentale Prozesse in kleinere, besser handhabbare Komponenten zerlegt, so dass sich die Forscher isoliert auf einzelne Systeme konzentrieren konnten. Diese Strategie entstand aufgrund der Herausforderungen bei der Erforschung der komplizierten und miteinander verbundenen Natur des menschlichen Körpers und Geistes1. Der Reduktionismus hat maßgeblich dazu beigetragen, einzelne Subsysteme isoliert zu verstehen, wie z.B. die Aufklärung der Rolle von Ionenkanälen und Aktionspotentialen für die neuronale2 oder kardiale3 Kommunikation. Es gibt jedoch noch eine erhebliche Lücke in unserem Verständnis davon, wie diese isolierten Systeme auf einer größeren räumlichen und zeitlichen Skala interagieren. Der multimodale (integrative oder ökologische) Rahmen betrachtet den menschlichen Körper als ein komplexes multidimensionales System, in dem der Geist nicht als Produkt des Gehirns, sondern als Aktivität des Lebewesens angesehen wird, eine Aktivität, die das Gehirn in die alltäglichen Funktionen des menschlichen Körpers integriert4. Die multimodalen und reduktionistischen Ansätze schließen sich nicht aus, so wie wir nicht ein Neuron ohne das gesamte Gehirn oder das gesamte Gehirn untersuchen können, ohne die Eigenschaften einzelner Neuronen zu verstehen. Zusammen ebnen sie den Weg für ein umfassenderes, synergetisches Verständnis der menschlichen Gesundheit, Pathologie, Kognition, Psychologie und Bewusstsein. Die vorliegende Methode zielt darauf ab, die multimodale Untersuchung des Zusammenspiels zwischen Gehirn und Herz zu erleichtern, indem sie die gemeinsame Analyse von Elektroenzephalographie (EEG) und kardiovaskulären Signalen, nämlich Elektrokardiographie (EKG) und Photoplethysmographie (PPG), ermöglicht. Diese Toolbox, die als EEGLAB-Plugin in MATLAB implementiert ist, adressiert bestehende methodische Einschränkungen und ist Open Source, um die Zugänglichkeit und Reproduzierbarkeit im wissenschaftlichen Bereich zu erleichtern. Es implementiert die neuesten Richtlinien und Empfehlungen in seine Design- und Standardparameter, um Benutzer zu ermutigen, bekannte Best Practices zu befolgen. Die vorgeschlagene Toolbox sollte eine wertvolle Ressource für Forscher und Kliniker sein, die daran interessiert sind, 1) herzschlagevozierte Potentiale zu untersuchen, 2) Merkmale aus EEG- und EKG/PPG-Signalen zu extrahieren oder 3) Herzartefakte aus EEG-Signalen zu entfernen.
Herz-Hirn-Forschung Die Beziehung zwischen Herz und Gehirn wurde in der Vergangenheit mit Hilfe von bildgebenden Verfahren wie der funktionellen Magnetresonanztomographie (fMRT) und der Positronen-Emissions-Tomographie (PET) untersucht. Mit diesen Instrumenten hoben die Forscher einige Gehirnregionen hervor, die mit der kardiovaskulären Kontrolle verbunden sind (z. B. Manipulation der Herzfrequenz und des Blutdrucks5), zeigten den Einfluss der Herzfrequenz auf das BOLD-Signal6 oder identifizierten potenzielle Gehirn-Körper-Bahnen, die zur koronaren Herzkrankheit beitragen (z. B. stressevozierter Blutdruck7). Während diese Studien unser Verständnis des komplexen Zusammenspiels zwischen dem Zentralnervensystem (ZNS) und der Herz-Kreislauf-Funktion erheblich verbessert haben, sind diese Neuroimaging-Verfahren teuer, nur begrenzt verfügbar und auf kontrollierte Laborumgebungen beschränkt, was ihre Praktikabilität für reale und großtechnische Anwendungen einschränkt.
Im Gegensatz dazu sind EEG und EKG/PPG erschwinglichere und tragbarere Werkzeuge, die das Potenzial bieten, Gehirn-Herz-Interaktionen in vielfältigeren Umgebungen und Populationen oder über längere Zeiträume zu untersuchen, was neue Möglichkeiten eröffnet. Das EKG misst die elektrischen Signale, die bei jedem Herzschlag erzeugt werden, wenn sich das Herz zusammenzieht und entspannt, und zwar über Elektroden, die auf der Haut platziert werden (normalerweise an der Brust oder an den Armen)8. PPG misst Veränderungen des Blutvolumens in den mikrovaskulären Geweben (d. h. Blutfluss und Pulsfrequenz) mit einer Lichtquelle (z. B. LED) und einem Photodetektor (der üblicherweise an einer Fingerspitze, einem Handgelenk oder einer Stirn angebracht wird), wobei es sich darauf verlässt, wie das Blut mehr Licht absorbiert als das umgebende Gewebe9. Beide Methoden liefern wertvolle Informationen über die kardiovaskuläre Funktion, dienen jedoch unterschiedlichen Zwecken und bieten unterschiedliche Datentypen. Wie das EKG zeichnet das EEG die elektrischen Felder auf, die durch die synchronisierte Aktivität von Tausenden von kortikalen Neuronen erzeugt werden, die sich durch die extrazelluläre Matrix, das Gewebe, den Schädel und die Kopfhaut ausbreiten, bis sie die Elektroden erreichen, die auf der Oberfläche der Kopfhaut platziert sind10. Daher ist die Verwendung von EEG und EKG/PPG vielversprechend, um unser Verständnis der physiologischen, kognitiven und emotionalen Prozesse, die den Gehirn-Herz-Interaktionen zugrunde liegen, und ihrer Auswirkungen auf die menschliche Gesundheit und das Wohlbefinden zu verbessern. Daher kann die Erfassung des Herz-Hirn-Zusammenspiels von EEG- und EKG-/PPG-Signalen mit der BrainBeats-Toolbox besonders nützlich für die folgenden wissenschaftlichen Bereiche sein: klinische Diagnostik und Prognose, maschinelles Lernen (ML) in großen Datenmengen, Selbstüberwachung in der realen Welt11 und mobile Gehirn-/Körperbildgebung (MoBI)12,13.
Zwei Ansätze zur gemeinsamen Analyse von EEG- und EKG-Signalen Es gibt zwei Hauptansätze, um die Wechselwirkungen zwischen EEG und kardiovaskulären Signalen zu untersuchen:
Die herzschlagevozierten Potentiale (HEP) im Zeitbereich: ereigniskorrelierte Potentiale (ERP) und die herzschlagevozierten Oszillationen (HEO) im Zeit-Frequenz-Bereich: ereigniskorrelierte spektrale Störungen (ERSP) und Inter-Trial-Kohärenz (ITC). Dieser Ansatz untersucht, wie das Gehirn jeden Herzschlag verarbeitet. Mit einer Genauigkeit von Millisekunden (ms) erfordert diese Methode, dass beide Zeitreihen perfekt synchronisiert sind und die Herzschläge in den EEG-Signalen markiert werden. Dieser Ansatz hat in den letzten Jahren an Interesse gewonnen 14,15,16,17,18,19.
Merkmalsbasierter Ansatz: Dieser Ansatz extrahiert EEG- und Herzfrequenzvariabilitätsmerkmale (HRV) aus kontinuierlichen Signalen und untersucht Assoziationen zwischen ihnen. Dies wurde unabhängig voneinander für EEG (oft als quantitatives EEG oder qEEG20 bezeichnet), EKG 21,22,23 und PPG 24,25,26 durchgeführt. Dieser Ansatz bietet vielversprechende Anwendungen, indem er sowohl zustands- als auch merkmalsbezogene Variablen erfasst. Es ist zu beachten, dass sowohl für EEG- als auch für kardiovaskuläre Signale die Merkmalsvariable umso dominanter ist, je länger die Aufzeichnung dauert 27,28,29. Die Anwendungen hängen also von den Aufnahmeparametern ab. Merkmalsbasierte Analysen gewinnen zunehmend an Interesse und liefern neue quantitative Metriken für die Vorhersage der Entwicklung psychischer und neurologischer Störungen, des Ansprechens auf die Behandlung oder des Rückfalls 30,31,32,33,34,35. Dieser Ansatz ist besonders überzeugend bei großen und realen Datensätzen (z. B. Klinik, Fernüberwachung), die dank der jüngsten Innovationen in der tragbaren Neurotechnologie11 leichter zu erhalten sind. Eine weniger erforschte Anwendung ist die Identifizierung von Assoziationen zwischen spezifischen Gehirn- und Herzmerkmalen, wobei möglicherweise die zugrunde liegende Dynamik des Zentralnervensystems hervorgehoben wird. Die Herzfrequenzvariabilität (HRV) kann sowohl aus EKG- als auch aus PPG-Signalen berechnet werden. Es liefert Informationen über das autonome Nervensystem (ANS), indem es die Schwankungen in den Zeitintervallen zwischen den Herzschlägen (d. h. den normalen bis normalen Intervallen) misst27. Eine erhöhte sympathische (SNS) Aktivität (z. B. bei Stress oder körperlicher Belastung) reduziert in der Regel die HRV, während die parasympathische (PNS) Aktivität (z. B. während der Entspannung) sie erhöht. Eine langsamere Atemfrequenz erhöht im Allgemeinen die HRV aufgrund der erhöhten PNS-Aktivität, insbesondere bei kurzen Aufzeichnungen (<10 min)27. Höhere HRV-Werte deuten im Allgemeinen auf ein widerstandsfähigeres und anpassungsfähigeres ANS hin, während eine niedrigere HRV auf Stress, Müdigkeit oder zugrunde liegende Gesundheitsprobleme hinweisen kann. Lange HRV-Aufzeichnungen (d. h. mindestens 24 Stunden) bieten eine prädiktive Prognose für verschiedene Gesundheitszustände, einschließlich Herz-Kreislauf-Erkrankungen, Stress, Angstzustände und einige neurologische Erkrankungen27. Messungen wie Blutdruck, Herzfrequenz oder Cholesterinspiegel geben Aufschluss über den Zustand des Herz-Kreislauf-Systems. Im Gegensatz dazu fügt die HRV einen dynamischen Aspekt hinzu und zeigt, wie das Herz auf Stress reagiert und sich davon erholt.
Die Vorteile von BrainBeats gegenüber bestehenden Methoden Es gibt zwar Instrumente, um kardiovaskuläre und EEG-Signale unabhängig voneinander zu verarbeiten, aber sie können nicht gemeinsam analysiert werden. Darüber hinaus sind die meisten verfügbaren Mittel zur Verarbeitung kardiovaskulärer Signale mit kostspieligen Lizenzierungen verbunden, erlauben keine automatisierte Verarbeitung (besonders vorteilhaft für große Datensätze), verfügen über proprietäre Algorithmen, die Transparenz und Reproduzierbarkeit verhindern, oder erfordern fortgeschrittene Programmierkenntnisse, da sie keine grafische Benutzeroberfläche (GUI) bereitstellen36. Unseres Wissens unterstützen vier Open-Source-MATLAB-Toolboxen die HEP/HEO-Analyse mit einer GUI: die EKG-Kit-Toolbox37, die BeMoBIL-Pipeline38, das HEPLAB EEGLAB-Plugin39 und die CARE-rCortex-Toolbox40. HEPLAB, BeMoBIL und EKG-Kit erleichtern zwar die HEP-Analyse, indem sie Herzschläge erkennen und in den EEG-Signalen markieren, bieten jedoch keine statistische Analyse oder sind auf den Zeitbereich (d. h. HEP) beschränkt. Das CARE-rCortex-Plugin löste diese Probleme, indem es EKG- und Atemsignale, Zeit-Frequenz-Bereichsanalysen, Statistiken und fortschrittliche Baseline-Normalisierungs- und Korrekturmethoden unterstützte, die an die HEP/HEO-Analyse angepasst sind. Es wird jedoch die Bonferroni-Methode zur statistischen Korrektur des Typ-1-Fehlers (d. h. falsch positiver Ergebnisse) verwendet, die für EEG-Anwendungen zu konservativ und physiologisch nicht solide ist, was zu einer Zunahme von Typ-II-Fehlern (d. h. falsch negativen Ergebnissen) führt41. Darüber hinaus bietet die Toolbox keinen Befehlszeilenzugriff für die Automatisierung. Schließlich raten neuere Studien von Baseline-Korrekturmethoden ab 42,43,44, da sie das Signal-Rausch-Verhältnis (SNR) reduzieren und statistisch unnötig und unerwünscht sind.
Um diese Einschränkungen zu beheben, stellen wir die BrainBeats-Toolbox vor, die derzeit als Open-Source-EEGLAB-Plugin in der MATLAB-Umgebung implementiert ist. Es bietet folgende Vorteile gegenüber bisherigen Methoden:
1) Eine einfach zu bedienende GUI und Befehlszeilenfunktionen (für Programmierer, die eine automatisierte Verarbeitung durchführen möchten). 2) Validierte Algorithmen, Parameter und Richtlinien für die Verarbeitung kardiovaskulärer Signale, wie z. B. die Erkennung von R-Peaks, die Interpolation von RR-Artefakten und die Berechnung von HRV-Metriken (z. B. Implantation von Richtlinien für Windowing, Resampling, Normalisierung usw.27,45,46). Dies ist wichtig, da Vest et al. gezeigt haben, wie geringfügige Unterschiede in diesen Verarbeitungsschritten zu unterschiedlichen Ergebnissen führen können, was zur mangelnden Reproduzierbarkeit und klinischen Anwendbarkeit von HRV-Metriken beiträgt46. 3) Validierte Algorithmen, Standardparameter und Richtlinien für die Verarbeitung von EEG-Signalen, einschließlich Filterung und Fensterbildung44,47, Neureferenzierung48,49, Entfernung abnormaler Kanäle und Artefakte 50,51,52, optimierte ICA-Zerlegung und Klassifizierung unabhängiger Komponenten 53,54,55,56. Die Benutzer können alle Vorverarbeitungsparameter feinabstimmen oder sogar ihre EEG-Daten mit ihrer bevorzugten Methode vorverarbeiten, bevor sie die Toolbox nach ihren Bedürfnissen verwenden (z. B. mit EEGLAB clean_rawdata Plugin50,52, der BeMoBIL-Pipeline38, der PREP-Pipeline57 usw.). 4) Herzschlagevozierte Potentiale (HEP, d.h. Zeitbereich) und Oszillationen (HEO; ereigniskorrelierte spektrale Störungen mit Wavelet- oder FFT-Methoden sowie Kohärenz zwischen den Versuchen sind über die Standard-EEGLAB-Software verfügbar) von EKG-Signalen. Parametrische und nichtparametrische Statistiken mit Korrekturen für Fehler vom Typ 1 sind über die Standardsoftware von EEGLAB verfügbar. Zu den nichtparametrischen Statistiken gehören Permutationsstatistiken und raumzeitliche Korrekturen für Mehrfachvergleiche (z. B. raumzeitliches Clustering oder schwellenwertfreie Clusterverstärkung)58,59. Benutzer können das LIMO-EEG-Plugin verwenden, um eine hierarchische lineare Modellierung zu implementieren, die die Varianz innerhalb und zwischen den Probanden gut berücksichtigt und einen annahmefreien massenunivariaten Ansatz mit robuster Kontrolle für Fehler vom Typ I und II implementiert60,61. Die statistischen Analysen der HEP/HEO-Daten können im Kanal- und unabhängigen Komponentenbereich durchgeführt werden. 5) HEP/HEO- und HRV-Analyse von PPG-Signalen (zum ersten Mal für HEP/HEO). 6) Unterstützt zum ersten Mal die gemeinsame Extraktion von EEG- und HRV-Merkmalen. 7) Die Toolbox bietet verschiedene Datenvisualisierungen zur Inspektion von Signalen bei verschiedenen notwendigen Verarbeitungsschritten und Ausgaben auf Subjektebene.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody><tr><td>Methode</td>
			<td>Erkennen von R-Peaks aus dem EKG</td>
			<td>Erkennen Sie R-Wellen von PPG</td>
			<td>HEP/HEO</td>
			<td>EEG- und HRV-Merkmale</td>
			<td>Entfernen von Herzartefakten aus dem EEG</td>
			<td>GUI</td>
			<td>Befehlszeile</td>
		</tr><tr><td>EKG-Kit</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td></td>
			<td></td>
			<td></td>
			<td>X</td>
		</tr><tr><td>BeMoBIL</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td></td>
			<td>X</td>
		</tr><tr><td>HEPLAB</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td>X</td>
			<td>X</td>
		</tr><tr><td>PFLEGE-rKortex</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td>X</td>
			<td>X</td>
		</tr><tr><td>Gehirn-Beats</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
		</tr></tbody></table>TABELLE 1: Neuheiten, die BrainBeats im Vergleich zu bereits existierenden, ähnlichen Methoden mit sich bringt.
Informationen, die den Lesern bei der Entscheidung helfen, ob die Methode für sie geeignet ist Diese Toolbox ist für jeden Forscher oder Kliniker geeignet, der über EEG- und EKG/PPG-Daten verfügt. Das Plugin unterstützt noch nicht den Import von EEG- und EKG/PPG-Signalen aus separaten Dateien (obwohl diese Funktion in Kürze verfügbar sein wird). Die Toolbox eignet sich für alle, die HEP/HEO-Analysen durchführen, EEG- und/oder HRV-Merkmale mit standardisierten Methoden extrahieren oder einfach Herzartefakte aus EEG-Signalen entfernen möchten. In Abbildung 1 finden Sie ein Blockdiagramm, das den Gesamtablauf und die Methoden von BrainBeats zusammenfasst.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65829/65829fig01.jpg"> ABBILDUNG 1. Blockdiagramm, das die Gesamtarchitektur und den Ablauf von BrainBeats zusammenfasst. Die Vorgänge, die in den drei Methoden gemeinsam sind, sind braun. Operationen, die für herzschlagevozierte Potentiale (HEP) und Oszillationen (HEO) spezifisch sind, sind grün. Operationen, die für die Extraktion von EEG- und HRV-Merkmalen spezifisch sind, sind blau. Operationen, die spezifisch für die Entfernung von Herzartefakten aus den EEG-Signalen sind, sind rot. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig01large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>EEGLAB</td>
			<td>Swartz Center for Computational Neuroscience (SCCN)</td>
			<td></td>
			<td>Free/Open-source</td>
		</tr>
		<tr>
			<td>MATLAB</td>
			<td>The Mathworks, Inc.</td>
			<td></td>
			<td>Requires a license</td>
		</tr>
		<tr>
			<td>Windows PC</td>
			<td>Lenovo, Inc.</td>
			<td></td>
			<td></td>
		</tr>
	</tbody>
</table>

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

Das Zusammenspiel zwischen dem Gehirn und dem Herz-Kreislauf-System erregt zunehmend Aufmerksamkeit, da es unser Verständnis der menschlichen Physiologie verbessern und die Gesundheitsergebnisse verbessern kann. Die multimodale Analyse dieser Signale stellt jedoch eine Herausforderung dar, da es an Richtlinien, standardisierten Signalverarbeitungs- und Statistikwerkzeugen, grafischen Benutzeroberflächen (GUIs) und Automatisierung für die Verarbeitung großer Datensätze oder an der Erhöhung der Reproduzierbarkeit mangelt. Eine weitere Lücke besteht bei standardisierten EEG- und Herzfrequenzvariabilitäts-Extraktionsmethoden (HRV), die die klinische Diagnostik oder die Robustheit von Modellen des maschinellen Lernens (ML) untergraben. Als Reaktion auf diese Einschränkungen stellen wir die BrainBeats-Toolbox vor. BrainBeats wurde als Open-Source-EEGLAB-Plugin implementiert und integriert drei Hauptprotokolle: 1) Herzschlag-evozierte Potentiale (HEP) und Oszillationen (HEO) zur Beurteilung des zeitgesteuerten Gehirn-Herz-Zusammenspiels mit einer Genauigkeit von Millisekunden; 2) EEG- und HRV-Merkmalsextraktion zur Untersuchung von Assoziationen/Unterschieden zwischen verschiedenen Gehirn- und Herzmetriken oder zur Erstellung robuster merkmalsbasierter ML-Modelle; 3) Automatisierte Extraktion von Herzartefakten aus EEG-Signalen, um mögliche kardiovaskuläre Kontaminationen bei der EEG-Analyse zu entfernen. Wir bieten eine Schritt-für-Schritt-Anleitung für die Anwendung dieser drei Methoden auf einen Open-Source-Datensatz, der simultane 64-Kanal-EEG-, EKG- und PPG-Signale enthält. Benutzer können die Parameter einfach fein abstimmen, um ihre individuellen Forschungsanforderungen über die grafische Benutzeroberfläche (GUI) oder die Befehlszeile anzupassen. BrainBeats soll die Hirn-Herz-Zusammenspiel-Forschung zugänglicher und reproduzierbarer machen.

For a long time, the reductionist approach has dominated scientific inquiry in human physiology and cognition. This approach involved dissecting complex bodily and mental processes into smaller, more manageable components, allowing researchers to focus on individual systems in isolation. This strategy arose due to the challenges in studying the intricate and interconnected nature of the human body and mind1. Reductionism has been instrumental in understanding individual subsystems in isolation, such as elucidating the role of ion channels and action potentials for neural2 or cardiac3 communication. However, a significant gap remains in our understanding of how these isolated systems interact on a larger spatial and temporal scale. The multimodal (integrative or ecological) framework considers the human body a complex multidimensional system, where the mind is seen not as a product of the brain but as an activity of the living being, an activity that integrates the brain within the everyday functions of the human body4. The multimodal and reductionist approaches are not exclusive, just like we cannot study one neuron without the whole brain or the whole brain without understanding individual neuron properties. Together, they pave the way for a more comprehensive, synergetic understanding of human health, pathology, cognition, psychology, and consciousness. The present method aims to ease the multimodal investigation of the interplay between the brain and the heart by providing joint analysis of electroencephalography (EEG) and cardiovascular signals, namely electrocardiography (ECG) and photoplethysmography (PPG). This toolbox, implemented as an EEGLAB plugin in MATLAB, addresses existing methodological limitations and is made open source to facilitate accessibility and reproducibility in the scientific area. It implements the latest guidelines and recommendations into its design and default parameters to encourage users to follow known best practices. The proposed toolbox should be a valuable resource for researchers and clinicians interested in 1) studying&#160;heartbeat-evoked potentials&#160;, 2) extracting features from EEG and ECG/PPG signals, or 3) removing heart artifacts from EEG signals.
Heart-brain research 
The relationship between the heart and the brain has been historically studied via neuroimaging methods such as functional magnetic resonance imaging (fMRI) and positron emission tomography (PET). Using these tools, researchers highlighted some brain regions associated with cardiovascular control (e.g., manipulation of heart rate and blood pressure5), showed the influence of heart rate on the BOLD signal6, or identified potential brain-body pathways contributing to coronary heart disease (i.e., stress-evoked blood pressure7). While these studies have significantly advanced our understanding of the complex interplay between the central nervous system (CNS) and cardiovascular function, these neuroimaging techniques are expensive, have limited availability, and are confined to controlled laboratory settings, which restricts their practicality for real-world and large-scale applications.
In contrast, EEG and ECG/PPG are more affordable and portable tools that offer the potential for studying brain-heart interactions in more diverse settings and populations or over longer periods, providing new opportunities. ECG measures the electrical signals generated by each heartbeat when the heart contracts and relaxes via electrodes placed on the skin (usually on the chest or arms)8. PPG measures blood volume changes in the microvascular tissues (i.e., blood flow and pulse rate) using a light source (e.g., LED) and a photodetector (commonly placed on a fingertip, wrist, or forehead), relying on how blood absorbs more light than the surrounding tissue9. Both methods provide valuable information about cardiovascular function but serve different purposes and offer distinct data types. Like ECG, EEG records the electrical fields generated by the synchronized activity of thousands of cortical neurons that propagate through the extracellular matrix, tissues, skull, and scalp until they reach the electrodes placed on the scalp&#39;s surface10. As such, the use of EEG and ECG/PPG holds great promise for advancing our understanding of the physiological, cognitive, and emotional processes underlying brain-heart interactions and their implications for human health and well-being. Therefore, capturing heart-brain interplay from EEG, ECG/PPG signals with the BrainBeats toolbox may be particularly useful for the following scientific areas: clinical diagnostic and forecasting, big data machine learning (ML), real-world self-monitoring11, and mobile brain/body imaging (MoBI)12,13.
Two approaches for jointly analyzing EEG and ECG signals 
There are two main approaches to studying interactions between EEG and cardiovascular signals:
The heartbeat-evoked potentials (HEP) in the time domain: event-related potentials (ERP), and the heartbeat-evoked oscillations (HEO) in the time-frequency domain: event-related spectral perturbations (ERSP) and inter-trial coherence (ITC). This approach examines how the brain processes each heartbeat. With millisecond (ms) accuracy, this method requires that both time series are perfectly synchronized and the heartbeats to be marked in the EEG signals. This approach has gained interest in recent years14,15,16,17,18,19.
Feature-based approach: this approach extracts EEG and heart-rate variability (HRV) features from continuous signals and examines associations between them. This has been done independently for EEG (often termed quantitative EEG or qEEG20), ECG21,22,23, and PPG24,25,26. This approach presents promising applications by capturing both state- and trait-related variables. Note that, for both EEG and cardiovascular signals, the longer the recording, the more dominant the trait variable27,28,29. Thus, the applications depend on the recording parameters. Feature-based analyses are gaining growing interest, providing new quantitative metrics for forecasting the development of mental and neurological disorders, treatment-response, or relapse30,31,32,33,34,35. This approach is especially compelling with large and real-world datasets (e.g., clinic, remote monitoring), which can be more easily obtained thanks to the recent innovations in wearable neurotechnology11. A less explored application is the identification of associations between specific brain and heart features, highlighting potential underlying central nervous system dynamics. Heart rate variability (HRV) can be calculated from both ECG and PPG signals. It provides information about the autonomous nervous system (ANS) by measuring the variations in time intervals between heartbeats (i.e., the normal-to-normal intervals)27. Increased sympathetic (SNS) activity (e.g., during stress or exercise) typically reduces HRV, while parasympathetic (PNS) activity (e.g., during relaxation) increases it. A slower breathing rate generally increases HRV due to enhanced PNS activity, especially for short recordings (&#60;10 min)27. Higher HRV scores generally suggest a more resilient and adaptable ANS, while a lower HRV can indicate stress, fatigue, or underlying health issues. Long HRV recordings (i.e., at least 24 h) provide a predictive prognosis for various health conditions, including cardiovascular diseases, stress, anxiety, and some neurological conditions27. Measures like blood pressure, heart rate, or cholesterol levels give information about the cardiovascular system&#39;s status. In contrast, HRV adds a dynamic aspect, showing how the heart responds to and recovers from stress.
BrainBeats&#39; advantages over existing methods 
While tools exist, as reviewed below, to process cardiovascular and EEG signals independently from each other, they cannot be jointly analyzed. Furthermore, most available means to process cardiovascular signals involve costly licensing, do not allow automated processing (especially beneficial for large datasets), have proprietary algorithms that prevent transparency and reproducibility, or require advanced programming skills by not providing a graphical user interface (GUI)36. To our knowledge, four open-source MATLAB toolboxes support HEP/HEO analysis with a GUI: the ecg-kit toolbox37, the BeMoBIL pipeline38, the HEPLAB EEGLAB plugin39, and the CARE-rCortex toolbox40. While HEPLAB, BeMoBIL, and ecg-kit facilitate HEP analysis by detecting heartbeats and marking them in the EEG signals, they do not provide statistical analysis or are limited to the time domain (i.e., HEP). The CARE-rCortex plugin addressed these issues by supporting ECG and respiratory signals, time-frequency domain analysis, statistics, and advanced baseline normalization and correction methods adapted to HEP/HEO analysis. However, it uses the Bonferroni method for statistical correction of the type 1 error (i.e., false positives), which is too conservative and not physiologically sound for EEG applications, leading to an increase in type II errors (i.e., false negatives)41. Furthermore, the toolbox does not offer command-line access for automation. Finally, recent studies recommend against baseline correction methods42,43,44, as they reduce the signal-to-noise ratio (SNR) and are statistically unnecessary and undesirable.
To address these limitations, we introduce the BrainBeats toolbox, currently implemented as an open-source EEGLAB plugin in the MATLAB environment. It incorporates the following advantages over previous methods:
1) An easy-to-use GUI and command-line capabilities (for programmers aiming to perform automated processing). 2) Validated algorithms, parameters, and guidelines for processing cardiovascular signals, such as detecting R peaks, interpolating RR artifacts, and computing HRV metrics (e.g., implanting guidelines for windowing, resampling, normalization, etc.27,45,46). This is important because Vest et al. demonstrated how modest differences in these processing steps can lead to divergent results, contributing to the lack of reproducibility and clinical applicability of HRV metrics46. 3) Validated algorithms, default parameters, and guidelines for processing EEG signals, including filtering and windowing44,47, re-referencing48,49, removal of abnormal channels and artifacts50,51,52, optimized ICA decomposition and classification of independent components53,54,55,56. The users can fine-tune all preprocessing parameters or even preprocess their EEG data with their preferred method before using the toolbox to match their needs (e.g., with EEGLAB clean_rawdata plugin50,52, the BeMoBIL pipeline38, the PREP pipeline57, etc.). 4) Heartbeat-evoked potentials (HEP, i.e., time domain) and oscillations (HEO; event-related spectral perturbations with wavelet or FFT methods, and inter-trial coherence are available through the standard EEGLAB software) from ECG signals. Parametric and nonparametric statistics with corrections for type 1 errors are available via EEGLAB&#39;s standard software. Nonparametric statistics include permutation statistics and spatiotemporal corrections for multiple comparisons (e.g., spatiotemporal clustering or threshold-free cluster enhancement)58,59. Users can use the LIMO-EEG plugin to implement hierarchical linear modeling, which accounts well for within and between-subjects variance and implements an assumption-free mass-univariate approach with robust control for type I and II errors60,61. The HEP/HEO data statistical analyses can be performed in the channel and independent component domains. 5) HEP/HEO and HRV analysis from PPG signals (for the first time for HEP/HEO). 6) Supports the joint extraction of EEG and HRV features for the first time. 7) The toolbox provides various data visualizations to inspect signals at various necessary processing steps and outputs at the subject level.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Method</td>
			<td>Detect R-peaks from ECG</td>
			<td>Detect R-waves from PPG</td>
			<td>HEP/HEO</td>
			<td>EEG &#38; HRV features</td>
			<td>Remove heart artifacts from EEG</td>
			<td>GUI</td>
			<td>Command line</td>
		</tr>
		<tr>
			<td>ecg-kit</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td></td>
			<td></td>
			<td></td>
			<td>X</td>
		</tr>
		<tr>
			<td>BeMoBIL</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td></td>
			<td>X</td>
		</tr>
		<tr>
			<td>HEPLAB</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td>X</td>
			<td>X</td>
		</tr>
		<tr>
			<td>CARE-rCortex</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td>X</td>
			<td>X</td>
		</tr>
		<tr>
			<td>BrainBeats</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
		</tr>
	</tbody>
</table>
TABLE 1:&#160;Novelties brought by BrainBeats relative to pre-existing, similar methods.
Information to help readers decide whether the method is appropriate for them 
This toolbox is appropriate for any researcher or clinician with EEG and ECG/PPG data. The plugin does not yet support importing EEG and ECG/PPG signals from separate files (although this feature will be available soon). The toolbox is appropriate for anyone aiming to perform HEP/HEO analysis, extract EEG and/or HRV features with standardized methods, or simply remove heart artifacts from EEG signals. See Figure 1 for a block diagram summarizing BrainBeats&#39; overall flow and methods.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65829/65829fig01.jpg" /> 
FIGURE 1.&#160;Block diagram summarizing BrainBeats&#39; overall architecture and flow.&#160;The operations that are common across the three methods are brown. Operations specific to heartbeat-evoked potentials (HEP) and oscillations (HEO) are green. Operations specific to the extraction of EEG and HRV features are blue. Operations specific to removing heart artifacts from the EEG signals are red. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig01large.jpg" target="_blank">Please click here to view a larger version of this figure.</a>

Autor im Rampenlicht: Weiterentwicklung der Erforschung des Gehirn-Herz-Zusammenspiels mit einem umfassenden EEGLAB-Plugin für die multimodale Signalanalyse

BrainBeats als Open-Source-EEGLAB-Plugin zur gemeinsamen Analyse von EEG- und kardiovaskulären Signalen

Zunächst wurde das BrainBeats-Plugin verwendet, um EEG- und EKG-Daten vorzuverarbeiten, Artefakte zu identifizieren und zu entfernen sowie herzschlagevozierte Potentiale (HEP) und Oszillationen (HEO) zu analysieren. BrainBeats erkannte erfolgreich die RR-Intervalle aus dem EKG-Signal und einige RR-Artefakte (Abbildung 2). BrainBeats berichtete im Befehlsfenster auch, dass 11/305 (3,61%) der Heartbeats als Artefakte markiert und interpoliert wurden. Der durchschnittliche Signalqualitätsinde...

Read this Scientific Article Protocol about BrainBeats as an Open-Source EEGLAB Plugin to Jointly Analyze EEG and Cardiovascular Signals at JoVE.com

Die BrainBeats-Toolbox ist ein Open-Source-EEGLAB-Plugin, das entwickelt wurde, um EEG- und kardiovaskuläre (EKG/PPG) Signale gemeinsam zu analysieren. Es umfasst die Bewertung von herzschlagevozierten Potentialen (HEP), merkmalsbasierte Analysen und die Extraktion von Herzartefakten aus EEG-Signalen. Das Protokoll wird dazu beitragen, das Zusammenspiel von Gehirn und Herz durch zwei Linsen (HEP und Merkmale) zu untersuchen und so die Reproduzierbarkeit und Zugänglichkeit zu verbessern.

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

Der Zweck der BrainBeats-Toolbox besteht darin, ein Open-Source- und automatisiertes Werkzeug für die Erforschung des Gehirn-Herz-Zusammenspiels bereitzustellen. Es ermöglicht Forschern die multimodale Analyse von EEG- und kardiovaskulären Signalen durch standardisierte Signalverarbeitung, Merkmalsextraktion, grafische Benutzeroberfläche und Datenvisualisierung. Als Ergebnis des historischen reduktionistischen Ansatzes in der Wissenschaft wurden das Gehirn und das Herzsystem getrennt und isoliert, was zu einem begrenzten Verständnis ihrer Wechselwirkung und gegenseitigen Beeinflussung führte.Die BrainBeats-Toolbox zielt darauf ab, diese Lücke zu schließen. Das Verständnis des Zusammenspiels zwischen Gehirn und Herz ermöglicht es den Forschern, tiefere Einblicke in die Art und Weise zu gewinnen, wie kognitive und emotionale Zustände die Herz-Kreislauf-Funktion beeinflussen und umgekehrt. Diese Erkenntnisse können wiederum zu neuen therapeutischen Interventionen und Behandlungen führen.

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

Research

JoVE Journal

Neuroscience

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

1.2K Aufrufe.  Toulouse III University. Der Zweck der BrainBeats-Toolbox besteht darin, ein Open-Source- und automatisiertes Werkzeug für die Erforschung des Gehirn-Herz-Zusammenspiels bereitzustellen. Es ermöglicht Forschern die multimodale Analyse von EEG- und kardiovaskulären Signalen durch standardisierte Signalverarbeitung, Merkmalsextraktion, grafische Benutzeroberfläche und Datenvisualisierung. Als Ergebnis des historischen reduktionistischen Ansatzes in der Wissenschaft wurden das Gehirn und das Herzsystem getrennt und ...

Serie: Autor im Rampenlicht: Weiterentwicklung der Erforschung des Gehirn-Herz-Zusammenspiels mit einem umfassenden EEGLAB-Plugin für die multimodale Signalanalyse

The interplay between the brain and the cardiovascular systems is garnering increased attention for its potential to advance our understanding of human physiology and improve health outcomes. However, the multimodal analysis of these signals is challenging due to the lack of guidelines, standardized signal processing and statistical tools, graphical user interfaces (GUIs), and automation for processing large datasets or increasing reproducibility. A further void exists in standardized EEG and heart-rate variability (HRV) feature extraction methods, undermining clinical diagnostics or the robustness of machine learning (ML) models. In response to these limitations, we introduce the BrainBeats toolbox. Implemented as an open-source EEGLAB plugin, BrainBeats integrates three main protocols: 1) Heartbeat-evoked potentials (HEP) and oscillations (HEO) for assessing time-locked brain-heart interplay at the millisecond accuracy; 2) EEG and HRV feature extraction for examining associations/differences between various brain and heart metrics or for building robust feature-based ML models; 3) Automated extraction of heart artifacts from EEG signals to remove any potential cardiovascular contamination while conducting EEG analysis. We provide a step-by-step tutorial for applying these three methods to an open-source dataset containing simultaneous 64-channel EEG, ECG, and PPG signals. Users can easily fine-tune parameters to tailor their unique research needs using the graphical user interface (GUI) or the command line. BrainBeats should make brain-heart interplay research more accessible and reproducible.

The BrainBeats toolbox is an open-source EEGLAB plugin designed to jointly analyze EEG and cardiovascular (ECG/PPG) signals. It includes heartbeat-evoked potentials (HEP) assessment, feature-based analysis, and heart artifact extraction from EEG signals. The protocol will aid in studying brain-heart interplay through two lenses (HEP and features), enhancing reproducibility and accessibility.