El Instituto de Ciencias Noéticas apoyó esta investigación. Agradecemos a los desarrolladores de los algoritmos originales de código abierto que se adaptaron para desarrollar algunos de los algoritmos de BrainBeats.

Revelando la interacción cerebro-corazón con señales de EEG y cardio

Los autores no tienen nada que revelar.

Pasos críticos en el protocolo Los pasos críticos se describen en los pasos 1.1-1.4. Las advertencias y los mensajes de error se implementan en varios lugares de la caja de herramientas para ayudar a los usuarios a comprender por qué pueden encontrar problemas (por ejemplo, ubicaciones de los electrodos no cargadas en los datos de EEG, longitud del archivo demasiado corta para calcular una medida confiable de HRV de frecuencia ultrabaja, calidad de la señal demasiado baja para cualquier análisis ...

Durante mucho tiempo, el enfoque reduccionista ha dominado la investigación científica en fisiología y cognición humanas. Este enfoque implicó diseccionar procesos corporales y mentales complejos en componentes más pequeños y manejables, lo que permitió a los investigadores centrarse en sistemas individuales de forma aislada. Esta estrategia surgió debido a los desafíos en el estudio de la naturaleza intrincada e interconectada del cuerpo y la mente humanos1. El reduccionismo ha sido fundamental para comprender los subsistemas individuales de forma aislada, como dilucidar el papel de los canales iónicos y los potenciales de acción para la comunicación neuronal2 o cardíaca3 . Sin embargo, sigue habiendo una brecha significativa en nuestra comprensión de cómo interactúan estos sistemas aislados en una escala espacial y temporal más amplia. El marco multimodal (integrador o ecológico) considera al cuerpo humano como un sistema multidimensional complejo, donde la mente no es vista como un producto del cerebro sino como una actividad del ser vivo, una actividad que integra el cerebro dentro de las funciones cotidianas del cuerpo humano4. Los enfoques multimodal y reduccionista no son excluyentes, al igual que no podemos estudiar una neurona sin todo el cerebro o todo el cerebro sin comprender las propiedades individuales de las neuronas. Juntos, allanan el camino para una comprensión más completa y sinérgica de la salud, la patología, la cognición, la psicología y la conciencia humanas. El presente método tiene como objetivo facilitar la investigación multimodal de la interacción entre el cerebro y el corazón al proporcionar análisis conjuntos de electroencefalografía (EEG) y señales cardiovasculares, a saber, electrocardiografía (ECG) y fotopletismografía (PPG). Esta caja de herramientas, implementada como un complemento de EEGLAB en MATLAB, aborda las limitaciones metodológicas existentes y se ha hecho de código abierto para facilitar la accesibilidad y la reproducibilidad en el área científica. Implementa las últimas directrices y recomendaciones en su diseño y parámetros predeterminados para animar a los usuarios a seguir las mejores prácticas conocidas. La caja de herramientas propuesta debería ser un recurso valioso para los investigadores y médicos interesados en 1) estudiar los potenciales evocados por los latidos del corazón, 2) extraer características de las señales de EEG y ECG/PPG, o 3) eliminar los artefactos cardíacos de las señales de EEG.
Investigación corazón-cerebro La relación entre el corazón y el cerebro se ha estudiado históricamente a través de métodos de neuroimagen como la resonancia magnética funcional (fMRI) y la tomografía por emisión de positrones (PET). Utilizando estas herramientas, los investigadores destacaron algunas regiones del cerebro asociadas con el control cardiovascular (por ejemplo, la manipulación de la frecuencia cardíaca y la presión arterial5), mostraron la influencia de la frecuencia cardíaca en la señal BOLD6 o identificaron posibles vías cerebro-cuerpo que contribuyen a la enfermedad coronaria (es decir, la presión arterial provocada por el estrés7). Si bien estos estudios han avanzado significativamente nuestra comprensión de la compleja interacción entre el sistema nervioso central (SNC) y la función cardiovascular, estas técnicas de neuroimagen son costosas, tienen una disponibilidad limitada y se limitan a entornos de laboratorio controlados, lo que restringe su practicidad para aplicaciones en el mundo real y a gran escala.
Por el contrario, el EEG y el ECG/PPG son herramientas más asequibles y portátiles que ofrecen el potencial de estudiar las interacciones cerebro-corazón en entornos y poblaciones más diversas o durante períodos más largos, lo que brinda nuevas oportunidades. El ECG mide las señales eléctricas generadas por cada latido del corazón cuando el corazón se contrae y se relaja a través de electrodos colocados en la piel (generalmente en el pecho o los brazos)8. La PPG mide los cambios en el volumen sanguíneo en los tejidos microvasculares (es decir, el flujo sanguíneo y la frecuencia del pulso) utilizando una fuente de luz (por ejemplo, LED) y un fotodetector (comúnmente colocado en la punta del dedo, la muñeca o la frente), dependiendo de cómo la sangre absorbe más luz que el tejido circundante9. Ambos métodos proporcionan información valiosa sobre la función cardiovascular, pero sirven para diferentes propósitos y ofrecen distintos tipos de datos. Al igual que el ECG, el EEG registra los campos eléctricos generados por la actividad sincronizada de miles de neuronas corticales que se propagan a través de la matriz extracelular, los tejidos, el cráneo y el cuero cabelludo hasta llegar a los electrodos colocados enla superficie del cuero cabelludo. Como tal, el uso de EEG y ECG/PPG es muy prometedor para avanzar en nuestra comprensión de los procesos fisiológicos, cognitivos y emocionales que subyacen a las interacciones cerebro-corazón y sus implicaciones para la salud y el bienestar humanos. Por lo tanto, la captura de la interacción corazón-cerebro de las señales de EEG, ECG/PPG con la caja de herramientas BrainBeats puede ser particularmente útil para las siguientes áreas científicas: diagnóstico y pronóstico clínico, aprendizaje automático (ML) de big data, autocontrol del mundo real11 e imágenes móviles de cerebro/cuerpo (MoBI)12,13.
Dos enfoques para analizar conjuntamente las señales de EEG y ECG Existen dos enfoques principales para estudiar las interacciones entre el EEG y las señales cardiovasculares:
Los potenciales evocados por latidos cardíacos (HEP) en el dominio del tiempo: potenciales relacionados con eventos (ERP), y las oscilaciones evocadas por latidos cardíacos (HEO) en el dominio tiempo-frecuencia: perturbaciones espectrales relacionadas con eventos (ERSP) y coherencia entre ensayos (ITC). Este enfoque examina cómo el cerebro procesa cada latido del corazón. Con una precisión de milisegundos (ms), este método requiere que ambas series temporales estén perfectamente sincronizadas y que los latidos del corazón se marquen en las señales de EEG. Este enfoque ha ganado interés en los últimos años 14,15,16,17,18,19.
Enfoque basado en características: este enfoque extrae las características del EEG y la variabilidad de la frecuencia cardíaca (VFC) de las señales continuas y examina las asociaciones entre ellas. Esto se ha hecho de forma independiente para el EEG (a menudo denominado EEG cuantitativo o qEEG20), ECG 21,22,23 y PPG 24,25,26. Este enfoque presenta aplicaciones prometedoras al capturar variables relacionadas con el estado y los rasgos. Obsérvese que, tanto para el EEG como para las señales cardiovasculares, cuanto más largo es el registro, más dominante es la variable rasgo 27,28,29. Por lo tanto, las aplicaciones dependen de los parámetros de grabación. Los análisis basados en características están ganando cada vez más interés, proporcionando nuevas métricas cuantitativas para pronosticar el desarrollo de trastornos mentales y neurológicos, tratamiento-respuesta o recaída 30,31,32,33,34,35. Este enfoque es especialmente convincente con grandes conjuntos de datos del mundo real (por ejemplo, clínica, monitoreo remoto), que se pueden obtener más fácilmente gracias a las recientes innovaciones en neurotecnología portátil11. Una aplicación menos explorada es la identificación de asociaciones entre características específicas del cerebro y el corazón, lo que pone de relieve las posibles dinámicas subyacentes del sistema nervioso central. La variabilidad de la frecuencia cardíaca (VFC) se puede calcular a partir de señales de ECG y PPG. Proporciona información sobre el sistema nervioso autónomo (SNA) midiendo las variaciones en los intervalos de tiempo entre los latidos del corazón (es decir, los intervalos entre normales y normales)27. El aumento de la actividad simpática (SNS) (p. ej., durante el estrés o el ejercicio) generalmente reduce la VFC, mientras que la actividad parasimpática (SNP) (p. ej., durante la relajación) la aumenta. Una frecuencia respiratoria más lenta generalmente aumenta la VFC debido a una mayor actividad del SNP, especialmente para registros cortos (<10 min)27. Las puntuaciones más altas de VFC generalmente sugieren un SNA más resistente y adaptable, mientras que una VFC más baja puede indicar estrés, fatiga o problemas de salud subyacentes. Los registros largos de VFC (es decir, al menos 24 h) proporcionan un pronóstico predictivo para diversas condiciones de salud, incluidas las enfermedades cardiovasculares, el estrés, la ansiedad y algunas afecciones neurológicas27. Medidas como la presión arterial, la frecuencia cardíaca o los niveles de colesterol proporcionan información sobre el estado del sistema cardiovascular. Por el contrario, la VFC añade un aspecto dinámico, mostrando cómo el corazón responde y se recupera del estrés.
Ventajas de BrainBeats sobre los métodos existentes Si bien existen herramientas, como se revisa a continuación, para procesar las señales cardiovasculares y EEG de forma independiente entre sí, no se pueden analizar conjuntamente. Además, la mayoría de los medios disponibles para procesar señales cardiovasculares implican licencias costosas, no permiten el procesamiento automatizado (especialmente beneficioso para grandes conjuntos de datos), tienen algoritmos propietarios que impiden la transparencia y la reproducibilidad, o requieren habilidades de programación avanzadas al no proporcionar una interfaz gráfica de usuario (GUI)36. Hasta donde sabemos, cuatro toolboxes de MATLAB de código abierto soportan el análisis HEP/HEO con una GUI: la caja de herramientas del kit de ecg37, la pipeline BeMoBIL38, el plugin HEPLAB EEGLAB39 y la caja de herramientas CARE-rCortex40. Si bien HEPLAB, BeMoBIL y el kit de ECG facilitan el análisis de HEP al detectar los latidos del corazón y marcarlos en las señales de EEG, no proporcionan análisis estadístico o se limitan al dominio del tiempo (es decir, HEP). El complemento CARE-rCortex abordó estos problemas al admitir señales respiratorias y de ECG, análisis en el dominio del tiempo-frecuencia, estadísticas y métodos avanzados de normalización y corrección de línea de base adaptados al análisis HEP/HEO. Sin embargo, utiliza el método de Bonferroni para la corrección estadística del error de tipo 1 (es decir, falsos positivos), que es demasiado conservador y no fisiológicamente sólido para las aplicaciones de EEG, lo que conduce a un aumento de los errores de tipo II (es decir, falsos negativos)41. Además, la toolbox no ofrece acceso a la línea de comandos para la automatización. Por último, estudios recientes desaconsejan los métodos de corrección basal 42,43,44, ya que reducen la relación señal-ruido (SNR) y son estadísticamente innecesarios e indeseables.
Para abordar estas limitaciones, presentamos la caja de herramientas BrainBeats, actualmente implementada como un complemento de EEGLAB de código abierto en el entorno de MATLAB. Incorpora las siguientes ventajas respecto a los métodos anteriores:
1) Una interfaz gráfica de usuario fácil de usar y capacidades de línea de comandos (para programadores que buscan realizar un procesamiento automatizado). 2) Algoritmos, parámetros y directrices validados para el procesamiento de señales cardiovasculares, como la detección de picos R, la interpolación de artefactos RR y el cálculo de métricas de VFC (p. ej., implantación de directrices para ventanas, remuestreo, normalización, etc.27,45,46). Esto es importante porque Vest et al. demostraron cómo diferencias modestas en estos pasos de procesamiento pueden conducir a resultados divergentes, lo que contribuye a la falta de reproducibilidad y aplicabilidad clínica de las métricas de VFC46. 3) Algoritmos validados, parámetros predeterminados y pautas para el procesamiento de señales de EEG, incluido el filtrado y la creación de ventanas44,47, la rereferenciación48,49, la eliminación de canales y artefactos anormales50,51,52, la descomposición ICA optimizada y la clasificación de componentes independientes53,54,55,56. Los usuarios pueden ajustar todos los parámetros de preprocesamiento o incluso preprocesar sus datos de EEG con su método preferido antes de utilizar la caja de herramientas para satisfacer sus necesidades (por ejemplo, con el complemento clean_rawdata EEGLAB50,52, la tubería BeMoBIL38, la tubería PREP57, etc.). 4) Los potenciales evocados por los latidos del corazón (HEP, es decir, el dominio del tiempo) y las oscilaciones (HEO; perturbaciones espectrales relacionadas con eventos con métodos wavelet o FFT, y coherencia entre ensayos están disponibles a través del software estándar EEGLAB) a partir de señales de ECG. Las estadísticas paramétricas y no paramétricas con correcciones para errores de tipo 1 están disponibles a través del software estándar de EEGLAB. Los estadísticos no paramétricos incluyen estadísticos de permutación y correcciones espacio-temporales para comparaciones múltiples (p. ej., agrupamiento espacio-temporal o mejora de conglomerados sin umbral)58,59. Los usuarios pueden utilizar el complemento LIMO-EEG para implementar un modelado lineal jerárquico, que tiene en cuenta bien la varianza dentro y entre sujetos e implementa un enfoque univariado de masa libre de suposiciones con un control robusto de los errores de tipo I y II60,61. Los análisis estadísticos de datos HEP/HEO se pueden realizar en los dominios de canal y componentes independientes. 5) Análisis HEP/HEO y HRV a partir de señales PPG (por primera vez para HEP/HEO). 6) Admite la extracción conjunta de las características de EEG y HRV por primera vez. 7) La caja de herramientas proporciona varias visualizaciones de datos para inspeccionar señales en varios pasos de procesamiento necesarios y salidas a nivel de sujeto.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody><tr><td>Método</td>
			<td>Detección de picos R a partir de ECG</td>
			<td>Detección de ondas R de PPG</td>
			<td>HEP/HEO</td>
			<td>Características de EEG y HRV</td>
			<td>Eliminar los artefactos cardíacos del EEG</td>
			<td>Interfaz gráfica de usuario</td>
			<td>Línea de comandos</td>
		</tr><tr><td>kit de electrocardiograma</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>CUIDADO-rCortex</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td>X</td>
			<td>X</td>
		</tr><tr><td>Latidos cerebrales</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>TABLA 1: Novedades aportadas por BrainBeats en relación con métodos similares preexistentes.
Información para ayudar a los lectores a decidir si el método es apropiado para ellos Esta caja de herramientas es apropiada para cualquier investigador o clínico con datos de EEG y ECG/PPG. El plugin aún no admite la importación de señales de EEG y ECG/PPG desde archivos separados (aunque esta función estará disponible pronto). La caja de herramientas es apropiada para cualquier persona que desee realizar análisis HEP/HEO, extraer características de EEG y/o HRV con métodos estandarizados, o simplemente eliminar artefactos cardíacos de las señales de EEG. Consulte la Figura 1 para ver un diagrama de bloques que resume el flujo general y los métodos de BrainBeats.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65829/65829fig01.jpg"> FIGURA 1. Diagrama de bloques que resume la arquitectura y el flujo general de BrainBeats. Las operaciones que son comunes a los tres métodos son marrones. Las operaciones específicas de los potenciales evocados por latidos cardíacos (HEP) y las oscilaciones (HEO) son verdes. Las operaciones específicas de la extracción de las características del EEG y la VFC son azules. Las operaciones específicas para eliminar artefactos cardíacos de las señales de EEG son rojas. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig01large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</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

La interacción entre el cerebro y los sistemas cardiovasculares está atrayendo cada vez más atención por su potencial para avanzar en nuestra comprensión de la fisiología humana y mejorar los resultados de salud. Sin embargo, el análisis multimodal de estas señales es un desafío debido a la falta de pautas, herramientas estadísticas y de procesamiento de señales estandarizadas, interfaces gráficas de usuario (GUI) y automatización para procesar grandes conjuntos de datos o aumentar la reproducibilidad. Existe un vacío adicional en los métodos estandarizados de extracción de características de EEG y variabilidad de la frecuencia cardíaca (HRV), lo que socava el diagnóstico clínico o la solidez de los modelos de aprendizaje automático (ML). En respuesta a estas limitaciones, presentamos la caja de herramientas BrainBeats. Implementado como un complemento de EEGLAB de código abierto, BrainBeats integra tres protocolos principales: 1) Potenciales evocados por latidos cardíacos (HEP) y oscilaciones (HEO) para evaluar la interacción cerebro-corazón bloqueada en el tiempo con una precisión de milisegundos; 2) Extracción de características de EEG y HRV para examinar asociaciones/diferencias entre varias métricas cerebrales y cardíacas o para construir modelos sólidos de ML basados en características; 3) Extracción automatizada de artefactos cardíacos a partir de señales de EEG para eliminar cualquier posible contaminación cardiovascular mientras se realiza el análisis de EEG. Proporcionamos un tutorial paso a paso para aplicar estos tres métodos a un conjunto de datos de código abierto que contiene señales simultáneas de EEG, ECG y PPG de 64 canales. Los usuarios pueden ajustar fácilmente los parámetros para adaptarlos a sus necesidades de investigación únicas utilizando la interfaz gráfica de usuario (GUI) o la línea de comandos. BrainBeats debería hacer que la investigación sobre la interacción entre el cerebro y el corazón sea más accesible y reproducible.

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 destacado: Avanzando en el estudio de la interacción cerebro-corazón con un complemento completo de EEGLAB para el análisis de señales multimodales

BrainBeats como plugin de EEGLAB de código abierto para analizar conjuntamente señales EEG y cardiovasculares

The scope of the BrainBeats toolbox is to provide an open source and automated tool for conducting research on brain-heart interplay. It allows researchers to perform multimodal analysis of EEG and cardiovascular signals through standardized signal processing, feature extraction, graphical user interface, and data visualization. As a result of the historical reductionist approach in science, the brain and the heart systems have been separated and isolated, leading to a limited understanding of their interaction and mutual influence.The BrainBeats toolbox aims to bridge this gap. Understanding the interplay between the brain and the heart allows researchers to gain deeper insights into how cognitive and emotional states influence cardiovascular function and vice versa. In turn, these insights can lead to new therapeutic interventions and treatments.

En primer lugar, se utilizó el plugin BrainBeats para preprocesar los datos de EEG y ECG, identificar y eliminar artefactos, y analizar los potenciales evocados por los latidos del corazón (HEP) y las oscilaciones (HEO). BrainBeats detectó con éxito los intervalos RR de la señal de ECG y algunos artefactos RR (Figura 2). BrainBeats también informó en la ventana de comandos que 11/305 (3,61%) de los latidos del corazón se marcaron como artefactos e interpolaron. El índice medio de ca...

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

La caja de herramientas BrainBeats es un complemento de EEGLAB de código abierto diseñado para analizar conjuntamente señales de EEG y cardiovasculares (ECG/PPG). Incluye la evaluación de potenciales evocados por latidos cardíacos (HEP), análisis basado en características y extracción de artefactos cardíacos a partir de señales de EEG. El protocolo ayudará a estudiar la interacción cerebro-corazón a través de dos lentes (HEP y características), mejorando la reproducibilidad y la accesibilidad.

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

El objetivo de la caja de herramientas BrainBeats es proporcionar una herramienta automatizada y de código abierto para realizar investigaciones sobre la interacción cerebro-corazón. Permite a los investigadores realizar análisis multimodales de señales EEG y cardiovasculares a través del procesamiento de señales estandarizadas, la extracción de características, la interfaz gráfica de usuario y la visualización de datos. Como resultado del enfoque reduccionista histórico de la ciencia, los sistemas cerebral y cardíaco han sido separados y aislados, lo que ha llevado a una comprensión limitada de su interacción e influencia mutua.La caja de herramientas BrainBeats tiene como objetivo cerrar esta brecha. Comprender la interacción entre el cerebro y el corazón permite a los investigadores obtener una visión más profunda de cómo los estados cognitivos y emocionales influyen en la función cardiovascular y viceversa. A su vez, estos conocimientos pueden conducir a nuevas intervenciones terapéuticas y tratamientos.

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

1.1K vistas.  Toulouse III University. El objetivo de la caja de herramientas BrainBeats es proporcionar una herramienta automatizada y de código abierto para realizar investigaciones sobre la interacción cerebro-corazón. Permite a los investigadores realizar análisis multimodales de señales EEG y cardiovasculares a través del procesamiento de señales estandarizadas, la extracción de características, la interfaz gráfica de usuario y la visualización de datos. Como resultado del enfoque reduccionista histórico de la cie...

Video: Autor destacado: Avanzando en el estudio de la interacción cerebro-corazón con un complemento completo de EEGLAB para el análisis de señales multimodales