L'Istituto di Scienze Noetiche ha sostenuto questa ricerca. Ringraziamo gli sviluppatori degli algoritmi open source originali che sono stati adattati per sviluppare alcuni degli algoritmi di BrainBeats.

Presentazione dell'interazione cervello-cuore con i segnali EEG e cardio

Gli autori non hanno nulla da rivelare.

Passaggi critici nel protocollo I passaggi critici sono descritti nei passaggi 1.1-1.4. Avvisi e messaggi di errore sono implementati in vari punti della cassetta degli attrezzi per aiutare gli utenti a capire perché potrebbero riscontrare problemi (ad esempio, posizioni degli elettrodi non caricate nei dati EEG, lunghezza del file troppo corta per calcolare una misura affidabile di HRV a frequenza ultrabassa, qualità del segnale troppo bassa per qualsiasi analisi affidabile, ecc.). Ogni funzione è...

Per molto tempo, l'approccio riduzionista ha dominato l'indagine scientifica in fisiologia e cognizione umana. Questo approccio ha comportato la sezionazione di processi corporei e mentali complessi in componenti più piccoli e più gestibili, consentendo ai ricercatori di concentrarsi sui singoli sistemi in isolamento. Questa strategia è nata a causa delle sfide nello studio della natura intricata e interconnessa del corpo e della mente umana1. Il riduzionismo è stato determinante per comprendere i singoli sottosistemi in isolamento, come chiarire il ruolo dei canali ionici e dei potenziali d'azione per la comunicazione neurale2 o cardiaca3 . Tuttavia, rimane una lacuna significativa nella nostra comprensione di come questi sistemi isolati interagiscono su una scala spaziale e temporale più ampia. Il quadro multimodale (integrativo o ecologico) considera il corpo umano un sistema multidimensionale complesso, dove la mente è vista non come un prodotto del cervello ma come un'attività dell'essere vivente, un'attività che integra il cervello all'interno delle funzioni quotidiane del corpo umano4. Gli approcci multimodali e riduzionisti non sono esclusivi, proprio come non possiamo studiare un neurone senza l'intero cervello o l'intero cervello senza comprendere le proprietà dei singoli neuroni. Insieme, aprono la strada a una comprensione più completa e sinergica della salute umana, della patologia, della cognizione, della psicologia e della coscienza. Il presente metodo mira a facilitare l'indagine multimodale dell'interazione tra il cervello e il cuore fornendo un'analisi congiunta dell'elettroencefalografia (EEG) e dei segnali cardiovascolari, in particolare l'elettrocardiografia (ECG) e la fotopletismografia (PPG). Questo toolbox, implementato come plugin EEGLAB in MATLAB, affronta i limiti metodologici esistenti ed è reso open source per facilitare l'accessibilità e la riproducibilità nell'area scientifica. Implementa le linee guida e le raccomandazioni più recenti nella sua progettazione e nei parametri predefiniti per incoraggiare gli utenti a seguire le migliori pratiche note. Il toolbox proposto dovrebbe essere una risorsa preziosa per i ricercatori e i medici interessati a 1) studiare i potenziali evocati dal battito cardiaco, 2) estrarre caratteristiche dai segnali EEG ed ECG/PPG, o 3) rimuovere gli artefatti cardiaci dai segnali EEG.
Ricerca cuore-cervello La relazione tra il cuore e il cervello è stata storicamente studiata attraverso metodi di neuroimaging come la risonanza magnetica funzionale (fMRI) e la tomografia a emissione di positroni (PET). Utilizzando questi strumenti, i ricercatori hanno evidenziato alcune regioni cerebrali associate al controllo cardiovascolare (ad esempio, la manipolazione della frequenza cardiaca e della pressione sanguigna5), hanno mostrato l'influenza della frequenza cardiaca sul segnale BOLD6 o hanno identificato potenziali percorsi cervello-corpo che contribuiscono alla malattia coronarica (ad esempio, la pressione sanguigna evocata dallo stress7). Sebbene questi studi abbiano fatto progredire in modo significativo la nostra comprensione della complessa interazione tra il sistema nervoso centrale (SNC) e la funzione cardiovascolare, queste tecniche di neuroimaging sono costose, hanno una disponibilità limitata e sono confinate in ambienti di laboratorio controllati, il che limita la loro praticità per applicazioni nel mondo reale e su larga scala.
Al contrario, l'EEG e l'ECG/PPG sono strumenti più convenienti e portatili che offrono il potenziale per studiare le interazioni cervello-cuore in contesti e popolazioni più diversificati o per periodi più lunghi, fornendo nuove opportunità. L'ECG misura i segnali elettrici generati da ogni battito cardiaco quando il cuore si contrae e si rilassa tramite elettrodi posizionati sulla pelle (di solito sul torace o sulle braccia)8. Il PPG misura le variazioni del volume del sangue nei tessuti microvascolari (ad esempio, il flusso sanguigno e la frequenza cardiaca) utilizzando una sorgente luminosa (ad esempio, LED) e un fotorilevatore (comunemente posizionato sulla punta del dito, sul polso o sulla fronte), basandosi su come il sangue assorbe più luce rispetto al tessuto circostante9. Entrambi i metodi forniscono informazioni preziose sulla funzione cardiovascolare, ma servono a scopi diversi e offrono tipi di dati distinti. Come l'ECG, l'EEG registra i campi elettrici generati dall'attività sincronizzata di migliaia di neuroni corticali che si propagano attraverso la matrice extracellulare, i tessuti, il cranio e il cuoio capelluto fino a raggiungere gli elettrodi posti sulla superficie del cuoio capelluto10. Pertanto, l'uso dell'EEG e dell'ECG/PPG è molto promettente per far progredire la nostra comprensione dei processi fisiologici, cognitivi ed emotivi alla base delle interazioni cervello-cuore e delle loro implicazioni per la salute e il benessere umano. Pertanto, l'acquisizione dell'interazione cuore-cervello da segnali EEG, ECG/PPG con il toolbox BrainBeats può essere particolarmente utile per le seguenti aree scientifiche: diagnostica clinica e previsione, apprendimento automatico dei big data (ML), automonitoraggio del mondo reale11 e imaging mobile cervello/corpo (MoBI)12,13.
Due approcci per l'analisi congiunta dei segnali EEG ed ECG Esistono due approcci principali per studiare le interazioni tra EEG e segnali cardiovascolari:
I potenziali evocati dal battito cardiaco (HEP) nel dominio del tempo: potenziali correlati agli eventi (ERP) e le oscillazioni evocate dal battito cardiaco (HEO) nel dominio della frequenza temporale: perturbazioni spettrali correlate agli eventi (ERSP) e coerenza inter-trial (ITC). Questo approccio esamina il modo in cui il cervello elabora ogni battito cardiaco. Con una precisione di millisecondi (ms), questo metodo richiede che entrambe le serie temporali siano perfettamente sincronizzate e che i battiti cardiaci siano marcati nei segnali EEG. Questo approccio ha guadagnato interesse negli ultimi anni 14,15,16,17,18,19.
Approccio basato sulle funzionalità: questo approccio estrae le caratteristiche dell'EEG e della variabilità della frequenza cardiaca (HRV) dai segnali continui ed esamina le associazioni tra di loro. Questo è stato fatto in modo indipendente per l'EEG (spesso chiamato EEG quantitativo o qEEG20), ECG 21,22,23 e PPG 24,25,26. Questo approccio presenta applicazioni promettenti catturando variabili relative allo stato e ai tratti. Si noti che, sia per i segnali EEG che cardiovascolari, più lunga è la registrazione, più dominante è la variabile di tratto 27,28,29. Pertanto, le applicazioni dipendono dai parametri di registrazione. Le analisi basate sulle caratteristiche stanno guadagnando un crescente interesse, fornendo nuove metriche quantitative per prevedere lo sviluppo di disturbi mentali e neurologici, la risposta al trattamento o la ricaduta 30,31,32,33,34,35. Questo approccio è particolarmente interessante con set di dati di grandi dimensioni e del mondo reale (ad esempio, clinica, monitoraggio remoto), che possono essere ottenuti più facilmente grazie alle recenti innovazioni nella neurotecnologia indossabile11. Un'applicazione meno esplorata è l'identificazione di associazioni tra specifiche caratteristiche del cervello e del cuore, evidenziando le potenziali dinamiche sottostanti del sistema nervoso centrale. La variabilità della frequenza cardiaca (HRV) può essere calcolata sia dai segnali ECG che PPG. Fornisce informazioni sul sistema nervoso autonomo (ANS) misurando le variazioni degli intervalli di tempo tra i battiti cardiaci (cioè gli intervalli da normale a normale)27. L'aumento dell'attività simpatica (SNS) (ad esempio, durante lo stress o l'esercizio fisico) in genere riduce l'HRV, mentre l'attività parasimpatica (PNS) (ad esempio, durante il rilassamento) la aumenta. Una frequenza respiratoria più lenta generalmente aumenta l'HRV a causa di una maggiore attività del PNS, soprattutto per registrazioni brevi (<10 min)27. Punteggi HRV più alti generalmente suggeriscono un ANS più resiliente e adattabile, mentre un HRV più basso può indicare stress, affaticamento o problemi di salute sottostanti. Registrazioni HRV lunghe (cioè almeno 24 ore) forniscono una prognosi predittiva per varie condizioni di salute, tra cui malattie cardiovascolari, stress, ansia e alcune condizioni neurologiche27. Misure come la pressione sanguigna, la frequenza cardiaca o i livelli di colesterolo forniscono informazioni sullo stato del sistema cardiovascolare. Al contrario, l'HRV aggiunge un aspetto dinamico, mostrando come il cuore risponde e si riprende dallo stress.
I vantaggi di BrainBeats rispetto ai metodi esistenti Sebbene esistano strumenti, come esaminato di seguito, per elaborare i segnali cardiovascolari ed EEG indipendentemente l'uno dall'altro, non possono essere analizzati congiuntamente. Inoltre, la maggior parte dei mezzi disponibili per elaborare i segnali cardiovascolari comporta licenze costose, non consente l'elaborazione automatizzata (particolarmente vantaggiosa per set di dati di grandi dimensioni), dispone di algoritmi proprietari che impediscono la trasparenza e la riproducibilità o richiede competenze di programmazione avanzate non fornendo un'interfaccia utente grafica (GUI)36. Per quanto ne sappiamo, quattro toolbox MATLAB open source supportano l'analisi HEP/HEO con un'interfaccia grafica: il toolbox37 del kit ecg, il pipeline38 di BeMoBIL, il plugin EEGLAB39 di HEPLAB e il toolbox40 di CARE-rCortex. Sebbene HEPLAB, BeMoBIL ed ecg-kit facilitino l'analisi HEP rilevando i battiti cardiaci e marcandoli nei segnali EEG, non forniscono analisi statistiche o sono limitati al dominio del tempo (cioè HEP). Il plug-in CARE-rCortex ha affrontato questi problemi supportando l'ECG e i segnali respiratori, l'analisi nel dominio del tempo-frequenza, le statistiche e i metodi avanzati di normalizzazione e correzione della linea di base adattati all'analisi HEP/HEO. Tuttavia, utilizza il metodo Bonferroni per la correzione statistica dell'errore di tipo 1 (cioè i falsi positivi), che è troppo conservativo e non fisiologicamente valido per le applicazioni EEG, portando ad un aumento degli errori di tipo II (cioè i falsi negativi)41. Inoltre, il toolbox non offre l'accesso alla riga di comando per l'automazione. Infine, studi recenti sconsigliano i metodi di correzione della linea di base 42,43,44, in quanto riducono il rapporto segnale/rumore (SNR) e sono statisticamente inutili e indesiderabili.
Per risolvere queste limitazioni, introduciamo il toolbox BrainBeats, attualmente implementato come plug-in EEGLAB open source nell'ambiente MATLAB. Incorpora i seguenti vantaggi rispetto ai metodi precedenti:
1) Una GUI facile da usare e funzionalità a riga di comando (per i programmatori che mirano a eseguire l'elaborazione automatizzata). 2) Algoritmi, parametri e linee guida convalidati per l'elaborazione dei segnali cardiovascolari, come il rilevamento dei picchi R, l'interpolazione degli artefatti RR e il calcolo delle metriche HRV (ad esempio, l'impianto di linee guida per windowing, ricampionamento, normalizzazione, ecc.27,45,46). Questo è importante perché Vest et al. hanno dimostrato come modeste differenze in queste fasi di elaborazione possano portare a risultati divergenti, contribuendo alla mancanza di riproducibilità e applicabilità clinica delle metriche HRV46. 3) Algoritmi convalidati, parametri predefiniti e linee guida per l'elaborazione dei segnali EEG, inclusi filtraggio e windowing44,47, rireferenziazione48,49, rimozione di canali anomali e artefatti 50,51,52, decomposizione ICA ottimizzata e classificazione di componenti indipendenti 53,54,55,56. Gli utenti possono mettere a punto tutti i parametri di pre-elaborazione o persino pre-elaborare i propri dati EEG con il metodo preferito prima di utilizzare il toolbox per soddisfare le proprie esigenze (ad esempio, con il plug-in EEGLAB clean_rawdata50,52, la pipeline BeMoBIL38, la pipeline PREP57, ecc.). 4) Potenziali evocati dal battito cardiaco (HEP, cioè nel dominio del tempo) e oscillazioni (HEO; perturbazioni spettrali correlate agli eventi con metodi wavelet o FFT e coerenza inter-trial sono disponibili attraverso il software standard EEGLAB) dai segnali ECG. Le statistiche parametriche e non parametriche con correzioni per errori di tipo 1 sono disponibili tramite il software standard di EEGLAB. Le statistiche non parametriche includono statistiche di permutazione e correzioni spazio-temporali per confronti multipli (ad esempio, clustering spazio-temporale o miglioramento del cluster senza soglia)58,59. Gli utenti possono utilizzare il plug-in LIMO-EEG per implementare la modellazione lineare gerarchica, che tiene conto della varianza all'interno e tra i soggetti e implementa un approccio univariato di massa privo di ipotesi con un controllo robusto per gli errori di tipo I e II60,61. Le analisi statistiche dei dati HEP/HEO possono essere eseguite nei domini del canale e dei componenti indipendenti. 5) Analisi HEP/HEO e HRV da segnali PPG (per la prima volta per HEP/HEO). 6) Supporta per la prima volta l'estrazione congiunta delle caratteristiche EEG e HRV. 7) Il toolbox fornisce varie visualizzazioni di dati per ispezionare i segnali nelle varie fasi di elaborazione necessarie e gli output a livello di soggetto.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody><tr><td>Metodo</td>
			<td>Rileva i picchi R dall'ECG</td>
			<td>Rileva le onde R da PPG</td>
			<td>HEP/HEO</td>
			<td>Funzioni EEG e HRV</td>
			<td>Rimuovere gli artefatti cardiaci dall'EEG</td>
			<td>Interfaccia grafica</td>
			<td>Riga di comando</td>
		</tr><tr><td>kit ECG</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>TABELLA 1: Novità apportate da BrainBeats rispetto a metodi preesistenti e simili.
Informazioni per aiutare i lettori a decidere se il metodo è appropriato per loro Questo toolbox è adatto a qualsiasi ricercatore o clinico con dati EEG ed ECG/PPG. Il plug-in non supporta ancora l'importazione di segnali EEG ed ECG/PPG da file separati (anche se questa funzione sarà presto disponibile). Il toolbox è adatto a chiunque intenda eseguire analisi HEP/HEO, estrarre le caratteristiche EEG e/o HRV con metodi standardizzati o semplicemente rimuovere gli artefatti cardiaci dai segnali EEG. Vedere la Figura 1 per un diagramma a blocchi che riassume il flusso e i metodi complessivi di BrainBeats.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65829/65829fig01.jpg"> FIGURA 1. Diagramma a blocchi che riassume l'architettura e il flusso complessivi di BrainBeats. Le operazioni comuni ai tre metodi sono marroni. Le operazioni specifiche per i potenziali evocati dal battito cardiaco (HEP) e le oscillazioni (HEO) sono in verde. Le operazioni specifiche per l'estrazione delle caratteristiche EEG e HRV sono blu. Le operazioni specifiche per la rimozione degli artefatti cardiaci dai segnali EEG sono in rosso. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig01large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa 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

L'interazione tra il cervello e il sistema cardiovascolare sta attirando una maggiore attenzione per il suo potenziale di far progredire la nostra comprensione della fisiologia umana e migliorare i risultati di salute. Tuttavia, l'analisi multimodale di questi segnali è impegnativa a causa della mancanza di linee guida, elaborazione dei segnali standardizzata e strumenti statistici, interfacce utente grafiche (GUI) e automazione per l'elaborazione di grandi set di dati o l'aumento della riproducibilità. Esiste un ulteriore vuoto nei metodi standardizzati di estrazione delle caratteristiche EEG e variabilità della frequenza cardiaca (HRV), che minano la diagnostica clinica o la robustezza dei modelli di apprendimento automatico (ML). In risposta a queste limitazioni, introduciamo la cassetta degli attrezzi BrainBeats. Implementato come plug-in EEGLAB open-source, BrainBeats integra tre protocolli principali: 1) potenziali evocati dal battito cardiaco (HEP) e oscillazioni (HEO) per valutare l'interazione cervello-cuore bloccata nel tempo con una precisione del millisecondo; 2) estrazione di caratteristiche EEG e HRV per esaminare associazioni/differenze tra varie metriche cerebrali e cardiache o per costruire robusti modelli di ML basati su funzionalità; 3) Estrazione automatizzata di artefatti cardiaci dai segnali EEG per rimuovere qualsiasi potenziale contaminazione cardiovascolare durante l'esecuzione dell'analisi EEG. Forniamo un tutorial passo passo per applicare questi tre metodi a un set di dati open source contenente segnali EEG, ECG e PPG simultanei a 64 canali. Gli utenti possono facilmente mettere a punto i parametri per personalizzare le loro esigenze di ricerca uniche utilizzando l'interfaccia utente grafica (GUI) o la riga di comando. BrainBeats dovrebbe rendere la ricerca sull'interazione cervello-cuore più accessibile e riproducibile.

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>

Autore in primo piano: Far progredire lo studio dell'interazione cervello-cuore con un plug-in EEGLAB completo per l'analisi del segnale multimodale

BrainBeats come plug-in EEGLAB open source per analizzare congiuntamente i segnali EEG e cardiovascolari

In primo luogo, il plug-in BrainBeats è stato utilizzato per preelaborare i dati EEG ed ECG, identificare e rimuovere gli artefatti e analizzare i potenziali evocati dal battito cardiaco (HEP) e le oscillazioni (HEO). BrainBeats ha rilevato con successo gli intervalli RR dal segnale ECG e alcuni artefatti RR (Figura 2). BrainBeats ha anche segnalato nella finestra di comando che 11/305 (3,61%) dei battiti cardiaci sono stati contrassegnati come artefatti e interpolati. L'indice medio di qua...

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

Il toolbox BrainBeats è un plug-in EEGLAB open source progettato per analizzare congiuntamente i segnali EEG e cardiovascolari (ECG/PPG). Include la valutazione dei potenziali evocati dal battito cardiaco (HEP), l'analisi basata sulle caratteristiche e l'estrazione di artefatti cardiaci dai segnali EEG. Il protocollo aiuterà a studiare l'interazione cervello-cuore attraverso due lenti (HEP e caratteristiche), migliorando la riproducibilità e l'accessibilità.

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

Lo scopo del toolbox BrainBeats è quello di fornire uno strumento open source e automatizzato per condurre ricerche sull'interazione cervello-cuore. Consente ai ricercatori di eseguire analisi multimodali di segnali EEG e cardiovascolari attraverso l'elaborazione standardizzata del segnale, l'estrazione di funzionalità, l'interfaccia utente grafica e la visualizzazione dei dati. Come risultato dell'approccio riduzionista storico nella scienza, il cervello e i sistemi cardiaci sono stati separati e isolati, portando a una comprensione limitata della loro interazione e influenza reciproca.Il toolbox BrainBeats mira a colmare questo divario. Comprendere l'interazione tra il cervello e il cuore consente ai ricercatori di ottenere informazioni più approfondite su come gli stati cognitivi ed emotivi influenzano la funzione cardiovascolare e viceversa. A loro volta, queste intuizioni possono portare a nuovi interventi terapeutici e trattamenti.

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 Views.  Toulouse III University. Lo scopo del toolbox BrainBeats è quello di fornire uno strumento open source e automatizzato per condurre ricerche sull'interazione cervello-cuore. Consente ai ricercatori di eseguire analisi multimodali di segnali EEG e cardiovascolari attraverso l'elaborazione standardizzata del segnale, l'estrazione di funzionalità, l'interfaccia utente grafica e la visualizzazione dei dati. Come risultato dell'approccio riduzionista storico nella scienza, il cervello e i sistemi cardiaci sono stati sep...

Video: Autore in primo piano: Far progredire lo studio dell'interazione cervello-cuore con un plug-in EEGLAB completo per l'analisi del segnale multimodale

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.