この研究を支援したのが、ノエティック科学研究所です。BrainBeatsの一部のアルゴリズムを開発するために適応されたオリジナルのオープンソースアルゴリズムの開発者に感謝します。

脳波と心電信号による脳と心臓の相互作用の解明

著者は何も開示していません。

プロトコルの重要なステップ 重要な手順については、手順 1.1 から 1.4 で説明します。警告とエラーメッセージは、ツールボックスのさまざまな場所に実装されており、ユーザーが問題が発生する理由を理解するのに役立ちます(例:電極の位置がEEGデータにロードされていない、ファイルの長さが超低周波HRVの信頼性の高い測定値を計算するには短すぎる、信号品質が低すぎて?...

長い間、還元主義的アプローチは、人間の生理学と認知における科学的調査を支配してきました。このアプローチでは、複雑な身体および精神的なプロセスを、より小さく、より管理しやすいコンポーネントに分解することで、研究者は個々のシステムに単独で集中することができました。この戦略は、人間の身体と心の複雑で相互に関連し合った性質を研究する際の課題から生じました1。還元主義は、神経2 または心臓3 のコミュニケーションにおけるイオンチャネルと活動電位の役割を解明するなど、個々のサブシステムを単独で理解するのに役立ちました。しかし、これらの孤立したシステムがより大きな空間的および時間的スケールでどのように相互作用するかについての理解には、大きなギャップが残っています。マルチモーダル(統合的または生態学的)フレームワークは、人体を複雑な多次元システムと見なし、心は脳の産物ではなく、生物の活動、つまり脳を人体の日常的な機能に統合する活動として見なされます4。マルチモーダルアプローチと還元主義的アプローチは排他的ではなく、脳全体なしでは1つのニューロンを研究できないか、個々のニューロンの特性を理解せずに脳全体を研究できないのと同じです。彼らは一緒になって、人間の健康、病理、認知、心理学、意識について、より包括的で相乗的な理解への道を切り開きます。本手法は、脳波(EEG)と心血管信号、すなわち心電図(ECG)と光電式容積脈波(PPG)の共同解析を提供することにより、脳と心臓の相互作用のマルチモーダル調査を容易にすることを目的としています。このツールボックスは、MATLAB の EEGLAB プラグインとして実装され、既存の方法論の限界に対処し、科学分野でのアクセシビリティと再現性を促進するためにオープンソース化されています。最新のガイドラインと推奨事項を設計と既定のパラメーターに実装して、ユーザーが既知のベスト プラクティスに従うことを奨励します。提案されたツールボックスは、1)心拍誘発電位の研究、2)EEGおよびECG / PPG信号からの特徴の抽出、または3)EEG信号からの心臓アーチファクトの除去に関心のある研究者や臨床医にとって貴重なリソースになるはずです。
心脳研究 心臓と脳の関係は、機能的磁気共鳴画像法(fMRI)や陽電子放出断層撮影法(PET)などの神経画像法によって歴史的に研究されてきました。これらのツールを使用して、研究者は心血管制御に関連するいくつかの脳領域(心拍数や血圧の操作など)を強調したり、BOLD信号6に対する心拍数の影響を示したり、冠状動脈性心疾患(ストレス誘発性血圧7)に寄与する可能性のある脳-体経路を特定したりしました).これらの研究により、中枢神経系(CNS)と心血管機能との間の複雑な相互作用についての理解が大幅に進歩しましたが、これらのニューロイメージング技術は高価で、利用可能性が限られており、制御された実験室環境に限定されているため、実世界および大規模なアプリケーションへの実用性が制限されています。
対照的に、EEGとECG / PPGは、より手頃な価格でポータブルなツールであり、より多様な環境や集団、または長期間にわたって脳と心臓の相互作用を研究する可能性を提供し、新しい機会を提供します。心電図は、心臓が収縮および弛緩するときに、皮膚(通常は胸部または腕)に配置された電極を介して、各心拍によって生成される電気信号を測定します8。PPGは、光源(例えば、LED)および光検出器(通常は指先、手首、または額に配置される)を使用して、微小血管組織の血液量の変化(すなわち、血流および脈拍数)を測定するが、これは、血液が周囲の組織よりも多くの光を吸収する方法に依存している9。どちらの方法も心血管機能に関する貴重な情報を提供しますが、目的も異なり、データタイプも異なります。ECGと同様に、EEGは、細胞外マトリックス、組織、頭蓋骨、および頭皮を伝播して頭皮の表面10に着目するまで伝播する数千の皮質ニューロンの同期活動によって生成される電場を記録する。このように、EEGとECG/PPGの使用は、脳と心臓の相互作用の根底にある生理学的、認知的、感情的なプロセスと、それらが人間の健康と幸福に与える影響についての理解を深める上で大きな期待を寄せています。したがって、BrainBeatsツールボックスを使用してEEG、ECG/PPG信号から心と脳の相互作用をキャプチャすることは、臨床診断および予測、ビッグデータ機械学習(ML)、実世界の自己モニタリング11、およびモバイル脳/身体イメージング(MoBI)12,13の科学分野で特に役立つ可能性があります。
脳波信号とECG信号を共同で解析するための2つのアプローチ EEGと心血管信号の間の相互作用を研究するには、主に2つのアプローチがあります。
時間領域の心拍誘発電位(HEP):イベント関連電位(ERP)、および時間-周波数領域の心拍誘発振動(HEO):イベント関連スペクトル摂動(ERSP)と試行間コヒーレンス(ITC)。このアプローチでは、脳が各心拍をどのように処理するかを調べます。ミリ秒(ms)の精度で、この方法では、両方の時系列が完全に同期され、心拍がEEG信号にマークされる必要があります。このアプローチは、近年14,15,16,17,18,19で関心を集めています。
特徴ベースのアプローチ: このアプローチでは、連続的な信号から EEG と心拍変動 (HRV) の特徴を抽出し、それらの間の関連性を調べます。これは、EEG(定量的EEGまたはqEEG20と呼ばれることが多い)、ECG 21,22,23、およびPPG 24,25,26とは独立して行われています。このアプローチは、状態と形質に関連する変数の両方を捕捉することにより、有望なアプリケーションを提供します。EEG信号と心血管信号の両方について、記録が長いほど、形質変数27,28,29がより支配的になることに注意してください。したがって、アプリケーションは記録パラメータに依存します。特徴量ベースの分析はますます関心を集めており、精神障害および神経障害の発症、治療反応、または再発を予測するための新しい定量的指標を提供しています30,31,32,33,34,35。このアプローチは、ウェアラブルニューロテクノロジー11の最近の革新のおかげでより簡単に取得できる大規模な現実世界のデータセット(例:クリニック、リモートモニタリング)で特に魅力的です。あまり探求されていないアプリケーションは、特定の脳と心臓の特徴との間の関連を特定し、中枢神経系のダイナミクスの根底にある可能性を強調することです。心拍変動(HRV)は、ECG信号とPPG信号の両方から計算できます。これは、心拍間の時間間隔(すなわち、正常から正常への間隔)の変動を測定することにより、自律神経系(ANS)に関する情報を提供する27。交感神経(SNS)活動の増加(ストレスや運動中など)は通常、HRVを減少させ、副交感神経(PNS)活動(リラクゼーション中など)はHRVを増加させます。呼吸数が遅いと、特に短い録音(<10分)の場合、PNS活動が増加するため、一般にHRVが増加します27。HRVスコアが高いほど、一般的にANSの回復力と適応性が高いことを示唆し、HRVが低い場合は、ストレス、疲労、または根本的な健康問題を示している可能性があります。長いHRV記録(すなわち、少なくとも24時間)は、心血管疾患、ストレス、不安、およびいくつかの神経学的状態を含むさまざまな健康状態の予測予後を提供する27。血圧、心拍数、コレステロール値などの測定値は、心血管系の状態に関する情報を提供します。対照的に、HRVはダイナミックな側面を追加し、心臓がストレスにどのように反応し、ストレスから回復するかを示します。
既存の方法に対するBrainBeatsの利点 以下で検討するように、心血管信号と脳波信号を互いに独立して処理するツールは存在しますが、それらを一緒に分析することはできません。さらに、心血管信号を処理するための利用可能なほとんどの手段は、高価なライセンスを伴い、自動処理を許可せず(特に大規模なデータセットに有益)、透明性と再現性を妨げる独自のアルゴリズムを持っているか、またはグラフィカルユーザーインターフェース(GUI)を提供しないことにより高度なプログラミングスキルを必要とする36。私たちの知る限り、4つのオープンソースのMATLABツールボックス(ecg-kitツールボックス37、BeMoBILパイプライン38、HEPLAB EEGLABプラグイン39、およびCARE-rCortexツールボックス40)がGUIによるHEP/HEO解析をサポートしています。HEPLAB、BeMoBIL、およびecg-kitは、心拍を検出し、それらをEEG信号にマーキングすることでHEP分析を容易にしますが、統計分析を提供しないか、時間領域(つまりHEP)に限定されます。CARE-rCortexプラグインは、ECGおよび呼吸信号、時間-周波数領域分析、統計、およびHEP/HEO分析に適応した高度なベースライン正規化および補正方法をサポートすることにより、これらの問題に対処しました。しかし、それは、タイプ1エラー(すなわち、偽陽性)の統計的修正のためにボンフェローニ法を使用しており、これはあまりにも保守的であり、EEGアプリケーションにとっては生理学的に健全ではなく、タイプIIエラー(すなわち、偽陰性)の増加につながる41。さらに、ツールボックスは自動化のためのコマンドラインアクセスを提供していません。最後に、最近の研究では、ベースライン補正法42,43,44は、信号対雑音比(SNR)を低下させ、統計的に不必要で望ましくないため、推奨していません。
これらの制限に対処するために、現在 MATLAB 環境にオープンソースの EEGLAB プラグインとして実装されている BrainBeats ツールボックスを紹介します。これには、以前の方法に比べて次の利点があります。
1) 使いやすいGUIとコマンドライン機能(自動処理を目指すプログラマー向け)2)Rピークの検出、RRアーティファクトの補間、HRVメトリックの計算など、心血管信号を処理するための検証済みのアルゴリズム、パラメータ、およびガイドライン(例えば、ウィンドウ処理、リサンプリング、正規化などの埋め込みガイドライン27,45,46)。Vestらは、これらの処理ステップのわずかな違いが結果の違いを招き、HRVメトリクスの再現性と臨床的適用性の欠如に寄与することを示したため、これは重要です46。3)フィルタリングとウィンドウ処理44,47、再参照48,49、異常なチャネルとアーティファクトの除去50,51,52、最適化されたICA分解と独立したコンポーネントの分類53,54,55,56を含む、EEG信号を処理するための検証済みのアルゴリズム、デフォルトパラメータ、およびガイドライン.ユーザーは、自分のニーズに合わせてツールボックスを使用する前に、すべての前処理パラメータを微調整したり、好みの方法でEEGデータを前処理したりすることができます(例:EEGLAB clean_rawdataプラグイン50,52、BeMoBILパイプライン38、PREPパイプライン57など)。4)心電図信号から、心拍誘発電位(HEP、すなわち時間領域)および振動(HEO;ウェーブレットまたはFFT法によるイベント関連のスペクトル摂動、および試行間コヒーレンス)は、標準のEEGLABソフトウェアを通じて利用可能です。タイプ1エラーの補正を含むパラメトリックおよびノンパラメトリック統計は、EEGLABの標準ソフトウェアを介して利用できます。ノンパラメトリック統計には、多重比較のための順列統計と時空間補正が含まれます(例:時空間クラスタリングまたはしきい値なしクラスター強化)58,59。ユーザーは、LIMO-EEGプラグインを使用して、被験者内および被験者間の分散を適切に説明し、タイプIおよびIIエラー60,61のロバスト制御を備えた仮定のない質量単変量アプローチを実装する階層線形モデリングを実装できます。HEP/HEOデータの統計解析は、チャネルドメインと独立コンポーネントドメインで行うことができます。5) PPG信号からのHEP/HEOおよびHRV解析(HEP/HEOでは初めて)。6) 脳波とHRVの特徴の共同抽出を初めてサポートします。7) このツールボックスは、さまざまな必要な処理ステップで信号を検査し、被験者レベルでの出力を生成するためのさまざまなデータ視覚化を提供します。
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody><tr><td>方式</td>
			<td>ECGからのRピークの検出</td>
			<td>PPGからのR波の検出</td>
			<td>HEP/HEO</td>
			<td>EEG & HRV 機能</td>
			<td>脳波から心臓のアーチファクトを取り除く</td>
			<td>GUIの</td>
			<td>コマンドライン</td>
		</tr><tr><td>ECGキット</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td></td>
			<td></td>
			<td></td>
			<td>X</td>
		</tr><tr><td>ベモビル</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td></td>
			<td>X</td>
		</tr><tr><td>ヘプラブ</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>ブレインビート</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>表1:BrainBeatsが既存の類似の方法と比較してもたらした新規性。
読者がその方法が自分に適しているかどうかを判断するのに役立つ情報 このツールボックスは、脳波およびECG/PPGデータを持つ研究者や臨床医に適しています。このプラグインは、EEG信号とECG/PPG信号を別々のファイルからインポートすることにはまだ対応していません(ただし、この機能は近日中に利用可能になります)。このツールボックスは、HEP/HEO分析の実行、標準化された方法でのEEGおよび/またはHRV特徴の抽出、または単にEEG信号からの心臓アーチファクトの除去を目指す人に適しています。 図 1 は、BrainBeats の全体的なフローとメソッドをまとめたブロック図です。
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65829/65829fig01.jpg"> 図 1.BrainBeatsの全体的なアーキテクチャとフローをまとめたブロック図。3 つの方法に共通する操作は茶色です。心拍誘発電位(HEP)と振動(HEO)に固有の操作は緑色です。EEGおよびHRV特徴の抽出に固有の操作は青色です。EEG信号から心臓のアーチファクトを除去するための操作は赤です。 <a href="https://www.jove.com/files/ftp_upload/65829/65829fig01large.jpg" target="_blank">この図の拡大版を表示するには、ここをクリックしてください。</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

脳と心血管系の相互作用は、人間の生理学の理解を深め、健康状態を改善する可能性が注目されています。しかし、これらの信号のマルチモーダル解析は、ガイドライン、標準化された信号処理と統計ツール、グラフィカルユーザーインターフェース(GUI)、大規模なデータセットの処理や再現性の向上のための自動化が不足しているため、困難です。標準化されたEEGおよび心拍変動(HRV)特徴抽出法には、さらに空白が存在し、臨床診断や機械学習(ML)モデルの堅牢性を損ないます。これらの制限に対応して、BrainBeats ツールボックスを紹介します。オープンソースのEEGLEBプラグインとして実装されたBrainBeatsは、3つの主要なプロトコルを統合しています:1)ミリ秒の精度で時間ロックされた脳と心臓の相互作用を評価するための心拍誘発電位(HEP)と振動(HEO)。2)さまざまな脳と心臓の指標間の関連性/違いを調べるため、または堅牢な機能ベースのMLモデルを構築するためのEEGおよびHRV特徴抽出。3)脳波信号から心臓のアーチファクトを自動的に抽出し、脳波分析を行いながら潜在的な心血管汚染を除去します。これら3つの方法を、64チャンネルのEEG、ECG、およびPPG信号を同時に含むオープンソースのデータセットに適用するためのステップバイステップのチュートリアルを提供します。ユーザーは、グラフィカルユーザーインターフェース(GUI)またはコマンドラインを使用して、独自の研究ニーズに合わせてパラメーターを簡単に微調整できます。BrainBetsは、脳と心臓の相互作用の研究をよりアクセスしやすく、再現性のあるものにするはずです。

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>

著者スポットライト:マルチモーダル信号解析のための包括的なEEGLABプラグインによる脳と心臓の相互作用の研究の進歩

BrainBeatsは、脳波と心血管の信号を共同で分析するためのオープンソースのEEGLABプラグインです

まず、BrainBeatsプラグインを使用して、EEGおよびECGデータの前処理、アーティファクトの特定と除去、心拍誘発電位(HEP)と振動(HEO)の分析を行いました。BrainBetsは、ECG信号と一部のRRアーティファクトからRR間隔を正常に検出しました(図2)。また、BrainBeatsはコマンドウィンドウで、心拍の11/305(3.61%)がアーティファクトとしてフラグが立てられ、補間されたと報告しました?...

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

BrainBeatsツールボックスは、EEGと心血管(ECG / PPG)信号を共同で分析するために設計されたオープンソースのEEGLABプラグインです。これには、心拍誘発電位(HEP)評価、特徴ベースの分析、およびEEG信号からの心臓アーチファクト抽出が含まれます。このプロトコルは、2つのレンズ(HEPと機能)を通じて脳と心臓の相互作用を研究するのに役立ち、再現性とアクセシビリティを向上させます。

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

BrainBeatsツールボックスの範囲は、脳と心臓の相互作用に関する研究を行うためのオープンソースの自動化ツールを提供することです。これにより、研究者は、標準化された信号処理、特徴抽出、グラフィカルユーザーインターフェース、およびデータの視覚化を通じて、EEGおよび心血管信号のマルチモーダル分析を実行できます。科学における歴史的な還元主義的アプローチの結果として、脳と心臓のシステムは分離され、孤立し、それらの相互作用と相互影響についての理解が限られています。BrainBeatsツールボックスは、このギャップを埋めることを目的としています。脳と心臓の相互作用を理解することで、研究者は認知状態と感情状態が心血管機能にどのように影響するか、またその逆についてもより深い洞察を得ることができます。そして、これらの洞察は、新たな治療介入や治療につながる可能性があります。

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 ビュー.  Toulouse III University. BrainBeatsツールボックスの範囲は、脳と心臓の相互作用に関する研究を行うためのオープンソースの自動化ツールを提供することです。これにより、研究者は、標準化された信号処理、特徴抽出、グラフィカルユーザーインターフェース、およびデータの視覚化を通じて、EEGおよび心血管信号のマルチモーダル分析を実行できます。科学における歴史的な還元主義的アプ?...

ビデオ: 著者スポットライト:マルチモーダル信号解析のための包括的なEEGLABプラグインによる脳と心臓の相互作用の研究の進歩

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.