노에틱 과학 연구소(Institute of Noetic Sciences)가 이 연구를 지원했습니다. BrainBeats의 알고리즘 중 일부를 개발하기 위해 조정된 원본 오픈 소스 알고리즘의 개발자에게 감사드립니다.

EEG 및 심장 신호와의 뇌-심장 상호 작용 공개

저자는 밝힐 것이 없습니다.

프로토콜의 중요한 단계 중요한 단계는 1.1-1.4단계에 설명되어 있습니다. 경고 및 오류 메시지는 사용자가 문제가 발생할 수 있는 이유(예: EEG 데이터에 로드되지 않은 전극 위치, 초저주파 HRV의 신뢰할 수 있는 측정값을 계산하기에 너무 짧은 파일 길이, 신뢰할 수 있는 분석을 위한 신호 품질이 너무 낮음 등)를 이해하는 데 도움이 되도록 툴박스의 다양한 위치에 구현됩니다. 각 기...

오랫동안 환원주의적 접근은 인간의 생리학과 인지에 대한 과학적 탐구를 지배해 왔다. 이 접근 방식에는 복잡한 신체 및 정신 과정을 더 작고 관리하기 쉬운 구성 요소로 해부하여 연구원들이 개별 시스템에 독립적으로 집중할 수 있도록 하는 것이 포함되었습니다. 이 전략은 인간의 몸과 마음의 복잡하고 상호 연결된 특성을 연구하는 데 어려움이 있었기 때문에 생겨났습니다 1. 환원주의는 신경2 또는 심장3 통신에 대한 이온 채널과 활동 전위의 역할을 설명하는 것과 같이 개별 하위 시스템을 고립되어 이해하는 데 중요한 역할을 했습니다. 그러나 이러한 고립된 시스템이 더 큰 공간적, 시간적 규모에서 어떻게 상호 작용하는지에 대한 우리의 이해에는 상당한 격차가 남아 있습니다. 다중(통합적 또는 생태적) 틀은 인체를 복잡한 다차원적 시스템으로 간주하며, 여기서 마음은 뇌의 산물이 아니라 생명체의 활동, 즉 인체의 일상 기능 내에서 뇌를 통합하는 활동으로 간주한다4. 멀티모달(multimodal)과 환원주의(reductionist) 접근법은 배타적이지 않은데, 이는 우리가 전체 뇌 없이 하나의 뉴런을 연구할 수 없고, 개별 뉴런의 특성을 이해하지 않고는 전체 뇌를 연구할 수 없는 것과 같다. 그들은 함께 인간의 건강, 병리학, 인지, 심리학 및 의식에 대한 보다 포괄적이고 시너지 효과를 내는 이해를 위한 길을 닦습니다. 본 방법은 뇌파검사(EEG)와 심혈관 신호, 즉 심전도(ECG) 및 광혈류측정법(PPG)의 공동 분석을 제공함으로써 뇌와 심장 사이의 상호 작용에 대한 다중 모드 연구를 용이하게 하는 것을 목표로 합니다. MATLAB에서 EEGLAB 플러그인으로 구현된 이 툴박스는 기존의 방법론적 한계를 해결하고 과학 분야의 접근성과 재현성을 용이하게 하기 위해 오픈 소스로 만들어졌습니다. 최신 지침과 권장 사항을 설계 및 기본 매개 변수에 구현하여 사용자가 알려진 모범 사례를 따르도록 권장합니다. 제안된 도구 상자는 1) 심장 박동 유발 전위 연구, 2) EEG 및 ECG/PPG 신호에서 특징 추출, 3) EEG 신호에서 심장 아티팩트 제거에 관심이 있는 연구자 및 임상의에게 귀중한 리소스가 될 것입니다.
심장-뇌 연구 심장과 뇌의 관계는 기능적 자기 공명 영상(fMRI) 및 양전자 방출 단층 촬영(PET)과 같은 신경 영상 방법을 통해 역사적으로 연구되어 왔습니다. 연구진은 이러한 도구를 사용하여 심혈관 조절과 관련된 일부 뇌 영역(예: 심박수및 혈압 조작5)을 강조하거나, 심박수가 BOLD 신호6에 미치는 영향을 보여주거나, 관상동맥 심장 질환(즉, 스트레스 유발 혈압7)에 기여할 수 있는 뇌-신체 경로를 식별했다). 이러한 연구는 중추신경계(CNS)와 심혈관 기능 간의 복잡한 상호 작용에 대한 이해를 크게 향상시켰지만, 이러한 신경 영상 기법은 비용이 많이 들고 가용성이 제한적이며 통제된 실험실 환경에 국한되어 있어 실제 및 대규모 응용 분야에 대한 실용성이 제한됩니다.
이와는 대조적으로, EEG 및 ECG/PPG는 더 다양한 환경과 인구 집단 또는 장기간에 걸쳐 뇌-심장 상호 작용을 연구할 수 있는 잠재력을 제공하여 새로운 기회를 제공하는 더 저렴하고 휴대 가능한 도구입니다. ECG는 심장이 수축하고 이완할 때 피부(일반적으로 가슴 또는 팔)에 배치된 전극을 통해 각 심장 박동에서 생성되는 전기 신호를 측정합니다8. PPG는 광원(예: LED)과 광검출기(일반적으로 손가락 끝, 손목 또는 이마에 배치)를 사용하여 미세혈관 조직의 혈액량 변화(즉, 혈류 및 맥박수)를 측정하며, 혈액이 주변 조직보다 더 많은 빛을 흡수하는 방식에 의존합니다9. 두 방법 모두 심혈관 기능에 대한 중요한 정보를 제공하지만 용도가 다르고 고유한 데이터 유형을 제공합니다. ECG와 마찬가지로 EEG는 세포외 기질, 조직, 두개골 및 두피를 통해 전파되는 수천 개의 대뇌 피질 뉴런의 동기화 된 활동에 의해 생성 된 전기장을 기록하여 두피 표면(10)에 배치 된 전극에 도달합니다. 따라서 EEG 및 ECG/PPG의 사용은 뇌-심장 상호 작용의 기저에 있는 생리적, 인지적, 정서적 과정과 인간의 건강과 웰빙에 미치는 영향에 대한 이해를 증진시키는 데 큰 가능성을 가지고 있습니다. 따라서 BrainBeats 도구 상자를 사용하여 EEG, ECG/PPG 신호에서 심장-뇌 상호 작용을 캡처하는 것은 임상 진단 및 예측, 빅 데이터 머신 러닝(ML), 실제 자가 모니터링11 및 모바일 뇌/신체 영상(MoBI)12,13과 같은 과학 분야에 특히 유용할 수 있습니다.
EEG 및 ECG 신호를 공동으로 분석하기 위한 두 가지 접근 방식 EEG와 심혈관 신호 간의 상호 작용을 연구하는 두 가지 주요 접근 방식이 있습니다.
시간 도메인: 이벤트 관련 전위(ERP)의 심장 박동 유발 전위(HEP) 및 시간-주파수 영역의 심장 박동 유발 발진(HEO): 이벤트 관련 스펙트럼 섭동(ERSP) 및 시험 간 일관성(ITC). 이 접근법은 뇌가 각 심장 박동을 어떻게 처리하는지 조사합니다. 밀리초(ms) 정확도로 이 방법을 사용하려면 두 시계열이 완벽하게 동기화되고 심장 박동이 EEG 신호에 표시되어야 합니다. 이 접근법은 최근 몇 년 동안 관심을 끌었습니다 14,15,16,17,18,19.
특징 기반 접근법: 이 접근법은 연속 신호에서 EEG 및 심박 변이도(HRV) 특징을 추출하고 이들 간의 연관성을 검사합니다. 이것은 EEG (종종 정량적 EEG 또는 qEEG20라고 불림), ECG 21,22,23 및 PPG 24,25,26에 대해 독립적으로 수행되었습니다. 이 접근 방식은 상태 및 특성 관련 변수를 모두 캡처하여 유망한 응용 프로그램을 제시합니다. EEG 및 심혈관 신호 모두에 대해 기록이 길수록 특성 변수 27,28,29가 더 우세합니다. 따라서 응용 프로그램은 기록 매개변수에 따라 달라집니다. 특징 기반 분석은 정신 및 신경 장애, 치료 반응 또는 재발을 예측하기 위한 새로운 정량적 지표를 제공하여 점점 더 많은 관심을 받고 있습니다 30,31,32,33,34,35. 이 접근법은 대규모 실제 데이터 세트(예: 클리닉, 원격 모니터링)에서 특히 매력적이며, 이는 웨어러블 신경 기술11의 최근 혁신 덕분에 더 쉽게 얻을 수 있습니다. 덜 탐구된 응용 분야는 특정 뇌와 심장 기능 간의 연관성을 식별하여 중추 신경계 역학의 기저에 있는 잠재력을 강조하는 것입니다. 심박 변이도(HRV)는 ECG 및 PPG 신호 모두에서 계산할 수 있습니다. 자율 신경계(ANS)에 대한 정보를 제공하여 심장 박동 사이의 시간 간격(즉, 정상에서 정상까지의 간격)의 변화를 측정합니다27. 교감신경(SNS) 활동이 증가하면(예: 스트레스 또는 운동 중) 일반적으로 HRV가 감소하는 반면, 부교감신경(PNS) 활동(예: 이완 중)은 HRV를 증가시킵니다. 느린 호흡 속도는 일반적으로 PNS 활동이 증가하여 HRV를 증가시키며, 특히 짧은 녹음(<10분)의 경우 더욱 그렇습니다27. HRV 점수가 높을수록 일반적으로 더 탄력적이고 적응력이 뛰어난 ANS를 나타내는 반면, HRV가 낮으면 스트레스, 피로 또는 근본적인 건강 문제를 나타낼 수 있습니다. 장시간 HRV 기록(즉, 최소 24시간)은 심혈관 질환, 스트레스, 불안 및 일부 신경학적 상태를 포함한 다양한 건강 상태에 대한 예측 예후를 제공한다27. 혈압, 심박수 또는 콜레스테롤 수치와 같은 측정은 심혈관계의 상태에 대한 정보를 제공합니다. 이와는 대조적으로, HRV는 심장이 스트레스에 어떻게 반응하고 스트레스로부터 회복되는지를 보여주는 역동적인 측면을 추가합니다.
기존 방법에 비해 BrainBeats의 장점 아래에서 검토한 바와 같이 심혈관 및 EEG 신호를 서로 독립적으로 처리할 수 있는 도구가 존재하지만 공동으로 분석할 수는 없습니다. 더욱이, 심혈관 신호를 처리하는 데 사용 가능한 대부분의 수단은 비용이 많이 드는 라이선스를 필요로 하거나, 자동화된 처리를 허용하지 않거나(특히 대규모 데이터 세트에 유용함), 투명성과 재현성을 방해하는 독점 알고리즘을 가지고 있거나, 그래픽 사용자 인터페이스(GUI)를 제공하지 않음으로써 고급 프로그래밍 기술을 필요로 합니다36. 우리가 아는 한, GUI를 통한 HEP/HEO 분석을 지원하는 4개의 오픈 소스 MATLAB 툴박스, 즉 ecg-kit 툴박스(37), BeMoBIL 파이프라인(38), HEPLAB EEGLAB 플러그인(39), CARE-rCortex 툴박스(40)가 있습니다. HEPLAB, BeMoBI 및 ecg-kit는 심장 박동을 감지하고 EEG 신호에 표시하여 HEP 분석을 용이하게 하지만 통계 분석을 제공하지 않거나 시간 영역(즉, HEP)으로 제한됩니다. CARE-rCortex 플러그인은 ECG 및 호흡 신호, 시간-주파수 영역 분석, 통계, HEP/HEO 분석에 적합한 고급 기준선 정규화 및 보정 방법을 지원하여 이러한 문제를 해결했습니다. 그러나 유형 1 오류(즉, 거짓 양성)의 통계적 보정을 위해 Bonferroni 방법을 사용하며, 이는 EEG 응용 프로그램에 대해 너무 보수적이고 생리학적으로 건전하지 않아 유형 II 오류(즉, 거짓 음성)의 증가로 이어집니다41. 또한 이 툴박스는 자동화를 위한 명령줄 액세스를 제공하지 않습니다. 마지막으로, 최근 연구에서는 기준선 보정 방법 42,43,44를 권장하는데, 이는 신호 대 잡음비(SNR)를 줄이고 통계적으로 불필요하고 바람직하지 않기 때문입니다.
이러한 제한 사항을 해결하기 위해 현재 MATLAB 환경에서 오픈 소스 EEGLAB 플러그인으로 구현된 BrainBeats 툴박스를 소개합니다. 이전 방법에 비해 다음과 같은 장점이 있습니다.
1) 사용하기 쉬운 GUI 및 명령줄 기능(자동화된 처리를 수행하려는 프로그래머용). 2) R 피크 감지, RR 아티팩트 보간, HRV 메트릭 계산과 같은 심혈관 신호 처리를 위한 검증된 알고리즘, 매개변수 및 지침(예: 윈도우잉, 재샘플링, 정규화 등에 대한 임플란트 지침)27,45,46). 이는 Vest 등이 이러한 처리 단계에서 미미한 차이가 어떻게 다른 결과로 이어질 수 있는지를 보여주었기 때문에 HRV 지표의 재현성 및 임상적 적용 가능성의 부족에 기여하기 때문이다46. 3) 필터링 및 윈도잉 44,47, 재참조 48,49, 비정상 채널 및 아티팩트 제거(50,51,52), 최적화된 ICA 분해 및 독립 구성 요소 분류 53,54,55,56을 포함한 EEG 신호 처리를 위한 검증된 알고리즘, 기본 매개변수 및 지침. 사용자는 툴박스를 사용하여 필요에 맞게 툴박스를 사용하기 전에 모든 전처리 매개변수를 미세 조정하거나 선호하는 방법으로 EEG 데이터를 전처리할 수도 있습니다(예: EEGLAB clean_rawdata 플러그인50,52, BeMoBIL 파이프라인(38), PREP 파이프라인(57 등) ). 4) ECG 신호의 심장 박동 유발 전위(HEP, 즉 시간 영역) 및 진동(HEO, 웨이블릿 또는 FFT 방법을 사용한 이벤트 관련 스펙트럼 섭동, 시험 간 일관성은 표준 EEGLAB 소프트웨어를 통해 사용 가능). 유형 1 오류에 대한 수정 사항이 있는 파라메트릭 및 비파라메트릭 통계는 EEGLAB의 표준 소프트웨어를 통해 사용할 수 있습니다. 비모수 통계에는 다중 비교를 위한 순열 통계 및 시공간 보정(예: 시공간 군집화 또는 임계값 없는 군집 향상)이 포함됩니다(예: 시공간 군집화 또는 임계값 없는 군집 향상)58,59. 사용자는 LIMO-EEG 플러그인을 사용하여 계층적 선형 모델링을 구현할 수 있으며, 이는 내부 및 피험자 간 분산을 잘 설명하고 유형 I 및 II 오류60,61에 대한 강력한 제어를 통해 가정없는 질량 단변량 접근 방식을 구현합니다. HEP/HEO 데이터 통계 분석은 채널 및 독립 구성 요소 도메인에서 수행할 수 있습니다. 5) PPG 신호에서 HEP/HEO 및 HRV 분석(HEP/HEO에 대한 최초). 6) 최초로 EEG 및 HRV 특징의 공동 추출을 지원합니다. 7) 이 툴박스는 필요한 다양한 처리 단계에서 신호를 검사하고 주제 수준에서 출력을 검사할 수 있는 다양한 데이터 시각화를 제공합니다.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody><tr><td>메서드</td>
			<td>ECG에서 R-피크 검출</td>
			<td>PPG에서 R파를 감지합니다</td>
			<td>HEP/HEO (헅/HEO)</td>
			<td>EEG & HRV 특징</td>
			<td>EEG에서 심장 아티팩트 제거</td>
			<td>GUI (그래픽 인터페이스)</td>
			<td>명령줄</td>
		</tr><tr><td>ECG 키트</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td></td>
			<td></td>
			<td></td>
			<td>X</td>
		</tr><tr><td>비모빌</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td></td>
			<td>X</td>
		</tr><tr><td>헵랩</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td>X</td>
			<td>X</td>
		</tr><tr><td>케어-r코텍스</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td>X</td>
			<td>X</td>
		</tr><tr><td>브레인비트</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>표 1: 기존의 유사한 방법과 관련하여 BrainBeats가 가져온 참신함.
독자가 이 방법이 자신에게 적합한지 판단하는 데 도움이 되는 정보 이 툴박스는 EEG 및 ECG/PPG 데이터가 있는 모든 연구자 또는 임상의에게 적합합니다. 플러그인은 아직 별도의 파일에서 EEG 및 ECG/PPG 신호 가져오기를 지원하지 않습니다(이 기능은 곧 사용할 수 있음). 이 툴박스는 HEP/HEO 분석을 수행하거나, 표준화된 방법으로 EEG 및/또는 HRV 특징을 추출하거나, 단순히 EEG 신호에서 심장 인공물을 제거하려는 모든 사람에게 적합합니다. BrainBeats의 전반적인 흐름과 방법을 요약한 블록 다이어그램은 그림 1 을 참조하십시오.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65829/65829fig01.jpg"> 그림 1. BrainBeats의 전체 아키텍처와 흐름을 요약한 블록 다이어그램. 세 가지 방법에서 공통적인 작업은 갈색입니다. HEP(Heartbeat-evoked Potentials) 및 HEO(Oscillations)와 관련된 작동은 녹색입니다. EEG 및 HRV 특징 추출과 관련된 작업은 파란색입니다. EEG 신호에서 심장 인공물을 제거하는 것과 관련된 작업은 빨간색입니다. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig01large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</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

뇌와 심혈관계 간의 상호 작용은 인체 생리학에 대한 이해를 높이고 건강 결과를 개선할 수 있는 잠재력으로 인해 점점 더 많은 주목을 받고 있습니다. 그러나 이러한 신호의 멀티모달 분석은 지침, 표준화된 신호 처리 및 통계 도구, 그래픽 사용자 인터페이스(GUI), 대규모 데이터 세트를 처리하거나 재현성을 높이기 위한 자동화의 부재로 인해 까다롭습니다. 표준화된 EEG 및 심박변이도(HRV) 특징 추출 방법에는 또 다른 공백이 존재하여 임상 진단 또는 기계 학습(ML) 모델의 견고성을 훼손합니다. 이러한 제한 사항에 대응하여 BrainBeats 도구 상자를 소개합니다. 오픈 소스 EEGLAB 플러그인으로 구현된 BrainBeats는 세 가지 주요 프로토콜을 통합합니다: 1) 밀리초 정확도로 시간 고정 뇌-심장 상호 작용을 평가하기 위한 심장 박동 유발 전위(HEP) 및 진동(HEO); 2) 다양한 뇌 및 심장 지표 간의 연관성/차이를 조사하거나 강력한 특징 기반 ML 모델을 구축하기 위한 EEG 및 HRV 특징 추출; 3) EEG 분석을 수행하는 동안 잠재적인 심혈관 오염을 제거하기 위해 EEG 신호에서 심장 아티팩트를 자동으로 추출합니다. 이 세 가지 방법을 동시 64채널 EEG, ECG 및 PPG 신호를 포함하는 오픈 소스 데이터 세트에 적용하기 위한 단계별 자습서를 제공합니다. 사용자는 그래픽 사용자 인터페이스(GUI) 또는 명령줄을 사용하여 고유한 연구 요구 사항에 맞게 매개변수를 쉽게 미세 조정할 수 있습니다. BrainBeats는 뇌와 심장의 상호 작용 연구에 더 쉽게 접근하고 재현할 수 있도록 해야 합니다.

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>

저자 스포트라이트: 멀티모달 신호 분석을 위한 포괄적인 EEGLAB 플러그인을 사용하여 뇌-심장 상호 작용 연구 발전

EEG 및 심혈관 신호를 공동으로 분석하기 위한 오픈 소스 EEGLAB 플러그인인 BrainBeats

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.

먼저 BrainBeats 플러그인을 사용하여 EEG 및 ECG 데이터를 사전 처리하고, 아티팩트를 식별 및 제거하고, 심장 박동 유발 전위(HEP) 및 진동(HEO)을 분석했습니다. BrainBeats는 ECG 신호와 일부 RR 아티팩트에서 RR 간격을 성공적으로 감지했습니다(그림 2). BrainBeats는 또한 명령 창에서 하트비트의 11/305(3.61%)가 아티팩트로 플래그가 지정되고 보간되었다고 보고했습니다. RR 간격(보간 전)?...

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

BrainBeats 도구 상자는 EEG 및 심혈관(ECG/PPG) 신호를 공동으로 분석하도록 설계된 오픈 소스 EEGLAB 플러그인입니다. 여기에는 HEP(Heartbeat-evoked Potentials) 평가, 기능 기반 분석 및 EEG 신호에서 심장 아티팩트 추출이 포함됩니다. 이 프로토콜은 두 개의 렌즈(HEP 및 기능)를 통해 뇌-심장 상호 작용을 연구하는 데 도움이 되어 재현성과 접근성을 향상시킵니다.

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

BrainBeats 도구 상자의 범위는 뇌-심장 상호 작용에 대한 연구를 수행하기 위한 오픈 소스 및 자동화 도구를 제공하는 것입니다. 이를 통해 연구원들은 표준화된 신호 처리, 특징 추출, 그래픽 사용자 인터페이스 및 데이터 시각화를 통해 EEG 및 심혈관 신호의 다중 모드 분석을 수행할 수 있습니다. 과학의 역사적 환원주의적 접근의 결과로 뇌와 심장 시스템은 분리되고 고립되어 그들의 상호 작용과 상호 영향에 대한 이해가 제한되었습니다.BrainBeats 도구 상자는 이러한 격차를 해소하는 것을 목표로 합니다. 뇌와 심장 사이의 상호 작용을 이해함으로써 연구자들은 인지 및 감정 상태가 심혈관 기능에 미치는 영향과 그 반대의 경우도 마찬가지에 대한 더 깊은 통찰력을 얻을 수 있습니다. 결과적으로 이러한 통찰력은 새로운 치료 개입 및 치료로 이어질 수 있습니다.

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 조회수.  Toulouse III University. BrainBeats 도구 상자의 범위는 뇌-심장 상호 작용에 대한 연구를 수행하기 위한 오픈 소스 및 자동화 도구를 제공하는 것입니다. 이를 통해 연구원들은 표준화된 신호 처리, 특징 추출, 그래픽 사용자 인터페이스 및 데이터 시각화를 통해 EEG 및 심혈관 신호의 다중 모드 분석을 수행할 수 있습니다. 과학의 역사적 환원주의적 접근의 결과로 뇌와 심장 시스템은 분리되고 고립되?...

비디오: 저자 스포트라이트: 멀티모달 신호 분석을 위한 포괄적인 EEGLAB 플러그인을 사용하여 뇌-심장 상호 작용 연구 발전

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.

연구

신경과학

Setting Up and Analyzing Heartbeat-Evoked Potentials (HEP) with BrainBeats in EEGLAB

To begin, open MATLAB on the computer. In MATLAB's home panel, click the Set Path button to add the path to the EEGLAB folder. Click the Add Folder button and select the eeglab folder that has been unzipped.Then click Save, followed by Close. In MATLAB's command window, type eeglab to launch EEGLAB. To install the BrainBeats plugin, click File, followed by Manage EEGLAB Extensions.Then in the search bar, type brainbeats, select the brainbeats plugin in the list, and click Install. For loading the sample dataset into EEGLAB, click File and Load existing data. Navigate to the eeglab folder, then go to the plugins and BrainBeats folders.Open the sample data folder and select the file dataset.set. In EEGLAB, sequentially click Tools, BrainBeats, and 1st level, subject level, to open the BrainBeats first general user interface or GUI. Select heartbeat-evoked potentials, or HEP, as the analysis to run and ECG as the heart data type.Then click on the button to display the list of channels and select the ECG channel. Keep the options visualize outputs and save outputs selected and click OK.In the second GUI window, from the preprocess EEG section, change the power line noise to 50 Hz and click OK to launch. Once the warning message to remove the detected PPG channel appears, click Yes.For the PPG signal, load the dataset. set file again, then in the EEGLAB, sequentially click Tools, BrainBeats, and 1st level, subject level, to open BrainBeats'first GUI. Select heartbeat-evoked potentials, or HEP, as the analysis to run and PPG as the heart data type.Then click on the button to display the list of channels and select the PPG channel. Keep the options visualize outputs and save outputs selected and click OK.In the second GUI window from the preprocess EEG section, change the power line noise to 50 Hz and click OK to launch. Once the warning message to remove the extra ECG channel appears, click yes.BrainBeats successfully detected the RR intervals from the ECG signal and some RR artifacts. A significant heartbeat-evoked oscillation in the alpha band from 150 to 400 milliseconds post-heartbeat at a fronto-central scalp site was observed. On the other hand, the intertrial coherence analysis suggested no significant phase locking or resetting of the EEG phase with respect to the heartbeats.BrainBeats also detected the RR intervals from the PPG signal and some RR artifacts. A significant effect at the fronto-central scalp site in almost the whole time window following the R-wave and almost the whole frequency range was observed. Intertrial coherence analysis suggesting no significant phase locking or resetting of the EEG phase.

EEGLAB에서 BrainBeats를 사용한 HEP(Heartbeat-Evoked Potentials) 설정 및 분석

Extracting EEG and Heart-Rate Variability (HRV) Features and Heart Artifacts with BrainBeats in EEGLAB

To load the sample dataset into EEGLAB, click File and Load existing data. Navigate to the EEGLAB folder, then go to the plugins folder and BrainBeats folder. Open the sample data folder and select the file dataset.set.After loading the sample dataset into EEGLAB, sequentially click Tools, BrainBeats, and 1st level subject level to open the main GUI and to select the parameters. Select Extract EEG HRV features for the analysis type and ECG for the heart signal type. Select ECG in the list of electrode labels and click Ok.Then, a second GUI window pops up with different parameters for the EEG preprocessing and extracting HRV and EEG features.In the Preprocess EEG section, change the Power line noise to 50 hertz and click Ok to launch. Once the warning message to remove the extra PPG channel appears, click Yes. At the end of all operations, type eegh in MATLAB's command window to print the command line and repeat all steps via a single command line.After loading the same dataset file, sequentially click Tools, BrainBeats, and 1st level subject level to open the main GUI to select the parameters. Select Extract EEG HRV features for the analysis and PPG for the heart signal type. Select PPG for the channel name and click Ok.In the second GUI window, from the Preprocess EEG section, change the Power line noise to 50 hertz and click Ok to run.Once the warning message to remove the detected ECG channel appears, click yes, and review the generated output. Load the sample dataset file, dataset.set. Then, sequentially click Tools, BrainBeats, and 1st level subject level to open the main GUI.Select Extract heart artifacts from EEG signals for the analysis type and ECG for the heart signal type. Type ECG in the list of electrode labels and click Ok.After selecting preprocessing parameters for EEG signals, select 50 hertz for line noise, check the Boost mode box, and click Ok to launch. Once the warning message to remove the extra PPG channel appears, click Yes.Using BrainBeats, EEG and heart-rate variability features were extracted from ECG signals, revealing a peak in heart-rate variability power spectral density at approximately 0.19 hertz within the high-frequency band, and an EEG at approximately 10.5 hertz in the alpha band. Scalp topographies showed predominant localizations in posterior regions with higher complexity in the frontal right and posterior areas. A subsequent analysis using PPG signals for heart-rate variability indicated a peak at approximately 0.04 hertz in the low-frequency band and a bifurcated peak around approximately 0.19 hertz, suggesting lower PPG signal quality.