EEG ve kardiyovasküler sinyalleri ortaklaşa analiz etmek için açık kaynaklı bir EEGLAB eklentisi olarak BrainBeats

Özet

BrainBeats araç kutusu, EEG ve kardiyovasküler (EKG/PPG) sinyalleri ortaklaşa analiz etmek için tasarlanmış açık kaynaklı bir EEGLAB eklentisidir. Kalp atışı ile uyarılmış potansiyeller (HEP) değerlendirmesini, özellik tabanlı analizi ve EEG sinyallerinden kalp artefaktı çıkarımını içerir. Protokol, beyin-kalp etkileşiminin iki mercek (HEP ve özellikler) aracılığıyla incelenmesine yardımcı olacak ve tekrarlanabilirliği ve erişilebilirliği artıracaktır.

Özet

Beyin ve kardiyovasküler sistemler arasındaki etkileşim, insan fizyolojisi anlayışımızı ilerletme ve sağlık sonuçlarını iyileştirme potansiyeli nedeniyle daha fazla dikkat çekiyor. Bununla birlikte, bu sinyallerin çok modlu analizi, yönergelerin, standartlaştırılmış sinyal işleme ve istatistiksel araçların, grafik kullanıcı arayüzlerinin (GUI'ler) ve büyük veri kümelerini işlemek veya tekrarlanabilirliği artırmak için otomasyonun olmaması nedeniyle zordur. Standartlaştırılmış EEG ve kalp atış hızı değişkenliği (HRV) özellik çıkarma yöntemlerinde, klinik teşhisi veya makine öğrenimi (ML) modellerinin sağlamlığını baltalayan başka bir boşluk vardır. Bu sınırlamalara yanıt olarak BrainBeats araç kutusunu kullanıma sunuyoruz. Açık kaynaklı bir EEGLAB eklentisi olarak uygulanan BrainBeats, üç ana protokolü entegre eder: 1) Zaman kilitli beyin-kalp etkileşimini milisaniye hassasiyetinde değerlendirmek için kalp atışı ile uyarılmış potansiyeller (HEP) ve salınımlar (HEO); 2) Çeşitli beyin ve kalp ölçümleri arasındaki ilişkileri/farklılıkları incelemek veya sağlam özellik tabanlı makine öğrenimi modelleri oluşturmak için EEG ve HRV özellik çıkarımı; 3) EEG analizi yapılırken herhangi bir potansiyel kardiyovasküler kontaminasyonu gidermek için EEG sinyallerinden kalp artefaktlarının otomatik olarak çıkarılması. Bu üç yöntemi eşzamanlı 64 kanallı EEG, EKG ve PPG sinyallerini içeren açık kaynaklı bir veri kümesine uygulamak için adım adım bir eğitim sunuyoruz. Kullanıcılar, grafik kullanıcı arayüzünü (GUI) veya komut satırını kullanarak benzersiz araştırma ihtiyaçlarını uyarlamak için parametrelere kolayca ince ayar yapabilir. BrainBeats, beyin-kalp etkileşimi araştırmalarını daha erişilebilir ve tekrarlanabilir hale getirmelidir.

Giriş

Uzun bir süre boyunca, indirgemeci yaklaşım, insan fizyolojisi ve bilişindeki bilimsel araştırmalara egemen olmuştur. Bu yaklaşım, karmaşık bedensel ve zihinsel süreçleri daha küçük, daha yönetilebilir bileşenlere ayırmayı içeriyordu ve araştırmacıların ayrı ayrı bireysel sistemlere odaklanmasına izin veriyordu. Bu strateji, insan vücudunun ve zihninin karmaşık ve birbirine bağlı doğasını incelemedeki zorluklar nedeniyle ortaya çıkmıştır¹. İndirgemecilik, nöral² veya kardiyak³ iletişim için iyon kanallarının ve aksiyon potansiyellerinin rolünü aydınlatmak gibi, bireysel alt sistemleri izole bir şekilde anlamada etkili olmuştur. Bununla birlikte, bu izole sistemlerin daha geniş bir mekansal ve zamansal ölçekte nasıl etkileşime girdiğine dair anlayışımızda önemli bir boşluk kalmaktadır. Multimodal (bütünleştirici veya ekolojik) çerçeve, insan vücudunu, zihnin beynin bir ürünü olarak değil, canlının bir faaliyeti olarak görüldüğü, beyni insan vücudunun günlük işlevlerine entegre eden bir faaliyet olarak görüldüğü karmaşık, çok boyutlu bir sistem olarak kabul eder⁴. Multimodal ve indirgemeci yaklaşımlar münhasır değildir, tıpkı tüm beyin olmadan bir nöronu veya bireysel nöron özelliklerini anlamadan tüm beyni inceleyemeyeceğimiz gibi. Birlikte, insan sağlığı, patolojisi, bilişi, psikolojisi ve bilinci hakkında daha kapsamlı, sinerjik bir anlayışın yolunu açıyorlar. Mevcut yöntem, elektroensefalografi (EEG) ve kardiyovasküler sinyallerin, yani elektrokardiyografi (EKG) ve fotopletismografinin (PPG) ortak analizini sağlayarak beyin ve kalp arasındaki etkileşimin multimodal araştırmasını kolaylaştırmayı amaçlamaktadır. MATLAB'da bir EEGLAB eklentisi olarak uygulanan bu araç kutusu, mevcut metodolojik sınırlamaları ele alır ve bilimsel alanda erişilebilirliği ve tekrarlanabilirliği kolaylaştırmak için açık kaynak haline getirilir. Kullanıcıları bilinen en iyi uygulamaları takip etmeye teşvik etmek için en son yönergeleri ve önerileri tasarımına ve varsayılan parametrelerine uygular. Önerilen araç kutusu, 1) kalp atışı ile uyarılmış potansiyelleri incelemek, 2) EEG ve EKG / PPG sinyallerinden özellikleri çıkarmak veya 3) EEG sinyallerinden kalp artefaktlarını çıkarmak ile ilgilenen araştırmacılar ve klinisyenler için değerli bir kaynak olmalıdır.

Kalp-beyin araştırması
Kalp ve beyin arasındaki ilişki, fonksiyonel manyetik rezonans görüntüleme (fMRI) ve pozitron emisyon tomografisi (PET) gibi nörogörüntüleme yöntemleri ile tarihsel olarak incelenmiştir. Araştırmacılar bu araçları kullanarak, kardiyovasküler kontrol ile ilişkili bazı beyin bölgelerini vurguladılar (örneğin, kalp atış hızı ve kan basıncının manipülasyonu⁵), kalp atış hızının BOLD sinyali⁶ üzerindeki etkisini gösterdiler veya koroner kalp hastalığına katkıda bulunan potansiyel beyin-vücut yollarını belirlediler (yani, stresle uyarılmış kan basıncı⁷). Bu çalışmalar, merkezi sinir sistemi (CNS) ve kardiyovasküler fonksiyon arasındaki karmaşık etkileşime ilişkin anlayışımızı önemli ölçüde ilerletmiş olsa da, bu nörogörüntüleme teknikleri pahalıdır, sınırlı kullanılabilirliğe sahiptir ve kontrollü laboratuvar ortamlarıyla sınırlıdır, bu da gerçek dünya ve büyük ölçekli uygulamalar için pratikliklerini kısıtlar.

Buna karşılık, EEG ve EKG / PPG, beyin-kalp etkileşimlerini daha çeşitli ortamlarda ve popülasyonlarda veya daha uzun süreler boyunca inceleme potansiyeli sunan ve yeni fırsatlar sunan daha uygun fiyatlı ve taşınabilir araçlardır. EKG, cilde (genellikle göğüs veya kollara) yerleştirilen elektrotlar aracılığıyla kalp kasıldığında ve gevşediğinde her kalp atışı tarafından üretilen elektrik sinyallerini ^ölçer8. PPG, bir ışık kaynağı (örneğin LED) ve bir fotodetektör (genellikle parmak ucuna, bileğe veya alnına yerleştirilir) kullanarak mikrovasküler dokulardaki kan hacmi değişikliklerini (yani kan akışı ve nabız hızı) ölçer ve kanın çevredeki dokudan nasıl daha fazla ışık emdiğine bağlı olarak⁹. Her iki yöntem de kardiyovasküler fonksiyon hakkında değerli bilgiler sağlar, ancak farklı amaçlara hizmet eder ve farklı veri türleri sunar. EKG gibi, EEG de hücre dışı matriks, dokular, kafatası ve kafa derisi boyunca kafa derisinin yüzeyine yerleştirilen elektrotlara ulaşana kadar yayılan binlerce kortikal nöronun senkronize aktivitesi tarafından üretilen elektrik alanlarını kaydeder¹⁰. Bu nedenle, EEG ve EKG / PPG kullanımı, beyin-kalp etkileşimlerinin altında yatan fizyolojik, bilişsel ve duygusal süreçleri ve bunların insan sağlığı ve refahı üzerindeki etkilerini anlamamızı ilerletmek için büyük umut vaat etmektedir. Bu nedenle, BrainBeats araç kutusu ile EEG, EKG/PPG sinyallerinden kalp-beyin etkileşimini yakalamak, aşağıdaki bilimsel alanlar için özellikle yararlı olabilir: klinik tanı ve tahmin, büyük veri makine öğrenimi (ML), gerçek dünyada kendi kendini izleme¹¹ ve mobil beyin/vücut görüntüleme (MoBI)^12,13.

EEG ve EKG sinyallerini birlikte analiz etmek için iki yaklaşım
EEG ve kardiyovasküler sinyaller arasındaki etkileşimleri incelemek için iki ana yaklaşım vardır:

Zaman alanında kalp atışı ile uyarılan potansiyeller (HEP): olayla ilgili potansiyeller (ERP) ve zaman-frekans alanında kalp atışı ile uyarılan salınımlar (HEO): olayla ilgili spektral bozulmalar (ERSP) ve denemeler arası tutarlılık (ITC). Bu yaklaşım, beynin her kalp atışını nasıl işlediğini inceler. Milisaniye (ms) hassasiyetle bu yöntem, her iki zaman serisinin de mükemmel bir şekilde senkronize edilmesini ve kalp atışlarının EEG sinyallerinde işaretlenmesini gerektirir. Bu yaklaşım son yıllarda ilgi kazanmıştır 14,15,16,17,18,19.

Özellik tabanlı yaklaşım: Bu yaklaşım, sürekli sinyallerden EEG ve kalp atış hızı değişkenliği (HRV) özelliklerini çıkarır ve aralarındaki ilişkileri inceler. Bu, EEG (genellikle kantitatif EEG veya qEEG²⁰ olarak adlandırılır), EKG 21,22,23 ve PPG 24,25,26 için bağımsız olarak yapılmıştır. Bu yaklaşım, hem durum hem de özellik ile ilgili değişkenleri yakalayarak umut verici uygulamalar sunar. Hem EEG hem de kardiyovasküler sinyaller için, kayıt ne kadar uzun olursa, özellik değişkeni ^27,28,29 o kadar baskın olur. Bu nedenle, uygulamalar kayıt parametrelerine bağlıdır. Özellik tabanlı analizler artan ilgi görüyor ve zihinsel ve nörolojik bozuklukların gelişimini, tedavi yanıtını veya nüksetmeyi tahmin etmek için yeni nicel ölçümler sağlıyor 30,31,32,33,34,35. Bu yaklaşım, giyilebilir nöroteknolojideki son yenilikler sayesinde daha kolay elde edilebilen büyük ve gerçek dünya veri kümelerinde (örneğin, klinik, uzaktan izleme) özellikle ilgi çekicidir¹¹. Daha az keşfedilmiş bir uygulama, merkezi sinir sistemi dinamiklerinin altında yatan potansiyeli vurgulayan, belirli beyin ve kalp özellikleri arasındaki ilişkilerin tanımlanmasıdır. Kalp atış hızı değişkenliği (HRV) hem EKG hem de PPG sinyallerinden hesaplanabilir. Kalp atışları arasındaki zaman aralıklarındaki değişimleri (yani normalden normale aralıklar) ölçerek otonom sinir sistemi (ANS) hakkında bilgi ^sağlar27. Artan sempatik (SNS) aktivite (ör., stres veya egzersiz sırasında) tipik olarak HRV'yi azaltırken, parasempatik (PNS) aktivite (ör., gevşeme sırasında) arttırır. Daha yavaş bir solunum hızı, özellikle kısa kayıtlar için (<10 dakika) gelişmiş PNS aktivitesi nedeniyle genellikle HRV'yi ^artırır27. Daha yüksek HRV skorları genellikle daha esnek ve uyarlanabilir bir ANS'ye işaret ederken, daha düşük bir HRV stres, yorgunluk veya altta yatan sağlık sorunlarına işaret edebilir. Uzun HRV kayıtları (yani en az 24 saat), kardiyovasküler hastalıklar, stres, anksiyete ve bazı nörolojik durumlar dahil olmak üzere çeşitli sağlık durumları için öngörücü bir prognoz sağlar²⁷. Kan basıncı, kalp atış hızı veya kolesterol seviyeleri gibi ölçümler kardiyovasküler sistemin durumu hakkında bilgi verir. Buna karşılık, HRV, kalbin strese nasıl tepki verdiğini ve stresten nasıl kurtulduğunu gösteren dinamik bir yön ekler.

BrainBeats'in mevcut yöntemlere göre avantajları
Aşağıda gözden geçirildiği gibi, kardiyovasküler ve EEG sinyallerini birbirinden bağımsız olarak işlemek için araçlar mevcut olsa da, bunlar birlikte analiz edilemez. Ayrıca, kardiyovasküler sinyalleri işlemek için mevcut araçların çoğu maliyetli lisanslama içerir, otomatik işlemeye izin vermez (özellikle büyük veri kümeleri için faydalıdır), şeffaflığı ve tekrarlanabilirliği önleyen özel algoritmalara sahiptir veya bir grafik kullanıcı arayüzü (GUI) sağlamayarak gelişmiş programlama becerileri ^gerektirir36. Bildiğimiz kadarıyla, dört açık kaynaklı MATLAB araç kutusu, bir GUI ile HEP/HEO analizini destekler: ekg-kit araç kutusu³⁷, BeMoBIL boru hattı³⁸, HEPLAB EEGLAB eklentisi³⁹ ve CARE-rCortex araç kutusu⁴⁰. HEPLAB, BeMoBIL ve ekg kiti, kalp atışlarını tespit ederek ve bunları EEG sinyallerinde işaretleyerek HEP analizini kolaylaştırırken, istatistiksel analiz sağlamazlar veya zaman alanıyla (yani HEP) sınırlıdırlar. CARE-rCortex eklentisi, EKG ve solunum sinyallerini, zaman-frekans alanı analizini, istatistikleri ve HEP/HEO analizine uyarlanmış gelişmiş temel normalleştirme ve düzeltme yöntemlerini destekleyerek bu sorunları ele aldı. Bununla birlikte, EEG uygulamaları için çok muhafazakar ve fizyolojik olarak sağlam olmayan tip 1 hatanın (yani yanlış pozitifler) istatistiksel olarak düzeltilmesi için Bonferroni yöntemini kullanır ve bu da tip II hatalarda (yani yanlış negatiflerde) bir artışa yol ^açar41. Ayrıca, araç kutusu otomasyon için komut satırı erişimi sunmaz. Son olarak, son çalışmalar, sinyal-gürültü oranını (SNR) azalttıkları ve istatistiksel olarak gereksiz ve istenmeyen oldukları için temel düzeltme yöntemlerine ^42,43,44 karşı tavsiyede bulunmaktadır.

Bu sınırlamaları ele almak için, şu anda MATLAB ortamında açık kaynaklı bir EEGLAB eklentisi olarak uygulanan BrainBeats araç kutusunu tanıtıyoruz. Önceki yöntemlere göre aşağıdaki avantajları içerir:

1) Kullanımı kolay bir GUI ve komut satırı yetenekleri (otomatik işleme gerçekleştirmeyi hedefleyen programcılar için). 2) R zirvelerini tespit etmek, RR artefaktlarını enterpolasyon yapmak ve HRV metriklerini hesaplamak gibi kardiyovasküler sinyalleri işlemek için doğrulanmış algoritmalar, parametreler ve kılavuzlar (örneğin, pencereleme, yeniden örnekleme, normalizasyon vb. için implantasyon kılavuzları.27,45,46). Bu önemlidir, çünkü Vest ve ark. bu işleme adımlarındaki mütevazı farklılıkların nasıl farklı sonuçlara yol açabileceğini ve HRV metriklerinin tekrarlanabilirliği ve klinik uygulanabilirliği eksikliğine katkıda bulunduğunu göstermiştir⁴⁶. 3) Filtreleme ve pencereleme ^44,47, yeniden referans verme^48,49, anormal kanalların ve artefaktların kaldırılması 50,51,52, optimize edilmiş ICA ayrışması ve bağımsız bileşenlerin sınıflandırılması dahil olmak üzere EEG sinyallerinin işlenmesi için doğrulanmış algoritmalar, varsayılan parametreler ve kılavuzlar 53,54,55,56. Kullanıcılar, ihtiyaçlarını karşılamak için araç kutusunu kullanmadan önce tüm ön işleme parametrelerine ince ayar yapabilir ve hatta EEG verilerini tercih ettikleri yöntemle önceden işleyebilir (örneğin, EEGLAB clean_rawdata eklentisi ^50,52, BeMoBIL boru hattı³⁸, PREP boru hattı⁵⁷, vb.). 4) EKG sinyallerinden kalp atışı ile uyarılmış potansiyeller (HEP, yani zaman alanı) ve salınımlar (HEO; dalgacık veya FFT yöntemleriyle olaya bağlı spektral bozulmalar ve denemeler arası tutarlılık standart EEGLAB yazılımı aracılığıyla elde edilebilir). Tip 1 hatalar için düzeltmeler içeren parametrik ve parametrik olmayan istatistikler EEGLAB'ın standart yazılımı aracılığıyla mevcuttur. Parametrik olmayan istatistikler, çoklu karşılaştırmalar için permütasyon istatistiklerini ve uzay-zamansal düzeltmeleri içerir (örneğin, uzay-zamansal kümeleme veya eşiksiz küme geliştirme)^58,59. Kullanıcılar, denekler arası ve denekler arası varyansı iyi bir şekilde açıklayan ve tip I ve II hatalar için sağlam kontrol ile varsayımdan bağımsız kütle-tek değişkenli bir yaklaşım uygulayan hiyerarşik doğrusal modellemeyi uygulamak için LIMO-EEG eklentisini kullanabilir^60,61. HEP/HEO verileri istatistiksel analizleri, kanal ve bağımsız bileşen alanlarında gerçekleştirilebilir. 5) PPG sinyallerinden HEP/HEO ve HRV analizi (HEP/HEO için ilk kez). 6) EEG ve HRV özelliklerinin ilk kez eklem ekstraksiyonunu destekler. 7) Araç kutusu, konu düzeyinde çeşitli gerekli işleme adımlarında ve çıktılarda sinyalleri incelemek için çeşitli veri görselleştirmeleri sağlar.

Yöntem	EKG'den R-tepe noktalarını tespit edin	PPG'den R dalgalarını tespit edin	HEP/HEO	EEG ve HRV özellikleri	Kalp artefaktlarını EEG'den çıkarın	GUI	Komut satırı
EKG Kiti	X	X	X				X
BeMoBİL	X		X				X
HEPLAB (HEPLAB)	X		X			X	X
BAKIM-rCortex	X		X			X	X
Beyin Vuruşları	X	X	X	X	X	X	X

TABLO 1: BrainBeats'in önceden var olan, benzer yöntemlere göre getirdiği yenilikler.

Okuyucuların yöntemin kendileri için uygun olup olmadığına karar vermelerine yardımcı olacak bilgiler
Bu araç kutusu, EEG ve EKG/PPG verilerine sahip herhangi bir araştırmacı veya klinisyen için uygundur. Eklenti henüz EEG ve EKG/PPG sinyallerinin ayrı dosyalardan içe aktarılmasını desteklememektedir (ancak bu özellik yakında kullanıma sunulacaktır). Araç kutusu, HEP/HEO analizi yapmayı, EEG ve/veya HRV özelliklerini standart yöntemlerle çıkarmayı veya EEG sinyallerinden kalp artefaktlarını çıkarmayı hedefleyen herkes için uygundur. BrainBeats'in genel akışını ve yöntemlerini özetleyen bir blok diyagram için Şekil 1'e bakın.

ŞEKIL 1. BrainBeats'in genel mimarisini ve akışını özetleyen blok diyagramı. Üç yöntemde yaygın olan işlemler kahverengidir. Kalp atışı ile uyarılmış potansiyellere (HEP) ve salınımlara (HEO) özgü işlemler yeşildir. EEG ve HRV özelliklerinin çıkarılmasına özgü işlemler mavidir. EEG sinyallerinden kalp artefaktlarının çıkarılmasına özgü operasyonlar kırmızıdır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Protokol

Her katılımcıdan bilgilendirilmiş onam alındı ve Ural Federal Üniversitesi etik kurulu deney protokolünü onayladı.

1. BrainBeats gereksinimleri

1. MATLAB ve EEGLAB'ı bilgisayara yükleyin. EEGLAB https://github.com/sccn/eeglab olarak indirilebilir ve bilgisayarın herhangi bir yerinde açılabilir (veya Git kullanıcıları için klonlanabilir). Yükleme hakkında daha fazla ayrıntı için GitHub sayfasına bakın.
2. MATLAB'ın ana panelindeki EEGLAB klasörüne giden yolu Set Path (Yolu Ayarla ) butonuna tıklayarak ekleyin. Sıkıştırılmış dosyanın bulunduğu eeglab klasörünü seçin ve Kaydet > Kapat'a tıklayın.
3. MATLAB'ın komut penceresine eeglab yazarak EEGLAB'ı başlatın.
4. Dosya > EEGLAB uzantılarını yönet'i tıklayarak BrainBeats eklentisini yükleyin. Arama çubuğuna brainbeats yazın, listeden BrainBeats eklentisini seçin ve Yükle/Güncelle'ye tıklayın.
5. Örnek veri setini EEGLAB'a yükleyin. Dosya > Mevcut verileri yükle'ye tıklayın. EEGLAB klasörüne gidin, eklentiler klasörüne gidin, BrainBeats klasörüne gidin ve sample_data klasörüne açın. dataset.set dosyasını seçin.
   NOT: Bu veri seti, açık kaynaklı çok konulu bir veri setinden^62,63 alt 032'ye (gözler açıkken dinlenme durumu) karşılık gelir. Bu, 1000 Hz örnekleme hızında eşzamanlı EEG (64 kanal), EKG (bir kanal) ve PPG (bir kanal) içerdiği için seçildi. EKG ve PPG sinyalleri actiCHamp sisteminin yardımcı girişleri kullanılarak toplandı. EEG verileri, 10-20 sistemine göre yerleştirilmiş aktif elektrotlarla, online referans olarak FCz ve toprak elektrodu olarak Fpz ile ve empedans 25 kOm'un altında tutularak kaydedildi. EKG, dirsekten 3 cm distalde sağ el bileğine, referans elektrot sol el bileğine ve zemin ön kola dirsekten 3 cm distal olarak yerleştirilen bir adet aktif elektrot kullanılarak kaydedildi. Sol işaret parmağından PPG kaydedildi. EEG, EKG ve PPG verileri, aynı amplifikatör ile aynı anda kaydedildikleri için zamanla senkronize edilir. Daha fazla ayrıntı için^62,63 referanslarına bakın.
6. İlgili .set dosyasındaki her şeyi EEGLAB'a yüklenen orijinal dosyayla aynı konuma kaydetmek için Çıktıları Kaydet onay kutusunu işaretleyin.
   NOT: Bu eğitim için EEG, EKG ve PPG verilerini tek bir EEGLAB veri kümesinde birleştirdik, 3B sınır elemanı yöntemi (BEM) elektrot koordinatlarını yükledik ve dosya ağırlığını azaltmak (kullanıcı indirmesi için) ve hesaplama süresini hızlandırmak için sinyali 250 Hz'e düşürdük. Bu veri kümesinde anormal bir EEG kanalı olmadığından, BrainBeats'in kötü kanal algılama ve kaldırma algoritmasını göstermek için TP9 kanalını yapay olarak değiştirdik. Benzer şekilde, BrainBeats'in artefakt kaldırma özelliğini göstermek için dosyanın başında büyük bir EEG artefaktını ve temporal kanallarda 3-6 saniye arasında yüksek frekanslı kas benzeri bir artefaktı yapay olarak simüle ediyoruz.

2. Kalp atışı ile uyarılmış potansiyeller (HEP) ve salınımlar (HEO)

1. Ana parametreleri seçmek için BrainBeats'in ilk genel kullanıcı arayüzünü (GUI) açın. EEGLAB'da, BrainBeats'> Araçlar > 1. düzey (konu düzeyi) seçeneğine tıklayın. Çalıştırılacak analiz olarak Kalp atışı ile uyarılmış potansiyeller HEP'i, kalp veri türü olarak EKG'yi seçin ve EKG etiketli EKG kanalını seçmek için kanal listesini görüntülemek için düğmeye tıklayın (veya doğrudan metin kutusuna yazın). Çıktıları görselleştir (önerilen) ve Çıktıları kaydet seçeneklerini seçili tutun ve Tamam'a tıklayın.
2. Önceki seçeneklere bağlı olarak ikinci bir GUI penceresi açılır (yani, EKG verileriyle HEP analizi). Hem EEG hem de EKG sinyalleri için ön işleme parametrelerini seçin. BrainBeats'i başlatmadan önce verilerin önceden işlenip işlenmediğini görmek için EKG'yi Önceden İşleme Al ve EEG'yi Ön İşleme kutularının işaretini kaldırarak ön işlemeyi kapatın. Bu EEG verileri Rusya'da kaydedildiği için Ön İşlem EEG bölümünde Güç hattı gürültüsünü 50 Hz olarak değiştirin. Başlatmak için Tamam'a tıklayın.
3. Algılanan PPG kanalını kaldırmak için onay isteyen bir uyarı mesajı görünecektir. Bunun nedeni, araç kutusunun hem EKG'yi hem de PPG'yi (veya diğer yardımcı kanalları) aynı anda analiz etmek için tasarlanmamış olması ve veri kümesinde tutulmasının ciddi hatalara yol açmasıdır (örneğin, artefakt kaldırma, zayıf ICA ayrışması vb.). Evet'e tıklayın. BrainBeats, bazı kontroller yapmaya, bazı varsayılan parametreleri ayarlamaya başlar ve EKG sinyalini önceden işlemek ve RR aralıklarını hesaplamak için EKG'yi EEG verilerinden ayırır.
4. EKG ve RR zaman serileri, BrainBeats'in veri biçimlendirmesine uymak, netliği artırmak, parametre ayarı ve hesaplama süresini artırmak için uyarlanmış Physionet Kardiyovasküler Sinyal araç kutusu ^46,64'ten doğrulanmış algoritmalar kullanılarak önceden işlenir (algoritmaların doğrulanması için referanslara bakın). Eklenti, RR aralıklarını, zaman damgalarını, filtrelenmiş EKG sinyalini, R-tepe indekslerini ve kalp atış hızını (HR) verir. Bu parametreleri GUI veya komut satırı aracılığıyla ayarlayın.
   NOT: EKG sinyali, özelleştirilmiş, doğrulanmış bir filtre (1-30 Hz) kullanılarak bant geçiren filtrelenir ve Pan-Tompkins (P&T) yöntemi^65'i kullanarak QRS kompleksini ve R-tepe noktalarını tanımlamak için sinyali tarar ve en iyi performans için farklılaşma, kareleme, entegrasyon ve yumuşatma dahil olmak üzere bazı sinyal işleme işlemlerini uygular. P&T enerji eşiği, büyük çarpmalardan kaynaklanan bozulmayı önlemek için örnekleme hızına ve düzleştirilmiş EKG değerlerine dayalı olarak tahmin edilir. RR aralığı değişkenliği medyanın 1,5 katını aşarsa, kaçırılan zirveleri arar. Ortalama R-tepe işareti 30 sn segmenti üzerinden hesaplanır ve tepe noktaları, refrakter periyot kontrolü ile rafine edilir, düz çizgi koşulları yönetilir ve tutarlı algılama sağlanır.
5. Daha sonra BrainBeats, ileri-geri arama ve fizyolojik eşikler kullanarak anormal RR aralıklarını veya RR aralıklarındaki ani artışları tanımlar. Sinyal kalitesi indeksi (SQI)^{hesaplanır 46}; Sistem, RR zaman serilerinin %20'sinden fazlasının RR artefaktları içerdiği durumlarda (fizyolojik sınırların dışında veya 0,9'un altında bir SQI ile) uyarılar görüntülüyorsa bunu kontrol edin. Bir çizim, filtrelenmiş EKG sinyalini, tanımlanmış R-tepe noktalarını, NN aralıklarını ve enterpolasyonlu artefaktları gösterir (bkz. Şekil 2).
   NOT: RR artefaktları, normalden normale (NN) aralıkları elde etmek için şekil koruyucu parçalı kübik yöntem kullanılarak varsayılan olarak enterpolasyonlu hale getirilir, ancak bunları kaldırın (önerilmez) veya gerekirse başka bir enterpolasyon yöntemi (doğrusal, kübik, en yakın komşu, önceki/sonraki komşu, spline, kübik evrişim veya modifiye Akima kübik) kullanın. Birden fazla EKG kanalı mevcut olduğunda, her biri için RR aralıkları tahmin edilir ve sonraki adımlar için en az sayıda RR artefaktına sahip kanal seçilir.
6. Sağ/sol Oklara basarak daha yakından incelemek için R-tepe noktalarının yakınlaştırılmış 30 sn pencereleri arasında ilerleyin. Veriler birden fazla EKG/PPG kanalı içeriyorsa, RR aralıkları için en iyi sinyal kalitesi indeksine sahip kanalı kullanın. BrainBeats şu anda hem EKG hem de PPG sinyallerini aynı anda desteklememektedir. Öğretici amacıyla, her iki veri türünü de içeren örnek bir veri kümesi seçtik.
7. EKG sinyali ile yapıldıktan sonra, BrainBeats bant geçişi, kalp atışı öncesi ve sonrası dönemler arasındaki bulaşma aktivitesini azaltmak, nedenselliği korumak ve istenmeyen grup gecikmelerini önlemek için varsayılan olarak doğrusal olmayan nedensel minimum faz FIR filtresi kullanarak EEG verilerini 1-40 Hz'de filtreler⁴⁴. Bu, özellikle kalp atışı öncesi dönemi inceleyen kullanıcılar için önemlidir. Alçak geçiren filtre, güç hattı frekansının üzerinde bir değere ayarlanmışsa (örneğin, 80 Hz'de güç hattı frekansı ile 50 Hz alçak geçir), hat gürültüsü artefaktını gidermek için keskin bir çentik filtresi kullanın. EEG verileri daha sonra 30'dan az kanal tespit edilmedikçe (bu durumda güvenilir bir şekilde yeniden referans verilemez ve kullanıcıların bilmesini sağlamak için bir uyarı oluşturulur) REST algoritması (HEP analizi⁴⁹ için en uygun olanı) kullanılarak sonsuza kadar yeniden referans alınır.
8. BrainBeats daha sonra anormal EEG kanallarını algılar, kaldırır ve enterpolasyon yapar (Şekil 3). Varsayılan parametrelerin 5 saniyeden büyük düz çizgiler (clean_flatlines algoritması), maksimum yüksek frekanslı gürültü standart sapması 10, pencere uzunluğu 5 saniye (yavaş frekanslı artefaktları daha iyi yakalamak için⁵²), komşu kanallar arasında minimum korelasyon .65 ve maksimum tolere edilen kısım %33 (clean_channels algoritması) olduğunu kontrol edin.
   NOT: RANSAC örneklerinin sayısı, hatalı kanal reddinin yakınsamasını ve tekrarlanabilirliğini artırmak için varsayılan olarak 500'e ayarlanmıştır (hesaplama süresini artırsa da).
9. Daha sonra, her bir kalp atışını işaretlemek için EEG verilerine olay belirteçleri olarak R-pikleri ekleyin ve verileri taban çizgisi kaldırmadan bu belirteçler etrafında bölümlere ayırın (yönergelere^{göre 43,66}; Şekil 4). NN aralıkları farklı uzunluklara sahip olduğundan ve EEG'nin sabit bir uzunlukta bölümlere ayrılması gerektiğinden, interbeat-interval (IBI) verilerinin 5^{. yüzdelik} dilimini kullanarak R-tepe olaylarını takip eden minimum dönem boyutu kesimini tahmin edin (yani, en kısa IBI'lerin %5'inin altına düştüğü değer, histogramda kesikli kırmızı çizgi olarak gösterilir; bkz. Şekil 5).
   NOT: Bu 5^. yüzdelik değer, HEP/HEO analizi için ilgi süresi kalp atışından 200-600 ms^{sonra 49,67} olduğundan, çok kısa olmamasını sağlarken mümkün olduğunca çok sayıda dönemi korumak için iyi bir uzlaşmadır.
10. EEG verilerini, R-zirvelerinden önceki -300 ms'den, R-zirvesi 0 zamanında olacak şekilde, R-zirvesi sonrası 5^{. persentil} değerine segmentleyin. 550 ms'den daha kısa veya birden fazla R-tepe noktası içeren (ERP/ERSP'yi saptırır)^{dönemleri 49,67} yönergelerine göre reddedin. Büyük EEG artefaktları içeren dönemler, kök-ortalama-kare (RMS) ve sinyal-gürültü oranı (SNR) metrikleri ve MATLAB'ın izoutlier fonksiyonu kullanılarak tespit edilir (Şekil 6). Artefakt dönemler kaldırıldı.
11. En iyi performans⁵³ için veri sıralamasını hesaba katan varsayılan Infomax algoritmasını kullanarak kör kaynak ayrımı gerçekleştirin. İstenirse, hızlı hesaplama için önceden koşullandırılmış bağımsız bileşen analizi (PICARD) algoritmasını^{seçin 54,54} Picard (hızlı) seçeneğini seçerek veya alan ICA yöntemi için Değiştirilmiş Infomax (uzun ama tekrarlanabilir) seçeneğini seçerek değiştirilmiş Infomax algoritmasını seçin (bu çok daha uzun hesaplama süreleri içermesine rağmen). Beyin dışı artefaktları çıkarmak için IC'leri otomatik olarak sınıflandırmak için ICLabel eklentisini⁵⁶ kullanın (oküler bileşenler %90 güvenle çıkarılırken, kas, çizgi gürültüsü ve kanal gürültüsü %99 güvenle kaldırılır; Şekil 7).
12. Son EEG zaman serisini, genel ortalama HEP'i (Şekil 8 üstte), her kalp atışı için HEP'i (Şekil 8 altta) ve büyük ortalama kalp atışı ile uyarılan salınımları (HEO; Şekil 9). HEO'ları olayla ilgili spektral pertürbasyon (ERSP, yani kalp atışları boyunca EEG gücündeki değişiklikler; Şekil 9 üstte) ve denemeler arası faz tutarlılığı (ITC, yani kalp atışları boyunca faz açısının tutarlılığı; Şekil 9 altta).
    NOT: ERSP, varsayılan 3 döngülü bir dalgacık (Hanning-konik pencere uygulanmış, ped oranı 2) kullanılarak ve daha yüksek frekanslar için kullanılan dalgacıklardaki döngü sayısı, en yüksek frekansında (1 eksi 0,8) eşdeğer FFT penceresindeki döngü sayısının %20'sine kadar yavaşça genişleyerek hesaplanır. Bu, işlev tarafından ölçülen tek tek pencerelerin şekillerini ve sonuçta elde edilen zaman/frekans panellerindeki şekillerini kontrol eder. Gösterim amacıyla rastgele bir taban çizgisi çıkarılır ve literatürde açıklanan tipik HEO etkisini, yani frontocentral elektrotlar^17,67 üzerinden alfa bandında (8-13 Hz) kalp atışından 300-450 ms sonra yakalamak için 7-25 Hz frekansları için ERSP hesaplanır. Daha düşük frekanslar, interbeat aralıkları tarafından tanımlanan kısa dönem boyutu nedeniyle tahmin edilemez. Parametrik olmayan (permütasyon) istatistikler, yanlış keşif oranı (FDR, yani tip 1 hata veya aile bazında hata) için düzeltilmiş 0.05'lik bir p değeri için HEO'yu görselleştirmek için uygulanır. Bu grafikler, öğretici amaçlar veya tek deneme analizi için oluşturulur.
13. Farklı adımları görselleştirmek için ön işleme grafikleri oluşturulur. Bu özelliği kapatmak için Ön işlemeleri görselleştir kutusunun işaretini kaldırın. Nihai EEG verileri (R-pikleri etrafında temizlenmiş ve bölümlere ayrılmış), ERP / ERSP analizini önyargılı hale getireceği için EKG verilerini içermez. Kalp kanalını son çıktıda korumak için Kalp kanalını koru kutusunu işaretleyin.
    NOT: Bir sonraki dosyayı (bir sonraki koşul veya katılımcı) işlemeden önce gerekirse burada duraklayın.
14. BrainBeats, EEGLAB'ın geçmiş işlevini destekler. Tüm işlemlerin sonunda, yukarıdaki tüm adımları tek bir komut satırı üzerinden tekrarlamak için komut satırını yazdırmak için MATLAB'ın komut penceresine eegh yazın, GUI'de manuel olarak seçilen parametrelerle kolay otomasyon sağlar. EEGLAB yapısında ön işleme çıktılarını (örneğin, kardiyovasküler zaman serilerinin sinyal kalitesi indeksi, NN aralıkları, çıkarılan EEG kanalları, segmentler ve bileşenler vb.) bulun: EEG.brainbeats.preprocessings. Tüm parametreler ayrıca EEG.brainbeats.parameters içinde dışa aktarılır.
15. İleri düzey kullanıcılar için, yukarıdaki tüm adımları aşağıdaki komut satırlarıyla varsayılan parametrelerle gerçekleştirin (daha fazla seçenek için BrainBeats deposundaki öğretici komut dosyasına bakın):
    EEGLAB; kapatmak; % EEGLAB'ı GUI olmadan başlatın
    main_path = dosyaparçaları(hangi('eegplugin_BrainBeats.m')); cd(main_path);
    EEG = pop_loadset('dosyaadı','dataset.set',
    'filepath',fullfile(main_path, 'sample_data')); %Örnek veri kümesini yükle
    EEG = brainbeats_process(EEG,'analiz',
    'hep', 'heart_signal', 'EKG', 'heart_channels',
    {'EKG'},'clean_eeg',doğru); % Varsayılan parametrelerle HEP analizi için dosyayı işlemek üzere BrainBeats 1^{. seviyesini başlatın}
16. Yukarıdaki adımlar, EKG sinyalinden HEP/HEO gerçekleştirdi. PPG sinyali için aşağıdaki adımları kullanın.
17. Aşağıdaki adımlarda, aynı işlemleri bir PPG sinyali kullanarak gerçekleştirin. Önceki işlemler üzerine yazdığı için aynı veri kümesini yeniden yükleyin (bkz. adım 1.5) ve ana parametreleri seçmek için BrainBeats'in ilk GUI'sini tekrar açın. BrainBeats > 1. düzey (konu düzeyi) > Araçlar'ı tıklayın. Çalıştırılacak analiz olarak Kalp atışı ile uyarılmış potansiyelleri (HEP), kalp veri türü olarak PPG'yi seçin ve PPG kanalını seçmek için kanal listesini görüntülemek için düğmeye tıklayın. Çıktıları görselleştir (önerilen) ve Çıktıları kaydet seçeneklerini seçili tutun ve Tamam'a tıklayın.
18. İkinci GUI penceresi, adım 2.2'ye benzer bir şekilde açılır. Tek fark, artık EKG sinyali yerine PPG sinyalini işlemek için parametrede ince ayar yapabilmemizdir. Varsayılan parametrelerle çalıştırmak için Tamam'a tıklayın.
19. Algılanan ekstra EKG kanalının çıkarılması için onay isteyen bir uyarı mesajı görünür. Yine, bu beklenen bir durumdur. Evet'e tıklayın. Varsayılan olarak, araç kutusu PPG sinyalini önceden işleyecek, RR aralıklarını elde etmek için darbe dalgalarını algılayacak, varsa RR artefaktlarını tanımlayacak ve bunları enterpolasyon yapacaktır (Şekil 10). Adımlar 2.7. 2.12'ye kadar. gerçekleştirilir ve aynı grafikler ve çıktılar üretilir, ancak PPG sinyalinden algılanan R dalgalarına dayalı olarak (bkz. Şekil 11 ve Şekil 12).
    NOT: R dalgaları, belirli bir pencere içindeki sinyalin eğimi kullanılarak algılanır. Eğim dinamik bir eşiği aştığında potansiyel darbeler işaretlenir ve bu, algılama geçmişine ve sinyal özelliklerine göre ayarlanır. Algoritma daha sonra maksimum eğimi belirlemek için bir göz kapama periyodu içinde arama yapar ve ardından darbe dalgasının başlangıcı eşikleme yoluyla belirlenir. R dalgası zirveleri, başlangıca yakın vadiler olarak tanımlanır ve konumları kaydedilir. Algoritma, algılama eşiklerini sürekli olarak ayarlayarak ve daha sonra RR aralıklarını hesaplamak için kullanılan R dalgası tepe noktalarını belirleyerek tüm sinyal boyunca yinelenir.
20. İleri düzey kullanıcılar için, yukarıdaki tüm adımları aşağıdaki komut satırlarıyla varsayılan parametrelerle gerçekleştirin (daha fazla seçenek için BrainBeats deposundaki öğretici komut dosyasına bakın):
    EEGLAB; kapatmak; % EEGLAB'ı GUI olmadan başlatın
    main_path = dosyaparçaları(hangi('eegplugin_
    BrainBeats.m')); cd(main_path);
    EEG = pop_loadset('dosyaadı','dataset.set',
    'filepath',fullfile(main_path, 'sample_data')); %Örnek veri kümesini yükle
    EEG = brainbeats_process(EEG,'analiz',
    'hep', 'heart_signal', 'PPG', 'heart_channels',
    {'PPG'},'clean_eeg',doğru); % Varsayılan parametrelerle HEP analizi için dosyayı işlemek üzere BrainBeats 1^{. seviyesini başlatın}

3. EEG ve HRV özelliklerinin çıkarılması

1. Aynı veri kümesini yeniden yükleyin (bkz. adım 1.5; Önceki işlemler tarafından üzerine yazıldığı için Dosya > Mevcut veri kümesini yükle > Select dataset.set) öğesine tıklayın ve ana parametreleri seçmek için ana GUI'yi yeniden açın (adım 2.1; BrainBeats > Araçlar'ı > 1. seviye) tıklayın. Analiz türü için EEG ve HRV özelliklerini çıkar'ı, kalp sinyali türü için EKG'yi seçin ve elektrot etiketleri listesinden EKG'yi seçin. Tamam'a tıklayın.
2. İkinci GUI penceresi, adım 2.2'deki gibi açılır, ancak EEG ön işleme ve HRV ve EEG özelliklerinin çıkarılması için farklı parametrelerle açılır. Bu parametreleri aşağıda açıklandığı gibi ayarlayın. Varsayılan parametrelerle başlatmak için Tamam'a tıklayın.
   1. HRV bölümünde, HRV gücünü hesaplama yöntemini (varsayılan olarak normalleştirilmiş Lomb-Scargle periodogramına ayarlanmıştır), pencere çakışmasını (varsayılan olarak %25'e ayarlanmıştır) ve ikinci düzey normalleştirme gerçekleştirme yöntemini (varsayılan olarak ayarlanmamıştır; daha fazla ayrıntı için aşağıdaki nota bakın) seçmek için seçenekler düğmesine tıklayın.
   2. EEG özellikleri bölümünde, güç spektral yoğunluğunun hesaplanacağı genel frekans aralığı (PSD; varsayılan = 1-40 Hz), birimler (desibel, μV²/Hz veya toplam güçle normalleştirilmiş), pencere tipi (varsayılan = hamming), pencere örtüşmesi (varsayılan = %50), pencere uzunluğu (varsayılan = 2 s), ve her bant için frekans sınırı türleri.
      NOT: HRV gücü, varsayılan olarak, yeniden örnekleme gerektirmeyen (dolayısıyla orijinal bilgilerin daha iyi korunması) ve aynı şekilde örneklenmemiş veriler, eksik veriler ve gürültü (NN aralıklarında tipik) ile en iyi şekilde ilgilenen normalleştirilmiş Lomb-Scargle periodogramı kullanılarak ^{hesaplanır68}. Normalleştirilmiş versiyon, gücü sinyalin varyansına göre ölçeklendirerek, değişen gürültü seviyelerine daha az duyarlı, periyodik bileşenlerin göreceli gücüne daha fazla odaklanan ve farklı kayıtlar veya konular arasında daha karşılaştırılabilir sonuçlar sağlar. Mevcut diğer yöntemler arasında normalleştirilmemiş Lomb-Scargle periodogramı, Welch yöntemi ve Hızlı Fourier Dönüşümü (FFT) bulunur. Gerekli düzenli olarak örneklenmiş zaman serilerini oluşturmak için Welch ve FFT yöntemleri için yeniden örnekleme otomatik olarak gerçekleştirilir. İkinci seviye bir normalleştirme, her bir frekans bandının gücünü toplam güce bölerek uygulanabilir ve her bir frekans bileşeninin toplam güce göreceli katkısının daha sezgisel bir ölçümünü sağlar. Varsayılan olarak devre dışıdır, çünkü yalnızca dört bandın tümü mevcut olduğunda ve en az 24 saatlik sinyal gerektirdiğinde anlamlıdır. Bu algoritmalar Physionet Kardiyovasküler sinyal işleme araç kutusu^46'dan uyarlanmıştır.
3. Aynı uyarı mesajı görüntülenir ve algılanan ekstra PPG kanalını kaldırmak için onay ister. Yine, bu beklenen bir durumdur. Evet'e tıklayın. BrainBeats, EKG verilerini önceden işlemeye ve NN aralıklarını adım 2.4'te olduğu gibi aynı şekilde çıkarmaya başlayacaktır. Ardından, zaman (SDNN, RMSSD, pNN50), frekans (ULF, VLF, LF, HF, LF:HF oranı, toplam güç) ve doğrusal olmayan (Poincare, faz düzeltmeli sinyal ortalaması, bulanık entropi ve fraktal boyut) alanlarındaki NN aralıklarından kalp atış hızı değişkenliği (HRV) özelliklerini çıkarır.
   NOT: BrainBeats, minimum gereksinimlerin karşılandığından emin olmak için dosya uzunluğunu otomatik olarak kontrol eder (örneğin, ULF-HRV gücü 24 saat veri gerektirir), değilse uyarı mesajları gönderir ve güvenilir olmayan tahminleri önlemek için bu özellikleri dışa aktarmaz. BrainBeats, HRV metriklerini tahmin etmek için yönergeleri ve önerileri takip eder ^27,45.
4. BrainBeats, EEG verilerini adım 2.7'deki gibi önceden işler. (bkz. Şekil 3). Artefakt alt uzayı yeniden yapılandırma (ASR) algoritması^50,52 (varsayılan SD kriteri 30'a ayarlanmıştır ve hızı artırmak için mevcut RAM'in %80'i kullanılır) kullanılarak sürekli verilerde büyük artefaktlar otomatik olarak algılanır. Bu büyük artefaktlar EEG verilerinden çıkarılır (bkz. Şekil 13). GUI'de bu parametreleri ayarlamak için, ASR ile hatalı segmentleri reddetmek için Eşik ve ASR için kullanılacak Kullanılabilir RAM alanlarını seçin.
   NOT: EEG ve kardiyovasküler zaman serilerinin, özellikler modu için zaman senkronizasyonu yapılmasına gerek yoktur, çünkü özellikler her sinyalde ayrı ayrı tahmin edilir. Bu nedenle, EEG artefaktları doğrudan EEG verilerinden (kırmızı, Şekil 13) çıkarılabilir, burada artefakt içeren dönemler her iki zaman serisi için de reddedildi, çünkü bu yöntem için ms doğruluğu ile zaman senkronizasyonu gereklidir.
5. HEP ile aynı algoritmaları ve parametreleri kullanarak ICA gerçekleştirin (bkz. adım 2.11.), ancak bu sefer kalp bileşenleri %99 güvenle tespit edilirse çıkarılır (ilgili kardiyak ile ilgili sinyalleri kaldırmak istemediğimiz için bunlar HEP/HEO için korunmuştur).
6. Frekans alanı kutusu adım 3.2'de işaretlenmiştir, bu nedenle BrainBeats aşağıdaki frekans alanı özelliklerini çıkarır: delta (1-3 Hz), teta (3-7 Hz), alfa (8-13 Hz), beta (13-30 Hz) ve gama (30+ Hz) frekans bantları için ortalama güç spektral yoğunluğu (PSD), bireysel alfa frekansı (IAF) ve mevcut tüm (simetrik) elektrot çiftlerinde alfa asimetrisi. Bu özellikleri kontrol edin.
   NOT: Desibel'e (dB) dönüştürülen PSD, sonuçların kayıtlar ve konular arasında karşılaştırılmasını kolaylaştırır. Frekans sınırları, geleneksel sınırlara (örneğin, alfa bandı için önceden tanımlanmış 8-13 Hz) veya bireyler arası farklılıkları⁶⁹ hesaba katmak için güç spektral yoğunluğunun dağılımından tespit edilen bireyselleştirilmiş sınırlara ayarlanabilir (örneğin, alfa bandı için 7.3-12.6 Hz). Algoritma alfa bandı için tasarlanmıştır ve özellikle güç spektral dağılımında tepe noktaları olmadığında diğer bantlar için iyi performans göstermez. Bireysel alfa frekansı (IAF), bölünmüş tepeler veya belirsiz tepelerle daha iyi başa çıkmak için alfa ağırlık merkezi kullanılarak tahmin edilir⁶⁹. Alfa asimetrisi, yönergelere göre hesaplanır (%50 örtüşme ile 2 sn hamming penceresi, sol kanaldan gelen alfa gücünün logaritması eksi sağ kanaldan gelen alfa gücünün logaritması)⁴⁷. Bu nedenle, pozitif değerler sağdan daha fazla sol alfa gücünü gösterir ve bunun tersi de geçerlidir. Alfa asimetrisi, her bir elektrottan gelen alfa gücünün, tüm elektrotlar arasında toplanan alfa gücüne bölünmesiyle normalleştirilebilir⁴⁷. Simetrik çiftler, EEG verilerinin elektrot koordinatlarını içermesini gerektiren teta mesafeleri kullanılarak elde edilir.
7. Doğrusal olmayan alan kutusu adım 3.2'de işaretlenmiştir, BrainBeats her EEG kanalı için bulanık entropiyi ve fraktal boyutu çıkarır.
   NOT: Doğrusal olmayan alan özelliklerinin, spektral ölçümlerle gözden kaçan beynin doğrusal olmayan, karmaşık dinamiklerini yakaladığı ve çeşitli vücut sistemleri arasındaki etkileşimleri araştırmak için özel bir umut vaat ettiği düşünülmektedir^70,71,72. Bulanık entropi, alternatiflerinden (örneklem ve yaklaşık entropi) daha güvenilir ve sağlamdır, ancak daha uzun hesaplama süreleri gerektirir (özellikle yüksek örnekleme oranlarına sahip uzun EEG zaman serilerinde). Bu sorunu çözmek için, EEG sinyalleri 100 Hz'den daha yüksek bir örnekleme hızıyla 2 dakikadan uzun olduğunda, otomatik olarak 90 Hz'e (yani, varsayılan alçak geçiren filtreyle eşleşmesi ve hat gürültüsü artefaktlarını mümkün olduğunca önlemek için 45 Hz'lik bir Nyquist frekansına karşılık gelir) alt örneklenir (veya faktör bir tamsayı olmadığında azaltılır). Ayrıca, EEG özelliklerini tahmin ederken paralel hesaplama varsayılan olarak etkinleştirilir, bu da özellikle birçok EEG kanalı mevcut olduğunda hesaplama süresini azaltır.
8. HRV ve EEG verileri için güç spektral yoğunluğunu (PSD) (Şekil 14) ve bazı EEG özelliklerini gösteren kafa derisi topografyalarını (Şekil 15) gösteren bir çizim oluşturmak için ilk GUI'de Çıktıları görselleştir'i seçin (bkz. adım 3.1.).
   NOT: Ayrıca bazı ön işleme çıktılarını EEG.brainbeats.preprocessing'de ve EEG.brainbeats.parameters'da kullanılan tüm parametreleri bulabilirsiniz. Bulguların tekrarlanabilirliğini artırmak için kullanıcıları bu çıktıları bilimsel yayınlarda bildirmeye teşvik ediyoruz.
9. EEG.brainbeats.features içindeki EEGLAB .set dosyasına dışa aktarılan tüm özellikleri kaydetmek ve bunları veri kümesinin yüklendiği klasördeki bir .mat dosyasına kaydetmek için ilk GUI penceresinde Çıktıları kaydet kutusunu işaretli tutun.
10. BrainBeats, EEGLAB'ın geçmiş işlevini destekler. Tüm işlemlerin sonunda, komut satırını yazdırmak için MATLAB'ın komut penceresine eegh Bu, yukarıdaki tüm adımları tek bir komut satırı üzerinden, GUI'de manuel olarak seçilen parametrelerle tekrarlamanıza olanak tanır ve işlemlerin kolay otomasyonuna ve çoğaltılmasına olanak tanır.
11. İleri düzey kullanıcılar için, yukarıdaki tüm adımları aşağıdaki komutla gerçekleştirin:
    EEGLAB; kapatmak; % EEGLAB'ı GUI olmadan başlatın
    main_path = dosyaparçaları(hangi('eegplugin_BrainBeats.m')); cd(main_path);
    EEG = pop_loadset('dosyaadı','dataset.set',
    'filepath',fullfile(main_path, 'sample_data')); % Örnek veri kümesini yükle
    EEG = brainbeats_process(EEG,' analizi',
    'özellikler', 'heart_signal', 'EKG', 'heart_channels', {'EKG'}, 'clean_eeg', doğru);
12. Önceki adımlar, EKG sinyalinden HRV özelliklerini çıkardı. PPG sinyalinden HRV özelliklerini çıkarmak için aşağıdaki adımları kullanın (EEG özellikleri aynıdır).
13. İşlemler tarafından üzerine yazıldığı için aynı veri kümesini yeniden yükleyin (adım 1.5.) ve ana GUI'yi yeniden açın (adım 2.5.). Analiz için EEG ve HRV özelliklerini çıkar'ı seçin ve kalp sinyali türü için PPG'yi ve kanal adı için PPG'yi seçin. Tamam'a tıklayın.
14. 2. GUI penceresi artık PPG'yi ön işleme ve HRV ve EEG özelliklerini çıkarmak için parametreleri göstermektedir. Varsayılan parametrelerle çalıştırmak için Tamam'a tıklayın. Parametreler adım 2.17'de açıklanmıştır.
15. Algılanan EKG kanalını kaldırmak için onay isteyen bir uyarı mesajı görünecektir. Araç kutusu hem EKG'yi hem de PPG'yi (veya diğer yardımcı kanalları) aynı anda analiz etmek için tasarlanmadığından ve veri setinde tutulması ciddi hatalara yol açacağından (örneğin, artefakt kaldırma, zayıf ICA ayrışması vb.) bu beklenen bir durumdur. Evet'e tıklayın.
16. BrainBeats, PPG sinyalini önceden işler ve adım 2.5'teki gibi NN aralıklarını tahmin eder. Adım 3.2'deki ile aynı şekilde NN aralıklarından çıkarılan HRV özelliklerini kontrol edin. bunun dışında NN aralıkları artık PPG sinyalinden elde edilmiştir. EEG sinyalleri adım 3.2'deki gibi önceden işlenir. BrainBeats, PSD'yi çizer (Şekil 16). Buradaki tek fark, EKG'nin aksine PPG'den elde edilen NN aralıklarından tahmin edilen PSD'dir.
17. İleri düzey kullanıcılar için, yukarıdaki tüm adımları aşağıdaki komutla gerçekleştirin:
    EEGLAB; kapatmak; % EEGLAB'ı GUI olmadan başlatın
    main_path = dosyaparçaları(hangi('eegplugin_BrainBeats.m')); cd(main_path);
    EEG = pop_loadset('dosyaadı','dataset.set','dosyayolu',
    fullfile(main_path, 'sample_data')); %Örnek veri kümesini yükle
    EEG = brainbeats_process(EEG,'analiz',
    'özellikler','heart_signal', 'PPG','heart_channels',{'PPG'},'clean_eeg',true);

4. EEG sinyallerinden kalp artefaktlarını çıkarın.

1. Örnek veri kümesini yükleyin (bkz. adım 1.5.).
2. BrainBeats > 1. düzey (konu düzeyi) Araçlar > tıklayarak ana GUI penceresini açın ve analiz türü için EEG sinyallerinden kalp artefaktlarını ayıkla'yı, kalp sinyali türü için EKG'yi seçin ve elektrot etiketleri listesinden EKG'yi seçin. Tamam'a tıklayın.
3. 2. GUI penceresi ön işleme parametrelerini gösterir. Güç hattı gürültüsünü 50 Hz (Avrupa) olarak ayarlayın, gerekirse güven seviyesini düzenleyin, Boost modu (beta) kutusunu işaretleyin ve örnek veri kümesinden gelen EEG sinyalleri önceden işlenmediğinden varsayılan parametrelerle çalıştırmak için Tamam'a tıklayın.
   NOT: Kalp bileşenlerini algılamak için güven düzeyi varsayılan olarak %80'e ayarlanmıştır ve bu, bazı veri kümeleri için çok düşük veya çok yüksek olabilir. Bu değerin arttırılması, kalp bileşenlerinin tespit edilme şansını artıracak, ancak bu tespitin güvenilirliğini azaltacaktır. Boost modu (beta) isteğe bağlıdır ve kalp sinyalini EEG sinyallerine bulaştırarak sınıflandırma performansını iyileştirmeyi amaçlar.
4. Algılanan ekstra PPG kanalını kaldırmak için onay isteyen bir uyarı mesajı görünecektir. Araç kutusu hem EKG'yi hem de PPG'yi (veya diğer yardımcı kanalları) aynı anda analiz etmek için tasarlanmadığından ve veri setinde tutulması ciddi hatalara yol açacağından (örneğin, artefakt kaldırma, zayıf ICA ayrışması vb.) bu beklenen bir durumdur. Evet'e tıklayın.
5. EKG sinyali, 1 Hz'in altındaki yavaş frekans kaymalarını ve 20 Hz'nin üzerindeki yüksek frekanslı gürültüyü (nedensel olmayan sıfır fazlı FIR filtresi ile) ortadan kaldırmak için bant geçiren filtrelidir. EEG sinyallerini adım 3.4'teki gibi önceden işleyin.
6. Gerçek veriler için önceden koşullandırılmış ICA algoritmasını (PICARD) kullanarak bağımsız bileşen analizi (ICA) gerçekleştirin. Bu seçeneği değiştirmek için, adım 4.3'teki GUI'den çoğaltma için standart Infomax algoritmasını veya değiştirilmiş Infomax algoritmasını seçin. Ardından, bağımsız bileşenleri ICLabel ile otomatik olarak sınıflandırın. Bir bileşen %80 güvenle kalp bileşeni olarak sınıflandırılırsa, varsayılan olarak EEG verilerinden otomatik olarak algılanır ve çıkarılır.
7. Kalp bileşenini çıkardıktan sonra (kırmızı, Şekil 17 Sağ) çıkarılan bileşenin kafa derisi topografisini (Şekil 17 Sol) ve son EEG zaman serisini (mavi, Şekil 17 Sağ) görselleştirmek için Çıktıları görselleştir kutusunu ilk ana GUI'de (adım 4.2.) saklayın.
   NOT: EKG kanalı, EKG ile ilgili bileşenlerin çıkarılmasını doğrulamak için görselleştirme için korunur, ancak artık ilgili herhangi bir bilgi içermediğinden bu adımdan sonra kaldırılır.
8. İleri düzey kullanıcılar için, aşağıdaki komut satırlarını kullanarak şu adımları gerçekleştirin:
   EEGLAB; kapatmak; % EEGLAB'ı GUI olmadan başlatın
   main_path = dosyaparçaları(hangi('eegplugin_BrainBeats.m')); cd(main_path);
   EEG = pop_loadset('dosyaadı','dataset.set','dosyayolu',
   fullfile(main_path, 'sample_data'));
   EEG = brainbeats_process(EEG,'analiz','rm_heart',
   'heart_signal', 'EKG', ...
   'heart_channels',{'EKG'},'clean_eeg',doğru,'vis_cleaning',yanlış,...
   'conf_thresh',.8,'boost',true);

Sonuçlar

İlk olarak, BrainBeats eklentisi, EEG ve EKG verilerini önceden işlemek, artefaktları tanımlamak ve çıkarmak ve kalp atışı ile uyarılmış potansiyelleri (HEP) ve salınımları (HEO) analiz etmek için kullanıldı. BrainBeats, EKG sinyalinden RR aralıklarını ve bazı RR artefaktlarını başarıyla tespit etti (Şekil 2). BrainBeats ayrıca komut penceresinde kalp atışlarının 11/305'inin (% 3.61) artefakt olarak işaretlendiğini ve enterpolasyonlu olduğunu bildirdi. RR ...

Tartışmalar

Protokoldeki kritik adımlar
Kritik adımlar 1.1-1.4 adımlarında açıklanmıştır. Uyarılar ve hata mesajları, kullanıcıların neden sorunlarla karşılaşabileceklerini anlamalarına yardımcı olmak için araç kutusunun çeşitli yerlerine uygulanır (örneğin, EEG verilerine yüklenmemiş elektrot konumları, dosya uzunluğunun ultra düşük frekanslı HRV'nin güvenilir bir ölçümünü hesaplamak için çok kısa olması, sinyal kalitesinin herhangi bir güvenilir analiz için çok d?...

Malzemeler

Name	Company	Catalog Number	Comments
EEGLAB	Swartz Center for Computational Neuroscience (SCCN)		Free/Open-source
MATLAB	The Mathworks, Inc.		Requires a license
Windows PC	Lenovo, Inc.