Noetic Sciences Enstitüsü bu araştırmayı destekledi. BrainBeats'in bazı algoritmalarını geliştirmek için uyarlanan orijinal açık kaynaklı algoritmaların geliştiricilerine teşekkür ederiz.

EEG ve Kardiyo Sinyalleri ile Beyin-Kalp Etkileşiminin Ortaya Çıkarılması

Yazarların ifşa edecek hiçbir şeyi yok.

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?...

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 verme48,49, 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 kullanabilir60,61. 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.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody><tr><td>Yöntem</td>
			<td>EKG'den R-tepe noktalarını tespit edin</td>
			<td>PPG'den R dalgalarını tespit edin</td>
			<td>HEP/HEO</td>
			<td>EEG ve HRV özellikleri</td>
			<td>Kalp artefaktlarını EEG'den çıkarın</td>
			<td>GUI</td>
			<td>Komut satırı</td>
		</tr><tr><td>EKG Kiti</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td></td>
			<td></td>
			<td></td>
			<td>X</td>
		</tr><tr><td>BeMoBİL</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td></td>
			<td>X</td>
		</tr><tr><td>HEPLAB (HEPLAB)</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td>X</td>
			<td>X</td>
		</tr><tr><td>BAKIM-rCortex</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td>X</td>
			<td>X</td>
		</tr><tr><td>Beyin Vuruşları</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>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.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65829/65829fig01.jpg"> 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. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig01large.jpg" target="_blank">Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.</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

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.

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>

Yazar Spotlight: Multimodal Sinyal Analizi için Kapsamlı Bir EEGLAB Eklentisi ile Beyin-Kalp Etkileşimi Çalışmasını Geliştirme

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

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 ...

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

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.

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

BrainBeats araç kutusunun kapsamı, beyin-kalp etkileşimi üzerine araştırma yapmak için açık kaynaklı ve otomatik bir araç sağlamaktır. Araştırmacıların standartlaştırılmış sinyal işleme, özellik çıkarma, grafiksel kullanıcı arayüzü ve veri görselleştirme yoluyla EEG ve kardiyovasküler sinyallerin multimodal analizini yapmalarına olanak tanır. Bilimdeki tarihsel indirgemeci yaklaşımın bir sonucu olarak, beyin ve kalp sistemleri ayrılmış ve izole edilmiştir, bu da etkileşimlerinin ve karşılıklı etkilerinin sınırlı bir şekilde anlaşılmasına yol açmıştır.BrainBeats araç kutusu bu boşluğu doldurmayı amaçlıyor. Beyin ve kalp arasındaki etkileşimi anlamak, araştırmacıların bilişsel ve duygusal durumların kardiyovasküler işlevi nasıl etkilediğine dair daha derin bilgiler edinmelerini sağlar ve bunun tersi de geçerlidir. Buna karşılık, bu içgörüler yeni terapötik müdahalelere ve tedavilere yol açabilir.

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 Görüntüleme.  Toulouse III University. BrainBeats araç kutusunun kapsamı, beyin-kalp etkileşimi üzerine araştırma yapmak için açık kaynaklı ve otomatik bir araç sağlamaktır. Araştırmacıların standartlaştırılmış sinyal işleme, özellik çıkarma, grafiksel kullanıcı arayüzü ve veri görselleştirme yoluyla EEG ve kardiyovasküler sinyallerin multimodal analizini yapmalarına olanak tanır. Bilimdeki tarihsel indirgemeci yaklaşımın bir sonucu olarak, beyin ve kalp sistemleri ayrılmış ve izole edilmi?...

Video: Yazar Spotlight: Multimodal Sinyal Analizi için Kapsamlı Bir EEGLAB Eklentisi ile Beyin-Kalp Etkileşimi Çalışmasını Geliştirme

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.