실시간 독립성분분석 방법을 이용한 심장박동유발전위, 심장박동 관련 주파수 변동 모니터링 및 분류 모델 구성

Abstract

심장박동과 같은 신체 내부 생리학적 상태에 대한 인식은 심전도의 R 피크와 동기화된 심장박동 유발 전위(Heartbeat-evoked potential, HEP)를 비롯한 특정 전기생리학적 반응을 유발한다. HEP 대신 본 연구는 각 R 피크에 맞춰 정렬된 뇌파 신호의 시간-주파수 특성인 심장박동 관련 주파수 변동(Heartbeat-related spectral perturbation, HRSP)에 중점을 둔다. 동적으로 변화하는 뇌 상태의 바이오 마커로서 HRSP의 활용 가능성을 다루기 위해, 뇌파의 독립 성분 분석을 통해 식별된 뇌 성분에서 추출한 HRSP를 소개하며 3D 합성곱 신경망을 활용하는 분류 접근법을 사용했다. 본 연구에서는 심장박동 소리와 백색 소음에 집중하는 과제를 포함한 이진 및 4가지 과제 분류 실험의 분류 정확도를 측정했다. 여러 주파수 대역에 대해 내수용 감각 상태를 효과적으로 구별하는지 평가하고, HRSP가 이러한 상태의 변화를 신뢰성 있게 반영하기 위해 필요한 최소한의 평균 입력 시행 수를 결정했다. 또한, 새로운 참가자의 HRSP를 분류하기 위해 집단 수준의 ICA와 CNN 모델을 개별 ICA 및 CNN 모델과 함께 평가했다. HRSP CNN은 Sham R 피크 기반 HRSP CNN에 비해 유의하게 높은 분류 정확도를 보였다. Grad-CAM 분석은 200-600 ms R 피크 이후 감각 운동 영역, 주의 네트워크 영역, 후두엽 내의 세타 및 알파 대역의 중요한 역할을 수행함을 나타냈으며, 이는 Sham HRSP를 사용한 분류에서는 나타나지 않은 특징이다. 온라인 분류는 개별 EEG 데이터 수집 없이 집단 수준의 ICA 와 사전 학습된 CNN 분류 모델을 사용하는 이점과 함께 신뢰할 수 있는 정확성을 보장한다. 이러한 결과는 HRSP가 내수용 감각 상태를 반영할 수 있는 잠재력을 시사하며, 치료 응용에 있어 변혁적인 함의를 제안한다.

Attending to heartbeats for interoceptive awareness initiates specific electrophysiological responses, including the heartbeat-evoked potential (HEP), synchronized with the R-peaks of an electrocardiogram (ECG). Extending beyond HEP, this study explores heartbeat-related spectral perturbation (HRSP), which represents the time-frequency characteristics of EEG signals aligned with each R-peak. Employing an online classification approach, we investigated HRSP's properties and its capacity to indicate interoceptive attention states. A convolutional neural network (CNN) specifically designed for analyzing HRSPs from brain components identified via EEG's independent component analysis (ICA) was applied in binary and four-class classification experiments. These experiments involved tasks focused on attending to self-heartbeats and white noise. We evaluated the primary frequency bands of HRSP and the minimal number of averaging epochs required to detect frequent changes in interoceptive attention states without compromising accuracy. Further, the study assessed the utility of group ICA and CNN models alongside individual ICA and CNN models for classifying HRSP in new participants. The HRSP CNN demonstrated significantly higher classification accuracy compared to the sham R-peak-based HRSP CNN. Grad-CAM analysis highlighted the prominent role of theta and alpha bands within the sensorimotor area, salience network areas, and precuneus between 200-600 ms post-R-peak—features absent in classifications using sham HRSPs. Online classification benefits from employing a group CNN model with group ICA, ensuring reliable accuracy without additional individual EEG data collection. These findings suggest HRSP's potential to reflect interoceptive attention states, proposing transformative implications for therapeutic applications.