《Frontiers in Neuroimaging》：M-ECG: extracting heart signals with a novel computational analysis of magnetoencephalography data
编辑推荐：
本文提出一种从脑磁图（MEG）数据中提取心电信号（M-ECG）的新算法，通过独立成分分析（ICA）或参考传感器获取心率变异性（HRV）关键指标。研究证实M-ECG与同步记录的心电图（ECG）在时域、频域指标上高度一致，为无创评估自主神经功能及脑-心交互研究提供了新思路。
引言
脑磁图（MEG）作为一种非侵入性神经生理学技术，能够以亚毫秒级精度测量大脑神经元活动产生的磁场。传统MEG分析通常将心电信号等生物电位视为噪声进行剔除，然而这些被丢弃的生理信号可能蕴含重要的生物标志物信息。心率变异性（HRV）作为自主神经系统功能的关键指标，在癫痫、帕金森病、情绪障碍等多种脑疾病中表现出重要临床价值。本研究旨在开发一种从MEG数据中提取心电信号（M-ECG）的新型算法，实现对HRV的准确计算。
方法
研究采用Brainstorm MEG听觉数据集和Open MEG Archive静息态样本数据集，使用CTF 275通道MEG系统采集数据。预处理流程包括将原始MEG数据重采样至600Hz，进行0.5-45Hz带通滤波。通过独立成分分析（ICA）提取心脏独立成分（C-IC），或直接选择表现最强心脏活动的参考传感器通道（REF），共同构成M-ECG信号。
研究开发了基于双阶段阈值处理的R波峰值检测算法。第一阶段通过振幅阈值（默认乘数n=2）识别有效R波，第二阶段对RR间隔异常值进行统计校正（阈值乘数n=1.5）。算法采用线性插值方法保持RR序列的时间连续性，并通过动态时间规整（DTW）和功率谱密度（PSD）分析进行信号验证。
结果
算法性能验证显示，M-ECG与独立心电图（I-ECG）的R波检测在±0.05s容差窗口内具有高灵敏度（0.98）和阳性预测值（0.99）。时域分析表明，M-ECG与I-ECG的RR间隔在标准差（SDNN）、连续差均方根（RMSSD）等指标上高度一致。频域分析显示，M-ECG在低频段（0.04-0.15Hz）和高频段（0.15-0.4Hz）的功率分布与I-ECG密切相关。Bland-Altman分析证实两种测量方法间无显著系统性偏差。
讨论
本研究证实了从标准MEG记录中提取心脏信号的可行性，所获HRV指标与同步ECG记录高度吻合。相较于传统ICA方法，该算法通过参考传感器通道提供了更快速、计算量更小的替代方案，特别适用于大规模回顾性数据集分析。M-ECG技术为脑-心交互研究提供了新的技术路径，使现有MEG数据库的自主神经功能挖掘成为可能。未来研究将在更大样本和临床人群中验证该算法的适用性，特别是在心律失常等异常心电条件下的稳定性。
结论
M-ECG提取算法能够准确捕获心脏活动信号，其计算的HRV指标与标准ECG测量结果具有高度一致性。该技术为神经心脏学研究提供了新的方法学支持，有望推动脑-心交互机制的深入探索和临床应用转化。
