Designing a visual analysis pipeline for exploring TMS effects on heart rate

Abstract

Wir haben eine hochflexible, visuelle Analyse-Pipeline in Jupiter Notebooks entwickelt,um die transkranielle Magnetstimulation (TMS) und die Herzfrequenz (HF) in verschiedenen kognitiven Zuständen von Probanden zu untersuchen. TMS ist eine vielversprechende Behandlungsmethode für schwere depressive Störungen, die nicht auf pharmakologische Behandlungen ansprechen. Der Wirkmechanismus ist jedoch noch nicht vollständig aufgeklärt. Die Forschung zu den besten Erfassungseinstellungen, wie Stimulationsintensitäten und Zielorte, befindet sich noch im Anfangsstadium. Eine multimodale Analysepipeline, die TMS, funktionelle Magnetresonanztomographie (fMRI) und HF integriert, könnte Aufschluss über die Nervenbahnen geben und die Effizienz der TMS steigern. Um die bereits verfügbare Pipeline zur simultanen TMS-fMRI-Analyse auf die multimodale gleichzeitige TMS-fMRI-HR-Analyse auszuweiten, ist die Untersuchung der Auswirkungen der TMS auf die HR der nächste Schritt. Um die Pipeline für visuelle Analyse zu gestalten, führen wir eine Erweiterung des Daten-Nutzer-Aufgaben Designdreiecks [Miksch and Aigner, 2014] ein und wenden diese an, indem wir den bisherigen Workflow-Ansatz in den Gestaltungsprozess integrieren. Da sich der Datenverarbeitungs-Workflow in diesem Bereich noch in der Entwicklung befindet, bietet die Integration des bisherigen Workflow-Ansatzes in den Designprozess Vorteile, indem das Datenerbe respektiert, die Anpassungsfähigkeit der Benutzer unterstützt und die Kompatibilität der Aufgaben sichergestellt wird. Wir bezeichnen dieses Framework als Daten-Benutzer-Workflow-Aufgaben Designpyramide.Anschließend stellen wir eine visuelle Analyse-Pipeline bereit, um die Datenexploration in den frühen Phasen der Forschung zu unterstützen. Die interaktive Vorverarbeitungs-Pipeline umfasst die Extraktion von Daten, die Behandlung fehlender Daten und die Rauschunterdrückung. Um Zeitreihen der HR mit unterschiedlichen Eigenschaften zu vergleichen, visualisieren wir die Ähnlichkeitsmessung Dynamic Time Warping (DTW) und das Clustering der Herzfrequenzvariabilität (HFV). Wir bewerten die Vorverarbeitungsschrittequantitativ anhand simulierter EKG-Daten. Das wichtigste Ergebnis ist, dasslineare und polynomiale Interpolation mit RMSE-Werten (Root Mean Squared Error) von nur -3 bzw. -5-te Potenze als Imputationsmethoden für EKG mit einer Abtastfrequenz von 400 Hz besonders effektiv sind. Zur Bewertung des Nutzungsszenarios für die TMS- und EKG-Datenexploration, verwenden wir die Qualitative Inspektion der Ergebnisse (QRI). Unsere vorgeschlagene visuelle Analyse-pipeline stellt die ersten Schritte zur Integration der TMS-HR-Analyse in einen trimodalen simultanen TMS-fMRI-HF-Ansatz dar.

We designed a highly flexible notebook-based visual analysis pipeline to explore Transcranial Magnetic Stimulation (TMS) and heart rate (HR) in different subjects’ cognitive states. TMS is a promising treatment of major depressive disorder not responsive to pharmacological treatment. However, the mechanism of action is not yet fully understood. The research in the best acquiring settings, such as stimulation intensities and target sites, is emerging. Multimodal analysis pipeline integrating TMS, Functional Magnetic Resonance Imaging (fMRI), and HR could shed light on both understanding the neural pathways and increasing the efficiency of TMS. To extend the already available concurrent TMS-fMRI analysis pipeline towards multimodal concurrent TMS-fMRI-HR, exploring the effect of TMS on HR is the next step. To design the visual analysis pipeline, we introduce and apply an extension of Data–Users–Tasks design triangle [Miksch and Aigner, 2014] by integrating the previous data workflow approach in the designing process. When the data processing workflow in the domain is only evolving, integrating the previous workflow approach into the design process benefits by respecting the data legacy, supports users’ adaptability, and ensures tasks’ compatibility. We refer to this framework as the Data–Users–Workflow-Tasks design pyramid. We subsequently provide a visual analysis pipeline to support data exploration in the early stages of research. The interactive preprocessing pipeline involves extracting data, handling missing data, and reducing noise. To compare time series of HR with different properties, we visualize Dynamic Time Warping (DTW) similarity measurement, and heart rate variability (HRV) metric clustering. We quantitatively evaluate the preprocessing steps using simulated ECG data. The key result is that linear and polynomial interpolation with root mean squared error (RMSE) values as low as to the power of -3 and -5, respectively, are especially effective as imputation methods for ECG with 400 Hz sampling frequency. To further assess the values of the usage scenarios for TMS and ECG data exploration, we employ Qualitative Result Inspection (QRI). Our proposed visual analysis pipeline assembles the first steps towards integrating TMS-HR analysis into a trimodal concurrent TMS-fMRI-HR approach.