Designing a Visual Analysis Pipeline for Exploring TMS Effects on Heart Rate

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.