Summary
Vi beskriver analysen av kontinuerlig-våg funktionella nära infraröd spektroskopi experiment med hjälp av en block design med en sensorimotor uppgift. För att öka dataanalysens tillförlitlighet använde vi den kvalitativa allmänna linjära modellbaserade statistiska parametriska kartläggningen och de jämförande hierarkiska blandade modellerna för flera kanaler.
Abstract
Neuroimaging studier spelar en avgörande roll i utvärderingen av pre- vs. post-interventional neurologiska tillstånd såsom i rehabilitering och kirurgisk behandling. Bland de många neuroimaging tekniker som används för att mäta hjärnaktivitet, funktionella nära infraröd spektroskopi (fNIRS) möjliggör utvärdering av dynamiska när verksamhet genom att mäta de lokala hemoglobin nivåer liknar funktionella magnetic resonance imaging (fMRI). På grund av mindre fysiska begränsningar i fNIRS kan flera varianter av sensorimotoriska uppgifter utvärderas. Många laboratorier har utvecklat flera metoder för fNIRS-dataanalys; Men trots att de allmänna principerna är desamma finns det ingen universellt standardiserad metod. Här presenterar vi de kvalitativa och jämförande analysmetoderna för data som erhållits från ett fNIRS-experiment med flera kanaler med hjälp av en blockdesign. För kvalitativ analys använde vi en programvara för NIRS som en massunivariat metod baserad på den generaliserade linjära modellen. NIRS-SPM-analysen visar kvalitativa resultat för varje session genom att visualisera det aktiverade området under uppgiften. Dessutom kan den icke-invasiva tredimensionella digitizern användas för att uppskatta fNIRS-kanalplatserna i förhållande till hjärnan. För att bekräfta NIRS-SPM resultaten, amplituden av ändringarna i hemoglobin nivåer framkallas av sensorimotor uppgiften kan analyseras statistiskt genom att jämföra de data som erhållits från två olika sessioner (före och efter intervention) av samma studieämne med hjälp av en flerkanalig hierarkisk blandad modell. Våra metoder kan användas för att mäta pre- vs. post-intervention analys i en mängd neurologiska störningar såsom rörlighet störningar, cerebrovaskulära sjukdomar och neuropsykiatriska störningar.
Introduction
Neurorehabilitation spelar en viktig roll i funktionell återhämtning efter sensorimotorisk störning. För att klargöra mekanismerna för neuroplasticitet-associerade funktionella återvinning, olika neuroimaging tekniker har använts, såsom funktionella magnetic resonance imaging (fMRI), positron emission tomografi (PET), elektroencefalografi (EEG) och funktionella nära infraröd spektroskopi (fNIRS). Olika bildframställningsmetoder har olika fördelar och nackdelar. Även om fMRI är den mest typiska enheten, påverkas den av magnetfält, har en hög kostnad, hög fysisk begränsning och begränsade sensorimotoriskauppgifter 1,2,3,4. FNIRS-enheten sticker ut som en icke-invasiv optisk neuroimaging och har en relativt lägre rumslig upplösning, men den har en bättre temporal upplösning än fMRI4. fNIRS är lämplig vid verifiering av behandlingseffekter eftersom den jämför effekterna före kontra efter intervention, har dynamiska motoriska uppgifter, är bärbar och fungerar mer i naturliga miljöer än fMRI1,2,4. NIRS har rapporterats vara mer lämpliga inom områdena cerebrovaskulär sjukdom, epileptiska störningar, allvarlig hjärnskada, Parkinsons sjukdom och kognitiv svikt1,5. När det gäller sensorimotoriska uppgifter används den ofta i gång och ståendebalans 6,7,8,övre delen funktion (handgrepp, finger knacka)8,9,komplex motorisk färdighet utbildning10,11,robotik 12,13,14,15, och hjärnan-datorgränssnitt 16,17,18. FNIRS är baserad på principerna för optisk neuroimaging och neurovaskulär koppling, som mäter när metabolisk aktivitet, ökat blodflöde och följaktligen när aktivitet som sekundära signaler19. fNIRS signaler har rapporterats ha starka korrelationer med signaler om blod syre nivåberoende fMRI20. En fNIRS med kontinuerlig våg använder den modifierade Beer-Lambert-lagen för att bestämma förändringarna i syresatt hemoglobin (HbO2)och deoxygenerade hemoglobinkoncentrationsnivåer (HHb) baserat på uppmätta förändringar i bredband nära infraröd ljusdämpning21,22. Eftersom det inte var möjligt att mäta differentialvägslängdsfaktorn (DPF) med hjälp av nirs-systemet med kontinuerlig våg antog vi att DPF var konstant och att hemoglobinsignalförändringar betecknades i godtyckliga enheter av millimole-millimeter (mM x mm)2,18.
FNIRS-experimenten måste välja de lämpligaste metoderna, inklusive sondinställningarna, experimentdesignerna och analysmetoderna. När det gäller sondinställningen är den internationella 10-20-metoden som används vid EEG-mätning den inställningsstandard som används av många forskare inom neuroimaging. Under de senaste åren har koordinatinställningar baserade på standardhjärnan på grundval av Montreal Neurological Institute (MNI) koordinater använts. Experimentet använder en blockdesign, som vanligtvis används för sensorimotoriska uppgifter, och en händelserelaterad design. Detta är en metod för att jämföra förändringar i hemoglobinkoncentrationen i vila och under uppgifter; HbO2 koncentrationsnivåer ökar och HHb koncentrationsnivåer minskar med förändringar i cerebralt blodflöde i samband med uppgiftsberoende när aktivitet. Även om det finns olika analysmetoder möjliggör NIRS-SPM-fri programvara en analys som liknar den statistiska parametriska kartläggningen (SPM) av fMRI. Behandlingen av NIRS-data använder en massunivariat metod baserad på den allmänna linjära modellen (GLM). Vid aktivitetsberoende hjärnaktivitetsanalys kan fNIRS-mätningarna påverkas av framkallad eller icke-framkallad neuronal aktivitet och systemiska fysiologiska störningar (hjärtfrekvens, blodtryck, andningshastighet och autonom nervsystemet aktivitet) i cerebrala och extracerebrala fack23. Därför är föranalysbearbetning, filtrering, vågkonvertering och huvudkomponentanalys användbara23. När det gäller filtrering och artefakter av databehandlingen med hjälp av NIRS-SPM, lågpassfiltrering9 och våghalsens minsta beskrivningslängd (Wavelet-MDL)användes 24 detrending för att övervinna rörelsen eller andra källor till brus / artefakt. Mer information om denna analysmetod finns i rapporten från Ye et al.25. Även om det finns rapporter som bara använder SPM, är det bara ett kvalitativt index efter bildanalys, och på grund av nirs låga rumsliga upplösning krävs extrem försiktighet för gruppanalys. När DPF är konstant bör numeriska jämförelser mellan kanaler och individer inte heller göras, men skillnaden i förändringarna i varje kanal kan verifieras. Baserat på ovanstående villkor, för att komplettera NIRS-SPM-gruppens analysresultat, använde vi den ursprungliga analysmetoden för flerkanalsanalys efter att ha förbättrat noggrannheten i rumslig registrering. Denna flerkanalsanalys jämförde amplituden av förändringen i HbO2- och HHb-nivåerna mellan resten och ådrighetsperioderna vid varje kanal före och omedelbart efter behandling med hierarkiska blandade modeller med fasta ingrepp (före eller efter), fasta perioder (vila eller uppgift) och slumpmässiga individuella effekter.
På detta sätt finns det flera fNIRS-mät- och analysmetoder; Ingen standardmetod har dock fastställts. I det här dokumentet introducerar vi våra metoder, kvalitativ GLM-baserad statistisk parametrisk kartläggning och den jämförande hierarkiska blandade modellen på flera nivåer, för att analysera data som erhållits från ett fNIRS-experiment med fNIRS-experiment med pre- vs. post-intervention med hjälp av en blockdesign med sensorimotoriska uppgifter.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Denna studie godkändes av den institutionella granskningsnämnden (IRB) vid Fukuoka University, Japan (IRB nr 2017M017). Före deltagandet gav alla patienter skriftligt informerat samtycke.
1. Förberedelse av fNIRS-experimentet
OBS: Ett flerkanaligt laserbaserat NIRS-system med kontinuerlig våg för detta experiment användes. Våglängderna i det nära infraröda ljuset var 780 nm, 805 nm och 830 nm, och samplingshastigheten fastställdes till 7,8 Hz. Tid och rumslig upplösning (avstånd mellan ljusemitteraren och detektorsonden) var 0,13 s respektive 3,0 cm.
- Ställ in fNIRS-enheten på en mörk ljudlös plats. Utför experiment i rumstemperatur. Starta fNIRS-instrumentet 30 minuter före experimentet.
OBS: fNIRS-system används under kontrollerade temperatur- och fuktighetsförhållanden för att säkerställa en stabil drift av utrustningen26. - Använd ett helt huvudskydd för fNIRS-inspelning och fäst huvudskyddet på motivets huvud så att den position som motsvarar det internationella 10-20-systemets centrala (Cz) mitt är placerad vid huvudlocket nr 245. (Figur 1).
- Fäst markeringsdekalen på referensplatspunkterna: nasionen (Nz), höger extern auditiv meatus (AR) och vänster extern auditiv meatus (AL).
OBS: Eftersom de tredimensionella (3D) koordinaterna läses runt positionerna för Nz, AR, AL-markeringsdekalen och Cz-hållaren, är det nödvändigt att fästa markeringsdekalen innan du tar en bild. - Efter kalibreringen av en högupplöst digitalkamera för rumslig registrering, ta bilder av motivets huvud med sondens plats samtidigt som du visar referenspunkterna (Cz, Nz, AR och LR) från 15 perspektiv.
OBS: Ta en bild innan du placerar sonden. Om en bild tas efter att sonden har placerats kan markörens landmärke döljas av sonden och ledningssladden. Enligt tillverkarens rekommendationer, efter att ha tagit 12 bilder 30° diagonalt framåt till höger om motivet, ta tre eller flera bilder något ovanför så att Cz (hållare nr 245) visas på bilden. Detta beror på att det är lätt att göra det tredimensionellt när man fångar totalt 15 eller fler bilder. - Separera försiktigt motivets hår som stör optoden med hjälp av en lysdiod (LED)-upplyst plaststav för att fästa sonden. Ordna sonden så att optoderna fästs på ett minimalt avstånd från hårbottens yta och i kontakt med hårbotten.
OBS: Kontrollera noggrant om det finns något tryck eller obehag för patienten på grund av att optoderna är fastsättning, på grund av ökad styrka hos de systemiska förvirrarna i samband med aktivering av autonomanervsystemet 23. - Ordna 48-kanalssystemet med 32 optoder (16 ljuskällor och 16 detektorer; 4 x 4 matris för varje halvklot) till en huvudlock bilateralt över front- och parietalområdena som intresseregioner (figur 2).
- Starta och använd 3D-digitizer-programvaran för att bestämma den rumsliga registreringen.
- När du har skannat bilddata för ett helt huvud bestämmer du varje patients rumsliga koordinat genom att automatiskt mäta och spara som filen Origin och de andra (*CSV-filen).
OBS: Om koordinatpunkterna inte kunde detekteras från bilderna med hjälp av den automatiska mätningen, mata in justeringen manuellt.
2. Kör experimentet
- Välj en blockdesign för experimentet, och uppgiften kan vara alla rörelser av intresse för studien, till exempel handöppning /stängning, fingertryckning etc. I vår tidigare studie var uppgiften robotassisterade armbågsrörelser15.
OBS: Varje cykel är gjord av tre block (15 s vila - 15 s uppgift - 15 s vila), och varje patient slutför sju cykler i varje session. - Få deltagaren att vänta i ett bekvämt läge tills startsignalen. Instruera motivet att blunda under resten och uppgiften.
- Ge start- och stoppsignaler (dvs., "Upprepa flexion och förlängning av armbågen", "Stoppa och slappna av").
OBS: Tala inte under mätningar. Kontrollera noggrant om det finns artefakter på bildskärmen under mätningarna. - Utför blockdesignuppgiften i samma hållning. Upprätt hållning med stående eller sittande position är önskvärt att inte förvränga headsetet.
OBS: Om patienten känner sig obekväm efter att ha burit huvudhållaren under en längre tid, ta bort eller lossa sonden under robotassisterad träning. - När NIRS-mätningen är klar tar du bort huvudhållaren och markeringsdekalen för att avsluta experimentet.
OBS: Kontrollera noggrant om hårbotten har skadat huden på grund av långvarigt slitage.
3. Kvalitativ GLM-analys med NIRS-SPM-programvara
- Starta NIRS-SPM på MATLAB-programvaran. Konvertera datafilen relaterad till förändringen i HbO2- och HHb-koncentrationen som förvärvats från NIRS-enheten till filformatet för NIRS-SPM-analys.
- Välj alternativet använda NIRS-system på popup-menyn. Välj inläsningsknappen och välj alternativen konvertera HbO2 och HHb koncentrationsändring.
- Identifiera den rumsliga registreringen av NIRS-kanalplatsen. Markera kryssrutan Fristående och markera kryssrutan Med 3D-digitizer.
- Använd dialogrutan i Från verkliga koordinater till MNI-utrymme för att välja _origin. CSV hänvisar till koordinatreferenspunktfilen och _others. CSV hänvisar till koordinatsonderna/kanalfilen.
- Välj knappen Registrering. Välj de punkter som ska gå vidare till rumslig uppskattning och klicka på OK-knappen. Klicka på knappen Projekt MNI-koordinat till Renderad hjärna.
OBS: Den rumsliga positionen för NIRS-kanalplatserna uppskattas på grundval av Montreal Neurological Institute (MNI) hjärnmall. - Välj alternativet Dorsal View och klicka på knappen Spara.
- I avsnittet Ange1:a nivån väljer du NIRS-datafilnamn och SPM-katalog. Markera kryssrutan hemoglobin. HbO2 eller HHb. Markera alternativet Ange design" och välj alternativet Sek. Markera alternativen Antal villkor/utvärderingsversioner och ange siffran 7.
- Markera alternativen Vector of Inset and Duration[s] och ange en vektor med inset multiplicerat med varaktigheten av försöksförhållandena enligt följande.
OBS: I detta fall bör vektorn för inkomsttider anges som [15:45:285] eller [15 60 105 150 195 240 285]. Varaktighetsvektorn bör anges som [15* sådana(7,1)] eller [15 15 15 15 15 15 15]. - Om du vill avtrendera väljer du knappen Våg-MDL. Använd förfärgningsmetoden: lågpassfilter och välj hrf-knappen och korrigera för seriell korrelation och välj sedan knappen ingen.
- När du uppskattar de temporala korrelationerna kontrollerar du den individuella analysen.
OBS: Spara den rumsliga lokaliseringen av fNIRS-kanalpositioner i de enskilda MNI-koordinatsystemen som en textfil. Spara på samma sätt kartan baserat på det enskilda Brodmann-området (BA) som en textfil. - När du uppskattar de temporala korrelationerna kontrollerar du gruppanalysen. NIRS-SPM anpassade de genomsnittliga optodepositionerna för antalet deltagare enligt MNI-standardiserat hjärnkoordinatsystem.
- Beräkna aktiveringskartan baserat på förändringarna i hemoglobinnivån för den standardiserade hjärnan. Nivåerna HbO2 och HHb ansågs signifikanta vid en okorrigerad tröskel på p < 0,01.
OBS: Vänster/höger information vändes på höger berörda sidor för gruppanalys.
4. Jämförande flerkanalsanalys baserad på hierarkisk blandad modell
- Starta SAS-programvaran. Konvertera textdokumentet (. TXT) av koncentrationsförändringar av HbO2 och HHb i NIRS-datafilen som bearbetades med ett lågpassfilter (brytfrekvensen fastställdes till 0,1 Hz) till kalkylbladets programvara kommaavgränsade värden fil (. CSV).
- Skapa SAS-data (.sas7bdat) med hjälp av programmet.
- Mata ut importfilen med följande kommando, libname ut "Importera fil"
- Mata ut filen före och efter ingreppet för varje ämne och kör följande kommandon i Analysis SAS. (Figur 3) När importfilen skapas ska du ange ett namn som kan identifiera ämnesinformationen och efter interventionen (t.ex. id1 före, id1-inlägg...)
- Kör datakommandot före och efter ingripandet för varje kanal (ch1-48; HbO2 och HHb) enligt följande(figur 4).
- Baserat på de data som erhålls från utdataresultaten anger du skillnaderna före och efter interventionen i förändring (skillnad vid aktivitet och vila), vilovärden och värden på aktiviteten (uppskattade värden, övre gränser och lägre gränser) för varje kanal i kalkylbladsarbetsboksfilen (.xlsx).
- På samma sätt matar du in täljar- och nämnarens frihetsgrader, F-värde och P-värde för det interagerande objektet i typ 3-testet med fast effekt till kalkylbladsarbetsboksfilen (.xlsx).
- Om du vill styra den falska identifieringshastigheten (FDR) i flerkanalstestning använder du Benjamin- och Hochberg-metoderna27 och styr FDR till ett p-värde < 0,01.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Häri introducerar vi den robotstödda rehabilitering som vår grupp för närvarande arbetar med: biofeedback-effekterna på motorunderskottet i övre delen hos patienter med akut stroke. Vi inkluderade 10 samtyckande strokepatienter (medelålder: 66,8 ± 12,0 år; två kvinnor och åtta män) som lades in på vårt sjukhus. På subakuta stroke stadium, mer än 2 veckor efter uppkomsten, utvärderade vi motoriska-relaterade när verksamhet av dessa patienter med hjälp av ett fNIRS system före och omedelbart efter övre delen robot-assisterad rehabilitering samma dag. När det gäller blockdesignuppgifterna utförde de påverkade armbågsflexion/ förlängningsrörelser 15x inom 15 s i varje uppgiftscykel, och de upprepade sju uppgiftscykler. Dessutom var sex friska frivilliga (medelålder: 58,7 ± 7,1 år; två kvinnor och fyra män) också inskrivna som kontroller för att identifiera platsen för den normala uppgiftsrelaterade näraktiveringen under höger armbåge flexion / förlängning rörelser.
Figur 5 visar resultaten av gruppanalysen av 10 strokepatienter med t-statistiskamappningsvärden med HJÄLP AV GLM-modeller med NIRS-SPM-programvaran. Denna metod visade en ökning av den kortikala aktiviteten i den primära motor cortex i den uppmätta halvklotet omedelbart efter robot-assisterad rehabilitering jämfört med den före träningen. Datainsamling före intervention, intervention (robotassisterad övning) och insamling av data efter interventionen utfördes vid den enda experimentella sessionen samma dag och på samma plats.
Figur 6 visar resultaten av flerkanalsgruppsanalysen som jämför för- kontra efterintervention (robotassisterad träning). Statistisk analys av den hierarkiska blandade modellen på flera nivåer med SAS-programvaran utfördes. Ökad när verksamhet i den primära motoriska cortex observerades efter ingripande, samma hjärnregion som i NIRS-SPM.
Figur 1:Inställning av tredimensionell (3D) rumslig registrering och varje hållare av huvudlocket som används för fNIRS-inspelning. Den 245-hållare som anges av pilen i figuren visar det centrala läget (Cz), som är en av koordinataxlar. Klicka här om du vill visa en större version av den här figuren.
Figur 2: Arrangemang av 48-kanalssystemet med 32 optoder under fNIRS-registreringen. (A) Placering av sonder på huvudhållaren,(B)arrangemang av de 48 kanalerna och sonderna (16 ljuskällor och 16 detektorer; 4 x 4 matris för varje halvklot) till ett huvudlock bilateralt över kortikalområdena, som intresseområden. Klicka här om du vill visa en större version av den här figuren.
Bild 3: Kommandoinmatning för att skapa filer som används i SAS analysprogram. Figuren visar hur du definierar termer och numeriska värden på kommandoinmatningsskärmen som konverterar textfilsinformationen som erhålls från NIRS-filen till en Excel CSV-fil och sedan konverterar den för SAS-analys. ID, Ålder, Kön, ipsilesional sida, före och efter ingripandet, total tid och uppgift perioder, angavs numeriskt. Dessutom kom information om koncentrationsnivån HbO2,HHb och total hemoglobin (mM x mm). Klicka här om du vill visa en större version av den här figuren.
Bild 4:Kommandoinmatning som används för varje kanalanalys i SAS analysprogram. I den här hierarkiska blandade modellen på flera nivåer angavs följande numeriska värden och angavs på SAS-kommandots indataskärm. Statusen i vila (aktivitet = 0) och aktiviteten (aktivitet = 1) jämfördes och statusen vid återställning (aktivitet = 2) uteslöts. Dessutom fastställdes statusen före interventionen till n = 0 och statusen omedelbart efter det att interventionen fastställdes till n = 1, och interaktionen undersöktes för statistiskt signifikanta skillnader i förändringsmängden i HbO2 och HHb för varje kanal. I figuren utelämnas information om indataskärmen upp till ch2 eller ch47. Klicka här om du vill visa en större version av den här figuren.
Figur 5: Resultaten av gruppanalysen av t-statistiskamappningsvärden med hjälp av GLM-modeller med NRS-SPM-programvaran. Den genomsnittliga när aktiviteten från alla patienter avbildas på ovanstående syn på de standardiserade hjärnmodellerna. Den övre och nedre representerar den kortikala aktiveringen i HbO2 respektive HHb nivå. Den högra bilden anger kortikal aktivitet hos friska ämnen under uppgifterna. Om man jämför den robotstödda rehabiliteringen tidigare ökades den kortikala aktiviteten omedelbart efter robotassisterad träning samma dag. Jämfört med andra när regioner ökade varje utförande status avsevärt (okorrigerad, p < 0,01). Prickade linjer indikerar den centrala sulcus (CS) på de normaliserade hjärnbilderna. Denna siffra har ändrats från Saita et al.15. Klicka här om du vill visa en större version av den här figuren.
Bild 6: Resultatet av flerkanalsanalysen med hierarkiska blandade modeller på flera nivåer med SAS-programvaran. Förändringens näraktivitet representerar jämförelsen mellan pre- och postintervention med hjälp av robotassisterade rehabiliteringsbehandlingar. För den vänstra bilden lades antalet NIRS-kanaler ovanpå den standardiserade hjärnan enligt MNI-koordinatsystemet. För rätt bild indikerar rött och blått en ökning och minskning av HbO2-nivån (FDR korrigerad, p < 0,01). Gray indikerar att kanalerna inte förändrats nämnvärt efter den robotstödda rehabiliteringen. Denna siffra har ändrats från Saita et al.15. Klicka här om du vill visa en större version av den här figuren.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
I våra gruppanalysmetoder för fNIRS jämförde vi, förutom att utföra en bildanalysmetod genom kvalitativat-statistikmappningar, pre- vs. post-intervention (robotassisterad träning) med hjälp av den jämförande flerkanalsanalysen. För kvalitativ analys använde vi NIRS-SPM-programvaran som en massunivariat metod baserad på den generaliserade linjära modellen. NIRS-SPM-analysen visar kvalitativa resultat av varje session genom att visualisera det aktiverade området under uppgiften. Dessutom möjliggör informationen om den icke-invasiva 3D-digitizern uppskattning av fNIRS-kanalplatser i förhållande till hjärnan. Gruppanalysen med NIRS-SPM-analys kunde fånga de grova hjärnaktiveringsområdena för pre- vs. post-intervention under sensorimotoriska uppgifter men kunde inte jämföra skillnaden i förändringar i samma kanaler. För att bekräfta NIRS-SPM resultaten, amplituden av ändringarna i hemoglobin nivåer framkallas av sensorimotor uppgiften kan analyseras statistiskt genom att jämföra de data som erhållits från två olika sessioner (dvs. före och efter ingripande) i samma studieämne med hjälp av den hierarkiska blandade modellen med flera kanaler. Genom att använda dessa två metoder kompletterar resultaten varandra ömsesidigt och visades tydligare.
För att få korrekt uppgiftsrelaterad hjärnaktivitet med NIRS-data är uppgiftsdesign, sondplacering, föranalysbehandling, analysmetoder och miljöinställningar mycket viktiga23,26. När det gäller blockdesignen med hjälp av sensorimotoriska uppgifter i våra representativa studier ställer vi in uppgiften och vilotiden på 15 respektive 30 s,respektive 15. Det har rapporterats att toppen efter aktiviteten och återställningen vid vilotiden beror på aktivitetsdesignen. I tidigare undersökningar rapporterades det att uppgiftsdesignen ofta är 10-30 s för uppgifter relaterade till handrörelse (fingertryckning, greppuppgift) och 30-tal för uppgifter relaterade till hållningskontroll ochpromenader 7,8,28. För uppgiftsperioderna tar det cirka 5-10 s att nå toppen efter att ha startat aktivitetsaktiveringen8,29, och återhämtningsperioderna är gynnsamma med en slumpmässigt varierande 15 till 18 s för att undvika förväntanseffekter och Mayer-Wave28,30. I detta avseende anses uppgiftsprotokollet för vår forskning vara lämpligt och genomförbart eftersom det följer blockdesign med armbågsrörelse. Uppgiftsperioderna kan dock behöva vara längre baserat på uppgifts svårigheten, till exempel för gång uppgifter och komplexa kognitiva uppgifter. När det gäller sondarrangemanget har fNIRS en sämre rumslig upplösning, så omorganorganering före och efter ingripande är en viktig fråga. I vår representativa studie kompenserades denna brist av vår design som inte kräver sondförflyttning för att bekräfta den omedelbara effekten av robotbehandling samma dag. Om ompositionering krävs är det viktigt att kontrollera avståndet mellan markeringsdekalen och hållaren med hjälp av en förinspelad bild för att se till att den inte är ur ordning jämfört med föringripandet. Men i vår design var det otillräckligt att bekräfta effekten av systemisk fysiologisk interferens som det autonoma nervsystemet på användningen av huvudhållaren genom kontinuerlig mätning under lång tid. Därför är det nödvändigt att använda fNIRS-övervakning under funktionella paradigm och multimodalövervakning 23 i framtiden. När det gäller intresseområdet för NIRS-mätning har många NIRS-studier om kognitiv bearbetning fokuserat på att mäta aktiviteten före prefrontal cortex (PFC) med tanke på att PFC är ett nyckelområde i verkställande funktion och kognitiv kontroll av rörelse31,32. För sensorimotoriska uppgifter är det viktigt att mäta parietalregionen för att bedöma sensorisk aktivitet. Mätningen av parietalregionen är dock mottaglig för hinder som hår och tjock hårbotten; Därför är det nödvändigt att noggrant ställa in mätningen. En begränsning av denna fNIRS experimentella metod är att på grund av huvudhållarens struktur använde vi den allmänna mätmetoden med ett optodavstånd på 3 cm. Men med korta separationskanaler för att kalibrera ytliga signaler eller ljud finns det möjlighet att mäta korrekt hjärnaktivitet33.
När det gäller NIRS-gruppens analysmetoder är det som en förutsättning bäst att noggrant analysera personuppgifterna för NIRS mätresultat som liknar EEG. En kombination av analyser på en nivå och gruppnivå kan vara det optimala tillvägagångssättet23. Även om den standardiserade hjärnan används för gruppanalys av NIRS-data, har begränsningar med avseende på den lägre rumsliga upplösningen diskuterats4. I denna studie utformades den rumsliga registreringsmetoden, och det var möjligt att upptäcka mer exakta koordinater, vilket potentiellt ledde till bättre resultat. För det andra har den nuvarande studien begränsningar i förmågan hos det beskrivna NIRS-systemet här. De numeriska värden som används i analysen är relativa värden med hjälp av NIRS med kontinuerlig våg, och en enhet som Time Domain (TD)-NIRS måste användas för utvärdering med absolutavärden 34,35. TD-NIRS är dock dyrt och har en nackdel med att inte vara lämplig för sådan flerkanalsanalys. Eftersom CW-NIRS används så ofta behöver vi en relativt exakt utvärderingsmetod som kan realiseras för att gottgöra denna brist. Som en föranalysprocess måste vår kanalanalys också överväga sätt att använda ytterligare huvudkomponentanalys för att ta bort dessa confounders.
I framtiden kommer vi att rapportera resultaten av förändring i pre- vs. post-operation av djup hjärnstimulering för Parkinsons sjukdom9,cerebrovaskulära störningar med spasticitet12, och kognitiv svikt36 med hjälp av nära infraröd spektroskopi tillämpning. Våra metoder kan tillämpas på en mängd neurologiska sjukdomar såsom rörelsestörningar, cerebrovaskulära sjukdomar och neuropsykiatriska störningar.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Författarna har inga intressekonflikter som är relevanta för denna studie att avslöja.
Acknowledgments
Detta arbete stöddes delvis av Japan Society for the Promotion of Science (JSPS) Grant-in-Aid for Scientific Research (C) 18K08956 och en fond från Central Research Institute of Fukuoka University (nr 201045).
Materials
| Name | Company | Catalog Number | Comments |
| 3D-digitizer software | TOPCON | - | NS-1000 software ver.1.50 |
| NIRS system | Shimadzu | - | FOIRE-3000 |
| Robot | CYBERDYNE | - | Single-joint type Hybrid Assitive Limb (HAL-SJ) |
References
- Bonilauri, A., Sangiuliano Intra, F., Pugnetti, L., Baselli, G., Baglio, F. A systematic review of cerebral functional near-infrared spectroscopy in chronic neurological diseases-actual applications and future perspectives. Diagnostics (Basel). 10 (8), (2020).
- Mihara, M., Miyai, I. Review of functional near-infrared spectroscopy in neurorehabilitation. Neurophotonics. 3 (3), 031414 (2016).
- Yang, M., Yang, Z., Yuan, T., Feng, W., Wang, P. A systemic review of functional near-infrared spectroscopy for stroke: Current application and future directions. Frontiers in Neurology. 10, 58 (2019).
- Pinti, P., et al. The present and future use of functional near-infrared spectroscopy (fNIRS) for cognitive neuroscience. Annals of the New York Academy of Sciences. 1464 (1), 5-29 (2020).
- Obrig, H. NIRS in clinical neurology - a 'promising' tool. Neuroimage. 85, Pt 1 535-546 (2014).
- Fujimoto, H., et al. Cortical changes underlying balance recovery in patients with hemiplegic stroke. Neuroimage. 85, Pt 1 547-554 (2014).
- Herold, F., et al. Functional near-infrared spectroscopy in movement science: a systematic review on cortical activity in postural and walking tasks. Neurophotonics. 4 (4), 041403 (2017).
- Leff, D. R., et al. Assessment of the cerebral cortex during motor task behaviours in adults: a systematic review of functional near infrared spectroscopy (fNIRS) studies. Neuroimage. 54 (4), 2922-2936 (2011).
- Morishita, T., et al. Changes in motor-related cortical activity following deep brain stimulation for parkinson's Disease detected by functional near infrared spectroscopy: A pilot study. Frontiers in Human Neuroscience. 10, 629 (2016).
- Lee, S. H., Jin, S. H., An, J. The difference in cortical activation pattern for complex motor skills: A functional near- infrared spectroscopy study. Science Reports. 9 (1), 14066 (2019).
- Hatakenaka, M., Miyai, I., Mihara, M., Sakoda, S., Kubota, K. Frontal regions involved in learning of motor skill--A functional NIRS study. Neuroimage. 34 (1), 109-116 (2007).
- Saita, K., et al. Combined therapy using botulinum toxin A and single-joint hybrid assistive limb for upper-limb disability due to spastic hemiplegia. Journal of the Neurological Sciences. 373, 182-187 (2017).
- Chang, P. H., et al. The cortical activation pattern by a rehabilitation robotic hand: a functional NIRS study. Frontiers in Human Neuroscience. 8, 49 (2014).
- Bae, S. J., Jang, S. H., Seo, J. P., Chang, P. H. The optimal speed for cortical activation of passive wrist movements performed by a rehabilitation robot: A functional NIRS study. Frontiers in Human Neuroscience. 11, 194 (2017).
- Saita, K., et al. Biofeedback effect of hybrid assistive limb in stroke rehabilitation: A proof of concept study using functional near infrared spectroscopy. PLoS One. 13 (1), 0191361 (2018).
- Mihara, M., et al. Near-infrared spectroscopy-mediated neurofeedback enhances efficacy of motor imagery-based training in poststroke victims: a pilot study. Stroke. 44 (4), 1091-1098 (2013).
- Naseer, N., Hong, K. S. fNIRS-based brain-computer interfaces: a review. Frontiers in Human Neuroscience. 9, 3 (2015).
- Mihara, M., et al. Neurofeedback using real-time near-infrared spectroscopy enhances motor imagery related cortical activation. PLoS One. 7 (3), 32234 (2012).
- Tak, S., Jang, J., Lee, K., Ye, J. C. Quantification of CMRO(2) without hypercapnia using simultaneous near-infrared spectroscopy and fMRI measurements. Physics in Medicine and Biology. 55 (11), 3249-3269 (2010).
- Strangman, G., Culver, J. P., Thompson, J. H., Boas, D. A. A quantitative comparison of simultaneous BOLD fMRI and NIRS recordings during functional brain activation. Neuroimage. 17 (2), 719-731 (2002).
- Scholkmann, F., et al. A review on continuous wave functional near-infrared spectroscopy and imaging instrumentation and methodology. Neuroimage. 85, Pt 1 6-27 (2014).
- Delpy, D. T., et al. Estimation of optical pathlength through tissue from direct time of flight measurement. Physics in Medicine and Biology. 33 (12), 1433-1442 (1988).
- Tachtsidis, I., Scholkmann, F. False positives and false negatives in functional near-infrared spectroscopy: issues, challenges, and the way forward. Neurophotonics. 3 (3), 031405 (2016).
- Jang, K. E., et al. Wavelet minimum description length detrending for near-infrared spectroscopy. Journal of Biomedical Optics. 14 (3), 034004 (2009).
- Ye, J. C., Tak, S., Jang, K. E., Jung, J., Jang, J. NIRS-SPM: statistical parametric mapping for near-infrared spectroscopy. Neuroimage. 44 (2), 428-447 (2009).
- Orihuela-Espina, F., Leff, D. R., James, D. R., Darzi, A. W., Yang, G. Z. Quality control and assurance in functional near infrared spectroscopy (fNIRS) experimentation. Physics in Medicine and Biology. 55 (13), 3701-3724 (2010).
- Benjamini, Y., Hochberg, Y. Controlling the false discovery rate: a practical and powerful approach to multiple testing. Journal of the Royal Statistical Society Series B. 57 (1), 289-300 (1995).
- Herold, F., Wiegel, P., Scholkmann, F., Muller, N. G. Applications of functional near-infrared spectroscopy (fNIRS) neuroimaging in exercise(-)cognition science: A systematic, methodology-focused review. Journal of Clinial Medicine. 7 (12), (2018).
- Boden, S., et al. The oxygenation response to functional stimulation: is there a physiological meaning to the lag between parameters. Neuroimage. 36 (1), 100-107 (2007).
- Pinti, P., Scholkmann, F., Hamilton, A., Burgess, P., Tachtsidis, I. Current status and issues regarding pre-processing of fNIRS neuroimaging data: An investigation of diverse signal filtering Methods within a general linear model Framework. Frontiers in Human Neuroscience. 12, 505 (2018).
- Udina, C., et al. Functional near-infrared spectroscopy to study cerebral hemodynamics in older adults during cognitive and motor tasks: a review. Frontiers in Aging Neuroscience. 11, 367 (2019).
- Verghese, J., Wang, C., Ayers, E., Izzetoglu, M., Holtzer, R. Brain activation in high-functioning older adults and falls: Prospective cohort study. Neurology. 88 (2), 191-197 (2017).
- Yucel, M. A., et al. Short separation regression improves statistical significance and better localizes the hemodynamic response obtained by near-infrared spectroscopy for tasks with differing autonomic responses. Neurophotonics. 2 (3), 035005 (2015).
- Torricelli, A., et al. Time domain functional NIRS imaging for human brain mapping. Neuroimage. 85, Pt 1 28-50 (2014).
- Giacalone, G., et al. Time-domain near-infrared spectroscopy in acute ischemic stroke patients. Neurophotonics. 6 (1), 015003 (2019).
- Saita, K., et al. Contralateral cerebral hypometabolism after cerebellar stroke: a functional near-infrared spectroscopy study. Journal of Stroke and Cerebrovascular Diseases. 26 (4), 69-71 (2017).
