fNIRSを使用したブロックデザインヨガアーサナ練習中の前頭前野活動の安静状態接続性と神経イメージング

サマリー

この研究では、機能的近赤外分光法 (fNIRS) を使用して、27 人の成人を対象とした 23 分間のブロック デザイン ヨガ アーサナ シーケンス中の前頭前野の活動を測定しました。休息状態の接続性は、練習の前後に記録されました。この知見は、運動ベースの研究におけるfNIRSの有効性を強調し、ヨガのアーサナの効果に関する神経学的な洞察を提供します。

要約

この研究は、機能的近赤外分光法(fNIRS)モバイルニューロイメージング技術を使用して、ヨガアーサナ(身体的なヨガのポーズ)の前、最中、後の前頭前野(PFC)活動の変化を調べることを目的としています。合計27人の健康な成人が、ブロックデザインを使用した23分間のヨガアーサナセッションに参加しました。シーケンスの前後に、参加者はタスクに依存しない 6 分間の休息状態を 2 回完了しました。PFC活動は、頭蓋骨の前部に配置されたfNIRS装置を使用して連続的に記録されました。セッションには、3つのアクティブポーズと交互に行われるコントロールポーズが含まれていました。各アクティブ姿勢を30秒間保持し、続いて25〜30秒の制御姿勢間隔を8回繰り返しました。このブロック設計により、25の制御姿勢インターバルと各アクティブ姿勢の24回の繰り返しが行われました。解析には、オキシヘモグロビン(HbO)とデオキシヘモグロビン(HbR)の濃度を計算するための生のfNIRSデータの前処理、モーションアーチファクト補正、およびBonferroni補正を伴うANOVAを使用した統計的評価が含まれていました。コネクティビティ分析では、前頭前野の半球間および半球内の相関を調べました。結論として、この研究は、現実世界の運動ベースの状況でのfNIRSの有用性を示し、ヨガの効果に関する神経学的な洞察を提供します アーサナ.

概要

ヨガは、身体のポーズ(アーサナ)、呼吸法(プラナヤマ)、瞑想、倫理原則を統合して、全体的な身体的および精神的健康を促進する古代インドの実践です。近年、ヨガは、増え続ける科学的研究に支えられて、メンタルヘルスの状態に対する補完的な介入としてますます認識されるようになりました。多くの研究により、定期的なヨガの練習は、不安、うつ病、ストレスの症状を大幅に軽減し、気分、感情の調節、および全体的な心理的回復力を高めることが示されています^1,2,3。メタアナリシスとランダム化比較試験により、うつ病や心的外傷後ストレス障害の補助療法としてのヨガの有効性がさらに実証されており、生活の質と認知機能の改善を示唆する証拠もあります4,5,6,7,8。

この有望な証拠基盤にもかかわらず、動きに基づくヨガの実践、特に身体のポーズ(アーサナ)の根底にある神経メカニズムは、まだ十分に理解されていない^9,10。この知識のギャップは、ヨガを介入の神経認知モデルに統合する取り組みを妨げてきました。本研究の目標は、ヨガのアーサナの練習に関連する脳活動をリアルタイムで調査し、それによって動きに基づく瞑想的な実践が皮質機能にどのように影響するかについてのメカニズムの理解に貢献することです。

これを達成するために、大脳皮質¹¹の血行動態応答を測定する非侵襲的な携帯型神経イメージング技術である機能的近赤外分光法(fNIRS)を採用しました。fNIRSを使用する理論的根拠は、自然で直立した動きの間に脳活動を監視する能力に根ざしており、これは、参加者が人工環境で動かないようにする必要があるfMRIやPETなどの従来のイメージング方法では不可能なアプローチです¹²。これらの代替手段と比較して、fNIRSはいくつかの利点を提供します:静かで、動きに耐性があり、現実世界の環境で生態学的に有効なタスクの研究を可能にします¹³。その結果、運動学習、認知的作業負荷、乳児の発達、歩行とバランス、およびマインドフルネスの実践の研究に広く使用されており、静的および動的条件の両方での前頭前野の活動に関する信頼性の高い洞察を生み出しています14,15,16,17,18.自然主義的な環境、特に運動中のその適用は、身体化された認知と統合的な健康介入の神経基質を研究するための新しい道を開きました。

しかし、このテクニックをヨガのアーサナに特に適用した研究はほとんどなく、集団を代表するサンプルを使用して、セッションの時間的弧全体(練習前から練習中、練習後まで)全体で適用した研究はさらに少ないです。これに対処するために、現在の研究では、fNIRSを使用したブロックデザインプロトコルを使用して、構造化されたヨガのアーサナシーケンスの前、最中、後の皮質活動と安静状態の接続性を調べました。この研究は自然主義的な環境で実施され、メキシコからの27人のスペイン語を母国語とする参加者が含まれ、ラテンスペイン語を話す人々におけるヨガの影響に関する文献の大きなギャップに対処しました。参加者は18歳から65歳まで幅広く、ヨガの経験が豊富な男女男女がおり、全くの初心者から最長15年の定期的な練習経験を持つ人まで多岐にわたりました。すべての参加者は、23分間のヨガセッションを完了するのを妨げるような深刻な心理的または生理学的状態を報告しませんでした。重度の精神障害または運動制限のある身体状態の個人は除外されました。.参加者は高血圧や糖尿病などの特定の病状についてスクリーニングを受けていませんでしたが、セッションの前に、体調が悪くなったり不快に感じたりした場合はいつでも中止できることが明確に説明されました。未完了のセッションは分析から除外されることが事前に合意されていました。

当初の参加者30名のうち、ヨガの練習中に違和感を理由に棄権した人はいませんでした。ただし、3つは、ハードウェアの干渉または技術的なソフトウェアの誤動作によって引き起こされた可能性のある過度の信号ノイズのため、最終分析から除外されました。この研究は、人口統計学的に多様で代表的なサンプルを含め、リアルタイムの運動耐性のあるイメージングを可能にすることにより、調査結果の生態学的妥当性と一般化可能性の両方を強化します。運動に基づく瞑想的な実践の神経ダイナミクスを調査しようとしている研究者や臨床医は、この方法が認知神経科学、リハビリテーション科学、および統合的なメンタルヘルス研究への応用に特に関連性があることに気付くかもしれません。

プロトコル

実験手順はヘルシンキ宣言に従って実施され、Coordinación para la Innovación y la Aplicación de la Ciencia y la Tecnología (CIACYT)、サンルイス・ポトシ自治大学倫理委員会機関審査委員会 [CIACYT-CEI-003] によって審査および承認されました。すべての参加者は、署名されたインフォームド コンセントを提供しました。

1. 参加者の募集と人口統計

1. 口コミやFacebookやInstagramなどのソーシャルメディアプラットフォームを通じて参加者を募集します。潜在的な参加者に、研究の目的、要件、およびペナルティなしでいつでも撤回する権利について通知します。
2. 年齢、体重、身長、生物学的性別、教育、ヨガの経験など、自己申告による人口統計学的情報を収集し、対面インタビューを行います(表1)。匿名性を確保するために、各参加者に固有の番号付きコードを割り当て、暗号化されたスプレッドシートファイルに情報を記録します。
3. ヨガのアーサナの経験がさまざまなレベルの18〜65歳の参加者を含めます。神経学的または精神医学的疾患のある人、または身体的な制限のためにヨガのポーズをとることができない人は除外します。この研究には、さまざまなレベルのヨガアーサナの経験を持つ18歳から65歳の参加者が含まれていましたが、既知の神経学的または精神医学的状態を持つ個人、およびヨガのポーズを安全に行うのを妨げる身体的制限のある人は除外されました。現在、プロトコルには除外された参加者のバリエーションは含まれていませんが、そのような適応を探求することは、将来の研究にとって貴重な方向性を表しています。
4. すべての手続きが機関の倫理ガイドラインに準拠し、ヘルシンキ宣言に準拠していることを確認します。すべての参加者は、署名されたインフォームドコンセントを提供します。参加者には金銭的補償は受け取らず、いつでも実験を終了できることを伝えます。

2. 実験手順

1. データ収集には、ポータブルfNIRSデバイスを使用してください。このデバイスは、760nmと850nmの2つの波長で動作し、酸素化(HbO)および脱酸素化(HbR)ヘモグロビン濃度の変化を評価するための連続波近赤外光を提供します。このシステムは、最大27チャンネルをサポートし、50Hzのサンプリングレートで記録するため、自然なタスク中に皮質の活性化を確実に検出できます。
   1. メーカーが提供する両側前頭前野(PFC)レイアウトに従って、光源(S)と検出器(D)をキャップホルダーに配置して、fNIRSセットアップを準備します( 図1を参照)。皮質信号の検出を最適化するために、ソース検出器(S-D)の分離を3.0cmにしてください。
   2. さらに、皮質測定を混乱させる可能性のある頭皮の血流などの表在性血行動態信号を考慮して退行させるために、2つの短い分離チャネル(1.0 cm)を含めます。短分離チャネルの使用は、脳外汚染¹⁹から皮質血行動態応答を分離することにより、シグナル特異性を改善するための検証済みの方法です。
2. この研究のために、ハタヨガのすべてのスタイルで一般的に実践されている基本的なポーズである4つのヨガアーサナを選択してください。それらは、広く知られているスーリヤ・ナマスカール(太陽礼拝)のシークエンスの中核を形成しており、毎年6月21日の国際ヨガ^デー20に世界的に認識され、実践されています。これらのポーズは、ヨガの伝統全体でのアクセシビリティと標準化のためだけでなく、逆転(頭が心臓の下にある姿勢)と背中の伸展が脳活動に及ぼす影響を具体的に調査できるようにするために意図的に選択されました-うつ病や気分障害の治療ヨガプロトコルでしばしば推奨される2つの身体的形態^21,22。
3. 実験中のプレゼンテーションは、参加者にとって視覚的および聴覚的なガイドでもあるPowerPoint形式でデザインします。各スライドには、参加者の母国語(スペイン語)で書かれ、括弧内に元のサンスクリット語の名前が記載された1つの姿勢の写真と名前が表示されていることを確認してください:姿勢A(Tadasana)、姿勢B(Uttanasana)、姿勢C(Adho Mukha Svanasana)、姿勢D(Urdhva Mukha Svanasana)。
4. ポーズB、C、Dの画像を30秒ごとにランダムに循環させ、実験者は同時にポーズの名前を声に出してキューを強化します。
5. アクティブなアーサナをランダムに整理し、ベースラインの姿勢が各アーサナの間に散在するようにします。この配置は、潜在的な練習および慣れの影響を減らすために、可変の刺激間間隔を維持しながら、バランスの取れたシーケンスを提供します。
6. データ管理と一貫性を保つために、画像やフォントを含むすべての視覚資料を、参加者間でサイズとスタイルを標準化します。ヨガのポーズの画像を適切にサイズ調整し、高解像度で、ネイティブのスペイン語の名前と伝統的なサンスクリット語の両方で明確なラベルを付けます。
7. 開始する前に、各参加者がプレゼンテーションのプロンプトをはっきりと読んで見ることができることを確認してください。実行するアクティブなアーサナとベースラインのアーサナについては、以下で説明します。
   タダサナ - マウンテンポーズ(ベースラインポーズ):直立したニュートラルな姿勢。
   ウッタナサナ - フォワードベンド(アクティブポーズ):頭を心臓の下にして、腰からフォワードフォールド。
   Adho Mukha Svanasana - 下向きの犬(アクティブな姿勢):手と足を地面につけ、腰を上げた逆Vポジション。
   Urdhva Mukha Svanasana - 上向きの犬(アクティブな姿勢):視線を上に移動した状態で、背中の伸展で胸を持ち上げます。
8. ヨガマット、壁掛け式ヨガロープシステム( 資料の表を参照)、参加者の前にプレゼンテーションスクリーンを設置して、ポーズがはっきりと見えるように十分近く、動きを妨げないように十分に離れて、実験エリアを準備します。セットアップを 図 2 に示します。セッションを開始する前に、画面の可視性と読みやすさを確認してください。
9. fNIRSシステムを校正するには、キャップ、オプトード、記録ソフトウェアを含むすべてのコンポーネントが完全に充電され、機能し、データ収集システムと互換性があることを確認します。キャリブレーションを行うには、国際的な 10-20 システムに従って参加者の頭皮にオプトードを正確に配置し、前頭前野の一貫した解剖学的ターゲティングを確保します。キャップとオプトホルダーは、個々の頭の形や髪の密度に合わせて調整し、光の減衰やモーションアーチファクトを最小限に抑えます。システムの信号品質インターフェース(信号対雑音比、スカルプ結合指数など)を使用して、各チャンネルが推奨しきい値を満たしていることを確認します。
   注:このプロセスは、信頼性と再現性のある血行動態測定を確保し、センサーの接触不良や信号のドロップアウトによるデータの損失や誤解を最小限に抑えるために不可欠です16,23,24,25。
10. 参加者が椅子に座っている状態で、足が地面に平らになり、手が膝にそっと置き、背中が椅子で軽く支えられていることを確認します。先に進む前に、参加者が快適に座っていることを口頭で確認してください。
11. 頭皮上のオプトードの空間位置をキャプチャするように設計された光学追跡デバイスである3Dデジタイザーを使用して、キャップの配置を記録します。このプロセスにより、モントリオール神経学研究所(MNI)の座標が生成され、これらを使用して、各測定チャネルの根底にある解剖学的脳領域を特定および標準化します。
    注:正確なデジタル化により、参加者間の一貫性が確保され、グループレベルの分析のためにfNIRSデータを皮質構造に正確にマッピングできます。
12. あごひもを使用してオプトキャップを固定し、竹の棒で髪をそっと分けて各オプトを手動で調整し、頭皮に直接接触するようにします(図3A)。 図3B は視神経を遮る髪の毛を示し、 図3C は竹の棒を使用して障害物をうまく取り除いたことを示しています。集録ソフトウェアのDAQ値モジュールを使用して、信号品質を評価します。常に痛みや不快感があるかどうかを尋ねて参加者の快適さを確認し、必要に応じてオプトードの位置を調整して、快適さを損なうことなく信号の明瞭さを最適化します。
    注:測定プロセス中の経験的観察に基づくと、参加者の髪のタイプによっては、この手順に最大30分かかる場合があります。髪が太い、暗い、または巻き毛の人は、適切なオプトードと頭皮の接触を確保するために、追加の時間と調整が必要になることがよくあります。これらの場合、fNIRSキャップを手術用包帯で固定することが、安定した視神経配置の維持に有効であることがわかりました。髪の毛にジェルが付着した状態で到着した参加者は、製品がオプトデアドヒアランスを妨げるため、さらなる課題に直面しました。試行錯誤を重ねた結果、タイトなポニーテールを作ったり、ヘアピンを使って髪を固定したりする方が、どんな毛髪固定剤にも頼るよりも効果的であることがわかりました。これらの調整により、信号品質とデータの信頼性が大幅に向上しました。

3.安静状態、ヨガアーサナブロックのデザイン、測定練習

注: 図4に示すように、各動的姿勢(B、C、D)を30秒間保持し、姿勢Aをベースライン条件としてインターリーブし、25〜30秒間保持しました。このベースラインは、他のポーズに特有の脳活動を分離して比較するための生理学的基準点として機能しました。疲労を最小限に抑え、運動ではなくフォームに焦点を当てた研究を行うため、参加者は、力を入れずにポーズを保持できるアイアンガーヨガの治療法であるクルンタロープを使用して、各ポーズをサポートしました。さらに、アサナシーケンスの前後6分間、安静時の測定値が記録され、その間、参加者は目を閉じて座り、練習前と練習後の脳の接続性を捉えました。

1. Bluetoothを使用してfNIRSキャップをソフトウェアに接続し、休息前と休息後の両方の状態、およびヨガのアーサナの練習全体を通してリアルタイムの信号取得を監視します。
2. 参加者が椅子に座っている間、fNIRSキャップをしっかりと固定して、アーサナ前の休息状態の測定を行います。足を地面につけてリラックスし、手を膝に置き、6分間目を閉じてじっと座るように指示します。25 Hz で fNIRS データを収集します。
   1. 動きを最小限に抑え、測定値が睡眠状態ではなく安静状態であることを確認するために、安静状態中に眉を上げたり顔を引っ掻いたりしないように参加者に伝えてください。また、眠りに落ちないように頼み、安静状態を終えた後に眠りに落ちたかどうかを尋ねて、これが起こったかどうかを再確認してください。
3. 最初の休息状態が完了したら、椅子を取り外して参加者に立ってもらい、まだ明確な信号があることを確認します。参加者に、パラダイムの指示に従って事前にプログラムされたプレゼンテーションに従って実行するように指示します。
4. プレゼンテーション中に参加者に口頭で指導し、各スライドのトランジションに応じて、A、B、C、D-とラベル付けされた所定の姿勢マーカーを手動で記録します。これらのマーカーは、ヨガのシーケンスの特定のフェーズに対応し、分析のためにfNIRSデータをセグメント化するために使用されました:Aはベースラインの姿勢(Tadasana)を示し、B、C、およびDはその後のアクティブな姿勢(それぞれUttanasana、Adho Mukha Svanasana、およびUrdhva Mukha Svanasana)を表します図4で概説されています。マーカーは、各姿勢スライドが提示され、参加者が姿勢に移行した瞬間に、取得ソフトウェア(OxySoft、Artinis Medical Systems)のイベント注釈機能を使用して手動で記録されました。この手動イベントマーキングは、血行動態反応23,24,25の刺激ロック分析を容易にするために、fNIRS研究で広く使用および検証されています。
5. 測定後、手動でマークされたタイムスタンプと自動プレゼンテーションタイムスタンプを一致させることにより、測定プロセス中に正しいマーカーが使用されたことを確認し、正確なデータラベリングを確保します。
6. fNIRSキャップがしっかりと固定され、信号がクリアであることを確認し、参加者に椅子に座ってもらい、アーサナ後の安静状態の測定を行います。参加者に、足を地面につけてリラックスし、手を膝に置き、6分間目を閉じてじっと座るように指示します。25 Hz で fNIRS データを収集します。
7. アーサナ後の休息状態を実行する前に、fNIRSのセットアップが信号干渉なしで正しく校正されていることを確認するのに、アーサナ後に2〜5分かかる場合があります。参加者に対して、休息前の状態測定と同じ指示を参加者に提供して、動きを最小限に抑え、測定値が睡眠状態ではなく安静状態であることを確認してください。

4. ヨガアサナにおける血行動態応答機能のfNIRSデータ解析

注:機能的近赤外分光法(fNIRS)は、酸素化ヘモグロビン(HbO)と脱酸素化ヘモグロビン(HbR)の2つの主要なパラメーターを通じて皮質血行動態の変化を測定します。これらのバイオマーカーは、神経血管結合の原理によって媒介される神経活動の血管相関です。ニューロンの活性化が増加すると、酸素消費率が増加しますが、これは局所的な脳血流の増加によって過剰に補償され、通常はHbOの増加とHbRの減少を同時にもたらします。この研究では、ヨガのアーサナの練習中の血行動態反応を定量化するために、マルチチャネル fNIRS システムを使用して両方のパラメーターを記録しました。平均HbO値の測定は、モデルから導出されたベータ係数 ²⁶よりもノイズやモデリングの仮定に対する感度が低いため、特に運動ベースのタスク中に、活性化の堅牢で信頼性の高い指標を提供します。しかし、HbOはS/N比が高いため、しばしば優先されますが、HbRを組み込むことは、データの生理学的解釈を強化するために重要です。HbRシグナルは、脳の代謝応答と酸素抽出ダイナミクスに関する洞察を提供することにより、HbOを補完する²⁷。HbOとHbRの両方の同時分析は、過度の単純化を回避し、観察された神経パターンの妥当性を強化するのに役立つ ²⁸。

1. ヨガのアーサナ中の血行動態反応機能(HRF)を評価するには、まず生の機能的近赤外分光法(fNIRS)データを光学密度(O.D.)に変換し、HOMER 3ツールボックス(RRID:SCR_009586)を使用して処理します。修正ランベルトベールの法則(MBLL)を使用して、式 ²⁹に従ってHbOおよびHbR濃度の変化を計算します。
   
   MBLLは、生体組織の散乱特性を考慮し、光吸収の変化(ΔA)を発色団濃度の変化(Δμ_a)に関連付け、測定された光強度からヘモグロビン動態を定量化することができます。 r_sd はソース-検出器の距離を示し、 DPF は微分パス長係数です。この線形近似により、酸素化ヘモグロビンと脱酸素化ヘモグロビンの相対濃度変化を推定できます。表在性血管活動の影響を最小限に抑え、皮質シグナルをより適切に分離するために、短チャネル回帰を含めます。
2. MATLAB でデータを解析します。各参加者、チャネル、および条件のブロック平均を計算して、一貫性を維持します。品質管理を開始するには、光学密度の大きな変動、信号対雑音比(SNR)が低い、または光源と検出器の距離が長い読み取り値を除外します。hmrR_PruneChannels関数を使用して、有効範囲を 1 x ^10-7 から 1 x 10⁷、SNR しきい値を 2、ソース-検出器間距離を 0.45 mm から 45 mm などのパラメータに設定します。
3. hmrR_MotionArtifactByChannel機能で各チャンネルのモーションアーチファクトを検出します。信号の振幅が 0.5 を超える場合 (AMPthresh)、または 1 秒のタイム ウィンドウ内で標準偏差が 15 倍以上増加した場合 (SDthresh) (tMotion) は、セグメントにフラグを設定します。フラグが立てられたセグメント (各セグメントが 1 秒続く) を除外します (tMask)。
4. 刺激開始の 2 秒前から 23 秒後までのタイム ウィンドウで一般線形モデル (GLM) を適用します。GLM は、観測データのセットの変動を 1 つ以上の既知の変数 (予測子) と誤差項の組み合わせとしてモデル化することにより、その変動を説明するために使用される統計的手法です。各予測変数が観測結果にどの程度寄与しているかを推定するため、研究者はノイズを考慮しながら関心のある影響を分離できます。この文脈では、GLMを使用して、ショートスパン(SS)リグレッサーをロングスパン(LS)チャネルに適用して全身の生理学的ノイズを低減し、血行動態応答機能(HRF)推定19,30,31,32,33,34のための脳活動をより正確に分離します。
5. 通常の最小二乗法を使用してGLMを解きます。モーションアーチファクトにさらに対処するために、参加者の安静状態データ(30-210秒)をリグレッ^サー35として、正則化された埋め込み正準相関分析(TCCA)を適用する。この後、各チャネル、条件、および参加者のHRFを推定し、信号対雑音比を改善して信頼性の高い神経応答推定を保証します。
6. Originを使用して、一元配置反復測定ANOVAを実行します。ベースライン姿勢A(Tadasana)、アライメントと安定性を促進する中立姿勢、姿勢B(Uttanasana)、頭が心臓の下に配置され、それを反転として分類する立っている前方折り目を比較することにより、長いチャネル間の平均HbO値の違いを評価します。ポスチャーC(Adho Mukha Svanasana)、一般に下向きの犬として知られており、背骨を伸ばして上半身を活性化する半逆さのポーズ。ポスチャーD(Urdhva Mukha Svanasana)、または上向きの犬、胸を開いて後鎖を強化する背中の延長。
7. 姿勢B、C、Dの違いを評価し、Shapiro-Wilk検定を使用してデータが正規分布していることを確認します。複数の検定に対して、ボンフェローニ補正によるポストホックなペアワイズ比較を実行します。有意性に

   36,37を使用して、HbO応答の有意差の効果サイズを計算します。

5. 安静時機能的コネクティビティのfNIRSデータ解析

1. 安静時機能的接続性 (rsFC) を解析するには、各参加者の各半球内 (半球内) および半球間 (半球間) の接続性を評価します。これは、脳領域の共活性化を反映した時系列間の統計的依存関係に基づいています。
   注:rsFCの測定は、外部刺激がない場合の脳の固有の機能組織への洞察を提供し、微妙な神経変化や機能障害のバイオマーカーを特定するための貴重なツールとしてますます認識されています。以前の研究では、rsFCパターンが大うつ病性障害患者における抗うつ薬治療反応の予測バイオマーカーとして提案されていることが示されており³⁸、形質様神経シグネチャーを捕捉する上での安静状態分析の有用性を強調しています。このアプローチは、半球内および半球間の両方の接続性を評価することにより、特にヨガのような介入の文脈において、脳の機能統合と側性化をより包括的に理解する^{ことを可能にする。}
2. 分析には 6 分間の休息状態の期間を選択します。これは一般的に受け入れられる 5 分から 10 分の範囲内に収まり、通常 5 分後には十分な rsFC が達成されます ^26,27,28,35。アクティブアーサナと比較して、安静時の測定中の騒音レベルが低減されていることを利用して、HbO、HbR、およびHbT濃度34,40,41を評価します。
3. まず、データ内のモーション アーティファクトを特定して修正します。修正したら、バンドパスフィルタ(0.009-0.08Hz)を時系列に適用して機能的な接続周波数範囲を分離し、次にフィルタリングされた信号を修正されたブーゲー・ベー・ランバートの法則を使用してヘモグロビン濃度に変換し、さらに分析します40,42,43。半球間接続⁴⁴の完全性を維持するために、モーションアーティファクトのない時点に焦点を当てる(MotionArtifactByChannel関数を使用)。
4. すべてのチャネルに共通する自発的な変動を考慮するには、短い分離チャネル(SSC)信号回帰を適用します。まず、すべてのSSCの平均時間経過を計算し、次に、Tikhonov正則化法⁴²を使用して、測定されたfNIRS時系列からSSC信号を回帰します。
5. 結果の残差時系列を使用して、チャネルのすべてのペア間のピアソン相関を計算することにより、接続行列を構築します。
6. 半球内接続性の場合、左半球内と右半球内のチャネル間の平均相関係数を別々に計算します。半球間接続性については、各チャネルとその対側チャネル³⁹との間の平均相関を計算する。
7. 統計解析を実行するときは、Wilcoxon-Mann-Whitney 検定を実行する前に、ピアソンの r 値をフィッシャー z スコアに変換します。偽検出率 (FDR) 法を使用した多重比較の修正。
   注: この調査で使用されたコードとデータは、Zenodo⁴⁵ の https://zenodo.org/records/11098997 DOI: 10.5281/zenodo.11098996 で公開されています。

結果

アクティブチャネルの予備分析により、制御姿勢Aと姿勢BおよびCとの間に有意差が明らかになりました(図5A-B)。次に、ソフトウェアパッケージOrigin(Pro)、バージョン2018を使用して、チャネル間で推定された血行動態応答関数(HRF)の平均HbO値の平均HbO値の統計的差を評価するために、一元配置反復測定ANOVAを実行しました。正規性の仮定は、Shapiro-Wilk検定を使用して評価されました。

マルチチャンネル機能近赤外分光法(fNIRS)を使用する場合、多くのチャンネルからデータを収集するには、多数の統計的検定を行う必要があります。これにより、タイプIの誤りの可能性が自然に高まり、比較の量⁴⁶のために少なくとも1つの真の帰無仮説が誤って棄却される可能性がある。これに対処するために、ボンフェローニ補正によるポストホックペアワイズ比較を適用して、p < 0.05 の有意性しきい値を考慮して、...

ディスカッション

この研究では、構造化されたヨガのアーサナの練習中のPFC活動を評価するためにfNIRSを利用し、実際の神経イメージングにおける主要な方法論的考慮事項と進歩を強調しました。重要なプロトコル要素には、正確なfNIRSオプトード配置、最適なソース-検出器間隔(3.0 cm)、および正確なシグナル取得を確保するための適切なオプトード-スカルプカップリングが含まれていました。ヨガロープのサポートを受けて、アクティブな姿勢(B、C、D)とベースラインの姿勢(A)を交互に行うランダム化されたブロック設計により、参加者の疲労が最小限に抑えられ、一貫したデータ収集が確保されました。短い分離チャネル(1.0cm間隔)を使用することで、表面的な血行動態干渉が減少し、測定精度が向上しました。神経信号を分離し、運動アーチファクトを軽減するために、運動ベースの研究では一般的なGLMフィルターとTCCAフィルターが採用されました。

オプトードの位置決めと信号品質のリアルタイムモニタリングにより、髪の毛や結合不良による信号の劣化を防ぐための即時調...

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
3Dデジタイザ	アルティニスメディカル	DGT-456	キャップの配置と領域マッピングに使用
Brite MKII fNIRS装置	アルティニスメディカル	BR-MK2	PFCデータ用ポータブルfNIRS装置
ハーモニーヨガマット 3/16インチ(5mm)厚さ68インチ(173cm)	翡翠	HAR368	アーサナを練習するための安定した表面
HOMER 3 ソフトウェア	ボストン大学ニューロフォトニクスセンター(オープンソース)	ホーマー v1.54	fNIRSデータの前処理用
Origin(Pro)ソフトウェア	オリジンラボ	組織-2023	データの統計分析
Oxysoftソフトウェア	アルティニスメディカル	オキシ-001	リアルタイム信号取得
Piola コットン 12mm ロープ	タープ用品	該当なし	壁掛けヨガロープシステムの一部
PowerPoint プレゼンテーションのセットアップ	マイクロソフト	該当なし	説明用ビジュアル用
ステンレススチールフック	ホムヒール	LIUXI-050	壁掛けヨガロープシステムの一部
壁掛けヨガロープシステム	カスタムメイド	該当なし	ヨガのポーズの補助