Method Article

Jakościowe i porównawcze analizy danych dotyczących aktywności kory mózgowej z eksperymentu funkcjonalnej spektroskopii bliskiej podczerwieni z zastosowaniem projektowania blokowego

DOI:

10.3791/61836

⸱

December 3rd, 2020

 ,  ,  ,  , 
1Department of Neurosurgery, Faculty of Medicine, Fukuoka University, 2Department of Rehabilitation Medicine, Fukuoka University Hospital, 3Department of Preventive Medicine and Public Health, Faculty of Medicine, Fukuoka University, 4Department of Neurology, Fukuoka University Hospital

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Opisujemy analizę eksperymentu z funkcjonalną spektroskopią bliskiej podczerwieni z wykorzystaniem konstrukcji blokowej z zadaniem sensomotorycznym. Aby zwiększyć wiarygodność analizy danych, zastosowaliśmy jakościowe ogólne mapowanie parametryczne oparte na ogólnym modelu liniowym oraz porównawcze hierarchiczne modele mieszane dla wielu kanałów.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Badania neuroobrazowe odgrywają kluczową rolę w ocenie przed- i pointerwencyjnych schorzeń neurologicznych, takich jak rehabilitacja i leczenie chirurgiczne. Wśród wielu technologii neuroobrazowania stosowanych do pomiaru aktywności mózgu, funkcjonalna spektroskopia w bliskiej podczerwieni (fNIRS) umożliwia ocenę dynamicznej aktywności kory mózgowej poprzez pomiar lokalnych poziomów hemoglobiny, podobnie jak w funkcjonalnym rezonansie magnetycznym (fMRI). Ponadto, ze względu na mniejsze ograniczenia fizyczne w fNIRS, można ocenić wiele wariantów zadań sensomotorycznych. Wiele laboratoriów opracowało kilka metod analizy danych fNIRS; Jednak pomimo tego, że ogólne zasady są takie same, nie ma uniwersalnie ustandaryzowanej metody. W niniejszym artykule przedstawiono jakościowe i porównawcze metody analityczne danych uzyskanych z wielokanałowego eksperymentu fNIRS z wykorzystaniem konstrukcji blokowej. Do analizy jakościowej użyliśmy oprogramowania do NIRS jako podejścia masowo-jednowymiarowego opartego na uogólnionym modelu liniowym. Analiza NIRS-SPM pokazuje wyniki jakościowe dla każdej sesji poprzez wizualizację aktywowanego obszaru podczas zadania. Ponadto nieinwazyjny trójwymiarowy digitizer może być używany do szacowania lokalizacji kanałów fNIRS względem mózgu. Aby potwierdzić wyniki NIRS-SPM, amplituda zmian poziomu hemoglobiny wywołanych zadaniem sensomotorycznym może być analizowana statystycznie, porównując dane uzyskane z dwóch różnych sesji (przed i po interwencji) tego samego uczestnika badania przy użyciu wielokanałowego hierarchicznego modelu mieszanego. Nasze metody mogą być wykorzystane do pomiaru analizy przed i po interwencji w różnych zaburzeniach neurologicznych, takich jak zaburzenia ruchowe, choroby naczyń mózgowych i zaburzenia neuropsychiatryczne.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Neurorehabilitacja odgrywa ważną rolę w funkcjonalnym powrocie do zdrowia po zaburzeniach sensomotorycznych. Aby wyjaśnić mechanizmy odzyskiwania funkcjonalnego związanego z neuroplastycznością, zastosowano różne technologie neuroobrazowania, takie jak funkcjonalny rezonans magnetyczny (fMRI), pozytonowa tomografia emisyjna (PET), elektroencefalografia (EEG) i funkcjonalna spektroskopia bliskiej podczerwieni (fNIRS). Różne metody obrazowania mają różne zalety i wady. Chociaż fMRI jest najbardziej typowym urządzeniem, jest pod wpływem pól magnetycznych, ma wysoki koszt, wysokie ograniczenia fizyczne i ograniczone zadania sensomotoryczne1,2,3,4. Urządzenie fNIRS wyróżnia się jako nieinwazyjne neuroobrazowanie optyczne i ma stosunkowo niższą rozdzielczość przestrzenną, ale ma lepszą rozdzielczość czasową niż fMRI4. fNIRS jest odpowiedni do weryfikacji efektów leczenia, ponieważ porównuje efekty przed i po interwencji, ma dynamiczne zadania motoryczne, jest przenośny i działa bardziej w środowisku naturalnym niż fMRI1,2,4. Doniesiono, że NIRS jest bardziej odpowiedni w dziedzinie chorób naczyń mózgowych, zaburzeń padaczkowych, ciężkich uszkodzeń mózgu, choroby Parkinsona i zaburzeń poznawczych1,5. Jeśli chodzi o zadania sensomotoryczne, jest szeroko stosowany w równowadze chodu i stania6,7,8, funkcja kończyny górnej (chwytanie dłoni, stukanie palcami)8,9, złożony trening umiejętności motorycznych10,11, robotics12,13,14,15, oraz interfejs mózg-komputer16,17,18. fNIRS opiera się na zasadach optycznego neuroobrazowania i sprzężenia nerwowo-naczyniowego, które mierzą aktywność metaboliczną kory mózgowej, zwiększony przepływ krwi, a w konsekwencji aktywność korową jako sygnały wtórne19. Doniesiono, że sygnały fNIRS mają silne korelacje z sygnałami fMRI20 zależnymi od poziomu tlenu we krwi. fNIRS o fali ciągłej wykorzystuje zmodyfikowane prawo Beera-Lamberta do określenia zmian w poziomach stężenia korowej hemoglobiny utlenionej (HbO2) i hemoglobiny odtlenionej (HHb) na podstawie zmierzonych zmian w szerokopasmowym tłumieniu światła w bliskiej podczerwieni21,22. Ponieważ nie było możliwe zmierzenie różnicowego współczynnika długości ścieżki (DPF) za pomocą systemu NIRS o fali ciągłej, założyliśmy, że DPF jest stały, a zmiany sygnału hemoglobiny są oznaczane w dowolnych jednostkach milimolomilimetra (mM x mm)2,18.

Eksperymenty fNIRS muszą wybrać najbardziej odpowiednie metody, w tym ustawienia sondy, projekty eksperymentów i metody analizy. Jeśli chodzi o ustawienie sondy, międzynarodowa metoda 10-20 stosowana w pomiarze EEG jest standardem ustawień stosowanym przez wielu badaczy w neuroobrazowaniu. W ostatnich latach zastosowano ustawienia współrzędnych oparte na standardowym mózgu na podstawie współrzędnych Instytutu Neurologicznego w Montrealu (MNI). W eksperymencie wykorzystano projekt blokowy, zwykle używany do zadań sensomotorycznych, oraz projekt związany z wydarzeniem. Jest to metoda porównywania zmian stężenia hemoglobiny w spoczynku i podczas zadań; Poziomy stężenia HbO2 wzrastają, a poziomy stężenia HHb spadają wraz ze zmianami w przepływie krwi w mózgu związanymi z zależną od zadania aktywnością kory mózgowej. Chociaż istnieją różne metody analizy, bezpłatne oprogramowanie NIRS-SPM umożliwia analizę podobną do statystycznego mapowania parametrycznego (SPM) fMRI. Przetwarzanie danych NIRS wykorzystuje podejście masowo-jednowymiarowe oparte na ogólnym modelu liniowym (GLM). Podczas wykonywania analizy aktywności mózgu zależnej od zadania, na pomiary fNIRS może mieć wpływ wywołana lub niewywołana aktywność neuronalna oraz ogólnoustrojowe zakłócenia fizjologiczne (tętno, ciśnienie krwi, częstość oddechów i aktywność autonomicznego układu nerwowego) w przedziale mózgowym i pozamózgowym23. W związku z tym przydatne jest przetwarzanie przed analizą, filtrowanie, konwersja falek i analiza składowych głównych23. Jeśli chodzi o filtrowanie i artefakty przetwarzania danych za pomocą NIRS-SPM, filtrowanie dolnoprzepustowe9 i minimalna długość opisu falki (Wavelet-MDL)24 detrending zostały użyte do pokonania ruchu lub innych źródeł szumu/artefaktu. Szczegółowe informacje na temat tej metody analitycznej można znaleźć w raporcie Ye et al.25. Chociaż istnieją raporty wykorzystujące tylko SPM, jest to tylko wskaźnik jakościowy za pomocą analizy obrazu, a ze względu na niską rozdzielczość przestrzenną NIRS wymagana jest szczególna ostrożność przy analizie grupowej. Ponadto, gdy DPF jest stały, nie należy dokonywać porównań numerycznych między kanałami i osobami, ale można zweryfikować różnicę w zmianach w każdym kanale. Opierając się na powyższych warunkach, w celu uzupełnienia wyników analizy grupowej NIRS-SPM, zastosowaliśmy autorską metodę analizy do analizy wielokanałowej po poprawie dokładności rejestracji przestrzennej. W tej wielokanałowej analizie porównano amplitudę zmian poziomów HbO2 i HHb między okresami odpoczynku i wykonywania zadania w każdym kanale przed i bezpośrednio po leczeniu przy użyciu hierarchicznych modeli mieszanych z ustalonymi interwencjami (przed lub po), ustalonymi okresami (odpoczynek lub po zadaniu) i losowymi efektami indywidualnymi.

W ten sposób istnieje kilka metod pomiaru i analizy fNIRS, jednak nie ustalono żadnej standardowej metody. W tym artykule przedstawiamy nasze metody, jakościowe statystyczne mapowanie parametryczne oparte na GLM oraz porównawczy wielopoziomowy hierarchiczny model mieszany, do analizy danych uzyskanych z wielokanałowego eksperymentu fNIRS przed i po interwencji przy użyciu projektu blokowego z zadaniami sensomotorycznymi.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

To badanie zostało zatwierdzone przez instytucjonalną komisję rewizyjną (IRB) Uniwersytetu Fukuoka, Japonia (IRB nr 2017M017). Przed udziałem wszyscy pacjenci wyrazili pisemną świadomą zgodę.

1. Przygotowanie eksperymentu fNIRS

UWAGA: W tym eksperymencie użyto wielokanałowego laserowego systemu NIRS opartego na falach ciągłych. Długości fal światła bliskiej podczerwieni wynosiły 780 nm, 805 nm i 830 nm, a częstotliwość próbkowania ustalono na 7,8 Hz. Rozdzielczość czasowa i przestrzenna (odległości między emiterem światła a sondą detektora) wynosiły odpowiednio 0,13 s i 3,0 cm.

  1. Ustaw urządzenie fNIRS w ciemnym, bezgłośnym miejscu. Przeprowadzaj eksperymenty w temperaturze pokojowej. Uruchom instrument fNIRS 30 minut przed eksperymentem.
    UWAGA: Systemy fNIRS są używane w kontrolowanych warunkach temperatury i wilgotności, aby zapewnić stabilną pracę sprzętu26.
  2. Do nagrywania fNIRS należy użyć całej nasadki na głowę i przymocować nasadkę na głowę osoby badanej w taki sposób, aby pozycja odpowiadająca centralnej (Cz) międzynarodowego systemu 10-20 znajdowała się w uchwycie nr 245 nasadki na głowę. (Rysunek 1).
  3. Przymocuj naklejkę z oznaczeniem do referencyjnych punktów lokalizacyjnych: nasion (Nz), prawego przewodu słuchowego zewnętrznego (AR) i lewego przewodu słuchowego zewnętrznego (AL).
    UWAGA: Ponieważ współrzędne trójwymiarowe (3D) są odczytywane wokół pozycji naklejki z oznaczeniem Nz, AR, AL i uchwytu Cz, konieczne jest dołączenie naklejki oznaczącej przed zrobieniem zdjęcia.
  4. Po kalibracji aparatu cyfrowego o wysokiej rozdzielczości do rejestracji przestrzennej zrób zdjęcia głowy fotografowanej osoby wraz z lokalizacją sondy, pokazując punkty odniesienia (Cz, Nz, AR i LR) z 15 perspektyw.
    UWAGA: Zrób zdjęcie przed umieszczeniem sondy. Jeśli zdjęcie zostanie zrobione po umieszczeniu sondy, znacznik punktu orientacyjnego może być ukryty przez sondę i przewód zasilający. Zgodnie z zaleceniami producenta, po wykonaniu 12 zdjęć pod kątem 30° po przekątnej do przodu w prawo od fotografowanego obiektu, należy wykonać trzy lub więcej zdjęć nieco powyżej, tak aby na zdjęciu pojawił się Cz (uchwyt nr 245). Dzieje się tak, ponieważ łatwo jest ustawić go w trójwymiarze, gdy robisz łącznie 15 lub więcej ujęć.
  5. Ostrożnie oddziel włosy obiektu, które zakłócają optodę, za pomocą plastikowego pręta z diodą elektroluminescencyjną (LED), aby przymocować sondę. Ułóż sondę tak, aby optody były przymocowane w minimalnej odległości od powierzchni skóry głowy i stykały się ze skórą głowy.
    UWAGA: Sprawdź dokładnie, czy pacjent nie odczuwa ucisku lub dyskomfortu z powodu zamocowania optod, ze względu na rosnącą siłę systemowych czynników zakłócających związanych z aktywacją autonomicznego układu nerwowego23.
  6. Ułóż 48-kanałowy system z 32 optodami (16 źródeł światła i 16 detektorów; układ 4 x 4 dla każdej półkuli) do nasadki głowy obustronnie nad obszarami czołowymi i ciemieniowymi jako obszarami zainteresowania (Rysunek 2).
  7. Uruchom i użyj oprogramowania 3D-digitizer, aby określić pasję przestrzenną.
  8. Po zeskanowaniu danych obrazu całej głowy określ współrzędne przestrzenne każdego pacjenta za pomocą automatycznego pomiaru i zapisz jako plik Początek układu współrzędnych i inne (plik *CSV).
    UWAGA: Jeśli nie można wykryć punktów współrzędnych na obrazach za pomocą pomiaru automatycznego, wprowadź korektę ręcznie.

2. Uruchom eksperyment

  1. Wybierz projekt bloku do eksperymentu, a zadaniem może być dowolny ruch interesujący badanie, taki jak otwieranie/zamykanie dłoni, stukanie palcami itp. W naszym poprzednim badaniu zadanie polegało na ruchach łokci wspomaganych przez robota15.
    UWAGA: Każdy cykl składa się z trzech bloków (15 s odpoczynku - 15 s zadania - 15 s odpoczynku), a każdy pacjent wykonuje siedem cykli w każdej sesji.
  2. Spraw, aby uczestnik czekał w wygodnej pozycji do momentu sygnału startu. Poinstruuj osobę, aby zamknęła oczy podczas odpoczynku i zadania.
  3. Podawaj wskazówki dotyczące rozpoczęcia i zakończenia (np. "Powtórz zgięcie i wyprost łokcia", "Zatrzymaj się i zrelaksuj").
    UWAGA: Nie mów podczas pomiarów. Dokładnie sprawdź, czy na ekranie monitora nie ma artefaktów podczas pomiarów.
  4. Zadanie projektowania blokowego należy wykonać w tej samej pozycji. Pożądana jest wyprostowana postawa w pozycji stojącej lub siedzącej, aby nie zniekształcać zestawu słuchawkowego.
    UWAGA: Jeśli pacjent czuje się nieswojo po noszeniu uchwytu na głowę przez dłuższy czas, zdejmij lub poluzuj sondę podczas ćwiczeń wspomaganych przez robota.
  5. Po zakończeniu pomiaru NIRS zdejmij uchwyt na głowę i naklejkę z napisem, aby zakończyć eksperyment.
    UWAGA: Dokładnie sprawdź, czy skóra głowy nie jest uszkodzona w wyniku długotrwałego noszenia.

3. Jakościowa analiza GLM przy użyciu oprogramowania NIRS-SPM

  1. Uruchom NIRS-SPM w oprogramowaniu MATLAB. Przekonwertuj plik danych związanych ze zmianą stężenia HbO2 i HHb uzyskanym z urządzenia NIRS na format pliku do analizy NIRS-SPM.
  2. Z menu podręcznego wybierz opcję przy użyciu systemu NIRS. Wybierz przycisk obciążenia i wybierz opcje konwersji HbO2 i zmiany stężenia HHb.
  3. Wykrywanie rejestracji przestrzennej lokalizacji kanału NIRS. Zaznacz pole wyboru Autonomiczny, a następnie zaznacz pole wyboru Z digitizerem 3D.
  4. W obszarze Od współrzędnych rzeczywistych do przestrzeni MNI użyj okna dialogowego, aby wybrać _origin. CSV odnoszący się do pliku współrzędnych punktu odniesienia i _others. CSV odnoszący się do pliku sond/kanałów współrzędnych.
  5. Wybierz przycisk Rejestracja. Wybierz punkty, aby przejść do szacowania przestrzennego i kliknij przycisk OK. Kliknij przycisk Współrzędna MNI projektu do renderowanego mózgu.
    UWAGA: Położenie przestrzenne lokalizacji kanałów NIRS jest szacowane na podstawie szablonu mózgu Instytutu Neurologicznego w Montrealu (MNI).
  6. Wybierz opcję Widok grzbietowy i kliknij przycisk Zapisz.
  7. W sekcji Określ 1. poziom wybierz nazwę pliku danych NIRS i katalog SPM. Zaznacz pole wyboru hemoglobiny; HbO2 lub HHb. Podświetl opcję Określ projekt" i wybierz opcję Sec. Podświetl opcję Liczba warunków/prób i wprowadź liczbę 7.
  8. Podświetl opcje Wektor początku i Czas trwania, a następnie wprowadź wektor początku pomnożony przez czas trwania warunków eksperymentalnych w następujący sposób.
    UWAGA: W tym przypadku wektor czasów początku powinien być określony jako [15:45:285] lub [15 60 105 150 195 240 285]. Wektor czasu trwania powinien być określony jako [15* jedynki(7,1)] lub [15 15 15 15 15 15 15].
  9. W celu detrendingu wybierz przycisk Wavelet-MDL. Użyj metody wstępnego kolorowania: filtr dolnoprzepustowy i wybierz przycisk hrf, a następnie skoryguj korelację szeregową, a następnie wybierz przycisk brak.
  10. Szacując korelacje czasowe, sprawdź Analizę Indywidualną.
    UWAGA: Zapisz lokalizację przestrzenną pozycji kanałów fNIRS w poszczególnych układach współrzędnych MNI jako plik tekstowy. W podobny sposób zapisz mapę na podstawie indywidualnego obszaru Brodmanna (BA) jako plik tekstowy.
  11. Szacując korelacje czasowe, sprawdź Analizę Grupową. NIRS-SPM wyrównał średnie pozycje optody liczby uczestników zgodnie ze standaryzowanym układem współrzędnych mózgu MNI.
  12. Oblicz mapę aktywacji na podstawie zmian poziomu hemoglobiny dla standaryzowanego mózgu. PoziomyHbO2 i HHb uznano za istotne przy nieskorygowanym progu p < 0,01,
    UWAGA: Informacje o lewej / prawej stronie zostały odwrócone w prawe strony w celu analizy grupowej.

4. Wielokanałowa analiza porównawcza oparta na hierarchicznym modelu mieszanym

  1. Uruchom oprogramowanie SAS. Przekonwertuj dokument tekstowy (.TXT) zmian stężeń HbO2 i HHb w pliku danych NIRS przetworzonym z filtrem dolnoprzepustowym (częstotliwość odcięcia została ustawiona na 0,1 Hz) do pliku z wartościami oddzielonymi przecinkami w oprogramowaniu arkusza kalkulacyjnego (. Plik CSV).
  2. Utwórz dane importu SAS (.sas7bdat) za pomocą programu.
  3. Wyprowadź plik importu za pomocą następującego polecenia, libname out "Importuj plik"
  4. Wydrukuj plik przed i po interwencji dla każdego tematu, uruchom następujące polecenia w sygnaturze dostępu współdzielonego analizy. (Rysunek 3) Podczas tworzenia pliku importu nadaj nazwę taką, która może identyfikować informacje o temacie oraz przed i po interwencji (np. id1 pre, id1 post...)
  5. Uruchom polecenie danych przed i po interwencji dla każdego kanału (kanały 1-48; HbO2 i HHb) w następujący sposób (Rysunek 4).
  6. Na podstawie danych uzyskanych z wyników wyjściowych wprowadź różnice przed i po interwencji w zmianach (różnica w trakcie wykonywania zadania i odpoczynku), spoczynku i wartości w trakcie wykonywania zadania (wartości szacunkowe, górne i dolne limity) każdego kanału w pliku skoroszytu arkusza kalkulacyjnego (.xlsx).
  7. Podobnie wprowadź stopnie swobody licznika i mianownika, wartość F i wartość P elementu interakcji testu typu 3 o stałym skutku do pliku skoroszytu arkusza kalkulacyjnego (.xlsx).
  8. Aby kontrolować współczynnik fałszywych wykryć (FDR) w testach wielokanałowych, użyj metod Benjamina i Hochberga27 i kontroluj FDR przy wartości p < 0,01.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Tutaj przedstawiamy rehabilitację wspomaganą przez robota, nad którą obecnie pracuje nasza grupa: wpływ biofeedbacku na deficyt motoryczny kończyn górnych u pacjentów z ostrym udarem. Do badania przyjęto 10 pacjentów z udarem mózgu (średnia wieku: 66,8 ± 12,0 lat; dwie kobiety i ośmiu mężczyzn), którzy zostali przyjęci do naszego szpitala. W fazie podostrego udaru mózgu, ponad 2 tygodnie po wystąpieniu, oceniliśmy aktywność korową związaną z motoryką u tych pacjentów za pomocą systemu fNI...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

W naszych grupowych metodach analitycznych dla fNIRS, oprócz wykonania metody analizy obrazowej za pomocą jakościowych mapowań t-statystycznych, porównaliśmy przed i po interwencji (ćwiczenia wspomagane robotem) za pomocą porównawczej analizy wielokanałowej. Do analizy jakościowej użyliśmy oprogramowania NIRS-SPM jako podejścia masowo-jednowymiarowego opartego na uogólnionym modelu liniowym. Analiza NIRS-SPM pokazuje jakościowe wyniki każdej sesji poprzez wizualizację aktywowanego obszaru podczas wykonywania zad...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy nie mają do ujawnienia żadnych konfliktów interesów istotnych dla tego badania.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ta praca była częściowo wspierana przez Japońskie Towarzystwo Promocji Nauki (JSPS) Grant-in-Aid for Scientific Research (C) 18K08956 oraz fundusz z Centralnego Instytutu Badawczego Uniwersytetu Fukuoka (nr 201045).

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Oprogramowanie do digitizera 3DOprogramowanie TOPCON-NS-1000wersja 1.50
System NIRSShimadzu-FOIRE-3000
RobotCYBERDYNE-Hybrydowakończyna asytywna typu jednostawowego (HAL-SJ)

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. 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).
  2. Mihara, M., Miyai, I. Review of functional near-infrared spectroscopy in neurorehabilitation. Neurophotonics. 3 (3), 031414(2016).
  3. 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).
  4. 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).
  5. Obrig, H. NIRS in clinical neurology - a 'promising' tool. Neuroimage. 85, Pt 1 535-546 (2014).
  6. Fujimoto, H., et al. Cortical changes underlying balance recovery in patients with hemiplegic stroke. Neuroimage. 85, Pt 1 547-554 (2014).
  7. 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).
  8. 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).
  9. 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).
  10. 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).
  11. 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).
  12. 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).
  13. 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).
  14. 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).
  15. 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).
  16. 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).
  17. Naseer, N., Hong, K. S. fNIRS-based brain-computer interfaces: a review. Frontiers in Human Neuroscience. 9, 3(2015).
  18. Mihara, M., et al. Neurofeedback using real-time near-infrared spectroscopy enhances motor imagery related cortical activation. PLoS One. 7 (3), 32234(2012).
  19. 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).
  20. 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).
  21. 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).
  22. 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).
  23. 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).
  24. Jang, K. E., et al. Wavelet minimum description length detrending for near-infrared spectroscopy. Journal of Biomedical Optics. 14 (3), 034004(2009).
  25. 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).
  26. 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).
  27. 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).
  28. 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).
  29. 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).
  30. 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).
  31. 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).
  32. 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).
  33. 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).
  34. Torricelli, A., et al. Time domain functional NIRS imaging for human brain mapping. Neuroimage. 85, Pt 1 28-50 (2014).
  35. Giacalone, G., et al. Time-domain near-infrared spectroscopy in acute ischemic stroke patients. Neurophotonics. 6 (1), 015003(2019).
  36. 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).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Functional Near Infrared SpectroscopyfNIRS Data AnalysisBlock Design TaskNIRS SPM SoftwareHierarchical Mixed ModelGeneral Linear Model3D Digitizer SoftwareMulti Channel AnalysisPre Post InterventionCortical Activity Measurement

Related Articles