Artigo de método

Mapeamento de Frequência Guiado por Espectroscopia Funcional de Infravermelho Próximo da Estimulação do Nervo Vago Auricular na Depressão

145 visualizações

⸱

DOI:

10.3791/70136

⸱

25 de setembro de 2026

 ,  ,  ,  ,  ,  ,  , 
1Department of Psychiatry and Psychotherapy, University of Marburg, 2Center for Mind, Brain, and Behavior (CMBB), University of Marburg, 3Department of Psychology, University of Marburg, 4Faculty of Medicine, University of British Columbia

Neste artigo

Resumo

Este protocolo fornece uma estrutura reproduzível para mapear respostas corticais dependentes da frequência à estimulação transcutânea do nervo vago auricular utilizando espectroscopia funcional no infravermelho próximo em indivíduos com transtorno depressivo maior.

Resumo

O transtorno depressivo maior (TDM) está associado a alterações em redes cerebrais de grande escala, e a variabilidade nos parâmetros da estimulação transcutânea do nervo vago auricular (taVNS), particularmente a frequência de estimulação, limita a reprodutibilidade e comparabilidade entre estudos. Estratégias padronizadas para seleção sistemática de parâmetros são, portanto, necessárias. Este protocolo apresenta um fluxo de trabalho reprodutível, guiado por neuroimagem, para mapear as respostas corticais individuais a múltiplas frequências de taVNS utilizando espectroscopia funcional no infravermelho próximo (fNIRS). A abordagem combina a aquisição contínua de fNIRS com a aplicação intra-sessão de múltiplas frequências de estimulação e análise em nível de rede da atividade da rede modo padrão. As respostas específicas à frequência são quantificadas usando métricas baseadas em distância, seguidas por classificação algorítmica para identificar parâmetros de estimulação candidatos dentro de cada participante.
O fluxo de trabalho permite a comparação direta intra-sujeito de condições de estimulação e fornece uma estrutura organizada para o mapeamento exploratório de parâmetros com base em respostas em nível de rede, em vez de desenhos com frequência fixa. Resultados representativos demonstram a viabilidade de obter sinais estáveis de fNIRS em diferentes condições e gerar classificações de frequência interpretáveis e específicas por participante. Embora demonstrado no TDM, este protocolo pode ser adaptado a outros paradigmas de neuromodulação e transtornos que envolvam disfunção em nível de rede e pode apoiar estudos futuros voltados à seleção individualizada de parâmetros.

Introdução

A estimulação vagal auricular transcutânea (taVNS) é uma técnica não invasiva de neuromodulação que tem como alvo o ramo auricular do nervo vago e pode influenciar núcleos neuromoduladores do tronco encefálico, bem como redes corticais distribuídas1. Estudos anteriores demonstraram que os efeitos fisiológicos e neurais da taVNS dependem fortemente dos parâmetros de estimulação2,3,4,5, especialmente da frequência de estimulação. Em modelos animais e humanos, diferentes frequências têm sido associadas a vias neuromoduladoras e respostas cerebrais distintas, e os protocolos clínicos de taVNS atualmente abrangem uma ampla faixa de frequências6. Essa variabilidade ressalta a necessidade de abordagens sistemáticas para o mapeamento de frequências e de seleção de parâmetros baseada em princípios, em vez de depender de convenções de frequência fixa. O objetivo deste protocolo é fornecer um método reprodutível para o mapeamento intra-individual das respostas neurais a múltiplas frequências de taVNS, utilizando leituras fisiológicas em nível de rede.

O objetivo geral deste protocolo é fornecer um método reprodutível para mapear respostas neurais individuais a múltiplas frequências de taVNS.

A espectroscopia de infravermelho próximo funcional (fNIRS) é uma técnica portátil de neuroimagem óptica que mede a hemodinâmica cortical com alta resolução temporal e é compatível com taVNS simultânea7,8. Em comparação com abordagens baseadas em ressonância magnética (RM), a fNIRS oferece maior portabilidade, menor complexidade logística e integração mais fácil com procedimentos de estimulação, sem restrições como imobilidade no scanner, ruído acústico ou configurações de equipamentos limitadas. Em contraste com estratégias de otimização baseadas em sintomas, a fNIRS fornece um indicador fisiológico direto das respostas da rede cortical à estimulação, em vez de depender exclusivamente de desfechos clínicos subjetivos ou tardios9. Comparada com paradigmas de estimulação de frequência fixa10, o presente protocolo permite a caracterização explícita da variabilidade interindividual na sensibilidade à frequência, em vez de médias de respostas entre participantes. Além disso, a fNIRS permite medições repetidas escaláveis dentro da mesma sessão, tornando esta abordagem particularmente adequada para estudos exploratórios de mapeamento de frequência e investigações piloto que exijam avaliações repetidas e eficientes.

Essa abordagem combinada deve ser utilizada quando os pesquisadores pretendem comparar parâmetros de neuromodulação dentro do mesmo participante, identificar configurações de estimulação individualizadas candidatas ou desenvolver protocolos antes de conduzir ensaios longitudinais ou baseados em desfechos. É amplamente aplicável a condições caracterizadas por alterações na organização de redes cerebrais em larga escala11. Este protocolo é particularmente adequado para mapeamento exploratório de parâmetros, estudos pilotos de personalização e investigações iniciais de viabilidade. Aqui, a depressão fornece um contexto ilustrativo, pois tem sido associada a alterações na atividade e na conectividade dentro da rede padrão do modo (DMN, na sigla em inglês)12,13 e redes de controle relacionadas, e relatos indicam que a eNVta pode modular esses sistemas14. No entanto, estudos anteriores utilizaram frequências de estimulação heterogêneas, e as frequências mais apropriadas para direcionar redes afetivas e cognitivas ainda permanecem incertas. Essa variabilidade motiva o uso de comparação intra-indivíduo de frequências, em vez de depender de uma única frequência a priori.

Aqui, descrevemos um protocolo para implementar um fluxo de trabalho de mapeamento de frequência guiado por fNIRS e adequado para uso à beira do leito e em estudos longitudinais. O procedimento inclui uma linha de base inicial em estado de repouso sem estimulação, seguida por sessões de taVNS em repouso nas frequências de 2, 10, 25 e 40 Hz, bem como uma condição simulada para controle de efeitos inespecíficos. Para cada condição, dados de fNIRS são adquiridos e analisados utilizando métricas multivariadas de distância em rede relativas a uma referência normativa de indivíduos saudáveis. Essas métricas capturam aspectos complementares da organização da rede, incluindo a intensidade da conectividade e os padrões de interação regional15,16. As medidas resultantes em nível de rede são utilizadas para comparar os efeitos específicos de frequência dentro de cada participante e para identificar parâmetros de estimulação candidatos de forma orientada pela rede. Uma condição subsequente específica do candidato em estado de repouso é incluída para avaliar a reprodutibilidade de curto prazo da frequência candidata.

Este protocolo é mais adequado para mapeamento exploratório de parâmetros, personalização de prova de conceito e desenvolvimento de protocolos antes de ensaios longitudinais ou clínicos maiores. Ele fornece uma estrutura organizada para comparar sistematicamente frequências de estimulação dentro de indivíduos, utilizando métricas fisiológicas em nível de rede. O método foi projetado para apoiar a geração de hipóteses e a identificação de frequências candidatas em investigações iniciais ou piloto. Ele não tem a finalidade de estabelecer eficácia clínica definitiva, superioridade terapêutica ou otimização de tratamento, mas sim orientar estudos subsequentes, baseados em resultados e longitudinais, por meio da seleção exploratória de parâmetros informados pela rede.

Protocolo

Todos os procedimentos envolvendo participantes humanos foram realizados de acordo com as diretrizes institucionais e a Declaração de Helsinque e foram aprovados pelo comitê de ética em pesquisa com seres humanos responsável da Universidade Philipps de Marburg (número do protocolo: 23-232 BO). O consentimento informado por escrito foi obtido de todos os participantes antes da participação.

O protocolo segue a execução cronológica do fluxo de trabalho experimental (ver Figura 1 para detalhes). Todas as etapas são implementadas usando parâmetros pré-definidos para garantir reprodutibilidade e comparabilidade entre os participantes. Esses parâmetros incluíram configurações fixas de estimulação taVNS (frequências de 2, 10, 25 e 40 Hz, largura de pulso e intensidade de estimulação ajustada individualmente), durações padronizadas das aquisições em estado de repouso, uma condição placebo consistente e um pipeline uniforme de aquisição e pré-processamento de fNIRS, incluindo configuração de canais, correção de movimento, filtragem e procedimentos de análise baseados em redes.

1. Aprovação Ética e Visão Geral do Estudo

  1. Obter aprovação ética
    1. Obtenha aprovação do Comitê de Ética da Faculdade de Medicina da Universidade Philipps Marburg (Protocolo nº 23-232 BO) antes de iniciar o estudo.
    2. Realize todos os procedimentos de acordo com a Declaração de Helsinque e as diretrizes institucionais para pesquisa com participantes humanos.
    3. Obtenha consentimento informado por escrito de cada participante antes da triagem, avaliações ou aquisição de dados.
  2. Definir os objetivos do estudo
    1. Utilize este protocolo para comparar a estimulação simulada e múltiplas frequências ativas de taVNS dentro do mesmo participante.
    2. Utilize espectroscopia funcional no infravermelho próximo (fNIRS) simultânea para quantificar as respostas das redes corticais durante a estimulação.
    3. Utilize scripts de análise pré-definidos para identificar a frequência de estimulação individualizada candidata com base na similaridade em nível de rede com um modelo de controle saudável.
  3. Definir o escopo analítico
    1. Interprete todos os resultados como descritivos e exploratórios.
    2. Não utilize este protocolo para estabelecer eficácia clínica, superioridade terapêutica ou otimização de tratamento.
    3. Utilize os resultados para orientar futuros estudos longitudinais ou baseados em desfechos.

2. Recrutar e Selecionar Participantes

  1. Recrutar grupos de estudo
    1. Recrutar participantes adultos em dois grupos: Transtorno Depressivo Maior (TDM) e controles saudáveis (CS).
    2. Recrutar controles saudáveis durante o mesmo período do estudo e utilizando procedimentos idênticos aos do grupo com TDM.
    3. Oferecer compensação de acordo com as diretrizes institucionais.
  2. Aplicar critérios de inclusão
    1. Incluir apenas participantes com 18 anos ou mais.
    2. Confirmar visão normal ou corrigida para normal.
    3. Apenas para o grupo com TDM: Confirmar diagnóstico de TDM utilizando uma entrevista clínica estruturada baseada no DSM-5.
    4. Apenas para o grupo com TDM: Incluir apenas participantes com gravidade leve a moderada da depressão (HAMD-24 ≥8 e <24; BDI-II ≥8 e <29).
    5. Apenas para o grupo de controle saudável: Confirmar ausência de doenças psiquiátricas atuais ou doenças somáticas graves.
  3. Aplicar critérios de exclusão
    1. Excluir participantes com distúrbios neurológicos ou histórico de trauma craniano significativo.
    2. Excluir participantes com comorbidade psiquiátrica.
    3. Excluir participantes que estejam atualmente tomando medicamentos psicotrópicos ou antidepressivos ou que tenham interrompido tais medicamentos nas últimas 2 semanas.
    4. Excluir participantes com ideação suicida ou sintomas depressivos graves.
    5. Excluir participantes com condições médicas que possam afetar a função neural ou vascular.
  4. Realizar avaliação clínica
    1. Aplicar a Escala de Avaliação da Depressão de Hamilton (HAMD-24).
    2. Aplicar o Inventário de Depressão de Beck-II (BDI-II).
    3. Registrar as pontuações totais no banco de dados do estudo.

3. Preparar o Ambiente Experimental

  1. Preparar a sala de laboratório
    1. Coloque o participante em uma sala silenciosa e com pouca iluminação.
    2. Mantenha uma temperatura ambiente estável e minimize ruídos externos.
    3. Posicione um monitor aproximadamente a 1 m de distância do participante.
  2. Instruir o participante
    1. Exiba uma cruz de fixação central no monitor.
    2. Instrua o participante a permanecer acordado, relaxado e imóvel.
    3. Instrua o participante a manter o olhar fixo na cruz de fixação durante todas as gravações.

4. Preparar a taVNS e Calibrar a Estimulação

  1. Preparar o equipamento
    1. Utilize um dispositivo de estimulação vagal auricular transcutânea equipado com um eletrodo de estimulação de titânio-irídio.
    2. Verifique os cabos, conectores e o status da bateria antes de cada sessão.
  2. Posicionar o eletrodo
    1. Limpe a cymba conchae esquerda utilizando lenços umedecidos com álcool.
    2. Seque completamente a pele.
    3. Posicione o eletrodo de estimulação sobre a cymba conchae esquerda.
    4. Verifique o contato estável e a fixação segura.
  3. Calibrar a amplitude da corrente
    1. Defina a largura do pulso para 300 µs.
    2. Habilite a estimulação contínua sem ciclo de trabalho.
    3. Inicie em 0 mA e aumente a corrente gradualmente em etapas de 0,1-0,2 mA.
    4. Solicite ao participante que avalie a sensação em uma escala de 10 pontos após cada aumento.
    5. Interrompa o aumento da corrente na intensidade mais alta tolerável sem dor.
    6. Alcance uma intensidade percebida de 7-8/10.
    7. Repita a calibração separadamente para 2, 10, 25 e 40 Hz.
    8. Registre a amplitude final da corrente para cada frequência.
  4. Configurar a estimulação placebo
    1. Configure o dispositivo para não entregar corrente elétrica.
    2. Mantenha o posicionamento do eletrodo idêntico ao das condições ativas.
    3. Iguale todos os estímulos visuais, táteis e auditivos à estimulação ativa.
  5. Aplicar blocos de estimulação ativa
    1. Aplicar quatro frequências ativas (2, 10, 25 e 40 Hz), uma vez cada, durante a sessão.
    2. Randomize a ordem dos blocos entre os participantes utilizando uma sequência gerada por computador.
    3. Insira intervalos fixos entre condições sem estimulação.

5. Configurar o Sistema de fNIRS

  1. Preparar o hardware
    1. Utilize dois sistemas fNIRS sincronizados.
    2. Equipe cada sistema com 16 fontes de luz e 16 detectores.
  2. Definir a montagem
    1. Utilize uma ferramenta de planejamento de layout óptico para direcionar as regiões da rede em modo padrão.
    2. Posicione os optodos para cobrir o córtex pré-frontal medial, o córtex cingulado posterior/precúneo, os giros angulares bilaterais e as regiões temporais mediais.
    3. Utilize um espaçamento fonte-detectores de 3 cm para canais de longa separação.
    4. Adicione canais de curta separação em aproximadamente 8 mm.
  3. Configurar os parâmetros de aquisição
    1. Utilize comprimentos de onda de 760 nm e 850 nm.
    2. Defina a frequência de amostragem como 5,1 Hz.
    3. Sincronize ambos os sistemas antes da gravação.

6. Realizar a Sessão Experimental

  1. Definir a sequência de blocos
    1. Registrar o estado de repouso basal (RS0) durante 6 min sem estimulação.
    2. Inserir um intervalo de 2 min.
    3. Aplicar estimulação simulada por 6 min.
    4. Inserir um intervalo de 2 min.
    5. Aplicar quatro blocos de estimulação ativa randomizados (2, 10, 25 e 40 Hz), cada um por 6 min.
    6. Inserir um intervalo de 2 min entre blocos ativos consecutivos.
    7. Registrar o estado de repouso pós-estimulação (RS1) por 6 min.
  2. Manter o cronograma da sessão
    1. Garantir que a duração total da sessão seja aproximadamente 54 min.
    2. Adquirir fNIRS continuamente durante todos os blocos.
  3. Manter condições padronizadas
    1. Garantir que a iluminação da sala, as instruções e a tela de fixação permaneçam idênticas em todos os blocos.
    2. Monitorar continuamente o contato dos eletrodos.
    3. Pausar o experimento somente após a conclusão de um bloco, se necessário.

7. Pré-processar os Dados de fNIRS

  1. Segmentar gravações
    1. Segmentar gravações contínuas em RS0, Sham, 2 Hz, 10 Hz, 25 Hz, 40 Hz e RS1.
    2. Extrair sinais brutos de intensidade para cada canal e condição.
  2. Realizar controle de qualidade
    1. Aplicar filtro passa-faixa Butterworth entre 0,5 e 2,33 Hz.
    2. Dividir os sinais em janelas não sobrepostas de 3 s.
    3. Calcular o Índice de Acoplamento no Couro Cabeludo (SCI) e o Pico do Espectro de Potência (PSP).
    4. Classificar janelas como aceitáveis quando SCI ≥ 0,8 e PSP ≥ 0,1.
    5. Manter canais com ≥ 70% de janelas aceitáveis.
    6. Manter participantes com ≥ 70% de canais aceitáveis.
  3. Corrigir artefatos
    1. Corrigir artefatos de movimento utilizando o método de Reparo pela Distribuição da Derivada Temporal (TDDR).
    2. Aplicar filtro wavelet utilizando uma base de 8 wavelets.
    3. Definir valores aberrantes como coeficientes que excedem 4 desvios padrão.
  4. Converter sinais
    1. Converter densidade óptica em oxihemoglobina utilizando a lei modificada de Beer-Lambert.

8. Calcular as Características da Rede e Selecionar a Frequência Candidata

  1. Calcular a conectividade
    1. Calcular as correlações robustas de Pearson entre todos os pares de ROI.
    2. Armazenar seis correlações pareadas únicas como um vetor de conectividade.
    3. Montar uma matriz de conectividade simétrica 4 × 4.
  2. Calcular características derivadas
    1. Calcular os autovalores e autovetores de cada matriz.
    2. Calcular a controlabilidade média para cada nó após a normalização da matriz.
  3. Construir o modelo saudável
    1. Calcular a matriz média de conectividade RS0 entre todos os participantes controles saudáveis mantidos.
    2. Utilizar a matriz resultante como o modelo de referência saudável.
  4. Calcular as distâncias
    1. Calcular a distância do cosseno entre as características do participante e o modelo para conectividade, autovalores e controlabilidade.
    2. Calcular a similaridade do autovetor usando correspondência de componentes.
  5. Classificar as condições
    1. Classificar Sham, 2 Hz, 10 Hz, 25 Hz e 40 Hz em ordem crescente de distância para cada métrica.
    2. Atribuir o posto 1 à menor distância.
    3. Somar os postos entre as métricas para cada condição.
  6. Selecionar a frequência individualizada candidata
    1. Identificar a condição com o menor escore total de posto.
    2. Definir essa condição como a frequência de estimulação individualizada candidata.
  7. Computação do Ganho de Estimulação
    1. Calcular o ganho de estimulação (G_f) para cada frequência utilizando a seguinte normalização:
      Fórmula de graduação do tamanho do grão, equação Gf=(d0-df)/(max(df)-min(df)), diagrama.​
      Onde df é a distância RS0 e df é a distância durante a frequência de estimulação f., calculada nas condições RS0, Sham, 2 Hz, 10 Hz, 25 Hz e 40 Hz.

Resultados

Qualidade dos dados e viabilidade da aquisição

A aplicação dos critérios predefinidos de qualidade dos dados resultou na exclusão de canais e participantes com qualidade de sinal insuficiente. Os resultados bem-sucedidos são caracterizados pela alta retenção de canais em todas as condições, gravações hemodinâmicas estáveis e padrões de conectividade interpretáveis que permitem uma estimativa confiável das características da rede. Resultados ruins ou subótimos incluem baixa qualidade do sinal, artefatos excessivos de movimento, acoplamento inadequado entre optodos e couro cabeludo, retenção insuficiente de canais ou estimativas inconsistentes da rede que limitam a interpretabilidade. Conforme ilustrado na Figura 3 e na Figura 4, o conjunto final de dados após a avaliação da qualidade incluiu 19 participantes com transtorno depressivo maior (TDM; idade média: 31,21 anos, DP: 8,99; 10 mulheres) e 19 controles saudáveis (CS; idade média: 33,5 anos, DP: 13,51; 7 mulheres). Sete participantes (3 TDM e 4 CS) foram excluídos devido à qualidade insuficiente dos dados, principalmente relacionada a artefatos de movimento ou acoplamento inadequado entre optodos e couro cabeludo.

Os mapas de qualidade por canal demonstraram ainda distribuições espaciais heterogêneas da qualidade do sinal entre os participantes, com regiões localizadas de qualidade reduzida em alguns indivíduos. Esses achados destacam a importância de aplicar limiares pré-definidos com base no índice de acoplamento ao couro cabeludo e no pico do espectro de potência antes de qualquer análise adicional. Esses procedimentos de controle de qualidade garantem que as medidas subseqüentes de rede sejam calculadas a partir de dados confiáveis e representam um componente crítico do protocolo. As saídas representativas mostradas aqui dependem diretamente da conclusão bem-sucedida da triagem de qualidade dos dados, do pré-processamento padronizado, da extração de séries temporais baseada em ROI e da aplicação do procedimento pré-definido de seleção por posto-soma.

Pré-processamento e construção da rede

O delineamento experimental e o fluxo de trabalho de pré-processamento são mostrados na Figura 1 e na Figura 2. Após a etapa de controle de qualidade (Figura 2), os sinais foram convertidos com sucesso em concentração de hemoglobina e corrigidos para artefatos de movimento e ruído fisiológico sistêmico. A conclusão bem-sucedida dessas etapas de pré-processamento é indicada pela retenção de canais de alta qualidade, séries temporais regionais estáveis e estimativas de conectividade interpretáveis, enquanto resultados insatisfatórios incluem perda excessiva de sinal, artefatos não resolvidos ou medidas de rede pouco confiáveis. A extração de séries temporais regionais a partir dos nós da rede em modo padrão permitiu a construção de matrizes de conectividade funcional para cada condição. Esses resultados representativos dependem diretamente da execução bem-sucedida do controle de qualidade dos dados17, do pré-processamento padronizado18, da definição de ROI e da aplicação do procedimento de classificação pré-definido. As matrizes resultantes de conectividade funcional da rede em modo padrão constituem a base para comparações subsequentes baseadas em distância.

Resultados representativos em nível de rede

Figura 5A mostra um exemplo do perfil de conectividade funcional específica da condição da rede do modo padrão (DMN) para um participante representativo com transtorno depressivo maior (MDD), ao lado do modelo de referência da rede DMN derivado de controles saudáveis. Essas matrizes permitem a visualização direta dos padrões de conectividade entre regiões nas diferentes condições e ajudam a distinguir saídas bem-sucedidas do protocolo de estimativas de rede menos interpretáveis ou de baixa qualidade. A inspeção visual revela variações dependentes da condição na organização da rede em relação ao modelo, ilustrando como a frequência de estimulação pode modular a estrutura da rede DMN dentro de uma única sessão.

As medidas de distância (Figura 5B) quantificam essas diferenças ao longo de múltiplas métricas (conectividade, autovalores, autovetores e controlabilidade média). Para cada métrica, as condições podem ser classificadas com base em sua proximidade ao modelo de referência, sendo que valores menores de distância indicam maior semelhança. Notavelmente, a classificação de diferentes métricas de distância varia entre as condições, refletindo as informações complementares capturadas por cada métrica sobre as representações da rede.

Seleção de frequência baseada em consenso

Para integrar as informações de quatro métricas, os postos foram agregados dentro de cada participante (Figura 5C). A clara separação dos escores cumulativos de posto entre as condições indica uma diferenciação bem-sucedida das respostas da rede específicas à frequência, enquanto escores de posto muito semelhantes entre as condições sugerem sensibilidade limitada do protocolo ou fraca separação entre os efeitos da estimulação. A condição com o menor escore cumulativo de posto foi interpretada como a frequência de estimulação candidata representativa para aquele participante. Tabela 1 resume essas seleções entre os participantes, juntamente com os valores correspondentes de ganho de estimulação e o grau de concordância entre as métricas quantificado pelo W de Kendall.

No grupo com TEPT, 12 dos 19 participantes apresentaram a menor classificação cumulativa para uma frequência de estimulação ativa em vez da condição placebo. A frequência de estimulação selecionada variou entre os participantes, conforme resumido na Tabela 1. O acordo entre as métricas, quantificado utilizando o coeficiente W de Kendall, também diferiu entre os indivíduos, refletindo a variabilidade na consistência das classificações. Valores mais altos de W de Kendall indicam maior concordância entre as métricas e maior confiança de que múltiplas medidas da rede apoiam a mesma classificação de condições, enquanto valores mais baixos indicam menor acordo e maior heterogeneidade entre as métricas. Assim, a seleção final deve ser interpretada como uma integração orientada por dados de características complementares da rede, e não como uma decisão baseada em uma única métrica isoladamente.

Esses resultados representativos e baseados na viabilidade ilustram os tipos de saídas em nível de rede gerados pelo protocolo e demonstram que o fluxo de trabalho pode ser implementado para comparação intra-indivíduo entre condições de estimulação. Os achados têm o objetivo de ilustrar a aquisição de sinais, pré-processamento, extração de características e mapeamento de parâmetros baseado em classificação, e não servem como evidência de benefício terapêutico, eficácia clínica ou validação de desempenho, conforme mostrado nas Figuras 1–5 e Tabela 1.

Diagrama de gravação contínua de fNIRS; configuração de estimulação cortical; disposição de fontes e detectores.
Figura 1. Desenho experimental e configuração da sonda de fNIRS. (A) Desenho experimental intra-sujeito. Cada participante completou todas as condições em uma única sessão, incluindo estado de repouso basal (RS0), estimulação simulada (sham), quatro frequências de estimulação ativa (2, 10, 25 e 40 Hz) e estado de repouso pós-estimulação (RS1). A ordem da estimulação ativa foi randomizada entre os participantes. Cada bloco durou 6 min e foi separado por intervalos de aproximadamente 2 min sem estimulação. Os dados de espectroscopia de infravermelho próximo funcional (fNIRS) foram registrados continuamente (~54 min no total) e segmentados por condição para análise. (B) Disposição da sonda de fNIRS mostrando 32 fontes (vermelhas) e 30 detectores (azuis), formando 89 canais de longa separação e 8 canais de curta separação (indicados por círculos). Os canais de curta separação foram utilizados para remover ruídos fisiológicos superficiais. (C) Perfil de sensibilidade cortical da disposição da sonda em relação à rede inativa padrão (DMN, sigla em inglês), com base no atlas de Rotulagem Anatômica Automatizada (AAL), ilustrando a sensibilidade de medição dependente da profundidade. Clique aqui para visualizar uma versão maior desta figura. 

Diagrama de análise de conectividade cerebral, fluxo de pré-processamento de dados, extração de ROI, cálculo de características.
Figura 2. Pipeline de pré-processamento e extração de características para análise de rede baseada em fNIRS.
Os dados brutos de intensidade luminosa foram segmentados em blocos específicos por condição (RS0, simulado, frequências de estimulação e RS1). A qualidade dos dados foi avaliada utilizando o índice de acoplamento ao couro cabeludo (SCI > 0,8) e o pico do espectro de potência (PSP > 0,1), sendo mantidos apenas os canais de alta qualidade. Os sinais foram convertidos em densidade óptica, seguidos por correção de movimento usando reparo da distribuição da derivada temporal (TDDR) e filtragem por wavelet. Foram calculadas as variações na concentração de hemoglobina, e aplicada regressão com separação curta para reduzir o ruído fisiológico sistêmico. Para a análise de rede, séries temporais foram extraídas de regiões de interesse (ROIs) dentro da rede de modo padrão (DMN), incluindo córtex pré-frontal medial (mPFC), precúneo (Prec), lobo parietal inferior (IPL) e lobo temporal medial (MTL). A conectividade funcional foi calculada entre as ROIs. As características derivadas incluíram valores de conectividade, autovalores, autovetores e controllabilidade média. Clique aqui para visualizar uma versão maior desta figura.

Análise da qualidade do canal; gráfico de barras e mapa de calor dos dados dos participantes mostrando canais bons (RS0).
Figura 3. Avaliação da qualidade dos dados em participantes com transtorno depressivo maior (TDM).
(A) Número de canais que atenderam aos critérios de qualidade durante a condição basal (RS0) para cada participante com TDM. As barras indicam todos os canais (cinza), canais de longa separação (azul) e canais de curta separação (laranja) que atenderam aos critérios de qualidade (≥70% do tempo de gravação com SCI > 0,8 e PSP > 0,1). Linhas tracejadas indicam o número máximo de canais de longa separação disponíveis (89), canais de curta separação (8) e o limiar para qualidade aceitável dos dados em nível de participante (≥70% do total de canais retidos). Participantes abaixo do limiar estão destacados (D13, D18, D19). (B) Qualidade dos dados por canal entre os participantes. O mapa de calor mostra a porcentagem do tempo de gravação que atendeu aos critérios de qualidade para cada canal e participante durante RS0. Sombreamento mais escuro indica menor qualidade dos dados. Clique aqui para visualizar uma versão maior desta figura.

Comparação da contagem de canais bons, gráfico de barras; qualidade dos canais, mapa de calor; análise de dados para neuroimagem.
Figura 4. Avaliação da qualidade dos dados em participantes controles saudáveis. (A) Número de canais que atenderam aos critérios de qualidade durante a condição basal (RS0) para cada participante controle saudável. As barras indicam todos os canais (cinza), canais de longa separação (azul) e canais de curta separação (laranja) que atenderam aos critérios de qualidade (≥70% do tempo de gravação com SCI > 0,8 e PSP > 0,1). Linhas tracejadas indicam o número máximo de canais disponíveis e o limiar para qualidade aceitável dos dados em nível de participante (≥ 70% do total de canais mantidos). Participantes abaixo do limiar estão destacados (HC13, HC14, HC15, HC18). (B) Qualidade dos dados por canal entre os participantes. O mapa de calor mostra a porcentagem do tempo de gravação que atendeu aos critérios de qualidade para cada canal e participante durante RS0. Sombreamento mais escuro indica menor qualidade dos dados. Clique aqui para visualizar uma versão maior desta figura.

Análise de conectividade e controlabilidade cerebral; mapas de calor e gráficos de barras; comparação de dados de EEG.
Figura 5. Seleção representativa baseada em distância da frequência de estimulação em um único participante.
(A) Matrizes de conectividade funcional mostrando interações par a par entre quatro regiões da rede do modo padrão em um participante representativo com TEPT (D11) nas diferentes condições (RS0, placebo e frequências de estimulação). As regiões incluem córtex pré-frontal medial (mPFC), lobo parietal inferior (IPL), precúneo (Prec) e lobo temporal medial (MTL). A matriz central representa o modelo de controle saudável derivado dos dados de RS0 em nível grupal. (B) Medidas de distância entre cada condição e o modelo de controle saudável em quatro métricas: distância de conectividade (D_conn), distância de autovalor (D_eig), distância de autovetor (D_evec) e distância de controlabilidade média (D_AC). As barras representam os valores de distância; valores menores indicam maior semelhança com o modelo. Os rankings são mostrados para cada condição (rank 1 = menor distância). (C) Ranking consenso entre as métricas obtido pela soma dos ranks para cada condição. A condição com o menor rank total foi selecionada como a frequência de estimulação candidata para este participante. Clique aqui para visualizar uma versão maior desta figura.

ID do ParticipanteConectividadeAutovalorAutovetorControle MédioConsensoKandall-W
D0140HZ (G=1.00)40HZ (G=1.00)40HZ (G=1.00)40HZ (G=0.29)40HZ0.85
D02Sham (G=0.18)Sham (G=0.00)Sham (G=0.11)Sham (G=-0.09)Sham0.89
D0310HZ (G=0.20)Sham (G=0.05)2HZ (G=0.56)Sham (G=0.63)40HZ0.34
D07Sham (G=0.29)25HZ (G=0.06)2HZ (G=0.33)25HZ (G=0.45)25HZ0.36
D10Sham (G=1.00)Sham (G=1.00)Sham (G=1.00)Sham (G=1.00)Sham0.59
D1110HZ (G=0.71)10HZ (G=0.66)2HZ (G=0.73)40HZ (G=1.00)10HZ0.34
D1540HZ (G=0.58)40HZ (G=0.53)40HZ (G=0.21)40HZ (G=-0.27)40HZ0.96
D1625HZ (G=1.00)10HZ (G=1.00)25HZ (G=0.90)25HZ (G=0.40)25HZ0.64
D172HZ (G=0.51)2HZ (G=0.75)25HZ (G=0.73)10HZ (G=0.82)10HZ0.21
D2025HZ (G=-0.08)25HZ (G=0.04)25HZ (G=-0.27)Sham (G=0.31)25HZ0.84
D21Sham (G=0.37)2HZ (G=0.08)Sham (G=0.27)40HZ (G=-0.28)Sham0.41
D222HZ (G=-0.06)10HZ (G=0.19)2HZ (G=0.75)2HZ (G=1.00)2HZ0.47
D23Sham (G=0.53)25HZ (G=-0.14)Sham (G=0.71)40HZ (G=0.23)Sham0.31
D2425HZ (G=0.59)25HZ (G=0.18)25HZ (G=0.18)Sham (G=0.34)25HZ0.5
D2525HZ (G=1.00)Sham (G=-0.01)10HZ (G=1.00)Sham (G=0.19)25HZ0.16
D2610HZ (G=0.52)Sham (G=0.01)10HZ (G=1.00)10HZ (G=0.71)10HZ0.93
D2710HZ (G=-0.11)10HZ (G=0.20)2HZ (G=-0.20)40HZ (G=1.00)2HZ0.05
D2810HZ (G=0.51)10HZ (G=0.04)10HZ (G=1.00)10HZ (G=-0.02)10HZ0.81
D2910HZ (G=0.81) 10HZ (G=0.54) Sham (G=1.00)10HZ (G=1.00) 10HZ0.85
Ganho0.50, 0.520.32, 0.180.58, 0.730.46, 0.400.55, 0.50
 (Média, Mediana)

Tabela 1: Seleção de frequência específica por participante entre diferentes métricas de distância.

Para cada participante, a condição de estimulação associada à distância mínima em relação ao modelo de controle saudável é relatada para quatro métricas baseadas em rede: distância de conectividade (D_conn), distância de autovalor (D_eig), distância de autovetor (D_evec) e distância de controlabilidade média (D_AC). Os valores entre parênteses (G) indicam o ganho de estimulação. A coluna Consenso mostra a frequência de estimulação candidata com base na agregação de classificações ao longo das quatro métricas. O coeficiente W de Kendall quantifica o grau de concordância entre as métricas dentro de cada participante. A última linha resume os valores médios e medianos dos ganhos de estimulação entre os participantes para cada métrica, juntamente com os respectivos valores de W de Kendall.

Discussão

Racional metodológico e etapas críticas

Este protocolo fornece um fluxo de trabalho padronizado para o mapeamento intra-sessão dos efeitos dependentes da frequência da estimulação transcutânea do nervo vago auricular (taVNS) utilizando espectroscopia funcional no infravermelho próximo em repouso (fNIRS). O objetivo é a comparação estruturada de parâmetros candidatos de estimulação sob condições controladas, e não a otimização individualizada validada.

Várias etapas são fundamentais para uma implementação confiável. A falha em implementar adequadamente essas etapas pode resultar em qualidade reduzida do sinal, estimativas de conectividade pouco confiáveis, classificações instáveis ou perda de conjuntos de dados analisáveis. A intensidade da estimulação deve ser calibrada separadamente para cada frequência até um nível percebido fixo (7–8/10), já que os limiares perceptuais variam entre frequências e, caso contrário, podem confundir comparações19. Uma calibração inadequada pode levar a diferenças na intensidade percebida da estimulação em vez de efeitos neurais verdadeiramente específicos à frequência, reduzindo assim a comparabilidade entre condições. A qualidade dos dados de fNIRS deve ser garantida por meio de acoplamento estável entre os optodos e o couro cabeludo, correção de movimento, regressão com separação curta e critérios pré-definidos de retenção de canais. É necessário um critério consistente de definição de região de interesse (ROI) entre participantes e condições para assegurar a comparabilidade das características da rede. Por fim, a seleção de frequências deve basear-se em uma abordagem pré-definida baseada em classificação que integre múltiplas métricas complementares, em vez de depender de uma única medida. Essas etapas metodológicas determinam diretamente a qualidade, estabilidade e interpretabilidade das medidas de rede resultantes e, portanto, influenciam os resultados representativos mostrados na seção de Resultados.

Desenho sequencial dentro da sessão e efeitos residuais

O protocolo aplica múltiplas frequências de estimulação sequencialmente dentro de uma única sessão, sem período fisiológico prolongado de lavagem. Embora sejam utilizados intervalos fixos entre condições, não é possível excluir efeitos residuais ou de interação. Isso pode influenciar a independência das respostas específicas a cada condição e deve ser considerado ao interpretar as diferenças entre as frequências de estimulação. Assim, as diferenças de frequência devem ser interpretadas como efeitos relativos dentro da sessão. A "frequência ótima" identificada reflete a condição com melhor desempenho naquela sessão e deve ser interpretada como um resultado relativo, baseado nos dados e classificado dentro da sessão, e não como um parâmetro de estimulação definitivo ou generalizável sem replicação20.

Comparação com abordagens alternativas

Protocolos de frequência fixa permitem padronização, mas não levam em conta a variabilidade interindividual, enquanto o ajuste baseado em sintomas carece de percepção fisiológica direta21. Abordagens guiadas por imagem por ressonância magnética funcional (fMRI) proporcionam maior cobertura espacial, mas são menos viáveis para uso repetido ou à beira do leito. Em comparação com essas abordagens, o presente protocolo oferece vantagens em termos de portabilidade, viabilidade para medições repetidas e avaliação direta em nível de rede, embora seja limitado pela menor profundidade espacial e sensibilidade a artefatos de movimento22. Deve, portanto, ser considerado um arcabouço pragmático para mapeamento exploratório de parâmetros, e não uma estratégia de otimização clinicamente validada.

Limitações

O protocolo baseia-se em um delineamento de única sessão e não avalia a persistência dos efeitos da rede ou desfechos clínicos. A estimulação sequencial pode introduzir efeitos residuais entre as condições23. Esses fatores podem afetar a estabilidade e a generalização das respostas específicas à frequência identificadas. Além disso, a variabilidade anatômica, o posicionamento dos eletrodos e a impedância da pele podem influenciar a eficiência da estimulação, enquanto critérios rigorosos de controle de qualidade do fNIRS podem reduzir o número de conjuntos de dados analisáveis. Além disso, as medidas de fNIRS são limitadas a regiões corticais e não captam atividade subcortical, a qual pode contribuir para efeitos em nível de rede.

Escopo e aplicabilidade

Este protocolo é particularmente adequado para pesquisadores que conduzem estudos pilotos, testes de viabilidade ou desenvolvimento de protocolos em estágios iniciais na pesquisa de neuromodulação. Ele permite a seleção orientada por rede de parâmetros candidatos à estimulação, mas não estabelece eficácia terapêutica nem psiquiatria de precisão. A estrutura pode ser adaptada a outras redes, transtornos ou parâmetros de estimulação mediante a modificação do posicionamento dos optodos e das definições de região de interesse (ROI), desde que sejam mantidos pré-processamento consistente, controle rigoroso de qualidade e procedimentos transparentes de comparação24.

Divulgações

Todos os participantes forneceram consentimento informado por escrito antes de sua participação nos experimentos. Os protocolos do estudo foram analisados e aprovados pelo comitê de ética respectivo da Universidade de Marburg.

Os scripts de software personalizados, dados anonimizados e outros materiais utilizados neste estudo podem ser disponibilizados para partes interessadas mediante solicitação.

Declaração sobre a contribuição dos autores

Svenja J. Francke contribuiu com a recrutamento dos participantes, aquisição de dados, administração do projeto, metodologia e redação da versão inicial e da versão revisada do manuscrito. Sarah Alizadeh contribuiu com a conceituação, metodologia, análise de dados, visualização e redação da versão inicial e da versão revisada do manuscrito. José C. García Alanis contribuiu com a conceituação, metodologia, administração do projeto, análise de dados e revisão e edição do manuscrito. Dorian Kock contribuiu com o recrutamento dos participantes, aquisição de dados, metodologia e redação da versão inicial e da versão revisada do manuscrito. Jannick Herrmann contribuiu com o recrutamento dos participantes, aquisição de dados, metodologia e redação da versão inicial e da versão revisada do manuscrito. Maximilian Kastl contribuiu com o recrutamento dos participantes, aquisição de dados, metodologia e redação da versão inicial e da versão revisada do manuscrito. Hamidreza Jamalabadi contribuiu com a conceituação, metodologia, análise de dados, supervisão e revisão e edição do manuscrito. Felix P. Bernhard contribuiu com a conceituação, metodologia, supervisão e redação da versão inicial e da versão revisada do manuscrito.

Agradecimentos

Este trabalho foi financiado em parte por subsídios de consórcios da Fundação Alemã de Pesquisa (DFG) SFB/TRR 393 (número do subsídio do projeto 521379614), por um subsídio de pesquisa da von Behring Röntgen (No.\ 70\_00038) Stiftung, por um subsídio de pesquisa do Hospital Universitário de Gießen e Marburg (UKGM, No. 1/2024 MR) e pela Edda und Helmut Laich Stiftung. Este trabalho também foi apoiado pelo centro DYNAMIC, que foi financiado pelo programa LOEWE do Ministério Hessen de Ciência e Artes (Número do Subsídio: LOEWE 1/16/519/03/09.001(0009)/98) e pela Deutsche Forschungsgemeinschaft (Fundação Alemã de Pesquisa, DFG) sob a Alemanha

Estratégia de Excelência (EXC 3066/1 “The Adaptive Mind”, Projeto nº 533717223).

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Sistema fNIRS (multicanal contínuo-portátil)NIRxNIRSport2Sistema fNIRS multicanal portátil de duas ondas para gravações hemodinâmicas corticais
Software de aquisição fNIRSNIRxAuroraSoftware nativo utilizado para aquisição de sinal, monitoramento e marcação de eventos
Capacete fNIRS com optodosNIRxCompatível com NIRSport2Utilizado para posicionamento de fontes e detectores
Optodos (fontes e detectores)NIRxCompatível com NIRSport2Canais de longa separação (~30 mm) e canais de curta separação (~8 mm)
MATLABMathWorksÚltima versão utilizada no estudoUtilizado para pré-processamento, análise de conectividade e scripts personalizados
Signal Processing ToolboxMathWorksExtensão do MATLABUtilizado para filtragem e processamento de séries temporais
Statistics and Machine Learning ToolboxMathWorksExtensão do MATLABUtilizado para classificação, estatísticas descritivas e métricas de concordância
Scripts personalizados de análiseDesenvolvidos internamenteN/AUtilizados para pré-processamento, extração de características e seleção de frequência baseada em classificação
Dispositivo de estimulação taVNStVNS GmbHModelo do dispositivo utilizado no estudoUtilizado para estimulação transcutânea do nervo vago auricular
Eletrodos de estimulação auriculartVNS GmbHCompatível com o estimuladorUtilizado para posicionamento na cymba conchae esquerda
Cabos e conectores para eletrodostVNS GmbHCompatível com o estimuladorUtilizados para conectar os eletrodos ao dispositivo de estimulação
Creme de contato / gel condutivotVNS GmbHN/AUtilizado para melhorar o contato entre o eletrodo e a pele durante a estimulação
Lenços umedecidos com álcooltVNS GmbHN/AUtilizados para preparação da pele antes da colocação dos eletrodos
PsychoPyOpen Science Tools Ltd.Versão 2024.4.2Utilizado para controle experimental, cronometragem, randomização de blocos, apresentação de estímulos e sincronização
Estação de trabalho computacionalLenovoThinkPad T14, G31666Utilizada para controle de aquisição e análise off-line; Intel Core Ultra 5, 16 GB de RAM, SSD de 500 GB, Windows 11 Pro
Monitor / telaLenovoThinkVision T32UD-40Tela IPS de 31,5 polegadas utilizada para apresentação da cruz de fixação; resolução 3840 × 2160 em 60 Hz
Sala de testes silenciosaInstalação institucionalN/AUtilizada para minimizar distrações ambientais durante as gravações

Referências

  1. Rings, T., von Wrede, R., Bröhl, T., Schach, S., Helmstaedter, C., et al. Impact of transcutaneous auricular vagus nerve stimulation on large-scale functional brain networks: from local to global. Front Physiol. 12, 700261(2021).
  2. Kong, J., Fang, J., Park, J., Li, S., Rong, P. Treating depression with transcutaneous auricular vagus nerve stimulation: state of the art and future perspectives. Front Psychiatry. 9, 20(2018).
  3. Badran, B. W., et al. Short trains of transcutaneous auricular vagus nerve stimulation (taVNS) have parameter-specific effects on heart rate. Brain Stimul. 11 (4), 699-708 (2018).
  4. Farmer, A. D., et al. International consensus based review and recommendations for minimum reporting standards in research on transcutaneous vagus nerve stimulation (version 2020). Front Hum Neurosci. 14, 568051(2020).
  5. Yakunina, N., Kim, S. S., Nam, E. -C. Optimization of transcutaneous vagus nerve stimulation using functional MRI. Neuromodulation. 20 (3), 290-300 (2017).
  6. Parente, J., et al. Neural, anti-inflammatory, and clinical effects of transauricular vagus nerve stimulation in major depressive disorder: a systematic review. Int J Neuropsychopharmacol. 27 (3), pyad058(2024).
  7. Chao, J., et al. fNIRS evidence for distinguishing patients with major depression and healthy controls. IEEE Trans Neural Syst Rehabil Eng. 29, 2211-2221 (2021).
  8. Ho, C. S. H., et al. Diagnostic and predictive applications of functional near-infrared spectroscopy for major depressive disorder: a systematic review. Front Psychiatry. 11, 378(2020).
  9. Ludwig, M., Pereira, C., Keute, M., Düzel, E., Betts, M. J., et al. Evaluating phasic transcutaneous vagus nerve stimulation (taVNS) with pupil dilation: the importance of stimulation intensity and sensory perception. bioRxiv. , (2024).
  10. Fox, M. D., Buckner, R. L., White, M. P., Greicius, M. D., Pascual-Leone, A. Efficacy of transcranial magnetic stimulation targets for depression is related to intrinsic functional connectivity with the subgenual cingulate. Biol Psychiatry. 72 (7), 595-603 (2012).
  11. Drysdale, A. T., et al. Resting-state connectivity biomarkers define neurophysiological subtypes of depression. Nat Med. 23 (1), 28-38 (2017).
  12. Kaiser, R. H., Andrews-Hanna, J. R., Wager, T. D., Pizzagalli, D. A. Large-scale network dysfunction in major depressive disorder: a meta-analysis of resting-state functional connectivity. JAMA Psychiatry. 72 (6), 603-611 (2015).
  13. Whitfield-Gabrieli, S., Ford, J. M. Default mode network activity and connectivity in psychopathology. Annu Rev Clin Psychol. 8, 49-76 (2012).
  14. Fang, J., et al. Transcutaneous vagus nerve stimulation modulates default mode network in major depressive disorder. Biol Psychiatry. 79 (4), 266-273 (2016).
  15. Bassett, D. S., Sporns, O. Network neuroscience. Nat Neurosci. 20 (3), 353-364 (2017).
  16. Gu, S., et al. Controllability of structural brain networks. Nat Commun. 6, 8414(2015).
  17. Brigadoi, S., et al. Motion artifacts in functional near-infrared spectroscopy: a comparison of motion correction techniques applied to real cognitive data. Neuroimage. 85 (Pt 1), 181-191 (2014).
  18. Yücel, M. A., et al. Best practices for fNIRS publications. Neurophotonics. 8 (1), 012101(2021).
  19. Berman, G. J., Bialek, W., Shaevitz, J. W. Predictability and hierarchy in Drosophila behavior. Proc Natl Acad Sci U S A. 113 (42), 11943-11948 (2016).
  20. Atanackov, P., Peterlin, J., Derlink, M., Kovačič, U., Kejžar, N., et al. The acute effects of varying frequency and pulse width of transcutaneous auricular vagus nerve stimulation on heart rate variability in healthy adults: a randomized crossover controlled trial. Biomedicines. 13 (3), 700(2025).
  21. Anderson, Z., Turner, J. A., Ashar, Y. K., Calhoun, V. D., Mittal, V. A. Application of hyperalignment to resting state data in individuals with psychosis reveals systematic changes in functional networks and identifies distinct clinical subgroups. Aperture Neuro. 4, (2024).
  22. Austelle, C. W., et al. A comprehensive review of vagus nerve stimulation for depression. Neuromodulation. 25 (3), 309-315 (2022).
  23. Badran, B. W., et al. Neurophysiologic effects of transcutaneous auricular vagus nerve stimulation (taVNS) via electrical stimulation of the tragus: a concurrent taVNS/fMRI study and review. Focus. 20 (1), 80-89 (2022).
  24. Baig, S. S., et al. Optimizing non-invasive vagus nerve stimulation for treatment in stroke. Neural Regen Res. 20 (12), 3388-3399 (2025).

Reimpressões e permissões

Explorar mais artigos

Mapeamento por fNIRSNeuroimagem da DepressãoRede de Modo PadrãoMapeamento de Frequência de EstimulaçãoAnálise em Nível de RedeEstimulação Vagual TranscutâneaSeleção Individualizada de Parâmetros

Este artigo foi publicado

Vídeo em breve

Fale conosco
Recomendar à biblioteca

Privacidade

Termos de Uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos os direitos reservados.