December 3rd, 2020
Descrevemos a análise de um experimento de espectroscopia funcional de ondas contínuas quase infravermelha usando um projeto de bloco com uma tarefa sensorial. Para aumentar a confiabilidade da análise dos dados, utilizou-se o mapeamento estatístico paramétrico baseado em modelo linear qualitativo e os modelos mistos hierárquicos comparativos para multi-canais.
A interpretação dos dados F-N-I-R-S ou fNIRS pode ser difícil para usuários iniciantes, pois os dados geralmente não podem ser quantificados. Nosso protocolo usando dois métodos complementares fornece uma melhor compreensão desses dados. A principal vantagem desta técnica é o aumento e a confiabilidade da análise dos dados usando dois mapas paramétricos estatísticos qualitativos baseados em GLM e modelos mistos hierárquicos comparativos para multicanais.
Antes de realizar um experimento fNIRS, coloque o dispositivo fNIRS em uma área escura e silenciosa e coloque uma tampa de gravação fNIRS de cabeça inteira na cabeça do sujeito, de modo que a posição correspondente ao centro do sistema internacional 10-20 esteja localizada no suporte número 245 da tampa da cabeça. Cole o adesivo de marcação nos pontos de localização de referência e tire fotos da cabeça do sujeito com as localizações da sonda, incluindo os pontos de referência de 15 perspectivas. Organize o sistema de 48 canais com 32 optódios para uma tampa de cabeça bilateralmente sobre as áreas frontal e parietal como regiões de interesse e use o software digitalizador 3D para determinar o registro espacial.
Depois de digitalizar os dados da imagem para toda a cabeça, determine as coordenadas espaciais do assunto por medição automática e salve os dados como arquivos Origem e Outros. Para realizar uma análise fNIRS, faça com que o sujeito fique em uma posição confortável e instrua-o a fechar os olhos. Em seguida, informe o sujeito sobre as dicas de início e parada e faça com que o sujeito execute a tarefa de design do bloco, mantendo a mesma postura ereta para cada tarefa.
Para usar o software NIRS-SPM para realizar uma análise qualitativa do modelo linear geral, inicie o programa NIRS-SPM no software MATLAB e selecione a opção Sistema NIRS no menu pop-up. Selecione o botão Carregar. Para detectar o registro espacial da localização do canal NIRS, marque as caixas de seleção autônomo e Com digitalizador 3D.
No De coordenadas reais para o espaço MNI, use a caixa de diálogo para selecionar o ponto de referência de coordenadas e os arquivos de sondas/canais de coordenadas. Clique em Cadastro e selecione os pontos para prosseguir para a estimativa espacial. Clique em OK e projete a coordenada MNI para o cérebro renderizado.
Selecione Vista Dorsal e clique em Salvar. Na seção Especificar o 1º nível, selecione o nome do arquivo de dados NIRS e o diretório SPM. Marque a caixa de seleção de hemoglobina e selecione especificar design e seg.
Selecione o vetor de início e a duração e insira um vetor de início multiplicado pela duração das condições experimentais, conforme indicado. Para remover a tendência, selecione Wavelet-MDL. Use o método de pré-coloração, filtro passa-baixa e selecione hrf.
Corrija a correlação serial, selecione nenhuma. Para estimar as correlações temporais, marque Análise Individual para analisar um único indivíduo. Para estimar as correlações temporais para um grupo de indivíduos, verifique a Análise de Grupo e, em seguida, calcule o mapa de ativação com base nas mudanças no nível de hemoglobina para o cérebro padronizado.
Para realizar uma análise comparativa multicanal com base em um modelo misto hierárquico, abra um programa de software de análise estatística apropriado e converta o documento de texto das alterações na concentração de hemoglobina oxigenada e desoxigenada no arquivo de dados mais próximo processado com o filtro passa-baixo para o arquivo de valores separados por vírgula do software de planilha. Use os comandos para criar dados de importação pré versus pós-intervenção para cada assunto e execute o comando de dados pré e pós-intervenção para cada canal, conforme indicado. Com base nos dados obtidos dos resultados de saída, insira as diferenças pré versus pós-intervenção nos valores de alteração, descanso e na tarefa de cada canal na planilha.
Em seguida, insira os graus de liberdade do numerador e do denominador e os valores F e P do item de interação do teste tipo três de efeito fixo na planilha. Nesta análise de grupo representativa de 10 pacientes com AVC, foi observado um aumento na atividade cortical do córtex motor primário no hemisfério medido imediatamente após a reabilitação assistida por robô em comparação com o observado antes do treinamento. Nesta análise de grupo multicanal comparando pré versus pós-intervenção, foi observado um aumento da atividade cortical no córtex motor primário após a intervenção, a mesma região do cérebro observada no NIRS-SPM.
Nossos métodos podem ser usados para realizar análises pré e pós-intervenção para uma variedade de distúrbios neurológicos, como distúrbios do movimento, doenças cerebrovasculares e distúrbios neuropsiquiátricos. Em vez de movimentos de cotovelo, os pesquisadores também podem aplicar outras tarefas de design de blocos, como movimentos de pernas. Além disso, nosso protocolo é útil para revelar os efeitos do tratamento em vários ambientes.
View the full transcript and gain access to thousands of scientific videos
Este estudo detalha uma metodologia para análise de dados de experimentos de espectroscopia funcional de infravermelho próximo (fNIRS) usando um design de bloco com uma tarefa sensoriomotora. O objetivo principal é melhorar a confiabilidade dos dados através do uso de mapeamento paramétrico estatístico baseado em modelos lineares gerais qualitativos e modelos mistos hierárquicos comparativos em múltiplos canais.
Functional near-infrared spectroscopy (fNIRS) provides a non-invasive method to assess cortical activity changes in neurological disorders, supporting target validation in preclinical and early clinical research. The dual-method approach combining qualitative GLM-based analysis and comparative hierarchical mixed modeling enhances data reliability and mechanistic de-risking for intervention studies. This enables predictive confidence in evaluating therapeutic effects on brain function prior to larger-scale trials.
The method integrates into the discovery continuum from hypothesis testing through lead identification to preclinical validation by providing reproducible cortical activity readouts.