Качественный и сравнительный анализ данных кортикальной активности из функционального эксперимента по ближней инфракрасной спектроскопии с применением блочного дизайна

Summary

Описан анализ непрерывно-волнового функционального эксперимента по ближней инфракрасной спектроскопии с использованием блочной конструкции с сенсомоторной задачей. Для повышения достоверности анализа данных мы использовали качественное общее линейное статистическое параметрическое отображение на основе модели и сравнительные иерархические смешанные модели для многоканальных каналов.

Abstract

Исследования нейровизуализации играют ключевую роль в оценке пред- и постинтервентивных неврологических состояний, таких как реабилитация и хирургическое лечение. Среди многих технологий нейровизуализации, используемых для измерения активности мозга, функциональная ближняя инфракрасная спектроскопия (fNIRS) позволяет оценивать динамическую активность коры путем измерения локальных уровней гемоглобина, аналогичных функциональной магнитно-резонансной томографии (фМРТ). Кроме того, из-за меньшего физического ограничения в fNIRS, можно оценить несколько вариантов сенсомоторных задач. Многие лаборатории разработали несколько методов анализа данных фНИРС; однако, несмотря на то, что общие принципы одинаковы, универсально стандартизированного метода не существует. Здесь представлены качественные и сравнительные аналитические методы данных, полученных из многоканального эксперимента fNIRS с использованием блочного проектирования. Для качественного анализа мы использовали программное обеспечение для NIRS в качестве массово-одномерной модели, основанной на обобщенной линейной модели. Анализ NIRS-SPM показывает качественные результаты для каждого сеанса, визуализируя активированную область во время выполнения задачи. Кроме того, неинвазивный трехмерный дигитайзер может быть использован для оценки местоположения канала fNIRS относительно мозга. Чтобы подтвердить результаты NIRS-SPM, амплитуда изменений уровней гемоглобина, индуцированных сенсомоторной задачей, может быть статистически проанализирована путем сравнения данных, полученных из двух разных сеансов (до и после вмешательства) одного и того же субъекта исследования с использованием многоканальной иерархической смешанной модели. Наши методы могут быть использованы для измерения анализа до и после вмешательства при различных неврологических расстройствах, таких как двигательные расстройства, цереброваскулярные заболевания и нервно-психические расстройства.

Introduction

Нейрореабилитация играет важную роль в функциональном восстановлении после сенсомоторных нарушений. Для уточнения механизмов функционального восстановления, связанного с нейропластичностью, были использованы различные технологии нейровизуализации, такие как функциональная магнитно-резонансная томография (фМРТ), позитронно-эмиссионная томография (ПЭТ), электроэнцефалография (ЭЭГ) и функциональная ближняя инфракрасная спектроскопия (фНИРС). Различные методы визуализации имеют разные преимущества и недостатки. Хотя фМРТ является наиболее типичным устройством, на него воздействуют магнитные поля, имеет высокую стоимость, высокую физическую ограниченность и ограничены сенсомоторные задачи^1,2,3,4. Устройство fNIRS выделяется как неинвазивная оптическая нейровизуализация и имеет относительно более низкое пространственное разрешение, но оно имеет лучшее временное разрешение, чем фМРТ^4. fNIRS подходит для проверки эффектов лечения, поскольку он сравнивает эффекты до и после вмешательства, имеет динамические двигательные задачи, является портативным и функционирует больше в естественных условиях, чем фМРТ^1,2,4. Сообщается, что NIRS более подходит в областях цереброваскулярных заболеваний, эпилептических расстройств, тяжелой черепно-мозговой травмы, болезни Паркинсона и когнитивных^{нарушений 1,5.} Что касается сенсомоторных задач, то он широко используется в походке и стоячемравновесии^6,7,8,функции верхних конечностей (хватание рукой, постукивание пальцем)^8,9,комплексная тренировка двигательных навыков^10,11,робототехника^12,13,14,15и мозг-компьютерный интерфейс^16,17,18. fNIRS основан на принципах оптической нейровизуализации и нейрососудистой связи, которые измеряют кортикальные метаболические активности, увеличение кровотока и, следовательно, кортикальной активности в качестве вторичных сигналов^19. Сообщалось, что сигналы fNIRS имеют сильную корреляцию с сигналами крови, зависящей от уровня кислорода fMRI^20. Непрерывноволновый fNIRS использует модифицированный закон Бира-Ламберта для определения изменений уровней концентрации кислородированного гемоглобина (HbO₂₎и дезоксигенированного гемоглобина (HHb) кортикальной концентрации на основе измеренных изменений широкополосного затухания света в ближнем инфракрасном диапазоне^21,22. Поскольку было невозможно измерить дифференциальный коэффициент длины пути (DPF) с помощью непрерывно-волновой системы NIRS, мы предположили, что DPF является постоянным и что изменения сигнала гемоглобина обозначаются в произвольных единицах миллимол-миллиметр^{(мМ х}мм)^2,18.

Эксперименты fNIRS должны выбрать наиболее адекватные методы, включая настройки зонда, проекты экспериментов и методы анализа. Что касается настройки зонда, международный метод 10-20, используемый в измерении ЭЭГ, является стандартом установки, используемым многими исследователями в нейровизуализации. В последние годы используются координатные установки на основе стандартных координат мозга на основе координат Монреальского неврологического института (MNI). В эксперименте используется блочный дизайн, обычно используемый для сенсомоторных задач, и дизайн, связанный с событиями. Это метод сравнения изменений концентрации гемоглобина в состоянии покоя и во время выполнения заданий; Уровни концентрации HbO₂ увеличиваются, а уровни концентрации HHb уменьшаются с изменениями мозгового кровотока, связанными с целевой кортикальной активностью. Хотя существуют различные методы анализа, бесплатное программное обеспечение NIRS-SPM позволяет проводить анализ, аналогичный статистическому параметрическому отображению (SPM) фМРТ. При обработке данных NIRS используется массово-одномерный подход, основанный на общей линейной модели (GLM). При выполнении анализа активности мозга, зависящего от задачи, на измерения fNIRS могут влиять вызванная или невызыковая нейронная активность и системные физиологические вмешательства (частота сердечных сокращений, артериальное давление, частота дыхания и активность вегетативной нервной системы) в мозговом и внемозговом отделе^23. Поэтому предварительная обработка анализа, фильтрация, вейвлет-преобразование и анализ главных компонентов^{полезны23.} Что касается фильтрации и артефактов обработки данных с использованием NIRS-SPM, то для преодоления движения или других источников шума/артефакта использовались низкополосная фильтрация⁹ и длина минимального описания вейвлета (Wavelet-MDL)^24. Для получения подробной информации об этом аналитическом методе обратитесь к отчету Ye et al.^25. Хотя существуют отчеты, использующие только SPM, это только качественный индекс анализа изображений, и из-за низкого пространственного разрешения NIRS требуется крайняя осторожность для группового анализа. Более того, когда DPF полен, числовые сравнения между каналами и отдельными лицами не должны выполняться, но разница в изменениях в каждом канале может быть проверена. Исходя из вышеуказанных условий, для дополнения результатов группового анализа NIRS-SPM мы использовали оригинальный метод анализа для многоканального анализа после повышения точности пространственной регистрации. Этот многоканальный анализ сравнивал амплитуду изменения уровней HbO₂ и HHb между периодами покоя и выполнения задачи на каждом канале до и сразу после лечения с использованием иерархических смешанных моделей с фиксированными вмешательствами (до или после), фиксированными периодами (отдых или на задаче) и случайными индивидуальными эффектами.

Таким образом, существует несколько методов измерения и анализа fNIRS; однако никакого стандартного метода не установлено. В данной работе мы представляем наши методы, качественное статистическое параметрическое отображение на основе GLM и сравнительную многоуровневую иерархическую смешанную модель, для анализа данных, полученных из многоканального эксперимента fNIRS до и после вмешательства с использованием блочной конструкции с сенсомоторными задачами.

Protocol

Это исследование было одобрено институциональным наблюдательным советом (IRB) Университета Фукуока, Япония (IRB No 2017M017). Перед участием все пациенты предоставили письменное информированное согласие.

1. Подготовка эксперимента fNIRS

ПРИМЕЧАНИЕ: Для этого эксперимента была использована многоканальная система NIRS на основе непрерывно-волнового лазера. Длины волн ближнего инфракрасного света составляли 780 нм, 805 нм и 830 нм, а частота дискретизации была установлена на уровне 7,8 Гц. Время и пространственное разрешение (расстояния между излучателем света и детекторным зондом) составляли 0,13 с и 3,0 см соответственно.

1. Установите прибор fNIRS в темное бесшумное место. Проводите эксперименты при комнатной температуре. Запустите прибор fNIRS за 30 минут до начала эксперимента.
   ПРИМЕЧАНИЕ: Системы fNIRS используются в контролируемых температурно-влажностных условиях для обеспечения стабильной работы оборудования^26.
2. Используйте целые головные колпачки для записи fNIRS и прикрепите головной колпачок к голове субъекта таким образом, чтобы положение, соответствующее центральному (Cz) международной системы 10-20, располагалось у держателя No 245 головного колпачка. (Рисунок 1).
3. Прикрепите маркировку к контрольным точкам местоположения: наз (Nz), правый внешний слуховой меатус (AR) и левый внешний слуховой меатус (AL).
   ПРИМЕЧАНИЕ: Поскольку трехмерные (3D) координаты считываются вокруг позиций маркировки Nz, AR, AL и держателя Cz, необходимо прикрепить маркировку перед фотографом.
4. После калибровки цифровой камеры высокого разрешения для пространственной регистрации сделайте снимки головы субъекта с местоположением зонда, показывая контрольные точки (Cz, Nz, AR и LR) с 15 точек зрения.
   ПРИМЕЧАНИЕ: Пожалуйста, сделайте снимок перед установкой зонда. Если снимок сделан после размещения зонда, маркерный ориентир может быть скрыт зондом и шнуром проводки. В соответствии с рекомендациями производителя, сделав 12 снимков по диагонали 30° вперед справа от объекта, сделайте три или более снимков чуть выше, чтобы на снимке появился Cz (держатель No 245). Это связано с тем, что его легко сделать трехмерным при захвате в общей сложности 15 или более снимков.
5. Тщательно отделите волосы субъекта, которые мешают оптоду, используя светодиодный (LED) пластиковый стержень для прикрепления зонда. Расположите зонд так, чтобы оптоды крепились на минимальном расстоянии от поверхности кожи головы и соприкасались с кожей головы.
   ПРИМЕЧАНИЕ: Тщательно проверьте, есть ли какое-либо давление или дискомфорт для пациента из-за прикрепления оптодов, из-за увеличения силы системных путаниц, связанных с активацией вегетативной нервной системы^23.
6. Расположите 48-канальную систему с 32 оптоодами (16 источников света и 16 детекторов; массив 4 x 4 для каждого полушария) на головной колпачок двусторонне над лобной и теменной областями в качестве областей, представляющих интерес(рисунок 2).
7. Запустите и используйте программное обеспечение 3D-дигитайзера для определения пространственной регистрации.
8. После сканирования данных изображения всей головы определите пространственную координату каждого пациента путем автоматического измерения и сохраните в виде файла Origin и Others (*CSV-файл).
   ПРИМЕЧАНИЕ: Если координатные точки не могут быть обнаружены на изображениях с помощью автоматического измерения, введите корректировку вручную.

2. Запустите эксперимент

1. Выберите конструкцию блока для эксперимента, и задачей может быть любое движение, интересующее исследование, такое как открытие/закрытие руки, постукивание пальцем и т.д. В нашем предыдущем исследовании задачей было роботизированное движение локтей^15.
   ПРИМЕЧАНИЕ: Каждый цикл состоит из трех блоков (15 с отдыха - 15 с задачи - 15 с покоя), и каждый пациент завершает семь циклов в каждом сеансе.
2. Заставьте участника подождать в удобном положении до стартового сигнала. Попросите испытуемого закрыть глаза во время отдыха и выполнения задания.
3. Дайте начальные и стоп-сигналы (например, «Повторить сгибание и разгибание локтя», «Остановиться и расслабиться»).
   ПРИМЕЧАНИЕ: Не говорите во время измерений. Тщательно проверяйте наличие артефактов на экране монитора во время измерений.
4. Выполните задачу проектирования блока в той же позе. Вертикальное положение со стоячим или сидячим положением желательно, чтобы не искажать гарнитуру.
   ПРИМЕЧАНИЕ: Если пациент чувствует себя некомфортно после ношения держателя головы в течение длительного периода времени, снимите или ослабьте зонд во время роботизированных упражнений.
5. После завершения измерения NIRS снимите держатель головы и наклейку с маркировкой, чтобы завершить эксперимент.
   ПРИМЕЧАНИЕ: Тщательно проверьте наличие повреждений кожи головы из-за длительного ношения.

3. Качественный GLM-анализ с использованием программного обеспечения NIRS-SPM

1. Запустите NIRS-SPM в программном обеспечении MATLAB. Преобразуйте файл данных, связанный с изменением концентрации HbO₂ и HHb, полученный от устройства NIRS, в формат файла для анализа NIRS-SPM.
2. Выберите опцию Использовать систему NIRS во всплывающем меню. Нажмите кнопку загрузки и выберите параметры изменения концентрации HbO₂ и HHb.
3. Определение пространственной регистрации местоположения канала NIRS. Установите флажок Автономный, а затем установите флажок С 3D-дигитайзером.
4. В окне От реальных координат к пространству MNI используйте диалоговое окно, чтобы выбрать _origin. CSV, относящийся к файлу координат контрольной точки, и _others. CSV, относящийся к файлу координатных зондов/каналов.
5. Нажмите кнопку Регистрация. Выберите точки, чтобы перейти к пространственной оценке, и нажмите кнопку OK. Нажмите на кнопку Project MNI coordinate to Rendered Brain.
   ПРИМЕЧАНИЕ: Пространственное положение местоположения каналов NIRS оценивается на основе шаблона мозга Монреальского неврологического института (MNI).
6. Выберите опцию «Дорсальный вид» и нажмите кнопку «Сохранить».
7. В разделе Укажите^1-й уровень выберите имя файла данных NIRS и каталог SPM. Установите флажок гемоглобин; HbO₂ или HHb. Выделите параметр Указать дизайн и выберите параметр Sec. Выделите параметры Количество условий/Пробных испытаний и введите число 7.
8. Выделите параметры Вектор начала и Длительности и введите вектор начала, умноженный на продолжительность экспериментальных условий, следующим образом.
   ПРИМЕЧАНИЕ: В этом случае вектор времени начала должен быть указан как [15:45:285] или [15 60 105 150 195 240 285]. Вектор длительности должен быть указан как [15* единиц(7,1)] или [15 15 15 15 15 15 15].
9. Для детрендинга нажмите кнопку Wavelet-MDL. Используйте метод предварительного окрасления: фильтр нижних частот и нажмите кнопку hrf, и исправьте последовательную корреляцию, затем нажмите кнопку none.
10. При оценке временных корреляций проверьте Индивидуальный анализ.
    ПРИМЕЧАНИЕ: Сохранение пространственной локализации позиций каналов fNIRS в отдельных системах координат MNI в виде текстового файла. Аналогично сохраните карту на основе отдельной области Бродмана (BA) в виде текстового файла.
11. При оценке временных корреляций проверьте групповой анализ. NIRS-SPM выровнял средние оптодные позиции числа участников в соответствии со стандартизированной системой координат мозга MNI.
12. Рассчитать карту активации на основе изменений уровня гемоглобина для стандартизированного мозга. Уровни HbO₂ и HHb считались значимыми при нескорректированном пороге p < 0,01.
    ПРИМЕЧАНИЕ: Информация влево/вправо была перевернута в правую сторону для группового анализа.

4. Многоканальный сравнительный анализ на основе иерархической смешанной модели

1. Запустите программное обеспечение SAS. Преобразование текстового документа (. TXT) изменений концентрации HbO₂ и HHb в файле данных NIRS, обработанном фильтром нижних частот (частота среза была установлена на уровне 0,1 Гц) в электронной таблице программного обеспечения, разделенном запятыми, файлом значений (. CSV).
2. Создайте импорт данных SAS (.sas7bdat) с помощью программы.
3. Выдайте файл импорта с помощью следующей команды, libname out "Import file"
4. Вывести файл до и после вмешательства для каждого субъекта, выполните следующие команды в SAS анализа. (Рисунок 3) Во время создания файла импорта присвойте имя, которое может идентифицировать информацию о предмете и до или после вмешательства (например, id1 pre, id1 post...)
5. Выполнение команды данных до и после вмешательства для каждого канала (ch1-48; HbO₂ и HHb) следующим образом(рисунок 4).
6. На основе данных, полученных из выходных результатов, введите в файл книги электронной таблицы (.xlsx) значения до и после вмешательства (разница в выполнении задачи и в режиме покоя), значения в режиме покоя и по задаче (расчетные значения, верхние пределы и нижние пределы) каждого канала.
7. Аналогично введите числитель и знаменатель степеней свободы, значение F и значение P взаимодействуемого элемента теста типа 3 с фиксированным эффектом в файл книги электронной таблицы (.xlsx).
8. Чтобы контролировать скорость ложного обнаружения (FDR) в многоканальном тестировании, используйте методы Бенджамина и Хохберга²⁷ и контролируйте FDR при p-значении < 0,01.

Results

Здесь мы представляем роботизированную реабилитацию, над которой в настоящее время работает наша группа: влияние биологической обратной связи на двигательный дефицит верхних конечностей у пациентов с острым инсультом. Мы включили 10 пациентов с инсультом (средний возраст: 66,8 ± 12,0 лет; две женщины и восемь мужчин), которые были госпитализированы в нашу больницу. На подострой стадии инсульта, более чем через 2 недели после начала, мы оценили моторную корковую активность этих пациентов, ...

Discussion

В наших групповых аналитических методах для fNIRS, в дополнение к выполнению аналитического метода визуализации с помощью качественных t-статистических отображений, мы сравнили до и после вмешательства (роботизированное упражнение) с использованием сравнительного многоканального анализа. Для качественного анализа мы использовали программное обеспечение NIRS-SPM в качестве массово-одномериантного подхода, основанного на обобщенной линейной модели. Анализ NIRS-SPM показывает качественные результаты каждого сеанса,...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Программное обеспечение 3D-дигитайзера			версия 1.50
NIRS система	Shimadzu-FOIRE-3000
Робот	CYBERDYNE-Односуставный		тип Гибридная вспомогательная конечность (HAL-SJ)