Summary

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

Published: December 03, 2020
doi:

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 задачи1,2,3,4. Устройство fNIRS выделяется как неинвазивная оптическая нейровизуализация и имеет относительно более низкое пространственное разрешение, но оно имеет лучшее временное разрешение, чем фМРТ4. 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 фМРТ1,2,4. Сообщается, что NIRS более подходит в областях цереброваскулярных заболеваний, эпилептических расстройств, тяжелой черепно-мозговой травмы, болезни Паркинсона и когнитивныхнарушений 1,5. Что касается сенсомоторных задач, то он широко используется в походке и стоячемравновесии6,7,8,функции верхних конечностей (хватание рукой, постукивание пальцем)8,9,комплексная тренировка двигательных навыков10,11,робототехника12,13,14,15и мозг-компьютерный интерфейс16,17,18. fNIRS основан на принципах оптической нейровизуализации и нейрососудистой связи, которые измеряют кортикальные метаболические активности, увеличение кровотока и, следовательно, кортикальной активности в качестве вторичных сигналов19. Сообщалось, что сигналы fNIRS имеют сильную корреляцию с сигналами крови, зависящей от уровня кислорода fMRI20. 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 диапазоне21,22. 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 хмм)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 отделе23. Поэтому предварительная обработка анализа, фильтрация, вейвлет-преобразование и анализ главных компонентовполезны23. 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 экспери…

Representative 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 во?…

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…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Эта работа была частично поддержана Грантом Японского общества содействия развитию науки (JSPS) на научные исследования (C) 18K08956 и фондом Центрального научно-исследовательского института Университета Фукуока (No 201045).

Materials

3D-digitizer software TOPCON NS-1000 software ver.1.50
NIRS system Shimadzu FOIRE-3000
Robot CYBERDYNE Single-joint type Hybrid Assitive Limb (HAL-SJ)

References

  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, 535-546 (2014).
  6. Fujimoto, H., et al. Cortical changes underlying balance recovery in patients with hemiplegic stroke. Neuroimage. 85, 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, 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, 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).

Play Video

Cite This Article
Saita, K., Morishita, T., Arima, H., Ogata, T., Inoue, T. Qualitative and Comparative Cortical Activity Data Analyses from a Functional Near-Infrared Spectroscopy Experiment Applying Block Design. J. Vis. Exp. (166), e61836, doi:10.3791/61836 (2020).

View Video