Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
Click here for the English version

Neuroscience

Análisis cualitativos y comparativos de datos de actividad cortical de un experimento funcional de espectroscopia de infrarrojo cercano aplicando el diseño de bloques

Published: December 3, 2020 doi: 10.3791/61836

Summary

Se describe el análisis de onda continua funcional de espectroscopia de infrarrojo cercano experimento utilizando un diseño de bloques con una tarea sensoriomotora. Para aumentar la fiabilidad del análisis de los datos, se utilizó el mapeo paramétrico estadístico basado en modelos lineales generales cualitativos y los modelos mixtos jerárquicos comparativos para multicanales.

Abstract

Los estudios de neuroimagen juegan un papel fundamental en la evaluación de las condiciones neurológicas pre- vs post-intervención, como en la rehabilitación y el tratamiento quirúrgico. Entre las muchas tecnologías de neuroimagen utilizadas para medir la actividad cerebral, la espectroscopia funcional de infrarrojo cercano (fNIRS) permite la evaluación de actividades corticales dinámicas midiendo los niveles de hemoglobina locales similares a las imágenes de resonancia magnética funcional (fMRI). También, debido a la menor restricción física en fNIRS, las variantes múltiples de tareas sensoriomotoras pueden ser evaluadas. Muchos laboratorios han desarrollado varios métodos para el análisis de datos fNIRS; sin embargo, a pesar de que los principios generales son los mismos, no existe un método universalmente estandarizado. Aquí, presentamos los métodos analíticos cualitativos y comparativos de los datos obtenidos de un experimento fNIRS multicanal utilizando un diseño de bloques. Para el análisis cualitativo, se utilizó un software para NIRS como un enfoque de masa-univariante basado en el modelo lineal generalizado. El análisis NIRS-SPM muestra resultados cualitativos para cada sesión visualizando el área activada durante la tarea. Además, el digitalizador tridimensional no invasivo se puede utilizar para estimar las ubicaciones de los canales fNIRS en relación con el cerebro. Para corroborar los hallazgos del NIRS-SPM, la amplitud de los cambios en los niveles de hemoglobina inducidos por la tarea sensoriomotora puede ser analizada estadísticamente comparando los datos obtenidos de dos sesiones diferentes (antes y después de la intervención) del mismo sujeto de estudio utilizando un modelo mixto jerárquico multicanal. Nuestros métodos se pueden utilizar para medir el análisis pre- contra post-intervención en una variedad de desordenes neurológicos tales como desordenes de movimiento, enfermedades cerebrovasculares, y desordenes neuropsiquiátricos.

Introduction

Neurorehabilitation desempeña un papel importante en la recuperación funcional que sigue disturbio sensoriomotor. Para aclarar los mecanismos de la recuperación funcional neuroplasticidad-asociada, las varias tecnologías neuroimaging se han utilizado, tales como proyección de imagen de resonancia magnética funcional (fMRI), tomografía por emisión de positrones (ANIMAL DOMÉSTICO), electroencefalografía (EEG), y espectroscopia funcional del infrarrojo cercano (fNIRS). Las diferentes modalidades de imagen tienen diferentes ventajas y desventajas. Aunque el fMRI es el dispositivo más típico, se ve afectado por los campos magnéticos, tiene un alto costo, alta restricción física y tareas sensoriomotoraslimitadas 1,2,3,4. El dispositivo fNIRS se destaca como neuroimagen óptica no invasiva y tiene una resolución espacial relativamente más baja, pero tiene una mejor resolución temporal que fMRI4. fNIRS es adecuado cuando se verifican los efectos del tratamiento porque compara los efectos previos y posteriores a la intervención, tiene tareas motoras dinámicas, es portátil y funciona más en entornos naturales que fMRI1,2,4. Se ha informado que la NIRS es más adecuada en los campos de las enfermedades cerebrovasculares, los trastornos epilépticos, las lesiones cerebrales graves, la enfermedad de Parkinson y el deterioro cognitivo1,5. Con respecto a las tareas sensoriomotoras, es ampliamente utilizado en el equilibrio de la marcha y de pie6,7,8,función de las extremidades superiores (agarre de la mano, golpeteo de los dedos)8,9,entrenamiento de habilidades motoras complejas10,11,robótica12, 13,14, 15,e interfaz cerebro-computadora16,17,18. El fNIRS se basa en los principios de la neuroimagen óptica y el acoplamiento neurovascular, que miden la actividad metabólica cortical, el aumento del flujo sanguíneo y, en consecuencia, la actividad cortical como señales secundarias19. Se ha informado que las señales de fNIRS tienen fuertes correlaciones con las señales de fMRI dependiente del nivel de oxígeno en sangre20. Un fNIRS de onda continua utiliza la ley de Beer-Lambert modificada para determinar los cambios en los niveles de concentración cortical de hemoglobina oxigenada (HbO2)y hemoglobina desoxigenada (HHb) basados en cambios medidos en la atenuación de la luz infrarroja cercana de banda ancha21,22. Debido a que no fue posible medir el factor diferencial de longitud de trayecto (DPF) utilizando el sistema NIRS de onda continua, asumimos que el DPF era constante y que los cambios en la señal de hemoglobina se denotaban en unidades arbitrarias de milimole-milímetro (mM x mm)2,18.

Los experimentos fNIRS deben seleccionar los métodos más adecuados, incluidos los ajustes de la sonda, los diseños de los experimentos y los métodos de análisis. Con respecto a la configuración de la sonda, el método internacional 10-20 utilizado en la medición de EEG es el estándar de establecimiento utilizado por muchos investigadores en neuroimagen. En los últimos años, se han utilizado ajustes de coordenadas basados en el cerebro estándar sobre la base de coordenadas del Instituto Neurológico de Montreal (MNI). El experimento utiliza un diseño de bloques, generalmente utilizado para tareas sensoriomotoras, y un diseño relacionado con eventos. Este es un método para comparar los cambios en la concentración de hemoglobina en reposo y durante las tareas; Los niveles de concentración de HbO2 aumentan y los niveles de concentración de HHb disminuyen con los cambios en el flujo sanguíneo cerebral asociados con la actividad cortical dependiente de la tarea. Aunque existen varios métodos de análisis, el software libre NIRS-SPM permite un análisis similar al mapeo paramétrico estadístico (SPM) de fMRI. El tratamiento de los datos NIRS utiliza un enfoque masa-univariante basado en el modelo lineal general (GLM). Al realizar análisis de actividad cerebral dependiente de la tarea, las mediciones del fNIRS pueden verse afectadas por la actividad neuronal evocada o no evocada y las interferencias fisiológicas sistémicas (frecuencia cardíaca, presión arterial, frecuencia respiratoria y actividad del sistema nervioso autónomo) en el compartimento cerebral y extracerebral23. Por lo tanto, el procesamiento previo al análisis, el filtrado, la conversión de wavelets y el análisis de componentes principales son útiles23. En cuanto al filtrado y los artefactos del procesamiento de datos utilizando el NIRS-SPM, se utilizaron el filtrado de paso bajo9 y la detrending wavelet de longitud mínima de descripción (Wavelet-MDL)24 para superar el movimiento u otras fuentes de ruido / artefacto. Para detalles de este método analítico, consulte el informe de Ye et al.25. Aunque hay informes que utilizan sólo SPM, es sólo un índice cualitativo por análisis de imágenes, y debido a la baja resolución espacial de NIRS, se requiere extrema precaución para el análisis de grupo. Además, cuando el DPF es constante, no se deben realizar comparaciones numéricas entre canales e individuos, pero se puede verificar la diferencia en los cambios en cada canal. Con base en las condiciones anteriores, con el fin de complementar los resultados del análisis de grupo NIRS-SPM, se utilizó el método de análisis original para el análisis multicanal después de mejorar la precisión del registro espacial. Este análisis multicanal comparó la amplitud del cambio en los niveles de HbO2 y HHb entre los períodos de reposo y en la tarea en cada canal antes e inmediatamente después del tratamiento utilizando modelos mixtos jerárquicos con intervenciones fijas (antes o después), períodos fijos (reposo o en la tarea) y efectos individuales aleatorios.

De esta manera, existen varios métodos de medición y análisis fNIRS; sin embargo, no se ha establecido ningún método estándar. En este trabajo, presentamos nuestros métodos, el mapeo paramétrico estadístico cualitativo basado en GLM y el modelo mixto jerárquico multinivel comparativo, para analizar los datos obtenidos de un experimento fNIRS multicanal de pre- vs post-intervención utilizando un diseño de bloques con tareas sensoriomotoras.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Este estudio fue aprobado por la junta de revisión institucional (IRB) de la Universidad de Fukuoka, Japón (IRB No. 2017M017). Antes de la participación, todos los pacientes proporcionaron su consentimiento informado por escrito.

1. Preparación del experimento fNIRS

NOTA: Se utilizó un sistema NIRS multicanal basado en láser de onda continua para este experimento. Las longitudes de onda de la luz infrarroja cercana eran 780 nm, 805 nm y 830 nm, y la velocidad de muestreo se estableció en 7,8 Hz. El tiempo y la resolución espacial (distancias entre el emisor de luz y la sonda detectora) fueron de 0,13 s y 3,0 cm, respectivamente.

  1. Coloque el dispositivo fNIRS en un lugar oscuro sin ruido. Realizar experimentos a temperatura ambiente. Inicie el instrumento fNIRS 30 minutos antes del experimento.
    NOTA: Los sistemas fNIRS se utilizan en condiciones controladas de temperatura y humedad para garantizar un funcionamiento estable del equipo26.
  2. Utilice una tapa de cabeza entera para la grabación de fNIRS y coloque la tapa de la cabeza en la cabeza del sujeto de tal manera que la posición correspondiente a la central (Cz) del sistema internacional 10-20 se encuentre en el soporte No. 245 de la tapa de la cabeza. (Figura 1).
  3. Adjúnte la etiqueta de marcado a los puntos de localización de referencia: el nasion (Nz), el meato auditivo externo derecho (AR) y el meato auditivo externo izquierdo (AL).
    NOTA: Debido a que las coordenadas tridimensionales (3D) se leen alrededor de las posiciones de la etiqueta de marcado Nz, AR, AL y soporte Cz, es necesario adjuntar la etiqueta de marcado antes de tomar una foto.
  4. Después de la calibración de una cámara digital de alta resolución para el registro espacial, tome fotografías de la cabeza del sujeto con la ubicación de la sonda mientras muestra los puntos de referencia (Cz, Nz, AR y LR) desde 15 perspectivas.
    NOTA: Por favor, tome una foto antes de colocar la sonda. Si se toma una foto después de colocar la sonda, el punto de referencia del marcador puede estar oculto por la sonda y el cable de cableado. Según lo recomendado por el fabricante, después de tomar 12 fotos 30 ° diagonalmente hacia adelante a la derecha del sujeto, tome tres o más fotos ligeramente por encima para que el Cz (soporte No. 245) aparezca en la imagen. Esto se debe a que es fácil hacerlo tridimensional al capturar un total de 15 o más tomas.
  5. Separe cuidadosamente el cabello del sujeto que interfiere con el optodo usando una varilla de plástico iluminada con diodo emisor de luz (LED) para conectar la sonda. Organice la sonda para que los optodes se unan a una distancia mínima de la superficie del cuero cabelludo y en contacto con el cuero cabelludo.
    NOTA: Comprobar cuidadosamente si existe alguna presión o molestia para el paciente debido a la unión de los optodes, debido al aumento de la fuerza de los factores de confusión sistémico asociados a la activación del sistema nervioso autónomo23.
  6. Coloque el sistema de 48 canales con 32 optodos (16 fuentes de luz y 16 detectores; matriz de 4 x 4 para cada hemisferio) a una tapa de cabeza bilateralmente sobre las áreas frontal y parietal como regiones de interés (Figura 2).
  7. Inicie y utilice el software digitalizador 3D para determinar el registro espacial.
  8. Después de escanear los datos de la imagen de una cabeza entera, determine la coordenada espacial de cada paciente midiendo automáticamente y guárdelo como el archivo Origen y otros (*archivo CSV).
    NOTA: Si no se han podido detectar los puntos de coordenadas de las imágenes mediante la medición automática, introduzca el ajuste manualmente.

2. Ejecute el experimento

  1. Seleccione un diseño de bloque para el experimento, y la tarea puede ser cualquier movimiento de interés para el estudio, como la apertura / cierre de la mano, el golpeteo con el dedo, etc. En nuestro estudio anterior, la tarea fue los movimientos de codo asistidos por robot15.
    NOTA: Cada ciclo está hecho de tres bloques (15 s de reposo - 15 s de tarea - 15 s de reposo), y cada paciente completa siete ciclos en cada sesión.
  2. Haga que el participante espere en una posición cómoda hasta el punto de partida. Instruya al sujeto a cerrar los ojos durante el resto y la tarea.
  3. Dé señales de inicio y parada (es decir, "Repita la flexión y la extensión del codo", "Pare y relájese").
    NOTA: No hable durante las mediciones. Compruebe cuidadosamente si hay artefactos en la pantalla del monitor durante las mediciones.
  4. Realice la tarea de diseño de bloques en la misma postura. La postura erguida con posición de pie o sentada es deseable para no distorsionar los auriculares.
    NOTA: Si el paciente se siente incómodo después de usar el soporte de la cabeza durante un período prolongado de tiempo, retire o afloje la sonda durante el ejercicio asistido por robot.
  5. Después de completar la medición nirs, retire el soporte de la cabeza y la etiqueta de marcado para finalizar el experimento.
    NOTA: Compruebe cuidadosamente si hay daño en la piel del cuero cabelludo debido al uso prolongado.

3. Análisis cualitativo de GLM utilizando el software NIRS-SPM

  1. Inicie el NIRS-SPM en el software MATLAB . Convierta el archivo de datos relacionado con el cambio en la concentración de HbO2 y HHb adquirida del dispositivo NIRS al formato de archivo para el análisis NIRS-SPM.
  2. Seleccione la opción using NIRS system (uso del sistema NIRS) en el menú emergente. Seleccione el botón de carga y elija las opciones de cambio de concentración de HbO2 y HHb.
  3. Detectar el registro espacial de la ubicación del canal NIRS. Seleccione la casilla de verificación Independiente y, a continuación, seleccione la casilla de verificación Con digitalizador 3D.
  4. En Desde coordenadas reales hasta espacio MNI, utilice el cuadro de diálogo para elegir _origin. CSV que hace referencia al archivo de punto de referencia de coordenadas y _others. CSV que hace referencia al archivo de sondeos/canales de coordenadas.
  5. Seleccione el botón Registro. Elija los puntos para proceder a la estimación espacial y haga clic en el botón Aceptar. Haga clic en el botón Proyectar coordenada mNI a cerebro renderizado.
    NOTA: La posición espacial de las ubicaciones de los canales NIRS se estima sobre la base de la plantilla cerebral del Instituto Neurológico de Montreal (MNI).
  6. Seleccione la opción Vista dorsal y haga clic en el botón Guardar.
  7. En la sección Especificar el nivel 1st, seleccione el nombre de archivo de datos NIRS y el directorio SPM. Seleccione la casilla de verificación hemoglobina; HbO2 o HHb. Resalte la opción Especificar diseño' y seleccione la opción Sec. Resalte las opciones número de condición/ensayos e introduzca el número 7.
  8. Resalte las opciones Vector de Inicio y Duración[s] e ingrese un vector de inicio multiplicado por la duración de las condiciones experimentales de la siguiente manera.
    NOTA: En este caso, el vector de tiempos de inicio debe especificarse como [15:45:285] o [15 60 105 150 195 240 285]. El vector de duración debe especificarse como [15* unos(7,1)] o [15 15 15 15 15 15 15].
  9. Para la destendencia, seleccione el botón Wavelet-MDL. Utilice el método de precoloring: filtro de paso bajo y seleccione el botón hrf, y corrija la correlación en serie, a continuación, seleccione el botón ninguno.
  10. En la estimación de las correlaciones temporales, compruebe el Análisis Individual.
    Nota : guarde la localización espacial de las posiciones de canal fNIRS en los sistemas de coordenadas MNI individuales como un archivo de texto. De forma similar, guarde el mapa basado en el área de Brodmann individual (BA) como un archivo de texto.
  11. Al estimar las correlaciones temporales, compruebe el Análisis de grupo. El NIRS-SPM alineó las posiciones medias del optode del número de participantes de acuerdo con el sistema de coordenadas cerebrales estandarizado MNI.
  12. Calcule el mapa de activación basado en los cambios en el nivel de hemoglobina para el cerebro estandarizado. Los niveles de HbO2 y HHb se consideraron significativos en un umbral no corregido de p < 0,01.
    NOTA: La información izquierda/derecha se volteó en los lados afectados a la derecha para el análisis de grupo.

4. Análisis comparativo multicanal basado en un modelo mixto jerárquico

  1. Inicie el software SAS. Convertir el documento de texto (. TXT) de los cambios de concentración de HbO2 y HHb en el archivo de datos NIRS procesado con un filtro de paso bajo (la frecuencia de corte se estableció en 0,1 Hz) al archivo de valores separados por comas del software de hoja de cálculo (. CSV).
  2. Cree importar datos sas (.sas7bdat) mediante el programa.
  3. Salida del archivo de importación con el siguiente comando, libname out "Import file"
  4. Genere el archivo previo y posterior a la intervención para cada sujeto, ejecute los siguientes comandos en la SAS de análisis. (Figura 3) Durante la creación del archivo de importación, asigne un nombre que pueda identificar la información del sujeto y pre- vs. post-intervención (por ejemplo, id1 pre, id1 post...)
  5. Ejecute el comando de datos pre y post-intervención para cada canal (ch1-48; HbO2 y HHb) de la siguiente manera (Figura 4).
  6. En función de los datos obtenidos de los resultados de salida, introduzca las diferencias previas y posteriores a la intervención en los valores de cambio (diferencia en la tarea y en reposo), resto y en la tarea (valores estimados, límites superiores y límites inferiores) de cada canal en el archivo de libro de hoja de cálculo (.xlsx).
  7. De forma similar, introduzca los grados de libertad del numerador y del denominador, el valor F y el valor P del elemento interact de la prueba de tipo 3 de efecto fijo en el archivo de libro de hoja de cálculo (.xlsx).
  8. Para controlar la tasa de descubrimiento falso (FDR) en pruebas multicanal, utilice los métodos27 de Benjamin y Hochberg y controle el FDR a un valor p < 0,01.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Aquí, presentamos la rehabilitación asistida por robot en la que nuestro grupo está trabajando actualmente: los efectos de la biorretroalimentación sobre el déficit motor de las extremidades superiores en pacientes con accidente cerebrovascular agudo. Incluimos a 10 pacientes que consienten del movimiento (edad media: 66,8 ± 12,0 años; dos mujeres y ocho hombres) que fueron admitidos a nuestro hospital. En la etapa subaguda del movimiento, más de 2 semanas después del inicio, evaluamos la actividad cortical motor-relacionada de estos pacientes usando un sistema del fNIRS antes e inmediatamente después de la rehabilitación robot-asistida miembro superior en el mismo día. En cuanto a las tareas de diseño de bloques, realizaron movimientos de flexión/extensión del codo afectados 15x dentro de 15 s en cada ciclo de tarea, y repitieron siete ciclos de tareas. Además, alistaron a seis voluntarios sanos (edad media: 58,7 ± 7,1 años; dos mujeres y cuatro hombres) también como controles para identificar la localización de la activación cortical tarea-relacionada normal durante los movimientos correctos de la flexión/de la extensión del codo.

La Figura 5 muestra los resultados del análisis grupal de 10 pacientes con accidente cerebrovascular mediante los valores de mapeo estadístico tutilizando modelos de GLM con el software NIRS-SPM. Este método mostró un aumento en la actividad cortical de la corteza de motor primaria en el hemisferio medido inmediatamente después de la rehabilitación robot-asistida comparada con ésa antes del entrenamiento. La recolección de datos previa a la intervención, la intervención (ejercicio asistido por robot) y la recolección de datos posteriores a la intervención se realizaron en la única sesión experimental el mismo día y en el mismo lugar.

La Figura 6 muestra los resultados del análisis de grupo multicanal comparando pre- versus post-intervención (ejercicio asistido por robot). Se realizó un análisis estadístico del modelo mixto jerárquico multinivel con el software SAS. La actividad cortical creciente en la corteza de motor primaria fue observada después de la intervención, la misma región del cerebro que en el NIRS-SPM.

Figure 1
Figura 1:Configuración del registro espacial tridimensional (3D) y cada soporte de la tapa de la cabeza utilizada para la grabación de fNIRS. El soporte No. 245 indicado por la flecha en la figura muestra la posición central (Cz), que es uno de los ejes de coordenadas. Haga clic aquí para ver una versión más amplia de esta figura.

Figure 2
Figura 2:Disposición del sistema de 48 canales con 32 optodos durante la grabación del fNIRS. (A)Ubicación de las sondas en el soporte de la cabeza,(B)disposición de los 48 canales y sondas (16 fuentes de luz y 16 detectores; matriz 4 x 4 para cada hemisferio) a una tapa de cabeza bilateralmente sobre las áreas corticales, como regiones de interés. Haga clic aquí para ver una versión más amplia de esta figura.

Figure 3
Figura 3:Entrada de comandos para la creación de archivos utilizados en el software de análisis SAS. La figura muestra cómo definir términos y valores numéricos en la pantalla de entrada de comandos que convierte la información del archivo de texto obtenida del archivo NIRS en un archivo CSV de Excel y, a continuación, la convierte para el análisis SAS. La identificación, la edad, el sexo, el lado ipsilesional, antes y después de la intervención, el tiempo total, y los períodos de la tarea, fueron ingresados numéricamente. Además, la información sobre HbO2,HHb, y el nivel total de la concentración de la hemoglobina (milímetro x milímetro) también fueron ingresados. Haga clic aquí para ver una versión más amplia de esta figura.

Figure 4
Figura 4:Entrada de comandos utilizada para cada análisis de canal en el software de análisis SAS. En este modelo mixto jerárquico de varios niveles, se establecieron los siguientes valores numéricos y se introdujeron en la pantalla de entrada de comandos SAS. Se compararon el estado en reposo (tarea = 0) y en tarea (tarea = 1) y se excluyó el estado en recuperación (tarea = 2). Además, el estado antes de la intervención se estableció en n = 0 y el estado inmediatamente después de la intervención se estableció en n = 1, y se investigó la interacción para determinar si había diferencias estadísticamente significativas en la cantidad de cambio en la HbO2 y HHb para cada canal. En la figura, se omite la información de la pantalla de entrada hasta ch2 o ch47. Haga clic aquí para ver una versión más amplia de esta figura.

Figure 5
Figura 5: Los resultados del análisis de grupo mediante los valores de mapeo estadístico tutilizando modelos GLM con el software NRS-SPM. La actividad cortical media de todos los pacientes se representa en la vista antedicho de los modelos estandardizados del cerebro. La parte superior e inferior representa la activación cortical en el nivel de HbO2 y HHb, respectivamente. La imagen de la derecha indica la actividad cortical de sujetos sanos durante las tareas. Comparando la rehabilitación asistida por robot antes, la actividad cortical se incrementó inmediatamente después del entrenamiento asistido por robot en el mismo día. Comparado a otras regiones corticales, cada estado de ejecución fue aumentado perceptiblemente (sin corregir, p < 0,01). Las líneas punteadas indican el surco central (CS) en las imágenes normalizadas del cerebro. Esta cifra ha sido modificada de Saita et al.15. Haga clic aquí para ver una versión más amplia de esta figura.

Figure 6
Figura 6: El resultado del análisis multicanal utilizando modelos mixtos jerárquicos multinivel con el software SAS. La actividad cortical del cambio representa la comparación entre la pre-y post-intervención usando tratamientos robot-asistidos de la rehabilitación. Para la imagen de la izquierda, los números de canales NIRS se superponen en el cerebro estandarizado de acuerdo con el sistema de coordenadas MNI. Para la imagen de la derecha, el rojo y el azul indican un aumento y una disminución en el nivel de HbO2, respectivamente (FDR corregido, p < 0,01). Gray indica que los canales no cambiaron significativamente después de la rehabilitación asistida por robot. Esta cifra ha sido modificada de Saita et al.15Haga clic aquí para ver una versión más amplia de esta figura.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

En nuestros métodos analíticos grupales para fNIRS, además de realizar un método analítico de imagen mediante mapeos estadísticos tcualitativos, comparamos pre- vs post-intervención (ejercicio asistido por robot) utilizando el análisis comparativo multicanal. Para el análisis cualitativo, se utilizó el software NIRS-SPM como un enfoque univariante de masa basado en el modelo lineal generalizado. El análisis NIRS-SPM muestra los resultados cualitativos de cada sesión visualizando el área activada durante la tarea. Además, la información del digitalizador 3D no invasivo permite la estimación de las ubicaciones de los canales fNIRS en relación con el cerebro. El análisis de grupo mediante el análisis NIRS-SPM fue capaz de capturar las áreas de activación cerebral áspera de pre- vs post- intervención durante las tareas sensoriomotoras, pero no pudo comparar la diferencia en los cambios en los mismos canales. Para corroborar los hallazgos del NIRS-SPM, la amplitud de los cambios en los niveles de hemoglobina inducidos por la tarea sensoriomotora puede analizarse estadísticamente comparando los datos obtenidos de dos sesiones diferentes (es decir, antes y después de la intervención) en el mismo sujeto de estudio utilizando el modelo mixto jerárquico multicanal. Mediante el uso de estos dos métodos, los resultados se complementan mutuamente y se mostraron más claramente.

Para obtener una actividad cerebral precisa relacionada con las tareas mediante datos NIRS, el diseño de tareas, la colocación de sondas, el procesamiento previo al análisis, los métodos de análisis y la configuración del entorno son muy importantes23,26. En cuanto al diseño de bloques utilizando tareas sensoriomotoras en nuestros estudios representativos, fijamos la tarea y el tiempo de descanso en 15 y 30 s, respectivamente15. Se ha informado de que el pico después de la actividad y la recuperación por tiempo de descanso dependen del diseño de la tarea. En investigaciones anteriores, se informó que el diseño de la tarea es a menudo 10-30 s para las tareas relacionadas con el movimiento de la mano (golpeteo de los dedos, tarea de agarre) y 30 s para las tareas relacionadas con el control de la postura y caminar7,8,28. Para los períodos de tareas, se tarda aproximadamente 5-10 s en alcanzar el pico después de iniciar la activación de la tarea8,29,y los períodos de recuperación son favorables con una variación aleatoria de 15 a 18 s para evitar efectos de anticipación y Mayer-Wave28,30. En este sentido, el protocolo de tareas de nuestra investigación se considera adecuado y factible, ya que sigue el diseño de bloques con movimiento del codo. Sin embargo, es posible que los períodos de tareas deban ser más largos en función de la dificultad de la tarea, como las tareas para caminar y las tareas cognitivas complejas. Con respecto a la disposición de la sonda, fNIRS tiene una resolución espacial más pobre, por lo que reorganizar la intervención previa frente a la posterior es un problema importante. En nuestro estudio representativo, esta deficiencia fue compensada por nuestro diseño que no requería la reubicación de la sonda para confirmar el efecto inmediato del tratamiento robótico en el mismo día. Si se requiere reposicionamiento, es importante verificar la distancia entre la etiqueta de marcado y el soporte utilizando una imagen pre-capturada para asegurarse de que no está fuera de disposición en comparación con la pre-intervención. Sin embargo, en nuestro diseño, fue insuficiente para confirmar el efecto de la interferencia fisiológica sistémica como el sistema nervioso autónomo sobre el uso del soporte de la cabeza por medición continua durante mucho tiempo. Por lo tanto, es necesario utilizar la monitorización fNIRS durante los paradigmas funcionales y la monitorización multimodal23 en el futuro. En cuanto al área de interés para la medición de la NIRS, muchos estudios de la NIRS sobre el procesamiento cognitivo se han centrado en la medición de la actividad de la corteza prefrontal (PFC) dado que la PFC es un área clave en la función ejecutiva y el control cognitivo del movimiento31,32. Para las tareas sensoriomotoras, es importante medir la región parietal para evaluar la actividad sensorial. La medición de la región parietal es, sin embargo, susceptible a obstáculos como el cabello y el cuero cabelludo grueso; por lo tanto, es necesario configurar cuidadosamente la medición. Una limitación de este método experimental fNIRS es que debido a la estructura del soporte de la cabeza, utilizamos el método de medición general con una distancia de optode de 3 cm. Sin embargo, utilizando canales de separación cortos para calibrar las señales o ruidos superficiales, existe la posibilidad de medir la actividad cerebral precisa33.

En cuanto a los métodos de análisis de grupo NIRS, como requisito previo, lo mejor es analizar cuidadosamente los datos personales de los resultados de medición nirs similares a los EEG. Una combinación de análisis a nivel de un solo nivel y de grupo puede ser el enfoque óptimo23. Aunque el cerebro estandarizado se utiliza para el análisis grupal de los datos NIRS, se han discutido las limitaciones con respecto a la menor resolución espacial4. En este estudio, se ideó el método de registro espacial, y fue posible detectar coordenadas más precisas, lo que potencialmente condujo a mejores resultados. En segundo lugar, el actual estudio tiene limitaciones en la capacidad del sistema descrito de NIRS aquí. Los valores numéricos utilizados en el análisis son valores relativos utilizando NIRS de onda continua, y un dispositivo como el Dominio del Tiempo (TD)-NIRS necesita ser utilizado para la evaluación utilizando valores absolutos34,35. Sin embargo, TD-NIRS es caro y tiene el inconveniente de no ser adecuado para este tipo de análisis multicanal. Debido a que CW-NIRS es tan ampliamente utilizado, necesitamos un método de evaluación relativamente preciso que se pueda realizar para compensar esta deficiencia. Como un proceso de pre-análisis, nuestro análisis de canal también tendrá que considerar los medios de utilizar el análisis de componentes principales adicionales para eliminar estos factores de confusión.

En el futuro, informaremos los resultados del cambio en la pre- vs post-operación de la estimulación cerebral profunda para la enfermedad de Parkinson9,trastornos cerebrovasculares con espasticidad12,y deterioro cognitivo36 utilizando la aplicación de espectroscopia de infrarrojo cercano. Nuestros métodos se pueden aplicar a una variedad de desordenes neurológicos tales como desordenes de movimiento, enfermedades cerebrovasculares, y desordenes neuropsiquiátricos.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Los autores no tienen conflictos de interés relevantes para este estudio para divulgar.

Acknowledgments

Este trabajo fue apoyado en parte por la Sociedad Japonesa para la Promoción de la Ciencia (JSPS) Grant-in-Aid for Scientific Research (C) 18K08956 y un fondo del Instituto Central de Investigación de la Universidad de Fukuoka (No. 201045).

Materials

Name Company Catalog Number Comments
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)

DOWNLOAD MATERIALS LIST

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, 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).

Tags

Neurociencia Número 166 NIRS onda continua neuroimagen actividad cortical sensoriomotora diseño de bloques mapeo paramétrico estadístico SPM modelo lineal generalizado GLM modelo mixto jerárquico neurorrehabilitación
Análisis cualitativos y comparativos de datos de actividad cortical de un experimento funcional de espectroscopia de infrarrojo cercano aplicando el diseño de bloques
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Saita, K., Morishita, T., Arima, H., More

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).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter