Summary

Kvalitative og komparative kortikale aktivitetsdataanalyser fra et funktionelt nær-infrarødt spektroskopieksperiment, der anvender blokdesign

Published: December 03, 2020
doi:

Summary

Vi beskriver analysen af kontinuerlig-bølge funktionelle nær-infrarød spektroskopi eksperiment ved hjælp af en blok design med en sensorimotorisk opgave. For at øge pålideligheden af dataanalysen brugte vi den kvalitative generelle lineære modelbaserede statistiske parametriske kortlægning og de komparative hierarkiske blandede modeller til multikanaler.

Abstract

Neuroimaging undersøgelser spiller en central rolle i evalueringen af præ-vs post-interventionelle neurologiske tilstande såsom i rehabilitering og kirurgisk behandling. Blandt de mange neuroimaging teknologier, der anvendes til at måle hjernens aktivitet, funktionel nær-infrarød spektroskopi (fNIRS) gør det muligt at evaluere dynamiske kortikale aktiviteter ved at måle de lokale hæmoglobin niveauer svarende til funktionelle magnetisk resonans imaging (fMRI). På grund af mindre fysisk begrænsning i fNIRS kan flere varianter af sensorimotoriske opgaver også evalueres. Mange laboratorier har udviklet flere metoder til fNIRS-dataanalyse; På trods af at de generelle principper er de samme, er der imidlertid ingen universelt standardiseret metode. Her præsenterer vi de kvalitative og komparative analytiske metoder til data fra et multikanals fNIRS-eksperiment ved hjælp af et blokdesign. Til kvalitativ analyse brugte vi en software til NIRS som en masse-univariate tilgang baseret på den generaliserede lineære model. NIRS-SPM-analysen viser kvalitative resultater for hver session ved at visualisere det aktiverede område under opgaven. Derudover kan den ikke-invasive tredimensionelle digitalisator bruges til at estimere fNIRS-kanalplaceringerne i forhold til hjernen. For at underbygge NIRS-SPM-resultaterne kan amplituden af de ændringer i hæmoglobinniveauer, der fremkaldes af den sensorimotoriske opgave, statistisk analyseres ved at sammenligne data fra to forskellige sessioner (før og efter intervention) af det samme forsøgsemne ved hjælp af en multikanalshierarkisk blandet model. Vores metoder kan bruges til at måle præ- vs. post-intervention analyse i en række neurologiske lidelser såsom bevægelsesforstyrrelser, cerebrovaskulære sygdomme, og neuropsykiatriske lidelser.

Introduction

Neurorehabilitering spiller en vigtig rolle i den funktionelle genopretning efter sensorimotorisk forstyrrelse. For at tydeliggøre mekanismerne for neuroplasticitetsrelateret funktionel genopretning er der anvendt forskellige neuroimagingteknologier, såsom funktionel magnetisk resonansbilleddannelse (fMRI), positronemissionstomografi (PET), elektroencefalografi (EEG) og funktionel nær-infrarød spektroskopi (fNIRS). Forskellige billedbehandlingsmetoder har forskellige fordele og ulemper. Selvom fMRI er den mest typiske enhed, påvirkes den af magnetfelter, har en høj pris, høj fysisk begrænsning og begrænsede sensorimotoriske opgaver1,2,3,4. FNIRS-enheden skiller sig ud som en ikke-invasiv optisk neuroimaging og har en relativt lavere rumlig opløsning, men den har en bedre tidsmæssig opløsning end fMRI4. fNIRS er velegnet til kontrol af behandlingseffekter, fordi det sammenligner præ- versus post-intervention effekter, har dynamiske motoriske opgaver, er bærbare, og fungerer mere i naturlige miljøer end fMRI1,2,4. NIRS er blevet rapporteret at være mere egnet inden for cerebrovaskulær sygdom, epileptiske lidelser, alvorlig hjerneskade, Parkinsons sygdom og kognitiv svækkelse1,5. Med hensyn til sensorimotoriske opgaver, er det meget udbredt i gangart og stående balance6,7,8, overekstremitet funktion (hånd greb, finger trykke)8,9, kompleks motorisk færdighed uddannelse10,11, robotteknologi12,13,14,15, og hjerne-computer interface16,17,18. FNIRS er baseret på principperne om optisk neuroimaging og neurovaskulær kobling, som måler kortikal metabolisk aktivitet, øget blodgennemstrømning og dermed kortikal aktivitet som sekundære signaler19. fNIRS-signaler er blevet rapporteret at have stærke korrelationer med signaler om iltniveauafhængig fMRI20i blodet . En kontinuerlig bølge fNIRS bruger den ændrede Beer-Lambert lov til at bestemme ændringerne i iltet hæmoglobin (HbO2)og deoxygenerede hæmoglobin (HHb) kortikale koncentrationsniveauer baseret på målte ændringer i bredbånd nær-infrarødt lys dæmpning21,22. Da det ikke var muligt at måle differentialfaktoren for stilængde (DPF) ved hjælp af NIRS-systemet med kontinuerlig bølge, antog vi, at DPF var konstant, og at hæmoglobinsignalændringer blev angivet i vilkårlige enheder af millimole-millimeter (mM x mm)2,18.

FNIRS-eksperimenterne skal vælge de mest hensigtsmæssige metoder, herunder sondeindstillingerne, eksperimentdesignene og analysemetoderne. Med hensyn til sonde indstilling, den internationale 10-20 metode, der anvendes i EEG måling er den indstilling standard, der anvendes af mange forskere i neuroimaging. I de senere år er der blevet anvendt koordinatindstillinger baseret på standardhjernen på grundlag af Montreal Neurological Institute (MNI) koordinater. Eksperimentet bruger et blokdesign, der generelt bruges til sensorimotoriske opgaver, og et hændelsesrelateret design. Dette er en metode til sammenligning af ændringer i hæmoglobinkoncentrationen i hvile og under opgaver; HbO2 koncentrationsniveauer stiger og HHb koncentrationsniveauerne falder med ændringer i cerebral blodgennemstrømning forbundet med opgave-afhængige kortikale aktivitet. Selv om der findes forskellige analysemetoder, muliggør den gratis NIRS-SPM-software en analyse svarende til den statistiske parametriske kortlægning (SPM) af fMRI. Behandlingen af NIRS-data anvender en masse-univariate tilgang baseret på den generelle lineære model (GLM). Når du udfører opgaveafhængig hjerneaktivitetsanalyse, kan fNIRS-målingerne påvirkes af fremkaldt eller ikke-fremkaldt neuronal aktivitet og systemiske fysiologiske interferenser (puls, blodtryk, vejrtrækningshastighed og autonom nervesystemaktivitet) i cerebral og extracerebral rum23. Derfor er foranalysebehandling, filtrering, waveletkonvertering og hovedkomponentanalyse nyttige23. Med hensyn til filtrering og artefakter af databehandlingen ved hjælp af NIRS-SPM, lav-pass filtrering9 og wavelet minimum beskrivelse længde (Wavelet-MDL)24 detrending blev brugt til at overvinde bevægelse eller andre kilder til støj / artefakt. Nærmere oplysninger om denne analytiske metode findes i rapporten fra Ye et al.25. Selvom der kun er rapporter, der kun bruger SPM, er det kun et kvalitativt indeks efter billedanalyse, og på grund af NIRS’s lave rumlige opløsning kræves der ekstrem forsigtighed til gruppeanalyse. Når DPF er konstant, bør numeriske sammenligninger mellem kanaler og enkeltpersoner desuden ikke udføres, men forskellen i ændringerne i hver kanal kan verificeres. Baseret på ovenstående betingelser brugte vi for at supplere NIRS-SPM-gruppens analyseresultater den oprindelige analysemetode til multikanalanalyse efter at have forbedret nøjagtigheden af rumlig registrering. Denne multikanalanalyse sammenlignede amplituden af ændringen i HbO2- og HHb-niveauerne mellem hvileperioder og on-task-perioder på hver kanal før og umiddelbart efter behandling ved hjælp af hierarkiske blandede modeller med faste interventioner (før eller efter), faste perioder (hvile eller på opgave) og tilfældige individuelle effekter.

På denne måde er der flere fNIRS-måle- og analysemetoder; der er dog ikke fastlagt nogen standardmetode. I dette papir introducerer vi vores metoder, kvalitativ GLM-baseret statistisk parametrisk kortlægning og den komparative hierarkiske blandede model på flere niveauer, til at analysere data fra et multikanals fNIRS-eksperiment med præ- vs. post-intervention ved hjælp af et blokdesign med sensorimotoriske opgaver.

Protocol

Denne undersøgelse blev godkendt af det institutionelle bedømmelsesudvalg (IRB) på Fukuoka University, Japan (IRB No. 2017M017). Forud for deltagelsen gav alle patienter skriftligt informeret samtykke. 1. Forberedelse af fNIRS-eksperimentet BEMÆRK: Der blev anvendt et multikanals kontinuerligt bølgelaserbaseret NIRS-system til dette eksperiment. Bølgelængderne af det nær-infrarøde lys var 780 nm, 805 nm og 830 nm, og prøveudtagningshastigheden blev indstille…

Representative Results

Heri introducerer vi den robotassisterede rehabilitering, som vores gruppe i øjeblikket arbejder på: biofeedback-virkningerne på motorunderskuddet i overekstremiteterne hos patienter med akut slagtilfælde. Vi inkluderede 10 samtykkende slagtilfældepatienter (gennemsnitsalder: 66,8 ± 12,0 år; to kvinder og otte mænd), der blev indlagt på vores hospital. På det subakuttakut slagtilfælde fase, mere end 2 uger efter starten, vurderede vi den motor-relaterede kortikale aktivitet af …

Discussion

I vores gruppeanalysemetoder til fNIRS sammenlignede vi ud over at udføre en billedanalyseanalysemetode ved kvalitative t-statistikkortlægninger før- vs. post-intervention (robotassisteret øvelse) ved hjælp af den komparative multikanalanalyse. Til kvalitativ analyse brugte vi NIRS-SPM-softwaren som en masse-univariate tilgang baseret på den generaliserede lineære model. NIRS-SPM-analysen viser kvalitative resultater af hver session ved at visualisere det aktiverede område under opgaven. Desuden gør opl…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Dette arbejde blev delvis støttet af Japan Society for the Promotion of Science (JSPS) Grant-in-Aid for Scientific Research (C) 18K08956 og en fond fra Central Research Institute of Fukuoka University (nr. 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