Summary

Kwalitatieve en vergelijkende corticale activiteit data-analyses van een functionele near-infrared spectroscopie experiment toepassen blok ontwerp

Published: December 03, 2020
doi:

Summary

We beschrijven de analyse van continugolf functioneel near-infrared spectroscopie experiment met behulp van een blokontwerp met een sensorimotorische taak. Om de betrouwbaarheid van de data-analyse te verhogen, gebruikten we de kwalitatieve algemene lineaire modelgebaseerde statistische parametrische mapping en de vergelijkende hiërarchische gemengde modellen voor multi-kanalen.

Abstract

Neuroimaging studies spelen een cruciale rol bij de evaluatie van pre- versus post-interventionele neurologische aandoeningen zoals bij revalidatie en chirurgische behandeling. Onder de vele neuroimaging-technologieën die worden gebruikt om hersenactiviteit te meten, maakt functionele near-infrared spectroscopie (fNIRS) de evaluatie van dynamische corticale activiteiten mogelijk door de lokale hemoglobineniveaus te meten die vergelijkbaar zijn met functionele magnetische resonantiebeeldvorming (fMRI). Ook kunnen, als gevolg van minder fysieke beperking in fNIRS, meerdere varianten van sensorimotorische taken worden geëvalueerd. Veel laboratoria hebben verschillende methoden ontwikkeld voor fNIRS-gegevensanalyse; ondanks het feit dat de algemene beginselen hetzelfde zijn, is er echter geen universeel gestandaardiseerde methode. Hier presenteren we de kwalitatieve en vergelijkende analytische methoden van gegevens verkregen uit een meerkanaals fNIRS-experiment met behulp van een blokontwerp. Voor kwalitatieve analyse gebruikten we een software voor NIRS als een massa-univariate benadering op basis van het gegeneraliseerde lineaire model. De NIRS-SPM-analyse toont kwalitatieve resultaten voor elke sessie door het geactiveerde gebied tijdens de taak te visualiseren. Daarnaast kan de niet-invasieve driedimensionale digitizer worden gebruikt om de fNIRS-kanaallocaties ten opzichte van de hersenen te schatten. Om de NIRS-SPM-bevindingen te bevestigen, kan de amplitude van de veranderingen in hemoglobineniveaus veroorzaakt door de sensorimotorische taak statistisch worden geanalyseerd door de gegevens verkregen uit twee verschillende sessies (voor en na interventie) van dezelfde studiepersoon te vergelijken met behulp van een multi-channel hiërarchisch gemengd model. Onze methoden kunnen worden gebruikt om de pre- versus postinterventieanalyse te meten bij een verscheidenheid aan neurologische aandoeningen zoals bewegingsstoornissen, cerebrovasculaire ziekten en neuropsychiatrische aandoeningen.

Introduction

Neurorevalidatie speelt een belangrijke rol bij het functionele herstel na sensorische stoornissen. Om de mechanismen van neuroplasticiteitsgerassocieerd functioneel herstel te verduidelijken, zijn verschillende neuroimaging-technologieën gebruikt, zoals functionele magnetische resonantiebeeldvorming (fMRI), positronemissietomografie (PET), elektro-encefalografie (EEG) en functionele near-infrared spectroscopie (fNIRS). Verschillende beeldvormende modaliteiten hebben verschillende voor- en nadelen. Hoewel de fMRI het meest typische apparaat is, wordt het beïnvloed door magnetische velden, heeft het hoge kosten, hoge fysieke beperking en beperkte sensorimotorische taken1,2,3,4. Het fNIRS-apparaat onderscheidt zich als een niet-invasieve optische neuroimaging en heeft een relatief lagere ruimtelijke resolutie, maar heeft een betere temporele resolutie dan fMRI4. fNIRS is geschikt bij het verifiëren van behandelingseffecten omdat het de pre- versus postinterventie-effecten vergelijkt, dynamische motorische taken heeft, draagbaar is en meer functioneert in natuurlijke omgevingen dan fMRI1,2,4. Nirs is gemeld dat meer geschikt op het gebied van cerebrovasculaire ziekte, epileptische stoornissen, ernstig hersenletsel, de ziekte van Parkinson, en cognitievestoornissen 1,5. Met betrekking tot sensorimotorische taken, wordt het wijd gebruikt in gang en bevindend saldo6,7,8,hogere ledemaatfunctie (hand het grijpen, vinger het tikken)8,9,complexe motorische vaardigheidstraining10,11,robotica12,13,14,15,en hersenen-computer interface16,17,18. De fNIRS is gebaseerd op de principes van optische neuroimaging en neurovasculaire koppeling, die corticale metabolische activiteit, verhoogde bloedstroom en bijgevolg corticale activiteit als secundaire signalenmeten 19. fNIRS-signalen zouden sterke correlaties hebben met signalen van bloedzuurstofniveauafhankelijke fMRI20. Een continue golf fNIRS gebruikt de gewijzigde Beer-Lambert-wet om de veranderingen in zuurstofrijk hemoglobine (HbO2) en gedeoxygeneerde hemoglobine (HHb) corticale concentratieniveaus te bepalen op basis van gemeten veranderingen in breedband bijna-infrarood lichtdemping21,22. Omdat het niet mogelijk was om de differentiële padlengtefactor (DPF) te meten met behulp van het continugolf NIRS-systeem, gingen we ervan uit dat de DPF constant was en dat hemoglobinesignaalveranderingen werden aangeduid in willekeurige eenheden van millimole-millimeter (mM x mm)2,18.

De fNIRS-experimenten moeten de meest geschikte methoden selecteren, waaronder de sonde-instellingen, de experimentontwerpen en de analysemethoden. Wat de instelling van de sonde betreft, is de internationale 10-20-methode die wordt gebruikt bij EEG-meting de instellingsnorm die door veel onderzoekers in neuroimaging wordt gebruikt. In de afgelopen jaren zijn coördinateninstellingen gebruikt op basis van de standaard hersenen op basis van montreal neurological institute (MNI) coördinaten. Het experiment maakt gebruik van een blokontwerp, meestal gebruikt voor sensorimotorische taken, en een gebeurtenisgerelateerd ontwerp. Dit is een methode om veranderingen in hemoglobineconcentratie in rust en tijdens taken te vergelijken; HbO2 concentratieniveaus stijgen en HHb concentratie niveaus dalen met veranderingen in cerebrale bloedstroom geassocieerd met taak-afhankelijke corticale activiteit. Hoewel er verschillende analysemethoden zijn, maakt de NIRS-SPM vrije software een analyse mogelijk die vergelijkbaar is met de statistische parametrische mapping (SPM) van fMRI. De behandeling van NIRS-gegevens maakt gebruik van een massa-univariate benadering op basis van het algemene lineaire model (GLM). Bij het uitvoeren van taakafhankelijke hersenactiviteitsanalyse kunnen de fNIRS-metingen worden beïnvloed door opgeroepen of niet-opgeroepen neuronale activiteit en systemische fysiologische interferenties (hartslag, bloeddruk, ademhalingsfrequentie en autonome activiteit van het zenuwstelsel) in het cerebrale en extracerebralecompartiment 23. Daarom zijn pre-analyseverwerking, filtering, waveletconversie en analyse van hoofdcomponenten nuttig23. Met betrekking tot het filteren en artefacten van de gegevensverwerking met behulp van de NIRS-SPM, low-pass filtering9 en de wavelet minimale beschrijvingslengte (Wavelet-MDL)werden 24 detrending gebruikt om de beweging of andere bronnen van ruis / artefact te overwinnen. Voor meer informatie over deze analytische methode, zie het rapport van Ye et al.25. Hoewel er rapporten zijn die alleen SPM gebruiken, is het slechts een kwalitatieve index door beeldanalyse, en vanwege de lage ruimtelijke resolutie van NIRS is uiterste voorzichtigheid vereist voor groepsanalyse. Bovendien, wanneer de DPF constant is, numerieke vergelijkingen tussen kanalen en individuen moeten niet worden uitgevoerd, maar het verschil in de veranderingen in elk kanaal kan worden geverifieerd. Op basis van de bovenstaande voorwaarden, om de nirs-spm groepsanalyse resultaten aan te vullen, gebruikten we de oorspronkelijke analysemethode voor multi-channel analyse na het verbeteren van de nauwkeurigheid van ruimtelijke registratie. Deze meerkanaalsanalyse vergeleek de amplitude van de verandering in HbO2- en HHb-niveaus tussen de rust- en taakperioden op elk kanaal voor en onmiddellijk na de behandeling met behulp van hiërarchische gemengde modellen met vaste interventies (voor of na), vaste perioden (rust of on-task) en willekeurige individuele effecten.

Op deze manier zijn er verschillende fNIRS meet- en analysemethoden; er is echter geen standaardmethode vastgesteld. In dit artikel introduceren we onze methoden, kwalitatieve GLM-gebaseerde statistische parametrische mapping en het vergelijkende hiërarchische gemengde model op meerdere niveaus, om gegevens te analyseren die zijn verkregen uit een meerkanaals fNIRS-experiment van pre- versus postinterventie met behulp van een blokontwerp met sensorimotorische taken.

Protocol

Deze studie werd goedgekeurd door de institutional review board (IRB) van de Fukuoka University, Japan (IRB nr. 2017M017). Voorafgaand aan deelname hebben alle patiënten schriftelijk geïnformeerde toestemming gegeven. 1. Voorbereiding van het fNIRS-experiment OPMERKING: Voor dit experiment werd een multi-channel continugolf lasergebaseerd NIRS-systeem gebruikt. De golflengten van het bijna-infrarood licht waren 780 nm, 805 nm en 830 nm, en de bemonsteringsfrequentie…

Representative Results

Hierin introduceren we de robotondersteunde revalidatie waar onze groep momenteel aan werkt: de biofeedback-effecten op motorisch tekort aan de bovenste ledematen bij patiënten met een acute beroerte. We omvatten 10 instemmende beroertepatiënten (gemiddelde leeftijd: 66,8 ± 12,0 jaar; twee vrouwen en acht mannen) die in ons ziekenhuis werden opgenomen. In de subacute beroertefase, meer dan 2 weken na het begin, evalueerden we de motorische activiteit van deze patiënten met behulp van …

Discussion

In onze groep analytische methoden voor fNIRS, naast het uitvoeren van een imaging analytische methode door kwalitatieve t-statistic mappings, vergeleken we pre- vs. post-interventie (robot-assisted exercise) met behulp van de vergelijkende multichannel analyse. Voor kwalitatieve analyse gebruikten we de NIRS-SPM-software als een massa-univariate benadering op basis van het gegeneraliseerde lineaire model. De NIRS-SPM-analyse toont kwalitatieve resultaten van elke sessie door het geactiveerde gebied tijdens de t…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Dit werk werd gedeeltelijk ondersteund door de Japan Society for the Promotion of Science (JSPS) Grant-in-Aid for Scientific Research (C) 18K08956 en een fonds van het 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