Summary
Wir beschreiben die Analyse eines kontinuierlichen funktionellen Nahinfrarot-Spektroskopie-Experiments mit einem Blockdesign mit einer sensomotorischen Aufgabe. Um die Zuverlässigkeit der Datenanalyse zu erhöhen, verwendeten wir das qualitative allgemeine lineare modellbasierte statistische parametrische Mapping und die vergleichenden hierarchischen Mischmodelle für Mehrkanalmodelle.
Abstract
Neuroimaging-Studien spielen eine zentrale Rolle bei der Beurteilung von prä- vs. postinterventionellen neurologischen Erkrankungen wie rehabilitation und chirurgischer Behandlung. Unter den vielen Neuroimaging-Technologien, die zur Messung der Gehirnaktivität verwendet werden, ermöglicht die funktionelle Nahinfrarotspektroskopie (fNIRS) die Bewertung dynamischer kortikaler Aktivitäten durch Messung der lokalen Hämoglobinspiegel ähnlich der funktionellen Magnetresonanztomographie (fMRT). Aufgrund der geringeren körperlichen Einschränkung in fNIRS können auch mehrere Varianten sensomotorischer Aufgaben bewertet werden. Viele Labore haben verschiedene Methoden zur fNIRS-Datenanalyse entwickelt; Trotz der Tatsache, dass die allgemeinen Prinzipien die gleichen sind, gibt es keine universell standardisierte Methode. Hier stellen wir die qualitativen und vergleichenden Analysemethoden von Daten aus einem Mehrkanal-fNIRS-Experiment unter Verwendung eines Blockdesigns vor. Für die qualitative Analyse verwendeten wir eine Software für NIRS als massenunivariariaten Ansatz, der auf dem verallgemeinerten linearen Modell basiert. Die NIRS-SPM-Analyse zeigt qualitative Ergebnisse für jede Sitzung, indem der aktivierte Bereich während der Aufgabe visualisiert wird. Darüber hinaus kann der nicht-invasive dreidimensionale Digitizer verwendet werden, um die fNIRS-Kanalpositionen relativ zum Gehirn abzuschätzen. Um die NIRS-SPM-Ergebnisse zu bestätigen, kann die Amplitude der durch die sensomotorische Aufgabe induzierten Veränderungen des Hämoglobinspiegels statistisch analysiert werden, indem die Daten aus zwei verschiedenen Sitzungen (vor und nach der Intervention) desselben Studienteilnehmers mit einem mehrkanaligen hierarchischen Mischmodell verglichen werden. Mit unseren Methoden kann die Prä- vs. Post-Interventionsanalyse bei einer Vielzahl von neurologischen Störungen wie Bewegungsstörungen, zerebrovaskulären Erkrankungen und neuropsychiatrischen Störungen gemessen werden.
Introduction
Die Neurorehabilitation spielt eine wichtige Rolle bei der funktionellen Erholung nach sensomotorischen Störungen. Um die Mechanismen der neuroplastizitätsassoziierten funktionellen Erholung zu klären, wurden verschiedene Neuroimaging-Technologien wie die funktionelle Magnetresonanztomographie (fMRT), die Positronenemissionstomographie (PET), die Elektroenzephalographie (EEG) und die funktionelle Nahinfrarotspektroskopie (fNIRS) eingesetzt. Unterschiedliche Bildgebungsmodalitäten haben unterschiedliche Vor- und Nachteile. Obwohl die fMRT das typischste Gerät ist, wird sie von Magnetfeldern beeinflusst, hat hohe Kosten, hohe physikalische Einschränkungen und begrenzte sensomotorische Aufgaben1,2,3,4. Das fNIRS-Gerät zeichnet sich als nichtinvasives optisches Neuroimaging aus und hat eine relativ geringere räumliche Auflösung, aber es hat eine bessere zeitliche Auflösung als fMRI4. fNIRS eignet sich zur Überprüfung von Behandlungseffekten, da es die Effekte vor und nach der Intervention vergleicht, dynamische motorische Aufgaben hat, tragbar ist und in natürlichen Umgebungen besser funktioniert als fMRT1,2,4. Es wurde berichtet, dass NIRS in den Bereichen zerebrovaskuläre Erkrankungen, epileptische Störungen, schwere Hirnverletzungen, Parkinson-Krankheit und kognitive Beeinträchtigung besser geeignet ist1,5. In Bezug auf sensomotorische Aufgaben ist es weit verbreitet in Gang und Stehbalance6,7,8, Funktion der oberen Gliedmaßen (Handgreifen, Fingerklopfen)8,9, komplexes motorisches Training10,11, Robotik12,13,14,15und Gehirn-Computer-Schnittstelle16,17,18. Das fNIRS basiert auf den Prinzipien der optischen Neurobildgebung und der neurovaskulären Kopplung, die kortikale Stoffwechselaktivität, erhöhten Blutfluss und folglich kortikale Aktivität als sekundäre Signale messen19. Es wurde berichtet, dass fNIRS-Signale starke Korrelationen mit Signalen der blutsauerstoffgehaltsabhängigen fMRTaufweisen 20. Ein kontinuierlicher fNIRS verwendet das modifizierte Beer-Lambert-Gesetz, um die Veränderungen der kortikalen Konzentrationen von sauerstoffreichem Hämoglobin (HbO2) und desoxygeniertem Hämoglobin (HHb) basierend auf gemessenen Änderungen der breitbandigen Nahinfrarot-Lichtdämpfung21,22zu bestimmen. Da es nicht möglich war, den differentiellen Weglängenfaktor (DPF) mit dem kontinuierlichen NIRS-System zu messen,nahmenwir an, dass der DPF konstant war und dass Hämoglobinsignaländerungen in beliebigen Einheiten von Millimolmillimeter (mM x mm)2,18bezeichnet wurden.
Die fNIRS-Experimente müssen die am besten geeigneten Methoden auswählen, einschließlich der Sondeneinstellungen, der Versuchsdesigns und der Analysemethoden. In Bezug auf die Sondeneinstellung ist die internationale 10-20-Methode, die in der EEG-Messung verwendet wird, der Von vielen Forschern in der Neuroimaging verwendet wird. In den letzten Jahren wurden Koordinateneinstellungen basierend auf dem Standardgehirn auf der Grundlage von Koordinaten des Montreal Neurological Institute (MNI) verwendet. Das Experiment verwendet ein Blockdesign, das im Allgemeinen für sensomotorische Aufgaben verwendet wird, und ein ereignisbezogenes Design. Dies ist eine Methode zum Vergleich von Veränderungen der Hämoglobinkonzentration in Ruhe und während der Aufgaben; DieHbO2-Konzentration steigt und die HHb-Konzentration nimmt mit Veränderungen des zerebralen Blutflusses ab, die mit aufgabenabhängiger kortikaler Aktivität verbunden sind. Obwohl es verschiedene Analysemethoden gibt, ermöglicht die freie Software NIRS-SPM eine Analyse ähnlich dem statistischen parametrischen Mapping (SPM) der fMRT. Die Behandlung von NIRS-Daten verwendet einen massenunivariariaten Ansatz, der auf dem allgemeinen linearen Modell (GLM) basiert. Bei der Durchführung einer aufgabenabhängigen Gehirnaktivitätsanalyse können die fNIRS-Messungen durch evozierte oder nicht evozierte neuronale Aktivität und systemische physiologische Interferenzen (Herzfrequenz, Blutdruck, Atemfrequenz und Aktivität des autonomen Nervensystems) im zerebralen und extrazerebralen Kompartiment beeinflusst werden23. Daher sind Voranalyseverarbeitung, Filterung, Wavelet-Konvertierung und Hauptkomponentenanalyse nützlich23. In Bezug auf Filterung und Artefakte der Datenverarbeitung mit dem NIRS-SPM wurden Tiefpassfilterung9 und die Wavelet-Beschreibungslänge (Wavelet-MDL)24 Detrending verwendet, um die Bewegung oder andere Rausch-/Artefaktquellen zu überwinden. Einzelheiten zu dieser Analysemethode finden Sie im Bericht von Ye et al.25. Obwohl es Berichte gibt, die nur SPM verwenden, handelt es sich nur um einen qualitativen Index durch Bildanalyse, und aufgrund der geringen räumlichen Auflösung von NIRS ist bei der Gruppenanalyse äußerste Vorsicht geboten. Darüber hinaus sollten bei konstantem DPF keine numerischen Vergleiche zwischen Kanälen und Individuen durchgeführt werden, sondern der Unterschied in den Änderungen in jedem Kanal kann überprüft werden. Basierend auf den oben genannten Bedingungen haben wir zur Ergänzung der NIRS-SPM-Gruppenanalyseergebnisse die ursprüngliche Analysemethode für die Mehrkanalanalyse verwendet, nachdem wir die Genauigkeit der räumlichen Registrierung verbessert haben. Diese Mehrkanalanalyse verglich die Amplitude der Änderung derHbO2- und HHb-Spiegel zwischen den Ruhe- und On-Task-Perioden an jedem Kanal vor und unmittelbar nach der Behandlung unter Verwendung hierarchischer Mischmodelle mit festen Interventionen (vor oder nach), festen Perioden (Ruhe oder On-Task) und zufälligen individuellen Effekten.
Auf diese Weise gibt es mehrere fNIRS-Mess- und Analysemethoden; es wurde jedoch keine Standardmethode festgelegt. In diesem Artikel stellen wir unsere Methoden vor, qualitative GLM-basierte statistische parametrische Kartierung und das vergleichende mehrstufige hierarchische Mischmodell, um Daten aus einem Mehrkanal-fNIRS-Experiment von Vor- vs. Post-Intervention unter Verwendung eines Blockdesigns mit sensomotorischen Aufgaben zu analysieren.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Diese Studie wurde vom Institutional Review Board (IRB) der Fukuoka University, Japan (IRB Nr. 2017M017) genehmigt. Vor der Teilnahme gaben alle Patienten eine schriftliche Einwilligung nach Aufklärung ab.
1. Vorbereitung des fNIRS-Experiments
HINWEIS: Für dieses Experiment wurde ein mehrkanaliges, laserbasiertes NIRS-System mit kontinuierlicher Welle verwendet. Die Wellenlängen des Nahinfrarotlichts betrugen 780 nm, 805 nm und 830 nm, und die Abtastrate wurde auf 7,8 Hz festgelegt. Die zeitliche und räumliche Auflösung (Abstände zwischen Lichtemitter und Detektorsonde) lagen bei 0,13 s bzw. 3,0 cm.
- Stellen Sie das fNIRS-Gerät an einen dunklen, geräuschlosen Ort. Führen Sie Experimente bei Raumtemperatur durch. Starten Sie das fNIRS-Instrument 30 Minuten vor dem Experiment.
HINWEIS: fNIRS-Systeme werden unter kontrollierten Temperatur- und Feuchtigkeitsbedingungen verwendet, um einen stabilen Betrieb der Geräte zu gewährleisten26. - Verwenden Sie eine ganze Kopfkappe für die fNIRS-Aufzeichnung und befestigen Sie die Kopfkappe auf dem Kopf des Subjekts, so dass sich die Position, die der zentralen (Cz) des internationalen 10-20-Systems entspricht, an der Halterung Nr. 245 der Kopfkappe befindet. (Abbildung 1).
- Befestigen Sie den Markierungsaufkleber an Referenzorten: Nasion (Nz), rechtes äußeres auditives Meatus (AR) und linkes externes auditives Meatus (AL).
HINWEIS: Da die dreidimensionalen (3D) Koordinaten um die Positionen des Nz-, AR-, AL-Markierungsaufklebers und des Cz-Halters gelesen werden, ist es notwendig, den Markierungsaufkleber vor dem Fotografieren anzubringen. - Nach der Kalibrierung einer hochauflösenden Digitalkamera zur räumlichen Registrierung nehmen Sie Bilder des Kopfes des Probanden mit der Sondenposition auf und zeigen die Referenzpunkte (Cz, Nz, AR und LR) aus 15 Perspektiven.
HINWEIS: Bitte machen Sie ein Foto, bevor Sie die Sonde platzieren. Wenn nach dem Platzieren der Sonde ein Bild aufgenommen wird, kann die Markierungsmarkierung durch die Sonde und das Kabelkabel verdeckt werden. Wie vom Hersteller empfohlen, nehmen Sie nach 12 Bildern 30° Diagonale nach rechts vom Motiv drei oder mehr Bilder etwas darüber auf, so dass der Cz (Halter Nr. 245) im Bild erscheint. Dies liegt daran, dass es einfach ist, es dreidimensional zu machen, wenn insgesamt 15 oder mehr Aufnahmen gemacht werden. - Trennen Sie sorgfältig die Haare des Probanden, die die Optode stören, mit einem leuchtdiodenbeleuchteten Kunststoffstab (LED), um die Sonde zu befestigen. Ordnen Sie die Sonde so an, dass die Optoden in minimalem Abstand von der Kopfhautoberfläche und in Kontakt mit der Kopfhaut befestigt sind.
HINWEIS: Überprüfen Sie sorgfältig, ob es druckvoll oder unangenehm für den Patienten aufgrund der Anheftung der Optoden gibt, aufgrund der zunehmenden Stärke der systemischen Störfaktoren, die mit der Aktivierung des autonomen Nervensystems verbunden sind23. - Ordnen Sie das 48-Kanal-System mit 32 Optoden (16 Lichtquellen und 16 Detektoren; 4 x 4 Array für jede Hemisphäre) zu einer Kopfkappe bilateral über den frontalen und parietalen Bereichen als Interessengebiete an (Abbildung 2).
- Starten und verwenden Sie die 3D-Digitizer-Software, um die räumliche Registrierung zu bestimmen.
- Nachdem Sie die Bilddaten eines ganzen Kopfes gescannt haben, bestimmen Sie die räumliche Koordinate jedes Patienten durch automatische Messung und speichern Sie sie als Origin and the Others-Datei (*CSV-Datei).
HINWEIS: Wenn die Koordinatenpunkte mit der automatischen Messung nicht aus den Bildern erkannt werden konnten, geben Sie die Anpassung manuell ein.
2. Führen Sie das Experiment aus
- Wählen Sie ein Blockdesign für das Experiment aus, und die Aufgabe kann jede für die Studie interessante Bewegung sein, z. B. Öffnen / Schließen der Hand, Fingerklopfen usw. In unserer vorherigen Studie war die Aufgabe die robotergestützten Ellbogenbewegungen15.
HINWEIS: Jeder Zyklus besteht aus drei Blöcken (15 s Ruhe - 15 s Aufgabe - 15 s Ruhe), und jeder Patient absolviert sieben Zyklen in jeder Sitzung. - Lassen Sie den Teilnehmer in einer bequemen Position bis zum Startschuss warten. Weisen Sie das Subjekt an, während des Rests und der Aufgabe die Augen zu schließen.
- Geben Sie Start- und Stopphinweise (z. B. "Wiederholen Sie die Beugung und Streckung des Ellbogens", "Stoppen und entspannen").
HINWEIS: Sprechen Sie während der Messungen nicht. Überprüfen Sie während der Messungen sorgfältig auf Artefakte auf dem Monitorbildschirm. - Führen Sie die Blockentwurfsaufgabe in derselben Position aus. Eine aufrechte Haltung mit stehender oder sitzender Position ist wünschenswert, um das Headset nicht zu verzerren.
HINWEIS: Wenn sich der Patient nach längerem Tragen des Kopfhalters unwohl fühlt, entfernen oder lösen Sie die Sonde während des robotergestützten Trainings. - Entfernen Sie nach Abschluss der NIRS-Messung den Kopfhalter und den Markierungsaufkleber, um das Experiment zu beenden.
HINWEIS: Überprüfen Sie sorgfältig auf Hautschäden an der Kopfhaut aufgrund von längerem Tragen.
3. Qualitative GLM-Analyse mit NIRS-SPM-Software
- Starten Sie NIRS-SPM in der MATLAB-Software. Konvertieren Sie die Datendatei im Zusammenhang mit der Änderung derHbO2- und HHb-Konzentration, die vom NIRS-Gerät erfasst wurde, in das Dateiformat für die NIRS-SPM-Analyse.
- Wählen Sie im Einblendmenü die Option NIRS-System verwenden aus. Wählen Sie die Ladetaste und wählen Sie die Optionen HbO2- und HHb-Konzentrationsänderung konvertieren.
- Erkennen Sie die räumliche Registrierung des NIRS-Kanalstandorts. Aktivieren Sie das Kontrollkästchen Eigenständig, und aktivieren Sie dann das Kontrollkästchen Mit 3D-Digitizer.
- Wählen Sie unter Von realen Koordinaten zum MNI-Raum im Dialogfeld _origin aus. CSV, das sich auf die Koordinatenreferenzpunktdatei bezieht, und _others. CSV, das sich auf die Datei "Koordinatensonden/Kanäle" bezieht.
- Wählen Sie die Schaltfläche Registrierung aus. Wählen Sie die Punkte aus, um mit der räumlichen Schätzung fortzufahren, und klicken Sie auf die Schaltfläche OK. Klicken Sie auf die Schaltfläche Projekt MNI-Koordinate zu Gerendertes Gehirn.
HINWEIS: Die räumliche Position der NIRS-Kanalstandorte wird auf der Grundlage der Gehirnvorlage des Montreal Neurological Institute (MNI) geschätzt. - Wählen Sie die Option Dorsale Ansicht und klicken Sie auf die Schaltfläche Speichern.
- Wählen Sie im Abschnitt 1. Ebene angeben den Namen der NIRS-Datendatei und das SPM-Verzeichnis aus. Aktivieren Sie das Kontrollkästchen Hämoglobin. HbO2 oder HHb. Markieren Sie die Option Design angeben und wählen Sie die Option Sek. Markieren Sie die Optionen Anzahl der Bedingungen/Versuche, und geben Sie die Zahl 7 ein.
- Markieren Sie die Optionen Vektor des Beginns und Dauer(en) und geben Sie einen Vektor des Beginns multipliziert mit der Dauer der experimentellen Bedingungen wie folgt ein.
HINWEIS: In diesem Fall sollte der Vektor der Beginnzeiten als [15:45:285] oder [15 60 105 150 195 240 285]angegeben werden. Der Vektor der Dauer sollte als [15* eins(7,1)] oder [15 15 15 15 15 15]angegeben werden. - Wählen Sie zum Detrending die Schaltfläche Wavelet-MDL aus. Verwenden Sie die Vorfärbungsmethode: Tiefpassfilter, wählen Sie die HrF-Taste aus, korrigieren Sie die serielle Korrelation, und wählen Sie dann die Schaltfläche Keine aus.
- Überprüfen Sie bei der Schätzung der zeitlichen Korrelationen die Einzelanalyse.
HINWEIS: Speichern Sie die räumliche Lokalisierung von fNIRS-Kanalpositionen in den einzelnen MNI-Koordinatensystemen als Textdatei. Speichern Sie die Karte basierend auf dem einzelnen Brodmann-Gebiet (BA) ebenfalls als Textdatei. - Überprüfen Sie bei der Schätzung der zeitlichen Korrelationen die Gruppenanalyse. Das NIRS-SPM richtete die mittleren Optodenpositionen der Teilnehmerzahl nach dem MNI-standardisierten Gehirnkoordinatensystem aus.
- Berechnen Sie die Aktivierungskarte basierend auf den Veränderungen des Hämoglobinspiegels für das standardisierte Gehirn. HbO2- und HHb-Spiegel wurden bei einem unkorrigierten Schwellenwert von p < 0,01 als signifikant angesehen.
HINWEIS: Links/Rechts-Informationen wurden zur Gruppenanalyse in die rechts betroffenen Seiten umgedreht.
4. Multi-Channel-Vergleichsanalyse basierend auf hierarchischem Mischmodell
- Starten Sie die SAS-Software. Konvertieren Sie das Textdokument (. TXT) von Konzentrationsänderungen von HbO 2 und HHb in der NIRS-Datendatei, die miteinem Tiefpassfilter (Cut-off-Frequenz wurde auf 0,1 Hz eingestellt) zur kommagetrennten Wertedatei (. CSV).
- Erstellen Sie die Import-SAS-Daten (.sas7bdat) mit dem Programm.
- Geben Sie die Importdatei mit dem folgenden Befehl aus, libname out "Import file"
- Geben Sie die Pre- vs. Post-Intervention-Datei für jeden Betreff aus, führen Sie die folgenden Befehle in der Analysis SAS aus. (Abbildung 3) Geben Sie bei der Erstellung der Importdatei einen Namen an, der die Betreffinformationen und die Vor- und Nachintervention identifizieren kann (z. B. id1 pre, id1 post...)
- Führen Sie den Befehl pre- und post-intervention data für jeden Kanal aus (ch1-48; HbO2 und HHb) wie folgt (Abbildung 4).
- Geben Sie basierend auf den Daten, die aus den Ausgabeergebnissen gewonnen werden, die Unterschiede vor und nach der Intervention in den Änderungen (Unterschied bei der Aufgabe und ruhe), der Ruhezeit und den Werten bei der Aufgabe (geschätzte Werte, obere Grenzwerte und untere Grenzwerte) jedes Kanals in die Arbeitsmappendatei der Tabellenkalkulation ein (.xlsx).
- Geben Sie ebenfalls die Freiheitsgrade des Zählers und des Nenners, den F-Wert und den P-Wert des Interaktionselements des Typ-3-Tests mit festem Effekt in die Arbeitsmappendatei der Tabellenkalkulation ein (.xlsx).
- Um die False Discovery Rate (FDR) in Mehrkanaltests zu kontrollieren, verwenden Sie die Benjamin- und Hochberg-Methoden27 und kontrollieren Sie den FDR mit einem p-Wert < 0,01.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Hier stellen wir die roboterassistierte Rehabilitation vor, an der unsere Gruppe derzeit arbeitet: die Biofeedback-Effekte auf das motorische Defizit der oberen Extremitäten bei Patienten mit akutem Schlaganfall. Wir schlossen 10 zustimmende Schlaganfallpatienten (Durchschnittsalter: 66,8 ± 12,0 Jahre; zwei Frauen und acht Männer) ein, die in unser Krankenhaus eingeliefert wurden. Im subakuten Schlaganfallstadium, mehr als 2 Wochen nach Beginn, bewerteten wir die motorische kortikale Aktivität dieser Patienten mit einem fNIRS-System vor und unmittelbar nach der robotergestützten Rehabilitation der oberen Extremitäten am selben Tag. In Bezug auf die Blockkonstruktionsaufgaben führten sie in jedem Aufgabenzyklus 15x innerhalb von 15 s beeinflusste Ellenbogenbeugungs- / Verlängerungsbewegungen durch und wiederholten sieben Aufgabenzyklen. Darüber hinaus wurden sechs gesunde Freiwillige (Durchschnittsalter: 58,7 ± 7,1 Jahre; zwei Frauen und vier Männer) als Kontrollen aufgenommen, um den Ort der normalen aufgabenbezogenen kortikalen Aktivierung während der rechten Ellenbogenbeugungs- / Streckbewegungen zu identifizieren.
Abbildung 5 zeigt die Ergebnisse der Gruppenanalyse von 10 Schlaganfallpatienten anhand der t-statistischenMapping-Werte mittels GLM-Modellen mit der NIRS-SPM-Software. Diese Methode zeigte eine Erhöhung der kortikalen Aktivität des primären motorischen Kortex in der gemessenen Hemisphäre unmittelbar nach der robotergestützten Rehabilitation im Vergleich zu der vor dem Training. Die Datenerhebung vor der Intervention, die Intervention (robotergestützte Übung) und die Datenerhebung nach der Intervention wurden in der einzigen experimentellen Sitzung am selben Tag und am selben Ort durchgeführt.
Abbildung 6 zeigt die Ergebnisse der Mehrkanal-Gruppenanalyse zum Vergleich von Pre- versus Post-Intervention (robotergestützte Übung). Es wurde eine statistische Analyse des mehrstufigen hierarchischen Mischmodells mit der SAS-Software durchgeführt. Eine erhöhte kortikale Aktivität im primären motorischen Kortex wurde nach der Intervention beobachtet, der gleichen Hirnregion wie beim NIRS-SPM.
Abbildung 1: Einstellung der dreidimensionalen (3D) räumlichen Registrierung und jeder Halterung der Kopfkappe, die für die fNIRS-Aufzeichnung verwendet wird. Der durch den Pfeil in der Abbildung gekennzeichnete Halter Nr. 245 zeigt die zentrale Position (Cz), die eine der Koordinatenachsen ist. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 2: Anordnung des 48-Kanal-Systems mit 32 Optoden während der fNIRS-Aufzeichnung. (A) Anordnung der Sonden auf dem Kopfhalter, (B) Anordnung der 48 Kanäle und Sonden (16 Lichtquellen und 16 Detektoren; 4 x 4 Array für jede Hemisphäre) zu einer Kopfkappe bilateral über den kortikalen Bereichen, als Bereiche von Interesse. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 3:Befehlseingabe zum Erstellen von Dateien, die in der SAS-Analysesoftware verwendet werden. Die Abbildung zeigt, wie Begriffe und numerische Werte auf dem Befehlseingabebildschirm definiert werden, der die aus der NIRS-Datei abgerufenen Textdateiinformationen in eine Excel-CSV-Datei konvertiert und dann für die SAS-Analyse konvertiert. ID, Alter, Geschlecht, ipsilesionale Seite, vor und nach dem Eingriff, Gesamtzeit und Aufgabenzeiten wurden numerisch eingegeben. Darüber hinaus wurden auch Informationen überHbO2, HHb und die Gesamthämoglobinkonzentration (mM x mm) eingegeben. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 4: Befehlseingabe, die für jede Kanalanalyse in der SAS-Analysesoftware verwendet wird. In diesem mehrstufigen hierarchischen Mischmodell wurden die folgenden numerischen Werte gesetzt und auf dem SAS-Befehlseingabebildschirm eingegeben. Der Ruhestatus (Aufgabe = 0) und bei Aufgabe (Aufgabe = 1) wurden verglichen und der Status bei der Wiederherstellung (Aufgabe = 2) ausgeschlossen. Darüber hinaus wurde der Status vor der Intervention auf n = 0 und der Status unmittelbar nach der Intervention auf n = 1 gesetzt, und die Interaktion wurde auf statistisch signifikante Unterschiede in der Menge der Änderung von HbO2 und HHb für jeden Kanal untersucht. In der Abbildung entfallen die Eingabebildinformationen bis ch2 oder ch47. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 5: Die Ergebnisse der Gruppenanalyse durch die t-statistischen Mapping-Werte unter Verwendung von GLM-Modellen mit der NRS-SPM-Software. Die durchschnittliche kortikale Aktivität aller Patienten wird auf der obigen Ansicht der standardisierten Gehirnmodelle dargestellt. Die obere und untere repräsentieren die kortikale Aktivierung imHbO2- bzw. HHb-Spiegel. Das rechte Bild zeigt die kortikale Aktivität gesunder Probanden während der Aufgaben. Vergleicht man die robotergestützte Rehabilitation zuvor, so war die kortikale Aktivität unmittelbar nach dem robotergestützten Training am selben Tag erhöht. Im Vergleich zu anderen kortikalen Regionen war jeder Leistungsstatus signifikant erhöht (unkorrigiert, p < 0,01). Gepunktete Linien zeigen den zentralen Sulcus (CS) auf den normalisierten Gehirnbildern an. Diese Zahl wurde von Saita et al.15modifiziert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 6: Das Ergebnis der Mehrkanalanalyse unter Verwendung von mehrstufigen hierarchischen Mischmodellen mit der SAS-Software. Die kortikale Aktivität der Veränderung stellt den Vergleich zwischen Prä- und Postintervention mit robotergestützten Rehabilitationsbehandlungen dar. Für das linke Bild wurden die Anzahl der NIRS-Kanäle dem standardisierten Gehirn nach dem MNI-Koordinatensystem überlagert. Für das rechte Bild zeigen Rot und Blau eine Erhöhung bzw. Abnahme des HbO2-Spiegels an (FDR korrigiert, p < 0,01). Grau zeigt an, dass sich die Kanäle nach der robotergestützten Rehabilitation nicht signifikant verändert haben. Diese Zahl wurde von Saita et al.15modifiziert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
In unserer Gruppe analytische Methoden für fNIRS haben wir neben der Durchführung einer bildgebenden Analysemethode durch qualitative t-statistischeMappings auch Pre- vs. Post-Intervention (robotergestützte Übung) mit der vergleichenden Mehrkanalanalyse verglichen. Für die qualitative Analyse verwendeten wir die NIRS-SPM-Software als massenunivariaten Ansatz auf Basis des verallgemeinerten linearen Modells. Die NIRS-SPM-Analyse zeigt qualitative Ergebnisse jeder Sitzung, indem der aktivierte Bereich während der Aufgabe visualisiert wird. Darüber hinaus ermöglichen die Informationen des nicht-invasiven 3D-Digitizers die Abschätzung von fNIRS-Kanalpositionen relativ zum Gehirn. Die Gruppenanalyse mit NIRS-SPM-Analyse konnte die groben Hirnaktivierungsbereiche der Prä- vs. Post-Intervention während der sensomotorischen Aufgaben erfassen, konnte aber den Unterschied in den Veränderungen in den gleichen Kanälen nicht vergleichen. Um die NIRS-SPM-Ergebnisse zu bestätigen, kann die Amplitude der durch die sensomotorische Aufgabe induzierten Veränderungen des Hämoglobinspiegels statistisch analysiert werden, indem die Daten aus zwei verschiedenen Sitzungen (d. H. Vor und Nach der Intervention) desselben Studienteilnehmers mit dem hierarchischen Multikanal-Mischmodell verglichen werden. Durch die Anwendung dieser beiden Methoden ergänzen sich die Ergebnisse gegenseitig und wurden deutlicher dargestellt.
Um eine genaue aufgabenbezogene Gehirnaktivität durch NIRS-Daten zu erhalten, sind Aufgabendesign, Sondenplatzierung, Voranalyseverarbeitung, Analysemethoden und Umgebungseinstellungen sehr wichtig23,26. In Bezug auf das Blockdesign mit sensomotorischen Aufgaben in unseren repräsentativen Studien haben wir die Aufgaben- und Ruhezeit auf 15bzw.30 s festgelegt. Es wurde berichtet, dass der Höhepunkt nach der Aktivität und die Erholung durch Ruhezeit vom Aufgabendesign abhängen. In früheren Forschungen wurde berichtet, dass das Aufgabendesign oft 10-30 s für Aufgaben im Zusammenhang mit der Handbewegung (Fingerklopfen, Greifaufgabe) und 30 s für Aufgaben im Zusammenhang mit Haltungskontrolle und Gehen7,8,28beträgt. Für die Aufgabenperioden dauert es etwa 5-10 s, um den Höhepunkt nach Beginn der Aufgabenaktivierung8,29zu erreichen, und die Erholungsphasen sind günstig mit zufällig variierenden 15 bis 18 s, um Antizipationseffekte und Mayer-Welle28,30zu vermeiden . Insofern wird das Aufgabenprotokoll unserer Forschung als geeignet und machbar angesehen, da es dem Blockdesign mit Ellenbogenbewegung folgt. Die Aufgabenzeiten müssen jedoch je nach Schwierigkeit der Aufgabe länger sein, z. B. für Gehaufgaben und komplexe kognitive Aufgaben. In Bezug auf die Sondenanordnung hat fNIRS eine schlechtere räumliche Auflösung, so dass die Neuanordnung vor und nach der Intervention ein großes Problem darstellt. In unserer repräsentativen Studie wurde dieser Mangel dadurch kompensiert, dass unser Design keine Sondenverlagerung erforderte, um die sofortige Wirkung der Roboterbehandlung am selben Tag zu bestätigen. Wenn eine Neupositionierung erforderlich ist, ist es wichtig, den Abstand zwischen dem Markierungsaufkleber und dem Halter mit einem vorab aufgenommenen Bild zu überprüfen, um sicherzustellen, dass es im Vergleich zur Vorintervention nicht außer Ordnung ist. In unserem Design reichte es jedoch nicht aus, die Wirkung systemischer physiologischer Interferenzen wie des vegetativen Nervensystems auf die Verwendung des Kopfhalters durch kontinuierliche Messung über eine lange Zeit zu bestätigen. Daher ist es notwendig, fNIRS-Monitoring bei funktionalen Paradigmen und multimodalem Monitoring23 in Zukunft einzusetzen. In Bezug auf das Interessengebiet der NIRS-Messung haben sich viele NIRS-Studien zur kognitiven Verarbeitung auf die Messung der präfrontalen Kortexaktivität (PFC) konzentriert, da die PFC ein Schlüsselbereich in der exekutiven Funktion und kognitiven Kontrolle der Bewegung ist31,32. Für sensomotorische Aufgaben ist es wichtig, die parietale Region zu messen, um die sensorische Aktivität zu beurteilen. Die Messung der parietalen Region ist jedoch anfällig für Hindernisse wie Haare und dicke Kopfhaut; Daher ist es notwendig, die Messung sorgfältig einzurichten. Eine Einschränkung dieser fNIRS-Versuchsmethode besteht darin, dass wir aufgrund der Struktur des Kopfhalters die allgemeine Messmethode mit einem Optodenabstand von 3 cm verwendet haben. Durch die Verwendung kurzer Trennkanäle zur Kalibrierung der oberflächlichen Signale oder Geräusche besteht jedoch die Möglichkeit, die genaue Gehirnaktivität zu messen33.
In Bezug auf die NIRS-Gruppenanalysemethoden ist es als Voraussetzung am besten, die personenbezogenen Daten von NIRS-Messergebnissen ähnlich dem EEG sorgfältig zu analysieren. Eine Kombination aus Einstufen- und Gruppenanalysen kann der optimale Ansatz sein23. Obwohl das standardisierte Gehirn für die Gruppenanalyse von NIRS-Daten verwendet wird, wurden Einschränkungen hinsichtlich der geringeren räumlichen Auflösung diskutiert4. In dieser Studie wurde die räumliche Registrierungsmethode entwickelt, und es war möglich, genauere Koordinaten zu erkennen, was möglicherweise zu besseren Ergebnissen führte. Zweitens hat die vorliegende Studie Einschränkungen in der Fähigkeit des hier beschriebenen NIRS-Systems. Die in der Analyse verwendeten numerischen Werte sind relativwerte mit kontinuierlichen NIRS, und ein Gerät wie das Time Domain (TD)-NIRS muss für die Auswertung mit absoluten Werten34,35verwendet werden. TD-NIRS ist jedoch teuer und hat den Nachteil, dass es für eine solche Mehrkanalanalyse nicht geeignet ist. Da CW-NIRS so weit verbreitet ist, benötigen wir eine relativ genaue Auswertungsmethode, die realisiert werden kann, um dieses Manko auszugleichen. Als Voranalyseprozess muss unsere Kanalanalyse auch möglichkeiten, zusätzliche Hauptkomponentenanalysen zu verwenden, um diese Störfaktoren zu entfernen.
In Zukunft werden wir die Ergebnisse der Veränderung der Prä- vs. Post-Operation der tiefen Hirnstimulation für parkinson-krankheit9, zerebrovaskuläre Störungen mit Spastik12und kognitiveBeeinträchtigung 36 mittels Nahinfrarot-Spektroskopie-Anwendung berichten. Unsere Methoden können auf eine Vielzahl von neurologischen Störungen wie Bewegungsstörungen, zerebrovaskuläre Erkrankungen und neuropsychiatrische Störungen angewendet werden.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Die Autoren haben keine für diese Studie relevanten Interessenkonflikte offenzulegen.
Acknowledgments
Diese Arbeit wurde teilweise von der Japan Society for the Promotion of Science (JSPS) Grant-in-Aid for Scientific Research (C) 18K08956 und einem Fonds des Central Research Institute der Fukuoka University (Nr. 201045) unterstützt.
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) |
References
- 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).
- Mihara, M., Miyai, I. Review of functional near-infrared spectroscopy in neurorehabilitation. Neurophotonics. 3 (3), 031414 (2016).
- 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).
- 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).
- Obrig, H. NIRS in clinical neurology - a 'promising' tool. Neuroimage. 85, Pt 1 535-546 (2014).
- Fujimoto, H., et al. Cortical changes underlying balance recovery in patients with hemiplegic stroke. Neuroimage. 85, Pt 1 547-554 (2014).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Naseer, N., Hong, K. S. fNIRS-based brain-computer interfaces: a review. Frontiers in Human Neuroscience. 9, 3 (2015).
- Mihara, M., et al. Neurofeedback using real-time near-infrared spectroscopy enhances motor imagery related cortical activation. PLoS One. 7 (3), 32234 (2012).
- 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).
- 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).
- 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).
- 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).
- 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).
- Jang, K. E., et al. Wavelet minimum description length detrending for near-infrared spectroscopy. Journal of Biomedical Optics. 14 (3), 034004 (2009).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Torricelli, A., et al. Time domain functional NIRS imaging for human brain mapping. Neuroimage. 85, Pt 1 28-50 (2014).
- Giacalone, G., et al. Time-domain near-infrared spectroscopy in acute ischemic stroke patients. Neurophotonics. 6 (1), 015003 (2019).
- 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).
