Summary

Análises de dados de atividade cortical qualitativa e comparativa de um experimento funcional de espectroscopia infravermelha aplicando design de bloco

Published: December 03, 2020
doi:

Summary

Descrevemos a análise de um experimento de espectroscopia funcional de ondas contínuas quase infravermelha usando um projeto de bloco com uma tarefa sensorial. Para aumentar a confiabilidade da análise dos dados, utilizou-se o mapeamento estatístico paramétrico baseado em modelo linear qualitativo e os modelos mistos hierárquicos comparativos para multi-canais.

Abstract

Os estudos de neuroimagem desempenham um papel fundamental na avaliação de condições neurológicas pré versus pós-intervenção, como na reabilitação e no tratamento cirúrgico. Entre as muitas tecnologias de neuroimagem utilizadas para medir a atividade cerebral, a espectroscopia funcional quase infravermelha (fNIRS) permite a avaliação de atividades corticais dinâmicas medindo os níveis locais de hemoglobina semelhantes à ressonância magnética funcional (fMRI). Além disso, devido à menor restrição física no fNIRS, várias variantes de tarefas sensoriais podem ser avaliadas. Muitos laboratórios desenvolveram vários métodos para análise de dados fNIRS; no entanto, apesar de os princípios gerais serem os mesmos, não há um método universalmente padronizado. Aqui, apresentamos os métodos analíticos qualitativos e comparativos de dados obtidos a partir de um experimento fNIRS multicanal usando um design de bloco. Para análise qualitativa, utilizamos um software para NIRS como uma abordagem univariada em massa baseada no modelo linear generalizado. A análise NIRS-SPM mostra resultados qualitativos para cada sessão visualizando a área ativada durante a tarefa. Além disso, o digitalizador tridimensional não invasivo pode ser usado para estimar os locais do canal fNIRS em relação ao cérebro. Para corroborar os achados do NIRS-SPM, a amplitude das alterações nos níveis de hemoglobina induzidas pela tarefa sensorial pode ser analisada estatisticamente comparando os dados obtidos a partir de duas sessões diferentes (antes e depois da intervenção) do mesmo sujeito de estudo utilizando um modelo misto hierárquico multicanal. Nossos métodos podem ser usados para medir a análise pré-vs. pós-intervenção em uma variedade de distúrbios neurológicos, como distúrbios de movimento, doenças cerebrovasculares e distúrbios neuropsiquiátricos.

Introduction

A neuroreabilitação desempenha um papel importante na recuperação funcional após a perturbação sensorial. Para esclarecer os mecanismos de recuperação funcional associada à neuroplasticidade, várias tecnologias de neuroimagem têm sido utilizadas, como ressonância magnética funcional (fMRI), tomografia de emissão de pósitrons (PET), eletroencefalografia (EEG) e espectroscopia funcional quase infravermelha (fNIRS). Diferentes modalidades de imagem têm diferentes vantagens e desvantagens. Embora o fMRI seja o dispositivo mais típico, ele é afetado por campos magnéticos, tem alto custo, alta restrição física e tarefas sensoriais limitadas1,2,3,4. O dispositivo fNIRS destaca-se como uma neuroimagem óptica não invasiva e tem uma resolução espacial relativamente menor, mas tem uma resolução temporal melhor do que fMRI4. FNIRS é adequado ao verificar os efeitos do tratamento porque compara os efeitos pré-versus pós-intervenção, tem tarefas motoras dinâmicas, é portátil e funciona mais em ambientes naturais do que fMRI1,2,4. O NIRS tem sido relatado ser mais adequado nos campos da doença cerebrovascular, distúrbios epilépticos, lesão cerebral grave, doença de Parkinson e comprometimento cognitivo1,5. No que diz respeito às tarefas sensoriais, é amplamente utilizado no equilíbrio de marcha e pé6,7,8, função do membro superior (aperto da mão, toque de dedo)8,9, treinamento complexo de habilidades motoras10,11,robótica12,13,14,15, e interface cérebro-computador16,17,18. O fNIRS baseia-se nos princípios da neuroimagem óptica e do acoplamento neurovascular, que medem a atividade metabólica cortical, o aumento do fluxo sanguíneo e, consequentemente, a atividade cortical como sinais secundários19. Os sinais fNIRS têm sido relatados como fortes correlações com sinais de fMRI20dependente do nível de oxigênio no sangue . Um fNIRS de ondas contínuas usa a lei modificada de Beer-Lambert para determinar as alterações nos níveis de concentração cortical de hemoglobina oxigenada (HbO2) e desoxigenada (HHb) com base em mudanças medidas na atenuação da luz infravermelha de banda larga21,22. Como não foi possível medir o fator diferencial de comprimento do caminho (DPF) utilizando o sistema NIRS de ondas contínuas, assumimos que o DPF era constante e que as alterações de sinal de hemoglobina eram denotadas em unidades arbitrárias de milímetros (mM x mm)2,18.

Os experimentos fNIRS precisam selecionar os métodos mais adequados, incluindo as configurações da sonda, os desenhos do experimento e os métodos de análise. Em relação à configuração da sonda, o método internacional 10-20 utilizado na medição do EEG é o padrão de definição utilizado por muitos pesquisadores na neuroimagem. Nos últimos anos, foram utilizadas configurações coordenadas baseadas no cérebro padrão com base nas coordenadas do Instituto Neurológico de Montreal (MNI). O experimento usa um design de bloco, geralmente usado para tarefas sensoriais, e um design relacionado a eventos. Trata-se de um método de comparação de alterações na concentração de hemoglobina em repouso e durante as tarefas; Os níveis de concentração doHBO 2 aumentam e os níveis de concentração de HHb diminuem com alterações no fluxo sanguíneo cerebral associados à atividade cortical dependente da tarefa. Embora existam vários métodos de análise, o software livre NIRS-SPM permite uma análise semelhante ao mapeamento paramétrico estatístico (SPM) do fMRI. O tratamento dos dados nirs utiliza uma abordagem univariada em massa com base no modelo linear geral (GLM). Ao realizar a análise da atividade cerebral dependente da tarefa, as medidas do fNIRS podem ser afetadas pela atividade neuronal evocada ou não evocada e interferências fisiológicas sistêmicas (frequência cardíaca, pressão arterial, taxa respiratória e atividade autônoma do sistema nervoso) no compartimento cerebral e extracerebral23. Portanto, o processamento pré-análise, filtragem, conversão de wavelet e análise de componentes principais são úteis23. Em relação à filtragem e artefatos do processamento de dados utilizando o NIRS-SPM, a filtragem de baixo passe9 e o comprimento mínimo de descrição de wavelet (Wavelet-MDL)24 detennding foram usados para superar o movimento ou outras fontes de ruído/artefato. Para obter detalhes deste método analítico, consulte o relatório de Ye et al.25. Embora existam relatórios utilizando apenas SPM, é apenas um índice qualitativo por análise de imagem, e devido à baixa resolução espacial do NIRS, é necessária extrema cautela para a análise em grupo. Além disso, quando a DPF é constante, comparações numéricas entre canais e indivíduos não devem ser realizadas, mas a diferença nas mudanças em cada canal pode ser verificada. Com base nas condições acima, a fim de complementar os resultados de análise do grupo NIRS-SPM, utilizou-se o método de análise original para análise multicanal após melhorar a precisão do registro espacial. Esta análise multicanal comparou a amplitude da mudança nos níveis de HbO2 e HHb entre os períodos de descanso e on-task em cada canal antes e imediatamente após o tratamento usando modelos hierárquicos mistos com intervenções fixas (antes ou depois), períodos fixos (descanso ou sobre a tarefa) e efeitos individuais aleatórios.

Desta forma, existem vários métodos de medição e análise de fNIRS; no entanto, nenhum método padrão foi estabelecido. Neste artigo, introduzimos nossos métodos, mapeamento paramétrico estatístico qualitativo baseado em GLM e o modelo misto hierárquico comparativo de vários níveis, para analisar dados obtidos a partir de um experimento fNIRS multicanal de pré-vs. pós-intervenção usando um projeto de bloco com tarefas sensorimotoras.

Protocol

Este estudo foi aprovado pelo Conselho de Revisão Institucional (IRB) da Universidade de Fukuoka, no Japão (IRB nº 2017M017). Antes da participação, todos os pacientes previam consentimento por escrito. 1. Preparação do experimento fNIRS NOTA: Foi utilizado um sistema NIRS baseado em laser de ondas contínuas de vários canais para este experimento. Os comprimentos de onda da luz infravermelha próxima foram de 780 nm, 805 nm e 830 nm, e a taxa de amostragem fo…

Representative Results

Aqui, introduzimos a reabilitação assistida por robôs que nosso grupo está trabalhando atualmente: os efeitos do biofeedback no déficit motor do membro superior em pacientes com derrame agudo. Foram incluídos 10 pacientes com AVC (idade média: 66,8 ± 12,0 anos; duas mulheres e oito homens) que deram entrada no hospital. No estágio de avc subagutado, mais de 2 semanas após o início, avaliamos a atividade cortical relacionada ao motor desses pacientes usando um sistema fNIRS ante…

Discussion

Em nossos métodos analíticos de grupo para fNIRS, além de realizar um método analítico de imagem por mapeamentos qualitativos t-estatísticos, comparamos pré-vs. pós-intervenção (exercício assistido por robôs) usando a análise multicanal comparativa. Para análise qualitativa, utilizamos o software NIRS-SPM como uma abordagem univariada em massa baseada no modelo linear generalizado. A análise NIRS-SPM mostra resultados qualitativos de cada sessão visualizando a área ativada durante a tarefa. Alé…

Divulgations

The authors have nothing to disclose.

Acknowledgements

Este trabalho foi parcialmente apoiado pela Sociedade Japonesa para a Promoção da Ciência (JSPS) Grant-in-Aid for Scientific Research (C) 18K08956 e um fundo do Instituto Central de Pesquisa da Universidade de Fukuoka (No. 201045).

Materials

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

References

  1. Bonilauri, A., Sangiuliano Intra, F., Pugnetti, L., Baselli, G., Baglio, F. A systematic review of cerebral functional near-infrared spectroscopy in chronic neurological diseases-actual applications and future perspectives. Diagnostics (Basel). 10 (8), (2020).
  2. Mihara, M., Miyai, I. Review of functional near-infrared spectroscopy in neurorehabilitation. Neurophotonics. 3 (3), 031414 (2016).
  3. Yang, M., Yang, Z., Yuan, T., Feng, W., Wang, P. A systemic review of functional near-infrared spectroscopy for stroke: Current application and future directions. Frontiers in Neurology. 10, 58 (2019).
  4. Pinti, P., et al. The present and future use of functional near-infrared spectroscopy (fNIRS) for cognitive neuroscience. Annals of the New York Academy of Sciences. 1464 (1), 5-29 (2020).
  5. Obrig, H. NIRS in clinical neurology – a ‘promising’ tool. Neuroimage. 85, 535-546 (2014).
  6. Fujimoto, H., et al. Cortical changes underlying balance recovery in patients with hemiplegic stroke. Neuroimage. 85, 547-554 (2014).
  7. Herold, F., et al. Functional near-infrared spectroscopy in movement science: a systematic review on cortical activity in postural and walking tasks. Neurophotonics. 4 (4), 041403 (2017).
  8. Leff, D. R., et al. Assessment of the cerebral cortex during motor task behaviours in adults: a systematic review of functional near infrared spectroscopy (fNIRS) studies. Neuroimage. 54 (4), 2922-2936 (2011).
  9. Morishita, T., et al. Changes in motor-related cortical activity following deep brain stimulation for parkinson’s Disease detected by functional near infrared spectroscopy: A pilot study. Frontiers in Human Neuroscience. 10, 629 (2016).
  10. Lee, S. H., Jin, S. H., An, J. The difference in cortical activation pattern for complex motor skills: A functional near- infrared spectroscopy study. Science Reports. 9 (1), 14066 (2019).
  11. Hatakenaka, M., Miyai, I., Mihara, M., Sakoda, S., Kubota, K. Frontal regions involved in learning of motor skill–A functional NIRS study. Neuroimage. 34 (1), 109-116 (2007).
  12. Saita, K., et al. Combined therapy using botulinum toxin A and single-joint hybrid assistive limb for upper-limb disability due to spastic hemiplegia. Journal of the Neurological Sciences. 373, 182-187 (2017).
  13. Chang, P. H., et al. The cortical activation pattern by a rehabilitation robotic hand: a functional NIRS study. Frontiers in Human Neuroscience. 8, 49 (2014).
  14. Bae, S. J., Jang, S. H., Seo, J. P., Chang, P. H. The optimal speed for cortical activation of passive wrist movements performed by a rehabilitation robot: A functional NIRS study. Frontiers in Human Neuroscience. 11, 194 (2017).
  15. Saita, K., et al. Biofeedback effect of hybrid assistive limb in stroke rehabilitation: A proof of concept study using functional near infrared spectroscopy. PLoS One. 13 (1), 0191361 (2018).
  16. Mihara, M., et al. Near-infrared spectroscopy-mediated neurofeedback enhances efficacy of motor imagery-based training in poststroke victims: a pilot study. Stroke. 44 (4), 1091-1098 (2013).
  17. Naseer, N., Hong, K. S. fNIRS-based brain-computer interfaces: a review. Frontiers in Human Neuroscience. 9, 3 (2015).
  18. Mihara, M., et al. Neurofeedback using real-time near-infrared spectroscopy enhances motor imagery related cortical activation. PLoS One. 7 (3), 32234 (2012).
  19. Tak, S., Jang, J., Lee, K., Ye, J. C. Quantification of CMRO(2) without hypercapnia using simultaneous near-infrared spectroscopy and fMRI measurements. Physics in Medicine and Biology. 55 (11), 3249-3269 (2010).
  20. Strangman, G., Culver, J. P., Thompson, J. H., Boas, D. A. A quantitative comparison of simultaneous BOLD fMRI and NIRS recordings during functional brain activation. Neuroimage. 17 (2), 719-731 (2002).
  21. Scholkmann, F., et al. A review on continuous wave functional near-infrared spectroscopy and imaging instrumentation and methodology. Neuroimage. 85, 6-27 (2014).
  22. Delpy, D. T., et al. Estimation of optical pathlength through tissue from direct time of flight measurement. Physics in Medicine and Biology. 33 (12), 1433-1442 (1988).
  23. Tachtsidis, I., Scholkmann, F. False positives and false negatives in functional near-infrared spectroscopy: issues, challenges, and the way forward. Neurophotonics. 3 (3), 031405 (2016).
  24. Jang, K. E., et al. Wavelet minimum description length detrending for near-infrared spectroscopy. Journal of Biomedical Optics. 14 (3), 034004 (2009).
  25. Ye, J. C., Tak, S., Jang, K. E., Jung, J., Jang, J. NIRS-SPM: statistical parametric mapping for near-infrared spectroscopy. Neuroimage. 44 (2), 428-447 (2009).
  26. Orihuela-Espina, F., Leff, D. R., James, D. R., Darzi, A. W., Yang, G. Z. Quality control and assurance in functional near infrared spectroscopy (fNIRS) experimentation. Physics in Medicine and Biology. 55 (13), 3701-3724 (2010).
  27. Benjamini, Y., Hochberg, Y. Controlling the false discovery rate: a practical and powerful approach to multiple testing. Journal of the Royal Statistical Society Series B. 57 (1), 289-300 (1995).
  28. Herold, F., Wiegel, P., Scholkmann, F., Muller, N. G. Applications of functional near-infrared spectroscopy (fNIRS) neuroimaging in exercise(-)cognition science: A systematic, methodology-focused review. Journal of Clinial Medicine. 7 (12), (2018).
  29. Boden, S., et al. The oxygenation response to functional stimulation: is there a physiological meaning to the lag between parameters. Neuroimage. 36 (1), 100-107 (2007).
  30. Pinti, P., Scholkmann, F., Hamilton, A., Burgess, P., Tachtsidis, I. Current status and issues regarding pre-processing of fNIRS neuroimaging data: An investigation of diverse signal filtering Methods within a general linear model Framework. Frontiers in Human Neuroscience. 12, 505 (2018).
  31. Udina, C., et al. Functional near-infrared spectroscopy to study cerebral hemodynamics in older adults during cognitive and motor tasks: a review. Frontiers in Aging Neuroscience. 11, 367 (2019).
  32. Verghese, J., Wang, C., Ayers, E., Izzetoglu, M., Holtzer, R. Brain activation in high-functioning older adults and falls: Prospective cohort study. Neurology. 88 (2), 191-197 (2017).
  33. Yucel, M. A., et al. Short separation regression improves statistical significance and better localizes the hemodynamic response obtained by near-infrared spectroscopy for tasks with differing autonomic responses. Neurophotonics. 2 (3), 035005 (2015).
  34. Torricelli, A., et al. Time domain functional NIRS imaging for human brain mapping. Neuroimage. 85, 28-50 (2014).
  35. Giacalone, G., et al. Time-domain near-infrared spectroscopy in acute ischemic stroke patients. Neurophotonics. 6 (1), 015003 (2019).
  36. Saita, K., et al. Contralateral cerebral hypometabolism after cerebellar stroke: a functional near-infrared spectroscopy study. Journal of Stroke and Cerebrovascular Diseases. 26 (4), 69-71 (2017).
check_url/fr/61836?article_type=t

Play Video

Citer Cet 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