Summary

Kvalitativa och jämförande kortikal aktivitetsdataanalyser från ett funktionellt nära infrarödt spektroskopiexperiment som tillämpar blockdesign

Published: December 03, 2020
doi:

Summary

Vi beskriver analysen av kontinuerlig-våg funktionella nära infraröd spektroskopi experiment med hjälp av en block design med en sensorimotor uppgift. För att öka dataanalysens tillförlitlighet använde vi den kvalitativa allmänna linjära modellbaserade statistiska parametriska kartläggningen och de jämförande hierarkiska blandade modellerna för flera kanaler.

Abstract

Neuroimaging studier spelar en avgörande roll i utvärderingen av pre- vs. post-interventional neurologiska tillstånd såsom i rehabilitering och kirurgisk behandling. Bland de många neuroimaging tekniker som används för att mäta hjärnaktivitet, funktionella nära infraröd spektroskopi (fNIRS) möjliggör utvärdering av dynamiska när verksamhet genom att mäta de lokala hemoglobin nivåer liknar funktionella magnetic resonance imaging (fMRI). På grund av mindre fysiska begränsningar i fNIRS kan flera varianter av sensorimotoriska uppgifter utvärderas. Många laboratorier har utvecklat flera metoder för fNIRS-dataanalys; Men trots att de allmänna principerna är desamma finns det ingen universellt standardiserad metod. Här presenterar vi de kvalitativa och jämförande analysmetoderna för data som erhållits från ett fNIRS-experiment med flera kanaler med hjälp av en blockdesign. För kvalitativ analys använde vi en programvara för NIRS som en massunivariat metod baserad på den generaliserade linjära modellen. NIRS-SPM-analysen visar kvalitativa resultat för varje session genom att visualisera det aktiverade området under uppgiften. Dessutom kan den icke-invasiva tredimensionella digitizern användas för att uppskatta fNIRS-kanalplatserna i förhållande till hjärnan. För att bekräfta NIRS-SPM resultaten, amplituden av ändringarna i hemoglobin nivåer framkallas av sensorimotor uppgiften kan analyseras statistiskt genom att jämföra de data som erhållits från två olika sessioner (före och efter intervention) av samma studieämne med hjälp av en flerkanalig hierarkisk blandad modell. Våra metoder kan användas för att mäta pre- vs. post-intervention analys i en mängd neurologiska störningar såsom rörlighet störningar, cerebrovaskulära sjukdomar och neuropsykiatriska störningar.

Introduction

Neurorehabilitation spelar en viktig roll i funktionell återhämtning efter sensorimotorisk störning. För att klargöra mekanismerna för neuroplasticitet-associerade funktionella återvinning, olika neuroimaging tekniker har använts, såsom funktionella magnetic resonance imaging (fMRI), positron emission tomografi (PET), elektroencefalografi (EEG) och funktionella nära infraröd spektroskopi (fNIRS). Olika bildframställningsmetoder har olika fördelar och nackdelar. Även om fMRI är den mest typiska enheten, påverkas den av magnetfält, har en hög kostnad, hög fysisk begränsning och begränsade sensorimotoriskauppgifter 1,2,3,4. FNIRS-enheten sticker ut som en icke-invasiv optisk neuroimaging och har en relativt lägre rumslig upplösning, men den har en bättre temporal upplösning än fMRI4. fNIRS är lämplig vid verifiering av behandlingseffekter eftersom den jämför effekterna före kontra efter intervention, har dynamiska motoriska uppgifter, är bärbar och fungerar mer i naturliga miljöer än fMRI1,2,4. NIRS har rapporterats vara mer lämpliga inom områdena cerebrovaskulär sjukdom, epileptiska störningar, allvarlig hjärnskada, Parkinsons sjukdom och kognitiv svikt1,5. När det gäller sensorimotoriska uppgifter används den ofta i gång och ståendebalans 6,7,8,övre delen funktion (handgrepp, finger knacka)8,9,komplex motorisk färdighet utbildning10,11,robotik 12,13,14,15, och hjärnan-datorgränssnitt 16,17,18. FNIRS är baserad på principerna för optisk neuroimaging och neurovaskulär koppling, som mäter när metabolisk aktivitet, ökat blodflöde och följaktligen när aktivitet som sekundära signaler19. fNIRS signaler har rapporterats ha starka korrelationer med signaler om blod syre nivåberoende fMRI20. En fNIRS med kontinuerlig våg använder den modifierade Beer-Lambert-lagen för att bestämma förändringarna i syresatt hemoglobin (HbO2)och deoxygenerade hemoglobinkoncentrationsnivåer (HHb) baserat på uppmätta förändringar i bredband nära infraröd ljusdämpning21,22. Eftersom det inte var möjligt att mäta differentialvägslängdsfaktorn (DPF) med hjälp av nirs-systemet med kontinuerlig våg antog vi att DPF var konstant och att hemoglobinsignalförändringar betecknades i godtyckliga enheter av millimole-millimeter (mM x mm)2,18.

FNIRS-experimenten måste välja de lämpligaste metoderna, inklusive sondinställningarna, experimentdesignerna och analysmetoderna. När det gäller sondinställningen är den internationella 10-20-metoden som används vid EEG-mätning den inställningsstandard som används av många forskare inom neuroimaging. Under de senaste åren har koordinatinställningar baserade på standardhjärnan på grundval av Montreal Neurological Institute (MNI) koordinater använts. Experimentet använder en blockdesign, som vanligtvis används för sensorimotoriska uppgifter, och en händelserelaterad design. Detta är en metod för att jämföra förändringar i hemoglobinkoncentrationen i vila och under uppgifter; HbO2 koncentrationsnivåer ökar och HHb koncentrationsnivåer minskar med förändringar i cerebralt blodflöde i samband med uppgiftsberoende när aktivitet. Även om det finns olika analysmetoder möjliggör NIRS-SPM-fri programvara en analys som liknar den statistiska parametriska kartläggningen (SPM) av fMRI. Behandlingen av NIRS-data använder en massunivariat metod baserad på den allmänna linjära modellen (GLM). Vid aktivitetsberoende hjärnaktivitetsanalys kan fNIRS-mätningarna påverkas av framkallad eller icke-framkallad neuronal aktivitet och systemiska fysiologiska störningar (hjärtfrekvens, blodtryck, andningshastighet och autonom nervsystemet aktivitet) i cerebrala och extracerebrala fack23. Därför är föranalysbearbetning, filtrering, vågkonvertering och huvudkomponentanalys användbara23. När det gäller filtrering och artefakter av databehandlingen med hjälp av NIRS-SPM, lågpassfiltrering9 och våghalsens minsta beskrivningslängd (Wavelet-MDL)användes 24 detrending för att övervinna rörelsen eller andra källor till brus / artefakt. Mer information om denna analysmetod finns i rapporten från Ye et al.25. Även om det finns rapporter som bara använder SPM, är det bara ett kvalitativt index efter bildanalys, och på grund av nirs låga rumsliga upplösning krävs extrem försiktighet för gruppanalys. När DPF är konstant bör numeriska jämförelser mellan kanaler och individer inte heller göras, men skillnaden i förändringarna i varje kanal kan verifieras. Baserat på ovanstående villkor, för att komplettera NIRS-SPM-gruppens analysresultat, använde vi den ursprungliga analysmetoden för flerkanalsanalys efter att ha förbättrat noggrannheten i rumslig registrering. Denna flerkanalsanalys jämförde amplituden av förändringen i HbO2- och HHb-nivåerna mellan resten och ådrighetsperioderna vid varje kanal före och omedelbart efter behandling med hierarkiska blandade modeller med fasta ingrepp (före eller efter), fasta perioder (vila eller uppgift) och slumpmässiga individuella effekter.

På detta sätt finns det flera fNIRS-mät- och analysmetoder; Ingen standardmetod har dock fastställts. I det här dokumentet introducerar vi våra metoder, kvalitativ GLM-baserad statistisk parametrisk kartläggning och den jämförande hierarkiska blandade modellen på flera nivåer, för att analysera data som erhållits från ett fNIRS-experiment med fNIRS-experiment med pre- vs. post-intervention med hjälp av en blockdesign med sensorimotoriska uppgifter.

Protocol

Denna studie godkändes av den institutionella granskningsnämnden (IRB) vid Fukuoka University, Japan (IRB nr 2017M017). Före deltagandet gav alla patienter skriftligt informerat samtycke. 1. Förberedelse av fNIRS-experimentet OBS: Ett flerkanaligt laserbaserat NIRS-system med kontinuerlig våg för detta experiment användes. Våglängderna i det nära infraröda ljuset var 780 nm, 805 nm och 830 nm, och samplingshastigheten fastställdes till 7,8 Hz. Tid och rums…

Representative Results

Häri introducerar vi den robotstödda rehabilitering som vår grupp för närvarande arbetar med: biofeedback-effekterna på motorunderskottet i övre delen hos patienter med akut stroke. Vi inkluderade 10 samtyckande strokepatienter (medelålder: 66,8 ± 12,0 år; två kvinnor och åtta män) som lades in på vårt sjukhus. På subakuta stroke stadium, mer än 2 veckor efter uppkomsten, utvärderade vi motoriska-relaterade när verksamhet av dessa patienter med hjälp av ett fNIRS syste…

Discussion

I våra gruppanalysmetoder för fNIRS jämförde vi, förutom att utföra en bildanalysmetod genom kvalitativat-statistikmappningar, pre- vs. post-intervention (robotassisterad träning) med hjälp av den jämförande flerkanalsanalysen. För kvalitativ analys använde vi NIRS-SPM-programvaran som en massunivariat metod baserad på den generaliserade linjära modellen. NIRS-SPM-analysen visar kvalitativa resultat av varje session genom att visualisera det aktiverade området under uppgiften. Dessutom möjliggör…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Detta arbete stöddes delvis av Japan Society for the Promotion of Science (JSPS) Grant-in-Aid for Scientific Research (C) 18K08956 och en fond från 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).
check_url/61836?article_type=t

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