Summary

Gleichzeitige Datenerfassung von fMRT- und fNIRS-Messungen unter Verwendung eines Ganzkopf-Optodenarrays und Kurzstreckenkanälen

Published: October 20, 2023
doi:

Summary

Wir stellen eine Methode zur gleichzeitigen Erfassung von fMRT- und fNIRS-Signalen von denselben Probanden mit Ganzkopf-fNIRS-Abdeckung vor. Das Protokoll wurde mit drei jungen Erwachsenen getestet und kann für die Datenerhebung für Entwicklungsstudien und klinische Populationen angepasst werden.

Abstract

Die funktionelle Nahinfrarotspektroskopie (fNIRS) ist eine tragbare Neuroimaging-Methode, die robuster gegenüber Bewegungen und kostengünstiger ist als die funktionelle Magnetresonanztomographie (fMRT), wodurch sie sich hervorragend für die Durchführung naturalistischer Studien der Gehirnfunktion und für den Einsatz bei Entwicklungs- und klinischen Populationen eignet. Sowohl fNIRS- als auch fMRT-Methoden erkennen Veränderungen in der Sauerstoffversorgung des zerebralen Blutes während der funktionellen Gehirnaktivierung, und frühere Studien haben eine hohe räumliche und zeitliche Übereinstimmung zwischen den beiden Signalen gezeigt. Es gibt jedoch keinen quantitativen Vergleich der beiden Signale, die gleichzeitig von denselben Probanden mit Ganzkopf-fNIRS-Abdeckung gesammelt wurden. Dieser Vergleich ist notwendig, um Aktivierungen auf Bereichsebene und funktionelle Konnektivität umfassend anhand des fMRT-Goldstandards zu validieren, was wiederum das Potenzial hat, Vergleiche der beiden Signale über die gesamte Lebensdauer hinweg zu erleichtern. Wir schließen diese Lücke, indem wir ein Protokoll für die gleichzeitige Datenerfassung von fMRT- und fNIRS-Signalen beschreiben, das: i) eine Ganzkopf-fNIRS-Abdeckung bietet; ii) Kurzstreckenmessungen zur Regression des nicht-kortikalen, systemischen physiologischen Signals umfasst; und iii) implementiert zwei verschiedene Methoden für die Ko-Registrierung von Optode zu Kopfhaut von fNIRS-Messungen. fMRT- und fNIRS-Daten von drei Probanden werden vorgestellt und Empfehlungen für die Anpassung des Protokolls an Testentwicklungs- und klinische Populationen diskutiert. Das derzeitige Setup mit Erwachsenen erlaubt Scansitzungen von durchschnittlich ca. 40 Minuten, die sowohl funktionelle als auch strukturelle Scans umfassen. Das Protokoll beschreibt die Schritte, die erforderlich sind, um die fNIRS-Geräte für den Einsatz in der Magnetresonanzumgebung (MR) anzupassen, gibt Empfehlungen sowohl für die Datenaufzeichnung als auch für die Koregistrierung von Optode und Kopfhaut und diskutiert mögliche Änderungen des Protokolls, um den Besonderheiten des verfügbaren MR-sicheren fNIRS-Systems gerecht zu werden. Repräsentative fachspezifische Antworten aus einer blinkenden Schachbrettaufgabe veranschaulichen die Machbarkeit des Protokolls zur Messung von Ganzkopf-fNIRS-Signalen in der MR-Umgebung. Dieses Protokoll wird besonders für Forscher relevant sein, die daran interessiert sind, fNIRS-Signale gegen fMRT über die gesamte Lebensspanne zu validieren.

Introduction

Die kognitive Funktion wird im erwachsenen menschlichen Gehirn seit fast drei Jahrzehnten mittels funktioneller Magnetresonanztomographie (fMRT) untersucht. Obwohl die fMRT eine hohe räumliche Auflösung und sowohl funktionelle als auch strukturelle Bilder liefert, ist sie für Studien, die in naturalistischen Kontexten durchgeführt werden, oder für den Einsatz mit Säuglingen und klinischen Populationen oft nicht praktikabel. Diese Einschränkungen schränken unser Verständnis der Gehirnfunktion erheblich ein. Eine Alternative zur fMRT ist der Einsatz tragbarer Methoden, die kostengünstiger und robuster gegenüber Bewegungen sind, wie z. B. die funktionelle Nahinfrarotspektroskopie (fNIRS)1,2,3. fNIRS wurde bei Säuglingen und Kleinkindern eingesetzt, um die Gehirnfunktion in einer Reihe von kognitiven Bereichen zu beurteilen, wie z. B. Sprachentwicklung, Verarbeitung sozial relevanter Informationen und Objektverarbeitung 4,5,6. fNIRS ist auch eine Neuroimaging-Modalität, die sich besonders für die Untersuchung klinischer Populationen eignet, da sie das Potenzial für wiederholte Tests und Überwachungen im Alter von 7,8,9 Jahren bietet. Trotz seiner breiten Anwendbarkeit gibt es keine Studien, die fMRT- und fNIRS-Signale, die gleichzeitig von denselben Probanden mit Ganzkopfabdeckung gesammelt wurden, quantitativ vergleichen. Dieser Vergleich ist notwendig, um Aktivierungen auf Bereichsebene und funktionelle Konnektivität zwischen Regions of Interest (ROIs) anhand des fMRT-Goldstandards umfassend zu validieren. Darüber hinaus hat die Etablierung dieser intermodalen Korrespondenz das Potenzial, die Interpretation von fNIRS zu verbessern, wenn es das einzige gesammelte Signal sowohl für die typische als auch für die atypische Entwicklung ist.

Sowohl fMRT- als auch fNIRS-Signale detektieren Veränderungen der zerebralen Blutoxygenierung (CBO) während der funktionellen Gehirnaktivierung10,11. fMRT beruht auf Veränderungen in elektromagnetischen Feldern und liefert eine hohe räumliche Auflösung von CBO-Veränderungen12. Im Gegensatz dazu misst fNIRS den Absorptionsgrad von Nahinfrarotlicht mit einer Reihe von lichtemittierenden und lichtdetektierenden Optoden2. Da fNIRS Änderungen der Absorption bei verschiedenen Wellenlängen misst, kann es Konzentrationsänderungen sowohl im Oxy- als auch im Desoxyhämoglobin beurteilen. Frühere Studien mit gleichzeitigen Aufzeichnungen von fMRT- und fNIRS-Signalen mit einer kleinen Anzahl von Optoden haben gezeigt, dass die beiden Signale eine hohe räumliche und zeitliche Übereinstimmung aufweisen10. Es gibt starke Korrelationen zwischen der blutsauerstoffgehaltsabhängigen (BOLD) fMRT und optischen Messungen11,13, wobei Desoxyhämoglobin die höchste Korrelation mit dem BOLD-Ansprechen zeigt, wie in früheren Arbeiten berichtet wurde, in denen die zeitliche Dynamik der fNIRS- und fMRT-hämodynamischen Antwortfunktionen (HRFs) verglichen wurde14. Diese frühen Studien implementierten motorische Reaktionsparadigmen (d.h. Fingerklopfen) und verwendeten eine begrenzte Anzahl von Optoden, die primäre motorische und prämotorische Kortexbereiche abdeckten. In den letzten zehn Jahren haben Studien den Fokus auf eine größere Anzahl kognitiver Aufgaben und Ruhezustandssitzungen ausgeweitet, obwohl immer noch eine begrenzte Anzahl von Optoden verwendet wird, die bestimmte ROIs abdecken. Diese Studien haben gezeigt, dass die Variabilität der fNIRS/fMRT-Korrelationen von der Entfernung der Optode von der Kopfhaut und dem Gehirn abhängt15. Darüber hinaus kann fNIRS funktionelle Konnektivitätsmaße im Ruhezustand liefern, die mit der fMRTvergleichbar sind 16,17.

Das aktuelle Protokoll baut auf früheren Arbeiten auf und behebt wichtige Einschränkungen, indem es i) eine Ganzkopf-fNIRS-Abdeckung bietet, ii) Kurzstreckenmessungen für die Regression nicht-kortikaler physiologischer Signale einschließt, iii) zwei verschiedene Methoden für die Koregistrierung von fNIRS-Messungen von Optode zu Kopfhaut implementiert und iv) die Bewertung der Test-Retest-Zuverlässigkeit des Signals über zwei unabhängige Sitzungen hinweg ermöglicht. Dieses Protokoll zur gleichzeitigen Datenerfassung von fMRT- und fNIRS-Signalen wurde ursprünglich für die Testung junger Erwachsener entwickelt. Eines der Ziele der Studie war es jedoch, einen Versuchsaufbau für die gleichzeitige Erfassung von fMRI/fNIRS-Signalen zu schaffen, die anschließend für das Testen von Entwicklungspopulationen angepasst werden können. Daher kann das aktuelle Protokoll auch als Ausgangspunkt für die Entwicklung eines Protokolls zum Testen von Kleinkindern verwendet werden. Neben der Verwendung der Ganzkopf-fNIRS-Abdeckung zielt das Protokoll auch darauf ab, die jüngsten Fortschritte auf dem Gebiet der fNIRS-Hardware zu berücksichtigen, wie z. B. die Einbeziehung von Kurzstreckenkanälen zur Messung des systemischen physiologischen Signals (d. h. vaskuläre Veränderungen, die sich aus nichtkortikalen Quellen ergeben, wie Blutdruck, Atem- und Herzsignale)18,19 ; und die Verwendung eines 3D-Struktursensors für die Koregistrierung von Optode zu Kopfhaut20. Obwohl der Fokus des vorliegenden Protokolls auf den Ergebnissen einer visuell blinkenden Schachbrettaufgabe liegt, umfasst das gesamte Experiment zwei Sitzungen mit einer Mischung aus traditionellen Blockaufgabendesigns, Ruhezustandssitzungen und naturalistischen Filmbetrachtungsparadigmen.

Das Protokoll beschreibt die Schritte, die erforderlich sind, um die fNIRS-Geräte für den Einsatz in der MRT-Umgebung anzupassen, einschließlich des Kappendesigns, der zeitlichen Ausrichtung über die Trigger-Synchronisation und der Phantomtests, die vor Beginn der Datenerfassung erforderlich sind. Wie bereits erwähnt, liegt der Fokus hier auf den Ergebnissen der blinkenden Schachbrettaufgabe, aber die Gesamtprozedur ist nicht aufgabenspezifisch und kann für eine beliebige Anzahl von experimentellen Paradigmen geeignet sein. Das Protokoll beschreibt außerdem die Schritte, die während der Datenerfassung erforderlich sind, darunter die Platzierung der fNIRS-Kappe und die Signalkalibrierung, die Einrichtung von Teilnehmern und experimentellen Geräten sowie die Bereinigung und Datenspeicherung nach dem Experiment. Das Protokoll schließt mit einem Überblick über die analytischen Pipelines, die für die Vorverarbeitung von fNIRS- und fMRT-Daten spezifisch sind.

Protocol

Die Studie wurde vom Institutional Review Board (IRB) der Yale University genehmigt. Für alle Probanden wurde eine Einwilligung nach Aufklärung eingeholt. Die Probanden mussten ein MRT-Screening bestehen, um ihre sichere Teilnahme zu gewährleisten. Sie wurden ausgeschlossen, wenn sie in der Vorgeschichte eine schwere medizinische oder neurologische Störung hatten, die wahrscheinlich die kognitiven Funktionen beeinträchtigen würde (d. h. eine neurokognitive oder depressive Störung, ein Trauma, eine Schizophrenie od…

Representative Results

In diesem Abschnitt werden repräsentative fachspezifische Antworten für die blinkende Schachbrettaufgabe sowohl für fMRT- als auch für fNIRS-Signale vorgestellt. Zunächst werden in Abbildung 6 und Abbildung 7 repräsentative fNIRS-Rohdaten und Qualitätsbewertungen gezeigt, um die Machbarkeit des Versuchsaufbaus zur Messung von fNIRS-Signalen in der MRT-Umgebung zu veranschaulichen. Ein Diagramm des gesamten Kopfoptodenarrays und des Empfin…

Discussion

Dieses Protokoll zur gleichzeitigen Datenerfassung von fMRT- und fNIRS-Signalen verwendet ein Ganzkopf-fNIRS-Optodenarray und Kurzstreckenkanäle zur Messung und Rückbildung der systemischen nicht-kortikalen physiologischen Signale. Zu den kritischen Schritten in diesem Protokoll gehören die Modifikation und Entwicklung der fNIRS-Geräte zur Erfassung von fNIRS-Signalen in der MRT-Umgebung. Unseres Wissens gibt es kein schlüsselfertiges kommerzielles System, das vollständig für die gleichzeitige Erfassung von fMRT- …

Offenlegungen

The authors have nothing to disclose.

Acknowledgements

Diese Forschung wurde durch die folgenden Finanzierungsquellen unterstützt: Ein NARSAD Young Investigator Award Grant der Brain and Behavior Research Foundation (Grant #29736) (SSA), ein Global Grand Challenges Grant der Bill and Melinda Gates Foundation (Grant #INV-005792) (RNA) und ein Discovery Fund Grant des Department of Psychology der Yale University (RNA). Die Autoren danken auch Richard Watts (Yale Brain Imaging Center) für seine Unterstützung bei der Datenerhebung und Adam Eggebrecht, Ari Segel und Emma Speh (Washington University in St. Louis) für ihre Unterstützung bei der Datenanalyse.

Materials

280 low-profile MRI-compatible grommets for NIRs caps NIRx GRM-LOP
4 128-position NIRS caps with 128x unpopulated slits in 10-5 layout NIRx CP-128-128S Sizes: 52, 54, 56, 60
8 bundles of 4x detector fibers with low-profile tip; MRI-, MEG-, and TMS-compatible.  NIRx DET-FBO- LOW 10 m long
8 bundles of 4x laser source fibers with MRI-compatible low-profile tip NIRx SRC-FBO- LAS-LOW 10 m long
Bundle set of 8 short-channel detectors with specialized ring grommets that fit to low-profile grommets NIRx DET-SHRT-SET Splits a single detector into 8 short channels that may be placed anywhere on a single NIRS cap
Magnetom 3T PRISMA Siemens N/A 128 channel capacity, 64/32/20 channel head coils, 80 mT/m max gradient amplitude, 200 T/m/s slew rate, full neuro sequences
NIRScout XP Core System Unit NIRx NSXP- CHS Up to 64x Laser-2 (or 32x laser-4) illuminators or 64 LED-2 illuminators; up to 32x detectors; capable of tandem (multi-system) and hyperscanning (multi-subject) measurements; compatible with EEG, tDCS, eye-tracking, and other modalities; modules available for fMRI, TMS, MEG compatibility
NIRStar software NIRx N/A Version 15.3
NIRx parallel port replicator NIRx ACC-LPT-REP The parallel prot replicator  comes with three components: parallel port replicator box, USB power cable and BNC adapter
Physiological pulse unit Siemens PPU098 Optical plethysmography allowing the acquisiton of the cardiac rhythm.
Respiratory unit Siemens PERU098  Unit intended for the acquisition of the respiratory amplitude (by means of a pneumatic system and a restraint belt).
Structure Sensor Mark II Occipital 101866 (SN) 3D structure sensor for optode digitization.

Referenzen

  1. 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).
  2. Quaresima, V., Ferrari, M. Functional Near-Infrared Spectroscopy (fNIRS) for Assessing Cerebral Cortex Function During Human Behavior in Natural/Social Situations: A Concise Review. Organizational Research Methods. 22 (1), 46-68 (2016).
  3. Pinti, P., et al. A Review on the Use of Wearable Functional Near-Infrared Spectroscopy in Naturalistic Environments. The Japanese Psychological Research. 60 (4), 347-373 (2018).
  4. Wilcox, T., Biondi, M. fNIRS in the developmental sciences. Wiley Interdisciplinary Reviews: Cognitive Science. 6 (3), 263-283 (2015).
  5. Blasi, A., Lloyd-Fox, S., Katus, L., Elwell, C. E. fNIRS for Tracking Brain Development in the Context of Global Health Projects. Photonics. 6 (3), 89 (2019).
  6. Aslin, R. N. Questioning the questions that have been asked about the infant brain using near-infrared spectroscopy. Cognitive Neuropsychology. (1-2), 7-33 (2012).
  7. Chen, W. L., et al. Functional Near-Infrared Spectroscopy and Its Clinical Application in the Field of Neuroscience: Advances and Future Directions. Frontiers in Neuroscience. 14, 724 (2020).
  8. Lee, Y. J., Kim, M., Kim, J. S., Lee, Y. S., Shin, J. E. Clinical Applications of Functional Near-Infrared Spectroscopy in Children and Adolescents with Psychiatric Disorders. Journal of Child & Adolescent Psychiatry. 32 (3), 99-103 (2021).
  9. Bonilauri, A., Sangiuliano Intra, F., Baselli, G., Baglio, F. Assessment of fNIRS Signal Processing Pipelines: Towards Clinical Applications. Applied Sciences. 12 (1), 316 (2021).
  10. Kleinschmidt, A., et al. Simultaneous recording of cerebral blood oxygenation changes during human brain activation by magnetic resonance imaging and near-infrared spectroscopy. Journal of Cerebral Blood Flow and Metabolism. 16 (5), 817-826 (1996).
  11. 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).
  12. Glover, G. H. Overview of functional magnetic resonance imaging. Neurosurgery Clinics of North America. 22 (2), (2011).
  13. Toronov, V., et al. Investigation of human brain hemodynamics by simultaneous near-infrared spectroscopy and functional magnetic resonance imaging. Medical Physics. 28 (4), 521-527 (2001).
  14. Huppert, T. J., Hoge, R. D., Diamond, S. G., Franceschini, M. A., Boas, D. A. A temporal comparison of BOLD, ASL, and NIRS hemodynamic responses to motor stimuli in adult humans. NeuroImage. 29 (2), 368-382 (2006).
  15. Cui, X., Bray, S., Bryant, D. M., Glover, G. H., Reiss, A. L. A quantitative comparison of NIRS and fMRI across multiple cognitive tasks. NeuroImage. 54 (4), 2808-2821 (2011).
  16. Duan, L., Zhang, Y. J., Zhu, C. Z. Quantitative comparison of resting-state functional connectivity derived from fNIRS and fMRI: a simultaneous recording study. NeuroImage. 60 (4), 2008-2018 (2012).
  17. Sasai, S., et al. A NIRS-fMRI study of resting state network. NeuroImage. 63 (1), 179-193 (2012).
  18. Noah, J. A., et al. Comparison of short-channel separation and spatial domain filtering for removal of non-neural components in functional near-infrared spectroscopy signals. Neurophotonics. 8 (1), 015004 (2021).
  19. Wyser, D., et al. Short-channel regression in functional near-infrared spectroscopy is more effective when considering heterogeneous scalp hemodynamics. Neurophotonics. 7 (3), 035011 (2020).
  20. Homolle, S., Oostenveld, R. Using a structured-light 3D scanner to improve EEG source modeling with more accurate electrode positions. Journal of Neuroscience Methods. 326, 108378 (2019).
  21. Jasper, H. H. The ten-twenty electrode system of the International Federation. Electroencephalography and Clinical Neurophysiology. 10, 370-375 (1958).
  22. von Luhmann, A., Li, X., Muller, K. R., Boas, D. A., Yucel, M. A. Improved physiological noise regression in fNIRS: A multimodal extension of the General Linear Model using temporally embedded Canonical Correlation Analysis. NeuroImage. 208, 116472 (2020).
  23. Glasser, M. F., et al. The minimal preprocessing pipelines for the Human Connectome Project. NeuroImage. 80, 105-124 (2013).
  24. Ji, J. L., et al. QuNex-An integrative platform for reproducible neuroimaging analytics. Frontiers in Neuroinformation. 17, 1104508 (2023).
  25. Yucel, M. A., et al. Best practices for fNIRS publications. Neurophotonics. 8 (1), 012101 (2021).
  26. Eggebrecht, A., Muccigrosso, D., Culver, J. NeuroDOT: an extensible Matlab toolbox for streamlined optical brain mapping. Diffuse Optical Spectroscopy and Imaging VII. , (2019).
  27. Jenkinson, M., Beckmann, C. F., Behrens, T. W., Woolrich, M. W., Smith, S. M. FSL. NeuroImage. 62 (2), 782-790 (2012).
  28. Fischl, B. FreeSurfer. NeuroImage. 62 (2), 774-781 (2012).
  29. Penny, W. D., Friston, K. J., Ashburner, J. T., Kiebel, S. J., Nichols, T. E. . Statistical parametric mapping: the analysis of functional brain images. , (2011).
  30. Cox, R. W. AFNI: software for analysis and visualization of functional magnetic resonance neuroimages. Computers and Biomedical Research. 29 (3), 162-173 (1996).
  31. Oostenveld, R., Fries, P., Maris, E., Schoffelen, J. M. FieldTrip: Open source software for advanced analysis of MEG, EEG, and invasive electrophysiological data. Computational Intelligence and Neuroscience. 2011, 156869 (2011).
  32. Sato, H., et al. A NIRS-fMRI investigation of prefrontal cortex activity during a working memory task. NeuroImage. 83, 158-173 (2013).
  33. Jermyn, M., et al. Fast segmentation and high-quality three-dimensional volume mesh creation from medical images for diffuse optical tomography. Journal of Biomedical Optics. 18 (8), 86007 (2013).
  34. Dehghani, H., et al. Near infrared optical tomography using NIRFAST: Algorithm for numerical model and image reconstruction. Communications in Numerical Methods in Engineering. 25 (6), 711-732 (2008).
  35. Wheelock, M. D., Culver, J. P., Eggebrecht, A. T. High-density diffuse optical tomography for imaging human brain function. The Review of Scientific Instruments. 90 (5), 051101 (2019).
  36. Eggebrecht, A. T., et al. A quantitative spatial comparison of high-density diffuse optical tomography and fMRI cortical mapping. NeuroImage. 61 (4), 1120-1128 (2012).
  37. Boas, D. A., Culver, J. P., Stott, J. J., Dunn, A. K. Three dimensional Monte Carlo code for photon migration through complex heterogeneous media including the adult human head. Optics Express. 10 (3), 159-170 (2002).
  38. Wang, L., Jacques, S. L., Zheng, L. MCML-Monte Carlo modeling of light transport in multi-layered tissues. Computer Methods and Programs in Biomedicine. 47 (2), 131-146 (1995).
  39. Gregg, N. M., White, B. R., Zeff, B. W., Berger, A. J., Culver, J. P. Brain specificity of diffuse optical imaging: improvements from superficial signal regression and tomography. Frontiers in Neuroenergetics. 2, 14 (2010).
  40. Brigadoi, S., et al. Motion artifacts in functional near-infrared spectroscopy: a comparison of motion correction techniques applied to real cognitive data. NeuroImage. 85, 181-191 (2014).
  41. Pelphrey, K. A., Shultz, S., Hudac, C. M., Vander Wyk, B. C. Research review: Constraining heterogeneity: the social brain and its development in autism spectrum disorder. Journal of Child Psychology and Psychiatry, and Allied Disciplines. 52 (6), 631-644 (2011).
  42. Cui, X., Bray, S., Reiss, A. L. Functional near infrared spectroscopy (NIRS) signal improvement based on negative correlation between oxygenated and deoxygenated hemoglobin dynamics. NeuroImage. 49 (4), 3039-3046 (2010).
  43. Sherafati, A., et al. Global motion detection and censoring in high-density diffuse optical tomography. Human Brain Mapping. 41 (14), 4093-4112 (2020).
  44. Eggebrecht, A. T., et al. Mapping distributed brain function and networks with diffuse optical tomography. Nature Photonics. 8 (6), 448-454 (2014).
  45. Ferradal, S. L., et al. Functional Imaging of the Developing Brain at the Bedside Using Diffuse Optical Tomography. Cerebral Cortex. 26 (4), 1558-1568 (2016).
  46. Winkler, A. M., Ridgway, G. R., Webster, M. A., Smith, S. M., Nichols, T. E. Permutation inference for the general linear model. NeuroImage. 92, 381-397 (2014).
  47. Hassanpour, M. S., et al. Statistical analysis of high density diffuse optical tomography. NeuroImage. 85, 104-106 (2014).
  48. Zhang, F., et al. Correcting physiological noise in whole-head functional near-infrared spectroscopy. Journal of Neuroscience Methods. 360, 109262 (2021).
  49. Duan, L., et al. Wavelet-based method for removing global physiological noise in functional near-infrared spectroscopy. Biomedical Optics Express. 9 (8), 3805-3820 (2018).
  50. Klein, F., Kranczioch, C. Signal Processing in fNIRS: A Case for the Removal of Systemic Activity for Single Trial Data. Frontiers in Human Neuroscience. 13, 331 (2019).
  51. Zhou, X., Sobczak, G., McKay, C. M., Litovsky, R. Y. Comparing fNIRS signal qualities between approaches with and without short channels. PLoS One. 15 (12), 0244186 (2020).
  52. Santosa, H., Zhai, X., Fishburn, F., Sparto, P. J., Huppert, T. J. Quantitative comparison of correction techniques for removing systemic physiological signal in functional near-infrared spectroscopy studies. Neurophotonics. 7 (3), 035009 (2020).
  53. Emberson, L. L., Crosswhite, S. L., Goodwin, J. R., Berger, A. J., Aslin, R. N. Isolating the effects of surface vasculature in infant neuroimaging using short-distance optical channels: a combination of local and global effects. Neurophotonics. 3 (3), 031406 (2016).
  54. Frijia, E. M., et al. Functional imaging of the developing brain with wearable high-density diffuse optical tomography: A new benchmark for infant neuroimaging outside the scanner environment. NeuroImage. 225, 117490 (2021).
  55. Brigadoi, S., Cooper, R. J. How short is short? Optimum source-detector distance for short-separation channels in functional near-infrared spectroscopy. Neurophotonics. 2 (2), 025005 (2015).

Play Video

Diesen Artikel zitieren
Sanchez-Alonso, S., Canale, R. R., Nichoson, I. F., Aslin, R. N. Simultaneous Data Collection of fMRI and fNIRS Measurements Using a Whole-Head Optode Array and Short-Distance Channels. J. Vis. Exp. (200), e65088, doi:10.3791/65088 (2023).

View Video