Summary

Analisi qualitative e comparative dei dati di attività corticale da un esperimento funzionale di spettroscopia del vicino infrarosso che applica la progettazione di blocchi

Published: December 03, 2020
doi:

Summary

Descriviamo l’analisi dell’esperimento di spettroscopia funzionale al vicino infrarosso ad onda continua utilizzando un progetto a blocchi con un compito sensorimotorio. Per aumentare l’affidabilità dell’analisi dei dati, abbiamo utilizzato la mappatura parametrica statistica lineare qualitativa basata su modelli lineari e i modelli misti gerarchici comparativi per più canali.

Abstract

Gli studi di neuroimaging svolgono un ruolo fondamentale nella valutazione delle condizioni neurologiche pre- vs post-interventiali come nella riabilitazione e nel trattamento chirurgico. Tra le molte tecnologie di neuroimaging utilizzate per misurare l’attività cerebrale, la spettroscopia funzionale vicino all’infrarosso (fNIRS) consente la valutazione delle attività corticali dinamiche misurando i livelli locali di emoglobina simili alla risonanza magnetica funzionale (fMRI). Inoltre, a causa della minore restrizione fisica in fNIRS, è possibile valutare più varianti di attività sensorimotorie. Molti laboratori hanno sviluppato diversi metodi per l’analisi dei dati fNIRS; tuttavia, nonostante i principi generali siano gli stessi, non esiste un metodo universalmente standardizzato. Qui presentiamo i metodi analitici qualitativi e comparativi dei dati ottenuti da un esperimento fNIRS multicanale utilizzando un block design. Per l’analisi qualitativa, abbiamo utilizzato un software per NIRS come approccio univariato di massa basato sul modello lineare generalizzato. L’analisi NIRS-SPM mostra i risultati qualitativi per ogni sessione visualizzando l’area attivata durante l’attività. Inoltre, il digitalizzatore tridimensionale non invasivo può essere utilizzato per stimare le posizioni del canale fNIRS rispetto al cervello. Per confermare i risultati nirs-spm, l’ampiezza dei cambiamenti nei livelli di emoglobina indotti dal compito sensorimotorio può essere analizzata statisticamente confrontando i dati ottenuti da due sessioni diverse (prima e dopo l’intervento) dello stesso soggetto di studio utilizzando un modello misto gerarchico multicanale. I nostri metodi possono essere utilizzati per misurare l’analisi pre- vs post-intervento in una varietà di disturbi neurologici come disturbi del movimento, malattie cerebrovascolari e disturbi neuropsichiatrici.

Introduction

La neuroriabilitazione gioca un ruolo importante nel recupero funzionale a seguito di disturbi sensorimotori. Per chiarire i meccanismi di recupero funzionale associato alla neuroplasticità, sono state utilizzate varie tecnologie di neuroimaging, come la risonanza magnetica funzionale (fMRI), la tomografia ad emissione di positroni (PET), l’elettroencefalografia (EEG) e la spettroscopia funzionale vicino all’infrarosso (fNIRS). Diverse modalità di imaging hanno diversi vantaggi e svantaggi. Sebbene il fMRI sia il dispositivo più tipico, è influenzato da campi magnetici, ha un costo elevato, un’elevata restrizione fisica e attività sensorimotorielimitate 1,2,3,4. Il dispositivo fNIRS si distingue come neuroimaging ottico non invasivo e ha una risoluzione spaziale relativamente inferiore, ma ha una risoluzione temporale migliore rispetto a fMRI4. fNIRS è adatto quando si verificano gli effetti del trattamento perché confronta gli effetti pre- contro post-intervento, ha attività motorie dinamiche, è portatile e funziona più in ambienti naturali rispetto a fMRI1,2,4. Nirs è stato segnalato per essere più adatto nei campi della malattia cerebrovascolare, disturbi epilettici, grave lesione cerebrale, morbo di Parkinson, e deficit cognitivo1,5. Per quanto riguarda le attività sensorimotorie, è ampiamente utilizzato nell’andatura e nel bilanciamento in piedi6,7,8,funzione dell’arto superiore (afferramento della mano, maschiatura delle dita)8,9,allenamento complesso delle abilità motorie10,11,robotica12,13,14,15e interfaccia cervello-computer16,17,18. Il fNIRS si basa sui principi del neuroimaging ottico e dell’accoppiamento neurovascolare, che misurano l’attività metabolica corticale, l’aumento del flusso sanguigno e di conseguenza l’attività corticale come segnalisecondari 19. È stato riferito che i segnali fNIRS hanno forti correlazioni con segnali di fMRI20dipendente dal livello di ossigeno nel sangue . Un fNIRS ad onda continua utilizza la legge di Beer-Lambert modificata per determinare i cambiamenti nei livelli di concentrazione corticale dell’emoglobina ossigenata (HbO2)e dell’emoglobina deossigenata (HHb) in base alle variazioni misurate nell’attenuazione della luce nel vicinoinfrarosso a banda larga 21,22. Poiché non era possibile misurare il fattore differenziale di lunghezza del percorso (DPF) utilizzando il sistema NIRS ad onda continua, abbiamo supposto che il DPF fosse costante e che i cambiamenti del segnale dell’emoglobina fossero denotati in unità arbitrarie di millimole-millimetro (mM x mm)2,18.

Gli esperimenti fNIRS devono selezionare i metodi più appropriati, tra cui le impostazioni della sonda, i progetti dell’esperimento e i metodi di analisi. Per quanto riguarda l’impostazione della sonda, il metodo internazionale 10-20 utilizzato nella misurazione EEG è lo standard di impostazione utilizzato da molti ricercatori nella neuroimaging. Negli ultimi anni, sono state utilizzate impostazioni di coordinate basate sul cervello standard sulla base delle coordinate del Montreal Neurological Institute (MNI). L’esperimento utilizza un progetto a blocchi, generalmente utilizzato per attività sensorimotorie, e un progetto relativo agli eventi. Questo è un metodo per confrontare i cambiamenti nella concentrazione di emoglobina a riposo e durante i compiti; I livelli di concentrazione di HbO2 aumentano e i livelli di concentrazione di HHb diminuiscono con i cambiamenti nel flusso sanguigno cerebrale associati all’attività corticale dipendente dalle attività. Sebbene esistano vari metodi di analisi, il software libero NIRS-SPM consente un’analisi simile alla mappatura parametrica statistica (SPM) di fMRI. Il trattamento dei dati NIRS utilizza un approccio univariato di massa basato sul modello lineare generale (GLM). Quando si esegue un’analisi dell’attività cerebrale dipendente dalle attività, le misurazioni fNIRS possono essere influenzate dall’attività neuronale evocata o non evocata e dalle interferenze fisiologiche sistemiche (frequenza cardiaca, pressione sanguigna, frequenza respiratoria e attività del sistema nervoso autonomo) nel compartimento cerebrale ed extracerebrale23. Pertanto, l’elaborazione, il filtraggio, la conversione wavelet e l’analisi dei componenti principali sonoutili 23. Per quanto riguarda il filtraggio e gli artefatti dell’elaborazione dei dati utilizzando il NIRS-SPM, il filtro passa-basso9 e la lunghezza minima della descrizione wavelet (Wavelet-MDL)24 sono stati utilizzati per superare il movimento o altre fonti di rumore / artefatto. Per informazioni dettagliate su questo metodo analitico, fare riferimento al rapporto di Ye etal. Sebbene ci siano rapporti che usano solo SPM, è solo un indice qualitativo per analisi delle immagini e, a causa della bassa risoluzione spaziale di NIRS, è necessaria estrema cautela per l’analisi di gruppo. Inoltre, quando il DPF è costante, non dovrebbero essere eseguiti confronti numerici tra canali e individui, ma la differenza nelle modifiche in ogni canale può essere verificata. Sulla base delle condizioni di cui sopra, al fine di integrare i risultati dell’analisi del gruppo NIRS-SPM, abbiamo utilizzato il metodo di analisi originale per l’analisi multicanale dopo aver migliorato l’accuratezza della registrazione spaziale. Questa analisi multicanale ha confrontato l’ampiezza della variazione dei livelli hbo2 e HHb tra il resto e i periodi di attività in ogni canale prima e immediatamente dopo il trattamento utilizzando modelli misti gerarchici con interventi fissi (prima o dopo), periodi fissi (riposo o su compito) ed effetti individuali casuali.

In questo modo, esistono diversi metodi di misurazione e analisi fNIRS; tuttavia, non è stato stabilito alcun metodo standard. In questo articolo, introduciamo i nostri metodi, la mappatura statistica parametrica qualitativa basata su GLM e il modello misto gerarchico comparativo multi-livello, per analizzare i dati ottenuti da un esperimento fNIRS multicanale di pre- vs. post-intervento utilizzando un block design con attività sensorimotorie.

Protocol

Questo studio è stato approvato dal comitato di revisione istituzionale (IRB) dell’Università di Fukuoka, Giappone (IRB n. 2017M017). Prima della partecipazione, tutti i pazienti hanno fornito il consenso informato scritto. 1. Preparazione dell’esperimento fNIRS NOTA: È stato utilizzato un sistema NIRS basato su laser a onde continue multicanale per questo esperimento. Le lunghezze d’onda della luce del vicino infrarosso erano di 780 nm, 805 nm e 830 nm, e la frequ…

Representative Results

Qui, introduciamo la riabilitazione assistita da robot su cui il nostro gruppo sta attualmente lavorando: gli effetti del biofeedback sul deficit motorio degli arti superiori nei pazienti con ictus acuto. Abbiamo incluso 10 pazienti con ictus consenzienti (età media: 66,8 ± 12,0 anni; due donne e otto uomini) che sono stati ricoverati nel nostro ospedale. Nella fase di ictus subacuto, più di 2 settimane dopo l’inizio, abbiamo valutato l’attività corticale correlata al motore di questi…

Discussion

Nel nostro gruppo metodi analitici per fNIRS, oltre a eseguire un metodo analitico di imaging mediante mappature qualitative t-statistica, abbiamo confrontato pre- vs. post-intervento (esercizio assistito da robot) utilizzando l’analisi comparativa multicanale. Per l’analisi qualitativa, abbiamo utilizzato il software NIRS-SPM come approccio univariato di massa basato sul modello lineare generalizzato. L’analisi NIRS-SPM mostra i risultati qualitativi di ogni sessione visualizzando l’area attivata durante l’atti…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Questo lavoro è stato in parte sostenuto dalla Japan Society for the Promotion of Science (JSPS) Grant-in-Aid for Scientific Research (C) 18K08956 e da un fondo del Central Research Institute dell’Università di Fukuoka (n. 201045).

Materials

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

References

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

Play Video

Cite This Article
Saita, K., Morishita, T., Arima, H., Ogata, T., Inoue, T. Qualitative and Comparative Cortical Activity Data Analyses from a Functional Near-Infrared Spectroscopy Experiment Applying Block Design. J. Vis. Exp. (166), e61836, doi:10.3791/61836 (2020).

View Video