Summary

Análisis cualitativos y comparativos de datos de actividad cortical de un experimento funcional de espectroscopia de infrarrojo cercano aplicando el diseño de bloques

Published: December 03, 2020
doi:

Summary

Se describe el análisis de onda continua funcional de espectroscopia de infrarrojo cercano experimento utilizando un diseño de bloques con una tarea sensoriomotora. Para aumentar la fiabilidad del análisis de los datos, se utilizó el mapeo paramétrico estadístico basado en modelos lineales generales cualitativos y los modelos mixtos jerárquicos comparativos para multicanales.

Abstract

Los estudios de neuroimagen juegan un papel fundamental en la evaluación de las condiciones neurológicas pre- vs post-intervención, como en la rehabilitación y el tratamiento quirúrgico. Entre las muchas tecnologías de neuroimagen utilizadas para medir la actividad cerebral, la espectroscopia funcional de infrarrojo cercano (fNIRS) permite la evaluación de actividades corticales dinámicas midiendo los niveles de hemoglobina locales similares a las imágenes de resonancia magnética funcional (fMRI). También, debido a la menor restricción física en fNIRS, las variantes múltiples de tareas sensoriomotoras pueden ser evaluadas. Muchos laboratorios han desarrollado varios métodos para el análisis de datos fNIRS; sin embargo, a pesar de que los principios generales son los mismos, no existe un método universalmente estandarizado. Aquí, presentamos los métodos analíticos cualitativos y comparativos de los datos obtenidos de un experimento fNIRS multicanal utilizando un diseño de bloques. Para el análisis cualitativo, se utilizó un software para NIRS como un enfoque de masa-univariante basado en el modelo lineal generalizado. El análisis NIRS-SPM muestra resultados cualitativos para cada sesión visualizando el área activada durante la tarea. Además, el digitalizador tridimensional no invasivo se puede utilizar para estimar las ubicaciones de los canales fNIRS en relación con el cerebro. Para corroborar los hallazgos del NIRS-SPM, la amplitud de los cambios en los niveles de hemoglobina inducidos por la tarea sensoriomotora puede ser analizada estadísticamente comparando los datos obtenidos de dos sesiones diferentes (antes y después de la intervención) del mismo sujeto de estudio utilizando un modelo mixto jerárquico multicanal. Nuestros métodos se pueden utilizar para medir el análisis pre- contra post-intervención en una variedad de desordenes neurológicos tales como desordenes de movimiento, enfermedades cerebrovasculares, y desordenes neuropsiquiátricos.

Introduction

Neurorehabilitation desempeña un papel importante en la recuperación funcional que sigue disturbio sensoriomotor. Para aclarar los mecanismos de la recuperación funcional neuroplasticidad-asociada, las varias tecnologías neuroimaging se han utilizado, tales como proyección de imagen de resonancia magnética funcional (fMRI), tomografía por emisión de positrones (ANIMAL DOMÉSTICO), electroencefalografía (EEG), y espectroscopia funcional del infrarrojo cercano (fNIRS). Las diferentes modalidades de imagen tienen diferentes ventajas y desventajas. Aunque el fMRI es el dispositivo más típico, se ve afectado por los campos magnéticos, tiene un alto costo, alta restricción física y tareas sensoriomotoraslimitadas 1,2,3,4. El dispositivo fNIRS se destaca como neuroimagen óptica no invasiva y tiene una resolución espacial relativamente más baja, pero tiene una mejor resolución temporal que fMRI4. fNIRS es adecuado cuando se verifican los efectos del tratamiento porque compara los efectos previos y posteriores a la intervención, tiene tareas motoras dinámicas, es portátil y funciona más en entornos naturales que fMRI1,2,4. Se ha informado que la NIRS es más adecuada en los campos de las enfermedades cerebrovasculares, los trastornos epilépticos, las lesiones cerebrales graves, la enfermedad de Parkinson y el deterioro cognitivo1,5. Con respecto a las tareas sensoriomotoras, es ampliamente utilizado en el equilibrio de la marcha y de pie6,7,8,función de las extremidades superiores (agarre de la mano, golpeteo de los dedos)8,9,entrenamiento de habilidades motoras complejas10,11,robótica12, 13,14, 15,e interfaz cerebro-computadora16,17,18. El fNIRS se basa en los principios de la neuroimagen óptica y el acoplamiento neurovascular, que miden la actividad metabólica cortical, el aumento del flujo sanguíneo y, en consecuencia, la actividad cortical como señales secundarias19. Se ha informado que las señales de fNIRS tienen fuertes correlaciones con las señales de fMRI dependiente del nivel de oxígeno en sangre20. Un fNIRS de onda continua utiliza la ley de Beer-Lambert modificada para determinar los cambios en los niveles de concentración cortical de hemoglobina oxigenada (HbO2)y hemoglobina desoxigenada (HHb) basados en cambios medidos en la atenuación de la luz infrarroja cercana de banda ancha21,22. Debido a que no fue posible medir el factor diferencial de longitud de trayecto (DPF) utilizando el sistema NIRS de onda continua, asumimos que el DPF era constante y que los cambios en la señal de hemoglobina se denotaban en unidades arbitrarias de milimole-milímetro (mM x mm)2,18.

Los experimentos fNIRS deben seleccionar los métodos más adecuados, incluidos los ajustes de la sonda, los diseños de los experimentos y los métodos de análisis. Con respecto a la configuración de la sonda, el método internacional 10-20 utilizado en la medición de EEG es el estándar de establecimiento utilizado por muchos investigadores en neuroimagen. En los últimos años, se han utilizado ajustes de coordenadas basados en el cerebro estándar sobre la base de coordenadas del Instituto Neurológico de Montreal (MNI). El experimento utiliza un diseño de bloques, generalmente utilizado para tareas sensoriomotoras, y un diseño relacionado con eventos. Este es un método para comparar los cambios en la concentración de hemoglobina en reposo y durante las tareas; Los niveles de concentración de HbO2 aumentan y los niveles de concentración de HHb disminuyen con los cambios en el flujo sanguíneo cerebral asociados con la actividad cortical dependiente de la tarea. Aunque existen varios métodos de análisis, el software libre NIRS-SPM permite un análisis similar al mapeo paramétrico estadístico (SPM) de fMRI. El tratamiento de los datos NIRS utiliza un enfoque masa-univariante basado en el modelo lineal general (GLM). Al realizar análisis de actividad cerebral dependiente de la tarea, las mediciones del fNIRS pueden verse afectadas por la actividad neuronal evocada o no evocada y las interferencias fisiológicas sistémicas (frecuencia cardíaca, presión arterial, frecuencia respiratoria y actividad del sistema nervioso autónomo) en el compartimento cerebral y extracerebral23. Por lo tanto, el procesamiento previo al análisis, el filtrado, la conversión de wavelets y el análisis de componentes principales son útiles23. En cuanto al filtrado y los artefactos del procesamiento de datos utilizando el NIRS-SPM, se utilizaron el filtrado de paso bajo9 y la detrending wavelet de longitud mínima de descripción (Wavelet-MDL)24 para superar el movimiento u otras fuentes de ruido / artefacto. Para detalles de este método analítico, consulte el informe de Ye et al.25. Aunque hay informes que utilizan sólo SPM, es sólo un índice cualitativo por análisis de imágenes, y debido a la baja resolución espacial de NIRS, se requiere extrema precaución para el análisis de grupo. Además, cuando el DPF es constante, no se deben realizar comparaciones numéricas entre canales e individuos, pero se puede verificar la diferencia en los cambios en cada canal. Con base en las condiciones anteriores, con el fin de complementar los resultados del análisis de grupo NIRS-SPM, se utilizó el método de análisis original para el análisis multicanal después de mejorar la precisión del registro espacial. Este análisis multicanal comparó la amplitud del cambio en los niveles de HbO2 y HHb entre los períodos de reposo y en la tarea en cada canal antes e inmediatamente después del tratamiento utilizando modelos mixtos jerárquicos con intervenciones fijas (antes o después), períodos fijos (reposo o en la tarea) y efectos individuales aleatorios.

De esta manera, existen varios métodos de medición y análisis fNIRS; sin embargo, no se ha establecido ningún método estándar. En este trabajo, presentamos nuestros métodos, el mapeo paramétrico estadístico cualitativo basado en GLM y el modelo mixto jerárquico multinivel comparativo, para analizar los datos obtenidos de un experimento fNIRS multicanal de pre- vs post-intervención utilizando un diseño de bloques con tareas sensoriomotoras.

Protocol

Este estudio fue aprobado por la junta de revisión institucional (IRB) de la Universidad de Fukuoka, Japón (IRB No. 2017M017). Antes de la participación, todos los pacientes proporcionaron su consentimiento informado por escrito. 1. Preparación del experimento fNIRS NOTA: Se utilizó un sistema NIRS multicanal basado en láser de onda continua para este experimento. Las longitudes de onda de la luz infrarroja cercana eran 780 nm, 805 nm y 830 nm, y la velocidad de…

Representative Results

Aquí, presentamos la rehabilitación asistida por robot en la que nuestro grupo está trabajando actualmente: los efectos de la biorretroalimentación sobre el déficit motor de las extremidades superiores en pacientes con accidente cerebrovascular agudo. Incluimos a 10 pacientes que consienten del movimiento (edad media: 66,8 ± 12,0 años; dos mujeres y ocho hombres) que fueron admitidos a nuestro hospital. En la etapa subaguda del movimiento, más de 2 semanas después del inicio, eva…

Discussion

En nuestros métodos analíticos grupales para fNIRS, además de realizar un método analítico de imagen mediante mapeos estadísticos tcualitativos, comparamos pre- vs post-intervención (ejercicio asistido por robot) utilizando el análisis comparativo multicanal. Para el análisis cualitativo, se utilizó el software NIRS-SPM como un enfoque univariante de masa basado en el modelo lineal generalizado. El análisis NIRS-SPM muestra los resultados cualitativos de cada sesión visualizando el área activada dur…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Este trabajo fue apoyado en parte por la Sociedad Japonesa para la Promoción de la Ciencia (JSPS) Grant-in-Aid for Scientific Research (C) 18K08956 y un fondo del Instituto Central de Investigación de la Universidad 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).

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