导读
背景:fNIRS是一种利用近红外光谱进行功能神经成像的光学脑监测技术。它使用近红外光来测量大脑活动,并估计由于运动活动而引起的大脑皮层血流动力学活动。fNIRS通过光学吸收来测量含氧和脱氧血红蛋白中氧水平的变化。多源噪声和伪影干扰导致的信号衰减是fNIRS信号分析面临的主要挑战之一。
方法:在此背景下,本研究旨在使用图论分析大脑不同区域之间的连接性,从而分析大脑网络在功能参数方面的几何关联。本研究考察了两种噪声去除技术(CBSI和TDDR),以及两种类型的相关fNIRS(如皮尔逊相关(PC)、互相关(CC))和各种全脑网络结构对个体参与者图度量可重复性的影响。使用重测变异性(TRT)研究了图度量在个体水平上的可重复性。
结果:无论去噪方法或相关类型如何,二值网络中全局度量的重测变异性在低密度时都很大。加权网络的测试重置值非常低,整个图度量的可重复性很好。在比较各种方法的重测值时,相关类型、相关性绝对值和权重计算方法对原始相关值均有显著的影响。
结论:基于一个以绝对互相关函数为权重的加权网络,本研究表明归一化全局图度量是可靠的。用于去噪的节点定义技术对于归一化图度量的可重复性没有明显影响。
前言
功能近红外光谱(fNIRS)分析光源和探测器之间的近红外光强度的变化,以确定大脑皮层中血红蛋白含量的变化。该方法最初由Jobsis提出,现在主要用于各种神经科学研究分析。fNIRS因其具有良好的性价比和实用性等优点而被广泛使用。许多研究人员已经使用fNIRS来监测大脑状态。然而,近红外成像也存在一定挑战,如运动伪影。fNIRS信号对于个体运动变化而产生的运动伪影非常敏感。光接触的变化通常会导致fNIRS信号中产生伪影,而且伪影的幅度大于潜在的血流动力学变化。这增加了分析的复杂性,并且难以从运动伪影中恢复原始的生理NIRS信号。
与PET或fMRI等其他方法相比,fNIRS在便携性方面更具优势,因此被用于婴儿或神经系统疾病患者的各种神经科学病例。例如许多研究已将fNIRS用于成人和婴儿的癫痫发作。但是,癫痫发作通常包括过度和剧烈的抽搐,因而这种运动伪影增加了获取有关癫痫发作和准确的神经生理信息的复杂性。因此,在分析前使用有效的预处理技术去除运动伪影是至关重要的。预处理技术必须具有客观的运动检测算法,该算法可以检测诸如心跳等变化、各种类型的缓慢移动漂移(如基线漂移)、频率尖峰(如高频尖峰)。以图论的方法来理解大脑的功能,为人脑不同区域的复杂研究提供了更深入的分析。本研究旨在确定图论在分析静息态fNIRS数据以确定人脑功能连接(FC)方面的有效性。主要贡献可以归纳为:①本文提出了一种基于图论的fNIRS数据分析方法,用于监测人脑认知神经活动的相关性;②本文利用图论分析大脑的功能连接,以确定脑功能网络的几何关联。
神经科学领域已经进行了大量的研究,并应用fNIRS来确定不同大脑功能之间的相关性。这些研究工作主要集中在使用不同的技术检测和去除运动伪影。近年来,基于图论的方法对于理解静息态fNIRS的有效性具有重要意义。本节讨论了一些基于图论的fNIRS相关研究工作。Sun等人(2019)借助各种耦合和一般化技术来构建脑网络的灵活性、有效性和鲁棒性。采集了16例重度抑郁症(MDD)患者和16名正常对照者的128导RS EEG信号进行实验分析。 Duan和Mai(2020)提出了一种基于谱聚类的fNIRS静息网络检测方法。他们提出的基于聚类的方法包括两个步骤,首先使用谱聚类方法初步确定fNIRS分析的分区,该方法可以自动确定聚类数。其次,对个体层面的分区结果进一步执行聚类分析。将组一致性高的团簇视为静息态网络簇。该研究结果表明,谱聚类方法是检测fNIRS-RSN的有效方法。Wang等人(2017)的研究旨在确定用于分析儿童和婴儿脑网络连接准确映射的最短RS-fNIRS成像时间。使用53名健康儿童的RS-fNIRS数据,以确定获得精确稳定的功能连接所需的最短成像时间,以及基于图论的其他性能指标,如脑网络活动的节点效率和网络全局/局部效率。实验分析结果表明,在7分钟的fNIRS成像时间后,可以准确地获得大脑网络的功能连接。然而,在较低的网络阈值下,准确测量所需的最短扫描时间为2.5分钟。该研究结果为选择儿童的RS-fNIRS成像时间以进行大脑功能连接研究提供了具体依据。表1列举了该领域的相关研究,特别是fNIRS脑连接的应用。
表1.基于图论的fNIRS功能连接研究。
图1显示了近年来fNIRS领域正在进行的研究数据。这些研究涉及结构连接、功能连接、儿童发育、静息态功能连接RS-fNIRS,以及重度抑郁症(MDD)和帕金森病等疾病的患者。在此背景下,本研究旨在利用fNIRS对基于图论的大脑连接进行全面评估。
图1.利用fNIRS研究大脑连接的研究工作。
材料和方法
参与者
数据来自Yücel等人(2014)的研究,该数据集包含五名健康成年人(1名女性,4名男性),年龄范围为23-52岁(平均35±13)。所有参与者均无任何神经系统疾病史。本研究将使用图论方法对这些数据进行分析。
实验
参与实验分析的参与者均为右利手,视力正常。所有参与者均健康,没有任何与神经肌肉、神经生理、视觉或心血管异常相关的疾病。当参与者在执行右手敲击任务时对其进行扫描。在不同的手指敲击任务或休息条件下,会有不同的持续时间。使用Yücel等人讨论的方法建立身体运动样本。在进行手指敲击或休息blocks时同时采集数据,并记录手指敲击的样本。在此过程中,要求参与者执行不同的头部和面部动作,这些动作与现实和社交中观察到的常规动作相似。
数据采集
本研究使用TechEn CW6系统采集血流动力学信号的光学变化,该系统使用LEDs发射两种不同调制波长(690和830nm)。使用标准测量系统覆盖大脑皮层的颞、顶、枕、额部。测量帽由放置在头皮上的源-探测器组成,其中15个光源与18个探测器的长间隔为30mm,短间隔为8mm,采样频率为50Hz。数据来自位于半球两侧的源探测器对,类似于EEG电极的放置。要求参与者执行不同的任务,例如扬眉、大声朗读、上下点头、侧点头、右扭头、左扭头和快速侧摇头。记录数据的总时长为6min,每次运动3s,重复5次,试次间隔为5-10s。
数据预处理
数据预处理是执行图论分析之前的重要且初始步骤之一。对fNIRS数据进行预处理,使数据适合进一步分析。该过程包括将原始光振幅转换为光密度,对主成分进行滤波,检测并消除运动伪影。通过对相邻的数据段进行平均来修正脉冲峰值和不确定性。
使用频率范围为0.01-0.2Hz的带通滤波器对原始光强度数据进行滤波,消除心脏和呼吸波形,并去除数据中的频率波动。一旦强度数据转换为光密度,就可以结合改进的Beer-Lambert方程确定氧合和脱氧血红蛋白浓度的变化。预处理还包括数据处理的其他方面,例如滤波、运动校正、数据采样、时间点去趋势、噪声回归和定制处理技术。删除参与者的第一个或最后一个记录时间段数据,因为它会导致生理数据的变化和仪器稳定性的变化。信号中的线性和非线性变化通过从原始浓度信号中减去该信号来消除。一般的处理流程如图2所示。
图2.处理流程示意图。
对源探测器对上获得的数据执行运动校正。该分析包括使用基于相关的信号改善(CBSI)进行运动校正。CBSI过程确保了氧合血红蛋白和脱氧血红蛋白信号在静息态下呈负相关,并由于这些信号中出现运动伪影而变为正相关。运动校正也使用另一种称为时间导数分布修复(TDDR)的方法进行研究。当信号中含有高频振荡成分时,分布会使估计偏差较大,因此越接近均值的伪影需要的校正越少。高频振荡增加了时间导数的方差。在这项研究中,该方法作为一种简单的噪声去除技术。TDDR方法是基于使用一种稳健回归方法去除基线和尖峰偏移。图3A显示了去线性趋势的效果,CBSI和TDDR对原始数据和预处理数据的影响分别如图3B和3C所示。信号衰减受到噪声和仪器干扰的影响。将TDDR作为一种复噪声去除方法。为了滤除不确定性,使用了不同的滤波器,例如无限脉冲响应(IIR)滤波器、有限脉冲响应(FIR)滤波器和基于快速傅里叶变换的理想滤波器(基于FFT的滤波器)。带通滤波采用巴特沃斯滤波器完成,有限脉冲响应滤波采用汉明窗,因为与IIR滤波器相比,汉明窗易于控制且稳定性高。在这里,将每个通道的特征转换为频域。
图3.利用TDDR和CBSI对HbO进行预处理的结果。
HbO-氧合血红蛋白原始数据和HbO(p)-预处理数据经运动校正后,使用FFT滤波器去除该域的信号。这是为了去除不同的成分,如心率(~1.3Hz)、呼吸(~0.25Hz)和Mayer波(~0.09Hz)。计算了不同阶次IIR滤波器的平均绝对误差(ME)、均方误差(MSE)、信噪比(SNR)和峰值信噪比(PSNR)测量值,如表2所示。
表2.使用IIR滤波器滤波fNIRS信号的性能参数。
从表2可以看出,三阶IIR滤波器在平均绝对误差(ME)、均方误差(MSE)、信噪比和峰值信噪比(PSNR)测量中表现出良好的性能。为了进一步平滑信号,应用了汉明窗口。在应用汉明窗口后,相同的参数值如表3所示。
表3.使用汉明窗口滤波fNIRS信号的性能参数。
图论分析
在图形网络中,边和节点被认为是大脑网络的基本构建块。用边表示节点间的功能连接,将图形网络中的节点视为测量通道。节点的定义决定了节点之间功能连接的计算。通过评估节点间时间序列的皮尔逊相关(PC)系数来计算功能连接。因此,对于每个个体,得到一个维度为N×N的相关矩阵(CM),其中N是fNIRS通道的数量。此外,获得所有个体相关矩阵的平均值,并将矩阵从平均CM转换为邻接矩阵。
计算每个被试的时间序列均值,从而得到每个被试的平均时间序列。平均时间序列可以确定任意两个被试是否完全或部分相关。使用其他时间序列作为控制变量来确定任何时间序列对的互相关。逆协方差矩阵是计算的基础。为了减少其他脑区的影响,可以使用互相关作为功能连接的更精确指标。
本研究的主要目的是使用无自连接的加权无向网络和二值网络。对二值网络的研究在不同密度(从5%到50%)下进行。加权网络可以避免阈值化问题,该网络还考虑了从0到1的所有权值,应用一个固定/预设的相关阈值(T),以确保边的绝对连接强度大于阈值,如公式(1)所示:
阈值T是根据稀疏度确定的,并被确定为总实际边与最大可能边的比率。T值取0.8。
采用公式(2)中的皮尔逊相关(PC)和公式(3)中的互相关(CC)方法,对跨功能和交叉关系或功能连接(FC)的fNIRS系数进行图形分析。本研究考察了不同网络构建技术对图测量和FC稳定性的影响。每个参与者的相关矩阵是在特定时间段内使用皮尔逊相关和互相关单独确定的。PC最初用于评估在时间序列中获取的图像之间的线性关联程度。
其中i和i分别表示M和N的平均值。
其中dij定义了第i个和第j个区域的平均时间序列之间的延迟。通过评估最大rij(dij)来确定两个脑区的FC强度。图4显示了不同头部运动的静息态功能连接矩阵。
图4.fNIRS测量中不同头动任务的静息态功能连接。
在这项工作中,图论指标度量每个节点的连通性。利用聚类系数来衡量局部邻域连通性,并将其计算为邻居节点相似性。这些邻居也是路径长度Lp的邻居,该路径长度用于测量网络中节点之间的距离,使用如下公式(4)进行计算:
公式(4)定义了各节点之间的最短测地线距离。每个节点都与全局效率相关联,并测量网络中各个节点与其他节点的关联。节点的局部效率决定了放置在预定义网络区域中的邻居节点的互连情况。
图形网络可以根据不同的网络参数进行分析,例如节点效率(Enodal)、节点介数、网络聚类系数、网络的局部和全局效率。Enodal是定义网络X中节点的通信能力及其与其他节点交互能力的指标,如公式(5)所示。
其中,dij为两个节点i和j之间的最短路径长度,N为节点数。另一个被称为节点介数的节点指标描述了节点在大脑网络中的全局容量(global capacity),如公式(6)所示。
其中,ρhj定义了两个节点h和j之间的总最短路径,以及ρhj(i)是h和j之间经过i的最短路径数。Eglobal表示大脑网络全局地将信息从一个网络转换到另一个网络的能力。通过计算所有节点的节点效率均值得到,如公式(7)所示。
另一方面,Eloc表示节点在局部(即网络内)传输信息的能力。公式(8)定义了计算局部效率的表达式。
将所有被试两次测量的重测值v1和v2合并,得出平均重测值。重测值的计算如下:
如公式(9)所示,TRT的值越大,变异性越高,可重复性越差。
结果
噪声去除和相关类型的影响
所提方法的性能使用不同的图论度量(如路径长度、聚类系数、局部效率和全局效率)来确定。无论采用何种去噪方法或相关类型,在二值网络中,全局测量的TRT变异性在低密度时较高。当评估不同的方法时,TRT受相关类型(PC vs.CC)的影响显著(表4)。去噪管道与相关类型之间没有关联,去噪管道对TRT值没有显著影响。
表4.二值网络全局图度量的测试重置值比较结果(df=1.324)。
加权网络
采用CBSI(简单)和TDDR(复杂)去噪技术对皮尔逊和互相关网络进行加权计算。采用以下技术绘制图形,S_Cor:互相关去噪;S_PCor:皮尔逊相关去噪;C_Cor:互相关的复噪声去除;C_Pcorr:皮尔逊相关的复噪声去除。无论选择何种技术,加权网络的全局图度量都显示出较低的TRT值,如图5所示。在比较不同技术的TRT值时,相关类型的主效应显著。路径长度和聚类系数的TRT值较低,而介数中心性的TRT值较高。
图5.加权网络全局图度量的测试重置值比较结果。
结论
本研究对个体水平脑网络图论指标的可靠性进行了检验。研究结果发现,可重复性不受去噪技术的影响。特别是当网络密度较低时,个体二值网络的图论指标不能很好地再现。二值和加权网络分析表明,权重的选择对图测量的TRT值有明显影响。在本研究中,图度量的推导基于功能连接。因此,在确定权重时,数据点的数量也是一个因素。由于二值网络经常在不同的密度下进行研究,因此它们可以独立于权重定义方法进行构建。未来的研究可以使用绝对权值来检验基于加权或二值网络的节点图度量的可重复性。这项工作也可以扩展到儿童早期大脑发育的研究或临床研究。文章来源:https://www.toymoban.com/news/detail-787213.html
原文:V. Akila, & Anita Christaline Johnvictor..(2023). Functional near infrared spectroscopy for brain functional connectivity analysis: A graph theoretic approach. Heliyon, 9, e15002.文章来源地址https://www.toymoban.com/news/detail-787213.html
到了这里,关于基于fNIRS的脑功能连接分析:图论方法的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!