導(dǎo)讀

在過(guò)去的十年中，fNIRS提供了一種非侵入性的方法來(lái)研究發(fā)展人群的神經(jīng)激活。盡管fNIRS在發(fā)展認(rèn)知神經(jīng)科學(xué)中的應(yīng)用越來(lái)越多，但在如何預(yù)處理和分析嬰兒fNIRS數(shù)據(jù)方面卻缺乏一致性或共識(shí)。本研究考察了對(duì)嬰兒fNIRS數(shù)據(jù)應(yīng)用更高級(jí)統(tǒng)計(jì)分析的可行性，并比較了最常用的基線校正平均法、基于一般線性模型(GLM)的單變量法和多變量模式分析(MVPA)方法，展示了基于這些不同分析方法得出的結(jié)論是如何趨同或不同的。使用面孔倒置范式測(cè)試了這些分析方法，并在30名4-6個(gè)月大的嬰兒中測(cè)量了對(duì)正立和倒置面孔刺激的大腦激活變化。通過(guò)將更多標(biāo)準(zhǔn)方法與最新機(jī)器學(xué)習(xí)技術(shù)相結(jié)合，本研究旨在為fNIRS社區(qū)提供分析嬰兒fNIRS數(shù)據(jù)集的多種途徑。

前言

在過(guò)去的50年里，研究人員在研究人類嬰兒認(rèn)知能力的方法和技術(shù)方面取得了重大進(jìn)展，例如腦電圖(EEG)和事件相關(guān)電位(ERP)，功能磁共振成像(fMRI)以及最近的功能近紅外光譜(fNIRS)。這種研究嬰兒在一歲時(shí)大腦功能發(fā)育的機(jī)遇，使我們對(duì)嬰兒感知和認(rèn)知能力的理解取得了重大進(jìn)展。其中最有前途的方法之一是fNIRS。該技術(shù)使用近紅外光來(lái)檢測(cè)氧合(oxyHb；HbO2)和脫氧(deoxyHb；HHb)血紅蛋白濃度，這是氧氣需求增加的結(jié)果，并間接反映了大腦功能性激活。大腦功能激活過(guò)程中HbO2和HHb的濃度變化可以通過(guò)光吸收測(cè)量得出。與任何其他神經(jīng)成像方法一樣，fNIRS有優(yōu)點(diǎn)也有缺點(diǎn)。在過(guò)去的20年中，它在嬰兒研究中的廣泛應(yīng)用可歸因于這樣一個(gè)事實(shí)，即這種嬰兒友好的方法相對(duì)便宜且易于使用，與EEG相比，fNIRS不易受到運(yùn)動(dòng)偽影的影響，并允許對(duì)大腦皮層在各種感官刺激下的反應(yīng)進(jìn)行空間研究，從而為嬰兒的神經(jīng)發(fā)育提供有價(jià)值的見解。雖然基于NIRS的技術(shù)最初主要應(yīng)用于臨床，例如監(jiān)測(cè)新生兒的腦氧合(NIRS血氧測(cè)定法)，后來(lái)，研究人員開始應(yīng)用fNIRS來(lái)研究嬰兒期的腦功能激活。最近的研究側(cè)重于研究復(fù)雜的認(rèn)知過(guò)程，例如語(yǔ)音處理和語(yǔ)言發(fā)展，社會(huì)大腦網(wǎng)絡(luò)和面孔加工，以及多感官線索。盡管fNIRS在發(fā)展認(rèn)知神經(jīng)科學(xué)中的應(yīng)用越來(lái)越多，但對(duì)于如何預(yù)處理和分析fNIRS數(shù)據(jù)仍缺乏共識(shí)。事實(shí)上，NIRS系統(tǒng)的多樣性，以及統(tǒng)計(jì)軟件和跨嬰兒實(shí)驗(yàn)室的內(nèi)置數(shù)據(jù)分析腳本的異質(zhì)性，使得建立跨實(shí)驗(yàn)的一致和可靠發(fā)現(xiàn)變得困難。為此，本研究的主要目的是展示三種fNIRS數(shù)據(jù)分析方法的結(jié)果：基線校正平均法，基于GLM的單變量分析和MVPA分析，并討論基于這些不同分析方法得出的結(jié)論的趨同或不同。傳統(tǒng)上，fNIRS數(shù)據(jù)是用基線校正平均技術(shù)進(jìn)行分析的，該技術(shù)包括將特定條件blocks的神經(jīng)反應(yīng)進(jìn)行平均，并執(zhí)行基線校正。然后使用方差分析或配對(duì)樣本逐通道t檢驗(yàn)對(duì)處理后的fNIRS數(shù)據(jù)進(jìn)行分析，以比較實(shí)驗(yàn)條件。在這種情況下，首先將時(shí)程數(shù)據(jù)分割成不同的時(shí)間窗(即基線和條件)：然后從實(shí)驗(yàn)試次窗口中減去實(shí)驗(yàn)前窗口(基線)的平均HbO2和HHb濃度，以計(jì)算平均血流動(dòng)力學(xué)濃度變化。然后，對(duì)每個(gè)通道和條件下的試次信號(hào)進(jìn)行平均，并進(jìn)行重復(fù)測(cè)量分析。然后使用不同的多重比較方法進(jìn)行事后比較以控制假陽(yáng)性激活。例如，fNIRS研究使用了錯(cuò)誤發(fā)現(xiàn)率(FDR)，Bonferroni校正，空間連續(xù)激活和蒙特卡羅(Monte Carlo)模擬。雖然基線校正平均法相對(duì)容易在fNIRS嬰兒數(shù)據(jù)中實(shí)現(xiàn)，并且避免了對(duì)血流動(dòng)力學(xué)信號(hào)形狀及其時(shí)間過(guò)程的假設(shè)，但同時(shí)也忽略了重要的時(shí)間信息。相反，一般線性模型(GLM)考慮了整個(gè)時(shí)間過(guò)程，以良好的時(shí)間分辨率證明了其在fNIRS數(shù)據(jù)分析中的作用。然而，重要的是要承認(rèn)，在嘈雜的嬰兒數(shù)據(jù)中，這些時(shí)間信息可能會(huì)部分丟失，由于嬰兒的注意力不集中或哭鬧，有時(shí)不得不丟棄大量數(shù)據(jù)?；趂MRI和NIRS設(shè)計(jì)之間的相似性以及它們對(duì)血流動(dòng)力學(xué)反應(yīng)的依賴，GLM方法最初是用fMRI數(shù)據(jù)實(shí)現(xiàn)的，但現(xiàn)已用于光學(xué)數(shù)據(jù)(例如，NIRS-SPM工具箱)。GLM方法包括對(duì)預(yù)先指定的回歸因子進(jìn)行建模，然后將其與預(yù)期的血流動(dòng)力學(xué)響應(yīng)函數(shù)(HRF)進(jìn)行卷積并擬合到數(shù)據(jù)中。然而，GLM的缺點(diǎn)是它需要假設(shè)一個(gè)預(yù)定義的HRF，預(yù)定義的HRF在被試內(nèi)和被試間可能有所不同，并且在新生兒和幼兒中尚未得到充分證實(shí)。

近來(lái)，為fMRI數(shù)據(jù)開發(fā)的復(fù)雜技術(shù)，如多體素/多變量模式分析(MVPA)等多變量方法，也被用于分析fNIRS數(shù)據(jù)。MVPA允許通過(guò)考慮多個(gè)變量之間的關(guān)系來(lái)分析分布在皮層區(qū)域的大腦活動(dòng)模式。例如，MVPA技術(shù)允許研究人員研究fNIRS激活模式是否可以區(qū)分兩種或多種條件。Emberson及其同事(2017)將MVPA應(yīng)用于嬰兒fNIRS數(shù)據(jù)，使用基于相關(guān)性的解碼方法對(duì)事件相關(guān)設(shè)計(jì)中記錄的血流動(dòng)力學(xué)信號(hào)進(jìn)行解碼，并成功解碼了對(duì)感興趣條件作出響應(yīng)的通道。與標(biāo)準(zhǔn)的單變量檢驗(yàn)相比，MVPA能夠提供有關(guān)血流動(dòng)力學(xué)信號(hào)方面的大量細(xì)節(jié)，而使用經(jīng)典單變量檢驗(yàn)可能會(huì)遺漏這些細(xì)節(jié)。首先，MVPA方法可以檢測(cè)神經(jīng)激活模式，這是觀察一種條件與另一種條件相比所特有的，因此，與標(biāo)準(zhǔn)的單變量分析相比，MVPA提供了更高水平的分析復(fù)雜性。fMRI和fNIRS研究都發(fā)現(xiàn)，多變量方法能夠成功地發(fā)現(xiàn)分布式激活模式和通道貢獻(xiàn)的顯著差異，而單變量檢驗(yàn)無(wú)法做到這一點(diǎn)。其次，該方法可以通過(guò)吸收多個(gè)噪聲信號(hào)來(lái)降低觀測(cè)中噪聲的影響。然而，MVPA的一個(gè)問(wèn)題是，這種方法沒有考慮某些類型的混淆，這些混淆可以使用更標(biāo)準(zhǔn)的分析來(lái)適當(dāng)處理。例如，因?yàn)镸VPA檢測(cè)到的是個(gè)體特有的大腦信號(hào)，在一種情況下解碼的獨(dú)特神經(jīng)活動(dòng)模式可能是由于個(gè)體差異(例如，任務(wù)表現(xiàn)的個(gè)體差異)所致，而不是條件本身。因此，MVPA分析有可能導(dǎo)致假陽(yáng)性。然而，與MVPA相關(guān)的一些局限性可以通過(guò)遵循某些程序來(lái)克服，例如避免訓(xùn)練和測(cè)試集與來(lái)自同一運(yùn)行的數(shù)據(jù)重疊，以減少假陽(yáng)性?？傮w而言，考慮到fNIRS社區(qū)中廣泛使用各種分析方法，比較不同的方法來(lái)分析相同的fNIRS數(shù)據(jù)集可以深入了解每種方法在探索嬰兒大腦反應(yīng)時(shí)的缺陷和優(yōu)勢(shì)。

方法

參與者

根據(jù)power分析，計(jì)算出所需樣本量為26名嬰兒。共招募39名4-6個(gè)月大的足月健康嬰兒參加了該研究。根據(jù)數(shù)據(jù)排除標(biāo)準(zhǔn)，8名參與者被排除在外，因?yàn)槊總€(gè)實(shí)驗(yàn)條件下不足3個(gè)次試次；1名參與者根據(jù)NIRS數(shù)據(jù)預(yù)處理被排除(超過(guò)30%的通道被enPruneChannels拒絕)。最終樣本由30名參與者組成(13名女性；Mage=162.03天，SD=21.40天)。對(duì)樣本量的論證集中在證明所提出的多元模式分析能夠提供令人滿意的性能，根據(jù)整體的準(zhǔn)確性來(lái)分類對(duì)應(yīng)于每個(gè)條件的模式。本研究提出的分析方法的有效性是使用相關(guān)發(fā)育認(rèn)知神經(jīng)科學(xué)fNIRS數(shù)據(jù)集的有效模式分類來(lái)確定的，其中基于相關(guān)的解碼方法已經(jīng)應(yīng)用了MVPA。在本研究方法中，MVPA分析的可靠性取決于監(jiān)督學(xué)習(xí)模型(線性SVM)的性能，其輸入由激活模式組成。線性SVM分類器尋找一組權(quán)重，這些權(quán)重通過(guò)它們之間的最大分離裕度對(duì)每個(gè)條件對(duì)應(yīng)的激活模式進(jìn)行最佳分類。為此，本研究使用了Emberson及其同事(2017)原始研究的樣本數(shù)據(jù)。這項(xiàng)研究考察了5-6個(gè)月大的嬰兒對(duì)視聽刺激的神經(jīng)處理。結(jié)果發(fā)現(xiàn)個(gè)體通道的信息量存在差異，并證明了在發(fā)育人群中使用MVPA解碼由fNIRS測(cè)量的神經(jīng)模式是可行的。為了預(yù)測(cè)當(dāng)前研究中MVPA令人滿意的性能所需的樣本量，本研究使用了Figueroa及其同事(2012)建議的方法。在這項(xiàng)工作中，每個(gè)性能值(準(zhǔn)確率)所需的樣本量是基于小標(biāo)注訓(xùn)練集分類器精度趨勢(shì)的逆冪律模型估計(jì)的。使用Emberson數(shù)據(jù)進(jìn)行此分析的結(jié)果如圖1所示。而且從圖1可知，基于MVPA的方法對(duì)于之前在相關(guān)工作和本研究所考慮的參與者數(shù)量中是穩(wěn)健的(N=26)。

刺激和程序

基線期的刺激包括5種蔬菜的全彩照片圖像，測(cè)試期的刺激包括5張女性面孔的全彩色照片圖像，面部表情中性，或正立或倒置。面部刺激選自NimStim面部刺激集(可在http://www.macbrain.org/resources.htm)獲得。為了增加視覺辨別刺激的可能性(基于亮度、空間頻率和顏色)，選擇了多個(gè)種族和民族的面孔。這些面孔被裁剪至脖子正下方。LED顯示器的尺寸為23.6英寸，距離參與者眼睛90cm處。在每個(gè)試次中，五張面孔圖像以1Hz的速率和偽隨機(jī)順序呈現(xiàn)，以確保同一試次或同一面孔圖像不會(huì)出現(xiàn)超過(guò)兩次或連續(xù)出現(xiàn)(圖2)。在一半的試次中呈現(xiàn)正立面孔，在另一半試次中呈現(xiàn)倒置面孔。使用偽隨機(jī)順序來(lái)確保給定的條件不會(huì)連續(xù)出現(xiàn)超過(guò)三次。刺激呈現(xiàn)一直持續(xù)到嬰兒變得煩躁或無(wú)聊，或者由監(jiān)測(cè)其行為的實(shí)驗(yàn)者評(píng)估至少30個(gè)試次。試次持續(xù)時(shí)間固定為8s。在基線試次期間，5張蔬菜圖像以1Hz的速率隨機(jī)呈現(xiàn)兩次，持續(xù)10s。

參與者在光線昏暗、聲音微弱的房間里，坐在父母的腿上接受測(cè)試。鼓勵(lì)嬰兒觀看顯示器上呈現(xiàn)的刺激。要求父母在刺激呈現(xiàn)期間避免與嬰兒交談或互動(dòng)，除非嬰兒變得煩躁不安。通過(guò)E-prime播放刺激，用惠普筆記本電腦記錄NIRS信號(hào)。NIRS機(jī)器使用了脈沖LED發(fā)射器(NIRScout系統(tǒng)，NIRx，BrainProducts)。整個(gè)測(cè)試過(guò)程持續(xù)了大約10min。

fNIRS記錄和預(yù)處理

采用NIRx NIRScout記錄fNIRS數(shù)據(jù)(源-探測(cè)器距離：2.5cm；兩種波長(zhǎng)：760nm和850nm；采樣率：約10Hz)。將光學(xué)探測(cè)帽戴在嬰兒頭部，對(duì)準(zhǔn)兩個(gè)半球的顳葉區(qū)域(左，LH；右，RH)。先前的研究使用相似的源探測(cè)器蒙太奇對(duì)fNIRS和MRI進(jìn)行共配準(zhǔn)，證明它可以測(cè)量對(duì)應(yīng)于IFG、STS和TPJ區(qū)域的大腦反應(yīng)。將光學(xué)傳感器內(nèi)置于腦電帽(Quick-cap，Compumedics Neuroscan)中，并使用表面解剖標(biāo)記將其放置在嬰兒頭部的兩側(cè)(近似源探測(cè)器的位置見圖3)。

使用Matlab軟件包Homer2對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。實(shí)驗(yàn)中的數(shù)據(jù)會(huì)自動(dòng)保存為“.nirs”格式，與Homer2兼容。本研究遵循一種處理流程，該流程適用于噪聲數(shù)據(jù)和少量試次(典型的嬰兒fNIRS數(shù)據(jù))。首先將光強(qiáng)度數(shù)據(jù)轉(zhuǎn)換為光密度，拒絕原始強(qiáng)度小于0.001V或大于10V的通道(enPruneChannels函數(shù))。此外，NaN值超過(guò)20%的通道都被排除在分析之外，并且剔除session中所有時(shí)間段的NaN值。手動(dòng)剔除嬰兒沒有參加或照顧者影響嬰兒觀察行為的試次。根據(jù)Brigadoi等人(2014)的建議，使用0.5倍四分位間距的小波分析校正運(yùn)動(dòng)偽影。為了衰減慢漂移和高頻噪聲，本研究使用Homer中提供的默認(rèn)濾波選項(xiàng)對(duì)數(shù)據(jù)進(jìn)行帶通濾波(高通：0.01Hz；低通：0.80Hz)。因信號(hào)微弱或噪聲超過(guò)30%的通道數(shù)據(jù)被排除在分析之外。最后，使用路徑長(zhǎng)度因子為5.1的修正Beer-Lambert定律將數(shù)據(jù)轉(zhuǎn)換為含氧血紅蛋白(HbO2)和脫氧血紅蛋白(HHb)的相對(duì)濃度。與以前的嬰兒fNIRS研究一樣，進(jìn)行基線校正平均和GLM分析需要最少6個(gè)試次(每個(gè)條件3個(gè)試次)。對(duì)于MVPA方法，每個(gè)參與者的最小試次數(shù)目設(shè)置為16(每個(gè)條件8個(gè)試次)。

數(shù)據(jù)分析

盡管本研究主要預(yù)期STS區(qū)域存在的差異，但使用的陣列與以前的共配準(zhǔn)工作略有不同，這使得很難確切地知道在潛在的ROI分析中應(yīng)該包括哪些通道。因此，本研究進(jìn)行了全陣列分析。

①基線校正平均法

本研究計(jì)算了從每個(gè)試次開始前3s到試次偏移結(jié)束后7s的18s長(zhǎng)周期內(nèi)HbO2和HHb的相對(duì)變化。從15s分析期的濃度中減去3s實(shí)驗(yàn)前窗口期(基線)的平均HbO2和HHb濃度。然后對(duì)每個(gè)通道和條件的試次信號(hào)進(jìn)行平均。本研究首先量化了試次開始后五個(gè)3s子周期的平均血流動(dòng)力學(xué)濃度變化。接下來(lái)對(duì)這五個(gè)子階段進(jìn)行重復(fù)測(cè)量分析，將兩個(gè)條件(正立與倒置)作為被試內(nèi)因素，以確定在同時(shí)考慮這兩種情況時(shí)，HbO2較基線顯著增加或顯著降低的通道。為了評(píng)估兩個(gè)條件(正立與倒置)之間的血流動(dòng)力學(xué)響應(yīng)是否存在差異，對(duì)每個(gè)顯示出顯著血流動(dòng)力學(xué)響應(yīng)的預(yù)選擇通道進(jìn)行了重復(fù)測(cè)量分析。通過(guò)使用Benjamini-Hochberg方法控制錯(cuò)誤發(fā)現(xiàn)率以進(jìn)行多重比較校正。

②一般線性模型(GLM)分析

使用自定義Matlab腳本(代碼可通過(guò)GitHub獲得)和SPM-NIRS工具箱進(jìn)行數(shù)據(jù)分析。對(duì)于每個(gè)嬰兒，構(gòu)建一個(gè)具有三個(gè)回歸量的設(shè)計(jì)矩陣。第一個(gè)回歸量對(duì)正立面孔試次(8s)進(jìn)行建模，第二個(gè)回歸量對(duì)倒置面孔試次(8s)進(jìn)行建模，第三個(gè)回歸量對(duì)基線試次建模(10s)。將排除的試次周期設(shè)置為零，從而有效地將其從分析中刪除。這些回歸因子與標(biāo)準(zhǔn)的典型血液動(dòng)力學(xué)響應(yīng)函數(shù)進(jìn)行卷積，得到設(shè)計(jì)矩陣，然后使用SPM-NIRS工具箱中的一般線性模型對(duì)數(shù)據(jù)進(jìn)行擬合。對(duì)于每個(gè)回歸量和每個(gè)嬰兒，獲得beta參數(shù)，然后用于計(jì)算每個(gè)嬰兒感興趣條件之間的差異。為了確保通道激活的統(tǒng)計(jì)可靠性，使用基線校正平均法中描述的Benjamini-Hochberg方法進(jìn)行FDR校正。

③多變量模式分析(MVPA)

數(shù)據(jù)分析是使用自定義的內(nèi)置腳本進(jìn)行(代碼可通過(guò)GitHub獲得)。多變量解碼精度的估計(jì)作為SVM預(yù)測(cè)的基礎(chǔ)，對(duì)每個(gè)向量使用以下目標(biāo)標(biāo)簽進(jìn)行訓(xùn)練：正立vs.基線；倒置vs.基線；正立vs.倒置。在后續(xù)的MVPA分析中，每個(gè)條件的第一級(jí)GLM β系數(shù)的多通道向量被用作特征(即使用來(lái)自GLM的輸出，每個(gè)條件和通道都有一個(gè)回歸量)。為了驗(yàn)證MVPA結(jié)果的泛化性，在5折交叉驗(yàn)證過(guò)程中生成測(cè)試集和訓(xùn)練集，其中被試不重疊，并將結(jié)果值報(bào)告為交叉驗(yàn)證測(cè)試的均值。利用貝葉斯主成分插補(bǔ)法，以同一區(qū)域內(nèi)非缺失通道的β值為參考，估計(jì)缺失通道的β值。采用SVM作為二元分類器，與以往的MVPA分析和fNIRS信號(hào)一樣。對(duì)于MVPA，推薦使用線性核SVM，因?yàn)檫@種更簡(jiǎn)單的模型不太容易出現(xiàn)過(guò)擬合(即建模噪聲和相關(guān)信息)。此外，還使用L2正則化對(duì)SVM進(jìn)行擬合，目的是保持模型權(quán)重較小，從而降低其復(fù)雜性并避免過(guò)擬合。由遺傳算法引導(dǎo)的搜索用于查找最決定性的通道beta子集，以最大化MVPA精度。SVM的參數(shù)化僅通過(guò)訓(xùn)練集中的交叉驗(yàn)證過(guò)程進(jìn)行估計(jì)。通過(guò)隨機(jī)化方法(蒙特卡羅方法)應(yīng)用數(shù)據(jù)集重采樣程序，以嵌套的5折交叉驗(yàn)證進(jìn)行組水平分析。使用置換標(biāo)簽進(jìn)行多次分類分析，以獲得零分布或機(jī)會(huì)性能分布，并通過(guò)零分布的經(jīng)驗(yàn)p值評(píng)估觀測(cè)結(jié)果的顯著性。對(duì)靈敏度執(zhí)行相同的過(guò)程，即對(duì)每個(gè)特征的分類器評(píng)分。圖4顯示了從原始光強(qiáng)度(Volts)測(cè)量到MVPA分析的所有處理步驟的示意圖。

結(jié)果

①基線校正平均結(jié)果

初步分析發(fā)現(xiàn)，與同時(shí)考慮兩個(gè)條件時(shí)的基線期相比，有三個(gè)通道在試次期間顯示出顯著的血流動(dòng)力學(xué)響應(yīng)。這些通道在基線期和試次期之間具有明顯的HbO2增加：通道8(p=.0006)，通道18(p=.003)，通道20(p=.046)。通道8具有明顯的HHb下降(p=.010)。對(duì)于通道18，與倒置面孔相比，正立面孔的HbO2反應(yīng)明顯更大(p=.036；見圖5)，這表明在整個(gè)分析期間，正立面孔的HbO2反應(yīng)更大。然而，該通道經(jīng)FDR校正為p=.108。

②一般線性模型(GLM)結(jié)果

對(duì)個(gè)體條件與基線之間beta值的t檢驗(yàn)顯示，與基線相比，正立面孔(或倒置面孔)的HbO2/HHb沒有顯著增加/降低。因此，GLM輸出數(shù)據(jù)沒有通過(guò)初始質(zhì)量檢查。對(duì)正立和倒置面孔之間beta值的t檢驗(yàn)顯示，有兩個(gè)通道對(duì)面孔朝向敏感，一個(gè)通道位于左側(cè)顳頂葉皮層(通道8)，另一個(gè)通道位于左側(cè)額下皮層(通道1)。通道8的血流動(dòng)力學(xué)反應(yīng)(基于HbO2)顯示，與倒置面孔相比，正立面孔的血流動(dòng)力學(xué)反應(yīng)明顯更強(qiáng)(p=0.031)。然而，這個(gè)通道未能通過(guò)多重比較校正，F(xiàn)DR校正p=.56。通道1顯示，與倒置面孔相比，正立面孔的血流動(dòng)力學(xué)反應(yīng)(基于HHb)明顯更大(p=.028)。然而，該通道未能通過(guò)多重比較校正，F(xiàn)DR校正p=0.62。與正立面孔條件相比，在倒置條件下沒有通道顯示出明顯更大的響應(yīng)。

③多變量模式分析(MVPA)結(jié)果

對(duì)30名參與者(每個(gè)條件至少3個(gè)試次；在后述中稱為數(shù)據(jù)集1)和13名參與者(每個(gè)條件至少8個(gè)試次；數(shù)據(jù)集2)進(jìn)行了MVPA分析。對(duì)于數(shù)據(jù)集1，與基線期相比，HbO2在試次期的解碼精度(50%)不存在統(tǒng)計(jì)學(xué)顯著性。同樣，HbO2在正立和倒置條件下的解碼精度(58%)在統(tǒng)計(jì)學(xué)上也不顯著(p=.13)。在所有比較中，HHb的解碼精度也沒有統(tǒng)計(jì)學(xué)顯著性。對(duì)于正立vs.倒置條件下的HbO2解碼，本研究還提取了通道解碼相關(guān)性(圖6)，正如用于MVPA分析的基于線性SVM方法的系數(shù)絕對(duì)值所示。左半球的通道15和17顯示出比兩個(gè)半球其他通道更大的系數(shù)。然而，這些通道的相關(guān)性并不顯著高于其他通道。

在數(shù)據(jù)集2中發(fā)現(xiàn)了類似的結(jié)果。與基線期相比，HbO2在試次期的解碼精度沒有統(tǒng)計(jì)學(xué)顯著性。在所有比較中，HHb的解碼精度也沒有統(tǒng)計(jì)學(xué)意義。因此，這表明該模型無(wú)法成功地建立一個(gè)準(zhǔn)確的解碼，無(wú)論樣本中的嬰兒觀看的是正立面孔刺激還是倒置面孔刺激。對(duì)于正立與倒置條件下的HbO2解碼，本研究還提取了通道解碼相關(guān)性(圖7)，正如用于MVPA分析的基于線性SVM方法的系數(shù)絕對(duì)值所示。右半球的通道7顯示出比兩個(gè)半球其他通道更大的系數(shù)。然而，該通道的相關(guān)性并不顯著高于其他通道。

結(jié)論

在過(guò)去的幾十年里，fNIRS研究在發(fā)展認(rèn)知神經(jīng)科學(xué)領(lǐng)域發(fā)展迅速?？赡苁怯捎谠擃I(lǐng)域的快速發(fā)展，有許多不同的方法來(lái)分析發(fā)展中的fNIRS數(shù)據(jù)。本研究的目的是在涉及正立和倒置面孔(即經(jīng)典的面孔倒置效應(yīng))范式的背景下，比較和對(duì)比三種fNIRS數(shù)據(jù)分析方法，即基線校正平均、基于GLM的單變量分析和MVPA分析?；€校正平均法顯示，只有大約位于右側(cè)STS后部的通道18，對(duì)正立面孔的HbO2反應(yīng)明顯大于倒置面孔，同時(shí)也顯示出顯著時(shí)間主效應(yīng)。但是通道18未能通過(guò)多重比較校正，因此應(yīng)謹(jǐn)慎對(duì)待此結(jié)果。本研究還確定了位于雙側(cè)后部區(qū)域的兩個(gè)通道(通道17和9)和一個(gè)位于右側(cè)前部區(qū)域的通道(通道11)，這些通道對(duì)面孔方向比較敏感，但當(dāng)同時(shí)考慮這兩種情況時(shí)，沒有顯示明顯的血流動(dòng)力學(xué)反應(yīng)的證據(jù)(以HbO2增加或HHb減少為指標(biāo))。這些通道的位置位于雙側(cè)STS后部區(qū)域和右側(cè)額下回?？偟膩?lái)說(shuō)，這些結(jié)果與Otsuka等人(2017)的發(fā)現(xiàn)是一致的，他們發(fā)現(xiàn)5-8個(gè)月大的嬰兒在面對(duì)正立(而不是倒置)面孔時(shí)，右顳葉的HbO2顯著增加?；贕LM的單變量分析顯示，位于左后側(cè)區(qū)域(通道8；對(duì)應(yīng)于左側(cè)STS后部區(qū)域)的一個(gè)通道對(duì)正立面孔的HbO2反應(yīng)明顯大于倒置面孔。這一結(jié)果證實(shí)了先前的研究，即STS是與社會(huì)知覺有關(guān)的關(guān)鍵大腦區(qū)域。然而，考慮到這種效應(yīng)無(wú)法通過(guò)多重比較校正，且單個(gè)通道上的顯著差異(在相鄰?fù)ǖ郎蠜]有顯著效應(yīng)的情況下)可能缺乏統(tǒng)計(jì)可靠性，這可能是一個(gè)假陽(yáng)性發(fā)現(xiàn)。此外，鑒于沒有發(fā)現(xiàn)正立狀態(tài)下(與基線相比)顯著的血流動(dòng)力學(xué)反應(yīng)的證據(jù)，因而有理由質(zhì)疑GLM分析的敏感性。鑒于HRF在幼兒中沒有得到很好的實(shí)證，關(guān)于HRF的假設(shè)容易受到模型錯(cuò)誤規(guī)范的影響。一個(gè)潛在的解決方案是在HR建模時(shí)使用時(shí)間和彌散導(dǎo)數(shù)，這考慮到了血流動(dòng)力學(xué)響應(yīng)的起始時(shí)間和形狀的可變性?？偟膩?lái)說(shuō)，盡管本研究的GLM模型可能缺乏敏感性，但這些結(jié)果與基線校正分析一致，即位于嬰兒大腦STS區(qū)域的通道對(duì)面孔方向比較敏感。考慮到GLM方法的這些潛在問(wèn)題，使用beta系數(shù)的MVPA分析無(wú)法以預(yù)期的精度區(qū)分fNIRS數(shù)據(jù)中的兩種刺激條件。基于基線平均的MVPA和基于GLM的beta系數(shù)的MVPA可以實(shí)現(xiàn)更高的解碼精度。位于嬰兒大腦右側(cè)STS區(qū)域的大量通道共同促成了高解碼能力。這表明，基于β的MVPA方法不應(yīng)依賴于對(duì)β系數(shù)的先驗(yàn)估計(jì)，除非實(shí)驗(yàn)設(shè)計(jì)或人群有助于引出一個(gè)明確的規(guī)范HR。其他不依賴于β權(quán)重回歸或HRF擬合的多變量方法也可能有所幫助?？偟膩?lái)說(shuō)，所有這些分析似乎確實(shí)指出位于嬰兒大腦STS區(qū)域的通道對(duì)面孔方向敏感，正立和倒置面孔狀況之間存在單變量差異。此外，未來(lái)的研究在使用單變量或多變量方法進(jìn)行fNIRS發(fā)展性研究時(shí)應(yīng)仔細(xì)考慮當(dāng)前研究中所概述的注意事項(xiàng)。

參考文獻(xiàn)：Maria Laura Filippetti , Javier Andreu-Perez , Carina de Klerk , Chloe Richmond , Silvia Rigato , Are advanced methods necessary to improve infant fNIRS?data analysis? An assessment of baseline-corrected averaging, general linear model (GLM) and multivariate pattern analysis (MVPA) based approaches, NeuroImage (2022), doi: https://doi.org/10.1016/j.neuroimage.2022.119756

小伙伴們關(guān)注茗創(chuàng)科技，將第一時(shí)間收到精彩內(nèi)容推送哦～