導(dǎo)讀

背景：fNIRS是一種利用近紅外光譜進(jìn)行功能神經(jīng)成像的光學(xué)腦監(jiān)測技術(shù)。它使用近紅外光來測量大腦活動，并估計由于運動活動而引起的大腦皮層血流動力學(xué)活動。fNIRS通過光學(xué)吸收來測量含氧和脫氧血紅蛋白中氧水平的變化。多源噪聲和偽影干擾導(dǎo)致的信號衰減是fNIRS信號分析面臨的主要挑戰(zhàn)之一。方法：在此背景下，本研究旨在使用圖論分析大腦不同區(qū)域之間的連接性，從而分析大腦網(wǎng)絡(luò)在功能參數(shù)方面的幾何關(guān)聯(lián)。本研究考察了兩種噪聲去除技術(shù)(CBSI和TDDR)，以及兩種類型的相關(guān)fNIRS(如皮爾遜相關(guān)(PC)、互相關(guān)(CC))和各種全腦網(wǎng)絡(luò)結(jié)構(gòu)對個體參與者圖度量可重復(fù)性的影響。使用重測變異性(TRT)研究了圖度量在個體水平上的可重復(fù)性。結(jié)果：無論去噪方法或相關(guān)類型如何，二值網(wǎng)絡(luò)中全局度量的重測變異性在低密度時都很大。加權(quán)網(wǎng)絡(luò)的測試重置值非常低，整個圖度量的可重復(fù)性很好。在比較各種方法的重測值時，相關(guān)類型、相關(guān)性絕對值和權(quán)重計算方法對原始相關(guān)值均有顯著的影響。

結(jié)論：基于一個以絕對互相關(guān)函數(shù)為權(quán)重的加權(quán)網(wǎng)絡(luò)，本研究表明歸一化全局圖度量是可靠的。用于去噪的節(jié)點定義技術(shù)對于歸一化圖度量的可重復(fù)性沒有明顯影響。

前言

功能近紅外光譜(fNIRS)分析光源和探測器之間的近紅外光強度的變化，以確定大腦皮層中血紅蛋白含量的變化。該方法最初由Jobsis提出，現(xiàn)在主要用于各種神經(jīng)科學(xué)研究分析。fNIRS因其具有良好的性價比和實用性等優(yōu)點而被廣泛使用。許多研究人員已經(jīng)使用fNIRS來監(jiān)測大腦狀態(tài)。然而，近紅外成像也存在一定挑戰(zhàn)，如運動偽影。fNIRS信號對于個體運動變化而產(chǎn)生的運動偽影非常敏感。光接觸的變化通常會導(dǎo)致fNIRS信號中產(chǎn)生偽影，而且偽影的幅度大于潛在的血流動力學(xué)變化。這增加了分析的復(fù)雜性，并且難以從運動偽影中恢復(fù)原始的生理NIRS信號。

與PET或fMRI等其他方法相比，fNIRS在便攜性方面更具優(yōu)勢，因此被用于嬰兒或神經(jīng)系統(tǒng)疾病患者的各種神經(jīng)科學(xué)病例。例如許多研究已將fNIRS用于成人和嬰兒的癲癇發(fā)作。但是，癲癇發(fā)作通常包括過度和劇烈的抽搐，因而這種運動偽影增加了獲取有關(guān)癲癇發(fā)作和準(zhǔn)確的神經(jīng)生理信息的復(fù)雜性。因此，在分析前使用有效的預(yù)處理技術(shù)去除運動偽影是至關(guān)重要的。預(yù)處理技術(shù)必須具有客觀的運動檢測算法，該算法可以檢測諸如心跳等變化、各種類型的緩慢移動漂移(如基線漂移)、頻率尖峰(如高頻尖峰)。以圖論的方法來理解大腦的功能，為人腦不同區(qū)域的復(fù)雜研究提供了更深入的分析。本研究旨在確定圖論在分析靜息態(tài)fNIRS數(shù)據(jù)以確定人腦功能連接(FC)方面的有效性。主要貢獻(xiàn)可以歸納為：①本文提出了一種基于圖論的fNIRS數(shù)據(jù)分析方法，用于監(jiān)測人腦認(rèn)知神經(jīng)活動的相關(guān)性；②本文利用圖論分析大腦的功能連接，以確定腦功能網(wǎng)絡(luò)的幾何關(guān)聯(lián)。

神經(jīng)科學(xué)領(lǐng)域已經(jīng)進(jìn)行了大量的研究，并應(yīng)用fNIRS來確定不同大腦功能之間的相關(guān)性。這些研究工作主要集中在使用不同的技術(shù)檢測和去除運動偽影。近年來，基于圖論的方法對于理解靜息態(tài)fNIRS的有效性具有重要意義。本節(jié)討論了一些基于圖論的fNIRS相關(guān)研究工作。Sun等人(2019)借助各種耦合和一般化技術(shù)來構(gòu)建腦網(wǎng)絡(luò)的靈活性、有效性和魯棒性。采集了16例重度抑郁癥(MDD)患者和16名正常對照者的128導(dǎo)RS EEG信號進(jìn)行實驗分析。?Duan和Mai(2020)提出了一種基于譜聚類的fNIRS靜息網(wǎng)絡(luò)檢測方法。他們提出的基于聚類的方法包括兩個步驟，首先使用譜聚類方法初步確定fNIRS分析的分區(qū)，該方法可以自動確定聚類數(shù)。其次，對個體層面的分區(qū)結(jié)果進(jìn)一步執(zhí)行聚類分析。將組一致性高的團(tuán)簇視為靜息態(tài)網(wǎng)絡(luò)簇。該研究結(jié)果表明，譜聚類方法是檢測fNIRS-RSN的有效方法。Wang等人(2017)的研究旨在確定用于分析兒童和嬰兒腦網(wǎng)絡(luò)連接準(zhǔn)確映射的最短RS-fNIRS成像時間。使用53名健康兒童的RS-fNIRS數(shù)據(jù)，以確定獲得精確穩(wěn)定的功能連接所需的最短成像時間，以及基于圖論的其他性能指標(biāo)，如腦網(wǎng)絡(luò)活動的節(jié)點效率和網(wǎng)絡(luò)全局/局部效率。實驗分析結(jié)果表明，在7分鐘的fNIRS成像時間后，可以準(zhǔn)確地獲得大腦網(wǎng)絡(luò)的功能連接。然而，在較低的網(wǎng)絡(luò)閾值下，準(zhǔn)確測量所需的最短掃描時間為2.5分鐘。該研究結(jié)果為選擇兒童的RS-fNIRS成像時間以進(jìn)行大腦功能連接研究提供了具體依據(jù)。表1列舉了該領(lǐng)域的相關(guān)研究，特別是fNIRS腦連接的應(yīng)用。

圖1顯示了近年來fNIRS領(lǐng)域正在進(jìn)行的研究數(shù)據(jù)。這些研究涉及結(jié)構(gòu)連接、功能連接、兒童發(fā)育、靜息態(tài)功能連接RS-fNIRS，以及重度抑郁癥(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對基于圖論的大腦連接進(jìn)行全面評估。

材料和方法

參與者

數(shù)據(jù)來自Yücel等人(2014)的研究，該數(shù)據(jù)集包含五名健康成年人(1名女性，4名男性)，年齡范圍為23-52歲(平均35±13)。所有參與者均無任何神經(jīng)系統(tǒng)疾病史。本研究將使用圖論方法對這些數(shù)據(jù)進(jìn)行分析。

實驗

參與實驗分析的參與者均為右利手，視力正常。所有參與者均健康，沒有任何與神經(jīng)肌肉、神經(jīng)生理、視覺或心血管異常相關(guān)的疾病。當(dāng)參與者在執(zhí)行右手敲擊任務(wù)時對其進(jìn)行掃描。在不同的手指敲擊任務(wù)或休息條件下，會有不同的持續(xù)時間。使用Yücel等人討論的方法建立身體運動樣本。在進(jìn)行手指敲擊或休息blocks時同時采集數(shù)據(jù)，并記錄手指敲擊的樣本。在此過程中，要求參與者執(zhí)行不同的頭部和面部動作，這些動作與現(xiàn)實和社交中觀察到的常規(guī)動作相似。

數(shù)據(jù)采集

本研究使用TechEn CW6系統(tǒng)采集血流動力學(xué)信號的光學(xué)變化，該系統(tǒng)使用LEDs發(fā)射兩種不同調(diào)制波長(690和830nm)。使用標(biāo)準(zhǔn)測量系統(tǒng)覆蓋大腦皮層的顳、頂、枕、額部。測量帽由放置在頭皮上的源-探測器組成，其中15個光源與18個探測器的長間隔為30mm，短間隔為8mm，采樣頻率為50Hz。數(shù)據(jù)來自位于半球兩側(cè)的源探測器對，類似于EEG電極的放置。要求參與者執(zhí)行不同的任務(wù)，例如揚眉、大聲朗讀、上下點頭、側(cè)點頭、右扭頭、左扭頭和快速側(cè)搖頭。記錄數(shù)據(jù)的總時長為6min，每次運動3s，重復(fù)5次，試次間隔為5-10s。

數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理是執(zhí)行圖論分析之前的重要且初始步驟之一。對fNIRS數(shù)據(jù)進(jìn)行預(yù)處理，使數(shù)據(jù)適合進(jìn)一步分析。該過程包括將原始光振幅轉(zhuǎn)換為光密度，對主成分進(jìn)行濾波，檢測并消除運動偽影。通過對相鄰的數(shù)據(jù)段進(jìn)行平均來修正脈沖峰值和不確定性。

使用頻率范圍為0.01-0.2Hz的帶通濾波器對原始光強度數(shù)據(jù)進(jìn)行濾波，消除心臟和呼吸波形，并去除數(shù)據(jù)中的頻率波動。一旦強度數(shù)據(jù)轉(zhuǎn)換為光密度，就可以結(jié)合改進(jìn)的Beer-Lambert方程確定氧合和脫氧血紅蛋白濃度的變化。預(yù)處理還包括數(shù)據(jù)處理的其他方面，例如濾波、運動校正、數(shù)據(jù)采樣、時間點去趨勢、噪聲回歸和定制處理技術(shù)。刪除參與者的第一個或最后一個記錄時間段數(shù)據(jù)，因為它會導(dǎo)致生理數(shù)據(jù)的變化和儀器穩(wěn)定性的變化。信號中的線性和非線性變化通過從原始濃度信號中減去該信號來消除。一般的處理流程如圖2所示。

對源探測器對上獲得的數(shù)據(jù)執(zhí)行運動校正。該分析包括使用基于相關(guān)的信號改善(CBSI)進(jìn)行運動校正。CBSI過程確保了氧合血紅蛋白和脫氧血紅蛋白信號在靜息態(tài)下呈負(fù)相關(guān)，并由于這些信號中出現(xiàn)運動偽影而變?yōu)檎嚓P(guān)。運動校正也使用另一種稱為時間導(dǎo)數(shù)分布修復(fù)(TDDR)的方法進(jìn)行研究。當(dāng)信號中含有高頻振蕩成分時，分布會使估計偏差較大，因此越接近均值的偽影需要的校正越少。高頻振蕩增加了時間導(dǎo)數(shù)的方差。在這項研究中，該方法作為一種簡單的噪聲去除技術(shù)。TDDR方法是基于使用一種穩(wěn)健回歸方法去除基線和尖峰偏移。圖3A顯示了去線性趨勢的效果，CBSI和TDDR對原始數(shù)據(jù)和預(yù)處理數(shù)據(jù)的影響分別如圖3B和3C所示。信號衰減受到噪聲和儀器干擾的影響。將TDDR作為一種復(fù)噪聲去除方法。為了濾除不確定性，使用了不同的濾波器，例如無限脈沖響應(yīng)(IIR)濾波器、有限脈沖響應(yīng)(FIR)濾波器和基于快速傅里葉變換的理想濾波器(基于FFT的濾波器)。帶通濾波采用巴特沃斯濾波器完成，有限脈沖響應(yīng)濾波采用漢明窗，因為與IIR濾波器相比，漢明窗易于控制且穩(wěn)定性高。在這里，將每個通道的特征轉(zhuǎn)換為頻域。

HbO-氧合血紅蛋白原始數(shù)據(jù)和HbO(p)-預(yù)處理數(shù)據(jù)經(jīng)運動校正后，使用FFT濾波器去除該域的信號。這是為了去除不同的成分，如心率(~1.3Hz)、呼吸(~0.25Hz)和Mayer波(~0.09Hz)。計算了不同階次IIR濾波器的平均絕對誤差(ME)、均方誤差(MSE)、信噪比(SNR)和峰值信噪比(PSNR)測量值，如表2所示。

從表2可以看出，三階IIR濾波器在平均絕對誤差(ME)、均方誤差(MSE)、信噪比和峰值信噪比(PSNR)測量中表現(xiàn)出良好的性能。為了進(jìn)一步平滑信號，應(yīng)用了漢明窗口。在應(yīng)用漢明窗口后，相同的參數(shù)值如表3所示。

圖論分析

在圖形網(wǎng)絡(luò)中，邊和節(jié)點被認(rèn)為是大腦網(wǎng)絡(luò)的基本構(gòu)建塊。用邊表示節(jié)點間的功能連接，將圖形網(wǎng)絡(luò)中的節(jié)點視為測量通道。節(jié)點的定義決定了節(jié)點之間功能連接的計算。通過評估節(jié)點間時間序列的皮爾遜相關(guān)(PC)系數(shù)來計算功能連接。因此，對于每個個體，得到一個維度為N×N的相關(guān)矩陣(CM)，其中N是fNIRS通道的數(shù)量。此外，獲得所有個體相關(guān)矩陣的平均值，并將矩陣從平均CM轉(zhuǎn)換為鄰接矩陣。

計算每個被試的時間序列均值，從而得到每個被試的平均時間序列。平均時間序列可以確定任意兩個被試是否完全或部分相關(guān)。使用其他時間序列作為控制變量來確定任何時間序列對的互相關(guān)。逆協(xié)方差矩陣是計算的基礎(chǔ)。為了減少其他腦區(qū)的影響，可以使用互相關(guān)作為功能連接的更精確指標(biāo)。

本研究的主要目的是使用無自連接的加權(quán)無向網(wǎng)絡(luò)和二值網(wǎng)絡(luò)。對二值網(wǎng)絡(luò)的研究在不同密度(從5%到50%)下進(jìn)行。加權(quán)網(wǎng)絡(luò)可以避免閾值化問題，該網(wǎng)絡(luò)還考慮了從0到1的所有權(quán)值，應(yīng)用一個固定/預(yù)設(shè)的相關(guān)閾值(T)，以確保邊的絕對連接強度大于閾值，如公式(1)所示：

閾值T是根據(jù)稀疏度確定的，并被確定為總實際邊與最大可能邊的比率。T值取0.8。

采用公式(2)中的皮爾遜相關(guān)(PC)和公式(3)中的互相關(guān)(CC)方法，對跨功能和交叉關(guān)系或功能連接(FC)的fNIRS系數(shù)進(jìn)行圖形分析。本研究考察了不同網(wǎng)絡(luò)構(gòu)建技術(shù)對圖測量和FC穩(wěn)定性的影響。每個參與者的相關(guān)矩陣是在特定時間段內(nèi)使用皮爾遜相關(guān)和互相關(guān)單獨確定的。PC最初用于評估在時間序列中獲取的圖像之間的線性關(guān)聯(lián)程度。

其中i和i分別表示M和N的平均值。

其中dij定義了第i個和第j個區(qū)域的平均時間序列之間的延遲。通過評估最大rij(dij)來確定兩個腦區(qū)的FC強度。圖4顯示了不同頭部運動的靜息態(tài)功能連接矩陣。

在這項工作中，圖論指標(biāo)度量每個節(jié)點的連通性。利用聚類系數(shù)來衡量局部鄰域連通性，并將其計算為鄰居節(jié)點相似性。這些鄰居也是路徑長度Lp的鄰居，該路徑長度用于測量網(wǎng)絡(luò)中節(jié)點之間的距離，使用如下公式(4)進(jìn)行計算：

公式(4)定義了各節(jié)點之間的最短測地線距離。每個節(jié)點都與全局效率相關(guān)聯(lián)，并測量網(wǎng)絡(luò)中各個節(jié)點與其他節(jié)點的關(guān)聯(lián)。節(jié)點的局部效率決定了放置在預(yù)定義網(wǎng)絡(luò)區(qū)域中的鄰居節(jié)點的互連情況。

圖形網(wǎng)絡(luò)可以根據(jù)不同的網(wǎng)絡(luò)參數(shù)進(jìn)行分析，例如節(jié)點效率(Enodal)、節(jié)點介數(shù)、網(wǎng)絡(luò)聚類系數(shù)、網(wǎng)絡(luò)的局部和全局效率。Enodal是定義網(wǎng)絡(luò)X中節(jié)點的通信能力及其與其他節(jié)點交互能力的指標(biāo)，如公式(5)所示。

其中，dij為兩個節(jié)點i和j之間的最短路徑長度，N為節(jié)點數(shù)。另一個被稱為節(jié)點介數(shù)的節(jié)點指標(biāo)描述了節(jié)點在大腦網(wǎng)絡(luò)中的全局容量(global capacity)，如公式(6)所示。

其中，ρhj定義了兩個節(jié)點h和j之間的總最短路徑，以及ρhj(i)是h和j之間經(jīng)過i的最短路徑數(shù)。Eglobal表示大腦網(wǎng)絡(luò)全局地將信息從一個網(wǎng)絡(luò)轉(zhuǎn)換到另一個網(wǎng)絡(luò)的能力。通過計算所有節(jié)點的節(jié)點效率均值得到，如公式(7)所示。

另一方面，Eloc表示節(jié)點在局部(即網(wǎng)絡(luò)內(nèi))傳輸信息的能力。公式(8)定義了計算局部效率的表達(dá)式。

將所有被試兩次測量的重測值v1和v2合并，得出平均重測值。重測值的計算如下：

如公式(9)所示，TRT的值越大，變異性越高，可重復(fù)性越差。

結(jié)果

噪聲去除和相關(guān)類型的影響所提方法的性能使用不同的圖論度量(如路徑長度、聚類系數(shù)、局部效率和全局效率)來確定。無論采用何種去噪方法或相關(guān)類型，在二值網(wǎng)絡(luò)中，全局測量的TRT變異性在低密度時較高。當(dāng)評估不同的方法時，TRT受相關(guān)類型(PC?vs.CC)的影響顯著(表4)。去噪管道與相關(guān)類型之間沒有關(guān)聯(lián)，去噪管道對TRT值沒有顯著影響。

加權(quán)網(wǎng)絡(luò)采用CBSI(簡單)和TDDR(復(fù)雜)去噪技術(shù)對皮爾遜和互相關(guān)網(wǎng)絡(luò)進(jìn)行加權(quán)計算。采用以下技術(shù)繪制圖形，S_Cor：互相關(guān)去噪；S_PCor：皮爾遜相關(guān)去噪；C_Cor：互相關(guān)的復(fù)噪聲去除；C_Pcorr：皮爾遜相關(guān)的復(fù)噪聲去除。無論選擇何種技術(shù)，加權(quán)網(wǎng)絡(luò)的全局圖度量都顯示出較低的TRT值，如圖5所示。在比較不同技術(shù)的TRT值時，相關(guān)類型的主效應(yīng)顯著。路徑長度和聚類系數(shù)的TRT值較低，而介數(shù)中心性的TRT值較高。

結(jié)論

本研究對個體水平腦網(wǎng)絡(luò)圖論指標(biāo)的可靠性進(jìn)行了檢驗。研究結(jié)果發(fā)現(xiàn)，可重復(fù)性不受去噪技術(shù)的影響。特別是當(dāng)網(wǎng)絡(luò)密度較低時，個體二值網(wǎng)絡(luò)的圖論指標(biāo)不能很好地再現(xiàn)。二值和加權(quán)網(wǎng)絡(luò)分析表明，權(quán)重的選擇對圖測量的TRT值有明顯影響。在本研究中，圖度量的推導(dǎo)基于功能連接。因此，在確定權(quán)重時，數(shù)據(jù)點的數(shù)量也是一個因素。由于二值網(wǎng)絡(luò)經(jīng)常在不同的密度下進(jìn)行研究，因此它們可以獨立于權(quán)重定義方法進(jìn)行構(gòu)建。未來的研究可以使用絕對權(quán)值來檢驗基于加權(quán)或二值網(wǎng)絡(luò)的節(jié)點圖度量的可重復(fù)性。這項工作也可以擴展到兒童早期大腦發(fā)育的研究或臨床研究。

原文：V. Akila, & Anita Christaline Johnvictor..(2023). Functional near infrared spectroscopy for brain functional connectivity analysis: A graph theoretic approach.?Heliyon, 9, e15002.

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