導讀

在過去的十年中，fNIRS提供了一種非侵入性的方法來研究發(fā)展人群的神經(jīng)激活。盡管fNIRS在發(fā)展認知神經(jīng)科學中的應用越來越多，但在如何預處理和分析嬰兒fNIRS數(shù)據(jù)方面卻缺乏一致性或共識。本研究考察了對嬰兒fNIRS數(shù)據(jù)應用更高級統(tǒng)計分析的可行性，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論是如何趨同或不同的。使用面孔倒置范式測試了這些分析方法，并在30名4-6個月大的嬰兒中測量了對正立和倒置面孔刺激的大腦激活變化。通過將更多標準方法與最新機器學習技術相結合，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

在過去的50年里，研究人員在研究人類嬰兒認知能力的方法和技術方面取得了重大進展，例如腦電圖(EEG)和事件相關電位(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大腦功能發(fā)育的機遇，使我們對嬰兒感知和認知能力的理解取得了重大進展。其中最有前途的方法之一是fNIRS。該技術使用近紅外光來檢測氧合(oxyHb；HbO2)和脫氧(deoxyHb；HHb)血紅蛋白濃度，這是氧氣需求增加的結果，并間接反映了大腦功能性激活。大腦功能激活過程中HbO2和HHb的濃度變化可以通過光吸收測量得出。與任何其他神經(jīng)成像方法一樣，fNIRS有優(yōu)點也有缺點。在過去的20年中，它在嬰兒研究中的廣泛應用可歸因于這樣一個事實，即這種嬰兒友好的方法相對便宜且易于使用，與EEG相比，fNIRS不易受到運動偽影的影響，并允許對大腦皮層在各種感官刺激下的反應進行空間研究，從而為嬰兒的神經(jīng)發(fā)育提供有價值的見解。雖然基于NIRS的技術最初主要應用于臨床，例如監(jiān)測新生兒的腦氧合(NIRS血氧測定法)，后來，研究人員開始應用fNIRS來研究嬰兒期的腦功能激活。最近的研究側重于研究復雜的認知過程，例如語音處理和語言發(fā)展，社會大腦網(wǎng)絡和面孔加工，以及多感官線索。盡管fNIRS在發(fā)展認知神經(jīng)科學中的應用越來越多，但對于如何預處理和分析fNIRS數(shù)據(jù)仍缺乏共識。事實上，NIRS系統(tǒng)的多樣性，以及統(tǒng)計軟件和跨嬰兒實驗室的內(nèi)置數(shù)據(jù)分析腳本的異質性，使得建立跨實驗的一致和可靠發(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進行分析的，該技術包括將特定條件blocks的神經(jīng)反應進行平均，并執(zhí)行基線校正。然后使用方差分析或配對樣本逐通道t檢驗對處理后的fNIRS數(shù)據(jù)進行分析，以比較實驗條件。在這種情況下，首先將時程數(shù)據(jù)分割成不同的時間窗(即基線和條件)：然后從實驗試次窗口中減去實驗前窗口(基線)的平均HbO2和HHb濃度，以計算平均血流動力學濃度變化。然后，對每個通道和條件下的試次信號進行平均，并進行重復測量分析。然后使用不同的多重比較方法進行事后比較以控制假陽性激活。例如，fNIRS研究使用了錯誤發(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容易在fNIRS嬰兒數(shù)據(jù)中實現(xiàn)，并且避免了對血流動力學信號形狀及其時間過程的假設，但同時也忽略了重要的時間信息。相反，一般線性模型(GLM)考慮了整個時間過程，以良好的時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，在嘈雜的嬰兒數(shù)據(jù)中，這些時間信息可能會部分丟失，由于嬰兒的注意力不集中或哭鬧，有時不得不丟棄大量數(shù)據(jù)。基于fMRI和NIRS設計之間的相似性以及它們對血流動力學反應的依賴，GLM方法最初是用fMRI數(shù)據(jù)實現(xiàn)的，但現(xiàn)已用于光學數(shù)據(jù)(例如，NIRS-SPM工具箱)。GLM方法包括對預先指定的回歸因子進行建模，然后將其與預期的血流動力學響應函數(shù)(HRF)進行卷積并擬合到數(shù)據(jù)中。然而，GLM的缺點是它需要假設一個預定義的HRF，預定義的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。

近來，為fMRI數(shù)據(jù)開發(fā)的復雜技術，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允許通過考慮多個變量之間的關系來分析分布在皮層區(qū)域的大腦活動模式。例如，MVPA技術允許研究人員研究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應用于嬰兒fNIRS數(shù)據(jù)，使用基于相關性的解碼方法對事件相關設計中記錄的血流動力學信號進行解碼，并成功解碼了對感興趣條件作出響應的通道。與標準的單變量檢驗相比，MVPA能夠提供有關血流動力學信號方面的大量細節(jié)，而使用經(jīng)典單變量檢驗可能會遺漏這些細節(jié)。首先，MVPA方法可以檢測神經(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，與標準的單變量分析相比，MVPA提供了更高水平的分析復雜性。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的顯著差異，而單變量檢驗無法做到這一點。其次，該方法可以通過吸收多個噪聲信號來降低觀測中噪聲的影響。然而，MVPA的一個問題是，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準的分析來適當處理。例如，因為MVPA檢測到的是個體特有的大腦信號，在一種情況下解碼的獨特神經(jīng)活動模式可能是由于個體差異(例如，任務表現(xiàn)的個體差異)所致，而不是條件本身。因此，MVPA分析有可能導致假陽性。然而，與MVPA相關的一些局限性可以通過遵循某些程序來克服，例如避免訓練和測試集與來自同一運行的數(shù)據(jù)重疊，以減少假陽性?？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時的缺陷和優(yōu)勢。

方法

參與者

根據(jù)power分析，計算出所需樣本量為26名嬰兒。共招募39名4-6個月大的足月健康嬰兒參加了該研究。根據(jù)數(shù)據(jù)排除標準，8名參與者被排除在外，因為每個實驗條件下不足3個次試次；1名參與者根據(jù)NIRS數(shù)據(jù)預處理被排除(超過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)整體的準確性來分類對應于每個條件的模式。本研究提出的分析方法的有效性是使用相關發(fā)育認知神經(jīng)科學fNIRS數(shù)據(jù)集的有效模式分類來確定的，其中基于相關的解碼方法已經(jīng)應用了MVPA。在本研究方法中，MVPA分析的可靠性取決于監(jiān)督學習模型(線性SVM)的性能，其輸入由激活模式組成。線性SVM分類器尋找一組權重，這些權重通過它們之間的最大分離裕度對每個條件對應的激活模式進行最佳分類。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)。這項研究考察了5-6個月大的嬰兒對視聽刺激的神經(jīng)處理。結果發(fā)現(xiàn)個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測量的神經(jīng)模式是可行的。為了預測當前研究中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。在這項工作中，每個性能值(準確率)所需的樣本量是基于小標注訓練集分類器精度趨勢的逆冪律模型估計的。使用Emberson數(shù)據(jù)進行此分析的結果如圖1所示。而且從圖1可知，基于MVPA的方法對于之前在相關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。在每個試次中，五張面孔圖像以1Hz的速率和偽隨機順序呈現(xiàn)，以確保同一試次或同一面孔圖像不會出現(xiàn)超過兩次或連續(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。使用偽隨機順序來確保給定的條件不會連續(xù)出現(xiàn)超過三次。刺激呈現(xiàn)一直持續(xù)到嬰兒變得煩躁或無聊，或者由監(jiān)測其行為的實驗者評估至少30個試次。試次持續(xù)時間固定為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試。鼓勵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，除非嬰兒變得煩躁不安。通過E-prime播放刺激，用惠普筆記本電腦記錄NIRS信號。NIRS機器使用了脈沖LED發(fā)射器(NIRScout系統(tǒng)，NIRx，BrainProducts)。整個測試過程持續(xù)了大約10min。

fNIRS記錄和預處理

采用NIRx NIRScout記錄fNIRS數(shù)據(jù)(源-探測器距離：2.5cm；兩種波長：760nm和850nm；采樣率：約10Hz)。將光學探測帽戴在嬰兒頭部，對準兩個半球的顳葉區(qū)域(左，LH；右，RH)。先前的研究使用相似的源探測器蒙太奇對fNIRS和MRI進行共配準，證明它可以測量對應于IFG、STS和TPJ區(qū)域的大腦反應。將光學傳感器內(nèi)置于腦電帽(Quick-cap，Compumedics Neuroscan)中，并使用表面解剖標記將其放置在嬰兒頭部的兩側(近似源探測器的位置見圖3)。

使用Matlab軟件包Homer2對數(shù)據(jù)進行預處理。實驗中的數(shù)據(jù)會自動保存為“.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))。首先將光強度數(shù)據(jù)轉換為光密度，拒絕原始強度小于0.001V或大于10V的通道(enPruneChannels函數(shù))。此外，NaN值超過20%的通道都被排除在分析之外，并且剔除session中所有時間段的NaN值。手動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動偽影。為了衰減慢漂移和高頻噪聲，本研究使用Homer中提供的默認濾波選項對數(shù)據(jù)進行帶通濾波(高通：0.01Hz；低通：0.80Hz)。因信號微弱或噪聲超過30%的通道數(shù)據(jù)被排除在分析之外。最后，使用路徑長度因子為5.1的修正Beer-Lambert定律將數(shù)據(jù)轉換為含氧血紅蛋白(HbO2)和脫氧血紅蛋白(HHb)的相對濃度。與以前的嬰兒fNIRS研究一樣，進行基線校正平均和GLM分析需要最少6個試次(每個條件3個試次)。對于MVPA方法，每個參與者的最小試次數(shù)目設置為16(每個條件8個試次)。

數(shù)據(jù)分析

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

①基線校正平均法

本研究計算了從每個試次開始前3s到試次偏移結束后7s的18s長周期內(nèi)HbO2和HHb的相對變化。從15s分析期的濃度中減去3s實驗前窗口期(基線)的平均HbO2和HHb濃度。然后對每個通道和條件的試次信號進行平均。本研究首先量化了試次開始后五個3s子周期的平均血流動力學濃度變化。接下來對這五個子階段進行重復測量分析，將兩個條件(正立與倒置)作為被試內(nèi)因素，以確定在同時考慮這兩種情況時，HbO2較基線顯著增加或顯著降低的通道。為了評估兩個條件(正立與倒置)之間的血流動力學響應是否存在差異，對每個顯示出顯著血流動力學響應的預選擇通道進行了重復測量分析。通過使用Benjamini-Hochberg方法控制錯誤發(fā)現(xiàn)率以進行多重比較校正。

②一般線性模型(GLM)分析

使用自定義Matlab腳本(代碼可通過GitHub獲得)和SPM-NIRS工具箱進行數(shù)據(jù)分析。對于每個嬰兒，構建一個具有三個回歸量的設計矩陣。第一個回歸量對正立面孔試次(8s)進行建模，第二個回歸量對倒置面孔試次(8s)進行建模，第三個回歸量對基線試次建模(10s)。將排除的試次周期設置為零，從而有效地將其從分析中刪除。這些回歸因子與標準的典型血液動力學響應函數(shù)進行卷積，得到設計矩陣，然后使用SPM-NIRS工具箱中的一般線性模型對數(shù)據(jù)進行擬合。對于每個回歸量和每個嬰兒，獲得beta參數(shù)，然后用于計算每個嬰兒感興趣條件之間的差異。為了確保通道激活的統(tǒng)計可靠性，使用基線校正平均法中描述的Benjamini-Hochberg方法進行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)置腳本進行(代碼可通過GitHub獲得)。多變量解碼精度的估計作為SVM預測的基礎，對每個向量使用以下目標標簽進行訓練：正立vs.基線；倒置vs.基線；正立vs.倒置。在后續(xù)的MVPA分析中，每個條件的第一級GLM β系數(shù)的多通道向量被用作特征(即使用來自GLM的輸出，每個條件和通道都有一個回歸量)。為了驗證MVPA結果的泛化性，在5折交叉驗證過程中生成測試集和訓練集，其中被試不重疊，并將結果值報告為交叉驗證測試的均值。利用貝葉斯主成分插補法，以同一區(qū)域內(nèi)非缺失通道的β值為參考，估計缺失通道的β值。采用SVM作為二元分類器，與以往的MVPA分析和fNIRS信號一樣。對于MVPA，推薦使用線性核SVM，因為這種更簡單的模型不太容易出現(xiàn)過擬合(即建模噪聲和相關信息)。此外，還使用L2正則化對SVM進行擬合，目的是保持模型權重較小，從而降低其復雜性并避免過擬合。由遺傳算法引導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)化僅通過訓練集中的交叉驗證過程進行估計。通過隨機化方法(蒙特卡羅方法)應用數(shù)據(jù)集重采樣程序，以嵌套的5折交叉驗證進行組水平分析。使用置換標簽進行多次分類分析，以獲得零分布或機會性能分布，并通過零分布的經(jīng)驗p值評估觀測結果的顯著性。對靈敏度執(zhí)行相同的過程，即對每個特征的分類器評分。圖4顯示了從原始光強度(Volts)測量到MVPA分析的所有處理步驟的示意圖。

結果

①基線校正平均結果

初步分析發(fā)現(xiàn)，與同時考慮兩個條件時的基線期相比，有三個通道在試次期間顯示出顯著的血流動力學響應。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)。對于通道18，與倒置面孔相比，正立面孔的HbO2反應明顯更大(p=.036；見圖5)，這表明在整個分析期間，正立面孔的HbO2反應更大。然而，該通道經(jīng)FDR校正為p=.108。

②一般線性模型(GLM)結果

對個體條件與基線之間beta值的t檢驗顯示，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)沒有通過初始質量檢查。對正立和倒置面孔之間beta值的t檢驗顯示，有兩個通道對面孔朝向敏感，一個通道位于左側顳頂葉皮層(通道8)，另一個通道位于左側額下皮層(通道1)。通道8的血流動力學反應(基于HbO2)顯示，與倒置面孔相比，正立面孔的血流動力學反應明顯更強(p=0.031)。然而，這個通道未能通過多重比較校正，F(xiàn)DR校正p=.56。通道1顯示，與倒置面孔相比，正立面孔的血流動力學反應(基于HHb)明顯更大(p=.028)。然而，該通道未能通過多重比較校正，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。

③多變量模式分析(MVPA)結果

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

在數(shù)據(jù)集2中發(fā)現(xiàn)了類似的結果。與基線期相比，HbO2在試次期的解碼精度沒有統(tǒng)計學顯著性。在所有比較中，HHb的解碼精度也沒有統(tǒng)計學意義。因此，這表明該模型無法成功地建立一個準確的解碼，無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性(圖7)，正如用于MVPA分析的基于線性SVM方法的系數(shù)絕對值所示。右半球的通道7顯示出比兩個半球其他通道更大的系數(shù)。然而，該通道的相關性并不顯著高于其他通道。

結論

在過去的幾十年里，fNIRS研究在發(fā)展認知神經(jīng)科學領域發(fā)展迅速?？赡苁怯捎谠擃I域的快速發(fā)展，有許多不同的方法來分析發(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)范式的背景下，比較和對比三種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STS后部的通道18，對正立面孔的HbO2反應明顯大于倒置面孔，同時也顯示出顯著時間主效應。但是通道18未能通過多重比較校正，因此應謹慎對待此結果。本研究還確定了位于雙側后部區(qū)域的兩個通道(通道17和9)和一個位于右側前部區(qū)域的通道(通道11)，這些通道對面孔方向比較敏感，但當同時考慮這兩種情況時，沒有顯示明顯的血流動力學反應的證據(jù)(以HbO2增加或HHb減少為指標)。這些通道的位置位于雙側STS后部區(qū)域和右側額下回?？偟膩碚f，這些結果與Otsuka等人(2017)的發(fā)現(xiàn)是一致的，他們發(fā)現(xiàn)5-8個月大的嬰兒在面對正立(而不是倒置)面孔時，右顳葉的HbO2顯著增加。基于GLM的單變量分析顯示，位于左后側區(qū)域(通道8；對應于左側STS后部區(qū)域)的一個通道對正立面孔的HbO2反應明顯大于倒置面孔。這一結果證實了先前的研究，即STS是與社會知覺有關的關鍵大腦區(qū)域。然而，考慮到這種效應無法通過多重比較校正，且單個通道上的顯著差異(在相鄰通道上沒有顯著效應的情況下)可能缺乏統(tǒng)計可靠性，這可能是一個假陽性發(fā)現(xiàn)。此外，鑒于沒有發(fā)現(xiàn)正立狀態(tài)下(與基線相比)顯著的血流動力學反應的證據(jù)，因而有理由質疑GLM分析的敏感性。鑒于HRF在幼兒中沒有得到很好的實證，關于HRF的假設容易受到模型錯誤規(guī)范的影響。一個潛在的解決方案是在HR建模時使用時間和彌散導數(shù)，這考慮到了血流動力學響應的起始時間和形狀的可變性?？偟膩碚f，盡管本研究的GLM模型可能缺乏敏感性，但這些結果與基線校正分析一致，即位于嬰兒大腦STS區(qū)域的通道對面孔方向比較敏感。考慮到GLM方法的這些潛在問題，使用beta系數(shù)的MVPA分析無法以預期的精度區(qū)分fNIRS數(shù)據(jù)中的兩種刺激條件?；诨€平均的MVPA和基于GLM的beta系數(shù)的MVPA可以實現(xiàn)更高的解碼精度。位于嬰兒大腦右側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方法不應依賴于對β系數(shù)的先驗估計，除非實驗設計或人群有助于引出一個明確的規(guī)范HR。其他不依賴于β權重回歸或HRF擬合的多變量方法也可能有所幫助。總的來說，所有這些分析似乎確實指出位于嬰兒大腦STS區(qū)域的通道對面孔方向敏感，正立和倒置面孔狀況之間存在單變量差異。此外，未來的研究在使用單變量或多變量方法進行fNIRS發(fā)展性研究時應仔細考慮當前研究中所概述的注意事項。

參考文獻：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

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