Loading…
Evaluation and Optimization of Recent Analytical Approaches for In-Vivo Measurements with Near-Infrared Spectroscopy
Mehnert, Jan
Nah-Infrarot Spektroskopie (NIRS) ist eine nicht-invasive Technik im Bereich der neurowissenschaftlichen Bildgebung um hämodynamische Effekte zu messen, die neuronalen Ereignissen folgen. NIRS verwendet nah-infrarotes Licht um über den Farbunterschied von oxygeniertem und deoxygeniertem Hämoglobin die Konzentrationsdynamiken derselben zu ermitteln. Allerdings existieren Einschränkung für diese Technik: NIRS hat eine geringe Eindringtiefe in das Gewebe und eine hohe Empfindlichkeit gegenüber Artefakten, die von ruckartigen Bewegung oder kardio-vaskulären Oszillationen stammen. Des Weiteren ist die hämodynamische Antwort relativ langsam und überlappt sich bei schnellen Stimulationen. In der vorliegenden Arbeit stelle ich drei Analysekonzepte vor, die versuchen artefaktbedingte Defizite von NIRS überwinden. Diese sind: Allgemeines Lineare Model (GLM), maschinelles Lernen (ML) und funktionelle Konnektivität im Ruhezustand (RS-FC). Für die GLM-Analyse wird ein Model der erwarteten hämodynamischen Antwort generiert und mit gemessenen Daten verglichen. Ich zeige die Machbarkeit einer solchen Analyse für NIRS anhand einer Studie über Spiegelillusionen und einer Studie zur Entwicklung von Inhibition. In zuletzt genannter Studie werden schnelle Stimuluspräsentationen verwendet, weswegen die hämodynamischen Antworten überlappen. Diese können jedoch mit Hilfe des GLM entfaltet werden. Eine ähnliche Analyse wurde durchgeführt um den gemittelten und entfalteten Verlauf der hämodynamischen Antwort zu bestimmen. Beim maschinellen Lernen wird versucht die maximale Trennbarkeit zwischen zwei Konditionen mit Hilfe der gemessenen Daten zu bestimmen. ML-Analyse macht es zudem möglich Daten in Echtzeit zu interpretieren, wie hier am Beispiel von Gehirn-Computer Schnittstellen gezeigt wird. Eine weitere Anwendungsmöglichkeit von ML-Analysen ist die kontinuierliche Vorhersage des Aufmerksamkeitsstadiums eines Menschen. RS-FC hat das Ziel funktionelle, neuronale Netzwerke aus Ruhedaten zu extrahieren. Dies ist insbesondere sinnvoll um Menschen zu untersuchen die Konzentrationsschwierigkeiten haben, wie zum Beispiel Kinder oder Patienten mit schweren Schädigungen. Die RS-FC-Analyse korreliert langsame, spontane Oszillationen zwischen Bereichen des Gehirns die funktionelle Netzwerke bilden. In meiner Arbeit werden Netzwerke vorgestellt, die über weite Distanzen miteinander verbunden sind. Dies ist durch die Abdeckung des gesamten Kopfes mit Sensoren des NIRS möglich. Des Weiteren wird die Entwicklung von funktionellen Netzwerken von Kindern zu Erwachsenen dargestellt. Die RS-FC-Anaylse von NIRS-Daten wird zudem anhand von simultanen Messungen mit dem fMRT überprüft für welches RS-FC eigentlich entwickelt wurde. Alle drei vorgestellten Analysewerkzeuge können für NIRS verwendet werden. Jede Routine hat dabei spezifischen Anwendungsmöglichkeiten in den Neurowissenschaften. Daher öffnen sich viele neue Forschungsgebiete in denen es sinnvoll ist mit NIRS Daten zu erheben.
Near-Infrared Spectroscopy (NIRS) is a non-invasive neuroimaging technology. It measures hemodynamic responses after local neuronal activity with near-infrared light. NIRS depends on the different colors of oxygenated and deoxygenated hemoglobin and measures their change of concentration over time. This technique suffers from several limitations as there is its low depth penetration depth and its sensibility to movement and cardio-vascular artifacts. Furthermore, the hemodynamic response is relative slow and tends to overlap in fast experimental design. In this work I present three recent analytical tools to overcome artifact related shortcomings of NIRS. The analyzing tools introduced here are General Linear Model analysis (GLM), Machine Learning tools (ML) and Resting-State Functional Connectivity analysis (RS-FC). For GLM analysis one creates a model of the expected hemodynamic response to stimuli and compares it to the actual measured data. I show the feasibility of GLM analysis for NIRS data in an experiment on mirror illusion and a developmental study on inhibition. The later contains overlapping hemodynamics which can be deconvolved by the GLM analysis. Further work on GLM-like approaches is done to yield a deconvolution of the average hemodynamic responses. ML tools maximize the separability between experimental conditions in the data and are capable of real-time data analysis. I show an example where we use ML techniques for Brain-Computer Interfaces. A second study shows the ability of ML routines to continuously predict the subject's attentional state. RS-FC aims to analyze functional networks between brain areas using resting-state data. This is useful for subjects that are not able to concentrate, like severely ill patients or young children. RS-FC analyzes slow, spontaneous oscillations which are correlated within areas forming a functional network. Here I present functional networks derived by RS-FC analysis in an experiment where the whole-head of the subjects was covered by NIRS sensors allowing also the estimation of long-distance connection between parietal and frontal brain areas. Further results are presented for developmental effects within resting-state networks. This approach is also validated against the \textit{golden standard} of fMRI where RS-FC analysis stems from. All three introduced analyzing techniques are feasible for NIRS data and have their specific applications in neuroscientific research which opens new fields of research for using NIRS.
