fNIRS研究行文指南

脑科学 同时被 2 个专栏收录
27 篇文章 3 订阅
3 篇文章 1 订阅

近40年来,功能近红外成像技术(fNIRS)越来越多地应用于神经科学研究,利用各种实验范式研究不同人群。随着研究方法的快速发展与多样化,研究方法的不同给解释、重复研究带来很大困难。因此,fNIRS学会组织了一个具有代表性的小组,就fNIRS研究的论文描述达成共识。本文旨在提供fNIRS研究指导,提高fNIRS研究报告的可靠性、可重复性和可追溯性,鼓励领域内优秀的研究实践。本文还提供了一个fNIRS论文撰写自查清单(见第八章-附录),帮助研究论文准备他们的论文手稿,协助审稿人评估fNIRS研究论文。本文发表在Neurophotonics杂志。

1.介绍

功能性近红外光谱成像(fNIRS)是一种非侵入性的、易于使用、便携的脑成像技术,可以在实验室及现实环境中研究正常脑功能以及疾病带来的大脑变化。1977年,Jöbsis首次使用该技术研究过度换气给人类大脑带来的变化。从那时起,该技术逐渐进化成为一种新的非侵入式脑成像技术,并广泛应用于研究不同人种与问题。随着fNIRS商业体系的完善,fNIRS研究的数量在过去二十年间逐渐上升。研究数量的快速增长使该领域在研究方法、数据处理与分析上呈现多样性,虽然在一个新兴领域,研究方法多样化是大家所愿意看到并欢迎的,但它也使得不同的fNIRS研究在解释、比较、复制上相当困难。除了fNIRS技术,功能性磁共振成像(fMRI)研究领域也存在缺乏研究标准的问题。这个问题大大阻碍了论文审查,并显著降低了论文的影响力与可重复性。本文的目的在于为研究人员提供fNIRS的研究指导,用全面、透明、可理解的方式报告研究。本文并不提供研究的标准,而是提供最佳的fNIRS研究报告方法,保证论文的影响力。本文遵循经典fNIRS研究的结构提供每个部分(简介、方法等)的相关指导。我们在附录(见第八章表1)提供了一个全面的清单,以便研究者们更好地修改文本、补充细节。需要注意的是,为了文章简洁,我们集中于连续波NIRS技术(CW-NIRS),其他NIRS技术[频域近红外光谱(FD-NIRS)、时域近红外光谱(TD-NIRS)、扩散关联能谱法(DCS)]仅简单提及。

2.标题、摘要、引言

2.1好的标题与摘要

2.1.1选择一个好的标题

好的标题对于一篇科学论文来说至关重要。标题应该提供有效信息、具体、简短、简洁,并包含足量的论文内容与主题的相关信息。正如Paiva等人所述,具有更高的引用率和阅读量的科学论文的标题相对简短,不包含问号、冒号、连字符,且是“描述结果”而非“描述方法”的。举个例子,论文标题为《语言的发展导致布洛卡区激活呈现年龄相关的变化》的效果要好于《使用功能性近红外脑血氧成像研究2至14岁儿童语言发展的神经相关:一项新研究》。

2.1.2有组织的摘要:清晰、一致

摘要是一篇论文的高度浓缩,用以传达论文的核心发现和研究意义。摘要的陈述和质量通常预测了论文其余部分的质量。一个好的摘要应是“信息量充足的”和“具有吸引力的”。摘要的质量与论文被引用的次数相关,并指导发表过程中的初始判断。我们建议隐式或显式地构建与论文主体相似的摘要,依据“引言”、“目的”、“方法”、“结果”、“结论”酌情用几句话处理部分或全部内容,除非期刊本身要求不同的摘要结构。“引言”部分点明了研究目标,由必要的科学背景与其对该研究领域的意义作为支持。“目的”部分逐项列出了研究的目标。在“方法”部分,研究方法最相关的部分应该简洁地说明,例如实验设计/刺激、样本大小、兴趣区、主要数据的处理、统计分析。引入新技术如fNIRS硬件、数据处理方法的文章应提供关键细节,比如新方法应用于fNIRS研究的有效性的验证。“结果”部分报告了论文的主要结果,包括最相关的数据如兴趣区的血流动力学变化及统计显著性。“摘要”中包含的数据或结果也应在文章正文中报告并相匹配。“结论”部分综合了对所得结果的解释及其在该领域可能产生的意义/影响。

2.2引言:结构与内容

2.2.1工作的范围、背景、意义、目标

对于所有的研究论文来说,fNIRS研究的引言有助于传达其范围、背景、创新和意义。引言通常包含了 :(1)主要研究问题的概述,(2)主要研究问题相关的文献的综述,突出该领域现有知识和差距,(3)进行该研究的原因,(4)准备研究的假设和/或预测,(5)提供将用于测试假设的方法的简要总结,(6)当前研究的具体目标。鉴于fNIRS目前已是一项公认的技术,因而没有必要总是参考基础的验证论文。技术和方法论文的“引言”部分应描述创新的技术/方法与现有技术/方法有何不同、为何不同,预期的优势,以及该方法如何得到验证。涉及临床、神经学或神经认知问题的论文的“引言”部分应侧重于研究问题如何促进我们对大脑功能、大脑疾病、神经认知机制的理解。此外,如有必要,应阐明使用fNIRS而非其他神经成像技术的原因。“引言”部分的结尾应对研究目的进行清晰简洁的陈述,这有助于读者建立合适的期望,研究目的也应与论文结尾所得的结论一致。

3.方法:使研究可重复

“方法”部分应该使读者能够理解结果如何实现、如何重现结果。该部分应包含的信息有:被试的人口统计信息、详细的实验范式、使用的系统、数据采集的相关信息、预处理的步骤与使用的统计方法。该部分还应包含:(1)测量的设置(高清图片或示意图)[the measurement set up (a high-quality original photograph from a measurement session or a drawing)],(2) fNIRS的光极阵列/通道分布,(3)实验方案的可视化示意图,以及(4)灵敏度分析,显示fNIRS模版是否很好地覆盖了兴趣区(可选)。此外,如果信号处理复杂且涉及高级的和/或创新的步骤,强烈建议论文包含一个框线图来说明所有的处理步骤及输入、输出的信号。需要注意的是,有些期刊会在结尾将“方法”的部分作为附录,在这种情况下,“引言”和“结果”部分应提供足够方法相关的信息来帮助读者理解上下文,不过在这两个部分无需深入讲解。

3.1被试

3.1.1人类被试被试样本的描述通常为一系列最相关的人口统计或临床特征。

这些特征包括被试的数量、平均年龄与偏差,或最有效的精确年龄范围(例如新生儿的小时数,婴儿的月份和天数),以及性别分布。纳入和排除被试的标准应清楚地说明(例如病症、母语等)。其他相关的特征,例如惯用手、种族、社会经济状况等。需要注意的是种族分布,特别是对某地区人群进行实验后结果与预期不符时。fNIRS的信号质量可能取决于头发的特性(颜色、厚度、密度)等。有偏向的被试挑选可能会导致fNIRS研究的发现缺乏普遍性。对于分组研究,论文应描述各组分配的流程。对于临床人群,疾病相关的信息量取决于论文的重点,建议在手稿中简要提供关键特征,在补充表格中进行进一步提供流行病的细节。一般来说,表格需要列出发病时间、脑损伤/机能障碍的原因(例如缺血性心源性左侧大脑中动脉闭塞)和相关的临床发现(例如残余失语症(redisual aphasia))。对于特定人群,如果可以的话需要报告生理数据,例如血液数据(例如贫血会导致不同的或出乎意料的结果)、与整体生理健康或评估特定病理相关的参数。如果一些被试的数据未被包含在最终分析中,则还需要提供最终样本的人口统计数据以及去除这些数据的标准。为了确保透明度、避免有偏见的数据去除,非常有必要说明各数据去处的标准应用于数据处理的哪一步,以及它们是批量还是逐个案例应用的。涉及伦理问题的信息也是非常有必要提供的,包括评估批准研究方案的机构审查委员会的名称、遵循的伦理程序(例如获得知情同意、未成年同意和/或家长许可)以及临床研究注册的链接(如果有)。

3.1.2被试样本量与功效分析

合适的样本量对于所有fNIRS研究来说都是相当重要的,但目前没有保证统计有效性的标准规则。确定样本量的一种实用方法是功效分析(power analysis),在预设功效值(1−β)(即1减去二类错误的概率,通常设置为0.8)和α(一类错误的概率,通常设置为0.05)下估算设定效应量所需的最小样本量。功效分析报告通常包含:样本量(所需的样本量-先验功效分析,实际的样本量-后验功效分析)、功效值(选择的功效值-先验功效分析,实现的功效值-后验功效分析)和使用的alpha水平、选择的效应值(effective size)及选值理由(例如通过先前的研究或预实验)、假设检验的相关统计检验以及执行功效分析平台相关的参考文献。

3.2实验范式与指令

3.2.1实验设计

设计实验范式时需要考虑一些fNIRS信号的特征,例如由于fNIRS信号中生理信号的干扰(见第3.5节),每个刺激需要重复多次才能反映出被试的神经反应。同时,血液动力学响应的时间特性也限制了连续刺激的间隔时长,在对数据进行block平均时也需要考虑到这一点。在时间上与刺激相关的生理信号也需要考虑,例如当刺激间隔时长一致时,被试的呼吸模式可能与刺激的呈现相匹配。这些干扰都可能增加假阳反应。有规划的实验设计可以最小化这些问题,减少研究的预期效应,例如伪随机化刺激呈现的顺序与刺激间隔时长。在描述实验设计时,报告考虑到这些因素是非常有用的。准确描述实验设计对于读者理解fNIRS研究的结果和工作的可重复性都至关重要。所有可能影响结果或解释的细节都应在“方法”部分报告出来。如果可以的话,建议论文包含实验范式的示意图。绝大多数fNIRS实验范式属于以下类别之一:block设计、事件相关设计、用于功能连接研究的静息态范式。静息态范式不对被试进行明确的刺激,恰当地描述该范式可以包含:实验时长、实验环境(如照明、听觉条件、睁眼/闭眼、视野中的物体或显示器等)、给予参与者的任何指示(见第3.2.2节)。block和事件相关范式除以上特征之外还应该额外报告的有:刺激、条件的数量、block和trial的数量、出现顺序、刺激时长、间隔时长。如图1,提供时间信息和刺激示例的示意图(例如描绘视觉刺激帧的静止图像)能够很好地可视化这些信息。

图1.实验范式的可视化(n-back范式)。实验由30个block组成,间隔15秒。每个block包含15个trial,从屏幕显示2秒的任务指令“n-back”开始。指令显示后,屏幕上会出现字母,一个trial显示一个字母,持续0.5秒,字母出现后间隔1.5秒显示注视十字。实验要求被试指出当前的字母是否与之前的第n个trial相同。

3.2.2给被试的指示、培训、互动

fNIRS论文应清楚地描述给被试的任务说明。指示通常对于神经反应的解释至关重要。例如,关于学习刺激的明确指示与隐性地呈现相同刺激可能会触发不同的注意力、动机和学习机制。因此,论文需要提及被试是如何接收信息和完成任务的,例如给被试的响应时长的限制、显性或隐性任务、对任务目标的描述等。同样,可能会改变被试执行任务的注意力或动机的反馈或其他刺激也需要进行解释。在数据采集的过程中,可能影响被试表现的实验条件,如过长的实验程序、昏暗/黑暗的照明条件、环境的干扰等也需要报告。

3.3系统与采集

3.3.1 fNIRS设备及参数

在技术创新型神经科学的应用方面,fNIRS研究一直在迅速扩展领域,各种商用和定制的设备也应运而生。fNIRS仪器间除了硬件操作基本模式的不同,也在恢复氧合与脱氧血红蛋白(二者共同反映总血红蛋白)生色团的方法流程,和/或细胞色素c氧化酶的浓度变化或反映它们的光学信号(缩写分别为HbO2、Hb、tHb、CCO,另外HbO/HbR/HbT、O2Hb∕HHb∕tHb或oxy-Hb/deoxy-Hb/to tal Hb)也是被认可的常见缩写)上有所区别。准确报告仪器设置的基本参数是必要的。尽管大多数商用fNIRS仪器发射连续波,但它们不一定使用相同的近红外(NIR)波长或相同的算法来计算血红蛋白的浓度。除此之外,很多定制的fNIRS仪器倾向采用TD-NIRS、FD-NIRS、或高密度(high-density, HD)等技术,这与当前的商用仪器存在根本性的差异。准确报告相关的仪器参数能够更好地解释研究并带来更高的透明度,允许研究被更好地复制。在描述fNIRS设备参数时,以下信息应明确报告:(1)制造商和仪器版本,(2)操作模式(CW、FD、TD),(3)近红外光的数量、波长(number and spectrum of wavelengths),(4)辐照度(受照面单位面积上的辐射通量)、辐射功率或两者都进行报告[光照应符合安全标准,如ANSI(美国)或IEC-60825(欧洲)],(5)采样率、光极类型与数量、通道数、光源-接收器的距离(SDD),(6)将所得数据转换为血氧蛋白浓度的方法(除非该步骤由仪器软件自动完成,否则应在数据分析部分报告)。这些信息可以通过简短的总结句来报告,例如“我们使用NIRSdev (NIRScomp,生产国) CW-NIRS设备,其包含24个通道(8个激光二极管发射器(波长为750nm与850nm,平均功率小于1 mW)和8个雪崩光电二极管探测器),采样率为50Hz,使用修正版的比尔-朗伯定律(mBLL)将采集数据转换为血氧浓度值。”有关数据转换的所有假设(固定散射和水浓度,fixed scattering and water concentration)和参数(如消光系数和差分路径因子DPF),包括如何解释DPF的变化(如婴儿发育的纵向研究)也应该报告出来。支持以上参数选取的参考文献也可以报告。如果使用了FD或TD设备,则应说明用来获得吸收和散射系数(absorption and scattering coefficients)的流程。有关mBLL的参数和单位的使用,以及更多报告相关内容的指导请参阅第3.4.3节的数据分析部分。

3.3.2光极排布、光极帽、目标脑区

fNIRS研究的可重复性很大程度取决于光极模版的排布与设计(几何形状)。尽管fNIRS技术发展迅速,大多数fNIRS研究仍在范围和/或通道密度上受限,因而头皮上的模版布局因研究而异。大部分fNIRS设备都配备了可以灵活排列的多组光极,还有一些设备带有固定模版,不能重新组织,但可以选择其覆盖的头皮位置。研究必须确定合适的光极位置和排列,因为fNIRS的测量高度依赖模版的位置、范围、光源-探测器的距离以及排列密度,这些因素会影响测量的灵敏度、大脑及脑外组织对每个信号的相对贡献值、测量范围内的灵敏度的同质性。数字头部模型(虚拟体模/仿真)可用于了解特定设备的NIR光传播,这对于设计新一代光学脑成像设备和光极排列至关重要。蒙特卡洛模拟为描述、评估不同近红外传感器配置和参数(如光程长度、探测器表面积和光源-探测器距离)的贡献提供了可控的方法。在报告光极排布时,我们强烈建议加入模版图片,包含:(1)光源和检测器的总数;(2)通道总数;(3)光源-检测器的距离和分布。如果可以,最好包含模版置于受试者头部的照片。这可以提供模版的物理设计和人体工学的附加信息吗,如图2所示。将模版放置、定位到受试者头部的过程也应该准确描述,以促进被试者间及研究间的可重复性。光源和探测器位置报告(或其子集)可直接或间接与颅骨标志物有关,例如鼻根、枕骨隆突、耳朵(如耳前点)和/或脑电图(EEG) 10-20, 10-10和10-5标志点,描述为“光源1放置在10-20系统C3点”或“光源1放置在鼻根中线上方3厘米处”。此外,强烈建议基于人体解剖学来报告fNIRS模版的位置和相关的通道灵敏度,其后我们可以根据脑回标签(如额下回)、布罗德曼区(如BA44)、蒙特利尔神经学研究所坐标(MNI)、Talairach坐标、描绘皮质敏感度的图表来进行报告。确定这些解剖学位置的方法也应描述。例如,最简单的定位方法是通过10-5系统定位模版,并通过10-5坐标脑图(atlas)直接确定覆盖的脑区。不过这一方法假设模版在被试者头部的位置是相同的,且脑图提供了模版的准确模型(注:现实中会有一定程度的偏差)。另一个方法是使用三维(3D)定位系统、神经导航技术或摄影测量法获得的信息来定位每个受试者的fNIRS阵列的特定参与者注册模版位置。在这种情况下,研究人员可以额外报告头皮上光极位置的差异和/或巨视解剖学(macroanatomy)上的差异。所有使用的仪器、软件、实现空间定位的方法、这些方法基于的假设都应该描述出来。如果使用了脑图,应提供其来源,并承认使用该脑图的限制。

图2.光极排布案例:12个光源,14个探测器,光源-探测器距离30mm,共组成34个通道,通道覆盖前额叶。灵敏度对比曲线以log10为单位(mm^-1)。图片可视化使用AtlasViewer。

3.3.3仪器/硬件开发相关研究应注意

随着全球范围的新fNIRS相关设计与创新不断取得进展,我们很有必要采用具体的指导与标准来简化工作、加速新技术的采用。首先是使用术语的标准化(参见第八章表2)。对于已广泛使用的设备,可以参考描述设备的论文。如果论文的重点是引入新技术,那么描述应包含:(1)硬件示意图,描述连接与控制机制,(2)软件流程图,描述信息流动和对硬件组件、数据采集协议的控制,(3)光源和探测器的类型,(4)防止外部污染和通道串扰(如时分多路传输、频分多路传输或两者组合)所采取的措施,如可能还应包括(5)关键组件的电路图和单零件的编号。若使用电子头部模型来指导硬件的设计,需要引用相关文献。光源类型(激光/LED)、特定波长和单位面积的发射功率(如0.2W∕cm2)需要在论文中报告,用以评估设备的安全级别和潜在类别。近红外光若照射眼睛和皮肤(如果需要应配置防护装备),应将光保持在普遍能够接受的安全规范内,如国际激光产品安全标准或灯与灯系统光生物安全国际标准。探测器的类型(如pin光电二极管、雪崩光电二极管、光电倍增管、单光子雪崩探测器等),配置(如单像素光电二极管、光电二极管阵列、成像电荷耦合器件等),兴趣波长(增益、噪声因素、噪声等效功率)的光敏度曲线、皮肤表面接触模式(直接接触、使用光导或光纤)也需要注意。想要得到监管部门的批准,fNIRS仪器的开发商和制造商必须了解近期发布的国际电工委员会(IEC)/国际标准化组织(ISO)制定的fNIRS设备标准(IEC 80601-2-71),60601医疗电气设备标准系列之一。与所有电子仪器一样,产品安全测试应该独立认证(如美国UL标、欧盟CE标、日本PSE标、中国CCC标)。院校开发的系统通过当地医院生物医学工程部门来完成认证,在用于人体之前测试电气安全。对于院校研究人员来说,在临床/实验中使用新的光学脑成像设备需要得到当地伦理委员会的批准。诊断或治疗等终端临床工作则需要进一步的监管批准(如美国FDA、欧洲EU MDR、日本PMDA、中国NMPA)。为了临床研究的可比性与可靠性,基于专用体模(phantom)的fNIRS仪器标准化性能评估在仪器开发中十分重要。上述IEC 80601-2-71标准包括对混乱幻影(turbid phantoms)的多项性能测试。主要测试依赖fNIRS体模,其具有真实整体衰减和可变内部孔径,可以创建清晰的HbO2和Hb特定变化相应的衰减变化。标准中描述的其他基于体模的测试包括信号稳定性、响应时间、信噪比(SNR)、信号串扰。基于多实验室共识而建立工作协议促进了漫射光学仪器、方法更全面的性能表征和对比(如用于医学诊断和疾病监测的光学方法协议(MEDPHOT)、基本仪器性能协议(BIP)、脉冲近红外光脑功能与疾病无创成像协议(nEUROPt))。nEUROPt专属fNIRS仪器,针对表征对比度、对比度噪声比(CNR)、横向分辨率、深度敏感性、大脑吸收变化的量化。这由具包含微小黑色夹杂的均匀混乱幻影实现,例如固-固态可切换体模(solid-solid switchable phantom)和双层体模(tow-layered phantoms)。其他fNIRS体模可以模仿HbO2和Hb浓度在时域上的变化,通过如电致变色可变吸收器或可移动层实现。用于组织血氧计测验的具氧化作用的含Hb体模可用于对fNIRS信号进行定量评估。创建解剖学上逼真的动态体模也是可能实现的,不过具有一定挑战性。描述仪器开发的论文应报告以下用于特定体模测验的数据:体模类型、其光学和几何参数、包括SDD(光源-接收器的距离)在内的测验安排及结果。相关示例见参考文献54。尽管市售的fNIRS设备很少附带体模,但fNIRS仪器的开发商、制造商也可以通过采用固定基于体模的测试指南来进行常规的质量检查。信号幅度可重复性的全面检查有助于识别出光纤断裂、光源或检测器退化等问题。如果制造商推荐进行基于体模的常规测试,则应报告准备流程和体模的特征。

3.4数据预处理

为了提高科学发现的可复制性,确保重要的处理步骤在分析中不会被跳过,方法部分应包括所有数据分析步骤的详细描述。图3总结了fNIRS数据分析中主要的预处理步骤,接下来进行详细介绍。

图3.基本的fNIRS信号预处理步骤。浅蓝色箭头表示常规的处理顺序。需要注意的是,并非所有步骤都在各研究中被应用或者是必需的。

3.4.1 fNIRS信号质量度量、去除坏通道

fNIRS数据分析中的一个重要的预处理步骤是对每个通道的原始信号进行信号质量检查。fNIRS信号中的噪声可能源自测量系统(如光源的不稳定性、电子噪声、散粒噪声),我们称其为“噪声(noise)”,或者源自生理或头部/身体运动,我们称之为“混淆信号(confounding signals)”。fNIRS噪声中的噪声检测可通过简单的SNR检查完成,或使用频谱分析获得每个通道的心电信号。当采样率合理较高时(如10Hz),心跳是观察光极-头皮耦合的良好指标,因此也是很好的fNIRS信号度量标准。方法部分可以包含用于拒绝坏通道的SNR阈值(如大于20dB)和心电阈值。由于不同被试参与实验时的有效通道很可能不同,因此还应报告每个通道的有效数据量(被试数),避免对结果的误解。尤其在fNIRS研究中,由于包含了各类混杂信号和噪声,意识到SNR、CNR、对比度-背景比(CBR)在概念上的差异并准确使用这些术语非常重要。术语SNR用于量化通道的信号质量,在固定的时间窗内测量原始光强可计算出SNR,计算公式为:

其中μ对应于信号的强度偏移量(直流分量),σ对应于信号的方差(交流分量)。当提取的血流动力学信号的强度与背景混杂信号或测量噪声有关,并因此取决于特定的信号预处理步骤时,使用对比度量(contrast metrics)(CBR/CNR),更多详细信息见参考文献57。

3.4.2运动伪迹

fNIRS信号可能包含尖刺噪声或基线偏移带来的运动伪迹,尤其是收集不配合人群的数据,如婴儿(见第3.6.7节),或是需要运动的实验任务(步行或说话)。在这些情况下,通过分析可以识别出运动伪迹并去除邻近的trial,或者也可以使用先前文献提供的运动伪迹校正算法。在任何一种情况下,处理、校正运动伪迹的相关参数都应报告(如识别运动的阈值、校正使用的参数)。此外,由于先前的方法(即识别、删除与运动伪迹重叠的trial)将导致trial次数(试次)的减少,因此应报告剩余试次。最后,需要通过理论与实证方法来验证运动伪迹去除算法的有效性,以评估算法的性能(案例参阅“如何验证新算法”)。

3.4.3修正版Beer-Lambert定律、参数与修正

使用mBLL可以将光密度或吸光度的变化会转化为血红蛋白HbO2和Hb的变化。然而在CW-NIRS中,检测到的光子传播的平均路径长度是未知的。在高度散射的介质中,轨迹的路径长度大于光源-检测器间距。我们可以将光源-探测器距离乘以用FD-NIRS或TD-NIRS实验获得的DPF来估计整个采样区域内的路径长度。因此,在报告时,一种方法是使用DPF(选自先前研究)并以摩尔浓度为单位报告生色团浓度变化的结果,如μM。该方法考虑了波长与光程长度的波长和光源-检测器距离依赖性,因此更适用于比较不同间隔的通道信息。当没有DPF数据时,研究人员可以不使用平均光程长度来依靠mBLL提取浓度变化,此时信号变化表现为浓度变化和平均光程,单位为(摩尔浓度×距离),如μM cm或μM mm。这一方法适用于只有一种SDD(光源-接收器的距离)的研究,但不适用于多距离研究。需要注意的是,发色团浓度的变化可能因处理方法和是否校正、使用哪种校正方法而显著不同。例如,对于相同的通道,HbO2浓度变化可以报告为无任何校正时40μM mm,应用光程校正(DPF=6, SDD=6)时0.22μM。所有情况下都应说明选用的方法和相关参数(如DPF),并提供参考文献。呈现浓度变化结果时应清楚地标注单位。

3.4.4混淆信号的影响

NIR光从光源传播到探测器除了经过大脑皮层,在更大程度上也经过了脑外组织层。脑外组织(尤其是头皮)中的血流和氧合变化会影响fNIRS信号并导致对测量信号的误解。此外,系统生理变化也会影响大脑血流动力学信号。生理混淆的主要来源:(1)动脉血二氧化碳分压(PaCO2)的变化、全身血压、心率和脑外、脑组织中由自主和交感神经系统相互作用引起的血管张力变化;(2)由头动、咬牙或抬眉毛引起的血流和氧合变化。忽视生理混淆效应可能导致假阳性(错误地将检测到的血流动力学变化分配给功能性大脑活动)或假阴性(掩盖了真正的大脑活动)。因此,推荐采用系统生理增强fNIRS方法同时测量这些系统参数。另一方面,识别、隔离系统生理学的这些变化也提供了脑血液动力学复杂调节的创新见解,如对神经元活动或系统生理学变化有特别反应的网络。fNIRS(预)处理中的大部分工作都集中于分离、去除混淆信号,许多方法可供采用,最突出的是一般线性模型法(GLM)。这一主题在第3.5节中会再次详细讨论。

3.4.5统计检验方法、去除混淆信号

fNIRS研究的目的通常属于以下其一:(1)比较大脑对任务、基线的反应,(2)比较大脑对不同任务的反应,(3)脑内或脑间的血液动力学信号的相关性。测量结果很大程度上受到特定噪声的影响。由于生理成分的作用(心脏、呼吸和血压的变化),fNIRS数据中的噪声是频变(frequency-dependent(colored))、相关的。这些特征违反了GLM的主要假设,即噪声是非频变(not frequency-dependent(white))、不相关的,因而在使用GLM进行分析之前,有必要(1)对数据进行预过滤,去除混淆信号如生理混淆和运动伪迹;(2)预白化信号;(3)预着色信号。作为预白化方法的一个例子,fNIRS数据固有的时域相关可以使用自回归模型计算,然后在广义最小二乘法中采用时域相关估计进行反推,可以估算出无偏、有效的GLM参数。另一方面,预白化方法中的这种反推对时域相关估计是否正确非常敏感,因而也可以使用时域滤波(平滑)矩阵(temporal filter(smoothing) matric)作为替代来估计fNIRS数据的时域相关。应用足够核宽度的低通滤波器时预着色方法有效,继而可以将最小二乘法应用于在时域上平滑的数据,扩充GLM来包含滤波矩阵。该过程产生无偏的参数估计,但不保留其最大功效。所有情况都应明确说明所选用的方法和预过滤步骤。

3.4.6滤波、漂移回归

高频成分如仪器噪声、心脏搏动通常使用低通滤波器(如Betterworth滤波器或Chebyshev滤波器)去除。如果阈值太低,低通滤波器也会除去我们想要研究的大脑反应,因此应谨慎选择(通常为0.5Hz或更高)。另一方面,高通滤波器可以除去信号中频率低很多的成分。阈值太高会消除实际有用的大脑信号,特别是在实验任务的block的持续时间与高通阈值相当时(如0.05Hz高通滤波与20秒的刺激)。在报告中应说明应用的滤波类型、滤波器的阶数(若有)和截止频率(cut-off frequency)(如三阶零相位Butterworth带通滤波器,截止频率0.01至0.5Hz)。了解相位响应非常重要,因为非线性相位响应的滤波器会使信号失真。有限脉冲响应(FIR)滤波器具有线性的相位响应,可以在离线、在线(数据收集期间)时安全应用,而无限脉冲响应(IIR)滤波器(如Betterworth)则需要零相位校正,且只能应用于离线的情况,因此校正前需要一次性获得全部信号。另一种滤波的方法是在GLM中添加一个漂移因子(drift factor)作为回归量(regressor)来模拟数据中的低频振荡(如三阶多项式漂移)。另一方面,呼吸和Mayer波振荡在血液动力学响应相同的频率范围内,因而不能通过带通滤波简单地去除。

3.5 fNIRS信号中的生理混淆

3.5.1提高脑活动测量之可靠性的方法

由于fNIRS信号中存在生理混淆,因此仅根据长距离通道测量的信号报告结果、不处理可能混杂的全身生理变化的信号都是不推荐的,尤其是被试为脑外组织较厚的成年人时。图4说明了fNIRS仪器(所使用的光源、探测器布置)与测量大脑(大脑皮层)中真实血流动力学变化的可能性之间的关系(尤其适用于CW-NIRS设备)。提高测量到大脑活动变化可能性的情况有:(1)系统生理学的显著变化被排除,(2)使用深度敏感(depth-sensitive)的多距fNIRS,并过滤脑外变化的干扰,(3)CW-NIRS仅使用长距SDD(光源-接收器的距离),但对信号进行特别处理,减少了脑外组织的混淆影响。在没有短距通道的情况下,大量通道或额外的系统生理学测量有助于信号提纯。接下来详细介绍提高脑活动测量之可靠性的方法。

(a)

(b)

图4.测量到真实的大脑皮层血流动力学变化的可能性取决于fNIRS的深度敏感度(depth-sensitivity)和混淆全身生理信号的影响。(a):估计采集到大脑信号的可能性;(b):影响大脑源信号采集的方法学因素。

3.5.2方法一:通过仪器、信号处理提高深度灵敏度

这种方法需要扩展fNIRS的测量设置使其对深度敏感,即区分脑外和大脑层的变化。为了实现深度灵敏度,fNIRS的设置应包含不同SDD(光源-接收器的距离)长度的通道,特别要有短距通道(图4)。短距通道(<15 mm,成人最佳约8mm,婴儿约4至5毫米)对脑外组织层的血液灌注和氧合变化最为敏感。使用CW-NIRS时并行使用短距和长距通道可以最大限度地提高测量对大脑皮层的灵敏度,同时也最大限度地降低对脑外组织的灵敏度。这种从长距通道信号中通过短距通道的测量回归出脑外信号变化的方法由Saager和Berger提出,通常被称为“短距回归(short-separation regression)”。目前已开发的几种执行回归的方法包括最小二乘算法和各类自适应、Kalman滤波。最近有希望发展的方法是将GLM法与时域嵌入典型相关分析(temporally embedded canonical correlation analysis)进行组合,用于分析fNIRS数据。先前研究已证明短距回归降低了血液动力学反应在trial间的可变性,同时减少了脑外强烈的血液动力学变化的影响。其他深度敏感仪器包括:(1)多距测量,使用扩散理论和多个SDD(光源-接收器的距离)的信号斜率(signal slope),(2)扩散光层析成像(DOT)(也可以使用其他缩写如DOS、NIRI、DOI、NIROT、HD-tomography),使用大量通道来提供深度分辨测量,(3)TD-NIRS系统,测量光子的飞行时间:深度由光子的到达时间编码,到达较晚的光子行进更深。

3.5.3方法二:无固有深度敏感测量的信号处理

在亚理想测量(即只有长距通道可用)的情况下,应尽力将数据分解为大脑活动和生理混淆(见图4)。一种可用方法是通过平均(或求中值)所有通道、通过其对每个通道滤波来获取全局成分,估算系统的变化。替代方法是数据驱动的信号处理方法,将fNIRS信号分解为大脑、系统成分(盲源分离(blind source separation methods,如独立成分分析和主成分分析)。

3.5.4方法三:在fNIRS信号处理中合并系统生理学变化

当额外的系统生理信号(如心率、呼吸频率、呼吸量、动脉CO2浓度、血压、皮肤电导)可用时,我们能够(1)从fNIRS信号中回归出它们的影响,(2)详细研究这些信号与fNIRS信号的关系,例如使用系统生理信号或这些信号的线性时滞混合作为额外的回归量,通过GLM法实现,回归量的处理和生成(如包含的信号、使用的相位/时滞)应报告出来。需要注意的是,由于头皮内脉管系统的异质性,方法二和方法三都存在除去大脑活动或无法正确去除系统生理成分的风险。

3.6分析与统计方法

3.6.1对应血流动力学函数:block平均与一般线性模型

使用mBLL计算血红蛋白浓度变化后,通常通过简单的block平均、卷积或线性估计模型来估算血流动力学函数(HRF)(注: HRF会随着受试者、年龄、刺激类型和兴奋脑区等因素变化)。GLM将测量数据表现为不同功能成分的线性组合。block平均避免了对HRF形状的先验假设,而GLM允许对fNIRS信号中的不同混淆因素及对刺激的响应进行建模。GLM能够同时估计fNIRS中各成分的贡献,从而估算出偏差较小的HRF。GLM的报告应包含所有建模的回归量及其参数,以及用于估计回归量权重的方法(如HRF使用高斯函数建模,标准偏差0.5秒,均值相隔0.5秒,回归量的权重使用普通最小二乘法拟合)。如果由于各种原因(如运动伪迹污染)试次减少,报告还需要包含最终分析的试次。

3.6.2 HRF估算:GLM法中HRF回归量的选取

HRF通常依据固定形状(如伽马函数变体gamma function variant)或相对灵活的模型(如多个基本函数的线性组合,例如高斯函数)建模。固定的规范形状有利于提高统计功效,其前提是HRF的形状先验已知。使用第一种方法(固定形状)时,论文的方法部分应包含模型及其参数,还有选择该模型的理由。然而,如果HRF的形状未知(不同的人群、实验范式、脑区等),使用固定模型可能影响统计功效,导致结果有所偏差。这种情况应首选灵活模型,因为它们允许捕捉HRF的真实时间特征。

3.6.3统计分析:总论

论文所称应得到统计分析的支持。所有统计分析都与实验设计、潜在假设相关,因而没有单一的标准方法来描述统计分析。如果缺少相关信息,则无法验证统计方法的准确性,且无法与其它研究进行比较,以及在未来重复研究。我们强烈建议研究报告效应量和置信区间,因为它们不含样本量,可以更方便地进行研究间的比较。使用图表呈现统计结果可以提高论文的可读性。

3.6.4 GLM结果的统计分析

每个通道的GLM回归量的权重通常使用最小二乘法估计,最小化实际与拟合值之间的平方差之和。就最小二乘法的类型来说,普通最小二乘法基于模型假设,即观测值之间的误差不相关。当回归模型中的残差间存在一定时域上的相关时,可使用带预白化或预着色的广义最小二乘法,然后通过检验原假设来执行统计推断,即估计的系数与零没有显著差异。拒绝零假设表明被试对刺激有反应。通常来说,单个对比(如影响的线性组合)的假设检验使用t统计量,而多个对比使用F统计量同时检验。因此,在报告GLM分析结果时需要着重描述对比中包含哪些回归量、使用哪种统计检验。在二阶GLM(second-level GLM)分析中,可以使用固定效应、随机效应或混合效应分析来估算总体效应。与固定效应相反,随机效应模型考虑了两种变量的来源(受试内和受试间的可变性),从而允许我们推断抽样样本的总体量。在任何一种情况下,作者都需要在论文中清楚描述用于二阶分析的方法。最后,通道影响(channel-specific)的统计显著性(如t或F统计量)由z检验转换成z分数。由于大量通道采集带来导致产生一类错误(假阳)的高风险,因而控制一类错误非常重要,其控制称为“多重比较检验”,在下一小节进行讨论。

3.6.5统计分析:多重比较检验

基于先验知识分析单个通道或兴趣区时可以使用未校正的p值进行统计推断,但如果对多个通道、区域或神经网络进行统计分析,则应调整统计推断,通过多重比较校正来降低犯一类错误(假阳)的风险。多重比较应通过合适的方法完成,包括:Bonferroni校正、Holm校正、FDR(false discovery rate)控制、有效多重校正(effective multiplicity correction)、随机场理论(random field theory)或置换检验(permutation tests)。随机场理论适用于插值替换的(interpolated)fNIRS脑地图。分析时应根据研究目的来选择合适的方法进行统计推断。作者应清楚地描述所使用的校正方法与所得p值。此外,使用基于聚类(cluster-based)的推断时,应使用校正后的p值报告其规模的阈值。

3.6.6研究临床人群的数据处理指导

临床人群的数据处理步骤与其他人群大体相同,不过(由于病理学)还需要特别注意一些内容。由于临床研究通常以检测个体而非群体水平的病理迹象为目的,因而证明正常的对照组和患者之间存在差异可能揭示病理相关的特征,但一般无法支持诊断或治疗指导。行为的变化(即神经功能缺损的影响)和疾病相关大脑功能的改变之间潜在的复杂交互作用是研究面对的另一挑战。脑功能的改变可能与神经元信号传导(如癫痫)、血管反应(如中风/脑血管疾病)和神经血管耦合的改变(如痴呆)有关。此外,病理可能改变采样组织的光学特性,包括各层厚度的变化(如萎缩会增加脑脊液CSF空间)或各层的吸收、散射特性(如蛛网膜下腔出血导致CSF中有血液)。临床人群数据处理需要考虑的其他因素有:(1)行为的可变性:无论病理如何,较低的表现都可能导致较低程度的激活。相反,在任务表现接近正常时激活额外的脑区也可能是大脑病理学的一个指标。因此,我们建议将行为表现纳入到研究分析部分进行报告。由于典型的fNIRS方法受限于测量范围(限大脑皮层),因而应精确配准各组人群的行为表现,将fNIRS数据与行为表现的指标分离或关联,用于分清楚fNIRS结果中一般性和任务特定的部分;(2)临床数据的整合:除了疾病的严重程度,病变部位、伴随疾病(comorbidity)、发病前的表现都会影响临床参与者的可变性,因此这些内容也应该报告。如果可以获得相关临床数据,强烈建议将这些也整合到分析中;(3)数据整合:在临床人群中,不同模式获得的大量数据(如fNIRS/EEG数据)结果相互矛盾通常被解释为病理学上的改变,然而,采样的脑区、生理信号方法的不同、动态响应也会与病理影响卷积。同一被试未受影响脑区的参考数据可能提高敏感性,因此也应适当地报告。如果将病理相关脑区或功能系统的反应与参考值进行比较,结果的可靠性就会增强。

3.6.7神经发育研究的数据处理指导

发育中人群的数据分析和检验与成年人的数据大体相同,但数据的数量通常较少和/或噪声较多。婴幼儿难以理解、遵守指令,运动控制能力较低,注意力持续时间较短,因而导致研究中的trial数量较少和/或运动伪迹较多。在成年人中,无效数据段通常可使用邻近数据或整个数据集的中心趋势来校正或替换(如通过插值),但这需要足够多的数量和足够好的质量才能实现,因此对于发育中人群的数据来说,这些方法无法保证总能奏效。尽管如此,假设这些数据已满足校正的要求,它们也应进行校正。论文应该详细记录数据去除的流程(排除的标准、去除的数据量、手动去除或自动去除等),以免结果受到干扰。由于发育中人群的数据具有较高的噪声和伪迹水平,其具有较高的数据可变性与较低的统计显著性。尽管存在这些挑战,婴儿的fNIRS数据采集和分析还是相当成功的,因为婴儿较小的头部尺寸和较薄的头骨、组织允许我们更深入地穿透、更好地观察大脑皮层。视年龄特定的实验设计、吸引足够的注意力也可以防止运动伪迹和注意力的限制影响结果。

3.6.8功能连接分析

功能连通性是两个不同脑区的血液动力学变化在时域上相关性。通过两个fNIRS通道的信号可以使用Spearman相关、滞后相关(the lagged correlation)、交互信息(mutual information)、熵、相位锁(the phase locking index)、小波相干(wavelet transform coherence)等,通常在低频范围(如0.009到0.10Hz)。在报告功能连接分析时,应包含计算方法、感兴趣的频段、分析中使用的预处理方法、是否对原始信号或HbO2∕Hb时间序列进行相关分析、计算半球内还是半球间或兴趣区(ROI)内还是ROI间。选择不同频段时,显示结果变化的敏感性分析很有帮助,其也可以提供功能连接测量基础生理学上的额外理解。动态的静息态功能连接分析还应报告时间窗和步长(例如“使用滑动窗口法计算任意两个通道间的Pearson相关系数,时间窗口为100s,步长5秒”)。研究还应报告统计检验前的数据转换(如Fisher Z变换)、统计阈值、多重比较校正的方法。尽管从适当的SDD测量的fNIRS信号计算的功能连接主要反映婴儿的大脑血流动力学变化而非表层污染,但对于成年人来说可能并非如此。因为头皮上对称的脉管系统解剖结构可能高度影响长距通道产生的高相关性,考虑这一点相当重要。虽然多个通道之间的局部相关可能减少表面和全局信号的影响,最可靠的方法还是使用深度分辨(depth-resolved)仪器,如DOT或TD-NIRS。论文应报告处理头皮生理混淆的具体程序,及该问题如何显著影响结果。讨论部分还应包括fNIRS无法测量深层皮质区的信号变化这一事实,因此对结果的解释始终仅限于所测量的皮质表面。需要注意的是,两个相近的fNIRS通道可能反映出虚假的功能连接,因为它们通过fNIRS正演模型(forward model)对相同的大脑皮层区在一定程度上敏感。

3.6.9图像重建

DOT能够将头部表面光源-探测器所测y和头部体积x内的局部血液动力学变化进行映射,其通过灵敏度矩阵(sensitivity matrix,或Jacobian)A实现,求解的线性方程为y=Ax。图像重建提供了更多光学数据上的解剖学特征,促进了解剖学参考对象的平均,以及组内/跨组、跨模式的比较。fNIRS图像重建五个主要步骤中的每一个都应报告方法、软件和参数选择相关的详细信息:(1)理想情况下,头部解剖结构由各个被试的磁共振成像(MRI)结果提供,尽管图谱与被试的定位数据非常匹配时基于图谱的方法也可以很好地工作。头部模型具有三个基本信息:大小和形状、光极模版的内部分布、表面光极模版元件的位置。(2)选定的头部解剖结构被分割为一组推定的组织,需要报告相关参数以及分割方法。(3)头部网格的生成:任何模型都应报告所标记的组织区域的数量以及其光学特性。(4)光学阵列通过电磁定位或是参考EEG的标准如10-20系统等方法定位在网格解剖结构上。精准定位光学元件是非常重要的,因为位置的不匹配会直接导致结果指向不合适脑区域。(5)模版定位在组织上后,可以通过Monte Carlo模拟(如使用TOAST++或MCX)或扩散近似法(diffusion approximation)(如使用NIRFAST)对组织中的光传播进行建模,生成光源-探测器测量的灵敏度矩阵A。选用的模型需要进行报告。(6)使用适当的正则化(regularization)(如Tikhonov、空间变异、总变异、弹性网络)求逆灵敏度矩阵A。目前已有多个支持图像重建的软件(如NeuroDOT、AtlasViewer、NIRS-SPM、NIRSTORM),数据优化与处理直接可调。论文必须清楚记录所有应用的过程/方法,确保结果可明确再现。

3.6.10单个trial的分析、机器学习

脑机接口、神经人因工学、神经反馈等领域专注于fNIRS信号单个trial和/或实时解码,并越来越多地与机器学习相结合。机器学习是分析、分类脑信号的强大工具,但其要求使用者有意识地避免常见错误,通过记录确保数据科学的应用有效。分类方法利用信号中各种可辨别的诱发反应和伪迹,因此,情绪或身体活动,如头皮的血流,引起的非神经元信号成分可能导致假阳,提高实验的可分辨性,但也大大降低约束范式(constrained paradigm)之外的解码表现。这一隐患再次强调了适当分离混淆信号和大脑信号的重要性,如第3.5节所述。为仅分类大脑信号、从生理层面上解释分类权重所做的工作应清晰报告。将分析数据严格分为训练集和测试集非常重要,这可以避免过度拟合与报告有错误的结果。确保机器学习期间的任何统计推断都使用训练集同样非常重要,其不仅包含分类器的模型选择/训练,也包含了基于数据的通道或特征选择,或是回归量或过滤器的训练。如果数据集太小而无法拆分为单独的训练和测试集,可以使用交叉验证(cross-validation)的方案。如果自动选择附加参数,例如fNIRS特征选择,则应嵌入交叉验证。如果回归量是学习所得,如使用GLM法获得跨试次(across-trial)的HRF形状,则GLM需嵌入到交叉验证中。在分析单个试次,使方法的完整性失效之前,应在整个数据集上应用习得的过滤器或GLM。模型和参数训练与选择的所有步骤都应报告,以便方法学上的评估和重复。

3.6.11 fNIRS的多模态研究

基于生理参数HbO2和Hb互补,fNIRS整合进多模态研究越来越频繁。史上第一项同时进行fNIRS与fMRI研究旨在阐述二者的共性,改进激活时对血红蛋白的量化,也有实验使用fNIRS或TD-NIRS结合正电子发射扫描(PET)研究血红蛋白的量化。早期使用fNIRS与EEG、脑磁图描记术(MEG)的实验用于研究神经血管的耦合过程。这些早期研究有助于制定多模态研究报告的指导。由于多模态研究的实践困难和成本,所有多模态fNIRS研究都应先描述将结合fNIRS与另一技术的动机,fNIRS结合的技术通常属于以下四类之一:(1)提供改良的脑血流动力学与氧合的量化(如结合fMRI、DCS、CCO测量血红蛋白),提供生理学上可解释的参数(如CMRO2和血红蛋白的定量测量),(2)在复杂或瞬时事件中评估大脑活动,通常使用EEG进行监控和检测(如长时间记录来研究癫痫放电(epileptic discharges)的血流动力学特征、睡眠生理学、睡眠障碍、静息态波动),(3)在非侵入式脑刺激期间实时监测大脑活动用以实现脑机接口,(4)涉及到复杂认知过程的实验设计,可以同时进行记录,更好地探索潜在的复杂神经过程(如语言、学习、注意力、意图、情绪)。报告fNIRS多模态研究时,应详细描述数据采集的配置,尤其使不同模态同步的方法。为了充分发挥多模式方法的附加价值,准确的传感器定位与配准也很重要,尤其是通过神经导航工具的使用。因此,我们建议报告详细的实验设置示意图。其他需要考虑的问题有:(1)控制fNIRS/fMRI扫描仪中的光纤,确保光极与头皮的耦合,(2)与EEG的同步的蒙太奇布置(可选: fNIRS/EEG传感器集成、整合fNIRS和EEG位置的最佳蒙太奇设计集、在头皮上粘合光纤),(3)用于同时进行fNIRS/经颅磁刺激(TMS)、fNIRS/MEG、fNIRS/fMRI采集的fNIRS传感器的外形和厚度(如使用低剖面传感器,使TMS刺激线圈能够靠近头皮)。每种多模态方法都需要特定的方法来整合、分析数据。例如,在同步fNIRS/EEG中,EEG振荡或瞬时放电可用于基于GLM的方法来对fNIRS响应进行建模。整合断层扫描、统计方法与大脑标准化,开发软件包支持同一环境(如NIRS-SPM、NIRSTORM)下多种功能模式(fMRI、fNIRS、EEG/MEG)的分析都有利于未来研究的发展。

4.结果

4.1图表可视化

好的可视化以清晰、可呈现的方式描绘所有相关信息,使读者能够快速、轻松地理解复杂信息。结果部分应包括在大脑/头部模板上HbO2、Hb、统计结果(如t值)的可视化,或选择二者之一进行报告的理由。报告统计数据时应遵循美国心理学会制定的规则(例如任务期间HbO2显著上升)。各通道或一组选定通道或被试、被试组的ROI的平均HbO2和Hb时间序列有益于提供变化的时域特征。这类图中至少需要显示标准偏差,为了说明统计对比,通常可以将数据显示为包含单个数据点的箱线图或分布。如果分析的重点在于使用机器学习进行预测/分类,则应遵循既定的数据科学报告的要求。用于数据与表现可视化的工具包含被试工作特征图(receiver operating characteristic plots)、混淆矩阵(confusion matrices)、显示统计分布的散点图。一种已证的可以生成高质量图像的方法是先使用信号处理与数据分析工具(例如MATLAB、R、Python)创建原始图形,然后使用专业的矢量图形软件进行完善。

4.2文本简洁严谨

结果部分应简洁、组织良好,结果仅仅展示使用研究方法获得的结果,但必须完整描述。如果期刊有篇幅限制,部分结果可在补充材料中显示。先前已发表的结果应与研究得到的新结果明确区分。经常会有研究的结果偏向于证实假设、利于发表,这会损害研究的客观性,因此我们强烈建议报告所有分析结果,无论是阳性还是无效的。此外,区分开分析计划(如果分析在开放科学平台上预先注册,可提供研究计划的URL,详见第7.1节)和分析过程中受数据启发所作的探索性分析是很好的习惯。强调无效的结果或是与原始假设相悖的结果对保证透明度、可复制性相当重要。

5.讨论与结构

5.1基于已有的研究成果对结果进行讨论:优势、局限性、未来的工作

在讨论部分应将先前在相同、相关领域(fNIRS、fMRI、EEG或其他)的发现与研究所得结果情景化(contextualized)、进行比较,这能检查研究的相容性,展示研究结果的创新贡献和意义。相关性和因果关系不应被混淆,在没有证据的情况下不应报告因果关系。理想情况下,讨论应该有一个单独的部分专门探讨研究的优势和局限性。fNIRS研究的优势可能包含创新的实验范式、对特定神经/认知现象的深入研究、大样本量、创新的硬件或信号处理方法的开发与应用。限制可能包含样本量小、仪器限制、测量和分析中存在混淆效应。例如,尽管fNIRS大脑灵敏度在头皮/颅骨厚度较小的年轻人群中较高,但一项研究如果在没有独立测量脑外血流动力学变化的情况下进行(如通过短距通道),那么仍应考虑生理混淆,讨论生理噪声可能对其结果和解释产生的影响。基于研究工作描述可能进行的后续研究支持了对开放的科学问题进行讨论,理想情况下也包含了针对未来研究的假设,其可在后续工作中进行调查。

5.2结论

结论部分应综合研究的主要发现,以非常简洁的形式总结其对该领域的意义和影响。结论需要与研究目标、研究结果相一致。我们建议首先仔细考虑、定义结论,这有助于撰写一致、明确的论文。

6.参考文献

6.1合理引用

熟悉研究领域的文献是对情境化(contextualization)所呈现工作的先决条件。为了提供研究背景和研究理由,并将研究结果与已有文献进行比较,参考文献必须包含与特定主题相关的综述与实验文章。因此在最终稿中,应仔细检查每篇参考文献,以确认引用的信息是否与原始作献中的信息一致。

7.补充材料:加强可重复性

7.1预先注册、数据、代码共享研究和分析计划可在数据采集之前预先注册。这种做法确保了研究的透明度,允许研究人员更好地区分计划性分析和探索性分析,并相应地解释他们的发现。研究可以在许多开放科学知识库中预先注册,例如NITRC、GitHub、rOpenSci、Dryad、OSF、Mendeley、Figshare和arXiv。很多研究一旦完成会允许数据和代码共享。共享数据和代码有助于提高研究结果的可重复性,因为它允许其他研究人员独立测试、检验结果,并可以在无需重复工作的情况下获得新的发现和解释。因此,我们强烈鼓励共享fNIRS数据和代码以及其他有用的信息,例如实验期间呈现的刺激。一些期刊提供了分享这些补充信息的机会,而如果没有,我们使用其他方法,如在线的资源库。论文可以在方法部分提供指向相关资源的链接。使用此类资源的优势之一是它们允许其他研究人员访问数据,这是许多道德委员会所要求的。当来自人类被试的研究数据被公开共享时,确保其完全去识别化也至关重要,IRBs可以指导研究人员在共享数据时保护被试隐私。共享硬件/软件也有助于进一步加快创新技术的发展(如opennirs/openfnirs项目)。最后,数据应以公开、允许广泛访问的格式共享。fNIRS社区正在适应一种常见的fNIRS数据格式:“shared near-infrared data format”或“snirf”。通用标准格式和标准指南如脑成像数据结构兼容已经被大多数其他神经成像技术采用,这可以大大促进使用不同采集系统、处理方法的研究小组之间进行数据共享。

8.附录

表1. 论文撰写的指导清单

(详细信息见对应小节)

2.1.1标题是否简短、具体且能提供结果相关的信息?2.1.2是否以吸引人的方式描述了最相关的信息?能否进一步精简摘要?摘要结构是否与论文主体相一致?摘要和正文中的数据是否一致且完整?2.2.1是否确定了研究的范围、背景和重要性?先前研究是否被正确描述与引用?是否明确定义了研究目标和假设?3.1.1是否描述了所有相关的人口统计学、临床与其他特征?是否明确定义了所有被试以及数据纳入/排除的标准?是否讨论了所有伦理问题?是否得到当地伦理委员会的批准?排除被试的原因是否描述并有充分的理由?3.1.2未观测到影响的情况下:是否进行了功效分析?样本量、功效、alpha水平和效应量的选择是否报告并证明合理?事后功效分析也许可以说明样本量能够实现统计显着性(in case the study was underpowered)。3.2.1是否提供了以下信息?所有研究:数据记录时长;实验环境(如照明条件、声音条件、视野中的物体或显示器等)。block和事件相关研究:条件的数量;各条件的block数量或试次;blcok或trial的出现顺序;每个blcok或trial的持续时间;blcok或trial之间间隔的时长。可以提供包含这些信息的示意图。3.2.2是否清楚描述了给被试的刺激、指令和反馈?哪些实验条件会影响被试的表现?是否充分描述了采集仪器和相关设置?(系统、波长、采样率、通道数及其他参数)3.3.2是否完整描述了光极排布设计、光极帽、目标脑区?3.3.3是否报告了所有重要的硬件和软件性能特征以及验证步骤?是否充分描述了其架构和所有关键组件(光源、检测器和多路复用方法)?遵循了哪些标准/规范、考虑了哪些安全法规(即最大皮肤照射许可值)?仪器或方法开发研究:是否报告了基于体模的性能特征?fNIRS应用研究:是否报告有定期检查系统质量?3.4.1fNIRS通道的信号质量如何检查,是否去除坏通道?3.4.2如何识别和去除运动伪迹?3.4.3基于哪些假设、参数和模型来通过mBLL从原始fNIRS信号中计算出血红蛋白浓度?如何校正估计错误/fNIRS信号的单位是什么?3.4.4如何区分组成fNIRS信号变化的各种生理过程?是否考虑了可能产生生理混淆的所有因素?3.4.5是否清晰确定与描述了所有预处理和统计检验方法?3.4.6如何处理fNIRS兴趣波段之外的混淆信号?(高通/低通滤波/GLM漂移回归)3.5.1采用哪些方法来校正脑外组织室的生理混淆和变化?如何识别、分离混淆信号,如何减少假阳性/阴性的可能?3.5.2深度灵敏度如何实现?如果进行多距测量,使用的SDD(光源-接收器的距离)是多少?应用了哪些信号处理方法去除fNIRS信号中混杂的生理成分?如何讨论研究的限制?3.5.3如果没有深度灵敏度/多距测量值:应用了哪些信号处理方法来最大程度地减少混杂的生理成分?如何讨论研究限制?3.5.4如果使用其他生理信号来去除fNIRS信号中的混淆信号,使用了哪些信号?是否充分描述了所有相关参数和步骤?3.6.1用于HRF估计的有效试次是多少?在GLM法中:使用了哪些混淆信号回归量,如何建模?使用什么方法估计回归量的权重?3.6.2在GLM法中:如何建模HRF?使用什么形状/函数做HRF回归?参数是什么?如果使用了固定形状,理由是什么?3.6.3做了哪些统计检验,是否报告了所有相关参数(如假设分布、自由度、p值等)?是否说明了效应值大小?3.6.4GLM中包含哪些回归量来解释fNIRS数据的分析结果和混淆效应?用什么统计模型和方法来检验第一层、第二层的假设?3.6.5如果对多个脑区/体素/神经网络进行统计分析,是否校正了多重比较谬误?采用了什么校正方法?3.6.6在解释结果时是否考虑了临床可变性和行为、神经元、血管反应的预期变化?3.6.7如何处理发育中人群数据中更多的噪音、伪迹?论文中是否详细记录了去伪程序?3.6.8使用了哪些相关性指数?统计阈值如何确定?3.6.9使用了什么头部解剖结构,光学元件和头部几何结构之间的配准是如何进行的?头部解剖结构是如何分割的,分为哪些组织类型?头部网格是如何生成的?每种组织类型使用了哪些光学特性?使用什么模型/方法来生成灵敏度配置文件和图像重建?3.6.10为理解和解释分类器的权重和输出做了哪些努力?训练和测试规模是多少,(超)参数是如何选择的?训练和测试数据是否严格分开,尤其是在使用学习过滤器、回归器或GLM的方法中?是否进行了交叉验证,如果是,是哪种?3.6.11传感器放置/定位/配准是否得到充分描述?数据融合和多模态分析使用了哪些方法?4.1测量设置、光极阵列配置和放置以及实验协议是否可视化?是否包括敏感性分析?如果处理流水线很复杂,是否用简化的框图来描述?是否同时提供脑图和时间课程?结果是否与解剖位置相关联?是否同时报告HbO2和Hb?数据的高阶统计数据是否也可视化?4.2结果是否以简洁和组织良好的方式呈现?采取了哪些措施来尽量减少确认偏差?是否报告阴性结果(如果存在)?5.1是否讨论了所有相关结果?讨论的任何部分是否基于未呈现的结果?是否充分解决了混淆生理学的警告?所呈现的工作是否与现有研究进行了充分比较和背景化?是否清楚地概述和讨论了优势和劣势?是否讨论了潜在的后续步骤?5.2是否得出了3到5个以简明方式总结研究主要发现的结论?它们是否包括结果的重要性?结论是否基于研究结果?6.1是否所有引用原创作品的陈述都与其中提供的信息一致?7.1其他研究人员是否可以使用数据/代码来重现结果?数据是否以社区支持的通用数据格式共享(例如snirf)?

表2.常用的fNIRS术语

1.Channel-通道fNIRS的独立测量区域。[注意:来自同一光极的所有时间序列信息如不同的波长、氧合/脱氧血红蛋白,为同一通道测量。]2.DPF-差分路径因子比例因子,与几何上的光源-检测器距离相关,该距离决定了光在整个采样区内光源、检测器之间传播的路径长度,解释了散射导致光从光源到检测器的距离的增加。3.Frame-帧来自所有通道的一个并发/对应(concurrent/corresponding)样本。4.Frame rate-帧率以赫兹为单位记录帧的速率。5.Frequency multiplexing-频分多路以非重叠频率调制源区分不同通道。6.Mean pathlength-平均路径长度光在整个采样区内传播的路程长度(光源-检测器的距离乘DPF)。7.Partial pathlength-局部路径长度光在兴趣组织内传播的路径,例如对功能性大脑激活,该路径仅在激活区域中(光源-探测器距离乘局部路径长度因子)。8.Partial pathlength factor-局部路径长度因子比例因子,与光源-探测器距离有关,该距离决定了光在激活区域传播的平均路径长度。9.Partial volume effect-局部容积效应由于血红蛋白的变化发生在焦点区域而非整个采样区域而低估了浓度变化。10.Partial volume error-局部容积错误局部容积效应产生的误差,因可能导致反向路径的波长不同而不同。11. Sampling rate-采样率各通道每秒采集的样本数量(以Hz为单位)。12.Time multiplexing-时分多路每次打开一个或一组通道来区分不同通道。

如需原文及补充材料请添加思影科技微信:siyingyxf或18983979082获取,如对思影课程及服务感兴趣也可加此微信号咨询。另思影提供免费文献下载服务,如需要也可添加此微信号入群,原文也会在群里发布,如果我们的解读对您的研究有帮助,请给个转发支持以及右下角点击一下在看,是对思影科技莫大的支持,感谢!

  • 1
    点赞
  • 0
    评论
  • 5
    收藏
  • 一键三连
    一键三连
  • 扫一扫,分享海报

©️2021 CSDN 皮肤主题: 大白 设计师:CSDN官方博客 返回首页
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值