婴儿fNIRS数据的固定阵列和功能兴趣通道的方法比较

导读

功能性近红外光谱(fNIRS)越来越多地用于研究婴儿的大脑功能，但婴儿fNIRS数据分析技术的发展和标准化并没有跟上其他技术进步的步伐。本研究使用不同的分析方法量化和比较了婴儿的fNIRS数据[包含两个独立的fNIRS数据集(6-9个月大的婴儿)和模拟婴儿fNIRS数据集]。对于每种方法，研究者将传统的固定阵列分析结果与几种功能兴趣通道(fCOI)分析方法进行了对比。此外，还测试了改变fCOI定义中潜在数据通道的数量和解剖位置的影响。研究结果发现，fCOI方法比固定阵列分析更为敏感，尤其是在被试内部确定了兴趣通道时。应用解剖限制或在fCOI定义中包括多个通道不会降低fCOI方法的灵敏度，在某些情况下还会提高fCOI的灵敏度。基于这些结果，研究者建议研究人员采用fCOI方法来分析婴儿fNIRS数据，并为婴儿大脑功能和发育研究中选择特定的fCOI方法和设置提供了相应的指南。

前言

在过去的十年中，功能性近红外光谱(fNIRS)在研究婴幼儿脑功能方面的应用有了显著的增长，这是因为它比用于测试发育人群的其他常见神经成像方法(如EEG和fMRI)具有更加独特的优势。例如，像婴儿坐在父母腿上或高脚椅上(自然环境中)，就可以收集fNIRS数据。相比之下，功能磁共振成像要求参与者躺在扫描仪中并保持静止，因此，尚不能广泛或容易地应用于醒着的婴幼儿群体。与EEG相比，fNIRS具有更好的空间分辨率。由于EEG测量的电活动在头皮上传播和叠加，因此很难确定EEG的皮层源，而NIRS数据中的源定位估计可以缩减到给定数据通道(光源-探测器对)头皮位置周围几厘米的位置。fNIRS使用和应用的增加也伴随着硬件、软件和头部探头的进步，以应对数据收集和数据处理过程中的挑战。然而，fNIRS要成为研究婴儿大脑功能的首要方法，还需要在数据分析方面取得同步进展。在这里，研究者通过直接比较不同分析方法的结果来增加对婴儿fNIRS数据分析的了解。具体而言，将常用的固定阵列分析方法与新兴的替代方法(fCOI)进行比较，以进行进一步分析。此外，本研究还直接比较和量化了fCOI分析中几个重要分析选择对每个数据集的影响。

与其他神经成像方式一样，fNIRS数据通常是从多个通道收集的。由于fNIRS系统的可用测量通道的数量有限，因此研究人员通常试图策略性地针对更特定的大脑区域。例如，在典型的fNIRS实验中，研究人员根据地标将探针放置在参与者头部，这些地标被认为与特定研究感兴趣的大脑区域相对应。通过MRI和成人多模态MRI-NIRS建立的头皮地标和潜在大脑区域之间的已知对应关系来指导放置。从这项工作中，某些头皮地标已被证明与已知的大脑区域相对应。基于这项工作的推论使研究人员能够将记录集中到更可能对应于潜在感兴趣大脑区域的通道。

目前使用的许多婴儿fNIRS数据分析方法假设头部探头中的给定通道是从样本参与者的同一潜在脑区测量的。在已发表的婴儿fNIRS文献中，这些方法中最常见的是我们所称的固定阵列方法。在固定阵列方法的传统实例中，研究人员按通道整合来自不同参与者的数据，并测试“通道空间”中的兴趣效应。当然，随着分析的通道数量的增加，统计假阳性的可能性也随之增加。即使仅在更集中的头皮区域进行，或者分析仅限于探头的某些部分，但仍有可能使用多个数据通道进行分析。在一些已发表的研究中，fNIRS的研究人员忽略了多重比较问题，而倾向于确定利益的潜在影响。其他人使用标准的多重检验技术(如Bonferroni校正或错误发现率(FDR))调整了显著性的统计阈值，以试图解释多重比较，但这样做也可能伴随着对兴趣影响的敏感性降低。尽管如此，有研究人员还是使用了更多数据驱动的方法来减少数据的空间(和时间)分布，识别潜在影响，然后使用数据随机排列得出的统计阈值来确定哪些影响不太可能是偶然发生的。

无论是否使用其他方法来减少数据或控制多重比较，类似的假设指导着文献中常见的“固定阵列”或“通道空间”分析：给定通道测量来自参与者的相同或多个脑区。虽然固定阵列方法可能足以推断头皮与大脑的平均对应关系，并随后将分析减少到可能对应于成人(和大龄儿童)大脑感兴趣区域的通道，但由于某些原因，它们在婴儿发育人群中更受限制。首先，与成人相比，在不同年龄段的婴儿中建立头皮-大脑对应关系的工作较少，而且在婴儿年龄段中没有广泛可用于源定位建模的标准平均大脑模板。第二，与成人或大龄儿童相比，婴儿群体中的个体差异因素往往会加剧，这些因素会导致头皮到大脑估计值的差异，如头部大小或个体参与者之间探头放置缺乏系统性。第三，由于fNIRS的空间分辨率限制，与成人相比，给定的数据通道更有可能记录了婴儿的多个大脑区域。所有这些因素综合起来，使得关于婴儿定位的推断不太明确。

新兴方法放宽了参与者之间固定阵列或“通道空间”分析的假设。其中一种有前景的方法是进一步开发被试特定的解剖定位技术，这可以允许更直接地访问个体被试中的实际脑通道对应关系。在成人中，可以通过获得与模板大脑或被试特定MRI相关的单个头部探针-头皮对应的附加信息来进一步增强定位。尽管这些方法对婴儿来说更具挑战性，但最近的研究在这方面取得了一些有希望的进展。

认知神经科学中常见的一种数据简化的补充方法是基于功能反应本身的信息约束分析。其基本思想是，除了纯粹的解剖位置之外，还可以通过个体大脑的功能响应特性来确定在fMRI体素或fNIRS通道中定义的感兴趣区域。由于大脑中的功能细分并不总是具有清晰的解剖学特征，并且个体在区域功能组织中也有所不同，因此使用功能数据灵活地指导分析可以为大脑定位提供新的信息，并进一步确定分析的重点。

为了更好地理解这些不同方法和分析选择对婴儿NIRS数据分析的影响，本研究评估了两个婴儿fNIRS数据集的结果。对于这两个数据集，首先将传统固定阵列分析方法的结果与各种类型的fCOI分析方法进行了比较。传统的固定阵列方法被用作评估各种fCOI方法和选择的比较基准，因为它奠定了婴儿fNIRS文献中的许多基础研究，并且与许多其他常用方法具有相似的固定通道空间假设。然后，研究者分别评估了不同分析选择对每种fCOI方法结果的影响。最后，为了进一步验证本研究的结果，研究者在已知地面真值的合成婴儿fNIRS数据集上比较了这些相同的分析方法和选择。比较和对比这些不同分析的首要目的是为了更好地了解它们对结果的影响，并为婴儿fNIRS数据分析中的分析决策提供新的实证基础。

研究一

方法

研究一比较并对比了婴儿fNIRS实验中感兴趣的方法和分析选择，该实验旨在识别颞叶后部的面部敏感区域。该数据集与之前的婴儿fNIRS fCOI分析方法的研究具有可比性，并且与成人fMRI研究中使用的动态面部特定区域定位相似。数据集共有20名参与者(Mage=8.65个月，SDage=1.10个月，Rangeage=6.31-10.59个月，7名女性)。另有18名婴儿参与，但未提供可用数据。获得所有儿童的父母或监护人的书面知情同意书。

刺激与设计

刺激物被设计用于诱发对动态面孔选择性的外侧颞叶皮层区域的活动。这些刺激由包含面孔或风景场景的动态电影组成(见图1)。动态面孔视频包括一个孩子自然地移动，但视频聚焦于在面孔上。动态场景视频包含山脉或森林等自然景观的全景。所有视频片段均伴有古典音乐，旨在进一步维持婴儿的参与。每次测试都以10s的黑屏开始，中间有一个白色十字注视点，然后是2s的掩蔽屏，开始时会播放警报声，接下来是3个3s的视频片段(面部或场景)，见图1。在整个实验过程中，每种类型刺激(面部或场景)都有12段独特的视频。每个被试的视频片段都以独特的顺序呈现。视频类型顺序（即，先呈现面孔视频还是场景视频）对于每个被试都是随机的，但在整个实验过程中是固定的。

图1.刺激、呈现序列和fNIRS探针放置示意图。

程序

获取数据的过程类似于使用视听刺激收集婴儿fNIRS数据的研究过程。婴儿坐在父母或监护人的腿上时，会戴上灵活的定制头盔。关闭测试室的顶灯，在距离婴儿约90cm处的电脑显示器上播放视频片段。每次运行完成后，显示器都会暂停播放，直到研究人员通过按键来启动下一次运行。fNIRS记录是使用TechEn CW6(连续波)NIRS系统进行的，该系统具有八个光源(4个690nm和4个830nm波长)和四个光探测器，以测量头皮50Hz下的皮层血流动力学响应。源和探测器以2.5cm的固定间距排列，以创建一个定制的10通道探头，覆盖右半球外侧颞叶和下顶叶区域的头皮区域。

数据分析

使用MATLAB(R2019a)中的Homer2包(2.8版)进行数据预处理。本研究的预处理步骤与最近发表的两个婴儿fNIRS实验中使用的步骤非常匹配，这些实验使用相同的fNIRS系统、类似的探针、可比较的参与者年龄范围和类似的视频刺激。采用0.5Hz低通滤波去除较高频噪声。然后，应用另一种自动算法来检测和拒绝包含运动伪影的数据。最后，使用改进的Beer-Lambert定律将数据从光密度单位转换为含氧、脱氧和总血红蛋白浓度的变化(Homer2中默认PPF为6.0)。在数据预处理(包括自动伪影检测和数据剔除)之后，最终数据集共包含20名参与者的数据。仅保留面孔和场景block完整的数据以供进一步分析。

结果

固定阵列分析

对每个通道上的面孔加工与场景加工进行对比的固定阵列分析，没有产生任何统计上显著的结果，即使在多重比较校正之前，统计结果仍未达显著性水平。在通道3(Cohen's d=0.37)中观察到的效应最大，其次是通道7(d=0.29)，然后是通道5(d=0.25)，尽管所有相应的贝叶斯因子(BF10=0.68–1.43)表明面孔效应的证据相对较弱(图2和图3)。

图2.提取每种方法中面孔和场景的HbO响应(上图)。方法(a-e)如底部所示，以及各方法选择的作为单通道fCOI的通道比例分布(下图)。

图3.对每种分析方法的HbO时间过程进行单通道分析(通道3)。深色的线代表组平均值，阴影代表±1均值标准误(SEM)。所有方法的先验分析窗口为4-16s。

功能兴趣通道分析

通过对比面孔加工与场景加工的功能性反应来定义感兴趣通道，使用被试内leave-one-run-out和split-half留出法，产生了统计上显著的结果。Leave-one-run-out 的统计效应最大(d=0.51)，其次是split-half(d=0.39)。然而，与其他fCOI方法(BF10=0.65–1.58)和固定阵列方法(BF10=1.43)相比，leave-one-run-out(BF10=3.76)的效应大约是其两倍。

讨论

本研究结果表明，fCOI方法比传统的固定阵列分析对面孔选择区域的检测更为敏感。更具体地说，与固定阵列方法相比，只有fCOI方法显示出统计上的显著效应。被试内fCOI方法总体上比被试间fCOI方法对兴趣通道的效应更敏感。此外，在三种被试内fCOI方法中， leave-one-run-out产生的效应最强，其次是split-half，然后是迭代对比法。在fCOI中添加多个位点并没有显著提高灵敏度，也没有改变结果的统计显著性。

在所有方法中都出现了一致的情况，其中特定的数据通道被确定为感兴趣的通道，这些通道与固定阵列分析中显示最强效应的通道一致。在为fCOI定义所选择的通道中也存在一定程度的被试内一致性，尽管总体值低于预期。这表明，对面部刺激的反应可能跨越探针的多个通道，甚至在单个被试内，导致被试在不同数据子集上的fCOI定义存在差异。然而，需要注意的是，一致性的计算本身可能会受到本研究中可用数据的性质和数量的挑战。更广泛地说，目标通道在被试间的分布以及敏感性指标可以被这个特定样本相对较大的年龄范围放大，而较窄的年龄范围可能不一定产生相同的结果。

研究二

研究二重新分析了先前发表的一项研究数据，以进一步比较和对比相同的方法和分析选择。更具体地说，本研究结合了两个婴儿fNIRS实验(N=50)的数据，该实验是关于对他人心理状态或心理理论的颞顶叶反应的数据。这些数据的性质与研究一不同，因为功能性反应是从与视频刺激内的特定事件同步的短暂时间窗中提取的，而不是在包含多个视频片段的更大时间block上进行平均。除数据类型外，每个被试的数据量也不同。此外，与研究一不同的是，研究二从先前发表的研究中获得了兴趣效应的时间和定位的先验知识，这使本研究能够进一步评估不同方法和选择的准确性。

方法

该研究中用于获取和预处理数据的方法已在Hyde等人(2018)的研究中发表，与研究一中使用的方法几乎相同。数据集中共有50名参与者(Mage=7.64个月，SDage=0.83个月，年龄范围=6.08–9.07个月，25名女性)。

刺激和设计

刺激旨在诱发右侧颞顶叶交界处(TPJ)的功能反应，当成年人和大龄儿童思考其他人心理状态时，该区域被认为会选择性地做出反应。刺激是一个人以目标导向的方式与木偶和物体互动的视频片段(见图4)。所有run都包括一个介绍性事件，然后是三个随机顺序呈现的测试事件。介绍事件旨在让婴儿熟悉特定run中的人物、物体和木偶。三个测试事件或实验条件，包括一个木偶捡起一个物体，把它放在一个盒子里，然后将物体移动到另一个盒子，一个人站在背景中。所有测试事件都以该人成功地到达该物体所在的盒子处而结束。两种情况之间的关键区别在于人物是否知道物体的实际位置。在真信念条件下(TB)，该人物面朝前方，看到木偶将物体从一个盒子移动到另一个盒子。在错误信念条件下(FB)，该人物暂时把头转向别处，并没有看到物体在盒子之间移动。在方向感知控制条件下(DP)，该人物也暂时把头转向别处，没有看到物体在盒子之间移动，但盒子是清晰的(隐藏物体的位置很明显)。

图4.婴儿心理理论fNIRS研究中呈现视频刺激的示意图。

程序

获取数据的过程与研究一非常相似。对于20名被试，光源和探测器以2.5cm的固定间距排列，以创建一个定制的12通道探头，覆盖右半球下顶叶、外侧颞和外侧PFC的头皮区域。对于另外30名被试，探头覆盖了右半球的6个颞顶叶通道和左额叶区域的4个通道。出于分析的目的，结合这两项实验数据，仅分析两项实验数据中的六个重叠的颞顶叶通道(见图5)。

图5.常见头皮地标的颞顶叶探头放置。

数据分析

数据预处理与该数据集的原始研究完全匹配，并且也与研究一中使用的程序非常相似。主要区别在于，设置PCA滤波器去除的方差不超过给定被试数据总方差的90%，而不是研究一中的80%。试次被定义为测试视频开始前2s到42s后，以适应对本研究特定刺激的全面反应。

结果

固定阵列分析

对整个数据集(N=50)进行固定阵列分析，将每个通道上对错误信念条件的响应与真信念和直接感知条件的平均响应进行对比，在通道1、2、3中存在统计上的显著效应，即使在进行多重比较校正之后(图6和7)。在这些通道中，通道3的响应最大(d=0.54，BF10=140)。

图6.提取每种方法的HbO响应(上图)。方法(a-e)如底部所示，以及各方法选择的作为单通道fCOI的通道比例分布(下图)。

图7.对每种分析方法的HbO时间过程进行单通道分析(通道3)。深色的线代表组平均值，阴影代表±1均值标准误(SEM)。所有方法的先验分析窗口为22-26s。

功能兴趣通道分析

通过将错误信念条件的功能性反应与对真信念和直接感知条件的反应的均值进行对比，定义单个感兴趣通道，使用split-half和迭代对比法，产生了具有统计意义的结果(图6和7)。split-half法和迭代对比法产生了中等效应量大小(d=0.32-0.34)，而被试间的leave-one-subject-out和被试内的leave-one-run-out产生了较小的效应量(d=0.15-0.26)。迭代对比法产生了最稳健的结果，具有最大效应量(d=0.34)。将单个感兴趣通道的通道数量从两个增加到三个，并不会显著改变split-half或迭代对比法的结果。

讨论

研究二结果表明，与固定阵列方法相比，fCOI方法对感兴趣通道的影响更敏感，并且被试内fCOI方法比被试间fCOI方法更敏感。在fCOI内部方法中，迭代对比和split-half法在该数据集上产生了最强的结果。在fCOI定义中包括多个通道（2或3）并没有削弱结果，并且包括多个通道似乎增加了最初不太敏感的被试间fCOI方法和被试内leave-one-subject-out的效应大小。综合研究二中的结果会发现，迭代对比法和split-half法在灵敏度方面表现良好。与其他fCOI方法相比，被试内leave-one-subject-out方法对该特定数据集的敏感性较低。

研究三

研究三的主要目的是将固定和fCOI方法的结果与真实的婴儿fNIRS数据集进行比较，但这样做的局限性在于所调查信号的地面真值是未知的。为了进一步验证这些技术并更好地理解本研究的结果，在已知地面真值的综合婴儿fNIRS数据集上比较和对比了相同的方法和分析选择。

方法

数据模拟设置与设计

使用NIRS Brain AnalyzIR Toolbox中的工具以及用于婴儿特定fNIRS数据模拟的公开可用代码，创建了一个包含20名参与者的合成数据集。对于这个模拟，使用了与研究一相同的基本10通道探头，在设计中有两个条件，一个活动条件和一个控制条件。合成fNIRS数据是根据文献中关于模拟婴儿特异性fNIRS数据的建议创建的。使用自回归模型(阶数=30；空间相关性=0.33)生成空间和时间相关的基线噪声。选择接收HRF的特定两个通道对于每个参与者在头部探头的通道1-3之间随机变化，以模拟参与者之间活动通道的可变性，这是测试fCOI识别方法的灵敏度和有效性的关键数据特征。最后，以接近真实婴儿fNIRS数据中的频率(2Hz尖峰；1.5Hz偏移)引入模拟运动伪影。选择设置以合理地近似具有局部和突出HRF响应的稳健婴儿fNIRS数据集。重要的是，要注意模拟数据中其他设置参数的变化。

数据分析

由于合成数据和设计的性质不同，数据预处理设置与研究一的设置相同，但有以下变化。根据Gemignani和Gervain (2021b)的建议，应用0.7Hz低通滤波器(而不是0.5)来去除高频噪声。数据块被定义为条件标记开始前2s到20s后捕获到合成HRF。在涉及检测和拒绝包含伪影的试验的预处理后，平均有6.95个活动条件试次和7.4个控制条件试次用于分析。在条件标记开始后2到14s内提取平均幅度响应，以捕获HRF进行进一步分析。预计对活动条件的反应大于对控制条件的反应(活动＞控制)。校正和未校正的α水平与研究一中使用的相同(p＜0.005，p＜0.05)。除了研究一和研究二中使用的fCOI定义中的分布、被试间和被试内的一致性指标外，研究者还评估了观察到的fCOI定义与插入HRF的地面真值通道之间的对应关系。

结果

固定阵列分析

固定阵列分析将每个通道对活动条件的响应与对控制条件的响应进行对比，分别确定了通道1、2、3在未校正水平的影响，但只有通道1在进行多重比较校正后仍然存在显著差异(图8和9)。通道1的效应量最大(d=0.62，BF10=12.9)。

图8.提取每种方法在模拟婴儿fNIRS数据中对活动和控制条件的HbO响应。方法(a-e)如底部所示，以及各方法选择的作为单通道fCOI的通道比例分布(下图)。

图9.地面真值数据以及其他分析方法的HbO时间过程。深色线代表组平均值，阴影代表±1均值标准误(SEM)。所有方法的先验分析窗口为2-14s。

功能兴趣通道分析

通过比较对活动条件的功能响应与对控制条件的响应来定义感兴趣的通道，所有fCOI方法产生了统计学上的显著效应。然而，与从被试间fCOI方法(d=0.57，BF10=6.12)或固定阵列分析的最大效应量(d=0.62，BF10=12.9)相比，被试内fCOI方法的效应量几乎翻了一倍(d=1.03-1.1)。尽管所有被试内fCOI方法都证明对这个合成数据集中的效果高度敏感，但与其他被试内fCOI方法(BF10=224–235)相比，leave-one-run-out方法(BF10=588)的效应强度大约是它们的两倍。split-half和迭代对比具有相似的敏感性水平。

通过将fCOI定义中的通道数量从一个感兴趣的通道增加到所有被试内fCOI方法的两个通道，效应大小略有降低。解剖限制略微改善了被试内fCOI方法的结果，并且对被试间fCOI方法的结果没有影响。这些结果表明，fCOI方法比固定阵列方法更敏感，被试内fCOI方法比被试间方法更敏感。所有被试内fCOI方法都对这个合成数据集中的效应高度敏感，其中leave-one-run-out方法表现最好。总之，来自合成婴儿fNIRS数据集的结果进一步验证了使用的fCOI方法与地面真值情况的一致性。

结论

许多已发表的文献和当前的分析方法都接受固定阵列分析方法的假设：(a)如果婴儿fNIRS头部探头在被试之间以相同的方式放置，那么被试的头皮-大脑对应是相似的，因此可以认为给定的通道对应于被试的相同大脑区域，并且(b)头部大小不需要作为一个因素来考虑，或者可以通过一些额外的放置程序或规则来解释。严格来说，这些假设对于婴儿来说并不正确。在这里，本研究报告了新的经验证据，表明在分析婴儿fNIRS数据时，fCOI方法比传统的固定阵列方法更敏感，被试内fCOI方法比被试间fCOI方法更敏感。本研究的的发现复制并扩展了该领域的初始发现，进一步提供了几种主要分析选择的定量比较，揭示了不同的方法选择如何影响灵敏度，为研究人员在未来对其分析做出选择提供了经验基础。总之，fCOI方法是婴儿fNIRS数据分析的一种强有力的方法。

参考文献：Yiyu Liu, Fernando Sánchez Hernández, Fransisca Ting, Daniel C. Hyde, . Comparing fixed-array and functionally-defined channel of interest approaches to infant functional near-infrared spectroscopy data. NeuroImage, Volume 261, 2022, 119520. https://doi.org/10.1016/j.neuroimage.2022.119520.