与fMRI相比，因fNIRS对研究神经反馈（NFB）具有一些优点，使得该技术成为研究者感兴趣的对象。使用fNIRS研究NFB的先决条件是能测量到感兴趣的大脑区域信号。本研究关注的是辅助运动区（SMA）。共招募16名健康老年人被试完成分离的连续波（CW）fNIRS和fMRI检测。任务包括手部运动执行和运动想象（MI）以及想象全身运动。个人的解剖数据用来（i）为fMRI分析定位感兴趣的区域，（ii）从fNIRS通道对应的皮层区域提取fMRI BOLD响应，（iii）选择fNIRS通道。分析了氧和血红蛋白（Δ[HbO]）和脱氧血红蛋白浓度变化（Δ[HbR]）。结果发现了不同MI任务间微小的变化，表明对于全身MI运动和手部MI运动Δ[HbR]更为特别。基于个人解剖结构的fNIRS通道选择并没有改善结果。总之，该研究表明，就空间特异性和任务敏感性而言，使用CW-fNIRS能可靠地测量SMA激活。
引言
fNIRS近几十年来获得了相当大的普及。之所以如此受欢迎，很大程度上是因为与大脑体内成像的黄金标准——fMRI相比，fNIRS的限制和安全问题较少。fNIRS设备从可移动到便携，甚至是无线的，在参与者行为和实验类型设置方面具有更大的灵活性。
与fMRI相似，fNIRS捕捉血流动力学变化。这是通过在头部表面放置光源和探测器组成的光极来实现的。近红外光传输到光源和探测器之间的组织中，血红蛋白吸收可以量化为氧和和脱氧血红蛋白浓度的变化。与fMRI不同，fNIRS没有环境限制和禁忌症，成本较低，已被证明可以耐受运动，并且具有更高的时间分辨率。
fNIRS的一个重要限制是近红外光的适度深度穿透。因此，fNIRS不能捕获皮层下激活，并且仅限于浅表皮层大脑区域。另一个限制是光极放置和数据处理工作流必须应对解剖信息的缺乏。如果目标是从特定感兴趣区域（RIO）收集数据，由于缺乏解剖信息，则可用光极的正确放置非常重要且最相关。已有软件被开发出来解决这个问题（例如，fOLD和Atlas Viewer)，方法是使用取自标准大脑的解剖信息指导光极放置。虽然这种方法无疑是非常有用的，但后续分析的通道选择可能受益于对个体解剖信息的考虑。最后，第三个限制是fNIRS信噪比相对较低，主要是由于系统噪声的污染（即非神经元诱发和非诱发生理过程）。最近，通过提供必要的基于硬件的解决方案来处理生理噪声，满足了基于统计程序的噪声衰减需求。
尽管存在这些挑战，但由于fNIRS可以很容易地重复应用，因此是用于脑机接口(BCIs)、神经反馈研究和应用研究的优秀技术。在运动相关的神经康复训练中，个体通过接收基于任务相关的大脑激活的反馈来学习自我调节运动区域。这可能有助于启动补偿和恢复所需的皮质重组。在大多数运动神经反馈和运动BCI应用中，大脑激活是通过要求用户想象运动来产生的。对运动感觉的心理模拟被称为动觉运动想象（MI）。FNIRS MI神经反馈在支持中风患者的运动恢复方面取得了令人鼓舞的应用结果。fNIRS MI神经反馈的一个相对较新的、未开发的领域是缓解帕金森病（PD）患者的运动症状。在两项fMR1研究中，患者在接受来自辅助运动区(SMA)的神经反馈的同时，在少数几个疗程中想象全身运动。除了受PD影响的皮层下脑区外，在这些个体中SMA是已知的高度不活跃区域。为了产生皮质基底神经节回路的持久改变并推动症状改善，一种系统的SMA上调训练已经被提出。为了给未来的fNIRS SMA上调神经反馈训练方案铺平道路，我们在此研究了fNIRS是否能可靠地捕获运动执行和运动想象诱导的SMA激活。
许多研究已经同时和连续使用fNIRS与fMRI设备探索了运动执行（ME）诱导的初级运动区（M1）激活。我们知道只有一项研究探索了从SMA和前运动皮层捕获MI诱导大脑活动的fNIRS敏感性。作者使用基于激光的时间分辨fNIRS(TR-fNIRS)，而不是更常见的基于二极管的连续波fNIRS(CW-fNIRS)技术，认为TR-fNIRS可能提供更好的深度灵敏度。一个主要发现是TR-fNIRS在SMA中检测到与Ml相关的大脑活动。CW-fNIRS是否同样适用尚未显示。本研究旨在通过考虑使用CW-FNIRS测量SMA活动的空间特异性和任务敏感性特性来填补这一空白。本研究的第二个目的是提供有关用于CW-fNIRS神经反馈的信号选择信息，即Δ[HbO]或Δ[HbR]。大多数以前的fNIRS神经反馈研究都使用运动区域的Δ[HbO]信号，因为与Δ[HbR]信号相比，Δ[HbO]振幅更大。当与fMRI相比，对于Δ[HbO]或Δ[HbR]是否提供更好的空间特异性和任务敏感性尚未有一致的意见。最后，本研究的第三个目的是评估是否需要个体的解剖图像来改善fNIRS的通道选择，从而改善未来fNIRS神经反馈的应用。
在本研究中，(f)MRI和fNIRS数据是使用连续设备收集的。主要感兴趣的区域是SMA，对其进行了ME和MI数据分析。包括双边M1的目的是为了验证整个程序。M1分析仅限于ME数据。对于ME和M1，预计分析将确认ME导致CW-fNIRS通道的激活与M1fMRI的激活在空间上对应。其中，M1由个体解剖图像确定，并且M1的fNIRS信号遵循与M1 fMRI信号(空间特异性)相似的时间过程。预计fNIRS和fMRI具有可比的任务相关调制，特别是激活的侧向化，即在对侧M1中具有更强的激活（任务敏感性)。对于SMA，如fMRI所证实，预测ME和Ml会激活SMA，并且激活在空间上明显对应fNIRS的通道。预计SMA fNIRS数据的时间过程与SMA fMRI时间过程（空间特异性）相匹配。此外，预计fMRI SMA与任务相关的激活差异在fNIRS SMA数据中也很明显，特别是预期ME的激活比的MI任务更强（任务敏感性）。为了解决神经反馈信号的选择，对Δ[HbO]和Δ[HbR]都考虑了空间特异性和任务敏感性。关于个体解剖图像对fNIRS分析的价值，分析进行了两次，一次使用完整的fNIRS通道集，一次使用基于个体解剖结构选择的通道。
结果
空间特异性 被试间：地形图相似性。图1说明了所有任务和数据类型（fMRI PEAK、fMRI CHANLOCS、fNIRSΔ[HbO]和fNIRSΔ[HbR]）的平均beta地形图。关于ME数据（参见图1A），对于ME LEFT和MERIGHT，在fMRI PEAK和fMRI CHANLOCS数据中可以看到清晰的M1侧向化具有可比的空间模式。对于fNIRSΔ[HbO]和fNIRSΔ[HbR]数据类型对于fNIRSΔ[HbR]数据类型的ME LEFT，这种偏侧化以乎减少了。然而，fNIRSΔ[HbO]和fNIRSΔ[HbR]数据的空间模式非常相似，对于MI任务（图1B）fMRICHANLOCS数据类型和fNIRS数据类型的空间模式似乎彼此之间不太具有可比性，然而，fNIRSΔ[HbO]和fNIRSΔ[HbR]数据显示出相似的空间模式，MI WHOLE BODY任务似乎是ROI SMA中最具空间特异性的。
在fMRI CHANLOCS、fNIRSΔ[HbO]和fNIRSΔ[HbR]数据类型的平均β图之间进行Spearman相关性分析，以测试地形图的相似性。对于ME LEFT和MERIGHT，所有相关性都是显著的（p<0.05；图1A），除了fMRICHANLOCS和任务ME RIGHT fNIRSΔ[HbR]之间的比较。对于MI任务，情况有点复杂。对于MI RIGHT，所有对的相关性均显著（所有p<0.05；图1B）。对于MELEFT和ME WHOLE BODY而言，只有fNIRSΔ[HbO]和fNIRSΔ[HbR]之间的比较是显著的（p<0.01）。总的来说，这些结果表明ME任务的fNIRS数据类型具有高度的空间特异性。在MI任务中，fNIRS数据类型的空间特异性有所降低。
图1 被试间：不同数据类型之间的地形图相似性
被试内：时间序列相关性。被试内的空间特异性分析侧重于ROI内的时间序列相关性。对于每个ROI，fMRI PEAK数据类型和所有其他数据类型的个体总平均时间序列数据分别进行Spearman相关分析。如图2所示，fMRICHANLOCS和fNIRSΔ[HbO]的平均Fisher’sz变换Spearman相关系数通常为正，fNIRSΔ[HbR]为负。
单样本t检验的结果表明，对于所有数据类型，M1 ROI中ME任务的fMRIPEAK数据类型都有很强的相关性（p<0.01，| d |≥ 0.95 )。此外，所有的分析都显示，在执行手的对侧半球，这种相关性更强。标记的fNIRS数据的模式和统计结果几乎相同。（图2A、B、D、E和表1）。
表1 被试内：时间序列相关性（ME任务与M1ROI）
对于ROI SMA（参见图2C，F），模式不太均匀。对于两项ME任务，t检验对所有数据类型都同样具有高度显著性（p<0.05，| d |≥0.96；表2）。对于MI任务，所有t检验对fMRICHANLOCS具有高度显著性（p<0.001， | d |>1.19；表2）。对于fNIRSΔ[HbR]所有MI任务（p<0.01，| d |≥ 1.01）和fNIRSΔ[HbO]MILEFT和MI RIGHT任务（p<0.05，|d|≥ 0.64）与0显著不同。
图2 被试内：时间序列相关性。
表2 被试内：时间序列相关性（所有任务与SMA ROI）
总之，这些结果证实了fNIRS时间序列数据的预测任务相关的空间特异性，最明显的是ME任务。对于MI任务空间特异性在MI LEFT的Δ[HbO]中和MI WHOLE BODY的fNIRSΔ[HbR]中表现最强。
通道标签。对于ROI、任务和数据类型的绝大多数组合，LABELED fNIRS数据类型的统计值和影响大小减小。唯一例外的是在ROI M1 LEFT 中ME RIGHT和的组合以及在ROI SMA 中ME LEFT and和 Δ[HbO] LABELED的组合。
任务敏感性。被试间：任务相关激活模式。对于ROI M1，对于所有数据类型都可以看到两个任务的清晰偏侧化（图3A）。关于ROI SMA（图3B），与MI任务相比，除了fNIRSΔ[HbO]外的所有数据类型在ME任务重显示出更强的激活。激活的增量在ME和MI任务的数据类型间有所不同。
图3 被试间：任务相关激活模式B (A) 在M1 ROI中的ME 任务， (B) 在ROI SMA中的所有任务。
对于M1ROI，在所有数据类型中都发现了任务和半球之间的高度显著交互（p<0.001）。对于所有数据类型事后多重比较两种ME任务在ROI M1 RIGHT的激活都非常显著（p<0.001，表3）。对于ROI，M1 LEFT结果表明所有数据类型的ME任务之间存在高度显著差异（p<0.05，表3）。
表3 被试间：任务相关激活模式（ME任务与M1ROI）
除了fNIRSΔ[HbO]数据类型，ROI SMA所有的rmANOVA都产生了任务因子的主效应（表4）。事后多重比较揭示了成对比较的混合结果。然而，没有成对比较表明ME LEFT和ME RIGHT任务之间存在显著差异。关于MI任务，只有fNIRS PEAK数据类型显示MI LEFT和MI WHOLE BODY之间存在显著差异。对于fNIRS数据类型，仅对于Δ[HbR]ME任务激活显著高于MI任务激活。
表4 被试间：任务相关激活模式（ME和MI任务与ROI SMA）
通道标签。对于M1中的ME任务，在添加解剖信息后fNIRSΔ[HbR] LABELED的ROI M1 LEFT中的ME LEFT和ME RIGHT之间的比较不再显著。
被试内：重复测量相关性。通过对每个ROI的重复测量相关性分析来探索被试内的任务敏感性。在fNIRS PEAK数据类型和所有其他数据类型之间进行相关分析。
对ROIM1 LEFT 和M1 RIGHT，在fMRI PEAK 和 fMRI CHANLOCS 之间观察到标准化β值的最强正相关。此外，fNIRSΔ[HbO]和fNIRSΔ[HbR]与fMRI PEAK beta值显示出强正相关。
同样，关于ROISMA 在fMRI PEAK 和 fMRI CHANLOCS数据类型中观察到beta值之间的最强正相关。对于fNIRSΔ[HbO] 和fNIRSΔ[HbR]重复测量相关系数大大降低，仅对于 fNIRSΔ[HbR]显著。
通道标签。总体而言，在M1和SMA中，fMRI PEAK和fNIRS LAVELED之间重复测量相关性的结果与未标记版本相当。
讨论
本研究旨在验证ME和MI的CW-fNIRS SMA记录。我们预计fNIRS数据将显示出良好的空间特异性和任务敏感性，从而匹配fMRI数据，作为比较的基础。
一般程序的验证：M1偏侧化。一般来说，运动执行和手指敲击任务都已确立，与同侧半球相比，通常表现为对侧半球对执行手的激活更强。在本研究中，Δ[HbO]和Δ[HbR]信号类型均显示出组水平的预期偏侧模式。此外，时间序列相关性和重复测量相关性证实了受试者内fMRI和fNIRS数据之间的良好匹配。这些结果证实了运动执行过程中fNIRS测量初级运动区的空间特异性和任务敏感性。
SMA激活验证。在受试者之间的水平上，通过比较fMRI CHANLOCSβ图与Δ[HbO]和Δ[HbR]的β图来确定空间特异性。这些图涵盖SMA和左右M1分区。从描述和统计的角度来看，大多数情况下，分析表明ME任务图具有很好的空间匹配性。对于MI任务映射，匹配减少。在这里，只有MI RIGHT的空间相关性达到显著水平。值得注意的是，在描述性水平上，fNIRSSMA激活在MI WHOLE BODY的数据类型中最具特异性。受试者内SMA的时间序列相关性表明，对于ME任务，一方面，fMRI CHANLOCS的相关性相对较高，另一方面，fNIRS数据类型的相关性相对较高，表明fMRI峰值和通道数据之间具有极好的匹配性。就MI任务相关性而言，所有时间序列相关性同样显著，但MI WHOLE BODY中的Δ[HbO]除外。
在受试者内部，对任务敏感性的分析表明，fMRI PEAK的任务激活模式与fMRI CHANLOCS数据最为匹配，这并不奇怪。两种fNIRS数据类型的任务敏感性都降低了。在受试者之间的所有数据类型中，分析表明ME通常比MI具有更强的激活能力。然而，成对比较表明，即使对于fMRI PEAK数据，对于所有ME-MI对，这种基本差异也不显著。在MI任务中，fMRI PEAK数据表明，从MI LEFT到MI RIGHT再到MI WHOLE BODY的激活逐步减少。值得注意的是，这种减少仅在MI LEFT任务和MI WHOLE BODY任务之间显著。对于fMRI CHANLOCS的激活，似乎在三项MI任务中非常相似，而对于fNIRS数据类型，可以描述的是，MI WHOLE BODY与最强的激活相关，其次是MI LEFT和MI RIGHT。然而，两两比较都不显著。因此，尽管就激活强度而言，MI WHOLE BODY似乎是fNIRS的赢家，但关于MI任务敏感性，结果仍然没有定论。
总之，结果表明，fNIRS的空间特异性对于Δ[HbO]和Δ[HbR]的ME任务都很强。对于MI任务，空间特异性通常较低，尽管Δ[HbR]和MI WHOLE BODY的结合显示出受试者内部水平的最高空间特异性。无论是在受试者内部还是受试者之间，与Δ[HbO]相比，Δ[HbR]的任务敏感性更强。Dravida等人观察到Δ[HbR]总体上具有更强的空间特异性，而Δ[HbO]的任务相关可靠性更强。作者认为，结果不仅取决于信号类型，还取决于执行的（运动执行）任务。此外，在对fNIRS数据进行系统活动校正后，结果有所改善，强调了应用适当校正方法以提高fNIRS研究的空间特异性和任务敏感性的重要性。本研究的结果还表明Δ[HbO]和Δ[HbR]在空间特异性和任务敏感性方面的差异取决于任务和信号。然而，缺乏比较不同MI任务的fNIRS和fMRI研究，并且包括MI任务的大多数现有fNIRS研究没有报告Δ[HbR]，因此很难比较目前的研究结果。此外，缺乏对全身运动MI的神经相关因素的研究。据我们所知，只有一项fMRI研究比较了复杂（日常）上肢和全身运动的MI。虽然结果显示，两项MI任务激活的大脑区域与包括SMA在内的手/手指运动MI相似，但没有与手/手指运动进行直接比较，这再次限制了与本研究的可比性。
值得注意的是，与fMRI PEAK数据相比，即使对于ME任务，fNIRS数据的空间特异性和任务敏感性也有所降低。这可以作为CW-NIRS普遍缺陷的证据。然而，激活模式的差异不仅存在于fMRI峰值和fNIRS数据之间，而且已经存在于fMRI PEAK和fMRI CHANLOCS数据之间。这表明，在某种程度上，fMRI PEAK和fNIRS数据之间的差异源于通道位置和fMRI PEAK激活位置之间的距离。fNIRS通道数据类型与fMRI CHANLOCS之间的差异可能表明，用于提取fMRI CHANLOCS体素的5 mm球体包括近红外光无法到达的体素，但更接近fMRI PEAK位置。估计每个通道的相关体素的更精确方法是模拟近红外光在组织中的传播。
个体解剖学信息：标记通道。fNIRS的一个局限性是缺乏解剖学信息。为了评估个体解剖信息如何影响空间特异性和任务敏感性，fNIRS数据也仅针对共注册分析证实其涵盖M1或SMA的通道进行分析。总的来说，标记通道集的结果没有显著变化。然而，作为一种普遍趋势，效应大小趋于减小。这种影响可能表明盖放置中存在潜在的不精确性。也就是说，未标记的fNIRS数据类型的更大影响大小可能是从邻近但更强烈激活的大脑区域（例如，一个本应覆盖SMA的通道，因此为SMA数据分析而选择的通道实际上记录了M1中的数据）拾取活动的结果。当然，由于大脑解剖结构的个体差异，同样的问题也可能出现。为了最大限度地减少盖放置造成的误差，在放置帽子时应始终结合解剖标志。此外，合适的工具可以帮助设计光电极布局，并验证有关感兴趣区域的正确位置（例如fOLD5；AtlasViewer6）。此外，如果可用，应考虑使用3D数字化仪，以控制满足单个帽子放置的要求（例如，使用AtlasViewer）。因此，可以检测到帽子放置不良的受试者，并将其排除在进一步分析之外。
综上所述，对于目前的数据集，个体解剖信息并没有增加运动区fNIRS数据在ME和MI任务中的空间特异性和任务敏感性。这个结果是否可以转移到其他大脑区域还有待证明。
哪种fNIRS信号应用于神经康复目的？关于ME任务和运动区域，一些CW-fNIR-fMRI联合注册研究开始确定与fMRI BOLD最密切相关的信号类型。然而，研究结果不明确，因为在某些情况下，Δ[HbR]与fMRI BOLD最密切相关，而在其他情况下是Δ[HbO]。这种不一致的一个原因可能是这些早期研究中缺乏系统活动校正。众所周知，系统性伪影可以分布在头部，在受试者内部、受试者之间以及任务之间表现出复杂的特征。如果处理不当，伪影可能会影响实验效果。由系统性伪影引起的问题被假定为Δ[HbO]比Δ[HbR]更强，尽管较弱并不等于不存在。
在本研究中，应用短距离通道校正，以尽量减少CW fNIRS信号中的系统伪迹。当目标是将MI与SMA神经反馈结合使用时，基于这些数据，我们建议优先考虑Δ[HbR]，尤其是与全身运动MI结合使用时。此外，当综合考虑所有结果时，对于手指/手运动MI，Δ[HbR]可能是更好的选择。当ME生成的信号相关时，我们的分析结果表明Δ[HbO]的任务敏感性略强，但仅适用于M1，而不适用于SMA区域。然而，我们的研究并不支持关于将哪种fNIRS信号类型用于神经康复神经反馈的确切结论。相反，我们的研究表明，在特定的fNIRS神经反馈应用中，批判性地评估信号选择的重要性。
结论
我们通过空间特异性和任务敏感性与fMRI进行比较，验证了CW fNIRS SMA记录。尽管MI任务和fNIRS测量的特定组合存在一些明显的波动，空间特异性和任务敏感性在许多方面与fMRI相当。然而，我们得出结论，CW-fNIRS可以在相应的设置中用于SMA神经反馈。我们使用短距离通道校正fNIRS数据中的系统伪影。校正提高了我们对当前结果的信心，尤其是与早期未应用任何系统性伪影校正的报告相关的结果。我们认为重要的是，未来有无神经反馈的fNIRS研究同样应采用系统性伪影校正。理想情况下，这将基于短距离频道记录，我们相信这将很快成为标准。由于fNIRS信号预处理的进展以及观察到的任务和fNIRS测量特定组合结果的波动，我们得出结论，fNIRS范式将继续受益于fMRI的系统验证，特别是如果它们针对特定的皮质区域。
方法概述
被试。共有34名参与者（17名男性，17名女性）参与了这项研究。所有被试均为右利手。为排除轻度认知能力下降，使用蒙特利尔认知评估（MoCA，要求）25分）。
实验设计
被试参加fMRI和fNIRS两部分实验至少间隔14天，以避免习惯。两部分实验设计相同。顺序是伪随机的，8名被试从fMRI开始，8名被试从fNIRS开始。实验主要包括5个不同任务，两项ME任务，三项MI任务。ME和MI任务是使用左手或右手进行5位手指敲击任务。需要按照预先指定的顺序并在任务块的持续时间内连续按下键。MI任务是想象双侧全身运动，包括手臂和腿，如游泳，并且被试有执行该动作的经验。要求被试自己提供想法，没有提供示例。
fNIRS数据使用NIRScout816设备记录。8个光源和8个检测器构成20个通道，其中16个通道覆盖M1和SMA的两个半球。为去除活动伪迹，8个短分离检测器连接到8个光源。光极依据国际10-5系统放置在定制的帽子上。光源与常规探测器的间距为3cm，与短距离探测器的间距为0.8cm。光源发射波长为760nm和850nm。以7.8125Hz的频率对光强进行采样。
fMRI数据使用3T 全身Siemens Magnetom Prisma MRI和20通道头部线圈收集。使用上升回波平面成像序列。T1加权结构图像是用磁化准备的快速梯度回波序列。
数据处理
fNIRS预处理使用qt-nirs工具箱评估信号质量。使用NIRS BrainAnalyzIR工具箱和定制脚本进行分析，包含运动伪影矫正，带通滤波（0.01,0.09Hz）等。最后，通过短距离通道回归程序应用系统伪影校正。
fMRI预处理使用Statistical Parametric Mapping工具箱结合MATLAB2019a分析fMRI数据，包括消除运动伪影，T1图像配准以及对共配准数据进行分段、偏差校正和空间归一化，最后进行平滑处理。
fMRI-fNIRS配准。通过配准，获得投射到皮质的fNIRS通道的标准化MNI坐标。从这些坐标中提取fMRIβ值和BOLD信号，以与fNIRS通道数据进行比较。
Beta值和时间序列。提取fMRI通道体素球体、激活峰值体素球体和常规fNIRS通道的β值。体素球体Beta在球体内平均。这导致每个受试者和任务的每个fNIRS通道有一个β值，每个fMRI通道有一个β值，每个功fMRI ROI有一个β值。此外，还提取了所有受试者和任务的时间序列数据。记录fMRI BOLD信号和fNIRS浓度变化([−2.5~20] s）和基线校正([−2~0] s）。对于fMRI数据，首先对每个体素的历元进行平均，然后对球体的所有体素进行平均，从而得出每个通道或ROI的总平均BOLD信号。对于fNIRS数据，按通道对时间序列进行平均，从而得出每个通道的一个总平均信号。
有兴趣想了解本文具体数据分析方法的可阅读原文。
参考文献：fMRI‑based validation of continuous‑wave fNIRS of supplementary motor area activation during motor execution and motor imagery
