Seoul | OBELAB 세미나 3 - fNIRS 전처리 방법

결론적으로 뇌 혈류량, 즉, fNIRS의 원시(raw) 신호는 뇌 활성에 의한 혈류 변화뿐 아니라

심박동, 호흡, 혈압 변화, 움직임 등 다양한 생리적·환경적 요인이 함께 섞여 있다.

 

따라서 측정된 HbO/HbR 변화가 실제 신경활동에 의한 것인지 확인하기 위해 다양한 신호 처리 및 통계 분석 과정이 필요하다.

 

Preprocessing 

빛의 변화값으로부터 뇌 활동을 반영하는 헤모글로빈 변화량을 구하는 것

 

GLM, Block averaging 

관심 조건 별로 뇌 활동을 대표하는 요약치를 만드는 것.

활성도 차이를 알아보기 위한 도구임.

 

Connectivity (GLM과는 독립적인 분석법)

관심 조건 혹은 전체 타임시리즈 내에서 채널/영역 간의 시간적 동기화를 요약하는 것

 

Group-level analysis

개인에서 얻은 조건별 요약치가 차이가 있음을 검정하고, 이를 잘 표현해주는 그림, 도표, 통계치 마련하는 것

 

위 방법 외에도 signal 노이즈를 없애기 위해서는 시행을 많이 하는 것이 좋다.

그래서 최소 시행 수를 어느정도 넣어야 노이즈가 캔슬되는지는 찾아볼 필요가 있다.

 

 

 

본 프로그램에서는 각 Preprocessing 방법을 GUI로 간단하게 구현해 놓았다.

 

fNIRS 분석을 할 때 Reproducibility 를 보장할 수 있는 분석법 : GLM

 

동일한 fNIRS 데이터라도 연구자가 선택하는 전처리 및 분석 방법에 따라 결과가 달라질 수 있다.

 

따라서 최근에는 어떤 분석 방법이 연구자 간 가장 높은 일치도와 재현성을 보이는지 검증하는 연구들이 진행되고 있으며, 이는 fNIRS 연구 결과의 신뢰성과 객관성을 높이는 데 중요한 의미를 가진다. Link

 

결론적으로는 block averaging 보다, GLM을 활용할 때 reproducibility 가 높았다. 

통계적 결론, 과학적 결론을 내리기 위해서는 GLM 을 많이 활용한다.

 

Block averaging

1. Baseline correction : 자극 A 이전의 활동을 A 후 반응에서 제거하는 방법

2. Duration / Period window : 타임코스 그래프를 몇초부터 몇초까지 그릴것인지, x 축 길이를 맞춰주는 방법

 

 

• 각 block의 평균을 계산하여 활성도를 추정한다.
• 보통 Rest를 baseline으로 사용하여 Task와 비교한다.
• 잡음(noise)이 있다면 분석 전에 필터링하거나 baseline correction 등으로 제거해야 한다.
• 만약 심박, 호흡, 두피 혈류 등의 nuisance signal이 task와 같은 시점에 발생하면 완전히 제거하기 어려울 수 있다.

 

GLM

상당히 많은 강의가 있고, 툴도 많음. 

Chapter 2: History of the BOLD Signal — Andy's Brain Book 1.0 documentation

Chapter 2: History of the BOLD Signal — Andy's Brain Book 1.0 documentation

Lectures — fMRI 4 Newbies

Lectures — fMRI 4 Newbies

 

예상치에 비해 실제 시그널이 어떻게 차이가 나는지 확인함.

 

Rest 때의 baseline을 잡지 않아도, regression에서 이미 예상되는 시그널이 baseline이 됨. 따라서 통계적 분석에서 resting구간이 필요하진 않음.

 

HbO=Xβ+ϵ

 

- HbO : 실제 fNIRS 시그널

- β : 구하려는 scaling factor for activation

- X : 이론적 예상치인데, 

 

X 안에

• Task regressor
• Motion regressor
• Short-separation regressor
• Drift regressor
• Physiological regressor

등을 동시에 넣는다.

 

 B 1 Control + B 2 Semantic + B 3 Phonemic + B 4 Nuisance 

 

이런 식이다.

 

"이 신호는 Task 때문인지?"

"아니면 심박 때문인지?"

를 한 번에 추정한다.

 

논문에서는 이를 simultaneous estimation 이라고 표현한다.

 

이를 잘 이해하기 위한 시뮬레이션 프로그램은 아래 링크에서 활용할 수 있다.

 

GLM- 4-predictor model

 

 

Block averaging 보다 GLM이 나은 이유

Block averaging는 Task와 Rest 구간의 평균을 비교하는 단순한 분석 방법으로, 생리적 잡음이나 움직임 등의 영향을 분석 전에 별도로 제거해야 한다.

 

반면 GLM은 Task 효과와 심박, 호흡, 움직임, 두피 혈류와 같은 nuisance signal을 하나의 모델에서 동시에 추정하여 각각의 영향을 분리한다.

 

따라서 잡음이 과제와 시간적으로 겹치더라도 그 영향을 보다 효과적으로 고려할 수 있으며, 결과적으로 뇌 활성(HRF)을 더 정확하고 편향이 적게 추정할 수 있다.

 

다음은 참고 논문이다. 논문을 확인하면 위 내용을 좀 더 자세히 공부할 수 있다.

 

전처리 하는 법을 만든 사람들이 저자로써 쓴 논문이라고 한다. 교과서와 같은 논문이니 꼭 보면 좋을 것 같다.

 

https://pmc.ncbi.nlm.nih.gov/articles/PMC7793571/?utm_source=chatgpt.com

Best practices for fNIRS publications - PMC

 

fNIRS 각 채널별 측정 영역

소프트웨어의 help -> divice & channel info.  를 누르면 아래와 같이 채널별 측정 영역이 나온다.

 

이러한 영역에 대한 정의는 연구할 때 상당히 중요한 부분으로 여겨지기 때문에, 

아래 그램을 그대로 논문에 붙여넣는 경우가 많다고 한다.