Loading…
Thumbnail Image

Expanding the analysis of functional Near-Infrared Spectroscopy (fNIRS) data with multivariate techniques

application to a children’s literacy study

Gemignani, Jessica

The use of functional Near-Infrared Spectroscopy is experiencing a rapid growth in use in every area of neuroscientific research, but one of the most prolific areas of application is the field of language development in children. If over the past decades there have been incredible advancements on the technology side, the same can not be said about data analysis techniques: for fNIRS, an ad-hoc standardized data analysis procedure is still lacking; there is no general consensus around the best set of pre-processing steps to be performed; there is no standard choice of which hemoglobin component should be used to infer functional brain activity (oxygenated or deoxygenated hemoglobin); the statistical analysis has been carried out for a long time with methods borrowed from the fMRI practice. Only recently, effort has been made in defining fNIRS-specific techniques, both at single-channel and multichannel level. The first contribution of this work was to introduce a single-channel classifier that combines features from both oxy- and deoxyhemoglobin and that employs Linear Discriminant Analysis (LDA) to classify channels as ‘active’ or ‘not-active’. Its performances were compared to those achieved by the General Linear Model (GLM) and it was found that the LDA-based classifier not only yields higher classification accuracies but those accuracies are more stable across different subjects, i.e. the multivariate method was more robust with respect to intersubjective variability of the hemodynamic response. The second contribution of this work was to investigate the impact of literacy on functional brain organization, with both single-channel (univariate) and multi-channel(multivariate) analysis approaches. Using a large fNIRS dataset including children of various ages and literacy levels, we were able to show that the univariate approach has a unique strength in localizing the effects under investigation. On the other hand, the multi-channel analysis approach did not produce a statistically significant effect, most likely because the experimental design was not optimally suited for the trial-by-trial classification; nevertheless, it highlighted a trend that had eluded the univariate analysis. We conclude that both types of analysis should be routinely employed, because their complementary strengths can answer to different questions, but also that the single channel analysis should be rendered more robust by using both hemoglobin components and that a data-driven approach such as the one proposed may mitigate the shortcomings of the model-based single-channel analysis. Finally, in order to perform a multivariate pattern analysis, the experimental paradigm should be designed as to include enough trials for classification.
Der Einsatz der funktionellen Nahinfrarotspektroskopie nimmt in allen Bereichen der neurowissenschaftlichen Forschung rasant zu, und eines der produktivsten Anwendungsgebiete ist das Feld der Sprachentwicklung bei Kindern. Wenn es in den letzten Jahrzehnten technologisch gesehen unglaubliche Fortschritte gegeben hat, kann man das Gleiche nicht über Datenanalyseverfahren sagen: Für fNIRS fehlt noch ein ad-hoc standardisiertes Datenanalyseverfahren; es gibt keinen allgemeinen Konsens über die beste Reihe von durchzuführenden Vorverarbeitungsschritten; es gibt keine Standardauswahl, welche Hämoglobinkomponente verwendet werden sollte, um funktionelle Hirnaktivität abzuleiten (sauerstoffreiches oder sauerstoffarmes Hämoglobin); die statistische Analyse wird seit langem mit Methoden durchgeführt, die der fMRI-Praxis entnommen wurden. Erst kürzlich wurden Anstrengungen unternommen, um fNIRS-spezifische Techniken zu definieren, sowohl auf Einkanal- als auch auf Mehrkanalebene. Der erste Beitrag dieser Arbeit war die Einführung eines Einkanalklassifizierers, der Merkmale von Oxy- und Desoxyhämoglobin kombiniert und der die Linear Discriminant Analysis einsetzt, um Kanäle als "aktiv" oder "nicht aktiv" zu klassifizieren. Seine Leistungen wurden mit denen des General Linear Model verglichen und es wurde festgestellt, dass der LDA-basierte Klassifikator nicht nur höhere Klassifikationsgenauigkeiten liefert, sondern dass diese Genauigkeiten bei verschiedenen Probanden stabiler sind, d.h. die multivariate Methode war robuster in Bezug auf intersubjektive Variabilität der hämodynamischen Reaktion. Der zweite Beitrag dieser Arbeit war die Untersuchung der Auswirkungen der Alphabetisierung auf die funktionelle Gehirnorganisation, mit einkanaligen (univariaten) und mehrkanaligen (multivariaten) Analysemethoden. Anhand eines großen fNIRSDatensatzes mit Kindern unterschiedlichen Alters und Alphabetisierungsgrades konnten wir zeigen, dass der univariate Ansatz eine einzigartige Stärke bei der Lokalisierung der untersuchten Effekte hat. Andererseits zeigte der Multi-Channel-Analyse-Ansatz keinen statistisch signifikanten Effekt, wahrscheinlich weil das experimentelle Design nicht optimal für die Klassifizierung im Versuch geeignet war; dennoch zeigte er einen Trend auf, der sich der univariaten Analyse entzogen hatte. Wir kommen zu dem Schluss, dass beide Arten der Analyse routinemäßig eingesetzt werden sollten, weil ihre komplementären Stärken auf unterschiedliche Fragen antworten können, aber auch, dass die Einkanalanalyse durch den Einsatz beider Hämoglobinkomponenten robuster gemacht werden sollte und dass ein datengetriebener Ansatz wie der vorgeschlagene die Mängel der modellbasierten Einkanalanalyse mildern kann. Schließlich, um eine multivariate Musteranalyse durchzuführen, sollte das experimentelle Paradigma so gestaltet werden, dass es genügend Versuche für die Klassifizierung enthält.