不同运动校正方法对静息态fNIRS功能连接分析的影响
摘要
意义：运动伪影是功能近红外光谱(fNIRS)领域中一个众所周知的挑战。然而，关于如何处理静息态数据中运动伪影的信息仍然较少。
目的：本研究使用含有不同运动伪影污染百分比和类型的半模拟数据集评估了运动伪影校正方法对功能连接的影响。
方法：三十五名健康成年人接受了15分钟的静息态数据采集。通过向真实数据集中添加尖峰状或基线偏移的运动伪影生成半模拟数据集。对每个数据集应用了十五种不同的处理流程，采用各种校正方法，并计算了组相关矩阵。使用三个指标来测试每种方法的性能。
结果：当运动伪影污染较低时，各种校正方法均有效。然而，随着污染的增加，只有少数处理流程是可靠的。对于大多数没有基线漂移伪影的数据集，在预处理后剔除受污染的帧是最佳选择。相反，当同时存在尖峰和基线漂移伪影时，在预处理之前剔除受污染的帧可以获得最佳结果。
结论：本研究强调了定制运动校正方法的必要性，因为其有效性会随着运动伪影的具体类型和数量而变化。
引言
静息态功能连接(RSFC)在神经科学领域得到了广泛研究。RSFC研究在没有任何刺激或任务的情况下，不同脑区慢信号变化(＜0.1Hz)之间的相关性。RSFC图中的自发活动相关结构可以提供对人脑内在功能架构的洞察。此外，有研究发现RSFC在一些病理状态(例如中风、自闭症和多发性硬化症)下也会发生变化，因此可以被视为健康大脑的潜在生物标志物。
Biswal及其同事首次利用静息态fMRI报告了左右躯体感觉运动皮层之间的相关性。之后，他们又利用fMRI发现了其他静息态网络(例如视觉网络、注意网络和默认模式网络)。虽然fMRI具有较高的空间和深度分辨率，可以被视为研究RSFC的黄金标准技术，但仍有一些人群(例如婴儿或特定临床人群)很难在MRI扫描仪中获得数据。
功能性近红外光谱(fNIRS)是一种有望替代fMRI来研究RSFC的方法。fNIRS使用红光和近红外光非侵入性地监测皮层血流动力学变化。有研究表明，fNIRS在描述静息态下的功能连接性方面具有可重复性、可行性和可靠性。与fMRI相比，fNIRS对参与者更友好，即噪音更小；对运动伪影(Mas)的耐受性更高；并且允许参与者坐着或站着，而不是躺在MRI扫描仪中，从而获得更具生态效应的数据。fNIRS可以应用于任何人群(从新生儿到老年人，包括健康和病理状态)，而且由于相较于fMRI成本更低，可以方便地多次应用于RSFC的可重复性研究。重要的是，与fMRI相比，典型的fNIRS系统具有约10Hz的采样率，这降低了高频(例如心率，约1Hz)和低频(＜0.1Hz)之间混叠的风险。不过，使用fNIRS代替fMRI也存在一定的局限性。首先，fNIRS只能映射皮层活动，无法测量更深脑区的信息。其次，大多数fNIRS系统的光源和探测器数量不足以覆盖整个头部，因此进一步限制了可以计算RSFC的脑区。然而，近年来硬件的开发进展已显示出在不久的将来实现全皮层高密度覆盖的可行性，从而提高RSFC映射的空间分辨率。
fNIRS信号的标准预处理步骤包括去噪、校正运动伪影和生理噪声污染，以及进行带通滤波。最具挑战性和最重要的步骤是生理噪声回归和运动校正。
有几项研究已经证实了校正生理噪声污染的重要性，因为这些生理噪声可能会导致结果产生偏差。生理噪声污染主要是由于血压、呼吸和心跳的变化，以及高度血管化的颅外(皮肤和颅骨)层对fNIRS信号的强烈影响。通常，通过对标准通道信号进行回归来降低颅外生理噪声的影响，这些信号来自于短间隔通道，主要测量了颅外生理噪声的贡献。在静息态领域，已有研究表明系统生理因素可能会导致RSFC被高估。最近，Abdalmalak等人(2022)利用短间隔通道的回归方法来克服这一系统生理问题，从而降低了个体间和个体内的变异性。Lanka等人(2022)在模拟情况下进一步研究了这个问题，通过测试不同的分析流程并评估它们在估算统计有效连接矩阵中的敏感性和特异性。结果表明，在部分相关模型中加入短间隔通道可以减少因同步生理波动引起的虚假相关性。此外，他们还证明了稳健的统计方法和预白化似乎能有效地减轻运动伪影和自相关。
虽然已有多项研究证明在基于任务的fNIRS采集中校正运动伪影的重要性，并提供了针对现有数据集选择最佳运动校正技术的指南，但在RSFC研究中对此问题的探讨却很少。静息态采集并不涉及参与者的运动，然而，静息态采集同样无法免受运动伪影的影响。运动伪影主要是由于皮肤与光电探测器(optode)之间的解耦造成的，这会导致测量光强的突然变化。面部运动，尤其是涉及下颌的运动，以及简单的抬眉，都可能导致光电探测器与皮肤的解耦。运动伪影可以分为尖峰、基线偏移和低频变化。不同类型的运动伪影在幅度和频率范围上有所不同。尖峰一般具有较高的频率和幅度，比低频变化更容易被检测到。基线偏移会导致信号基线发生变化，主要是由于光电探测器与皮肤之间的解耦引起的光强度变化。
据所知，第一篇也是唯一一篇试图解决静息态fNIRS中运动伪影问题的研究是Selb等人(2015)发表的论文。他们使用半球间相关性(IHC)(即氧合血红蛋白波动的对称时间序列之间的相关系数)作为研究指标，研究了运动伪影对静息态数据的影响。研究招募了脑卒中患者和健康成年人，并要求他们以仰卧姿势静止10分钟。首先，作者使用包含运动伪影的全部数据计算了IHC，发现健康成人组的IHC显著高于患者组。然而，健康组数据集中的运动伪影少于患者组。因此，作者在健康成人数据集中增加了运动伪影的数量，以使两组中的伪影量相似，旨在了解运动伪影的存在是否会影响比较结果。从患者数据集中提取运动伪影，然后添加到健康成人数据集中。对比患者数据集与新创建的健康成人数据集，未发现显著差异，揭示了运动伪影对IHC计算有重要影响。作者进一步采用不同的处理流程(仅在运动校正步骤上有所不同)对运动伪影污染的健康成人数据集进行预处理，考察了运动伪影对IHC的影响。结果显示，最佳的运动校正方法是剔除受运动伪影污染的数据段。
本文旨在根据信号中运动伪影污染的程度和类型，评估剔除、不校正或校正运动伪影对静息态功能连接(RSFC)的影响，并为用户提供这一重要预处理步骤的指导。本研究从符合要求的健康成年人群中获取了静息态数据，结果得到的数据集中运动伪影的污染率低于5%。本研究提取了该数据集中可用的运动伪影，模拟了数据集中不存在的运动伪影类型(例如，基线漂移)，并创建了一个运动伪影数据库。然后，通过随机提取运动伪影并将其添加到原始数据集中，创建了几个具有不同污染和运动伪影类型的新数据集。首先，本研究针对每个数据集比较了三种不同的运动识别方法，以评估它们在不同运动伪影污染量下的表现。其次，测试了几种使用不同运动校正方法的预处理流程(包括剔除、不校正、样条、样条Savitzky-Golay、小波、样条与小波的组合、TDDR和tPCA)。通过评估运动校正后测得的功能连接与真实值的功能连接之间的差异，来评估每个流程在运动伪影污染下的性能。
方法
图1总结了创建半模拟场景的步骤，以及在计算用于比较的相关矩阵之前，采用不同流程对数据进行预处理的过程。
图1.分析步骤框图。
数据集
真实数据集
35名健康成人(平均年龄=32.5岁，标准差=13.7，22名女性，年龄范围[21，74]岁)在提供书面知情同意后参加了实验。该研究遵循世界医学协会伦理准则《赫尔辛基宣言》。本研究获得了意大利热那亚“圣马丁医院”地区伦理委员会的批准(P.R. 271REG2017)。
实验包括15min的静息态。参与者坐在光线昏暗的房间里，要求他们在整个静息态采集期间保持闭眼，并尽量保持静止。
fNIRS数据使用配备有16个光源(分别为760和850nm)和16个探测器的NIRSport2系统(NIRSport，NIRx Medical Technologies，Berlin，Germany)进行采集。将光电探头放置在50个标准通道(光源与探测器之间的距离为3cm)和8个短间距(SS)通道(光源与探测器之间的距离为8mm)中，覆盖大脑额叶、顶叶、前运动区、运动区和感觉区(图2)。采样频率设置为8.7Hz。
图2.光电探测器(符合10-10 EEG系统的标准)和通道的布局与位置。红点表示光源，蓝点表示探测器，线条则表示不同的通道。
在此静息态下获取的真实数据集定义为Perc0数据集，因为所有参与者在每个通道中的运动伪影占总采集时间的百分比＜5%。
半模拟数据集
为了创建新的不同运动伪影(MAs)百分比的半模拟数据集，从“Perc0”数据集中提取了MAs，并创建了一个运动伪影数据库。所有步骤均在MATLAB(R2021b，MathWorks，Natick，Massachusetts，United States)中完成。通过对光密度数据的变化应用Homer3中的函数hmrR_MotionArtifactByChannel来识别MAs。该函数检测在预定义的时间窗(tMotion)内幅度变化(AMPthresh)和/或标准差变化(STDEVthresh)超过阈值的信号，并将检测到的运动周围的数据点标记为伪影(±tMask)。这里，本研究使用AMPthresh=0.5；STDEVthresh=0.5；tMotion=0.5；tMask=1。MAs被定义和识别为信号中的伪影部分，这些伪影部分前后至少有四个良好信号样本。每个检测到的MAs在去除其均值后保存到运动伪影数据库中。此外，每个伪影在数据库中都与参数Alpha相关联，该参数描述了MAs来源的通道，并跟踪原始信号的幅度范围。采用滑动窗口法(2min，重叠)计算无MAs信号的Alpha参数，并取所有滑动窗口幅度的中位数。幅度计算为滑动窗口内最大和最小信号值之间的差值。为了在半模拟数据集中适当地添加缩放MAs，需要使用去均值的MAs及其Alpha参数。
在原始数据集中，主要检测到尖峰类型的运动伪影。因此，生成了多个数据集：每个数据集中包含不同百分比的仅尖峰类型MAs(仅尖峰数据集)。由于在fNIRS采集中，基线漂移是一种常见且难以处理的运动伪影，因此本研究创建了额外的数据集，这些数据集包含了模拟的基线漂移和真实的尖峰类型MAs(即基线漂移+尖峰数据集)。这种方法旨在为最佳处理流程提供见解，不仅考虑了MAs的数量，而且还考虑其具体类型。
本研究通过将来自运动伪影数据库的MAs添加到Perc0数据集的光密度数据变化中，创建了八个半模拟的仅尖峰数据集。这些数据集在添加的MAs占总时长的百分比(分别为10%、15%、20%或25%)，以及MAs的位置(可以是同一参与者通道中的随机位置R或固定位置F)上有所不同：Perc10R、Perc15R、Perc20R、Perc25R、Perc10F、Perc15F、Perc20F和Perc25F。对于Perc0数据集的每个通道，Alpha参数的计算方法与创建运动伪影数据库时相同。所选通道的Alpha值与数据库通道的Alpha值之间的比率被用来计算出一个比例参数。在通道中添加每个运动伪影之前，该伪影会乘以比例参数。对于每个通道，从运动伪影数据库中随机提取MAs，直到达到指定的MAs百分比。然后，将提取的MAs插入到每个通道中随机选择的帧中(随机数据集，见图3)，或者仅随机插入到每个参与者的第一个通道中，而在该参与者的所有其他通道中，MAs则插入到与第一个通道相同的时间帧中，以模拟实际的运动伪影(固定数据集)。在这两种数据集类型(随机和固定)中，都避免了MAs之间的重叠。
图3.在每个通道中随机添加MAs所构建的数据集。
运动识别技术
在半模拟数据集中，MAs的位置是已知的，这为评估运动识别技术的性能提供了一个真实标准，而且这对于依赖于先前MA识别的运动校正技术至关重要。本研究比较了三种不同方法的性能：(a)在Homer2和Homer3中实施的标准且广泛使用的识别方法；(b) Yang等人(2022)提出的一种新方法；(c)GVTD方法。
固定标准差识别方法
在Homer2/3中实现的运动伪影检测技术将某个时间点(tMask)周围的一段数据识别为运动伪影，该数据段在长度为tMotion的时间窗内表现出大于标准差阈值(STDthresh乘以整个信号的标准差)或超过幅度阈值(AMPthresh)的信号变化。这些阈值是主观的，并且依赖于数据集，通常通过基于视觉检查的方法进行选择。在使用不同的STDthresh(STDthresh=7到15)对数据进行视觉检查后，本研究选择了STDthresh=12作为该数据集的最佳折衷方案，同时设置AMPthresh=0.5、tMotion=0.5和tMask=1。本研究选择7到15范围内的STDthresh值，是因为这些值是文献中主要和最常用的值。
适应性标准差识别方法
Yang(2022)开发的方法基于Homer2/3，但在标准差阈值的计算上有所不同。该方法旨在适当克服Homer2/3方法的主观性，并改善数据集受到严重运动伪影污染时的性能。在Yang等人的方法中，AMPthresh的计算与Homer2/3相同，而标准差的阈值仅在无噪声的生理信号上进行计算。根据Yang等人研究中所建议的那样，整个信号被分成4s的小段。理论上，这些段可以包含无噪声数据和含有伪影的数据。对于每个段，计算其标准差，然后将所有获得的值从小到大排序。假设运动伪影会导致更高的标准差，为了计算无运动段的实际标准差，仅对前30%段(即标准差最小的段)的标准差取平均，以获得关于信号标准差的测量值。因此，计算标准差时只考虑那些不受运动干扰的信号部分，以确保得到更准确的结果。将计算得到的标准差值乘以一个固定的阈值STDthresh=7。AMPthresh和tMotion设置与Homer2/3方法相同，tMask设置为0.5。相应代码可在GitHub上获取(https://github.com/sbrigadoi/motionDetection)。
时间导数的全局方差方法
时间导数的全局方差(GVTD)可作为光学时间图中整体瞬时变化的指标。在每个时间点，通过计算一组测量值(即通道)或体素的时间导数的均方根(RMS)来确定GVTD。计算GVTD的一个简单公式是：
在这个公式中，g代表GVTD向量，其中yj,i∈R表示通道j中光密度、HbO或HbR的摩尔浓度变化。i表示时间点，N表示总通道数，M表示时间点数。
运动校正技术
在真实和半模拟数据集上评估样条插值、样条＋Savitzky-Golay滤波、小波滤波、样条＋小波组合、TDDR和tPCA的性能。采用不同的四分位距(IQR)参数对小波滤波以及样条插值与小波滤波的组合进行测试，以评估其对连接结果的影响。在比较中还使用了另外两种方法：无运动校正(即不对数据进行任何校正)和剔除(从信号中去除识别为运动伪影的数据段)。本研究评估了两种不同的去除伪影的方法。第一种方法是现有文献中常用的方法，包括识别运动伪影并分离出无运动伪影的数据段。随后，对持续时间超过20s的无运动伪影段进行单独分析，并在预处理结束时合并，然后计算相关性(先剔除法)。相比之下，第二种方法涉及识别运动伪影，但并不将这些伪影去除，而是对整个信号进行分析。在预处理结束后，在计算相关矩阵之前，去除识别为伪影的帧(后剔除法)。
样条插值
样条插值方法是由Scholkmann等人(2010)提出的。该方法通过三次样条插值对运动伪影进行建模；然后将得到的样条插值从原始信号中减去。由于减去样条插值后会导致信号水平之间产生差异，因此每个MA段都需要进行平移，以确保整个信号的连续性。样条插值法仅对先前检测到的运动伪影进行校正，因此它依赖于运动识别技术。样条函数的阶数由样条插值参数(p-Spline)决定。该参数的设计是，当其值为零时，运动伪影用最小二乘直线拟合表示；而当其值等于一时，则使用自然三次样条插值对运动伪影进行建模。因此，使用p_Spline=0进行运动校正只会去除伪影的直线成分，而p_Spline=1则能更准确地逼近伪影，导致减去后剩余信号几乎保持恒定。在这里，该参数设置为0.99，与Scholkmann等人的研究一致。
样条插值＋Savitzky-Golay滤波
Jahani等人(2018)提出了一种将样条插值与Savitzky-Golay(SG)滤波相结合的新方法，以解决各种类型的运动伪影，该方法旨在校正使用样条插值法后残余的高频噪声。样条插值法适用于校正基线漂移，而SG滤波则适用于校正高频尖峰。当数据的信噪比(SNR)大于3时，建议采用这种组合方法。然而，他们建议在SNR小于3时，只使用算法的SG滤波部分。该算法首先通过样条插值校正基线漂移，然后使用Savitzky-Golay滤波器(一种用于平滑数据的数字滤波器)平滑剩余的尖峰。该滤波器通过对一组邻近数据点进行三次曲线拟合来替换信号序列中每个数据点的值。这个子集的大小由参数FrameSize_sec决定。在这里，该参数设置为10s。
小波滤波
基于小波的运动伪影去除方法是由Molavi和Dumont(2012)提出的。该方法使用一般离散小波变换将信号的时间序列分解到小波域。该模型假设测量到的信号是感兴趣的生理信号和伪影的线性组合，小波系数呈高斯概率分布，血流动力学响应比运动伪影更平滑且更缓慢。因此，表示诱发响应的系数以零为中心，而高斯分布中的离群值则是运动伪影的系数。因此，为了去除时间序列中的运动伪影，需要在利用小波逆变换重建信号之前先将离群系数设为零。定义离群值的阈值是通过将四分位距乘以一个调节参数iqr，然后将所得值与第三/第一四分位数相加/减来计算的。在本研究中，四种小波方法(wavelet 15、wavelet 12、wavelet 08和wavelet 05)的iqr值分别设置为1.5、1.2、0.8或0.5。关于所测iqr范围的选择，Homer中的默认值是1.5，而0.8和0.5则是文献中各种研究方法所使用的值。最后，本研究引入了1.2来填补0.8和1.5之间的空白。iqr值越高，删除的系数就越少。
时间导数分布修复
时间导数分布修复(TDDR)方法基于活动(波动)的导数进行操作，假设在没有运动伪影的情况下，波动是符合正态分布的；大多数波动不含MAs，而MA的波动幅度通常大于非运动波动。这意味着MA的贡献较大且频率较低。为了消除MA波动的影响，TDDR方法通过稳健回归技术降低异常大波动的权重。该方法的优点在于不需要用户提供参数，并且在去除尖峰和基线漂移伪影方面表现良好。
目标主成分分析
目标主成分分析(tPCA)方法由Yücel等人(2014)提出。tPCA仅在被识别为运动伪影的帧上应用PCA技术，因此依赖于运动伪影识别技术。样条插值技术是逐通道进行的，而tPCA技术则是一种多通道方法。因此，如果一个时间点在至少一个通道中被识别为运动伪影，那么该时间点在所有通道中都被视为运动伪影。所有通道中被识别为运动伪影的片段会合并到一个矩阵中，并提交给PCA。然后，将主成分按照解释的方差百分比递减排列。在重新组合数据之前，首先移除前N个成分，这些成分贡献了总方差的97%。这些校正后的片段随后通过样条插值法的相同平移程序插入到原始时间序列数据中。该过程会重复多次，重新识别任何残留的运动伪影，直到不再识别出运动伪影或达到允许的最大迭代次数(maxIter=5)为止。
数据预处理和分析
采用十五种不同的流程对每位参与者的fNIRS信号进行预处理(图4)，这些流程仅在处理运动伪影的方式上有所不同。在所有流程中，信噪比低于2(SNR＜2)或光强度非常低的通道将被丢弃。将剩余通道转换成光密度变化。之后，每个流程应用不同的运动校正方法。信号经过带通滤波(0.009-0.08Hz)，然后使用特定于受试者的差分路径长度因子将其转换为浓度变化。采用生理噪声回归，以从每个标准通道中回归出与之最相关的SS通道。在每个处理流程结束时，计算每对标准通道之间的Pearson相关系数，从而得到了个体相关矩阵(50×50 矩阵)。在15分钟的采集中，仅使用14分钟来计算相关矩阵，以确保使用的是稳定信号(去掉第一分钟)。通过对个体相关矩阵取平均值来计算组相关矩阵。
图4.所有流程的信号处理步骤。
结果
运动伪影识别技术的性能
采用适应性标准差方法在检测MAs方面的表现最佳，识别出的MAs百分比与添加的MAs百分比相当(Perc10、Perc15、Perc20和Perc25分别为10.8%、15.8%、20.7%和24.9%)，而其他两种方法未能检测出正确数量的MAs。在固定标准差方法中，尽管不同数据集中的MA百分比有所增加，但检测到的MAs的百分比几乎没有变化(Perc10、Perc15、Perc20和Perc25分别为7.8%、8.3%、8.2%和7.7%)，而在GVTD方法中，MAs始终被低估(Perc10、Perc15、Perc20和Perc25分别为4.2%、4.9%、5.6%和6.3%)。图5显示了三种不同运动检测方法的精度。GVTD技术在所有数据集上的表现最差(最高值：71.8%)。对于其他两种方法，增加添加的MAs百分比会降低精度，其中固定标准差检测技术的精度下降更为明显，相比之下，适应性标准差方法的精度在所有添加的MAs百分比中均较高。
图5.不同检测方法的准确性会随着MAs比例的增加而变化。(a)固定标准差方法；(b)适应性标准差方法；(c)GVTD。
运动校正技术的性能
Perc0数据集
对于Perc0数据集，使用样条流程得到的中值绝对误差最小(0.0144)，其次是tPCA(0.0147)、后剔除法(0.0157)以及小波滤波(当iqr分别为1.5、1.2和0.8时，误差分别为0.0167、0.0161和0.0166)(图6)。对于样条和小波的组合(SW)，降低iqr参数会增加绝对误差。样条和小波的组合(SW)在iqr为0.5时表现最差，绝对误差为0.023。此外，统计分析显示方法因素具有显著的主效应。事后分析显示，SW在iqr为0.5时与所有其他处理方法存在显著差异，并且绝对误差最高。SW(iqr=0.8)、SplineSG以及小波(iqr=0.5)组合之间没有统计差异。最后，在不同的数据处理方法中，包括后剔除法、无校正、样条、小波(iqr=1.5、1.2和0.8)、SW(iqr=1.5和1.2)、TDDR和tPCA在统计上没有显著差异。
图6.每个数据集和处理方法的绝对误差箱线图。
所有运动校正方法都获得了较高的斜率系数(最小斜率系数=0.99)，表明真实值与校正后所得值之间的Pearson相关系数具有良好的一致性。此外，所有技术都达到了线性度(最小值=0.98)。对组相关矩阵相似性进行统计比较的结果显示，在十三个测试流程中，有两个流程的相关矩阵与真实值在统计上存在显著差异：iqr=0.5的SW组合(p=0.003)和TDDR(p=0.0249)。
仅尖峰数据集
当应用于随机数据集时，剔除处理步骤删除了太多的时间帧，因此无法进行进一步的分析。因此，剔除处理流程仅在固定数据集上进行评估。对于所有半模拟数据集，使用后剔除法(Perc10F，0.0146；Perc15F，0.0148；Perc20F，0.0144和Perc25F，0.0145)和小波(iqr=1.5，Perc10R，0.0145；Perc15R，0.0158；Perc20R，0.0202和Perc25R，0.0286)得到的中值绝对误差最小。随着MA比例的增加和iqr参数的减少，小波流程的绝对误差增加，但最高绝对误差仍小于0.039(图6)。未校正的性能与小波性能一致，而在先剔除法(Perc10F，0.047；Perc15F，0.047；Perc20F，0.087；Perc25F，0.072)、SplineSG(Perc10F，0.050；Perc15F，0.067；Perc20F，0.083；Perc25F，0.091)和tPCA(Perc10F，0.036；Perc15F，0.056；Perc20F，0.084；Perc25F，0.107)方法中，误差则有所增加。对于TDDR、样条和SW组合，中值绝对误差显著增加。iqr=0.5时的SW组合性能最差(PercR10，0.178；PercR15，0.206；PercR20，0.248；PercR25，0.261)。对于所有数据集，方差分析显示出显著的主效应。所有数据集中都观察到了类似的结果模式，这使我们能够确定四组不同的数据处理流程：后剔除法、无校正和小波滤波；tPCA、SplineSG和先剔除法；TDDR；样条和SW组合。在Perc10和Perc15数据集的组内，事后分析显示，后剔除法、未校正和小波之间没有统计学显著差异。然而，在Perc20数据集中，后剔除法与iqr=0.5的小波在统计上存在差异，而在Perc25数据集中，后剔除法在统计上与未校正和iqr值分别为1.2、0.8和0.5的小波存在差异。此外，在Perc15、Perc20和Perc25数据集中，tPCA和先剔除法的性能与所有其他方法存在显著差异，并在所有数据集中显示出与SplineSG的差异。最后，在Perc10数据集中，样条在统计上与iqr值为0.8和0.5的SW组合存在差异。在Perc15和Perc20数据集中，样条仅与iqr为0.5的SW组合存在显著差异。然而，在Perc25数据集中，样条与SW组合没有任何显著差异。
对于Perc10数据集，后剔除法、未校正和小波流程的斜率系数较高(最小斜率系数=1.04，最小线性度系数=0.98)。性能最佳的流程是iqr=1.5的小波，它与真实值达到了完美匹配(斜率系数=1)。先剔除法、SplineSG和tPCA获得了较好的斜率系数(分别为0.87、0.82和0.73)，TDDR较差(0.46)，而样条和SW组合获得的斜率系数最小(最小斜率系数=0.33；最大斜率系数=0.37)。
对于Perc15、Perc20和Perc25，主要模式与Perc10数据集相同：性能最好的流程是后剔除法，其次是小波和未校正流程；先剔除法也取得了良好的表现，然后是斜率系数尚可的SplineSG流程。tPCA流程仅在Perc15数据集上具有较好的斜率系数，而iqr=0.5的SW组合性能最差，其次是具有更高iqr的SW组合、样条和TDDR流程(图6)。
除Perc25外，其余数据集的线性度系数均较高，但在Perc25数据集中，样条和SW组合丧失了线性特性，即它们不再呈现出线性的关系(最小线性度系数值：Perc10为0.84；Perc15为0.82；Perc20为0.81；Perc25为0.39)。总体而言，尽管斜率系数有所下降，但主要模式仍然相似。然而，当斜率系数降到0.3以下时，这种模式就消失了。值得注意的是，本研究仅报告了正r值，因为所有负值都近似等于零。从应用于九个不同数据集的十五个流程所得到的组相关矩阵来看，负r值不到0.001%，而且没有一个负值小于-0.05。
在Perc10数据集中，十五个测试流程中有九个与真实值存在统计学差异：先剔除法(p＜0.001)、样条(p＜0.001)、SplineSG(p＜0.001)、iqr=0.5的小波(p=0.013)、iqr=1.5、1.2、0.8和0.5的SW组合(p＜0.001)、以及TDDR(p＜0.001)。应用其他流程后得到的相关矩阵与真实值相关矩阵无统计学差异。在Perc15数据集中，十五个测试流程中有十二个与真实值存在统计学差异：先剔除法(p＜0.001)；样条(p＜0.001)；SplineSG(p＜0.001)；iqr=0.8和0.5的小波(分别p=0.007和p＜0.001)；iqr=1.5、1.2、0.8和0.5的SW组合(p＜0.001)；TDDR(p＜0.001)；以及tPCA(p＜0.001)。应用其他流程后得到的相关矩阵与真实值相关矩阵无统计学差异。最后，在Perc20和Perc25数据集中，除了后剔除法外，其余所有流程与真实值之间存在显著差异(p＜0.01)。
基线漂移+尖峰数据集
对于所有半模拟数据集，使用先剔除法的中值绝对误差最小(Perc10F为0.032，Perc15F为0.053，Perc20F为0.046，Perc25F为0.054)，其次是tPCA(Perc10F为0.046，Perc15F为0.084，Perc20F为0.089，Perc25F为0.108)和后剔除法(Perc10F为0.048，Perc15F为0.093，Perc20F为0.099，Perc25F为0.132)。随着MA比例的增加和iqr参数的降低，小波流程的绝对误差增加(最小值：0.105；最大值：0.203)。未进行校正和TDDR的性能与iqr=0.8和0.5的小波一致，而样条和SW组合则导致中值绝对误差增加。表现最差的是iqr=0.5时的SW组合(PercR10为0.165；PercR15为0.208；PercR20为0.239；PercR25为0.258)(图6)。对于所有数据集，ANOVA分析显示方法因素具有显著的主效应。事后分析显示，后剔除法、先剔除法和tPCA在每个数据集中均与所有其他流程存在统计差异。此外，先剔除法在所有数据集中与tPCA有显著差异，并且在Perc15、Perc20和Perc25数据集中与后剔除法显著不同，而后剔除法和tPCA在任何数据集中均没有差异。
对于所有数据集，先剔除法流程的斜率系数最高(Perc10为0.86；Perc15为0.77；Perc20为0.81；Perc25为0.75)。后剔除法和tPCA的斜率系数其次。而样条、SplineSG、TDDR、小波以及SW组合的斜率系数都有所下降，其中iqr=0.5的SW组合的斜率系数最低(PercR10为0.30；PercR15为0.22；PercR20为0.14；PercR25为0.10)。在所有数据集中，所有测试流程都与真实值存在统计学差异(p＜0.001)。图7总结了仅尖峰数据集和基线偏移+尖峰数据集的绝对误差和斜率系数。不同运动校正技术前后的光密度信号详见补充材料。
图7.仅尖峰数据集(左侧)和基线偏移+尖峰数据集(右侧)的绝对误差(顶部)和斜率系数(底部)。
结论
在基于任务的研究中，校正运动伪影始终是最佳选择。当运动伪影污染程度较大时，使用小波滤波以及样条与小波的组合被认为是一种很有前景的方法。对于静息态研究，本研究建议根据数据集中存在的伪影类型和数量选用不同的运动校正方法。具体而言，当数据集主要包含尖峰伪影时，最佳解决方案是在预处理结束时剔除受污染的数据段；第二种选择是，使用小波滤波或不进行校正。如果数据集中还存在基线漂移，则建议最好在预处理开始时剔除伪影数据段。其他可替代方案包括tPCA处理或在预处理结束时去除伪影，但要考虑到当存在基线漂移时，校正所带来的误差高于仅含尖峰伪影的数据集。无论是任务态还是静息态研究，运动校正技术对基础数据恢复的影响取决于运动伪影的污染程度。当运动伪影较少时，运动校正技术对静息态功能连接(RSFC)计算的影响是有限的，所有处理流程所得到的结果相似。因此建议首先检查所获取的数据，以了解伪影的类型、数量和时间分布，从而选择合适的处理方法。
参考文献：Costanza Lester et al., Comparing different motion correction approaches for resting-state functional connectivity analysis with functional near-infrared spectroscopy data, Neurophotonics. 11(4) 045001 (2024). https://doi.org/10.1117/1.NPh.11.4.045001
小伙伴们关注茗创科技，将第一时间收到精彩内容推送哦～
原文地址：https://blog.csdn.net/u011661076/article/details/143024543
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！