Statistical analysis of fNIRS data applied to cerebral hemodynamics

The present work concerns the statistical analysis of NIRS data applied to the brain. The Near Infra-Red Spectroscopy (NIRS) is an optical technique that allows to reconstruct the hemoglobin concentration in time, in some points of the brain indicated as “channels''. Our objective consists in analysing the temporal evolution of hemoglobin in each channel, in order to evaluate where the brain is activated during a certain experiment. This operation is difficult because of the high variability between subjects and because of the presence of many noises (physiological noises, measure noises and experiment errors). For this reason it is necessary to filter data and to perform a statistical analysis. In this work we suggest a method to determine which channels should be excluded from the analysis because of a too high noise. This method is based on the analysis of the Area Under the Curve (AUC). One of the most commonly accepted methods for statistical activation detection consists in using an adapted linear regression model that has as regressor an ideal hemodynamic response. However this model presents several criticalities, mainly due to the high temporal correlation that afflicts data. In order to solve these criticalities we propose an alternative method, that takes advantage from a regressor imitating the ideal hemodynamic response, as happens in the current literature, but produces for each channel a sample of activation-related quantities. This sample is gaussian and it can be easily inspected to detect the activation degree of each channel. We also describe some procedures for a group analysis and a bayesian approach that are coherent with the model earlier illustrated. We propose the k-means clustering algorithm for the channels' classification. This algorithm follows a new procedure respect of the one described until now and it represents a useful additional tool in activation detection. These techniques are tested on a simulated dataset and on a dataset from an in vivo experiment.

Il presente lavoro tratta dell’analisi statistica di dati provenienti da spettroscopie del vicino infrarosso (NIRS) eseguite al cervello. La NIRS è una tecnica ottica che consente di ricostruire nel tempo la concentrazione di emoglobina in più punti del cervello chiamati “canali''. Il nostro obiettivo consiste nell’analizzare l’andamento dell’emoglobina in ogni canale per valutare in quali di questi il cervello è attivo durante un certo esperimento. Questa operazione è complicata a causa dell’alta variabilità tra soggetti e della presenza di diversi rumori (fisiologici, di misura e dovuti alla configurazione dell’esperimento). Per questo motivo un filtraggio dei dati e un’analisi statistica degli stessi sono indispensabili per una corretta classificazione dei canali. In questo lavoro suggeriamo un metodo per determinare quali canali andrebbero esclusi dalle analisi a causa dell’eccessivo rumore. Tale metodo si basa sull’analisi delle aree sotto la curva (AUC). Uno dei metodi statistici più comuni in letteratura per individuare le aree attive prevede l'adattamento di un modello di regressione lineare che utilizza come regressore una risposta emodinamica ideale. Questo modello presenta però diverse criticità, dovute soprattutto alla forte dipendenza temporale che caratterizza i dati. Per far fronte a queste criticità proponiamo un metodo alternativo, che prende spunto dal modello in letteratura e come esso utilizza un regressore che mima la risposta emodinamica ideale, ma che consente di ottenere per ogni canale un campione di determinate quantità che ne sintetizzano il grado di attivazione. Questo campione è gaussiano e può essere facilmente indagato per ricavare il grado di attivazione di ogni canale. Descriviamo inoltre alcune proposte per un’analisi di gruppo e un approccio bayesiano coerenti col modello sopra esposto. Proponiamo infine l’utilizzo dell’algoritmo k-medie per la classificazione dei canali. Questo algoritmo segue una un’altra procedura rispetto a quella finora descritta e pertanto costituisce un utile strumento ausiliario e di controllo. Queste tecniche sono testate su un dataset simulato e su uno proveniente da un esperimento in vivo.