Glymphometer device validation through EEG and fNIRS signals acquisition and processing for functional brain analysis

Over recent decades, global improvements in the quality of life have led to an increase in the aging population [1], with a notable rise in age-related neurodegenerative diseases (NDDs). Among these, dementia, characterized by chronic cognitive disorders, presents a significant challenge [2]. Early diagnosis of dementia remains elusive due to its subtle onset and sporadic clinical assessments [3]. At the state of art, between all the most prominent diagnostic methods [4], electroencephalography (EEG) and functional near-infrared spectroscopy (fNIRS) result to prove invaluable in developing therapeutic strategies for NDDs [5], thanks to their common attributes such as minimal invasiveness, safety, ease of use, and repeatability. The primary objective of this work is the implementation and validation of a hybrid device, called Glymphometer, capable of simultaneously acquiring and real-time monitoring both EEG and fNIRS signals, with the ultimate goal of commercializing it and making it suitable for future studies in order to improve methods of early detection of NDDs. Currently under development at the University of Oulu by Professor Teemu Myllylä and his research group [6], the Glymphometer is a wearable medical device, easy to use given its small size and non-invasiveness. These features make it suitable for continuous brain monitoring, both during waking and sleeping phases, with both home and hospital use. In addition to the several brain health parameters, it also allows measurement of the activity of the brain cleaning system, which is closely related to the function of the glymphatic system. For this work, the Glymphometer prototype adopted consists of a main unit box connected to a headcap that incorporates fNIRS sensors - two photodiodes (PDs) and two LEDs - positioned in the middle of the forehead a few centimeters above the eyebrows, and two EEG electrodes placed above them. For the Glymphometer validation, a sample of nine healthy controls affiliated with the University of Oulu - including both Erasmus students and employees of different gender (2 males and 7 females), nationality and age (between 21 and 47) - has been analyzed. Data collection took place in Kieppi lab, located in the Kontinkangas campus of the University of Oulu, between March and May 2023. In order to validate this brand new device - especially for a future developments in the field of NDDs - two acquisition protocols have been defined from sketch. One concerns the acquisition of the Baseline signal, while the other the acquisition of the Memory Activation signal. In particular, the last one is based on a previous study [7] where it was demonstrated that resting fNIRS signals recorded from the prefrontal cortex can provide a promising methodology for detecting NDDs, resulting in a relatively lower hemodynamic activity in patients affected by them. In the Baseline Acquisition Protocol, subjects were made to sit in a relaxed position, eyes closed, trying to minimize their thinking. A 5-minute signal was recorded under these conditions. The Memory Activation Protocol consisted of two segments: a 1.5-minute open-eyed rest phase and a memory activation task. The task itself includes three phases: visualization, memorization and recall. In the visualization phase, subjects were presented 10 images of common objects, each one displayed for 2 seconds, and were instructed to name aloud these objects in English. After the presentation, they closed their eyes for 15 seconds (memorization), thinking about the images they had just seen. Finally, the subjects opened their eyes and verbally recalled as many images as they could remember (recall). After collection, fNIRS and EEG data have been fully analyzed in MATLAB®. fNIRS data underwent signal pre-processing, moving average filtering, and calculation of absolute and relative concentration for Hb02 and HbR levels. The Variation of Concentration Index (VCI) was introduced as a metric to assess hemodynamic activation, defined as the percentage variation of Hb02 concentration during task performance with respect of the one during baseline condition. On the other hand, pre-processing of EEG data included bandpass filtering, removal of artifacts and calculation of power spectral density (PSD). In this case, however, the Attention Index (AI) was introduced as a metric to assess attention, defined as the ratio of α power to β power. For the statistical analysis, distributions of AI and VCI were first analyzed individually across task phases and sensor locations through the use of Normality Test - Shapiro- Wilk Test - and then compared, within the same index, using non-parametric inter-group tests - Wilcoxon Signed Rank Test and the Friedman’s Test. For what concerns the combined analysis, aimed to find potential correlations between EEG (AI) and fNIRS (VCI), scatterplots and linear regression lines were used to visually explore the relationship between the two indices. Additionally, Pearson Coefficient was calculated to quantitatively measure this correlation. In general, it resulted that during the performance of the memory activation task, VCI got positive values, indicating a general brain hemodynamics activation. At the same time, AI got values below 1, signifying greater β power than α power, corresponding to the intensification of β oscillations when cognitive resources are directed toward active sensory processing and focused attention. It follows that, for both signals, results have been consistent with what expected and learned in the literature [8–12], revealing interesting patterns of hemodynamic responses and electrical activation during cognitive task phases with respect of resting condition. Despite the small sample size, this study provided valuable insights into the signal ac- quisition capabilities of the Glymphometer. In conclusion, it can be stated that the Glymphometer is capable of producing reliable and consistent data, having succeeded in validating its measurements. The importance of the present study lies mainly in being the starting point for its better future validation in order to extend its use to the field of cognitive research and NDDs. This work is based over ’The Glymphometer’ Research to Business project, in collabora- tion with University of Oulu, in particular with Professor Teemu Myllylä and his research team. The thesis is organised in seven chapters as following: (1) scientific context and introduction to the research; (2) overview over fNIRS and EEG; (3) adopted materials and methods; (4) obtained results; (5) discussion of results; (6) future developments and (7) general conclusion. Bibliography [1] U.s. census bureau international programs: An aging world: 2020, https://mtgis- portal.geo.census.gov/arcgis/apps/mapseries/index.html?appid=3d832796999042 daae7982ff36835e2e. [2] World Health Organization. World health organization (who): ’global status report on the public health response to dementia’, https://apps.who.int/iris/bitstream/handle/10665/344701/9789240033245- eng.pdf. WHO, 2021. [3] Nol Swaddiwudhipong, David J Whiteside, Frank H Hezemans, Duncan Street, James B Rowe, and Timothy Rittman. Pre-diagnostic cognitive and functional im- pairment in multiple sporadic neurodegenerative diseases. Alzheimer’s & Dementia, 2022. [4] Elham Rostami, Henrik Engquist, and Per Enblad. Imaging of cerebral blood flow in patients with severe traumatic brain injury in the neurointensive care. Frontiers in neurology, 5:114, 2014. [5] Laura Dubreuil-Vall, Peggy Chau, Giulio Ruffini, Alik S Widge, and Joan A Cam- prodon. tdcs to the left dlpfc modulates cognitive and physiological correlates of executive function in a state-dependent manner. Brain stimulation, 12(6):1456– 1463, 2019. [6] Glymphometer - project description by ’research.fi’, https://www.research.fi/en/results/funding/33395, . [7] Hasan Onur Keleş, Ece Zeynep Karakulak, Lütfü Hanoğlu, and Ahmet Omurtag. Screening for alzheimer’s disease using prefrontal resting-state functional near- infrared spectroscopy. Frontiers in Human Neuroscience, 2022. [8] Sahar Jahani, Antoniu L Fantana, David Harper, James M Ellison, David A Boas, Brent P Forester, and Meryem A Yücel. fnirs can robustly measure brain activity during memory encoding and retrieval in healthy subjects. Scientific reports, 7(1): 9533, 2017. [9] Yolande AL Pijnenburg, Y Vd Made, AM Van Cappellen Van Walsum, DL Knol, Ph Scheltens, and Cornelis Jan Stam. Eeg synchronization likelihood in mild cog- nitive impairment and alzheimer’s disease during a working memory task. Clinical neurophysiology, 115(6):1332–1339, 2004. [10] Cornelis Jan Stam, Y Van Der Made, Yolande AL Pijnenburg, and PH Scheltens. Eeg synchronization in mild cognitive impairment and alzheimer’s disease. Acta neurologica scandinavica, 108(2):90–96, 2003. [11] LS Prichep, ER John, Steven H Ferris, B Reisberg, M Almas, K Alper, and R Can- cro. Quantitative eeg correlates of cognitive deterioration in the elderly. Neurobiology of Aging, 15(1):85–90, 1994. [12] Karin van der Hiele, Robert HAM Reijntjes, Alla A Vein, Rudi GJ Westendorp, Mark A van Buchem, Eduard LEM Bollen, Huub AM Middelkoop, and J Gert van Dijk. Electromyographic activity in the eeg in alzheimer’s disease: noise or signal? International Journal of Alzheimer’s Disease, 2011, 2011.

Negli ultimi decenni, i miglioramenti globali nella qualità della vita hanno portato a un notevole invecchiamento della popolazione [1], con un notevole incremento delle malattie neurodegenerative (NDD) legate all’età. Tra queste, la demenza, caratterizzata da dis- turbi cognitivi cronici, rappresenta ad oggi una delle sfide più rilevanti [2]. La possibilità di diagnosi precoce della demenza, infatti, rimane ancora elusiva a causa della sua subdola insorgenza e delle valutazioni cliniche che avvengono in maniera sporadica [3]. Allo stato dell’arte, tra i metodi diagnostici più noti [4], l’elettroencefalografia (EEG) e la spettro- scopia funzionale nel vicino infrarosso (fNIRS) risultano essere preziosi per lo sviluppo di strategie terapeutiche per le NDD [5], grazie ad alcune loro caratteristiche comuni come la minima invasività, la sicurezza, la facilità d’uso e la ripetibilità delle misurazioni. L’obiettivo primario di questo lavoro è l’implementazione e la validazione di un dispositivo ibrido, chiamato Glymphometer, in grado di acquisire simultaneamente e di monitorare in tempo reale entrambi i segnali EEG e fNIRS, con l’obiettivo finale di commercializzarlo e renderlo adatto a studi futuri, al fine di migliorare i metodi di diagnosi precoce delle NDD. Attualmente in fase di sviluppo presso l’Università di Oulu da parte del Professor Teemu Myllylä e del suo gruppo di ricerca [6], il Glymphometer è un dispositivo medico indossabile, di facile utilizzo, date le sue ridotte dimensioni e la sua non invasività. Tali caratteristiche lo rendono adatto per un monitoraggio continuo del cervello, sia durante la veglia che durante le fasi di sonno, con una destinazione d’uso sia domestica che os- pedaliera. Oltre ai diversi parametri di salute cerebrale, esso consente di misurare anche l’attività del sistema di pulizia cerebrale, strettamente legata alla funzionalità del sistema glinfatico. Per il presente lavoro, il prototipo di Glymphometer adottato consiste in un’unità princi- pale collegata a una calotta cranica che incorpora il sistema fNIRS - due fotodiodi (PD) e due LED - posizionato al centro della fronte, pochi centimetri sopra le sopracciglia, e due elettrodi EEG posti al di sopra di esso. Per la validazione del dispositivo è stato analizzato un campione di nove controlli sani affiliati all’Università di Oulu - studenti Erasmus e dipendenti, di diverso sesso (2 maschi e 7 femmine), nazionalità ed età (tra i 21 e i 47 anni). La raccolta dei dati è avvenuta nel laboratorio Kieppi, situato nel campus Kontinkangas dell’Università di Oulu, tra marzo e maggio 2023. Per convalidare questo nuovissimo dispositivo - soprattutto in vista di futuri sviluppi nel campo degli NDD - sono stati definiti due protocolli di acquisizione ex-novo. Uno riguarda l’acquisizione del segnale di base, mentre l’altro l’acquisizione del segnale di attivazione della memoria. In particolare, quest’ultimo si basa su un precedente studio [7] in cui è stato dimostrato chei segnali fNIRS registrati a riposo dalla corteccia prefrontale possono fornire una metodologia promettente per individuare le NDD, risultando in un’attività emodinamica relativamente più bassa nei pazienti che ne sono affetti. Nel protocollo di acquisizione di base, i soggetti sono stati fatti sedere in posizione rilassata, ad occhi chiusi, cercando di pensare il meno possibile. In queste condizioni è stato registrato un segnale di 5 minuti. Il protocollo di attivazione della memoria, invece, è formato da due parti, una di riposo a occhi aperti - dalla durata di 1,5 minuti - e una di task di attivazione della memoria vero e proprio. Il task, a sua volta, comprende tre fasi: visualizzazione, memorizzazione e richiamo. Nella fase di visualizzazione, ai soggetti sono state presentate 10 immagini di oggetti comuni, ciascuna per 2 secondi, ed è stato chiesto loro di nominarli ad alta voce e in inglese. Successivamente, gli è stato richiesto di chiudere gli occhi (memorizzazione, 15 secondi), ripensando alle immagini appena viste, per poi riaprirli e richiamare verbalmente il maggior numero di immagini che riuscivano a ricordare (richiamo). Dopo la loro raccolta, i dati fNIRS ed EEG sono stati analizzati completamente in MATLAB®. I dati fNIRS sono stati sottoposti a pre-elaborazione, filtraggio a media mobile e calcolo della concentrazione assoluta e relativa per i livelli di Hb02 e HbR. L’indice di variazione della concentrazione (VCI) è stato introdotto come metrica per valutare l’attivazione emodinamica, essendo definito come la variazione percentuale della concen- trazione di Hb02 durante l’esecuzione del task cognitivo rispetto a quella della condizione basale di riposo. D’altra parte, la pre-elaborazione dei dati EEG ha compreso il filtraggio passa-banda, la rimozione degli artefatti e il calcolo della densità spettrale di potenza (PSD). Anche in questo caso, è stato introdotto l’indice di attenzione (AI) come metrica per valutare l’attenzione, essendo definito come il rapporto tra la potenza in banda α e la potenza in banda β del segnale EEG. Per l’analisi statistica, le distribuzioni di AI e VCI sono state analizzate singolarmente - rispetto le singole fasi del task e le posizioni dei sensori - prima attraverso l’uso del test di normalità (Shapiro-Wilk Test), e poi utilizzando test intergruppo non parametrici - Wilcoxon Signed Rank Test e Test di Friedman. D’altra parte, per l’analisi combinata, volta a trovare potenziali correlazioni tra EEG (AI) e fNIRS (VCI), sono stati utilizzati scatterplot e rette di regressione lineare. In aggiunti, al fine di quantificare tali correlazioni, sono stati calcolati i coefficienti di Pearson in ogni singola fase del task. In generale, è emerso che durante l’esecuzione del compito di attivazione della memoria, il VCI ha assunto prevalentemente valori positivi, indicando un’attivazione generale dell’emodinamica cerebrale. Allo stesso tempo, l’AI ha assunto valori inferiori a 1, indicando una maggiore potenza β rispetto a quella α, corrispondente all’intensificazione delle oscillazioni β quando le risorse cognitive sono dirette all’elaborazione sensoriale attiva e all’attenzione focalizzata. Ne consegue che, per entrambi i segnali, i risultati sono stati coerenti con quanto atteso e appreso dalla bibliografia [8 –12], rivelando interessanti pattern di risposte emodinamiche e di attivazione elettrica durante le fasi del compito cognitivo, rispetto alla condizione di riposo. Nonostante le dimensioni ridotte del campione, questo studio ha fornito preziose indi- cazioni sulle capacità di acquisizione dei segnali da parte del Glymphometer. In conclusione, si può affermare che il Glymphometer è in grado di produrre dati affidabili e coerenti, essendo riusciti a validare le sue misurazioni. L’importanza del presente studio risiede principalmente nell’essere il punto di partenza per una sua migliore validazione futura, al fine di estenderne l’utilizzo all’ambito della ricerca cognitiva e delle NDD. Questo lavoro si basa sul progetto "The Glymphometer" Research to Business, in collaborazione con l’Università di Oulu, in particolare con il professor Teemu Myllylä e il suo gruppo di ricerca. La tesi è organizzata in sette capitoli come segue: (1) contesto scientifico e introduzione alla ricerca; (2) panoramica sulla fNIRS e sull’EEG; (3) materiali e metodi adottati; (4) risultati ottenuti; (5) discussione dei risultati; (6) sviluppi futuri e (7) conclusione generale.