空間ナビゲーションで学習研究するために近赤外分光法をMazeSuiteおよび機能の使用

本プレゼンテーションの目的は2点あります。第一に、実験プロトコルの設計プロセスとMay suiteの使用方法を説明すること、第二に、fNIRS脳活動モニタリングシステムのセットアップと展開を実演することです。May suiteを用いることで、適合させた3D環境の設計および編集が行えるほか、被験者の行動パフォーマンスを追跡することが可能です。

これらを実証するため、単一の実験でMay suiteとfNIRSの両方をどのように使用するかを示すために、ある研究からのサブサンプルを報告します。この研究では、ブロック練習とランダム練習の順序におけるコンピュータ・メイズ・タスクの習得および学習中の、背外側前頭前野の認知活動の評価が行われています。fNIRSは、近赤外光を用いて皮質内の血行動態反応の変化を追跡する光学的な脳モニタリング手法です。

脳血行動態および酸素化の非侵襲的なモニタリングは、1977年にJobossyらによって初めて実証されました。この技術により、自然な環境下で脳活動を測定するために使用できる、ポータブルで安全かつ低コストな、非侵襲的で低侵襲のモニタリングシステムの設計が可能になります。歩行時やフィールド条件下において、700から900ナノメートルの近赤外光は、組織内を数センチメートル浸透することができます。

光が組織に入射すると、吸収されるか散乱されます。吸収はヘモグロビンや水などの発色団（光吸収分子）によるものであり、散乱は細胞膜や層などの組織構造によって起こります。一般的なfNIR測定では、光源と検出器を備えた測定ユニットが使用されます。

光源が作動すると、光が頭皮に導入されて浸透し、組織内で全方向に伝播しながら強度が減衰します。連続的な多重散乱によって光の一部が表面まで戻り、検出器によって記録されます。検出器に到達する光子は、実際にはバナナ状の体積領域を通過しています。検出器での測定により、光源と検出器の間のこの体積領域に関する情報が得られます。このペアはoidと呼ばれ、浸透の深さ、言い換えればバナナ状の曲率は、光源と検出器の間の距離の関数となります。

そのため、設計においてはfNIRSセンサーの配置（ジオメトリ）が重要となります。認知タスクの測定および前頭前皮質からの測定の種類に応じて、オプトセパレーション（光源・検出器間距離）は通常2.5 cmから3 cmに設定されます。本研究では、fNIRSデバイスのモデル1000を使用しました。

これは1990年代のChanceらによる設計に基づいており、ドレクセル大学のOptical Brain Imaging Labでさらに発展させたものです。この装置は、オプトードを皮膚に接的にさせるためにファイバーやライトガイドを使用しません。そのため、セットアップが容易で、長時間のセッションでも快適であり、体動アーチファクトの影響を受けにくくなっています。

しかし、このセンサーは額の下にある背外側前頭前皮質の皮質活性化を検出するために特別に設計されており、毛髪による干渉があるため、頭部の他の領域には使用できません。本研究で使用したfNIRSセンサーパッドには、730 nanometersおよび850 nanometersの非干渉光を照射する4つの発光ダイオードが含まれています。10個の光検出器があり、LEDを順次点灯させ、周囲の検出器を併用することで、16箇所の測定部位を設けています。

各スキャンでボックスのサンプリングが行われます。これには、2つの異なる波長の光強度測定と、周囲光のためのダーク測定が含まれ、各測定箇所につき計3チャンネルとなります。したがって、スキャンからは合計48チャンネルが記録されます。センサーパッドは被験者側の額の上に配置します。

1つは被験者の左側、および側面2に配置します。被験者の右側では、センサーを眉のすぐ上に、垂直方向の中央に配置してください。仮想の垂直対称線は、額の中央線および鼻を通ります。

センサーパッドの中心線は、額と鼻の中央線と一致させます。センサーパッドを配置した後、両側のケーブルを引っ張り、後頭部で接続します。クリップでケーブルを固定した後、センサーパッドが皮膚に適切に密着しているか、また、オプトードと皮膚の間に盛り上がりや隙間がないかを確認することが極めて重要です。

適切なカップリングを確認する良い方法は、センサーパッドに軽く圧力をかけ、圧力によって位置が変わらないかを確認することです。場合によっては、ヘッドバンドやゴムバンド、またはテニスバンドやバンダナのようなしっかりした布をfNIRSセンサーの上に配置し、オプトードと皮膚のカップリングを固定させることができます。センサーの位置を確認した後、データ収集を開始して、すべてのチャネルで信号が得られているかを確認してください。まず、センサーパッドをfNIRSハードウェアコントロールボックスに接続する必要があります。

デバイスをUSBケーブルでコンピュータに接続し、両方のシステムの電源を入れます。次に、左ペインにあるショートカットをクリックしてコンピュータでKobe Studioを起動し、現在のデバイスを開始するリンクをクリックします。設定が正しければ、メッセージペインにデバイスが起動したことが表示され、グラフに新しく取得された信号が表示されます。

信号レベルは、LED電流とゲインの設定に依存します。目安として、これらのパラメータを700 millivolts以上、4,000 millivolts以下に設定してください。また、信号が安定している必要があります。

変動やスパイクが大きすぎる場合は、センサーのカップリング不備、あるいはケーブルやハードウェアの接続に問題がある可能性があります。場合によっては、左側の1番と2番、右側の15番と16番といった1〜2個の側方チャネルが髪の上に配置され、信号値が低くなりすぎることがあります。その場合はそのまま続行し、後の解析段階でそれらのチャネルを除外してください。

個人の皮膚の光学特性によって個人差が大きいため、被験者ごとに設定を調整する必要がある場合があります。デバイス設定を変更するには、まず「stop current device」をクリックします。次に、左ペインの「device properties」をクリックしてください。

ダイアログボックスのデータ収集設定タブに移動します。まず信号値を上げたい場合は、LED電流値を上げてください。LED電流値を上げると、LEDの輝度が高くなります。

まず信号レベルを下げたい場合は、ゲインを下げてください。初期ゲイン値はすべてのボクセルに適用されます。値を設定した後、「保存」をクリックし、次に「開始」をクリックしてください。

新しいパラメータでデータ収集を開始するための現在のデバイスですが、実験中の特定のイベントを識別するためにマーカーを使用することも一般的であり、有用です。マーカーには手動と自動の2種類があります。手動マーカーはKのメインウィンドウ上のボタンクリックによって生成され、タイムタグが付与されてFNIRデータとともに保存されます。

デバイス停止中にオートマーカーを受信するには、外部デバイスまたはコンピュータソフトウェアからオートマーカーを受信します。左ペインにあるデバイス設定に移動し、同期設定タブ内で「Listen for markers」にチェックを入れます。マーカー通信にはシリアルポートの使用を推奨します。

シリアルポート番号がコンピュータ上の有効なポート番号に設定されていることを確認してください。その後、ePrimeやMay Suiteなどの刺激提示ソフトウェアを使用してマーカーを送信でき、受信した値はタイムタグが付与され、このコンピュータ上のfNIRSデータと共に保存されます。生のfNIRS信号は、光強度を示す時系列信号です。

データのノイズは、生の光強度値を酸素化値に変換する前または後に取り除くことができます。呼吸、心拍、および装置ノイズなどの生理学的に無関係なデータは、生のfNIRS測定値から除去する必要があります。これらの生理学的アーチファクトを排除するためには、通常、心拍に関連する成分は約0.5 Hz以上のピークを持ち、呼吸は0.2 Hzから0.4 Hzの間にあることを利用します。

有限インパルス応答および線形位相低域通過フィルタが使用されます。また、信号はモーションアーチファクトによって損なわれる可能性があります。頭部の動きにより、fNIRSセンサの光源および検出器が元の装着位置からずれたり、皮膚との接触を失ったりすると、fNIRS測定において予期しない急激なバーストやスパイクが発生することがあります。

さらに、光源と皮膚の結合が失われると、光が検出器に到達しなくなるため非常に低い値が記録されるか、あるいは皮膚表面からの反射光によって極めて高い強度となり、一時的な飽和状態になる可能性があります。同様の飽和現象は、検出器が外れて皮膚との接触を失った場合にも発生することがあります。また、周囲光の漏れを誘発する頭部の動きは、センサーパッドや光源、検出器に加わる圧力の変化をさらに引き起こす可能性があります。

これらの変化により、より多くの光子が組織内に進入し、検出される光強度が一時的に変動する可能性があります。モーションアーティファクトの可能性をデータから視覚的に検査するだけでなく、このプロセスを自動化し主観性を排除するための、モーションアーティファクト検出および除去アルゴリズムが数多く開発されています。文献におけるアーティファクト除去アルゴリズムは、単純なローパスフィルタやVAMパスフィルタから、ウェーブレット解析、独立成分分析または主成分分析、さらには適応ウィーナーフィルタやCowmanフィルタなどの最適フィルタリングまで多岐にわたります。連続波システムにおいて、生のFNIR信号は修正ビア・ランベルト則を用いて相対的な酸素化変化に変換されます。

特定の入射波長における光学的密度（OD）は、入射光強度と出射光強度の対数比です。ODは、発色団の濃度と吸収係数、光源と検出器の補正距離、および2つの異なる時点において同一の入射光強度を持つ定数減衰係数に関連しています。ODの差は、検出された光強度値のみを用いて表記することができます。通常、選択される2つの波長は、他の組織の発色団と比較してオキシヘモグロビンとデオキシヘモグロビンの吸収が支配的となる700から900ナノメートルの範囲の波長と、デオキシヘモグロビンとオキシヘモグロビンの吸収スペクトルが交差する等吸収点（isospastic point、約805ナノメートル）の上下それぞれ1つずつの波長です。

2×2行列が非特異的である場合、この方程式を用いて濃度を算出できます。酸化ヘモグロビンおよび脱酸化ヘモグロビンの値の相対的な変化を算出した後、次のステップとして、実験プロトコルおよび使用した認知タスクに応じて特徴量を抽出します。

特徴抽出は、データ量を削減し、統計解析を用いて異なる認知タスク、被験者グループ、および解剖学的部位の間で比較を行うために最も一般的に使用されます。一般的に用いられる特徴量には、酸化ヘモグロビンおよび脱酸化ヘモグロビンの最大値、最小値、平均値、または中央値、ならびに最小値または最大値に達するまでに経過した時間である反応時間が含まれます。これらの特徴量は、シングルトライアルパラダイムを用いて得られた特定の認知刺激に対する誘発血液動態反応から、あるいはブロックトライアル設計およびパラダイムを通じて実装された特定の条件に対応するデータエポックまたはデータブロックから抽出することができます。

本スイートは、実験の各段階である設計、実験、解析のそれぞれを目的とした3つのコンポーネントで構成されています。Maze Makerを使用すると、実験プロトコルの各段階に応じた3D環境を簡単に設計することが可能です。

シンプルな環境は短時間で作成できます。まず床面積を定義し、次にウォールツールを使用して迷路の境界を定義します。最後に、被験者の開始位置と出口エリアを配置します。

保存後、クイックランツールを使用して、すぐに環境のテストを行うことができます。特定の実験計画の要件を満たすために、より複雑な環境を作成することも可能です。インタラクティブなオブジェクトの導入、ライティング制御、およびテクスチャリングによって、環境をカスタマイズできます。

Maze List Builderを使用することで、特定の迷路の組み合わせとユーザーメッセージを統合したMelファイルを生成・保存し、実験手順として利用することができます。Masisの機能を用いることで、特定の実験設計レベルを実行でき、ストーリーボード形式での難易度の漸増またはランダム化、あるいは対照群と実験群のレベル設定などが可能です。実験の個々の試行は、Maze Walkerプログラムを使用して実行します。

Maze Walkerの設定を変更することで、ユーザーは実験条件をさらに詳細に指定できます。コントロール設定を変更し、キーボード、マウス、ジョイスティックなどの異なるデバイスからの入力を受け付けることが可能です。外部デバイスはMaze Walkerと双方向通信を行い、情報の収集や環境内の変更のトリガーを行うことができます。

デバイス間の通信はTCP/IPまたはシリアルケーブル経由で行うことができ、EEG-fMRIやfNIRSを含む多種多様なデバイスとインターフェースさせることが可能です。セッション中、mais Walkerは被験者の動きを、セッション中に発生したあらゆるイベントとともに記録します。Maze Analyzerプログラムを使用すると、MACEファイルを記録されたユーザーの経路とともに表示してレビューすることができます。

解析を容易にするために異なるパスを重ね合わせることができ、異なる試行に関する統計情報を算出することが可能です。さらに、収集した情報は追加処理のためにExcelやMATLABにエクスポートできます。私たちの認知的レパートリーには、仮想空間ナビゲーションや迷路を含む多様なタスクを通じてアクセスできる幅広い機能と能力が含まれています。前頭皮質における脳活性化パターンは、練習後の初回タスク遂行時と保持期間中とで異なります。

FNIRを用いて前頭前皮質に焦点を当てることで、PFCの機能、特に実行機能、動作時における認知機能の調節、問題解決タスク中のPFCの利用、およびワーキングメモリに複数の項目を保持している際の上位構造の利用に着目しています。複数の類似したタスクを学習する際の練習の構成は、文脈干渉効果と呼ばれる学習現象です。文脈干渉の影響は、個人が異なる練習スケジュールで複数のタスクを習得する際に顕著に現れます。

学習すべき課題を非連続的で予測不可能な順序で提示することで、高い文脈干渉（contextual interference）が生じます。一方、学習すべき課題を予測可能な順序で提示するブロック練習では、低い文脈干渉が生じます。各被験者は、月曜日、水曜日、金曜日の3日間にわたり、3種類の迷路につきそれぞれ105回、計315回の習得試行を行いました。

習得から72時間後の翌週月曜日に、30回の保持試行と20回の転移試行をランダムな順序で実施しました。全フェーズを通じて、16箇所の光操作部位におけるPFC活性をモニタリングしました。fNIRSを用いた依存指標には、酸化ヘモグロビンおよび脱酸化ヘモグロビンの平均値の相対的変化が含まれ、迷路における行動指標として総時間、経路長、および平均速度を測定しました。

行動結果から、どちらの練習順序においても、迷路の走破に必要な合計時間であるmaze timeに単調減少の傾向が見られました。これは、参加者が練習を重ねるにつれて、より短い時間で迷路を完走できたことを示唆しており、学習の行動評価において予想される結果です。さらに、参加者が迷路を移動する平均速度であるmaze velocityは、練習とともに上昇しました。同様に、時間の経過に伴う行動指標の改善は、これらの結果における学習の推論として予想されるものです。

より容易な転移課題において、各転移タスクに対するランダム練習とブロック練習の側方比較を行いました。迷路4では、ブロック練習がランダム練習を上回る結果となりました。しかし、より困難な転移課題である迷路5では、ランダム練習の方がブロック練習よりも優れた結果を示しました。

練習試行中のヘモグロビン濃度の変化は、ランダム順に比べてブロック順の方がより高い脳活性化を必要としたことを示しています。さらに、ブロック順学習の練習順内での比較では、転移相のように新しいタスクにおいて、より高い脳活性化が必要となりました。これは、すでに学習済みのタスクとは練習順が異なっていたためと考えられます。

ブロック順でタスクを学習した参加者にとって、この層化ランダム練習順は、タスクの遂行に追加の努力と認知資源を必要とするほど十分に斬新であった可能性があります。さらに、ランダム練習順においては、神経活性化の転移相は保持相よりも高くはありませんでした。結論として、この探索的研究は、空間ナビゲーションにおける学習の神経行動学的側面を研究するためのMay suiteおよびFNIRの有用性を実証しました。

May Suiteでは、ユーザーフレンドリーなグラフィカルインターフェースを用いてシンプルな3D環境を設計・適用することができ、被験者内または被験者間の比較のための行動指標を自動的に記録します。fNIRSは、臨床研究室や自然な環境において脳活性化を研究するために用いられてきた、ポータブルで安全かつ非侵襲的な脳モニタリングツールです。本プレゼンテーションが、これらのツールの説明に役立つことを願っております。

実験の成功をお祈りします。