공간 탐색 구역에서 '학습 연구에 적외선 분광학 가까이 MazeSuite 및 기능 사용

본 발표의 목적은 두 가지입니다. 첫째, 실험 프로토콜 설계 과정과 May suite의 활용법을 설명하는 것이며, 둘째, fNIRS 뇌 활동 모니터링 시스템의 설정 및 배치를 시연하는 것입니다. May suite는 맞춤형 3D 환경을 설계 및 편집하고, 참가자의 행동 수행 능력을 추적하는 데 사용할 수 있습니다.

이를 입증하기 위해, 단일 실험에서 May suite와 FNIR를 모두 사용하는 방법을 보여주는 연구의 하위 샘플을 보고합니다. 해당 연구는 블록 및 무작위 연습 순서에 따른 컴퓨터 메이즈 작업의 습득 및 학습 과정 동안 배측외측 전전두엽 피질의 인지 활동 평가를 포함합니다. FNIR는 근적외선을 사용하여 피질 내 혈역학적 반응의 변화를 추적하는 광학 뇌 모니터링 기술입니다.

뇌 혈역학 및 산소 포화도의 비침습적 모니터링은 1977년 job ossy와 동료들에 의해 처음으로 입증되었습니다. 이 기술을 통해 자연스러운 환경에서 뇌 활동을 측정하는 데 사용할 수 있는 휴대 가능하고, 안전하며, 경제적이고, 비침습적이며, 침습성을 최소화한 모니터링 시스템을 설계할 수 있습니다. 외래 및 현장 조건에서 700 내지 900 nanometers 범위의 근적외선은 조직 내 몇 센티미터까지 투과할 수 있습니다.

빛이 조직에 입사되면 흡수되거나 산란됩니다. 흡수는 헤모글로빈과 물 같은 발색단 광흡수 분자에 의해 발생하며, 산란은 세포막 및 층과 같은 조직 구조에서 발생합니다. 전형적인 FNIR 측정 시스템은 광원과 검출기를 갖춘 측정 장치로 구성됩니다.

광원이 활성화되면 빛이 두피 위로 도입되어 조직 내부로 침투한 뒤 모든 방향으로 퍼지며 이동함에 따라 강도가 감소합니다. 이 중 일부 빛은 연속적인 다중 산란으로 인해 다시 표면으로 도달하여 검출기에 의해 기록되는데, 검출기에 도달하는 광자들은 실제로 바나나 모양의 부피 영역을 통해 이동합니다. 검출기에서의 측정값은 광원과 검출기 사이의 이 부피 영역에 대한 정보를 제공합니다. 이를 oid라고 하며, 침투 깊이, 즉 바나나 모양의 곡률은 광원과 검출기 사이의 거리에 따른 함수가 됩니다.

그렇기 때문에 FNIR 센서의 기하학적 구조가 설계의 핵심입니다. 인지 과제 수행 및 전전두엽 피질 측정 유형에 따라, 광원과 검출기 사이의 거리(opto separation)는 보통 2.5 centimeters에서 3 centimeters 사이로 설정합니다. 본 연구에서는 FNIR 장치 모델 1000을 사용하였습니다.

이는 1990년대 Chance 및 동료들의 설계를 기반으로 하며, Drexel University의 Optical Brain Imaging Lab에서 더욱 발전되었습니다. 이 장비는 광학 센서를 피부에 연결하기 위해 광섬유나 라이트 가이드에 의존하지 않습니다. 따라서 설정이 더 간편하고, 장시간 세션 동안 더 편안하며, 움직임으로 인한 아티팩트가 발생할 가능성이 적습니다.

하지만 이 센서는 이마 아래에 위치한 등외측 전전두엽 피질의 피질 활성화를 감지하기 위해 특별히 설계되었으며, 모발로 인한 간섭 때문에 머리의 다른 부위에는 사용할 수 없습니다. 본 연구에 사용된 FNIR 센서 패드에는 730 nanometers 및 850 nanometers의 비간섭성 빛을 조사하는 4개의 발광 다이오드가 포함되어 있습니다. 10개의 광검출기가 있으며, LED를 순차적으로 조사하고 주변 검출기를 함께 사용함으로써 16개의 측정 지점을 확보합니다.

각 스캔 시 박스 단위로 샘플링이 이루어집니다. 여기에는 두 가지 서로 다른 파장의 빛 강도 측정과 주변광 측정을 위한 암측정이 포함되어 각 측정 지점당 총 3개의 채널이 할당되며, 결과적으로 스캔을 통해 총 48개의 채널이 기록됩니다. 센서 패드는 피험자의 이마 부위에 부착합니다.

한 명은 피험자의 왼쪽에, 다른 한 명은 측면에 위치해야 합니다. 피험자의 오른쪽 면에서는 센서를 눈썹 바로 위에 배치하고 수직으로 중앙을 맞추어야 합니다. 가상의 수직 대칭선은 이마의 중앙선을 지나 코로 이어집니다.

센서 패드의 중심선은 이마와 코의 중앙선과 일치해야 합니다. 센서 패드를 배치한 후, 양쪽의 케이블을 당겨 머리 뒤쪽에서 연결합니다. 클립으로 케이블을 고정한 후, 센서 패드가 피부에 제대로 밀착되었는지, 그리고 광학 센서와 피부 사이에 돌출부나 빈 공간이 없는지 확인하는 것이 매우 중요합니다.

적절한 결합 여부를 확인하는 좋은 방법은 센서 패드 위에 약간의 압력을 가하여 압력에 따라 위치가 변하는지 느끼는 것입니다. 때로는 헤드밴드, 고무줄 또는 테니스 밴드나 반다나와 같은 단단한 천을 fNIRS 센서 위에 배치하여 광학 센서와 피부의 결합을 고정할 수 있습니다. 센서 위치를 잡은 후에는 데이터 수집을 시작하여 모든 채널의 신호를 확인해야 합니다. 먼저, 센서 패드를 fNIRS 하드웨어 제어 박스에 연결해야 합니다.

장치를 USB 케이블로 컴퓨터에 연결하고, 두 시스템의 전원을 모두 켭니다. 다음으로, 왼쪽 창에 있는 바로가기를 클릭하여 컴퓨터에서 Kobe Studio를 실행한 후, 현재 장치 시작(start current device) 링크를 클릭합니다. 설정이 올바르면 메시지 창에 장치가 시작되었다는 내용이 표시되며, 그래프에 새로 획득한 신호가 나타납니다.

신호 레벨은 LED 전류 및 게인 설정에 따라 달라집니다. 일반적인 기준은 이러한 파라미터 값을 700 millivolts 이상, 4, 000 millivolts 미만으로 유지하는 것입니다. 또한, 신호가 안정적이어야 합니다.

변동이 너무 심하거나 스파이크가 발생하는 것은 센서 결합이 부적절하거나 케이블 또는 하드웨어 연결에 문제가 있음을 나타낼 수 있습니다. 일부 경우에는 좌측의 1번 및 2번, 우측의 15번 및 16번과 같은 한두 개의 외측 채널이 머리카락 위에 배치되어 신호 값이 너무 낮게 나타날 수 있습니다. 이 경우 그대로 진행한 후, 나중에 분석 단계에서 해당 채널들을 제외하면 됩니다.

개인별 피부의 광학적 특성 차이로 인해 개별 차이가 클 수 있으므로, 피험자마다 설정을 조정해야 할 수도 있습니다. 장치 설정을 변경하려면 먼저 '현재 장치 중지(stop current device)'를 클릭하십시오. 그런 다음 왼쪽 창에서 '장치 속성(device properties)'을 클릭하십시오.

대화 상자의 데이터 획득 설정 탭으로 이동합니다. 먼저 신호 값을 높이려면 LED 전류 값을 증가시키십시오. LED 전류 값이 증가하면 LED가 더 밝게 빛나게 됩니다.

신호 수준을 먼저 낮추고 싶다면 게인(gain)을 낮추십시오. 초기 게인 값은 모든 복셀(voxel)에 적용됩니다. 값을 설정한 후 저장(save)을 클릭하고 시작(start)을 클릭하십시오.

새로 설정된 파라미터로 데이터 수집을 시작하기 위해 현재 장치를 구동하며, 실험 중 특정 이벤트를 식별하기 위해 마커를 사용하는 것 또한 일반적이고 유용합니다. 마커에는 수동 및 자동의 두 가지 유형이 있습니다. 수동 마커는 K의 메인 창에 있는 버튼을 클릭하여 생성되며, 시간 태그가 지정되어 FNIR 데이터와 함께 저장됩니다.

장치가 정지된 동안 자동 마커를 수신하기 위해 외부 장치나 컴퓨터 소프트웨어로부터 자동 마커를 전달받습니다. 왼쪽 창에 있는 장치 설정으로 이동하여 동기화 설정 탭 내의 '마커 수신 대기(listen for markers)' 항목을 체크하십시오. 마커 통신 방법으로는 시리얼 포트 사용을 권장합니다.

컴퓨터의 시리얼 포트 번호가 유효한 포트 번호로 설정되어 있는지 확인하십시오. 그런 다음 ePrime 또는 May Suite와 같은 자극 소프트웨어를 사용하여 마커를 전송할 수 있으며, 전송된 값은 시간 태그가 지정되어 이 컴퓨터의 FNIR 데이터와 함께 저장됩니다. Raw FNIR 신호는 빛의 세기를 나타내는 시계열 신호입니다.

데이터의 노이즈는 원시 광강도 값을 산소포화도 값으로 변환하기 전이나 후에 제거할 수 있습니다. 호흡, 심장 박동 및 장비 노이즈와 같이 생리학적으로 무관한 데이터는 원시 fNIRS 측정값에서 제거되어야 합니다. 이러한 생리학적 아티팩트를 제거하기 위해, 일반적으로 심박수 관련 성분은 0.5 Hz 전후 또는 그 이상의 피크를 가지며, 호흡은 0.2 Hz에서 0.4 Hz 사이의 범위를 가집니다.

유한 임펄스 응답 및 선형 위상 저역 통과 필터가 사용됩니다. 신호는 움직임 아티팩트로 인해 손상될 수도 있습니다. 머리 움직임으로 인해 FNIR 센서 광원 또는 검출기가 원래 부착된 위치에서 미끄러지거나 피부와의 접촉을 잃으면, FNIR 측정값에서 예상치 못한 갑작스러운 버스트나 스파이크가 발생할 수 있습니다.

또한, 광원이 피부와의 결합 상태를 잃으면, 광원이 검출기 쪽으로 통과하지 못해 매우 낮은 값이 기록되거나, 피부 표면에서 반사된 빛으로 인해 극도로 높은 강도와 일시적인 포화 상태가 기록될 수 있습니다. 검출기가 튀어 올라 피부와의 접촉을 잃었을 때도 유사한 포화 현상이 발생할 수 있습니다. 주변광의 유입을 유발하는 머리 움직임은 센서 패드 또는 광원 및 검출기에 가해지는 압력의 변화를 추가로 야기할 수 있습니다.

이러한 변화는 더 많은 광자가 조직 내로 진입하게 하여 검출되는 빛의 강도를 일시적으로 변화시킬 수 있습니다. 단순히 데이터를 시각적으로 검사하여 가능한 움직임 아티팩트를 찾는 것 외에도, 이 과정을 자동화하고 주관성을 배제하기 위한 움직임 아티팩트 검출 및 제거 알고리즘이 점점 더 많이 개발되고 있습니다. 문헌에 보고된 아티팩트 제거 알고리즘은 단순한 저역 통과 및 VAM 통과 필터부터 웨이브렛 분석, 독립 성분 분석 또는 주성분 분석, 그리고 적응형 위너(wiener) 및 카우만(cowman) 필터와 같은 최적 필터링에 이르기까지 다양합니다. 연속파 시스템의 경우, 가공되지 않은 fNIRS 신호는 수정된 비어-람베르트 법칙(modified Beer-Lambert Law)을 사용하여 상대적인 산소포화도 변화로 변환됩니다.

특정 입력 파장에서의 광학 밀도는 입력 광강도와 출력 광강도의 로그 비율입니다. OD는 발색단의 농도와 흡수 계수, 광원과 검출기 사이의 보정 거리, 그리고 두 서로 다른 시점에서 동일한 입력 광강도를 갖는 상수 감쇠 인자와도 관련이 있습니다. OD의 차이는 검출된 광강도 값만으로 표기할 수 있습니다. 일반적으로 선택되는 두 가지 파장은, 첫째로 다른 조직 발색단에 비해 옥시헤모글로빈과 데옥시헤모글로빈의 흡수가 지배적인 700에서 900 nanometers 사이의 파장이며, 둘째로 데옥시헤모글로빈과 옥시헤모글로빈의 흡수 스펙트럼이 서로 교차하는 등흡광점(isospastic point, 약 805 nanometers)의 위아래에 위치한 파장입니다.

2x2 행렬이 비특이적(non-significant)인 경우, 이 방정식을 사용하여 농도를 구할 수 있습니다. 산소화 및 탈산소화 헤모글로빈 값의 상대적 변화를 계산한 후, 다음 단계는 사용된 실험 프로토콜 및 인지 과제에 따라 특징(feature)을 추출하는 것입니다.

특징 추출은 데이터의 양을 줄이고, 통계 분석을 통해 서로 다른 인지 과제, 피험자 그룹 및 해부학적 위치 간의 비교를 수행하는 데 가장 일반적으로 사용됩니다. 일반적으로 사용되는 특징으로는 산소화 및 탈산소화 헤모글로빈의 최대값, 최소값, 평균값 또는 중앙값, 그리고 최소값 또는 최대값에 도달할 때까지 경과된 시간인 반응 시간이 있습니다. 이러한 특징들은 단일 시행 패러다임을 통해 얻은 특정 인지 자극에 대한 유발 혈역학적 반응 내에서 추출하거나, 블록 시행 설계 및 패러다임을 통해 구현된 특정 조건에 해당하는 데이터 에포크 또는 데이터 블록에서 추출할 수 있습니다.

본 스위트는 실험의 각 단계인 설계, 실험, 분석을 겨냥한 세 가지 구성 요소로 이루어져 있습니다. Maze Maker를 사용하면 실험 프로토콜의 각 단계에 맞는 3D 환경을 쉽게 설계할 수 있습니다.

단순한 환경은 순식간에 생성할 수 있습니다. 먼저 바닥 면적을 정의한 다음, 벽 도구를 사용하여 미로의 경계를 정의하십시오. 마지막으로 피험자 시작 위치와 출구 구역을 배치하십시오.

저장 후에는 퀵 런(quick run) 도구를 사용하여 환경을 즉시 테스트할 수 있습니다. 특정 실험 설계의 요구 사항을 충족하기 위해 더 복잡한 환경을 구축할 수도 있습니다. 상호작용 객체, 조명 제어 및 텍스처링을 도입하여 환경을 맞춤 설정할 수 있습니다.

Maze List Builder를 사용하여 특정 미로 조합과 사용자 메시지를 결합한 Mel 파일을 생성하고 저장함으로써 이를 실험 절차로 사용할 수 있습니다. Masis 기능을 활용하여 특정 실험 설계 수준을 수행할 수 있으며, 스토리보드 형식으로 난이도를 점진적으로 높이거나 무작위로 배치하거나, 또는 대조군과 실험군 수준으로 구성할 수 있습니다. 실험의 개별 시행은 Maze Walker 프로그램을 통해 실행됩니다.

Maze Walker의 설정을 변경하면 사용자가 실험 조건을 더욱 구체적으로 지정할 수 있습니다. 제어 설정은 키보드, 마우스, 조이스틱을 포함한 다양한 장치의 입력을 수용하도록 변경 가능합니다. 외부 장치는 Maze Walker와 양방향 통신을 수행하여 정보를 수집하거나 환경 내의 변화를 유도할 수 있습니다.

장치 통신은 TCP/IP 또는 시리얼 케이블을 통해 처리할 수 있으며, EEG-fMRI 및 fNIRS를 포함한 다양한 장치와 인터페이스할 수 있습니다. 세션 동안 Maze Walker는 피험자의 움직임을 세션 중 발생한 모든 이벤트와 함께 기록합니다. Maze Analyzer 프로그램을 사용하면 기록된 사용자 경로와 함께 MACE 파일을 표시하여 검토할 수 있습니다.

분석을 돕기 위해 서로 다른 경로를 중첩할 수 있으며, 다양한 실험 회차에 대한 통계 정보를 계산할 수 있습니다. 또한, 수집된 정보는 추가 처리를 위해 Excel 또는 MATLAB으로 내보낼 수 있습니다. 우리의 인지 레퍼토리는 가상 공간 탐색, 미로와 같은 다양한 과제를 통해 접근할 수 있는 광범위한 기능과 능력을 포함합니다. 전두엽 피질의 뇌 활성화 패턴은 연습 후의 초기 새로운 과제 수행 시와 유지 기간 동안 서로 다르게 나타납니다.

FNIR을 사용하고 전전두엽 피질에 집중함으로써, 우리는 PFC의 기능, 특히 실행 기능, 실제 작동 중인 인지 기능의 조절, 문제 해결 과제 수행 중의 PFC 활용, 그리고 작업 기억 내에 여러 항목을 유지하는 동안 고차원 구조를 사용하는 점을 활용하고 있습니다. 여러 유사한 과제를 학습할 때 연습을 구성하는 방식은 맥락 간섭 효과(contextual interference Effect)라고 불리는 학습 현상입니다. 맥락 간섭의 효과는 개인이 서로 다른 연습 일정에 따라 여러 과제를 습득할 때 분명하게 나타납니다.

학습해야 할 과제들이 비순차적이고 예측 불가능한 순서로 제시될 때 높은 맥락 간섭이 생성됩니다. 학습해야 할 과제들이 예측 가능한 순서로 제시될 때 낮은 맥락 간섭의 블록 연습이 생성됩니다. 각 피험자는 월요일, 수요일, 금요일의 3일에 걸쳐 세 가지 미로 각각에 대해 105회씩, 총 315회의 습득 시행을 수행했습니다.

습득 후 72시간이 지난 다음 월요일에, 30회의 유지 시험과 20회의 전이 시험을 무작위 순서로 수행했습니다. 모든 단계 동안 16개의 광학 부위에서 PFC 활성도를 모니터링했습니다. fNIRS를 이용한 종속 변수에는 산소화 헤모글로빈 평균값의 상대적 변화가 포함되었으며, 미로에 대한 총 시간, 경로 길이 및 평균 속도와 같은 행동 측정 지표가 포함되었습니다.

행동 결과에 따르면 두 가지 연습 순서 모두에서 미로 통과 시간(미로를 완료하는 데 필요한 총 시간)이 단조 감소하는 경향을 보였으며, 이는 참가자들이 연습을 함에 따라 더 짧은 시간 내에 미로를 완료했음을 시사하며, 이는 학습의 행동 평가에서 예상되는 결과입니다. 또한, 참가자들이 미로를 탐색하는 평균 속도인 미로 속도는 연습과 함께 증가했습니다. 마찬가지로, 시간에 따른 행동 측정치의 개선은 이러한 결과에서 학습의 추론으로 예상되는 부분입니다.

더 쉬운 전이 과제를 대상으로 각 전이 과제에 대한 무작위 연습과 블록 연습의 병렬 비교를 수행하였습니다. 미로 4에서는 블록 연습이 무작위 연습보다 우수한 성능을 보였습니다. 그러나 더 어려운 전이 과제인 미로 5에서는 무작위 연습이 블록 연습보다 더 우수했습니다.

연습 시행 중 헤모글로빈 농도의 변화는 무작위 순서에 비해 블록 순서에서 더 높은 뇌 활성화가 필요했음을 나타냅니다. 또한, 블록 순서 학습의 연습 순서 내에서 비교했을 때, 전이 단계와 같이 새로운 과제는 더 높은 뇌 활성화를 필요로 했습니다. 이는 이미 학습된 과제들의 연습 순서가 달랐기 때문입니다.

블록 순서로 과제를 학습한 참가자의 경우, 이러한 층화 무작위 연습 순서가 충분히 생소하여 과제를 수행하는 데 추가적인 노력과 인지적 자원이 필요했을 수 있습니다. 또한, 무작위 연습 순서의 경우, 전이 단계의 신경 활성화가 유지 단계보다 높지 않았습니다. 결론적으로, 이 탐색적 연구는 공간 내비게이션 학습의 신경행동적 측면을 연구하기 위한 May suite와 FNIR의 활용 가능성을 입증하였습니다.

May Suite는 사용자 친화적인 그래픽 인터페이스를 통해 간단한 3D 환경을 설계하고 적용할 수 있게 하며, 피험자 내 또는 피험자 간 비교를 위한 행동 측정치를 자동으로 기록합니다. FNIR은 휴대 가능하고 안전하며 비침습적인 뇌 모니터링 도구로, 뇌 활성화를 연구하기 위해 임상 실험실 및 자연스러운 환경에서 사용되어 왔습니다. 이번 발표가 이러한 도구들을 설명하는 데 도움이 되었기를 바랍니다.

실험에 좋은 결과가 있기를 바랍니다.