Un nuovo algoritmo per la rimozione degli artefatti fisiologici da segnali di spettroscopia funzionale nel vicino infrarosso (fNIRS)

La spettroscopia funzionale nel vicino infrarosso (fNIRS) è una recente tecnica di neuroimaging che sfrutta la luce nel vicino infrarosso per misurare le variazioni di concentrazione di emoglobina ossigenata (HbO2) e deossigenata (HHb) associate con l’attività cerebrale. Il segnale acquisito con la fNIRS contiene, oltre alla risposta emodinamica (HRF), anche componenti che costituiscono artefatti fisiologici (legati a battito cardiaco, frequenza respiratoria, oscillazioni alle bassissime frequenze ed onda di Mayer) ed altre fonti di disturbo assimilabili a rumore di misura casuale. La rimozione di questi artefatti (e soprattutto dell’onda di Mayer) è difficile, in quanto la loro frequenza si sovrappone a quella della HRF, e nella giovane letteratura fNIRS, il problema è ancora aperto. Il presente lavoro svolto è frutto di una collaborazione interdisciplinare tra il Gruppo di Bioingegneria del Dipartimento di Ingegneria dell’Informazione ed il Cognition and Language Laboratory (COLAB) del Dipartimento di Psicologia dello Sviluppo e della Socializzazione dell’Università di Padova, finalizzata a migliorare le metodologie per la comprensione dei meccanismi coinvolti nel cervello umano, integrando sinergicamente le rispettive competenze. In particolare, si propone un nuovo algoritmo che, per identificare l’artefatto da rimuovere, sfrutta il segnale acquisito da un canale di riferimento, che, da ipotesi, riflette le componenti di rumore presenti nel segnale fNIRS, ma non la risposta emodinamica. L’algoritmo si basa su un modello del rumore alle basse frequenze (<0.18 Hz), dato da una somma di sinusoidi con frequenza ed ampiezza che vengono identificate dai dati del canale di riferimento. I risultati ottenuti con l’algoritmo proposto sono confrontati con quelli ottenuti applicando altri metodi proposti in letteratura. Su dati simulati, in cui sia la risposta emodinamica che il rumore sono generati sinteticamente e quindi noti, il nuovo algoritmo, non solo presenta un errore di stima inferiore a quello degli altri metodi, ma riesce anche a stimare l’ampiezza del picco con migliore accuratezza. I risultati sui dati reali (misurati presso il Cognition and Language Laboratory, COLAB, del Dipartimento di Psicologia dello Sviluppo e della Socializzazione dell’Università di Padova) sono solo preliminari, ma mostrano un incremento del CNR (Contrast-to-Noise Ratio) nei confronti degli altri metodi. Questo risultato potrebbe in futuro permettere una miglior discriminazione delle zone attivate della corteccia cerebrale durante il compito svolto e portare quindi ad una corretta interpretazione dei meccanismi cognitivi coinvolti