Garantindo boa qualidade dos dados de fNIRS

Avaliação automática da qualidade do sinal

Ao trabalhar com dados de fNIRS, obter sinais de alta qualidade é essencial para garantir resultados confiáveis. Nosso Support Hub oferece dicas práticas para ajudar você a otimizar a aquisição dos sinais. No entanto, mesmo seguindo as melhores práticas, desafios como cabelos escuros ou espessos e tecido do couro cabeludo altamente pigmentado podem levar a uma baixa qualidade do sinal em alguns canais.

Isso é particularmente relevante para sistemas de alta densidade, como o Brite ou o MultiBrite, em que o grande número de optodos torna difícil garantir boa qualidade em todos os canais. Avaliar manualmente a qualidade dos sinais se torna inviável, especialmente em conjuntos de dados extensos.

As métricas automáticas de qualidade de sinal oferecem uma solução eficiente. Neste post, explicamos o que significa ter boa qualidade de sinal em fNIRS, apresentamos diferentes métodos de avaliação automática da qualidade do sinal fNIRS e listamos suas vantagens e desvantagens.

O que é uma boa qualidade de sinal em fNIRS?

Além da resposta hemodinâmica evocada pela tarefa, o sinal de fNIRS também contém ritmos fisiológicos, como frequência cardíaca e respiração. Embora esses componentes sejam frequentemente considerados ruído durante análises cognitivas, eles podem ser aproveitados em análises avançadas, como a extração da frequência cardíaca ou respiratória (veja nossos posts sobre frequência cardíaca e frequência respiratória).

A presença de um ciclo cardíaco nítido, especialmente no sinal de hemoglobina oxigenada (O2Hb) (veja a Figura 1), é um forte indicador de boa acoplagem entre o optodo e o couro cabeludo. Em outras palavras, se os batimentos cardíacos são claramente visíveis, o sinal é considerado de boa qualidade.

Figura 1: Segmento de uma medição de fNIRS. Em vermelho, a hemoglobina oxigenada (O2Hb); em azul, a hemoglobina desoxigenada (HHb).

Algoritmos de qualidade de sinal

Diversos algoritmos foram desenvolvidos para automatizar a avaliação da qualidade do sinal. A seguir, apresentamos quatro abordagens comumente utilizadas.

Coeficiente de Variação (CV)

Um dos métodos é o Coeficiente de Variação (CV), uma medida estatística de variabilidade relativa frequentemente aplicada aos sinais de intensidade luminosa bruta [1]:

CV = (Desvio Padrão / Média) * 100%

Um CV alto geralmente indica um sinal instável, o que pode resultar de movimentos, má qualidade de contato dos optodos ou ruído sistêmico.

Vantagem (PRO): o CV é uma solução simples e direta para automatizar a avaliação da qualidade do sinal.

Desvantagem (CON): a principal limitação do CV é que ele não diferencia flutuações fisiológicas (como batimentos cardíacos ou respiração) de artefatos de movimento. Isso pode levar à rejeição incorreta de sinais bons ou à aceitação de sinais ruins com pouca variação.
Por isso, é necessário ajustar cuidadosamente os limiares para cada caso. Além disso, recomenda-se verificar visualmente os segmentos de dados para identificar sinais planos e evitar falsos negativos.

**Índice de Acoplamento ao Couro Cabeludo (SCI – Scalp Coupling Index)**

O SCI foi desenvolvido para avaliar o contato entre optodo e couro cabeludo com base na presença de oscilações cardíacas no sinal bruto [2]. Ele calcula a correlação entre dois comprimentos de onda (geralmente 760 e 850 nm).

Vantagem (PRO): a ideia é simples — sinais fisiológicos afetam ambos os comprimentos de onda de forma semelhante, enquanto ruído aleatório ou mau contato não. Assim, alta correlação indica boa qualidade de sinal, e baixa correlação indica má qualidade.

Desvantagem (CON): o principal problema é que ruídos que afetam igualmente ambos os comprimentos de onda, como artefatos de movimento, podem gerar alta correlação e, portanto, passar despercebidos.
Na literatura, valores de SCI ≥ +0,75 ou +0,80 são frequentemente usados para classificar canais como bons e aceitáveis para análise [2, 3].

PHOEBE – Placing Headgear Optodes Efficiently Before Experimentation

O PHOEBE foi desenvolvido para superar as limitações do SCI, combinando-o com análise espectral [4].
Ele examina a potência espectral da correlação cruzada entre comprimentos de onda, focando especificamente na intensidade do pico cardíaco.
Sinais de boa qualidade apresentam um pico dominante e bem definido na frequência cardíaca, enquanto sinais com artefatos de movimento mostram espectros mais amplos e difusos, com menor potência de pico.

Vantagem (PRO): ao isolar o componente cardíaco, o PHOEBE melhora a sensibilidade para detectar canais de baixa qualidade, mesmo na presença de movimento.

**Índice de Qualidade do Sinal (SQI – Signal Quality Index)**

Como um método mais detalhado e robusto para avaliar a qualidade do sinal fNIRS, foi desenvolvido o Índice de Qualidade do Sinal (SQI) [5].
Diferentemente das abordagens anteriores, que apenas classificam os canais como “bons” ou “ruins”, o SQI fornece uma escala numérica de 1 a 5, permitindo avaliações mais flexíveis e informativas.

Vantagem (PRO): o algoritmo foca na detecção do componente cardíaco no sinal, um forte indicador de boa acoplagem optodo-couro cabeludo. Ele combina diversas etapas de processamento em três fases sequenciais de classificação:

Identificação de sinais de qualidade muito baixa
Identificação de sinais de qualidade muito alta
Avaliação final da qualidade do sinal

A combinação dessas etapas em um algoritmo sofisticado garante desempenho superior do SQI em comparação com o SCI e o PHOEBE [5]. Mais informações podem ser encontradas neste artigo.

Figura 2: O SQI exibido no OxySoft

Referências

[1] Christoph H. Schmitz, David P. Klemer, Rosemarie Hardin, Michael S. Katz, Yaling Pei, Harry L. Graber, Mikhail B. Levin, Rita D. Levina, Nelson A. Franco, William B. Solomon e Randall L. Barbour. Design and implementation of dynamic near-infrared optical tomographic imaging instrumentation for simultaneous dual-breast measurements. Applied Optics, 44, 2140–2153 (2005).

[2] Pollonini L, Olds C, Abaya H, Bortfeld H, Beauchamp M.S., Oghalai J.S. Auditory cortex activation to natural speech and simulated cochlear implant speech measured with functional near-infrared spectroscopy. Hearing Research, 309:84–93 (2014). doi: 10.1016/j.heares.2013.11.007.

[3] Klein F. Optimizing spatial specificity and signal quality in fNIRS: an overview of potential challenges and possible options for improving the reliability of real-time applications. Frontiers in Neuroergonomics, 5:1286586 (2024). doi: 10.3389/fnrgo.2024.1286586.

[4] Pollonini L, Bortfeld H, Oghalai J.S. PHOEBE: a method for real time mapping of optodes-scalp coupling in functional near-infrared spectroscopy. Biomedical Optics Express, 7(12):5104–5119 (2016). doi: 10.1364/BOE.7.005104.

[5] Sappia M.S., Hakimi N., Colier W.N.J.M., Horschig J.M. Signal quality index: an algorithm for quantitative assessment of functional near infrared spectroscopy signal quality. Biomedical Optics Express, 11(11):6732–6754 (2020). doi: 10.1364/BOE.409317.