Significance: Solutions for group-level analysis of connectivity from fNIRS observations exist, but groupwise explorative analysis with classical solutions is often cumbersome. Manifold-based solutions excel at data exploration, but there are infinite surfaces crossing the observations cloud of points. Aim: We aim to provide a systematic choice of surface for a manifold-based analysis of connectivity at group level with small surface interpolation error. Approach: This research introduces interpolated functional manifold (IFM). IFM builds a manifold from reconstructed changes in concentrations of oxygenated ΔcHbO2 and reduced ΔcHbR hemoglobin species by means of radial basis functions (RBF). We evaluate the root mean square error (RMSE) associated to four families of RBF. We validated our model against psychophysiological interactions (PPI) analysis using the Jaccard index (JI). We demonstrate the usability in an experimental dataset of surgical neuroergonomics. Results: Lowest interpolation RMSE was 1.26e − 4 ± 1.32e − 8 for ΔcHbO2 [A.U.] and 4.30e − 7 ± 2.50e − 13 [A.U.] for ΔcHbR. Agreement with classical group analysis was JI = 0.89 ± 0.01 for ΔcHbO2. Agreement with PPI analysis was JI = 0.83 ± 0.07 for ΔcHbO2 and JI = 0.77 ± 0.06 for ΔcHbR. IFM successfully decoded group differences [ANOVA: ΔcHbO2: F ( 2,117 ) = 3.07; p < 0.05; ΔcHbR: F ( 2,117 ) = 3.35; p < 0.05]. Conclusions: IFM provides a pragmatic solution to the problem of choosing the manifold associated to a cloud of points, facilitating the use of manifold-based solutions for the group analysis of fNIRS datasets.

中文翻译：

---

内插功能流形用于组级别的功能近红外光谱分析

启示：存在从fNIRS观察中进行群体级连通性分析的解决方案，但是采用经典解决方案进行的群体探索性分析通常很麻烦。基于流形的解决方案在数据探索方面表现出色，但是有无限多个表面穿过点的观察云。目的：我们旨在为曲面的系统选择提供一个系统选择，以基于流形的组级别连接性分析，且曲面插值误差小。方法：本研究介绍了插值函数流形（IFM）。IFM通过径向基函数（RBF），根据氧合的ΔcHbO2的浓度变化和还原的ΔcHbR血红蛋白种类的变化建立了一个流形。我们评估与RBF的四个家族相关的均方根误差（RMSE）。我们使用Jaccard指数（JI）针对心理生理互动（PPI）分析验证了我们的模型。我们在外科神经人体工程学的实验数据集中证明了可用性。结果：最低插值RMSE对于ΔcHbO2[AU]为1.26e-4±1.32e-8，对于ΔcHbR为4.30e-7±2.50e-13 [AU]。与经典组分析的一致性为ΔcHbO2的JI = 0.89±0.01。与PPI分析的一致性为ΔcHbO2的JI = 0.83±0.07，而ΔcHbR的JI = 0.77±0.06。IFM成功解码了组差异[ANOVA：ΔcHbO2：F（2,117）= 3.07; p <0.05；ΔcHbR：F（2,117）＝ 3.35； m / z。p ＜0.05]。结论：IFM为选择与点云相关联的流形提供了务实的解决方案，从而促进了基于流形的解决方案在fNIRS数据集的分组分析中的应用。我们在外科神经人体工程学的实验数据集中证明了可用性。结果：最低插值RMSE对于ΔcHbO2[AU]为1.26e-4±1.32e-8，对于ΔcHbR为4.30e-7±2.50e-13 [AU]。与经典组分析的一致性为ΔcHbO2的JI = 0.89±0.01。与PPI分析的一致性为ΔcHbO2的JI = 0.83±0.07，而ΔcHbR的JI = 0.77±0.06。IFM成功解码了组差异[ANOVA：ΔcHbO2：F（2,117）= 3.07; p <0.05；ΔcHbR：F（2,117）＝ 3.35； m / z。p ＜0.05]。结论：IFM为选择与点云相关联的流形提供了务实的解决方案，从而促进了基于流形的解决方案在fNIRS数据集的分组分析中的应用。我们证明了外科神经人体工程学的实验数据集中的可用性。结果：最低插值RMSE对于ΔcHbO2[AU]为1.26e-4±1.32e-8，对于ΔcHbR为4.30e-7±2.50e-13 [AU]。与经典组分析的一致性为ΔcHbO2的JI = 0.89±0.01。与PPI分析的一致性为ΔcHbO2的JI = 0.83±0.07，而ΔcHbR的JI = 0.77±0.06。IFM成功解码了组差异[ANOVA：ΔcHbO2：F（2,117）= 3.07; p <0.05；ΔcHbR：F（2,117）＝ 3.35； m / z。p ＜0.05]。结论：IFM为选择与点云相关联的流形提供了务实的解决方案，从而促进了基于流形的解决方案在fNIRS数据集的分组分析中的应用。ΔcHbO2[AU]为32e-8，ΔcHbR为4.30e-7±2.50e-13 [AU]。与经典组分析的一致性为ΔcHbO2的JI = 0.89±0.01。与PPI分析的一致性是ΔcHbO2的JI = 0.83±0.07，而ΔcHbR的JI = 0.77±0.06。IFM成功解码了组差异[ANOVA：ΔcHbO2：F（2,117）= 3.07; p <0.05；ΔcHbR：F（2,117）＝ 3.35； m / z。p ＜0.05]。结论：IFM为选择与点云相关联的流形提供了务实的解决方案，从而促进了基于流形的解决方案在fNIRS数据集的分组分析中的应用。ΔcHbO2[AU]为32e-8，ΔcHbR为4.30e-7±2.50e-13 [AU]。与经典组分析的一致性为ΔcHbO2的JI = 0.89±0.01。与PPI分析的一致性是ΔcHbO2的JI = 0.83±0.07，而ΔcHbR的JI = 0.77±0.06。IFM成功解码了组差异[ANOVA：ΔcHbO2：F（2,117）= 3.07; p <0.05；ΔcHbR：F（2,117）＝ 3.35； m / z。p ＜0.05]。结论：IFM为选择与点云相关联的流形提供了务实的解决方案，从而促进了基于流形的解决方案在fNIRS数据集的分组分析中的应用。ΔcHbO2：F（2,117）＝ 3.07； m / z。p <0.05；ΔcHbR：F（2,117）＝ 3.35； m / z。p ＜0.05]。结论：IFM为选择与点云相关联的流形提供了务实的解决方案，从而促进了基于流形的解决方案在fNIRS数据集的分组分析中的应用。ΔcHbO2：F（2,117）＝ 3.07； m / z。p <0.05；ΔcHbR：F（2,117）＝ 3.35； m / z。p ＜0.05]。结论：IFM为选择与点云相关联的流形提供了务实的解决方案，从而促进了基于流形的解决方案在fNIRS数据集的分组分析中的应用。