Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

Nieuw raamwerk voor het begrijpen van cross-brain coherentie in functionele nabij-infraroodspectroscopie (fNIRS) hyperscanningstudies

Published: October 6, 2023 doi: 10.3791/65347
Automatic Translation
1, 1, 1, 2, 3, 4, 4
1The Department of Behavioral Sciences and Psychology, Ariel University, 2Braude College of Engineering, 3Department of Psychology and Behavioral Sciences, Zhejiang University, 4Department of Psychology, Florida Atlantic University

Summary

Wavelet transform coherence (WTC) is een veelgebruikte methodologie voor het beoordelen van de koppeling tussen signalen die wordt gebruikt in hyperscanningstudies met functionele nabij-infraroodspectroscopie (fNIRS). In dit werk wordt een toolbox gepresenteerd voor het beoordelen van de directionaliteit van de signaalinteractie.

Abstract

Ondanks het groeiende aantal hyperscanningstudies met functionele nabij-infraroodspectroscopie (fNIRS), lijkt de beoordeling van de koppeling tussen twee neurale signalen met behulp van wavelet-transformatiecoherentie (WTC) de directionaliteit van de interactie te negeren. Het veld mist momenteel een raamwerk dat onderzoekers in staat stelt te bepalen of een hoge coherentiewaarde die wordt verkregen met behulp van een WTC-functie een weerspiegeling is van in-fase synchronisatie (d.w.z. neurale activering wordt tegelijkertijd gezien in beide leden van de dyade), vertraagde synchronisatie (d.w.z. neurale activering wordt gezien in het ene lid van de dyade vóór het andere lid), of antifasesynchronisatie (d.w.z. neurale activering wordt verhoogd in het ene lid van de dyade en verminderd in het andere). Om aan deze behoefte tegemoet te komen, wordt in dit werk een aanvullende en gevoeligere benadering voorgesteld voor het analyseren van de fasecoherentie van twee neurale signalen. De toolbox stelt onderzoekers in staat om de koppelingsrichting te schatten door de fasehoekwaarden die zijn verkregen met behulp van traditionele WTC te classificeren in in-fase synchronisatie, vertraagde synchronisatie en anti-fase synchronisatie. De toolbox stelt onderzoekers ook in staat om te beoordelen hoe de dynamiek van interacties zich ontwikkelt en verandert gedurende de taak. Het gebruik van deze nieuwe WTC-benadering en de toolbox zal ons begrip van complexe sociale interacties vergroten door hun gebruik in fNIRS-hyperscanstudies.

Introduction

In de afgelopen jaren heeft er een verschuiving plaatsgevonden in de soorten onderzoeken die worden uitgevoerd om de neurale basis van sociaal gedrag te begrijpen 1,2. Traditioneel hebben studies in de sociale neurowetenschappen zich gericht op neurale activering in één geïsoleerd brein tijdens een maatschappelijk relevante taak. Vooruitgang in neuroimaging-technologie maakt het nu echter mogelijk om neurale activering in de hersenen van een of meer individuen te onderzoeken tijdens sociale interactie, zoals deze plaatsvindt in "real-life" omgevingen3. In "real-life" omgevingen kunnen individuen zich vrij bewegen en zullen patronen van hersenactiviteit waarschijnlijk veranderen naarmate informatie wordt uitgewisseld en sociale partners feedback van elkaar krijgen4.

Hyperscanning is een methode die deze bidirectionele informatie-uitwisseling beoordeelt door de hersenactiviteit van twee of meer personen tegelijk te meten5. Een opkomend onderzoek heeft gebruik gemaakt van functionele nabij-infraroodspectroscopie (fNIRS), een niet-invasieve neuroimaging-techniek die, in vergelijking met andere neuroimaging-technieken, minder gevoelig is voorbewegingsartefacten 6. Hyperscanning via fNIRS maakt het mogelijk om de synchronisatie tussen de hersenen (PDS) in real-life omgevingen te beoordelen, terwijl de interactieve partners vrij en natuurlijk bewegen. Dit is met name relevant voor het werken met zuigelingen en jonge kinderen, die over het algemeen behoorlijk actief zijn. Van IBS is gemeld dat het wederzijds begrip tussen interactieve partners weerspiegelt, wat dient als basis voor effectieve sociale interactie en communicatie en gedeelde intentionaliteit bemiddelt 1,7,8.

Er worden verschillende methoden gebruikt om de PDS van twee hersenen te evalueren. Dergelijke methoden omvatten tijdreekscorrelaties, zoals kruiscorrelatie en de Pearson-correlatiecoëfficiënt 9,10 (zie een recensie van Scholkmann et al.10). Andere methoden omvatten het evalueren van de sterkte van de koppeling in het frequentiedomein. Dergelijke methoden omvatten fasevergrendelingswaarde (PLV) en fasecoherentie (zie een recensie van Czeszumski et al.11). Een van de meest gebruikte methoden in fNIRS-studies maakt gebruik van wavelet transform coherence (WTC) - een maat voor de kruiscorrelatie van twee tijdreeksen als functie van frequentie en tijd10.

WTC gebruikt correlationele analyses om de coherentie en fasevertraging tussen twee tijdreeksen in het tijd-frequentiedomein te berekenen. FNIRS-hyperscanningstudies hebben WTC gebruikt om IBS te schatten in vele domeinen van functioneren, waaronder actiemonitoring 12, coöperatief en competitief gedrag 5,13,14,15, imitatie 16, probleemoplossing tussen moeder en kind17 en onderwijsleergedrag 18,19,20,21 . Typisch, in hyperscanning-studies, wordt cross-brain coherentie, zoals gemeten door WTC, tijdens een experimentele taak vergeleken met cross-brain coherentie tijdens een controletaak. Deze bevindingen worden meestal gepresenteerd met een WTC "hot plot", die de samenhang tussen de twee hersenen op elk tijdstip en elke frequentie laat zien (zie Figuur 1).

Zoals gesuggereerd door Czesumaski et al.11, is WTC de standaard analytische benadering geworden voor het analyseren van fNIRS-hyperscanning. WTC-analyse is een flexibele, "tool-agnostische" methode voor datavisualisatie en -interpretatie22. De heatmap van de coherentiecoëfficiënt, die een narratieve vorm van analyse biedt die het mogelijk maakt om gemakkelijk perioden van synchroon of asynchroon gedrag te identificeren, evenals de intensiteit van hersenactiviteit tijdens de voltooiing van een taak, is het belangrijkste voordeel van WTC en maakt het een sterk hulpmiddel voor toegepast onderzoek22. WTC heeft een voordeel ten opzichte van correlatietechnieken. Correlaties zijn gevoelig voor de vorm van de hemodynamische responsfunctie (HRF), waarvan wordt aangenomen dat deze verschilt tussen individuen (vooral in termen van leeftijd) en tussen verschillende hersengebieden. WTC daarentegen wordt niet beïnvloed door interregionale veranderingen in de (HRF)23. Onderzoekers hebben de wavelet-benadering gebruikt om fMRI-tijdreeksen te bestuderen. Zhang et al.24 vergeleken de veelgebruikte functionele connectiviteitsmaatstaven, waaronder de Pearson-correlatie, partiële correlatie, wederzijdse informatie en waveletcoherentietransformatie (WTC). Ze voerden classificatie-experimenten uit met behulp van grootschalige functionele connectiviteitspatronen die waren afgeleid van fMRI-gegevens in rusttoestand en fMRI-gegevens met natuurlijke stimulus van videoweergave. Hun bevindingen gaven aan dat WTC het beste presteerde op het gebied van classificatie (specificiteit, gevoeligheid en nauwkeurigheid), wat impliceert dat WTC een geprefereerde functionele connectiviteitsmaatstaf is voor het bestuderen van functionele hersennetwerken, althans in classificatietoepassingen24.

Figure 1
Figuur 1: Wavelet transform coherentie (WTC). WTC toont de coherentie en fasehoek tussen twee tijdreeksen als functie van zowel tijd (x-as) als frequentie (y-as). De coherentietoename wordt weergegeven door de rode kleur in de grafiek en de kleine pijlen in de grafiek tonen de fasehoek van de twee tijdreeksen. De naar rechts wijzende pijl staat voor in-fase synchronisatie; de naar beneden wijzende en naar boven wijzende pijlen vertegenwoordigen vertraagde synchronisatie; en de naar links wijzende pijl staat voor antifasesynchronisatie30. Deze figuur is overgenomen van Pan et al.19. Klik hier om een grotere versie van deze figuur te bekijken.

Onlangs heeft Hamilton25 verschillende beperkingen geformuleerd voor de interpretatie van cross-brain coherentiegegevens in fNIRS-hyperscanningstudies. Een van de belangrijkste zorgen van Hamilton was dat coherentiemetingen (bijv. WTC) alleen effecten rapporteren als symmetrisch (d.w.z. twee hersenen zijn gecorreleerd en vertonen hetzelfde veranderingspatroon). Veel sociale interacties zijn echter asymmetrisch (bijv. informatiestroom tussen een spreker en een luisteraar) in die zin dat twee deelnemers verschillende rollen kunnen spelen, en het is niet duidelijk of WTC deze informatie kan vastleggen. Hier wordt dit probleem aangepakt door een nieuw raamwerk dat een eenvoudige interpretatie van het vermogen van de dwarsgolfbeweging mogelijk maakt door de kruisgolffase te gebruiken om directionaliteit te detecteren. Dit kader maakt het ook mogelijk om te onderzoeken hoe de dynamiek van interacties zich ontwikkelt en verandert tijdens een taak.

Terwijl WTC- en correlatiemethoden functionele connectiviteit beoordelen, beoordelen andere methoden effectieve connectiviteit, in een poging om de causale invloeden van het ene neurale element boven het andere te extraheren. Overdrachtsentropie is een maat uit de informatietheorie die de overdracht tussen gezamenlijk afhankelijke processen beschrijft26. Een andere verwante methode is Granger causaliteitsanalyse (GCA), die is beschreven als equivalent aan overdrachtsentropie26.

In de bestaande literatuur van fNIRS-hyperscanningstudies is Granger-causaliteitsanalyse (GCA) op grote schaal gebruikt om de koppelingsdirectionaliteit te schatten tussen fNIRS-tijdreeksgegevens die zijn verkregen tijdens een verscheidenheid aan verschillende taken, zoals samenwerking5, onderwijs19 en imitatie16. GCA maakt gebruik van vector autoregressieve modellen om de directionaliteit van koppeling tussen tijdreeksen in hersengegevens te beoordelen. De causaliteit van Granger is gebaseerd op voorspelling en voorrang: "van een variabele X wordt gezegd dat deze variabele Y 'G-veroorzaakt' als het verleden van X de informatie bevat die helpt om de toekomst van Y te voorspellen bovenop informatie die al in het verleden van Y ligt"27. Dienovereenkomstig wordt de G-causaliteit in twee richtingen geanalyseerd: 1) van proefpersoon A naar proefpersoon B en 2) van proefpersoon B naar proefpersoon A.

Hoewel GCA-analyse dient als een aanvullende analyse die gericht is op het bepalen of een hoge coherentiewaarde die wordt verkregen met behulp van een WTC-functie IBS of vertraagde synchronisatie weerspiegelt (het ene signaal leidt het andere), maakt het niet mogelijk om te bepalen of antifasesynchronisatie heeft plaatsgevonden. In traditionele neuroimaging-onderzoeken, waarbij slechts één deelnemer wordt gescand (d.w.z. de "single-brain"-benadering), betekent een antifasepatroon dat de activiteit in het ene hersengebied wordt verhoogd terwijl de activiteit in het andere hersengebied wordt verminderd28. In de hyperscanning-literatuur kan de aanwezigheid van antifasesynchronisatie suggereren dat neurale activering bij de ene proefpersoon toeneemt en tegelijkertijd de neurale activering bij de andere proefpersoon afneemt. Daarom is er behoefte aan een uitgebreid model dat de directionaliteit kan detecteren. Meer specifiek zal dit model in staat zijn om antifasesynchronisatie te detecteren (waarbij de richting van activiteit in één individu tegengesteld is aan die van hun partner) naast in-fasesynchronisatie en vertraagde synchronisatie.

In een poging om tegemoet te komen aan de bezorgdheid dat WTC alleen symmetrische effecten vertoont, waarbij beide hersenen hetzelfde patroon van verandering vertonen25, wordt een nieuwe benadering gepresenteerd om het type interactie te identificeren door de fase van synchronisatie (d.w.z. in-fase, vertraagd of anti-fase) te onderzoeken (zie figuur 2). Hiertoe is een toolbox ontwikkeld die gebruik maakt van de WTC-methode om de verschillende soorten interacties te classificeren. De soorten interacties worden geclassificeerd met behulp van relatieve fasegegevens van cross-wavelet-transformatieanalyse.

Figure 2
Figuur 2: Illustratie van de verschillende faserelaties van enkelvoudige sinusgolven. (A) Wanneer de twee signalen, Signaal 1 (blauwe lijn s) en Signaal 2 (oranje lijns), hun respectievelijke maximum-, minimum- en nulwaarden op hetzelfde tijdstip bereiken, wordt gezegd dat ze in-fase synchronisatie32 vertonen. (B) Wanneer het ene signaal zijn maximale waarde bereikt en het andere signaal op hetzelfde tijdstip de nulwaarde bereikt, wordt gezegd dat ze een vertraagde synchronisatie vertonen (één leidt met 90°)32,33,34. (C) Wanneer twee tijdreeksen in tegengestelde richting verschuiven, wat betekent dat het ene signaal het maximum bereikt en het andere de minimumwaarde op hetzelfde tijdstip, wordt dit antifasesynchronisatie28 genoemd. (D-P) In alle andere faserelaties tussen twee tijdreeksen leidt het ene signaal het andere. In alle positieve fasen leidt signaal 2 signaal 1 (bijv. panelen E, F, M en N), terwijl in alle negatieve fasen signaal 1 leidend is voor signaal 2 (bijv. panelen D, G, H, O en P). Met name wanneer de absolute waarde van de fase hoger is, wordt het meer onderscheidend welke tijdreeks de andere leidt (bijv. het leiderschap is meer onderscheidend in panel J dan in panel I, en in panel K is het leiderschap meer onderscheidend dan in panel L). Klik hier om een grotere versie van deze figuur te bekijken.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

De studie werd uitgevoerd aan de Florida Atlantic University (FAU) en werd goedgekeurd door de FAU Institutional Review Board (IRB).

1. Het gebruik van Homer3-software (Table of Materials) om de voorbewerking van de fNIRS-hyperscangegevens uit te voeren

OPMERKING: Homer3 is een MATLAB-applicatie die fNIRS-gegevens analyseert om schattingen en kaarten van hersenactiviteit te verkrijgen29. Homer3 kan worden gedownload en geïnstalleerd via de volgende link (https://openfnirs.org/software/homer/).

  1. Open MATLAB en navigeer naar de map waar de onbewerkte .nirs-bestanden zijn opgeslagen. Selecteer en open de map.
  2. Typ Homer3 in het opdrachtvenster van MATLAB om de Homer3 GUI te starten. Homerus3. zal de .nirs-bestanden detecteren en vragen om te converteren naar .snirf-formaat (een universeel bestandsformaat voor het opslaan en delen van NIRS-gegevens, onafhankelijk van een specifiek toepassingsspecifiek bestandsformaat zoals MATLAB) om door te gaan met de voorbewerking van de gegevens.
  3. Na het importeren van de .nirs-bestanden in .snirf-formaat in Homer3, klikt u op de optie Tools in de Homer3 GUI en selecteert u Edit Processing Stream.
  4. Selecteer in de ProcStreamEdit GUI de voorbewerkingsstappen van de kolom Registerfunctie naar de kolom Huidige verwerkingsstroom door op Toevoegen te klikken. De inbegrepen voorbewerkingsstappen zijn als volgt:
    1. Gebruik hmrR_intensity2OD om de intensiteitsgegevens om te zetten in optische dichtheid.
    2. Gebruik hmrR_MotionCorrectWavelet om bewegingsartefacten te corrigeren met behulp van de juiste filterfunctie.
    3. Gebruik hmrR_OD2conc om de OD-gegevens om te zetten in concentratie.
    4. Gebruik hmR_BlockAvg om het blokgemiddelde op concentratiegegevens te berekenen.
      OPMERKING: De selectie van de voorbewerkingsstappen kan variëren, afhankelijk van het type gegevensset.
  5. Om de huidige verwerkingsstroom op te slaan, klikt u op de optie Opslaan en verlaat u de ProcStreamEdit GUI.
  6. Om de pre-processing stream in de hoofd-Homer3 GUI uit te voeren, klikt u op de optie RUN . Nadat Homer3 klaar is met het uitvoeren van de geselecteerde verwerkingsstroom, worden de voorbewerkte tijdreeksen voor elke deelnemer opgeslagen in een .mat-bestandsindeling met Hbo, HBR en Hbt voor alle kanalen en gebeurtenissen. Een map met de naam homer-uitvoer wordt door Homer3 gemaakt in de momenteel geselecteerde map om deze bestanden op te slaan.
  7. Een map met de naam derivaten zal door Homer3 worden aangemaakt in de geselecteerde map om deze bestanden op te slaan. Selecteer de homer-map in de map derivaten. Kies het .mat-bestand voor elk brein en exporteer Hbo, Hbr, Hbt.
    OPMERKING: De naam van de uitvoermap die door Homer3 is gemaakt, is afhankelijk van de Homer3-versie.

2. Aan de slag met de LeaderFollowerByPhase toolbox

  1. Als u het type interactie wilt analyseren dat optreedt in een hyperscanopname, gebruikt u de LeaderFollowerByPhase-toolbox, zoals beschreven in het proces dat wordt weergegeven in afbeelding 3. Selecteer in MATLAB de .mat-bestanden voor elk brein en laad de Hbo-gegevens (of Hbr) van het specifieke kanaal en de specifieke gebeurtenis in een eendimensionale vector als signaal1 en signaal2.
  2. Definieer in de MATLAB-opdrachtregel de parameters
    1. lowFreq, highFreq: Typ lowFreq = [lage FOI], en highFreq = [hoge FOI]. De standaardwaarden zijn lowFreq = 0.01 Hz, highFreq = 1 Hz.
      OPMERKING: De parameters van de functies lowFreq en highFreq bepalen het frequentiebereik van interesse (FOI). WTC berekent de coherentie tussen de twee hersenen op elk tijdstip en elke frequentie. De coherentiewaarden worden doorgaans gemiddeld binnen een bepaalde FOI.
    2. Definieer de parameter phaseRange; type phaseRange = [bereik in graden].
      OPMERKING: De standaardwaarde is phaseRange = 90°. De fase varieert van 0° tot 360° vanwege het circulaire modulo-karakter van de fase. De fasebereiken zijn verdeeld volgens een bereik dat vier punten omringt. In de gepresenteerde toolbox wordt een nieuwe benadering gepresenteerd voor het classificeren van asymmetrische interacties (Figuur 4) door de koppelingsdirectionaliteit te onderzoeken met behulp van de fasehoekwaarden volgens de bereiken die overeenkomen met vertraagde synchronisatie met Signaal 1 leidend (een bereik rond −90°) of Signaal 2 leidend (een bereik rond 90°), Signaal 1, Signaal 2 in-fase synchronisatie (een bereik rond 0), en Signaal 1, Signaal 2 anti-fasesynchronisatie (een bereik rond +180° of −180°).
    3. Definieer de parameter Drempelwaarde. Type drempel = [drempel rsq val]. De standaardwaarde is Drempel = 0.
      OPMERKING: De toolbox maakt het mogelijk om een drempelcoherentiewaarde te specificeren door de drempelparameter te specificeren. Dit stelt de onderzoeker in staat om tijdstippen te selecteren met een gespecificeerde minimale coherentiewaarde. Bijgevolg worden alleen tijdpunten in aanmerking genomen met coherentiewaarden die hoger zijn dan de gespecificeerde drempelwaarde.
  3. Download de LeaderFollowerByPhase toolbox via de volgende link (https://www.ariel.ac.il/wp/sns/download/ of https://github.com/Minisharmaa/Leader-Follower-By-Phase).
  4. Voer de MATLAB-functie LeaderFollowerByPhase uit door de opdrachtcohervalues = LeaderFollowerByPhase(signal1, signal2, lowFreq, highFreq, phaseRange, threshold) in de opdrachtregel in te voeren.
    OPMERKING: De coherentie- en faseberekeningen worden uitgevoerd met behulp van de WTC- en XWT-functies in MATLAB, respectievelijk30.
  5. Bekijk de synchronisatiewaarden voor infase, signaal 1, signaal 2 vooraan en antifasesynchronisatie:
    1. Inspecteer de percelen in MATLAB. De gereedschapskist genereert één figuur met vier plots.
      1. Samenhang per type interactie: Inspecteer de grafiek in de linkerbovenhoek van de figuur, die de R-kwadraat (Rsq) toont volgens elk type interactie (in-fase, Signaal 1 leidend, Signaal 2 leidend, anti-fase).
        OPMERKING: Zie de volgende link (https://www.mathworks.com/help/matlab/ref/boxchart.html) voor een gedetailleerde beschrijving van de ingebouwde functie van de MATLAB-boxdiagram.
      2. Centrale indices per type interactie: Inspecteer het staafdiagram in de rechterbovenhoek van de uitvoerfiguur, dat het maximale gemiddelde en de mediaan weergeeft volgens elk type interactie (in-fase, signaal 1 leidend, signaal 2 leidend, antifase).
        OPMERKING: Voor een gedetailleerde beschrijving van de ingebouwde functie van de MATLAB-balk, zie de volgende link (https://www.mathworks.com/help/matlab/ref/bar.html).
      3. Coherentie in de tijd: Inspecteer het spreidingsdiagram linksonder in de uitvoerfiguur, waarin de waarden van de samenhang en de soorten interactie in de loop van de tijd worden weergegeven. De gekleurde stippen vertegenwoordigen verschillende soorten interactie (zwarte stippen vertegenwoordigen in-fase synchronisatie, donkergrijze stippen vertegenwoordigen Signaal 1 leidend, lichtgrijze stippen vertegenwoordigen Signaal 2 leidend en paarse stippen vertegenwoordigen anti-fasesynchronisatie).
        OPMERKING: De figuur toont de dynamiek van de interactie: de uitwisseling tussen de vier soorten interactie doorheen de voltijdse reeksen. Voor een gedetailleerde beschrijving van de MATLAB scatter functie, zie de volgende link (https://www.mathworks.com/help/matlab/ref/scatter.html).
      4. Tijdspercentage: Inspecteer het cirkeldiagram rechtsonder in de uitvoerfiguur, waarin de verdeling van de tijd wordt weergegeven op basis van de verschillende soorten interacties.
        OPMERKING: Zie de volgende link (https://www.mathworks.com/help/matlab/ref/pie.html) voor een gedetailleerde beschrijving van de MATLAB-taartfunctie.
  6. Inspecteer de uitvoertabel met de statistische waarden (d.w.z. gemiddelde, max, mediaan en standaarddeviatie) voor elk type interactie (in-fase synchronisatie, signaal 1 leidend, signaal 2 leidend, anti-fase synchronisatie). De tabel geeft ook het percentage van de tijd weer waarvoor elk type interactie heeft plaatsgevonden. Elk type interactie wordt in een andere kolom weergegeven.
  7. Bekijk de uitvoerwaarde in het uitgepakte spreadsheetbestand (d.w.z. gegevenstabel.xlsx dat zich in de huidige map bevindt).

Figure 3
Figuur 3: Overzicht van de workflow. (A) Moeder-kind-dyades die vrij spel speelden terwijl hyperscanning fNIRS-gegevens werden verzameld. (B) Illustratie van een moeder-kind tijdreeks. (C) Voorbewerking van de tijdreeksen met behulp van Homer3. (D,E) Het gebruik van een toolbox om verschillende soorten interacties te onderzoeken, zoals in-fasesynchronisatie, antifasesynchronisatie en vertraagde synchronisatie. Klik hier om een grotere versie van deze figuur te bekijken.

Figure 4
Figuur 4: Classificatie van vier verschillende soorten interacties op basis van fase. Dit vertegenwoordigt het faseverschil van de twee neurale tijdreeksen in een modulo van 360°. Het faseverschil kan worden gezien als een tijdsverschil tussen twee waarden en wordt gemeten in graden en radialen of fracties van de golflengte. Hier is de 360°-modulo verdeeld in vier verschillende bereiken die vier verschillende fasen van interactie weergeven: (A) Signaal 1 leidend (een bereik rond 90°, tussen 45° en 135°), (B) antifasesynchronisatie tussen signaal 1 en signaal 2 (een bereik rond 180° of −180°, tussen 135 en −135°), (C) Signaal 2 leidend (tussen −135° tot −45°), (D) in-fase synchronisatie (een bereik rond 0, tussen −45° en 45°). Deze verdeling is de standaardbenadering (45° rond elk punt); De toolbox maakt het echter mogelijk om een andere divisie te configureren. Hoewel andere configuraties mogelijk niet alle 360° dekken, kan het een nauwkeurigere definitie van elk type interactie opleveren. Klik hier om een grotere versie van deze figuur te bekijken.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

In dit hoofdstuk worden de soorten analyses beschreven die kunnen worden uitgevoerd met de toolbox (die kan worden gedownload op https://www.ariel.ac.il/wp/sns/download/ of https://github.com/Minisharmaa/Leader-Follower-By-Phase.). Voor deze analyses werden fNIRS-gegevens gebruikt die waren verzameld met een kleine steekproef van baby-ouder-dyades. Zes paren moeder-kind-dyades werden getest met behulp van een gevalideerde gedragstaak, de free-play-taak31, die zo dicht mogelijk bij een echte baby-moederinteractie ligt. Voorafgaand aan het experiment werden de baby's en ouders uitgerust met een op maat gemaakte optodeset voor het verzamelen van fNIRS-gegevens. De optodeset die werd gebruikt om de fNIRS-gegevens in deze studie te verzamelen, bestond uit 8 bronnen (rode stippen) en 8 detectoren (blauwe stippen) die waren geconfigureerd om 18 kanalen te creëren die de prefrontale en temporopariëtale regio's bilateraal bestrijken (zie figuur 5). Een NIRScout verwierf de optische beeldvormingsgegevens met behulp van twee golflengten: 760 nm, dat gevoeliger is voor desoxyhemoglobine (HbR), en 850 nm, dat gevoeliger is voor oxyhemoglobine (HbO). Alle ouders waren vrouwen (leeftijdscategorie = 26-36 jaar) en de baby's waren gezond en voldragen (twee vrouwen, vier mannen, leeftijdscategorie = 1-2 jaar) zonder bekende ontwikkelingsachterstanden. Dyades werden gerekruteerd via advertenties. Elke ouder gaf voorafgaand aan het experiment geïnformeerde toestemming en ze werden betaald voor hun deelname. Voor de eenvoud richt de analyse zich op gegevens die zijn verkregen op kanaal 18 van Dyad A.

Figure 5
Figuur 5: Optodeset gebruikt in de voorstudie. De optodeset die werd gebruikt om de fNIRS-gegevens in de voorstudie te verzamelen, bestond uit 8 bronnen (rode stippen) en 8 detectoren (blauwe stippen) die waren geconfigureerd om 18 kanalen (gele lijnen) te creëren die de prefrontale en temporopariëtale regio's bilateraal bestrijken. Klik hier om een grotere versie van deze figuur te bekijken.

De toolbox werd gebruikt om veranderingen te identificeren in de soorten interactie die in de loop van de tijd voor dat kanaal voor een specifieke dyade konden worden geïdentificeerd. De parameters voor de functie waren als volgt: Signaal 1 = kanaal 18 moeder, Signaal 2 = kanaal 18 moeder, lowFreq = 0.0067, highFreq = 0.1142, phaseRange = 90, Threshold = 0.

Figure 6
Figuur 6: Classificatie-analyse bij een drempel van 0. De drempel is ingesteld op 0 (Drempel = 0). (A) Boxplots die de coherentiewaarde weergeven die verband houdt met interacties. Er is er één voor elk type interactie en de mediane en interkwartielafstand (IQR) worden aangegeven. Hogere scores duiden op een grotere mate van samenhang. (B) De centrale indices van de coherentiewaarden van alle soorten interacties. (C) De dynamiek van het type interactie verandert gedurende de taak. (D) Het percentage scores voor elk van de vier soorten interacties. Klik hier om een grotere versie van deze figuur te bekijken.

Ten eerste werd elk tijdstip ingedeeld in een van de vier soorten interactie (in-fase, anti-fase, moeder-leidend of baby-leidend) (Figuur 6). Figuur 6D toont het percentage tijdstippen dat in elk van de vier soorten interacties is ingedeeld. Het is belangrijk op te merken dat hoewel de toolbox de percentages en de coherentiewaarde kan detecteren die zijn gekoppeld aan interacties die worden geleid door een van de deelnemers (Figuur 6A), de unieke bijdrage ervan is dat het ook de percentages (Figuur 6D) en centrale indices van de coherentiewaarden van alle soorten interacties presenteert, inclusief antifasesynchronisatie (Figuur 6B). Ten slotte kan met de toolbox worden onderzocht hoe de dynamiek van het type interactie gedurende de taak verandert (Figuur 6C). Het is belangrijk op te merken dat, net als bij GCA-analyse, de toolbox deze indices voor elke dyade afzonderlijk berekent. Analyse op groepsniveau met behulp van deze indices moet worden uitgevoerd om het type interactie te bepalen.

Om de invloed van het veranderen van deze minimumdrempelwaarden op de classificatie van de soorten interactie binnen een dyade te onderzoeken, werd de classificatieanalyse herhaald met een drempel van 0,5 op dyade A (Figuur 7).

Figure 7
Figuur 7: Classificatieanalyse bij een drempelwaarde van 0,5. De drempel is ingesteld op 0,5 (drempelwaarde = 0,5). (A) Boxplots die de coherentiewaarde weergeven die verband houdt met interacties. Er is er één voor elk type interactie en de mediane en interkwartielafstand (IQR) worden aangegeven. Hogere scores duiden op een grotere mate van samenhang. (B) De centrale indices van de coherentiewaarden van alle soorten interacties. (C) De dynamiek van het type interactie verandert gedurende de taak. (D) Het percentage scores voor elk van de vier soorten interacties. Klik hier om een grotere versie van deze figuur te bekijken.

Zoals te zien is in figuur 7D, veranderde bij het gebruik van deze drempel de verdeling van de verschillende soorten relatieve faserelaties. Het percentage antifasesynchronisatie nam toe (van 35% naar 59%) en het percentage infasesynchronisatie daalde (van 26% naar 3%). Dit suggereert dat antifasesynchronisatie het type interactie kan zijn dat meer representatief is voor deze dyade. Met andere woorden, het definiëren van een drempel maakt het mogelijk om een gevoeligere analyse uit te voeren waarin alleen tijdpunten met een minimale mate van coherentie worden gemiddeld. Het is belangrijk op te merken dat het bepalen van de optimale coherentiewaardedrempel een ingewikkeld proces is, aangezien de optimale drempel kan variëren van het ene experiment tot het andere en van verschillende omgevingen. Hoewel de toolbox de mogelijkheid biedt om een drempelwaarde vast te stellen, zijn er meer studies nodig om een protocol te ontwikkelen voor het identificeren van de optimale coherentiewaarde. Bovendien is het belangrijk om drempel- en frequentiewaarden van rente te selecteren die nog steeds de Rsq-waarden kruisen. De functie met de parameters lowFreq = 0.0067, highFreq = 0.1142, phaseRange = 90 en Threshold = 0.5 vertoonde bijvoorbeeld alleen interacties met Rsq-waarden boven 0.5, maar dezelfde functie met een drempel van 0.7 resulteerde in een fout, omdat er geen waarden boven 0.7 waren binnen het frequentiebereik.

Aanvullend bestand 1: Wavelet transform coherentie (WTC). Het overzicht van wavelettransformatie en cross-wavelettransformatie, die worden gebruikt om de tijd-frequentiekarakteristieken en onderlinge afhankelijkheid van twee tijdreeksen te analyseren. De wavelet-transformatie ontleedt een tijdreeks in tijd-frequentieruimte35, terwijl de cross-wavelet-transformatie de gemeenschappelijke kracht en fase tussen twee tijdreeksen 9,30 onthult. De tekst introduceert ook de samenhang van de wavelettransformatie, die de mate van synchronisatie tussen twee tijdreeksen kwantificeert. De R-kwadraatwaarde die is afgeleid van de coherentie van de wavelettransformatie weerspiegelt de onderlinge afhankelijkheid, maar maakt geen onderscheid tussen positieve en negatieve correlaties36. Positieve en negatieve correlaties worden verondersteld te duiden op onderlinge relaties37,38. Klik hier om dit bestand te downloaden.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Een van de meest gebruikte methoden in fNIRS-studies is wavelet transform coherence (WTC), een maat voor de kruiscorrelatie van twee tijdreeksen als functie van frequentie en tijd10. WTC berekent de coherentie en fasevertraging tussen twee tijdreeksen met behulp van correlationele analyses (Aanvullend Dossier 1). FNIRS-hyperscanningstudies hebben WTC gebruikt om IBS te schatten in vele domeinen van functioneren, waaronder actiemonitoring 12, coöperatief en competitief gedrag 5,13,14,15, imitatie 16, probleemoplossing tussen moeder en kind17 en onderwijsleergedrag 18,19,20,21 . Hyperscanning-studies vergelijken vaak de cross-brain coherentie gemeten met behulp van de wavelet coherence transform (WTC) tijdens een experimentele taak met die van een controletaak. Deze vergelijkingen worden meestal gepresenteerd met behulp van een WTC "hot plot" die de samenhang tussen de twee hersenen op elk tijdstip en elke frequentie weergeeft. Bovendien, zoals te zien is in figuur 1, wordt de informatie over de fasevertraging weergegeven door de richting van kleine pijlen in de "hot plot" van het WTC. Eerdere studies hebben echter nagelaten rekening te houden met de fasevertragingsinformatie die wordt weergegeven door de richting van de kleine pijlen in de WTC "hot plot" en hebben alleen de inter-brain synchronie (PDS) geschat door de coherentie in de WTC-plot te onderzoeken. Deze onoplettendheid kan leiden tot onnauwkeurige of onvolledige bevindingen.

De beperkingen die door Hamilton25 worden besproken met betrekking tot de interpretatie van cross-brain coherentiegegevens in fNIRS-hyperscanningstudies worden aangepakt in het nieuwe raamwerk dat een eenvoudige interpretatie van het cross-wavelet-vermogen mogelijk maakt door de cross-wavelet-fase te gebruiken om directionaliteit te detecteren en omvat ook een coherentieanalysemodule voor het berekenen van de coherentiewaarden door ze rechtstreeks te middelen39. Deze benadering maakt het mogelijk om de ontwikkeling en verandering in interacties tijdens een taak te onderzoeken en biedt een betrouwbare maatstaf voor de samenhang tussen signalen.

Een dergelijke benadering is aangetoond in gedragsstudies van interpersoonlijke synchronisatie, die gebruik hebben gemaakt van de relatieve fasegegevens die kunnen worden geëxtraheerd uit de cross-wavelet-analyse. Sommige studies hebben deze gegevens gebruikt om onderscheid te maken tussen in-fase en anti-fase coherentiewaarden. Deze benadering is bijvoorbeeld gebruikt om de handbewegingen van twee improviserende muzikanten te evalueren40 en om de sociale houdingscoördinatie te onderzoeken41. Sommige studies hebben de verdeling van fasehoeken in bewegingsgegevens onderzocht om de dynamiek van interacties te begrijpen door gebruik te maken van cross-wavelet-coherentie tijdens gestructureerde42 en ongestructureerde43 gesprekken.

De relatieve fase tussen twee tijdreeksen maakt het mogelijk om temporele verschuivingen tussen signalen van dezelfde frequentie te detecteren. Inderdaad, op het gebied van EEG-hyperscanning beoordelen de meeste methoden die gericht zijn op het bepalen van de mate van synchronisatie van neurale tijdreeksen de relatieve faserelatie tussen de twee tijdreeksen13,44.

De cruciale stappen van het gebruik van de LeaderFollowerByPhase-toolbox in fNIRS-hyperscangegevens worden gedemonstreerd in het protocol. Concreet omvat het protocol de pre-bepaling van Signaal 1 en Signaal 2 in MATLAB voordat de toolbox wordt uitgevoerd. Het is opmerkelijk dat de parameters zoals de interessefrequentie (FOI), het fasebereik en de drempel optioneel zijn en standaardwaarden kunnen gebruiken als ze niet zijn ingesteld. Het filteren en detrending van onbewerkte signalen wordt aanbevolen45. Bovendien moet voorzichtigheid worden betracht bij het uitvoeren van banddoorlaatfiltering, omdat dit de selectie van de FOI kan beïnvloeden.

De FOI-parameters (lowFreq, highFreq) vereisen een zorgvuldige selectie, met name met uitsluiting van hoogfrequent en laagfrequent fysiologisch geluid, zoals ademhaling (~0,2-0,3 Hz) en hartpulsatie (0,6-1,2 Hz). Het wordt aanbevolen om de lage en hoge frequenties van belang te nemen tussen 0.01 en 0.7 Hz, respectievelijk46, omdat dit bereik ook hoogfrequente ruis zoals hartslagen (0.8-1 Hz) effectief elimineert.

De phaseRange-parameter definieert een bereik rond de fasehoekwaarden volgens de bereiken die overeenkomen met vertraagde synchronisatie met signaal 1 leidend (een bereik rond −90°) of signaal 2 leidend (een bereik rond 90°), signaal 1, signaal 2 in-fase synchronisatie (een bereik rond 0°) en signaal 1, signaal 2 antifasesynchronisatie (een bereik rond +180° of −180°). De breedte van het omringende bereik rond deze vier punten wordt bepaald door phaseRange Als phaseRange bijvoorbeeld is ingesteld op 90°, dan is het bereik voor in-phase synchronisatie rond 0°, tussen −45° en 45°; het bereik voor signaal 2 (vertraagde synchronisatie) is ongeveer 90°, tussen 45° en 135°, het bereik voor antifasesynchronisatie is ongeveer 180° of −180°, tussen 135° en −135°; en het bereik voor signaal 1 (vertraagde synchronisatie) zal ongeveer 180° zijn, tussen −135° en −45°. De phaseRange-parameter moet tussen 0° en 90° graden liggen, anders wordt het volgende bericht weergegeven: "De waarde van de phaseRange-variabele moet tussen 0 en 90 liggen". Hoewel het bereik elk getal van 0° tot 90° kan zijn, is de minimaal aanbevolen waarde 30° (±15°). De drempelwaarde moet een waarde tussen 0 en 1 zijn, anders wordt het volgende bericht weergegeven: "De waarde van de drempelvariabele moet tussen 0 en 1 liggen". Het wordt aanbevolen om een drempel te kiezen die tussen 0,25 en 0,75 ligt.

Hoewel de LeaderFollowerByPhase-toolbox een veelbelovende aanpak biedt, is deze niet zonder beperkingen. Zoals hierboven vermeld, is het bepalen van de optimale coherentiewaardedrempel een ingewikkeld proces, aangezien de optimale drempel kan variëren van het ene experiment tot het andere en tussen verschillende taken. Het testen van deze toolbox op meer diverse datasets is nodig om nauwkeurigere informatie te verkrijgen over de optimale waarden voor de drempelwaarde.

Het vermogen om complexe menselijke interacties te begrijpen met behulp van fNIRS-hyperscanning is beperkt door het feit dat de huidige benaderingen die worden gebruikt om koppeling tussen twee neurale signalen te detecteren, de directionaliteit van de signalen negeren. Hier wordt een gevoeligere benadering voorgesteld voor het analyseren van de coherentie van twee neurale signalen met behulp van wavelet transform coherence (WTC). De toolbox stelt onderzoekers in staat om de koppelingsrichtingsgevoeligheid te onderzoeken door de fasehoekwaarden te classificeren als in-fasesynchronisatie, vertraagde synchronisatie en antifasesynchronisatie.

Deze nieuwe benadering met behulp van de toolbox zal meer gedetailleerde informatie opleveren over de aard van dyadische interacties, die tot nu toe ontbrak. Bijvoorbeeld, terwijl fasesynchronisatie en antifasesynchronisatie als identiek zijn behandeld (aanvullend bestand 1)36, zullen onderzoekers nu in staat zijn om de mate te identificeren waarin de neurale signalen van de dyade-leden in dezelfde richting bewegen (beide nemen toe of beide afnemen) of tegengestelde richtingen (de ene neemt toe en de andere neemt af). Dit zal een transformerende impact hebben op het begrip van hoe de hersenen sociale processen en gedrag bemiddelen.

Het voorgestelde raamwerk heeft veelbelovend potentieel voor toekomstige toepassingen op het gebied van onderzoek naar interpersoonlijke neurale synchronisatie, omdat het de classificatie van verschillende soorten interacties mogelijk maakt, waaronder in-fasesynchronisatie, vertraagde synchronisatie en antifasesynchronisatie. Door de eerdere bevindingen opnieuw te analyseren met het nieuwe voorgestelde raamwerk, kunnen onderzoekers een beter begrip krijgen van de aard van de synchronisatie tussen de deelnemers. Met name de mogelijkheid om onderscheid te maken tussen in-fase en anti-fase interacties biedt een nieuw niveau van duidelijkheid dat voorheen niet beschikbaar was, wat zou kunnen leiden tot nauwkeurigere interpretaties van de eerdere bevindingen. Deze functionaliteit van het raamwerk kan worden toegepast op een breed scala aan scenario's, waaronder het onderzoeken van de rol van interpersoonlijke neurale synchronisatie in sociaal gedrag, communicatie en besluitvormingsprocessen. Al met al vormt het voorgestelde kader een waardevolle bijdrage aan het veld en biedt het een aanzienlijk potentieel voor toekomstige toepassingen.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

De auteurs verklaren dat het onderzoek is uitgevoerd zonder dat er commerciële of financiële relaties zijn die kunnen worden opgevat als een potentieel belangenconflict.

Acknowledgments

We willen graag de steun erkennen die is verleend door de National Natural Science Foundation of China (nr. 62207025), het Humanities and Social Sciences Research Project van het Ministerie van Onderwijs van China (nr. 22YJC190017) en de Fundamental Research Funds for the Central Universities aan Yafeng Pan.

Materials

Name Company Catalog Number Comments
NIRScout   NIRx Medical Technologies, LLC n.a. 8 sources, 8 detectors
MATLAB The Mathworks, Inc. Matlab 2022a In this protocol, several toolboxes and buit in MATLAB functions were used: HOMER3 toolbox was used to convert Intensity to OD, to remove motion artifacts through its function hmrMotionCorrectWavelet with default parameters and to convert OD to Conc. Wavelet Toolbox was used to compute WTC.

DOWNLOAD MATERIALS LIST

References

  1. Gvirts, H. Z., Perlmutter, R. What guides us to neurally and behaviorally align with anyone specific? A neurobiological model based on fNIRS hyperscanning studies. The Neuroscientist. 26 (2), 108-116 (2019).
  2. Balconi, M., Fronda, G., Vanutelli, M. E. Donate or receive? Social hyperscanning application with fNIRS. Current Psychology. 38 (4), 991-1002 (2019).
  3. Redcay, E., Schilbach, L. Using second-person neuroscience to elucidate the mechanisms of social interaction. Nature Reviews Neuroscience. 20 (8), 495-505 (2019).
  4. Shamay-Tsoory, S. G., Mendelsohn, A. Real-life neuroscience: An ecological approach to brain and behavior research. Perspectives on Psychological Science. 14 (5), 841-859 (2019).
  5. Cui, X., Bryant, D. M., Reiss, A. L. NIRS-based hyperscanning reveals increased interpersonal coherence in superior frontal cortex during cooperation. NeuroImage. 59 (3), 2430-2437 (2012).
  6. Quaresima, V., Ferrari, M. Functional near-infrared spectroscopy (fNIRS) for assessing cerebral cortex function during human behavior in natural/social situations: A concise review. Organizational Research Methods. 22 (1), 46-68 (2016).
  7. Fishburn, F. A., et al. Putting our heads together: interpersonal neural synchronization as a biological mechanism for shared intentionality. Social Cognitive and Affective Neuroscience. 13 (8), 841-849 (2018).
  8. Hasson, U., Ghazanfar, A. A., Galantucci, B., Garrod, S., Keysers, C. Brain-to-brain coupling: A mechanism for creating and sharing a social world. Trends in Cognitive Sciences. 16 (2), 114-121 (2012).
  9. Chang, C., Glover, G. H. Time-frequency dynamics of resting-state brain connectivity measured with fMRI. NeuroImage. 50 (1), 81-98 (2010).
  10. Scholkmann, F., Holper, L., Wolf, U., Wolf, M. A new methodical approach in neuroscience: Assessing inter-personal brain coupling using functional near-infrared imaging (fNIRI) hyperscanning. Frontiers in Human Neuroscience. 7, 813 (2013).
  11. Czeszumski, A., et al. Hyperscanning: A valid method to study neural inter-brain underpinnings of social interaction. Frontiers in Human Neuroscience. 14, 39 (2020).
  12. Dommer, L., Jäger, N., Scholkmann, F., Wolf, M., Holper, L. Between-brain coherence during joint n-back task performance: A two-person functional near-infrared spectroscopy study. Behavioural Brain Research. 234 (2), 212-222 (2012).
  13. Osaka, N., Minamoto, T., Yaoi, K., Azuma, M., Osaka, M. Neural synchronization during cooperated humming: A hyperscanning study using fNIRS. Procedia - Social and Behavioral Sciences. 126, 241-243 (2014).
  14. Wang, C., Zhang, T., Shan, Z., Liu, J., Yuan, D., Li, X. Dynamic interpersonal neural synchronization underlying pain-induced cooperation in females. Human Brain Mapping. 40 (11), 3222-3232 (2019).
  15. Cheng, X., Li, X., Hu, Y. Synchronous brain activity during cooperative exchange depends on gender of partner: A fNIRS-based hyperscanning study. Human Brain Mapping. 36 (6), 2039-2048 (2015).
  16. Holper, L., Scholkmann, F., Wolf, M. Between-brain connectivity during imitation measured by fNIRS. NeuroImage. 63 (1), 212-222 (2012).
  17. Nguyen, T., et al. The effects of interaction quality on neural synchrony during mother-child problem solving. Cortex. 124, 235-249 (2020).
  18. Zheng, L., et al. Enhancement of teaching outcome through neural prediction of the students' knowledge state. Human Brain Mapping. 39 (7), 3046-3057 (2018).
  19. Pan, Y., Novembre, G., Song, B., Li, X., Hu, Y. Interpersonal synchronization of inferior frontal cortices tracks social interactive learning of a song. NeuroImage. 183, 280-290 (2018).
  20. Pan, Y., et al. Instructor-learner brain coupling discriminates between instructional approaches and predicts learning. NeuroImage. 211, 116657 (2020).
  21. Liu, J., et al. Interplay between prior knowledge and communication mode on teaching effectiveness: Interpersonal neural synchronization as a neural marker. NeuroImage. 193, 93-102 (2019).
  22. Léné, P., et al. Wavelet transform coherence: An innovative method to investigate social interaction in NeuroIS. Lecture Notes in Information Systems and Organisation. 32, 147-154 (2020).
  23. Nguyen, T., Hoehl, S., Vrtička, P. A guide to parent-child fNIRS hyperscanning data processing and analysis. Sensors. 21 (12), 4075 (2021).
  24. Zhang, Y., Han, J., Hu, X., Guo, L., Liu, T. Data-driven evaluation of functional connectivity metrics. Proceedings - International Symposium on Biomedical Imaging. , 532-535 (2013).
  25. Hamilton, A. F. deC. Hyperscanning: Beyond the hype. Neuron. 109 (3), 404-407 (2021).
  26. Barnett, L., Barrett, A. B., Granger Seth, A. K. causality and transfer entropy are equivalent for Gaussian variables. Physical Review Letters. 103 (23), 2-5 (2009).
  27. Barnett, L., Seth, A. K. The MVGC multivariate Granger causality toolbox: A new approach to Granger-causal inference. Journal of Neuroscience Methods. 223, 50-68 (2014).
  28. Li, D., Zhou, C. Organization of anti-phase synchronization pattern in neural networks: What are the key factors. Frontiers in Systems Neuroscience. 5, 100 (2011).
  29. Huppert, T. J., Diamond, S. G., Franceschini, M. A., Boas, D. A. HomER: A review of time-series analysis methods for near-infrared spectroscopy of the brain. Applied Optics. 48 (10), D280-D298 (2009).
  30. Grinsted, A., Moore, J. C., Jevrejeva, S. Application of the cross wavelet transform and wavelet coherence to geophysical time series. Nonlinear Processes in Geophysics. 11 (5-6), 561-566 (2004).
  31. Feldman, R. Parent-infant synchrony. Current Directions in Psychological Science. 16 (6), 340-345 (2007).
  32. Fell, J., Axmacher, N. The role of phase synchronization in memory processes. Nature Reviews Neuroscience. 12 (2), 105-118 (2011).
  33. Olcay, B. O., Karaçalı, B. Evaluation of synchronization measures for capturing the lagged synchronization between EEG channels: A cognitive task recognition approach. Computers in Biology and Medicine. 114, 103441 (2019).
  34. Stam, C. J. Nonlinear dynamical analysis of EEG and MEG: Review of an emerging field. Clinical Neurophysiology. 116 (10), 2266-2301 (2005).
  35. Mallat, S. A Wavelet Tour of Signal Processing. , Academic Press. Cambridge, MA. (2009).
  36. Kleinbub, J. R., Ramseyer, F. T. rMEA: An R package to assess nonverbal synchronization in motion energy analysis time-series. 31 (6), 817-830 (2020).
  37. Pan, Y., Novembre, G., Song, B., Zhu, Y., Hu, Y. Dual brain stimulation enhances interpersonal learning through spontaneous movement synchrony. Social Cognitive and Affective Neuroscience. 16 (1-2), 210-221 (2021).
  38. Ramseyer, F., Tschacher, W. Nonverbal synchrony in psychotherapy: Coordinated body movement reflects relationship quality and outcome. Journal of Consulting and Clinical Psychology. 79 (3), 284-295 (2011).
  39. Zhang, X., Noah, J. A., Dravida, S., Hirsch, J. Optimization of wavelet coherence analysis as a measure of neural synchrony during hyperscanning using functional near-infrared spectroscopy. Neurophotonics. 7 (1), 015010 (2020).
  40. Walton, A. E., Richardson, M. J., Langland-Hassan, P., Chemero, A. Improvisation and the self-organization of multiple musical bodies. Frontiers in Psychology. 6, 313 (2015).
  41. Varlet, M., Marin, L., Lagarde, J., Bardy, B. G. Social postural coordination. Journal of Experimental Psychology: Human Perception and Performance. 37 (2), 473-483 (2011).
  42. Hale, J., Ward, J. A., Buccheri, F., Oliver, D., Hamilton, A. F. deC. Are you on my wavelength? Interpersonal coordination in dyadic conversations. Journal of Nonverbal Behavior. 44 (1), 63-83 (2020).
  43. Fujiwara, K., Daibo, I. Evaluating interpersonal synchrony: Wavelet transform toward an unstructured conversation. Frontiers in Psychology. 7, 516 (2016).
  44. Nozawa, T., Sasaki, Y., Sakaki, K., Yokoyama, R., Kawashima, R. Interpersonal frontopolar neural synchronization in group communication: An exploration toward fNIRS hyperscanning of natural interactions. NeuroImage. 133, 484-497 (2016).
  45. Dai, R., et al. Holistic cognitive and neural processes: A fNIRS-hyperscanning study on interpersonal sensorimotor synchronization. Social Cognitive and Affective Neuroscience. 13 (11), 1141-1154 (2018).
  46. Lu, K., Qiao, X., Yun, Q., Hao, N. Educational diversity and group creativity: Evidence from fNIRS hyperscanning. NeuroImage. 243, 118564 (2021).

Tags

Functionele nabij-infraroodspectroscopie FNIRS-hyperscanning Cross-brain coherentie wavelet-transformatiecoherentie koppelingsbeoordeling directionaliteit van interactie in-fasesynchronisatie vertraagde synchronisatie antifasesynchronisatie fasecoherentieanalyse schatting van koppelingsrichting dynamiek van interacties sociale interacties FNIRS-hyperscanningstudies
Nieuw raamwerk voor het begrijpen van cross-brain coherentie in functionele nabij-infraroodspectroscopie (fNIRS) hyperscanningstudies
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Gvirts Provolovski, H. Z., Sharma,… More

Gvirts Provolovski, H. Z., Sharma, M., Gutman, I., Dahan, A., Pan, Y., Stotler, J., Wilcox, T. New Framework for Understanding Cross-Brain Coherence in Functional Near-Infrared Spectroscopy (fNIRS) Hyperscanning Studies. J. Vis. Exp. (200), e65347, doi:10.3791/65347 (2023).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter