Waiting
Login processing...

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

Neuroscience

Nuovo quadro per la comprensione della coerenza cross-brain negli studi di iperscansione della spettroscopia funzionale nel vicino infrarosso (fNIRS)

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

La coerenza della trasformata wavelet (WTC) è una metodologia comune per valutare l'accoppiamento tra i segnali utilizzata negli studi di iperscansione della spettroscopia funzionale nel vicino infrarosso (fNIRS). In questo lavoro viene presentata una serie di strumenti per valutare la direzionalità dell'interazione del segnale.

Abstract

Nonostante il crescente numero di studi di iperscansione della spettroscopia funzionale nel vicino infrarosso (fNIRS), la valutazione dell'accoppiamento tra due segnali neurali utilizzando la coerenza della trasformata wavelet (WTC) sembra ignorare la direzionalità dell'interazione. Il campo è attualmente privo di un quadro che consenta ai ricercatori di determinare se un alto valore di coerenza ottenuto utilizzando una funzione WTC rifletta la sincronizzazione in fase (cioè, l'attivazione neurale è vista in entrambi i membri della diade allo stesso tempo), la sincronizzazione ritardata (cioè, l'attivazione neurale è vista in un membro della diade prima dell'altro membro), o sincronizzazione anti-fase (cioè, l'attivazione neurale è aumentata in un membro della diade e diminuita nell'altro). Per rispondere a questa esigenza, in questo lavoro viene proposto un approccio complementare e più sensibile per l'analisi della coerenza di fase di due segnali neurali. Il toolbox consente ai ricercatori di stimare la direzionalità dell'accoppiamento classificando i valori dell'angolo di fase ottenuti utilizzando il WTC tradizionale in sincronizzazione in fase, sincronizzazione ritardata e sincronizzazione antifase. La cassetta degli attrezzi consente inoltre ai ricercatori di valutare come le dinamiche delle interazioni si sviluppano e cambiano nel corso dell'attività. L'utilizzo di questo nuovo approccio WTC e della cassetta degli attrezzi farà progredire la nostra comprensione delle interazioni sociali complesse attraverso il loro utilizzo negli studi di iperscansione fNIRS.

Introduction

Negli ultimi anni, c'è stato un cambiamento nei tipi di studi condotti per comprendere le basi neurali del comportamento sociale 1,2. Tradizionalmente, gli studi di neuroscienze sociali si sono concentrati sull'attivazione neurale in un cervello isolato durante un compito socialmente rilevante. Tuttavia, i progressi nella tecnologia di neuroimaging consentono ora di esaminare l'attivazione neurale nel cervello di uno o più individui durante l'interazione sociale come avviene in contesti di "vita reale"3. In contesti di "vita reale", gli individui sono in grado di muoversi liberamente ed è probabile che i modelli di attivazione cerebrale cambino man mano che le informazioni vengono scambiate e le parti sociali ricevono feedback l'una dall'altra4.

L'iperscansione è un metodo che valuta questo scambio di informazioni bidirezionale misurando l'attività cerebrale di due o più individui contemporaneamente5. Un corpo emergente di ricerca ha utilizzato la spettroscopia funzionale nel vicino infrarosso (fNIRS), una tecnica di neuroimaging non invasiva che, rispetto ad altre tecniche di neuroimaging, è meno suscettibile agli artefatti da movimento6. L'iperscansione tramite fNIRS consente la valutazione della sincronizzazione intercerebrale (IBS) in contesti di vita reale mentre i partner interattivi si muovono liberamente e naturalmente. Ciò è particolarmente rilevante per il lavoro con neonati e bambini piccoli, che tendono ad essere piuttosto attivi. È stato riportato che l'IBS riflette la comprensione reciproca tra partner interattivi, che funge da base per un'efficace interazione sociale e comunicazione e media l'intenzionalità condivisa 1,7,8.

Diversi metodi vengono utilizzati per valutare l'IBS di due cervelli. Tali metodi includono correlazioni di serie temporali, come la correlazione incrociata e il coefficiente di correlazione di Pearson 9,10 (vedi una revisione di Scholkmann et al.10). Altri metodi prevedono la valutazione della forza dell'accoppiamento nel dominio della frequenza. Tali metodi includono il valore di blocco di fase (PLV) e la coerenza di fase (vedi una revisione di Czeszumski et al.11). Uno dei metodi più comuni negli studi fNIRS utilizza la coerenza della trasformata wavelet (WTC), una misura della correlazione incrociata di due serie temporali in funzione della frequenza e del tempo10.

Il WTC utilizza le analisi correlazionali per calcolare la coerenza e il ritardo di fase tra due serie temporali nel dominio tempo-frequenza. Gli studi di iperscansione FNIRS hanno utilizzato il WTC per stimare l'IBS in molti domini di funzionamento, tra cui il monitoraggio dell'azione 12, il comportamento cooperativo e competitivo 5,13,14,15, l'imitazione 16, la risoluzione dei problemi madre-bambino 17 e il comportamento di insegnamento-apprendimento 18,19,20,21. Tipicamente, negli studi di iperscansione, la coerenza cross-encefalica, misurata da WTC, durante un compito sperimentale viene confrontata con la coerenza cross-brain durante un compito di controllo. Questi risultati sono di solito presentati con un "hot plot" del WTC, che mostra la coerenza tra i due cervelli in ogni punto temporale e frequenza (vedi Figura 1).

Come suggerito da Czesumaski et al.11, il WTC è diventato l'approccio analitico standard per l'analisi dell'iperscansione fNIRS. L'analisi WTC è un metodo flessibile e "tool-agnostic" per la visualizzazione e l'interpretazione dei dati22. La mappa termica del coefficiente di coerenza, che fornisce una forma narrativa di analisi che consente di identificare facilmente i periodi di comportamento sincrono o asincrono, nonché l'intensità dell'attività cerebrale durante il completamento di un compito, è il principale vantaggio del WTC e lo rende un forte strumento per la ricerca applicata22. Il WTC ha un vantaggio rispetto alle tecniche di correlazione. Le correlazioni sono sensibili alla forma della funzione di risposta emodinamica (HRF), che si ritiene differisca tra gli individui (in particolare in termini di età) e tra le diverse aree cerebrali. Al contrario, il WTC non è influenzato dai cambiamenti interregionali nell'(HRF)23. I ricercatori hanno utilizzato l'approccio wavelet per studiare le serie temporali fMRI. Zhang et al.24 hanno confrontato le metriche di connettività funzionale comunemente utilizzate, tra cui la correlazione di Pearson, la correlazione parziale, l'informazione reciproca e la trasformazione della coerenza wavelet (WTC). Hanno condotto esperimenti di classificazione utilizzando modelli di connettività funzionale su larga scala derivati dai dati fMRI in stato di riposo e dai dati fMRI a stimolo naturale della visualizzazione video. I loro risultati hanno indicato che il WTC ha ottenuto i risultati migliori nella classificazione (specificità, sensibilità e accuratezza), il che implica che il WTC è una metrica di connettività funzionale preferibile per lo studio delle reti cerebrali funzionali, almenonelle applicazioni di classificazione.

Figure 1
Figura 1: Coerenza della trasformata wavelet (WTC). WTC mostra la coerenza e l'angolo di fase tra due serie temporali in funzione sia del tempo (asse x) che della frequenza (asse y). L'aumento della coerenza è rappresentato dal colore rosso nel grafico e le piccole frecce nel grafico mostrano l'angolo di fase delle due serie temporali. La freccia rivolta verso destra rappresenta la sincronizzazione in fase; Le frecce rivolte verso il basso e verso l'alto rappresentano la sincronizzazione ritardata; e la freccia rivolta a sinistra rappresenta la sincronizzazione antifase30. Questa figura è stata adattata da Pan et al.19. Fare clic qui per visualizzare una versione più grande di questa figura.

Recentemente, Hamilton25 ha articolato diverse limitazioni all'interpretazione dei dati di coerenza cross-brain negli studi di iperscansione fNIRS. Una delle principali preoccupazioni di Hamilton era che le misure di coerenza (ad esempio, il WTC) riportassero solo effetti simmetrici (cioè, due cervelli sono correlati, mostrando lo stesso modello di cambiamento). Tuttavia, molte interazioni sociali sono asimmetriche (ad esempio, il flusso di informazioni tra un oratore e un ascoltatore) in quanto due partecipanti possono svolgere ruoli diversi, e non è chiaro se il WTC possa catturare queste informazioni. In questo caso, questa preoccupazione viene affrontata da un nuovo framework che consente un'interpretazione diretta della potenza cross-wavelet utilizzando la fase cross-wavelet per rilevare la direzionalità. Questo quadro consentirà anche di esaminare come le dinamiche delle interazioni si sviluppano e cambiano nel corso di un compito.

Mentre il WTC e i metodi di correlazione valutano la connettività funzionale, altri metodi valutano la connettività effettiva, tentando di estrarre le influenze causali di un elemento neurale rispetto a un altro. L'entropia di trasferimento è una misura del campo della teoria dell'informazione che descrive il trasferimento tra processi dipendenti congiuntamente26. Un altro metodo correlato è l'analisi di causalità di Granger (GCA), che è stata descritta come equivalente all'entropiadi trasferimento 26.

Nella letteratura esistente sugli studi di iperscansione fNIRS, l'analisi di causalità di Granger (GCA) è stata ampiamente utilizzata per stimare la direzionalità di accoppiamento tra i dati delle serie temporali fNIRS ottenuti durante una varietà di compiti diversi, come la cooperazione5, l'insegnamento19 e l'imitazione16. GCA impiega modelli vettoriali autoregressivi per valutare la direzionalità dell'accoppiamento tra serie temporali nei dati cerebrali. La causalità di Granger si basa sulla predizione e sulla precedenza: "si dice che una variabile X 'causa G' della variabile Y se il passato di X contiene l'informazione che aiuta a predire il futuro di Y al di là dell'informazione già presente nel passato di Y"27. Di conseguenza, la causalità G viene analizzata in due direzioni: 1) dal soggetto A al soggetto B e 2) dal soggetto B al soggetto A.

Mentre l'analisi GCA serve come analisi complementare volta a determinare se un alto valore di coerenza ottenuto utilizzando una funzione WTC riflette IBS o sincronizzazione ritardata (un segnale che conduce l'altro), non consente di determinare se si è verificata una sincronizzazione antifase. Negli studi di neuroimaging tradizionali, in cui viene scansionato un solo partecipante (cioè l'approccio "single-brain"), un pattern anti-fase significa che l'attività in una regione del cervello è aumentata mentre l'attività nell'altra regione del cervello è diminuita28. Nella letteratura sull'iperscansione, la presenza di sincronizzazione anti-fase può suggerire che l'attivazione neurale è aumentata in un soggetto e, allo stesso tempo, l'attivazione neurale è diminuita per l'altro soggetto. Pertanto, è necessario fornire un modello completo in grado di rilevare la direzionalità. Più specificamente, questo modello sarà in grado di rilevare la sincronizzazione antifase (in cui la direzione dell'attività in un individuo è opposta a quella del partner) oltre alla sincronizzazione in fase e alla sincronizzazione ritardata.

Nel tentativo di affrontare la preoccupazione che il WTC mostri solo effetti simmetrici, in cui entrambi i cervelli mostrano lo stesso modello di cambiamento25, viene presentato un nuovo approccio per identificare il tipo di interazione esaminando la fase di sincronizzazione (cioè in fase, ritardata o antifase) (vedi Figura 2). A tal fine, è stata sviluppata una cassetta degli attrezzi che utilizza il metodo WTC per classificare i diversi tipi di interazioni. I tipi di interazioni vengono classificati utilizzando i dati di fase relativa provenienti dall'analisi della trasformata cross-wavelet.

Figure 2
Figura 2: Illustrazione delle diverse relazioni di fase di onde sinusoidali semplici. (A) Quando i due segnali, il segnale 1 (linea blu s) e il segnale 2 (linea aranciones), raggiungono i rispettivi valori massimo, minimo e zero nello stesso punto temporale, si dice che mostrano la sincronizzazione in fase32. (B) Quando un segnale raggiunge il suo valore massimo e l'altro segnale raggiunge il valore zero nello stesso punto temporale, si dice che mostrano una sincronizzazione ritardata (uno è in vantaggio di 90°)32,33,34. (C) Quando due serie temporali si spostano in direzioni opposte, il che significa che un segnale raggiunge il massimo e l'altro raggiunge il valore minimo nello stesso punto temporale, si parla di sincronizzazione antifase28. (D-P) In tutte le altre relazioni di fase tra due serie temporali, un segnale precede l'altro. In tutte le fasi positive, il segnale 2 è il segnale 1 (ad esempio, i pannelli E, F, M e N), mentre in tutte le fasi negative, il segnale 1 è il segnale 2 (ad esempio, i pannelli D, G, H, O e P). In particolare, quando il valore assoluto della fase è più alto, diventa più distintivo quale serie temporale sta guidando l'altra (ad esempio, la leadership è più distintiva nel pannello J che nel pannello I, e nel pannello K, la leadership è più distintiva che nel pannello L). Fare clic qui per visualizzare una versione più grande di questa figura.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Lo studio è stato condotto presso la Florida Atlantic University (FAU) ed è stato approvato dal FAU Institutional Review Board (IRB).

1. Utilizzo del software Homer3 (Table of Materials) per eseguire la pre-elaborazione dei dati di iperscansione fNIRS

NOTA: Homer3 è un'applicazione MATLAB che analizza i dati fNIRS per ottenere stime e mappe dell'attivazione cerebrale29. Homer3 può essere scaricato e installato dal seguente link (https://openfnirs.org/software/homer/).

  1. Apri MATLAB e vai alla cartella in cui sono salvati i file .nirs non elaborati. Seleziona e apri la cartella.
  2. Digita Homer3 nella finestra di comando di MATLAB per avviare la GUI di Homer3 . Omero3. rileverà i file .nirs e chiederà di convertirli in formato .snirf (un formato di file universale per l'archiviazione e la condivisione dei dati NIRS indipendentemente da qualsiasi formato di file specifico dell'applicazione come MATLAB) per procedere con la pre-elaborazione dei dati.
  3. Dopo aver importato i file .nirs in formato .snirf in Homer3, fare clic sull'opzione Strumenti nella GUI di Homer3 e selezionare Modifica flusso di elaborazione.
  4. Nella GUI di ProcStreamEdit , selezionare i passaggi di pre-elaborazione dalla colonna Funzione del Registro di sistema alla colonna Flusso di elaborazione corrente facendo clic su Aggiungi. Le fasi di pre-elaborazione incluse sono le seguenti:
    1. Utilizzare hmrR_intensity2OD per convertire i dati di intensità in densità ottica.
    2. Utilizzare hmrR_MotionCorrectWavelet per correggere gli artefatti da movimento utilizzando la funzione di filtro appropriata.
    3. Utilizzare hmrR_OD2conc per convertire i dati OD in concentrazione.
    4. Utilizzare hmR_BlockAvg per calcolare la media dei blocchi sui dati di concentrazione.
      NOTA: la selezione delle fasi di pre-elaborazione può variare a seconda del tipo di set di dati.
  5. Per salvare il flusso di elaborazione corrente, fare clic sull'opzione Salva , quindi uscire dalla GUI di ProcStreamEdit.
  6. Per eseguire il flusso di pre-elaborazione nella GUI principale di Homer3, fare clic sull'opzione RUN . Al termine dell'esecuzione del flusso di elaborazione selezionato, Homer3 salverà le serie temporali pre-elaborate per ciascun partecipante in un formato di file .mat contenente Hbo, Hbr e Hbt per tutti i canali e gli eventi. Una cartella denominata homer output verrà creata da Homer3 nella cartella attualmente selezionata per memorizzare questi file.
  7. Una cartella denominata derivati verrà creata da Homer3 nella cartella selezionata per memorizzare questi file. Selezionare la cartella homer che si trova nella cartella dei derivati. Scegli il file .mat per ogni cervello ed esporta Hbo, Hbr, Hbt.
    NOTA: Il nome della cartella di output creata da Homer3 dipende dalla versione di Homer3.

2. Guida introduttiva alla casella degli strumenti LeaderFollowerByPhase

  1. Per analizzare il tipo di interazione che si verifica in una registrazione di iperscansione, utilizzare la casella degli strumenti LeaderFollowerByPhase, come descritto nel processo illustrato nella Figura 3. In MATLAB, seleziona i file .mat per ogni cervello e carica i dati Hbo (o Hbr) del canale specifico e dell'evento specifico in un vettore unidimensionale come signal1 e signal2.
  2. Nella riga di comando di MATLAB, definire i parametri
    1. a bassa frequenza, ad alta frequenza: Digitare lowFreq = [FOI basso] e highFreq = [FOI alto]. I valori predefiniti sono lowFreq = 0.01 Hz, highFreq = 1 Hz.
      NOTA: I parametri delle funzioni lowFreq e highFreq definiscono l'intervallo di frequenza di interesse (FOI). Il WTC calcola la coerenza tra i due cervelli in ogni punto temporale e frequenza. I valori di coerenza sono in genere mediati all'interno di un particolare FOI.
    2. Definire il parametro phaseRange; digitare phaseRange = [intervallo in gradi].
      NOTA: Il valore predefinito è phaseRange = 90°. La fase varia da 0° a 360° a causa della natura circolare del modulo della fase. Gli intervalli di fase sono divisi in base a un intervallo che circonda quattro punti. Nel toolbox presentato, viene presentato un nuovo approccio per classificare le interazioni asimmetriche (Figura 4) esaminando la direzionalità dell'accoppiamento utilizzando i valori dell'angolo di fase in base agli intervalli corrispondenti alla sincronizzazione ritardata con il segnale 1 iniziale (un intervallo che circonda −90°) o il segnale 2 iniziale (un intervallo che circonda 90°), il segnale 1, la sincronizzazione in fase del segnale 2 (un intervallo che circonda 0), e Segnale 1, Segnale 2 sincronizzazione antifase (un intervallo compreso tra +180° o −180°).
    3. Definire il parametro Soglia. Tipo soglia = [soglia rsq val]. Il valore predefinito è Soglia = 0.
      NOTA: La casella degli strumenti consente di specificare un valore di coerenza di soglia specificando il parametro di soglia. Ciò consente al ricercatore di selezionare i punti temporali con un valore minimo di coerenza specificato. Di conseguenza, vengono presi in considerazione solo i punti temporali con valori di coerenza superiori alla soglia specificata.
  3. Scaricare la casella degli strumenti LeaderFollowerByPhase dal seguente collegamento (https://www.ariel.ac.il/wp/sns/download/ o https://github.com/Minisharmaa/Leader-Follower-By-Phase).
  4. Esegui la funzione MATLAB LeaderFollowerByPhase inserendo il comando cohervalues = LeaderFollowerByPhase(signal1, signal2, lowFreq, highFreq, phaseRange, threshold) nella riga di comando.
    NOTA: I calcoli di coerenza e fase vengono eseguiti utilizzando le funzioni WTC e XWT in MATLAB, rispettivamente30.
  5. Esaminare i valori di sincronizzazione in fase, Segnale 1, Segnale 2 in anticipo e antifase:
    1. Ispeziona i grafici in MATLAB. La casella degli strumenti genera una figura con quattro grafici.
      1. Coerenza per tipo di interazione: Ispezionare il grafico a scatola nella parte in alto a sinistra della figura, che mostra l'R-quadrato (Rsq) in base a ciascun tipo di interazione (in fase, Segnale 1 principale, Segnale 2 principale, antifase).
        NOTA: Per una descrizione dettagliata della funzione integrata di MATLAB Box Chart, vedere il seguente link (https://www.mathworks.com/help/matlab/ref/boxchart.html).
      2. Indici centrali per tipo di interazione: esamina il grafico a barre nella parte in alto a destra della figura di output, che mostra la media massima e la mediana in base a ciascun tipo di interazione (in fase, Segnale 1 principale, Segnale 2 in anticipo, antifase).
        NOTA: Per una descrizione dettagliata della funzione integrata della barra MATLAB, vedere il seguente link (https://www.mathworks.com/help/matlab/ref/bar.html).
      3. Coerenza nel tempo: ispeziona il grafico a dispersione nella parte in basso a sinistra della figura di output, che visualizza i valori di coerenza e i tipi di interazione nel tempo. I punti colorati rappresentano diversi tipi di interazione (i punti neri rappresentano la sincronizzazione in fase, i punti grigio scuro rappresentano il segnale 1 iniziale, i punti grigio chiaro rappresentano il segnale 2 iniziale e i punti viola rappresentano la sincronizzazione antifase).
        NOTA: La figura mostra la dinamica dell'interazione: lo scambio tra i quattro tipi di interazione durante la serie a tempo pieno. Per una descrizione dettagliata della funzione di dispersione di MATLAB, vedere il seguente link (https://www.mathworks.com/help/matlab/ref/scatter.html).
      4. Percentuale di tempo: ispeziona il grafico a torta nella parte in basso a destra della figura di output, che mostra la divisione del tempo in base ai diversi tipi di interazioni.
        NOTA: Per una descrizione dettagliata della funzione torta MATLAB, vedere il seguente link (https://www.mathworks.com/help/matlab/ref/pie.html).
  6. Ispezionare la tabella di output con i valori statistici (ad esempio, media, max, mediana e deviazione standard) per ogni tipo di interazione (sincronizzazione in fase, Segnale 1 in anticipo, Segnale 2 in anticipo, sincronizzazione antifase). La tabella presenta anche la percentuale di tempo durante la quale si è verificato ogni tipo di interazione. Ogni tipo di interazione viene visualizzato in una colonna diversa.
  7. Esaminare il valore di output nel file del foglio di calcolo estratto (ad esempio, datatable.xlsx che si trova nella cartella corrente).

Figure 3
Figura 3: Panoramica del flusso di lavoro. (A) Sono state raccolte diadi madre-figlio impegnate nel gioco libero durante l'iperscansione dei dati fNIRS. (B) Illustrazione di una serie temporale madre-figlio. (C) Pre-elaborazione delle serie temporali utilizzando Homer3. (D,E) Utilizzo di una casella degli strumenti per esaminare diversi tipi di interazioni, ad esempio la sincronizzazione in fase, la sincronizzazione antifase e la sincronizzazione ritardata. Fare clic qui per visualizzare una versione più grande di questa figura.

Figure 4
Figura 4: Classificazione di quattro diversi tipi di interazioni in base alla fase. Questo rappresenta la differenza di fase delle due serie temporali neurali in un modulo a 360°. La differenza di fase può essere considerata come un ritardo temporale tra due valori e viene misurata in gradi e radianti o frazioni della lunghezza d'onda. In questo caso, il modulo a 360° è suddiviso in quattro diversi intervalli che raffigurano quattro diverse fasi di interazione: (A) Segnale 1 principale (un intervallo intorno a 90°, tra 45° e 135°), (B) sincronizzazione antifase tra il Segnale 1 e il Segnale 2 (un intervallo intorno a 180° o −180°, tra 135 e −135°), (C) Segnale 2 principale (tra −135° e −45°), (D) sincronizzazione in fase (un intervallo intorno a 0, compreso tra −45° e 45°). Questa divisione è l'approccio predefinito (45° attorno a ciascun punto); Tuttavia, il toolbox consente di configurare una divisione diversa. Mentre altre configurazioni potrebbero non coprire tutti i 360°, potrebbero fornire una definizione più esatta di ogni tipo di interazione. Fare clic qui per visualizzare una versione più grande di questa figura.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

In questa sezione vengono illustrati i tipi di analisi che possono essere effettuate con il toolbox (che può essere scaricato all'https://www.ariel.ac.il/wp/sns/download/ o https://github.com/Minisharmaa/Leader-Follower-By-Phase.). Per queste analisi, sono stati utilizzati i dati fNIRS raccolti con un piccolo campione di diadi bambino-genitore. Sei coppie di diadi madre-bambino sono state testate utilizzando un compito comportamentale convalidato, il compito di gioco libero31, che è il più vicino possibile a un'interazione bambino-madre nella vita reale. Prima dell'esperimento, i neonati e i genitori sono stati dotati di un set di optodi su misura per la raccolta dei dati fNIRS. Il set di optodi utilizzato per raccogliere i dati fNIRS in questo studio comprendeva 8 sorgenti (punti rossi) e 8 rivelatori (punti blu) che sono stati configurati per creare 18 canali che coprono bilateralmente le regioni prefrontale e temporoparietale (vedi Figura 5). Un NIRScout ha acquisito i dati di imaging ottico utilizzando due lunghezze d'onda: 760 nm, che è più sensibile alla deossiemoglobina (HbR), e 850 nm, che è più sensibile all'ossiemoglobina (HbO). Tutti i genitori erano femmine (fascia di età = 26-36 anni) e i neonati erano sani e a termine (due femmine, quattro maschi, fascia di età = 1-2 anni) senza ritardi di sviluppo noti. Le diadi sono state reclutate attraverso annunci pubblicitari. Ogni genitore ha dato il consenso informato prima dell'esperimento e sono stati pagati per la loro partecipazione. Per semplicità, l'analisi si concentra sui dati ottenuti al canale 18 della Diade A.

Figure 5
Figura 5: Set di optodi utilizzato nello studio preliminare. Il set di optodi utilizzato per raccogliere i dati fNIRS nello studio preliminare consisteva in 8 sorgenti (punti rossi) e 8 rivelatori (punti blu) che sono stati configurati per creare 18 canali (linee gialle) che coprono bilateralmente le regioni prefrontali e temporoparietali. Fare clic qui per visualizzare una versione più grande di questa figura.

Il toolbox è stato utilizzato per identificare i cambiamenti nei tipi di interazione che potrebbero essere identificati nel tempo per quel canale per una diade specifica. I parametri per la funzione erano i seguenti: Segnale 1 = canale 18 madre, Segnale 2 = canale 18 madre, lowFreq = 0.0067, highFreq = 0.1142, phaseRange = 90, Soglia = 0.

Figure 6
Figura 6: Analisi di classificazione a una soglia pari a 0. La soglia è impostata su 0 (Soglia = 0). (A) Box plot che rappresentano il valore di coerenza associato alle interazioni. Ce n'è uno per ogni tipo di interazione e sono indicati l'intervallo mediano e interquartile (IQR). Punteggi più alti indicano un maggiore livello di coerenza. (B) Gli indici centrali dei valori di coerenza di tutti i tipi di interazioni. (C) Le dinamiche del tipo di interazione cambiano nel corso del compito. (D) La percentuale di punteggi per ciascuno dei quattro tipi di interazioni. Fare clic qui per visualizzare una versione più grande di questa figura.

In primo luogo, ogni punto temporale è stato classificato in uno dei quattro tipi di interazione (in fase, antifase, madre-conduzione o neonato) (Figura 6). La Figura 6D mostra la percentuale di punti temporali classificati in ciascuno dei quattro tipi di interazioni. È importante notare che, mentre il toolbox è in grado di rilevare le percentuali e il valore di coerenza associati alle interazioni guidate da uno dei partecipanti (Figura 6A), il suo contributo unico è che presenta anche le percentuali (Figura 6D) e gli indici centrali dei valori di coerenza di tutti i tipi di interazioni, inclusa la sincronizzazione antifase (Figura 6B). Infine, il toolbox consente di esaminare come cambiano le dinamiche del tipo di interazione durante l'attività (Figura 6C). È importante notare che, analogamente all'analisi GCA, il toolbox calcola questi indici per ogni diade separatamente. L'analisi a livello di gruppo che utilizza questi indici dovrebbe essere condotta per determinare il tipo di interazione.

Qui, per esplorare l'influenza della modifica di questi valori minimi di soglia sulla classificazione dei tipi di interazione all'interno di una diade, l'analisi di classificazione è stata ripetuta con una soglia di 0,5 sulla diade A (Figura 7).

Figure 7
Figura 7: Analisi di classificazione a una soglia di 0,5. La soglia è impostata su 0,5 (Soglia = 0,5). (A) Box plot che rappresentano il valore di coerenza associato alle interazioni. Ce n'è uno per ogni tipo di interazione e sono indicati l'intervallo mediano e interquartile (IQR). Punteggi più alti indicano un maggiore livello di coerenza. (B) Gli indici centrali dei valori di coerenza di tutti i tipi di interazioni. (C) Le dinamiche del tipo di interazione cambiano nel corso del compito. (D) La percentuale di punteggi per ciascuno dei quattro tipi di interazioni. Fare clic qui per visualizzare una versione più grande di questa figura.

Come mostrato nella Figura 7D, quando si utilizza questa soglia, la distribuzione dei diversi tipi di relazioni di fase relativa cambia. La percentuale di sincronizzazione antifase è aumentata (dal 35% al 59%) e la percentuale di sincronizzazione in fase è diminuita (dal 26% al 3%). Ciò suggerisce che la sincronizzazione antifase potrebbe essere il tipo di interazione più rappresentativo di questa diade. In altre parole, la definizione di una soglia consente di condurre un'analisi più sensibile in cui vengono mediati solo i punti temporali con un livello minimo di coerenza. È importante notare che la determinazione della soglia del valore di coerenza ottimale è un processo complicato, poiché la soglia ottimale può variare da un esperimento all'altro e in ambienti diversi. Sebbene il toolbox offra la possibilità di fissare una soglia, sono necessari ulteriori studi per sviluppare un protocollo per identificare il valore di coerenza ottimale. Inoltre, è importante selezionare i valori di soglia e frequenza di interesse che ancora si intersecano con i valori Rsq. Ad esempio, la funzione con i parametri lowFreq = 0.0067, highFreq = 0.1142, phaseRange = 90 e Threshold = 0.5 mostrava interazioni con valori Rsq solo superiori a 0.5, ma la stessa funzione con una soglia di 0.7 generava un errore, in quanto non c'erano valori superiori a 0.7 all'interno dell'intervallo di frequenza.

File supplementare 1: Coerenza della trasformata wavelet (WTC). La panoramica della trasformata wavelet e della trasformata cross-wavelet, che vengono utilizzate per analizzare le caratteristiche tempo-frequenza e l'interdipendenza di due serie temporali. La trasformata wavelet scompone una serie temporale nello spazio tempo-frequenza35, mentre la trasformata cross-wavelet rivela la potenza e la fase comuni tra due serie temporali 9,30. Il testo introduce anche la coerenza della trasformata wavelet, che quantifica il grado di sincronizzazione tra due serie temporali. Il valore R-quadrato derivato dalla coerenza della trasformata wavelet riflette l'interdipendenza, ma non distingue tra correlazioni positive e negative36. Si presume che le correlazioni positive e negative indichino interrelazioni37,38. Fare clic qui per scaricare il file.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Uno dei metodi più comuni utilizzati negli studi fNIRS è la coerenza della trasformata wavelet (WTC), che è una misura della correlazione incrociata di due serie temporali in funzione della frequenza e del tempo10. Il WTC calcola la coerenza e il ritardo di fase tra due serie temporali utilizzando analisi correlazionali (Supplementary File 1). Gli studi di iperscansione FNIRS hanno utilizzato il WTC per stimare l'IBS in molti domini di funzionamento, tra cui il monitoraggio dell'azione 12, il comportamento cooperativo e competitivo 5,13,14,15, l'imitazione 16, la risoluzione dei problemi madre-bambino 17 e il comportamento di insegnamento-apprendimento 18,19,20,21. Gli studi di iperscansione spesso confrontano la coerenza cross-brain misurata utilizzando la trasformata di coerenza wavelet (WTC) durante un compito sperimentale con quella di un compito di controllo. Questi confronti sono tipicamente presentati utilizzando un "grafico caldo" del WTC che mostra la coerenza tra i due cervelli in ogni punto temporale e frequenza. Inoltre, come si vede nella Figura 1, l'informazione sul ritardo di fase è mostrata dalla direzione di piccole frecce nel "grafico caldo" del WTC. Tuttavia, studi precedenti hanno trascurato di prendere in considerazione le informazioni sullo sfasamento rappresentato dalla direzione delle piccole frecce nel "grafico caldo" del WTC e hanno solo stimato la sincronia intercerebrale (IBS) esaminando la coerenza nel grafico del WTC. Questa svista può portare a risultati imprecisi o incompleti.

I limiti discussi da Hamilton25 per quanto riguarda l'interpretazione dei dati di coerenza cross-brain negli studi di iperscansione fNIRS sono affrontati nel nuovo quadro che consente una semplice interpretazione della potenza cross-wavelet utilizzando la fase cross-wavelet per rilevare la direzionalità e include anche un modulo di analisi della coerenza per calcolare i valori di coerenza mediandoli direttamente39. Questo approccio consente di esaminare lo sviluppo e il cambiamento delle interazioni nel corso di un'attività e fornisce una misura affidabile della coerenza tra i segnali.

Tale approccio è stato dimostrato in studi comportamentali di sincronizzazione interpersonale, che hanno utilizzato i dati di fase relativa che possono essere estratti dall'analisi cross-wavelet. Alcuni studi hanno utilizzato questi dati per distinguere tra valori di coerenza in fase e antifase. Ad esempio, questo approccio è stato utilizzato per valutare i movimenti delle mani di due musicisti improvvisatori40 e per esaminare la coordinazione posturale sociale41. Alcuni studi hanno esaminato la distribuzione degli angoli di fase nei dati di movimento per comprendere la dinamica delle interazioni utilizzando la coerenza cross-wavelet durante conversazioni strutturate42 e non strutturate43 .

La fase relativa tra due serie temporali consente di rilevare spostamenti temporali tra segnali della stessa frequenza. Infatti, nel campo dell'iperscansione EEG, la maggior parte dei metodi volti a determinare il grado di sincronizzazione delle serie temporali neurali valutano la relazione di fase relativa tra le due serie temporali13,44.

I passaggi critici dell'utilizzo del toolbox LeaderFollowerByPhase nei dati di iperscansione fNIRS sono illustrati nel protocollo. In particolare, il protocollo prevede la predeterminazione del Segnale 1 e del Segnale 2 in MATLAB prima di eseguire il toolbox. È interessante notare che i parametri come la frequenza di interesse (FOI), l'intervallo di fase e la soglia sono facoltativi e possono utilizzare valori predefiniti se non impostati. Si raccomanda il filtraggio e il detrending dei segnali grezzi45. Inoltre, è necessario prestare attenzione quando si esegue il filtraggio passa-banda, in quanto ciò può influire sulla selezione del FOI.

I parametri FOI (lowFreq, highFreq) richiedono un'attenta selezione, escludendo in particolare il rumore fisiologico ad alta e bassa frequenza, come la respirazione (~0,2-0,3 Hz) e la pulsazione cardiaca (0,6-1,2 Hz). Si consiglia di prendere le frequenze basse e alte di interesse comprese tra 0,01 e 0,7 Hz, rispettivamente46, poiché questo intervallo elimina efficacemente anche il rumore ad alta frequenza come i battiti cardiaci (0,8-1 Hz).

Il parametro phaseRange definisce un intervallo intorno ai valori dell'angolo di fase in base agli intervalli corrispondenti alla sincronizzazione ritardata con Segnale 1 iniziale (un intervallo compreso tra −90°) o Segnale 2 iniziale (un intervallo compreso tra 90°), Segnale 1, Segnale 2 sincronizzazione in fase (un intervallo compreso tra 0°) e Segnale 1, Segnale 2 sincronizzazione antifase (un intervallo compreso tra +180° o −180°). L'ampiezza dell'intervallo circostante intorno a questi quattro punti è definita da phaseRange Ad esempio, se phaseRange è impostato su 90°, l'intervallo per la sincronizzazione in fase sarà compreso tra 0°, compreso tra −45° e 45°; l'intervallo per l'attacco del segnale 2 (sincronizzazione ritardata) sarà compreso tra 90°, compreso tra 45° e 135°, l'intervallo per la sincronizzazione antifase sarà compreso tra 180° o −180°, compreso tra 135° e −135°; e l'intervallo per il segnale 1 (sincronizzazione ritardata) sarà di circa 180°, compreso tra −135° e −45°. Il parametro phaseRange deve essere compreso tra 0° e 90° gradi, altrimenti verrà visualizzato il seguente messaggio: "Il valore della variabile phaseRange deve essere compreso tra 0 e 90". Sebbene l'intervallo possa essere compreso tra 0° e 90°, il valore minimo consigliato è 30° (±15°). Il valore di soglia deve essere compreso tra 0 e 1, altrimenti verrà visualizzato il seguente messaggio: "Il valore della variabile di soglia deve essere compreso tra 0 e 1". Si consiglia di scegliere una soglia compresa tra 0,25 e 0,75.

Sebbene il toolbox LeaderFollowerByPhase presenti un approccio promettente, non è privo di limitazioni. Come accennato in precedenza, determinare la soglia del valore di coerenza ottimale è un processo complicato, poiché la soglia ottimale può variare da un esperimento all'altro e tra diverse attività. Il test di questo toolbox su set di dati più diversificati è necessario per ottenere informazioni più accurate sui valori ottimali per la soglia.

La capacità di comprendere le complesse interazioni umane utilizzando l'iperscansione fNIRS è stata limitata dal fatto che gli attuali approcci utilizzati per rilevare l'accoppiamento tra due segnali neurali ignorano la direzionalità dei segnali. In questo caso, viene proposto un approccio più sensibile per l'analisi della coerenza di due segnali neurali utilizzando la coerenza della trasformata wavelet (WTC). Il toolbox consente ai ricercatori di esaminare la direzionalità dell'accoppiamento classificando i valori dell'angolo di fase come rappresentativi della sincronizzazione in fase, della sincronizzazione ritardata e della sincronizzazione antifase.

Questo nuovo approccio, che utilizza il toolbox, fornirà informazioni più dettagliate sulla natura delle interazioni diadiche, che, fino ad oggi, sono state carenti. Ad esempio, mentre la sincronizzazione di fase e la sincronizzazione anti-fase sono state trattate come identiche (Supplementary File 1)36, i ricercatori saranno ora in grado di identificare la misura in cui i segnali neurali dei membri della diade si muovono nella stessa direzione (entrambi aumentano o entrambi diminuiscono) o in direzioni opposte (uno aumenta e l'altro diminuisce). Ciò avrà un impatto trasformativo sulla comprensione di come il cervello media i processi sociali e il comportamento.

Il framework proposto ha un potenziale promettente per applicazioni future nel campo della ricerca sulla sincronizzazione neurale interpersonale, in quanto consente la classificazione di tipi distinti di interazioni, tra cui la sincronizzazione in fase, la sincronizzazione ritardata e la sincronizzazione antifase. Rianalizzando i risultati precedenti con il nuovo quadro proposto, i ricercatori possono ottenere una comprensione più completa della natura della sincronizzazione tra i partecipanti. In particolare, la capacità di differenziare tra interazioni in fase e antifase fornisce un nuovo livello di chiarezza che in precedenza non era disponibile, il che potrebbe portare a interpretazioni più precise dei risultati precedenti. Questa funzionalità del framework potrebbe essere applicata a un'ampia gamma di scenari, tra cui l'esplorazione del ruolo della sincronizzazione neurale interpersonale nel comportamento sociale, nella comunicazione e nei processi decisionali. Nel complesso, il quadro proposto rappresenta un prezioso contributo al settore e presenta un potenziale significativo per applicazioni future.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Gli autori dichiarano che la ricerca è stata condotta in assenza di qualsiasi relazione commerciale o finanziaria che possa essere interpretata come un potenziale conflitto di interessi.

Acknowledgments

Vorremmo riconoscere il sostegno fornito dalla Fondazione Nazionale di Scienze Naturali della Cina (n. 62207025), il Progetto di ricerca sulle scienze umane e sociali del Ministero dell'Istruzione della Cina (n. 22YJC190017) e i Fondi di ricerca fondamentale per le Università Centrali a 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

Spettroscopia funzionale nel vicino infrarosso Iperscansione FNIRS Coerenza cross-encefalica Coerenza della trasformata wavelet Valutazione dell'accoppiamento Direzionalità dell'interazione Sincronizzazione in fase Sincronizzazione ritardata Sincronizzazione antifase Analisi della coerenza di fase Stima della direzionalità dell'accoppiamento Dinamica delle interazioni Interazioni sociali Studi di iperscansione FNIRS
Nuovo quadro per la comprensione della coerenza cross-brain negli studi di iperscansione della spettroscopia funzionale nel vicino infrarosso (fNIRS)
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