Waiting
Login processing...

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

Neuroscience

Fonksiyonel Yakın Kızılötesi Spektroskopisi (fNIRS) Hipertarama Çalışmalarında Beyinler Arası Tutarlılığı Anlamak için Yeni Çerçeve

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

Dalgacık dönüşümü tutarlılığı (WTC), fonksiyonel yakın kızılötesi spektroskopisi (fNIRS) hipertarama çalışmalarında kullanılan sinyaller arasındaki eşleşmeyi değerlendirmek için yaygın bir metodolojidir. Bu çalışmada sinyal etkileşiminin yönlülüğünü değerlendirmek için bir araç kutusu sunulmaktadır.

Abstract

Fonksiyonel yakın kızılötesi spektroskopisi (fNIRS) hiper tarama çalışmalarının artan gövdesine rağmen, dalgacık dönüşümü tutarlılığı (WTC) kullanılarak iki nöral sinyal arasındaki eşleşmenin değerlendirilmesi, etkileşimin yönlülüğünü göz ardı ediyor gibi görünmektedir. Alan şu anda araştırmacıların bir WTC fonksiyonu kullanılarak elde edilen yüksek bir tutarlılık değerinin faz içi senkronizasyonu yansıtıp yansıtmadığını belirlemelerine olanak tanıyan bir çerçeveden yoksundur (yani, sinirsel aktivasyon aynı anda dyad'ın her iki üyesinde de görülür), gecikmeli senkronizasyon (yani, dyad'ın bir üyesinde diğer üyeden önce nöral aktivasyon görülür), veya anti-faz senkronizasyonu (yani, dyad'ın bir üyesinde nöral aktivasyon artar ve diğerinde azalır). Bu ihtiyacı karşılamak için, bu çalışmada iki nöral sinyalin faz tutarlılığını analiz etmek için tamamlayıcı ve daha hassas bir yaklaşım önerilmiştir. Araç kutusu, araştırmacıların geleneksel WTC kullanılarak elde edilen faz açısı değerlerini faz içi senkronizasyon, gecikmeli senkronizasyon ve anti-faz senkronizasyonu olarak sınıflandırarak kuplaj yönlülüğünü tahmin etmelerini sağlar. Araç kutusu ayrıca araştırmacıların etkileşimlerin dinamiklerinin görev boyunca nasıl geliştiğini ve değiştiğini değerlendirmelerine olanak tanır. Bu yeni WTC yaklaşımını ve araç kutusunu kullanmak, fNIRS hiper tarama çalışmalarındaki kullanımları yoluyla karmaşık sosyal etkileşimler hakkındaki anlayışımızı ilerletecektir.

Introduction

Son yıllarda, sosyal davranışın sinirsel temellerini anlamak için yapılan çalışmaların türlerinde bir değişim olmuştur 1,2. Geleneksel olarak, sosyal sinirbilimdeki çalışmalar, sosyal olarak ilgili bir görev sırasında izole edilmiş bir beyindeki sinirsel aktivasyona odaklanmıştır. Bununla birlikte, nörogörüntüleme teknolojisindeki ilerlemeler artık "gerçek hayat" ortamlarında meydana geldiği için sosyal etkileşim sırasında bir veya daha fazla bireyin beyinlerindeki nöral aktivasyonun incelenmesine izin vermektedir3. "Gerçek hayat" ortamlarında, bireyler serbestçe hareket edebilirler ve bilgi alışverişi ve sosyal ortaklar birbirlerinden geri bildirim aldıkça beyin aktivasyon kalıplarının değişmesi muhtemeldir4.

Hiper tarama, aynı anda iki veya daha fazla kişinin beyin aktivitesini ölçerek bu çift yönlü bilgi alışverişini değerlendiren bir yöntemdir5. Gelişmekte olan bir araştırma grubu, diğer nörogörüntüleme tekniklerine kıyasla hareket artefaktlarına daha az duyarlı olan non-invaziv bir nörogörüntüleme tekniği olan fonksiyonel yakın kızılötesi spektroskopisini (fNIRS) kullanmıştır6. fNIRS aracılığıyla hiper tarama, etkileşimli ortaklar serbestçe ve doğal olarak hareket ederken, gerçek yaşam ortamlarında beyinler arası senkronizasyonun (IBS) değerlendirilmesine olanak tanır. Bu, özellikle oldukça aktif olma eğiliminde olan bebekler ve küçük çocuklarla yapılan çalışmalar için geçerlidir. IBS'nin, etkili sosyal etkileşim ve iletişimin temeli olarak hizmet eden ve paylaşılan niyetliliğe aracılık eden etkileşimli ortaklar arasındaki karşılıklı anlayışı yansıttığı bildirilmiştir 1,7,8.

İki beynin IBS'sini değerlendirmek için çeşitli yöntemler kullanılır. Bu tür yöntemler, çapraz korelasyon ve Pearson korelasyon katsayısı 9,10 gibi zaman serisi korelasyonlarını içerir (Scholkmann ve ark.10 tarafından yapılan bir incelemeye bakınız). Diğer yöntemler, frekans alanındaki kuplajın gücünün değerlendirilmesini içerir. Bu tür yöntemler arasında faz kilitleme değeri (PLV) ve faz tutarlılığı bulunur (Czeszumski ve ark.11 tarafından yapılan bir incelemeye bakınız). fNIRS çalışmalarındaki en yaygın yöntemlerden biri, frekans ve zaman10'un bir fonksiyonu olarak iki zaman serisinin çapraz korelasyonunun bir ölçüsü olan dalgacık dönüşümü tutarlılığını (WTC) kullanır.

WTC, zaman-frekans alanındaki iki zaman serisi arasındaki tutarlılığı ve faz gecikmesini hesaplamak için korelasyonel analizler kullanır. FNIRS hiper tarama çalışmaları, eylem izleme 12, işbirlikçi ve rekabetçi davranış 5,13,14,15, taklit 16, anne-bebek problem çözme 17 ve öğretme-öğrenme davranışı18,19,20,21 dahil olmak üzere birçok işlevsellik alanında IBS'yi tahmin etmek için WTC'yi kullanmıştır.. Tipik olarak, hipertarama çalışmalarında, deneysel bir görev sırasında WTC tarafından ölçülen çapraz beyin tutarlılığı, bir kontrol görevi sırasında çapraz beyin tutarlılığı ile karşılaştırılır. Bu bulgular genellikle, her bir zaman noktasında ve frekansta iki beyin arasındaki tutarlılığı gösteren bir WTC "sıcak grafiği" ile sunulur (bkz. Şekil 1).

Czesumaski ve ark.11 tarafından önerildiği gibi, WTC, fNIRS hiper taramasını analiz etmek için standart analitik yaklaşım haline gelmiştir. WTC analizi, veri görselleştirme ve yorumlama için esnek, "araçtan bağımsız" bir yöntemdir22. Bir görevin tamamlanması sırasında beyin aktivitesinin yoğunluğunun yanı sıra senkron veya asenkron davranış dönemlerinin kolayca tanımlanmasına olanak tanıyan bir anlatı analizi biçimi sağlayan tutarlılık katsayısı ısı haritası, WTC'nin ana avantajıdır ve onu uygulamalı araştırma için güçlü bir araç haline getirir22. WTC'nin korelasyon tekniklerine göre bir avantajı vardır. Korelasyonlar, bireyler arasında (özellikle yaş açısından) ve farklı beyin bölgeleri arasında farklılık gösterdiği düşünülen hemodinamik yanıt fonksiyonunun (HRF) şekline duyarlıdır. Buna karşılık, WTC (HRF)23'teki bölgeler arası değişikliklerden etkilenmez. Araştırmacılar, fMRI zaman serilerini incelemek için dalgacık yaklaşımını kullandılar. Zhang ve ark.24 , Pearson korelasyonu, kısmi korelasyon, karşılıklı bilgi ve dalgacık tutarlılık dönüşümü (WTC) dahil olmak üzere yaygın olarak kullanılan fonksiyonel bağlantı ölçümlerini karşılaştırdı. Dinlenme durumu fMRI verilerinden ve video izlemenin doğal uyaran fMRI verilerinden türetilen büyük ölçekli fonksiyonel bağlantı modellerini kullanarak sınıflandırma deneyleri gerçekleştirdiler. Bulguları, WTC'nin sınıflandırmada (özgüllük, duyarlılık ve doğruluk) en iyi performansı gösterdiğini gösterdi, bu da WTC'nin en azından sınıflandırma uygulamalarında fonksiyonel beyin ağlarını incelemek için tercih edilen bir fonksiyonel bağlantı metriği olduğunu ima etti24.

Figure 1
Şekil 1: Dalgacık dönüşümü tutarlılığı (WTC). WTC, iki zaman serisi arasındaki tutarlılığı ve faz açısını hem zamanın (x ekseni) hem de frekansın (y ekseni) bir fonksiyonu olarak gösterir. Tutarlılık artışı, grafikteki kırmızı renkle gösterilir ve grafikteki küçük oklar, iki zaman serisinin faz açısını gösterir. Sağı gösteren ok, faz içi senkronizasyonu temsil eder; Aşağı ve yukarı bakan oklar gecikmeli senkronizasyonu temsil eder; ve sola dönük ok, anti-faz senkronizasyonunu30 temsil eder. Bu rakam Pan ve ark.19'dan uyarlanmıştır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Son zamanlarda, Hamilton25 , fNIRS hiper tarama çalışmalarında beyinler arası tutarlılık verilerinin yorumlanmasında çeşitli sınırlamalar dile getirdi. Hamilton'un temel endişelerinden biri, tutarlılık ölçümlerinin (örneğin, WTC) etkileri yalnızca simetrik olarak bildirmesiydi (yani, iki beyin birbiriyle ilişkilidir ve aynı değişim modelini gösterir). Bununla birlikte, birçok sosyal etkileşim asimetriktir (örneğin, bir konuşmacı ve bir dinleyici arasındaki bilgi akışı), iki katılımcının farklı roller oynayabileceği ve WTC'nin bu bilgileri yakalayabileceği açık değildir. Burada, bu endişe, yönlülüğü tespit etmek için çapraz dalgacık fazını kullanarak çapraz dalgacık gücünün basit bir şekilde yorumlanmasına izin veren yeni bir çerçeve ile ele alınmaktadır. Bu çerçeve aynı zamanda etkileşimlerin dinamiklerinin bir görev boyunca nasıl geliştiğinin ve değiştiğinin incelenmesine de izin verecektir.

WTC ve korelasyon yöntemleri işlevsel bağlantıyı değerlendirirken, diğer yöntemler etkili bağlantıyı değerlendirir ve bir nöral elemanın diğeri üzerindeki nedensel etkilerini çıkarmaya çalışır. Transfer entropisi, ortaklaşa bağımlı süreçler arasındaki transferi tanımlayan bilgi teorisi alanından bir ölçüdür26. Diğer bir ilgili yöntem, transfer entropisi26'ya eşdeğer olarak tanımlanan Granger nedensellik analizidir (GCA).

fNIRS hipertarama çalışmalarının mevcut literatüründe, Granger nedensellik analizi (GCA), işbirliği5, öğretme19 ve taklit16 gibi çeşitli farklı görevler sırasında elde edilen fNIRS zaman serisi verileri arasındaki eşleşme yönlülüğünü tahmin etmek için yaygın olarak kullanılmaktadır. GCA, beyin verilerindeki zaman serileri arasındaki eşleşmenin yönlülüğünü değerlendirmek için vektör otoregresif modeller kullanır. Granger nedenselliği tahmin ve önceliğe dayanır: "X'in geçmişi, Y'nin geçmişinde zaten var olan bilgilerden çok Y'nin geleceğini tahmin etmeye yardımcı olan bilgileri içeriyorsa, bir X değişkeninin Y değişkenine 'G-nedeni' olduğu söylenir"27. Buna göre, G-nedensellik iki yönde analiz edilir: 1) A konusundan B konusuna ve 2) B yönünden A öznesine.

GCA analizi, bir WTC fonksiyonu kullanılarak elde edilen yüksek bir tutarlılık değerinin IBS'yi mi yoksa gecikmeli senkronizasyonu mu (bir sinyalin diğerine öncülük etmesini) yansıtıp yansıtmadığını belirlemeyi amaçlayan tamamlayıcı bir analiz görevi görürken, anti-faz senkronizasyonunun gerçekleşip gerçekleşmediğinin belirlenmesine izin vermez. Sadece bir katılımcının tarandığı geleneksel nörogörüntüleme çalışmalarında (yani, "tek beyin" yaklaşımı), bir anti-faz paterni, bir beyin bölgesindeki aktivitenin artarken diğer beyin bölgesindeki aktivitenin azaldığı anlamına gelir28. Hipertarama literatüründe, anti-faz senkronizasyonunun varlığı, bir denekte nöral aktivasyonun arttığını ve aynı zamanda diğer denek için nöral aktivasyonun azaldığını düşündürebilir. Bu nedenle, yönlülüğü tespit edebilen kapsamlı bir model sağlamaya ihtiyaç vardır. Daha spesifik olarak, bu model, faz içi senkronizasyon ve gecikmeli senkronizasyona ek olarak, anti-faz senkronizasyonunu (bir bireydeki aktivite yönünün partnerininkinin tersi olduğu) tespit edebilecektir.

WTC'nin yalnızca simetrik etkiler gösterdiği endişesini gidermek amacıyla, her iki beynin de aynı değişim modelinigösterdiği 25, senkronizasyon fazını (yani, faz içi, gecikmeli veya anti-faz) inceleyerek etkileşim türünü tanımlamak için yeni bir yaklaşım sunulmaktadır (bkz. Şekil 2). Bu amaçla, farklı etkileşim türlerini sınıflandırmak için WTC yöntemini kullanan bir araç kutusu geliştirilmiştir. Etkileşim türleri, çapraz dalgacık dönüşümü analizinden elde edilen göreli faz verileri kullanılarak sınıflandırılır.

Figure 2
Şekil 2: Basit sinüs dalgalarının farklı faz ilişkilerinin gösterimi. (A) İki sinyal, Sinyal 1 (mavi çizgis) ve Sinyal 2 (turuncu çizgis), aynı zaman noktasında ilgili maksimum, minimum ve sıfır değerlerine ulaştığında, faz içi senkronizasyon32 gösterdikleri söylenir. (B) Aynı zaman noktasında bir sinyal maksimum değerine ulaştığında ve diğer sinyal sıfır değerine ulaştığında, gecikmeli senkronizasyon gösterdikleri söylenir (biri 90° önde)32,33,34. (C) İki zaman serisi zıt yönlerde kaydığında, yani aynı zaman noktasında bir sinyal maksimuma ve diğeri minimum değere ulaştığında, buna anti-faz senkronizasyonu28 denir. (D-P) İki zaman serisi arasındaki diğer tüm faz ilişkilerinde, bir sinyal diğerine öncülük eder. Tüm pozitif fazlarda, Sinyal 2, Sinyal 1'in başında (örneğin, E, F, M ve N panelleri), tüm negatif fazlarda ise Sinyal 1, Sinyal 2'nin başında gelir (örneğin, paneller D, G, H, O ve P). Özellikle, fazın mutlak değeri daha yüksek olduğunda, hangi zaman serisinin diğerine öncülük ettiği daha belirgin hale gelir (örneğin, liderlik panel J'de panel I'den daha belirgindir ve panel K'de liderlik panel L'den daha belirgindir). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Çalışma Florida Atlantic Üniversitesi'nde (FAU) yürütüldü ve FAU Kurumsal İnceleme Kurulu (IRB) tarafından onaylandı.

1. fNIRS hiper tarama verilerinin ön işlemesini gerçekleştirmek için Homer3 yazılımını (Malzeme Tablosu) kullanma

NOT: Homer3, beyin aktivasyonunun tahminlerini ve haritalarını elde etmek için fNIRS verilerini analiz eden bir MATLAB uygulamasıdır29. Homer3 aşağıdaki bağlantıdan indirilebilir ve kurulabilir (https://openfnirs.org/software/homer/).

  1. MATLAB'ı açın ve ham .nirs dosyalarının kaydedildiği klasöre gidin. Klasörü seçin ve açın.
  2. Homer3 GUI'yi başlatmak için MATLAB'ın komut penceresine Homer3 yazın. Homeros 3. .nirs dosyalarını algılar ve verilerin ön işlemesine devam etmek için .snirf formatına (NIRS verilerini MATLAB gibi herhangi bir uygulamaya özel dosya formatından bağımsız olarak depolamak ve paylaşmak için evrensel bir dosya formatı) dönüştürmeyi ister.
  3. .nirs dosyalarını Homer3'te .snirf formatına aktardıktan sonra, Homer3 GUI'deki Araçlar seçeneğine tıklayın ve İşleme Akışını Düzenle'yi seçin.
  4. ProcStreamEdit GUI'sinde, Ekle'ye tıklayarak Kayıt Defteri İşlevi sütunundan Geçerli İşleme Akışı sütununa kadar ön işleme adımlarını seçin. Dahil edilen ön işleme adımları aşağıdaki gibidir:
    1. Yoğunluk verilerini optik yoğunluğa dönüştürmek için hmrR_intensity2OD kullanın.
    2. Uygun filtreleme işlevini kullanarak hareket artefaktlarını düzeltmek için hmrR_MotionCorrectWavelet kullanın.
    3. OD verilerini konsantrasyona dönüştürmek için hmrR_OD2conc kullanın.
    4. Konsantrasyon Verilerindeki Blok Ortalamasını hesaplamak için hmR_BlockAvg kullanın.
      NOT: Ön işleme adımlarının seçimi, veri kümesinin türüne bağlı olarak değişebilir.
  5. Geçerli işlem akışını kaydetmek için Kaydet seçeneğine tıklayın ve ardından ProcStreamEdit GUI'sinden çıkın.
  6. Ana Homer3 GUI'de ön işleme akışını çalıştırmak için ÇALIŞTIR seçeneğine tıklayın. Homer3 seçili işleme akışını çalıştırmayı bitirdikten sonra, her katılımcı için önceden işlenmiş zaman serisini tüm kanallar ve olaylar için Hbo, Hbr ve Hbt içeren bir .mat dosya biçiminde kaydeder. Bu dosyaları saklamak için o anda seçili olan klasörde Homer3 tarafından homer output adında bir klasör oluşturulacaktır.
  7. Bu dosyaları saklamak için seçilen klasörde Homer3 tarafından türevler adında bir klasör oluşturulacaktır. Türevler klasöründe bulunan homer klasörünü seçin. Her beyin için .mat dosyasını seçin ve Hbo, Hbr, Hbt'yi dışa aktarın.
    NOT: Homer3 tarafından oluşturulan çıktı klasörünün adı Homer3 sürümüne bağlıdır.

2. LeaderFollowerByPhase araç kutusunu kullanmaya başlama

  1. Hiper tarama kaydında oluşan etkileşim türünü analiz etmek için, Şekil 3'te gösterilen işlemde açıklandığı gibi LeaderFollowerByPhase araç kutusunu kullanın. MATLAB'da, her beyin için .mat dosyalarını seçin ve belirli kanalın ve belirli bir olayın Hbo (veya Hbr) verilerini signal1 ve signal2 olarak tek boyutlu bir vektöre yükleyin.
  2. MATLAB komut satırında parametreleri tanımlayın
    1. lowFreq, highFreq: lowFreq = [düşük FOI] ve highFreq = [yüksek FOI] yazın. Varsayılan değerler lowFreq = 0,01 Hz, highFreq = 1 Hz'dir.
      NOT: lowFreq ve highFreq fonksiyonlarının parametreleri, ilgi sıklığı (FOI) aralığını tanımlar. WTC, her zaman noktasında ve frekansta iki beyin arasındaki tutarlılığı hesaplar. Tutarlılık değerlerinin tipik olarak belirli bir FOI içinde ortalaması alınır.
    2. phaseRange parametresini tanımlayın; phaseRange = [derece cinsinden aralık] yazın.
      NOT: Varsayılan değer phaseRange = 90°'dir. Faz, fazın dairesel modulo doğası nedeniyle 0° ila 360° arasında değişir. Faz aralıkları, dört noktayı çevreleyen bir aralığa göre bölünmüştür. Sunulan araç kutusunda, Sinyal 1 öncüsü (−90°'yi çevreleyen bir aralık) veya Sinyal 2 öncüsü (90°'yi çevreleyen bir aralık), Sinyal 1, Sinyal 2 faz içi senkronizasyonu (0'ı çevreleyen bir aralık) ile gecikmeli senkronizasyona karşılık gelen aralıklara göre faz açısı değerleri kullanılarak kuplaj yönlülüğü incelenerek asimetrik etkileşimleri sınıflandırmak için yeni bir yaklaşım sunulmaktadır (Şekil 4), ve Sinyal 1, Sinyal 2 anti-faz senkronizasyonu (+180° veya −180° çevreleyen bir aralık).
    3. Threshold parametresini tanımlayın. Tür eşik = [eşik rsq val]. Varsayılan değer Threshold = 0'dır.
      NOT: Araç kutusu, eşik parametresini belirterek bir eşik tutarlılık değerinin belirlenmesine izin verir. Bu, araştırmacının belirli bir minimum tutarlılık değerine sahip zaman noktalarını seçmesine olanak tanır. Sonuç olarak, yalnızca belirtilen eşikten daha yüksek tutarlılık değerlerine sahip zaman noktaları dikkate alınır.
  3. LeaderFollowerByPhase araç kutusunu aşağıdaki bağlantıdan indirin (https://www.ariel.ac.il/wp/sns/download/ veya https://github.com/Minisharmaa/Leader-Follower-By-Phase).
  4. Komut satırına cohervalues = LeaderFollowerByPhase(signal1, signal2, lowFreq, highFreq, phaseRange, threshold) komutunu girerek LeaderFollowerByPhase MATLAB işlevini yürütün.
    NOT: Tutarlılık ve faz hesaplamaları, sırasıyla MATLAB'daki WTC ve XWT fonksiyonları kullanılarak gerçekleştirilir30.
  5. Faz içi, Sinyal 1 öncü, Sinyal 2 öncü ve anti-faz senkronizasyon değerlerini inceleyin:
    1. MATLAB'daki grafikleri inceleyin. Araç kutusu, dört çizime sahip bir şekil oluşturur.
      1. Etkileşim türüne göre tutarlılık: Şeklin sol üst kısmında, her etkileşim türüne göre (faz içi, Sinyal 1 öncü, Sinyal 2 öncü, anti-faz) R-Kare'yi (Rsq) gösteren kutu grafiği çizimini inceleyin.
        NOT: MATLAB kutu grafiği yerleşik işlevinin ayrıntılı açıklaması için aşağıdaki bağlantıya (https://www.mathworks.com/help/matlab/ref/boxchart.html) bakın.
      2. Etkileşim türüne göre merkezi endeksler: Her etkileşim türüne göre (faz içi, Sinyal 1 öncü, Sinyal 2 öncü, anti-faz) maksimum ortalamayı ve medyanı gösteren çıktı şeklinin sağ üst kısmındaki çubuk grafiği inceleyin.
        NOT: MATLAB çubuğunun yerleşik işlevinin ayrıntılı açıklaması için aşağıdaki bağlantıya (https://www.mathworks.com/help/matlab/ref/bar.html) bakın.
      3. Zaman içinde tutarlılık: Çıktı şeklinin sol alt kısmındaki, tutarlılık değerlerini ve zaman içindeki etkileşim türlerini gösteren dağılım grafiğini inceleyin. Renkli noktalar farklı etkileşim türlerini temsil eder (siyah noktalar faz içi senkronizasyonu, koyu gri noktalar Sinyal 1'in başını, açık gri noktalar Sinyal 2'nin öncülüğünü ve mor noktalar anti-faz senkronizasyonunu temsil eder).
        NOT: Şekil, etkileşimin dinamiklerini göstermektedir: tam zamanlı seriler boyunca dört etkileşim türü arasındaki değişim. MATLAB saçılma işlevinin ayrıntılı bir açıklaması için aşağıdaki bağlantıya (https://www.mathworks.com/help/matlab/ref/scatter.html) bakın.
      4. Zaman yüzdesi: Çıktı şeklinin sağ alt kısmındaki, farklı etkileşim türlerine göre zamanın bölünmesini gösteren pasta grafiğini inceleyin.
        NOT: MATLAB pasta işlevinin ayrıntılı açıklaması için aşağıdaki bağlantıya (https://www.mathworks.com/help/matlab/ref/pie.html) bakın.
  6. Çıkış tablosunu her etkileşim türü (faz içi senkronizasyon, Sinyal 1 öncü, Sinyal 2 öncü, anti-faz senkronizasyonu) için istatistik değerleriyle (yani ortalama, maks, medyan ve standart sapma) inceleyin. Tablo ayrıca her bir etkileşim türünün gerçekleştiği sürenin yüzdesini de gösterir. Her etkileşim türü farklı bir sütunda görünür.
  7. Ayıklanan elektronik tablo dosyasındaki çıktı değerini inceleyin (yani, geçerli klasörde bulunan veri tablosu.xlsx).

Figure 3
Şekil 3: İş akışına genel bakış. (A) Hiper tarama fNIRS verileri toplanırken serbest oyun oynayan anne-çocuk ikilileri. (B) Bir anne-çocuk zaman dizisinin çizimi. (C) Homer3 kullanılarak zaman serilerinin ön işlenmesi. (D,E) Faz içi senkronizasyon, anti-faz senkronizasyonu ve gecikmeli senkronizasyon gibi farklı etkileşim türlerini incelemek için bir araç kutusunun kullanılması. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Figure 4
Şekil 4: Faza göre dört farklı etkileşim türünün sınıflandırılması. Bu, 360°'lik bir modülde iki nöral zaman serisinin faz farkını temsil eder. Faz farkı, iki değer arasındaki bir zaman gecikmesi olarak düşünülebilir ve dalga boyunun derece ve radyan veya kesirleri cinsinden ölçülür. Burada, 360° modulo, dört farklı etkileşim aşamasını gösteren dört farklı aralığa bölünmüştür: (A) Sinyal 1 aralığı (90° civarında, 45° ila 135° arasında), (B) Sinyal 1 ve Sinyal 2 arasında anti-faz senkronizasyonu (180° veya −180° civarında, 135 ila −135° arasında), (C) Sinyal 2 aralığı (−135° ila −45° arasında), (D) faz içi senkronizasyon (0 civarında, −45° ila 45° arasında bir aralık). Bu bölme varsayılan yaklaşımdır (her noktanın etrafında 45°); Ancak, araç kutusu farklı bir bölüm yapılandırmaya izin verir. Diğer yapılandırmalar 360°'nin tamamını kapsamasa da, her etkileşim türünün daha kesin bir tanımını verebilir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Bu bölümde, araç kutusu ile gerçekleştirilebilecek analiz türleri gösterilmektedir (https://www.ariel.ac.il/wp/sns/download/ veya https://github.com/Minisharmaa/Leader-Follower-By-Phase adresinden indirilebilir). Bu analizler için, küçük bir bebek-ebeveyn ikilisi örneklemi ile toplanan fNIRS verileri kullanılmıştır. Altı çift anne-bebek ikilisi, gerçek hayattaki bebek-anne etkileşimine mümkün olduğunca yakın olan, doğrulanmış bir davranışsal görev olan serbest oyun görevi31 kullanılarak test edildi. Deneyden önce, bebeklere ve ebeveynlere fNIRS verilerinin toplanması için özel yapım bir optod seti takıldı. Bu çalışmada fNIRS verilerini toplamak için kullanılan optod seti, prefrontal ve temporoparietal bölgeleri bilateral olarak kapsayan 18 kanal oluşturmak üzere yapılandırılmış 8 kaynak (kırmızı nokta) ve 8 dedektörden (mavi nokta) oluşuyordu (bkz. Şekil 5). Bir NIRScout, optik görüntüleme verilerini iki dalga boyu kullanarak elde etti: deoksihemoglobine (HbR) daha duyarlı olan 760 nm ve oksihemoglobine (HbO) daha duyarlı olan 850 nm. Tüm ebeveynler kadındı (yaş aralığı = 26-36 yıl) ve bebekler sağlıklı ve tam vadeliydi (iki kadın, dört erkek, yaş aralığı = 1-2 yıl) ve bilinen gelişimsel gecikmeleri yoktu. Dyad'lar reklamlar aracılığıyla işe alındı. Her ebeveyn deneyden önce bilgilendirilmiş onam verdi ve katılımları için ödeme yapıldı. Basitlik için analiz, Dyad A'nın 18. kanalında elde edilen verilere odaklanmaktadır.

Figure 5
Şekil 5: Ön çalışmada kullanılan optode seti. Ön çalışmada fNIRS verilerini toplamak için kullanılan optod seti, prefrontal ve temporoparietal bölgeleri bilateral olarak kapsayan 18 kanal (sarı çizgiler) oluşturacak şekilde yapılandırılmış 8 kaynak (kırmızı nokta) ve 8 dedektörden (mavi nokta) oluşuyordu. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Araç kutusu, belirli bir ikili için o kanal için zaman içinde tanımlanabilecek etkileşim türlerindeki değişiklikleri tanımlamak için kullanıldı. Fonksiyonun parametreleri aşağıdaki gibidir: Sinyal 1 = kanal 18 anne, Sinyal 2 = kanal 18 anne, lowFreq = 0.0067, highFreq = 0.1142, phaseRange = 90, Threshold = 0.

Figure 6
Şekil 6: 0 eşiğinde sınıflandırma analizi. Eşik 0 olarak ayarlanır (Eşik = 0). (A) Etkileşimlerle ilişkili tutarlılık değerini temsil eden kutu grafikleri. Her etkileşim türü için bir tane vardır ve medyan ve çeyrekler arası aralık (IQR) belirtilir. Daha yüksek puanlar, daha yüksek bir tutarlılık düzeyini gösterir. (B) Tüm etkileşim türlerinin tutarlılık değerlerinin merkezi indeksleri. (C) Etkileşim türünün dinamikleri görev boyunca değişir. (D) Dört etkileşim türünün her biri için puanların yüzdesi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

İlk olarak, her bir zaman noktası dört etkileşim türünden birine (faz içi, anti-faz, anne liderliği veya bebek liderliği) olarak sınıflandırıldı (Şekil 6). Şekil 6D, dört etkileşim türünün her birinde sınıflandırılan zaman noktalarının yüzdesini gösterir. Araç kutusunun, katılımcılardan biri tarafından yönetilen etkileşimlerle ilişkili yüzdeleri ve tutarlılık değerini tespit edebildiğine dikkat etmek önemlidir (Şekil 6A), benzersiz katkısı, anti-faz senkronizasyonu da dahil olmak üzere tüm etkileşim türlerinin tutarlılık değerlerinin yüzdelerini (Şekil 6D) ve merkezi indekslerini de sunmasıdır (Şekil 6B). Son olarak, araç kutusu, etkileşim türünün dinamiklerinin görev boyunca nasıl değiştiğini incelemeye olanak tanır (Şekil 6C). GCA analizine benzer şekilde, araç kutusunun bu endeksleri her bir ikili için ayrı ayrı hesapladığına dikkat etmek önemlidir. Etkileşim türünü belirlemek için bu indeksleri kullanarak grup düzeyinde analiz yapılmalıdır.

Burada, bu minimum eşik değerlerinin değiştirilmesinin bir ikili içindeki etkileşim türlerinin sınıflandırılması üzerindeki etkisini araştırmak için, sınıflandırma analizi Dyad A üzerinde 0,5 eşik ile tekrarlanmıştır (Şekil 7).

Figure 7
Şekil 7: 0,5 eşiğinde sınıflandırma analizi. Eşik 0,5 olarak ayarlanır (Eşik = 0,5). (A) Etkileşimlerle ilişkili tutarlılık değerini temsil eden kutu grafikleri. Her etkileşim türü için bir tane vardır ve medyan ve çeyrekler arası aralık (IQR) belirtilir. Daha yüksek puanlar, daha yüksek bir tutarlılık düzeyini gösterir. (B) Tüm etkileşim türlerinin tutarlılık değerlerinin merkezi indeksleri. (C) Etkileşim türünün dinamikleri görev boyunca değişir. (D) Dört etkileşim türünün her biri için puanların yüzdesi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 7D'de gösterildiği gibi, bu eşik kullanılırken, farklı türdeki bağıl faz ilişkilerinin dağılımı değişti. Anti-faz senkronizasyon yüzdesi arttı (% 35'ten% 59'a) ve faz içi senkronizasyon yüzdesi azaldı (% 26'dan% 3'e). Bu, anti-faz senkronizasyonunun, bu dyad'ı daha iyi temsil eden etkileşim türü olabileceğini düşündürmektedir. Başka bir deyişle, bir eşik tanımlamak, yalnızca minimum tutarlılık düzeyine sahip zaman noktalarının ortalamasının alındığı daha hassas bir analiz yapma yeteneğine izin verir. Optimal eşik bir deneyden diğerine ve farklı ortamlara göre değişebileceğinden, optimum tutarlılık değeri eşiğini belirlemenin karmaşık bir süreç olduğunu unutmamak önemlidir. Araç kutusu bir eşik belirleme imkanı sağlasa da, optimal tutarlılık değerini belirlemek için bir protokol geliştirmek için daha fazla çalışmaya ihtiyaç vardır. Ayrıca, hala Rsq değerleriyle kesişen faiz değerlerinin eşik ve sıklığını seçmek önemlidir. Örneğin, lowFreq = 0.0067, highFreq = 0.1142, phaseRange = 90 ve Threshold = 0.5 parametrelerine sahip fonksiyon, yalnızca 0.5'in üzerindeki Rsq değerleriyle etkileşimler gösterdi, ancak 0.7 eşiği olan aynı fonksiyon, frekans aralığında 0.7'nin üzerinde hiçbir değer olmadığı için bir hatayla sonuçlandı.

Ek Dosya 1: Dalgacık dönüşümü tutarlılığı (WTC). İki zaman serisinin zaman-frekans karakteristiklerini ve karşılıklı bağımlılığını analiz etmek için kullanılan dalgacık dönüşümü ve çapraz dalgacık dönüşümüne genel bakış. Dalgacık dönüşümü bir zaman serisini zaman-frekans uzayı 35'e ayrıştırırken, çapraz dalgacık dönüşümü iki zaman serisi 9,30 arasındaki ortak gücü ve fazı ortaya çıkarır. Metin ayrıca, iki zaman serisi arasındaki senkronizasyon derecesini ölçen dalgacık dönüşümünün tutarlılığını da tanıtmaktadır. Dalgacık dönüşümünün tutarlılığından türetilen R-kare değeri, karşılıklı bağımlılığı yansıtır ancak pozitif ve negatif korelasyonlar arasında ayrım yapmaz36. Pozitif ve negatif korelasyonların karşılıklı ilişkileri gösterdiği varsayılır37,38. Bu Dosyayı indirmek için lütfen buraya tıklayın.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

fNIRS çalışmalarında kullanılan en yaygın yöntemlerden biri, frekans ve zaman10'un bir fonksiyonu olarak iki zaman serisinin çapraz korelasyonunun bir ölçüsü olan dalgacık dönüşümü tutarlılığıdır (WTC). WTC, korelasyonel analizler kullanarak iki zaman serisi arasındaki tutarlılığı ve faz gecikmesini hesaplar (Ek Dosya 1). FNIRS hiper tarama çalışmaları, eylem izleme 12, işbirlikçi ve rekabetçi davranış 5,13,14,15, taklit 16, anne-bebek problem çözme 17 ve öğretme-öğrenme davranışı18,19,20,21 dahil olmak üzere birçok işlevsellik alanında IBS'yi tahmin etmek için WTC'yi kullanmıştır.. Hiper tarama çalışmaları genellikle deneysel bir görev sırasında dalgacık tutarlılık dönüşümü (WTC) kullanılarak ölçülen çapraz beyin tutarlılığını bir kontrol görevininkiyle karşılaştırır. Bu karşılaştırmalar tipik olarak, her bir zaman noktasında ve frekansta iki beyin arasındaki tutarlılığı gösteren bir WTC "sıcak grafiği" kullanılarak sunulur. Ek olarak, Şekil 1'de görüldüğü gibi, faz gecikmesi bilgisi, WTC "sıcak grafiğindeki" küçük okların yönü ile gösterilir. Bununla birlikte, önceki çalışmalar, WTC "sıcak grafiğindeki" küçük okların yönü ile temsil edilen faz gecikmesi bilgisini hesaba katmayı ihmal etmiş ve yalnızca WTC grafiğindeki tutarlılığı inceleyerek beyinler arası senkronizasyonu (IBS) tahmin etmiştir. Bu gözetim, yanlış veya eksik bulgulara neden olabilir.

Hamilton25 tarafından fNIRS hiper tarama çalışmalarında çapraz beyin tutarlılık verilerinin yorumlanmasına ilişkin olarak tartışılan sınırlamalar, yönlülüğü tespit etmek için çapraz dalgacık fazını kullanarak çapraz dalgacık gücünün basit bir şekilde yorumlanmasına izin veren yeni çerçevede ele alınmaktadır ve ayrıca tutarlılık değerlerinin doğrudan ortalamasını alarak hesaplamak için bir tutarlılık analiz modülü içermektedir39. Bu yaklaşım, bir görev boyunca etkileşimlerdeki gelişim ve değişimin incelenmesini sağlar ve sinyaller arasında güvenilir bir tutarlılık ölçüsü sağlar.

Böyle bir yaklaşım, çapraz dalgacık analizinden çıkarılabilen göreceli faz verilerini kullanan kişilerarası senkronizasyonun davranışsal çalışmalarında gösterilmiştir. Bazı çalışmalar bu verileri faz içi ve faz karşıtı tutarlılık değerleri arasında ayrım yapmak için kullanmıştır. Örneğin, bu yaklaşım doğaçlama yapan iki müzisyenin40 el hareketlerini değerlendirmek ve sosyal postüral koordinasyonu41 incelemek için kullanılmıştır. Bazı çalışmalar, yapılandırılmış42 ve yapılandırılmamış43 konuşmalar sırasında çapraz dalgacık tutarlılığını kullanarak etkileşimlerin dinamiklerini anlamak için hareket verilerindeki faz açılarının dağılımını incelemiştir.

İki zaman serisi arasındaki bağıl faz, aynı frekanstaki sinyaller arasındaki zamansal kaymaların algılanmasına izin verir. Gerçekten de, EEG hiper taraması alanında, nöral zaman serilerinin senkronizasyon derecesini belirlemeyi amaçlayan yöntemlerin çoğu, iki zaman serisi arasındaki göreceli faz ilişkisini değerlendirir13,44.

fNIRS hiper tarama verilerinde LeaderFollowerByPhase araç kutusunu kullanmanın kritik adımları protokolde gösterilmiştir. Spesifik olarak, protokol, araç kutusunu çalıştırmadan önce MATLAB'da Sinyal 1 ve Sinyal 2'nin önceden belirlenmesini içerir. İlgi sıklığı (FOI), faz aralığı ve eşik gibi parametrelerin isteğe bağlı olması ve ayarlanmadan bırakılırsa varsayılan değerleri kullanabilmesi dikkat çekicidir. Ham sinyallerin filtrelenmesi ve trendden arındırılması önerilir45. Ek olarak, bant geçiren filtreleme yapılırken dikkatli olunmalıdır, çünkü bu, FOI seçimini etkileyebilir.

FOI parametreleri (lowFreq, highFreq), özellikle solunum (~0.2-0.3 Hz) ve kardiyak nabız (0.6-1.2 Hz) gibi yüksek frekanslı ve düşük frekanslı fizyolojik gürültüyü hariç tutarak dikkatli bir seçim gerektirir. İlgilenilen düşük ve yüksek frekansların sırasıyla 0,01 ile 0,7 Hz arasında alınması önerilir,çünkü bu aralık kalp atışları (0,8-1 Hz) gibi yüksek frekanslı gürültüyü de etkili bir şekilde ortadan kaldırır.

phaseRange parametresi, Sinyal 1 satır aralığı (−90° çevreleyen bir aralık) veya Sinyal 2 satır aralığı (90° çevreleyen bir aralık), Sinyal 1, Sinyal 2 faz içi senkronizasyon (0° çevreleyen bir aralık) ve Sinyal 1, Sinyal 2 anti-faz senkronizasyonu (+180° veya −180° çevreleyen bir aralık) ile gecikmeli senkronizasyona karşılık gelen aralıklara göre faz açısı değerleri etrafında bir aralık tanımlar. Bu dört noktanın etrafındaki çevreleyen aralığın genişliği phaseRange ile tanımlanır Örneğin, phaseRange 90° olarak ayarlanırsa, faz içi senkronizasyon aralığı 0° civarında, −45° ile 45° arasında olacaktır; Sinyal 2 öncüsü (gecikmeli senkronizasyon) aralığı 90°, 45° ila 135° arasında, anti-faz senkronizasyonu aralığı 180° veya −180°, 135° ila −135° arasında olacaktır; ve Sinyal 1 öncüsü (gecikmeli senkronizasyon) aralığı 180° civarında, −135° ila −45° arasında olacaktır. phaseRange parametresi 0° ile 90° derece arasında olmalıdır, aksi takdirde şu mesaj görüntülenir: "phaseRange değişkeninin değeri 0 ile 90 arasında olmalıdır". Aralık 0° ile 90° arasında herhangi bir sayı olabilse de, önerilen minimum değer 30°'dir (±15°). Eşik değerinin 0 ile 1 arasında herhangi bir değer olması gerekir, aksi takdirde şu mesaj görüntülenir: "Eşik değişkeninin değeri 0 ile 1 arasında olmalıdır". 0,25 ile 0,75 arasında bir eşik seçilmesi önerilir.

LeaderFollowerByPhase araç kutusu umut verici bir yaklaşım sunsa da, sınırsız değildir. Yukarıda bahsedildiği gibi, optimal tutarlılık değeri eşiğinin belirlenmesi karmaşık bir süreçtir, çünkü optimal eşik bir deneyden diğerine ve farklı görevler arasında değişebilir. Eşik için en uygun değerler hakkında daha doğru bilgi elde etmek için bu araç kutusunu daha çeşitli veri kümelerinde test etmek gerekir.

fNIRS hiper taramasını kullanarak karmaşık insan etkileşimlerini anlama yeteneği, iki nöral sinyal arasındaki eşleşmeyi tespit etmek için kullanılan mevcut yaklaşımların sinyallerin yönlülüğünü göz ardı etmesi gerçeğiyle sınırlandırılmıştır. Burada, dalgacık dönüşümü tutarlılığı (WTC) kullanarak iki nöral sinyalin tutarlılığını analiz etmek için daha hassas bir yaklaşım önerilmiştir. Araç kutusu, araştırmacıların faz açısı değerlerini faz içi senkronizasyonu, gecikmeli senkronizasyonu ve anti-faz senkronizasyonunu temsil edecek şekilde sınıflandırarak kuplaj yönlülüğünü incelemelerine olanak tanır.

Araç kutusunu kullanan bu yeni yaklaşım, bugüne kadar eksik olan ikili etkileşimlerin doğası hakkında daha ayrıntılı bilgi sağlayacaktır. Örneğin, faz senkronizasyonu ve anti-faz senkronizasyonu özdeş olarak ele alınırken (Ek Dosya 1)36, araştırmacılar artık dyad üyelerinin nöral sinyallerinin aynı yönde (her ikisi de artar veya her ikisi de azalır) veya zıt yönlerde (biri artar ve diğeri azalır) ne ölçüde hareket ettiğini belirleyebileceklerdir. Bu, beynin sosyal süreçlere ve davranışlara nasıl aracılık ettiğinin anlaşılması üzerinde dönüştürücü bir etkiye sahip olacaktır.

Önerilen çerçeve, faz içi senkronizasyon, gecikmeli senkronizasyon ve anti-faz senkronizasyonu dahil olmak üzere farklı etkileşim türlerinin sınıflandırılmasına izin verdiği için kişilerarası nöral senkronizasyon araştırması alanında gelecekteki uygulamalar için umut verici bir potansiyele sahiptir. Araştırmacılar, önceki bulguları önerilen yeni çerçeve ile yeniden analiz ederek, katılımcılar arasındaki senkronizasyonun doğası hakkında daha kapsamlı bir anlayış kazanabilirler. Spesifik olarak, faz içi ve faz karşıtı etkileşimler arasında ayrım yapma yeteneği, daha önce mevcut olmayan yeni bir netlik düzeyi sağlar ve bu da önceki bulguların daha kesin yorumlarına yol açabilir. Çerçevenin bu işlevselliği, kişilerarası nöral senkronizasyonun sosyal davranış, iletişim ve karar verme süreçlerindeki rolünü keşfetmek de dahil olmak üzere çok çeşitli senaryolara uygulanabilir. Genel olarak, önerilen çerçeve alana değerli bir katkıyı temsil etmekte ve gelecekteki uygulamalar için önemli bir potansiyele sahiptir.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Yazarlar, araştırmanın potansiyel bir çıkar çatışması olarak yorumlanabilecek herhangi bir ticari veya finansal ilişkinin yokluğunda yürütüldüğünü beyan ederler.

Acknowledgments

Çin Ulusal Doğa Bilimleri Vakfı (No. 62207025), Çin Eğitim Bakanlığı'ndan Beşeri Bilimler ve Sosyal Bilimler Araştırma Projesi (No. 22YJC190017) ve Merkez Üniversiteler için Temel Araştırma Fonları tarafından sağlanan desteği Yafeng Pan'a teşekkür ederiz.

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

Fonksiyonel Yakın Kızılötesi Spektroskopisi FNIRS Hiper Tarama Çapraz Beyin Tutarlılığı Dalgacık Dönüşümü Tutarlılığı Eşleşme Değerlendirmesi Etkileşimin Yönlülüğü Faz İçi Senkronizasyon Gecikmeli Senkronizasyon Anti-faz Senkronizasyonu Faz Tutarlılık Analizi Eşleşme Yönlülük Tahmini Etkileşim Dinamiği Sosyal Etkileşimler FNIRS Hiper Tarama Çalışmaları
Fonksiyonel Yakın Kızılötesi Spektroskopisi (fNIRS) Hipertarama Çalışmalarında Beyinler Arası Tutarlılığı Anlamak için Yeni Çerçeve
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