Waiting
Login processing...

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

Neuroscience

Hur man beräknar och validerar synkronisering mellan hjärnor i en fNIRS Hyperscanning-studie

Published: September 8, 2021 doi: 10.3791/62801
Automatic Translation
1, 1, 2, 3, 4, 1, 1
1Institute of Brain and Education Innovation, School of Psychology and Cognitive Science, East China Normal University, 2Department of Musicology, Harbin Conservatory of Music, 3Department of Clinical Neuroscience, Karolinska Institutet, 4School of Psychology, Shenzhen University

Summary

Dynamiken mellan kopplade hjärnor hos individer har alltmer representerats av inter-brain synkronisering (IBS) när de samordnar med varandra, mestadels med samtidig inspelning signaler av hjärnor (nämligen hyperscanning) med fNIRS. I fNIRS hyperscanning studier, IBS har allmänt bedömts genom wavelet transform koherens (WTC) metoden på grund av dess fördel med att utöka tidsserier till tid-frekvens utrymme där svängningar kan ses på ett mycket intuitivt sätt. Den observerade IBS kan valideras ytterligare via permutationsbaserad slumpmässig parning av prövningen, partnern och tillståndet. Här presenteras ett protokoll för att beskriva hur man får hjärnsignaler via fNIRS-teknik, beräknar IBS genom WTC-metoden och validerar IBS genom permutation i en hyperscanningstudie. Vidare diskuterar vi de kritiska frågorna när vi använder ovanstående metoder, inklusive valet av fNIRS-signaler, metoder för förbearbetning av data och valfria parametrar för beräkningar. Sammanfattningsvis är användning av WTC-metoden och permutation en potentiellt standardpipeline för analys av IBS i fNIRS hyperscanning studier, vilket bidrar till både reproducerbarhet och tillförlitlighet av IBS.

Abstract

Dynamiken mellan kopplade hjärnor hos individer har alltmer representerats av inter-brain synkronisering (IBS) när de samordnar med varandra, mestadels med samtidig inspelning signaler av hjärnor (nämligen hyperscanning) med fNIRS. I fNIRS hyperscanning studier, IBS har allmänt bedömts genom wavelet transform koherens (WTC) metoden på grund av dess fördel med att utöka tidsserier till tid-frekvens utrymme där svängningar kan ses på ett mycket intuitivt sätt. Den observerade IBS kan valideras ytterligare via permutationsbaserad slumpmässig parning av prövningen, partnern och tillståndet. Här presenteras ett protokoll för att beskriva hur man får hjärnsignaler via fNIRS-teknik, beräknar IBS genom WTC-metoden och validerar IBS genom permutation i en hyperscanningstudie. Vidare diskuterar vi de kritiska frågorna när vi använder ovanstående metoder, inklusive valet av fNIRS-signaler, metoder för förbearbetning av data och valfria parametrar för beräkningar. Sammanfattningsvis är användning av WTC-metoden och permutation en potentiellt standardpipeline för analys av IBS i fNIRS hyperscanning studier, vilket bidrar till både reproducerbarhet och tillförlitlighet av IBS.

Introduction

När människor samordnar med andra blir deras hjärnor och kroppar en kopplad enhet genom kontinuerlig ömsesidig anpassning. Kopplingen mellan hjärnor kan representeras av inter-brain synkronisering (IBS) genom hyperscanningsmetoden, som samtidigt registrerar två eller flera individers hjärnsignaler1. Faktum är att en växande mängd fNIRS / EEG hyperscanning studier har funnit IBS i olika samarbetssammanhang, inklusive finger tappning2, gruppvandring3, spela trummor4,gitarrspel5, och sjunga / nynna6. fNIRS används ofta för forskning av IBS under social interaktion, eftersom det mindre begränsar huvud / kroppsrörelser i relativt naturliga miljöer (jämfört med fMRI / EEG)7.

Artikeln presenterar ett protokoll för beräkning av IBS via wavelet transform coherence (WTC) metod i en fNIRS hyperscanning studie. WTC är en metod för att bedöma korskorrelationen mellan två rörelsesignaler på tidsfrekvensplanet och kan därför ge mer information än den traditionella korrelationsanalysen (t.ex. Pearson-korrelation och korskorrelation), som endast finns i tidsdomänen8. Dessutom omvandlas hemodynamiska signaler till vågkomponenter, vilket effektivt kan ta bort lågfrekvent brus. Även om WTC är tidskrävande, har det varit den vanligaste metoden för att beräkna IBS i åtgärdsimitation9, kooperativt beteende10, verbal kommunikation11, beslutsfattande12och interaktivt lärande13.

Artikeln presenterar också hur man validerar IBS med den permutationsbaserade slumpmässiga parningen av prövningar, villkor och deltagare. IBS i hyperscanning studier föreslås alltid att spåra online social interaktion mellan individer, medan det också kan tolkas av andra förklaringar, såsom stimulans likhet, rörelse likhet, eller villkor likhet14. Permutationstest, även kallat randomiseringstest, kan utnyttjas för att testa ovanstående nollhypoteser genom att omfördela de observerade uppgifterna15. Genom att använda permutation är det användbart att undersöka om den identifierade IBS är specifik för interaktivt beteende, allt från modulering av IBS inom dyads till mellan grupper av partner16.

Protokollet som beskrivs här beskriver hur man får hjärnsignaler via fNIRS-teknik, beräknar IBS genom WTC-metoden och validerar IBS genom permutationstestning i en hyperscanningstudie. Denna studie syftar till att undersöka om privilegierad IBS framkallas av musikmätare under social samordning. Hjärnsignalerna registrerades i den främre cortexen, baserat på platsen för IBS i ett tidigare fynd1. Den experimentella uppgiften utvecklades ursprungligen av Konvalinka och hennes högskolor17, där deltagarna ombads att knacka på fingrarna med hörselfeedback från partnern eller sig själva efter att ha lyssnat på mätaren eller icke-mätarstimuli.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Protokollet som presenteras här godkändes av university committee on Human Research Protection of East China Normal University.

1. Förberedelse för försöket

  1. Deltagare
    1. Rekrytera en grupp grund- och forskarstuderande med ekonomisk ersättning från campusannonseringen.
    2. Se till att deltagarna är högerhänta och har normal eller korrigerad till normal syn och hörsel. Se till att de inte har studerat musik eller har studerat den i mindre än 3 år tidigare.
    3. Matcha slumpmässigt eleverna i dyads. För att kontrollera den potentiella effekten av partnerbekanthet på social samordning18, se till att medlemmarna i varje dyad inte har sett eller känt varandra tidigare.
  2. Experimentell stimulans
    1. Skapa hörselstimuli (440 Hz, 660 ms rena toner) med valfri gratis musikkomposition och notationsprogram.
    2. Upprepa tonerna med ett intervall på 500-1000 ms och kombinera dem till en tonsekvens. Varje tonsekvens är 12 s längre och består av 12 toner.
    3. För en tonsekvens, accentuera varje första ton (+6 dB) för att skapa mönstret av downbeats och optimistiska, definierat som mätarstimulansen (Kompletterande ljud 1). I den andra tonsekvensen, ta bort tonerna med samma intensitet (40 dB över individuell sensationströskel, samlad före experimentuppgiften), som motsvarade icke-mätarstimulansen (Kompletterande ljud 2).
  3. Experimentell uppgift
    1. Programmera den experimentella uppgiften med hjälp av ett psykologiskt programvaruverktyg.
    2. Ordna två steg för försöksuppgiften (figur 1A) enligt beskrivningen i steg 1.3.3-1.3.6.
    3. andra vilotillståndet: Be deltagarna att förbli så orörliga som möjligt med sina sinnen avslappnade och slutna ögon.
    4. Fingertrycksuppgift: Be deltagarna att slutföra två delar: en samordningsdel och en oberoende del.
    5. Under samordningsdelen, ge auditiv feedback (dvs. ett droppljud som motsvarar en kran) till varje deltagare endast för det svar som genereras av den andra medlemmen i dyaden. Be deltagarna att göra sitt bästa för att svara synkront med den andra medlemmen.
    6. För självständighetsdelen, se till att båda deltagarna fick hörselåterkopplingen (dvs. ett droppljud som motsvarar ett tryck) av sina egna svar och be dem att svara synkront med hörselstimulansen så exakt som möjligt.
      OBS: I kombination med mätaren och icke-mätarstimulans befann sig deltagarna i ett av fyra olika förhållanden: (i) mätarkoordinering - båda deltagarna hörde mätare och svaren från varandra; ii) Samordning av icke-mätare - båda deltagarna hörde icke-mätare och svaren från varandra. iii) Mätaroberoende - båda deltagarna hörde mätare och svaren från sig själva. iv) Icke-mätaroberoende - båda deltagarna hörde icke-mätare och svaren från sig själva.
    7. För varje försök, låt deltagarna först höra en bit av hörselstimulansen (12 s) följt av ett ljud (262 Hz, 1000 ms) som fungerar som en signal för att börja trycka på fingret.
    8. Be deltagarna att reproducera den stimulans de hört tidigare genom att trycka på höger pekfinger på tangentbordet (deltagare #1: "f"; deltagare #2: "j"). Deltagarna måste trycka 12 gånger samtidigt som de håller samma tidsintervall mellan tonerna som den tidigare presenterade stimulansen.
      OBS: Det fanns 60 försök som tilldelades lika i 4 block motsvarande de 4 experimentella tillstånden, nämligen 15 försök i ett block. Blockens ordning uppvägdes. Den totala varaktigheten för tryckaktiviteten var cirka 26 min.
    9. Mellan blocken, låt deltagarna vila i 30 s.
    10. Låt inte deltagarna kommunicera genom något språk eller rörelser under hela experimentet. Separera deltagarna med datorskärmen för att blockera all visuell information som kan leverera meddelanden mellan dem.
  4. Hemlagade fNIRS-kepsar: Köp två elastiska badlock av normal storlek. För att täcka hjärnregionen av intresse, laga badmössorna enligt beskrivningen i följande steg:
    1. Sätt en badmössa på en huvudform och sätt sedan en standard 10-20 EEG-keps på badlocket.
    2. Markera platsen för FCz på badmössan med en röd magisk markör.
    3. Ta av EEG-locket från huvudformen.
    4. Placera en optodesondplåster (3 x 5 inställning) på badlocket och justera den mellersta av den andra sondraden i plåstret med den markerade platsen för FCz.
      OBS: Optodensondplåstret omfattade 15 platser för optodsonder (dvs. 8 emittrar och 7 detektorer), som bildar 22 mätkanaler med 3 cm optodeseparation(figur 1B).
    5. Markera platsen för de 15 sonderna av plåstret på badlocket.
    6. Ta av plåstret och badlocket från huvudformen.
    7. Skär 15 små hål på de markerade platserna för de 15 sonder med en sax.
    8. Montera plåstret på den modifierade badlocket genom att bädda in platserna för 15 sonder i lämpliga 15 hål.
    9. Laga den andra badmössan enligt ovanstående process.
      OBS: Homemade fNIRS-locket, där optoderna är enligt standard-EEG-platserna, användes eftersom det inte fanns några tillämpliga standard-EEG-kepsar för fNIRS-systemet som användes i denna studie. Det finns inget behov av att göra ett fNIRS-lock om det finns lämpliga standard EEG-kepsar med fNIRS-systemet.

2. Innan deltagarna anländer

OBS: Se till att följa steg 2.1-2.5 innan deltagarna anländer till laboratoriet.

  1. Påminn de två deltagarna om en dyad att komma till laboratoriet enligt den överenskomna tidsplanen.
  2. Starta fNIRS-systemet minst 30 min i förväg och lämna lasern avstängd.
  3. Sätt in optodsonderna från fNIRS-systemet i optode-sondfixarna.
  4. Undersök parametrarna för fNIRS-mätning (dvs. ämnes-ID, händelserelaterat läge, optodsondarrangemanget).
  5. Ställ in experimentapparaten med ett bord, två stolar, två 19-inds datorskärmar och två par hörlurar (bild 1C).

3. Deltagarens ankomst till laboratoriet

OBS: Uppskattar uppriktigt de två deltagarna i en dyad när de anländer till fNIRS-labbet. Be dem att sätta sin telefon i tyst läge och tillfälligt lämna sina personliga tillhörigheter i skåpet. Utför sedan följande processer i följd:

  1. Innan deltagarna sätter sig ner, bekräfta att de två deltagarna inte har sett varandra tidigare. Se till att de inte kommunicerade med varandra genom något språk eller rörelse när de var i labbet.
  2. Förse deltagarna med informerade samtyckesformulär som godkänts av universitetsutskottet för mänsklig forskning.
  3. Instruera deltagarna om detaljerna i den experimentella uppgiften. Be dem att bära hörlurar och ge dem flera övningsförsök.
  4. Låt de två deltagarna i varje dyad öva tillsammans i övningsförsöken.
    OBS: Innan du bär fNIRS-locket är det värt att mäta och bestämma huvudstorleken för varje deltagare med hjälp av en flexibel regel. Välj sedan rätt storlekslock för deltagaren enligt hans/hennes huvudstorlek. I denna studie missades ett sådant steg eftersom enstora badmössor användes. Det är bättre att utföra detta steg dagen före experimentet eftersom de relativa operationerna (dvs. mätning av huvudstorlek, val av rätt storlek simning keps, montering av optod sond patchar till badlocket och sätta in optod sonder i sonden patchar) är tidskrävande (ca 20-30 min).
  5. Sätt fNIRS-locket på deltagarnas huvud med mitten av locket som pekar på platsen för CZ och placera den mellersta optodensonden för den andra sonden i plåstret vid FCz.
  6. Använd fNIRS-systemet för att utföra signalkalibreringen med lasern påslagen.
  7. Om det inte finns en tillräcklig signal vid någon kanal, justera signalintensiteten med en fiberpinne för att försiktigt lägga håret under den omgivande sondens spets åt sidan.
  8. Tryck vid behov försiktigt på sonder men se till att inte skada deltagarna.
  9. Upprepa steg 3.5-3.8 tills signalens kvalitet är tillgänglig. Se till att deltagarna känner sig bekväma under hela signalkalibreringen.
  10. Hjälp deltagarna att hitta en bekväm hållning för sig själva (t.ex. bekväma kroppspositioner). Påminn deltagarna om att hålla huvudet så orörligt som möjligt under hela försöksuppgiften (dvs. ca 26 min).
  11. Undersök kvaliteten på NIRS-signaler igen. Om det finns tillräckligt med signaler i alla kanaler kör du experimentproceduren på den stationära datorn.
  12. Hjälp deltagarna att ta av hörlurarna och fNIRS-locket när experimentet är klart. Lämna tillbaka deras personliga tillhörigheter och tacka dem med ekonomisk kompensation.
  13. Använd fNIRS-systemet för att spara data. Använd en skiva för att exportera råa fNIRS-data (.csv) och använd en USB för att kopiera beteendedata från datorn.
  14. Stäng fNIRS-systemet och datorn om det inte finns något mer experimentellt arrangemang.
  15. Håll labb-anteckningsboken redo att notera alla händelser, särskilt avvikelser under hela experimentet.

4. Dataanalys

OBS: Utför all dataanalys med hjälp av MATLAB-programvara, med följande verktygslådor: HOMER219, Hitachi2nirs20, xjView21, Cross Wavelet och Wavelet Coherence toolbox22och Groppes skript i MathWork23.

  1. Förbearbetning av data
    1. Följ steg 4.1.2-4.1.3 för att kontrollera datakvaliteten
    2. Läs datafilerna (.csv) för varje deltagare med funktionen readHitachData i xjView.
      OBS: På detta sätt omvandlas Hitachis mätdata (csv-format) till data för oxyHb/deoxyHb/markör med den information som sparas i mätningen (dvs. våglängd, tidsdata och kanallista).
    3. Kontrollera visuellt kvaliteten i oxyHb- och deoxyHb-värden genom att plotta alla kanalers tidsserier i en figur, med funktionsdiagrammetTraces av xjView.
      OBS: Det är lätt att identifiera avvikelser i data. Kanalen som har mycket brus kan uteslutas i efterföljande analys.
    4. Konvertera Hitachi-filer (.csv) till .nirs-filformat med funktionen csv2nirs för Hitachi2nirs, som stöder ytterligare dataförbearbetning med Homer2.
    5. Omvandla rådata till optisk densitet med funktionen hmrIntensity2OD för Homer2.
    6. Använd huvudkomponentanalyser (PCA)24 för att ta bort fNIRS globala fysiologiska brus med hjälp av funktionen enPCAFilter (nSV = 0,8, det vill säga 80% av datans kovarians togs bort) av Homer2.
    7. Använd korrelationsbaserad signalförbättringsmetod (CBSI)25 för att ta bort huvudrörelseartefakter med funktionen hmrMotionCorrect_Cbsi homer2.
    8. Använd modifierad Beer-Lembert-lag för att omvandla den bearbetade optiska densiteten till oxyHb- och deoxyHb-värden med homer2-funktionen hmrOD2Conc.
  2. Beräkna IBS
    OBS: För de förbehandlade oxyHb-värdena använder du WTC för att beräkna koherensvärdena för kanalparet som kommer från samma plats som dyaden, inklusive följande pipeline:
    1. Anta wtc-funktionen för cross wavelet och wavelet coherence toolbox med standardparametrar för att beräkna koherensvärdena vid varje tidpunkt och frekvenspunkt för att erhålla en tvåaxlig matris med koherensvärden.
    2. För standardparametrarna använder du morlet mother wavelet för att omvandla varje tids serie till tids- och frekvensdomänen genom den kontinuerliga wavelet-omvandlingen.
    3. Välj MonteCarloCount om du vill representera antalet surrogatdatauppsättningar i signifikansberäkningen och välj Auto AR1 för att beräkna tidsseriens autokorrelationskoefficienter.
    4. Välj frekvensband (FOI) enligt steg 4.2.5-4.2.8.
    5. Välj och beräkna medelvärdet av frekvensbandets koherensvärden mellan 0,5-1 Hz (motsvarande period 2 s respektive 1 s), enligt frekvensbandet som används i fingerrörelseuppgiften i en tidigare fNIRS hyperscanningstudie9. Sådan FOI motsvarade också perioden för en kran i den experimentella uppgiften. Skaffa således en kolumn med koherensvärden för varje par.
      OBS: För att ytterligare statistiskt bekräfta FOI, beräkna koherensvärdena för varje dyad över hela frekvensområdet (dvs. 0,008-10 Hz för data), i stället för att bara begränsa det valda frekvensbandet (dvs. 0,5-1 Hz).
    6. Medelvärdet av koherensvärdena för de riktade tidsfönstren (samma som 4.2.3) för varje frekvenspunkt.
    7. Analysera sedan de genomsnittliga koherensvärdena enligt rörledningen som beskrivs i steg 4.2.9-4.2.11 och efterföljande statistik (dvs. 4.3.1 - 4.3.2) för varje frekvenspunkt.
    8. Slutligen, visuellt inspektera FOI genom att plotta de statistiska z-värdena för varje kanal över frekvensen.
    9. Välj och beräkna hållenhetsvärdena för tidsfönstret under vilotillståndet (tidsfönster för 20 s-vilotillstånd) respektive varje försökstillstånd (dvs. mätarkoordinering, icke-mätarkoordinering, mätaroberoende respektive icke-mätaroberoende) med hjälp av information om märket. Uppnå således fem koherensvärden för varje dyad.
    10. För uppgiftssessionen väljer du bara den varaktighet under vilken deltagarna knackade för att reproducera hörselstimulansen, cirka 12 s för varje försök, alltså totalt 180 s (dvs. 12 s x 15 försök) för varje experimentellt tillstånd.
      OBS: IBS beräknades som koherensökning (de större subtraherade koherensvärdena än noll), nämligen de större koherensvärdena i aktivitetssessionen jämfört med dem i vilolägessessionen.
    11. Subtrahera vilosammanhållningsvärdet från det uppgiftsrelaterade koherensvärdet, där koherensvärdet under vilotillståndet användes som baslinje i det här experimentet.
      OBS: Genom att upprepa ovanstående steg (4.2.1-4.2.11) över kanaler (dvs. 22 kanaler) och dyader (dvs. 16 dyads) erhölls slutligen de subtraherade koherensvärdena för varje dyad vid varje kanal.
  3. Statistik
    1. Jämför de subtraherade koherensvärdena med noll vid varje kanal för varje experimentellt tillstånd, med hjälp av de parade proverna permutation t-test med den mult_comp_perm_t1 funktionen av Groppes arbete (5000 permutationer för att uppskatta fördelningen av nollhypotesen; önskad familjevis alfanivå- 0,05; tvåsidigt test, vilket innebär att den alternativa hypotesen är att medelvärdet av data skiljer sig från 0) som onormal datafördelning och begränsad urvalsstorlek i den nuvarande experiment26.
      OBS: De parade proverna permutation t-test här liknar parat t-test, men det senare förutsätter att data normalt distribueras, medan den förstnämnda inte gör det. Ett sådant test börjar på samma sätt som parat t-test, det vill säga genom att beräkna en t-poäng (dvs. real t score) för koherensvärdena i olika grupper (den ena är de subtraherade koherensvärdena i uppgiftsvillkoret, den andra är nollor). Sedan genereras en permutation genom utbyte av olika gruppers koherensvärden, och en ny t-poäng beräknas för de subtraherade koherensvärdena och nollorna efter denna permutation. Sådan permutation utförs 5000 gånger. Således erhålls 5000 t poäng. I fördelningen av poängen på 5000 t genererar den relativa platsen för den verkliga t-poängen p-värdet för de subtraherade koherensvärdena.
    2. Korrigera p-värdena (dvs. på grund av problemet med flera jämförelser och generera från jämförelserna mellan 22 kanaler i en korrigeringsfil) med metoden False Discovery Rate (s < 0,05)27. Utför denna korrigering via mafdr-funktionen i MATLAB-verktygslådan.
      OBS: Om p-värdet på någon kanal var signifikant (dvs. p < 0,05) efter FDR-korrigering, finns det IBS vid den kanalen.
    3. Jämför samstämmighetsvärdena mellan olika uppgiftsvillkor vid den kanal där IBS fanns med hjälp av det parade provprovet permutation t-test med den mult_comp_perm_t1 funktionen för Groppes arbete (samma parametrar som nämns i steg 4.3.1).
      OBS: För att intuitivt undersöka IBS under interpersonell samordning avseende meter kontra icke-mätarstimulans, jämför koherensvärdena för olika förhållanden direkt (dvs. mätarkoordinering kontra icke-mätarkoordinering; mätarkoordinering kontra mätaroberoende).
    4. Beräkna beteendeprestandan med den absoluta skillnaden mellan partnernas svarstid dividerad med summan av båda parters svar56.
    5. Utvärdera förhållandet mellan IBS och beteendeprestanda genom permutationstestet baserat på Pearson linjär korrelationsanalys (dvs. den mult_comp_perm_corr funktionen i Groppes arbete).
  4. Validera IBS
    OBS: För att utesluta förklaringarna att liknande stimuli, rörelser eller förhållanden inducerade den demonstrerade IBS, använd ett permutationstest som valideringsmetod, med tre permutationer (dvs. inom dyad, mellan dyad och mellan tillståndspermutationer), inkluderade följande:
    1. Slumpmässigt märka av försök i mätarkoordineringsvillkoret (dvs. inom dyadpermutation, såsom försök #1 och studie #13 i dyad #1) för en dyad vid varje kanal via randpermfunktionen i MATLAB.
    2. Följ ovanstående pipeline för beräkning av IBS och statistik (dvs. avsnitten 4.2 och 4.3, men exklusive känslighetsanalysen för FOI) för den randomiserade prövningsetiketten.
      OBS: Beräkna koherensvärden för det falska paret för varje villkor separat och beräkna koherensen ökar för det falska paret (dvs. subtrahera vilosammanhållningsvärdet från det uppgiftsrelaterade koherensvärdet för det falska paret).
    3. Utför permutationen 1000 gånger, följt av pipelinen för beräkning av IBS och statistik (avsnitten 4.2 och 4.3).
    4. Rita fördelningen av statistiska z-värden som genereras inom dyadpermutation.
    5. Utför steg 4.4.2-4.4.4 genom att randomisera parning av deltagarna i samma försök i mätarkoordineringsvillkoret (dvs. mellan dyadpermutation, till exempel deltagare #1 i dyad #1 och deltagare #1 i dyad #3).
    6. Genomföra steg 4.4.2-4.4.4 genom att slumpa etiketten på villkoren för samma medlemmar i en dyad i samma försök (dvs. mellan villkor permutation, såsom deltagare #1 i mätarkoordineringsvillkoret och deltagare nr 2 i mätaroberoende villkor).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Resultaten visade att det fanns IBS vid kanal 5 i mätarkoordineringsvillkoret, medan det inte fanns någon IBS under andra förhållanden (dvs. mätaroberoende, icke-mätarkoordinering, icke-mätaroberoende; Figur 2A). Vid kanal 5 var IBS i mätarkoordineringsförhållandet betydligt högre än koherensvärdena i icke-mätarkoordinations- och mätaroberoendeförhållandet(figur 2B). Kanal 5 tillhörde ungefär den vänstra dorsolateral prefrontal cortex (DLPFC; Brodmann område 9). Dessutom visade permutationsanalysen att den observerade IBS förmodligen presenterades i två individer av en dyad som försökte synkronisera med varandra under den matchade tiden, men inte i tid, partner eller tillstånd för slumpmässig parning (figur 2C). Tillsammans anges dessa resultat att musik mätare inducerade privilegierade IBS vid DLPFC under interpersonell samordning. Med tanke på DLPFC:s roll i social interaktion (t.ex. modulering av uppmärksamhet på andra personer28,29) och musik (t.ex. förbättrad kognitiv prestanda i närvaro av en musikalisk bakgrund30,31),kan den observerade DLPFC-IBS i mätarkoordineringsförhållandet vara relaterad till att driva mer uppmärksamhetsresurs till den process som är involverad i interpersonell samordning, såsom att uppfatta och förstå partnerns uppgift och rörelse.

Figure 1
Figur 1: Experimentell design. (A) Experimentellt förfarande och uppgift. (B)Sondkonfiguration. (C) Experimentell installation. Klicka här för att se en större version av den här figuren.

Figure 2
Bild 2: Inter-brain synkronisering (IBS). (A) Värmekartorna för permutationstestet på koherensvärdet för varje tillstånd. Det fanns IBS vid kanal 5 i mätarkoordineringsförhållandet. (B)IBS vid kanal 5 i mätarkoordineringsförhållandet var betydligt större än i mätarens oberoende och icke-mätarkoordineringsförhållande. **p < 0,01,* p < 0,05. Felstaplar representerar minimi-/maximivärden. Diamanttapparna betecknar extrema värden. Det skuggade området anger konfidensintervallet på 95 %. (C) Effekten av IBS (statistiska z-värden) med permuterande försök, individ och villkor för alla kanaler. Den streckade linjen anger effekten av IBS vid kanal 5 i mätarkoordineringsförhållandet. X-axeln representerar Z-värdet och y-axeln representerar antalet exempel. Klicka här för att se en större version av den här figuren.

Kompletterande ljud 1. Klicka här för att ladda ner den här filen.

Kompletterande ljud 2. Klicka här för att ladda ner den här filen.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Detta protokoll ger en steg-för-steg-procedur för att beräkna och validera IBS, med hjälp av fNIRS hyperscanning-metoden för att samtidigt samla in två deltagares hjärnsignaler. Några kritiska frågor som är involverade i fNIRS-dataförbearbetning, IBS-beräkning, statistik och IBS-validering diskuteras nedan.

Förbearbetning av data
Det är nödvändigt att förbehandla fNIRS-data i hyperscanning studier för att extrahera verkliga signaler från möjligt brus (dvs. rörelseartefakter, systemiska komponenter). Även om förbearbetningen hoppas över när man analyserar IBS i tidigare fNIRS hyperscanning studier10,32,33, har det varit en viktig och standard del i de senaste. I denna studie används både CBSI och PCA för att avlägsna buller; den förstnämnda är pålitlig för att ta bort huvudrörelseartefakter34, medan den senare är bra på att minska det globala fysiologiska bruset (t.ex. andningsorgan, blodtryck och blodflödesvariation)35. Naturligtvis finns det andra rörelsekorrigeringsmetoder för dataförbearbetning, som fungerar bra i empiriska fNIRS-studier, såsom wavelet-filtrering36, splineinterpolation37, Kalman filtrerar38, autoregressiva algoritmer39och kortkanalig separationskorrigering40. Jämförelserna av rörelsekorrigeringsmetoder rapporterade att det alltid är bättre att korrigera rörelseartefakter än att utesluta kanaler eller avvisa försök och att varje metod har betoning särskilt på. Det har föreslagits att anta flera motionskorrigeringsmetoder samtidigt41, vilket framgår av denna studie, är en realistisk lösning. Dessutom används lågpassning och högpassning filtrering också vanligtvis i fNIRS dataförbearbetning för att ta bort fysiologiskt brus. Även om denna metod är effektiv kan den förstöra uppgiftseffekten när det fysiologiska bruset och uppgiftseffekten uppstår i liknande frekvensband42. Tillsammans kan användning av PCA och CBSI vara tillrådligt för dataförbearbetning i fNIRS hyperscanning studier.

Beräkna IBS
Det har föreslagits att mer arbete krävs för att standardisera IBS-analysstegen och öka reproducerbarheten hos IBS, eftersom exakta algoritmer som används för att beräkna IBS varierar mellan laboratorier och studier43. I detta arbete är standardpipelinen för beräkning av IBS genom WTC användbar för forskare. Det finns flera saker som måste vara försiktiga. För det första faller WTC ofta under Morlet wavelet-familjen, som används i denna studie. Det föreslås dock att en komplex Gaussisk våg är mer lämplig för fNIRS-data än en Morlet-våg, eftersom den förra matchar vågformen för den underliggande signalen (dvs multihjulingssignalerna förekommer sällan, särskilt för signalen om våglängder runt 10 till 20 s)44. Fler överväganden bör riktas till de wavelet koherensberäkningar som påverkar analysens kraft i efterföljande applikationer för NIRS-signaler som förvärvats under levande sociala interaktioner. För det andra, för att vara förenlig med tidigare resultat av interpersonell samordning med musik2,45,46 och musikaktiviteter4,47,48,beräknades koherensvärdena mellan samma kanaler i denna studie, medan vissa studier har i genomsnitt haft koherensvärdena för alla kanaler inom samma hjärnregion före statistisk analys49,50 . Dessutom beräknades samstämmighetsvärdena inte bara mellan samma kanaler/regioner10,32,51 utan även mellan olika kanaler/regioner52,53. Dessa nämnda processer har berikat pipelinen för beräkning av IBS och kan intressera framtida riktningar för social interaktion. Sist men inte minst analyserades endast oxyHb-värden i denna studie eftersom oxyHb-värden betraktas som den känsligaste indikatorn på förändringar i det regionala cerebrala blodflödet54. Vissa forskare fokuserade dock på deoxyHb-förändringar, baserat på resultaten att deoxyHb-värden är närmast relaterade till fMRI-signalen och oberoende av det globala fysiologiska bruset55. Hur som helst, resultaten kan vara mer tillförlitliga om liknande IBS effekter avslöjas i både oxyHb och deoxyHb förändringar. Därför är analysen av IBS på deoxyHb-värden också nödvändig för framtida fNIRS hyperscanning studier.

Validera IBS
Det är nödvändigt att validera den avslöjade IBS, eftersom tolkningen av IBS fortfarande är komplex. Till exempel har IBS förklarats som en mekanism för informationsöverföring, delad avsiktlighet, beteendejustering, liknande uppfattning etc. Det skulle bidra till att klargöra tolkningen av IBS genom att utföra nollhypotestestning med permutation, där koherensvärden antingen beräknas för de verkliga dyaderna men slumpmässigt para ihop försök eller för falska dyader genom att slumpmässigt para deltagare inom ett villkor / grupp eller mellan villkor / grupper16. I denna studie utfördes permutation genom att helt enkelt genomföra ett mycket stort antal omsamplingar (dvs. 1000 gånger). Däremot kan koherensvärden beräknas för alla möjliga slumpmässiga par56. Dessutom kan ovanstående permutationstest användas för att generera en nollfördelning av koherenser från alla möjliga koherenser i experimentet, för att se om den observerade IBS ligger nära den övre änden av denna fördelning, som ofta har använts i studier som antar verkliga stimuli och experimentell miljö57,58. Denna analys säkerställer att IBS är verkligt interaktionsspecifikt på sekvensnivå, eftersom koherensvärdena under matchande värden (dvs. försök, individer och villkor) i genomsnitt statistiskt sett måste överstiga en lika stor slumpmässig dragning av koherenser inom eller mellan dyads. En sådan metod skiljer sig från den baslinje som används i det aktuella arbetet (dvs. vilotillståndssammanhållningsvärdena), som är i linje med traditionella allmänna linjära modeller och väljs ut för att jämföra de aktuella resultaten med resultaten i tidigare studier. Det bör noteras att 20-s-vilobaslinjen i denna studie är kortare än den allmänt använda varaktigheten (30 s eller mer än 1 min), som används för att begränsa experimentets totala tid till 30 min för att säkerställa deltagarnas komfort.

Sammanfattningsvis ger den här artikeln en specifik pipeline för att analysera IBS i fNIRS hyperscanning studier. En sådan pipeline är en potentiellt standardiserad metod för databehandling på fältet, vilket kommer att bidra till både IBS reproducerbarhet och tillförlitlighet. I framtiden bör uppgifterna om databehandlingen förfinas ytterligare vid analys av IBS för vissa grupper (dvs. patienter med föräldrar och spädbarn, barn och schizofreni) och särskilda sammanhang (dvs. icke-verbala eller verbala kommunikations- och undervisningssituationer). Slutligen, visa protokollet för att analysera inter-brain nätverket för större grupper av deltagare i naturliga interaktioner kommer att gynna kvantifieringen av social interaktion.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Författarna har inget att avslöja.

Acknowledgments

Denna forskning stöddes av: National Natural Science Foundation of China (31872783, 31800951).

Materials

Name Company Catalog Number Comments
Computer Hewlett-Packard Development Company, L.P. HP S01-pF157mcn
Earphone Royal Philips Electronics, Eindhoven, The Netherlands SHE2405BK/00
EEG cap Compumedics Neuroscan, Charlotte, USA 64-channel Quik-Cap
E-Prime software Psychology Software Tools, Inc., Pittsburgh, USA E-Prime 3
fNIRS system Hitachi Medical Corporation, Tokyo, Japan ETG-7100 Optical Topography System
MATLAB 2014b The MathWorks, Inc., Natick, MA MATLAB 2014b
MuseScore Musescore Company, Belgium MuseScore 3.6.2.548021803
Swimming cap Decathlon Group, Villeneuve-d'Ascq, France 1681552

DOWNLOAD MATERIALS LIST

References

  1. Kingsbury, L., Hong, W. A Multi-Brain Framework for Social Interaction. Trends in Neurosciences. 43 (9), 651-666 (2020).
  2. Konvalinka, I., Bauer, M., Stahlhut, C., Hansen, L. K., Roepstorff, A., Frith, C. D. Frontal alpha oscillations distinguish leaders from followers: multivariate decoding of mutually interacting brains. NeuroImage. 94, 79-88 (2014).
  3. Ikeda, S., et al. Steady Beat Sound Facilitates both Coordinated Group Walking and Inter-Subject Neural Synchrony. Frontiers in Human Neuroscience. 11, 147 (2017).
  4. Duan, L., et al. Cluster imaging of multi-brain networks (CIMBN): a general framework for hyperscanning and modeling a group of interacting brains. Frontiers in Neuroscience. 9, 267 (2015).
  5. Sanger, J., Muller, V., Lindenberger, U. Intra- and interbrain synchronization and network properties when playing guitar in duets. Frontiers in Human Neuroscience. 6, 312 (2012).
  6. Muller, V., Delius, J. A. M., Lindenberger, U. Hyper-frequency network topology changes during choral singing. Frontiers in Physiology. 10, 207 (2019).
  7. Egetemeir, J., Stenneken, P., Koehler, S., Fallgatter, A. J., Herrmann, M. J. Exploring the neural basis of real-life joint action: Measuring brain activation during joint table setting with functional near-infrared spectroscopy. Frontiers in Human Neuroscience. 5, 95 (2011).
  8. 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).
  9. Holper, L., Scholkmann, F., Wolf, M. Between-brain connectivity during imitation measured by fNIRS. NeuroImage. 63 (1), 212-222 (2012).
  10. 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).
  11. Jiang, J., Dai, B., Peng, D., Zhu, C., Liu, L., Lu, C. Neural synchronization during face-to-face communication. Journal of Neuroscience. 32 (45), 16064-16069 (2012).
  12. Tang, H., Mai, X., Wang, S., Zhu, C., Krueger, F., Liu, C. Interpersonal brain synchronization in the right temporo-parietal junction during face-to-face economic exchange. Social Cognitive and Affective Neuroscience. 11 (1), 23-32 (2016).
  13. 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).
  14. Konvalinka, I., Roepstorff, A. The two-brain approach: how can mutually interacting brains teach us something about social interaction. Frontiers in Human Neuroscience. 6, 215 (2012).
  15. Karlsson, A. Permutation, parametric, and bootstrap tests of hypotheses. Journal of the Royal Statistical Society Series a-Statistics in Society. 169, 171 (2006).
  16. Ayrolles, A., et al. HyPyP: a Hyperscanning python pipeline for inter-brain connectivity analysis. Social Cognitive and Affective Neuroscience. 16 (1-2), 72-83 (2021).
  17. Konvalinka, I., Vuust, P., Roepstorff, A., Frith, C. D. Follow you, follow me: continuous mutual prediction and adaptation in joint tapping. Quarterly Journal of Experimental Psychology. 63 (11), 2220-2230 (2010).
  18. Majolo, B., et al. Human friendship favours cooperation in the iterated prisoner's dilemma. Behaviour. 143, 1383-1395 (2006).
  19. Homer2. , Available from: https://www.nitrc.org/projects/hitachi2nirs (2021).
  20. Hitachi2nirs. , Available from: https://www.nitrc.org/projects/hitachi2nirs (2021).
  21. xjview. , Available from: https://www.alivelearn.net/xjview/ (2021).
  22. Cross Wavelet and Wavelet Coherence toolbox. , Available from: http://grinsted.github.io/wavelet-coherence/ (2021).
  23. Groppe's scripts in MathWork. , Available from: https://uk.mathworks.com/matlabcentral/profile/authors/1948879 (2021).
  24. Zhang, Y., Brooks, D. H., Franceschini, M. A., Boas, D. A. Eigenvector-based spatial filtering for reduction of physiological interference in diffuse optical imaging. Journal of Biomedical Optics. 10 (1), 011014 (2005).
  25. Cui, X., Bray, S., Reiss, A. L. Functional near infrared spectroscopy (NIRS) signal improvement based on negative correlation between oxygenated and deoxygenated hemoglobin dynamics. NeuroImage. 49 (4), 3039-3046 (2010).
  26. Lumley, T., Diehr, P., Emerson, S., Chen, L. The importance of the normality assumption in large public health data sets. Annual Review of Public Health. 23 (1), 151-169 (2002).
  27. Benjamini, Y., Yekutieli, D. The control of the false discovery rate in multiple testing under dependency. Annals of Statistics. 29 (4), 1165-1188 (2001).
  28. Miller, B. L., Cummings, J. L. The human frontal lobes: Functions and disorders. , Guilford Press. New York. (2007).
  29. vanden Bos, W., van Dijk, E., Westenberg, M., Rombouts, S. A. R. B., Crone, E. A. What motivates repayment? Neural correlates of reciprocity in the Trust Game. Social Cognitive and Affective Neuroscience. 4 (3), 294-304 (2009).
  30. Corbetta, M., Shulman, G. L. Control of goal-directed and stimulus-driven attention in the brain. Nature Reviews Neuroscience. 3 (3), 201-215 (2002).
  31. Ferreri, L., Aucouturier, J. J., Muthalib, M., Bigand, E., Bugaiska, A. Music improves verbal memory encoding while decreasing prefrontal cortex activity: an fNIRS study. Frontiers in Human Neuroscience. 7, 779 (2013).
  32. 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).
  33. Hu, Y., Hu, Y., Li, X., Pan, Y., Cheng, X. Brain-to-brain synchronization across two persons predicts mutual prosociality. Social Cognitive and Affective Neuroscience. 12 (12), 1835-1844 (2017).
  34. Delgado Reyes, L. M., Bohache, K., Wijeakumar, S., Spencer, J. P. Evaluating motion processing algorithms for use with functional near-infrared spectroscopy data from young children. Neurophotonics. 5 (2), 025008 (2018).
  35. Zhang, Y., Brooks, D. H., Franceschini, M. A., Boas, D. A. Eigenvector-based spatial filtering for reduction of physiological interference in diffuse optical imaging. Journal of Biomedical Optics. 10 (1), 11014 (2005).
  36. Molavi, B., Dumont, G. A. Wavelet-based motion artifact removal for functional near-infrared spectroscopy. Physiological Measurement. 33 (2), 259-270 (2012).
  37. Scholkmann, F., Spichtig, S., Muehlemann, T., Wolf, M. How to detect and reduce movement artifacts in near-infrared imaging using moving standard deviation and spline interpolation. Physiological Measurement. 31 (5), 649 (2010).
  38. Izzetoglu, M., Chitrapu, P., Bunce, S., Onaral, B. Motion artifact cancellation in NIR spectroscopy using discrete Kalman filtering. Biomedical Engineering Online. 9 (1), (2010).
  39. Barker, J. W., Aarabi, A., Huppert, T. J. Autoregressive model based algorithm for correcting motion and serially correlated errors in fNIRS. Biomedical Optics Express. 4 (8), 1366-1379 (2013).
  40. Gagnon, L., et al. Short separation channel location impacts the performance of short channel regression in NIRS. NeuroImage. 59 (3), 2518 (2012).
  41. Di Lorenzo, R., et al. Brain responses to faces and facial expressions in 5-month-olds: An fNIRS study. Frontiers in Psychology. 10, 1240 (2019).
  42. Duan, L., et al. Wavelet-based method for removing global physiological noise in functional near-infrared spectroscopy. Biomed Opt Express. 9 (8), 3805-3820 (2018).
  43. Hamilton, A. Hype, hyperscanning and embodied social neuroscience. PsyArXiv. , (2020).
  44. 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).
  45. Ikeda, S., et al. Steady beat sound facilitates both coordinated group walking and inter-subject neural synchrony. Frontiers in Human Neuroscience. 11, 147 (2017).
  46. Osaka, N., et al. How two brains make one synchronized mind in the inferior frontal cortex: fNIRS-based hyperscanning during cooperative singing. Frontiers in Psychology. 6, 1811 (2015).
  47. Abrams, D. A., et al. Inter-subject synchronization of brain responses during natural music listening. European Journal of Neuroscience. 37 (9), 1458-1469 (2013).
  48. Hou, Y., Song, B., Hu, Y., Pan, Y., Hu, Y. The averaged inter-brain coherence between the audience and a violinist predicts the popularity of violin performance. NeuroImage. 211, 116655 (2020).
  49. Baker, J. M., et al. Sex differences in neural and behavioral signatures of cooperation revealed by fNIRS hyperscanning. Scientific Reports. 6, 26492 (2016).
  50. Kruppa, J. A., et al. Brain and motor synchrony in children and adolescents with ASD-a fNIRS hyperscanning study. Social Cognitive and Affective Neuroscience. 16 (1-2), 103-116 (2021).
  51. Liu, T., Duan, L., Dai, R., Pelowski, M., Zhu, C. Team-work, Team-brain: Exploring synchrony and team interdependence in a nine-person drumming task via multiparticipant hyperscanning and inter-brain network topology with fNIRS. NeuroImage. 237, 118147 (2021).
  52. Dai, B., et al. Neural mechanisms for selectively tuning in to the target speaker in a naturalistic noisy situation. Nature Communications. 9 (1), 2405 (2018).
  53. Li, R., Mayseless, N., Balters, S., Reiss, A. L. Dynamic inter-brain synchrony in real-life inter-personal cooperation: A functional near-infrared spectroscopy hyperscanning study. NeuroImage. 238, 118263 (2021).
  54. Boas, D. A., Dale, A. M., Franceschini, M. A. Diffuse optical imaging of brain activation: approaches to optimizing image sensitivity, resolution, and accuracy. NeuroImage. 23, 275-288 (2004).
  55. Ferrari, M., Quaresima, V. A brief review on the history of human functional near-infrared spectroscopy (fNIRS) development and fields of application. NeuroImage. 63 (2), 921-935 (2012).
  56. Mu, Y., Guo, C., Han, S. Oxytocin enhances inter-brain synchrony during social coordination in male adults. Social Cognitive and Affective Neuroscience. 11 (12), 1882-1893 (2016).
  57. Chen, J., et al. Shared memories reveal shared structure in neural activity across individuals. Nature Neuroscience. 20 (1), 115-125 (2017).
  58. Regev, M., et al. Propagation of Information Along the Cortical Hierarchy as a Function of Attention While Reading and Listening to Stories. Cerebral Cortex. 29 (10), 4017-4034 (2019).

Tags

Neurovetenskap nummer 175 inter-brain synkronisering fNIRS hyperscanning wavelet transform koherens permutation test
Hur man beräknar och validerar synkronisering mellan hjärnor i en fNIRS Hyperscanning-studie
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Hu, Y., Wang, Z., Song, B., Pan, Y., … More

Hu, Y., Wang, Z., Song, B., Pan, Y., Cheng, X., Zhu, Y., Hu, Y. How to Calculate and Validate Inter-brain Synchronization in a fNIRS Hyperscanning Study. J. Vis. Exp. (175), e62801, doi:10.3791/62801 (2021).

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