Summary
Dit protocol beschrijft partiële wavelettransformatiecoherentie (pWTC) voor het berekenen van het tijd-vertraagde patroon van interpersoonlijke neurale synchronisatie (INS) om de richting en het temporele patroon van informatiestroom tijdens sociale interactie af te leiden. De effectiviteit van pWTC bij het verwijderen van de confounds van signaalautocorrelatie op INS werd bewezen door twee experimenten.
Abstract
Sociale interactie is van vitaal belang voor de mens. Hoewel de hyperscanning-benadering uitgebreid is gebruikt om interpersoonlijke neurale synchronisatie (INS) tijdens sociale interacties te bestuderen, is functionele nabij-infraroodspectroscopie (fNIRS) een van de meest populaire technieken voor hyperscanning naturalistische sociale interacties vanwege de relatief hoge ruimtelijke resolutie, geluidsanatomische lokalisatie en uitzonderlijk hoge tolerantie voor bewegingsartefacten. Eerdere op fNIRS gebaseerde hyperscanningstudies berekenen meestal een in de tijd vertraagde INS met behulp van wavelettransformatiecoherentie (WTC) om de richting en het temporele patroon van informatiestroom tussen individuen te beschrijven. De resultaten van deze methode kunnen echter worden verstoord door het autocorrelatie-effect van het fNIRS-signaal van elk individu. Om dit probleem aan te pakken, werd een methode geïntroduceerd die partiële wavelettransformatiecoherentie (pWTC) werd genoemd, die tot doel had het autocorrelatie-effect te verwijderen en de hoge temporele spectrumresolutie van het fNIRS-signaal te behouden. In deze studie werd eerst een simulatie-experiment uitgevoerd om de effectiviteit van de pWTC aan te tonen bij het verwijderen van de impact van autocorrelatie op INS. Vervolgens werd stapsgewijze begeleiding geboden over de werking van de pWTC op basis van de fNIRS-dataset uit een sociaal interactie-experiment. Daarnaast werd een vergelijking gemaakt tussen de pWTC-methode en de traditionele WTC-methode en die tussen de pWTC-methode en de Granger causaliteit (GC) methode. De resultaten toonden aan dat pWTC kon worden gebruikt om het INS-verschil tussen verschillende experimentele omstandigheden en het directionele en temporele patroon van INS tussen individuen tijdens naturalistische sociale interacties te bepalen. Bovendien biedt het een betere temporele en frequentieresolutie dan het traditionele WTC en een betere flexibiliteit dan de GC-methode. PWTC is dus een sterke kandidaat voor het afleiden van de richting en het temporele patroon van informatiestroom tussen individuen tijdens naturalistische sociale interacties.
Introduction
Sociale interactie is van levensbelang voor de mens 1,2. Voor het begrijpen van het neurocognitieve mechanisme van sociale interactie in de dubbele hersenen, is de hyperscanning-benadering onlangs uitgebreid gebruikt, waaruit blijkt dat de patronen van interpersoonlijke neurale synchronisatie (INS) het sociale interactieproces goed kunnen karakteriseren 3,4,5,6,7,8,9,10,11,12 ,13,14. Onder recente studies is een interessante bevinding dat het rolverschil van individuen in een dyade kan leiden tot een tijdsvertragingspatroon van INS, d.w.z. INS treedt op wanneer de hersenactiviteit van een individu seconden achterblijft bij die van een ander individu, zoals die van luisteraars tot sprekers 5,9, van leiders tot volgers4, van leerkrachten tot leerling8, van moeders tot kinderenvan 13,15, en van vrouwen tot mannen in een romantisch koppel6. Het belangrijkste is dat er een goede overeenkomst is tussen het interval van de ins met een tijdsachterstand en dat van sociaal interactiegedrag, zoals tussen leraren die vragen stellen en studenten die8 beantwoorden of tussen ouderschapsgedrag van moeders en volgzaam gedrag van kinderen15. Ins met een tijdsachterstand kan dus een directionele informatiestroom van het ene individu naar het andere weerspiegelen, zoals voorgesteld in een recent hiërarchisch model voor interpersoonlijke verbale communicatie16.
Voorheen werd de in de tijd vertraagde INS voornamelijk berekend op het functionele nabij-infraroodspectroscopie (fNIRS) signaal vanwege de relatief hoge ruimtelijke resolutie, geluidsanatomische lokalisatie en uitzonderlijk hoge tolerantie voor bewegingsartefacten17 bij het bestuderen van naturalistische sociale interacties. Bovendien, om de overeenkomst tussen de neurale tijdsvertraging en de gedragsmatige tijdsvertraging tijdens sociale interactie nauwkeurig te karakteriseren, is het essentieel om de INS-sterkte voor elke vertraging te verkrijgen (bijvoorbeeld van geen tijdsvertraging tot een vertraging van 10 s). Voor dit doel werd eerder de wavelet transform coherence (WTC) -procedure uitgebreid toegepast na het verschuiven van het hersensignaal van een individu naar voren of naar achteren ten opzichte van dat van een ander individu 5,6,18. Bij het gebruik van deze traditionele WTC-procedure voor fNIRS-signalen is er een potentiële uitdaging omdat de waargenomen ins met een vertraagde tijd kan worden verstoord door het autocorrelatie-effect van het fNIRS-signaal voor een individuele 19,20,21. Tijdens een dyadisch sociaal interactieproces kan bijvoorbeeld het signaal van deelnemer A op tijdstip t worden gesynchroniseerd met dat van deelnemer B op hetzelfde tijdstip. Ondertussen kan het signaal van deelnemer A op tijdstip t worden gesynchroniseerd met dat van deelnemer A op een later tijdstip t+1 vanwege het autocorrelatie-effect. Daarom kan een valse tijdsachterstand ins optreden tussen het signaal van deelnemer A op tijdstip t en dat van deelnemer B op tijdstip t+1.
Mihanović en zijn collega's22 introduceerden eerst een methode genaamd partiële wavelettransformatiecoherentie (pWTC) en pasten deze vervolgens toe in de mariene wetenschap23,24. Het oorspronkelijke doel van deze methode was om de exogene verstorende ruis te beheersen bij het schatten van de samenhang van twee signalen. Hier, om het autocorrelatieprobleem in de fNIRS-hyperscanninggegevens aan te pakken, werd de pWTC-methode uitgebreid om tijd-vertraagde INS op het fNIRS-signaal te berekenen. Precies, een in de tijd vertraagde INS (en een directionele informatiestroom) van deelnemer A naar deelnemer B kan worden berekend met behulp van de onderstaande vergelijking (vergelijking 1)23.
Hier wordt aangenomen dat er twee signalen zijn, A en B, van respectievelijk deelnemers A en B. Het optreden van signaal B gaat altijd vooraf aan dat van signaal A met een tijdsvertraging van n, waarbij WTC (At, Bt+n) het traditionele wtc met tijdsachterstand is. WTC (At, At+n) is het autocorrele WTC in deelnemer A. WTC (At, Bt) is het tijd-uitgelijnde WTC op tijdstip t tussen deelnemer A en B. * is de complexe geconjugeerde operator (Figuur 1A).
Figuur 1: Overzicht van pWTC. (A) De logica van de pWTC. Er zijn twee signalen A en B, binnen een dyade. Het voorkomen van A volgt altijd dat van B met een vertraging n. Een grijs vak is een waveletvenster op een bepaald tijdstip t of t+n. Op basis van de pWTC-vergelijking (weergegeven in de figuur) moeten drie WTC's worden berekend: het WTC met de tijdsachterstand van At+n en Bt; het autocorrele WTC in deelnemer A van At en At+n; en het op tijd uitgelijnde WTC op tijdstip t, At en Bt. B) De lay-out van optode sonde sets. CH11 werd geplaatst op T3 en CH25 werd geplaatst op T4 na het internationale 10-20 systeem27,28. Klik hier om een grotere versie van deze figuur te bekijken.
Dit protocol introduceerde eerst een simulatie-experiment om aan te tonen hoe goed de pWTC de autocorrelatie-uitdaging oplost. Vervolgens werd uitgelegd hoe pWTC stap voor stap kon worden uitgevoerd op basis van een empirisch experiment van naturalistische sociale interacties. Hier werd een communicatiecontext gebruikt om de methode te introduceren. Dit komt omdat voorheen de in de tijd vertraagde INS meestal werd berekend in een naturalistische communicatiecontext 3,4,6,8,13,15,18. Daarnaast werd ook een vergelijking uitgevoerd tussen de pWTC en het traditionele WTC en validatie met de Granger causaliteitstest (GC).
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Het menselijke experimentprotocol werd goedgekeurd door de Institutional Review Board en de Ethische Commissie van het State Key Laboratory of Cognitive Neuroscience and Learning aan de Beijing Normal University. Alle deelnemers gaven schriftelijke geïnformeerde toestemming voordat het experiment begon.
1. Het simulatie-experiment
- Genereer twee tijdreeksen van signalen die met elkaar correleren, waarbij één signaal autocorrelatie heeft met een tijdsvertraging van 4 s. Stel de correlatiecoëfficiënt van r tussen de twee signalen in op 0,4.
- Genereer bovendien twee tijdreeksen van signalen zonder enige correlatie, maar met autocorrelatie in één signaal.
- Bereken waarden van traditionele 4 s tijd-vertraagde INS met vergelijking 2 op basis van de gegenereerde signalen met of zonder correlatie, die kunnen worden genoemd tijd-vertraagde INSWTC met autocorrelatie en tijd-vertraagde baseline INSWTC met autocorrelatie.
OPMERKING: Hier wordt het traditionele WTC met een tijdsachterstand uitgedrukt door de volgende vergelijking (vergelijking 2)25
waarbij C de continue wavelettransformatieoperator aanduidt op verschillende schalen i en tijdpunten t. S geeft de afvlakkingsoperator aan. * duidt op de complexe geconjugeerde operator. W en M geven twee afzonderlijke tijdreeksen van signalen aan. - Verwijder autocorrelatie uit de gegenereerde signalen. Bereken vervolgens de waarden van traditionele 4 s tijd-vertraagde INSWTC met vergelijking 2 op basis van de gegenereerde signalen met of zonder correlatie, die tijd-vertraagde INSWTC kunnen worden genoemd zonder autocorrelatie en tijd-vertraagde baseline INSWTC zonder autocorrelatie.
- Bereken de waarden van 4 s time-lagged pWTC met vergelijking 3 op basis van de gegenereerde signalen met of zonder correlatie, genaamd time-lagged INSpWTC en time-lagged baseline INSpWTC.
OPMERKING: De pWTC kan worden berekend op basis van de volgende vergelijking (vergelijking 3)23
waar WTC (Wt, Mt+n) het traditionele WTC is. WTC (Mt, Mt+n) is het autocorrele WTC van één individu. WTC (Wt, Mt) is het op tijd afgestemde WTC. * is de complexe geconjugeerde operator. - Herhaal de bovenstaande procedures 1000 keer.
- Vergelijk na aftrek van de baseline INS de resultaten van insWTC met vertraging in de tijd met autocorrelatie, in de tijd vertraagde INSWTC zonder autocorrelatie en in de tijd vertraagde INSpWTC met behulp van de variantieanalysemethode (ANOVA).
OPMERKING: Hier wordt verwacht dat de tijd-vertraagde INSWTC met autocorrelatie aanzienlijk hoger zal zijn dan de tijd-vertraagde INSWTC zonder autocorrelatie en de tijd-vertraagde INSpWTC, en er wordt geen significant verschil verwacht tussen de tijd-vertraagde INSWTC zonder autocorrelatie en de tijd-vertraagde INSpWTC.
2. Het empirische experiment
- Deelnemers en procedure
- Rekruteer geschikte deelnemers.
OPMERKING: In deze studie werden tweeëntwintig paren van goede vrienden van het andere geslacht (gemiddelde leeftijd van vrouwen = 20,95, standaarddeviatie (SD) = 1,86; gemiddelde leeftijd van mannen = 20,50, SD = 1,74) gerekruteerd door middel van advertenties van studenten van universiteiten in Beijing. Alle deelnemers waren rechtshandig en hadden een normaal of gecorrigeerd naar normaal zicht. Bovendien hadden geen van de deelnemers taal-, neurologische of psychiatrische stoornissen. - Vraag elk paar deelnemers om face-to-face te zitten tijdens het experiment. Vraag hen om vrijuit te communiceren over een ondersteunend onderwerp in de ene sessie en over een conflictonderwerp in de andere sessie.
OPMERKING: De onderwerpen werden gebruikt om de beoogde positieve of negatieve emotionele valentie te induceren. Elke communicatiesessie duurde 10 minuten en de volgorde van de onderwerpen werd gecompenseerd. - Vraag de deelnemers om als standaard set-up regel te rapporteren over de ondersteunende en conflictonderwerpen. Vraag elke partner om het positieve of negatieve valentieniveau te beoordelen dat mogelijk op een bepaalde puntschaal is geïnduceerd. Rangschik vervolgens de gerapporteerde onderwerpen op basis van de beoordeling.
OPMERKING: In dit werk zijn de onderwerpen geselecteerd met de volgende drie stappen. Ten eerste moest elke deelnemer voor de ondersteunende onderwerpen 1-3 persoonlijke problemen melden met betrekking tot wat zij / hij wilde verbeteren in haar / zijn leven. Elke deelnemer moest 1-3 gevallen melden die conflicten tussen hen hadden veroorzaakt of zouden veroorzaken of die hun relatie in gevaar konden brengen voor de conflictonderwerpen. Ten tweede moest elke partner het niveau van positieve of negatieve valentie beoordelen dat elk onderwerp zou kunnen induceren op een 7-puntsschaal (1 = helemaal niet en 7 = heel veel). Ten derde werden de gerapporteerde onderwerpen gerangschikt op basis van de beoordeling. De eerste twee onderwerpen in de lijst van ondersteunende onderwerpen en conflictonderwerpen werden geselecteerd.
- Rekruteer geschikte deelnemers.
- fNIRS-gegevensverzameling
- Gebruik het 26-kanaals fNIRS-topografiesysteem (zie Tabel met materialen) om fNIRS-gegevens te verzamelen.
OPMERKING: Twee aangepaste optode-sondesets bedekten de bilaterale frontale, temporale en pariëtale cortices (figuur 1B). - Vraag precies elke deelnemer om een pet te dragen met twee aangepaste sondesets (zie Materialentabel).
- Lijn de nasion-, inion- en oormassoïden uit met Fpz, Opz, T7 en T8, die typische oriëntatiepunten zijn van 10-20 internationaal systeem26.
- Lijn kanaal (CH) 11 tot T3 en CH25 tot T4 volgens het internationale 10-20 systeem voor de twee sondesets27,28.
- Valideer de anatomische locaties van sondesets door MRI-gegevens (magnetic resonance imaging) van een typische deelnemer te scannen met een hoge resolutie T1-gewogen magnetisatie-voorbereide snelle gradiënt-echosequentie (TR = 2530 ms; TE = 3,39 ms; flip hoek = 7°; plakdikte = 1,3 mm; voxel grootte = 1,3 x 1 x 1,3 mm).
- Gebruik Statistical Parametric Mapping 12 (SPM12) om het beeld te normaliseren naar standaard Montreal imaging institute coordinate (MNI coordinate) ruimte29. Gebruik vervolgens de NIRS_SPM toolbox (zie Tabel met materialen) om de MNI-coördinaten van de sondes te projecteren op de sjabloon voor geautomatiseerde anatomische etikettering (AAL).
- Verzamel de optische dichtheidsgegevens van nabij-infrarood licht op drie golflengten (780, 805 en 830 nm) bij een bemonsteringsfrequentie van 55,6 Hz (standaardparameters van de apparatuur).
- Test de signaalkwaliteit met behulp van de ingebouwde apparatuursoftware van het fNIRS-topografiesysteem (zie Tabel met materialen).
- Begin met het opnemen van het signaal.
OPMERKING: Sommige gepubliceerde protocollen hebben aangetoond hoe fNIRS-signalen kunnen worden verzameld met verschillende apparatuur en systemen 30,31,32.
- Gebruik het 26-kanaals fNIRS-topografiesysteem (zie Tabel met materialen) om fNIRS-gegevens te verzamelen.
- fNIRS-gegevensvoorbewerking
- Exporteer de gegevensbestanden van de apparatuur.
OPMERKING: In het huidige experiment heeft de ingebouwde software automatisch alle optische dichtheidsgegevens omgezet in oxyhemoglobine (HbO) concentratieveranderingen op basis van de gewijzigde Beer-Lambert-wet. - Verwijder de eerste en laatste 15 s gegevens voor elke sessie om tijdelijke reacties te voorkomen.
- Gebruik de ingebouwde matlab-decimeerfunctie om de gegevens te downsamplen van 55,6 Hz naar 11,1 Hz.
OPMERKING: De vermogensspectrumpatronen tussen 55,6 Hz en 11,1 Hz zijn vrij gelijkaardig (aanvullende figuur 1). - Gebruik de ingebouwde MATLAB-toepassingsfunctie (Homer3, zie Tabel met materialen) met de juiste filterfunctie om de filtermethode discrete wavelettransformatie toe te passen om bewegingsartefacten te corrigeren.
- Gebruik de matlab pca ingebouwde functie om globale fysiologische ruis te verwijderen. Verwijder de bovenste 80% van de variantie uit de signalen.
- Verwijder fysiologische ruis op basis van de eerdere studies33. Verwijder precies de frequentiebanden van elk signaal boven 0,7 Hz om aliasing van hoogfrequente fysiologische ruis (bijv. Hartactiviteit) te voorkomen.
- Verwijder vervolgens de frequentiebanden van elk signaal onder 0,01 Hz om zeer laagfrequente fluctuaties weg te filteren.
- Verwijder ten slotte de frequentiebanden van elk signaal binnen 0,15-0,3 Hz om de potentiële impact van ademhalingsactiviteit uit te sluiten.
- Exporteer de gegevensbestanden van de apparatuur.
- Eerstelijns fNIRS-gegevensverwerking
- Bereken eerst INS met behulp van traditioneel WTC (INSWTC).
OPMERKING: Hier werd voorspeld dat een door vrouwen geleid tijdsvertragingspatroon van INSWTC zou optreden tussen de hersenactiviteit van vrouwen en die van mannen, omdat eerdere studies verschillende rollen van vrouwen en mannen tijdens een gesprek hebben gesuggereerd34,35. Het traditionele WTC berekende dit patroon van INSWTC door de hersenactiviteit van mannen naar achteren te verschuiven ten opzichte van die van vrouwen (zie vergelijking 2). - Bereken de door vrouwen geleide 2 s-vertraagde INSWTC-waarde na het verwijderen van de eerste 2 s gegevens van vrouwen en de laatste 2 s gegevens van mannen met vergelijking 2. Evenzo, na het verwijderen van de eerste 2 s gegevens van mannen en de laatste 2 s gegevens van vrouwen, berekent u de door mannen geleide 2 s-vertraagde INSWTC-waarde met vergelijking 4.
OPMERKING: Hier werd de wcoherentiefunctie gebruikt, een ingebouwde functie van de wavelet-toolbox van MATLAB (zie Tabel met materialen). - Herhaal deze procedure met verschillende tijdsvertraging n, d.w.z. n = 2 s, 4 s, 6 s, 8 s over alle potentiële CH-paren (bijv. CH2 bij vrouwen en CH10 bij mannen, 676 paren in totaal). Bereken bovendien de sterkte van door mannen geleide INSWTC met een tijdachterstand op dezelfde manier (vergelijking 4).
- Ten tweede, bereken INS met behulp van pWTC (INSpWTC).
OPMERKING: pWTC is berekend op basis van vergelijking 3. De berekening van INSpWTC werd herhaald met verschillende tijdsvertragingen n, d.w.z. n = 2 s, 4 s, 6 s, 8 s over alle potentiële kanaalparen (bijv. CH2 bij vrouwen en CH10 bij mannen, 676 paren in totaal). Bovendien werd de sterkte van de door mannen geleideins-pWTC met een tijdsachterstand op dezelfde manier berekend (vergelijking 5).
- Genereer tijdreeksen met vertraging van fNIRS-signalen met verschillende vertragingen.
- Bereken de waarden van het WTC met vertraging op verschillende tijdsvertragingen.
- Genereer autocorrele tijdreeksen van fNIRS-signalen op verschillende tijdsvertragingen. Om de 2 s-autocorrele waarde voor mannen te berekenen, verwijdert u de eerste 2 s gegevens van de mannen en de laatste 2 s gegevens van de mannen.
- Bereken de autocorrele WTC-waarden op verschillende tijdsvertragingen.
- Genereer tijdreeksen van fNIRS-signalen met verschillende tijdsvertragingen. Om de 2 s tijd-uitgelijnde WTC te berekenen, verwijdert u de eerste 2 s gegevens van de mannen en de eerste 2 s van de vrouwen van gegevens.
- Bereken de tijd uitgelijnde WTC-waarden.
- Voer tijd-uitgelijnde WTC, tijd-vertraagde WTC en autocorrele WTC-waarden op verschillende tijdstippen in vergelijking 3 en vergelijking 5 - de vergelijking van pWTC, waardoor INSpWTC wordt gegenereerd.
- Bereken ten slotte INS met behulp van de GC-methode (INSGC).
OPMERKING: Om de pWTC-methode verder te valideren en de voor- en nadelen ervan te evalueren, werd op GC gebaseerde INS berekend met behulp van de GC-methode (INSGC). - Op basis van het pWTC-resultaat filtert bandpass het HbO-signaal van elk individu in het SMC (d.w.z. 0,4-0,6 Hz, zie Representatieve resultaten).
- Voer binnen elke dyade afzonderlijk een GC-test (Econometric toolbox, MATLAB) uit in de ondersteunende en conflictonderwerpen.
OPMERKING: Vier groepen F-waarden worden verkregen voor INSGC: (1) van vrouwen naar mannen over het ondersteunende onderwerp (W2M_supp); (2) van mannen naar vrouwen over het ondersteunende onderwerp (M2W_supp); (3) van vrouwen naar mannen over het conflictonderwerp (W2M_conf); en (4) van mannen naar vrouwen over het conflictonderwerp (M2 W_conf). De F-waarden worden gebruikt om de INSGC te indexeren.
- Bereken eerst INS met behulp van traditioneel WTC (INSWTC).
- FNIRS-gegevensverwerking op het tweede niveau
- Transformeer INS met Fisher-z-transformatie en vervolgens gemiddelde INS in de temporele dimensie.
OPMERKING: Hier werd Fisher-z-transformatie uitgevoerd met behulp van een aangepast MATLAB-script met vergelijking 636:
waarbij r de waarde van het WTC of pWTC is en z de Fisher-z getransformeerde waarde van het WTC of pWTC. - Voer voor de gemiddelde INS bij elke vertraging een gepaarde t-test met twee monsters (ondersteunend versus conflict) uit op elk CH-paar over het frequentiebereik. Identificeer vervolgens alle significante frequentieclusters (P < 0,05).
- Voer een clustergebaseerde permutatietest uit om een drempelwaarde voor de resultaten vast te stellen.
- Wijs dyadische relaties opnieuw toe door de deelnemers willekeurig toe te wijzen aan nieuwe paren met twee leden, d.w.z. de deelnemers van een dyade die nog nooit met elkaar hadden gecommuniceerd. Bereken de INS bij elke vertraging opnieuw, voer gepaarde t-tests opnieuw uit in het nieuwe monster en identificeer opnieuw significante frequentieclusters.
- Selecteer het cluster met de grootste opgetelde t-waarde. Herhaal de bovenstaande procedures 1000 keer om een nulverdeling van de maximale fout-positieve t-waarden te genereren.
OPMERKING: De verdeling wordt geserveerd als het kansniveau. Het familywise error rate (FWER) wordt gecontroleerd op q = 0,05, wat betekent dat alleen de bovenste 5% van de nulverdeling van de fout-positieve t-waarden de drempelwaarde (R*) overschrijdt. - Vergelijk de opgetelde t-waarde van elk geïdentificeerd frequentiecluster in de oorspronkelijke steekproef met de nulverdeling om significante statistische resultaten te verkrijgen.
- Voer een context (ondersteunend, conflict) x richtingsanalyse (vrouwen naar mannen, mannen naar vrouwen) van variantie (ANOVA) uit om het verschil in INS-richting tussen verschillende omstandigheden (d.w.z. onderwerpen) te testen (p < 0,05).
- Voer een gepaarde twee-sample two-tailed t-test uit tussen de resultaten van WTC (Wt, Mt + n) en WTC (Mt, Mt + n) om de potentiële impact van autocorrelatie op INS te testen.
OPMERKING: De INS van WTC (Mt, Mt + n) weerspiegelt autocorrelatie.
- Transformeer INS met Fisher-z-transformatie en vervolgens gemiddelde INS in de temporele dimensie.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Simulatie resultaten
De resultaten toonden aan dat de tijd-vertraagde INSWTC met autocorrelatie significant hoger was dan de tijd-vertraagde INSWTC zonder autocorrelatie (t(1998) = 4,696, p < 0,001) en tijd-vertraagde INSpWTC (t(1998) = 5,098, p < 0,001). Bovendien was er geen significant verschil tussen in de tijd vertraagd INSWTC zonder autocorrelatie en INSpWTC (t(1998) = 1,573, p = 0,114, figuur 2A). Deze resultaten geven aan dat pWTC de impact van het autocorrelatie-effect op INS effectief kan wegnemen. Bovendien, toen de WTC-waarde werd ingesteld op bijna 0 of 1, vertoonde de in de tijd achtergebleven INSpWTC nog steeds betrouwbare resultaten wanneer de WTC-waarde weg was van 0 of 1 (aanvullende figuur 2).
Empirische experimentresultaten
INS-patroon volgens de traditionele WTC-methode
De resultaten toonden aan dat bij 0,04-0,09 Hz,INSWTCin de sensomotorische cortex (SMC, CH20) van zowel vrouwen als mannen significant hoger was in het ondersteunende onderwerp dan in het conflictonderwerp wanneer de hersenactiviteit van mannen achterbleef bij die van vrouwen met 2 s, 4 s en 6 s (2 s: t(21) = 3,551, p = 0,0019; lag 4 s: t(21) = 3,837, p = 0,0009; lag 6 s: t(21) = 3,725, p = 0,0013). Bovendien was INSWTC in het SMC bij 0,4-0,6 Hz significant hoger in het conflictonderwerp dan in het ondersteunende onderwerp wanneer de hersenactiviteit van mannen 4 s achterbleef bij die van vrouwen (t(21) = 2,828, p = 0,01, figuur 2B).
Bovendien, om de richting van INSWTC in verschillende onderwerpen te vergelijken, een onderwerp (ondersteunend, conflict) x richting (vrouwen naar mannen, mannen naar vrouwen) ANOVA werd voor het eerst uitgevoerd op INSWTC van het SMC onder een vertraging van 2-6 s. De resultaten van 0,04-0,09 Hz toonden geen significante interactie-effecten op enig moment (ps > 0,05). Voor het frequentiebereik van 0,4-0,6 Hz toonden de resultaten aan dat het interactie-effect marginaal significant was (F(1, 21) = 3,23, p = 0,086). Paarsgewijze vergelijkingen toonden aan dat INSWTC van vrouwen naar mannen significant hoger was in het conflictonderwerp dan in het ondersteunende onderwerp (M.D. = 0,014, S.E. = 0,005, p = 0,015), terwijl INSWTC van mannen tot vrouwen niet significant verschilde tussen onderwerpen (M.D. = 0,002, S.E. = 0,006, p = 0,695).
Ten slotte, om de impact van autocorrelatie op de resultaten van traditionele tijd-vertraagde INSWTC te testen, werd INSWTC vergeleken tussen WTC (Wt, Mt + 4) en WTC (Mt, Mt + 4) bij respectievelijk 0,04-0,09 Hz en 0,4-0,6 Hz. Merk op dat het INSWTC van WTC (Mt, Mt + 4) autocorrelatie weerspiegelt. De resultaten toonden aan dat er bij de 0,4-0,6 Hz geen significant verschil was tussen het INSWTC van WTC(Wt, Mt+4) en dat van WTC(Mt, Mt+4) (t(21) = 0,336, p = 0,740). Bij 0,04-0,09 Hz was het INSWTC van WTC(Mt, Mt+4) aanzienlijk hoger dan dat van WTC (Wt, Mt+4) (t(21) = 4,064, p < 0,001). Er werd ook een vergelijking gemaakt tussen de frequentiebereiken van 0,04-0,09 Hz en 0,4-0,6 Hz met betrekking tot INSWTC van WTC(Mt, Mt+4). De resultaten toonden aan dat het INSWTC van WTC(Mt, Mt+4) significant hoger was bij 0,04-0,09 Hz dan bij de 0,4-0,6 Hz (t(21) = 5,421, p < 0,001). Deze resultaten geven aan dat het in de tijd achtergebleven INSWTC werd beïnvloed door autocorrelatie in zowel het lage als het hoge frequentiebereik, maar de impact was groter voor het lagere frequentiebereik dan voor het hogere frequentiebereik.
INS-patroon met de pWTC-methode
De resultaten toonden aan dat het verschil in INSpWTC tussen het conflict en ondersteunende onderwerpen betekenis bereikte in het SMC van zowel vrouwen als mannen bij 0,4-0,6 Hz wanneer de mannelijke hersenactiviteit 4 s achterbleef bij die van vrouwen (t(21) = 4,224, p = 0,0003). bij 0,04-0,09 Hz; er werden echter geen significante resultaten gevonden, noch waren hun effectieve resultaten bij andere frequentiebereiken (Ps > 0,05, figuur 2C).
Een aanvullende ANOVA-test werd uitgevoerd op de INSpWTC van de SMC bij 0,4-0,6 Hz. De resultaten toonden aan dat de interactie tussen onderwerp en richting marginaal significant was (F(1,21) = 3,48, p = 0,076). Verdere paarsgewijze vergelijkingen toonden aan dat INSpWTC van vrouwen naar mannen significant hoger was in het conflictonderwerp dan in het ondersteunende onderwerp (M.D. = 0,016, S.E. = 0,004, p = 0,002), terwijl INSpWTC van mannen tot vrouwen niet significant verschilde tussen onderwerpen (M.D. = 0,0007, S.E. = 0,006, p = 0,907, figuur 2D).
INS-patroon met de GC-methode
Een ANOVA-test werd uitgevoerd op de INSGC in de SMC binnen de 0,4-0,6 Hz. De resultaten toonden een significante interactie tussen onderwerp en richting (F(1,21) = 8.116, p = 0.010). Paarsgewijze analyse toonde aan dat INSGC van vrouwen naar mannen significant hoger was in het conflictonderwerp dan in het ondersteunende onderwerp (MD = 5,50, SE = 2,61, p = 0,043). Daarentegen verschilde deINS-GC van mannen tot vrouwen niet significant tussen onderwerpen (MD = 1,42, SE = 2,61, p = 0,591, figuur 2E).
Figuur 2: Resultaten van de simulatie en het empirisch experiment. (A) De simulatieresultaten van drie gesimuleerde monsters. De tijd-vertraagde INSWTC met autocorrelatie was significant hoger dan de tijd-vertraagde INSWTC zonder autocorrelatie en INSpWTC. Er was geen significant verschil tussen in de tijd vertraagd INSWTC zonder autocorrelatie en pWTC. (B) De t-kaart van INSWTC in het empirische experiment, met significante contexteffecten binnen 0,04-0,09 Hz wanneer de SMC-activiteit van mannen 2-6 s achterbleef bij die van vrouwen. Er was ook een marginaal significant contexteffect binnen 0,4-0,6 Hz wanneer de SMC-activiteit van mannen 4 s achterbleef bij die van vrouwen. (C) De t-kaart van INSpWTC, die een significant contexteffect binnen 0,4-0,6 Hz liet zien wanneer de SMC-activiteit van mannen 4 s achterbleef bij die van vrouwen. (D) Vergelijking van directionele INSpWTC bij verschillende onderwerpen door pWTC. Directionele INS van vrouwen naar mannen is significant hoger in conflictcontexten dan in ondersteunende contexten. (E) Validatie van directionele INS door middel van GC-test (INSGC). Het resulterende patroon van INSGC is vergelijkbaar met INSpWTC. Klik hier om een grotere versie van deze figuur te bekijken.
Aanvullende figuur 1: De power spectrum plot voor sample rate bij 11,1 Hz (blauwe lijn) en 55,6 Hz (rode lijn). Het vermogensspectrumpatroon voor de twee is vrij gelijkaardig. Klik hier om dit bestand te downloaden.
Aanvullende figuur 2: De pWTC-kaarten van vloer en ceil WTC. (A) Linkerpaneel: de wtc-kaart met vertraagde tijd die wordt gegenereerd door twee dezelfde signalen, de x-as is het tijdspunt en de y-as is de frequentieband. De gemiddelde waarde van WTC op alle punten is ~1. Rechterpaneel: de pWTC-kaart van twee vergelijkbare signalen. De pWTC-kaart lijkt veel op de WTC-kaart. (B) Linkerpaneel: de wtc-kaart met vertraagde tijd die wordt gegenereerd door twee willekeurige signalen, de x-as is het tijdspunt en de y-as is de frequentieband. De gemiddelde waarde van WTC op alle punten is ~0. Rechterpaneel: de pWTC-kaart van twee vergelijkbare signalen. De pWTC-kaart lijkt veel op de WTC-kaart. Klik hier om dit bestand te downloaden.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
In hyperscanningstudies is het meestal essentieel om de directionele en temporele patronen van informatiestroom tussen individuen te beschrijven. De meeste eerdere fNIRS-hyperscanningstudies hebben traditionele WTC25 gebruikt om deze kenmerken af te leiden door de in de tijd vertraagde INS te berekenen. Als een van de intrinsieke kenmerken van het fNIRS-signaal 20,21 kan het autocorrelatie-effect de in de tijd vertraagde INS verstoren. Om dit probleem aan te pakken, werd in het protocol hierin een methode geïntroduceerd die pWTC wordt genoemd22. Deze methode schat de in de tijd achtergebleven INS na gedeeltelijk uit autocorrelatie en handhaaft de voordelen van de WTC-methode. Dit protocol biedt stapsgewijze richtlijnen voor het uitvoeren van pWTC en valideert de resultaten van pWTC door de resultaten te vergelijken met die van traditionele WTC- en GC-tests.
De kritieke stappen voor het toepassen van pWTC in op fNIRS gebaseerde hyperscanninggegevens worden in dit protocol gedemonstreerd. Specifiek, ten eerste, om het wtc met vertraagde tijd te berekenen, moeten het autocorrelatieve WTC en het op tijd uitgelijnde WTC worden berekend op basis van de tijd-vertraagde fNIRS-tijdreeks. Vervolgens worden de pWTC berekend op verschillende tijdsvertragingen volgens vergelijking 1. De resultaten van de pWTC retourneren een tijd x frequentiematrix en de waarden in de matrix variëren van 0 tot 1. Op deze waarden kunnen dus verdere statistische tests worden uitgevoerd.
In het demonstratieprotocol toonden de representatieve resultaten van het traditionele WTC twee significante effecten bij twee frequentiebanden: 0,4-0,6 Hz. De impact binnen de 0,04-0,09 Hz overleefde de drempel in de pWTC-resultaten echter niet, wat suggereert dat dit effect kan worden verstoord door het autocorrelatie-effect van het fNIRS-signaal. Aan de andere kant werden de resultaten binnen het bereik van 0,4-0,6 Hz goed gerepliceerd door de pWTC-methode. Deze resultaten geven aan dat pWTC na het verwijderen van het autocorrelatie-effect meer gevoelige en specifieke ontwikkelingen biedt in het afleiden van de directionele en temporele patronen van INS tussen individuen. Een andere mogelijkheid is echter dat pWTC niet gevoelig is voor de directionele en temporele patronen van INS in lagere frequentiebereiken dan in de hogere frequentiebereiken, wat resulteert in onderschatting van het INS-effect. Toekomstige studies zijn nodig om deze mogelijkheden verder te verduidelijken.
Een vergelijking met de GC-test ondersteunt deze conclusie verder. De resultaten van de GC-test waren vrij gelijkaardig aan die van de pWTC en toonden een belangrijke informatiestroom van vrouwen naar mannen, maar niet van mannen naar vrouwen. Er was een klein verschil tussen de resultaten van de GC-test en pWTC, d.w.z. het interactie-effect tussen onderwerp en richting was marginaal significant in de resultaten van de pWTC, maar bereikte significantie in de GC-test. Dit verschil kan zijn omdat de pWTC wordt berekend op een fijnere tijdschaal dan de GC-test. Hoewel zowel de pWTC- als de GC-tests betrouwbare resultaten kunnen opleveren bij het controleren op het autocorrelatie-effect, is de pWTC dus voordelig omdat het niet nodig is om stationaire aannames te doen en een hoge temporele spectrumstructuur heeft.
De pWTC-methode heeft ook zijn beperkingen. Net als bij de GC-test is de causaliteit afgeleid uit pWTC geen echte causaliteit37,38. In plaats daarvan duidt het alleen op een temporele relatie tussen de signalen van A en B. Dit probleem moet in gedachten worden gehouden bij het toepassen van de pWTC-methode. Ten tweede participeert pWTC slechts het autocorrelatie-effect. Andere potentiële gelijktijdige variabelen, zoals gedeelde omgevingen of vergelijkbare acties, kunnen dus nog steeds van invloed zijn op de resultaten. Bijgevolg moeten conclusies worden getrokken over de richting en het temporele patroon van de informatiestroom na het beheersen van deze verstorende factoren.
Daarnaast waren er enkele gecompliceerde problemen met de voorverwerking van fNIRS-gegevens. Hoewel fNIRS een hoge tolerantie voor hoofdbewegingen heeft, zijn bewegingsartefacten nog steeds de belangrijkste bron van de ruis39. Grote hoofdbewegingen zouden nog steeds leiden tot een positieverschuiving van de optodes, waardoor bewegingsartefacten zoals scherpe piek- en basislijnverschuivingen worden gegenereerd. Om deze problemen aan te pakken, werden veel artefactencorrectiebenaderingen ontwikkeld, zoals spline-interpolatie40, wavelet-gebaseerde filtering39, principecomponentanalyse41 en correlatiegebaseerde signaalverbetering42, enz. Cooper en zijn collega's43 hebben deze benaderingen vergeleken op basis van echte fNIRS-gegevens in rusttoestand en ontdekten dat wavelet-gebaseerde filtering de hoogste toename van de contrast-ruisverhouding produceerde. Verder hebben Brigadoi en haar collega's44 deze benaderingen ook vergeleken in echte taalkundige taakgegevens en ook ontdekt dat wavelet-gebaseerde filtering de meest effectieve aanpak was bij het corrigeren van bewegingsartefacten. In deze studie werd dus wavelet-gebaseerde filtering toegepast en ook aanbevolen voor toekomstige fNIRS hyperscanning studies.
Over het algemeen is pWTC een waardevolle benadering bij het schatten van de directionele en temporele patronen van informatiestroom tijdens sociale interactie. Wat nog belangrijker is, er wordt aangenomen dat de pWTC-methode ook geschikt is voor pseudo-hyperscanningstudies (d.w.z. signalen van twee of meerdere hersenen worden niet tegelijkertijd verzameld45,46). In dergelijke experimenten, hoewel de richting van de informatiestroom vastligt, is het ook van belang om de duur van de tijdsvertraging tussen de invoer van het signaal en het proces van het signaal te onderzoeken. Daarom kan autocorrelatie ook de resultaten van de vertraagde INS verstoren. In de toekomst kan deze methode veel vragen beantwoorden in hyperscanning en andere interbrain studies. Bijvoorbeeld om de dominante rol te bepalen in verschillende sociale relaties, zoals leraren en studenten, artsen en patiënten, en artiesten en publiek. Bovendien, aangezien pWTC de temporele structuren van INS handhaaft, is het ook mogelijk om het dynamische patroon van INS te testen, zoals groepshoudingsconvergentie.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
De auteurs verklaren geen tegenstrijdige financiële belangen te hebben.
Acknowledgments
Dit werk werd ondersteund door de National Natural Science Foundation of China (61977008) en het Young Top Notch Talents of Ten Thousand Talent Program.
Materials
| Name | Company | Catalog Number | Comments |
| fNIRS topography system | Shimadzu Corporation | Shimadzu LABNIRS systen | LABNIRS system contains 40 emitters and 40 detectors for fNIRS signals measurement. In this protocol we used these emitters and detectors created two customized 26-channels probe sets and attached to two caps accroding to 10-20 system. Further, LABNIRS system also contains built-in GUI softwares for data quality check, data convert and data export. |
| MATLAB | The MathWorks, Inc. | MATLAB 2019a | In this protocol, several toolboxs and functions bulit in MATLAB were used: SPM12 toolbox was used to normalize the valided MRI data through its GUI. NIRS_SPM toolbox was used to project the MNI coordinates of the probes to the AAL template through its GUI. Homer3 toolbox was used to remove motion artifacts through its function hmrMotionCorrectWavelet with default parameters. Wavelet toolbox was used to compute WTC and pWTC through its function wcoherence. |
| MRI scanner | Siemens Healthineers | TRIO 3-Tesla scanner | In this protocol, the MRI scanner was used to obtain MNI coordinates of each channel and optpde. Scan parameters are described in main text. |
| customized caps | In this protocol, we first marked two nylon caps with 10-20 system. Then, we made two 26-channels customized optode probes sets. Finally, we attached probes sets to caps aligned with landmarks. |
References
- 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).
- Hasson, U., Frith, C. D. Mirroring and beyond: Coupled dynamics as a generalized framework for modelling social interactions. Philosophical Transactions of the Royal Society B: Biological Sciences. 371, 20150366 (2016).
- Jiang, J., et al. Neural synchronization during face-to-face communication. Journal of Neuroscience. 32 (45), 16064-16069 (2012).
- Jiang, J., et al. Leader emergence through interpersonal neural synchronization. Proceedings of the National Academy of Sciences of the United States of America. 112 (14), 4274-4279 (2015).
- Dai, B., et al. Neural mechanisms for selectively tuning in to the target speaker in a naturalistic noisy situation. Nature Communications. 9 (1), 1-12 (2018).
- Long, Y., et al. Interpersonal neural synchronization during interpersonal touch underlies affiliative pair bonding between romantic couples. Cerebral Cortex. 31 (3), New York, N.Y. 1647-1659 (2021).
- Liu, W., et al. Shared neural representations of syntax during online dyadic communication. NeuroImage. 198, 63-72 (2019).
- Zheng, L., et al. Enhancement of teaching outcome through neural prediction of the students' knowledge state. Human Brain Mapping. 39 (7), 3046-3057 (2018).
- Stephens, G. J., Silbert, L. J., Hasson, U. Speaker-listener neural coupling underlies successful communication. Proceedings of the National Academy of Sciences of the United States of America. 107 (32), 14425-14430 (2010).
- Hirsch, J., et al. Interpersonal agreement and disagreement during face-to-face dialogue: An fNIRS investigation. Frontiers in Human Neuroscience. 14, 606397 (2021).
- Pan, Y., Cheng, X., Zhang, Z., Li, X., Hu, Y. Cooperation in lovers: An fNIRS-based hyperscanning study. Human Brain Mapping. 38 (2), 831-841 (2017).
- 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).
- Piazza, E. A., Hasenfratz, L., Hasson, U., Lew-Williams, C. Infant and Adult Brains Are Coupled to the Dynamics of Natural Communication. Psychological Science. 31 (1), 6-17 (2020).
- Djalovski, A., Dumas, G., Kinreich, S., Feldman, R. Human attachments shape interbrain synchrony toward efficient performance of social goals. NeuroImage. 226, 117600 (2021).
- Zhao, H., et al. How mother-child interactions are associated with a child's compliance. Cerebral Cortex. 31 (9), 4398-4410 (2021).
- Jiang, J., Zheng, L., Lu, C. A hierarchical model for interpersonal verbal communication. Social Cognitive and Affective Neuroscience. 16 (1-2), 246-255 (2021).
- Yan, W., et al. Bibliometric evaluation of 2000-2019 publications on functional near-infrared spectroscopy. NeuroImage. 220, 117121 (2020).
- Zheng, L., et al. Affiliative bonding between teachers and students through interpersonal synchronisation in brain activity. Social Cognitive and Affective Neuroscience. 15 (1), 97-109 (2020).
- Dean, R. T., Dunsmuir, W. T. M. Dangers and uses of cross-correlation in analyzing time series in perception, performance, movement, and neuroscience: The importance of constructing transfer function autoregressive models. Behavior Research Methods. 48 (2), 783-802 (2016).
- Barker, J. W., Rosso, A. L., Sparto, P. J., Huppert, T. J. Correction of motion artifacts and serial correlations for real-time functional near-infrared spectroscopy. Neurophotonics. 3 (3), 031410 (2016).
- Huppert, T. J. Commentary on the statistical properties of noise and its implication on general linear models in functional near-infrared spectroscopy. Neurophotonics. 3 (1), 010401 (2016).
- Mihanović, H., Orlić, M., Pasarić, Z. Diurnal thermocline oscillations driven by tidal flow around an island in the Middle Adriatic. Journal of Marine Systems. 78, SUPPL. 1 157-168 (2009).
- Ng, E. K. W., Chan, J. C. L. Geophysical applications of partial wavelet coherence and multiple wavelet coherence. Journal of Atmospheric and Oceanic Technology. 29 (12), 1845-1853 (2012).
- Ng, E. K. W., Chan, J. C. L. Interannual variations of tropical cyclone activity over the north Indian Ocean. International Journal of Climatology. 32 (6), 819-830 (2012).
- 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, 561-566 (2004).
- Jurcak, V., Tsuzuki, D., Dan, I. 10/20, 10/10, and 10/5 systems revisited: Their validity as relative head-surface-based positioning systems. NeuroImage. 34 (4), 1600-1611 (2007).
- Homan, R. W., Herman, J., Purdy, P. Cerebral location of international 10-20 system electrode placement. Electroencephalography and Clinical Neurophysiology. 66 (4), 376-382 (1987).
- Koessler, L., et al. Automated cortical projection of EEG sensors: Anatomical correlation via the international 10-10 system. NeuroImage. 46 (1), 64-72 (2009).
- Penny, W., Friston, K., Ashburner, J., Kiebel, S., Nichols, T. Statistical Parametric Mapping: The Analysis of Functional Brain Images. , Academic Press. (2007).
- Shalinsky, M. H., Kovelman, I., Berens, M. S., Petitto, L. A. Exploring cognitive functions in babies, children & adults with near infrared spectroscopy. Journal of Visualized Experiments: JoVE. (29), e1268 (2009).
- Xu, S. Y., Cheong, L. I., Zhuang, Y., Couto, T. A. P., Yuan, Z. Conducting concurrent electroencephalography and functional near-infrared spectroscopy recordings with a flanker task. Journal of Visualized Experiments: JoVE. (159), e6069 (2020).
- Noah, J. A., et al. fMRI validation of fNIRS measurements during a naturalistic task. Journal of Visualized Experiments: JoVE. (100), e52116 (2015).
- Tong, Y., Lindsey, K. P., Frederick, B. D. Partitioning of physiological noise signals in the brain with concurrent near-infrared spectroscopy and fMRI. Journal of Cerebral Blood Flow and Metabolism. 31 (12), 2352-2362 (2011).
- Buck, R., Miller, R. E., Caul, W. F. Sex, personality, and physiological variables in the communication of affect via facial expression. Journal of Personality and Social Psychology. 30 (4), 587-596 (1974).
- Walen, H. R., Lachman, M. E. Social support and strain from partner, family, and friends: Costs and benefits for men and women in adulthood. Journal of Social and Personal Relationships. 17 (1), 5-30 (2000).
- Chang, C., Glover, G. H. Time-frequency dynamics of resting-state brain connectivity measured with fMRI. NeuroImage. 50 (1), 81-98 (2010).
- Liu, H., et al. Inferring subsurface preferential flow features from a wavelet analysis of hydrological signals in the shale hills catchment. Water Resources Research. 56 (11), 0-3 (2020).
- Rhif, M., Abbes, A. B., Farah, I. R., Martínez, B., Sang, Y. Wavelet transform application for/in non-stationary time-series analysis: A review. Applied Sciences. 9 (7), Switzerland. 1345 (2019).
- Molavi, B., Dumont, G. A. Wavelet-based motion artifact removal for functional near-infrared spectroscopy. Physiological Measurement. 33 (2), 259-270 (2012).
- 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), 649-662 (2010).
- 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).
- 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).
- Cooper, R. J., et al. A systematic comparison of motion artifact correction techniques for functional near-infrared spectroscopy. Frontiers in Neuroscience. 0, 147 (2012).
- Brigadoi, S., et al. Motion artifacts in functional near-infrared spectroscopy: A comparison of motion correction techniques applied to real cognitive data. NeuroImage. 85, 181-191 (2014).
- Liu, Y., et al. Measuring speaker-listener neural coupling with functional near infrared spectroscopy. Scientific Reports. 7, 1-13 (2017).
- Li, Z., et al. Speaker-listener neural coupling reveals an adaptive mechanism for speech comprehension in a noisy environment. Cerebral Cortex. , (2021).
