Waiting
Login processing...

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

Neuroscience

מסגרת חדשה להבנת קוהרנטיות בין-מוחית במחקרי היפר-סריקה תפקודית של ספקטרוסקופיה תת-אדומה קרובה (fNIRS)

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

Summary

Wavelet transform coherence (WTC) היא מתודולוגיה נפוצה להערכת הצימוד בין אותות המשמשת במחקרי היפר-סריקה פונקציונליים של ספקטרוסקופיה תת-אדומה קרובה (fNIRS). בעבודה זו מוצג ארגז כלים להערכת הכיווניות של אינטראקציית האות.

Abstract

למרות הגוף ההולך וגדל של מחקרי היפר-סריקה פונקציונליים של ספקטרוסקופיה תת-אדומה קרובה (fNIRS), נראה כי הערכת הצימוד בין שני אותות עצביים באמצעות קוהרנטיות התמרת גל (WTC) מתעלמת מהכיווניות של האינטראקציה. בתחום חסרה כיום מסגרת המאפשרת לחוקרים לקבוע האם ערך קוהרנטיות גבוה המתקבל באמצעות פונקציית WTC משקף סנכרון בפאזה (כלומר, הפעלה עצבית נראית בשני איברי הדיאדה בו זמנית), סנכרון בפיגור (כלומר, הפעלה עצבית נראית באיבר אחד של הדיאדה לפני האיבר השני), או סנכרון אנטי-פאזי (כלומר, ההפעלה העצבית מוגברת באיבר אחד של הדיאדה ויורדת בשני). כדי לענות על צורך זה, מוצעת בעבודה זו גישה משלימה ורגישה יותר לניתוח קוהרנטיות הפאזה של שני אותות עצביים. ארגז הכלים מאפשר לחוקרים להעריך את כיווניות הצימוד על ידי סיווג ערכי זווית הפאזה המתקבלים באמצעות WTC מסורתי לסנכרון בפאזה, סנכרון בפיגור וסנכרון אנטי-פאזה. ארגז הכלים גם מאפשר לחוקרים להעריך כיצד הדינמיקה של אינטראקציות מתפתחת ומשתנה במהלך המשימה. שימוש בגישת WTC חדשנית זו ובארגז הכלים יקדם את הבנתנו של אינטראקציות חברתיות מורכבות באמצעות שימושיהן במחקרי fNIRS hyperscanning.

Introduction

בשנים האחרונות חל שינוי בסוגי המחקרים שנערכו כדי להבין את הבסיס העצבי של התנהגות חברתית 1,2. באופן מסורתי, מחקרים במדעי המוח החברתיים התמקדו בהפעלה עצבית במוח מבודד אחד במהלך משימה רלוונטית מבחינה חברתית. עם זאת, ההתקדמות בטכנולוגיית הדימות המוחי מאפשרת כעת לבחון את ההפעלה העצבית במוחו של אדם אחד או יותר במהלך אינטראקציה חברתית כפי שהיא מתרחשת בסביבות "בחיים האמיתיים"3. בסביבות "בחיים האמיתיים", אנשים מסוגלים לנוע בחופשיות, ודפוסים של הפעלת המוח עשויים להשתנות כאשר מידע מוחלף ושותפים חברתיים מקבלים משוב אחד מהשני4.

היפר-סריקה היא שיטה המעריכה חילופי מידע דו-כיווניים אלה על ידי מדידת הפעילות המוחית של שני אנשים או יותר בו זמנית5. גוף מחקר מתפתח השתמש בספקטרוסקופיה תפקודית של אינפרא אדום קרוב (fNIRS), טכניקת דימות מוחי לא פולשנית אשר, בהשוואה לטכניקות דימות מוחי אחרות, פחות רגישה לממצאים תנועתיים6. היפר-סריקה באמצעות fNIRS מאפשרת הערכה של סנכרון בין-מוחי (IBS) בסביבות בחיים האמיתיים בזמן שהשותפים האינטראקטיביים נעים בחופשיות ובטבעיות. זה רלוונטי במיוחד לעבודה עם תינוקות וילדים צעירים, אשר נוטים להיות פעילים למדי. דווח כי תסמונת המעי הרגיז משקפת הבנה הדדית בין שותפים אינטראקטיביים, המשמשת כבסיס לאינטראקציה חברתית יעילה ותקשורת ומתווכת התכוונות משותפת 1,7,8.

מספר שיטות משמשות להערכת IBS של שני מוחות. שיטות כאלה כוללות מתאמים של סדרות זמן, כגון מתאם צולב ומקדם מתאם פירסון 9,10 (ראו סקירה של Scholkmann et al.10). שיטות אחרות כרוכות בהערכת עוצמת הצימוד בתחום התדרים. שיטות אלה כוללות ערך נעילת פאזה (PLV) וקוהרנטיות פאזה (ראה סקירה של Czeszumski et al.11). אחת השיטות הנפוצות ביותר במחקרי fNIRS משתמשת בקוהרנטיות התמרת גל (WTC) - מדד למתאם צולב של שתי סדרות זמן כפונקציה של תדירות וזמן10.

WTC משתמש בניתוחים מתאמים כדי לחשב את הקוהרנטיות ואת השהיית הפאזה בין שתי סדרות זמן בתחום תדירות הזמן. מחקרי סריקת יתר של FNIRS השתמשו ב- WTC כדי להעריך IBS בתחומים רבים של תפקוד, כולל ניטור פעולה 12, התנהגות שיתופית ותחרותית 5,13,14,15, חיקוי 16, פתרון בעיות אם-תינוק 17, והתנהגות הוראה-למידה 18,19,20,21. בדרך כלל, במחקרי היפר-סריקה, קוהרנטיות בין-מוחית, כפי שנמדדה על-ידי WTC, במהלך מטלה ניסיונית מושווית לקוהרנטיות בין-מוחית במהלך משימת ביקורת. הממצאים האלה מוצגים בדרך כלל עם "חלקה חמה" של WTC, שמראה את הקוהרנטיות בין שני המוחות בכל נקודת זמן ותדירות (ראו איור 1).

כפי שהוצע על ידי Czesumaski et al.11, WTC הפך לגישה האנליטית הסטנדרטית לניתוח fNIRS hyperscanning. ניתוח WTC הוא שיטה גמישה, "אגנוסטית לכלים" עבור תצוגה חזותית ופרשנות נתונים22. מפת החום של מקדם הקוהרנטיות, המספקת צורת ניתוח נראטיבית המאפשרת זיהוי קל של תקופות של התנהגות סינכרונית או אסינכרונית, כמו גם את עוצמת הפעילות המוחית במהלך השלמת משימה, היא היתרון העיקרי של WTC והופכת אותו לכלי חזק למחקר יישומי22. ל-WTC יש יתרון על פני טכניקות מתאם. המתאמים רגישים לצורה של פונקציית התגובה ההמודינמית (HRF), אשר נחשבת שונה בין אנשים (במיוחד במונחים של גיל) ובין אזורים שונים במוח. לעומת זאת, WTC אינו מושפע משינויים בין-אזוריים ב-(HRF)23. חוקרים השתמשו בגישת wavelet כדי לחקור סדרות זמן fMRI. Zhang et al.24 השוו את מדדי הקישוריות הפונקציונלית הנפוצים, כולל מתאם פירסון, מתאם חלקי, מידע הדדי וטרנספורמציית קוהרנטיות גלית (WTC). הם ביצעו ניסויי סיווג באמצעות דפוסי קישוריות תפקודית בקנה מידה גדול הנגזרים מנתוני fMRI במצב מנוחה ונתוני fMRI של גירוי טבעי של צפייה בווידיאו. ממצאיהם הצביעו על כך ש-WTC הפגין את הביצועים הטובים ביותר בסיווג (ספציפיות, רגישות ודיוק), מה שמרמז על כך ש-WTC הוא מדד קישוריות תפקודית עדיף לחקר רשתות מוח תפקודיות, לפחות ביישומי סיווג24.

Figure 1
איור 1: קוהרנטיות התמרת Wavelet (WTC). WTC מציג את הקוהרנטיות ואת זווית הפאזה בין שתי סדרות זמן כפונקציה של הזמן (ציר x) והתדירות (ציר y). הגדלת הקוהרנטיות מתוארת על ידי הצבע האדום בגרף, והחצים הקטנים בגרף מראים את זווית הפאזה של שתי סדרות הזמן. החץ המצביע ימינה מייצג סינכרון בשלב; החצים המצביעים כלפי מטה והחצים המצביעים כלפי מעלה מייצגים סנכרון מושהה; והחץ המצביע שמאלה מייצג סינכרון אנטי-פאזי30. נתון זה נלקח מתוך Pan et al.19. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

לאחרונה, המילטון25 ביטא מספר מגבלות לפרשנות של נתוני קוהרנטיות בין-מוחית במחקרי fNIRS. אחד החששות העיקריים של המילטון היה שמדדי קוהרנטיות (למשל, WTC) מדווחים רק על השפעות סימטריות (כלומר, שני מוחות מתואמים, ומראים את אותו דפוס של שינוי). עם זאת, אינטראקציות חברתיות רבות הן א-סימטריות (למשל, זרימת מידע בין דובר למאזין) בכך ששני משתתפים עשויים למלא תפקידים שונים, ולא ברור אם WTC יכול ללכוד מידע זה. כאן, דאגה זו מטופלת על ידי מסגרת חדשה המאפשרת פרשנות פשוטה של כוח הגל הצולב, על ידי שימוש בפאזה חוצת גלים כדי לזהות כיווניות. מסגרת זו תאפשר גם לבחון כיצד הדינמיקה של אינטראקציות מתפתחת ומשתנה במהלך משימה.

בעוד WTC ושיטות מתאם מעריכות קישוריות פונקציונלית, שיטות אחרות מעריכות קישוריות יעילה, בניסיון לחלץ את ההשפעות הסיבתיות של אלמנט עצבי אחד על פני אחר. אנטרופיית העברה היא מדד מתחום תורת האינפורמציה המתאר את המעבר בין תהליכים תלויים במשותף26. שיטה קשורה נוספת היא ניתוח סיבתיות גריינג'ר (GCA), שתואר כשווה ערך לאנטרופיית העברה26.

בספרות הקיימת של מחקרי fNIRS hyperscanning, ניתוח סיבתיות גריינג'ר (GCA) נמצא בשימוש נרחב כדי להעריך את כיווניות הצימוד בין נתוני סדרות זמן fNIRS שהתקבלו במהלך מגוון משימות שונות, כגון שיתוף פעולה5, הוראה19 וחיקוי16. GCA משתמש במודלים אוטורגרסיביים וקטוריים כדי להעריך את הכיווניות של צימוד בין סדרות זמן בנתוני המוח. סיבתיות גריינג'ר מבוססת על חיזוי וקדימות: "משתנה X נאמר למשתנה 'G-סיבה' Y אם העבר של X מכיל את המידע המסייע לחזות את עתידו של Y מעל ומעבר למידע שכבר נמצא בעבר של Y"27. בהתאם לכך, סיבתיות G מנותחת בשני כיוונים: 1) מנושא A לנושא B ו-2) מנושא B לנושא A.

בעוד ניתוח GCA משמש כניתוח משלים שמטרתו לקבוע אם ערך קוהרנטיות גבוה המתקבל באמצעות פונקציית WTC משקף IBS או סנכרון בפיגור (אות אחד מוביל את השני), הוא אינו מאפשר לקבוע אם התרחש סנכרון אנטי פאזה. במחקרי דימות מוחי מסורתיים, שבהם נסרק רק משתתף אחד בלבד (כלומר, גישת "המוח היחיד"), דפוס אנטי-פאזי פירושו שהפעילות באזור מוח אחד מוגברת בעוד שהפעילות באזור המוח השני מופחתת28. בספרות ההיפר-סריקה, נוכחות של סנכרון אנטי-פאזי עשויה להצביע על כך שההפעלה העצבית מוגברת בנושא אחד, ובמקביל ההפעלה העצבית מופחתת עבור הנושא האחר. לכן, יש צורך לספק מודל מקיף שיכול לזהות את הכיווניות. באופן ספציפי יותר, מודל זה יוכל לזהות סנכרון אנטי פאזי (שבו כיוון הפעילות של אדם אחד הפוך לזה של בן זוגו) בנוסף לסנכרון בשלב וסנכרון בפיגור.

בניסיון להתמודד עם החשש ש-WTC מראה רק השפעות סימטריות, כאשר שני המוחות מראים את אותו דפוס של שינוי25, מוצגת גישה חדשה לזיהוי סוג האינטראקציה על-ידי בחינת שלב הסנכרון (כלומר, בפאזה, בפיגור או אנטי-פאזה) (ראו איור 2). לשם כך פותח ארגז כלים בשיטת WTC לסיווג סוגי האינטראקציות השונים. סוגי האינטראקציות מסווגים באמצעות נתוני פאזה יחסית מניתוח טרנספורמציה חוצת גלים.

Figure 2
איור 2: איור של יחסי הפאזה השונים של גלי סינוס פשוטים. (A) כאשר שני האותות, אות 1 (קווים כחולים s) ואות 2 (קווים כתומיםs), מגיעים לערכי המקסימום, המינימום והאפס שלהם באותה נקודת זמן, הם אמורים להראות סנכרון בפאזה32. (B) כאשר אות אחד מגיע לערך המרבי שלו והאות השני מגיע לערך אפס באותה נקודת זמן, נאמר שהם מראים סנכרון בפיגור (אחד מוביל ב-90°)32,33,34. (C) כאשר שתי סדרות זמן נעות בכיוונים מנוגדים, כלומר אות אחד מגיע למקסימום והשני מגיע לערך המינימלי באותה נקודת זמן, זה נקרא סנכרון אנטי-פאזי28. (ד-פ) בכל יחסי הפאזה האחרים בין שתי סדרות זמן, אות אחד מוביל את השני. בכל השלבים החיוביים, אות 2 מוביל את אות 1 (לדוגמה, לוחות E, F, M ו-N), ואילו בכל השלבים השליליים, אות 1 מוביל את אות 2 (למשל, לוחות D, G, H, O ו-P). יש לציין כי כאשר הערך המוחלט של הפאזה גבוה יותר, היא הופכת להיות מובחנת יותר איזו סדרת זמן מובילה את השנייה (למשל, ההנהגה מובחנת יותר בלוח J מאשר בלוח I, ובלוח K, ההנהגה ייחודית יותר מאשר בלוח L). אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

המחקר נערך באוניברסיטת פלורידה אטלנטיק (FAU) ואושר על ידי מועצת הביקורת המוסדית של FAU (IRB).

1. שימוש בתוכנת Homer3 (Table of Materials) לביצוע עיבוד מקדים של נתוני fNIRS hyperscanning

הערה: Homer3 הוא יישום MATLAB המנתח נתוני fNIRS כדי לקבל הערכות ומפות של הפעלת המוח29. ניתן להוריד ולהתקין את Homer3 מהקישור הבא (https://openfnirs.org/software/homer/).

  1. פתחו את MATLAB ונווטו אל התיקיה שבה נשמרים קובצי .nirs גולמיים. בחר ופתח את התיקיה.
  2. הקלידו Homer3 בחלון הפקודות של MATLAB כדי להפעיל את ממשק המשתמש הגרפי Homer3 . הומר3. יזהה את קבצי הסיומת .nirs ויבקש להמיר לפורמט .snirf (פורמט קובץ אוניברסלי לאחסון ושיתוף נתוני NIRS ללא תלות בפורמט קובץ ספציפי ליישום, כגון MATLAB) כדי להמשיך בעיבוד מראש של הנתונים.
  3. לאחר ייבוא קבצי .nirs לפורמט .snirf ב- Homer3, לחץ על כלים אפשרות בממשק המשתמש הגרפי של Homer3 ובחר ערוך זרם עיבוד.
  4. בממשק המשתמש הגרפי ProcStreamEdit , בחר את שלבי העיבוד מראש מהעמודה פונקציית הרישום לעמודה זרם עיבוד נוכחי על-ידי לחיצה על הוסף. שלבי העיבוד מראש הכלולים הם כדלקמן:
    1. השתמש hmrR_intensity2OD כדי להמיר את נתוני העוצמה לצפיפות אופטית.
    2. השתמש hmrR_MotionCorrectWavelet כדי לתקן לכלוכי תנועה באמצעות פונקציית הסינון המתאימה.
    3. השתמש hmrR_OD2conc כדי להמיר את נתוני OD לריכוז.
    4. השתמש ב- hmR_BlockAvg כדי לחשב את ממוצע הבלוק בנתוני ריכוז.
      הערה: בחירת שלבי העיבוד מראש עשויה להשתנות בהתאם לסוג ערכת הנתונים.
  5. כדי לשמור את זרם העיבוד הנוכחי, לחץ על להציל אפשרות ולאחר מכן צא ממשק המשתמש הגרפי ProcStreamEdit.
  6. כדי להפעיל את זרם העיבוד מראש בממשק המשתמש הגרפי הראשי של Homer3, לחץ על האפשרות הפעלה . לאחר ש- Homer3 יסיים להפעיל את זרם העיבוד שנבחר, הוא ישמור את סדרת הזמן המעובדת מראש עבור כל משתתף בפורמט קובץ .mat המכיל Hbo, Hbr ו- Hbt עבור כל הערוצים והאירועים. תיקייה בשם homer output תיווצר על-ידי Homer3 בתיקייה הנוכחית שנבחרה לאחסון קבצים אלה.
  7. תיקייה בשם נגזרות תיווצר על-ידי Homer3 בתיקייה שנבחרה לאחסון קבצים אלה. בחר את תיקיית ההומר הממוקמת בתיקיית הנגזרות. בחר את קובץ ה- .mat עבור כל מוח וייצא Hbo, Hbr, Hbt.
    הערה: שם תיקיית הפלט שנוצרה על-ידי Homer3 תלוי בגרסת Homer3.

2. תחילת העבודה עם ארגז הכלים של LeaderFollowerByPhase

  1. כדי לנתח את סוג האינטראקציה המתרחשת בהקלטת היפר-סריקה, השתמש בארגז הכלים LeaderFollowerByPhase, כמתואר בתהליך המוצג באיור 3. ב- MATLAB, בחרו את קובצי ה- .mat עבור כל מוח, וטענו את נתוני Hbo (או Hbr) של הערוץ הספציפי והאירוע הספציפי לווקטור חד-ממדי כאות1 ואות2.
  2. בשורת הפקודה של MATLAB, הגדר את הפרמטרים
    1. lowFreq, highFreq: הקלד lowFreq = [FOI נמוך], ו- highFreq = [FOI גבוה]. ערכי ברירת המחדל הם lowFreq = 0.01 הרץ, highFreq = 1 הרץ.
      הערה: הפרמטרים של הפונקציות lowFreq ו- highFreq מגדירים את טווח תדירות הריבית (FOI). WTC מחשב את הקוהרנטיות בין שני המוחות בכל נקודת זמן ותדירות. ערכי הקוהרנטיות ממוצעים בדרך כלל בתוך FOI מסוים.
    2. הגדר את הפרמטר phaseRange; הקלד phaseRange = [טווח במעלות].
      הערה: ערך ברירת המחדל הוא phaseRange = 90°. הפאזה נעה בין 0° ל 360° בשל אופי מודולו מעגלי של הפאזה. טווחי השלבים מחולקים לפי טווח המקיף ארבע נקודות. בארגז הכלים המוצג מוצגת גישה חדשה לסיווג אינטראקציות א-סימטריות (איור 4) על ידי בחינת כיווניות הצימוד באמצעות ערכי זווית הפאזה על פי הטווחים המתאימים לסנכרון בפיגור עם מוביל אות 1 (טווח סביב -90°) או מוביל אות 2 (טווח סביב 90°), אות 1, סנכרון אות 2 בפאזה (טווח סביב 0), ואות 1, סנכרון אנטי-פאזי של אות 2 (טווח סביב +180° או -180°).
    3. הגדר את הפרמטר סף. הקלד threshold = [threshold rsq val]. ערך ברירת המחדל הוא Threshold = 0.
      הערה: ארגז הכלים מאפשר מפרט של ערך קוהרנטיות סף על-ידי ציון פרמטר הסף. זה מאפשר לחוקר לבחור נקודות זמן עם ערך קוהרנטיות מינימלי שצוין. כתוצאה מכך, רק נקודות זמן עם ערכי קוהרנטיות גבוהים מהסף שצוין, נלקחות בחשבון.
  3. הורד את ארגז הכלים LeaderFollowerByPhase מהקישור הבא (https://www.ariel.ac.il/wp/sns/download/ או https://github.com/Minisharmaa/Leader-Follower-By-Phase).
  4. הפעל את הפונקציה MATLAB LeaderFollowerByPhase על-ידי הזנת הפקודה cohervalues = LeaderFollowerByPhase(signal1, signal2, lowFreq, highFreq, phaseRange, threshold) בשורת הפקודה.
    הערה: חישובי הקוהרנטיות והפאזה מבוצעים באמצעות פונקציות WTC ו- XWT ב- MATLAB, בהתאמה30.
  5. בדוק את הערכים in-phase, Signal 1 leading, Signal 2 leading ו- anti-phase synchronization:
    1. בדוק את החלקות ב- MATLAB. ארגז הכלים מייצר דמות אחת עם ארבע חלקות.
      1. קוהרנטיות לפי סוג אינטראקציה: בדוק את תרשים התיבה בחלק השמאלי העליון של האיור, המציג את R-בריבוע (Rsq) לפי כל סוג אינטראקציה (בפאזה, אות 1 מוביל, אות 2 מוביל, אנטי פאזה).
        הערה: לקבלת תיאור מפורט של הפונקציה המוכללת של תרשים התיבה MATLAB, עיין בקישור הבא (https://www.mathworks.com/help/matlab/ref/boxchart.html).
      2. מדדים מרכזיים לפי סוג אינטראקציה: בדוק את גרף העמודות בחלק הימני העליון של איור הפלט, המציג את הממוצע והחציון המרביים בהתאם לכל סוג אינטראקציה (בפאזה, ריווח אות 1, ריווח אות 2, אנטי פאזה).
        הערה: לקבלת תיאור מפורט של הפונקציה המובנית בסרגל MATLAB, עיין בקישור הבא (https://www.mathworks.com/help/matlab/ref/bar.html).
      3. קוהרנטיות לאורך זמן: בדוק את תרשים הפיזור בחלק השמאלי התחתון של איור הפלט, המציג את ערכי הקוהרנטיות ואת סוגי האינטראקציה לאורך זמן. הנקודות הצבעוניות מייצגות סוגים שונים של אינטראקציה (נקודות שחורות מייצגות סינכרון בפאזה, נקודות אפורות כהות מייצגות את ריווח העצרת 1, נקודות אפורות בהירות מייצגות את ריווח השורות של אות 2 ונקודות סגולות מייצגות סנכרון אנטי-פאזי).
        הערה: האיור מציג את הדינמיקה של האינטראקציה: חילופי הדברים בין ארבעת סוגי האינטראקציה לאורך הסדרה במשרה מלאה. לקבלת תיאור מפורט של פונקציית הפיזור MATLAB, עיין בקישור הבא (https://www.mathworks.com/help/matlab/ref/scatter.html).
      4. אחוז זמן: בדוק את תרשים העוגה בחלק הימני התחתון של איור הפלט, המציג את חלוקת הזמן לפי סוגי האינטראקציות השונים.
        הערה: לקבלת תיאור מפורט של הפונקציה MATLAB pie, עיין בקישור הבא (https://www.mathworks.com/help/matlab/ref/pie.html).
  6. בדוק את טבלת הפלט עם הערכים הסטטיסטיים (כלומר, ממוצע, מקסימום, חציון וסטיית תקן) עבור כל סוג של אינטראקציה (סינכרון בפאזה, ריווח אותות 1, ריווח שורות אות 2, סינכרון אנטי-פאזה). הטבלה מציגה גם את אחוז הזמן שבו התרחשה כל סוג של אינטראקציה. כל סוג של אינטראקציה מופיע בעמודה אחרת.
  7. בדוק את ערך הפלט בקובץ הגיליון האלקטרוני שחולץ (כלומר, טבלת נתונים.xlsx הממוקמת בתיקייה הנוכחית).

Figure 3
איור 3: סקירה כללית של זרימת העבודה. (A) דיאדות אם-ילד שעסקו במשחק חופשי תוך כדי סריקת יתר של fNIRSdata נאספו. (B) איור של סדרת זמן אם-ילד. (C) עיבוד מקדים של סדרת הזמן באמצעות Homer3. (ד,ה) השימוש בארגז כלים לבחינת סוגים שונים של אינטראקציות, כגון סינכרון בשלב, סינכרון אנטי-פאזי וסינכרון מושהה. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 4
איור 4: סיווג של ארבעה סוגים שונים של אינטראקציות על בסיס פאזה. זה מייצג את הפרש הפאזה של שתי סדרות הזמן העצביות במודולו של 360 מעלות. ניתן לחשוב על הפרש הפאזה כפער זמן בין שני ערכים והוא נמדד במעלות וברדיאנים או בשברים של אורך הגל. כאן, מודולו 360° מחולק לארבעה טווחים שונים המתארים ארבעה שלבים שונים של אינטראקציה: (A) אות 1 מוביל (טווח סביב 90°, בין 45° ל 135°), (B) סנכרון אנטי פאזי בין אות 1 לאות 2 (טווח סביב 180° או -180°, בין 135° ל -135°), (C) אות 2 מוביל (בין -135° ל -45°), (D) סנכרון בפאזה (טווח סביב 0, בין -45° ל- 45°). חלוקה זו היא גישת ברירת המחדל (45° סביב כל נקודה); עם זאת, ארגז הכלים מאפשר להגדיר חלוקה אחרת. בעוד שתצורות אחרות עשויות שלא לכסות את כל 360°, הן עשויות להניב הגדרה מדויקת יותר של כל סוג אינטראקציה. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

חלק זה מדגים את סוגי הניתוחים שניתן לבצע באמצעות ארגז הכלים (אותם ניתן להוריד https://www.ariel.ac.il/wp/sns/download/ או https://github.com/Minisharmaa/Leader-Follower-By-Phase). עבור ניתוחים אלה, נעשה שימוש בנתוני fNIRS שנאספו עם מדגם קטן של דיאדות תינוק-הורה. שישה זוגות של דיאדות אם-תינוק נבדקו באמצעות מטלה התנהגותית מתוקפת, מטלת המשחק החופשי31, הקרובה ככל האפשר לאינטראקציה בין תינוק לאם בחיים האמיתיים. לפני הניסוי, התינוקות וההורים צוידו באופטודה מותאמת אישית לאיסוף נתוני fNIRS. קבוצת האופטודות ששימשה לאיסוף נתוני fNIRS במחקר זה כללה 8 מקורות (נקודות אדומות) ו-8 גלאים (נקודות כחולות) שהוגדרו ליצירת 18 ערוצים המכסים את האזורים הקדם-מצחיים והקדם-קודקודיים באופן דו-צדדי (ראו איור 5). NIRScout רכש את נתוני ההדמיה האופטית באמצעות שני אורכי גל: 760 ננומטר, הרגיש יותר לדאוקסיהמוגלבין (HbR), ו-850 ננומטר, הרגיש יותר לאוקסיהמוגלובין (HbO). כל ההורים היו נקבות (טווח גילאים = 26-36 שנים), והתינוקות היו בריאים ושלמים (שתי נקבות, ארבעה זכרים, טווח גילאים = 1-2 שנים) ללא עיכובים התפתחותיים ידועים. דיאדות גויסו באמצעות פרסומות. כל הורה נתן הסכמה מדעת לפני הניסוי, והם קיבלו תשלום עבור השתתפותם. לשם הפשטות, הניתוח מתמקד בנתונים שהתקבלו בערוץ 18 של דיאד א'.

Figure 5
איור 5: ערכת Optode ששימשה במחקר הראשוני. מערך האופטודות ששימש לאיסוף נתוני fNIRS במחקר הראשוני כלל 8 מקורות (נקודות אדומות) ו-8 גלאים (נקודות כחולות) שהוגדרו ליצירת 18 ערוצים (קווים צהובים) המכסים את האזורים הקדם-מצחיים והקדם-קודקודיים באופן דו-צדדי. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

ארגז הכלים שימש לזיהוי שינויים בסוגי האינטראקציה שניתן לזהות לאורך זמן עבור אותו ערוץ עבור דיאדה ספציפית. הפרמטרים עבור הפונקציה היו כדלקמן: אות 1 = ערוץ 18 אמא, אות 2 = ערוץ 18 אמא, lowFreq = 0.0067, highFreq = 0.1142, phaseRange = 90, סף = 0.

Figure 6
תרשים 6: ניתוח סיווג בסף 0. הסף מוגדר ל- 0 (סף = 0). (A) תרשימי תיבה המייצגים ערך קוהרנטיות הקשור לאינטראקציות. יש אחד לכל סוג של אינטראקציה, והטווח החציוני והבין-רבעוני (IQR) מסומנים. ציונים גבוהים יותר מצביעים על רמה גבוהה יותר של קוהרנטיות. (B) המדדים המרכזיים של ערכי הקוהרנטיות של כל סוגי האינטראקציות. (C) הדינמיקה של סוג האינטראקציה משתנה במהלך המשימה. (ד) אחוז הציונים עבור כל אחד מארבעת סוגי האינטראקציות. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

ראשית, כל נקודת זמן סווגה לאחד מארבעת סוגי האינטראקציה (בשלב, אנטי-פאזה, אם-מובילה או מובילת-תינוק) (איור 6). איור 6D מציג את אחוז נקודות הזמן שסווגו לכל אחד מארבעת סוגי האינטראקציות. חשוב לציין כי בעוד ארגז הכלים יכול לזהות את האחוזים ואת ערך הקוהרנטיות הקשורים לאינטראקציות המובלות על ידי אחד המשתתפים (איור 6A), תרומתו הייחודית היא בכך שהוא מציג גם את האחוזים (איור 6D) ואת המדדים המרכזיים של ערכי הקוהרנטיות של כל סוגי האינטראקציות, כולל סנכרון אנטי-פאזי (איור 6B). לבסוף, ארגז הכלים מאפשר לבחון כיצד הדינמיקה של סוג האינטראקציה משתנה במהלך המשימה (איור 6C). חשוב לציין כי בדומה לניתוח GCA, ארגז הכלים מחשב מדדים אלה עבור כל דיאדה בנפרד. ניתוח ברמת הקבוצה באמצעות מדדים אלה צריך להתבצע כדי לקבוע את סוג האינטראקציה.

כאן, כדי לחקור את ההשפעה של שינוי ערכי סף מינימליים אלה על סיווג סוגי האינטראקציה בתוך דיאד, ניתוח הסיווג חזר על עצמו עם סף של 0.5 על Dyad A (איור 7).

Figure 7
תרשים 7: ניתוח סיווג בסף של 0.5. הסף מוגדר ל- 0.5 (סף = 0.5). (A) תרשימי תיבה המייצגים ערך קוהרנטיות הקשור לאינטראקציות. יש אחד לכל סוג של אינטראקציה, והטווח החציוני והבין-רבעוני (IQR) מסומנים. ציונים גבוהים יותר מצביעים על רמה גבוהה יותר של קוהרנטיות. (B) המדדים המרכזיים של ערכי הקוהרנטיות של כל סוגי האינטראקציות. (C) הדינמיקה של סוג האינטראקציה משתנה במהלך המשימה. (ד) אחוז הציונים עבור כל אחד מארבעת סוגי האינטראקציות. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

כפי שניתן לראות באיור 7D, בעת שימוש בסף זה, התפלגות הסוגים השונים של יחסי פאזה יחסיים השתנתה. אחוז הסנכרון האנטי-פאזי עלה (מ-35% ל-59%), ואחוז הסנכרון בשלב ירד (מ-26% ל-3%). זה מצביע על כך שסנכרון אנטי-פאזי עשוי להיות סוג האינטראקציה שמייצגת יותר את הדיאדה הזו. במילים אחרות, הגדרת סף מאפשרת את היכולת לבצע ניתוח רגיש יותר שבו רק נקודות זמן עם רמה מינימלית של קוהרנטיות ממוצעות. חשוב לציין כי קביעת סף ערך הקוהרנטיות האופטימלי היא תהליך מורכב, שכן הסף האופטימלי עשוי להשתנות מניסוי אחד למשנהו ובסביבות שונות. למרות שארגז הכלים מספק את האפשרות לקבוע סף, נדרשים מחקרים נוספים כדי לפתח פרוטוקול לזיהוי ערך הקוהרנטיות האופטימלי. יתר על כן, חשוב לבחור סף ותדירות של ערכי עניין שעדיין מצטלבים עם ערכי Rsq. לדוגמה, הפונקציה עם הפרמטרים lowFreq = 0.0067, highFreq = 0.1142, phaseRange = 90 ו- Threshold = 0.5 הראתה אינטראקציות עם ערכי Rsq רק מעל 0.5, אך אותה פונקציה עם סף של 0.7 גרמה לשגיאה, מכיוון שלא היו ערכים מעל 0.7 בטווח התדרים.

קובץ משלים 1: Wavelet transform coherence (WTC). סקירה כללית של התמרת גל והתמרה צולבת גלים, המשמשים לניתוח מאפייני זמן-תדר ותלות הדדית של שתי סדרות זמן. התמרת גל מפרקת סדרת זמן למרחב זמן-תדר 35, ואילו התמרת גל צולב חושפת את העוצמה והפאזה המשותפות בין שתי סדרות זמן 9,30. הטקסט מציג גם את הקוהרנטיות של התמרת הגלים, המכמתת את מידת הסנכרון בין שתי סדרות זמן. הערך הריבועי R הנגזר מקוהרנטיות התמרת הגל משקף תלות הדדית, אך אינו מבחין בין מתאמים חיוביים ושליליים36. מניחים שמתאמים חיוביים ושליליים מצביעים על יחסי גומלין37,38. אנא לחץ כאן כדי להוריד קובץ זה.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

אחת השיטות הנפוצות ביותר בשימוש במחקרי fNIRS היא קוהרנטיות התמרת גל (WTC), שהיא מדד למתאם הצולבות של שתי סדרות זמן כפונקציה של תדירות וזמן10. WTC מחשב את הקוהרנטיות ואת השהיית הפאזה בין שתי סדרות זמן באמצעות ניתוחים מתאמים (קובץ משלים 1). מחקרי סריקת יתר של FNIRS השתמשו ב- WTC כדי להעריך IBS בתחומים רבים של תפקוד, כולל ניטור פעולה 12, התנהגות שיתופית ותחרותית 5,13,14,15, חיקוי 16, פתרון בעיות אם-תינוק 17, והתנהגות הוראה-למידה 18,19,20,21. מחקרי היפר-סריקה משווים לעתים קרובות קוהרנטיות בין-מוחית שנמדדה באמצעות התמרת קוהרנטיות גלית (WTC) במהלך משימה ניסיונית לזו של משימת ביקורת. השוואות אלה מוצגות בדרך כלל באמצעות "עלילה חמה" של WTC המציגה את הקוהרנטיות בין שני המוחות בכל נקודת זמן ותדירות. בנוסף, כפי שניתן לראות באיור 1, מידע על השהיית הפאזה מוצג על-ידי כיוון החיצים הקטנים ב"חלקה החמה" של WTC. עם זאת, מחקרים קודמים שכחו לקחת בחשבון את מידע פיגור הפאזה המיוצג על ידי כיוון החיצים הקטנים ב"חלקה החמה" של WTC והעריכו רק את הסנכרון הבין-מוחי (IBS) על ידי בחינת הקוהרנטיות בתרשים WTC. מחדל זה עלול לגרום לממצאים לא מדויקים או חלקיים.

המגבלות שנדונו על ידי המילטון25 בנוגע לפרשנות של נתוני קוהרנטיות בין-מוחית במחקרי fNIRS hyperscanning מטופלות במסגרת החדשה המאפשרת פרשנות פשוטה של עוצמת הגל הצולב, על ידי שימוש בפאזה חוצת גלים כדי לזהות כיווניות, וכוללת גם מודול ניתוח קוהרנטיות לחישוב ערכי הקוהרנטיות על ידי ממוצע שלהם ישירות39. גישה זו מאפשרת לבחון את ההתפתחות והשינוי באינטראקציות לאורך משימה ומספקת מדד אמין לקוהרנטיות בין אותות.

גישה כזו הודגמה במחקרים התנהגותיים של סנכרון בין-אישי, אשר השתמשו בנתוני הפאזה היחסית שניתן לחלץ מניתוח חוצה גלים. כמה מחקרים השתמשו בנתונים אלה כדי להבחין בין ערכי קוהרנטיות בשלב ואנטי פאזה. לדוגמה, גישה זו שימשה להערכת תנועות ידיהם של שני מוזיקאים מאלתרים40 ולבחינת תיאום יציבה חברתי41. כמה מחקרים בחנו את התפלגות זוויות הפאזה בנתוני תנועה כדי להבין את הדינמיקה של אינטראקציות באמצעות קוהרנטיות חוצת גלים במהלך שיחות מובנות42 ובלתי מובנות 43.

הפאזה היחסית בין שתי סדרות זמן מאפשרת זיהוי של מעברי זמן בין אותות בעלי תדר זהה. ואכן, בתחום סריקת יתר של EEG, רוב השיטות המכוונות לקבוע את מידת הסנכרון של סדרות זמן עצביות מעריכות את יחס הפאזה היחסי בין שתי סדרות הזמן13,44.

השלבים הקריטיים של שימוש בארגז הכלים LeaderFollowerByPhase בנתוני fNIRS hyperscanning מודגמים בפרוטוקול. באופן ספציפי, הפרוטוקול כולל קביעה מראש של אות 1 ואות 2 ב- MATLAB לפני הפעלת ארגז הכלים. ראוי לציין כי הפרמטרים כגון תדירות הריבית (FOI), טווח הפאזה והסף הם אופציונליים ועשויים להשתמש בערכי ברירת מחדל אם אינם מוגדרים. סינון ודה-טרנד של אותות גולמיים מומלצים45. בנוסף, יש לנקוט משנה זהירות בעת ביצוע סינון פלסטר, מכיוון שהדבר עלול להשפיע על בחירת ה- FOI.

פרמטרי FOI (lowFreq, highFreq) דורשים בחירה זהירה, במיוחד למעט רעש פיזיולוגי בתדר גבוה ובתדר נמוך, כגון נשימה (~0.2-0.3 הרץ) ופעימות לב (0.6-1.2 הרץ). מומלץ לקחת את התדרים הנמוכים והגבוהים המעניינים בין 0.01 ל -0.7 הרץ, בהתאמה46, שכן טווח זה מבטל ביעילות גם רעשים בתדרים גבוהים כגון פעימות לב (0.8-1 הרץ).

הפרמטר phaseRange מגדיר טווח סביב ערכי זווית הפאזה בהתאם לטווחים המתאימים לסינכרון מושהה עם ריווח שורות אות 1 (טווח המקיף -90°) או ריווח שורות אות 2 (טווח המקיף 90°), אות 1, סנכרון אות 2 בפאזה (טווח המקיף 0°) ואות 1, סנכרון אנטי-פאזי של אות 2 (טווח המקיף +180° או -180°). רוחב הטווח שמסביב סביב ארבע נקודות אלה מוגדר על ידי phaseRange לדוגמה, אם phaseRange מוגדר ל- 90°, אז הטווח לסנכרון בפאזה יהיה סביב 0°, בין -45° ל- 45°; הטווח עבור אות 2 מוביל (סנכרון בפיגור) יהיה סביב 90°, בין 45° ל 135°, הטווח עבור סנכרון אנטי פאזי יהיה סביב 180° או -180°, בין 135° ל -135°; והטווח עבור אות 1 מוביל (סנכרון בפיגור) יהיה סביב 180°, בין -135° ל-45°-. הפרמטר phaseRange חייב להיות בין 0° ל- 90° מעלות, אחרת תוצג ההודעה הבאה: "הערך של משתנה phaseRange חייב להיות בין 0 ל- 90". למרות שהטווח יכול להיות כל מספר בין 0° ל- 90°, הערך המינימלי המומלץ הוא 30° (±15°). ערך הסף צריך להיות כל ערך בין 0 ל- 1, אחרת תוצג ההודעה הבאה: "הערך של משתנה הסף חייב להיות בין 0 ל- 1". מומלץ לבחור סף שהוא בין 0.25 ל-0.75.

בעוד ארגז הכלים של LeaderFollowerByPhase מציג גישה מבטיחה, הוא אינו חף ממגבלות. כאמור, קביעת סף ערך הקוהרנטיות האופטימלי היא תהליך מורכב, שכן הסף האופטימלי עשוי להשתנות מניסוי אחד למשנהו ובין משימות שונות. בדיקת ארגז כלים זה על מערכי נתונים מגוונים יותר נחוצה כדי לקבל מידע מדויק יותר על הערכים האופטימליים עבור הסף.

היכולת להבין אינטראקציות אנושיות מורכבות באמצעות היפר-סריקה fNIRS הוגבלה על ידי העובדה שהגישות הנוכחיות המשמשות לזיהוי צימוד בין שני אותות עצביים מתעלמות מהכיווניות של האותות. כאן, מוצעת גישה רגישה יותר לניתוח הקוהרנטיות של שני אותות עצביים באמצעות קוהרנטיות התמרת גל (WTC). ארגז הכלים מאפשר לחוקרים לבחון את כיווניות הצימוד על ידי סיווג ערכי זווית הפאזה כמייצגים סנכרון בפאזה, סנכרון בפיגור וסנכרון אנטי-פאזה.

גישה חדשנית זו באמצעות ארגז הכלים תספק מידע מפורט יותר על אופי האינטראקציות הדיאדיות, שעד כה היו חסרות. לדוגמה, בעוד שסנכרון פאזה וסנכרון אנטי-פאזי טופלו כזהים (קובץ משלים 1)36, החוקרים יוכלו כעת לזהות את המידה שבה האותות העצביים של חברי הדיאדה נעים באותו כיוון (שניהם עולים או שניהם יורדים) או בכיוונים מנוגדים (אחד עולה והשני יורד). תהיה לכך השפעה טרנספורמטיבית על ההבנה של האופן שבו המוח מתווך תהליכים חברתיים והתנהגות.

למסגרת המוצעת פוטנציאל מבטיח ליישומים עתידיים בתחום מחקר הסנכרון העצבי הבין-אישי, שכן היא מאפשרת סיווג של סוגים שונים של אינטראקציות, כולל סנכרון בשלב, סנכרון בפיגור וסנכרון אנטי-פאזי. על ידי ניתוח מחדש של הממצאים הקודמים עם המסגרת החדשה המוצעת, החוקרים יכולים להשיג הבנה מקיפה יותר של אופי הסנכרון בין המשתתפים. באופן ספציפי, היכולת להבדיל בין אינטראקציות בשלב לבין אינטראקציות אנטי-פאזיות מספקת רמה חדשה של בהירות שלא הייתה זמינה בעבר, מה שיכול להוביל לפרשנויות מדויקות יותר של הממצאים הקודמים. פונקציונליות זו של המסגרת יכולה להיות מיושמת במגוון רחב של תרחישים, כולל חקירת התפקיד של סנכרון עצבי בין-אישי בהתנהגות חברתית, תקשורת ותהליכי קבלת החלטות. בסך הכל, המסגרת המוצעת מהווה תרומה רבת ערך לתחום וטומנת בחובה פוטנציאל משמעותי ליישומים עתידיים.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

המחברים מצהירים כי המחקר נערך בהיעדר קשרים מסחריים או פיננסיים שיכולים להתפרש כניגוד עניינים פוטנציאלי.

Acknowledgments

ברצוננו להכיר בתמיכה הניתנת על ידי הקרן הלאומית למדעי הטבע של סין (מס '62207025), פרויקט המחקר במדעי הרוח והחברה ממשרד החינוך של סין (מס '22YJC190017), וקרנות המחקר הבסיסיות עבור האוניברסיטאות המרכזיות ליפנג פאן.

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

ספקטרוסקופיה תפקודית של אינפרא אדום קרוב סריקת יתר של FNIRS קוהרנטיות חוצת מוחות קוהרנטיות טרנספורמציית גל הערכת צימוד כיווניות של אינטראקציה סנכרון בפאזה סנכרון בפיגור סנכרון אנטי-פאזה ניתוח קוהרנטיות פאזה הערכת כיווניות צימוד דינמיקה של אינטראקציות אינטראקציות חברתיות מחקרי סריקת יתר של FNIRS
מסגרת חדשה להבנת קוהרנטיות בין-מוחית במחקרי היפר-סריקה תפקודית של ספקטרוסקופיה תת-אדומה קרובה (fNIRS)
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

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

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

Less
Copy Citation Download Citation Reprints and Permissions
View Video

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

Waiting X
Simple Hit Counter