需要JoVE订阅才能观看此内容。 请登录或开始免费试用

方法文章

开放性协作学习中的脑间同步性：一项基于fNIRS超扫描的研究

4.6K 次观看

⸱

DOI：

10.3791/62777

⸱

2021年7月21日

 ,  , 
1School of Psychology and Cognitive Science, East China Normal University, 2Shanghai Key Laboratory of Mental Health and Crisis Intervention, East China Normal University

本文内容

摘要

本文概述了在自然学习环境中对协作学习对组进行功能性近红外光谱（fNIRS）超扫描实验的操作方案，并提出了一种用于分析氧合血红蛋白（Oxy-Hb）信号的脑间同步性（IBS）的数据处理流程。

摘要

功能性近红外光谱（fNIRS）超扫描技术被广泛用于探测社会互动的神经生物学基础。该技术通过一种称为“脑间同步性”（IBS）的新指标（即神经或血流动力学信号在时间上的相位和/或振幅对齐），来评估两个或多个互动个体之间的同步脑活动。本文介绍了一种在自然学习环境中对协作学习对组开展fNIRS超扫描实验的标准化方案，并详细说明了对氧合血红蛋白（Oxy-Hb）信号进行脑间同步性分析的数据处理流程。具体包括实验设计、NIRS数据采集过程、数据分析方法以及未来研究方向。总体而言，实施标准化的fNIRS超扫描流程是第二人称神经科学的基本组成部分，同时也符合开放科学的倡导，有助于提升研究的可重复性。

引言

近年来，为了揭示互动二人组或群体成员之间同时发生的脑活动，研究人员采用了超扫描（hyperscanning）方法1,2。具体而言，脑电图（EEG）、功能磁共振成像（fMRI）和功能近红外光谱成像（fNIRS）被用于同时记录两名或更多受试者的神经与脑活动3,4,5。研究人员基于该技术提取出一种包含同步脑耦合的神经指标，即脑间同步性（inter-brain synchrony, IBS）（指神经或血流动力学信号在时间上的相位和/或振幅对齐）。大量超扫描研究表明，在多个个体之间的社会互动过程中存在脑间同步性（例如表演者-观众、教师-学习者、领导者-追随者等）6,7,8。此外，脑间同步性对有效学习与教学具有特定意义9,10,11,12,13,14。随着在自然学习情境中开展的超扫描研究日益增多，建立该领域内超扫描实验的标准操作流程及数据分析流程变得十分必要。

因此，本文提供了一种基于功能性近红外光谱成像（fNIRS）的协作学习二人组超扫描实验方案，以及用于分析脑间同步性（IBS）的数据分析流程。fNIRS 是一种光学成像工具，通过发射近红外光间接评估血红蛋白的光谱吸收特性，从而测量血流动力学/氧合活动15,16,17。与功能性磁共振成像（fMRI）相比，fNIRS 对运动伪影的敏感性较低，因此可用于测量受试者在进行真实生活情境实验时（例如模仿、交谈和非语言交流）的脑活动18,7,19。与脑电图（EEG）相比，fNIRS 具有更高的空间分辨率，使研究者能够更准确地定位大脑活动区域20。因此，fNIRS 在空间分辨率、操作便利性和可行性方面的优势，使其适用于开展超扫描测量1。利用该技术，越来越多的研究开始关注一个指标——脑间同步性（IBS），即两个（或多个）个体大脑活动的神经对齐现象——在多种自然社会互动情境中的表现9,10,11,12,13,14。在这些研究中，研究者采用了多种方法（如相关性分析和小波变换相干性（WTC）分析）来计算该指标；然而，目前尚缺乏统一的标准分析流程。因此，本研究提出了一套基于 fNIRS 的超扫描实验操作规程，并建立了一个使用 WTC 分析识别 IBS 的标准化分析流程。

本研究旨在利用功能性近红外光谱（fNIRS）超扫描技术评估协作学习对中个体间的脑间同步性（IBS）。首先，在协作学习任务期间，同步记录每对参与者前额叶和左侧颞顶区域的血流动力学反应。这些脑区已被证实与互动式教学和学习过程相关9,10,11,12,13,14。其次，在每一对对应的通道上计算脑间同步性（IBS）。fNIRS数据记录过程包括两个阶段：静息态阶段和协作阶段。静息态阶段持续5分钟，期间两名参与者（面对面而坐，中间隔有一张0.8米的桌子）需保持静止并放松。该静息态阶段作为基线数据。随后进入协作阶段，要求参与者共同学习全部学习材料，通过理解内容、总结规律，确保全面掌握所有学习内容。本文将详细介绍实验实施的具体步骤以及fNIRS数据的分析方法。

访问受限。请登录或开始试用以查看此内容。

方案

所有招募的参与者（40对，平均年龄22.1 ± 1.2岁；100%右利手；视力正常或矫正至正常）均身体健康。实验前，参与者均签署了知情同意书。参与者因其参与获得了经济补偿。本研究经华东师范大学人类研究保护委员会批准（HR-0053-2021）。

1. 采用数据前的准备步骤

  1. 自制近红外光谱（NIRS）帽
    1. 采用弹性泳帽以固定探头支架网格。
      注意：考虑到受试者头部尺寸不同，使用两种尺寸的帽子。小号帽子适用于头围为 55.4 ± 1.1 cm 的受试者，大号帽子适用于头围为 57.9 ± 1.2 cm 的受试者。
    2. 根据国际标准 10-10 系统，在弹性泳帽上以 EEG 电极位置（枕外隆突、Cz、T3、T4、Fpz 和 P5）作为参考探头位置进行定位（参见材料表）。
      1. 首先，将标准 10-10 EEG 帽（参见材料表）套在头模上，再将弹性泳帽套在 EEG 帽外层。其次，用粉笔在每顶泳帽上标记参考探头位置（枕外隆突、Cz、T3、T4、Fpz 和 P5）。最后，切割两个直径约为 15 mm 的孔，用于放置两个参考探头（即 Fpz 和 P5，图 1）。
        注意：具体而言，一个 3 × 5 探头阵列和一个 4 × 4 探头阵列分别放置于前额叶区域（参考探头置于 Fpz，图 1B）和左侧颞顶区域（参考探头置于 P5，图 1B）。
    3. 切割用于放置其余探头的孔。将带有两个网格支架的泳帽直接安装在头模上，然后用粉笔标记其余探头的位置。之后，切割其余孔位，确保支架网格能够贴合。
    4. 将两个探头阵列（即 3 × 5 和 4 × 4）安装到泳帽上（参见材料表）。
      注意：NIRS 测量系统（参见材料表）提供这些标准探头阵列（即 3 × 5 和 4 × 4），并配备标准支架插槽，确保探头间距为 30 mm。
    5. 打开 NIRS 测量系统中的探头阵列监控窗口，并分别为每位受试者选择两个按 3 × 5 和 4 × 4 排列的探头阵列。
      注意：两顶帽子上的探头排列应与探头阵列窗口中的结构相对应（即接收探头编号与相应发射探头的准确位置）。
  2. 实验准备
    1. 在开始数据记录前，需提前启动 NIRS 系统至少 30 分钟，以确保系统维持稳定的运行温度。
      注意：系统稳定运行温度范围为 5 °C 至 35 °C。
    2. 将测量模式设置为事件相关测量模式，并确保触发信号接收器处于激活状态（即 RS232 串行输入）。
      注意：实验程序使用市售的心理学软件编写（参见材料表）。近红外光吸收（两个波长：695 nm 和 830 nm）以 10 Hz 的采样率进行测量。
    3. 准备可发光的光纤探头，用于拨开头发。
    4. 设置实验环境，配备一张桌子和两把椅子，使受试者面对面就座。

2. 通过指导参与者采纳数据

  1. 准备受试者
    1. 向受试者说明实验细节，包括近红外光谱（NIRS）测量方法。
      注意：所有受试者均为健康个体，并因参与实验获得经济补偿。无受试者在实验中途退出。NIRS 的激光束可能对受试者的眼睛造成伤害，因此需告知受试者切勿直视激光束。
    2. 让受试者面对面就座（中间隔一张桌子（0.8 m）），确保他们能够直接看到对方。调节座椅与桌子之间的距离（约 0.3 m），使受试者坐姿舒适。
    3. 打开激光按钮，并将装有探头组的帽具戴在受试者头部。
      注意：3 × 5 探头组覆盖受试者的前额区域（底行中间探头置于 Fpz 处）；4 × 4 探头组覆盖左侧颞顶皮层（第三行第三探头置于 P5 处）。
    4. 将四束光纤松散地放置在支架臂上，避免与受试者或椅子接触。
      注意：本实验所用 NIRS 测量系统包含四束光纤。此外，需确保受试者不会感到帽具过重而难以佩戴。
    5. 通过小心地将每个弹簧加载探头进一步推入其插槽，使探头尖端接触受试者的头皮。
    6. 进行信号校准。
      1. 首先，在 fNIRS 仪器的探头组监测窗口中点击 自动增益（Auto Gain），检查信号质量。在探头组监测窗口中，信号质量较差和足够的通道分别以黄色和绿色标记。
        注意：对于信号不足的通道，可使用发光的光纤探头将探头尖端下方的头发拨至一侧。
      2. 然后，进一步将探头推入插槽以获得足够的信号。重复此过程，直至 NIRS 测量系统的探头组监测窗口中所有通道均显示为绿色，表明信号质量达到可接受水平。
  2. 运行实验
    1. 以 5 分钟静息状态开始实验，作为基线。随后，要求两名受试者共同学习学习材料。
    2. 实验结束后，点击 文本文件输出（Text File Out） 导出原始光强数据，并将数据保存为文本文件。
      注意：NIRS 测量系统中未应用任何滤波器。
    3. 使用三维（3D）数字化仪（见 材料表）确定每位受试者发射器、接收器及其他参考点（即枕外隆凸、鼻根点、Cz 点以及左右耳）的位置。
      1. 使用商用数值计算平台21（见 材料表）获取记录通道的 MNI 坐标。补充表 S1 列出了各通道对应的解剖学位置。
    4. 用乙醇清洁探头和探头支架。用温和的清洁剂清洗帽具，并让其自然风干。

3. 数据分析

  1. 数据预处理
    注意：先前的研究采用了多种非商业软件包（例如 Homer222、AnalyzIR23 或 nirs LAB24），结合数值计算平台（参见材料表）对 fNIRS 数据进行分析，这些软件均可在网站上获取。本文使用 Homer2 对 NIRS 数据进行预处理。此外，在静息阶段和协作学习阶段采集的 fNIRS 记录数据均采用相同的预处理与分析流程。
    1. 从 fNIRS 设备复制数据集。将原始数据格式转换为适当格式（即，将 cvs 文件转换为 nirs 文件）。
    2. 使用数值计算平台中提供的“hmrIntensity2OD”函数将原始数据转换为光密度（OD）数据（参见材料表）。
    3. 删除异常通道。然后分别对每位参与者在每个通道及全部采样点上的 OD 值进行平均。
      注意：此处共获得 46 个平均 OD 值。
      1. 计算每位参与者的标准差（SD）。
      2. 将每位参与者中光密度过低或过高（超出 5 倍标准差）的通道标记为无效并从分析中移除。
        注意：此步骤可在 fNIRS 数据预处理之前和/或之后执行。在本数据分析流程中，异常通道在 fNIRS 数据预处理前即被检测。
    4. 基于修正的比尔-朗伯定律25，将 OD 时间序列数据转换为氧合血红蛋白（Oxy-Hb）、脱氧血红蛋白（DeOxy-Hb）以及联合信号。
      注意：参考文献25指出，“所有数据分析步骤均在 Oxy-Hb 数据上进行，因其作为局部脑血流变化的指标具有更高的信噪比26。此外，以往研究在教学与学习情境下的 fNIRS 超扫描主要关注 Oxy-Hb 浓度11,12,13,14。”
    5. 采用基于小波的逐通道方法对 Oxy-Hb 时间序列进行校准，以消除运动伪影。
      注意：具体而言，采用 Daubechies 5 (db5) 小波，调谐参数设为 0.1（详见 Homer2 手册）27,28，以去除运动伪影。
    6. 对校准后的 Oxy-Hb 数据应用带通滤波（即 0.01–1 Hz），以降低高频噪声和缓慢漂移。
    7. 对 Oxy-Hb 信号进行主成分分析（PCA），以去除非神经性全局成分（如血压、呼吸和血流变化）29。
      注意：此处采用 Zhang 及其同事提出的 PCA 分析方法29。
      1. 首先，对信号进行分解。
        注意：fNIRS 信号分解的具体公式为：H = UΣVT。其中，fNIRS 数据的时间和空间模式分别体现在两个矩阵（即 U 和 V）中。U 是一个二维（采样点 × 主成分）矩阵，V 也是一个二维（主成分 × 主成分）矩阵。V 的每一列表示一个主成分（PC），该主成分在特定通道中的强度由该列中每个元素估计。每个主成分的相对重要性由对角矩阵 Σ 中的数值表示。
      2. 其次，进行空间平滑。
        注意：采用高斯核卷积以去除局部信号，提取全局成分。
      3. 第三，重构信号。
        注意：为计算 fNIRS 数据的全局成分，将平滑后的空间模式矩阵 V* 代回分解公式：HGlobal = UΣ(V*)T。然后，通过原始数据 H 减去 HGlobal 得到局部神经源信号：HNeuronal = H - HGlobal。
  2. 脑间同步性
    注意：为揭示第二人称神经科学中的脑耦合，本文采用小波变换相干性（WTC）。简而言之，WTC 衡量两个时间序列在频率和时间上的相关性。两个时间序列 x 和 y 的小波相干性具体公式为：
    小波变换相干性公式 WTC(t, s)，用于信号分析的数学方程。
    T 和 s 分别表示时间和小波尺度，‹·› 表示在尺度和时间上的平滑操作，W 表示连续小波变换。随后生成一个二维（时间 × 频率）的 WTC 矩阵30。有多种工具箱可用于计算 WTC 值，本文使用 Grinsted 及其同事开发的工具箱30。
    1. 采用数值计算平台中的 WTC 函数（参见材料表）。
      注意：此处使用母小波的默认设置（即广义 Morse 小波，其参数为 beta 和 gamma）。母小波将每个时间序列转换至频率和时间域。
    2. 设置其他参数的默认值（即 MonteCarloCount，表示显著性计算中替代数据集的数量）。
    3. 在数值计算平台中（参见材料表）计算两个对应通道（两名参与者中的相同通道）之间的 WTC 值。按照相同流程，从 46 个通道生成 46 个 WTC 矩阵。
    4. 确定对协作学习敏感的感兴趣频段（FOI）。
      注意：此处采用基于聚类的置换方法检测该 FOI31，以解决多通道和多频率数据中的多重比较问题。
      1. 分别对静息阶段和协作学习阶段中每个通道组合的 WTC 值进行时间平均。然后，在整个频率范围（0.01–1 Hz32）上对这些时间平均的 WTC 值进行配对样本 t 检验（协作学习 vs. 静息）。接着，识别任务效应显著的频率区间（协作学习 > 静息，p < 0.05）。
      2. 将显著频率邻近点（≥2）作为观测到的聚类，并获取相应的 T 值。
      3. 对置换数据进行一系列配对样本 t 检验，对第 3.2.4.2 步中合格的每个聚类重复 1000 次，生成各聚类的 T 值。
        注意：为生成置换数据，参与者被随机分配以形成新的双人配对。由于每对随机组合的数据集长度不同，较长的数据集将被截断至与较短者相同长度33。
      4. 将原始配对中基于聚类的平均 T 值与 1000 次置换得到的 T 值进行比较。
        注意：通过以下公式评估 p 值34：
        误差函数方程；erfc((|so-μp|/σp√2))；统计分析方法。，其中 S0 表示观测到的聚类平均 t 值，μp 和 σp 分别表示置换值的均值和标准差。
      5. 在每对组合的每个通道中，对识别出的 FOI 内的 WTC 值进行平均。然后对 WTC 值进行 Fisher z 变换，以获得正态分布的 WTC 值。使用该值作为脑间同步性（IBS）的指标，用于后续统计分析。

访问受限。请登录或开始试用以查看此内容。

结果

图1展示了实验流程和探头位置。fNIRS数据记录过程包括两个部分：静息态阶段（5分钟）和协作阶段（15-20分钟）。在静息态阶段，要求协作学习的成对参与者保持放松并静止不动。随后，参与者被要求共同学习学习材料（图1A）。其前额叶和左侧颞顶区域由相应的探头组覆盖（图1B）。

图2 展示了fNIRS数据分析流程。fNIRS数据分析应用于每位参与者、每个通道记录的所有fNIRS数据。首先，可视化某一特定配对在通道33的探头密度 图2A. 通过fNIRS测量系统，以46个通道（CHs）记录每组协作学习二人组的光极密度。第二，按照步骤3.1.5和3.1.7中明确的操作，准备可用于WTC分析的有效数据。其中，红色曲线代表通过基于小波的运动伪影去除方法提取的数据；蓝色曲线代表同时经过基于小波的运动伪影...

访问受限。请登录或开始试用以查看此内容。

讨论

首先，本方案详细阐述了在协作学习情境下开展功能性近红外光谱（fNIRS）超扫描实验的具体步骤。其次，还介绍了用于评估协作学习二人组血流动力学信号脑间同步性（IBS）的数据分析流程。对fNIRS超扫描实验操作的详细说明将有助于推动开放科学的发展。此外，本文提供该分析流程以提高超扫描研究的可重复性。下文将重点讨论fNIRS超扫描实验在实验设计、实验实施和数据分析中的关键问题，并探讨当前局限性可能的解决方案。

实验设计
本研究中功能性近红外光谱（fNIRS）超扫描实验的设计具有灵活性。此处，fNIRS超扫描技术被应用于协作学习情境中。两名参与者被要求共同学习图形矩阵的特定规则，同时使用fNIRS同步记录其脑部活动。该方法使研究人员能够探究协作学习对中实时同步的神经动态（即脑间同步性，IBS）。根据以往研究，IBS已在教学情境中被检测到，并可追踪有效的教学模式11。在协作学习对中检测到的神经对齐可能构成成功学习的潜在神经机制，并为设计高效的协作学习模式提供启示。同时，实验设计中需关注若干关键问题：...

访问受限。请登录或开始试用以查看此内容。

披露

作者无任何利益冲突需要披露。

致谢

本工作得到华东师范大学优秀博士生学术创新提升计划（YBNLTS2019-025）和国家自然科学基金（31872783 和 71942001）的支持。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
脑电帽Compumedics Neuroscan,Charlotte,USA64通道快速脑电帽我们选择两种尺寸的脑电帽（即中号和大号）。
配备探头组和探头固定网格的近红外光谱测量系统Hitachi Medical Corporation, Tokyo, JapanETG-7100 光学层析成像系统本研究方案需要一个可选的第二套成人探头组，总共实现92个通道的测量。
数值计算平台The MathWorks, Inc., Natick, MAMATLAB R2020a作为心理物理学工具箱扩展程序（刺激呈现）、Homer2 （fNIRS预处理分析）以及"wtc"函数（WTC计算）的基础平台。
心理学实验软件psychology software tools,Sharpsburg, PA,USAE-prime 2.0我们使用E-prime启动fNIRS测量系统，并发送标记静息阶段和协作学习阶段的触发信号，用于fNIRS数据记录。
泳帽Zoke corporation,Shanghai,China611503314我们首先将标准10-20系统脑电帽戴在头模上，再将泳帽套在脑电帽外；其次，用粉笔标记（枕外隆凸、Cz、T3、T4、前额叶皮层区和P5）等位置。
三维（3-D）数字化仪Polhemus, Colchester, VT, USA;三维（3-D）数字化仪使用Patriot 3D数字化仪确定每位受试者光极在标准头部解剖标志点上的解剖位置。

参考文献

  1. Babiloni, F., Astolfi, L. Social neuroscience and hyperscanning techniques: past, present and future. Neuroscience & Biobehavioral Reviews. 44, 76-93 (2014).
  2. Schilbach, L., et al. Toward a second-person neuroscience. Behavior Brain Science. 36, 393-414 (2013).
  3. Montague, P. Hyperscanning: simultaneous fMRI during linked social interactions. NeuroImage. 16, 1159-1164 (2002).
  4. 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).
  5. Dikker, S., et al. Brain-to-brain synchrony tracks real-world dynamic group interactions in the classroom. Current Biology. 27 (9), 1375-1380 (2017).
  6. Abrams, D. A., et al. Inter-subject synchronization of brain responses during natural music listening. European Journal of Neuroscience. 37 (9), 1458-1469 (2013).
  7. Pan, Y., et al. Instructor-learner brain coupling discriminates between instructional approaches and predicts learning. NeuroImage. 211, 116657(2020).
  8. 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).
  9. Bevilacqua, D., et al. Brain-to-brain synchrony and learning outcomes vary by student-teacher dynamics: Evidence from a real-world classroom electroencephalography study. Journal of Cognitive Neuroscience. 31 (3), 401-411 (2019).
  10. Dikker, S., et al. Morning brain: real-world neural evidence that high school class times matter. Social Cognitive and Affective Neuroscience. 15 (11), 1193-1202 (2020).
  11. Pan, Y., Guyon, C., Borragán, G., Hu, Y., Peigneux, P. Interpersonal brain synchronization with instructor compensates for learner's sleep deprivation in interactive learning. Biochemical Pharmacology. , 114111(2020).
  12. 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).
  13. Zheng, L., et al. Enhancement of teaching outcome through neural prediction of the students' knowledge state. Human Brain Mapping. 39 (7), 3046-3057 (2018).
  14. 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).
  15. Kleinschmidt, A., et al. Simultaneous recording of cerebral blood oxygenation changes during human brain activation by magnetic resonance imaging and near-infrared spectroscopy. Journal of Cerebral Blood Flow & Metabolism. 16 (5), 817-826 (1996).
  16. Strangman, G., Culver, J. P., Thompson, J. H., Boas, D. A. A quantitative comparison of simultaneous BOLD fMRI and NIRS recordings during functional brain activation. NeuroImage. 17 (2), 719-731 (2002).
  17. Huppert, T. J., Hoge, R. D., Diamond, S. G., Franceschini, M. A., Boas, D. A. A temporal comparison of BOLD, ASL, and NIRS hemodynamic responses to motor stimuli in adult humans. NeuroImage. 29 (2), 368-382 (2006).
  18. Holper, L., Scholkmann, F., Wolf, M. Between-brain connectivity during imitation measured by fNIRS. NeuroImage. 63, 212-222 (2012).
  19. Hirsch, J., Zhang, X., Noah, J. A., Ono, Y. Frontal temporal and parietal systems synchronize within and across brains during live eye-to-eye contact. NeuroImage. 157, 314-330 (2017).
  20. Wilcox, T., Biondi, M. fNIRS in the developmental sciences. Wiley Interdisciplinary Reviews: Cognitive Science. 6 (3), 263-283 (2015).
  21. Ye, J. C., Tak, S., Jang, K. E., Jung, J., Jang, J. NIRS-SPM: statistical parametric mapping for nearinfrared spectroscopy. NeuroImage. 44 (2), 428-447 (2009).
  22. 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), 280-298 (2009).
  23. Santosa, H., Zhai, X., Fishburn, F., Huppert, T. The NIRS Brain AnalyzIR toolbox. Algorithms. 11 (5), 73(2018).
  24. Xu, Y., Graber, H. L., Barbour, R. L. nirsLAB: a computing environment for fNIRS neuroimaging data analysis. Biomedical Optics. , BM3A-1 (2014).
  25. Cope, M., Delpy, D. T. System for long-term measurement of cerebral blood and tissue oxygenation on newborn infants by near infra-red transillumination. Medical and Biological Engineering and Computing. 26 (3), 289-294 (1988).
  26. Hoshi, Y. Functional near-infrared spectroscopy: current status and future prospects. Journal of Biomedical Optics. 12 (6), 062106(2007).
  27. Molavi, B., Dumont, G. A. Wavelet-based motion artifact removal for functional near-infrared spectroscopy. Physiological Measurement. 33 (2), 259(2012).
  28. Cooper, R., et al. A systematic comparison of motion artifact correction techniques for functional near-infrared spectroscopy. Frontiers in Neuroscience. 6, 147(2012).
  29. Zhang, X., Noah, J. A., Hirsch, J. Separation of the global and local components in functional near-infrared spectroscopy signals using principal component spatial filtering. Neurophotonics. 3 (1), 015004(2016).
  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, 561-566 (2004).
  31. Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG-and MEG-data. Journal of Neuroscience Methods. 164 (1), 177-190 (2007).
  32. 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).
  33. Reindl, V., Gerloff, C., Scharke, W., Konrad, K. Brain-to-brain synchrony in parent-child dyads and the relationship with emotion regulation revealed by fNIRS-based hyperscanning. NeuroImage. 178, 493-502 (2018).
  34. Theiler, J., Eubank, S., Longtin, A., Galdrikian, B., Farmer, J. D. Testing for nonlinearity in time series: the method of surrogate data. Physica D: Nonlinear Phenomena. 58 (1-4), 77-94 (1992).
  35. Genovese, C. R., Lazar, N. A., Nichols, T. Thresholding of statistical maps in functional neuroimaging using the false discovery rate. NeuroImage. 15 (4), 870-878 (2002).
  36. Nichols, T., Hayasaka, S. Controlling the familywise error rate in functional neuroimaging: a comparative review. Statistical Methods in Medical Research. 12 (5), 419-446 (2003).
  37. Tsuzuki, D., et al. Virtual spatial registration of stand-alone fNIRS data to MNI space. NeuroImage. 34 (4), 1506-1518 (2007).
  38. Singh, A. K., Okamoto, M., Dan, H., Jurcak, V., Dan, I. Spatial registration of multi-channel multi-subject fNIRS data to MNI space without MRI. NeuroImage. 27 (4), 842-851 (2005).
  39. Noah, J. A., et al. Comparison of short-channel separation and spatial domain filtering for removal of non-neural components in functional near-infrared spectroscopy signals. Neurophotonics. 8 (1), 015004(2021).
  40. Noah, J. A., et al. Real-time eye-to-eye contact is associated with cross-brain neural coupling in angular gyrus. Frontiers in Human Neuroscience. 14 (19), (2020).
  41. Torrence, C., Compo, G. P. A practical guide to wavelet analysis. Bulletin of the American Meteorological Society. 79 (1), 61-78 (1998).
  42. 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).
  43. 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).
  44. Holper, L., Scholkmann, F., Wolf, M. Between-brain connectivity during imitation measured by fNIRS. Neuroimage. 63, 212-222 (2012).
  45. Nguyen, T., et al. The effects of interaction quality on neural synchrony during mother-child problem solving. Cortex. 124, 235-249 (2020).
  46. Seth, A. K., Barrett, A. B., Barnett, L. Granger causality analysis in neuroscience and neuroimaging. Journal of Neuroscience. 35 (8), 3293-3297 (2015).
  47. Funane, T., et al. Synchronous activity of two people's prefrontal cortices during a cooperative task measured by simultaneous near-infrared spectroscopy. Journal of Biomedical Optics. 16 (7), 077011(2011).
  48. Liu, T., Saito, H., Oi, M. Role of the right inferior frontal gyrus in turn-based cooperation and competition: a near-infrared spectroscopy study. Brain and Cognition. 99, 17-23 (2015).
  49. Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J. Measuring phase synchrony in brain signals. Human Brain Mapping. 8 (4), 194-208 (1999).
  50. Burgess, A. P. On the interpretation of synchronization in EEG hyperscanning studies: a cautionary note. Frontiers in Human Neuroscience. 7, 881(2013).
  51. Burgos-Robles, A., et al. Amygdala inputs to prefrontal cortex guide behavior amid conflicting cues of reward and punishment. Nature Neuroscience. 20 (6), 824-835 (2017).
  52. Mende, S., Proske, A., Narciss, S. Individual preparation for collaborative learning: Systematic review and synthesis. Educational Psychologist. , 1-25 (2020).
  53. Hamilton, A. F. D. C. Hyperscanning: Beyond the hype. Neuron. 109 (3), 404-407 (2021).
  54. Novembre, G., Iannetti, G. D. Hyperscanning alone cannot prove causality. Multibrain stimulation can. Trends in Cognitive Sciences. 25 (2), 96-99 (2021).

访问受限。请登录或开始试用以查看此内容。

重印与许可

标签

社会互动氧合血红蛋白小波变换主成分分析运动伪影去除二元组脑活动自然情境学习
开放性协作学习中的脑间同步性：一项基于fNIRS超扫描的研究
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。