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

如何在fNIRS超扫描研究中计算和验证脑间同步性

7K 次观看

⸱

DOI：

10.3791/62801

⸱

2021年9月8日

 ,  ,  ,  ,  ,  , 
1Institute of Brain and Education Innovation, School of Psychology and Cognitive Science, East China Normal University, 2Department of Musicology, Harbin Conservatory of Music, 3Department of Clinical Neuroscience, Karolinska Institutet, 4School of Psychology, Shenzhen University

本文内容

摘要

当个体之间相互协调时，他们大脑之间的动态关系越来越多地通过脑间同步（IBS）来表征，这主要基于使用功能性近红外光谱成像（fNIRS）进行的同时记录大脑信号（即超扫描）。在fNIRS超扫描研究中，由于小波变换相干性（WTC）方法能够将时间序列扩展到时频空间，从而以高度直观的方式呈现振荡活动，因此IBS通常通过WTC方法进行评估。所观察到的IBS可通过基于排列的试验、搭档和条件随机配对进一步验证。本文提供了一套实验方案，用于描述如何在超扫描研究中通过fNIRS技术获取脑信号，利用WTC方法计算IBS，并通过排列法对IBS进行验证。此外，我们还讨论了使用上述方法时的关键问题，包括fNIRS信号的选择、数据预处理方法以及计算过程中的可选参数。 总之，结合WTC方法与排列检验可能是分析fNIRS超扫描研究中IBS的一种潜在标准流程，有助于提升IBS研究的可重复性与可靠性。

摘要

当个体之间相互协调时，他们大脑之间的动态关系越来越多地通过脑间同步（IBS）来表征，这主要利用功能性近红外光谱技术（fNIRS）进行同时记录大脑信号（即超扫描）。在fNIRS超扫描研究中，通常采用小波变换相干性（WTC）方法来评估IBS，因为该方法能够将时间序列扩展到时频空间，从而以高度直观的方式观察振荡活动。所观察到的IBS可通过基于排列的试验、搭档和条件随机配对方法进一步验证。本文提出了一项实验方案，用于描述如何通过fNIRS技术获取脑信号，利用WTC方法计算IBS，并在超扫描研究中通过排列法验证IBS。此外，我们还讨论了使用上述方法时的关键问题，包括fNIRS信号的选择、数据预处理方法以及计算中的可选参数。 总之，结合WTC方法与排列检验可能是分析fNIRS超扫描研究中IBS的一种潜在标准流程，有助于提升IBS结果的可重复性与可靠性。

引言

当人们与他人协作时，他们的大脑和身体会通过持续的相互适应而形成一个耦合的整体。大脑之间的耦合可以通过超扫描（hyperscanning）方法测量的脑间同步性（inter-brain synchronization, IBS）来表征，该方法能够同时记录两个或更多个体的大脑信号1。事实上，越来越多的基于功能性近红外光谱（fNIRS）和脑电图（EEG）的超扫描研究发现，在多种协作情境中均存在脑间同步性，包括手指敲击2、集体行走3、打鼓4、弹奏吉他5以及唱歌或哼唱6。由于fNIRS在相对自然的实验环境中对头部和身体运动的限制较小（相较于fMRI和EEG），因此被广泛应用于社会互动过程中脑间同步性的研究7。

本文介绍了一种在功能性近红外光谱（fNIRS）超扫描研究中，通过小波变换相干性（WTC）方法计算脑间同步性（IBS）的实验方案。WTC是一种用于评估两个运动信号在时频平面上互相关性的方法，因此相比仅在时域内进行的传统相关性分析（如皮尔逊相关和互相关分析），能够提供更丰富的信息8。此外，血流动力学信号被转换为小波分量，可有效去除低频噪声。尽管WTC计算耗时较长，但它已成为在动作模仿9、合作行为10、言语交流11、决策过程12以及互动学习13等研究中计算IBS最常用的方法。

本文还介绍了如何通过基于置换的试验、条件和参与者的随机配对来验证 IBS。在超扫描研究中，IBS 常被用来追踪个体之间的实时社会互动，但也可能由其他因素解释，例如刺激相似性、动作相似性或条件相似性14。置换检验（也称为随机化检验）可通过重采样观测数据来检验上述零假设15。利用置换方法，有助于探究所识别的 IBS 是否特异性地与互动行为相关，其范围可从二元组内部到不同合作伙伴组之间的 IBS 调制进行分析16。

本文所述方案详细介绍了如何通过功能性近红外光谱技术（fNIRS）获取脑信号，利用小波相干性方法（WTC）计算个体间脑同步性（IBS），并在超扫描研究中通过置换检验验证IBS。本研究旨在探讨在社会协调过程中，音乐节拍是否能够引发显著的个体间脑同步性。脑信号记录部位位于额叶皮层，该区域的选择依据来自先前研究的发现1。实验任务最初由Konvalinka及其同事17开发，要求参与者在聆听节拍或非节拍刺激后，根据来自同伴或自身的听觉反馈进行手指敲击。

访问受限。请登录或开始试用以查看此内容。

方案

本方案已获华东师范大学人类研究保护委员会批准。

1. 实验准备

  1. 参与者
    1. 通过校园广告招募一组本科生和研究生，并给予金钱补偿。
    2. 确保参与者为右利手，且具有正常或矫正至正常的视力和听力；确保其此前未学习过音乐，或学习音乐时间少于3年。
    3. 将学生随机配对组成二人组。为控制伙伴熟悉度对社会协调可能产生的影响18，需确保每对二人组的成员此前互不相识或未曾见过面。
  2. 实验刺激
    1. 使用任意免费的音乐创作与记谱软件生成听觉刺激（440 Hz、660 ms 的纯音）。
    2. 以 500–1000 ms 的间隔重复这些纯音，并将其组合成音调序列。每个音调序列持续 12 秒，由 12 个音组成。
    3. 对于其中一个音调序列，将每个第一个音加重（+6 dB），以形成强拍与弱拍的模式，定义为节拍刺激（补充音频 1）。在第二个音调序列中，所有音调强度相等（比个体感觉阈值高 40 dB，该阈值在实验任务前采集），对应于无节拍刺激（补充音频 2）。
  3. 实验任务
    1. 使用心理学实验软件工具编写实验程序。
    2. 设置实验任务的两个阶段（图 1A），具体步骤见 1.3.3–1.3.6。
    3. 第二次静息态：要求参与者尽可能保持身体静止，放松思维，闭上双眼。
    4. 手指敲击任务：要求参与者完成两个部分：协调部分和独立部分。
    5. 在协调部分中，仅向每位参与者提供来自其配对成员所产生的反应的听觉反馈（即每次敲击对应一个滴水声），并要求参与者尽可能与对方同步响应。
    6. 在独立部分中，确保两位参与者均接收到自身反应的听觉反馈（即每次敲击对应一个滴水声），并要求他们尽可能精确地与听觉刺激同步响应。
      注：结合节拍与无节拍刺激，参与者将处于四种不同条件之一：(i) 节拍协调条件——两位参与者均听到节拍刺激及对方的反应；(ii) 无节拍协调条件——两位参与者均听到无节拍刺激及对方的反应；(iii) 节拍独立条件——两位参与者均听到节拍刺激及自身的反应；(iv) 无节拍独立条件——两位参与者均听到无节拍刺激及自身的反应。
    7. 在每次试验中，先让参与者聆听一段听觉刺激（12 秒），随后播放一个声音（262 Hz，1000 ms）作为开始敲击手指的提示。
    8. 要求参与者通过用右手食指敲击键盘（参与者 #1："f"；参与者 #2："j"）来重现他们之前听到的刺激。参与者必须敲击 12 次，且各音之间的时间间隔需与先前呈现的刺激保持一致。
      注：共进行 60 次试验，平均分配至 4 个区组，分别对应 4 种实验条件，即每个区组包含 15 次试验。区组顺序采用平衡设计。整个敲击任务总时长约 26 分钟。
    9. 在各区组之间，让参与者休息 30 秒。
    10. 在整个实验过程中，禁止参与者通过任何语言或动作进行交流。使用计算机显示器将参与者隔开，以阻断任何可能传递信息的视觉线索。
  4. 自制 fNIRS 帽：购买两个常规尺寸的弹性泳帽。为覆盖感兴趣脑区，按以下步骤改装泳帽：
    1. 将一个泳帽套在头模上，然后将标准 10-20 系统 EEG 帽戴在泳帽之上。
    2. 使用红色记号笔在泳帽上标记 FCz 的位置。
    3. 从头模上取下 EEG 帽。
    4. 将一个光极探头贴片（3 × 5 配置）放置在泳帽上，使贴片第二行探头的中间探头对准标记的 FCz 位置。
      注：该光极探头贴片包含 15 个光极位置（即 8 个发射器和 7 个探测器），形成 22 个测量通道，光极间距为 3 cm（图 1B）。
    5. 在泳帽上标记出该贴片 15 个探头的位置。
    6. 从头模上取下贴片和泳帽。
    7. 用剪刀在标记的 15 个探头位置处剪出小孔。
    8. 通过将 15 个探头位置嵌入相应的 15 个小孔中，将贴片固定到改装后的泳帽上。
    9. 按照上述流程改装另一个泳帽。
      注：本研究采用自制 fNIRS 帽，其光极位置参照标准 EEG 定位系统，原因是本研究所用 fNIRS 系统尚无适用的标准 EEG 帽。若存在适配的 fNIRS 系统标准 EEG 帽，则无需自制 fNIRS 帽。

2. 参与者到达前的准备

注意：在参与者到达实验室之前，务必完成步骤 2.1-2.5。

  1. 提醒配对中的两名参与者按照约定的时间安排来到实验室。
  2. 至少提前30分钟启动fNIRS系统，但保持激光关闭。
  3. 将fNIRS系统的光极探头插入光极探头贴片中。
  4. 检查fNIRS测量的参数（即受试者编号、事件相关模式、光极探头排列方式）。
  5. 设置实验装置，包括一张桌子、两把椅子、两个19英寸计算机显示器和两副耳机（图1C）。

3. 受试者到达实验室

注意：当一对参与者到达fNIRS实验室时，应真诚致谢。请他们将手机调至静音模式，并暂时将个人物品存放在柜子中。随后按顺序进行以下步骤：

  1. 在参与者就座前，再次确认两名参与者此前未曾见过面，并确保他们在进入实验室后未通过任何语言或动作进行过交流。
  2. 向参与者提供经大学人类研究委员会批准的知情同意书。
  3. 向参与者详细说明实验任务内容，要求他们佩戴耳机，并进行若干次练习试验。
  4. 在练习试验中，允许每对参与者共同练习。
    注意：在佩戴 fNIRS 帽之前，使用软尺测量每位参与者的头围以确定其头型大小是值得推荐的步骤。然后根据其头型大小选择合适尺寸的帽子。本研究中因使用了统一尺寸的泳帽而遗漏了此步骤。建议在实验前一天完成该步骤，因为相关操作（即测量头围、选择合适尺寸的泳帽、将光学探头贴片安装到泳帽上，以及将光学探头插入贴片）较为耗时（约 20–30 分钟）。
  5. 将 fNIRS 帽戴在参与者头部，使帽子中心对准 CZ 位置，并将贴片第二排探头的中间光学探头置于 FCz 位置。
  6. 操作 fNIRS 系统，在激光开启状态下进行信号校准。
  7. 若某些通道信号不足，使用光纤棒轻轻拨开探头周围毛发，调整信号强度。
  8. 如有必要，可轻压探头，但需确保不造成参与者不适或伤害。
  9. 重复步骤 3.5–3.8，直至信号质量达到可用水平。确保参与者在整个信号校准过程中感到舒适。
  10. 协助参与者找到舒适的坐姿（例如舒适的身体姿势），并提醒他们在整个实验任务期间（约 26 分钟）尽量保持头部静止不动。
  11. 再次检查 NIRS 信号质量。若所有通道信号均充足，则在台式计算机上运行实验程序。
  12. 实验程序结束后，协助参与者取下耳机和 fNIRS 帽，归还其个人物品，并给予金钱报酬以示感谢。
  13. 操作 fNIRS 系统保存数据。使用光盘导出原始 fNIRS 数据（.csv 格式），并通过 U 盘从计算机复制行为数据。
  14. 若无后续实验安排，关闭 fNIRS 系统和计算机。
  15. 准备好实验记录本，随时记录实验过程中发生的任何事件，尤其是异常情况。

4. 数据分析

注意：使用 MATLAB 软件进行所有数据分析，并加载以下工具箱：HOMER219、Hitachi2nirs20、xjView21、Cross Wavelet 和 Wavelet Coherence 工具箱22，以及 MathWork 中的 Groppe 脚本23。

  1. 数据预处理
    1. 为检查数据质量，请遵循步骤 4.1.2–4.1.3
    2. 使用 xjView 的 readHitachData 函数读取每位参与者的数据文件（.csv）。
      注意：通过此方法，将 Hitachi 测量数据（csv 格式）转换为含氧血红蛋白/脱氧血红蛋白/标记数据，并保存测量中的信息（即波长、时间数据和通道列表）。
    3. 使用 xjView 的 plotTraces 函数绘制所有通道的时间序列图，以可视化检查含氧血红蛋白和脱氧血红蛋白值的质量。
      注意：可轻松识别数据中的异常情况。噪声较大的通道可在后续分析中予以排除。
    4. 使用 Hitachi2nirs 的 csv2nirs 函数将 Hitachi 文件（.csv）转换为 .nirs 文件格式，以便使用 Homer2 进行进一步的数据预处理。
    5. 使用 Homer2 的 hmrIntensity2OD 函数将原始数据转换为光密度。
    6. 使用主成分分析（PCA）24，通过 Homer2 的 enPCAFilter 函数（nSV = 0.8，即去除数据协方差的 80%）去除 fNIRS 的全局生理噪声。
    7. 使用基于相关性的信号优化方法（CBSI）25，通过 Homer2 的 hmrMotionCorrect_Cbsi 函数去除头部运动伪影。
    8. 使用修正的比尔-朗伯定律，通过 Homer2 的 hmrOD2Conc 函数将处理后的光密度转换为含氧血红蛋白和脱氧血红蛋白值。
  2. 计算 IBS
    注意：对于预处理后的含氧血红蛋白值，使用 WTC 计算来自二人组相同位置通道对的相干值，包括以下流程：
    1. 采用 Cross Wavelet 和 Wavelet Coherence 工具箱的 wtc 函数，使用默认参数计算每个时间和频率点的相干值，以获得一个双轴相干值矩阵。
    2. 对于默认参数，使用 morlet 母小波，通过连续小波变换将每个时间序列转换到时频域。
    3. 选择 MonteCarloCount 表示显著性计算中替代数据集的数量，并选择 Auto AR1 计算时间序列的自相关系数。
    4. 选择感兴趣的频率带（FOI），如步骤 4.2.5–4.2.8 所述。
    5. 根据先前 fNIRS 超扫描研究中手指运动任务所使用的频率带9，选择并平均 0.5–1 Hz 频率带的相干值（分别对应周期为 2 秒和 1 秒），该频率带也对应实验任务中单次敲击的周期。因此，为每对获得一列相干值。
      注意：为进一步通过统计确认 FOI，可计算每个二人组在整个频率范围（即数据的 0.008–10 Hz）内的相干值，而不仅限于选定的频率带（即 0.5–1 Hz）。
    6. 对每个频率点的目标时间窗口（与 4.2.3 相同）的相干值进行平均。
    7. 接下来，按照步骤 4.2.9–4.2.11 所述流程及后续统计（即 4.3.1–4.3.2）分析每个频率点的平均相干值。
    8. 最后，通过绘制每个通道在不同频率下的统计 z 值图，直观检查 FOI。
    9. 利用标记信息，分别选择并平均静息状态期间（20 秒静息状态时间窗口）以及各实验条件（即节拍协调、非节拍协调、节拍独立、非节拍独立）期间的时间窗口的相干值。因此，为每个二人组获得五个相干值。
    10. 对于任务阶段，仅选择参与者敲击以复现听觉刺激的持续时间，每次试验约 12 秒，因此每个实验条件共 180 秒（即 12 秒 × 15 次试验）。
      注意：IBS 被计算为相干值的增加（大于零的相干值差值），即任务阶段的相干值高于静息状态阶段的相干值。
    11. 分别从任务相关相干值中减去静息相干值，其中本实验中静息状态期间的相干值作为基线。
      注意：通过在所有通道（即 22 个通道）和二人组（即 16 个二人组）中重复上述步骤（4.2.1–4.2.11），最终获得每个二人组在每个通道的差值相干值。
  3. 统计分析
    1. 使用 Groppe 工作中的 mult_comp_perm_t1 函数，对每个实验条件下每个通道的差值相干值与零进行比较，采用配对样本置换 t 检验（5000 次置换以估计零假设分布；期望的族误差率 α 水平为 0.05；双尾检验，即备择假设为数据均值不同于 0），以应对本实验中异常的数据分布和有限的样本量26。
      注意：此处的配对样本置换 t 检验类似于配对 t 检验，但后者假设数据呈正态分布，而前者无此假设。该检验首先与配对 t 检验相同，即计算不同组相干值的 t 分数（即真实 t 分数）（一组为任务条件下的差值相干值，另一组为零）。然后通过交换不同组的相干值生成一次置换，并根据该置换重新计算差值相干值与零的 t 分数。此过程共进行 5000 次，从而获得 5000 个 t 分数。在 5000 个 t 分数的分布中，真实 t 分数的相对位置生成差值相干值的 p 值。
    2. 通过错误发现率方法校正 p 值（即由于多重比较问题，且来自单个区域 22 个通道的比较）（p < 0.05）27。通过 MATLAB 工具箱的 mafdr 函数执行此校正。
      注意：若在 FDR 校正后任一通道的 p 值具有显著性（即 p < 0.05），则该通道存在 IBS。
    3. 在存在 IBS 的通道上，使用 Groppe 工作中的 mult_comp_perm_t1 函数（参数同步骤 4.3.1 所述）通过配对样本置换 t 检验比较不同任务条件间的相干值。
      注意：为直观检验节拍与非节拍刺激下人际协调期间的 IBS，直接比较不同条件的相干值（即节拍协调 vs. 非节拍协调；节拍协调 vs. 节拍独立）。
    4. 通过计算伙伴间反应时间的绝对差值除以双方反应时间之和来计算行为表现56。
    5. 通过基于皮尔逊线性相关分析的置换检验（即 Groppe 工作中的 mult_comp_perm_corr 函数）评估 IBS 与行为表现之间的关系。
  4. IBS 验证
    注意：为排除相似刺激、动作或条件导致所观察到的 IBS 的可能性，采用置换检验作为验证方法，包括三种置换（即组内置换、组间置换和条件间置换），具体如下：
    1. 在每个通道上，通过 MATLAB 的 randperm 函数对节拍协调条件下某一二人组的试验标签进行随机化（即组内置换，例如二人组 #1 中的试验 #1 和试验 #13）。
    2. 对随机化的试验标签，遵循上述 IBS 计算与统计流程（即第 4.2 和 4.3 节，但不包括 FOI 的敏感性分析）。
      注意：分别计算每种条件下伪配对的相干值，并计算伪配对的相干值增加（即从伪配对的任务相关相干值中减去静息相干值）。
    3. 进行 1000 次置换，随后执行 IBS 计算与统计流程（第 4.2 和 4.3 节）。
    4. 绘制组内置换生成的统计 z 值分布图。
    5. 通过随机化节拍协调条件下相同试验中不同二人组参与者的配对（即组间置换，例如二人组 #1 的参与者 #1 与二人组 #3 的参与者 #1）执行步骤 4.4.2–4.4.4。
    6. 通过随机化同一二人组在相同试验中成员的条件标签（即条件间置换，例如参与者 #1 在节拍协调条件下与参与者 #2 在节拍独立条件下）执行步骤 4.4.2–4.4.4。

访问受限。请登录或开始试用以查看此内容。

结果

结果显示，在节拍协调条件下，通道5出现了显著的脑间同步（IBS），而在其他条件下（即非节拍独立、非节拍协调、节拍独立）均未发现IBS（图2A）。在通道5上，节拍协调条件下的IBS显著高于非节拍协调和节拍独立条件下的相干值（图2B）。通道5大致对应于左侧背外侧前额叶皮层（DLPFC；Brodmann 9区）。此外，置换分析表明，所观察到的IBS可能出现在配对中的两名个体在匹配的时间内尝试相互同步时，而在随机配对的时间、伙伴或条件下则未出现（图2C）。综上所述，这些结果表明，音乐节拍在人际协调过程中诱导了DLPFC区域特有的脑间同步。考虑到DLPFC在社会互动（例如，调节对他人注意力28,29）和音乐加工（例如，在背景音乐存在下增强认知表现30,

访问受限。请登录或开始试用以查看此内容。

讨论

本方案提供了使用功能性近红外光谱（fNIRS）超扫描方法同步采集两名参与者的脑信号，并计算和验证脑间同步性（IBS）的逐步操作流程。下文将讨论fNIRS数据预处理、IBS计算、统计分析及IBS验证过程中涉及的一些关键问题。

数据预处理
在超扫描研究中，必须对 fNIRS 数据进行预处理，以从可能的噪声（例如运动伪影、系统性成分）中提取真实信号。尽管在早期的 fNIRS 超扫描研究中分析 IBS 时跳过了预处理步骤10,32,33，但在近期的研究中，预处理已成为必要且标准的环节。本研究同时采用 CBSI 和 PCA 方法去除噪声；其中 CBSI 能有效去除头部运动伪影34，而 PCA 擅长降低全局生理噪声（例如呼吸、血压和血流变化）35。当然，还有其他用于数据...

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

本研究由以下机构资助：国家自然科学基金委员会（31872783，31800951）。

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
计算机惠普发展公司，有限责任合伙企业HP S01-pF157mcn
耳机荷兰恩荷芬皇家飞利浦电子公司SHE2405BK/00
脑电图帽Compumedics Neuroscan，夏洛特，美国64通道Quik-Cap
E-Prime 软件美国匹兹堡，心理学软件工具公司E-Prime 3
fNIRS 系统日本东京日立医疗公司ETG-7100 光学层析成像系统
MATLAB 2014bThe MathWorks, Inc.，美国马萨诸塞州纳蒂克MATLAB 2014b
MuseScoreMusescore 公司，比利时MuseScore 3.6.2.548021803
泳帽Decathlon 集团，法国维伦纽夫-达斯克1681552

参考文献

  1. Kingsbury, L., Hong, W. A Multi-Brain Framework for Social Interaction. Trends in Neurosciences. 43 (9), 651-666 (2020).
  2. Konvalinka, I., Bauer, M., Stahlhut, C., Hansen, L. K., Roepstorff, A., Frith, C. D. Frontal alpha oscillations distinguish leaders from followers: multivariate decoding of mutually interacting brains. NeuroImage. 94, 79-88 (2014).
  3. Ikeda, S., et al. Steady Beat Sound Facilitates both Coordinated Group Walking and Inter-Subject Neural Synchrony. Frontiers in Human Neuroscience. 11, 147(2017).
  4. Duan, L., et al. Cluster imaging of multi-brain networks (CIMBN): a general framework for hyperscanning and modeling a group of interacting brains. Frontiers in Neuroscience. 9, 267(2015).
  5. Sanger, J., Muller, V., Lindenberger, U. Intra- and interbrain synchronization and network properties when playing guitar in duets. Frontiers in Human Neuroscience. 6, 312(2012).
  6. Muller, V., Delius, J. A. M., Lindenberger, U. Hyper-frequency network topology changes during choral singing. Frontiers in Physiology. 10, 207(2019).
  7. Egetemeir, J., Stenneken, P., Koehler, S., Fallgatter, A. J., Herrmann, M. J. Exploring the neural basis of real-life joint action: Measuring brain activation during joint table setting with functional near-infrared spectroscopy. Frontiers in Human Neuroscience. 5, 95(2011).
  8. Grinsted, A., Moore, J. C., Jevrejeva, S. Application of the cross wavelet transform and wavelet coherence to geophysical time series. Nonlinear Processes in Geophysics. 11 (5-6), 561-566 (2004).
  9. Holper, L., Scholkmann, F., Wolf, M. Between-brain connectivity during imitation measured by fNIRS. NeuroImage. 63 (1), 212-222 (2012).
  10. Cui, X., Bryant, D. M., Reiss, A. L. NIRS-based hyperscanning reveals increased interpersonal coherence in superior frontal cortex during cooperation. NeuroImage. 59 (3), 2430-2437 (2012).
  11. Jiang, J., Dai, B., Peng, D., Zhu, C., Liu, L., Lu, C. Neural synchronization during face-to-face communication. Journal of Neuroscience. 32 (45), 16064-16069 (2012).
  12. Tang, H., Mai, X., Wang, S., Zhu, C., Krueger, F., Liu, C. Interpersonal brain synchronization in the right temporo-parietal junction during face-to-face economic exchange. Social Cognitive and Affective Neuroscience. 11 (1), 23-32 (2016).
  13. Pan, Y., Novembre, G., Song, B., Li, X., Hu, Y. Interpersonal synchronization of inferior frontal cortices tracks social interactive learning of a song. NeuroImage. 183, 280-290 (2018).
  14. Konvalinka, I., Roepstorff, A. The two-brain approach: how can mutually interacting brains teach us something about social interaction. Frontiers in Human Neuroscience. 6, 215(2012).
  15. Karlsson, A. Permutation, parametric, and bootstrap tests of hypotheses. Journal of the Royal Statistical Society Series a-Statistics in Society. 169, 171(2006).
  16. Ayrolles, A., et al. HyPyP: a Hyperscanning python pipeline for inter-brain connectivity analysis. Social Cognitive and Affective Neuroscience. 16 (1-2), 72-83 (2021).
  17. Konvalinka, I., Vuust, P., Roepstorff, A., Frith, C. D. Follow you, follow me: continuous mutual prediction and adaptation in joint tapping. Quarterly Journal of Experimental Psychology. 63 (11), 2220-2230 (2010).
  18. Majolo, B., et al. Human friendship favours cooperation in the iterated prisoner's dilemma. Behaviour. 143, 1383-1395 (2006).
  19. Homer2. , Available from: https://www.nitrc.org/projects/hitachi2nirs (2021).
  20. Hitachi2nirs. , Available from: https://www.nitrc.org/projects/hitachi2nirs (2021).
  21. xjview. , Available from: https://www.alivelearn.net/xjview/ (2021).
  22. Cross Wavelet and Wavelet Coherence toolbox. , Available from: http://grinsted.github.io/wavelet-coherence/ (2021).
  23. Groppe's scripts in MathWork. , Available from: https://uk.mathworks.com/matlabcentral/profile/authors/1948879 (2021).
  24. Zhang, Y., Brooks, D. H., Franceschini, M. A., Boas, D. A. Eigenvector-based spatial filtering for reduction of physiological interference in diffuse optical imaging. Journal of Biomedical Optics. 10 (1), 011014(2005).
  25. Cui, X., Bray, S., Reiss, A. L. Functional near infrared spectroscopy (NIRS) signal improvement based on negative correlation between oxygenated and deoxygenated hemoglobin dynamics. NeuroImage. 49 (4), 3039-3046 (2010).
  26. Lumley, T., Diehr, P., Emerson, S., Chen, L. The importance of the normality assumption in large public health data sets. Annual Review of Public Health. 23 (1), 151-169 (2002).
  27. Benjamini, Y., Yekutieli, D. The control of the false discovery rate in multiple testing under dependency. Annals of Statistics. 29 (4), 1165-1188 (2001).
  28. Miller, B. L., Cummings, J. L. The human frontal lobes: Functions and disorders. , Guilford Press. New York. (2007).
  29. vanden Bos, W., van Dijk, E., Westenberg, M., Rombouts, S. A. R. B., Crone, E. A. What motivates repayment? Neural correlates of reciprocity in the Trust Game. Social Cognitive and Affective Neuroscience. 4 (3), 294-304 (2009).
  30. Corbetta, M., Shulman, G. L. Control of goal-directed and stimulus-driven attention in the brain. Nature Reviews Neuroscience. 3 (3), 201-215 (2002).
  31. Ferreri, L., Aucouturier, J. J., Muthalib, M., Bigand, E., Bugaiska, A. Music improves verbal memory encoding while decreasing prefrontal cortex activity: an fNIRS study. Frontiers in Human Neuroscience. 7, 779(2013).
  32. Cheng, X., Li, X., Hu, Y. Synchronous brain activity during cooperative exchange depends on gender of partner: A fNIRS-based hyperscanning study. Human Brain Mapping. 36 (6), 2039-2048 (2015).
  33. Hu, Y., Hu, Y., Li, X., Pan, Y., Cheng, X. Brain-to-brain synchronization across two persons predicts mutual prosociality. Social Cognitive and Affective Neuroscience. 12 (12), 1835-1844 (2017).
  34. Delgado Reyes, L. M., Bohache, K., Wijeakumar, S., Spencer, J. P. Evaluating motion processing algorithms for use with functional near-infrared spectroscopy data from young children. Neurophotonics. 5 (2), 025008(2018).
  35. Zhang, Y., Brooks, D. H., Franceschini, M. A., Boas, D. A. Eigenvector-based spatial filtering for reduction of physiological interference in diffuse optical imaging. Journal of Biomedical Optics. 10 (1), 11014(2005).
  36. Molavi, B., Dumont, G. A. Wavelet-based motion artifact removal for functional near-infrared spectroscopy. Physiological Measurement. 33 (2), 259-270 (2012).
  37. Scholkmann, F., Spichtig, S., Muehlemann, T., Wolf, M. How to detect and reduce movement artifacts in near-infrared imaging using moving standard deviation and spline interpolation. Physiological Measurement. 31 (5), 649(2010).
  38. Izzetoglu, M., Chitrapu, P., Bunce, S., Onaral, B. Motion artifact cancellation in NIR spectroscopy using discrete Kalman filtering. Biomedical Engineering Online. 9 (1), (2010).
  39. Barker, J. W., Aarabi, A., Huppert, T. J. Autoregressive model based algorithm for correcting motion and serially correlated errors in fNIRS. Biomedical Optics Express. 4 (8), 1366-1379 (2013).
  40. Gagnon, L., et al. Short separation channel location impacts the performance of short channel regression in NIRS. NeuroImage. 59 (3), 2518(2012).
  41. Di Lorenzo, R., et al. Brain responses to faces and facial expressions in 5-month-olds: An fNIRS study. Frontiers in Psychology. 10, 1240(2019).
  42. Duan, L., et al. Wavelet-based method for removing global physiological noise in functional near-infrared spectroscopy. Biomed Opt Express. 9 (8), 3805-3820 (2018).
  43. Hamilton, A. Hype, hyperscanning and embodied social neuroscience. PsyArXiv. , (2020).
  44. Zhang, X., Noah, J. A., Dravida, S., Hirsch, J. Optimization of wavelet coherence analysis as a measure of neural synchrony during hyperscanning using functional near-infrared spectroscopy. Neurophotonics. 7 (1), 015010(2020).
  45. Ikeda, S., et al. Steady beat sound facilitates both coordinated group walking and inter-subject neural synchrony. Frontiers in Human Neuroscience. 11, 147(2017).
  46. Osaka, N., et al. How two brains make one synchronized mind in the inferior frontal cortex: fNIRS-based hyperscanning during cooperative singing. Frontiers in Psychology. 6, 1811(2015).
  47. Abrams, D. A., et al. Inter-subject synchronization of brain responses during natural music listening. European Journal of Neuroscience. 37 (9), 1458-1469 (2013).
  48. Hou, Y., Song, B., Hu, Y., Pan, Y., Hu, Y. The averaged inter-brain coherence between the audience and a violinist predicts the popularity of violin performance. NeuroImage. 211, 116655(2020).
  49. Baker, J. M., et al. Sex differences in neural and behavioral signatures of cooperation revealed by fNIRS hyperscanning. Scientific Reports. 6, 26492(2016).
  50. Kruppa, J. A., et al. Brain and motor synchrony in children and adolescents with ASD-a fNIRS hyperscanning study. Social Cognitive and Affective Neuroscience. 16 (1-2), 103-116 (2021).
  51. Liu, T., Duan, L., Dai, R., Pelowski, M., Zhu, C. Team-work, Team-brain: Exploring synchrony and team interdependence in a nine-person drumming task via multiparticipant hyperscanning and inter-brain network topology with fNIRS. NeuroImage. 237, 118147(2021).
  52. Dai, B., et al. Neural mechanisms for selectively tuning in to the target speaker in a naturalistic noisy situation. Nature Communications. 9 (1), 2405(2018).
  53. Li, R., Mayseless, N., Balters, S., Reiss, A. L. Dynamic inter-brain synchrony in real-life inter-personal cooperation: A functional near-infrared spectroscopy hyperscanning study. NeuroImage. 238, 118263(2021).
  54. Boas, D. A., Dale, A. M., Franceschini, M. A. Diffuse optical imaging of brain activation: approaches to optimizing image sensitivity, resolution, and accuracy. NeuroImage. 23, 275-288 (2004).
  55. Ferrari, M., Quaresima, V. A brief review on the history of human functional near-infrared spectroscopy (fNIRS) development and fields of application. NeuroImage. 63 (2), 921-935 (2012).
  56. Mu, Y., Guo, C., Han, S. Oxytocin enhances inter-brain synchrony during social coordination in male adults. Social Cognitive and Affective Neuroscience. 11 (12), 1882-1893 (2016).
  57. Chen, J., et al. Shared memories reveal shared structure in neural activity across individuals. Nature Neuroscience. 20 (1), 115-125 (2017).
  58. Regev, M., et al. Propagation of Information Along the Cortical Hierarchy as a Function of Attention While Reading and Listening to Stories. Cerebral Cortex. 29 (10), 4017-4034 (2019).

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

小波变换相干性分析置换分析脑信号处理主成分分析运动伪影校正频带选择错误发现率二元同步
如何在fNIRS超扫描研究中计算和验证脑间同步性
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。