方法文章

利用部分小波变换相干性方法测量fNIRS超扫描数据中的定向信息流

3.2K 次观看

⸱

DOI：

10.3791/62927

⸱

2021年9月3日

 ,  , 
1State Key Laboratory of Cognitive Neuroscience and Learning & IDG/McGovern Institute for Brain Research, Beijing Normal University, 2Institute of Developmental Psychology, Faculty of Psychology, Beijing Normal University

* These authors contributed equally

本文内容

摘要

本方案描述了使用部分小波变换相干性（pWTC）来计算人际神经同步（INS）的时间滞后模式，以推断社交互动过程中信息传递的方向和时间模式。两项实验验证了pWTC在消除信号自相关对INS干扰方面的有效性。

摘要

社会互动对人类至关重要。尽管超扫描方法已被广泛用于研究社会互动过程中的人际神经同步（INS），但由于功能近红外光谱（fNIRS）具有相对较高的空间分辨率、良好的解剖定位能力以及对运动伪影极高的耐受性，它已成为超扫描自然情境下社会互动的最受欢迎技术之一。以往基于fNIRS的超扫描研究通常采用小波变换相干性（WTC）计算时间滞后的INS，以描述个体间信息流动的方向和时间模式。然而，该方法的结果可能受到每个个体fNIRS信号自相关效应的干扰。为解决这一问题，研究引入了一种称为部分小波变换相干性（pWTC）的方法，旨在消除自相关效应，同时保持fNIRS信号的高时间-频谱分辨率。本研究首先通过模拟实验展示了pWTC在消除自相关对INS影响方面的有效性；随后，基于一项社会互动实验的fNIRS数据集，提供了pWTC操作的逐步指导。此外，本文还比较了pWTC方法与传统WTC方法、以及pWTC方法与格兰杰因果关系（GC）方法之间的差异。结果表明，pWTC可用于确定不同实验条件下INS的差异，以及自然社会互动中个体间INS的方向性和时间模式。同时，与传统WTC相比，pWTC具有更优的时间和频率分辨率；与GC方法相比，则具有更高的灵活性。因此，pWTC是推断自然社会互动中个体间信息流方向与时间模式的有力候选方法。

引言

社会互动对人类至关重要1,2。为了理解社会互动的双脑神经认知机制，近年来研究者广泛采用超扫描（hyperscanning）方法，发现人际神经同步（interpersonal neural synchronization, INS）的模式能够很好地表征社会互动过程3,4,5,6,7,8,9,10,11,12,13,14。在近期研究中，一个有趣的发现是，成对个体在互动中的角色差异可能导致INS出现时间滞后模式，即某一个体的脑活动比另一个体滞后数秒，例如从听者到说话者5,9、从领导者到追随者4、从教师到学生8、从母亲到儿童13,15，以及在情侣关系中从女性到男性6。尤为重要的是，时间滞后的INS间隔与社会互动行为的时间间隔具有良好对应关系，例如教师提问与学生回答之间8，或母亲育儿行为与儿童顺从行为之间15。因此，时间滞后的INS可能反映了一种从一个个体向另一个个体传递的定向信息流，正如近期提出的人际言语交流层级模型所假设的那样16。

以往，由于功能近红外光谱（fNIRS）信号具有相对较高的空间分辨率、良好的解剖定位能力，以及在研究自然情境下的社会互动时对运动伪影具有极高的耐受性17，时间滞后的脑间同步性（INS）主要基于fNIRS信号进行计算。此外，为了精确刻画社会互动过程中神经时间滞后与行为时间滞后之间的对应关系，有必要获取每个时间滞后点（例如，从无时间滞后到10秒的时间滞后）的INS强度。为此，以往研究广泛采用小波变换相干性（WTC）方法，在将一个个体的脑信号相对于另一个体的脑信号进行前移或后移之后进行分析5,6,18。然而，在将这种传统的WTC方法应用于fNIRS信号时，可能存在一个潜在挑战，即观测到的时间滞后INS可能受到个体fNIRS信号自相关效应的干扰19,20,21。例如，在二元社会互动过程中，参与者A在时间点t的信号可能与参与者B在同一时间点的信号同步；同时，由于自相关效应，参与者A在时间点t的信号也可能与其自身在稍后时间点t+1的信号同步。因此，参与者A在时间点t的信号与参与者B在时间点t+1的信号之间可能出现虚假的时间滞后脑间同步性。

Mihanović 及其同事22首次提出了一种称为部分小波变换相干性（pWTC）的方法，并随后将其应用于海洋科学领域23,24。该方法最初的目的是在估计两个信号的相干性时控制外源性混杂噪声。本文中，为解决fNIRS超扫描数据中的自相关问题，将pWTC方法扩展用于计算fNIRS信号上的时间滞后型脑间同步（INS）。具体而言，可利用以下公式（公式1）23计算从参与者A到参与者B的时间滞后型INS（以及方向性信息流）。

小波变换相干性方程，用于数据分析的统计方法，公式示意图。

此处假设有两个信号， A 和 B, 分别来自参与者 A 和 B。信号的发生情况 B 总是先于信号 A 存在时间延迟 n，其中 WTC (At, Bt+n是传统的时滞WTC。 WTC (At, At+n) 是参与者 A 的自相关小波相干性（autocorrelated WTC）。 WTC (At, Bt) 是时间点对齐的小波相干性（WTC） t 在参与者 A 和 B 之间. * 是复共轭算符（图1A).

小波相干性图；信号比较，脑区源/探测器；神经科学研究。
图 1：pWTC 概述。（A）pWTC 的逻辑。在一个二元组中有两个信号 A 和 B，信号 A 的出现总是滞后于信号 B，滞后时间为 n。灰色方框表示在某一时间点 t 或 t+n 的小波窗口。根据图中所示的 pWTC 公式，需要计算三个 WTC：信号 At+n 与 Bt 的时间滞后 WTC；参与者 A 内部 At 与 At+n 的自相关 WTC；以及在时间点 t 处对齐的 At 与 Bt 的时间对齐 WTC。（B）光极探头组的布局。根据国际 10-20 系统27,28，CH11 置于 T3 位置，CH25 置于 T4 位置。请点击此处查看该图的放大版本。

本方案首先引入了一个模拟实验，以展示pWTC在解决自相关挑战方面的效果。随后，基于自然情境下社会互动的实证实验，逐步说明了如何实施pWTC。本文采用交流情境来介绍该方法，原因是此前时间滞后的INS通常在自然交流情境中进行计算3,4,6,8,13,15,18。此外，还进行了pWTC与传统WTC的比较，并通过格兰杰因果关系（Granger causality, GC）检验进行了验证。

访问受限。请登录或开始试用以查看此内容。

方案

本研究的人体实验方案已获得北京师范大学认知神经科学与学习国家重点实验室机构审查委员会和伦理委员会的批准。所有参与者在实验开始前均签署了书面知情同意书。

1. 模拟实验

  1. 生成两个相互关联的时间序列信号，其中一个信号在4秒的时间滞后下具有自相关性。将两个信号之间的相关系数r设为0.4。
  2. 此外，生成两个无相关性的信号时间序列，其中一个信号具有自相关性。
  3. 计算传统4秒时间滞后惯性导航系统（INS）的数值 公式 2 根据生成信号是否存在相关性，可将其命名为时滞 INSWTC 使用自相关和时间滞后的基线 INSWTC 通过自相关。
    注意：此处，传统的时滞 WTC 由以下公式表示（公式 2)25
    Wavelet coherence equation diagram for time series analysis, showing spectral similarity calculation.
    其中， C 表示在不同尺度下的连续小波变换算子 i 和时间点 t. S 表示平滑算子。* 表示复共轭算子。W 和 M 表示两个独立的信号时间序列。
  4. 去除生成信号中的自相关性，然后计算传统4秒时间滞后的INS值WTC 与 公式 2 根据生成信号是否存在相关性，可将其命名为时滞 INSWTC 无自相关的基线时间滞后 INSWTC 无自相关。
  5. 计算4秒时间滞后的pWTC值 公式 3 基于生成信号是否具有相关性，称为时间滞后的 INSpWTC 和时间滞后的基线 INSpWTC.
    注意：pWTC 可根据以下公式计算（公式 3)23
    Wavelet transform coherence formula; mathematical equation; data correlation analysis.
    其中， WTC (Wt, Mt+n是传统的时滞WTC。 WTC (Mt, Mt+n) 是单个个体的自相关小波相干性（WTC）。 WTC (Wt, Mt) 是时间对齐的小波相干性（WTC）。* 是复共轭算子。
  6. 重复上述步骤1000次。
  7. 减去基线INS后，比较时间滞后的INS结果WTC 使用自相关的时间滞后 INSWTC、无自相关的时间滞后 INSWTC，以及时间滞后 INSpWTC 采用方差分析（ANOVA）方法。
    注意：此处预期为时间滞后的 INSWTC 与自相关相比，时间滞后的 INS 将显著更高WTC 无自相关且具有时间滞后的 INSpWTC，且预期时滞的INS之间无显著差异WTC 无自相关且具有时间滞后的 INSpWTC.

2. 实证实验

  1. 参与者与实验流程
    1. 招募合适的参与者。
      注：本研究通过在北京市高校本科生中发布广告，招募了22对异性密友（女性平均年龄为20.95岁，标准差（SD）= 1.86；男性平均年龄为20.50岁，SD = 1.74）。所有参与者均为右利手，视力正常或矫正至正常水平。此外，所有参与者均无语言、神经或精神类疾病。
    2. 要求每对参与者在实验过程中面对面就座。要求他们在一次会话中围绕支持性话题自由交流，在另一次会话中围绕冲突性话题自由交流。
      注：这些话题用于诱发预期的正性或负性情绪效价。每次交流持续10分钟，话题顺序采用交叉平衡设计。
    3. 要求参与者按照标准设定规则报告支持性话题和冲突性话题。要求每位参与者使用确定的评分量表对可能诱发的正性或负性效价水平进行评分，然后根据评分对报告的话题进行排序。
      注：本研究中，话题选择遵循以下三个步骤。首先，对于支持性话题，要求每位参与者报告1–3个与其希望在生活中改善的个人问题相关的话题；对于冲突性话题，要求每位参与者报告1–3个已引发、可能引发彼此间冲突或可能危及其关系的案例。其次，要求每位参与者使用7点量表（1 = 完全没有，7 = 非常强烈）对每个话题可能诱发的正性或负性效价水平进行评分。第三，根据评分对报告的话题进行排序，并选取支持性话题和冲突性话题列表中的前两个话题。
  2. fNIRS数据采集
    1. 使用26通道fNIRS拓扑系统（见材料表）采集fNIRS数据。
      注：两个定制的光极探头组覆盖双侧额叶、颞叶和顶叶皮层（图1B）。
    2. 准确要求每位参与者佩戴带有两个定制探头组的帽具（见材料表）。
    3. 将鼻根点、枕外隆凸和耳乳突与10-20国际系统中的Fpz、Opz、T7和T8等典型标志点对齐26。
    4. 根据国际10-20系统，将通道（CH）11与T3对齐，CH25与T4对齐27,28。
    5. 通过高分辨率T1加权磁化准备快速梯度回波序列（TR = 2530 ms；TE = 3.39 ms；翻转角 = 7°；层厚 = 1.3 mm；体素大小 = 1.3 × 1 × 1.3 mm）扫描典型参与者的磁共振成像（MRI）数据，以验证探头组的解剖位置。
    6. 使用统计参数映射12（SPM12）将图像标准化至标准蒙特利尔神经影像研究所坐标（MNI坐标）空间29。然后，使用NIRS_SPM工具箱（见材料表）将探头的MNI坐标投射至自动解剖标记（AAL）模板。
    7. 以55.6 Hz的采样率采集近红外光在三个波长（780、805和830 nm）下的光密度数据（设备默认参数）。
    8. 使用fNIRS拓扑系统内置设备软件测试信号质量（见材料表）。
    9. 开始信号记录。
      注：已有部分发表的实验方案展示了如何使用不同设备和系统采集fNIRS信号30,31,32。
  3. fNIRS数据预处理
    1. 从设备导出数据文件。
      注：在本实验中，内置软件根据修正的比尔-朗伯定律自动将所有光密度数据转换为氧合血红蛋白（HbO）浓度变化。
    2. 为避免瞬态响应，去除每段会话的前15秒和后15秒数据。
    3. 使用MATLAB的decimate内置函数将数据从55.6 Hz下采样至11.1 Hz。
      注：55.6 Hz与11.1 Hz之间的功率谱模式非常相似（补充图1）。
    4. 使用具有适当滤波函数的MATLAB内置应用程序函数（Homer3，见材料表）应用离散小波变换滤波方法校正运动伪迹。
    5. 使用MATLAB的pca内置函数去除全局生理噪声，去除信号中前80%的方差。
    6. 根据先前研究33去除生理噪声。具体而言，去除每个信号高于0.7 Hz的频段，以避免高频生理噪声（如心脏活动）的混叠效应。
    7. 随后，去除每个信号低于0.01 Hz的频段，以滤除极低频波动。
    8. 最后，去除每个信号在0.15–0.3 Hz范围内的频段，以排除呼吸活动的潜在影响。
  4. 一级fNIRS数据处理
    1. 首先，使用传统WTC计算脑间同步性（INSWTC）。
      注：此处预测在女性与男性的脑活动之间会出现女性主导的时间滞后模式的INSWTC，因为先前研究提示女性与男性在对话中扮演不同角色34,35。传统WTC通过将男性的脑活动相对于女性向后移动来计算该INSWTC模式（见公式2）。
    2. 使用公式2，在去除女性数据的前2秒和男性数据的后2秒后，计算女性主导的2秒滞后INSWTC值。类似地，在去除男性数据的前2秒和女性数据的后2秒后，使用公式4计算男性主导的2秒滞后INSWTC值。
      注：此处使用了MATLAB小波工具箱中的内置函数wcoherence（见材料表）。
    3. 对不同时间滞后n（即n = 2 s、4 s、6 s、8 s）在所有潜在通道对（例如女性CH2与男性CH10，共676对）上重复此过程。此外，以相同方式计算男性主导的时间滞后INSWTC强度（公式4）。
      小波变换相干性方程，时频分析公式，数学表达式
    4. 其次，使用pWTC计算INS（INSpWTC）。
      注：pWTC基于公式3计算。对不同时间滞后n（即n = 2 s、4 s、6 s、8 s）在所有潜在通道对（例如女性CH2与男性CH10，共676对）上重复计算INSpWTC。此外，以相同方式计算男性主导的时间滞后INSpWTC强度（公式5）。
      小波变换公式图；用于相关性分析的pWTC
    5. 在不同时间滞后下生成fNIRS信号的时间滞后时间序列。
    6. 计算不同时间滞后下的时间滞后WTC值。
    7. 在不同时间滞后下生成fNIRS信号的自相关时间序列。为计算男性的2秒自相关值，需去除男性数据的前2秒和后2秒。
    8. 计算不同时间滞后下的自相关WTC值。
    9. 在不同时间滞后下生成fNIRS信号的时间对齐时间序列。为计算2秒时间对齐WTC，需去除男性和女性数据的前2秒。
    10. 计算时间对齐WTC值。
    11. 将不同时间滞后下的时间对齐WTC、时间滞后WTC和自相关WTC值代入公式3和公式5——即pWTC的方程，生成INSpWTC。
    12. 最后，使用格兰杰因果（GC）方法计算INS（INSGC）。
      注：为进一步验证pWTC方法并评估其优缺点，采用GC方法计算基于GC的INS（INSGC）。
    13. 根据pWTC结果，使用带通滤波器对每位个体在SMC频段（即0.4–0.6 Hz，见代表性结果）的HbO信号进行滤波。
    14. 分别在支持性和冲突性话题条件下，对每对参与者进行GC检验（Econometric工具箱，MATLAB）。
      注：INSGC获得四组F值：（1）支持性话题下从女性到男性（W2M_supp）；（2）支持性话题下从男性到女性（M2W_supp）；（3）冲突性话题下从女性到男性（W2M_conf）；（4）冲突性话题下从男性到女性（M2W_conf）。F值用于表征INSGC。
  5. 二级fNIRS数据处理
    1. 对INS进行Fisher-z变换，然后在时间维度上对INS取平均。
      注：此处使用自定义MATLAB脚本，依据公式636进行Fisher-z变换：
      Fisher变换公式，相关性分析的统计方法，数学方程
      其中，r为WTC或pWTC的值，z为WTC或pWTC的Fisher-z变换值。
    2. 对每个时间滞后下的平均INS，在频率范围内对每对通道进行配对双样本t检验（支持性vs.冲突性），并识别所有显著的频率簇（P < 0.05）。
    3. 进行基于簇的置换检验以确定结果的阈值。
      1. 通过随机将参与者重新分配为新的两人配对（即从未相互交流过的参与者组成的新配对）来重新分配配对关系。重新计算每个时间滞后的INS，在新样本中再次进行配对t检验，并再次识别显著的频率簇。
      2. 选择总t值最大的簇。重复上述过程1000次，生成最大假阳性t值的零分布。
        注：该分布代表偶然水平。家族误差率（FWER）控制在q = 0.05，意味着仅有假阳性t值零分布中最高的5%超过阈值（R*）。
      3. 将原始样本中每个识别出的频率簇的总t值与零分布进行比较，以获得显著的统计结果。
    4. 进行情境（支持性、冲突性）×方向（女性到男性、男性到女性）的方差分析（ANOVA），以检验不同条件（即话题）下INS方向的差异（p < 0.05）。
    5. 对WTC（Wt, Mt + n）与WTC（Mt, Mt + n）的结果进行配对双样本双尾t检验，以检验自相关对INS的潜在影响。
      注：WTC（Mt, Mt + n）的INS反映自相关性。

访问受限。请登录或开始试用以查看此内容。

结果

模拟结果
结果表明，具有自相关的时间滞后 INSWTC 显著高于无自相关的时间滞后 INSWTC（t(1998) = 4.696，p < 0.001），也显著高于时间滞后 INSpWTC（t(1998) = 5.098，p < 0.001）。此外，无自相关的时间滞后 INSWTC 与 INSpWTC 之间无显著差异（t(1998) = 1.573，p = 0.114，图 2A）。这些结果表明，pWTC 能有效消除自相关效应对 INS 的影响。此外，当 WTC 值接近 0 或 1 时，只要 WTC 值偏离 0 或 1，时间滞后 INSpWTC 仍能呈现可靠的结果（补充图 2）。

实证实验结果

访问受限。请登录或开始试用以查看此内容。

讨论

在超扫描研究中，通常需要描述个体之间信息传递的方向性和时间模式。以往大多数基于功能性近红外光谱（fNIRS）的超扫描研究采用传统的WTC25方法，通过计算时间滞后的脑间同步性（INS）来推断这些特征。然而，fNIRS信号的一个固有特性是存在自相关效应20,21，这可能会混淆时间滞后的INS结果。为解决这一问题，本方案引入了一种称为pWTC的方法22。该方法在部分剔除自相关效应后估计时间滞后的INS，同时保留了WTC方法的优势。本方案提供了pWTC操作的逐步指导，并通过将pWTC结果与传统WTC和格兰杰因果关系（GC）检验结果进行比较，验证其有效性。

本方案展示了在基于功能性近红外光谱（fNIRS）的超扫描数据中应用部分小波相干性（pWTC）的关键步骤。具体而言，首先需要基于时间滞后的fNIRS时间序列计算时间滞后的小波相干性（WTC）、自相关WTC以及时间对齐的WTC。接...

访问受限。请登录或开始试用以查看此内容。

披露

作者声明不存在竞争性财务利益。

致谢

本工作得到国家自然科学基金（61977008）和万人计划青年拔尖人才项目的资助。

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
fNIRS拓扑系统Shimadzu CorporationShimadzu LABNIRS systenLABNIRS系统包含40个发射器和40个探测器，用于fNIRS信号的测量。在本方案中，我们利用这些发射器和探测器构建了两个定制的26通道探头组，并根据10-20系统将它们分别固定在两个帽具上。此外，LABNIRS系统还内置了图形用户界面（GUI）软件，可用于数据质量检查、数据转换和数据导出。
MATLABThe MathWorks, Inc.MATLAB 2019a在本方案中，使用了MATLAB中的多个内置工具箱和函数：
使用SPM12工具箱通过其图形用户界面（GUI）对有效的MRI数据进行标准化处理。
使用NIRS_SPM工具箱通过其图形用户界面（GUI）将探头的MNI坐标投影到AAL模板上。
使用Homer3工具箱中的hmrMotionCorrectWavelet函数（默认参数）去除运动伪影。
使用小波工具箱中的wcoherence函数计算WTC和pWTC。
MRI扫描仪Siemens HealthineersTRIO 3-Tesla扫描仪在本方案中，使用MRI扫描仪获取每个通道和光极的MNI坐标。扫描参数在正文中有详细描述。
定制帽具在本方案中，我们首先在两个尼龙帽上标记出10-20系统的位置。然后，制备了两个26通道的定制光极探头组。最后，将探头组按照解剖标志对齐并固定在帽具上。

参考文献

  1. 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).
  2. 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).
  3. Jiang, J., et al. Neural synchronization during face-to-face communication. Journal of Neuroscience. 32 (45), 16064-16069 (2012).
  4. 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).
  5. 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).
  6. 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).
  7. Liu, W., et al. Shared neural representations of syntax during online dyadic communication. NeuroImage. 198, 63-72 (2019).
  8. Zheng, L., et al. Enhancement of teaching outcome through neural prediction of the students' knowledge state. Human Brain Mapping. 39 (7), 3046-3057 (2018).
  9. 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).
  10. Hirsch, J., et al. Interpersonal agreement and disagreement during face-to-face dialogue: An fNIRS investigation. Frontiers in Human Neuroscience. 14, 606397(2021).
  11. 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).
  12. 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).
  13. 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).
  14. Djalovski, A., Dumas, G., Kinreich, S., Feldman, R. Human attachments shape interbrain synchrony toward efficient performance of social goals. NeuroImage. 226, 117600(2021).
  15. Zhao, H., et al. How mother-child interactions are associated with a child's compliance. Cerebral Cortex. 31 (9), 4398-4410 (2021).
  16. Jiang, J., Zheng, L., Lu, C. A hierarchical model for interpersonal verbal communication. Social Cognitive and Affective Neuroscience. 16 (1-2), 246-255 (2021).
  17. Yan, W., et al. Bibliometric evaluation of 2000-2019 publications on functional near-infrared spectroscopy. NeuroImage. 220, 117121(2020).
  18. 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).
  19. 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).
  20. 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).
  21. 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).
  22. 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).
  23. 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).
  24. 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).
  25. 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).
  26. 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).
  27. 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).
  28. Koessler, L., et al. Automated cortical projection of EEG sensors: Anatomical correlation via the international 10-10 system. NeuroImage. 46 (1), 64-72 (2009).
  29. Penny, W., Friston, K., Ashburner, J., Kiebel, S., Nichols, T. Statistical Parametric Mapping: The Analysis of Functional Brain Images. , Academic Press. (2007).
  30. 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).
  31. 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).
  32. Noah, J. A., et al. fMRI validation of fNIRS measurements during a naturalistic task. Journal of Visualized Experiments: JoVE. (100), e52116(2015).
  33. 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).
  34. 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).
  35. 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).
  36. Chang, C., Glover, G. H. Time-frequency dynamics of resting-state brain connectivity measured with fMRI. NeuroImage. 50 (1), 81-98 (2010).
  37. 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).
  38. 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).
  39. Molavi, B., Dumont, G. A. Wavelet-based motion artifact removal for functional near-infrared spectroscopy. Physiological Measurement. 33 (2), 259-270 (2012).
  40. 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).
  41. 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).
  42. 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).
  43. Cooper, R. J., et al. A systematic comparison of motion artifact correction techniques for functional near-infrared spectroscopy. Frontiers in Neuroscience. 0, 147(2012).
  44. 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).
  45. Liu, Y., et al. Measuring speaker-listener neural coupling with functional near infrared spectroscopy. Scientific Reports. 7, 1-13 (2017).
  46. Li, Z., et al. Speaker-listener neural coupling reveals an adaptive mechanism for speech comprehension in a noisy environment. Cerebral Cortex. , (2021).

访问受限。请登录或开始试用以查看此内容。

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

相关文章