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

功能近红外光谱（fNIRS）超扫描研究中跨脑相干性理解的新框架

4K 次观看

⸱

DOI：

10.3791/65347

⸱

2023年10月6日

 ,  ,  ,  ,  ,  , 
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

本文内容

摘要

小波变换相干性（WTC）是功能近红外光谱（fNIRS）超扫描研究中用于评估信号间耦合的常用方法。本文介绍了一种用于评估信号相互作用方向性的工具箱。

摘要

尽管功能性近红外光谱（fNIRS）超扫描研究日益增多，但利用小波变换相干性（WTC）评估两个神经信号之间耦合性的方法似乎忽略了相互作用的方向性。目前该领域缺乏一个能够帮助研究人员判断通过WTC函数获得的高相干值究竟反映的是同相位同步（即双人组中两名成员同时出现神经激活）、滞后同步（即双人组中一名成员的神经激活先于另一名成员）还是反相位同步（即双人组中一名成员神经激活增强，而另一名成员神经激活减弱）的分析框架。为满足这一需求，本研究提出了一种互补且更敏感的双神经信号相位相干性分析方法。该工具箱允许研究者通过将传统WTC获得的相位角值分类为同相位同步、滞后同步和反相位同步，来估计耦合的方向性。此外，该工具箱还使研究人员能够评估交互动态在任务过程中如何发展和变化。通过在fNIRS超扫描研究中应用这一新型WTC方法及配套工具箱，将有助于深化我们对复杂社会互动机制的理解。

引言

近年来，为理解社会行为的神经基础而开展的研究类型发生了转变1,2。传统上，社会神经科学研究主要关注个体在执行与社会相关任务时，单个孤立大脑中的神经活动。然而，神经影像技术的进步使得研究者能够在“真实生活”情境下，同步考察一个或多个个体在社会互动过程中的脑内神经激活情况3。在“真实生活”情境中，个体能够自由活动，随着信息的交换以及社会互动双方相互接收反馈，脑激活模式也可能随之动态变化4。

超扫描是一种通过同时测量两个或更多个体的脑活动来评估这种双向信息交换的方法5近年来，越来越多的研究采用功能性近红外光谱成像（fNIRS）这一非侵入性神经影像技术，相较于其他神经影像技术，该方法对运动伪影的敏感性较低。6超扫描 通过 fNIRS 可在真实生活场景中评估互动伙伴间的脑间同步（IBS），同时允许参与者自由、自然地活动。这对于婴幼儿研究尤为重要，因为婴幼儿通常活动较为频繁。已有研究报道，IBS 能够反映互动双方之间的相互理解，这种相互理解是有效社会互动与交流的基础，并介导了共享意图性1,7,8.

评估两个大脑间 IBS 的方法有多种，包括时间序列相关性分析，如互相关和皮尔逊相关系数9,10（参见 Scholkmann 等人10 的综述）。其他方法则涉及在频域中评估耦合强度，例如相位锁定值（PLV）和相位相干性（参见 Czeszumski 等人11 的综述）。在 fNIRS 研究中，最常用的方法之一是小波变换相干性（WTC），即衡量两个时间序列在频率和时间上的互相关性10。

WTC 使用相关分析来计算两个时间序列在时频域中的相干性和相位滞后。功能性近红外光谱（fNIRS）超扫描研究已采用 WTC 在多种功能领域中估计个体间的脑同步性（IBS），包括动作监测。12，合作与竞争行为5,13,14,15，模仿16母婴问题解决17以及教学行为18,19,20,21通常，在双人同步神经成像研究中，会通过小波时频相干性（WTC）测量实验任务期间的跨脑相干性，并将其与控制任务期间的跨脑相干性进行比较。这些结果通常以WTC“热图”形式呈现，该图显示两个大脑在各个时间点和频率上的相干性水平（参见 图1).

正如 Czesumaski 等人11所建议的，小波相干性分析（WTC）已成为分析 fNIRS 超扫描的标准化分析方法。WTC 分析是一种灵活且“与工具无关”的数据可视化和解释方法22。其主要优势在于相干系数热图，该图提供了一种叙述性分析形式，便于识别同步或异步行为的时间段以及在完成任务期间大脑活动的强度，这使得 WTC 成为应用研究中的有力工具22。WTC 相较于相关性分析技术具有优势。相关性分析对血流动力学响应函数（HRF）的形状敏感，而 HRF 被认为在个体之间（尤其是年龄方面）以及不同脑区之间存在差异。相比之下，WTC 不受脑区间 HRF 变化的影响23。研究人员已使用小波方法研究 fMRI 时间序列。Zhang 等人24比较了常用的几种功能连接度量方法，包括皮尔逊相关、偏相关、互信息以及小波相干性变换（WTC）。他们利用来自静息态 fMRI 数据和观看视频的自然刺激 fMRI 数据中提取的大规模功能连接模式进行了分类实验。研究结果表明，WTC 在分类性能（特异性、敏感性和准确性）方面表现最佳，提示 WTC 至少在分类应用中是研究功能脑网络更优的功能连接度量方法24。

小波变换相干性图；频率与时间；谱相干性分析。
图 1：小波变换相干性（WTC）。 WTC 显示了两个时间序列在时间（x 轴）和频率（y 轴）上的相干性和相位角。图中红色表示相干性增强，图中的小箭头表示两个时间序列的相位角。箭头向右表示同相同步；箭头向下和向上分别表示滞后同步；箭头向左表示反相同步30。该图改编自 Pan 等人19。请点击此处查看此图的放大版本。

最近，Hamilton25 阐述了在 fNIRS 超扫描研究中解释跨脑相干性数据的若干局限性。Hamilton 的主要关注点之一在于，相干性度量（例如，WTC）仅能报告对称性效应（即两个大脑相关，表现出相同的变化模式）。然而，许多社会互动具有不对称性（例如，说话者与听者之间的信息流动），其中两名参与者可能扮演不同角色，而 WTC 是否能够捕捉此类信息尚不明确。本文通过一种新框架解决了这一问题，该框架利用交叉小波相位来检测方向性，从而对交叉小波功率进行直接解释。该框架还将有助于考察互动动态过程如何在任务过程中发展和变化。

尽管WTC和相关性方法用于评估功能连接性，但其他方法则用于评估有效连接性，旨在提取一个神经单元对另一个神经单元的因果影响。转移熵是信息论领域中一种用于描述联合依赖过程之间信息传递的度量方法26。另一种相关方法是格兰杰因果分析（GCA），该方法已被认为在本质上等同于转移熵26。

在现有的fNIRS超扫描研究文献中，格兰杰因果分析（Granger causality analysis, GCA）已被广泛用于估计在多种不同任务过程中获取的fNIRS时间序列数据之间的耦合方向性，例如合作5、教学19和模仿16。GCA采用向量自回归模型来评估脑数据中时间序列之间耦合的方向性。格兰杰因果性基于预测和时序优先性：“如果变量X的过去值包含有助于预测变量Y未来值的信息，且该信息超出Y自身过去值所包含的信息，则称变量X‘格兰杰导致’（G-cause）变量Y”27。因此，格兰杰因果性在两个方向上进行分析：1）从被试A到被试B；2）从被试B到被试A。

尽管GCA分析可作为补充分析手段，用于判断通过WTC函数获得的高相干值反映的是IBS还是滞后同步（即一个信号领先于另一个信号），但它无法确定是否发生了反相位同步。在传统的神经影像学研究中，仅对一名参与者进行扫描（即“单脑”方法），反相位模式意味着一个脑区的活动增强，而另一个脑区的活动减弱28。在超扫描研究文献中，反相位同步的存在可能表明，一名受试者的神经激活增强，而与此同时，另一名受试者的神经激活减弱。因此，有必要建立一个能够检测方向性的综合模型。更具体地说，该模型除了能够检测同相位同步和滞后同步外，还能够检测反相位同步（即个体的活动方向与其同伴相反）。

为了解决WTC仅显示对称效应（即两个大脑表现出相同变化模式）的担忧25，本文提出了一种新方法，通过考察同步的相位（即同相、滞后或反相）来识别相互作用的类型（见图2）。为此，开发了一个基于WTC方法对不同类型相互作用进行分类的工具箱。该分类通过使用交叉小波变换分析得到的相对相位数据实现。

相位关系图，显示不同相位下波干涉的振幅随时间变化。
图2简单正弦波不同相位关系的示意图。 (A）当两个信号，信号1（蓝线s）和信号2（橙色线s），若它们在同一时间点达到各自的最大值、最小值和零值，则称其表现出同相位同步32. (B当一个信号达到其最大值而另一个信号同时达到零值时，称为表现出滞后同步（其中一个信号超前） 90°)32,33,34. (C当两个时间序列向相反方向移动，即一个信号达到最大值的同时另一个信号达到最小值，这种情况被称为反相同步28. (D-P) 在两个时间序列的所有其他相位关系中，一个信号领先于另一个信号。在所有正相位中，信号2领先于信号1（例如，图中各面板 E, F, M，以及 N），而在所有负相位中，信号1超前于信号2（例如，图示面板 D, G, H, O，以及 P）。值得注意的是，当相位的绝对值较大时，哪一个时间序列领先于另一个序列的特征变得更加明显（例如，在图示面板中，领先的特征更为显著 J 比图中面板 I，以及在面板中 K，该领导作用比在面板中更为显著 L). 请点击此处查看此图的放大版本。

访问受限。请登录或开始试用以查看此内容。

方案

该研究在佛罗里达大西洋大学（FAU）进行，并获得了FAU机构审查委员会（IRB）的批准。

1. 使用Homer3软件（材料表）对fNIRS超扫描数据进行预处理

注意：Homer3 是一个 MATLAB 应用程序，用于分析 fNIRS 数据以获得脑激活的估计值和激活图谱29。Homer3 可通过以下链接下载并安装（https://openfnirs.org/software/homer/）。

  1. 打开 MATLAB，导航至保存原始 .nirs 文件的文件夹，选择并打开该文件夹。
  2. 在 MATLAB 的命令窗口中输入 Homer3 以启动 Homer3 图形用户界面（GUI）。Homer3 将检测到 .nirs 文件，并提示将其转换为 .snirf 格式（一种通用的 NIRS 数据存储与共享格式，独立于任何特定应用程序的文件格式，例如 MATLAB 格式），以便继续进行数据预处理。
  3. 在 Homer3 中将 .nirs 文件导入并转换为 .snirf 格式后，点击 Homer3 图形用户界面中的 Tools 选项，并选择 Edit Processing Stream。
  4. 在 ProcStreamEdit 图形用户界面中，通过点击 Add 按钮，从 Registry Function 列中选择预处理步骤添加至 Current Processing Stream 列。所包含的预处理步骤如下：
    1. 使用 hmrR_intensity2OD 将光强数据转换为光学密度。
    2. 使用 hmrR_MotionCorrectWavelet 通过适当的滤波函数校正运动伪影。
    3. 使用 hmrR_OD2conc 将光学密度数据转换为浓度数据。
    4. 使用 hmR_BlockAvg 计算浓度数据的区块平均值。
      注意：预处理步骤的选择可能因数据集类型的不同而有所差异。
  5. 为保存当前的处理流程，点击 Save 选项，然后退出 ProcStreamEdit 图形用户界面。
  6. 在主 Homer3 图形用户界面中运行预处理流程，点击 RUN 选项。Homer3 完成所选处理流程后，将以 .mat 文件格式保存每位参与者的预处理后时间序列数据，文件中包含所有通道和事件的 Hbo、Hbr 和 Hbt。Homer3 将在当前选定的文件夹中创建一个名为 homer output 的文件夹以存储这些文件。
  7. Homer3 将在选定的文件夹中创建一个名为 derivatives 的文件夹以存储这些文件。请选择 derivatives 文件夹中的 homer 文件夹，选择每个脑区对应的 .mat 文件，并导出 Hbo、Hbr、Hbt 数据。
    注意：Homer3 创建的输出文件夹名称取决于所使用的 Homer3 版本。

2. 开始使用 LeaderFollowerByPhase 工具箱

  1. 为分析在超扫描记录中发生的相互作用类型，请使用 LeaderFollowerByPhase 工具箱，具体流程如图3所示。在 MATLAB 中，选择每个大脑的 .mat 文件，并将特定通道和特定事件的 Hbo（或 Hbr）数据加载为一维向量，分别作为 signal1 和 signal2。
  2. 在 MATLAB 命令行中定义参数
    1. lowFreq, highFreq：输入 lowFreq = [低频兴趣频率]，以及 highFreq = [高频兴趣频率]。默认值为 lowFreq = 0.01 Hz，highFreq = 1 Hz。
      注意：函数参数 lowFreq 和 highFreq 定义了兴趣频率（FOI）范围。WTC 在每个时间点和频率上计算两个大脑之间的相干性。通常在特定的 FOI 范围内对相干性值进行平均。
    2. 定义参数 phaseRange；输入 phaseRange = [以度为单位的范围]。
      注意：默认值为 phaseRange = 90°。由于相位具有循环模数特性，其范围介于 0° 至 360° 之间。相位范围根据围绕四个点的区间进行划分。在本工具箱中，提出了一种新的非对称相互作用分类方法（图4），该方法通过相位角值判断耦合方向性，具体依据对应于滞后同步的区间：Signal 1 领先（围绕 −90° 的区间）或 Signal 2 领先（围绕 90° 的区间）、Signal 1 与 Signal 2 同相同步（围绕 0° 的区间），以及 Signal 1 与 Signal 2 反相同步（围绕 +180° 或 −180° 的区间）。
    3. 定义 Threshold 参数。输入 threshold = [阈值 rsq 值]。 默认值为 Threshold = 0。
      注意：该工具箱允许通过设置 threshold 参数来指定阈值相干性值，使研究人员可以选择具有特定最小相干性值的时间点。因此，仅考虑相干性值高于指定阈值的时间点。
  3. 从以下链接下载 LeaderFollowerByPhase 工具箱（https://www.ariel.ac.il/wp/sns/download/ 或 https://github.com/Minisharmaa/Leader-Follower-By-Phase）。
  4. 在命令行中输入命令 cohervalues = LeaderFollowerByPhase(signal1, signal2, lowFreq, highFreq, phaseRange, threshold)，执行 MATLAB 函数 LeaderFollowerByPhase。
    注意：相干性和相位计算分别使用 MATLAB 中的 WTC 和 XWT 函数完成30。
  5. 检查同相、Signal 1 领先、Signal 2 领先以及反相同步的数值：
    1. 查看 MATLAB 中的图表。该工具箱生成一个包含四个子图的图形。
      1. 按相互作用类型划分的相干性：查看图形左上部分的箱型图，该图显示每种相互作用类型（同相同步、Signal 1 领先、Signal 2 领先、反相同步）对应的决定系数（R-Squared, Rsq）。
        注意：有关 MATLAB 内置 boxchart 函数的详细说明，请参见以下链接（https://www.mathworks.com/help/matlab/ref/boxchart.html）。
      2. 按相互作用类型的中心指标：查看输出图形右上部分的柱状图，该图显示每种相互作用类型（同相同步、Signal 1 领先、Signal 2 领先、反相同步）对应的最大均值和中位数。
        注意：有关 MATLAB 内置 bar 函数的详细说明，请参见以下链接（https://www.mathworks.com/help/matlab/ref/bar.html）。
      3. 随时间变化的相干性：查看输出图形左下部分的散点图，该图显示相干性值及随时间变化的相互作用类型。不同颜色的点代表不同类型的相互作用（黑色点代表同相同步，深灰色点代表 Signal 1 领先，浅灰色点代表 Signal 2 领先，紫色点代表反相同步）。
        注意：该图展示了相互作用的动态过程：在整个时间序列中四种相互作用类型之间的转换。有关 MATLAB scatter 函数的详细说明，请参见以下链接（https://www.mathworks.com/help/matlab/ref/scatter.html）。
      4. 时间占比：查看输出图形右下部分的饼图，该图显示根据不同类型相互作用划分的时间比例。
        注意：有关 MATLAB pie 函数的详细说明，请参见以下链接（https://www.mathworks.com/help/matlab/ref/pie.html）。
  6. 检查输出表格中每种相互作用类型（同相同步、Signal 1 领先、Signal 2 领先、反相同步）的统计值（即均值、最大值、中位数和标准差）。该表格还列出了每种相互作用类型所占的时间百分比。每种相互作用类型分别显示在不同的列中。
  7. 检查导出的电子表格文件中的输出值（即当前文件夹中的 datatable.xlsx 文件）。

脑波分析示意图；显示脑电图数据处理、信号图及结果可视化。
图3：工作流程概览。（A）母子配对在自由游戏过程中，同步采集超扫描fNIRS数据。（B）母子时间序列示意图。（C）使用Homer3对时间序列进行预处理。（D、E）利用工具箱分析不同类型的互动，如同相位同步、反相位同步和滞后同步。请点击此处查看该图的高清版本。

相位同步示意图，圆形饼图，展示信号同步状态。
图 4：基于相位的四种不同类型相互作用的分类。 该图表示两个神经时间序列在360°模量下的相位差。相位差可被视为两个值之间的时间滞后，以度、弧度或波长的分数来度量。此处，360°模量被划分为四个不同的区间，代表四种不同的相互作用相位：（A）信号1超前（约90°区间，介于45°至135°之间），（B）信号1与信号2反相同步（约180°或−180°区间，介于135°至−135°之间），（C）信号2超前（介于−135°至−45°之间），（D）同相同步（约0°区间，介于−45°至45°之间）。此划分方式为默认方法（每个点周围45°）；然而，该工具箱允许用户自定义不同的划分方式。尽管其他配置可能不覆盖完整的360°，但可能对每种相互作用类型提供更精确的定义。请点击此处查看该图的放大版本。

访问受限。请登录或开始试用以查看此内容。

结果

本节演示了使用该工具箱可执行的分析类型（工具箱可在 https://www.ariel.ac.il/wp/sns/download/ 或 https://github.com/Minisharmaa/Leader-Follower-By-Phase. 下载）。这些分析使用了一组少量婴儿-父母配对采集的 fNIRS 数据。共招募了六对母婴配对，采用一种经过验证的行为任务——自由游戏任务31进行测试，该任务尽可能接近真实的婴儿-母亲互动情境。实验前，为婴儿和父母佩戴了定制的光学探头组，用于采集 fNIRS 数据。本研究中使用的光学探头组包含 8 个光源（红点）和 8 个探测器（蓝点），配置形成 18 个通道，双侧覆盖前额叶和颞顶区域（见图 5）。使用 NIRScout 系统通过两个波长采集光学成像数据：760 nm（对脱氧血红蛋白 HbR 更敏感）和 850 nm（对氧合血红蛋白 HbO 更敏感）。所有父母均为女性（年龄范围 = 26–36 岁），婴儿均为健康足月儿（两名女性，四名男性，年龄范围 = 1–2 岁），无已知发育迟缓。配对...

访问受限。请登录或开始试用以查看此内容。

讨论

在功能性近红外光谱（fNIRS）研究中，最常用的方法之一是小波变换相干性（wavelet transform coherence, WTC），它用于衡量两个时间序列在频率和时间维度上的互相关程度10。WTC通过相关性分析计算两个时间序列之间的相干性和相位滞后（补充文件1）。在fNIRS超扫描研究中，WTC已被用于估计多种功能领域的脑间同步性（IBS），包括动作监控12、合作与竞争行为5,13,14,15、模仿16、母婴问题解决17以及教学-学习行为18,19...

访问受限。请登录或开始试用以查看此内容。

披露

作者声明，本研究是在不存在任何可能被解释为潜在利益冲突的商业或财务关系的情况下进行的。

致谢

感谢国家自然科学基金（编号：62207025）、教育部人文社会科学研究项目（编号：22YJC190017）以及中央高校基本科研业务费对潘亚峰的资助。

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
NIRScout  NIRx Medical Technologies, LLCn.a.8 个光源，8 个探测器
MATLABThe Mathworks, Inc.Matlab 2022a本实验方案中使用了多个 MATLAB 工具箱及内置函数：采用 HOMER3 工具箱将光强信号转换为光密度（OD），并通过其函数 hmrMotionCorrectWavelet（使用默认参数）去除运动伪影，再将 OD 转换为浓度（Conc）；使用小波工具箱（Wavelet Toolbox）计算小波相干性（WTC）。

参考文献

  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).

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

小波变换相干性相位同步耦合方向性同相同步反相同步脑间同步图论MATLAB 工具箱
功能近红外光谱（fNIRS）超扫描研究中跨脑相干性理解的新框架
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。