Waiting
Login processing...

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

Neuroscience

Nytt rammeverk for å forstå koherens på tvers av hjerner i funksjonelle nær-infrarøde spektroskopi (fNIRS) hyperskanningsstudier

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) er en vanlig metode for å vurdere koblingen mellom signaler som brukes i funksjonelle nær-infrarøde spektroskopi (fNIRS) hyperskanningsstudier. En verktøykasse for å vurdere retningen på signalinteraksjonen presenteres i dette arbeidet.

Abstract

Til tross for den voksende kroppen av funksjonelle nær-infrarøde spektroskopi (fNIRS) hyperskanningsstudier, synes vurderingen av kobling mellom to nevrale signaler ved hjelp av wavelet transform coherence (WTC) å ignorere retningen av interaksjonen. Feltet mangler for tiden et rammeverk som gjør det mulig for forskere å avgjøre om en høy koherensverdi oppnådd ved hjelp av en WTC-funksjon reflekterer fasesynkronisering (dvs. nevral aktivering ses i begge medlemmer av dyaden samtidig), forsinket synkronisering (dvs. nevral aktivering ses i ett medlem av dyaden før det andre medlemmet), eller antifasesynkronisering (dvs. nevral aktivering økes i ett medlem av dyaden og reduseres i det andre). For å møte dette behovet foreslås en komplementær og mer sensitiv tilnærming for å analysere fasekoherensen til to nevrale signaler i dette arbeidet. Verktøykassen gjør det mulig for etterforskere å estimere koblingsretningen ved å klassifisere fasevinkelverdiene oppnådd ved bruk av tradisjonell WTC i fasesynkronisering, forsinket synkronisering og antifasesynkronisering. Verktøykassen gjør det også mulig for forskere å vurdere hvordan dynamikken i samspillet utvikler seg og endres gjennom hele oppgaven. Ved hjelp av denne nye WTC-tilnærmingen og verktøykassen vil vi fremme vår forståelse av komplekse sosiale interaksjoner gjennom deres bruk i fNIRS hyperskanningsstudier.

Introduction

I de senere år har det vært et skifte i hvilke typer studier som er utført for å forstå nevrale baser av sosial atferd 1,2. Tradisjonelt har studier i sosial nevrovitenskap fokusert på nevral aktivering i en isolert hjerne under en sosialt relevant oppgave. Imidlertid tillater fremskritt innen neuroimaging-teknologi nå undersøkelse av nevral aktivering i hjernen til en eller flere individer under sosial interaksjon som det skjer i "virkelige" innstillinger3. I "virkelige" omgivelser kan individer bevege seg fritt, og mønstre for hjerneaktivering vil sannsynligvis endre seg etter hvert som informasjon utveksles og sosiale partnere mottar tilbakemelding fra hverandre4.

Hyperskanning er en metode som vurderer denne toveis informasjonsutvekslingen ved å måle hjerneaktiviteten fra to eller flere individer samtidig5. En fremvoksende forskningsgruppe har benyttet funksjonell nær-infrarød spektroskopi (fNIRS), en ikke-invasiv neuroimaging teknikk som, i forhold til andre neuroimaging teknikker, er mindre utsatt for bevegelsesartefakter6. Hyperskanning via fNIRS gjør det mulig å vurdere interhjernesynkronisering (IBS) i virkelige omgivelser mens de interaktive partnerne beveger seg fritt og naturlig. Dette er spesielt relevant for arbeid med spedbarn og små barn, som pleier å være ganske aktive. IBS har blitt rapportert å reflektere gjensidig forståelse mellom interaktive partnere, som tjener som grunnlag for effektiv sosial interaksjon og kommunikasjon og formidler delt intensjonalitet 1,7,8.

Flere metoder brukes til å evaluere IBS av to hjerner. Slike metoder inkluderer tidsseriekorrelasjoner, som krysskorrelasjon og Pearson-korrelasjonskoeffisienten 9,10 (se en gjennomgang av Scholkmann et al.10). Andre metoder innebærer å evaluere styrken på koblingen i frekvensdomenet. Slike metoder inkluderer faselåsingsverdi (PLV) og fasekoherens (se en gjennomgang av Czeszumski et al.11). En av de vanligste metodene i fNIRS-studier bruker wavelet transform coherence (WTC) - et mål på krysskorrelasjonen mellom to tidsserier som funksjon av frekvens og tid10.

WTC bruker korrelasjonsanalyser for å beregne koherens og faseforsinkelse mellom to tidsserier i tidsfrekvensdomenet. FNIRS hyperskanningsstudier har brukt WTC til å estimere IBS i mange funksjonsområder, inkludert handlingsovervåking 12, kooperativ og konkurransedyktig atferd 5,13,14,15, imitasjon 16, mor-barn-problemløsning 17 og undervisning-læringsatferd 18,19,20,21 . Vanligvis, i hyperskanningsstudier, sammenlignes koherens på tvers av hjernen, målt ved WTC, under en eksperimentell oppgave med koherens på tvers av hjerner under en kontrolloppgave. Disse funnene presenteres vanligvis med et WTC "hot plot", som viser sammenhengen mellom de to hjernene ved hvert tidspunkt og frekvens (se figur 1).

Som foreslått av Czesumaski et al.11, har WTC blitt standard analytisk tilnærming for å analysere fNIRS hyperskanning. WTC-analyse er en fleksibel, "verktøyagnostisk" metode for datavisualisering og tolkning22. Koherenskoeffisientens varmekart, som gir en narrativ form for analyse som gjør det enkelt å identifisere perioder med synkron eller asynkron oppførsel, samt intensiteten av hjerneaktivitet under ferdigstillelse av en oppgave, er den største fordelen med WTC og gjør den til et sterkt verktøy for anvendt forskning22. WTC har en fordel i forhold til korrelasjonsteknikker. Korrelasjoner er følsomme for den hemodynamiske responsfunksjonens (HRF) form, som antas å variere mellom individer (spesielt når det gjelder alder) og mellom forskjellige hjerneområder. WTC påvirkes derimot ikke av interregionale endringer i (HRF)23. Forskere har brukt wavelet-tilnærmingen til å studere fMRI-tidsserier. Zhang et al.24 sammenlignet de ofte brukte funksjonelle tilkoblingsberegningene, inkludert Pearson-korrelasjonen, partiell korrelasjon, gjensidig informasjon og wavelet-koherenstransformasjon (WTC). De utførte klassifiseringseksperimenter ved hjelp av storskala funksjonelle tilkoblingsmønstre avledet fra hviletilstand fMRI-data og naturlig stimulus fMRI-data for videovisning. Deres funn indikerte at WTC presterte best i klassifisering (spesifisitet, følsomhet og nøyaktighet), noe som antyder at WTC er en foretrukket funksjonell tilkoblingsmetrisk for å studere funksjonelle hjernenettverk, i det minste i klassifiseringsapplikasjoner24.

Figure 1
Figur 1: Wavelet transform coherence (WTC). WTC viser koherens og fasevinkel mellom to tidsserier som funksjon av både tid (x-akse) og frekvens (y-akse). Koherensøkningen er avbildet av den røde fargen i grafen, og de små pilene i grafen viser fasevinkelen til de to tidsseriene. Den høyrepekende pilen representerer synkronisering i fasen. pilene som peker nedover og peker oppover representerer forsinket synkronisering; og pilen som peker mot venstre representerer antifasesynkronisering30. Denne figuren ble tilpasset fra Pan et al.19. Klikk her for å se en større versjon av denne figuren.

Nylig formulerte Hamilton25 flere begrensninger i tolkningen av koherensdata på tvers av hjerner i fNIRS hyperskanningsstudier. En av Hamiltons primære bekymringer var at koherensmålinger (f.eks. WTC) bare rapporterer effekter som symmetriske (dvs. to hjerner er korrelert, og viser det samme mønsteret av endring). Imidlertid er mange sosiale interaksjoner asymmetriske (f.eks. informasjonsflyt mellom en høyttaler og en lytter) ved at to deltakere kan spille forskjellige roller, og det er ikke klart at WTC kan fange opp denne informasjonen. Her er denne bekymringen adressert av et nytt rammeverk som muliggjør en enkel tolkning av kryssbølgekraften ved å bruke kryssbølgefasen for å oppdage retning. Dette rammeverket vil også tillate undersøkelse av hvordan dynamikken i samspillet utvikler seg og endres gjennom en oppgave.

Mens WTC og korrelasjonsmetoder vurderer funksjonell tilkobling, vurderer andre metoder effektiv tilkobling, og forsøker å trekke ut årsakspåvirkningene fra ett nevralt element over et annet. Transferentropi er et mål fra informasjonsteorien som beskriver overføringen mellom fellesavhengige prosesser26. En annen beslektet metode er Granger kausalitetsanalyse (GCA), som har blitt beskrevet som ekvivalent med overføringsentropi26.

I den eksisterende litteraturen om fNIRS hyperskanningsstudier har Granger kausalitetsanalyse (GCA) blitt mye brukt til å estimere koblingsretningen mellom fNIRS tidsseriedata oppnådd under en rekke forskjellige oppgaver, for eksempel samarbeid5, undervisning19 og imitasjon16. GCA benytter vektorautoregressive modeller for å vurdere retningen av kobling mellom tidsserier i hjernedata. Granger kausalitet er basert på prediksjon og forrang: "en variabel X sies å 'G-årsak' variabel Y hvis fortiden til X inneholder informasjonen som bidrar til å forutsi fremtiden til Y utover informasjon allerede i fortiden til Y"27. Følgelig analyseres G-kausaliteten i to retninger: 1) fra emne A til emne B og 2) fra emne B til emne A.

Mens GCA-analyse fungerer som en komplementær analyse som tar sikte på å avgjøre om en høy koherensverdi oppnådd ved hjelp av en WTC-funksjon reflekterer IBS eller forsinket synkronisering (det ene signalet fører det andre), tillater det ikke å bestemme om antifasesynkronisering har skjedd. I tradisjonelle neuroimaging studier, hvor bare en deltaker er skannet (dvs. "single-brain" tilnærming), betyr et antifasemønster at aktiviteten i en hjernegruppe økes mens aktiviteten i den andre hjernegruppen reduseres28. I hyperskanningslitteraturen kan tilstedeværelsen av antifasesynkronisering tyde på at nevral aktivering økes i ett individ, og samtidig reduseres nevral aktivering for det andre faget. Derfor er det behov for å gi en helhetlig modell som kan oppdage retningen. Nærmere bestemt vil denne modellen kunne oppdage antifasesynkronisering (hvor aktivitetsretningen i ett individ er motsatt partnerens) i tillegg til fasesynkronisering og forsinket synkronisering.

I et forsøk på å løse bekymringen for at WTC bare viser symmetriske effekter, der begge hjernene viser samme endringsmønster25, presenteres en ny tilnærming for å identifisere typen interaksjon ved å undersøke synkroniseringsfasen (dvs. i fase, forsinket eller antifase) ( se figur 2). For dette formål ble det utviklet en verktøykasse ved hjelp av WTC-metoden for å klassifisere de forskjellige typer interaksjoner. Interaksjonstypene klassifiseres ved å bruke relative fasedata fra kryssbølgetransformanalyse.

Figure 2
Figur 2: Illustrasjon av de ulike faseforholdene til enkle sinusbølger. (A) Når de to signalene, signal 1 (blå linje s) og signal 2 (oransje linjes), når sine respektive maksimums-,minimums- og nullverdier samtidig, sies det at de viser synkronisering i fase32. (B) Når ett signal når sin maksimale verdi og det andre signalet når nullverdi på samme tidspunkt, sies de å vise forsinket synkronisering (en leder med 90 °) 32,33,34. (C) Når to tidsserier skifter i motsatte retninger, noe som betyr at ett signal når maksimum og det andre når minimumsverdien på samme tidspunkt, kalles dette antifasesynkronisering28. (D-P) I alle andre faserelasjoner mellom to tidsserier leder det ene signalet det andre. I alle positive faser leder signal 2 signal 1 (f.eks. panelene E, F, M og N), mens i alle negative faser leder signal 1 signal 2 (f.eks. panelene D, G, H, O og P). Spesielt når fasens absoluttverdi er høyere, blir det mer distinkt hvilken tidsserie som leder den andre (f.eks. er ledelsen mer distinkt i panel J enn i panel I, og i panel K er ledelsen mer særegen enn i panel L). Klikk her for å se en større versjon av denne figuren.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Studien ble utført ved Florida Atlantic University (FAU) og ble godkjent av FAU Institutional Review Board (IRB).

1. Bruk av Homer3-programvare (materialfortegnelse) for å utføre forhåndsbehandling av fNIRS hyperskanningsdata

MERK: Homer3 er et MATLAB-program som analyserer fNIRS-data for å få estimater og kart over hjerneaktivering29. Homer3 kan lastes ned og installeres fra følgende lenke (https://openfnirs.org/software/homer/).

  1. Åpne MATLAB, og naviger til mappen der de rå NIRS-filene er lagret. Velg og åpne mappen.
  2. Skriv Homer3 i kommandovinduet til MATLAB for å starte Homer3 GUI. Homer3. vil oppdage .nirs filer og be om å konvertere til .snirf format (en universell filformat for lagring og deling NIRS data uavhengig av noen spesifikke programspesifikke filformat som MATLAB) for å fortsette med pre-behandling av dataene.
  3. Etter å ha importert .nirs-filene til .snirf-format i Homer3, klikker du på Verktøy-alternativet i Homer3 GUI, og velger Rediger behandlingsstrøm.
  4. I ProcStreamEdit GUI velger du forhåndsbehandlingstrinnene fra kolonnen Registerfunksjon til kolonnen Current Processing Stream ved å klikke på Legg til. De inkluderte trinnene for forhåndsbehandling er som følger:
    1. Bruk hmrR_intensity2OD til å konvertere intensitetsdataene til optisk tetthet.
    2. Bruk hmrR_MotionCorrectWavelet til å korrigere bevegelsesartefakter ved hjelp av riktig filtreringsfunksjon.
    3. Bruk hmrR_OD2conc til å konvertere OD-dataene til konsentrasjon.
    4. Bruk hmR_BlockAvg til å beregne blokkgjennomsnittet på konsentrasjonsdata.
      MERK: Valget av forhåndsbehandlingstrinnene kan variere avhengig av typen datasett.
  5. For å lagre gjeldende behandlingsstrøm, klikk på Lagre-alternativet , og avslutt deretter ProcStreamEdit GUI.
  6. For å kjøre forhåndsbehandlingsstrømmen i hoved Homer3 GUI, klikk på RUN-alternativet . Etter at Homer3 er ferdig med å kjøre den valgte behandlingsstrømmen, vil den lagre den forhåndsbehandlede tidsserien for hver deltaker i et .mat-filformat som inneholder Hbo, Hbr og Hbt for alle kanalene og hendelsene. En mappe som heter homer output vil bli opprettet av Homer3 i den valgte mappen for å lagre disse filene.
  7. En mappe med navnet derivater vil bli opprettet av Homer3 i den valgte mappen for å lagre disse filene. Velg homer-mappen som ligger i derivatmappe. Velg .mat-filen for hver hjerne og eksporter Hbo, Hbr, Hbt.
    MERK: Navnet på utdatamappen opprettet av Homer3 er avhengig av Homer3-versjonen.

2. Komme i gang med verktøykassen LeaderFollowerByPhase

  1. For å analysere typen interaksjon som forekommer i et hyperskanningsopptak, bruk verktøykassen LeaderFollowerByPhase, som beskrevet i prosessen vist i figur 3. I MATLAB velger du mat-filene for hver hjerne og laster inn Hbo- (eller Hbr)-dataene for den spesifikke kanalen og den spesifikke hendelsen i en endimensjonsvektor som signal1 og signal2.
  2. I MATLAB-kommandolinjen definerer du parameterne
    1. lowFreq, highFreq: Skriv lowFreq = [lav FOI] og highFreq = [høy FOI]. Standardverdiene er lowFreq = 0,01 Hz, highFreq = 1 Hz.
      MERK: Parametrene til funksjonene lowFreq og highFreq definerer frekvensen av interesse (FOI) rekkevidde. WTC beregner koherensen over de to hjernene på hvert tidspunkt og frekvens. Koherensverdiene er vanligvis gjennomsnittet innenfor en bestemt FOI.
    2. Definer parameteren phaseRange; type phaseRange = [område i deg].
      MERK: Standardverdien er phaseRange = 90°. Fasen varierer mellom 0 ° og 360 ° på grunn av fasens sirkulære modulo-natur. Faseområdene er delt i henhold til et område som omgir fire punkter. I den presenterte verktøykassen presenteres en ny tilnærming for klassifisering av asymmetriske interaksjoner (figur 4) ved å undersøke koblingsretningen ved hjelp av fasevinkelverdiene i henhold til områdene som tilsvarer forsinket synkronisering med signal 1 ledende (et område rundt -90°) eller signal 2 ledende (et område rundt 90°), signal 1, signal 2 i fasesynkronisering (et område rundt 0), og signal 1, signal 2 antifasesynkronisering (et område rundt +180° eller -180°).
    3. Definer parameteren Terskel. Type terskel = [terskel rsq verdi]. Standardverdien er Threshold = 0.
      MERK: Verktøykassen gjør det mulig å spesifisere en terskelkoherensverdi ved å spesifisere terskelparameteren. Dette gjør det mulig for forskeren å velge tidspunkter med en spesifisert minste koherensverdi. Følgelig tas det bare hensyn til tidspunkter med koherensverdier som er høyere enn den angitte terskelen.
  3. Last ned verktøykassen LeaderFollowerByPhase fra følgende kobling (https://www.ariel.ac.il/wp/sns/download/ eller https://github.com/Minisharmaa/Leader-Follower-By-Phase).
  4. Utfør MATLAB-funksjonen LeaderFollowerByPhase ved å skrive inn kommandoen cohervalues = LeaderFollowerByPhase(signal1, signal2, lowFreq, highFreq, phaseRange, threshold) på kommandolinjen.
    MERK: Koherens- og faseberegningene utføres ved hjelp av WTC- og XWT-funksjonene i MATLAB, henholdsvis30.
  5. Undersøk verdiene for innfasing, signal 1-ledende, signal 2-ledende og antifasesynkronisering:
    1. Inspiser tomtene i MATLAB. Verktøykassen genererer én figur med fire plott.
      1. Koherens etter type interaksjon: Inspiser boksdiagramplottet øverst til venstre på figuren, som viser R-kvadratet (Rsq) i henhold til hver type interaksjon (i fase, signal 1 ledende, signal 2 ledende, antifase).
        MERK: Hvis du vil ha en detaljert beskrivelse av den innebygde funksjonen for MATLAB-boksdiagram, kan du se følgende kobling (https://www.mathworks.com/help/matlab/ref/boxchart.html).
      2. Sentrale indekser etter type interaksjon: Inspiser søylediagrammet øverst til høyre i utgangsfiguren, som viser maks gjennomsnitt og median i henhold til hver type interaksjon (i fase, signal 1 ledende, signal 2 ledende, antifase).
        MERK: Hvis du vil ha en detaljert beskrivelse av den innebygde funksjonen MATLAB-linjen, kan du se følgende kobling (https://www.mathworks.com/help/matlab/ref/bar.html).
      3. Koherens over tid: Undersøk spredningsdiagrammet nederst til venstre i utdatafiguren, som viser verdiene for koherens og samhandlingstypene over tid. De fargede prikkene representerer forskjellige typer interaksjon (svarte prikker representerer fasesynkronisering, mørkegrå prikker representerer signal 1-ledende, lysegrå prikker representerer signal 2-ledende, og lilla prikker representerer antifasesynkronisering).
        MERK: Figuren viser dynamikken i samspillet: utvekslingen mellom de fire interaksjonstypene gjennom heltidsserien. Hvis du vil ha en detaljert beskrivelse av MATLAB-spredningsfunksjonen, kan du se følgende kobling (https://www.mathworks.com/help/matlab/ref/scatter.html).
      4. Tidsprosent: Undersøk sektordiagrammet nederst til høyre i utdatafiguren, som viser tidsdelingen i henhold til de ulike samhandlingstypene.
        MERK: Hvis du vil ha en detaljert beskrivelse av MATLAB-sektorfunksjonen, kan du se følgende kobling (https://www.mathworks.com/help/matlab/ref/pie.html).
  6. Inspiser utdatatabellen med de statistiske verdiene (dvs. gjennomsnitt, maks, median og standardavvik) for hver type interaksjon (synkronisering i fase, signal 1-ledende, signal 2-ledende, antifasesynkronisering). Tabellen viser også prosentandelen av tiden som hver type interaksjon skjedde. Hver samhandlingstype vises i en egen kolonne.
  7. Undersøk utdataverdien i den ekstraherte regnearkfilen (dvs. datatable.xlsx som ligger i gjeldende mappe).

Figure 3
Figur 3: Oversikt over arbeidsflyten. (A) Mor-barn-dyader engasjerte seg i fri lek mens hyperskanning av fNIRSdata ble samlet inn. (B) Illustrasjon av en mor-barn-tidsserie. (C) Forbehandling av tidsserien ved bruk av Homer3. (D,E) Bruk av en verktøykasse for å undersøke ulike typer interaksjoner, for eksempel synkronisering i fase, antifasesynkronisering og forsinket synkronisering. Klikk her for å se en større versjon av denne figuren.

Figure 4
Figur 4: Klassifisering av fire ulike typer interaksjoner basert på fase. Dette representerer faseforskjellen mellom de to nevrale tidsseriene i en 360° modulo. Faseforskjellen kan betraktes som en tidsforsinkelse mellom to verdier og måles i grader og radianer eller brøkdeler av bølgelengden. Her er 360° modulo delt inn i fire forskjellige områder som viser fire forskjellige vekselvirkningsfaser: (A) Signal 1 ledende (et område rundt 90°, mellom 45° og 135°), (B) antifasesynkronisering mellom signal 1 og signal 2 (et område rundt 180° eller −180°, mellom 135 til −135°), (C) Signal 2 ledende (mellom −135° til −45°), (D) i fasesynkronisering (et område rundt 0, mellom −45° og 45°). Denne inndelingen er standard tilnærming (45° rundt hvert punkt); Verktøykassen lar imidlertid en konfigurere en annen divisjon. Mens andre konfigurasjoner kanskje ikke dekker alle 360 °, kan det gi en mer nøyaktig definisjon av hver type interaksjon. Klikk her for å se en større versjon av denne figuren.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Denne delen viser hvilke typer analyser som kan utføres med verktøykassen (som kan lastes ned på https://www.ariel.ac.il/wp/sns/download/ eller https://github.com/Minisharmaa/Leader-Follower-By-Phase.). For disse analysene ble fNIRS-data samlet inn med et lite utvalg av spedbarn-foreldre dyader benyttet. Seks par mor-barn-dyader ble testet ved hjelp av en validert atferdsoppgave, free-play task31, som er så nær en virkelig interaksjon mellom spedbarn og mor som mulig. I forkant av forsøket ble spedbarn og foreldre utstyrt med et skreddersydd optodesett for innsamling av fNIRS-data. Optodesettet som ble brukt til å samle inn fNIRS-dataene i denne studien besto av 8 kilder (røde prikker) og 8 detektorer (blå prikker) som ble konfigurert til å lage 18 kanaler som dekker prefrontale og temporoparietale regioner bilateralt (se figur 5). En NIRScout kjøpte de optiske bildedataene ved hjelp av to bølgelengder: 760 nm, som er mer følsom for deoksyhemoglobin (HbR), og 850 nm, som er mer følsom for oksyhemoglobin (HbO). Alle foreldrene var kvinner (aldersgruppe = 26-36 år), og barna var friske og til termin (to hunner, fire menn, aldersgruppe = 1-2 år) uten kjente utviklingsforsinkelser. Dyader ble rekruttert gjennom annonser. Hver forelder ga informert samtykke før eksperimentet, og de ble betalt for sin deltakelse. For enkelhets skyld fokuserer analysen på data oppnådd på kanal 18 i Dyad A.

Figure 5
Figur 5: Optodesett brukt i forstudien. Optodesettet som ble brukt til å samle inn fNIRS-dataene i den foreløpige studien besto av 8 kilder (røde prikker) og 8 detektorer (blå prikker) som ble konfigurert til å lage 18 kanaler (gule linjer) som dekker prefrontale og temporoparietale regioner bilateralt. Klikk her for å se en større versjon av denne figuren.

Verktøykassen ble brukt til å identifisere endringer i hvilke typer interaksjon som kunne identifiseres over tid for den kanalen for en bestemt dyade. Parametrene for funksjonen var som følger: Signal 1 = kanal 18 mor, signal 2 = kanal 18 mor, lavFreq = 0,0067, highFreq = 0,1142, phaseRange = 90, terskel = 0.

Figure 6
Figur 6: Klassifiseringsanalyse ved en terskel på 0. Terskelen er satt til 0 (terskel = 0). (A) Boksplott som representerer koherensverdi knyttet til interaksjoner. Det er en for hver type interaksjon, og median og interkvartilbredde (IQR) er indikert. Høyere skår indikerer større grad av sammenheng. (B) De sentrale indeksene for koherensverdiene for alle typer interaksjoner. (C) Dynamikken i typen interaksjon endres gjennom hele oppgaven. (D) Prosentandelen av poeng for hver av de fire interaksjonstypene. Klikk her for å se en større versjon av denne figuren.

Først ble hvert tidspunkt klassifisert i en av de fire interaksjonstypene (i fase, antifase, morsledende eller spedbarnsledende) (figur 6). Figur 6D viser prosentandelen av tidspunkter som ble klassifisert i hver av de fire interaksjonstypene. Det er viktig å merke seg at mens verktøykassen kan oppdage prosentandelene og koherensverdien knyttet til interaksjoner som ledes av en av deltakerne (figur 6A), er dens unike bidrag at den også presenterer prosentandelene (figur 6D) og sentrale indekser for koherensverdiene for alle typer interaksjoner, inkludert antifasesynkronisering (figur 6B). Til slutt gir verktøykassen en mulighet til å undersøke hvordan dynamikken i typen interaksjon endres gjennom hele oppgaven (figur 6C). Det er viktig å merke seg at verktøykassen, i likhet med GCA-analyse, beregner disse indeksene for hver dyade separat. Analyse på gruppenivå ved hjelp av disse indeksene bør gjennomføres for å bestemme typen interaksjon.

For å undersøke hvilken innflytelse disse minimumsterskelverdiene har på klassifiseringen av interaksjonstypene innenfor en dyade, ble klassifikasjonsanalysen gjentatt med en terskel på 0,5 på Dyad A (figur 7).

Figure 7
Figur 7: Klassifiseringsanalyse ved en terskel på 0,5. Terskelen er satt til 0,5 (terskel = 0,5). (A) Boksplott som representerer koherensverdi knyttet til interaksjoner. Det er en for hver type interaksjon, og median og interkvartilbredde (IQR) er indikert. Høyere skår indikerer større grad av sammenheng. (B) De sentrale indeksene for koherensverdiene for alle typer interaksjoner. (C) Dynamikken i typen interaksjon endres gjennom hele oppgaven. (D) Prosentandelen av poeng for hver av de fire interaksjonstypene. Klikk her for å se en større versjon av denne figuren.

Som vist i figur 7D, ved bruk av denne terskelen, endret fordelingen av de forskjellige typene av relative faseforhold seg. Prosentandelen av antifasesynkronisering økte (fra 35% til 59%), og prosentandelen av fasesynkronisering redusert (fra 26% til 3%). Dette antyder at antifasesynkronisering kan være den typen interaksjon som er mer representativ for denne dyaden. Med andre ord, å definere en terskel gir mulighet for muligheten til å gjennomføre en mer sensitiv analyse der bare tidspunkter med et minimumsnivå av sammenheng er gjennomsnitt. Det er viktig å merke seg at fastsettelse av den optimale koherensverditerskelen er en komplisert prosess, da den optimale terskelen kan variere fra ett eksperiment til et annet og på tvers av forskjellige miljøer. Selv om verktøykassen gir mulighet til å sette en terskel, er det behov for flere studier for å utvikle en protokoll for å identifisere den optimale koherensverdien. Videre er det viktig å velge terskel og frekvens av renteverdier som fortsatt krysser med Rsq-verdiene. For eksempel viste funksjonen med parametrene lowFreq = 0.0067, highFreq = 0.1142, phaseRange = 90 og Threshold = 0.5 interaksjoner med Rsq-verdier bare over 0.5, men den samme funksjonen med en terskel på 0.7 resulterte i en feil, da det ikke var noen verdier over 0.7 innenfor frekvensområdet.

Tilleggsfil 1: Wavelet transform coherence (WTC). Oversikten over wavelet transform og cross-wavelet transform, som brukes til å analysere tidsfrekvensegenskapene og gjensidig avhengighet av to tidsserier. Wavelet-transformasjonen dekomponerer en tidsserie til tidsfrekvensrom35, mens tverrbølgetransformen avslører den felles kraften og fasen mellom to tidsserier 9,30. Teksten introduserer også koherensen i wavelet-transformasjonen, som kvantifiserer graden av synkronisering mellom to tidsserier. R-kvadratverdien avledet fra koherensen til wavelet-transformen reflekterer gjensidig avhengighet, men skiller ikke mellom positive og negative korrelasjoner36. Positive og negative korrelasjoner antas å indikere sammenhenger37,38. Klikk her for å laste ned denne filen.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

En av de vanligste metodene som brukes i fNIRS-studier er wavelet transform coherence (WTC), som er et mål på krysskorrelasjonen mellom to tidsserier som funksjon av frekvens og tid10. WTC beregner koherens og faseforsinkelse mellom to tidsserier ved hjelp av korrelasjonsanalyser (tilleggsfil 1). FNIRS hyperskanningsstudier har brukt WTC til å estimere IBS i mange funksjonsområder, inkludert handlingsovervåking 12, kooperativ og konkurransedyktig atferd 5,13,14,15, imitasjon 16, mor-barn-problemløsning 17 og undervisning-læringsatferd 18,19,20,21 . Hyperskanningsstudier sammenligner ofte koherens på tvers av hjerner målt ved hjelp av wavelet coherence transform (WTC) under en eksperimentell oppgave med en kontrolloppgave. Disse sammenligningene presenteres vanligvis ved hjelp av et WTC "hot plot" som viser sammenhengen mellom de to hjernene på hvert tidspunkt og frekvens. I tillegg, som vist i figur 1, vises faselaginformasjonen ved retningen av små piler i WTC "hot plot". Tidligere studier har imidlertid forsømt å ta hensyn til faseforsinkelsesinformasjonen representert ved retningen til de små pilene i WTC "hot plot" og har bare estimert inter-brain synchrony (IBS) ved å undersøke sammenhengen i WTC-plottet. Denne forglemmelsen kan føre til unøyaktige eller ufullstendige funn.

Begrensningene diskutert av Hamilton25 angående tolkningen av koherensdata på tvers av hjerner i fNIRS hyperskanningsstudier er adressert i det nye rammeverket som tillater en enkel tolkning av kryssbølgekraften ved å bruke kryssbølgefasen for å oppdage retningsbestemmelse og inkluderer også en koherensanalysemodul for beregning av koherensverdiene ved å gjennomsnitt dem direkte39. Denne tilnærmingen gjør det mulig å undersøke utvikling og endring i samspill gjennom en oppgave og gir et pålitelig mål på sammenheng mellom signaler.

En slik tilnærming har blitt demonstrert i atferdsstudier av mellommenneskelig synkronisering, som har brukt de relative fasedataene som kan ekstraheres fra kryssbølgeanalysen. Noen studier har brukt disse dataene til å skille mellom infase og antifase koherensverdier. For eksempel har denne tilnærmingen blitt brukt til å evaluere håndbevegelsene til to improviserende musikere40 og til å undersøke sosial postural koordinasjon41. Noen studier har undersøkt fordelingen av fasevinkler i bevegelsesdata for å forstå dynamikken i interaksjoner ved å bruke kryssbølgekoherens under strukturerte42 og ustrukturerte43 samtaler.

Den relative fasen mellom to tidsserier gjør det mulig å oppdage tidsmessige skift mellom signaler med samme frekvens. Faktisk, innen EEG-hyperskanning, vurderer de fleste metodene som tar sikte på å bestemme graden av synkronisering av nevrale tidsserier, det relative faseforholdet mellom de to tidsseriene13,44.

De kritiske trinnene ved bruk av verktøykassen LeaderFollowerByPhase i fNIRS hyperskanningsdata er demonstrert i protokollen. Spesifikt innebærer protokollen forhåndsbestemmelse av signal 1 og signal 2 i MATLAB før du kjører verktøykassen. Det er bemerkelsesverdig at parametrene som frekvens av interesse (FOI), faseområde og terskel er valgfrie og kan bruke standardverdier hvis de ikke er satt. Filtrering og detrending av råsignaler anbefales45. I tillegg må det utvises forsiktighet ved filtrering av båndpass, da dette kan påvirke valget av FOI.

FOI-parametrene (lowFreq, highFreq) krever nøye utvalg, spesielt unntatt høyfrekvent og lavfrekvent fysiologisk støy, for eksempel respirasjon (~ 0,2-0,3 Hz) og hjertepulsering (0,6-1,2 Hz). Det anbefales å ta de lave og høye frekvensene av interesse som mellom 0,01 og 0,7 Hz, henholdsvis46, da dette området effektivt eliminerer høyfrekvent støy som hjerteslag (0,8-1 Hz) også.

PhaseRange-parameteren definerer et område rundt fasevinkelverdiene i henhold til områdene som tilsvarer forsinket synkronisering med signal 1 ledende (et område rundt -90°) eller signal 2 ledende (et område rundt 90°), signal 1, signal 2 i fasesynkronisering (et område rundt 0°) og signal 1, signal 2 antifasesynkronisering (et område rundt +180° eller -180°). Bredden på det omkringliggende området rundt disse fire punktene er definert av phaseRange For eksempel, hvis phaseRange er satt til 90°, vil området for synkronisering i fase være rundt 0°, mellom -45° og 45°; rekkevidden for Signal 2 ledende (forsinket synkronisering) vil være rundt 90°, mellom 45° og 135°, rekkevidden for antifasesynkronisering vil være rundt 180° eller -180°, mellom 135° til -135°; og rekkevidden for Signal 1 ledende (forsinket synkronisering) vil være rundt 180°, mellom -135° til -45°. PhaseRange-parameteren må være mellom 0 ° og 90 ° grader, ellers vises følgende melding: "Verdien av phaseRange-variabelen må være mellom 0 og 90". Selv om området kan være et hvilket som helst tall fra 0° til 90°, er den minste anbefalte verdien 30° (±15°). Terskelverdien må være en hvilken som helst verdi mellom 0 og 1, ellers vises følgende melding: "Verdien for terskelvariabelen må være mellom 0 og 1". Det anbefales å velge en terskel som er mellom 0,25 og 0,75.

Mens verktøykassen LeaderFollowerByPhase presenterer en lovende tilnærming, er den ikke uten begrensninger. Som nevnt ovenfor er det en komplisert prosess å bestemme den optimale koherensverdigrensen, da den optimale terskelen kan variere fra ett eksperiment til et annet og mellom forskjellige oppgaver. Testing av denne verktøykassen på mer varierte datasett er nødvendig for å få mer nøyaktig informasjon om de optimale verdiene for terskelen.

Evnen til å forstå komplekse menneskelige interaksjoner ved hjelp av fNIRS hyperskanning har blitt begrenset av det faktum at de nåværende tilnærmingene som brukes til å oppdage kobling mellom to nevrale signaler, ignorerer retningen til signalene. Her foreslås en mer sensitiv tilnærming for å analysere sammenhengen mellom to nevrale signaler ved hjelp av wavelet transform coherence (WTC). Verktøykassen gjør det mulig for forskere å undersøke koblingsretningen ved å klassifisere fasevinkelverdiene som representerer fasesynkronisering, forsinket synkronisering og antifasesynkronisering.

Denne nye tilnærmingen ved hjelp av verktøykassen vil gi mer detaljert informasjon om arten av dyadiske interaksjoner, som hittil har manglet. For eksempel, mens fasesynkronisering og antifasesynkronisering har blitt behandlet som identiske (tilleggsfil 1)36, vil forskere nå kunne identifisere i hvilken grad de nevrale signalene til dyademedlemmene beveger seg i samme retning (både øker eller begge reduseres) eller motsatte retninger (den ene øker og den andre avtar). Dette vil ha en transformativ innvirkning på forståelsen av hvordan hjernen formidler sosiale prosesser og atferd.

Det foreslåtte rammeverket har lovende potensial for fremtidige applikasjoner innen mellommenneskelig nevral synkroniseringsforskning, da det muliggjør klassifisering av forskjellige typer interaksjoner, inkludert fasesynkronisering, forsinket synkronisering og antifasesynkronisering. Ved å analysere de tidligere funnene med det nye foreslåtte rammeverket, kan forskere få en mer omfattende forståelse av arten av synkroniseringen mellom deltakerne. Spesielt gir evnen til å skille mellom in-fase og anti-fase interaksjoner et nytt nivå av klarhet som tidligere ikke var tilgjengelig, noe som kan føre til mer presise tolkninger av tidligere funn. Denne funksjonaliteten til rammeverket kan brukes på et bredt spekter av scenarier, inkludert å utforske rollen som mellommenneskelig nevral synkronisering i sosial atferd, kommunikasjon og beslutningsprosesser. Samlet sett representerer det foreslåtte rammeverket et verdifullt bidrag til feltet og har et betydelig potensial for fremtidige applikasjoner.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne erklærer at forskningen ble utført i fravær av kommersielle eller økonomiske forhold som kan tolkes som en potensiell interessekonflikt.

Acknowledgments

Vi ønsker å anerkjenne støtten fra National Natural Science Foundation of China (nr. 62207025), humaniora og samfunnsvitenskapelig forskningsprosjekt fra utdanningsdepartementet i Kina (nr. 22YJC190017), og de grunnleggende forskningsfondene for de sentrale universitetene til Yafeng Pan.

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

Funksjonell nær-infrarød spektroskopi FNIRS hyperskanning koherens på tvers av hjerner wavelet transform koherens koblingsvurdering direksjonalitet av interaksjon synkronisering i fase forsinket synkronisering antifasesynkronisering fasekoherensanalyse koblingsdireksjonalitetsestimering interaksjonsdynamikk sosiale interaksjoner FNIRS hyperskanningsstudier
Nytt rammeverk for å forstå koherens på tvers av hjerner i funksjonelle nær-infrarøde spektroskopi (fNIRS) hyperskanningsstudier
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