Name: 开放式协作学习中的脑间同步:fNIRS超扫描研究 (视频) | JoVE Journal
Uploaded: 2021-07-21T14:00:00.000+00:00
Duration: 4 min 44 s
Description: 了解使用功能性近红外光谱超扫描技术测量协作学习中的脑间同步方法。本研究通过氧合血红蛋白信号分析双人实时脑活动动态，为认知神经科学提供可靠实验方案。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

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

所有招募的参与者（40对，平均年龄22.1 ± 1.2岁；100%右利手；视力正常或矫正至正常）均身体健康。实验前，参与者均签署了知情同意书。参与者因其参与获得了经济补偿。本研究经华东师范大学人类研究保护委员会批准（HR-0053-2021）。
1. 采用数据前的准备步骤
<ol>
	<li>自制近红外光谱（NIRS）帽
	<ol>
		<li>采用弹性泳帽以固定探头支架网格。 
		注意：考虑到受试者头部尺寸不同，使用两种尺寸的帽子。小号帽子适用于头围为 55.4 ± 1.1 cm 的受试者，大号帽子适用于头围为 57.9 ± 1.2 cm 的受试者。</li>
		<li>根据国际标准 10-10 系统，在弹性泳帽上以 EEG 电极位置（枕外隆突、Cz、T3、T4、Fpz 和 P5）作为参考探头位置进行定位（参见材料表）。
		<ol>
			<li>首先，将标准 10-10 EEG 帽（参见材料表）套在头模上，再将弹性泳帽套在 EEG 帽外层。其次，用粉笔在每顶泳帽上标记参考探头位置（枕外隆突、Cz、T3、T4、Fpz 和 P5）。最后，切割两个直径约为 15 mm 的孔，用于放置两个参考探头（即 Fpz 和 P5，图 1）。 
			注意：具体而言，一个 3 × 5 探头阵列和一个 4 × 4 探头阵列分别放置于前额叶区域（参考探头置于 Fpz，图 1B）和左侧颞顶区域（参考探头置于 P5，图 1B）。</li>
		</ol>
		</li>
		<li>切割用于放置其余探头的孔。将带有两个网格支架的泳帽直接安装在头模上，然后用粉笔标记其余探头的位置。之后，切割其余孔位，确保支架网格能够贴合。</li>
		<li>将两个探头阵列（即 3 × 5 和 4 × 4）安装到泳帽上（参见材料表）。 
		注意：NIRS 测量系统（参见材料表）提供这些标准探头阵列（即 3 × 5 和 4 × 4），并配备标准支架插槽，确保探头间距为 30 mm。</li>
		<li>打开 NIRS 测量系统中的探头阵列监控窗口，并分别为每位受试者选择两个按 3 × 5 和 4 × 4 排列的探头阵列。 
		注意：两顶帽子上的探头排列应与探头阵列窗口中的结构相对应（即接收探头编号与相应发射探头的准确位置）。</li>
	</ol>
	</li>
	<li>实验准备
	<ol>
		<li>在开始数据记录前，需提前启动 NIRS 系统至少 30 分钟，以确保系统维持稳定的运行温度。 
		注意：系统稳定运行温度范围为 5 °C 至 35 °C。</li>
		<li>将测量模式设置为事件相关测量模式，并确保触发信号接收器处于激活状态（即 RS232 串行输入）。 
		注意：实验程序使用市售的心理学软件编写（参见材料表）。近红外光吸收（两个波长：695 nm 和 830 nm）以 10 Hz 的采样率进行测量。</li>
		<li>准备可发光的光纤探头，用于拨开头发。</li>
		<li>设置实验环境，配备一张桌子和两把椅子，使受试者面对面就座。</li>
	</ol>
	</li>
</ol>
2. 通过指导参与者采纳数据
<ol>
	<li>准备受试者
	<ol>
		<li>向受试者说明实验细节，包括近红外光谱（NIRS）测量方法。 
		注意：所有受试者均为健康个体，并因参与实验获得经济补偿。无受试者在实验中途退出。NIRS 的激光束可能对受试者的眼睛造成伤害，因此需告知受试者切勿直视激光束。</li>
		<li>让受试者面对面就座（中间隔一张桌子（0.8 m）），确保他们能够直接看到对方。调节座椅与桌子之间的距离（约 0.3 m），使受试者坐姿舒适。</li>
		<li>打开激光按钮，并将装有探头组的帽具戴在受试者头部。 
		注意：3 × 5 探头组覆盖受试者的前额区域（底行中间探头置于 Fpz 处）；4 × 4 探头组覆盖左侧颞顶皮层（第三行第三探头置于 P5 处）。</li>
		<li>将四束光纤松散地放置在支架臂上，避免与受试者或椅子接触。 
		注意：本实验所用 NIRS 测量系统包含四束光纤。此外，需确保受试者不会感到帽具过重而难以佩戴。</li>
		<li>通过小心地将每个弹簧加载探头进一步推入其插槽，使探头尖端接触受试者的头皮。</li>
		<li>进行信号校准。
		<ol>
			<li>首先，在 fNIRS 仪器的探头组监测窗口中点击 自动增益（Auto Gain），检查信号质量。在探头组监测窗口中，信号质量较差和足够的通道分别以黄色和绿色标记。 
			注意：对于信号不足的通道，可使用发光的光纤探头将探头尖端下方的头发拨至一侧。</li>
			<li>然后，进一步将探头推入插槽以获得足够的信号。重复此过程，直至 NIRS 测量系统的探头组监测窗口中所有通道均显示为绿色，表明信号质量达到可接受水平。</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>运行实验
	<ol>
		<li>以 5 分钟静息状态开始实验，作为基线。随后，要求两名受试者共同学习学习材料。</li>
		<li>实验结束后，点击 文本文件输出（Text File Out） 导出原始光强数据，并将数据保存为文本文件。 
		注意：NIRS 测量系统中未应用任何滤波器。</li>
		<li>使用三维（3D）数字化仪（见 材料表）确定每位受试者发射器、接收器及其他参考点（即枕外隆凸、鼻根点、Cz 点以及左右耳）的位置。
		<ol>
			<li>使用商用数值计算平台21（见 材料表）获取记录通道的 MNI 坐标。补充表 S1 列出了各通道对应的解剖学位置。</li>
		</ol>
		</li>
		<li>用乙醇清洁探头和探头支架。用温和的清洁剂清洗帽具，并让其自然风干。</li>
	</ol>
	</li>
</ol>
3. 数据分析
<ol>
	<li>数据预处理 
	注意：先前的研究采用了多种非商业软件包（例如 Homer222、AnalyzIR23 或 nirs LAB24），结合数值计算平台（参见材料表）对 fNIRS 数据进行分析，这些软件均可在网站上获取。本文使用 Homer2 对 NIRS 数据进行预处理。此外，在静息阶段和协作学习阶段采集的 fNIRS 记录数据均采用相同的预处理与分析流程。
	<ol>
		<li>从 fNIRS 设备复制数据集。将原始数据格式转换为适当格式（即，将 cvs 文件转换为 nirs 文件）。</li>
		<li>使用数值计算平台中提供的“hmrIntensity2OD”函数将原始数据转换为光密度（OD）数据（参见材料表）。</li>
		<li>删除异常通道。然后分别对每位参与者在每个通道及全部采样点上的 OD 值进行平均。 
		注意：此处共获得 46 个平均 OD 值。
		<ol>
			<li>计算每位参与者的标准差（SD）。</li>
			<li>将每位参与者中光密度过低或过高（超出 5 倍标准差）的通道标记为无效并从分析中移除。 
			注意：此步骤可在 fNIRS 数据预处理之前和/或之后执行。在本数据分析流程中，异常通道在 fNIRS 数据预处理前即被检测。</li>
		</ol>
		</li>
		<li>基于修正的比尔-朗伯定律25，将 OD 时间序列数据转换为氧合血红蛋白（Oxy-Hb）、脱氧血红蛋白（DeOxy-Hb）以及联合信号。 
		注意：参考文献25指出，“所有数据分析步骤均在 Oxy-Hb 数据上进行，因其作为局部脑血流变化的指标具有更高的信噪比26。此外，以往研究在教学与学习情境下的 fNIRS 超扫描主要关注 Oxy-Hb 浓度11,12,13,14。”</li>
		<li>采用基于小波的逐通道方法对 Oxy-Hb 时间序列进行校准，以消除运动伪影。 
		注意：具体而言，采用 Daubechies 5 (db5) 小波，调谐参数设为 0.1（详见 Homer2 手册）27,28，以去除运动伪影。</li>
		<li>对校准后的 Oxy-Hb 数据应用带通滤波（即 0.01–1 Hz），以降低高频噪声和缓慢漂移。</li>
		<li>对 Oxy-Hb 信号进行主成分分析（PCA），以去除非神经性全局成分（如血压、呼吸和血流变化）29。 
		注意：此处采用 Zhang 及其同事提出的 PCA 分析方法29。
		<ol>
			<li>首先，对信号进行分解。 
			注意：fNIRS 信号分解的具体公式为：H = UΣVT。其中，fNIRS 数据的时间和空间模式分别体现在两个矩阵（即 U 和 V）中。U 是一个二维（采样点 × 主成分）矩阵，V 也是一个二维（主成分 × 主成分）矩阵。V 的每一列表示一个主成分（PC），该主成分在特定通道中的强度由该列中每个元素估计。每个主成分的相对重要性由对角矩阵 Σ 中的数值表示。</li>
			<li>其次，进行空间平滑。 
			注意：采用高斯核卷积以去除局部信号，提取全局成分。</li>
			<li>第三，重构信号。 
			注意：为计算 fNIRS 数据的全局成分，将平滑后的空间模式矩阵 V* 代回分解公式：HGlobal = UΣ(V*)T。然后，通过原始数据 H 减去 HGlobal 得到局部神经源信号：HNeuronal = H - HGlobal。</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>脑间同步性 
	注意：为揭示第二人称神经科学中的脑耦合，本文采用小波变换相干性（WTC）。简而言之，WTC 衡量两个时间序列在频率和时间上的相关性。两个时间序列 x 和 y 的小波相干性具体公式为： 
	<img alt="小波变换相干性公式 WTC(t, s)，用于信号分析的数学方程。" src="/files/ftp_upload/62777/62777eq01.jpg" data-altupdatedat="1788282455000" data-alt="公式 1"> 
	T 和 s 分别表示时间和小波尺度，‹·› 表示在尺度和时间上的平滑操作，W 表示连续小波变换。随后生成一个二维（时间 × 频率）的 WTC 矩阵30。有多种工具箱可用于计算 WTC 值，本文使用 Grinsted 及其同事开发的工具箱30。
	<ol>
		<li>采用数值计算平台中的 WTC 函数（参见材料表）。 
		注意：此处使用母小波的默认设置（即广义 Morse 小波，其参数为 beta 和 gamma）。母小波将每个时间序列转换至频率和时间域。</li>
		<li>设置其他参数的默认值（即 MonteCarloCount，表示显著性计算中替代数据集的数量）。</li>
		<li>在数值计算平台中（参见材料表）计算两个对应通道（两名参与者中的相同通道）之间的 WTC 值。按照相同流程，从 46 个通道生成 46 个 WTC 矩阵。</li>
		<li>确定对协作学习敏感的感兴趣频段（FOI）。 
		注意：此处采用基于聚类的置换方法检测该 FOI31，以解决多通道和多频率数据中的多重比较问题。
		<ol>
			<li>分别对静息阶段和协作学习阶段中每个通道组合的 WTC 值进行时间平均。然后，在整个频率范围（0.01–1 Hz32）上对这些时间平均的 WTC 值进行配对样本 t 检验（协作学习 vs. 静息）。接着，识别任务效应显著的频率区间（协作学习 > 静息，p < 0.05）。</li>
			<li>将显著频率邻近点（≥2）作为观测到的聚类，并获取相应的 T 值。</li>
			<li>对置换数据进行一系列配对样本 t 检验，对第 3.2.4.2 步中合格的每个聚类重复 1000 次，生成各聚类的 T 值。 
			注意：为生成置换数据，参与者被随机分配以形成新的双人配对。由于每对随机组合的数据集长度不同，较长的数据集将被截断至与较短者相同长度33。</li>
			<li>将原始配对中基于聚类的平均 T 值与 1000 次置换得到的 T 值进行比较。 
			注意：通过以下公式评估 p 值34： 
			<img alt="误差函数方程；erfc((|so-μp|/σp√2))；统计分析方法。" src="/files/ftp_upload/62777/62777eq02.jpg" data-altupdatedat="1788282455000" data-alt="公式 2">，其中 S0 表示观测到的聚类平均 t 值，μp 和 σp 分别表示置换值的均值和标准差。</li>
			<li>在每对组合的每个通道中，对识别出的 FOI 内的 WTC 值进行平均。然后对 WTC 值进行 Fisher z 变换，以获得正态分布的 WTC 值。使用该值作为脑间同步性（IBS）的指标，用于后续统计分析。</li>
		</ol>
		</li>
	</ol>
	</li>
</ol>

作者无任何利益冲突需要披露。

首先，本方案详细阐述了在协作学习情境下开展功能性近红外光谱（fNIRS）超扫描实验的具体步骤。其次，还介绍了用于评估协作学习二人组血流动力学信号脑间同步性（IBS）的数据分析流程。对fNIRS超扫描实验操作的详细说明将有助于推动开放科学的发展。此外，本文提供该分析流程以提高超扫描研究的可重复性。下文将重点讨论fNIRS超扫描实验在实验设计、实验实施和数据分析中的关键问题，并探讨当前局限性可能的解决方案。
实验设计 
本研究中功能性近红外光谱（fNIRS）超扫描实验的设计具有灵活性。此处，fNIRS超扫描技术被应用于协作学习情境中。两名参与者被要求共同学习图形矩阵的特定规则，同时使用fNIRS同步记录其脑部活动。该方法使研究人员能够探究协作学习对中实时同步的神经动态（即脑间同步性，IBS）。根据以往研究，IBS已在教学情境中被检测到，并可追踪有效的教学模式11。在协作学习对中检测到的神经对齐可能构成成功学习的潜在神经机制，并为设计高效的协作学习模式提供启示。同时，实验设计中需关注若干关键问题：...

近年来，为了揭示互动二人组或群体成员之间同时发生的脑活动，研究人员采用了超扫描（hyperscanning）方法1,2。具体而言，脑电图（EEG）、功能磁共振成像（fMRI）和功能近红外光谱成像（fNIRS）被用于同时记录两名或更多受试者的神经与脑活动3,4,5。研究人员基于该技术提取出一种包含同步脑耦合的神经指标，即脑间同步性（inter-brain synchrony, IBS）（指神经或血流动力学信号在时间上的相位和/或振幅对齐）。大量超扫描研究表明，在多个个体之间的社会互动过程中存在脑间同步性（例如表演者-观众、教师-学习者、领导者-追随者等）6,7,8。此外，脑间同步性对有效学习与教学具有特定意义9,10,11,12,13,14。随着在自然学习情境中开展的超扫描研究日益增多，建立该领域内超扫描实验的标准操作流程及数据分析流程变得十分必要。
因此，本文提供了一种基于功能性近红外光谱成像（fNIRS）的协作学习二人组超扫描实验方案，以及用于分析脑间同步性（IBS）的数据分析流程。fNIRS 是一种光学成像工具，通过发射近红外光间接评估血红蛋白的光谱吸收特性，从而测量血流动力学/氧合活动15,16,17。与功能性磁共振成像（fMRI）相比，fNIRS 对运动伪影的敏感性较低，因此可用于测量受试者在进行真实生活情境实验时（例如模仿、交谈和非语言交流）的脑活动18,7,19。与脑电图（EEG）相比，fNIRS 具有更高的空间分辨率，使研究者能够更准确地定位大脑活动区域20。因此，fNIRS 在空间分辨率、操作便利性和可行性方面的优势，使其适用于开展超扫描测量1。利用该技术，越来越多的研究开始关注一个指标——脑间同步性（IBS），即两个（或多个）个体大脑活动的神经对齐现象——在多种自然社会互动情境中的表现9,10,11,12,13,14。在这些研究中，研究者采用了多种方法（如相关性分析和小波变换相干性（WTC）分析）来计算该指标；然而，目前尚缺乏统一的标准分析流程。因此，本研究提出了一套基于 fNIRS 的超扫描实验操作规程，并建立了一个使用 WTC 分析识别 IBS 的标准化分析流程。
本研究旨在利用功能性近红外光谱（fNIRS）超扫描技术评估协作学习对中个体间的脑间同步性（IBS）。首先，在协作学习任务期间，同步记录每对参与者前额叶和左侧颞顶区域的血流动力学反应。这些脑区已被证实与互动式教学和学习过程相关9,10,11,12,13,14。其次，在每一对对应的通道上计算脑间同步性（IBS）。fNIRS数据记录过程包括两个阶段：静息态阶段和协作阶段。静息态阶段持续5分钟，期间两名参与者（面对面而坐，中间隔有一张0.8米的桌子）需保持静止并放松。该静息态阶段作为基线数据。随后进入协作阶段，要求参与者共同学习全部学习材料，通过理解内容、总结规律，确保全面掌握所有学习内容。本文将详细介绍实验实施的具体步骤以及fNIRS数据的分析方法。

<table><tbody><tr><td>脑电帽</td><td>Compumedics Neuroscan,Charlotte,USA</td><td>64通道快速脑电帽</td><td>我们选择两种尺寸的脑电帽（即中号和大号）。</td></tr><tr><td>配备探头组和探头固定网格的近红外光谱测量系统</td><td>Hitachi Medical Corporation, Tokyo, Japan</td><td>ETG-7100 光学层析成像系统</td><td>本研究方案需要一个可选的第二套成人探头组，总共实现92个通道的测量。</td></tr><tr><td>数值计算平台</td><td>The MathWorks, Inc., Natick, MA</td><td>MATLAB R2020a</td><td>作为心理物理学工具箱扩展程序（刺激呈现）、Homer2&amp;nbsp;（fNIRS预处理分析）以及&quot;wtc&quot;函数（WTC计算）的基础平台。</td></tr><tr><td>心理学实验软件</td><td>psychology software tools,Sharpsburg, PA,USA</td><td>E-prime 2.0</td><td>我们使用E-prime启动fNIRS测量系统，并发送标记静息阶段和协作学习阶段的触发信号，用于fNIRS数据记录。</td></tr><tr><td>泳帽</td><td>Zoke corporation,Shanghai,China</td><td>611503314</td><td>我们首先将标准10-20系统脑电帽戴在头模上，再将泳帽套在脑电帽外；其次，用粉笔标记（枕外隆凸、Cz、T3、T4、前额叶皮层区和P5）等位置。</td></tr><tr><td>三维（3-D）数字化仪</td><td>Polhemus, Colchester, VT, USA;</td><td>三维（3-D）数字化仪</td><td>使用Patriot 3D数字化仪确定每位受试者光极在标准头部解剖标志点上的解剖位置。</td></tr></tbody></table>

开放性协作学习中的脑间同步性：一项基于fnirs超扫描的研究

Inter-Brain Synchrony in Open-Ended Collaborative Learning: An fNIRS-Hyperscanning Study

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

图1展示了实验流程和探头位置。fNIRS数据记录过程包括两个部分：静息态阶段（5分钟）和协作阶段（15-20分钟）。在静息态阶段，要求协作学习的成对参与者保持放松并静止不动。随后，参与者被要求共同学习学习材料（图1A）。其前额叶和左侧颞顶区域由相应的探头组覆盖（图1B）。
图2 展示了fNIRS数据分析流程。fNIRS数据分析应用于每位参与者、每个通道记录的所有fNIRS数据。首先，可视化某一特定配对在通道33的探头密度 图2A. 通过fNIRS测量系统，以46个通道（CHs）记录每组协作学习二人组的光极密度。第二，按照步骤3.1.5和3.1.7中明确的操作，准备可用于WTC分析的有效数据。其中，红色曲线代表通过基于小波的运动伪影去除方法提取的数据；蓝色曲线代表同时经过基于小波的运动伪影...

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

开放性协作学习中的脑间同步性：一项基于fNIRS超扫描的研究

fNIRS 超扫描技术被广泛用于检测社会互动的神经生物学基础。利用该技术，研究人员可以量化……

本方案通过功能性近红外光谱（fNIRS）超扫描技术，揭示自然环境下协作二人组间的脑间同步性。该技术的显著优势在于能够实时研究两个或多个相互作用的大脑动态过程。在实验开始前，应先启动近红外光谱系统，使其达到稳定的运行温度，然后使用弹性泳帽固定探头支架网格，并按照文本稿件中的描述准备NIRS帽。对于信号不足的通道，使用带照明的光纤探头将探头尖端下方的毛发拨至一侧。待工作温度稳定后，确保触发接收器处于激活状态，并将测量模式设置为事件相关测量。准备好带照明的光纤探头以拨开毛发。向参与者说明近红外光谱（NIRS）测量方法的详细信息，并告知其切勿直视激光束，因为激光可能对眼睛造成伤害。让参与者面对面就座，以确保他们能够直接看到对方，并调整座椅与桌子之间的距离，使参与者坐姿舒适。打开激光按钮，将四束光纤松散地放置在支架臂上，避免与参与者或椅子接触；将装有探头组的帽套戴在参与者的头部，确保3×5探头组覆盖参与者的前额区域，4×4探头组覆盖左侧颞顶皮层区域；然后小心地将每个弹簧加载探头进一步推入探头插座中，使探头尖端接触参与者的头皮。然后让两名参与者共同学习学习材料，并设置五分钟的静息状态作为基线。首先，为检查信号质量，在功能近红外光谱仪的探头集监控窗口中点击自动增益，随后将信号较差的通道标记为黄色，信号充足的通道标记为绿色，并重复此步骤，直至所有通道均显示为绿色。实验结束后，点击“文本文件输出”以导出原始光强度数据，并将数据保存为文本文件。使用三维数字化仪确定每位受试者的发射器、接收器及其他参考点的位置，然后利用 commercially available numeric computing platform 获取记录通道的MNI坐标。对每位受试者在每个通道中的数据进行分析。对某一特定配对在通道33中的光密度进行了可视化处理。采用基于小波的运动伪影去除方法，单独使用以及结合主成分分析（PCA）对数据进行提取。曲线之间的差异表明，PCA 在去除非神经信号方面具有较高效率。对小波变换相干性矩阵进行了可视化展示。颜色图谱从蓝色变化到黄色，代表脑间同步值从零到一的范围，其中一表示两个信号之间最大的相干性，零表示无相干性。此外，还获得了显著性系数，约一赫兹附近的强相干性反映了二人组的心率相干性。观察到的 T 值与随机 T 值分布的比较显示，在特定频段内具有显著性结果。必须确保探针组覆盖目标区域，并尽量减少偏差。

inter-brain-synchrony-open-ended-collaborative-learning-an-fnirs

Research

科研

JoVE Journal

Neuroscience

神经科学

开放式协作学习中的脑间同步:fNIRS超扫描研究

本方案描述了如何开展功能性近红外光谱（fNIRS）超扫描实验并分析脑-脑同步性，同时讨论了相关挑战及可能的解决方案。...

使用功能性近红外光谱技术进行超扫描实验

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。...

如何在fNIRS超扫描研究中计算和验证脑间同步性

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。...

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

本实验方案结合功能性近红外光谱成像（fNIRS）与基于视频的观察，用于测量四人小组在协作绘图任务中的人际同步性。...

使用功能性近红外光谱技术研究协作绘画过程中的群体同步性

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。...

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

本方案描述了如何在家庭环境中从婴儿-照顾者配对中同步采集脑电图、心电图和行为记录。...

基于家庭环境的婴儿-照料者社交互动脑电超扫描

本方案旨在详细描述在心理咨询中开展fNIRS超扫描研究的方法学，包括实验准备、数据采集过程以及后续的数据分析流程。...

功能性近红外光谱超扫描在心理咨询中的研究

MazeSuite 是一套完整的工具集，用于准备、呈现和分析导航与空间实验。功能性近红外光谱成像（fNIR）是一种光学脑成像技术，可实现对大脑血氧变化的无创、便携式监测。本文总结了在认知加工学习范式中联合使用 MazeSuite 与 fNIR...

使用MazeSuite和功能性近红外光谱技术研究空间导航中的学习过程

理解脊椎动物中枢神经系统功能需要对大量神经元进行记录，因为皮层功能是在神经元群体水平上产生的。本文描述了一种光学方法，可实现单细胞和单动作电位分辨率的阈上神经活动记录，即抖动式随机访问扫描技术。该方法能够以高时间分辨率记录多达100个神经元的胞体荧光钙信号。通过最大似然算法，从胞体荧光钙信号中反卷积出潜在的阈上神经活动。该方法可高效率、低假阳性率地可靠检测动作电位，适用于神经元群体活动的研究 关键词：中枢神经系统，神经元群体，光学记录，单细胞分辨率，单动作电位检测，钙成像，抖动式随机访问扫描，最大似然反卷积 体外 和 在体.

以单细胞和单峰分辨记录超阈值神经活动的光学成像

我们采用脑磁图和脑电图（MEG/EEG），结合磁共振成像（MRI）获取的解剖学信息，来绘制与听觉注意相关的皮层网络动态图谱。...

利用同步脑磁图/脑电图与基于解剖约束的最小范数估计绘制皮层动态：以听觉注意为例

了解使用功能性近红外光谱超扫描技术测量协作学习中的脑间同步方法。本研究通过氧合血红蛋白信号分析双人实时脑活动动态，为认知神经科学提供可靠实验方案。

开放性协作学习中的脑间同步性：一项基于fNIRS超扫描的研究

探索更多视频