Methodenartikel

Inter-Brain Synchrony im offenen kollaborativen Lernen: Eine fNIRS-Hyperscanning-Studie

DOI:

10.3791/62777

⸱

21. Juli 2021

 ,  , 
1School of Psychology and Cognitive Science, East China Normal University, 2Shanghai Key Laboratory of Mental Health and Crisis Intervention, East China Normal University

In diesem Artikel

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Das Protokoll zur Durchführung von fNIRS-Hyperscanning-Experimenten an kollaborativen Lerndyaden in einer naturalistischen Lernumgebung wird skizziert. Darüber hinaus wird eine Pipeline zur Analyse der Inter-Brain Synchrony (IBS) von sauerstoffhaltigen Hämoglobin (Oxy-Hb) -Signalen vorgestellt.

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

fNIRS-Hyperscanning wird häufig verwendet, um die neurobiologischen Grundlagen der sozialen Interaktion zu erkennen. Mit dieser Technik qualifizieren die Forscher die gleichzeitige Gehirnaktivität von zwei oder mehr interaktiven Individuen mit einem neuartigen Index namens Inter-Brain-Synchrony (IBS) (dh Phasen- und / oder Amplitudenausrichtung der neuronalen oder hämodynamischen Signale im Laufe der Zeit). Ein Protokoll zur Durchführung von fNIRS-Hyperscanning-Experimenten an kollaborativen Lerndyaden in einer naturalistischen Lernumgebung wird hier vorgestellt. Darüber hinaus wird eine Pipeline zur Analyse des IBS des oxygenierten Hämoglobinsignals (Oxy-Hb) erläutert. Insbesondere werden das experimentelle Design, der Prozess der NIRS-Datenaufzeichnung, Datenanalysemethoden und zukünftige Richtungen diskutiert. Insgesamt ist die Implementierung einer standardisierten fNIRS-Hyperscanning-Pipeline ein grundlegender Bestandteil der Neurowissenschaften der zweiten Person. Dies steht auch im Einklang mit der Forderung nach Open Science, um die Reproduzierbarkeit der Forschung zu unterstützen.

Einleitung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Um die gleichzeitige Gehirnaktivität zwischen den interaktiven Dyaden oder Mitgliedern einer Gruppe aufzudecken, wenden forscher kürzlich den Hyperscanning-Ansatz1,2 an. Insbesondere elektroenzephalogramm (EEG), funktionelle Magnetresonanztomographie (fMRT) und funktionelle Nahinfrarotspektroskopie (fNIRS) werden verwendet, um die neuronalen und Gehirnaktivitäten von zwei oder mehr Probanden gleichzeitig aufzuzeichnen3,4,5. Die Forscher extrahieren einen neuronalen Index, der eine gleichzeitige Gehirnkopplung beinhaltet, basierend auf dieser Technik, die sich auf die Inter-Hirn-Synchronie (IBS) bezieht (dh Phasen- und / oder Amplitudenausrichtung der neuronalen oder hämodynamischen Signale über die Zeit). Eine Vielzahl von Hyperscanning-Untersuchungen ergab IBS während der sozialen Interaktion zwischen mehreren Personen (z. B. Spieler-Publikum, Ausbilder-Lerner und Leader-Follower)6,7,8. Darüber hinaus enthält IBS spezifische Implikationen des effektiven Lernens und Unterrichts9,10,11,12,13,14. Mit dem Anstieg der Hyperscanning-Forschung in naturalistischen Lernszenarien ist die Etablierung eines Standardprotokolls für Hyperscanning-Experimente und die Pipeline der Datenanalyse in diesem Bereich notwendig.

Somit bietet dieses Papier ein Protokoll für die Durchführung von fNIRS-basiertem Hyperscanning von kollaborativen Lerndyaden und eine Pipeline zur Analyse von IBS. fNIRS ist ein optisches Bildgebungswerkzeug, das nahinfrarotes Licht abstrahlt, um die spektrale Absorption von Hämoglobin indirekt zu beurteilen, und dann wird die hämodynamische / Oxygenierungsaktivität gemessen15,16,17. Im Vergleich zu fMRT ist fNIRS weniger anfällig für Bewegungsartefakte, was Messungen von Probanden ermöglicht, die reale Experimente durchführen (z. B. Nachahmung, Sprechen und nonverbale Kommunikation)18,7,19. Im Vergleich zum EEG hat fNIRS eine höhere räumliche Auflösung, so dass Forscher den Ort der Gehirnaktivität nachweisenkönnen 20. Somit qualifizieren diese Vorteile in bezug auf räumliche Auflösung, Logistik und Machbarkeit fNIRS für die Durchführung von Hyperscanning-Messungen1. Mit dieser Technologie erkennt eine aufstrebende Forschungseinrichtung einen Indexbegriff als IBS - die neuronale Ausrichtung der Gehirnaktivität von zwei (oder mehr) Menschen - in verschiedenen Formen naturalistischer sozialer Einstellungen9,10,11,12,13,14. In diesen Studien werden verschiedene Methoden (z. B. Korrelationsanalyse und Wavelet-Transformationskohärenz-Analyse (WTC) angewendet, um diesen Index zu berechnen; In der Zwischenzeit ist eine Standardpipeline für eine solche Analyse unerlässlich, aber es fehlt. Als Ergebnis wird in dieser Arbeit ein Protokoll zur Durchführung von fNIRS-basiertem Hyperscanning und eine Pipeline mit WTC-Analyse zur Identifizierung von IBS vorgestellt.

Diese Studie zielt darauf ab, IBS in kollaborativen Lerndyaden mit der fNIRS-Hyperscanning-Technik zu bewerten. Zunächst wird eine hämodynamische Reaktion gleichzeitig in den präfrontalen und linken temporoparietalen Regionen jeder Dyade während einer kollaborativen Lernaufgabe aufgezeichnet. Diese Regionen wurden als mit interaktivem Lehren und Lernen assoziiertidentifiziert 9,10,11,12,13,14. Zweitens wird das IBS auf jedem entsprechenden Kanal berechnet. Der fNIRS-Datenaufzeichnungsprozess besteht aus zwei Teilen: Ruhezustandssitzung und kollaborative Sitzung. Die Ruhezustandssitzung dauert 5 Minuten, in der beide Teilnehmer (von Angesicht zu Angesicht, getrennt von einem Tisch (0,8 m)) still bleiben und sich entspannen müssen. Diese Ruhezustandssitzung wird als Baseline bereitgestellt. Dann, in der kollaborativen Sitzung, werden die Teilnehmer aufgefordert, die gesamten Lernmaterialien gemeinsam zu studieren, Verständnis hervorzurufen, die Regeln zusammenzufassen und sicherzustellen, dass alle Lernmaterialien gemeistert werden. Hier werden die spezifischen Schritte der Durchführung des Experiments und der fNIRS-Datenanalyse vorgestellt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Alle rekrutierten Teilnehmer (40 Dyaden, Durchschnittsalter 22,1 ± 1,2 Jahre; 100% Rechtshänder; normales oder korrigiertes Sehvermögen) waren gesund. Vor dem Experiment gaben die Teilnehmer ihre Einwilligung nach Aufklärung. Die Teilnehmer wurden für ihre Teilnahme finanziell entschädigt. Die Studie wurde vom University Committee of Human Research Protection (HR-0053-2021), East China Normal University, genehmigt.

1. Vorbereitungsschritte vor der Datenannahme

  1. Hausgemachte NIRS-Kappen
    1. Nehmen Sie eine elastische Schwimmkappe an, um das Optodenhaltergitter zu platzieren.
      HINWEIS: In Anbetracht der Tatsache, dass die Kopfgrößen der Teilnehmer unterschiedlich sind, werden zwei Größen von Kappen verwendet. Small Caps werden für Teilnehmer mit einem Kopfumfang von 55,4 ± 1,1 cm und Large Caps für die Teilnehmer mit einem Kopfumfang von 57,9 ± 1,2 cm vorbereitet.
    2. Verankern Sie die Lage der EEG-Elektroden (Inion, Cz, T3, T4, Fpz und P5) als Referenzopoden nach dem internationalen Standard 10-10 System auf elastischen Badekappen (siehe Materialtabelle).
      1. Legen Sie zuerst die Standard-10-10-EEG-Kappe (siehe Materialtabelle)auf die Kopfform und legen Sie die elastische Schwimmkappe auf die EEG-Kappe. Zweitens, markieren Sie Referenzoptoden (Inion, Cz, T3, T4, Fpz und P5) mit Kreide auf jeder Kappe. Schneiden Sie schließlich zwei Löcher mit einem Durchmesser von etwa 15 mm, um die beiden Referenzopoden zu platzieren (d. h. Fpz und P5, Abbildung 1).
        HINWEIS: Insbesondere werden ein 3 x 5-Optodensondensatz und ein 4 x 4-Optodensondensatz separat über dem präfrontalen Bereich (Referenzoptode befindet sich in Fpz, Abbildung 1B)und den linken temporoparietalen Bereichen (Referenzoptopode ist in P5, Abbildung 1B)platziert.
    3. Schneiden Sie Löcher, um die anderen Optoden zu platzieren. Ordnen Sie eine Badekappe mit zwei Gitterhaltern direkt auf der Kopfform an. Markieren Sie dann die Position anderer Optoden mit Kreide. Schneiden Sie danach die Restlöcher ab, um sicherzustellen, dass der Gitterhalter hineinpasst.
    4. Montieren Sie zwei Sondensätze (d.h. 3 x 5 und 4 x 4) an den Badekappen (siehe Materialtabelle).
      HINWEIS: Das NIRS-Messsystem (siehe Materialtabelle)bietet diese Standard-Sondensätze (d. h. 3 x 5 und 4 x 4) mit Standard-Halterbuchsen, die die 30-mm-Optodentrennung gewährleisten.
    5. Öffnen Sie das Monitorfenster des Sondensatzes am NIRS-Messsystem und wählen Sie für jede Person vier Sondensätze aus, die in 3 x 5 und 4 x 4 angeordnet sind.
      HINWEIS: Die Sondenanordnungen der beiden Kappen sollten den Strukturen im Sondensetfenster entsprechen (d.h. der genauen Position der Empfängersondennummern und des jeweiligen Senders).
  2. Vorbereitung des Experiments
    1. Stellen Sie vor der Datenerfassung sicher, dass das NIRS-System eine stabile Betriebstemperatur beibehält, indem Sie das System für mindestens 30 Minuten starten.
      HINWEIS: Die stabile Betriebstemperatur reichte von 5 °C bis 35 °C.
    2. Stellen Sie den Messmodus auf ereignisbezogene Messung ein. Stellen Sie sicher, dass der Triggerempfänger aktiv ist (d. h. der serielle RS232-Eingang).
      HINWEIS: Das Experiment ist in kommerziell erhältlicher psychologischer Software programmiert (siehe Materialtabelle). Die Absorption von Nahinfrarotlicht (zwei Wellenlängen: 695 und 830 nm) wird mit einer Abtastrate von 10 Hz gemessen.
    3. Bereiten Sie die beleuchtete Glasfasersonde vor, mit der Sie das Haar zur Seite bewegen können.
    4. Stellen Sie die Experimentumgebung mit einem Tisch mit zwei Stühlen ein, um die Sitze der Teilnehmer von Angesicht zu Angesicht zu halten.

2. Übernahme von Daten durch Instruktion der Teilnehmer

  1. Bereiten Sie die Teilnehmer vor
    1. Instruktion der Teilnehmer, einschließlich der Details der NIRS-Messmethoden.
      HINWEIS: Alle Teilnehmer waren gesund und wurden für die Teilnahme finanziell entschädigt. Kein Teilnehmer zog sich auf halbem Weg aus dem Experiment zurück. Der Laserstrahl des NIRS kann für die Augen der Teilnehmer schädlich sein, und sie wurden angewiesen, nicht direkt in diese Laserstrahlen zu schauen.
    2. Lassen Sie die Teilnehmer von Angesicht zu Angesicht sitzen (abgesehen von einem Tisch (0,8 m)), um sicherzustellen, dass sie sich direkt sehen können. Stellen Sie den Abstand vom Stuhl zum Tisch (d. h. fast 0,3 m) ein, damit die Teilnehmer bequem sitzen.
    3. Schalten Sie die Lasertaste ein und legen Sie die Kappen mit den Sondensets auf die Köpfe der Teilnehmer.
      HINWEIS: Die 3 x 5 Sondensets bedecken die Stirn der Teilnehmer (die mittlere Sonde der unteren Reihe wird auf Fpz platziert); die 4 x 4 Sondensets decken den linken temporoparietalen Kortex ab (die dritte Sonde der dritten Reihe befindet sich auf P5).
    4. Legen Sie die vier Glasfaserbündel locker auf die Arme des Halters, ohne Kontakt zu den Teilnehmern oder Stühlen.
      HINWEIS: Hier verfügt das NIRS-Messsystem über vier Bündel optischer Fasern. Stellen Sie außerdem sicher, dass sich die Teilnehmer nicht zu schwer fühlen, um die Kappen abzuziehen.
    5. Lassen Sie die Sondenspitzen die Kopfhaut der Teilnehmer berühren, indem Sie jede Federlastsonde vorsichtig weiter in ihreN Sockel drücken.
    6. Führen Sie die Signalkalibrierung durch.
      1. Überprüfen Sie zunächst die Qualität des Signals, indem Sie im Monitorfenster des Tastkopfsatzes der fNIRS-Maschine auf die automatische Verstärkung klicken. Dann werden das schlechte Signal und das ausreichende Signal eines Kanals im Monitorfenster des Sondensatzes gelb bzw. grün markiert.
        HINWEIS: Für einen Kanal mit unzureichenden Signalen werden beleuchtete faseroptische Sonden verwendet, um das Haar unter der Spitze der Sonde zur Seite zu bewegen.
      2. Schieben Sie dann die Sonden weiter in ihre Buchsen, um genügend Signale zu erhalten. Wiederholen Sie diesen Vorgang, bis alle Kanäle im Monitorfenster des Sondensets des NIRS-Messsystems grün markiert sind, um anzuzeigen, dass die Qualität der Signale zugänglich ist.
  2. Ausführen des Experiments
    1. Beginnen Sie das Experiment mit einem Ruhezustand von 5 Minuten, der als Basislinie dient. Dann müssen zwei Teilnehmer die Lernmaterialien gemeinsam lernen.
    2. Klicken Sie nach dem Experiment auf Textdateiausgang, um die rohen Lichtintensitätsdaten zu exportieren und die Daten als Textdatei zu speichern.
      HINWEIS: Im NIRS-Messsystem werden keine Filter angewendet.
    3. Verwenden Sie den dreidimensionalen (3D) Digitizer (siehe Materialtabelle),um die Positionen von Sendern, Empfängern und anderen Referenzen (z. B. Inion, Nasion, Cz und linkes und rechtes Ohr) für jeden Teilnehmer zu bestimmen.
      1. Erhalten Sie die MNI-Koordinaten für die Aufzeichnungskanäle mit der handelsüblichen numerischen Rechenplattform21 (siehe Materialtabelle). Die Ergänzungstabelle S1 zeigt die entsprechenden anatomischen Lagen jedes Kanals.
    4. Reinigen Sie Sonden und Sondenhalter mit Ethanol. Kappen mit mildem Reinigungsmittel waschen und die Kappen an der Luft trocknen lassen.

3. Datenanalyse

  1. Datenvorverarbeitung
    HINWEIS: Frühere Forschungen haben variable nicht-kommerzielle Softwarepakete übernommen (z. B. Homer222, AnalysierenIR23, oder nirs LAB24) mit numerischen Rechenplattformen (siehe Tabelle der Materialien) auf fNIRS-Datenanalyse, und sie sind alle auf der Website verfügbar. Hier wurde Homer2 verwendet, um die Vorverarbeitung der NIRS-Daten durchzuführen. Darüber hinaus teilen sich sowohl die in den übrigen als auch in der kollaborativen Lernphase gesammelten fNIRS-Aufzeichnungsdaten die gleiche Vorverarbeitungs- und Analysepipeline.
    1. Kopieren Sie das Dataset vom fNIRS-Computer. Konvertieren Sie die ursprüngliche Datenformation in die richtige Formation (d. H. Konvertieren Sie die CVS-Datei in eine NIRS-Datei).
    2. Konvertieren Sie Rohdaten in Daten der optischen Dichte (OD) mit der Funktion "hmrIntensity2OD", die in der numerischen Rechenplattform bereitgestellt wird (siehe Tabelle der Materialien).
    3. Löschen Sie die fehlerhaften Kanäle. Dann wird der OD-Wert für jeden Teilnehmer auf jedem Kanal bzw. für vollständige Stichprobenpunkte gemittelt.
      HINWEIS: Hier werden 46 gemittelte OD-Werte ermittelt.
      1. Berechnen Sie die Standardabweichung (SD) für jeden Teilnehmer.
      2. Markieren Sie dies als unbrauchbar und entfernen Sie die Kanäle mit sehr niedrigem oder hohem OD (der 5 SDs überschritten hat) aus der Analyse für jeden Teilnehmer.
        HINWEIS: Dieser Schritt kann vor und/oder nach der fNIRS-Datenvorverarbeitung durchgeführt werden. In dieser Datenanalyse-Pipeline werden die fehlerhaften Kanäle vor der fNIRS-Datenvorverarbeitung erkannt.
    4. Konvertieren Sie die OD-Zeitdaten in Oxy-Hb, DeOxy-Hb und kombiniertes Signal basierend auf dem modifizierten Beer-Lambert-Gesetz25.
      HINWEIS: Referenz25 sagt: "Alle Datenanalyseschritte werden auf Oxy-Hb-Daten durchgeführt, die ein Indikator für die Veränderung des regionalen zerebralen Blutflusses mit einem höheren Signal-Rausch-Verhältnissind 26. Darüber hinaus wurde in früheren Forschungen fNIRS-Hyperscanning in Lehr- und Lernszenarien eingesetzt, die sich hauptsächlich auf die Oxy-Hb-Konzentration11,12,13,14konzentrierten. "
    5. Kalibrieren Sie Oxy-Hb-Zeitreihen aus Bewegungsartefakten mit der Kanal-für-Kanal-Wavelet-basierten Methode.
      HINWEIS: Insbesondere das Daubechies 5 (db5) Wavelet mit Deming-Parameter bei 0.1 (siehe Details im Homer2-Handbuch)27,28 wird beim Entfernen von Bewegungsartefakten übernommen.
    6. Wenden Sie den Bandpassfilter (d. h. 0,01-1 Hz) auf die kalibrierten Oxy-Hb-Daten an, um das hochfrequente Rauschen und die langsame Drift zu reduzieren.
    7. Führen Sie eine Hauptkomponentenanalyse (PCA) des OxyHb-Signals durch, um nicht-neuronale globale Komponenten (z. B. Blutdruck, Atmung und Blutflussschwankungen) zu entfernen29.
      HINWEIS: Die von Zhang und Kollegen29 vorgeschlagene PCA-Analyse wird hier angenommen.
      1. Zerlegen Sie zuerst das Signal.
        ANMERKUNG: Die spezifische Formel der Zerlegung des fNIRS-Signals lautet: H = UΣVT. Hier werden zeitliche und räumliche Muster von fNIRS-Daten in zwei Matrizen (d.h. u und V) dargestellt. U ist eine 2D-Matrix (Abtastpunkt x Hauptkomponente). V ist auch eine 2D-Matrix (Hauptkomponente x Hauptkomponente). Die Spalte in V gibt eine Hauptkomponente (PC) an, und die Stärke dieses PCs für einen bestimmten Kanal wird in jedem Eintrag der Spalte geschätzt. Die relative Bedeutung jedes PCs wird durch den Wert der Diagonalmatrix Σ dargestellt.
      2. Zweitens, führen Sie räumliche Glättung durch.
        HINWEIS: Die Gaußsche Kernelfaltung wird verwendet, um lokalisierte Signale zu entfernen und die globale Komponente abzurufen.
      3. Drittens, rekonstruieren Sie das Signal.
        HINWEIS: Um die globale Komponente der fNIRS-Daten zu berechnen, wird die geglättete räumliche Mustermatrix V* wieder in die Zerlegungsformel eingefügt: HGlobal = UΣ(V*)T. Dann kann ein lokalisiertes abgeleitetes neuronales Signal unter Verwendung der Originaldaten H erhalten werden, um HGlobal zu subtrahieren: HNeuronal = H - HGlobal.
  2. Inter-Gehirn-Synchronie
    HINWEIS: Um die Gehirnkopplung in den Neurowissenschaften der zweiten Person aufzudecken, wird hier die Wavelet-Transformationskohärenz (WTC) übernommen. Kurz gesagt, WTC misst die Korrelation zwischen zwei Zeitreihen als Funktion von Frequenz und Zeit. Die spezifische Formel der Wavelet-Kohärenz der zweifachen Reihen x und y lautet:
    figure-protocol-1
    T und s bezeichnen die Zeit- und Waveletskala getrennt, ‹·› zeigt einen Glättungsvorgang in Skala und Zeit an. W steht für die kontinuierliche Wavelet-Transformation. Dann wird eine 2D (Zeit x Frequenz) WTC-Matrix erzeugt30. Zur Berechnung des WTC-Wertes werden mehrere Toolboxen verwendet. Hier kam der von Grinsted und Kollegen erstellte Werkzeugkasten zum Einsatz30.
    1. Übernehmen Sie die WTC-Funktion der numerischen Rechenplattform (siehe Tabelle der Materialien).
      HINWEIS: Hier wird die Standardeinstellung des Mutter-Wavelets (d.h. Generalized Morse Wavelet mit seinen Parametern beta und gamma) verwendet. Das Mutter-Wavelet wandelt jede Zeitreihe in den Frequenz- und Zeitbereich um.
    2. Legen Sie die Standardeinstellung für die anderen Parameter fest (z. B. MonteCarloCount, das die Anzahl der Ersatzdatensätze in der Signifikanzberechnung darstellt).
    3. Berechnen Sie den WTC-Wert für zwei entsprechende Kanäle (den gleichen Kanal in zwei Teilnehmern) in einer numerischen Rechenplattform (siehe Materialtabelle). Nach dem gleichen Verfahren werden 46 WTC-Matrizen aus 46 Kanälen erzeugt.
    4. Bestimmen Sie das Frequenzband von Interesse (FOI), das für kollaboratives Lernen empfindlich ist.
      HINWEIS: Hier wird ein clusterbasierter Permutationsansatz zur Detektion eines solchen FOI31verwendet, der eine Lösung für Mehrfachvergleiche in Mehrkanal- und Multifrequenzdaten bietet.
      1. Führen Sie für jede Kanalkombination einen Zeitmittelwert der WTC-Werte in der Ruhephase bzw. in der kollaborativen Lernphase durch. Führen Sie dann gepaarte Stichproben-t-Testszusammen mit der gesamten Frequenz (Frequenzbereich: 0,01-1Hz32)auf diesen zeitgemittelten WTC-Werten (kollaboratives Lernen vs. Ruhe) durch. Als nächstes identifizieren Sie Häufigkeitsbehälter, bei denen der Aufgabeneffekt signifikant ist (kollaboratives Lernen > Rest, p < 0,05).
      2. Erhalten Sie signifikante Frequenznachbarpunkte (≥2) als beobachtete Cluster und entsprechende T-Werte.
      3. Führen Sie eine Reihe von gepaarten Stichproben-t-Testsmit permutierten Daten durch, um die T-Werte für jeden in Schritt 3.2.4.2 qualifizierten Cluster 1000 Mal zu generieren.
        HINWEIS: Für die Bildung permutierter Daten werden die Teilnehmer nach dem Zufallsprinzip zugewiesen, um neue Zwei-Mitglieder-Paare zu bilden. Da die Länge der Datensätze zwischen den Dyaden für jedes zufällige Paar variierte, wird der längere Datensatz auf die gleiche Länge wie der kürzeregekürzt 33.
      4. Vergleichen Sie die gemittelten clusterbasierten T-Werte aus Originalpaaren mit den T-Werten von 1000 Permutationen.
        ANMERKUNG: Die nach dieser Formel34ausgewerteten p-Werte :
        figure-protocol-2, wobei S0 den beobachteten gemittelten Cluster-t-Wert bezeichnet, μp und σp den Mittelwert und die Standardabweichung der Permutationswerte angeben.
      5. Durchschnittliche WTC-Werte im identifizierten FOI in jedem Kanal in jeder Dyade. Wenden Sie dann die fisher z-Transformation auf die WTC-Werte an, um eine Normalverteilung der WTC-Werte zu erhalten. Verwenden Sie diesen Wert, um das IBS für weitere statistische Analysen zu indizieren.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Abbildung 1 zeigt das experimentelle Protokoll und die Position der Sonde. Der fNIRS-Datenaufzeichnungsprozess besteht aus zwei Teilen: Ruhezustandssitzung (5 Min.) und Kollaborative Session (15-20 Min.). Die kollaborativen Lerndyaden werden benötigt, um sich zu entspannen und im Ruhezustand zu bleiben. Danach werden die Teilnehmer aufgefordert, das Lernmaterial gemeinsam zu lernen (Abbildung 1A). Ihre präfrontalen und linken temporoparietalen Regionen werden du...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Zunächst werden im vorliegenden Protokoll die spezifischen Schritte zur Durchführung von fNIRS-Hyperscanning-Experimenten in einem kollaborativen Lernszenario angegeben. Zweitens wird auch die Datenanalyse-Pipeline vorgestellt, die das IBS von hämodynamischen Signalen in kollaborativen Lerndyaden bewertet. Die detaillierte Operation zur Durchführung von fNIRS-Hyperscanning-Experimenten würde die Entwicklung von Open-Science fördern. Des Weiteren wird hier die Analyse-Pipeline bereitgestellt, um die Reproduzierbarkeit der...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren haben nichts preiszugeben.

Danksagungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Arbeit wird unterstützt durch das ECNU Academic Innovation Promotion Program for Excellent Doctoral Students (YBNLTS2019-025) und die National Natural Science Foundation of China (31872783 und 71942001).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
EEG-KappenCompumedics Neuroscan, Charlotte, USA64-Kanal Quik-CapWir wählen zwei Kappengrößen (d.h. mittel und groß).
NIRS-Messsystem mit Sondensets und SondenhaltergitternHitachi Medical Corporation, Tokio, JapanETG-7100 Optisches TopographiesystemDas aktuelle Studienprotokoll erfordert ein optionales zweites Sondenset für Erwachsene für insgesamt 92 Messkanäle.
Numerische Computing-PlattformThe MathWorks, Inc., Natick, MAMATLAB R2020aDient als Basis für Psychophysics Toolbox-Erweiterungen (Stimulus-Präsentation), Homer2  (fNIRS-Preprozessanalyse) und "wtc"-Funktion (WTC-Berechnung).
Psychologie SoftwarePsychologie Software Tools, Sharpsburg, PA, USAE-prime 2.0Wir verwenden E-Prime, um das fNIRS-Messsystem zu starten und Trigger zu senden, die die Ruhephase und die kollaborative Lernphase für fNIRS-Aufzeichnungsdaten markieren.
BadekappenZoke Corporation, Shanghai, China611503314Wir platzierten zuerst die Standard-10-20-EEG-Kappe auf der Kopfform und setzten die Badekappe auf die EEG-Kappe. Zweitens haben wir (inion, Cz, T3, T4, PFC und P5) mit Kreide markiert.
Dreidimensionaler (3D) DigitalisiererPolhemus, Colchester, VT, USA;Dreidimensionaler (3D) DigitizerDie anatomischen Positionen der Optoden in Bezug auf die Standard-Kopfmarkierungen wurden für jeden Teilnehmer mit einem Patriot 3D Digitizer bestimmt

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Babiloni, F., Astolfi, L. Social neuroscience and hyperscanning techniques: past, present and future. Neuroscience & Biobehavioral Reviews. 44, 76-93 (2014).
  2. Schilbach, L., et al. Toward a second-person neuroscience. Behavior Brain Science. 36, 393-414 (2013).
  3. Montague, P. Hyperscanning: simultaneous fMRI during linked social interactions. NeuroImage. 16, 1159-1164 (2002).
  4. 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).
  5. Dikker, S., et al. Brain-to-brain synchrony tracks real-world dynamic group interactions in the classroom. Current Biology. 27 (9), 1375-1380 (2017).
  6. Abrams, D. A., et al. Inter-subject synchronization of brain responses during natural music listening. European Journal of Neuroscience. 37 (9), 1458-1469 (2013).
  7. Pan, Y., et al. Instructor-learner brain coupling discriminates between instructional approaches and predicts learning. NeuroImage. 211, 116657(2020).
  8. 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).
  9. Bevilacqua, D., et al. Brain-to-brain synchrony and learning outcomes vary by student-teacher dynamics: Evidence from a real-world classroom electroencephalography study. Journal of Cognitive Neuroscience. 31 (3), 401-411 (2019).
  10. Dikker, S., et al. Morning brain: real-world neural evidence that high school class times matter. Social Cognitive and Affective Neuroscience. 15 (11), 1193-1202 (2020).
  11. Pan, Y., Guyon, C., Borragán, G., Hu, Y., Peigneux, P. Interpersonal brain synchronization with instructor compensates for learner's sleep deprivation in interactive learning. Biochemical Pharmacology. , 114111(2020).
  12. 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).
  13. Zheng, L., et al. Enhancement of teaching outcome through neural prediction of the students' knowledge state. Human Brain Mapping. 39 (7), 3046-3057 (2018).
  14. 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).
  15. Kleinschmidt, A., et al. Simultaneous recording of cerebral blood oxygenation changes during human brain activation by magnetic resonance imaging and near-infrared spectroscopy. Journal of Cerebral Blood Flow & Metabolism. 16 (5), 817-826 (1996).
  16. Strangman, G., Culver, J. P., Thompson, J. H., Boas, D. A. A quantitative comparison of simultaneous BOLD fMRI and NIRS recordings during functional brain activation. NeuroImage. 17 (2), 719-731 (2002).
  17. Huppert, T. J., Hoge, R. D., Diamond, S. G., Franceschini, M. A., Boas, D. A. A temporal comparison of BOLD, ASL, and NIRS hemodynamic responses to motor stimuli in adult humans. NeuroImage. 29 (2), 368-382 (2006).
  18. Holper, L., Scholkmann, F., Wolf, M. Between-brain connectivity during imitation measured by fNIRS. NeuroImage. 63, 212-222 (2012).
  19. Hirsch, J., Zhang, X., Noah, J. A., Ono, Y. Frontal temporal and parietal systems synchronize within and across brains during live eye-to-eye contact. NeuroImage. 157, 314-330 (2017).
  20. Wilcox, T., Biondi, M. fNIRS in the developmental sciences. Wiley Interdisciplinary Reviews: Cognitive Science. 6 (3), 263-283 (2015).
  21. Ye, J. C., Tak, S., Jang, K. E., Jung, J., Jang, J. NIRS-SPM: statistical parametric mapping for nearinfrared spectroscopy. NeuroImage. 44 (2), 428-447 (2009).
  22. 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), 280-298 (2009).
  23. Santosa, H., Zhai, X., Fishburn, F., Huppert, T. The NIRS Brain AnalyzIR toolbox. Algorithms. 11 (5), 73(2018).
  24. Xu, Y., Graber, H. L., Barbour, R. L. nirsLAB: a computing environment for fNIRS neuroimaging data analysis. Biomedical Optics. , BM3A-1 (2014).
  25. Cope, M., Delpy, D. T. System for long-term measurement of cerebral blood and tissue oxygenation on newborn infants by near infra-red transillumination. Medical and Biological Engineering and Computing. 26 (3), 289-294 (1988).
  26. Hoshi, Y. Functional near-infrared spectroscopy: current status and future prospects. Journal of Biomedical Optics. 12 (6), 062106(2007).
  27. Molavi, B., Dumont, G. A. Wavelet-based motion artifact removal for functional near-infrared spectroscopy. Physiological Measurement. 33 (2), 259(2012).
  28. Cooper, R., et al. A systematic comparison of motion artifact correction techniques for functional near-infrared spectroscopy. Frontiers in Neuroscience. 6, 147(2012).
  29. Zhang, X., Noah, J. A., Hirsch, J. Separation of the global and local components in functional near-infrared spectroscopy signals using principal component spatial filtering. Neurophotonics. 3 (1), 015004(2016).
  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, 561-566 (2004).
  31. Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG-and MEG-data. Journal of Neuroscience Methods. 164 (1), 177-190 (2007).
  32. 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).
  33. Reindl, V., Gerloff, C., Scharke, W., Konrad, K. Brain-to-brain synchrony in parent-child dyads and the relationship with emotion regulation revealed by fNIRS-based hyperscanning. NeuroImage. 178, 493-502 (2018).
  34. Theiler, J., Eubank, S., Longtin, A., Galdrikian, B., Farmer, J. D. Testing for nonlinearity in time series: the method of surrogate data. Physica D: Nonlinear Phenomena. 58 (1-4), 77-94 (1992).
  35. Genovese, C. R., Lazar, N. A., Nichols, T. Thresholding of statistical maps in functional neuroimaging using the false discovery rate. NeuroImage. 15 (4), 870-878 (2002).
  36. Nichols, T., Hayasaka, S. Controlling the familywise error rate in functional neuroimaging: a comparative review. Statistical Methods in Medical Research. 12 (5), 419-446 (2003).
  37. Tsuzuki, D., et al. Virtual spatial registration of stand-alone fNIRS data to MNI space. NeuroImage. 34 (4), 1506-1518 (2007).
  38. Singh, A. K., Okamoto, M., Dan, H., Jurcak, V., Dan, I. Spatial registration of multi-channel multi-subject fNIRS data to MNI space without MRI. NeuroImage. 27 (4), 842-851 (2005).
  39. Noah, J. A., et al. Comparison of short-channel separation and spatial domain filtering for removal of non-neural components in functional near-infrared spectroscopy signals. Neurophotonics. 8 (1), 015004(2021).
  40. Noah, J. A., et al. Real-time eye-to-eye contact is associated with cross-brain neural coupling in angular gyrus. Frontiers in Human Neuroscience. 14 (19), (2020).
  41. Torrence, C., Compo, G. P. A practical guide to wavelet analysis. Bulletin of the American Meteorological Society. 79 (1), 61-78 (1998).
  42. 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).
  43. 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).
  44. Holper, L., Scholkmann, F., Wolf, M. Between-brain connectivity during imitation measured by fNIRS. Neuroimage. 63, 212-222 (2012).
  45. Nguyen, T., et al. The effects of interaction quality on neural synchrony during mother-child problem solving. Cortex. 124, 235-249 (2020).
  46. Seth, A. K., Barrett, A. B., Barnett, L. Granger causality analysis in neuroscience and neuroimaging. Journal of Neuroscience. 35 (8), 3293-3297 (2015).
  47. Funane, T., et al. Synchronous activity of two people's prefrontal cortices during a cooperative task measured by simultaneous near-infrared spectroscopy. Journal of Biomedical Optics. 16 (7), 077011(2011).
  48. Liu, T., Saito, H., Oi, M. Role of the right inferior frontal gyrus in turn-based cooperation and competition: a near-infrared spectroscopy study. Brain and Cognition. 99, 17-23 (2015).
  49. Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J. Measuring phase synchrony in brain signals. Human Brain Mapping. 8 (4), 194-208 (1999).
  50. Burgess, A. P. On the interpretation of synchronization in EEG hyperscanning studies: a cautionary note. Frontiers in Human Neuroscience. 7, 881(2013).
  51. Burgos-Robles, A., et al. Amygdala inputs to prefrontal cortex guide behavior amid conflicting cues of reward and punishment. Nature Neuroscience. 20 (6), 824-835 (2017).
  52. Mende, S., Proske, A., Narciss, S. Individual preparation for collaborative learning: Systematic review and synthesis. Educational Psychologist. , 1-25 (2020).
  53. Hamilton, A. F. D. C. Hyperscanning: Beyond the hype. Neuron. 109 (3), 404-407 (2021).
  54. Novembre, G., Iannetti, G. D. Hyperscanning alone cannot prove causality. Multibrain stimulation can. Trends in Cognitive Sciences. 25 (2), 96-99 (2021).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Inter Brain SynchronyCollaborative LearningFNIRS HyperscanningSocial InteractionOxygenated HemoglobinWavelet TransformPrincipal Components AnalysisMotion Artifact RemovalDyad Brain ActivityNaturalistic Learning

Verwandte Artikel