Waiting
Login-Verarbeitung ...

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

Neuroscience

Sincronia inter-cerebral em aprendizagem colaborativa aberta: um estudo fNIRS-Hyperscanning

Published: July 21, 2021 doi: 10.3791/62777
Automatic Translation
1,2, 1,2, 1,2
1School of Psychology and Cognitive Science, East China Normal University, 2Shanghai Key Laboratory of Mental Health and Crisis Intervention, East China Normal University

Summary

O protocolo de realização de experimentos de hiperscanagem fNIRS sobre disads de aprendizagem colaborativa em um ambiente de aprendizagem naturalista é delineado. Além disso, é apresentado um pipeline para analisar os sinais inter-cerebrais de síncronia oxigenada (Oxy-Hb).

Abstract

O hiperexquente fNIRS é amplamente utilizado para detectar os fundamentos neurobiológicos da interação social. Com essa técnica, os pesquisadores qualificam a atividade cerebral simultânea de dois ou mais indivíduos interativos com um novo índice chamado sincronia inter-cerebral (IBS) (ou seja, alinhamento de fase e/ou amplitude dos sinais neuronais ou hemodinâmicos ao longo do tempo). Aqui é apresentado um protocolo para a realização de experimentos de hiperscanagem fNIRS sobre disads de aprendizagem colaborativa em um ambiente de aprendizagem naturalista. Além disso, explica-se um pipeline de análise do IBS de hemoglobina oxigenada (Oxy-Hb). Especificamente, o design experimental, o processo de registro de dados do NIRS, métodos de análise de dados e direções futuras são todos discutidos. No geral, a implementação de um pipeline de hiper-varredura fNIRS padronizado é uma parte fundamental da neurociência em segunda pessoa. Além disso, isso está em consonância com o apelo à ciência aberta para auxiliar na reprodutibilidade da pesquisa.

Introduction

Recentemente, para revelar a atividade cerebral simultânea através dos díades interativos ou membros de um grupo, os pesquisadores empregam a abordagem hiperscaning1,2. Especificamente, eletroencefalograma (EEG), ressonância magnética funcional (fMRI) e espectroscopia funcional quase infravermelha (fNIRS) são usados para registrar as atividades neurais e cerebrais de dois ou mais sujeitos simultaneamente3,4,5. Os pesquisadores extraem um índice neural que implique um acoplamento cerebral simultâneo com base nessa técnica, que se refere à sincronia interfencefálica (IBS) (ou seja, alinhamento de fase e/ou amplitude dos sinais neuronais ou hemodinâmicos ao longo do tempo). Uma grande variedade de pesquisas de hiper-pesquisa encontrou IBS durante a interação social entre múltiplos indivíduos (por exemplo, jogador-público, instrutor-aprendiz e líder-seguidor)6,7,8. Além disso, o IBS detém implicações específicas da aprendizagem efetiva e instrução9,10,11,12,13,14. Com o surgimento de pesquisas hiperscaning em cenários de aprendizagem naturalista, é necessário estabelecer um protocolo padrão de experimentos de hiperexcitação e o pipeline de análise de dados neste campo.

Assim, este artigo fornece um protocolo para a realização de hiperscanagem baseada em fNIRS de disads de aprendizagem colaborativa e um pipeline para análise do IBS. fNIRS é uma ferramenta de imagem óptica, que irradia luz infravermelha próxima para avaliar a absorção espectral da hemoglobina indiretamente, e então a atividade hemodinâmica/oxigenação é medida15,16,17. Em comparação com o fMRI, o fNIRS é menos propenso a artefatos de movimento, permitindo medições de indivíduos que estão fazendo experimentos da vida real (por exemplo, imitação, conversa e comunicação não verbal)18,7,19. Em comparação com o EEG, o FNIRS possui maior resolução espacial, permitindo que os pesquisadores detectem a localização da atividade cerebral20. Assim, essas vantagens na resolução espacial, logística e viabilidade qualificam fNIRS para realizar a medição de hiperscanagem1. Usando essa tecnologia, um corpo de pesquisa emergente detecta um termo de índice como IBS - o alinhamento neural de duas (ou mais) atividades cerebrais de pessoas em diferentes formas de configurações sociais naturalistas9,10,11,12,13,14. Nesses estudos, são aplicados vários métodos (ou seja, análise de correlação e análise de Coerência de Transformação de Onda (WTC) para calcular esse índice; Enquanto isso, um pipeline padrão sobre tal análise é essencial, mas carente. Como resultado, um protocolo para a realização de hiperexcing baseado em fNIRS e um pipeline usando análise WTC para identificar o IBS é apresentado neste trabalho

Este estudo tem como objetivo avaliar o IBS em disads de aprendizagem colaborativa utilizando a técnica de hiperscanagem fNIRS. Em primeiro lugar, uma resposta hemodinâmica é registrada simultaneamente nas regiões pré-frontal e esquerda de cada díade durante uma tarefa de aprendizagem colaborativa. Essas regiões foram identificadas como associadas ao ensino interativo e aprendizagem9,10,11,12,13,14. Em segundo lugar, o IBS é calculado em cada canal correspondente. O processo de gravação de dados fNIRS consiste em duas partes: sessão de estado de repouso e sessão colaborativa. A sessão de estado de repouso dura 5 min, durante a qual ambos os participantes (sentados cara a cara, além um do outro por uma mesa (0,8 m)) são obrigados a permanecer parados e relaxar. Esta sessão de estado de repouso é servida como a linha de base. Em seguida, na sessão colaborativa, os participantes são orientados a estudar juntos todos os materiais de aprendizagem, provocando compreensão, resumindo as regras e certificando-se de que todos os materiais de aprendizagem sejam dominados. Aqui, são apresentadas as etapas específicas de realização do experimento e da análise de dados fNIRS.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Todos os participantes recrutados (40 díades, média de 22,1 ± 1,2 anos; 100% destro; visão normal ou corrigida ao normal) eram saudáveis. Antes do experimento, os participantes deram consentimento informado. Os participantes foram compensados financeiramente por sua participação. O estudo foi aprovado pelo Comitê Universitário de Proteção à Pesquisa Humana (HR-0053-2021), Universidade Normal da China Oriental.

1. Etapas de preparação antes da adoção de dados

  1. Tampas nirs caseiras
    1. Adote a tampa elástica de natação para colocar a grade do suporte do optode.
      NOTA: Considerando que os tamanhos da cabeça dos participantes são diferentes, são utilizados dois tamanhos de tampas. As small caps são preparadas para os participantes com circunferência da cabeça de 55,4 ± 1,1 cm, e as tampas grandes são para os participantes com circunferência da cabeça de 57,9 ± 1,2 cm.
    2. Ancorar a localização dos eletrodos EEG (inion, Cz, T3, T4, Fpz e P5) como optodes de referência de acordo com o sistema padrão internacional 10-10 em tampinhas de natação elásticas (ver Tabela de Materiais).
      1. Primeiro, coloque a tampa padrão 10-10 EEG (ver Tabela de Materiais) no molde da cabeça, e coloque a tampa de natação elástica na tampa EEG. Em segundo lugar, marcam optodes de referência (inion, Cz, T3, T4, Fpz e P5) com giz em cada tampa. Por fim, corte dois orifícios de cerca de 15 mm de diâmetro para colocar os dois optodes de referência (ou seja, Fpz e P5, Figura 1).
        NOTA: Especificamente, um conjunto de sonda optode 3 x 5 e um conjunto de sonda optode 4 x 4 são colocados separadamente sobre a área pré-frontal (optode de referência é colocado em Fpz, Figura 1B) e regiões temporoparietais esquerdas (optode de referência é colocado em P5, Figura 1B).
    3. Corte buracos para colocar os outros optodes. Organize uma tampa de natação com dois suportes de grade diretamente no molde da cabeça. Em seguida, marque a localização de outros optodes com giz. Depois disso, corte os orifícios de descanso para garantir que o suporte da grade se encaixe.
    4. Monte dois conjuntos de sondas (ou seja, 3 x 5 e 4 x 4) para as tampinhas de natação (ver Tabela de Materiais).
      NOTA: O sistema de medição NIRS (ver Tabela de Materiais) fornece estes conjuntos de sonda padrão (ou seja, 3 x 5 e 4 x 4) com soquetes de suporte padrão garantindo a separação de 30 mm optode.
    5. Abra a janela do monitor do conjunto de sondas no sistema de medição NIRS e selecione quatro conjuntos de sondas dispostos em 3 x 5 e 4 x 4 para cada pessoa, separadamente.
      NOTA: Os arranjos da sonda das duas tampas devem corresponder às estruturas na janela do conjunto da sonda (ou seja, a localização exata dos números da sonda receptora e do respectivo emissor).
  2. Preparação do experimento
    1. Antes de registrar os dados, certifique-se de que o sistema NIRS está mantendo uma temperatura de funcionamento estável, iniciando o sistema por pelo menos 30 minutos.
      NOTA: A temperatura de funcionamento estável variou de 5 °C a 35 °C.
    2. Defina o modo de medição para a medição relacionada ao evento. Certifique-se de que o receptor de acionamento está ativo (ou seja, a entrada serial RS232).
      NOTA: O experimento é programado em software de psicologia disponível comercialmente (ver Tabela de Materiais). A absorção de luz infravermelha próxima (dois comprimentos de onda: 695 e 830 nm) é medida com uma taxa amostral de 10 Hz.
    3. Prepare a sonda de fibra óptica iluminada, que pode ser usada para mover o cabelo de lado.
    4. Defina o ambiente de experimentos com uma mesa com duas cadeiras para manter os assentos dos participantes frente a frente.

2. Adoção de dados instruindo os participantes

  1. Prepare os participantes
    1. Instrua os participantes, incluindo os detalhes dos métodos de medição do NIRS.
      NOTA: Todos os participantes estavam saudáveis e foram compensados financeiramente pela participação. Nenhum participante se retirou do experimento no meio do caminho. O raio laser do NIRS pode ser prejudicial aos olhos dos participantes, e eles foram instruídos a não olhar diretamente para os raios laser.
    2. Faça com que os participantes se sentem cara a cara (além de uma mesa (0,8 m)) para garantir que eles possam se ver diretamente. Ajuste a distância cadeira-mesa (ou seja, quase 0,3 m) para que os participantes se sentem confortavelmente.
    3. Ligue o botão laser e coloque as tampas com os conjuntos da sonda na cabeça dos participantes.
      NOTA: Os conjuntos da sonda 3 x 5 cobrem a testa dos participantes (a sonda média da linha inferior é colocada em Fpz); os conjuntos de sonda 4 x 4 cobrem o córtex temporoparietal esquerdo (a terceira sonda da terceira linha é colocada em P5).
    4. Coloque os quatro feixes de fibra óptica vagamente nos braços do suporte sem contato com os participantes ou cadeiras.
      NOTA: Aqui, o sistema de medição NIRS tem quatro feixes de fibras ópticas. Além disso, certifique-se de que os participantes não se sintam muito pesados para tirar as tampas.
    5. Deixe as pontas da sonda tocarem o couro cabeludo dos participantes empurrando cuidadosamente cada sonda de carga de mola mais adiante em seu soquete.
    6. Realize a calibração do sinal.
      1. Primeiro, verifique a qualidade do sinal clicando no Ganho Automático na janela do monitor do conjunto de sondas da máquina fNIRS. Em seguida, o sinal ruim de um canal e o sinal suficiente são marcados em amarelo e verde na janela do monitor do conjunto da sonda, respectivamente.
        NOTA: Para um canal com sinais insuficientes, sondas de fibra óptica iluminadas são usadas para mover o cabelo sob a ponta da sonda para um lado.
      2. Em seguida, empurre as sondas ainda mais para dentro de suas tomadas para obter sinais suficientes. Repita este processo até que todos os canais estejam marcados em verde na janela de monitor do sistema de medição NIRS, indicando que a qualidade dos sinais é acessível.
  2. Executar o experimento
    1. Inicie o experimento com um estado de descanso de 5 minutos, que serve como linha de base. Em seguida, dois participantes são obrigados a co-aprender os materiais de aprendizagem.
    2. Após o experimento, clique em Arquivo de texto para exportar os dados de intensidade de luz bruta e salvar os dados como um arquivo de texto.
      NOTA: Nenhum filtro é aplicado no sistema de medição NIRS.
    3. Use o digitalizador tridimensional (3D) (ver Tabela de Materiais) para determinar os locais de emissores, receptores e outras referências (ou seja, inion, nasion, Cz e orelhas esquerda e direita) para cada participante.
      1. Obtenha as coordenadas MNI para os canais de gravação utilizando a plataforma de computação numérica comercialmente disponível21 (ver Tabela de Materiais). Tabela suplementar S1 mostra as localizações anatômicas correspondentes de cada canal.
    4. Limpe sondas e suportes de sonda com etanol. Lave as tampas com detergente suave e deixe as tampas secarem.

3. Análise de dados

  1. Pré-processamento de dados
    NOTA: Pesquisas anteriores adotaram pacotes de software não comerciais variáveis (por exemplo, Homer222, AnalyzIR23, ou nirs LAB24) com plataformas numéricas de computação (ver Tabela de Materiais), na análise de dados fNIRS, e todos eles estão disponíveis no site. Aqui homer2 foi usado para fazer o pré-processamento dos dados NIRS. Além disso, tanto os dados de gravação do FNIRS coletados nas demais e fases de aprendizagem colaborativa compartilham o mesmo pipeline de pré-processamento e análise.
    1. Copie o conjunto de dados da máquina fNIRS. Converta a formação original de dados para a formação adequada (ou seja, converta arquivo cvs em arquivo nirs).
    2. Converter dados brutos em dados de densidade óptica (OD) com função "hmrIntensity2OD" fornecida na plataforma numérica de computação (ver Tabela de Materiais).
    3. Exclua os canais ruins. Em seguida, a média do valor de OD para cada participante em cada canal e pontos de amostra completos, respectivamente.
      NOTA: Aqui, são obtidos 46 valores de OD médios.
      1. Calcule o desvio padrão (SD) para cada participante.
      2. Marque como inutilizável e remova os canais com OD muito baixo ou alto (que excedeu 5 SDs) da análise para cada participante.
        NOTA: Esta etapa pode ser realizada antes e/ou após o pré-processamento de dados fNIRS. Neste pipeline de análise de dados, os canais ruins são detectados antes do pré-processamento de dados fNIRS.
    4. Converta os dados de tempo de OD em Oxy-Hb, DeOxy-Hb e sinal combinado com base na lei25modificada de Beer-Lambert .
      NOTA: A referência25 diz: "Todas as etapas de análise de dados são realizadas nos dados da Oxy-Hb, que é um indicador da mudança no fluxo sanguíneo cerebral regional, com maior relação sinal-ruído26. Além disso, pesquisas anteriores utilizaram hiperscanagem de fNIRS em cenários de ensino e aprendizagem focados principalmente na concentração de Oxy-Hb11,12,13,14.".
    5. Calibrar a série temporal Oxy-Hb a partir de artefatos de movimento pelo método baseado em ondas canal por canal.
      NOTA: Especificamente, a vaga de onda Daubechies 5 (db5) com parâmetro de ajuste em 0.1 (veja detalhes no manual homer2)27,28 é adotada na remoção de artefatos de movimento.
    6. Aplique o filtro de passe de banda (ou seja, 0,01-1 Hz) nos dados calibrados de Oxy-Hb para reduzir o ruído de alta frequência e a deriva lenta.
    7. Realize a análise dos componentes principais (PCA) no sinal OxyHb para remover componentes globais não neurais (por exemplo, pressão arterial, respiração e variação do fluxo sanguíneo)29.
      NOTA: A análise do PCA proposta por Zhang e pelos colegas29 é adotada aqui.
      1. Primeiro, decompondo o sinal.
        NOTA: A fórmula específica de decomposição do sinal fNIRS é: H = UΣVT. Aqui, padrões temporais e espaciais de dados fNIRS são apresentados em duas matrizes (ou seja, você e V). U é uma matriz 2D (ponto amostral x componente principal). V também é uma matriz 2D (componente principal x componente principal). A coluna em V indica um componente principal (PC), e a força desse PC para um determinado canal é estimada em cada entrada da coluna. A importância relativa de cada PC é representada pelo valor da matriz diagonal Σ.
      2. Segundo, conduzir a suavização espacial.
        NOTA: A convolução do kernel gaussiano é empregada para remover sinais localizados e obter o componente global.
      3. Terceiro, reconstrua o sinal.
        NOTA: Para calcular o componente global dos dados fNIRS, a matriz de padrão espacial suavizada V* está conectada de volta à fórmula de decomposição: HGlobal = UΣ(V*)T. Em seguida, o sinal neuronal derivado localizado pode ser obtido usando dados originais H para subtrair HGlobal : HNeuronal = H - HGlobal.
  2. Sincronia inter-cerebral
    NOTA: Para revelar o acoplamento cerebral na neurociência em segunda pessoa, a coerência wavelet transform (WTC) é adotada aqui. Resumidamente, o WTC mede a correlação entre séries duplas em função da frequência e do tempo. A fórmula específica da coerência wavelet das séries duplas x e y é:
    Equation 1
    T e s denotam a escala de tempo e onda separadamente, ‹·› indica uma operação de suavização em escala e tempo. W representa a contínua transformação de ondas. Em seguida, uma matriz WTC 2D (tempo x frequência) é gerada30. Várias caixas de ferramentas são usadas para calcular o valor WTC. Aqui a caixa de ferramentas criada por Grinsted e colegas foi usada30.
    1. Adotar a função WTC da plataforma numérica de computação (ver Tabela de Materiais).
      NOTA: Aqui, a configuração padrão da wavelet mãe (ou seja, Onda Morse Generalizada com seus parâmetros beta e gama) é usada. A onda mãe converte cada série de tempo no domínio de frequência e tempo.
    2. Defina a configuração padrão nos outros parâmetros (ou seja, MonteCarloCount, representando o número de conjuntos de dados substitutos no cálculo de significância).
    3. Calcule o valor do WTC para dois canais correspondentes (o mesmo canal em dois participantes) em uma plataforma numérica de computação (ver Tabela de Materiais). Após o mesmo procedimento, 46 matrizes WTC são geradas a partir de 46 canais.
    4. Determine a faixa de frequência de interesse (FOI), sensível à aprendizagem colaborativa.
      NOTA: Aqui, uma abordagem de permutação baseada em cluster é adotada para detectar esse FOI31, que oferece uma solução para múltiplas comparações em dados multicanais e multifrequências.
      1. Execute a média de tempo dos valores do WTC nas fases de descanso e aprendizagem colaborativa, respectivamente, para cada combinação de canal. Em seguida, realize testes de amostra emparelhadoscom toda a frequência (faixa de frequência: 0,01-1Hz32) nesses valores WTC mediados por tempo (aprendizado colaborativo versus descanso). Em seguida, identifique as caixas de frequência nas quais o efeito da tarefa é significativo (aprendizado colaborativo > descanso, p < 0,05).
      2. Obtenha pontos vizinhos de frequência significativa (≥2) como clusters observados e valores T correspondentes.
      3. Realize uma série de testes tde amostra emparelhados em dados permutados para gerar os valores T para cada cluster qualificado na etapa 3.2.4.2 por 1000 vezes.
        NOTA: Para formar dados permutados, os participantes são aleatoriamente designados para formar novos pares de dois membros. Como o comprimento dos conjuntos de dados variava entre os disads para cada par aleatório, o conjunto de dados mais longo é aparado ao mesmo comprimento do mais curto33.
      4. Compare os valores T baseados em cluster médios dos pares originais com os valores T de 1000 permutações.
        NOTA: Os valores p avaliados por esta fórmula34:
        Equation 2, onde S0 denota valor t-cluster médio observado, μp e σp indicam o desvio médio e padrão dos valores de permutação.
      5. Valores médios de WTC na FOI identificada em cada canal em cada táinga. Em seguida, aplique a transformação de fisher z aos valores WTC para obter uma distribuição normal dos valores do WTC. Use esse valor para indexar o IBS para análise estatística posterior.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

A Figura 1 ilustra o protocolo experimental e a localização da sonda. O processo de registro de dados fNIRS consiste em duas partes: sessão de estado de repouso (5 min) e sessão colaborativa (15-20 min). Os diá díndos de aprendizagem colaborativo são necessários para relaxar e manter-se ainda na sessão de estado de repouso. Depois disso, os participantes são orientados a co-aprender o material de aprendizagem (Figura 1A). Suas regiões temporoparietais pré-frontal e esquerda são cobertas pelo conjunto de sondas correspondentes(Figura 1B).

A Figura 2 ilustra o pipeline de análise de dados fNIRS. A análise de dados fNIRS é aplicada a todos os dados fNIRS registrados de cada participante e de cada canal. Primeiro, a densidade optode no canal 33 para um certo díade é visualizada na Figura 2A. A densidade de optode é registrada em 46 canais (CHs) de cada táad de aprendizagem colaborativa pelo sistema de medição fNIRS. Em segundo lugar, Com a operação esclarecida nas etapas 3.1.5 e 3.1.7, são preparados dados viáveis para análise do WTC. Aqui, a curva vermelha representa os dados extraídos pelos artefatos de movimento baseados em ondas que removem o método; a curva azul representa os dados extraídos pelos artefatos de movimento baseados em Wavelet que removem o método e o PCA. A diferença visualizada entre duas curvas sugere que o PCA é eficiente na remoção de sinais não neurais(Figura 2B). Em terceiro lugar, a matriz WTC é visualizada na Figura 2C. O mapa de cores varia de azul para amarelo, representando o valor do IBS de 0 a 1 (coeficientes de correlação em função do tempo e da frequência). Aqui, 1 denota a maior coerência entre dois sinais fNIRS, e 0 denota que nenhuma coerência é detectada. Um retângulo vermelho na trama marca coeficientes significativos. Além disso, os resultados mostram uma forte coerência em torno de 1 Hz, representando a coerência do ritmo cardíaco do diáldido. Finalmente, com a operação declarada nas etapas 3.2.4, a comparação entre o valor T observado e a distribuição do valor T aleatório (ou seja, 1000 vezes) apresenta resultados significativos (t (38) = 3,31, FDR corrigido p < 0,05, d de Cohen = 1,05) em FOI identificado (0,015 Hz-0,021 Hz) (Figura 2D)

A Figura 3 apresenta as etapas críticas da abordagem de permutação baseada em cluster utilizada para detectar a faixa de frequência relevante de aprendizagem colaborativa.

Em conjunto, seguindo o pipeline de análise de dados, a faixa de frequência (de 0,015 Hz a 0,021 Hz), sensível à aprendizagem colaborativa, é identificada pela abordagem de permutação baseada em cluster. Além disso, para cada canal, o valor de IBS com média de tempo é comparado entre as demais e as fases de aprendizagem colaborativa usando uma série de testes tde amostra emparelhado. Para resolver o problema de comparação múltipla, todos os valores p observados em 46 canais são corrigidos pelos métodos FDR35,36. Os resultados mostram que o IBS no canal 33 atinge significância durante a aprendizagem colaborativa (FDR corrigiu p < 0,05). Nenhum outro canal correspondente indicou efeitos significativos (p > 0,05).

Figure 1
Figura 1: Protocolo experimental e localização da sonda. (A) Procedimento experimental. A atividade cerebral a partir de díndos é adquirida simultaneamente usando fNIRS. A sessão de repouso dura 5 minutos, em que os disads são necessários para relaxar e ficar quieto. Depois disso, os participantes são orientados a co-aprender o material de aprendizagem (15-20 min). (B) Conjunto de sonda optodes. Dois conjuntos de sondas cobrem as regiões pré-frontal e esquerda temporoparietal. Clique aqui para ver uma versão maior desta figura.

Figure 2
Figura 2: Visão geral da análise de dados fNIRS. (A) Densidade optode no canal 33 para um díade exemplar. A densidade optode é registrada em 46 canais (CHs) de cada táad de aprendizagem colaborativa. i, j, densidade optode de dois participantes de um diáad de aprendizagem colaborativa; t, tempo. (B) Procedimento de pré-processo de dados. Artefatos de movimento baseados em ondas removendo o método e PCA são aplicados em dados oxy-hb em sequência. Aqui, a curva vermelha representa os dados extraídos pelos artefatos de movimento baseados em ondas que removem o método; a curva azul representa os dados extraídos pelos artefatos de movimento baseados em Wavelet que removem o método e o PCA. kmétodo baseado em wavelet,dados extraídos pelos artefatos de movimento baseados em Wavelet eliminando o processo. k método baseado em onda + PCA, dados extraídos por ambos artefatos de movimento baseados em Wavelet removendo método e PCA. (C) Enredo WTC no canal 33 para um tíad exemplar. O mapa de cores varia de azul para amarelo, representando o valor do IBS variando de 0 a 1 (coeficientes de correlação em função de tempo e frequência). Aqui, 1 denota a maior coerência entre dois sinais fNIRS, e 0 indica que nenhuma coerência é detectada. Um retângulo vermelho na trama marca coeficientes significativos. O WTC estima o IBS em duas séries tempoalhentas limpas de Oxy-Hb. (D) Abordagem de permutação baseada em cluster. Compare o valor T observado com a distribuição dos valores T aleatórios em FOI identificado (0,015 Hz-0,021 Hz). Clique aqui para ver uma versão maior desta figura.

Figure 3
Figura 3: Fluxograma de identificação da FOI relacionada à aprendizagem colaborativa. Clique aqui para ver uma versão maior desta figura.

Tabela Suplementar S1. Clique aqui para baixar esta Tabela.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Em primeiro lugar, no presente protocolo, são declaradas as etapas específicas de realização de experimentos de hiperscanagem fNIRS em um cenário de aprendizagem colaborativa. Em segundo lugar, também é apresentado o pipeline de análise de dados que avalia o IBS de sinais hemodinâmicos em diálidos de aprendizagem colaborativa. A operação detalhada na realização de experimentos de hiperscanagem fNIRS promoveria o desenvolvimento da ciência aberta. Além disso, o pipeline de análise é fornecido aqui para aumentar a reprodutibilidade da pesquisa de hiperscanagem. A seguir, destacam-se as questões críticas do design do experimento, a realização de um experimento, a análise de dados em experimentos de hiperscanagem (fNIRS). Além disso, também são discutidas possíveis soluções para apresentar limitações.

Design experimental
O design experimental para o estudo de hiperscanagem fNIRS é flexível. Aqui, a técnica de hiperscanagem fNIRS é aplicada no cenário de aprendizagem colaborativa. Dois participantes foram convidados a aprender regras específicas da matriz de figuras em conjunto, e suas atividades cerebrais foram registradas simultaneamente pelo FNIRS. Essa abordagem permite que os pesquisadores explorem dinâmica neural simultânea em tempo real (ou seja, IBS) em disads de aprendizagem colaborativa. De acordo com pesquisas anteriores, o IBS foi detectado em cenários de ensino e aprendizagem e acompanha o modo de ensino efetivo11. O alinhamento neural detectado em díades de aprendizagem colaborativa pode servir como um mecanismo neural potencial que sustenta o aprendizado bem-sucedido e fornece implicações para projetar padrões de aprendizagem colaborativos eficazes. Enquanto isso, questões críticas sobre design experimental precisam ser abordadas: o tempo de experiência é limitado a 30 minutos neste experimento. Duas razões explicam essa configuração: Primeiro, usar bonés com optodes fNIRS na cabeça não é confortável, os participantes não podem ficar em pé por muito tempo. Em segundo lugar, é difícil pedir aos participantes para ficarem quietos durante o co-aprendizado por um longo tempo. O tempo limitado de experiência permitiria a obtenção de sinais de boa qualidade.

Conduzindo o experimento
A parte mais desafiadora de fazer fNIRS hiperscaning em um cenário de aprendizagem colaborativa é obter sinais cerebrais de alta qualidade. Com base no presente protocolo, destacam-se três etapas críticas: fazer caps apropriados, colocar optodes e realizar o registro espacial dos canais correspondentes. Primeiro, uma vez que a circunferência da cabeça varia entre os participantes, fazer tampas que se encaixam em diferentes indivíduos é essencial. Em segundo lugar, ao colocar uma tampa adequada na cabeça dos participantes, certifique-se de que as pontas dos optodes possam entrar em contato diretamente com a pele do couro cabeludo. Para alcançar esse objetivo, praticar essa operação antes do experimento é necessário. Em terceiro lugar, a realização de registro espacial com um digitalizador 3D pode identificar os locais anatômicos correspondentes dos canais NIRS (CHs) no córtex cerebral37,38,39. Este protocolo sugere a conclusão do registro espacial para que todos os participantes obtenham resultados médios e robustos. Ao longo dessa linha, pesquisas anteriores pediram aos participantes que realizassem um pré-teste para garantir que sinais hemodinâmicos precisos possam ser obtidos. Especificamente, os participantes realizaram uma tarefa clássica de toque de polegar com a mão direita, durante a qual fNIRS registrou dinâmica hemodinâmica. Os participantes que detectaram um sinal fNIRS significativo (p < 0,05) no córtex motor esquerdo estão qualificados para participar do estudo. Esta técnica garante que os sinais gravados sejam utilizáveis em todos os participantes40.

Análise de dados
O processo de análise de dados neste protocolo consiste em duas partes: pré-processo e análise do WTC. Três etapas críticas de análise de dados devem ser destacadas aqui: Primeiro, conduzindo o principal algoritmo de filtro espacial componente (PCA) nos dados neurais. Zhang e o couleage29 propuseram essa abordagem para a separação dos efeitos globais e locais. Embora o fNIRS permita uma circulação e comunicação relativamente livre, o PCA é necessário para extrair sinais precisos de alterações sistêmicas (por exemplo, frequência respiratória, pressão arterial, frequência cardíaca, taxa respiratória e atividade autônoma do sistema nervoso). O protocolo aqui sugere que o PCA é eficiente na remoção dos efeitos globais. Este método é amplamente utilizado em estudos de hiperscanagem fNIRS13. Ao todo, componentes não neurais podem ser removidos com sucesso usando filtragem espacial. Em segundo lugar, o WTC é adotado para identificar o IBS dos disads de aprendizagem colaborativa. WTC é uma abordagem de avaliação dos coeficientes de correlação entre séries duplas em função do tempo e da frequência41. Este método pode revelar comportamentos localmente bloqueados de fase que podem não ser detectados com uma abordagem tradicional, como a análise de Fourier30. E esse método é amplamente utilizado para estimar o IBS no hiperscaning fNIRS com paradigmas variados, como comportamentos cooperativos e competitivos4,42, estudo do monitoramento de ações43, imitação44,comunicação verbal8,comunicação não verbal19,atividade de ensino e aprendizagem11,12,13,14 e interação social mãe-filho45.

Enquanto isso, outras técnicas, como o Granger Causality Analyze (GCA), a análise de correlação e a análise de sincronia de fase, são utilizadas em pesquisas de hiperscanagem. GCA é um método para revelar informações direcionadas (causais) entre dados de duas sériesvezes 46. Este método já foi usado para testar a direção do fluxo de informações entre o instrutor e o aprendiz12. A análise de correlação também é adotada no campo de hiperscanagem baseado em fNIRS para estimar o IBS em díades que realizam tarefas cooperativas ou competitivas47,48. Comparado com a análise do WTC, este método caracteriza apenas as características covariadas de duas séries temporizais fNIRS ao longo do fluxo temporal e informações potenciais perdidas em frequência.

Além disso, outras abordagens que quantificaram a sincronia de fase com o valor de bloqueio de fase (PLV) foram utilizadas em estudos de hiperscanagem de EEG. O PLV estima a consistência da diferença de fase entre dois sinais49. No entanto, Burgess sugeriu que o PLV mostra viés na detecção de hiperconectividade que não existe, especialmente quando pequenas amostras são empregadas50. Em terceiro lugar, a adoção de um teste estatístico não paramétrico para detectar a frequência colaborativa relacionada à aprendizagem é essencial. No início, a FOI relacionada à tarefa é selecionada seguindo sugestões em pesquisas anteriores ou de acordo com o design específico do experimento (ou seja, quanto tempo para um teste de tarefa em um experimento). Recentemente, para obter resultados robustos e reprodutivos no processo de seleção da FOI, são adotadas abordagens de teste estatístico não paramétricos. Aqui, essa técnica operava de forma eficiente. A FOI colaborativa relacionada à aprendizagem (0,015-0,021 Hz) é identificada, e bandas de frequência semelhantes foram identificadas em pesquisas de hiperscanagem fNIRS no cenário de ensino13 e nos paradigmas de comunicação verbal8. É necessário aplicar essa técnica no pipeline de análise de dados multi-cérebro. Em suma, estabelecer algoritmos e métodos adequados para a análise de dados hiperexportantes será um campo proeminente.

Limitação e direção futura
Várias limitações podem ser melhoradas no futuro para obter IBS reprodutivo e robusto dentro de um contexto de interação social realista de um multi-cérebro. Primeiro, o peso da fibra é muito pesado e desconfortável para usar por um longo tempo; assim, o tempo do experimento é limitado a 30 min. No futuro, se registrar a atividade multi-cérebro em sala de aula, é difícil pedir aos alunos que usem bonés fNIRS durante um período escolar (ou seja, 50 min). Assim, as configurações fNIRS vestíveis são necessárias em um cenário real de palestras e aprendizados. Em segundo lugar, embora o fNIRS mostre maior tolerância ao movimento da cabeça do que o FMRI, esta técnica só pode detectar a atividade cerebral do córtex da superfície15. Assim, o hiperexato de fNIRS não pode ser usado no mecanismo neural relacionado à recompensa explorando paradigma, no qual a amígdala desempenha um papel crucial51. Enquanto isso, o número limitado de fontes e detectores na configuração fNIRS sugere que nem todo o córtex cerebral seria medido. Isso significa que os pesquisadores têm que selecionar a região de interesse (ROI) para medir. Em terceiro lugar, o PCA é adotado para eliminar os contaminantes do sistema. Embora essa técnica seja eficiente, no futuro, adicionar canais curtos que explicam o fluxo sanguíneo extra-cerebelar, que pode contaminar sinais fNIRS, também é uma abordagem eficiente29,39. Em quarto lugar, o procedimento de análise de dados neste protocolo pode ser aplicado em outros estudos naturalistas de hiperscanagem de fNIRS. O próximo passo é desenvolver pacotes de análise de dados específicos para fNIRS com a diretriz padrão. Em quinto lugar, neste protocolo, o WTC é empregado para identificar a atividade cerebral simultânea (ou seja, IBS). Com o desenvolvimento de uma técnica para calcular a atividade neural covariada, outros métodos como a teoria do gráfico e a GCA também podem ser utilizados. Em sexto lugar, é necessário recrutar condições de controle, como condições de fala que requerem disades para falar sobre temas específicos para excluir efeitos de confusão. Enquanto isso, revelar qual atividade de aprendizagem na aprendizagem colaborativa (ou seja, co-construção do conhecimento52) levaria ao IBS. E se esses IBS detectados podem ser usados para acompanhar o desempenho de aprendizagem de disads de aprendizagem colaborativa também são importantes. Por fim, também é urgente fornecer uma estrutura para explicar o mecanismo do IBS. Os pesquisadores tentam discernir se este é apenas o epifenômeno ou um mecanismo neural de interação social por Hamilton53. Para alcançar esse objetivo, por um lado, Hamilton propôs uma abordagem xGLM que modela a atividade cerebral, dados de comportamento e dados fisiológicos juntos para explorar a explicação confiável do acoplamento cerebral53. Por outro lado, Novembre e Lannetti sugeriram a realização de estimulação multifárida (MBS) para revelar o mecanismo de atividade cerebral simultânea54.

Conclusão
O hiperexato de fNIRS leva a uma mudança de paradigma do design tradicional de experimentos para cenários realistas de interação social na neurociência social. O IBS extraído por este método fornece uma nova visão para explicar o mecanismo neurobiológico das interações sociais. Finalmente, o pipeline padronizado estabelecido de coleta e análise de dados seria o marco para gerar resultados válidos e avançar no recente experimento de hiperscanagem.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Os autores não têm nada a revelar.

Acknowledgments

Este trabalho é apoiado pelo Programa de Promoção da Inovação Acadêmica da ECNU para excelentes doutorandos (YBNLTS2019-025) e pela Fundação Nacional de Ciências Naturais da China (31872783 e 71942001).

Materials

Name Company Catalog Number Comments
EEG caps Compumedics Neuroscan,Charlotte,USA 64-channel Quik-Cap We choose two sizes of cap(i.e.medium and large).
NIRS measurement system with probe sets and probe holder grids Hitachi Medical Corporation, Tokyo, Japan ETG-7100 Optical Topography System The current study protocol requires an optional second adult probe set for 92 channels of measurement in total.
Numeric computing platform The MathWorks, Inc., Natick, MA MATLAB R2020a Serves as base for Psychophysics Toolbox extensions (stimulus presentation), Homer2  (fNIRS preprocess analysis), and "wtc" function(WTC computation).
Psychology software psychology software tools,Sharpsburg, PA,USA E-prime 2.0 We apply E-prime to start the fNIRS measurement system and send triggers which marking the rest phase and collaborative learning phase for fNIRS recording data.
Swimming caps Zoke corporation,Shanghai,China 611503314 We first placed the standard 10-20 EEG cap on the head mold, and placed the swimming cap on the EEG cap. Second, we marked (inion, Cz, T3, T4, PFC and P5) with chalk.
Three-dimensional (3-D) digitizer Polhemus, Colchester, VT, USA; Three-dimensional (3-D) digitizer Anatomical locations of optodes in relation to standard head landmarks were determined for each participant using a Patriot 3D Digitizer

DOWNLOAD MATERIALS LIST

References

  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).

Tags

Neurociência Edição 173 Síncronia Inter-Cérebro hiperexplosão fNIRS Coerência de Transformação de Ondas ciência aberta
Sincronia inter-cerebral em aprendizagem colaborativa aberta: um estudo fNIRS-Hyperscanning
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Zhao, N., Zhu, Y., Hu, Y.… More

Zhao, N., Zhu, Y., Hu, Y. Inter-Brain Synchrony in Open-Ended Collaborative Learning: An fNIRS-Hyperscanning Study. J. Vis. Exp. (173), e62777, doi:10.3791/62777 (2021).

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