Methodenartikel

So berechnen und validieren Sie die Synchronisation zwischen Gehirnen in einer fNIRS-Hyperscanning-Studie

DOI:

10.3791/62801

⸱

8. September 2021

 ,  ,  ,  ,  ,  , 
1Institute of Brain and Education Innovation, School of Psychology and Cognitive Science, East China Normal University, 2Department of Musicology, Harbin Conservatory of Music, 3Department of Clinical Neuroscience, Karolinska Institutet, 4School of Psychology, Shenzhen University

In diesem Artikel

Zusammenfassung

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

Die Dynamik zwischen gekoppelten Gehirnen von Individuen wurde zunehmend durch Inter-Brain-Synchronisation (IBS) dargestellt, wenn sie miteinander koordiniert werden, meist unter Verwendung von simultanen Aufzeichnungssignalen von Gehirnen (nämlich Hyperscanning) mit fNIRS. In fNIRS-Hyperscanning-Studien wurde IBS aufgrund seines Vorteils bei der Erweiterung von Zeitreihen in einen Zeit-Frequenz-Raum, in dem Oszillationen auf sehr intuitive Weise beobachtet werden können, üblicherweise durch die Wavelet-Transformationskohärenz-Methode (WTC) bewertet. Das beobachtete IBS kann über die permutationsbasierte zufällige Paarung von Studie, Partner und Bedingung weiter validiert werden. Hier wird ein Protokoll vorgestellt, um zu beschreiben, wie Gehirnsignale über die fNIRS-Technologie erhalten, IBS durch die WTC-Methode berechnet und IBS durch Permutation in einer Hyperscanning-Studie validiert werden können. Darüber hinaus diskutieren wir die kritischen Probleme bei der Verwendung der oben genannten Methoden, einschließlich der Auswahl von fNIRS-Signalen, Methoden der Datenvorverarbeitung und optionalen Parametern von Berechnungen. Zusammenfassend lässt sich sagen, dass die Verwendung der WTC-Methode und der Permutation eine potenzielle Standardpipeline für die Analyse von IBS in fNIRS-Hyperscanning-Studien ist, die sowohl zur Reproduzierbarkeit als auch zur Zuverlässigkeit von IBS beiträgt.

Zusammenfassung

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

Die Dynamik zwischen gekoppelten Gehirnen von Individuen wurde zunehmend durch Inter-Brain-Synchronisation (IBS) dargestellt, wenn sie miteinander koordiniert werden, meist unter Verwendung von simultanen Aufzeichnungssignalen von Gehirnen (nämlich Hyperscanning) mit fNIRS. In fNIRS-Hyperscanning-Studien wurde IBS aufgrund seines Vorteils bei der Erweiterung von Zeitreihen in einen Zeit-Frequenz-Raum, in dem Oszillationen auf sehr intuitive Weise beobachtet werden können, üblicherweise durch die Wavelet-Transformationskohärenz-Methode (WTC) bewertet. Das beobachtete IBS kann über die permutationsbasierte zufällige Paarung von Studie, Partner und Bedingung weiter validiert werden. Hier wird ein Protokoll vorgestellt, um zu beschreiben, wie Gehirnsignale über die fNIRS-Technologie erhalten, IBS durch die WTC-Methode berechnet und IBS durch Permutation in einer Hyperscanning-Studie validiert werden können. Darüber hinaus diskutieren wir die kritischen Probleme bei der Verwendung der oben genannten Methoden, einschließlich der Auswahl von fNIRS-Signalen, Methoden der Datenvorverarbeitung und optionalen Parametern von Berechnungen. Zusammenfassend lässt sich sagen, dass die Verwendung der WTC-Methode und der Permutation eine potenzielle Standardpipeline für die Analyse von IBS in fNIRS-Hyperscanning-Studien ist, die sowohl zur Reproduzierbarkeit als auch zur Zuverlässigkeit von IBS beiträgt.

Einleitung

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

Wenn Menschen sich mit anderen koordinieren, werden ihre Gehirne und Körper durch kontinuierliche gegenseitige Anpassung zu einer gekoppelten Einheit. Die Kopplung zwischen Gehirnen kann durch Inter-Brain-Synchronisation (IBS) durch den Hyperscanning-Ansatz dargestellt werden, der gleichzeitig die Gehirnsignale von zwei oder mehr Individuen aufzeichnet1. In der Tat hat eine wachsende Zahl von fNIRS / EEG-Hyperscanning-Studien IBS in verschiedenen Kollaborationskontexten gefunden, einschließlich Fingerklopfen2,Gruppengehen3,Schlagzeug spielen4,Gitarre spielen5und Singen / Summen6. fNIRS wird häufig für die Erforschung von IBS während der sozialen Interaktion verwendet, da es die Kopf- / Körperbewegungen in relativ natürlichen Umgebungen (im Vergleich zu fMRT / EEG) weniger einschränkt7.

Der Artikel stellt ein Protokoll zur Berechnung von IBS mittels Wavelet-Transformationskohärenz (WTC) -Methode in einer fNIRS-Hyperscanning-Studie vor. WTC ist eine Methode zur Beurteilung der Kreuzkorrelation zwischen zwei Bewegungssignalen auf der Zeit-Frequenz-Ebene und kann daher mehr Informationen liefern als die traditionelle Korrelationsanalyse (z. B. Pearson-Korrelation und Kreuzkorrelation), die nur im Zeitbereich8 liegt. Darüber hinaus werden hämodynamische Signale in Wavelet-Komponenten umgewandelt, die das niederfrequente Rauschen effektiv entfernen können. Obwohl WTC zeitaufwendig ist, war es die am häufigsten verwendete Methode zur Berechnung von IBS in Aktion Nachahmung9, kooperatives Verhalten10, verbale Kommunikation11, Entscheidungsfindung12und interaktives Lernen13.

Der Artikel stellt auch vor, wie IBS mit der permutationsbasierten zufälligen Analyse von Studien, Bedingungen und Teilnehmern validiert werden kann. Das IBS in Hyperscanning-Studien wird immer vorgeschlagen, um die soziale Online-Interaktion zwischen Individuen zu verfolgen, während es auch durch andere Erklärungen interpretiert werden kann, wie die Reizähnlichkeit, Bewegungsähnlichkeit oder Zustandsähnlichkeit14. Der Permutationstest, auch Randomisierungstest genannt, kann genutzt werden, um die oben genannten Nullhypothesen durch Neuabtastung der beobachteten Daten zu testen15. Durch die Verwendung der Permutation ist es nützlich zu untersuchen, ob das identifizierte IBS spezifisch für interaktives Verhalten ist, das von der Modulation von IBS innerhalb von Dyaden bis hin zu Partnergruppenreicht 16.

Das hier beschriebene Protokoll beschreibt, wie Gehirnsignale über die fNIRS-Technologie erhalten, IBS durch die WTC-Methode berechnet und IBS durch Permutationstests in einer Hyperscanning-Studie validiert werden. Diese Studie zielt darauf ab, zu untersuchen, ob privilegierte IBS durch Musikmeter während der sozialen Koordination hervorgerufen wird. Die Gehirnsignale wurden im frontalen Kortex aufgezeichnet, basierend auf der Lage des IBS in einem früheren Befund1. Die experimentelle Aufgabe wurde ursprünglich von Konvalinka und ihren Colleges17entwickelt, bei der die Teilnehmer gebeten wurden, ihre Finger mit dem auditiven Feedback des Partners oder sich selbst zu klopfen, nachdem sie die Meter- oder Nicht-Meter-Reize gehört hatten.

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

Protokoll

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

Das hier vorgestellte Protokoll wurde vom University Committee on Human Research Protection der East China Normal University genehmigt.

1. Vorbereitung auf das Experiment

  1. Teilnehmer
    1. Rekrutieren Sie eine Gruppe von Studenten und Doktoranden mit finanzieller Entschädigung durch die Campus-Werbung.
    2. Stellen Sie sicher, dass die Teilnehmer Rechtshänder sind und normales oder auf normales Sehen und Hören korrigiert haben. Stellen Sie sicher, dass sie musik nicht oder weniger als 3 Jahre zuvor studiert haben.
    3. Passen Sie die Schüler zufällig in Dyaden an. Um die potenziellen Auswirkungen der Vertrautheit der Partner auf die soziale Koordination zu kontrollieren18, stellen Sie sicher, dass sich die Mitglieder jeder Dyade noch nie zuvor gesehen oder gekannt haben.
  2. Experimenteller Stimulus
    1. Erstellen Sie die auditiven Reize (440 Hz, 660 ms reine Töne) mit jeder freien Musikkompositions- und Notationssoftware.
    2. Wiederholen Sie die Töne mit einem Intervall von 500-1000 ms und kombinieren Sie sie zu einer Tonfolge. Jede Tonfolge ist 12 s länger und besteht aus 12 Tönen.
    3. Akzentuieren Sie für eine Tonfolge jeden ersten Ton (+6 dB), um das Muster von Downbeats und Upbeats zu erzeugen, definiert als Der Meter-Stimulus (Supplementary Audio 1). In der zweiten Tonfolge unakzent die Töne mit gleicher Intensität (40 dB über der individuellen Empfindungsschwelle, gesammelt vor der Experimentieraufgabe), die dem Nicht-Meter-Stimulus entsprachen (Supplementary Audio 2).
  3. Experimentelle Aufgabe
    1. Programmieren Sie die experimentelle Aufgabe mit einem psychologischen Software-Tool.
    2. Ordnen Sie zwei Stufen für die experimentelle Aufgabe an (Abbildung 1A), wie in den Schritten 1.3.3-1.3.6 beschrieben.
    3. Zweiter Ruhezustand: Bitten Sie die Teilnehmer, mit entspanntem Geist und geschlossenen Augen so bewegungslos wie möglich zu bleiben.
    4. Fingerklopfaufgabe: Fordern Sie die Teilnehmer auf, zwei Teile zu absolvieren: einen Koordinationsteil und einen Unabhängigkeitsteil.
    5. Geben Sie während des Koordinationsteils jedem Teilnehmer auditives Feedback (d. h. ein Tropfgeräusch, das einem Tippen entspricht) nur für die Antwort, die vom anderen Mitglied der Dyade generiert wird. Bitten Sie die Teilnehmer, ihr Bestes zu geben, um synchron mit dem anderen Mitglied zu antworten.
    6. Stellen Sie für den Unabhängigkeitsteil sicher, dass beide Teilnehmer das auditive Feedback (d. H. Ein Tropfgeräusch, das einem Tippen entspricht) ihrer eigenen Antworten erhalten haben, und bitten Sie sie, so genau wie möglich synchron mit dem auditiven Reiz zu reagieren.
      HINWEIS: In Kombination mit den Zähler- und Nicht-Meter-Reizen befanden sich die Teilnehmer in einer von vier verschiedenen Bedingungen: (i) Meterkoordination - beide Teilnehmer hörten Meter und die Antworten voneinander; (ii) Nicht-Meter-Koordination - beide Teilnehmer hörten Nicht-Meter und die Antworten voneinander; (iii) Zählerunabhängigkeit - beide Teilnehmer hörten Meter und die Antworten von sich selbst; (iv) Nicht-Meter-Unabhängigkeit - beide Teilnehmer hörten Nicht-Meter und die Antworten von sich selbst.
    7. Lassen Sie die Teilnehmer für jede Studie zuerst ein Stück des Auditreizes (12 s) hören, gefolgt von einem Ton (262 Hz, 1000 ms), der als Hinweis dient, um mit dem Tippen auf den Finger zu beginnen.
    8. Bitten Sie die Teilnehmer, den Zuvor gehörten Reiz zu reproduzieren, indem Sie mit dem rechten Zeigefinger auf die Tastatur tippen (Teilnehmer Nr. 1: "f"; Teilnehmer Nr. 2: "j"). Die Teilnehmer müssen 12 Mal tippen, während sie das gleiche Zeitintervall zwischen den Tönen wie der zuvor präsentierte Stimulus einhalten.
      ANMERKUNG: Es gab 60 Studien, die gleichmäßig in 4 Blöcken zugeordnet waren, die den 4 experimentellen Bedingungen entsprachen, nämlich 15 Studien in einem Block. Die Reihenfolge der Blöcke wurde ausgeglichen. Die Gesamtdauer der Klopfaufgabe betrug ca. 26 min.
    9. Lassen Sie die Teilnehmer zwischen den Blöcken 30 s ruhen.
    10. Erlauben Sie den Teilnehmern während des gesamten Experiments nicht, durch eine Sprache oder Bewegung zu kommunizieren. Trennen Sie die Teilnehmer mit dem Computermonitor, um alle visuellen Informationen zu blockieren, die Nachrichten zwischen ihnen übermitteln könnten.
  4. Hausgemachte fNIRS Mützen: Kaufen Sie zwei elastische Badekappen normaler Größe. Um die interessierende Gehirnregion abzudecken, reparieren Sie die Badekappen wie in den folgenden Schritten beschrieben:
    1. Setzen Sie eine Badekappe auf eine Kopfform und setzen Sie dann eine Standard-10-20-EEG-Kappe auf die Schwimmkappe.
    2. Markieren Sie die Position von FCz auf der Badekappe mit einem roten magischen Marker.
    3. Nehmen Sie die EEG-Kappe von der Kopfform ab.
    4. Legen Sie ein Optodensondenpflaster (3 x 5 Setup) auf die Schwimmkappe und richten Sie die Mitte der zweiten Sondenreihe des Patches mit der markierten Position von FCz aus.
      HINWEIS: Das Optodensonden-Patch enthielt 15 Positionen von Optodensonden (d. h. 8 Emitter und 7 Detektoren), die 22 Messkanäle mit 3 cm Optodentrennung bildeten(Abbildung 1B).
    5. Markieren Sie die Positionen der 15 Sonden des Pflasters auf der Badekappe.
    6. Nehmen Sie das Pflaster und die Badekappe von der Kopfform ab.
    7. Schneiden Sie mit einer Schere 15 kleine Löcher an den markierten Stellen der 15 Sonden ab.
    8. Befestigen Sie das Pflaster an der modifizierten Schwimmkappe, indem Sie die Positionen von 15 Sonden in die entsprechenden 15 Löcher einbetten.
    9. Reparieren Sie die andere Badekappe gemäß dem oben genannten Verfahren.
      HINWEIS: Die hausgemachte fNIRS-Kappe, bei der die Standorte der Optoden den Standard-EEG-Standorten entsprechen, wurde verwendet, da für das in dieser Studie verwendete fNIRS-System keine Standard-EEG-Kappen anwendbar waren. Es besteht keine Notwendigkeit, eine fNIRS-Kappe herzustellen, wenn es geeignete Standard-EEG-Kappen mit dem fNIRS-System gibt.

2. Vor anreisen

HINWEIS: Stellen Sie sicher, dass Sie die Schritte 2.1-2.5 befolgen, bevor die Teilnehmer im Labor ankommen.

  1. Erinnern Sie die beiden Teilnehmer an eine Dyade, um gemäß dem vereinbarten Zeitplan ins Labor zu kommen.
  2. Starten Sie das fNIRS-System mindestens 30 Minuten im Voraus und lassen Sie den Laser ausgeschaltet.
  3. Setzen Sie die Optodensonden aus dem fNIRS-System in die Optodensonden-Patches ein.
  4. Untersuchen Sie die Parameter der fNIRS-Messung (z. B. Subjekt-ID, ereignisbezogener Modus, Optodensondenanordnung).
  5. Stellen Sie das Versuchsgerät mit einem Tisch, zwei Stühlen, zwei 19-Zoll-Computermonitoren und zwei Kopfhörern ein (Abbildung 1C).

3. Ankunft der Teilnehmer im Labor

HINWEIS: Ich schätze die beiden Teilnehmer einer Dyade aufrichtig, wenn sie im fNIRS-Labor ankommen. Bitten Sie sie, ihr Telefon in den lautlosen Modus zu versetzen und ihre persönlichen Gegenstände vorübergehend im Schrank zu lassen. Führen Sie dann die folgenden Prozesse nacheinander durch:

  1. Bevor sich die Teilnehmer hinsetzen, bestätigen Sie erneut, dass sich die beiden Teilnehmer noch nie zuvor gesehen haben. Stellen Sie sicher, dass sie im Labor nicht durch Sprache oder Bewegung miteinander kommuniziert haben.
  2. Stellen Sie den Teilnehmern Einverständniserklärungen zur Verfügung, die vom Universitätsausschuss für Humanforschung genehmigt wurden.
  3. Weisen Sie die Teilnehmer in die Details der experimentellen Aufgabe ein. Bitten Sie sie, Kopfhörer zu tragen und geben Sie ihnen mehrere Übungsversuche.
  4. Erlauben Sie in den Übungsversuchen den beiden Teilnehmern jeder Dyade, gemeinsam zu üben.
    HINWEIS: Vor dem Tragen der fNIRS-Kappe lohnt es sich, die Kopfgröße für jeden Teilnehmer anhand einer flexiblen Regel zu messen und zu bestimmen. Wählen Sie dann die richtige Größenkappe für den Teilnehmer entsprechend seiner Kopfgröße aus. In dieser Studie wurde ein solcher Schritt verpasst, da Badekappen in Einheitsgröße verwendet wurden. Es ist besser, diesen Schritt am Tag vor dem Experiment durchzuführen, da die relativen Operationen (z. B. Messen der Kopfgröße, Auswählen der richtigen Schwimmkappe, Befestigen der Optodensondenpflaster an der Schwimmkappe und Einsetzen der Optodensonden in die Sondenpflaster) zeitaufwendig sind (ca. 20-30 min).
  5. Setzen Sie die fNIRS-Kappe auf den Kopf der Teilnehmer, wobei die Mitte der Kappe auf die Position von CZ zeigt, und platzieren Sie die mittlere Optodensonde der zweiten Sondenreihe des Patches bei FCz.
  6. Bedienen Sie das fNIRS-System, um die Signalkalibrierung bei eingeschaltetem Laser durchzuführen.
  7. Wenn an einem Kanal ein unzureichendes Signal vorhanden ist, stellen Sie die Signalintensität mit einem Faserstick ein, um das Haar vorsichtig unter der umgebenden Sondenspitze beiseite zu legen.
  8. Wenn nötig, drücken Sie die Sonden vorsichtig, aber stellen Sie sicher, dass die Teilnehmer nicht verletzt werden.
  9. Wiederholen Sie die Schritte 3.5-3.8, bis die Qualität des Signals zugänglich ist. Stellen Sie sicher, dass sich die Teilnehmer während des gesamten Prozesses der Signalkalibrierung wohl fühlen.
  10. Helfen Sie den Teilnehmern, eine bequeme Haltung für sich selbst zu finden (z.B. bequeme Körperpositionen). Erinnern Sie die Teilnehmer daran, ihre Köpfe während der gesamten experimentellen Aufgabe (d.h. ca. 26 min) so bewegungslos wie möglich zu halten.
  11. Überprüfen Sie erneut die Qualität der NIRS-Signale. Wenn in allen Kanälen genügend Signale vorhanden sind, führen Sie den Versuchsvorgang auf dem Desktop-Computer aus.
  12. Helfen Sie den Teilnehmern, die Kopfhörer und die fNIRS-Kappe nach Abschluss des experimentellen Verfahrens abzunehmen. Geben Sie ihre persönlichen Gegenstände zurück und danken Sie ihnen mit einer finanziellen Entschädigung.
  13. Bedienen Sie das fNIRS-System zum Speichern von Daten. Verwenden Sie eine Disc, um rohe fNIRS-Daten zu exportieren (.csv), und verwenden Sie einen USB-Stick, um die Verhaltensdaten vom Computer zu kopieren.
  14. Schließen Sie das fNIRS-System und den Computer, wenn keine Versuchsanordnung mehr vorhanden ist.
  15. Halten Sie das Labornotizbuch bereit, um Ereignisse, insbesondere Anomalien während des gesamten Experiments, aufzuzeichnen.

4. Datenanalyse

HINWEIS: Führen Sie alle Datenanalysen mithilfe der MATLAB-Software mit den folgenden Toolboxes durch: HOMER219, Hitachi2nirs20, xjView21, Cross Wavelet und Wavelet Coherence Toolbox22und Groppes Skripte in MathWork23.

  1. Datenvorverarbeitung
    1. Führen Sie die Schritte 4.1.2-4.1.3 aus, um die Datenqualität zu überprüfen.
    2. Lesen Sie die Datendateien (.csv) für jeden Teilnehmer mit der readHitachData-Funktion von xjView.
      HINWEIS: Auf diese Weise werden die Hitachi-Messdaten (csv-Format) mit den in der Messung gespeicherten Informationen (d. h. Wellenlänge, Zeitdaten und Kanalliste) in oxyHb/desoxyHb/Markerdaten konvertiert.
    3. Überprüfen Sie visuell die Qualität in oxyHb- und desoxyHb-Werten, indem Sie die Zeitreihen aller Kanäle in einer Abbildung mit der Funktion plotTraces von xjView darstellen.
      HINWEIS: Es ist einfach, Anomalien in den Daten zu identifizieren. Der Kanal, der viel Rauschen aufweist, kann in der nachfolgenden Analyse ausgeschlossen werden.
    4. Konvertieren Sie Hitachi-Dateien (.csv) in das .nirs-Dateiformat mit der csv2nirs-Funktion von Hitachi2nirs, die die weitere Datenvorverarbeitung mit Homer2 unterstützt.
    5. Transformieren Sie die Rohdaten in optische Dichte mit der Funktion hmrIntensity2OD von Homer2.
    6. Verwenden Sie Hauptkomponentenanalysen (PCA)24, um das globale physiologische fNIRS-Rauschen zu entfernen, indem Sie die Funktion enPCAFilter (nSV = 0,8, d.h. 80% der Kovarianz der Daten wurden entfernt) von Homer2 verwenden.
    7. Verwenden Sie die korrelationsbasierte Signalverbesserungsmethode (CBSI)25, um Kopfbewegungsartefakte mithilfe der Funktion hmrMotionCorrect_Cbsi von Homer2 zu entfernen.
    8. Verwenden Sie das modifizierte Beer-Lembert-Gesetz, um die verarbeitete optische Dichte mit der hmrOD2Conc-Funktion von Homer2 in oxyHb- und desoxyHb-Werte umzuwandeln.
  2. IBS berechnen
    HINWEIS: Verwenden Sie für die vorverarbeiteten oxyHb-Werte WTC, um die Kohärenzwerte für das Kanalpaar zu berechnen, die von derselben Position der Dyade stammen, einschließlich der folgenden Pipeline:
    1. Übernehmen Sie die wtc-Funktion der Cross Wavelet- und Wavelet Coherence-Toolbox mit Standardparametern, um die Kohärenzwerte zu jedem Zeitpunkt und Frequenzpunkt zu berechnen, um eine zweiachsige Matrix von Kohärenzwerten zu erhalten.
    2. Verwenden Sie für die Standardparameter Morlet-Mutter-Wavelet, um jede Zeitreihe durch die kontinuierliche Wavelet-Transformation in den Zeit- und Frequenzbereich zu transformieren.
    3. Wählen Sie MonteCarloCount aus, um die Anzahl der Ersatzdatensätze in der Signifikanzberechnung darzustellen, und wählen Sie Auto AR1, um die Autokorrelationskoeffizienten der Zeitreihe zu berechnen.
    4. Wählen Sie das Frequenzband von Interesse (FOI), wie in den Schritten 4.2.5-4.2.8 erwähnt.
    5. Wählen und mittelen Sie die Kohärenzwerte des Frequenzbandes zwischen 0,5-1 Hz (bzw. periode 2 s und 1 s) entsprechend dem Frequenzband, das in der Fingerbewegungsaufgabe einer früheren fNIRS-Hyperscanning-Studie verwendet wurde9. Ein solcher FOI entsprach auch dem Zeitraum eines Taps in der experimentellen Aufgabe. So erhalten Sie eine Spalte mit Kohärenzwerten für jedes Paar.
      HINWEIS: Um den FOI weiter statistisch zu bestätigen, berechnen Sie die Kohärenzwerte für jede Dyade über den gesamten Frequenzbereich (d. h. 0,008-10 Hz für die Daten), anstatt nur das ausgewählte Frequenzband einzuschränken (d. h. 0,5-1 Hz).
    6. Mittelwert der Kohärenzwerte der Zielzeitfenster (wie 4.2.3) für jeden Frequenzpunkt.
    7. Analysieren Sie als Nächstes die durchschnittlichen Kohärenzwerte nach der in den Schritten 4.2.9-4.2.11 beschriebenen Pipeline und den nachfolgenden Statistiken (d. h. 4.3.1 - 4.3.2) für jeden Frequenzpunkt.
    8. Untersuchen Sie schließlich den FOI visuell, indem Sie die statistischen Z-Werte jedes Kanals frequenzübergreifend darstellen.
    9. Wählen und mitteln Sie die Kohärenzwerte des Zeitfensters während des Ruhezustands (Zeitfenster für 20 s-Ruhezustand) und jeder experimentellen Bedingung (d. h. Zählerkoordination, Nicht-Meter-Koordination, Zählerunabhängigkeit und Nicht-Zählerunabhängigkeit) unter Verwendung der Informationen der Markierung. So erhalten Sie fünf Kohärenzwerte für jede Dyade.
    10. Wählen Sie für die Aufgabensitzung nur die Dauer aus, während der die Teilnehmer den auditiven Reiz angezapft haben, etwa 12 s für jede Studie, also insgesamt 180 s (dh 12 s x 15 Versuche) für jede experimentelle Bedingung.
      HINWEIS: IBS wurde als Kohärenzerhöhung berechnet (die größeren subtrahierten Kohärenzwerte als Null), d. h. die größeren Kohärenzwerte in der Aufgabensitzung im Vergleich zu denen in der Ruhezustandssitzung.
    11. Subtrahieren Sie den Ruhekohärenzwert vom aufgabenbezogenen Kohärenzwert, in dem der Kohärenzwert während des Ruhezustands in diesem Experiment als Basiswert verwendet wurde.
      HINWEIS: Durch Wiederholen der obigen Schritte (4.2.1-4.2.11) über Kanäle (d. h. 22 Kanäle) und Dyaden (d. h. 16 Dyaden) hinweg wurden schließlich die subtrahierten Kohärenzwerte für jede Dyade an jedem Kanal erhalten.
  3. Statistik
    1. Vergleichen Sie die subtrahierten Kohärenzwerte mit Null an jedem Kanal für jede experimentelle Bedingung unter Verwendung des gepaarten Permutations-t-Tests mit der mult_comp_perm_t1 Funktion von Groppes Arbeit (5000 Permutationen zur Schätzung der Verteilung der Nullhypothese; gewünschter familienweiser Alpha-Level - 0,05; zweiseitiger Test, was bedeutet, dass die alternative Hypothese darin besteht, dass der Mittelwert der Daten von 0 abweicht) als abnormale Datenverteilung und begrenzte Stichprobengröße im aktuellen Experiment26.
      HINWEIS: Der Permutations-t-Test für gepaarte Stichproben ähnelt hier dem gepaarten t-Test, aber der letztere geht davon aus, dass die Daten normalverteilt sind, während der erstere dies nicht tut. Ein solcher Test beginnt auf die gleiche Weise wie der gepaarte t-Test, dh durch die Berechnung eines t-Scores (dh des realen t-Scores) für die Kohärenzwerte in verschiedenen Gruppen (einer ist der subtrahierte Kohärenzwert in der Aufgabenbedingung, der andere ist Null). Dann wird eine Permutation erzeugt, indem die Kohärenzwerte verschiedener Gruppen ausgetauscht werden, und ein neuer t-Score wird für die subtrahierten Kohärenzwerte und Nullen nach dieser Permutation berechnet. Eine solche Permutation wird 5000 Mal durchgeführt. Somit werden 5000 t Scores erhalten. Bei der Verteilung der 5000 t-Werte erzeugt die relative Position des realen t-Scores den p-Wert für die subtrahierten Kohärenzwerte.
    2. Korrigieren Sie die p-Werte (d. h. aufgrund des Mehrfachvergleichsproblems und generieren Sie aus den Vergleichen über 22 Kanäle in einem Patch) mit der False Discovery Rate-Methode (p < 0,05)27. Führen Sie diese Korrektur über die mafdr-Funktion der MATLAB-Toolbox durch.
      HINWEIS: Wenn der p-Wert an einem beliebigen Kanal nach der FDR-Korrektur signifikant war (d. h. p < 0,05), liegt an diesem Kanal IBS vor.
    3. Vergleichen Sie die Kohärenzwerte zwischen verschiedenen Aufgabenbedingungen auf dem Kanal, in dem IBS existierte, unter Verwendung des gepaarten Permutations-t-Tests mit der mult_comp_perm_t1 Funktion von Groppes Arbeit (dieselben Parameter wie in Schritt 4.3.1 erwähnt).
      HINWEIS: Um das IBS während der zwischenmenschlichen Koordination in Bezug auf Meter- vs. Nicht-Meter-Stimuli intuitiv zu untersuchen, vergleichen Sie die Kohärenzwerte verschiedener Bedingungen direkt (z. B. Zählerkoordination vs. Nicht-Meter-Koordination; Zählerkoordination vs. Zählerunabhängigkeit).
    4. Berechnen Sie die Verhaltensleistung durch die absolute Differenz zwischen der Reaktionszeit der Partner geteilt durch die Summe der Antworten beider Partner56.
    5. Bewerten Sie die Beziehung zwischen dem IBS und der Verhaltensleistung durch den Permutationstest, der auf der linearen Korrelationsanalyse von Pearson basiert (d. H. Die mult_comp_perm_corr Funktion von Groppes Arbeit).
  4. Validierung von IBS
    HINWEIS: Um die Erklärungen auszuschließen, dass ähnliche Reize, Bewegungen oder Bedingungen das demonstrierte IBS induziert haben, verwenden Sie einen Permutationstest als Validierungsansatz mit drei Permutationen (d. H. Innerhalb der Dyade, zwischen Dyade und zwischen Bedingungspermutationen), einschließlich der folgenden:
    1. Randomisieren Sie die Bezeichnung von Studien in der Meterkoordinationsbedingung (d. h. innerhalb der Dyadenpermutation, wie z. B. Versuch Nr. 1 und Versuch Nr. 13 in Dyade Nr. 1) für eine Dyade an jedem Kanal über die Randperm-Funktion von MATLAB.
    2. Befolgen Sie die obige Pipeline zur Berechnung von IBS und Statistiken (d. h. Abschnitte 4.2 und 4.3, jedoch ohne die Sensitivitätsanalyse für FOI) für das Label der randomisierten Studie.
      HINWEIS: Berechnen Sie die Kohärenzwerte des falschen Paares für jede Bedingung separat und berechnen Sie die Kohärenzerhöhung für das gefälschte Paar (d. h. subtrahieren Sie den Ruhekohärenzwert vom aufgabenbezogenen Kohärenzwert für das falsche Paar).
    3. Führen Sie die Permutation 1000 Mal durch, gefolgt von der Pipeline zur Berechnung von IBS und Statistiken (Abschnitte 4.2 und 4.3).
    4. Zeichnen Sie die Verteilung der statistischen z-Werte, die innerhalb der Dyadenpermutation generiert werden.
    5. Führen Sie die Schritte 4.4.2-4.4.4 durch randomisierte Paarung der Teilnehmer derselben Studie unter der Meterkoordinationsbedingung durch (d. h. zwischen Dyadenpermutation, z. B. Teilnehmer Nr. 1 in Dyade Nr. 1 und Teilnehmer Nr. 1 in Dyade Nr. 3).
    6. Führen Sie die Schritte 4.4.2-4.4.4 durch, indem Sie die Bezeichnung der Bedingungen für dieselben Mitglieder einer Dyade in derselben Studie randomisieren (d. h. zwischen der Zustandspermutation, z. B. Teilnehmer Nr. 1 in der Zählerkoordinationsbedingung und Teilnehmer Nr. 2 in der Zählerunabhängigkeitsbedingung).

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

Ergebnisse

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

Die Ergebnisse zeigten, dass es IBS auf Kanal 5 in der Zählerkoordinationsbedingung gab, während unter anderen Bedingungen (d. h. Zählerunabhängigkeit, Nicht-Zählerkoordination, Nicht-Zählerunabhängigkeit; Abbildung 2A). Bei Kanal 5 war das IBS in der Zählerkoordinationsbedingung signifikant höher als die Kohärenzwerte in der Nicht-Meterkoordinations- und Zählerunabhängigkeitsbedingung (Abbildung 2B). Kanal 5 gehörte ungefähr zum linken dorsolateralen präfrontal...

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

Diskussion

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

Dieses Protokoll bietet ein Schritt-für-Schritt-Verfahren zur Berechnung und Validierung von IBS mit dem fNIRS-Hyperscanning-Ansatz, um gleichzeitig die Gehirnsignale von zwei Teilnehmern zu sammeln. Einige kritische Probleme im Zusammenhang mit der fNIRS-Datenvorverarbeitung, der IBS-Berechnung, der Statistik und der IBS-Validierung werden im Folgenden erläutert.

Datenvorverarbeitung
Es ist notwendig, fNIRS-Daten in Hyperscanning-Studien vorzuverarbeiten, um reale Signale ...

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 Forschung wurde unterstützt von: National Natural Science Foundation of China (31872783, 31800951).

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
ComputerHewlett-Packard Entwicklungsgesellschaft, L.P.HP S01-pF157mcn
KopfhörerRoyal Philips Electronics, Eindhoven, NiederlandeSHE2405BK/00
EEG-KappeCompumedics Neuroscan, Charlotte, USA64-Kanal Quik-Cap
E-Prime SoftwarePsychology Software Tools, Inc., Pittsburgh, USAE-Prime 3
fNIRS SystemHitachi Medical Corporation, Tokio, JapanETG-7100 Optisches Topographiesystem
MATLAB 2014bThe MathWorks, Inc., Natick, MAMATLAB 2014b
MuseScoreMusescore Company, BelgienMuseScore 3.6.2.548021803
BadekappeDecathlon Group, Villeneuve-d'Ascq, Frankreich1681552

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Kingsbury, L., Hong, W. A Multi-Brain Framework for Social Interaction. Trends in Neurosciences. 43 (9), 651-666 (2020).
  2. Konvalinka, I., Bauer, M., Stahlhut, C., Hansen, L. K., Roepstorff, A., Frith, C. D. Frontal alpha oscillations distinguish leaders from followers: multivariate decoding of mutually interacting brains. NeuroImage. 94, 79-88 (2014).
  3. Ikeda, S., et al. Steady Beat Sound Facilitates both Coordinated Group Walking and Inter-Subject Neural Synchrony. Frontiers in Human Neuroscience. 11, 147(2017).
  4. Duan, L., et al. Cluster imaging of multi-brain networks (CIMBN): a general framework for hyperscanning and modeling a group of interacting brains. Frontiers in Neuroscience. 9, 267(2015).
  5. Sanger, J., Muller, V., Lindenberger, U. Intra- and interbrain synchronization and network properties when playing guitar in duets. Frontiers in Human Neuroscience. 6, 312(2012).
  6. Muller, V., Delius, J. A. M., Lindenberger, U. Hyper-frequency network topology changes during choral singing. Frontiers in Physiology. 10, 207(2019).
  7. Egetemeir, J., Stenneken, P., Koehler, S., Fallgatter, A. J., Herrmann, M. J. Exploring the neural basis of real-life joint action: Measuring brain activation during joint table setting with functional near-infrared spectroscopy. Frontiers in Human Neuroscience. 5, 95(2011).
  8. Grinsted, A., Moore, J. C., Jevrejeva, S. Application of the cross wavelet transform and wavelet coherence to geophysical time series. Nonlinear Processes in Geophysics. 11 (5-6), 561-566 (2004).
  9. Holper, L., Scholkmann, F., Wolf, M. Between-brain connectivity during imitation measured by fNIRS. NeuroImage. 63 (1), 212-222 (2012).
  10. 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).
  11. Jiang, J., Dai, B., Peng, D., Zhu, C., Liu, L., Lu, C. Neural synchronization during face-to-face communication. Journal of Neuroscience. 32 (45), 16064-16069 (2012).
  12. Tang, H., Mai, X., Wang, S., Zhu, C., Krueger, F., Liu, C. Interpersonal brain synchronization in the right temporo-parietal junction during face-to-face economic exchange. Social Cognitive and Affective Neuroscience. 11 (1), 23-32 (2016).
  13. 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).
  14. Konvalinka, I., Roepstorff, A. The two-brain approach: how can mutually interacting brains teach us something about social interaction. Frontiers in Human Neuroscience. 6, 215(2012).
  15. Karlsson, A. Permutation, parametric, and bootstrap tests of hypotheses. Journal of the Royal Statistical Society Series a-Statistics in Society. 169, 171(2006).
  16. Ayrolles, A., et al. HyPyP: a Hyperscanning python pipeline for inter-brain connectivity analysis. Social Cognitive and Affective Neuroscience. 16 (1-2), 72-83 (2021).
  17. Konvalinka, I., Vuust, P., Roepstorff, A., Frith, C. D. Follow you, follow me: continuous mutual prediction and adaptation in joint tapping. Quarterly Journal of Experimental Psychology. 63 (11), 2220-2230 (2010).
  18. Majolo, B., et al. Human friendship favours cooperation in the iterated prisoner's dilemma. Behaviour. 143, 1383-1395 (2006).
  19. Homer2. , Available from: https://www.nitrc.org/projects/hitachi2nirs (2021).
  20. Hitachi2nirs. , Available from: https://www.nitrc.org/projects/hitachi2nirs (2021).
  21. xjview. , Available from: https://www.alivelearn.net/xjview/ (2021).
  22. Cross Wavelet and Wavelet Coherence toolbox. , Available from: http://grinsted.github.io/wavelet-coherence/ (2021).
  23. Groppe's scripts in MathWork. , Available from: https://uk.mathworks.com/matlabcentral/profile/authors/1948879 (2021).
  24. Zhang, Y., Brooks, D. H., Franceschini, M. A., Boas, D. A. Eigenvector-based spatial filtering for reduction of physiological interference in diffuse optical imaging. Journal of Biomedical Optics. 10 (1), 011014(2005).
  25. Cui, X., Bray, S., Reiss, A. L. Functional near infrared spectroscopy (NIRS) signal improvement based on negative correlation between oxygenated and deoxygenated hemoglobin dynamics. NeuroImage. 49 (4), 3039-3046 (2010).
  26. Lumley, T., Diehr, P., Emerson, S., Chen, L. The importance of the normality assumption in large public health data sets. Annual Review of Public Health. 23 (1), 151-169 (2002).
  27. Benjamini, Y., Yekutieli, D. The control of the false discovery rate in multiple testing under dependency. Annals of Statistics. 29 (4), 1165-1188 (2001).
  28. Miller, B. L., Cummings, J. L. The human frontal lobes: Functions and disorders. , Guilford Press. New York. (2007).
  29. vanden Bos, W., van Dijk, E., Westenberg, M., Rombouts, S. A. R. B., Crone, E. A. What motivates repayment? Neural correlates of reciprocity in the Trust Game. Social Cognitive and Affective Neuroscience. 4 (3), 294-304 (2009).
  30. Corbetta, M., Shulman, G. L. Control of goal-directed and stimulus-driven attention in the brain. Nature Reviews Neuroscience. 3 (3), 201-215 (2002).
  31. Ferreri, L., Aucouturier, J. J., Muthalib, M., Bigand, E., Bugaiska, A. Music improves verbal memory encoding while decreasing prefrontal cortex activity: an fNIRS study. Frontiers in Human Neuroscience. 7, 779(2013).
  32. Cheng, X., Li, X., Hu, Y. Synchronous brain activity during cooperative exchange depends on gender of partner: A fNIRS-based hyperscanning study. Human Brain Mapping. 36 (6), 2039-2048 (2015).
  33. Hu, Y., Hu, Y., Li, X., Pan, Y., Cheng, X. Brain-to-brain synchronization across two persons predicts mutual prosociality. Social Cognitive and Affective Neuroscience. 12 (12), 1835-1844 (2017).
  34. Delgado Reyes, L. M., Bohache, K., Wijeakumar, S., Spencer, J. P. Evaluating motion processing algorithms for use with functional near-infrared spectroscopy data from young children. Neurophotonics. 5 (2), 025008(2018).
  35. Zhang, Y., Brooks, D. H., Franceschini, M. A., Boas, D. A. Eigenvector-based spatial filtering for reduction of physiological interference in diffuse optical imaging. Journal of Biomedical Optics. 10 (1), 11014(2005).
  36. Molavi, B., Dumont, G. A. Wavelet-based motion artifact removal for functional near-infrared spectroscopy. Physiological Measurement. 33 (2), 259-270 (2012).
  37. Scholkmann, F., Spichtig, S., Muehlemann, T., Wolf, M. How to detect and reduce movement artifacts in near-infrared imaging using moving standard deviation and spline interpolation. Physiological Measurement. 31 (5), 649(2010).
  38. Izzetoglu, M., Chitrapu, P., Bunce, S., Onaral, B. Motion artifact cancellation in NIR spectroscopy using discrete Kalman filtering. Biomedical Engineering Online. 9 (1), (2010).
  39. Barker, J. W., Aarabi, A., Huppert, T. J. Autoregressive model based algorithm for correcting motion and serially correlated errors in fNIRS. Biomedical Optics Express. 4 (8), 1366-1379 (2013).
  40. Gagnon, L., et al. Short separation channel location impacts the performance of short channel regression in NIRS. NeuroImage. 59 (3), 2518(2012).
  41. Di Lorenzo, R., et al. Brain responses to faces and facial expressions in 5-month-olds: An fNIRS study. Frontiers in Psychology. 10, 1240(2019).
  42. Duan, L., et al. Wavelet-based method for removing global physiological noise in functional near-infrared spectroscopy. Biomed Opt Express. 9 (8), 3805-3820 (2018).
  43. Hamilton, A. Hype, hyperscanning and embodied social neuroscience. PsyArXiv. , (2020).
  44. Zhang, X., Noah, J. A., Dravida, S., Hirsch, J. Optimization of wavelet coherence analysis as a measure of neural synchrony during hyperscanning using functional near-infrared spectroscopy. Neurophotonics. 7 (1), 015010(2020).
  45. Ikeda, S., et al. Steady beat sound facilitates both coordinated group walking and inter-subject neural synchrony. Frontiers in Human Neuroscience. 11, 147(2017).
  46. Osaka, N., et al. How two brains make one synchronized mind in the inferior frontal cortex: fNIRS-based hyperscanning during cooperative singing. Frontiers in Psychology. 6, 1811(2015).
  47. Abrams, D. A., et al. Inter-subject synchronization of brain responses during natural music listening. European Journal of Neuroscience. 37 (9), 1458-1469 (2013).
  48. Hou, Y., Song, B., Hu, Y., Pan, Y., Hu, Y. The averaged inter-brain coherence between the audience and a violinist predicts the popularity of violin performance. NeuroImage. 211, 116655(2020).
  49. Baker, J. M., et al. Sex differences in neural and behavioral signatures of cooperation revealed by fNIRS hyperscanning. Scientific Reports. 6, 26492(2016).
  50. Kruppa, J. A., et al. Brain and motor synchrony in children and adolescents with ASD-a fNIRS hyperscanning study. Social Cognitive and Affective Neuroscience. 16 (1-2), 103-116 (2021).
  51. Liu, T., Duan, L., Dai, R., Pelowski, M., Zhu, C. Team-work, Team-brain: Exploring synchrony and team interdependence in a nine-person drumming task via multiparticipant hyperscanning and inter-brain network topology with fNIRS. NeuroImage. 237, 118147(2021).
  52. Dai, B., et al. Neural mechanisms for selectively tuning in to the target speaker in a naturalistic noisy situation. Nature Communications. 9 (1), 2405(2018).
  53. Li, R., Mayseless, N., Balters, S., Reiss, A. L. Dynamic inter-brain synchrony in real-life inter-personal cooperation: A functional near-infrared spectroscopy hyperscanning study. NeuroImage. 238, 118263(2021).
  54. Boas, D. A., Dale, A. M., Franceschini, M. A. Diffuse optical imaging of brain activation: approaches to optimizing image sensitivity, resolution, and accuracy. NeuroImage. 23, 275-288 (2004).
  55. Ferrari, M., Quaresima, V. A brief review on the history of human functional near-infrared spectroscopy (fNIRS) development and fields of application. NeuroImage. 63 (2), 921-935 (2012).
  56. Mu, Y., Guo, C., Han, S. Oxytocin enhances inter-brain synchrony during social coordination in male adults. Social Cognitive and Affective Neuroscience. 11 (12), 1882-1893 (2016).
  57. Chen, J., et al. Shared memories reveal shared structure in neural activity across individuals. Nature Neuroscience. 20 (1), 115-125 (2017).
  58. Regev, M., et al. Propagation of Information Along the Cortical Hierarchy as a Function of Attention While Reading and Listening to Stories. Cerebral Cortex. 29 (10), 4017-4034 (2019).

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 SynchronizationfNIRS HyperscanningWavelet Transform CoherencePermutation AnalysisBrain Signal ProcessingPrincipal Component AnalysisMotion Artifact CorrectionFrequency Band SelectionFalse Discovery RateDyad Synchronization

Verwandte Artikel