Methodenartikel

Messung des direktionalen Informationsflusses in fNIRS-Hyperscanning-Daten mit der Partial-Wavelet-Transformationskohärenzmethode

DOI:

10.3791/62927

⸱

3. September 2021

 ,  , 
1State Key Laboratory of Cognitive Neuroscience and Learning & IDG/McGovern Institute for Brain Research, Beijing Normal University, 2Institute of Developmental Psychology, Faculty of Psychology, Beijing Normal University

* These authors contributed equally

In diesem Artikel

Zusammenfassung

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

Dieses Protokoll beschreibt die partielle Wavelet-Transformationskohärenz (pWTC) zur Berechnung des zeitverzögerten Musters der zwischenmenschlichen neuronalen Synchronisation (INS), um die Richtung und das zeitliche Muster des Informationsflusses während der sozialen Interaktion abzuleiten. Die Wirksamkeit von pWTC bei der Entfernung der Störfaktoren der Signalautokorrelation auf INS wurde durch zwei Experimente bewiesen.

Zusammenfassung

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

Soziale Interaktion ist für den Menschen von entscheidender Bedeutung. Während der Hyperscanning-Ansatz umfassend zur Untersuchung der zwischenmenschlichen neuronalen Synchronisation (INS) während sozialer Interaktionen eingesetzt wurde, ist die funktionelle Nahinfrarotspektroskopie (fNIRS) aufgrund ihrer relativ hohen räumlichen Auflösung, der anatomischen Lokalisation des Schalls und der außergewöhnlich hohen Toleranz von Bewegungsartefakten eine der beliebtesten Techniken für das Hyperscanning naturalistischer sozialer Interaktionen. Frühere fNIRS-basierte Hyperscanning-Studien berechnen in der Regel ein zeitverzögertes INS unter Verwendung der Wavelet-Transformationskohärenz (WTC), um die Richtung und das zeitliche Muster des Informationsflusses zwischen Individuen zu beschreiben. Die Ergebnisse dieser Methode könnten jedoch durch den Autokorrelationseffekt des fNIRS-Signals jedes Individuums verwirrt werden. Um dieses Problem anzugehen, wurde eine Methode namens partielle Wavelet-Transformationskohärenz (pWTC) eingeführt, die darauf abzielte, den Autokorrelationseffekt zu entfernen und die hohe zeitliche Spektrumauflösung des fNIRS-Signals aufrechtzuerhalten. In dieser Studie wurde zunächst ein Simulationsexperiment durchgeführt, um die Wirksamkeit des pWTC bei der Beseitigung der Auswirkungen der Autokorrelation auf INS zu zeigen. Dann wurde eine Schritt-für-Schritt-Anleitung zum Betrieb des pWTC basierend auf dem fNIRS-Datensatz aus einem sozialen Interaktionsexperiment angeboten. Zusätzlich wurde ein Vergleich zwischen der pWTC-Methode und der traditionellen WTC-Methode sowie der pWTC-Methode und der Granger-Kausalitätsmethode (GC) gezogen. Die Ergebnisse zeigten, dass pWTC verwendet werden konnte, um die INS-Differenz zwischen verschiedenen experimentellen Bedingungen und das gerichtete und zeitliche Muster von INS zwischen Individuen während naturalistischer sozialer Interaktionen zu bestimmen. Darüber hinaus bietet es eine bessere zeitliche und Frequenzauflösung als das traditionelle WTC und eine bessere Flexibilität als die GC-Methode. Somit ist pWTC ein starker Kandidat für die Ableitung der Richtung und des zeitlichen Musters des Informationsflusses zwischen Individuen während naturalistischer sozialer Interaktionen.

Einleitung

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

Soziale Interaktion ist für den Menschen von entscheidender Bedeutung 1,2. Um den neurokognitiven Dual-Brain-Mechanismus der sozialen Interaktion zu verstehen, wurde der Hyperscanning-Ansatz in letzter Zeit ausgiebig verwendet, um zu zeigen, dass die Muster der zwischenmenschlichen neuronalen Synchronisation (INS) den sozialen Interaktionsprozess gut charakterisierenkönnen 3,4,5,6,7,8,9,10,11,12 ,13,14 Unter neueren Studien ist ein interessantes Ergebnis, dass der Rollenunterschied von Individuen in einer Dyade zu einem zeitverzögerten Muster von INS führen kann, d.h. INS tritt auf, wenn die Gehirnaktivität eines Individuums um Sekunden hinter der eines anderen Individuums zurückbleibt, wie z.B. die von Zuhörern zu Sprechern5,9, von Führern zu Anhängern 4, Von Lehrern zu Schülern8, von Müttern zu Kindern13,15 und von Frauen zu Männern in einem romantischen Paar6. Am wichtigsten ist, dass es eine gute Übereinstimmung zwischen dem Intervall des zeitverzögerten INS und dem des sozialen Interaktionsverhaltens gibt, z. B. zwischen Lehrern, die Fragen stellen, und Schülern, die8 antworten, oder zwischen dem Erziehungsverhalten von Müttern und dem Compliance-Verhalten von Kindern15. Daher können zeitverzögerte INS einen direktionalen Informationsfluss von einer Person zur anderen widerspiegeln, wie es in einem neueren hierarchischen Modell für zwischenmenschliche verbale Kommunikationvorgeschlagen wird 16.

Zuvor wurde das zeitverzögerte INS hauptsächlich auf dem funktionellen Nahinfrarot-Spektroskopie-Signal (fNIRS) berechnet, da es bei der Untersuchung naturalistischer sozialer Interaktionen relativ hohe räumliche Auflösung, anatomische Lokalisation des Schalls und außergewöhnlich hohe Toleranz von Bewegungsartefakten 17 aufweist. Um die Korrespondenz zwischen der neuronalen Zeitverzögerung und der Verhaltenszeitverzögerung während der sozialen Interaktion genau zu charakterisieren, ist es außerdem wichtig, die INS-Stärke für jede Zeitverzögerung zu erhalten (z. B. von keiner Zeitverzögerung zu einer Zeitverzögerung von 10 s). Zu diesem Zweck wurde zuvor das WTC-Verfahren (Wavelet Transform Coherence) umfassend angewendet, nachdem das Gehirnsignal eines Individuums nach vorne oder hinten relativ zu dem eines anderen Individuums 5,6,18 verschoben wurde. Bei der Verwendung dieses traditionellen WTC-Verfahrens für fNIRS-Signale besteht eine potenzielle Herausforderung, da das beobachtete zeitverzögerte INS durch den Autokorrelationseffekt des fNIRS-Signals für ein Individuum 19,20,21 verwirrt werden kann. Zum Beispiel kann während eines dyadischen sozialen Interaktionsprozesses das Signal von Teilnehmer A zum Zeitpunkt t mit dem von Teilnehmer B zum gleichen Zeitpunkt synchronisiert werden. In der Zwischenzeit kann das Signal von Teilnehmer A zum Zeitpunkt t aufgrund des Autokorrelationseffekts mit dem von Teilnehmer A zu einem späteren Zeitpunkt t+1 synchronisiert werden. Daher kann ein unechtes zeitverzögertes INS zwischen dem Signal von Teilnehmer A zum Zeitpunkt t und dem von Teilnehmer B zum Zeitpunkt t+1 auftreten.

Mihanović und seine Kollegen 22 führten zunächst eine Methode ein, die als partielle Wavelet-Transformationskohärenz (pWTC) bezeichnet wird, undwandten sie dann in der Meereswissenschaftan 23,24. Der ursprüngliche Zweck dieser Methode bestand darin, das exogene Störrauschen bei der Abschätzung der Kohärenz zweier Signale zu kontrollieren. Um das Autokorrelationsproblem in den fNIRS-Hyperscanning-Daten zu beheben, wurde die pWTC-Methode erweitert, um zeitverzögerte INS auf dem fNIRS-Signal zu berechnen. Genau genommen kann ein zeitverzögertes INS (und ein direktionaler Informationsfluss) von Teilnehmer A zu Teilnehmer B mit der folgenden Gleichung (Gleichung 1)23 berechnet werden.

figure-introduction-1

Hier wird angenommen, dass es zwei Signale, A und B, von den Teilnehmern A bzw. B gibt. Das Auftreten von Signal B geht immer dem von Signal A mit einer Zeitverzögerung von n voraus, wobei WTC (At, B t + n) das traditionelle zeitverzögerte WTC ist. WTC (A t, At+n) ist das autokorrelierte WTC in Teilnehmer A. WTC (A t, B t) ist das zeitlich ausgerichtete WTC zum Zeitpunkt t zwischen Teilnehmer A und B. * ist der komplexe konjugierte Operator (Abbildung 1A).

figure-introduction-2
Abbildung 1: Übersicht über pWTC. (A) Die Logik des pWTC. Es gibt zwei Signale A und B innerhalb einer Dyade. Das Vorkommen von A folgt immer dem von B mit einer Verzögerung n. Eine graue Box ist ein Wavelet-Fenster zu einem bestimmten Zeitpunkt t oder t + n. Basierend auf der pWTC-Gleichung (dargestellt in der Abbildung) müssen drei WTCs berechnet werden: der zeitversetzte WTC von At+n und Bt; das autokorrelierte WTC in Teilnehmer A von At und At+n; und das zeitlich ausgerichtete WTC zum Zeitpunkt t, A t und Bt. (B) Das Layout von Optodensondensätzen. CH11 wurde auf T3 und CH25 auf T4 nach dem internationalen 10-20-System27,28 platziert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Dieses Protokoll führte zunächst ein Simulationsexperiment ein, um zu demonstrieren, wie gut das pWTC die Autokorrelationsherausforderung löst. Dann wurde erklärt, wie man pWTC Schritt für Schritt durchführt, basierend auf einem empirischen Experiment naturalistischer sozialer Interaktionen. Hier wurde ein Kommunikationskontext verwendet, um die Methode einzuführen. Dies liegt daran, dass zuvor das zeitverzögerte INS normalerweise in einem naturalistischen Kommunikationskontext 3,4,6,8,13,15,18 berechnet wurde. Zusätzlich wurden ein Vergleich zwischen dem pWTC und dem traditionellen WTC sowie eine Validierung mit dem Granger-Kausalitätstest (GC) durchgeführt.

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

Protokoll

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

Das Humanexperimentprotokoll wurde vom Institutional Review Board und der Ethikkommission des State Key Laboratory of Cognitive Neuroscience and Learning an der Beijing Normal University genehmigt. Alle Teilnehmer gaben vor Beginn des Experiments eine schriftliche Einwilligung.

1. Das Simulationsexperiment

  1. Erzeugen Sie zwei Zeitreihen von Signalen, die miteinander korrelieren, wobei ein Signal mit einer Zeitverzögerung von 4 s Autokorrelation aufweist. Setzen Sie den Korrelationskoeffizienten von r zwischen den beiden Signalen auf 0,4.
  2. Erzeugen Sie außerdem zwei Zeitreihen von Signalen ohne Korrelation, aber mit Autokorrelation in einem Signal.
  3. Berechnen Sie die Werte des traditionellen 4 s zeitverzögerten INS mit Gleichung 2 basierend auf den generierten Signalen mit oder ohne Korrelation, die als zeitverzögertes INS WTC mit Autokorrelation und zeitverzögertes Basisergebnis INSWTC mit Autokorrelation bezeichnet werden können.
    HINWEIS: Hier wird das traditionelle zeitverzögerte WTC durch die folgende Gleichung (Gleichung 2) ausgedrückt25
    figure-protocol-1
    wobei C den kontinuierlichen Wavelet-Transformationsoperator auf verschiedenen Skalen i und Zeitpunkte t bezeichnet. S bezeichnet den Glättungsoperator. * bezeichnet den komplexen konjugierten Operator. W und M bezeichnen zwei einzelne Zeitreihen von Signalen.
  4. Entfernen Sie die Autokorrelation aus den generierten Signalen. Berechnen Sie dann die Werte des traditionellen 4 s zeitverzögerten INS WTC mit Gleichung 2 basierend auf den generierten Signalen mit oder ohne Korrelation, die als zeitverzögerte INSWTC ohne Autokorrelation und als zeitverzögerte Basislinie INSWTC ohne Autokorrelation bezeichnet werden können.
  5. Berechnen Sie die Werte von 4 s zeitverzögertem pWTC mit Gleichung 3 basierend auf den generierten Signalen mit oder ohne Korrelation, genannt zeitverzögertes INS pWTC und zeitverzögertes INSpWTC.
    HINWEIS: Der pWTC kann auf der Grundlage der folgenden Gleichung (Gleichung 3) berechnet werden23
    figure-protocol-2
    wobei WTC (Wt, M t + n) das traditionelle zeitverzögerte WTC ist. WTC (M t, M t+n) ist das autokorrelierte WTC eines Individuums. WTC (W t, Mt) ist das zeitlich ausgerichtete WTC. * ist der komplexe konjugierte Operator.
  6. Wiederholen Sie die oben genannten Schritte 1000 Mal.
  7. Vergleichen Sie nach dem Subtrahieren des Basis-INS die Ergebnisse des zeitverzögerten INSWTC mit der Autokorrelation, des zeitverzögerten INSWTC ohne Autokorrelation und des zeitverzögerten INSpWTC unter Verwendung der ANOVA-Methode (Analysis of Variance).
    HINWEIS: Hier wird erwartet, dass der zeitverzögerte INSWTC mit Autokorrelation signifikant höher sein wird als der zeitverzögerte INSWTC ohne Autokorrelation und der zeitverzögerte INS pWTC, und es wird kein signifikanter Unterschied zwischen dem zeitverzögerten INSWTC ohne Autokorrelation und dem zeitverzögerten INSpWTC erwartet.

2. Das empirische Experiment

  1. Teilnehmer und Ablauf
    1. Rekrutieren Sie geeignete Teilnehmer.
      HINWEIS: In dieser Studie wurden zweiundzwanzig Paare enger Freunde des anderen Geschlechts (Durchschnittsalter der Frauen = 20,95, Standardabweichung (SD) = 1,86; Durchschnittsalter der Männer = 20,50, SD = 1,74) durch Werbung von Studenten von Universitäten in Peking rekrutiert. Alle Teilnehmer waren Rechtshänder und hatten ein normales oder korrigiertes Sehvermögen. Darüber hinaus hatten keine Teilnehmer sprachliche, neurologische oder psychiatrische Störungen.
    2. Bitten Sie jedes Teilnehmerpaar, während des Experiments von Angesicht zu Angesicht zu sitzen. Bitten Sie sie, in einer Sitzung frei über ein unterstützendes Thema und in der anderen Sitzung über ein Konfliktthema zu kommunizieren.
      HINWEIS: Die Themen wurden verwendet, um die beabsichtigte positive oder negative emotionale Wertigkeit zu induzieren. Jede Kommunikationssitzung dauerte 10 Minuten, und die Reihenfolge der Themen wurde ausgeglichen.
    3. Bitten Sie die Teilnehmer, über die unterstützenden und die Konfliktthemen als Standard-Set-up-Regel zu berichten. Bitten Sie jeden Partner, das positive oder negative Valenzniveau, das möglicherweise induziert wurde, auf einer bestimmten Punkteskala zu bewerten. Ordnen Sie dann die gemeldeten Themen entsprechend der Bewertung ein.
      HINWEIS: In dieser Arbeit wurden die Themen mit den folgenden drei Schritten ausgewählt. Erstens musste jeder Teilnehmer für die unterstützenden Themen 1-3 persönliche Probleme melden, die sich darauf bezogen, was er / sie in seinem Leben verbessern wollte. Jeder Teilnehmer musste 1-3 Fälle melden, die zu Konflikten zwischen ihnen geführt hatten oder führen würden oder die ihre Beziehung zu den Konfliktthemen gefährden könnten. Zweitens musste jeder Partner das Niveau der positiven oder negativen Valenz bewerten, das jedes Thema auf einer 7-Punkte-Skala induzieren könnte (1 = überhaupt nicht und 7 = sehr viel). Drittens wurden die gemeldeten Themen entsprechend der Bewertung eingestuft. Die ersten beiden Themen in der Liste der unterstützenden Themen und Konfliktthemen wurden ausgewählt.
  2. fNIRS-Datenerfassung
    1. Verwenden Sie das 26-Kanal-fNIRS-Topographiesystem (siehe Materialtabelle), um fNIRS-Daten zu sammeln.
      HINWEIS: Zwei kundenspezifische Optodensonden deckten die bilateralen frontalen, temporalen und parietalen Kortexe ab (Abbildung 1B).
    2. Bitten Sie jeden Teilnehmer, eine Kappe mit zwei kundenspezifischen Sondensätzen zu tragen (siehe Materialtabelle).
    3. Richten Sie die Nasion-, Inion- und Ohrmastoide mit Fpz, Opz, T7 und T8 aus, die typische Landmarken des internationalen Systems26 10-20 sind.
    4. Richten Sie Kanal (CH) 11 auf T3 und CH25 auf T4 nach dem internationalen 10-20-System für die beiden Sondensätze27,28 aus.
    5. Validieren Sie die anatomischen Positionen von Sondensätzen, indem Sie Magnetresonanztomographie (MRT)-Daten von einem typischen Teilnehmer mit einer hochauflösenden T1-gewichteten, magnetisierungspräparierten schnellen Gradienten-Echo-Sequenz (TR = 2530 ms; TE = 3,39 ms; Flip-Winkel = 7°; Schichtdicke = 1,3 mm; Voxelgröße = 1,3 x 1 x 1,3 mm).
    6. Verwenden Sie Statistical Parametric Mapping 12 (SPM12), um das Bild auf den Standard-Koordinatenraum29 des Montreal Imaging Institute Coordinate (MNI-Koordinate) zu normalisieren. Verwenden Sie dann die Toolbox NIRS_SPM (siehe Materialtabelle), um die MNI-Koordinaten der Sonden auf die AAL-Vorlage (Automated Anatomical Labeling) zu projizieren.
    7. Sammeln Sie die optischen Dichtedaten von Nahinfrarotlicht bei drei Wellenlängen (780, 805 und 830 nm) mit einer Abtastrate von 55,6 Hz (Standardparameter der Ausrüstung).
    8. Testen Sie die Signalqualität mit der im fNIRS-Topographiesystem integrierten Gerätesoftware (siehe Materialtabelle).
    9. Beginnen Sie mit der Signalaufzeichnung.
      HINWEIS: Einige veröffentlichte Protokolle haben gezeigt, wie man fNIRS-Signale mit verschiedenen Geräten und Systemensammelt 30,31,32.
  3. fNIRS-Datenvorverarbeitung
    1. Exportieren Sie die Datendateien aus dem Gerät.
      HINWEIS: Im aktuellen Experiment konvertierte die integrierte Software automatisch rein optische Dichtedaten in Oxyhämoglobin (HbO) -Konzentrationsänderungen basierend auf dem modifizierten Beer-Lambert-Gesetz.
    2. Entfernen Sie die ersten und letzten 15 s der Daten für jede Sitzung, um transiente Antworten zu vermeiden.
    3. Verwenden Sie die integrierte MATLAB-Dezimatfunktion, um die Daten von 55,6 Hz auf 11,1 Hz herunterzurechnen.
      HINWEIS: Die Leistungsspektrummuster zwischen 55,6 Hz und 11,1 Hz sind recht ähnlich (Ergänzende Abbildung 1).
    4. Verwenden Sie die integrierte MATLAB-Anwendungsfunktion (Homer3, siehe Materialtabelle) mit entsprechender Filterfunktion, um die diskrete Wavelet-Transformationsfiltermethode anzuwenden, um Bewegungsartefakte zu korrigieren.
    5. Verwenden Sie die integrierte MATLAB pca-Funktion, um globales physiologisches Rauschen zu entfernen. Entfernen Sie die oberen 80% der Varianz aus den Signalen.
    6. Entfernen Sie physiologisches Rauschen basierend auf den vorherigen Studien33. Entfernen Sie präzise Frequenzbänder jedes Signals über 0,7 Hz, um ein Aliasing von hochfrequentem physiologischem Rauschen (z. B. Herzaktivität) zu vermeiden.
    7. Entfernen Sie dann Frequenzbänder jedes Signals unter 0,01 Hz, um sehr niedrige Frequenzschwankungen herauszufiltern.
    8. Entfernen Sie schließlich Frequenzbänder jedes Signals innerhalb von 0,15-0,3 Hz, um die potenziellen Auswirkungen der Atemaktivität auszuschließen.
  4. fNIRS-Datenverarbeitung der ersten Stufe
    1. Berechnen Sie zunächst INS mit herkömmlichem WTC (INSWTC).
      HINWEIS: Hier wurde ein von Frauen geführtes zeitverzögertes Muster von INSWTC zwischen der Gehirnaktivität von Frauen und der von Männern vorhergesagt, da frühere Studien während eines Gesprächs unterschiedliche Rollen von Frauen und Männern vorgeschlagen haben34, 35. Das traditionelle WTC berechnete dieses Muster des INSWTC, indem es die Gehirnaktivität von Männern relativ zu der von Frauen zurückverlagerte (siehe Gleichung 2).
    2. Berechnen Sie den von Frauen geführten 2 s-lagiertenINS-WTC-Wert, nachdem Sie die ersten 2 s der Daten von Frauen und die letzten 2 s der Daten von Männern mit Gleichung 2 entfernt haben. Nachdem Sie die ersten 2 s der Daten von Männern und die letzten 2 s der Daten von Frauen entfernt haben, berechnen Sie den von Männern geführten 2 s-lagged INSWTC-Wert mit Gleichung 4.
      HINWEIS: Hier wurde die Kohärenzfunktion, eine eingebaute Funktion der Wavelet-Toolbox von MATLAB, verwendet (siehe Materialtabelle).
    3. Wiederholen Sie diesen Vorgang mit unterschiedlichen Zeitverzögerungen n, d. h. n = 2 s, 4 s, 6 s, 8 s über alle potenziellen CH-Paare (z. B. CH2 bei Frauen und CH10 bei Männern, insgesamt 676 Paare). Berechnen Sie außerdem die Stärke von INSWTC mit Zeitverzögerung (Gleichung 4).
      figure-protocol-3
    4. Zweitens, berechnen Sie INS mit pWTC (INSpWTC).
      HINWEIS: pWTC wurde auf der Grundlage von Gleichung 3 berechnet. Die Berechnung von INSpWTC wurde mit unterschiedlichen Zeitverzögerungen n wiederholt, d. h. n = 2 s, 4 s, 6 s, 8 s über alle potenziellen Kanalpaare (z. B. CH2 bei Frauen und CH10 bei Männern, insgesamt 676 Paare). Zusätzlich wurde die Stärke des von Männern geführten zeitverzögerten INSpWTC auf die gleiche Weise berechnet (Gleichung 5).
      figure-protocol-4
    5. Generieren Sie zeitverzögerte Zeitreihen von fNIRS-Signalen mit unterschiedlichen Zeitverzögerungen.
    6. Berechnen Sie die Werte des zeitverzögerten WTC zu unterschiedlichen Zeitpunkten.
    7. Generieren Sie automatisch korrelierte Zeitreihen von fNIRS-Signalen mit unterschiedlichen Zeitverzögerungen. Um den 2 s-autokorrelierten Wert für Männer zu berechnen, entfernen Sie die ersten 2 s Daten von den Männern und die letzten 2 s Daten von den Männern.
    8. Berechnen Sie die automatisch korrelierten WTC-Werte zu unterschiedlichen Zeitpunkten.
    9. Generieren Sie zeitlich ausgerichtete Zeitreihen von fNIRS-Signalen mit unterschiedlichen Zeitverzögerungen. Um den zeitlich ausgerichteten WTC von 2 s zu berechnen, entfernen Sie die ersten 2 s der Daten von den Männern und die ersten 2 s der Daten der Frauen.
    10. Berechnen Sie die zeitlich ausgerichteten WTC-Werte.
    11. Geben Sie zeitangepasste WTC-, zeitverzögerte WTC- und autokorrelierte WTC-Werte mit unterschiedlicher Zeitverzögerung in Gleichung 3 und Gleichung 5 ein - die Gleichung von pWTC, wodurch INSpWTC erzeugt wird.
    12. Berechnen Sie schließlich INS mit derGC-Methode (INS GC).
      HINWEIS: Um die pWTC-Methode weiter zu validieren und ihre Vor- und Nachteile zu bewerten, wurde GC-basiertes INS mit der GC-Methode (INSGC) berechnet.
    13. Basierend auf dem pWTC-Ergebnis filtert Bandpass das HbO-Signal jedes Einzelnen am SMC (d.h. 0,4-0,6 Hz, siehe Repräsentative Ergebnisse).
    14. Führen Sie einen GC-Test (Econometric toolbox, MATLAB) innerhalb jeder Dyade in den unterstützenden und Konfliktthemen separat durch.
      HINWEIS: Für INSGC werden vier Gruppen von F-Werten erhalten: (1) von Frauen bis Männern zum unterstützenden Thema (W2M_supp); (2) von Männern zu Frauen zum unterstützenden Thema (M2W_supp); (3) von Frauen zu Männern zum Konfliktthema (W2M_conf); und (4) von Männern zu Frauen zum Konfliktthema (M2 W_conf). Die F-Werte werden verwendet, um denINS-GC zu indizieren.
  5. FNIRS-Datenverarbeitung der zweiten Ebene
    1. Transformieren Sie INS mit der Fisher-z-Transformation und dann den Mittelwert von INS in der zeitlichen Dimension.
      HINWEIS: Hier wurde die Fisher-z-Transformation mit einem benutzerdefinierten MATLAB-Skript mit Gleichung 636 durchgeführt:
      figure-protocol-5
      wobei r der Wert des WTC oder pWTC und z der Fisher-z-transformierte Wert des WTC oder pWTC ist.
    2. Führen Sie für das gemittelte INS bei jeder Zeitverzögerung einen gepaarten t-Test mit zwei Stichproben (unterstützend vs. Konflikt) für jedes CH-Paar über den Frequenzbereich durch. Identifizieren Sie dann alle signifikanten Frequenzcluster (P < 0,05).
    3. Führen Sie einen clusterbasierten Permutationstest durch, um einen Schwellenwert für die Ergebnisse festzulegen.
      1. Ordnen Sie dyadische Beziehungen neu zu, indem Sie die Teilnehmer nach dem Zufallsprinzip neuen Zweierpaaren zuweisen, d.h. den Teilnehmern einer Dyade, die noch nie miteinander kommuniziert hatten. Berechnen Sie das INS bei jeder Zeitverzögerung neu, führen Sie in der neuen Stichprobe erneut gepaarte t-Tests durch und identifizieren Sie erneut signifikante Frequenzcluster.
      2. Wählen Sie den Cluster mit dem größten summierten t-Wert aus. Wiederholen Sie die obigen Verfahren 1000 Mal, um eine Nullverteilung der maximalen falsch-positiven t-Werte zu generieren.
        HINWEIS: Die Verteilung dient als Zufallsstufe. Die familywise error rate (FWER) wird bei q = 0,05 kontrolliert, was bedeutet, dass nur die obersten 5% der Nullverteilung der falsch-positiven t-Werte den Schwellenwert (R*) überschreiten.
      3. Vergleichen Sie den summierten t-Wert jedes identifizierten Frequenzclusters in der ursprünglichen Stichprobe mit der Nullverteilung, um signifikante statistische Ergebnisse zu erhalten.
    4. Führen Sie eine Kontextanalyse (unterstützend, Konflikt) x Richtung (Frauen zu Männern, Männer zu Frauen) durch, um den Unterschied in der INS-Richtung zwischen verschiedenen Bedingungen (dh Themen) zu testen (S. < 0.05).
    5. Führen Sie einen gepaarten Zwei-Stichproben-Zwei-Schwanz-t-Test zwischen den Ergebnissen von WTC (Wt, Mt + n) und WTC (Mt, Mt + n) durch, um die potenziellen Auswirkungen der Autokorrelation auf INS zu testen.
      HINWEIS: Das INS von WTC (Mt, Mt + n) spiegelt die Autokorrelation wider.

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

Ergebnisse

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

Simulationsergebnisse
Die Ergebnisse zeigten, dass der zeitverzögerte INS WTC mit Autokorrelation signifikant höher war als der zeitverzögerte INSWTC ohne Autokorrelation (t(1998) = 4,696, p < 0,001) und der zeitverzögerten INSpWTC (t(1998) = 5,098, p < 0,001). Darüber hinaus gab es keinen signifikanten Unterschied zwischen zeitverzögertem INSWTC ohne Autokorrelation und INSpWTC (t(1998) = 1,573, p

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

Diskussion

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

In Hyperscanning-Studien ist es in der Regel wichtig, die direktionalen und zeitlichen Muster des Informationsflusses zwischen Individuen zu beschreiben. Die meisten früheren fNIRS-Hyperscanning-Studien haben traditionelles WTC25 verwendet, um diese Eigenschaften durch Berechnung des zeitverzögerten INS abzuleiten. Da jedoch eines der intrinsischen Merkmale des fNIRS-Signals20,21 ist, kann der Autokorrelationseffekt das zeitverzögerte INS ...

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 erklären keine konkurrierenden finanziellen Interessen.

Danksagungen

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

Diese Arbeit wurde von der National Natural Science Foundation of China (61977008) und dem Young Top Notch Talents of Ten Thousand Talent Program unterstützt.

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
fNIRS-TopographiesystemShimadzu Corporation ShimadzuLABNIRS SystemDas LABNIRS-System enthält 40 Emitter und 40 Detektoren für die Messung von fNIRS-Signalen. In diesem Protokoll haben wir diese Emitter und Detektoren verwendet, zwei kundenspezifische 26-Kanal-Sondensätze erstellt und an zwei Kappen befestigt, die dem 10-20-System entsprechen. Darüber hinaus enthält das LABNIRS-System auch integrierte GUI-Software für die Überprüfung der Datenqualität, die Datenkonvertierung und den Datenexport.
MATLABDie MathWorks, Inc.MATLAB 2019aIn diesem Protokoll wurden mehrere Toolboxen und Funktionen in MATLAB verwendet:
SPM12 Toolbox wurde verwendet, um die validierten MRT-Daten über ihre GUI zu normalisieren.
NIRS_SPM Toolbox wurde verwendet, um die MNI-Koordinaten der Sonden über ihre GUI auf die AAL-Vorlage zu projizieren.
Homer3 Toolbox wurde verwendet, um Bewegungsartefakte durch ihre Funktion hmrMotionCorrectWavelet mit Standardparametern zu entfernen.
Wavelet Die Toolbox wurde verwendet, um WTC und pWTC über ihre Funktion wcoherence zu berechnen.
MRT-ScannerSiemens HealthineersTRIO 3-Tesla-ScannerIn diesem Protokoll wurde der MRT-Scanner verwendet, um die MNI-Koordinaten jedes Kanals und jeder Option zu erhalten. Die Scan-Parameter werden im Haupttext beschrieben.
diesem Protokoll haben wir zunächst zwei Nylonkappen mit dem 10-20 System markiert. Dann stellten wir zwei kundenspezifische 26-Kanal-Optodensonden-Sets her. Schließlich haben wir Sondensätze an Kappen befestigt, die an Orientierungspunkten ausgerichtet sind.
In

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Hasson, U., Ghazanfar, A. A., Galantucci, B., Garrod, S., Keysers, C. Brain-to-brain coupling: A mechanism for creating and sharing a social world. Trends in Cognitive Sciences. 16 (2), 114-121 (2012).
  2. Hasson, U., Frith, C. D. Mirroring and beyond: Coupled dynamics as a generalized framework for modelling social interactions. Philosophical Transactions of the Royal Society B: Biological Sciences. 371, 20150366(2016).
  3. Jiang, J., et al. Neural synchronization during face-to-face communication. Journal of Neuroscience. 32 (45), 16064-16069 (2012).
  4. 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).
  5. Dai, B., et al. Neural mechanisms for selectively tuning in to the target speaker in a naturalistic noisy situation. Nature Communications. 9 (1), 1-12 (2018).
  6. Long, Y., et al. Interpersonal neural synchronization during interpersonal touch underlies affiliative pair bonding between romantic couples. Cerebral Cortex. 31 (3), New York, N.Y. 1647-1659 (2021).
  7. Liu, W., et al. Shared neural representations of syntax during online dyadic communication. NeuroImage. 198, 63-72 (2019).
  8. Zheng, L., et al. Enhancement of teaching outcome through neural prediction of the students' knowledge state. Human Brain Mapping. 39 (7), 3046-3057 (2018).
  9. Stephens, G. J., Silbert, L. J., Hasson, U. Speaker-listener neural coupling underlies successful communication. Proceedings of the National Academy of Sciences of the United States of America. 107 (32), 14425-14430 (2010).
  10. Hirsch, J., et al. Interpersonal agreement and disagreement during face-to-face dialogue: An fNIRS investigation. Frontiers in Human Neuroscience. 14, 606397(2021).
  11. Pan, Y., Cheng, X., Zhang, Z., Li, X., Hu, Y. Cooperation in lovers: An fNIRS-based hyperscanning study. Human Brain Mapping. 38 (2), 831-841 (2017).
  12. 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).
  13. Piazza, E. A., Hasenfratz, L., Hasson, U., Lew-Williams, C. Infant and Adult Brains Are Coupled to the Dynamics of Natural Communication. Psychological Science. 31 (1), 6-17 (2020).
  14. Djalovski, A., Dumas, G., Kinreich, S., Feldman, R. Human attachments shape interbrain synchrony toward efficient performance of social goals. NeuroImage. 226, 117600(2021).
  15. Zhao, H., et al. How mother-child interactions are associated with a child's compliance. Cerebral Cortex. 31 (9), 4398-4410 (2021).
  16. Jiang, J., Zheng, L., Lu, C. A hierarchical model for interpersonal verbal communication. Social Cognitive and Affective Neuroscience. 16 (1-2), 246-255 (2021).
  17. Yan, W., et al. Bibliometric evaluation of 2000-2019 publications on functional near-infrared spectroscopy. NeuroImage. 220, 117121(2020).
  18. 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).
  19. Dean, R. T., Dunsmuir, W. T. M. Dangers and uses of cross-correlation in analyzing time series in perception, performance, movement, and neuroscience: The importance of constructing transfer function autoregressive models. Behavior Research Methods. 48 (2), 783-802 (2016).
  20. Barker, J. W., Rosso, A. L., Sparto, P. J., Huppert, T. J. Correction of motion artifacts and serial correlations for real-time functional near-infrared spectroscopy. Neurophotonics. 3 (3), 031410(2016).
  21. Huppert, T. J. Commentary on the statistical properties of noise and its implication on general linear models in functional near-infrared spectroscopy. Neurophotonics. 3 (1), 010401(2016).
  22. Mihanović, H., Orlić, M., Pasarić, Z. Diurnal thermocline oscillations driven by tidal flow around an island in the Middle Adriatic. Journal of Marine Systems. 78, SUPPL. 1 157-168 (2009).
  23. Ng, E. K. W., Chan, J. C. L. Geophysical applications of partial wavelet coherence and multiple wavelet coherence. Journal of Atmospheric and Oceanic Technology. 29 (12), 1845-1853 (2012).
  24. Ng, E. K. W., Chan, J. C. L. Interannual variations of tropical cyclone activity over the north Indian Ocean. International Journal of Climatology. 32 (6), 819-830 (2012).
  25. 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).
  26. Jurcak, V., Tsuzuki, D., Dan, I. 10/20, 10/10, and 10/5 systems revisited: Their validity as relative head-surface-based positioning systems. NeuroImage. 34 (4), 1600-1611 (2007).
  27. Homan, R. W., Herman, J., Purdy, P. Cerebral location of international 10-20 system electrode placement. Electroencephalography and Clinical Neurophysiology. 66 (4), 376-382 (1987).
  28. Koessler, L., et al. Automated cortical projection of EEG sensors: Anatomical correlation via the international 10-10 system. NeuroImage. 46 (1), 64-72 (2009).
  29. Penny, W., Friston, K., Ashburner, J., Kiebel, S., Nichols, T. Statistical Parametric Mapping: The Analysis of Functional Brain Images. , Academic Press. (2007).
  30. Shalinsky, M. H., Kovelman, I., Berens, M. S., Petitto, L. A. Exploring cognitive functions in babies, children & adults with near infrared spectroscopy. Journal of Visualized Experiments: JoVE. (29), e1268(2009).
  31. Xu, S. Y., Cheong, L. I., Zhuang, Y., Couto, T. A. P., Yuan, Z. Conducting concurrent electroencephalography and functional near-infrared spectroscopy recordings with a flanker task. Journal of Visualized Experiments: JoVE. (159), e6069(2020).
  32. Noah, J. A., et al. fMRI validation of fNIRS measurements during a naturalistic task. Journal of Visualized Experiments: JoVE. (100), e52116(2015).
  33. Tong, Y., Lindsey, K. P., Frederick, B. D. Partitioning of physiological noise signals in the brain with concurrent near-infrared spectroscopy and fMRI. Journal of Cerebral Blood Flow and Metabolism. 31 (12), 2352-2362 (2011).
  34. Buck, R., Miller, R. E., Caul, W. F. Sex, personality, and physiological variables in the communication of affect via facial expression. Journal of Personality and Social Psychology. 30 (4), 587-596 (1974).
  35. Walen, H. R., Lachman, M. E. Social support and strain from partner, family, and friends: Costs and benefits for men and women in adulthood. Journal of Social and Personal Relationships. 17 (1), 5-30 (2000).
  36. Chang, C., Glover, G. H. Time-frequency dynamics of resting-state brain connectivity measured with fMRI. NeuroImage. 50 (1), 81-98 (2010).
  37. Liu, H., et al. Inferring subsurface preferential flow features from a wavelet analysis of hydrological signals in the shale hills catchment. Water Resources Research. 56 (11), 0-3 (2020).
  38. Rhif, M., Abbes, A. B., Farah, I. R., Martínez, B., Sang, Y. Wavelet transform application for/in non-stationary time-series analysis: A review. Applied Sciences. 9 (7), Switzerland. 1345(2019).
  39. Molavi, B., Dumont, G. A. Wavelet-based motion artifact removal for functional near-infrared spectroscopy. Physiological Measurement. 33 (2), 259-270 (2012).
  40. 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), 649-662 (2010).
  41. 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).
  42. 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).
  43. Cooper, R. J., et al. A systematic comparison of motion artifact correction techniques for functional near-infrared spectroscopy. Frontiers in Neuroscience. 0, 147(2012).
  44. Brigadoi, S., et al. Motion artifacts in functional near-infrared spectroscopy: A comparison of motion correction techniques applied to real cognitive data. NeuroImage. 85, 181-191 (2014).
  45. Liu, Y., et al. Measuring speaker-listener neural coupling with functional near infrared spectroscopy. Scientific Reports. 7, 1-13 (2017).
  46. Li, Z., et al. Speaker-listener neural coupling reveals an adaptive mechanism for speech comprehension in a noisy environment. Cerebral Cortex. , (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

Neuronale SynchronisationGranger Kausalit tsoziale InteraktionH moglobinkonzentrationKorrektur von BewegungsartefaktenCluster Permutationstest

Verwandte Artikel