Artículo de método

Cómo calcular y validar la sincronización intercerebral en un estudio de hiperescaneo fNIRS

DOI:

10.3791/62801

⸱

8 de septiembre de 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

En este artículo

Resumen

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

La dinámica entre los cerebros acoplados de los individuos ha sido representada cada vez más por la sincronización intercerebral (SII) cuando se coordinan entre sí, principalmente utilizando señales de registro simultáneo de cerebros (es decir, hiperescaneo) con fNIRS. En los estudios de hiperescaneo de fNIRS, el SII se ha evaluado comúnmente a través del método de coherencia de transformada de wavelet (WTC) debido a su ventaja en la expansión de series de tiempo en el espacio de frecuencia de tiempo donde las oscilaciones se pueden ver de una manera altamente intuitiva. El SII observado se puede validar aún más a través del emparejamiento aleatorio basado en permutación del ensayo, la pareja y la condición. Aquí, se presenta un protocolo para describir cómo obtener señales cerebrales a través de la tecnología fNIRS, calcular el SII a través del método WTC y validar el SII por permutación en un estudio de hiperescaneo. Además, discutimos los problemas críticos al usar los métodos anteriores, incluida la elección de señales fNIRS, métodos de preprocesamiento de datos y parámetros opcionales de cálculos. En resumen, el uso del método WTC y la permutación es una tubería potencialmente estándar para analizar el SII en estudios de hiperescaneo fNIRS, lo que contribuye tanto a la reproducibilidad como a la confiabilidad del SII.

Resumen

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

La dinámica entre los cerebros acoplados de los individuos ha sido representada cada vez más por la sincronización intercerebral (SII) cuando se coordinan entre sí, principalmente utilizando señales de registro simultáneo de cerebros (es decir, hiperescaneo) con fNIRS. En los estudios de hiperescaneo de fNIRS, el SII se ha evaluado comúnmente a través del método de coherencia de transformada de wavelet (WTC) debido a su ventaja en la expansión de series de tiempo en el espacio de frecuencia de tiempo donde las oscilaciones se pueden ver de una manera altamente intuitiva. El SII observado se puede validar aún más a través del emparejamiento aleatorio basado en permutación del ensayo, la pareja y la condición. Aquí, se presenta un protocolo para describir cómo obtener señales cerebrales a través de la tecnología fNIRS, calcular el SII a través del método WTC y validar el SII por permutación en un estudio de hiperescaneo. Además, discutimos los problemas críticos al usar los métodos anteriores, incluida la elección de señales fNIRS, métodos de preprocesamiento de datos y parámetros opcionales de cálculos. En resumen, el uso del método WTC y la permutación es una tubería potencialmente estándar para analizar el SII en estudios de hiperescaneo fNIRS, lo que contribuye tanto a la reproducibilidad como a la confiabilidad del SII.

Introducción

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

Cuando las personas se coordinan con los demás, sus cerebros y cuerpos se convierten en una unidad acoplada a través de la adaptación mutua continua. El acoplamiento entre cerebros puede ser representado por la sincronización intercerebral (SII) a través del enfoque de hiperescaneo, que registra simultáneamente las señales cerebrales de dos o más individuos1. De hecho, un creciente cuerpo de estudios de hiperescaneo fNIRS / EEG ha encontrado SII en varios contextos de colaboración, incluyendo tocar con los dedos2,caminar en grupo3,tocar la batería4,tocar la guitarra5y cantar / tararear6. fNIRS es ampliamente utilizado para la investigación del SII durante la interacción social, ya que restringe menos los movimientos de la cabeza / cuerpo en entornos relativamente naturales (en comparación con fMRI / EEG)7.

El artículo presenta un protocolo para calcular el SII a través del método de coherencia de la transformada de wavelet (WTC) en un estudio de hiperescaneo fNIRS. WTC es un método para evaluar la correlación cruzada entre dos señales de movimiento en el plano tiempo-frecuencia y, por lo tanto, puede proporcionar más información que el análisis de correlación tradicional (por ejemplo, correlación de Pearson y correlación cruzada), que es solo en el dominio del tiempo8. Además, las señales hemodinámicas se transforman en componentes de wavelet, que pueden eliminar eficazmente el ruido de baja frecuencia. Aunque wtC consume mucho tiempo, ha sido el método más utilizado para calcular el SII en la imitación de acción9,el comportamiento cooperativo10,la comunicación verbal11,la toma de decisiones12y el aprendizaje interactivo13.

El artículo también presenta cómo validar el SII con el análisis aleatorio basado en la permutación de ensayos, afecciones y participantes. El SII en estudios de hiperescaneo siempre se propone para rastrear la interacción social en línea entre individuos, mientras que también puede interpretarse por otras explicaciones, como la similitud de estímulo, similitud de movimiento o similitud de condición14. La prueba de permutación, también llamada prueba de aleatorización, se puede aprovechar para probar las hipótesis nulas mencionadas anteriormente mediante el remuestreo de los datos observados15. Mediante el uso de la permutación, es útil investigar si el SII identificado es específico del comportamiento interactivo, que va desde la modulación del SII dentro de las díadas hasta entre grupos de socios16.

El protocolo descrito aquí detalla cómo obtener señales cerebrales a través de la tecnología fNIRS, calcular el SII a través del método WTC y validar el SII mediante pruebas de permutación en un estudio de hiperescaneo. Este estudio tiene como objetivo examinar si el SII privilegiado es provocado por los medidores de música durante la coordinación social. Las señales cerebrales se registraron en la corteza frontal, basándose en la ubicación del SII en un hallazgo previo1. La tarea experimental fue desarrollada originalmente por Konvalinka y sus universidades17,en la que se pidió a los participantes que tocaran sus dedos con la retroalimentación auditiva de la pareja o de ellos mismos después de escuchar los estímulos del medidor o no medidor.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

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

El protocolo presentado aquí fue aprobado por el Comité Universitario de Protección de la Investigación Humana de la Universidad Normal del Este de China.

1. Preparación para el experimento

  1. Participantes
    1. Reclutar a un grupo de estudiantes de pregrado y posgrado con compensación monetaria por parte de la publicidad del campus.
    2. Asegúrese de que los participantes sean diestros y tengan una visión y audición normales o corregidas a normales. Asegúrese de que no han estudiado música o la han estudiado durante menos de 3 años antes.
    3. Emparejar aleatoriamente a los estudiantes en díadas. Para controlar el efecto potencial de la familiaridad de la pareja en la coordinación social18, asegúrese de que los miembros de cada díada no se hayan visto o conocido antes.
  2. Estímulo experimental
    1. Cree los estímulos auditivos (440 Hz, 660 ms tonos puros) mediante cualquier software gratuito de composición y notación musical.
    2. Repite los tonos con un intervalo de 500-1000 ms y combínalos en una secuencia de tonos. Cada secuencia de tonos es 12 s más larga y se compone de 12 tonos.
    3. Para una secuencia de tonos, acentúe cada primer tono (+6 dB) para crear el patrón de downbeats y upbeats, definido como el estímulo del medidor(Audio suplementario 1). En la segunda secuencia de tonos, sin acento los tonos con igual intensidad (40 dB por encima del umbral de sensación individual, recogido antes de la tarea del experimento), que correspondía al estímulo no metro (Audio suplementario 2).
  3. Tarea experimental
    1. Programe la tarea experimental utilizando una herramienta de software psicológico.
    2. Organice dos etapas para la tarea experimental(Figura 1A)como se describe en los pasos 1.3.3-1.3.6.
    3. Segundo estado de reposo: Pida a los participantes que permanezcan lo más inmóviles posible con la mente relajada y los ojos cerrados.
    4. Tarea de tocar con el dedo: Solicite a los participantes que completen dos partes: una parte de coordinación y una parte de independencia.
    5. Durante la parte de coordinación, proporcione retroalimentación auditiva (es decir, un sonido de goteo correspondiente a un toque) a cada participante solo para la respuesta generada por el otro miembro de la díada. Pida a los participantes que hagan todo lo posible para responder sincrónicamente con el otro miembro.
    6. Para la parte de independencia, asegúrese de que ambos participantes recibieron la retroalimentación auditiva (es decir, un sonido de goteo correspondiente a un toque) de sus propias respuestas y pídales que respondan sincrónicamente con el estímulo auditivo con la mayor precisión posible.
      NOTA: Combinado con los estímulos del medidor y no medidor, los participantes se encontraron en una de cuatro condiciones diferentes: (i) coordinación del medidor: ambos participantes escucharon los medidores y las respuestas entre sí; (ii) coordinación sin medidores: ambos participantes escucharon no medidores y las respuestas de los demás; iii) independencia de los contadores: ambos participantes escucharon los contadores y las respuestas de ellos mismos; (iv) independencia sin medidores: ambos participantes escucharon no medidores y las respuestas de ellos mismos.
    7. Para cada ensayo, deje que los participantes escuchen primero una parte del estímulo auditivo (12 s) seguida de un sonido (262 Hz, 1000 ms) que sirve como señal para comenzar a tocar el dedo.
    8. Pida a los participantes que reproduzcan el estímulo que escucharon antes tocando su dedo índice derecho en el teclado (participante # 1: "f"; participante # 2: "j"). Los participantes deben tocar 12 veces mientras mantienen el mismo intervalo de tiempo entre tonos que el estímulo presentado anteriormente.
      NOTA: Hubo 60 ensayos asignados por igual en 4 bloques correspondientes a las 4 condiciones experimentales, es decir, 15 ensayos en un bloque. El orden de los bloques fue contrarrestado. La duración total de la tarea de tapping fue de unos 26 min.
    9. Entre bloques, deja que los participantes descansen durante 30 s.
    10. Durante todo el experimento, no permita que los participantes se comuniquen a través de ningún idioma o movimiento. Separe a los participantes con el monitor de la computadora para bloquear cualquier información visual que pueda entregar mensajes entre ellos.
  4. Gorras fNIRS caseras: Compra dos gorros elásticos de natación de tamaño normal. Para cubrir la región cerebral de interés, repare los gorros de natación como se describe en los siguientes pasos:
    1. Coloque una gorra de natación en la forma de la cabeza y luego coloque una gorra estándar de 10-20 EEG en la gorra de natación.
    2. Marque la ubicación de FCz en el gorro de natación con un marcador mágico rojo.
    3. Retire la tapa del EEG de la forma de la cabeza.
    4. Coloque un parche de sonda optode (configuración de 3 x 5) en la gorro de natación, alineando el medio de la segunda fila de sonda del parche con la ubicación marcada de FCz.
      NOTA: El parche de sonda de optode incluyó 15 ubicaciones de sondas de optode (es decir, 8 emisores y 7 detectores), formando 22 canales de medición con separación de optodo de 3 cm(Figura 1B).
    5. Marque las ubicaciones de las 15 sondas del parche en la gorra de natación.
    6. Quítese el parche y el gorro de natación de la forma de la cabeza.
    7. Corte 15 agujeros pequeños en las ubicaciones marcadas de las 15 sondas con un par de tijeras.
    8. Monte el parche en la gorro de natación modificado incrustando las ubicaciones de 15 sondas en los 15 orificios apropiados.
    9. Repare el otro gorro de natación de acuerdo con el proceso anterior.
      NOTA: Se empleó el límite fNIRS casero, en el que las ubicaciones de los optodos son según las ubicaciones estándar de EEG, ya que no había tapas de EEG estándar aplicables para el sistema fNIRS utilizado en este estudio. No es necesario hacer una tapa fNIRS si hay tapas EEG estándar adecuadas con el sistema fNIRS.

2. Antes de que lleguen los participantes

NOTA: Asegúrese de seguir los pasos 2.1-2.5 antes de que los participantes lleguen al laboratorio.

  1. Recuerde a los dos participantes de una díada que vengan al laboratorio según el horario acordado.
  2. Inicie el sistema fNIRS con al menos 30 minutos de antelación, dejando el láser apagado.
  3. Inserte las sondas de optode del sistema fNIRS en los parches de sonda de optode.
  4. Examine los parámetros de la medición fNIRS (es decir, el ID del sujeto, el modo relacionado con el evento, la disposición de la sonda optode).
  5. Coloque el aparato experimental con una mesa, dos sillas, dos monitores de computadora de 19 pulgadas y dos pares de auriculares(Figura 1C).

3. Llegada del participante al laboratorio

NOTA: Agradecemos sinceramente a los dos participantes de una díada cuando lleguen al laboratorio de fNIRS. Pídales que pongan su teléfono en modo silencioso y dejen temporalmente sus pertenencias personales en el gabinete. A continuación, realice los siguientes procesos en secuencia:

  1. Antes de que los participantes se sienten, vuelva a confirmar que los dos participantes no se han visto antes. Asegúrese de que no se comuniquen entre sí a través de ningún lenguaje o movimiento mientras estaban en el laboratorio.
  2. Proporcionar a los participantes formularios de consentimiento informado aprobados por el Comité Universitario de Investigación Humana.
  3. Instruya a los participantes sobre los detalles de la tarea experimental. Pídales que usen auriculares y déles varias pruebas de práctica.
  4. En los ensayos de práctica, permita que los dos participantes de cada díada practiquen juntos.
    NOTA: Antes de usar la gorra fNIRS, vale la pena medir y determinar el tamaño de la cabeza para cada participante mediante el uso de una regla flexible. A continuación, seleccione el tamaño correcto de la tapa para el participante de acuerdo con el tamaño de su cabeza. En este estudio, se perdió tal paso ya que se usaron gorros de natación de talla única. Es mejor realizar este paso el día antes del experimento porque las operaciones relativas (es decir, medir el tamaño de la cabeza, seleccionar el tamaño correcto de la gorro de natación, montar los parches de la sonda optode en la tapa de natación e insertar las sondas de optodo en los parches de la sonda) consumen mucho tiempo (aproximadamente 20-30 min).
  5. Coloque la tapa fNIRS en la cabeza de los participantes con el centro de la tapa apuntando a la ubicación de CZ, y coloque la sonda de optodo central de la segunda fila de sonda del parche en FCz.
  6. Opere el sistema fNIRS para realizar la calibración de la señal con el láser encendido.
  7. Si hay una señal insuficiente en algún canal, ajuste la intensidad de la señal con un palo de fibra para colocar suavemente el cabello debajo de la punta de la sonda circundante a un lado.
  8. Si es necesario, presione las sondas suavemente, pero asegúrese de no lastimar a los participantes.
  9. Repita los pasos 3.5-3.8 hasta que se pueda acceder a la calidad de la señal. Asegúrese de que los participantes se sientan cómodos durante todo el proceso de calibración de la señal.
  10. Ayude a los participantes a encontrar una postura cómoda para sí mismos (por ejemplo, posiciones corporales cómodas). Recuerde a los participantes que mantengan la cabeza lo más inmóvil posible durante toda la tarea experimental (es decir, unos 26 minutos).
  11. Examine de nuevo la calidad de las señales NIRS. Si hay suficientes señales en todos los canales, ejecute el procedimiento de experimento en el equipo de escritorio.
  12. Ayude a los participantes a quitarse los auriculares y la tapa fNIRS al completar el procedimiento experimental. Devuelva sus pertenencias personales y agradézcales con una compensación monetaria.
  13. Opere el sistema fNIRS para guardar datos. Utilice un disco para exportar datos fNIRS sin procesar (.csv) y utilice un USB para copiar los datos de comportamiento del equipo.
  14. Cierre el sistema fNIRS y la computadora si no hay más arreglo experimental.
  15. Mantenga el cuaderno de laboratorio listo para anotar cualquier evento, especialmente anomalías durante todo el experimento.

4. Análisis de datos

NOTA: Realice todos los análisis de datos utilizando el software MATLAB, con las siguientes cajas de herramientas: HOMER219,Hitachi2nirs 20, xjView21, Cross Wavelet y Wavelet Coherence toolbox22, y los scripts de Groppe en MathWork23.

  1. Preprocesamiento de datos
    1. Para comprobar la calidad de los datos, siga los pasos 4.1.2-4.1.3
    2. Lea los archivos de datos (.csv) de cada participante con la función readHitachData de xjView.
      NOTA: De esta manera, los datos de medición de Hitachi (formato csv) se convierten en datos oxyHb / deoxyHb / marcador con la información guardada en la medición (es decir, longitud de onda, datos de tiempo y lista de canales).
    3. Compruebe visualmente la calidad en los valores de oxyHb y deoxyHb trazando las series temporales de todos los canales en una sola figura, con la función plotTraces de xjView.
      NOTA: Es fácil identificar anomalías en los datos. El canal que tiene mucho ruido puede ser excluido en análisis posteriores.
    4. Convierta archivos Hitachi (.csv) a formato de archivos .nirs con la función csv2nirs de Hitachi2nirs, que admite el preprocesamiento de datos adicionales con Homer2.
    5. Transforme los datos sin procesar a densidad óptica con la función hmrIntensity2OD de Homer2.
    6. Utilice análisis de componentes principales (PCA)24 para eliminar el ruido fisiológico global fNIRS mediante el uso de la función enPCAFilter (nSV = 0,8, es decir, se eliminó el 80% de la covarianza de los datos) de Homer2.
    7. Utilice el método de mejora de señal basado en correlación (CBSI)25 para eliminar los artefactos de movimiento de la cabeza utilizando la función hmrMotionCorrect_Cbsi de Homer2.
    8. Utilice la ley de Beer-Lembert modificada para transformar la densidad óptica procesada en valores de oxyHb y deoxyHb con la función hmrOD2Conc de Homer2.
  2. Cálculo del SII
    NOTA: Para los valores de oxyHb preprocesados, utilice WTC para calcular los valores de coherencia para el par de canales que provienen de la misma ubicación de la díada, incluida la siguiente tubería:
    1. Adopte la función wtc de la caja de herramientas Cross Wavelet y Wavelet Coherence con parámetros predeterminados para calcular los valores de coherencia en cada punto de tiempo y frecuencia para obtener una matriz de dos ejes de valores de coherencia.
    2. Para los parámetros predeterminados, utilice la wavelet madre de morlet, para transformar cada serie temporal en el dominio de tiempo y frecuencia mediante la transformación de wavelet continua.
    3. Seleccione MonteCarloCount para representar el número de conjuntos de datos sustitutos en el cálculo de significación y seleccione Auto AR1 para calcular los coeficientes de autocorrelación de la serie temporal.
    4. Elija la banda de frecuencia de interés (FOI) como se menciona en los pasos 4.2.5-4.2.8.
    5. Seleccionar y promediar los valores de coherencia de la banda de frecuencias entre 0,5-1 Hz (correspondientes respectivamente al período 2 s y 1 s), según la banda de frecuencia utilizada en la tarea de movimiento de los dedos de un estudio previo de hiperescaneo fNIRS9. Dicha FOI también correspondía al período de un toque en la tarea experimental. Por lo tanto, obtenga una columna de valores de coherencia para cada par.
      NOTA: Para confirmar estadísticamente aún más la FOI, calcule los valores de coherencia para cada díada en todo el rango de frecuencias (es decir, 0.008-10 Hz para los datos), en lugar de simplemente confinar la banda de frecuencia seleccionada (es decir, 0.5-1 Hz).
    6. Promedia los valores de coherencia de las ventanas de tiempo objetivo (igual que 4.2.3) para cada punto de frecuencia.
    7. A continuación, analice los valores de coherencia promedio siguiendo la tubería descrita en los pasos 4.2.9-4.2.11 y las estadísticas posteriores (es decir, 4.3.1 - 4.3.2) para cada punto de frecuencia.
    8. Por último, inspeccione visualmente la FOI trazando los valores estadísticos z de cada canal a través de la frecuencia.
    9. Seleccione y promedie los valores de coherencia de la ventana de tiempo durante el estado de reposo (ventana de tiempo para 20 s-estado-reposo) y cada condición experimental (es decir, coordinación del medidor, coordinación no del medidor, independencia del medidor e independencia no del medidor), respectivamente, utilizando la información de la marca. Así, se obtienen cinco valores de coherencia para cada díada.
    10. Para la sesión de tareas, solo seleccione la duración durante la cual los participantes aprovecharon para reproducir el estímulo auditivo, aproximadamente 12 s para cada ensayo, por lo que totalizan 180 s (es decir, 12 s x 15 ensayos) para cada condición experimental.
      NOTA: El SII se calculó como un aumento de la coherencia (los valores de coherencia restados más grandes que cero), es decir, los valores de coherencia más grandes en la sesión de tarea en comparación con los de la sesión de estado de reposo.
    11. Reste el valor de coherencia en reposo del valor de coherencia relacionado con la tarea, respectivamente, en el que el valor de coherencia durante el estado de reposo se utilizó como línea de base en este experimento.
      NOTA: Al repetir los pasos anteriores (4.2.1-4.2.11) a través de canales (es decir, 22 canales) y díadas (es decir, 16 díadas), finalmente se obtuvieron los valores de coherencia restados para cada díada en cada canal.
  3. Estadística
    1. Comparar los valores de coherencia restados con cero en cada canal para cada condición experimental, utilizando la prueba t de permutación de muestras pareadas con la función mult_comp_perm_t1 del trabajo de Groppe (5000 permutaciones para estimar la distribución de la hipótesis nula; nivel alfa familiar deseado- 0.05; prueba de dos colas, lo que significa que la hipótesis alternativa es que la media de los datos es diferente de 0) como distribución anormal de datos y tamaño de muestra limitado en la corriente experimento26.
      NOTA: La prueba t de permutación de muestras emparejadas aquí es similar a la prueba t emparejada, pero esta última asume que los datos se distribuyen normalmente, mientras que la primera no lo hace. Dicha prueba comienza de la misma manera que la prueba t pareada, es decir, calculando una puntuación t (es decir, puntuación t real) para los valores de coherencia en diferentes grupos (uno son los valores de coherencia restados en la condición de tarea, el otro son ceros). Luego, se genera una permutación intercambiando los valores de coherencia de diferentes grupos, y se calcula una nueva puntuación t para los valores de coherencia restados y los ceros después de esta permutación. Dicha permutación se lleva a cabo 5000 veces. Así, se obtienen puntuaciones de 5000 t. En la distribución de las puntuaciones de 5000 t, la ubicación relativa de la puntuación t real genera el valor p para los valores de coherencia restados.
    2. Corrija los valores de p (es decir, debido al problema de comparación múltiple, y genere a partir de las comparaciones a través de 22 canales en un parche) mediante el método false discovery rate(p < 0.05)27. Realice esta corrección a través de la función mafdr de la caja de herramientas de MATLAB.
      NOTA: Si el valor p en cualquier canal fue significativo (es decir, p < 0.05) después de la corrección FDR, hay IBS en ese canal.
    3. Compare los valores de coherencia entre las diferentes condiciones de tarea en el canal donde existía el SII, utilizando la prueba t de permutación de muestras pareadas con la función mult_comp_perm_t1 del trabajo de Groppe (los mismos parámetros que se mencionan en el paso 4.3.1).
      NOTA: Para examinar intuitivamente el SII durante la coordinación interpersonal con respecto a los estímulos del medidor frente a los no medidores, compare los valores de coherencia de diferentes condiciones directamente (es decir, la coordinación del medidor frente a la coordinación sin medidor; la coordinación del medidor frente a la independencia del medidor).
    4. Calcular el rendimiento conductual por la diferencia absoluta entre el tiempo de respuesta de los socios dividido por la suma de las respuestas de ambos socios56.
    5. Evaluar la relación entre el SII y el rendimiento conductual a través de la prueba de permutación basada en el análisis de correlación lineal de Pearson (es decir, la función mult_comp_perm_corr del trabajo de Groppe).
  4. Validación del SII
    NOTA: Para excluir las explicaciones de que estímulos, movimientos o condiciones similares indujeron el SII demostrado, use una prueba de permutación como enfoque de validación, con tres permutaciones (es decir, dentro de la díada, entre díada y entre permutaciones de condición), incluidas las siguientes:
    1. Aleatorizar la etiqueta de los ensayos en la condición de coordinación del medidor (es decir, dentro de la permutación de la díada, como el ensayo #1 y el ensayo #13 en la díada #1) para una díada en cada canal a través de la función randperm de MATLAB.
    2. Siga la línea anterior de cálculo del SII y las estadísticas (es decir, las secciones 4.2 y 4.3, pero excluyendo el análisis de sensibilidad para la FOI) para la etiqueta del ensayo aleatorizado.
      NOTA: Calcule los valores de coherencia del par falso para cada condición por separado y calcule el aumento de coherencia para el par falso (es decir, reste el valor de coherencia en reposo del valor de coherencia relacionado con la tarea para el par falso).
    3. Realizar la permutación 1000 veces, seguida de la canalización del cálculo del SII y las estadísticas (secciones 4.2 y 4.3).
    4. Trazar la distribución de los valores estadísticos z generados dentro de la permutación de díada.
    5. Realizar los pasos 4.4.2-4.4.4 mediante el emparejamiento aleatorio de los participantes del mismo ensayo en la condición de coordinación del medidor (es decir, entre la permutación de la díada, como el participante # 1 en la díada # 1 y el participante # 1 en la díada # 3).
    6. Realice los pasos 4.4.2-4.4.4 aleatorizando la etiqueta de condiciones para los mismos miembros de una díada en el mismo ensayo (es decir, entre la permutación de la condición, como el participante # 1 en la condición de coordinación del medidor y el participante # 2 en la condición de independencia del medidor).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

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

Los resultados mostraron que había SII en el canal 5 en la condición de coordinación del medidor, mientras que no existía SII en otras condiciones (es decir, independencia del medidor, coordinación sin medidor, independencia sin medidor; Figura 2A). En el canal 5, el SII en la condición de coordinación del medidor fue significativamente mayor que los valores de coherencia en la condición de coordinación no métrica e independencia del medidor(Figura 2B). El canal...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

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

Este protocolo proporciona un procedimiento paso a paso para calcular y validar el SII, utilizando el enfoque de hiperescaneo fNIRS para recopilar simultáneamente las señales cerebrales de dos participantes. A continuación se analizan algunas cuestiones críticas relacionadas con el preprocesamiento de datos de fNIRS, el cálculo de IBS, las estadísticas y la validación de IBS.

Preprocesamiento de datos
Es necesario preprocesar los datos fNIRS en estudios de hiperescaneo para...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

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

Los autores no tienen nada que revelar.

Agradecimientos

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

Esta investigación fue apoyada por: Fundación Nacional de Ciencias Naturales de China (31872783, 31800951).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
ComputadoraHewlett-Packard Development Company, L.P.Auricular HP S01-pF157mcn
RoyalPhilips Electronics, Eindhoven, Países BajosSHE2405BK/00
Gorra de EEGCompumedics Neuroscan, Charlotte, EE. UU.64 canales Quik-Cap
E-Prime softwarePsychology Software Tools, Inc., Pittsburgh, EE. UU.Sistema E-Prime 3
fNIRSHitachi Medical Corporation, Tokio, JapónETG-7100 Sistema de topografía óptica
MATLAB 2014b The MathWorks, Inc., Natick, MA MATLAB 2014b MuseScore Musescore Company, Bélgica MuseScore 3.6.2.548021803 Gorro de natación Decathlon Group, Villeneuve-d'Ascq, Francia 1681552

Referencias

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

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

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

Artículos relacionados