Waiting
Procesando inicio de sesión ...

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

Neuroscience

Comment calculer et valider la synchronisation inter-cerveau dans une étude d’hyperscanning fNIRS

Published: September 8, 2021 doi: 10.3791/62801
Automatic Translation
1, 1, 2, 3, 4, 1, 1
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

Summary

La dynamique entre les cerveaux couplés des individus a été de plus en plus représentée par la synchronisation inter-cerveau (IBS) lorsqu’ils se coordonnent les uns avec les autres, principalement en utilisant des signaux d’enregistrement simultané des cerveaux (à savoir l’hyperscanning) avec fNIRS. Dans les études d’hyperscan fNIRS, le SCI a été couramment évalué par la méthode de la cohérence de transformation des ondelettes (WTC) en raison de son avantage sur l’expansion des séries chronologiques dans l’espace temps-fréquence où les oscillations peuvent être vues de manière très intuitive. Le SCI observé peut être validé davantage via l’appariement aléatoire basé sur la permutation de l’essai, du partenaire et de la condition. Ici, un protocole est présenté pour décrire comment obtenir des signaux cérébraux via la technologie fNIRS, calculer le SCI via la méthode WTC et valider le SCI par permutation dans une étude d’hyperscan. En outre, nous discutons des problèmes critiques lors de l’utilisation des méthodes ci-dessus, y compris le choix des signaux fNIRS, les méthodes de prétraitement des données et les paramètres facultatifs des calculs. En résumé, l’utilisation de la méthode WTC et de la permutation est un pipeline potentiellement standard pour l’analyse du SCI dans les études d’hyperscan fNIRS, contribuant à la fois à la reproductibilité et à la fiabilité du SCI.

Abstract

La dynamique entre les cerveaux couplés des individus a été de plus en plus représentée par la synchronisation inter-cerveau (IBS) lorsqu’ils se coordonnent les uns avec les autres, principalement en utilisant des signaux d’enregistrement simultané des cerveaux (à savoir l’hyperscanning) avec fNIRS. Dans les études d’hyperscan fNIRS, le SCI a été couramment évalué par la méthode de la cohérence de transformation des ondelettes (WTC) en raison de son avantage sur l’expansion des séries chronologiques dans l’espace temps-fréquence où les oscillations peuvent être vues de manière très intuitive. Le SCI observé peut être validé davantage via l’appariement aléatoire basé sur la permutation de l’essai, du partenaire et de la condition. Ici, un protocole est présenté pour décrire comment obtenir des signaux cérébraux via la technologie fNIRS, calculer le SCI via la méthode WTC et valider le SCI par permutation dans une étude d’hyperscan. En outre, nous discutons des problèmes critiques lors de l’utilisation des méthodes ci-dessus, y compris le choix des signaux fNIRS, les méthodes de prétraitement des données et les paramètres facultatifs des calculs. En résumé, l’utilisation de la méthode WTC et de la permutation est un pipeline potentiellement standard pour l’analyse du SCI dans les études d’hyperscan fNIRS, contribuant à la fois à la reproductibilité et à la fiabilité du SCI.

Introduction

Lorsque les gens se coordonnent avec les autres, leur cerveau et leur corps deviennent une unité couplée grâce à une adaptation mutuelle continue. Le couplage entre les cerveaux peut être représenté par la synchronisation inter-cerveau (IBS) grâce à l’approche hyperscanning, qui enregistre simultanément les signaux cérébraux de deux individus ou plus1. En effet, un nombre croissant d’études d’hyperscan fNIRS / EEG ont trouvé IBS dans divers contextes de collaboration, y compris le tapotement des doigts2,la marche en groupe3,jouer de la batterie4,jouer de la guitare5et chanter / fredonner6. fNIRS est largement utilisé pour la recherche sur le SCI pendant l’interaction sociale, car il restreint moins les mouvements de la tête / du corps dans des contextes relativement naturels (par rapport à l’IRMf / EEG)7.

L’article présente un protocole pour calculer le SCI via la méthode wtC (Wavelet Transform Coherence) dans une étude d’hyperscan fNIRS. WTC est une méthode d’évaluation de la corrélation croisée entre deux signaux de mouvement sur le plan temps-fréquence et, par conséquent, peut donner plus d’informations que l’analyse de corrélation traditionnelle (par exemple, corrélation de Pearson et corrélation croisée), qui n’est que dans le domaine temporel8. De plus, les signaux hémodynamiques sont transformés en composants d’ondelettes, qui peuvent éliminer efficacement le bruit des basses fréquences. Bien que le WTC prenne beaucoup de temps, il a été la méthode la plus couramment utilisée pour calculer l’IBS en action imitation9, comportement coopératif10, communication verbale11, prise de décision12, et apprentissage interactif13.

L’article présente également comment valider le SCI avec l’analyse aléatoire basée sur la permutation des essais, des conditions et des participants. Le SCI dans les études d’hyperscan est toujours proposé pour suivre l’interaction sociale en ligne entre les individus, alors qu’il peut également être interprété par d’autres explications, telles que la similitude du stimulus, la similitude de mouvement ou la similitude de condition14. Le test de permutation, également appelé test de randomisation, peut être exploité pour tester les hypothèses nulles mentionnées ci-dessus en rééchantillonnant les données observées15. En utilisant la permutation, il est utile d’étudier si le SCI identifié est spécifique au comportement interactif, allant de la modulation du SCI au sein des dyades à entre groupes de partenaires16.

Le protocole décrit ici détaille comment obtenir des signaux cérébraux via la technologie fNIRS, calculer le SCI via la méthode WTC et valider le SCI par test de permutation dans une étude d’hyperscan. Cette étude vise à examiner si le SCI privilégié est provoqué par les compteurs de musique lors de la coordination sociale. Les signaux cérébraux ont été enregistrés dans le cortex frontal, en fonction de l’emplacement du SCI dans une découverte précédente1. La tâche expérimentale a été développée à l’origine par Konvalinka et ses collèges17, dans laquelle les participants ont été invités à taper leurs doigts avec le retour auditif du partenaire ou d’eux-mêmes après avoir écouté le compteur ou les stimuli non mesurés.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Le protocole présenté ici a été approuvé par le Comité universitaire sur la protection de la recherche humaine de l’Université normale de Chine orientale.

1. Préparation de l’expérience

  1. Participants
    1. Recrutez un groupe d’étudiants de premier cycle et des cycles supérieurs avec une compensation monétaire par la publicité du campus.
    2. Assurez-vous que les participants sont droitiers et ont une vision et une audition normales ou corrigées à la normale. Assurez-vous qu’ils n’ont pas étudié la musique ou l’ont étudiée pendant moins de 3 ans auparavant.
    3. Faites correspondre au hasard les élèves en dyades. Pour contrôler l’effet potentiel de la familiarité du partenaire sur la coordination sociale18,assurez-vous que les membres de chaque dyade ne se sont jamais vus ou connus auparavant.
  2. Stimulus expérimental
    1. Créez les stimuli auditifs (440 Hz, 660 ms de tons purs) par n’importe quel logiciel gratuit de composition et de notation musicale.
    2. Répétez les tons avec un intervalle de 500-1000 ms et combinez-les dans une séquence de tons. Chaque séquence de tons est plus longue de 12 s et composée de 12 tons.
    3. Pour une séquence de tons, accentuez chaque premier ton (+6 dB) pour créer le motif de downbeats et d’upbeats, défini comme le stimulus du mètre (Supplementary Audio 1). Dans la deuxième séquence de tons, détachez les tons avec une intensité égale (40 dB au-dessus du seuil de sensation individuel, collecté avant la tâche expérimentale), ce qui correspondait au stimulus non-mètre (Audio supplémentaire 2).
  3. Tâche expérimentale
    1. Programmez la tâche expérimentale à l’aide d’un outil logiciel psychologique.
    2. Organisez deux étapes pour la tâche expérimentale (Figure 1A) comme décrit aux étapes 1.3.3-1.3.6.
    3. deuxième état de repos : Demandez aux participants de rester aussi immobiles que possible, l’esprit détendu et les yeux fermés.
    4. Tâche de tapotement des doigts : Demandez aux participants de compléter deux parties : une partie coordination et une partie indépendance.
    5. Pendant la partie coordination, fournir une rétroaction auditive (c.-à-d. un son goutte à goutte correspondant à un robinet) à chaque participant uniquement pour la réponse générée par l’autre membre de la dyade. Demandez aux participants de faire de leur mieux pour répondre de manière synchrone avec l’autre membre.
    6. Pour la partie indépendance, assurez-vous que les deux participants ont reçu la rétroaction auditive (c.-à-d. un son goutte à goutte correspondant à un robinet) de leurs propres réponses et demandez-leur de répondre de manière synchrone avec le stimulus auditif aussi précisément que possible.
      REMARQUE: Combiné avec les stimuli du compteur et non-mètre, les participants se sont retrouvés dans l’une des quatre conditions différentes: (i) coordination du compteur - les deux participants ont entendu des compteurs et les réponses l’un de l’autre; ii) coordination hors compteur - les deux participants ont entendu les non-compteurs et les réponses les uns des autres; iii) indépendance des compteurs - les deux participants ont entendu les compteurs et les réponses d’eux-mêmes; iv) non-indépendance du compteur - les deux participants ont entendu les non-compteurs et les réponses d’eux-mêmes.
    7. Pour chaque essai, laissez d’abord les participants entendre un morceau du stimulus auditif (12 s) suivi d’un son (262 Hz, 1000 ms) qui sert de signal pour commencer à taper du doigt.
    8. Demandez aux participants de reproduire le stimulus qu’ils ont entendu auparavant en appuyant sur leur index droit sur le clavier (participant #1 : « f » ; participant #2 : « j »). Les participants doivent appuyer 12 fois tout en conservant le même intervalle de temps entre les tons que le stimulus présenté précédemment.
      NOTE: Il y avait 60 essais assignés également dans 4 blocs correspondant aux 4 conditions expérimentales, à savoir 15 essais dans un bloc. L’ordre des blocs a été contrebalancé. La durée totale de la tâche de taraudage était d’environ 26 min.
    9. Entre les blocs, laissez les participants se reposer pendant 30 s.
    10. Pendant toute la durée de l’expérience, ne permettez pas aux participants de communiquer à travers une langue ou un mouvement. Séparez les participants avec l’écran de l’ordinateur pour bloquer toute information visuelle susceptible de remettre des messages entre eux.
  4. Casquettes fNIRS maison: Achetez deux bonnets de bain élastiques de taille normale. Pour couvrir la région cérébrale d’intérêt, réparez les bonnets de bain comme décrit dans les étapes suivantes:
    1. Mettez un bonnet de bain sur une tête de tête, puis mettez un bonnet EEG standard de 10 à 20 sur le bonnet de bain.
    2. Marquez l’emplacement de FCz sur le bonnet de bain avec un marqueur magique rouge.
    3. Retirez le capuchon EEG de la tête de chaîne.
    4. Placez un patch de sonde optode (configuration 3 x 5) sur le bonnet de bain, en alignant celui du milieu de la deuxième rangée de sonde du patch avec l’emplacement marqué de FCz.
      REMARQUE : Le patch de sonde optode comprenait 15 emplacements de sondes optode (c.-à-d. 8 émetteurs et 7 détecteurs), formant 22 canaux de mesure avec une séparation optode de 3 cm(Figure 1B).
    5. Marquez les emplacements des 15 sondes du patch sur le bonnet de bain.
    6. Enlevez le patch et le bonnet de bain de la tête.
    7. Coupez 15 petits trous sur les emplacements marqués des 15 sondes avec une paire de ciseaux.
    8. Montez le patch sur le bonnet de bain modifié en intégrant les emplacements de 15 sondes dans les 15 trous appropriés.
    9. Réparez l’autre bonnet de bain selon le processus ci-dessus.
      REMARQUE: Le bouchon fNIRS fait maison, dans lequel les emplacements des optodes sont conformes aux emplacements EEG standard, a été utilisé car il n’y avait pas de bouchons EEG standard applicables pour le système fNIRS utilisé dans cette étude. Il n’est pas nécessaire de fabriquer un bouchon fNIRS s’il existe des bouchons EEG standard appropriés avec le système fNIRS.

2. Avant l’arrivée des participants

REMARQUE : Assurez-vous de suivre les étapes 2.1 à 2.5 avant que les participants n’arrivent au laboratoire.

  1. Rappelez aux deux participants qu’une dyade doit venir au laboratoire selon l’horaire convenu.
  2. Démarrez le système fNIRS au moins 30 minutes à l’avance, en laissant le laser éteint.
  3. Insérez les sondes optode du système fNIRS dans les patchs de sonde optode.
  4. Examinez les paramètres de la mesure fNIRS (c.-à-d. l’ID du sujet, le mode lié à l’événement, la disposition de la sonde optode).
  5. Réglez l’appareil expérimental avec une table, deux chaises, deux écrans d’ordinateur de 19 pouces et deux paires d’écouteurs(Figure 1C).

3. Arrivée du participant au laboratoire

REMARQUE: J’apprécie sincèrement les deux participants d’une dyade lorsqu’ils arrivent au laboratoire fNIRS. Demandez-leur de mettre leur téléphone en mode silencieux et de laisser temporairement leurs effets personnels dans l’armoire. Ensuite, effectuez les processus suivants dans l’ordre:

  1. Avant que les participants ne s’assoient, reconfirmez que les deux participants ne se sont jamais vus auparavant. Assurez-vous qu’ils n’ont pas communiqué entre eux par le biais d’une langue ou d’un mouvement pendant qu’ils étaient au laboratoire.
  2. Fournir aux participants des formulaires de consentement éclairé approuvés par le Comité universitaire de recherche humaine.
  3. Instruisez les participants sur les détails de la tâche expérimentale. Demandez-leur de porter des écouteurs et donnez-leur plusieurs essais de pratique.
  4. Dans les essais pratiques, permettez aux deux participants de chaque dyade de pratiquer ensemble.
    REMARQUE: Avant de porter la casquette fNIRS, il est utile de mesurer et de déterminer la taille de la tête de chaque participant en utilisant une règle flexible. Sélectionnez ensuite la bonne taille de casquette pour le participant en fonction de la taille de sa tête. Dans cette étude, une telle étape a été manquée car des bonnets de bain de taille unique ont été utilisés. Il est préférable d’effectuer cette étape la veille de l’expérience, car les opérations relatives (c.-à-d. mesurer la taille de la tête, sélectionner le bonne bonne taille de bonne taille, monter les patchs de la sonde optode sur le bonnet de bain et insérer les sondes optode dans les patchs de la sonde) prennent du temps (environ 20-30 min).
  5. Placez le capuchon fNIRS sur la tête des participants avec le centre du capuchon pointant vers l’emplacement de CZ, et placez la sonde optode centrale de la deuxième rangée de sondes du patch à FCz.
  6. Utilisez le système fNIRS pour effectuer l’étalonnage du signal avec le laser allumé.
  7. S’il y a un signal insuffisant à un canal, ajustez l’intensité du signal avec un bâton de fibre pour mettre doucement les cheveux sous la pointe de la sonde environnante de côté.
  8. Si nécessaire, appuyez doucement sur les sondes mais assurez-vous de ne pas blesser les participants.
  9. Répétez les étapes 3.5 à 3.8 jusqu’à ce que la qualité du signal soit accessible. Assurez-vous que les participants se sentent à l’aise pendant tout le processus d’étalonnage du signal.
  10. Aider les participants à trouver une posture confortable pour eux-mêmes (p. ex., des positions corporelles confortables). Rappelez aux participants de garder la tête aussi immobile que possible pendant toute la tâche expérimentale (c.-à-d. environ 26 min).
  11. Examinez à nouveau la qualité des signaux NIRS. S’il y a suffisamment de signaux dans tous les canaux, exécutez la procédure d’expérimentation sur l’ordinateur de bureau.
  12. Aidez les participants à enlever les écouteurs et la casquette fNIRS à la fin de la procédure expérimentale. Restituez leurs effets personnels et remerciez-les avec une compensation monétaire.
  13. Utilisez le système fNIRS pour enregistrer les données. Utilisez un disque pour exporter des données fNIRS brutes (.csv) et utilisez une clé USB pour copier les données comportementales de l’ordinateur.
  14. Fermez le système fNIRS et l’ordinateur s’il n’y a plus d’arrangement expérimental.
  15. Gardez le cahier de laboratoire prêt à noter tout événement, en particulier les anomalies pendant toute l’expérience.

4. Analyse des données

REMARQUE: Effectuez toutes les analyses de données à l’aide du logiciel MATLAB, avec les boîtes à outils suivantes: HOMER219,Hitachi2nirs 20, xjView21, Cross Wavelet et Wavelet Coherence toolbox22, et les scripts de Groppe dans MathWork23.

  1. Prétraitement des données
    1. Pour vérifier la qualité des données, suivez les étapes 4.1.2-4.1.3
    2. Lisez les fichiers de données (.csv) de chaque participant avec la fonction readHitachData de xjView.
      REMARQUE: De cette façon, les données de mesure Hitachi (format csv) sont converties en données oxyHb / désoxyHb / marqueur avec les informations enregistrées dans la mesure (c’est-à-dire la longueur d’onde, les données temporelles et la liste des canaux).
    3. Vérifiez visuellement la qualité des valeurs oxyHb et deoxyHb en traçant les séries chronologiques de tous les canaux en une seule figure, avec la fonction plotTraces de xjView.
      REMARQUE: Il est facile d’identifier les anomalies dans les données. Le canal qui a beaucoup de bruit peut être exclu dans l’analyse ultérieure.
    4. Convertissez les fichiers Hitachi (.csv) au format de fichiers .nirs avec la fonction csv2nirs d’Hitachi2nirs, qui prend en charge le prétraitement de données avec Homer2.
    5. Transformez les données brutes en densité optique avec la fonction hmrIntensity2OD de Homer2.
    6. Utilisez les analyses en composantes principales (PCA)24 pour éliminer le bruit physiologique global fNIRS en utilisant la fonction enPCAFilter (nSV = 0,8, c’est-à-dire que 80% de la covariance des données a été supprimée) de Homer2.
    7. Utilisez la méthode d’amélioration du signal basée sur la corrélation (CBSI)25 pour supprimer les artefacts de mouvement de la tête à l’aide de la fonction hmrMotionCorrect_Cbsi d’Homer2.
    8. Utilisez la loi de Beer-Lembert modifiée pour transformer la densité optique traitée en valeurs oxyHb et désoxyHb avec la fonction hmrOD2Conc de Homer2.
  2. Calcul de l’IBS
    REMARQUE : Pour les valeurs oxyHb prétraitées, utilisez WTC pour calculer les valeurs de cohérence pour la paire de canaux qui proviennent du même emplacement de la dyade, y compris le tuyau suivant :
    1. Adoptez la fonction wtc de la boîte à outils Cross Wavelet et Wavelet Coherence avec des paramètres par défaut pour calculer les valeurs de cohérence à chaque point de temps et de fréquence afin d’obtenir une matrice à deux axes de valeurs de cohérence.
    2. Pour les paramètres par défaut, utilisez l’ondelette mère morlet, pour transformer chaque série chronologique dans le domaine temporel et fréquentiel par la transformation d’ondelettes continues.
    3. Sélectionnez MonteCarloCount pour représenter le nombre d’ensembles de données de substitution dans le calcul de la signification, puis sélectionnez Auto AR1 pour calculer les coefficients d’autocorrélation de la série chronologique.
    4. Choisissez la bande de fréquences d’intérêt (FOI) comme mentionné aux étapes 4.2.5-4.2.8.
    5. Sélectionnez et faites la moyenne des valeurs de cohérence de la bande de fréquences entre 0,5 et 1 Hz (correspondant respectivement à la période 2 s et 1 s), en fonction de la bande de fréquences utilisée dans la tâche de mouvement des doigts d’une étude précédente d’hyperscan fNIRS9. Cette FOI correspondait également à la période d’un robinet dans la tâche expérimentale. Ainsi, obtenez une colonne de valeurs de cohérence pour chaque paire.
      REMARQUE : Pour confirmer statistiquement davantage la liberté d’information, calculez les valeurs de cohérence pour chaque dyade sur toute la gamme de fréquences (c.-à-d. 0,008-10 Hz pour les données), plutôt que de simplement limiter la bande de fréquences sélectionnée (c.-à-d. 0,5-1 Hz).
    6. Faire la moyenne des valeurs de cohérence des fenêtres temporelles ciblées (identiques à 4.2.3) pour chaque point de fréquence.
    7. Ensuite, analysez les valeurs de cohérence moyennes suivant le pipeline décrit aux étapes 4.2.9 à 4.2.11 et les statistiques ultérieures (c.-à-d. 4.3.1 à 4.3.2) pour chaque point de fréquence.
    8. Enfin, inspectez visuellement LA FOI en traçant les valeurs statistiques z de chaque canal sur toute fréquence.
    9. Sélectionnez et faites la moyenne des valeurs de cohérence de la fenêtre de temps pendant l’état de repos (fenêtre de temps pour l’état de repos de 20 s) et de chaque condition expérimentale (c.-à-d. coordination du compteur, coordination hors compteur, indépendance du compteur et indépendance du non-compteur), respectivement, à l’aide des informations de marque. Ainsi, obtenez cinq valeurs de cohérence pour chaque dyade.
    10. Pour la session de tâche, sélectionnez uniquement la durée pendant laquelle les participants ont tapoté pour reproduire le stimulus auditif, environ 12 s pour chaque essai, soit un total de 180 s (c’est-à-dire 12 s x 15 essais) pour chaque condition expérimentale.
      REMARQUE: IBS a été calculé comme une augmentation de cohérence (les valeurs de cohérence soustraites plus grandes que zéro), à savoir les valeurs de cohérence plus élevées dans la session de tâche par rapport à celles de la session d’état de repos.
    11. Soustrayez la valeur de cohérence au repos de la valeur de cohérence liée à la tâche, respectivement, dans laquelle la valeur de cohérence pendant l’état de repos a été utilisée comme base de référence dans cette expérience.
      REMARQUE : En répétant les étapes ci-dessus (4.2.1-4.2.11) sur les canaux (c.-à-d. 22 canaux) et les dyades (c.-à-d. 16 dyades), les valeurs de cohérence soustraites pour chaque dyade à chaque canal ont finalement été obtenues.
  3. Statistiques
    1. Comparer les valeurs de cohérence soustraites avec zéro à chaque canal pour chaque condition expérimentale, en utilisant le test t de permutation d’échantillons appariés avec la fonction mult_comp_perm_t1 du travail de Groppe (5000 permutations pour estimer la distribution de l’hypothèse nulle; niveau alpha familial souhaité - 0,05; test à deux queues, ce qui signifie que l’hypothèse alternative est que la moyenne des données est différente de 0) comme distribution de données anormale et taille d’échantillon limitée dans le courant expérience26.
      REMARQUE: Le test t de permutation des échantillons appariés ici est similaire au test t apparié, mais ce dernier suppose que les données sont normalement distribuées, alors que le premier ne le fait pas. Un tel test commence de la même manière que le test t apparié, c’est-à-dire en calculant un score t (c’est-à-dire un score t réel) pour les valeurs de cohérence dans différents groupes (l’un est les valeurs de cohérence soustraites dans la condition de tâche, l’autre est zéro). Ensuite, une permutation est générée en échangeant les valeurs de cohérence de différents groupes, et un nouveau score t est calculé pour les valeurs de cohérence soustraites et les zéros suivant cette permutation. Une telle permutation est effectuée 5000 fois. Ainsi, des scores de 5000 t sont obtenus. Dans la distribution des scores de 5000 t, l’emplacement relatif du score t réel génère la valeur p pour les valeurs de cohérence soustraites.
    2. Corrigez les valeurs p (c’est-à-dire en raison du problème de comparaison multiple et générez à partir des comparaisons sur 22 canaux dans un patch) par la méthode False Discovery Rate (p < 0,05)27. Effectuez cette correction via la fonction mafdr de la boîte à outils MATLAB.
      REMARQUE: Si la valeur de p à un canal était significative (c.-à-d. p < 0,05) après correction FDR, il y a IBS à ce canal.
    3. Comparez les valeurs de cohérence entre différentes conditions de tâche au niveau du canal où IBS existait, en utilisant le test t de permutation d’échantillons appariés avec la fonction mult_comp_perm_t1 du travail de Groppe (mêmes paramètres que ceux mentionnés à l’étape 4.3.1).
      REMARQUE: Pour examiner intuitivement le SCI pendant la coordination interpersonnelle en ce qui concerne les stimuli du compteur par rapport aux stimuli non mesurés, comparez directement les valeurs de cohérence de différentes conditions (c.-à-d. coordination du compteur par rapport à la coordination hors compteur; coordination du compteur par rapport à l’indépendance du compteur).
    4. Calculer la performance comportementale par la différence absolue entre le temps de réponse des partenaires divisé par la somme des réponses des deux partenaires56.
    5. Évaluer la relation entre le SCI et la performance comportementale grâce au test de permutation basé sur l’analyse de corrélation linéaire de Pearson (c’est-à-dire la fonction mult_comp_perm_corr du travail de Groppe).
  4. Validation du SCI
    REMARQUE: Pour exclure les explications selon lesquelles des stimuli, des mouvements ou des conditions similaires ont induit le SCI démontré, utilisez un test de permutation comme approche de validation, avec trois permutations (c’est-à-dire dans la dyade, entre la dyade et entre les permutations de condition), inclus les éléments suivants:
    1. Randomiser l’étiquette des essais dans la condition de coordination du compteur (c’est-à-dire dans la permutation de dyade, comme l’essai #1 et l’essai #13 dans la dyade #1) pour une dyade à chaque canal via la fonction randperm de MATLAB.
    2. Suivez le pipeline ci-dessus de calcul du SCI et des statistiques (c.-à-d. les sections 4.2 et 4.3, mais à l’exclusion de l’analyse de sensibilité pour l’accès à l’information) pour l’étiquette de l’essai randomisé.
      REMARQUE : Calculez les valeurs de cohérence de la fausse paire pour chaque condition séparément et calculez l’augmentation de cohérence pour la fausse paire (c.-à-d. soustrayez la valeur de cohérence au repos de la valeur de cohérence liée à la tâche pour la fausse paire).
    3. Effectuer la permutation 1000 fois, suivie du pipeline de calcul de l’IBS et des statistiques (sections 4.2 et 4.3).
    4. Tracez la distribution des valeurs statistiques z générées dans la permutation de dyade.
    5. Effectuez les étapes 4.4.2 à 4.4.4 en randomisant l’appariement des participants du même essai dans la condition de coordination du compteur (c.-à-d. entre la permutation de la dyade, comme le participant no 1 dans la dyade no 1 et le participant no 1 dans la dyade no 3).
    6. Effectuez les étapes 4.4.2 à 4.4.4 en randomisant l’étiquette des conditions pour les mêmes membres d’une dyade dans le même essai (c.-à-d. entre la permutation de la condition, comme le participant no 1 dans la condition de coordination du compteur et le participant no 2 dans la condition d’indépendance du compteur).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Les résultats ont montré qu’il y avait un SCI au canal 5 dans l’état de coordination du compteur, alors qu’aucun SCI n’existait dans d’autres conditions (c.-à-d. indépendance du compteur, non-coordination du compteur, non-indépendance du compteur; Figure 2A). Au canal 5, l’IBS dans l’état de coordination du compteur était significativement plus élevé que les valeurs de cohérence dans l’état de coordination et d’indépendance du compteur(figure 2B). Le canal 5 appartenait approximativement au cortex préfrontal dorsolatéral gauche (DLPFC; Zone Brodmann 9). De plus, l’analyse de permutation a montré que le SCI observé se présentait probablement chez deux individus d’une dyade qui essayaient de se synchroniser les uns avec les autres dans le temps apparié, mais pas dans le temps, le partenaire ou la condition d’appariement aléatoire(Figure 2C). Ensemble, ces résultats ont indiqué que le compteur de musique induisait un IBS privilégié au DLPFC pendant la coordination interpersonnelle. Compte tenu du rôle du DLPFC dans l’interaction sociale (p. ex., moduler l’attention à d’autres personnes28,29) et de la musique (p. ex., améliorer les performances cognitives en présence d’un fond musical30,31), le DLPFC-IBS observé dans l’état de coordination du compteur pourrait être lié à une plus grande attention au processus impliqué dans la coordination interpersonnelle, comme la perception et la compréhension de la tâche et du mouvement du partenaire.

Figure 1
Figure 1: Conception expérimentale. (A) Procédure et tâche expérimentales. ( B )Configurationde la sonde. (C) Installation expérimentale. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 2
Figure 2: Synchronisation inter-cerveau (IBS). (A) Les cartes thermiques du test de permutation sur la valeur de cohérence pour chaque condition. Il y avait IBS au canal 5 dans l’état de coordination du compteur. (B) L’IBS au canal 5 dans l’état de coordination du compteur était significativement plus élevé que ceux dans l’état d’indépendance du compteur et de non-coordination du compteur. **p < 0,01, *p < 0,05. Les barres d’erreur représentent les valeurs minimales/maximales. Les points de diamant indiquent des valeurs extrêmes. La zone ombrée indique l’intervalle de confiance de 95 %. (C) L’effet de l’IBS (valeurs statistiques z) avec l’essai permutant, l’individu et la condition pour tous les canaux. La ligne pointillée indique l’effet de l’IBS au canal 5 dans l’état de coordination du compteur. L’axe des x représente la valeur Z et l’axe des y représente le nombre d’échantillons. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Audio supplémentaire 1. Veuillez cliquer ici pour télécharger ce fichier.

Audio supplémentaire 2. Veuillez cliquer ici pour télécharger ce fichier.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Ce protocole fournit une procédure étape par étape pour calculer et valider le SCI, en utilisant l’approche d’hyperscan fNIRS pour collecter simultanément les signaux cérébraux de deux participants. Certains problèmes critiques liés au prétraitement des données fNIRS, au calcul IBS, aux statistiques et à la validation IBS sont abordés ci-dessous.

Prétraitement des données
Il est nécessaire de prétraiter les données fNIRS dans les études d’hyperscan pour extraire des signaux réels du bruit possible (c.-à-d. artefacts de mouvement, composants systémiques). Bien que le prétraitement soit ignoré lors de l’analyse du SCI dans les études antérieures d’hyperscan fNIRS10,32,33, il a été une partie essentielle et standard dans les études récentes. Dans cette étude, l’ICSS et l’APC sont utilisés pour éliminer le bruit; le premier est fiable pour éliminer les artefacts de mouvement de la tête34, tandis que le second est bon pour diminuer le bruit physiologique global (par exemple, respiratoire, pression artérielle et variation du flux sanguin)35. Bien sûr, il existe d’autres méthodes de correction de mouvement pour le prétraitement des données, qui fonctionnent bien dans les études empiriques fNIRS, telles que le filtrage d’ondelettes36,l’interpolation spline37,le filtrage de Kalman38,les algorithmes autorégressifs39et la correction de séparation à canal court40. Les comparaisons des méthodes de correction de mouvement ont montré qu’il est toujours préférable de corriger les artefacts de mouvement que d’exclure des canaux ou de rejeter des essais et que chaque méthode est particulièrement axée sur. Il a été proposé que l’adoption simultanée de plusieurs méthodes de correction de mouvement41, comme le montre cette étude, est une solution réaliste. En outre, le filtrage passe-bas et passe-haut est également généralement utilisé dans le prétraitement des données fNIRS pour éliminer le bruit physiologique. Bien que cette méthode soit efficace, elle peut détruire l’effet de la tâche lorsque le bruit physiologique et l’effet de la tâche se produisent dans des bandes de fréquences similaires42. Ensemble, l’utilisation simultanée de PCA et de CBSI pourrait être recommandée pour le prétraitement des données dans les études d’hyperscan fNIRS.

Calculer IBS
Il a été proposé que davantage de travaux soient nécessaires pour normaliser les étapes d’analyse du SCI et augmenter la reproductibilité du SCI, car les algorithmes précis utilisés pour calculer le SCI sont variables d’un laboratoire et d’une étude à l’autre43. Dans ce travail, le pipeline standard de calcul de l’IBS via WTC est utile pour les chercheurs. Il y a plusieurs choses à faire attention. Tout d’abord, le WTC appartient généralement à la famille des ondelettes de Morlet, qui est utilisée dans cette étude. Cependant, il est proposé qu’une ondelette gaussienne complexe soit plus appropriée pour les données fNIRS qu’une ondelette de Morlet, car la première correspond à la forme d’onde du signal sous-jacent (c’est-à-dire que les signaux multicycles se produisent rarement, en particulier pour le signal de longueurs d’onde autour de 10 à 20 s)44. D’autres considérations devraient être portées sur les calculs de cohérence des ondelettes qui affectent la puissance de l’analyse dans les applications ultérieures des signaux NIRS acquis lors d’interactions sociales en direct. Deuxièmement, pour être cohérent avec les résultats précédents de la coordination interpersonnelle avec la musique2,45,46 et les activités musicales4,47,48, les valeurs de cohérence ont été calculées entre les mêmes canaux dans cette étude, tandis que certaines études ont fait la moyenne des valeurs de cohérence de tous les canaux dans la même région du cerveau avant l’analyse statistique49,50 . En outre, les valeurs de cohérence ont été calculées non seulement entre les mêmes canaux/régions10,32,51 mais aussi entre différents canaux / régions52,53. Ces processus mentionnés ont enrichi le pipeline de calcul du SCI et pourraient intéresser les orientations futures de l’interaction sociale. Enfin et surtout, seules les valeurs d’oxyHb ont été analysées dans cette étude puisque les valeurs d’oxyHb sont considérées comme l’indicateur le plus sensible des changements dans le flux sanguin cérébral régional54. Cependant, certains chercheurs se sont concentrés sur les changements de désoxyHb, basés sur les résultats que les valeurs de désoxyHb sont les plus étroitement liées au signal IRMf et indépendantes du bruit physiologique global55. Quoi qu’il en soit, les résultats pourraient être plus fiables si des effets similaires du SCI sont révélés dans les changements oxyHb et désoxyHb. Par conséquent, l’analyse du SCI sur les valeurs de désoxyHb est également nécessaire pour les futures études d’hyperscan fNIRS.

Valider IBS
Il est nécessaire de valider le SCI révélé, car l’interprétation du SCI reste complexe. Par exemple, ibs a été expliqué comme un mécanisme de transmission de l’information, d’intentionnalité partagée, d’alignement comportemental, de perception similaire, etc. Cela aiderait à clarifier l’interprétation du SCI en effectuant des tests d’hypothèse nulle avec permutation, dans lesquels les valeurs de cohérence sont soit calculées pour les vraies dyades mais appariant aléatoirement des essais, soit pour de fausses dyades en appariant aléatoirement les participants au sein d’une condition / groupe ou entre les conditions / groupes16. Dans cette étude, la permutation a été réalisée en effectuant simplement un très grand nombre de rééchantillons (c’est-à-dire 1000 fois). En revanche, les valeurs de cohérence peuvent être calculées pour toutes les paires aléatoires possibles56. En outre, le test de permutation ci-dessus peut être utilisé pour générer une distribution nulle de cohérences à partir de toutes les cohérences possibles dans l’expérience, pour voir si le SCI observé est proche de l’extrémité supérieure de cette distribution, qui a été couramment utilisée dans les études qui adoptent des stimuli réels et un environnement expérimental57,58. Cette analyse garantit que le SCI est spécifique à l’interaction réelle au niveau de la séquence, car les valeurs de cohérence lors de l’appariement (c.-à-d. essais, individus et conditions) doivent en moyenne dépasser statistiquement un tirage aléatoire de cohérences de taille égale à l’intérieur ou entre les dyades. Une telle méthode est différente de la base de référence utilisée dans les travaux actuels (c.-à-d. les valeurs de cohérence de l’état de repos), qui est conforme aux conceptions traditionnelles des modèles linéaires généraux et est sélectionnée pour comparer les résultats actuels avec les résultats des études précédentes. Il convient de noter que la ligne de base de repos de 20 s dans cette étude est plus courte que la durée largement utilisée (30 s ou plus de 1 min), qui est utilisée pour limiter la durée totale de l’expérience à 30 minutes afin d’assurer le confort des participants.

En conclusion, cet article fournit un pipeline spécifique d’analyse du SCI dans les études d’hyperscan fNIRS. Un tel pipeline est une approche de traitement des données potentiellement standard sur le terrain, qui contribuera à la fois à la reproductibilité et à la fiabilité de l’IBS. À l’avenir, les détails du traitement des données devraient être affinés lors de l’analyse du SCI pour des groupes particuliers (c.-à-d. parents-nourrissons, enfants et patients schizophrènes) et des contextes particuliers (c.-à-d. des situations de communication et d’enseignement non verbales ou verbales). Enfin, la présentation du protocole d’analyse du réseau inter-cerveau pour de plus grands groupes de participants aux interactions naturelles bénéficiera à la quantification de l’interaction sociale.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Les auteurs n’ont rien à divulguer.

Acknowledgments

Cette recherche a été soutenue par : National Natural Science Foundation of China (31872783, 31800951).

Materials

Name Company Catalog Number Comments
Computer Hewlett-Packard Development Company, L.P. HP S01-pF157mcn
Earphone Royal Philips Electronics, Eindhoven, The Netherlands SHE2405BK/00
EEG cap Compumedics Neuroscan, Charlotte, USA 64-channel Quik-Cap
E-Prime software Psychology Software Tools, Inc., Pittsburgh, USA E-Prime 3
fNIRS system Hitachi Medical Corporation, Tokyo, Japan ETG-7100 Optical Topography System
MATLAB 2014b The MathWorks, Inc., Natick, MA MATLAB 2014b
MuseScore Musescore Company, Belgium MuseScore 3.6.2.548021803
Swimming cap Decathlon Group, Villeneuve-d'Ascq, France 1681552

DOWNLOAD MATERIALS LIST

References

  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).

Tags

Neurosciences numéro 175 synchronisation inter-cerveau hyperscan fNIRS cohérence de la transformation des ondelettes test de permutation
Comment calculer et valider la synchronisation inter-cerveau dans une étude d’hyperscanning fNIRS
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Hu, Y., Wang, Z., Song, B., Pan, Y., … More

Hu, Y., Wang, Z., Song, B., Pan, Y., Cheng, X., Zhu, Y., Hu, Y. How to Calculate and Validate Inter-brain Synchronization in a fNIRS Hyperscanning Study. J. Vis. Exp. (175), e62801, doi:10.3791/62801 (2021).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter