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

Medição do fluxo de informações direcionais em dados fNIRS-Hyperscanning usando o Método de Coerência de Transformação de Onda Parcial

Published: September 3, 2021 doi: 10.3791/62927
Automatic Translation
*1, *2, 1
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

Summary

Este protocolo descreve a coerência parcial de transformação de ondas (pWTC) para calcular o padrão de sincronização neural interpessoal (INS) para inferir a direção e o padrão temporal do fluxo de informações durante a interação social. A eficácia do pWTC na remoção dos confusos da autocorrelação de sinal no INS foi comprovada por dois experimentos.

Abstract

A interação social é de vital importância para os seres humanos. Embora a abordagem hiperscaning tenha sido amplamente usada para estudar a sincronização neural interpessoal (INS) durante as interações sociais, a espectroscopia funcional quase infravermelha (fNIRS) é uma das técnicas mais populares para hiperscanar interações sociais naturalistas devido à sua resolução espacial relativamente alta, localização sonora anatômica e excepcionalmente alta tolerância de artefatos de movimento. Estudos anteriores de hiperscaning baseados em fNIRS geralmente calculam um INS com atraso no tempo usando coerência de transformação de onda (WTC) para descrever a direção e o padrão temporal do fluxo de informações entre indivíduos. No entanto, os resultados deste método podem ser confundidos pelo efeito de autocorrelação do sinal fNIRS de cada indivíduo. Para lidar com esse problema, foi introduzido um método chamado de coerência de transformação de onda parcial (pWTC), que visava remover o efeito de autocorrelação e manter a alta resolução do espectro temporal do sinal fNIRS. Neste estudo, foi realizado primeiro um experimento de simulação para mostrar a eficácia do pWTC na remoção do impacto da autocorrelação no INS. Em seguida, foi oferecida orientação passo a passo sobre o funcionamento do pWTC com base no conjunto de dados fNIRS de um experimento de interação social. Além disso, foi traçada uma comparação entre o método pWTC e o método WTC tradicional e entre o método pWTC e o método de causalidade granger (GC). Os resultados mostraram que o pWTC poderia ser usado para determinar a diferença do INS entre diferentes condições experimentais e o padrão direcional e temporal do INS entre os indivíduos durante interações sociais naturalistas. Além disso, fornece melhor resolução temporal e de frequência do que o WTC tradicional e melhor flexibilidade do que o método GC. Assim, o PWTC é um forte candidato para inferir a direção e o padrão temporal do fluxo de informações entre indivíduos durante interações sociais naturalistas.

Introduction

A interação social é de vital importância para o ser humano 1,2. Para compreender o mecanismo neurocognitivo dual-cérebro da interação social, a abordagem hiperscaning tem sido amplamente utilizada recentemente, mostrando que os padrões de sincronização neural interpessoal (INS) podem caracterizar bem o processo de interação social 3,4,5,6,7,8,9,10,11,12 13,14. Entre estudos recentes, um achado interessante é que a diferença de papel dos indivíduos em um diálido pode levar a um padrão de insímica, ou seja, o INS ocorre quando a atividade cerebral de um indivíduo fica atrás da de outro indivíduo por segundos, como a dos ouvintes aos palestrantes 5,9, de líderes a seguidores4, de professores a alunos8, de mães a criançasde 13,15 anos, e de mulheres a homens em um par romântico6. Mais importante, há uma boa correspondência entre o intervalo do INS com atraso de tempo e o dos comportamentos de interação social, como entre professores questionando e alunos respondendo8 ou entre comportamentos parentais de mães e comportamentos de compliance de criançasde 15 anos. Assim, o INS atrasado pode refletir um fluxo de informações direcionais de um indivíduo para outro, como proposto em um modelo hierárquico recente para a comunicação verbal interpessoal16.

Anteriormente, o INS defasado de tempo era calculado principalmente no sinal funcional de espectroscopia quase infravermelha (fNIRS) devido à sua resolução espacial relativamente alta, localização anatômica sólida e tolerância excepcionalmente alta dos artefatosde movimento 17 ao estudar interações sociais naturalistas. Além disso, para caracterizar precisamente a correspondência entre o atraso de tempo neural e o atraso de tempo comportamental durante a interação social, é essencial obter a força do INS para cada defasagem de tempo (por exemplo, de nenhuma defasagem de tempo a um intervalo de tempo de 10 s). Para isso, anteriormente, o procedimento de coerência de transformação de ondas (WTC) foi extensivamente aplicado após a mudança do sinal cerebral de um indivíduo para frente ou para trás em relação ao de outro indivíduo 5,6,18. Ao usar este procedimento WTC tradicional para sinais fNIRS, há um desafio potencial porque o INS observado pode ser confundido pelo efeito de autocorrelação do sinal fNIRS para um indivíduode 19,20,21. Por exemplo, durante um processo de interação social dídico, o sinal do participante A no momento pode ser sincronizado com o do participante B ao mesmo tempo. Enquanto isso, o sinal do participante A no momento t pode ser sincronizado com o do participante A em um ponto de tempo posterior t+1 por causa do efeito de autocorrelação. Portanto, pode ocorrer um INS espúrio de tempo defasado entre o sinal do participante A no ponto t de tempo e o do participante B no ponto t+1.

Mihanović e seus colegas22 primeiro introduziram um método chamado de coerência parcial de wavelet transform (pWTC), e depois a aplicaram na ciência marinha23,24. O objetivo original deste método era controlar o ruído de confusão exógeno ao estimar a coerência de dois sinais. Aqui, para abordar o problema de correção automática nos dados de hiperexpesagem fNIRS, o método pWTC foi estendido para calcular o INS com atraso no sinal fNIRS. Precisamente, um INS atrasado (e um fluxo de informações direcionais) do participante A para o participante B pode ser calculado usando a equação abaixo (Equação 1)23.

Equation 1

Aqui, supõe-se que existem dois sinais, A e B, dos participantes A e B, respectivamente. A ocorrência do sinal B sempre precede a do sinal A com um intervalo de tempo de n, onde wtc (At, Bt+n) é o WTC tradicional defasado pelo tempo. WTC (At, At+n) é o WTC autocorrelado no participante A. WTC (At, Bt) é o WTC alinhado ao tempo no ponto t de tempo entre o participante A e B. * é o operador conjugado complexo (Figura 1A).

Figure 1
Figura 1: Visão geral do pWTC. (A) A lógica do pWTC. Há dois sinais A e B, dentro de um díade. A ocorrência de A sempre segue a de B com um lag n. Uma caixa cinza é uma janela de onda em um determinado ponto de tempo t ou t+n. Com base na equação pWTC (representada na figura), três WTCs precisam ser calculados: o WTC defasado de tempo de At+n e Bt; o WTC autocorrelado no participante A de At e At+n; e o WTC alinhado ao tempo no ponto de tempo t, At e Bt. (B) O layout dos conjuntos de sonda optode. CH11 foi colocado em T3, e CH25 foi colocado no T4 seguindo o sistema internacional 10-2027,28. Clique aqui para ver uma versão maior desta figura.

Este protocolo introduziu pela primeira vez um experimento de simulação para demonstrar o quão bem o pWTC resolve o desafio de autocorrelação. Em seguida, explicou como conduzir o pWTC de forma passo a passo baseada em um experimento empírico de interações sociais naturalistas. Aqui, foi utilizado um contexto de comunicação para introduzir o método. Isso porque, anteriormente, o INS com atraso de tempo era geralmente calculado em um contexto de comunicação naturalista 3,4,6,8,13,15,18. Além disso, também foi realizada uma comparação entre o pWTC e o WTC tradicional e validação com o teste de causalidade granger (GC).

Subscription Required. Please recommend JoVE to your librarian.

Protocol

O protocolo de experimento humano foi aprovado pelo Conselho de Revisão Institucional e pelo Comitê de Ética do Laboratório Estadual de Neurociência Cognitiva e Aprendizagem da Universidade Normal de Pequim. Todos os participantes deram consentimento por escrito informado antes do início do experimento.

1. O experimento de simulação

  1. Gerar duas séries de sinais que se correlacionam entre si, com um sinal tendo correção automática em um intervalo de tempo de 4 s. Defina o coeficiente de correlação de r entre os dois sinais para 0,4.
  2. Além disso, gerar duas séries de sinais sem qualquer correlação, mas com correção automática em um sinal.
  3. Calcule os valores do INS de 4 s tradicionais com a Equação 2 com base nos sinais gerados com ou sem correlação, que podem ser nomeados insWTC com correção automática e inswtc com autocorrelação.
    NOTA: Aqui, o WTC tradicional defasado pelo tempo é expresso pela seguinte equação (Equação 2)25
    Equation 2
    onde, C denota o operador de transformação de ondas contínuas em diferentes escalas i e pontos de tempo t. S denota o operador de alisamento. * denota o complexo operador conjugado. W e M indicam duas séries de sinais temporizados individuais.
  4. Remova a correção automática dos sinais gerados. Em seguida, calcule os valores doINS WTC tradicional de 4 s com a Equação 2 com base nos sinais gerados com ou sem correlação, que podem ser nomeados INSWTC sem correção automática e INSWTC de linha de base com atraso de tempo sem correção automática.
  5. Calcule os valores de 4 s pWTC com a Equação 3 com base nos sinais gerados com ou sem correlação, nomeado inspWTC com tempo atrasado e inspWTC com tempo defasado.
    NOTA: O pWTC pode ser calculado com base na seguinte equação (Equação 3)23
    Equation 3
    onde, WTC (Wt, Mt+n) é o WTC tradicional defasado pelo tempo. WTC (Mt, Mt+n) é o WTC autocorrelado de um indivíduo. WTC (Wt, Mt) é o WTC alinhado ao tempo. * é o complexo operador conjugado.
  6. Repita os procedimentos acima 1000 vezes.
  7. Depois de subtrair o INS da linha de base, compare os resultados doINS WTC com a correção automática, o INSWTC com atraso de tempo sem correção automática e oins pWTC com atraso no tempo usando as análises do método de variância (ANOVA).
    NOTA: Aqui, espera-se que oINS WTC com correção automática seja significativamente maior do que oINS WTC com atraso de tempo sem correção automática e o INSpWTC atrasado, e não se espera diferença significativa entre o INSWTC com atraso de tempo sem correção automática e oins pWTC atrasado.

2. O experimento empírico

  1. Participantes e procedimento
    1. Recrute participantes apropriados.
      NOTA: Neste estudo, vinte e dois pares de amigos próximos do sexo oposto (idade média das mulheres = 20,95, desvio padrão (SD) = 1,86; idade média dos homens = 20,50, SD = 1,74) foram recrutados através de publicidade de graduandos de universidades de Pequim. Todos os participantes eram destros e tinham visão normal ou corrigida ao normal. Além disso, nenhum participante apresentava qualquer linguagem, distúrbios neurológicos ou psiquiátricos.
    2. Peça a cada par de participantes que se senteam cara a cara durante o experimento. Peça-lhes que se comuniquem livremente sobre um tema de apoio em uma sessão e sobre um tema de conflito na outra sessão.
      NOTA: Os tópicos foram utilizados para induzir a valência emocional positiva ou negativa pretendida. Cada sessão de comunicação durou 10 minutos, e a ordem dos tópicos foi contrabalançada.
    3. Peça aos participantes que informem sobre os temas de apoio e conflitos como uma regra padrão de configuração. Peça a cada parceiro para avaliar o nível de valência positivo ou negativo que pode ter sido induzido em uma escala de ponto definida. Em seguida, classifique os tópicos relatados de acordo com a classificação.
      NOTA: Neste trabalho, os tópicos foram selecionados com as três etapas a seguir. Primeiro, para os tópicos de apoio, cada participante foi obrigado a relatar 1-3 questões pessoais relacionadas ao que queria melhorar em sua vida. Cada participante foi obrigado a relatar 1-3 casos que induziram ou induziriam conflitos entre eles ou que poderiam colocar em risco sua relação para os tópicos de conflito. Em segundo lugar, cada parceiro foi obrigado a classificar o nível de valência positiva ou negativa que cada tópico poderia induzir em uma escala de 7 pontos (1 = não em tudo, e 7 = muito). Em terceiro lugar, os tópicos relatados foram classificados de acordo com a classificação. Foram selecionados os dois primeiros tópicos da lista de temas de apoio e temas de conflito.
  2. coleta de dados fNIRS
    1. Use o sistema de topografia fNIRS de 26 canais (ver Tabela de Materiais) para coletar dados fNIRS.
      NOTA: Dois conjuntos de sondas optode personalizadas cobriram os cortices frontais, temporais e parietais bilaterais (Figura 1B).
    2. Precisamente, peça a cada participante para usar um boné com dois conjuntos de sondas personalizados (ver Tabela de Materiais).
    3. Alinhe as nações, inion e mastoides de ouvido com Fpz, Opz, T7 e T8, que são marcos típicos do sistema internacional 10-2026.
    4. Alinhar canal (CH) 11 para T3 e CH25 para T4 seguindo o sistema internacional 10-20 para os dois conjuntos de sonda27,28.
    5. Validar os locais anatômicos dos conjuntos de sondas escaneando dados de ressonância magnética (RM) de um participante típico com uma sequência de gradiente-eco rápida preparada por magnetização T1 de alta resolução (TR = 2530 ms; TE = 3,39 ms; ângulo de lançamento = 7°; espessura da fatia = 1,3 mm; tamanho voxel = 1,3 x 1 x 1,3 mm).
    6. Use o Statistical Parametric Mapping 12 (SPM12) para normalizar a imagem para o espaço padrão do Instituto de Imagens de Montreal (coordenada MNI)29. Em seguida, use a caixa de ferramentas NIRS_SPM (ver Tabela de Materiais) para projetar as coordenadas MNI das sondas para o modelo de rotulagem anatômica automatizada (AAL).
    7. Colete os dados de densidade óptica de luz infravermelha próxima em três comprimentos de onda (780, 805 e 830 nm) a uma taxa de amostragem de 55,6 Hz (parâmetros padrão do equipamento).
    8. Teste a qualidade do sinal usando o software de equipamento incorporado do sistema de topografia fNIRS (ver Tabela de Materiais).
    9. Comece a gravar o sinal.
      NOTA: Alguns protocolos publicados demonstraram como coletar sinais fNIRS com diversos equipamentos e sistemas 30,31,32.
  3. pré-processamento de dados fNIRS
    1. Exportar os arquivos de dados do equipamento.
      NOTA: No experimento atual, o software incorporado converteu automaticamente dados de densidade óptica em alterações de concentração de oxihemoglobina (HbO) com base na lei modificada de Beer-Lambert.
    2. Remova o primeiro e último 15 s de dados para cada sessão para evitar respostas transitórias.
    3. Use a função incorporada DO MATLAB para diminuir a gama de dados de 55,6 Hz para 11,1 Hz.
      NOTA: Os padrões de espectro de energia entre 55,6 Hz e 11,1 Hz são bastante semelhantes (Figura Suplementar 1).
    4. Use a função de aplicação MATLAB incorporada (Homer3, ver Tabela de Materiais) com função de filtragem apropriada para aplicar o discreto método de filtro de transformação de ondas para corrigir artefatos de movimento.
    5. Use a função incorporada do MATLAB pca para remover o ruído fisiológico global. Remova os 80% superiores da variância dos sinais.
    6. Remova o ruído fisiológico com base nos estudos anteriores33. Precisamente, remova faixas de frequência de cada sinal acima de 0,7 Hz para evitar o aliasing de ruído fisiológico de alta frequência (por exemplo, atividade cardíaca).
    7. Em seguida, remova as faixas de frequência de cada sinal abaixo de 0,01 Hz para filtrar flutuações de baixa frequência.
    8. Por fim, remova as faixas de frequência de cada sinal dentro de 0,15-0,3 Hz para excluir o impacto potencial da atividade respiratória.
  4. Processamento de dados fNIRS de primeiro nível
    1. Primeiro, calcule o INS usando o WTC tradicional (INSWTC).
      NOTA: Aqui, previu-se que um padrão de tempo defasado por mulheres do INSWTC ocorresse entre a atividade cerebral das mulheres e a dos homens porque estudos anteriores sugeriram diferentes papéis de mulheres e homens durante uma conversa34,35. O WTC tradicional calculou esse padrão do INSWTC deslocando a atividade cerebral dos homens para trás em relação à das mulheres (ver Equação 2).
    2. Calcule o valorWTC do INS liderado por mulheres 2 s-defasado após a remoção dos 2 s iniciais de dados das mulheres e os últimos 2 s de dados de homens com a Equação 2. Da mesma forma, após a remoção dos 2 s iniciais de dados dos homens e dos últimos 2 s de dados de mulheres, calcule o valordo INS WTC liderado por homens 2 s-defasado com a Equação 4.
      NOTA: Aqui, foi utilizada a função wcoherence, que é uma função incorporada da caixa de ferramentas de wavelet do MATLAB (ver Tabela de Materiais).
    3. Repita este procedimento com diferentes lags de tempo n, ou seja, n = 2 s, 4 s, 6 s, 8 s em todos os pares de CH potenciais (por exemplo, CH2 em mulheres e CH10 em homens, 676 pares no total). Além disso, calcule a força do INSWTC liderado por homens da mesma forma (Equação 4).
      Equation 4
    4. Em segundo lugar, calcule o INS usando pWTC (INSpWTC).
      NOTA: pWTC foi calculado com base na Equação 3. O cálculo do INSpWTC foi repetido com diferentes lags de tempo n, ou seja, n = 2 s, 4 s, 6 s, 8 s em todos os pares de canais potenciais (por exemplo, CH2 em mulheres e CH10 em homens, 676 pares no total). Além disso, a força do INS defasado por homens foi calculada da mesma forma (Equação 5).
      Equation 5
    5. Gerar séries temporas atrasadas de sinais fNIRS em diferentes lags de tempo.
    6. Calcule os valores do WTC com atraso de tempo em diferentes atrasos de tempo.
    7. Gerar séries temporas corrigidas automaticamente de sinais fNIRS em diferentes lags de tempo. Para calcular o valor 2 s-autocorrelado para os homens, remova os primeiros 2 s de dados dos homens e os últimos dois dados dos homens.
    8. Calcule os valores WTC corrigidos automaticamente em diferentes atrasos de tempo.
    9. Gerar séries temporas alinhadas ao tempo de sinais fNIRS em diferentes lags de tempo. Para calcular o WTC alinhado ao tempo 2, remova os dois primeiros dados dos homens e os dois primeiros dados das mulheres.
    10. Calcule os valores wtc alinhados ao tempo.
    11. Digite wtc alinhado ao tempo, WTC com tempo defasado e valores WTC autocorrelatados em diferentes tempos de atraso na Equação 3 e Equação 5 - a equação do pWTC, gerandoins pWTC.
    12. Por fim, calcule o INS utilizando o método GC (INSGC).
      NOTA: Para validar ainda mais o método pWTC e avaliar suas vantagens e desvantagens, o INS baseado em GC foi calculado utilizando-se o método GC (INSGC).
    13. Com base no resultado do pWTC, o bandpass filtra o sinal de HbO de cada indivíduo no SMC (ou seja, 0,4-0,6 Hz, consulte Resultados Representativos).
    14. Realize um teste GC (Econometric toolbox, MATLAB) dentro de cada dyad nos tópicos de suporte e conflito separadamente.
      NOTA: Quatro grupos de valores F são obtidos para o INSGC: (1) de mulheres a homens sobre o tema de apoio (W2M_supp); (2) de homens para mulheres sobre o tema de apoio (M2W_supp); (3) de mulheres a homens sobre o tema conflito (W2M_conf); e (4) de homens para mulheres sobre o tema conflito (M2 W_conf). Os valores F são usados para indexar o INSGC.
  5. Processamento de dados fNIRS de segundo nível
    1. Transforme o INS com a transformação Fisher-z e, em seguida, a média do INS na dimensão temporal.
      NOTA: Aqui, a transformação Fisher-z foi conduzida usando um script MATLAB personalizado com a Equação 636:
      Equation 6
      onde, r é o valor do WTC ou pWTC, e z é o valor transformado fisher-z do WTC ou pWTC.
    2. Para o INS médio em cada intervalo de tempo, realize um teste t de duas amostras emparelhado (suporte vs. conflito) em cada par ch em toda a faixa de frequência. Em seguida, identifique todos os aglomerados de frequência significativos (P < 0,05).
    3. Realize um teste de permutação baseado em cluster para estabelecer um limite para os resultados.
      1. Reatribuir relações disádicas atribuindo aleatoriamente os participantes a novos pares de dois membros, ou seja, os participantes de um díade que nunca havia se comunicado uns com os outros. Recalcular o INS em cada lag de tempo, realizar testes t emparelhados novamente na nova amostra e identificar clusters de frequência significativos novamente.
      2. Selecione o cluster com o maior valor t somado. Repita os procedimentos acima 1000 vezes para gerar uma distribuição nula dos valores t falso-positivos máximos.
        NOTA: A distribuição é servida como o nível de chance. A taxa de erro familiar (FWER) é controlada em q = 0,05, o que significa que apenas os 5% superiores da distribuição nula dos valores t falso-positivos excedem o limiar (R*).
      3. Compare o valor t somado de cada aglomerado de frequência identificado na amostra original com a distribuição nula para obter resultados estatísticos significativos.
    4. Realizar um contexto (apoio, conflito) x direção (mulheres para homens, homens para mulheres) análise de variância (ANOVA) para testar a diferença na direção do INS entre diferentes condições (ou seja, tópicos) (p < 0,05).
    5. Realize um teste t de duas amostras emparelhado entre os resultados de WTC (Wt, Mt + n) e WTC (Mt, Mt + n) para testar o impacto potencial da correção automática no INS.
      NOTA: O INS do WTC (Mt, Mt + n) reflete a correção automática.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Resultados da simulação
Os resultados mostraram que oWTC ins com correção automática foi significativamente maior do que oWTC ins atrasado sem correção automática (t(1998) = 4,696, p < 0,001) e inspWTC (t(1998) = 5.098, p < 0,001). Além disso, não houve diferença significativa entre o INSWTC sem correção automática eo INS pWTC (t(1998) = 1,573, p = 0,114, Figura 2A). Esses resultados indicam que o pWTC pode efetivamente remover o impacto do efeito de correção automática no INS. Além disso, quando o valor do WTC foi definido para ser próximo de 0 ou 1, o INSpWTC ainda apresentava resultados confiáveis quando o valor wtc estava longe de 0 ou 1 (Figura Suplementar 2).

Resultados de experimentos empíricos
Padrão INS usando o método WTC tradicional
Os resultados mostraram que em 0,04-0,09 Hz,INSWTCno córtex sensorial (SMC, CH20) de mulheres e homens foi significativamente maior no tópico de apoio do que no tópico de conflito quando a atividade cerebral dos homens ficou atrás da das mulheres por 2 s, 4 s e 6 s (2 s: t(21) = 3.551, p = 0,0019; lag 4 s: t(21) = 3.837, p = 0,0009; lag 6 s: t(21) = 3.725, p = 0,0013). Além disso, em 0,4-0,6 Hz, o INSWTC no SMC foi significativamente maior no tópico de conflito do que no tópico de apoio quando a atividade cerebral dos homens ficou atrás da das mulheres por 4 s (t(21) = 2,828, p = 0,01, Figura 2B).

Além disso, para comparar a direção doINS WTC em diferentes tópicos, um tópico (apoio, conflito) x direção (mulheres para homens, homens para mulheres) ANOVA foi conduzida pela primeira vez no INSWTC do SMC sob um intervalo de tempo de 2-6. Os resultados de 0,04-0,09 Hz não mostraram efeitos significativos de interação em nenhum momento (ps > 0,05). Para a faixa de frequência de 0,4-0,6 Hz, os resultados mostraram que o efeito de interação foi marginalmente significativo (F(1, 21) = 3,23, p = 0,086). Comparações em pares mostraram que oINS WTC de mulheres para homens foi significativamente maior no tema do conflito do que no tema de apoio (MD. = 0,014, S.E. = 0,005, p = 0,015), enquanto o INSWTC de homens para mulheres não diferiu significativamente entre os tópicos (M.D. = 0,002, S.E. = 0,006, p = 0,695).

Finalmente, para testar o impacto da autocorrelação nos resultados doWTC ins defasado do tempo tradicional, o INSWTC foi comparado entre WTC(Wt, Mt+4) e WTC(Mt, Mt+4) a 0,04-0,09 Hz e 0,4-0,6 Hz, respectivamente. Observe que o INSWTC do WTC (Mt, Mt+4) reflete a correção automática. Os resultados mostraram que, no WTC(Mt, Mt+4) (t(21) = 0,336, p = 0,740. Em 0,04-0,09 Hz, o INSWTC do WTC (Mt, Mt+4) foi significativamente superior ao do WTC (Wt, Mt+4) (t(21) = 4,064, p < 0,001). Também foi realizada comparação entre as faixas de frequência de 0,04-0,09 Hz e 0,4-0,6 Hz em relação ao INSWTC do WTC (Mt, Mt+4). Os resultados mostraram que o INSWTC do WTC (Mt, Mt+4) foi significativamente maior em 0,04-0,09 Hz do que no 0,4-0,6 Hz (t(21) = 5,421, p < 0,001). Esses resultados indicam que oWTC do INS com atraso de tempo foi afetado pela correção automática tanto nas faixas de baixa e alta frequência, mas o impacto foi maior para a faixa de menor frequência do que para a faixa de maior frequência.

Padrão INS usando o método pWTC
Os resultados mostraram que a diferença no INSpWTC entre o conflito e os tópicos de apoio atingiu significância no SMC tanto de mulheres quanto de homens em 0,4-0,6 Hz quando a atividade cerebral masculina ficou atrás da das mulheres por 4 s (t(21) = 4,224, p = 0,0003). A 0,04-0,09 Hz; no entanto, não foram encontrados resultados significativos, nem seus resultados efetivos em outras faixas de frequência (Ps > 0,05, Figura 2C).

Um teste adicional de ANOVA foi realizado no INSpWTC do SMC em 0,4-0,6 Hz. Os resultados mostraram que a interação entre tópico e direção foi marginalmente significativa (F(1,21) = 3,48, p = 0,076). Outras comparações em pares mostraram que oINS pWTC de mulheres para homens foi significativamente maior no tema do conflito do que no tema de apoio (M.D. = 0,016, S.E. = 0,004, p = 0,002), enquanto INSpWTC de homens para mulheres não diferiu significativamente entre os tópicos (M.D. = 0,0007, S.E. = 0,006, p = 0,907, Figura 2D).

Padrão INS usando o método GC
Um teste ANOVA foi realizado no INSGC no SMC dentro apenas de 0,4-0,6 Hz. Os resultados mostraram interação significativa entre tópico e direção (F(1,21) = 8,116, p = 0,010). A análise em pares mostrou que o INSGC de mulheres para homens foi significativamente maior no tema conflito do que no tema de apoio (MD = 5,50, SE = 2,61, p = 0,043). Em contrapartida, o INSGC de homens para mulheres não foi significativamente diferente entre os tópicos (MD = 1,42, SE = 2,61, p = 0,591, Figura 2E).

Figure 2
Figura 2: Resultados da simulação e experimento empírico. (A) Os resultados da simulação de três amostras simuladas. OINS WTC com correção automática foi significativamente maior do que o INSWTC sem correção automática eINS pWTC. Não houve diferença significativa entre oINS WTC com atraso de tempo sem correção automática e pWTC. (B) O t-map do INSWTC no experimento empírico, mostrando efeitos significativos no contexto dentro de 0,04-0,09 Hz quando a atividade SMC dos homens ficou atrás da das mulheres por 2-6 s. Houve também um efeito de contexto marginalmente considerável dentro de 0,4-0,6 Hz quando a atividade SMC dos homens ficou atrás da das mulheres por 4 s. (C) O t-map do INSpWTC, mostrando um efeito de contexto significativo dentro de 0,4-0,6 Hz quando a atividade SMC dos homens ficou atrás da das mulheres por 4 s. (D) Comparação doINS direcional pWTC em diferentes tópicos pelo pWTC. O INS direcional de mulheres para homens é significativamente maior em contextos de conflito do que em contextos de apoio. (E) Validação do INS direcional pelo teste GC (INSGC). O padrão resultante do INSGC é semelhante aoINS pWTC. Clique aqui para ver uma versão maior desta figura.

Figura suplementar 1: O gráfico do espectro de potência para a taxa de amostra de 11,1 Hz (linha azul) e 55,6 Hz (linha vermelha). O padrão de espectro de energia para os dois é bastante semelhante. Clique aqui para baixar este Arquivo.

Figura suplementar 2: Os mapas pWTC do piso e do CEIL WTC. (A) Painel esquerdo: o mapa WTC com atraso de tempo gerado por dois mesmos sinais, o eixo x é ponto de tempo, e o eixo y é faixa de frequência. O valor médio do WTC em todos os pontos é ~1. Painel direito: o mapa pWTC de dois sinais semelhantes. O mapa pWTC é bastante semelhante ao mapa do WTC. (B) Painel esquerdo: o mapa WTC com atraso de tempo gerado por dois sinais aleatórios, o eixo x é o ponto de tempo, e o eixo y é a faixa de frequência. O valor médio do WTC em todos os pontos é ~0. Painel direito: o mapa pWTC de dois sinais semelhantes. O mapa pWTC é bastante semelhante ao mapa do WTC. Clique aqui para baixar este Arquivo.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Em estudos de hiperexação, geralmente é essencial descrever os padrões direcionais e temporais do fluxo de informações entre os indivíduos. A maioria dos estudos anteriores de hiperscanagem fNIRS tem usado o WTC25 tradicional para inferir essas características calculando o INS com atraso de tempo. No entanto, como uma das características intrínsecas do sinal fNIRS20,21, o efeito de autocorrelação pode confundir o INS defasado por tempo. Para abordar esta questão, no protocolo aqui, foi introduzido um método denominado pWTC22. Este método estima o INS com atraso de tempo após a correção parcial e mantém as vantagens do método WTC. Este protocolo oferece orientação passo-a-passo sobre como conduzir o pWTC e valida os resultados do pWTC comparando seus resultados com os dos testes tradicionais de WTC e GC.

As etapas críticas da aplicação do pWTC nos dados de hiperscanagem baseados em fNIRS são demonstradas neste protocolo. Especificamente, em primeiro lugar, para calcular o WTC com atraso de tempo, o WTC autocorrelado e o WTC alinhado ao tempo devem ser calculados com base na série de tempo defasada fNIRS. Em seguida, o pWTC é computado em diferentes lags de tempo de acordo com a Equação 1. Os resultados do pWTC retornam uma matriz de tempo x frequência, e os valores na matriz variam de 0 a 1. Assim, mais testes estatísticos podem ser realizados sobre esses valores.

No protocolo de demonstração, os resultados representativos do WTC tradicional mostraram dois efeitos significativos em duas faixas de frequência: 0,4-0,6 Hz. No entanto, o impacto dentro do 0,04-0,09 Hz não sobreviveu ao limiar nos resultados do pWTC, sugerindo que esse efeito poderia ser confundido pelo efeito de autocorrelação do sinal fNIRS. Por outro lado, os resultados dentro da faixa de 0,4-0,6 Hz foram bem replicados pelo método pWTC. Esses resultados indicam que, após a remoção do efeito de autocorrelação, o pWTC fornece desenvolvimentos mais sensíveis e específicos na inferência dos padrões direcionais e temporais do INS entre os indivíduos. Outra possibilidade, no entanto, é que o pWTC não seja suscetível aos padrões direcionais e temporais do INS em faixas de frequência mais baixas do que nas faixas de frequência mais elevadas, resultando na subestimação do efeito INS. Estudos futuros são necessários para esclarecer ainda mais essas possibilidades.

Uma comparação com o teste GC suporta ainda mais essa conclusão. Os resultados do teste gc foram bastante semelhantes aos do pWTC, mostrando importantes fluxos de informações de mulheres para homens, mas não de homens para mulheres. Houve uma pequena diferença entre os resultados do teste GC e do pWTC, ou seja, o efeito de interação entre tópico e direção foi marginalmente significativo nos resultados do pWTC, mas alcançou significância no teste GC. Essa diferença pode ser porque o pWTC é calculado em uma escala de tempo mais fina do que o teste GC. Assim, embora ambos os testes pWTC e GC possam fornecer resultados confiáveis ao controlar o efeito de autocorrelação, o pWTC é vantajoso porque não é necessário fazer suposições estacionárias e possui uma estrutura de espectro temporal elevado.

O método pWTC também tem suas limitações. Semelhante ao teste GC, a causalidade inferida do pWTC não é uma causalidade real37,38. Em vez disso, indica apenas uma relação temporal entre os sinais de A e B. Este problema deve ser mantido em mente ao aplicar o método pWTC. Em segundo lugar, pWTC apenas parcialmente fora o efeito de autocorrelação. Assim, outras variáveis simultâneas potenciais, como ambientes compartilhados ou ações semelhantes, ainda podem impactar os resultados. Consequentemente, devem ser tiradas conclusões sobre a direção e o padrão temporal do fluxo de informações após o controle desses fatores de confusão.

Além disso, houve algumas questões complicadas sobre o pré-processamento de dados fNIRS. Embora o fNIRS tenha uma alta tolerância aos movimentos da cabeça, os artefatos de movimento ainda são a fonte mais significativa do ruído39. Grandes movimentos da cabeça ainda levariam a uma mudança de posição dos optodes, gerando artefatos de movimento, como picos afiados e mudanças na linha de base. Para resolver essas questões, muitas abordagens de correção de artefatos foram desenvolvidas, como interpolação de spline40, filtragem baseada em ondas39, análise de componentes de princípio41 e melhoria de sinal baseada em correlação42, etc. Cooper e seus colhões43 compararam essas abordagens com base em dados fNIRS de estado de repouso real e descobriram que a filtragem baseada em ondas produziu o maior aumento na relação contraste-ruído. Além disso, Brigadoi e seus colgues44 também compararam essas abordagens em dados reais de tarefas linguísticas e também descobriram que a filtragem baseada em ondas foi a abordagem mais eficaz na correção de artefatos de movimento. Assim, neste estudo, a filtragem à base de ondas foi aplicada e também recomendada para futuros estudos de hiperscanagem fNIRS.

Em geral, o pWTC é uma abordagem valiosa na estimativa dos padrões direcionais e temporais do fluxo de informações durante a interação social. Mais importante, acredita-se que o método pWTC também é adequado para estudos pseudo-hiperscaning (ou seja, sinais de dois ou múltiplos cérebros não são coletados simultaneamente 45,46). Nesses experimentos, embora a direção do fluxo de informações seja fixada, também é de interesse examinar a duração da demora entre a entrada do sinal e o processo do sinal. Portanto, a correção automática também pode confundir os resultados do INS com atraso de tempo. No futuro, esse método pode responder a muitas perguntas em hiperscaning e outros estudos intercérebros. Por exemplo, determinar o papel dominante em várias relações sociais, como professores e alunos, médicos e pacientes, e artistas e públicos. Além disso, como o pWTC mantém as estruturas temporais do INS, também é possível testar o padrão dinâmico do INS, como a convergência de atitude em grupo.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Os autores não declaram interesses financeiros concorrentes.

Acknowledgments

Este trabalho foi apoiado pela Fundação Nacional de Ciências Naturais da China (61977008) e pelo Programa Jovens Talentos de Dez Mil Talentos.

Materials

Name Company Catalog Number Comments
fNIRS topography system Shimadzu Corporation Shimadzu LABNIRS systen LABNIRS system contains 40 emitters and 40 detectors for fNIRS signals measurement. In this protocol we used these emitters and detectors created two customized 26-channels probe sets and attached to two caps accroding to 10-20 system. Further, LABNIRS system also contains built-in GUI softwares for data quality check, data convert and data export.
MATLAB The MathWorks, Inc. MATLAB 2019a In this protocol, several toolboxs and functions bulit in MATLAB were used:
SPM12 toolbox was used to normalize the valided MRI data through its GUI.
NIRS_SPM toolbox was used to project the MNI coordinates of the probes to the AAL template through its GUI.
Homer3 toolbox was used to remove motion artifacts through its function hmrMotionCorrectWavelet with default parameters.
Wavelet toolbox was used to compute WTC and pWTC through its function wcoherence.
MRI scanner Siemens Healthineers TRIO 3-Tesla scanner In this protocol, the MRI scanner was used to obtain MNI coordinates of each channel and optpde. Scan parameters are described in main text.
customized caps In this protocol, we first marked two nylon caps with 10-20 system. Then, we made two 26-channels customized optode probes sets. Finally, we attached probes sets to caps aligned with landmarks.

DOWNLOAD MATERIALS LIST

References

  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).

Tags

Neurociência Edição 175
Medição do fluxo de informações direcionais em dados fNIRS-Hyperscanning usando o Método de Coerência de Transformação de Onda Parcial
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Zhou, S., Long, Y., Lu, C.… More

Zhou, S., Long, Y., Lu, C. Measurement of the Directional Information Flow in fNIRS-Hyperscanning Data using the Partial Wavelet Transform Coherence Method. J. Vis. Exp. (175), e62927, doi:10.3791/62927 (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