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

Medición del flujo de información direccional en datos fNIRS-Hyperscanning utilizando el método de coherencia de transformada de wavelet 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 describe la coherencia de la transformada de wavelet parcial (pWTC) para calcular el patrón de retraso en el tiempo de la sincronización neuronal interpersonal (INS) para inferir la dirección y el patrón temporal del flujo de información durante la interacción social. La efectividad de pWTC en la eliminación de los factores de confusión de la autocorrelación de señales en INS fue probada por dos experimentos.

Abstract

La interacción social es de vital importancia para los seres humanos. Si bien el enfoque de hiperescaneo se ha utilizado ampliamente para estudiar la sincronización neuronal interpersonal (INS) durante las interacciones sociales, la espectroscopia funcional de infrarrojo cercano (fNIRS) es una de las técnicas más populares para hiperescanear interacciones sociales naturalistas debido a su resolución espacial relativamente alta, localización anatómica de sonido y tolerancia excepcionalmente alta de artefactos de movimiento. Los estudios previos de hiperescaneo basados en fNIRS generalmente calculan un INS con retraso en el tiempo utilizando la coherencia de la transformada de wavelet (WTC) para describir la dirección y el patrón temporal del flujo de información entre individuos. Sin embargo, los resultados de este método podrían confundirse por el efecto de autocorrelación de la señal fNIRS de cada individuo. Para abordar este problema, se introdujo un método denominado coherencia de transformación de wavelet parcial (pWTC), que tenía como objetivo eliminar el efecto de autocorrelación y mantener la alta resolución de espectro temporal de la señal fNIRS. En este estudio, se realizó primero un experimento de simulación para mostrar la efectividad del pWTC en la eliminación del impacto de la autocorrelación en el INS. Luego, se ofreció orientación paso a paso sobre el funcionamiento del pWTC basado en el conjunto de datos fNIRS de un experimento de interacción social. Además, se realizó una comparación entre el método pWTC y el método WTC tradicional y entre el método pWTC y el método de causalidad de Granger (GC). Los resultados mostraron que pWTC podría usarse para determinar la diferencia insinerte entre las diferentes condiciones experimentales y el patrón direccional y temporal del INS entre los individuos durante las interacciones sociales naturalistas. Además, proporciona una mejor resolución temporal y de frecuencia que el WTC tradicional y una mejor flexibilidad que el método GC. Por lo tanto, pWTC es un fuerte candidato para inferir la dirección y el patrón temporal del flujo de información entre los individuos durante las interacciones sociales naturalistas.

Introduction

La interacción social es de vital importancia para el ser humano 1,2. Para comprender el mecanismo neurocognitivo de doble cerebro de la interacción social, el enfoque de hiperescaneo se ha utilizado ampliamente recientemente, lo que demuestra que los patrones de sincronización neuronal interpersonal (INS) pueden caracterizar bien el proceso de interacción social 3,4,5,6,7,8,9,10,11,12 ,13,14. Entre estudios recientes, un hallazgo interesante es que la diferencia de papel de los individuos en una díada puede conducir a un patrón de insociado en el tiempo, es decir, el INS ocurre cuando la actividad cerebral de un individuo se queda atrás de la de otro individuo por segundos, como la de los oyentes a los oradores 5,9, de los líderes a los seguidores4, de profesores a alumnos8, de madres a hijos13,15, y de mujeres a hombres en pareja romántica6. Lo más importante es que existe una buena correspondencia entre el intervalo del INS con retraso en el tiempo y el de los comportamientos de interacción social, como entre los maestros que preguntan y los estudiantes que responden8 o entre los comportamientos de crianza de las madres y los comportamientos de cumplimiento de los niños15. Por lo tanto, el INS con retraso en el tiempo puede reflejar un flujo de información direccional de un individuo a otro, como se propone en un modelo jerárquico reciente para la comunicación verbal interpersonal16.

Anteriormente, el INS con retraso en el tiempo se calculaba principalmente sobre la señal de espectroscopia funcional de infrarrojo cercano (fNIRS) debido a su resolución espacial relativamente alta, localización anatómica de sonido y tolerancia excepcionalmente alta de artefactos de movimiento17 cuando se estudiaban las interacciones sociales naturalistas. Además, para caracterizar con precisión la correspondencia entre el desfase de tiempo neuronal y el desfase de tiempo conductual durante la interacción social, es esencial obtener la fuerza del INS para cada desfase de tiempo (por ejemplo, de no tener desfase de tiempo a un desfase de tiempo de 10 s). Para este propósito, anteriormente, el procedimiento de coherencia de transformada de onda (WTC) se aplicaba ampliamente después de desplazar la señal cerebral de un individuo hacia adelante o hacia atrás en relación con la de otro individuo 5,6,18. Cuando se utiliza este procedimiento WTC tradicional para señales fNIRS, existe un desafío potencial porque el INS con retraso observado en el tiempo puede confundirse por el efecto de autocorrelación de la señal fNIRS para un individuo 19,20,21. Por ejemplo, durante un proceso de interacción social diádica, la señal del participante A en el punto de tiempo t puede sincronizarse con la del participante B en el mismo punto de tiempo. Mientras tanto, la señal del participante A en el punto de tiempo t puede sincronizarse con la del participante A en un punto de tiempo posterior t + 1 debido al efecto de autocorrelación. Por lo tanto, puede ocurrir un INS espurio con retraso en el tiempo entre la señal del participante A en el punto de tiempo t y la del participante B en el punto de tiempo t + 1.

Mihanović y sus colegas22 introdujeron por primera vez un método denominado coherencia de transformada de wavelet parcial (pWTC), y luego lo aplicaron en ciencias marinas23,24. El propósito original de este método era controlar el ruido de confusión exógeno al estimar la coherencia de dos señales. Aquí, para abordar el problema de la autocorrelación en los datos de hiperescaneo de fNIRS, el método pWTC se amplió para calcular el INS con retraso de tiempo en la señal fNIRS. Precisamente, se puede calcular un INS con retraso en el tiempo (y un flujo de información direccional) del participante A al participante B utilizando la ecuación a continuación (Ecuación 1)23.

Equation 1

Aquí, se supone que hay dos señales, A y B, de los participantes A y B, respectivamente. La ocurrencia de la señal B siempre precede a la de la señal A con un desfase temporal de n, donde WTC (At, Bt+n) es el WTC tradicional con retraso en el tiempo. WTC (At, At+n) es el WTC autocorrelacionado en el participante A. WTC (At, Bt) es el WTC alineado en el tiempo en el punto de tiempo t entre el participante A y B. * es el operador conjugado complejo (Figura 1A).

Figure 1
Figura 1: Descripción general de pWTC. (A) La lógica del pWTC. Hay dos señales A y B, dentro de una díada. La ocurrencia de A siempre sigue a la de B con un retraso n. Una caja gris es una ventana de wavelet en un cierto punto de tiempo t o t + n. Sobre la base de la ecuación pWTC (representada en la figura), se deben calcular tres WTC: el WTC desfasado en el tiempo de At + n y Bt; el WTC autocorrelacionado en el participante A de At y At+n; y el WTC alineado en el tiempo en el punto de tiempo t, At y Bt. (B) El diseño de los conjuntos de sondas optode. CH11 se colocó en T3, y CH25 se colocó en T4 siguiendo el sistema internacional 10-2027,28. Haga clic aquí para ver una versión más grande de esta figura.

Este protocolo introdujo por primera vez un experimento de simulación para demostrar qué tan bien el pWTC resuelve el desafío de la autocorrelación. Luego, explicó cómo llevar a cabo pWTC de una manera paso a paso basada en un experimento empírico de interacciones sociales naturalistas. Aquí, se utilizó un contexto de comunicación para introducir el método. Esto se debe a que, anteriormente, el INS con retraso en el tiempo generalmente se calculaba en un contexto de comunicación naturalista 3,4,6,8,13,15,18. Además, también se realizó una comparación entre el pWTC y el WTC tradicional y la validación con la prueba de causalidad de Granger (GC).

Subscription Required. Please recommend JoVE to your librarian.

Protocol

El protocolo de experimento humano fue aprobado por la Junta de Revisión Institucional y el Comité de Ética del Laboratorio Estatal Clave de Neurociencia Cognitiva y Aprendizaje de la Universidad Normal de Beijing. Todos los participantes dieron su consentimiento informado por escrito antes de que comenzara el experimento.

1. El experimento de simulación

  1. Generar dos series temporales de señales que se correlacionen entre sí, con una señal que tenga autocorrelación en un desfase temporal de 4 s. Establezca el coeficiente de correlación de r entre las dos señales en 0,4.
  2. Además, generar dos series temporales de señales sin ninguna correlación pero con autocorrelación en una sola señal.
  3. Calcule los valores de los INS tradicionales de 4 s con retraso en el tiempo con la ecuación 2 en función de las señales generadas con o sin correlación, que se puede denominar INSWTC con retraso en el tiempo con autocorrelación y INSWTC de línea de base con retraso en el tiempo con autocorrelación.
    NOTA: Aquí, el WTC tradicional con retraso en el tiempo se expresa mediante la siguiente ecuación (Ecuación 2)25
    Equation 2
    donde, C denota el operador de transformada de wavelet continua a diferentes escalas i y puntos de tiempo t. S denota el operador de suavizado. * denota el operador conjugado complejo. W y M indican dos series temporales individuales de señales.
  4. Eliminar la autocorrelación de las señales generadas. Luego, calcule los valores del INSWTC tradicional de 4 s con retraso en el tiempo con la Ecuación 2 en función de las señales generadas con o sin correlación, que se puede denominar INSWTC con retraso en el tiempo sin autocorrelación e INSWTC de línea de base con retraso en el tiempo sin autocorrelación.
  5. Calcule los valores de 4 s pWTC con retraso en el tiempo con la ecuación 3 en función de las señales generadas con o sin correlación, denominadaspWTC INS con retraso en el tiempo yINS pWTC de referencia con retraso en el tiempo.
    NOTA: El pWTC se puede calcular en base a la siguiente ecuación (Ecuación 3)23
    Equation 3
    donde, WTC (Wt, Mt + n) es el WTC tradicional con retraso en el tiempo. WTC (Mt, Mt+n) es el WTC autocorrelacionado de un individuo. WTC (Wt, Mt) es el WTC alineado en el tiempo. * es el operador conjugado complejo.
  6. Repita los procedimientos anteriores 1000 veces.
  7. Después de restar el INS basal, compare los resultados del INSWTC con retraso en el tiempo con la autocorrelación, el INSWTC retrasado en el tiempo sin autocorrelación y el INSpWTC con retraso en el tiempo utilizando el método de análisis de varianza (ANOVA).
    NOTA: Aquí, se espera que el INSWTC con retraso en el tiempo con autocorrelación sea significativamente mayor que el INSWTC con retraso en el tiempo sin autocorrelación y elINS pWTC con retraso en el tiempo, y no se esperan diferencias significativas entre el INSWTC con retraso en el tiempo sin autocorrelación y el INSpWTC con retraso en el tiempo.

2. El experimento empírico

  1. Participantes y procedimiento
    1. Reclutar participantes apropiados.
      NOTA: En este estudio, veintidós pares de amigos cercanos del sexo opuesto (edad media de las mujeres = 20,95, desviación estándar (DE) = 1,86; edad media de los hombres = 20,50, DE = 1,74) fueron reclutados a través de la publicidad de los estudiantes universitarios de las universidades de Beijing. Todos los participantes eran diestros y tenían visión normal o corregida a normal. Además, ningún participante tenía trastornos del lenguaje, neurológicos o psiquiátricos.
    2. Pida a cada par de participantes que se sienten cara a cara durante el experimento. Pídales que se comuniquen libremente sobre un tema de apoyo en una sesión y sobre un tema de conflicto en la otra sesión.
      NOTA: Los temas se utilizaron para inducir la valencia emocional positiva o negativa prevista. Cada sesión de comunicación duró 10 minutos, y el orden de los temas fue contrarrestado.
    3. Pida a los participantes que informen sobre los temas de apoyo y de conflicto como una regla de configuración estándar. Pida a cada pareja que califique el nivel de valencia positivo o negativo que podría haber sido inducido en una escala de puntos definida. Luego, clasifique los temas reportados de acuerdo con la calificación.
      NOTA: En este trabajo, los temas se seleccionaron con los siguientes tres pasos. Primero, para los temas de apoyo, se requirió que cada participante informara 1-3 problemas personales relacionados con lo que él / ella quería mejorar en su vida. Se requirió que cada participante informara de 1 a 3 casos que hubieran inducido o indujeran un conflicto entre ellos o que pudieran poner en peligro su relación con los temas de conflicto. En segundo lugar, se requirió que cada socio calificara el nivel de valencia positiva o negativa que cada tema podría inducir en una escala de 7 puntos (1 = no en absoluto, y 7 = mucho). En tercer lugar, los temas reportados se clasificaron de acuerdo con la calificación. Se seleccionaron los dos primeros temas de la lista de temas de apoyo y temas de conflicto.
  2. Recopilación de datos fNIRS
    1. Utilice el sistema de topografía fNIRS de 26 canales (consulte la Tabla de materiales) para recopilar datos fNIRS.
      NOTA: Dos sondas optodédicas personalizadas cubrieron las cortezas frontales, temporales y parietales bilaterales (Figura 1B).
    2. Precisamente, pida a cada participante que use una gorra con dos juegos de sondas personalizados (consulte la Tabla de materiales).
    3. Alinee los mastoides nasion, inion y ear con Fpz, Opz, T7 y T8, que son puntos de referencia típicos del sistema internacional 10-2026.
    4. Alinee el canal (CH) 11 a T3 y CH25 a T4 siguiendo el sistema internacional 10-20 para los dos conjuntos de sondas27,28.
    5. Validar las ubicaciones anatómicas de los conjuntos de sondas mediante el escaneo de datos de imágenes de resonancia magnética (MRI) de un participante típico con una secuencia de eco de gradiente rápido preparada para magnetización ponderada T1 de alta resolución (TR = 2530 ms; TE = 3,39 ms; ángulo de giro = 7°; espesor de la rebanada = 1,3 mm; tamaño del vóxel = 1,3 x 1 x 1,3 mm).
    6. Utilice statistical Parametric Mapping 12 (SPM12) para normalizar la imagen al espacio estándar de coordenadas del Instituto de Imágenes de Montreal (coordenada MNI)29. A continuación, utilice la caja de herramientas NIRS_SPM (consulte Tabla de materiales) para proyectar las coordenadas MNI de las sondas en la plantilla de etiquetado anatómico automatizado (AAL).
    7. Recopile los datos de densidad óptica de la luz infrarroja cercana en tres longitudes de onda (780, 805 y 830 nm) a una frecuencia de muestreo de 55,6 Hz (parámetros predeterminados del equipo).
    8. Pruebe la calidad de la señal utilizando el software de equipo integrado del sistema de topografía fNIRS (consulte la Tabla de materiales).
    9. Comience la grabación de señales.
      NOTA: Algunos protocolos publicados han demostrado cómo recolectar señales fNIRS con diversos equipos y sistemas 30,31,32.
  3. Preprocesamiento de datos fNIRS
    1. Exporte los archivos de datos del equipo.
      NOTA: En el experimento actual, el software incorporado convirtió automáticamente los datos de densidad óptica en cambios de concentración de oxihemoglobina (HbO) basados en la ley de Beer-Lambert modificada.
    2. Elimine la primera y la última 15 s de datos de cada sesión para evitar respuestas transitorias.
    3. Utilice la función integrada de diezmo de MATLAB para reducir la muestra de los datos de 55,6 Hz a 11,1 Hz.
      NOTA: Los patrones de espectro de potencia entre 55,6 Hz y 11,1 Hz son bastante similares (Figura suplementaria 1).
    4. Utilice la función de aplicación de MATLAB integrada (Homer3, consulte Tabla de materiales) con la función de filtrado adecuada para aplicar el método de filtro de transformación de wavelet discreta para corregir los artefactos de movimiento.
    5. Utilice la función integrada pca de MATLAB para eliminar el ruido fisiológico global. Elimine el 80% superior de la varianza de las señales.
    6. Eliminar el ruido fisiológico en base a los estudios previos33. Precisamente, elimine las bandas de frecuencia de cada señal por encima de 0,7 Hz para evitar el aliasing del ruido fisiológico de alta frecuencia (por ejemplo, actividad cardíaca).
    7. Luego, elimine las bandas de frecuencia de cada señal por debajo de 0.01 Hz para filtrar las fluctuaciones de muy baja frecuencia.
    8. Finalmente, elimine las bandas de frecuencia de cada señal dentro de 0.15-0.3 Hz para excluir el impacto potencial de la actividad respiratoria.
  4. Procesamiento de datos fNIRS de primer nivel
    1. Primero, calcule inS usando WTC tradicional (INSWTC).
      NOTA: Aquí, se predijo que un patrón de retraso en el tiempo dirigido por mujeres de INSWTC ocurriría entre la actividad cerebral de las mujeres y la de los hombres porque estudios anteriores han sugerido diferentes roles de mujeres y hombres durante una conversación34,35. El WTC tradicional calculó este patrón de INSWTC desplazando la actividad cerebral de los hombres hacia atrás en relación con la de las mujeres (ver Ecuación 2).
    2. Calcule el valor de INSWTC de 2 s-lag liderado por mujeres después de eliminar las 2 s iniciales de datos de mujeres y las últimas 2 s de datos de hombres con la Ecuación 2. Del mismo modo, después de eliminar las 2 s iniciales de datos de hombres y las últimas 2 s de datos de mujeres, calcule el valor de INSWTC de 2 s-lag liderado por hombres con la ecuación 4.
      NOTA: Aquí, se utilizó la función wcoherence, que es una función incorporada de la caja de herramientas wavelet de MATLAB (consulte la Tabla de materiales).
    3. Repita este procedimiento con diferentes intervalos de tiempo n, es decir, n = 2 s, 4 s, 6 s, 8 s en todos los pares potenciales de CH (por ejemplo, CH2 en mujeres y CH10 en hombres, 676 pares en total). Además, calcule la fuerza del INSWTC con retraso en el tiempo dirigido por hombres de la misma manera (Ecuación 4).
      Equation 4
    4. En segundo lugar, calcule el INS utilizando pWTC (INSpWTC).
      NOTA: pWTC se calculó en base a la Ecuación 3. El cálculo de INSpWTC se repitió con diferentes intervalos de tiempo n, es decir, n = 2 s, 4 s, 6 s, 8 s en todos los pares de canales potenciales (por ejemplo, CH2 en mujeres y CH10 en hombres, 676 pares en total). Además, la fuerza delINS pWTC con retraso en el tiempo dirigido por hombres se calculó de la misma manera (Ecuación 5).
      Equation 5
    5. Genere series temporales con retraso de tiempo de señales fNIRS en diferentes intervalos de tiempo.
    6. Calcule los valores del WTC con retraso en el tiempo en diferentes intervalos de tiempo.
    7. Genere series temporales autocorrelacionadas de señales fNIRS en diferentes intervalos de tiempo. Para calcular el valor autocorrelacionado de 2 s para los hombres, elimine las primeras 2 s de datos de los hombres y los últimos 2 s de los hombres.
    8. Calcule los valores de WTC autorrelacionados en diferentes intervalos de tiempo.
    9. Genere series temporales alineadas en el tiempo de señales fNIRS en diferentes intervalos de tiempo. Para calcular el WTC alineado en el tiempo de 2 s, elimine las primeras 2 s de datos de los datos de los hombres y las primeras 2 de las mujeres.
    10. Calcule los valores wtc alineados en el tiempo.
    11. Ingrese los valores wtC alineados en el tiempo, WTC con retraso en el tiempo y WTC autorrelacionados en diferentes intervalos de tiempo en la ecuación 3 y la ecuación 5, la ecuación de pWTC, generando INSpWTC.
    12. Finalmente, calcule el INS utilizando el método GC (INSGC).
      NOTA: Para validar aún más el método pWTC y evaluar sus ventajas y desventajas, se calculó el INS basado en GC utilizando el método GC (INSGC).
    13. Sobre la base del resultado de pWTC, el paso de banda filtra la señal de HbO de cada individuo en el SMC (es decir, 0.4-0.6 Hz, ver Resultados representativos).
    14. Realice una prueba de GC (Caja de herramientas econométrica, MATLAB) dentro de cada díada en los temas de apoyo y conflicto por separado.
      NOTA: Se obtienen cuatro grupos de valores F para insgc: (1) de mujeres a hombres sobre el tema de apoyo (W2M_supp); (2) de hombres a mujeres sobre el tema de apoyo (M2W_supp); 3) de mujeres a hombres sobre el tema del conflicto (W2M_conf); y 4) de hombres a mujeres sobre el tema del conflicto (M2 W_conf). Los valores F se utilizan para indexar el INSGC.
  5. Procesamiento de datos fNIRS de segundo nivel
    1. Transforme INS con transformación de Fisher-z y luego promedie INS en la dimensión temporal.
      NOTA: Aquí, la transformación de Fisher-z se llevó a cabo utilizando un script de MATLAB personalizado con la ecuación 636:
      Equation 6
      donde, r es el valor del WTC o pWTC, y z es el valor transformado de Fisher-z del WTC o pWTC.
    2. Para el INS promediado en cada desfase temporal, realice una prueba t de dos muestras pareadas (apoyo vs. conflicto) en cada par CH en todo el rango de frecuencia. A continuación, identifique todos los grupos de frecuencias significativos (P < 0,05).
    3. Realice una prueba de permutación basada en clústeres para establecer un umbral para los resultados.
      1. Reasigne las relaciones diádicas asignando aleatoriamente a los participantes a nuevos pares de dos miembros, es decir, los participantes de una díada que nunca se había comunicado entre sí. Recalcule el INS en cada lapso de tiempo, realice nuevamente pruebas t pareadas en la nueva muestra e identifique nuevamente grupos de frecuencia significativos.
      2. Seleccione el clúster con el valor t sumado más grande. Repita los procedimientos anteriores 1000 veces para generar una distribución nula de los valores máximos de t falsos positivos.
        NOTA: La distribución se sirve como el nivel de oportunidad. La tasa de error familiar (FWER) se controla en q = 0,05, lo que significa que solo el 5% superior de la distribución nula de los valores t falsos positivos supera el umbral (R*).
      3. Compare el valor t sumado de cada grupo de frecuencias identificado en la muestra original con la distribución nula para obtener resultados estadísticos significativos.
    4. Realizar un análisis de varianza de contexto (apoyo, conflicto) x dirección (mujeres a hombres, hombres a mujeres) (ANOVA) para probar la diferencia en la dirección del INS entre diferentes condiciones (es decir, temas) (p < 0,05).
    5. Realizar una prueba t de dos colas emparejada de dos muestras entre los resultados de WTC (Wt, Mt + n) y WTC (Mt, Mt + n) para probar el impacto potencial de la autocorrelación en el INS.
      NOTA: El INS de WTC (Mt, Mt + n) refleja la autocorrelación.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Resultados de la simulación
Los resultados mostraron que el INSWTC con retraso en el tiempo con autocorrelación fue significativamente mayor que el INSWTC con retraso en el tiempo sin autocorrelación (t(1998) = 4,696, p < 0,001) y el INSpWTC con retraso en el tiempo (t(1998) = 5,098, p < 0,001). Además, no hubo diferencias significativas entre el INSWTC con retraso en el tiempo sin autocorrelación y el INSpWTC (t(1998) = 1,573, p = 0,114, Figura 2A). Estos resultados indican que pWTC puede eliminar efectivamente el impacto del efecto de autocorrelación en el INS. Además, cuando el valor del WTC se estableció en cerca de 0 o 1, elpWTC del INS con retraso en el tiempo aún mostró resultados confiables cuando el valor del WTC estaba lejos de 0 o 1 (Figura suplementaria 2).

Resultados de experimentos empíricos
Patrón INS utilizando el método wtc tradicional
Los resultados mostraron que a 0.04-0.09 Hz, INSWTCen la corteza sensoriomotora (SMC, CH20) de mujeres y hombres fue significativamente mayor en el tema de apoyo que en el tema de conflicto cuando la actividad cerebral de los hombres se retrasó con respecto a la de las mujeres en 2 s, 4 s y 6 s (2 s: t(21) = 3.551, p = 0,0019; retraso 4 s: t(21) = 3,837, p = 0,0009; retraso 6 s: t(21) = 3,725, p = 0,0013). Además, a 0.4-0.6 Hz, INSWTC en el SMC fue significativamente mayor en el tema de conflicto que en el tema de apoyo cuando la actividad cerebral de los hombres se quedó atrás de la de las mujeres en 4 s (t(21) = 2.828, p = 0.01, Figura 2B).

Además, para comparar la dirección del INSWTC en diferentes temas, un tema (apoyo, conflicto) x dirección (mujeres a hombres, hombres a mujeres) ANOVA se llevó a cabo por primera vez en inSWTC del SMC bajo un desfase de tiempo de 2-6 s. Los resultados de 0,04-0,09 Hz no mostraron ningún efecto de interacción significativo en ningún desfase temporal (ps > 0,05). Para el rango de frecuencia de 0.4-0.6 Hz, los resultados mostraron que el efecto de interacción fue marginalmente significativo (F(1, 21) = 3.23, p = 0.086). Las comparaciones por pares mostraron que elINS WTC de mujeres a hombres fue significativamente mayor en el tema de conflicto que en el tema de apoyo (M.D. = 0.014, S.E. = 0.005, p = 0.015), mientras que INSWTC de hombres a mujeres no difirió significativamente entre los temas (M.D. = 0.002, S.E. = 0.006, p = 0.695).

Finalmente, para probar el impacto de la autocorrelación en los resultados del INSWTC tradicional con retraso en el tiempo, se comparó inS WTC entre WTC (Wt, Mt + 4) y WTC (Mt, Mt + 4) a 0.04-0.09 Hz y 0.4-0.6 Hz, respectivamente. Nótese que el INSWTC de WTC(Mt, Mt+4) refleja la autocorrelación. Los resultados mostraron que en el 0.4-0.6 Hz, no hubo diferencia significativa entre el INSWTC de WTC(Wt, Mt+4) y el de WTC(Mt, Mt+4) (t(21) = 0.336, p = 0.740). A 0.04-0.09 Hz, el INSWTC de WTC(Mt, Mt+4) fue significativamente mayor que el de WTC (Wt, Mt+4) (t(21) = 4.064, p < 0.001). También se realizó una comparación entre los rangos de frecuencia de 0.04-0.09 Hz y 0.4-0.6 Hz con respecto a INSWTC de WTC(Mt, Mt+4). Los resultados mostraron que el INSWTC de WTC(Mt, Mt+4) fue significativamente mayor a 0.04-0.09 Hz que a 0.4-0.6 Hz (t(21) = 5.421, p < 0.001). Estos resultados indican que el INSWTC con retraso en el tiempo se vio afectado por la autocorrelación tanto en los rangos de baja como en alta frecuencia, pero el impacto fue mayor para el rango de frecuencia más bajo que para el rango de frecuencia más alto.

Patrón INS mediante el método pWTC
Los resultados mostraron que la diferencia en el INSpWTC entre el conflicto y los temas de apoyo alcanzó importancia en el SMC de mujeres y hombres a 0.4-0.6 Hz cuando la actividad cerebral masculina se retrasó con respecto a la de las mujeres en 4 s (t(21) = 4.224, p = 0.0003). A 0.04-0.09 Hz; sin embargo, no se encontraron resultados significativos, ni sus resultados efectivos en otros rangos de frecuencia (Ps > 0,05, Figura 2C).

Se realizó una prueba ANOVA adicional en el INSpWTC del SMC a 0.4-0.6 Hz. Los resultados mostraron que la interacción entre tema y dirección fue marginalmente significativa (F(1,21) = 3,48, p = 0,076). Otras comparaciones por pares mostraron que elINS pWTC de mujeres a hombres fue significativamente mayor en el tema de conflicto que en el tema de apoyo (M.D. = 0.016, S.E. = 0.004, p = 0.002), mientras que INSpWTC de hombres a mujeres no difirió significativamente entre los temas (M.D. = 0.0007, S.E. = 0.006, p = 0.907, Figura 2D).

Patrón INS utilizando el método GC
Se realizó una prueba ANOVA en el INSGC en el SMC dentro de los 0.4-0.6 Hz solamente. Los resultados mostraron una interacción significativa entre tema y dirección (F(1,21) = 8,116, p = 0,010). El análisis por pares mostró que el INSGC de mujeres a hombres fue significativamente mayor en el tema de conflicto que en el tema de apoyo (DM = 5,50, SE = 2,61, p = 0,043). En contraste, elINS GC de hombres a mujeres no fue significativamente diferente entre los temas (DM = 1,42, SE = 2,61, p = 0,591, Figura 2E).

Figure 2
Figura 2: Resultados de la simulación y experimento empírico. (A) Los resultados de la simulación de tres muestras simuladas. El INSWTC con retraso en el tiempo con autocorrelación fue significativamente mayor que el INSWTC con retraso en el tiempo sin autocorrelación e INSpWTC. No hubo diferencias significativas entre el INSWTC con retraso en el tiempo sin autocorrelación y el pWTC. (B) El mapa t del INSWTC en el experimento empírico, que muestra efectos significativos en el contexto dentro de 0.04-0.09 Hz cuando la actividad SMC de los hombres se rezagó con respecto a la de las mujeres en 2-6 s. También hubo un efecto de contexto marginalmente considerable dentro de 0.4-0.6 Hz cuando la actividad de SMC de los hombres se retrasó con respecto a la de las mujeres en 4 s. (C) El mapa t de INSpWTC, que muestra un efecto de contexto significativo dentro de 0.4-0.6 Hz cuando la actividad de SMC de los hombres se retrasó con respecto a la de las mujeres en 4 s. (D) Comparación de INSdireccional pWTC en diferentes temas por pWTC. El INS direccional de mujeres a hombres es significativamente mayor en contextos de conflicto que en contextos de apoyo. (E) Validación del INS direccional mediante prueba GC (INSGC). El patrón resultante de INSGC es similar al INSpWTC. Haga clic aquí para ver una versión más grande de esta figura.

Figura complementaria 1: Diagrama del espectro de potencia para la frecuencia de muestreo a 11,1 Hz (línea azul) y 55,6 Hz (línea roja). El patrón de espectro de potencia para los dos es bastante similar. Haga clic aquí para descargar este archivo.

Figura complementaria 2: Los mapas pWTC de piso y ceil WTC. (A) Panel izquierdo: el mapa WTC con retraso en el tiempo generado por dos mismas señales, el eje x es el punto de tiempo y el eje y es la banda de frecuencia. El valor medio de WTC en todos los puntos es ~1. Panel derecho: el mapa pWTC de dos señales similares. El mapa pWTC es bastante similar al mapa WTC. (B) Panel izquierdo: el mapa WTC con retraso en el tiempo generado por dos señales aleatorias, el eje x es el punto de tiempo y el eje y es la banda de frecuencia. El valor medio de WTC en todos los puntos es ~0. Panel derecho: el mapa pWTC de dos señales similares. El mapa pWTC es bastante similar al mapa WTC. Haga clic aquí para descargar este archivo.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

En los estudios de hiperescaneo, generalmente es esencial describir los patrones direccionales y temporales del flujo de información entre los individuos. La mayoría de los estudios previos de hiperescaneo de fNIRS han utilizado WTC25 tradicional para inferir estas características mediante el cálculo del INS con retraso en el tiempo. Sin embargo, como una de las características intrínsecas de la señal fNIRS20,21, el efecto de autocorrelación podría confundir el INS retrasado. Para abordar este problema, en el protocolo aquí presente, se introdujo un método denominado pWTC22. Este método estima el INS con retraso en el tiempo después de la autocorrelación parcialmente fuera y mantiene las ventajas del método WTC. Este protocolo ofrece orientación paso a paso sobre cómo realizar pWTC y valida los resultados de pWTC comparando sus resultados con los de las pruebas tradicionales de WTC y GC.

Los pasos críticos de la aplicación de pWTC en datos de hiperescaneo basados en fNIRS se demuestran en este protocolo. Específicamente, primero, para calcular el WTC con retraso en el tiempo, el WTC autocorrelacionado y el WTC alineado en el tiempo deben calcularse en función de la serie de tiempo fNIRS retrasada. A continuación, los pWTC se calculan en diferentes desfases de tiempo de acuerdo con la Ecuación 1. Los resultados del pWTC devuelven una matriz de tiempo x frecuencia, y los valores en la matriz varían de 0 a 1. Por lo tanto, se pueden realizar más pruebas estadísticas sobre estos valores.

En el protocolo de demostración, los resultados representativos del WTC tradicional mostraron dos efectos significativos en dos bandas de frecuencias: 0,4-0,6 Hz. Sin embargo, el impacto dentro de los 0.04-0.09 Hz no sobrevivió al umbral en los resultados de pWTC, lo que sugiere que este efecto podría confundirse por el efecto de autocorrelación de la señal fNIRS. Por otro lado, los resultados dentro del rango de 0.4-0.6 Hz fueron bien replicados por el método pWTC. Estos resultados indican que después de eliminar el efecto de autocorrelación, pWTC proporciona desarrollos más sensibles y específicos para inferir los patrones direccionales y temporales del INS entre individuos. Otra posibilidad, sin embargo, es que pWTC no sea susceptible a los patrones direccionales y temporales del INS en rangos de frecuencia más bajos que en los rangos de frecuencia más altos, lo que resulta en una subestimación del efecto INS. Se necesitan estudios futuros para aclarar aún más estas posibilidades.

Una comparación con la prueba GC apoya aún más esta conclusión. Los resultados de la prueba GC fueron bastante similares a los del pWTC, mostrando un flujo de información importante de mujeres a hombres, pero no de hombres a mujeres. Hubo una ligera diferencia entre los resultados de la prueba gc y el pWTC, es decir, el efecto de interacción entre el tema y la dirección fue marginalmente significativo en los resultados del pWTC, pero alcanzó significación en la prueba GC. Esta diferencia puede deberse a que el pWTC se calcula en una escala de tiempo más fina que la prueba GC. Por lo tanto, aunque tanto las pruebas pWTC como GC pueden proporcionar resultados confiables al controlar el efecto de autocorrelación, el pWTC es ventajoso porque no es necesario hacer suposiciones estacionarias y tiene una estructura de alto espectro temporal.

El método pWTC también tiene sus limitaciones. Similar a la prueba GC, la causalidad inferida de pWTC no es una causalidad real37,38. En cambio, solo indica una relación temporal entre las señales de A y B. Este problema debe tenerse en cuenta al aplicar el método pWTC. En segundo lugar, pWTC solo elimina parcialmente el efecto de autocorrelación. Por lo tanto, otras variables concurrentes potenciales, como entornos compartidos o acciones similares, aún pueden afectar los resultados. En consecuencia, se deben sacar conclusiones sobre la dirección y el patrón temporal del flujo de información después de controlar estos factores de confusión.

Además, hubo algunos problemas complicados sobre el preprocesamiento de datos fNIRS. Aunque fNIRS tiene una alta tolerancia a los movimientos de la cabeza, los artefactos de movimiento siguen siendo la fuente más importante del ruido39. Los grandes movimientos de la cabeza aún conducirían a un cambio de posición de los optodos, generando artefactos de movimiento como picos agudos y cambios de línea de base. Para abordar estos problemas, se desarrollaron muchos enfoques de corrección de artefactos, como la interpolación spline40, el filtrado basado enwavelets 39, el análisisde componentes principales 41 y la mejora de la señal basada en correlación42, etc. Cooper y sus colegas43 han comparado estos enfoques basados en datos reales de fNIRS en estado de reposo y encontraron que el filtrado basado en wavelets produjo el mayor aumento en la relación contraste-ruido. Además, Brigadoi y sus colegas44 también han comparado estos enfoques en datos de tareas lingüísticas reales y también encontraron que el filtrado basado en wavelets era el enfoque más efectivo para corregir artefactos de movimiento. Por lo tanto, en este estudio, se aplicó el filtrado basado en wavelets y también se recomendó para futuros estudios de hiperescaneo fNIRS.

En general, pWTC es un enfoque valioso para estimar los patrones direccionales y temporales del flujo de información durante la interacción social. Más importante aún, se cree que el método pWTC también es adecuado para estudios de pseudo-hiperescaneo (es decir, las señales de dos o múltiples cerebros no se recogen simultáneamente45,46). En tales experimentos, aunque la dirección del flujo de información es fija, también es de interés examinar la duración del desfase de tiempo entre la entrada de la señal y el proceso de la señal. Por lo tanto, la autocorrelación también puede confundir los resultados del INS con retraso en el tiempo. En el futuro, este método puede responder a muchas preguntas en el hiperescaneo y otros estudios intercerebrales. Por ejemplo, para determinar el papel dominante en diversas relaciones sociales, como maestros y estudiantes, médicos y pacientes, y artistas y audiencias. Además, como pWTC mantiene las estructuras temporales del INS, también es posible probar el patrón dinámico del INS, como la convergencia de actitudes grupales.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Los autores no declaran intereses financieros contrapuestos.

Acknowledgments

Este trabajo fue apoyado por la Fundación Nacional de Ciencias Naturales de China (61977008) y el Programa de Jóvenes Talentos de Primera Categoría de Diez 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

Neurociencia Número 175
Medición del flujo de información direccional en datos fNIRS-Hyperscanning utilizando el método de coherencia de transformada de wavelet 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