Article de méthode

Mesure du flux d’informations directionnelles dans les données d’hyperscan fNIRS à l’aide de la méthode de cohérence de transformation partielle des ondelettes

3.2K vues

⸱

DOI :

10.3791/62927

⸱

3 septembre 2021

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

* These authors contributed equally

Dans cet article

Résumé

Ce protocole décrit la cohérence partielle de la transformation des ondelettes (pWTC) pour calculer le modèle décalé dans le temps de la synchronisation neuronale interpersonnelle (INS) afin de déduire la direction et le modèle temporel du flux d’informations au cours de l’interaction sociale. L’efficacité du pWTC dans l’élimination des confusions de l’autocorrélation du signal sur l’INS a été prouvée par deux expériences.

Résumé

L’interaction sociale est d’une importance vitale pour les êtres humains. Alors que l’approche de l’hyperscan a été largement utilisée pour étudier la synchronisation neuronale interpersonnelle (INS) au cours des interactions sociales, la spectroscopie fonctionnelle dans le proche infrarouge (fNIRS) est l’une des techniques les plus populaires pour hyperscanner les interactions sociales naturalistes en raison de sa résolution spatiale relativement élevée, de sa localisation anatomique sonore et de sa tolérance exceptionnellement élevée aux artefacts de mouvement. Les études précédentes d’hyperscan basées sur fNIRS calculent généralement un INS décalé dans le temps en utilisant la cohérence de transformation d’ondelettes (WTC) pour décrire la direction et le modèle temporel du flux d’informations entre les individus. Cependant, les résultats de cette méthode pourraient être confondus par l’effet d’autocorrélation du signal fNIRS de chaque individu. Pour résoudre ce problème, une méthode appelée cohérence de transformation partielle des ondelettes (pWTC) a été introduite, qui visait à éliminer l’effet d’autocorrélation et à maintenir la haute résolution du spectre temporel du signal fNIRS. Dans cette étude, une expérience de simulation a d’abord été réalisée pour montrer l’efficacité du pWTC dans l’élimination de l’impact de l’autocorrélation sur l’INS. Ensuite, des conseils étape par étape ont été offerts sur le fonctionnement du pWTC basé sur l’ensemble de données fNIRS d’une expérience d’interaction sociale. De plus, une comparaison entre la méthode pWTC et la méthode WTC traditionnelle et celle entre la méthode pWTC et la méthode de causalité de Granger (GC) a été établie. Les résultats ont montré que le pWTC pouvait être utilisé pour déterminer la différence INS entre différentes conditions expérimentales et le modèle directionnel et temporel de l’INS entre les individus au cours des interactions sociales naturalistes. De plus, il offre une meilleure résolution temporelle et de fréquence que le WTC traditionnel et une meilleure flexibilité que la méthode GC. Ainsi, pWTC est un candidat solide pour déduire la direction et le modèle temporel du flux d’informations entre les individus au cours des interactions sociales naturalistes.

Introduction

L’interaction sociale est d’une importance vitale pour les êtres humains 1,2. Pour comprendre le mécanisme neurocognitif à double cerveau de l’interaction sociale, l’approche de l’hyperscan a récemment été largement utilisée, montrant que les modèles de synchronisation neuronale interpersonnelle (INS) peuvent bien caractériser le processus d’interaction sociale 3,4,5,6,7,8,9,10,11,12 ,13,14. Parmi les études récentes, une découverte intéressante est que la différence de rôle des individus dans une dyade peut conduire à un modèle de décalage temporel de l’INS, c’est-à-dire que l’INS se produit lorsque l’activité cérébrale d’un individu est inférieure de quelques secondes à celle d’un autre individu, comme celle des auditeurs aux locuteurs 5,9, des leaders aux adeptes 4, des enseignants aux élèves8, des mères aux enfants13,15, et des femmes aux hommes dans un couple romantique6. Plus important encore, il existe une bonne correspondance entre l’intervalle de l’INS décalé dans le temps et celui des comportements d’interaction sociale, comme entre les enseignants qui posent des questions et les élèves qui répondent à8 ou entre les comportements parentaux des mères et les comportements de conformité des enfants15. Ainsi, l’INS décalé dans le temps peut refléter un flux d’informations directionnel d’un individu à un autre, comme le propose un modèle hiérarchique récent pour la communication verbale interpersonnelle16.

Auparavant, l’INS décalé dans le temps était principalement calculé sur le signal de spectroscopie proche infrarouge fonctionnelle (fNIRS) en raison de sa résolution spatiale relativement élevée, de sa localisation anatomique sonore et de sa tolérance exceptionnellement élevée aux artefacts de mouvement17 lors de l’étude des interactions sociales naturalistes. De plus, pour caractériser précisément la correspondance entre le décalage temporel neuronal et le décalage temporel comportemental lors de l’interaction sociale, il est essentiel d’obtenir la force INS pour chaque décalage temporel (par exemple, de l’absence de décalage temporel à un décalage temporel de 10 s). À cette fin, auparavant, la procédure de cohérence de transformation d’ondelettes (WTC) était largement appliquée après avoir déplacé le signal cérébral d’un individu vers l’avant ou vers l’arrière par rapport à celui d’un autre individu 5,6,18. Lors de l’utilisation de cette procédure WTC traditionnelle pour les signaux fNIRS, il existe un défi potentiel car l’INS observé en retard dans le temps peut être confondu par l’effet d’autocorrélation du signal fNIRS pour un individu 19,20,21. Par exemple, au cours d’un processus d’interaction sociale dyadique, le signal du participant A au point de temps t peut être synchronisé avec celui du participant B au même point de temps. Pendant ce temps, le signal du participant A au point de temps t peut être synchronisé avec celui du participant A à un point de temps ultérieur t + 1 en raison de l’effet d’autocorrélation. Par conséquent, un faux INS décalé dans le temps peut se produire entre le signal du participant A au point de temps t et celui du participant B au point de temps t + 1.

Mihanović et ses collègues22 ont d’abord introduit une méthode appelée cohérence partielle de transformation des ondelettes (pWTC), puis l’ont appliquée aux sciences de la mer23,24. Le but initial de cette méthode était de contrôler le bruit de confusion exogène lors de l’estimation de la cohérence de deux signaux. Ici, pour résoudre le problème d’autocorrélation dans les données d’hyperscan fNIRS, la méthode pWTC a été étendue pour calculer l’INS décalé dans le temps sur le signal fNIRS. Précisément, un INS retardé dans le temps (et un flux d’informations directionnel) du participant A au participant B peut être calculé à l’aide de l’équation ci-dessous (équation 1)23.

figure-introduction-1

Ici, on suppose qu’il y a deux signaux, A et B, des participants A et B, respectivement. L’occurrence du signal B précède toujours celle du signal A avec un décalage temporel de n, où WTC (At, Bt+n) est le WTC traditionnel décalé dans le temps. WTC (At, At+n) est le WTC autocorrélé chez le participant A. WTC (At, Bt) est le WTC aligné dans le temps au point de temps t entre le participant A et B. * est l’opérateur conjugué complexe (Figure 1A).

figure-introduction-2
Figure 1 : Vue d’ensemble de pWTC. (A) La logique du pWTC. Il y a deux signaux A et B, dans une dyade. L’occurrence de A suit toujours celle de B avec un décalage n. Une boîte grise est une fenêtre d’ondelettes à un certain point de temps t ou t + n. Sur la base de l’équation pWTC (représentée sur la figure), trois WTC doivent être calculés: le WTC décalé dans le temps de At + n et Bt; le WTC autocorrélé chez le participant A de At et At+n; et le WTC aligné dans le temps aux points de temps t, At et Bt. (B) Disposition des ensembles de sondes optode. CH11 a été placé au T3, et LE CH25 a été placé au T4 selon le système international 10-2027,28. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Ce protocole a d’abord introduit une expérience de simulation pour démontrer dans quelle mesure le pWTC résout le défi de l’autocorrélation. Ensuite, il a expliqué comment mener le pWTC de manière étape par étape basée sur une expérience empirique d’interactions sociales naturalistes. Ici, un contexte de communication a été utilisé pour introduire la méthode. En effet, auparavant, l’INS décalé dans le temps était généralement calculé dans un contexte de communication naturaliste 3,4,6,8,13,15,18. De plus, une comparaison entre le pWTC et le WTC traditionnel et une validation avec le test de causalité de Granger (GC) ont également été effectuées.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

Le protocole d’expérimentation humaine a été approuvé par le comité d’examen institutionnel et le comité d’éthique du Laboratoire clé d’État des neurosciences cognitives et de l’apprentissage de l’Université normale de Beijing. Tous les participants ont donné leur consentement éclairé écrit avant le début de l’expérience.

1. L’expérience de simulation

  1. Générez deux séries chronologiques de signaux qui sont en corrélation les uns avec les autres, avec un signal ayant une autocorrélation à un décalage de 4 s. Définissez le coefficient de corrélation de r entre les deux signaux sur 0,4.
  2. De plus, générez deux séries chronologiques de signaux sans aucune corrélation mais avec autocorrélation dans un signal.
  3. Calculez les valeurs de l’INS traditionnel décalé dans le temps de 4 s avec l’équation 2 en fonction des signaux générés avec ou sans corrélation, qui peuvent être nommés INSWTC décalé dans le temps avec autocorrélation et INSWTC de base décalé dans le temps avec autocorrélation.
    REMARQUE: Ici, le WTC traditionnel décalé dans le temps est exprimé par l’équation suivante (équation 2)25
    figure-protocol-1
    où, C désigne l’opérateur de transformation d’ondelettes continues à différentes échelles i et points de temps t. S désigne l’opérateur de lissage. * désigne l’opérateur conjugué complexe. W et M indiquent deux séries chronologiques individuelles de signaux.
  4. Supprimez la corrélation automatique des signaux générés. Ensuite, calculez les valeurs de l’INSWTC traditionnel de 4 s avec décalage temporel avec l’équation 2 en fonction des signaux générés avec ou sans corrélation, qui peuvent être nommés INSWTC décalé dans le temps sans autocorrélation et INSWTC de base décalé dans le temps sans autocorrélation.
  5. Calculez les valeurs de 4 s de pWTC décalé dans le temps avec l’équation 3 en fonction des signaux générés avec ou sans corrélation, nommés INSpWTC décalé dans le temps et INSpWTC de base décalé dans le temps.
    REMARQUE: Le pWTC peut être calculé sur la base de l’équation suivante (équation 3)23
    figure-protocol-2
    où, WTC (Wt, Mt + n) est le WTC traditionnel décalé dans le temps. WTC (Mt, Mt+n) est le WTC autocorrélé d’un individu. WTC (Wt, Mt) est le WTC aligné dans le temps. * est l’opérateur conjugué complexe.
  6. Répétez les procédures ci-dessus 1000 fois.
  7. Après avoir soustrait l’INS de base, comparez les résultats de l’INSWTC décalé dans le temps avec l’autocorrélation, de l’INSWTC décalé dans le temps sans autocorrélation et de l’INSpWTC décalé dans le temps à l’aide de la méthode des analyses de variance (ANOVA).
    REMARQUE: Ici, on s’attend à ce que leWTC INS avec autocorrélation retardé dans le temps soit significativement plus élevé que leWTC INS décalé dans le temps sans autocorrélation et lepWTC INS décalé dans le temps, et aucune différence significative n’est attendue entre leWTC INS décalé dans le temps sans autocorrélation et l’INSpWTC décalé dans le temps.

2. L’expérience empirique

  1. Participants et procédure
    1. Recruter les participants appropriés.
      NOTE: Dans cette étude, vingt-deux paires d’amis proches de sexe opposé (âge moyen des femmes = 20,95, écart-type (ET) = 1,86; âge moyen des hommes = 20,50, ET = 1,74) ont été recrutés par le biais de publicités d’étudiants de premier cycle d’universités de Beijing. Tous les participants étaient droitiers et avaient une vision normale ou corrigée à la normale. De plus, aucun participant n’avait de troubles langagiers, neurologiques ou psychiatriques.
    2. Demandez à chaque paire de participants de s’asseoir face à face pendant l’expérience. Demandez-leur de communiquer librement sur un sujet de soutien dans une session et sur un sujet de conflit dans l’autre session.
      NOTE: Les sujets ont été utilisés pour induire la valence émotionnelle positive ou négative prévue. Chaque séance de communication a duré 10 minutes et l’ordre des sujets a été contrebalancé.
    3. Demandez aux participants de faire rapport sur les sujets de soutien et de conflit en tant que règle de configuration standard. Demandez à chaque partenaire d’évaluer le niveau de valence positif ou négatif qui aurait pu être induit sur une échelle de points définie. Ensuite, classez les sujets rapportés en fonction de la note.
      REMARQUE : Dans ce travail, les sujets ont été sélectionnés en suivant les trois étapes suivantes. Tout d’abord, pour les sujets de soutien, chaque participant était tenu de signaler 1 à 3 problèmes personnels liés à ce qu’il voulait améliorer dans sa vie. Chaque participant était tenu de signaler 1 à 3 cas qui avaient induit ou induisaient un conflit entre eux ou qui pourraient mettre en danger leur relation pour les sujets de conflit. Deuxièmement, chaque partenaire devait évaluer le niveau de valence positive ou négative que chaque sujet pouvait induire sur une échelle de 7 points (1 = pas du tout, et 7 = beaucoup). Troisièmement, les sujets signalés ont été classés en fonction de la note. Les deux premiers sujets de la liste des sujets de soutien et des sujets de conflit ont été sélectionnés.
  2. Collecte de données fNIRS
    1. Utilisez le système de topographie fNIRS à 26 canaux (voir Tableau des matériaux) pour collecter les données fNIRS.
      REMARQUE : Deux sondes optodes personnalisées couvraient les cortex bilatéraux frontal, temporal et pariétal (Figure 1B).
    2. Justement, demandez à chaque participant de porter une casquette avec deux ensembles de sondes personnalisés (voir Tableau des matériaux).
    3. Alignez les mastoïdes nasion, inion et ear avec Fpz, Opz, T7 et T8, qui sont des repères typiques du système international26 10-20.
    4. Aligner le canal (CH) 11 à T3 et CH25 à T4 en suivant le système international 10-20 pour les deux ensembles de sondes27,28.
    5. Valider les emplacements anatomiques des ensembles de sondes en scannant les données d’imagerie par résonance magnétique (IRM) d’un participant typique avec une séquence d’écho-gradient rapide préparée par magnétisation pondérée en T1 à haute résolution (TR = 2530 ms; TE = 3,39 ms; angle de retournement = 7°; épaisseur de la tranche = 1,3 mm; taille du voxel = 1,3 x 1 x 1,3 mm).
    6. Utilisez la cartographie paramétrique statistique 12 (SPM12) pour normaliser l’image à l’espacestandard 29 des coordonnées de l’Institut d’imagerie de Montréal (coordonnées MNI). Ensuite, utilisez la boîte à outils NIRS_SPM (voir Tableau des matériaux) pour projeter les coordonnées MNI des sondes sur le modèle d’étiquetage anatomique automatisé (AAL).
    7. Collectez les données de densité optique de la lumière proche infrarouge à trois longueurs d’onde (780, 805 et 830 nm) à une fréquence d’échantillonnage de 55,6 Hz (paramètres par défaut de l’équipement).
    8. Testez la qualité du signal à l’aide du logiciel d’équipement intégré du système de topographie fNIRS (voir Tableau des matériaux).
    9. Commencez l’enregistrement du signal.
      REMARQUE: Certains protocoles publiés ont montré comment collecter les signaux fNIRS avec divers équipements et systèmes 30,31,32.
  3. Prétraitement des données fNIRS
    1. Exportez les fichiers de données à partir de l’équipement.
      REMARQUE: Dans l’expérience actuelle, le logiciel intégré a automatiquement converti les données de densité optique en changements de concentration d’oxyhémoglobine (HbO) basés sur la loi de Beer-Lambert modifiée.
    2. Supprimez les 15 première et dernière s de données pour chaque session afin d’éviter les réponses transitoires.
    3. Utilisez la fonction intégrée DECIMATE MATLAB pour sous-échantillonner les données de 55,6 Hz à 11,1 Hz.
      REMARQUE: Les modèles de spectre de puissance entre 55,6 Hz et 11,1 Hz sont assez similaires (Figure supplémentaire 1).
    4. Utilisez la fonction d’application MATLAB intégrée (Homer3, voir Table des matériaux) avec la fonction de filtrage appropriée pour appliquer la méthode de filtre de transformation d’ondelettes discrètes pour corriger les artefacts de mouvement.
    5. Utilisez la fonction intégrée PCA de MATLAB pour supprimer le bruit physiologique global. Supprimez les 80 % supérieurs de la variance des signaux.
    6. Supprimer le bruit physiologique sur la base des études précédentes33. Éliminez précisément les bandes de fréquences de chaque signal au-dessus de 0,7 Hz pour éviter l’aliasing du bruit physiologique à haute fréquence (p. ex. activité cardiaque).
    7. Ensuite, retirez les bandes de fréquences de chaque signal en dessous de 0,01 Hz pour filtrer les fluctuations de très basse fréquence.
    8. Enfin, retirez les bandes de fréquences de chaque signal dans les 0,15-0,3 Hz pour exclure l’impact potentiel de l’activité respiratoire.
  4. Traitement des données fNIRS de premier niveau
    1. Tout d’abord, calculez l’INS en utilisant le WTC traditionnel (INSWTC).
      NOTE: Ici, un modèle de décalage temporel dirigé par les femmes de l’INSWTC a été prédit entre l’activité cérébrale des femmes et celle des hommes parce que des études antérieures ont suggéré des rôles différents des femmes et des hommes au cours d’une conversation34,35. Le WTC traditionnel a calculé ce modèle deWTC INS en déplaçant l’activité cérébrale des hommes vers l’arrière par rapport à celle des femmes (voir l’équation 2).
    2. Calculez la valeurdu WTC INS 2 s-lagged dirigé par les femmes après avoir supprimé les 2 s initiales de données des femmes et les 2 dernières s de données des hommes avec l’équation 2. De même, après avoir supprimé les 2 s initiales de données des hommes et les 2 dernières s de données des femmes, calculez la valeur INSWTC de 2 s de retard dirigée par les hommes avec l’équation 4.
      REMARQUE: Ici, la fonction wcoherence, qui est une fonction intégrée de la boîte à outils d’ondelettes de MATLAB, a été utilisée (voir Table des matériaux).
    3. Répétez cette procédure avec différents décalages temporels n, c’est-à-dire n = 2 s, 4 s, 6 s, 8 s sur toutes les paires CH potentielles (par exemple, CH2 chez les femmes et CH10 chez les hommes, 676 paires au total). De plus, calculez la force de l’INSWTC à retardement dirigé par les hommes de la même manière (équation 4).
      figure-protocol-3
    4. Deuxièmement, calculez INS en utilisant pWTC (INSpWTC).
      REMARQUE : Le pWTC a été calculé sur la base de l’équation 3. Le calcul de l’INSpWTC a été répété avec différents décalages temporels n, c’est-à-dire n = 2 s, 4 s, 6 s, 8 s sur toutes les paires de canaux potentiels (par exemple, CH2 chez les femmes et CH10 chez les hommes, 676 paires au total). De plus, la force de l’INSpWTC dirigé par des hommes et décalé dans le temps a été calculée de la même manière (équation 5).
      figure-protocol-4
    5. Générez des séries chronologiques de signaux fNIRS décalés à différents décalages temporels.
    6. Calculez les valeurs du WTC décalé dans le temps à différents décalages temporels.
    7. Générez des séries chronologiques autocorrélées de signaux fNIRS à différents décalages temporels. Pour calculer la valeur de 2 s autocorrélée pour les hommes, supprimez les 2 premières s de données des hommes et les 2 dernières données des hommes.
    8. Calculez les valeurs WTC autocorlées à différents décalages temporels.
    9. Générez des séries chronologiques alignées dans le temps de signaux fNIRS à différents décalages temporels. Pour calculer les 2 s de WTC alignés sur le temps, supprimez les 2 premières s de données des hommes et les 2 premières s de données des femmes.
    10. Calculez les valeurs WTC alignées dans le temps.
    11. Entrez des valeurs WTC alignées dans le temps, WTC décalées dans le temps et WTC autocorrélées à différents décalages temporels dans l’équation 3 et l’équation 5 - l’équation de pWTC, générant INSpWTC.
    12. Enfin, calculez l’INS à l’aide de la méthode GC (INSGC).
      REMARQUE: Pour valider davantage la méthode pWTC et évaluer ses avantages et ses inconvénients, l’INS basé sur GC a été calculé à l’aide de la méthode GC (INSGC).
    13. En fonction du résultat du pWTC, le passe-bande filtre le signal HbO de chaque individu au SMC (c.-à-d. 0,4-0,6 Hz, voir Résultats représentatifs).
    14. Effectuez un test GC (boîte à outils économétrique, MATLAB) dans chaque dyade dans les sujets de soutien et de conflit séparément.
      NOTE: Quatre groupes de valeurs F sont obtenus pour INSGC: (1) des femmes aux hommes sur le sujet de soutien (W2M_supp); (2) des hommes aux femmes sur le sujet de soutien (M2W_supp); 3) des femmes aux hommes sur le thème du conflit (W2M_conf); et (4) des hommes aux femmes sur le sujet du conflit (M2 W_conf). Les valeurs F sont utilisées pour indexer leGC INS.
  5. Traitement des données fNIRS de deuxième niveau
    1. Transformez INS avec la transformation de Fisher-z, puis faites la moyenne d’INS à la dimension temporelle.
      REMARQUE : Ici, la transformation de Fisher-z a été effectuée à l’aide d’un script MATLAB personnalisé avec l’équation 636 :
      figure-protocol-5
      où, r est la valeur du WTC ou du pWTC, et z est la valeur transformée de Fisher-z du WTC ou du pWTC.
    2. Pour l’INS moyenné à chaque décalage temporel, effectuez un test t apparié à deux échantillons (soutien vs conflit) sur chaque paire CH dans la gamme de fréquences. Ensuite, identifiez tous les groupes de fréquences significatifs (P < 0,05).
    3. Effectuez un test de permutation en grappe pour établir un seuil pour les résultats.
      1. Réaffecter les relations dyadiques en assignant au hasard les participants à de nouvelles paires de deux membres, c’est-à-dire les participants d’une dyade qui n’avaient jamais communiqué entre eux. Recalculez l’INS à chaque décalage temporel, effectuez à nouveau des tests t appariés dans le nouvel échantillon et identifiez à nouveau les groupes de fréquences significatifs.
      2. Sélectionnez le cluster avec la plus grande valeur t additionnée. Répétez les procédures ci-dessus 1000 fois pour générer une distribution null des valeurs t maximales faussement positives.
        REMARQUE: La distribution est servie comme niveau de chance. Le taux d’erreur familiale (FWER) est contrôlé à q = 0,05, ce qui signifie que seuls les 5 % supérieurs de la distribution nulle des valeurs t faussement positives dépassent le seuil (R*).
      3. Comparez la valeur t additionnée de chaque groupe de fréquences identifié dans l’échantillon d’origine avec la distribution nulle pour obtenir des résultats statistiques significatifs.
    4. Effectuer une analyse de la variance (ANOVA) (soutien, conflit) x direction (femmes à hommes, hommes à femmes) pour tester la différence de direction INS entre différentes conditions (c.-à-d. sujets) (p < 0,05).
    5. Effectuer un test en T apparié à deux échantillons à deux queues entre les résultats du WTC (Wt, Mt + n) et du WTC (Mt, Mt + n) pour tester l’impact potentiel de l’autocorrélation sur l’INS.
      REMARQUE: L’INS de WTC (Mt, Mt + n) reflète l’autocorrélation.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

Résultats de la simulation
Les résultats ont montré que leWTC INS avec autocorrélation retardé dans le temps était significativement plus élevé que leWTC INS retardé dans le temps sans autocorrélation (t(1998) = 4,696, p < 0,001) et l’INSpWTC décalé dans le temps (t(1998) = 5,098, p < 0,001). De plus, il n’y avait pas de différence significative entre l’INSWTC sans autocorrélation décalé dans le temps et l’INSpWTC ...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

Dans les études d’hyperscan, il est généralement essentiel de décrire les modèles directionnels et temporels de la circulation de l’information entre les individus. La plupart des études précédentes sur l’hyperscan fNIRS ont utilisé le WTC25 traditionnel pour déduire ces caractéristiques en calculant l’INS décalé dans le temps. Cependant, comme l’une des caractéristiques intrinsèques du signal fNIRS20,21, l’effet d’autocorrélation pourrait...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs ne déclarent aucun intérêt financier concurrent.

Remerciements

Ce travail a été soutenu par la National Natural Science Foundation of China (61977008) et le Young Top Notch Talents of Ten Thousand Talent Program.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Système de topographie fNIRSShimadzu CorporationSystème LABNIRS Shimadzu Le système LABNIRScontient 40 émetteurs et 40 détecteurs pour la mesure des signaux fNIRS. Dans ce protocole, nous avons utilisé ces émetteurs et détecteurs, créé deux ensembles de sondes personnalisées à 26 canaux et attachés à deux capuchons accrochés au système 10-20. De plus, le système LABNIRS contient également des logiciels d’interface graphique intégrés pour le contrôle de la qualité des données, la conversion et l’exportation des données.
MATLABThe MathWorks, Inc.MATLAB 2019aDans ce protocole, plusieurs boîtes à outils et fonctions ont été utilisées dans MATLAB :
boîte à outils SPM12 a été utilisée pour normaliser les données IRM validées via son interface graphique.
NIRS_SPM boîte à outils a été utilisée pour projeter les coordonnées MNI des sondes vers le modèle AAL via son interface GUI.
La boîte à outils Homer3 a été utilisée pour supprimer les artefacts de mouvement via sa fonction hmrMotionCorrectWavelet avec les paramètres par défaut.
Wavelet toolbox a été utilisé pour calculer WTC et pWTC via sa fonction wcoherence.
Scanner IRMSiemens HealthineersTRIO 3-TeslaDans ce protocole, le scanner IRM a été utilisé pour obtenir les coordonnées MNI de chaque canal et optpde. Les paramètres de balayage sont décrits dans le texte principal.
Dans ce protocole, nous avons d’abord marqué deux casquettes en nylon avec le système 10-20. Ensuite, nous avons réalisé deux ensembles de sondes optode personnalisées à 26 canaux. Enfin, nous avons attaché des ensembles de sondes à des capuchons alignés avec des points de repère.

Références

  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).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Synchronisation neuraleCausalit de GrangerInteraction socialeConcentration d h moglobineCorrection des art facts de mouvementTest de permutation par grappes

Articles connexes