Comment calculer et valider la synchronisation inter-cerveau dans une étude d’hyperscanning fNIRS
8 septembre 2021
La dynamique entre les cerveaux couplés des individus a été de plus en plus représentée par la synchronisation inter-cerveau (IBS) lorsqu’ils se coordonnent les uns avec les autres, principalement en utilisant des signaux d’enregistrement simultané des cerveaux (à savoir l’hyperscanning) avec fNIRS. Dans les études d’hyperscan fNIRS, le SCI a été couramment évalué par la méthode de la cohérence de transformation des ondelettes (WTC) en raison de son avantage sur l’expansion des séries chronologiques dans l’espace temps-f
Ce protocole fournit un pipeline potentiellement standard d’analyse de la synchronisation inter-cerveau dans l’étude d’hyper-balayage fNIRS. Le principal avantage de cette technique est qu’elle permet de calculer la loi de synchronisation inter-cerveau qui transformera la méthode cohérente et validera les méthodes de synchronisation inter-cerveau, la permutation basée sur l’autonomisation des affections thoraciques et participe. Effectuez toutes les analyses de données à l’aide du logiciel MATLAB avec les boîtes à outils appropriées.
Lors du prétraitement des données, en particulier à l’aide de la méthode d’amélioration du signal basée sur l’analyse des composants et la corrélation, supprimez le bruit physiologique global F N I R S à l’aide du filtre NPCA. Et les artefacts de mouvement de la tête utilisant le mouvement HMR correct soulignent CBSI d’Homère deux. Ensuite, pour calculer la synchronisation inter-cerveau ou IBS, adoptez la fonction cohérente de transformation d’ondelettes de l’ondelette croisée et de la boîte à outils cohérente d’ondelettes avec des paramètres par défaut, et calculez les valeurs cohérentes à chaque moment en point de fréquence pour obtenir une matrice à deux axes de valeurs cohérentes.
Pour les paramètres par défaut, utilisez l’ondelette mère de Morlet pour transformer chaque série chronologique dans le domaine temporel et fréquentiel par la transformation en ondelettes continues. Ensuite, pour choisir la bande de fréquences d’intérêt, sélectionnez une moyenne des valeurs cohérentes de la bande de fréquences entre 0,5 et un Hertz. Selon la bande de fréquences utilisée dans la tâche de mouvement des doigts de l’étude F N I R S Hyper-scan.
Obtenez une colonne de valeurs cohérentes pour chaque paire. Ensuite, sélectionnez une moyenne des valeurs cohérentes de la fenêtre de temps pendant la phase de repos. Et pour chaque condition expérimentale, en utilisant les informations de marque, obtenez cinq valeurs cohérentes pour chaque dyade pour la session de tâche, sélectionnez uniquement la durée pendant laquelle les participants ont tapoté pour reproduire le stimulus auditif, qui est d’environ 12 secondes pour chaque essai, ce qui donne un total de 180 secondes pour chaque condition expérimentale.
Ensuite, soustrayez la valeur cohérente au repos de la valeur cohérente liée à la tâche. Étant donné que la valeur de cohérence pendant l’état de repos est utilisée comme base de référence dans cette expérience. Ensuite, en utilisant le test de permutation d’échantillons appariés T avec le malt underscore comp underscore perm T1 function of drops work.
Comparez les valeurs cohérentes soustraites avec zéro à chaque canal pour chaque condition expérimentale. Ensuite, à l’aide de la fonction a FDR de la boîte à outils MATLAB, corrigez les valeurs P par la méthode du taux de fausse découverte. Ensuite, en utilisant le test de permutation d’échantillons appariés T avec le malt underscore comp underscore perm underscore T1 function of drops work, comparez les valeurs de cohérence entre différentes conditions de tâche au canal où IBS existait.
Pour valider l’IBS, utilisez la fonction permanente rant a MATLAB pour randomiser l’étiquette des essais dans la condition de coordination du compteur pour une dyade à chaque canal. Suivez le pipeline démontré pour le calcul du SCI et les statistiques pour l’étiquette de l’essai randomisé, à l’exclusion de l’analyse de sensibilité pour la bande de fréquences d’intérêt. Effectuez la permutation 1000 fois, puis tracez la distribution des valeurs Z statistiques générées dans la permutation de dyade.
Ensuite, suivez le pipeline pour calculer le SCI et les statistiques après avoir randomisé l’appariement des participants du même essai, dans l’état de coordination du compteur. Enfin, suivez à nouveau le pipeline après avoir randomisé les étiquettes de condition pour les mêmes membres d’une dyade dans le même essai. Les résultats ont montré la présence d’IBS au canal cinq dans l’état de coordination du compteur.
Alors qu’aucun SCI n’a été détecté dans les autres conditions. Au canal cinq, l’IBS et la condition de coordination du compteur étaient significativement plus élevées que les valeurs cohérentes dans l’état de coordination et d’indépendance du compteur. L’analyse de permutation a montré que le SCI observé se présentait probablement chez deux individus d’une dyade qui ont essayé de se synchroniser les uns avec les autres dans le temps apparié, mais pas dans le partenaire temporel ou la condition d’appariement aléatoire.
Assurez-vous que le SCI est spécifique pour les interactions rares. Donc, calculer IBS dans la tâche, la bande de fréquence corrélée et par mutation des conditions de confiance et des entretiens. Le calcul de l’IBS de tous les canaux à portée de main, ou sur différents canaux et régions, enrichirait le partenaire de calcul IBS.
L’analyse du réseau inter-cerveau pour de grands groupes de participants aux interactions naturelles bénéficiera de la qualification de l’interaction sociale.
Consultez la transcription complète et accédez à des milliers de vidéos scientifiques
Aperçu
Cette étude se concentre sur la synchronisation inter-cérébrale (SIC) entre individus lors de tâches coordonnées, en utilisant la spectroscopie fonctionnelle proche infrarouge (fNIRS) dans un cadre d'hyperscanning. Elle emploie la cohérence de transformée en ondelettes (WTC) pour évaluer la SIC et valide les résultats par des méthodes basées sur la permutation. Des considérations méthodologiques cruciales sont discutées pour améliorer la reproductibilité et la fiabilité de ces études.
Composants clés de l'étude
Domaine de la science
- Neuroscience
- Imagerie cérébrale
- Coordination interpersonnelle
Contexte
- La synchronisation inter-cérébrale (SIC) reflète la coordination entre l'activité cérébrale des individus.
- L'hyperscanning permet l'enregistrement simultané des signaux cérébraux de plusieurs participants.
- La cohérence de transformée en ondelettes (WTC) est utilisée pour analyser les caractéristiques temps-fréquence.
- Les méthodes de permutation aident à valider les résultats de SIC en contrôlant les occurrences fortuites.
Objectif de l'étude
- Présenter un protocole pour analyser la SIC en utilisant des études d'hyperscanning fNIRS.
- Détailler comment calculer et valider efficacement la SIC.
- Identifier des considérations méthodologiques critiques pour des analyses améliorées.
Méthodes utilisées
- L'étude utilise la spectroscopie fonctionnelle proche infrarouge (fNIRS) pour l'acquisition des signaux cérébraux.
- Elle évalue la coordination en utilisant la fonction de cohérence de transformée en ondelettes avec le logiciel MATLAB.
- Le prétraitement des données comprend des techniques comme l'analyse en composantes principales et l'utilisation du filtre NPCA.
- La procédure implique le test des valeurs de cohérence à travers les conditions expérimentales et l'utilisation de tests de permutation pour la validation.
Résultats principaux
- La SIC a été observée dans des conditions spécifiques, indiquant des efforts de synchronisation entre les participants.
- La présence de SIC a été confirmée par des tests statistiques et des analyses de permutation.
- Les résultats impliquent que la détection de SIC est spécifique à certaines tâches et conditions, améliorant la compréhension des dynamiques d'interaction sociale.
Conclusions
- Cette étude fournit un cadre méthodologique pour évaluer la SIC, aidant la recherche future en neurosciences interpersonnelles.
- Elle améliore la reproductibilité et la fiabilité dans l'analyse de la synchronie neuronale entre individus.
- Les résultats apportent des insights précieux sur la base neuronale des interactions sociales.
Questions fréquemment posées
Executive Industry Relevance
Inter-brain synchronization (IBS) analysis via fNIRS hyperscanning provides a mechanistic window into coordinated neural activity, offering biopharma R&D a quantitative biomarker for social cognition and interpersonal engagement models. This approach supports target validation in neuropsychiatric disorders by enabling objective measurement of dyadic neural coupling, which can inform therapeutic efficacy in conditions affecting social interaction. The wavelet transform coherence (WTC) method combined with permutation validation enhances predictive confidence in preclinical models by reducing false-positive synchrony signals.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses related to social brain networks by quantifying neural synchrony between interacting subjects.
- Operational Value: Provides a reproducible pipeline for assessing target engagement in dyadic behavioral paradigms using fNIRS hyperscanning.
Screening & Assay Development
- Scientific Value: Generates time-frequency resolved coherence metrics that serve as quantitative readouts for compound effects on interpersonal neural coupling.
- Operational Value: Supports assay standardization through predefined frequency band (0.5–1 Hz) and time-window averaging protocols, improving cross-study comparability.
Translational & Preclinical Research
- Scientific Value: Facilitates mechanistic de-risking by distinguishing true interaction-dependent synchrony from artifactual correlations via permutation-based validation.
- Operational Value: Enables longitudinal tracking of neural coordination phenotypes in disease models, supporting translational continuity from discovery to preclinical validation.
Pipeline & Workflow Integration
The IBS analysis pipeline fits within early discovery workflows where neural correlates of social behavior are evaluated, particularly in target validation and assay development stages for CNS therapeutics.
- Discovery Biology: Supports hypothesis testing of neural mechanisms underlying social interaction by providing objective, quantifiable measures of inter-brain coupling.
- Screening: Delivers assay-ready, reproducible coherence outputs after preprocessing (NPCA filtering, HMR motion correction) and statistical validation (permutation testing, FDR correction).
- Analytics: Produces Z-value distributions from permutation tests that enable statistical comparison of IBS across conditions and channels.
- Translational Research: Aligns with biomarker development efforts by offering a neural synchrony metric sensitive to task-specific coordination, relevant for social dysfunction models.
- Enterprise Reuse: Establishes a reusable analytical framework applicable across multiple dyadic tasks and experimental conditions, reducing redevelopment costs.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in target validation by confirming that observed IBS is specific to genuine interaction and not random pairing or condition effects.
- Operational Value: Enhances reproducibility through standardized preprocessing (PCA-based noise reduction, motion correction) and validated statistical pipelines (permutation T-test, FDR correction).
- Strategic Value: Improves go/no-go decisions by providing a neural biomarker of social engagement that can be modulated by pharmacological interventions.
- Portfolio Impact: Enables risk-adjusted prioritization of compounds targeting social cognition pathways through objective, quantifiable IBS readouts.
Implementation Considerations
- Requires expertise in fNIRS data acquisition, hyperscanning experimental design, and MATLAB-based signal processing.
- Depends on access to wavelet transform coherence toolboxes and permutation testing functions for proper implementation.
- Necessitates cross-team standardization of preprocessing steps (e.g., NPCA filter, HMR motion correction) and analysis parameters (frequency band, time windows) to ensure reproducibility.
- Involves adaptation considerations when applying the protocol to different participant populations, tasks, or neural regions of interest.
- Limited by the need for careful channel selection (e.g., channel five in the motor coordination condition) and condition-specific interpretation to avoid false positives.
