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

L’hyperscan est une méthode prometteuse pour décrire la relation entre les individus et qui, dans cette étude, trouve une synchronisation neuronale entre les individus. Et la question la plus importante est d’identifier qui se synchronise avec qui. Et la méthode que nous proposons ici est d’identifier la direction du flux d’informations entre les individus.

Par rapport à d’autres méthodes, l’avantage le plus significatif de cette méthode est d’éliminer les différents facteurs de confusion de la synchronisation neuronale. Par exemple, l’autocorrélation dans chaque signal. Et pendant ce temps, nous pouvons maintenir la haute résolution anatomique spatiale de chaque signal.

Démarrez le prétraitement des données en exportant les fichiers de données des modifications de concentration d’hémoglobine de l’équipement et en transmettant les fichiers au format lisible MATLAB. Ensuite, supprimez les 15 première et dernière secondes des données pour chaque session afin d’éviter les réponses transitoires et utilisez la fonction intégrée DE DÉCIMER MATLAB pour sous-échantillonner les données de 55,6 hertz à 11,1 hertz. Pour corriger les artefacts de mouvement, appliquez la méthode de filtre de transformation d’ondelettes discrètes avec la fonction de filtrage appropriée.

Utilisez la fonction intégrée PCA pour éliminer le bruit physiologique global. Ensuite, supprimez les 80 % supérieurs de la variance des signaux. Après avoir supprimé les deux premières secondes de données des femmes et les deux dernières secondes de données des hommes, calculez la valeur INS WTC de deux secondes de retard dirigée par les femmes avec l’équation.

De même, après avoir supprimé les deux premières secondes de données des hommes et les deux dernières secondes des données des femmes, calculez la valeur INS WTC de deux secondes de retard dirigée par les hommes. Répétez la procédure avec différents décalages temporels, N, comme N égal à quatre, six ou huit secondes, sur les paires potentielles de 676 CH et calculez la force de l’INS WTC à retard de temps dirigé par les femmes et les hommes avec l’équation décrite précédemment. Calculez INS pWTC en utilisant pWTC de la même manière en utilisant l’équation.

Générez la série chronologique des signaux fNIRS entre les hommes et les femmes et calculez les valeurs du WTC décalé dans le temps à différents décalages temporels. Générez des séries chronologiques autocorrélées de signaux fNIRS pour hommes en supprimant les deux premières secondes et les deux dernières secondes des données des hommes. Ensuite, calculez la valeur autocorlée de deux secondes pour les hommes.

Ensuite, évaluez les valeurs WTC autocorlées à différents décalages temporels. De la même manière, créez une série chronologique alignée dans le temps des signaux fNIRS en supprimant les deux premières secondes de données des hommes et des femmes. Ensuite, calculez le WTC aligné sur le temps de deux secondes.

Ensuite, évaluez les valeurs WTC alignées dans le temps à différents décalages temporels. Entrez les valeurs WTC alignées dans le temps, WTC décalées dans le temps et WTC autocorrelatedes à différents décalages temporels dans les équations de pWTC, générant INS pWTC. Dans le traitement des données fNIRS de deuxième niveau, supprimez le bruit physiologique et les bandes de fréquences de chaque signal supérieur à 0,7 hertz.

Ensuite, retirez les bandes de fréquences de chaque signal en dessous de 0,01 hertz et entre 0,15 et 0,3 hertz pour filtrer les fluctuations de très basse fréquence. Transformez INS avec la transformation Z de Fisher, puis faites la moyenne d’INS à la dimension temporelle. Pour l’INS moyenné à chaque décalage temporel, effectuez un test t apparié de deux échantillons sur chaque paire CH dans la gamme de fréquences.

Ensuite, identifiez tous les groupes de fréquences significatifs. Réaffecter les relations dyadiques en assignant au hasard les participants à de nouvelles paires de deux membres, comme les participants d’un diad qui n’avait jamais communiqué entre eux. Effectuez un test de permutation en grappe pour établir un seuil pour les résultats.

Recalculez l’INS à chaque décalage temporel. Effectuez des tests t appariés dans le nouvel échantillon et identifiez les grappes de fréquences significatives. Ensuite, sélectionnez le cluster avec la plus grande valeur T additionnée avant de répéter les procédures 1 000 fois pour générer une distribution nulle des valeurs T maximales de faux positifs.

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. Une analyse de simulation a été effectuée dans le cadre de l’étude. L’analyse représentative montre que le WTC INS avec autocorrélation retardé dans le temps était significativement plus élevé que le WTC INS décalé dans le temps sans autocorrélation et le pWTC INS décalé dans le temps.

De plus, il n’y avait pas de différence significative entre l’INS WTC sans autocorrélation retardé et l’INS pWTC, ce qui indique l’efficacité du pWTC pour éliminer l’impact de l’effet d’autocorrélation sur l’INS. Un effet contextuel marginal significatif a été observé entre 0,4 et 0,6 hertz, qui des hommes a pris un retard de quatre secondes sur celui des femmes. En revanche, pour INS pWTC, seul un effet contextuel significatif dans les 0,4 à 0,6 hertz lorsque le capteur et l’activité du cortex moteur des hommes ont été retardés de quatre secondes par rapport à ceux des femmes.

L’INS directionnelle des femmes aux hommes était significativement plus élevée dans les contextes de conflit que dans les contextes favorables. Les résultats de l’INS pWTC ont été validés avec la méthode de causalité de Granger. Les résultats ont montré que l’INS GC présentait un schéma similaire à celui de l’INS pWTC.

L’INS directionnel calculé par l’analyse de causalité de Granger des femmes aux hommes était significativement plus élevé dans les contextes de conflit que dans les contextes favorables. Après avoir calculé la synchronisation neuronale à l’aide de cette méthode, il est également possible d’effectuer de nombreuses autres méthodes. Par exemple, nous pouvons comparer ce flux d’informations directionnelles entre différents contextes de connexion sociale et le lien social dans différentes relations sociales.

Et aussi, il est possible de comprendre la contribution de différents comportements de communication à la synchronisation neuronale. Par exemple, qu’il s’agisse de communication verbale ou non verbale, cela joue un rôle plus important dans la synchronisation neuronale.