Name: Nouveau cadre pour la compréhension de la cohérence intercérébrale dans les études d’hyperbalayage par spectroscopie fonctionnelle dans le proche infrarouge (fNIRS) (Vidéo) | JoVE Journal
Uploaded: 2023-10-06T14:15:00.000+00:00
Duration: 5 min 59 s
Description: Découvrez une méthode d'analyse de la directionnalité du couplage cérébral en hyperscanning fNIRS utilisant la transformée en ondelettes. Cette approche distingue la synchronisation en phase et en opposition pour mieux comprendre les interactions sociales.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

playerTrialDesktop

Nous tenons à remercier Yafeng Pan pour le soutien apporté par la Fondation nationale des sciences naturelles de Chine (n° 62207025), le projet de recherche en sciences humaines et sociales du ministère de l’Éducation de la Chine (n° 22YJC190017) et les fonds de recherche fondamentale pour les universités centrales.

L’étude a été menée à la Florida Atlantic University (FAU) et a été approuvée par le FAU Institutional Review Board (IRB).
1. Utilisation du logiciel Homer3 (Table of Materials) pour effectuer le prétraitement des données d’hyperbalayage fNIRS
NOTE : Homer3 est une application MATLAB qui analyse les données fNIRS pour obtenir des estimations et des cartes de l’activation cérébrale29. Homer3 peut être téléchargé et installé à partir du lien suivant (https://openfnirs.org/software/homer/).
<ol><li>Ouvrez MATLAB et accédez au dossier dans lequel les fichiers .nirs bruts sont enregistrés. Sélectionnez et ouvrez le dossier.</li>
	<li>Tapez Homer3 dans la fenêtre de commande de MATLAB pour lancer l’interface graphique d’Homer3 . Homère3. détectera les fichiers .nirs et demandera à être convertis au format .snirf (un format de fichier universel permettant de stocker et de partager des données NIRS indépendamment de tout format de fichier spécifique à une application tel que MATLAB) pour procéder au prétraitement des données.</li>
	<li>Après avoir importé les fichiers .nirs au format .snirf dans Homer3, cliquez sur l’option Outils dans l’interface graphique d’Homer3 et sélectionnez Modifier le flux de traitement.</li>
	<li>Dans l’interface graphique de ProcStreamEdit , sélectionnez les étapes de prétraitement de la colonne Fonction de registre vers la colonne Flux de traitement actuel en cliquant sur Ajouter. Les étapes de prétraitement incluses sont les suivantes :<ol><li>Utilisez hmrR_intensity2OD pour convertir les données d’intensité en densité optique.</li>
		<li>Utilisez hmrR_MotionCorrectWavelet pour corriger les artefacts de mouvement à l’aide de la fonction de filtrage appropriée.</li>
		<li>Utilisez hmrR_OD2conc pour convertir les données de DO en concentration.</li>
		<li>Utilisez hmR_BlockAvg pour calculer la moyenne du bloc sur les données de concentration. REMARQUE : La sélection des étapes de prétraitement peut varier en fonction du type de jeu de données.</li>
	</ol></li>
	<li>Pour enregistrer le flux de traitement actuel, cliquez sur l’option Enregistrer , puis quittez l’interface graphique de ProcStreamEdit.</li>
	<li>Pour exécuter le flux de prétraitement dans l’interface graphique principale d’Homer3, cliquez sur l’option EXÉCUTER . Une fois qu’Homer3 a terminé d’exécuter le flux de traitement sélectionné, il enregistre la série chronologique prétraitée pour chaque participant dans un format de fichier .mat contenant Hbo, Hbr et Hbt pour tous les canaux et événements. Un dossier nommé homer output sera créé par Homer3 dans le dossier actuellement sélectionné pour stocker ces fichiers.</li>
	<li>Un dossier nommé dérivés sera créé par Homer3 dans le dossier sélectionné pour stocker ces fichiers. Sélectionnez le dossier homer situé dans le dossier des dérivés. Choisissez le fichier .mat pour chaque cerveau et exportez Hbo, Hbr, Hbt. REMARQUE : Le nom du dossier de sortie créé par Homer3 dépend de la version d’Homer3.</li>
</ol>2. Prise en main de la boîte à outils LeaderFollowerByPhase
<ol><li>Pour analyser le type d’interaction qui se produit dans un enregistrement d’hyperbalayage, utilisez la boîte à outils LeaderFollowerByPhase, comme décrit dans le processus illustré à la figure 3. Dans MATLAB, sélectionnez les fichiers .mat pour chaque cerveau et chargez les données Hbo (ou Hbr) du canal spécifique et de l’événement spécifique dans un vecteur unidimensionnel en tant que signal1 et signal2.</li>
	<li>Dans la ligne de commande MATLAB, définissez les paramètres<ol><li>lowFreq, highFreq : Tapez lowFreq = [faible FOI] et highFreq = [haute FOI]. Les valeurs par défaut sont lowFreq = 0,01 Hz, highFreq = 1 Hz. REMARQUE : Les paramètres des fonctions lowFreq et highFreq définissent la plage de fréquences d’intérêt (FOI). Le WTC calcule la cohérence entre les deux cerveaux à chaque point de temps et à chaque fréquence. Les valeurs de cohérence sont généralement moyennées à l’intérieur d’une FOI particulière.</li>
		<li>Définissez le paramètre phaseRange ; type phaseRange = [plage en degrés]. REMARQUE : La valeur par défaut est phaseRange = 90°. La phase varie entre 0° et 360° en raison de la nature circulaire modulo de la phase. Les plages de phase sont divisées selon une plage qui entoure quatre points. Dans la boîte à outils présentée, une nouvelle approche de classification des interactions asymétriques est présentée (Figure 4) en examinant la directionnalité du couplage à l’aide des valeurs de l’angle de phase en fonction des plages correspondant à la synchronisation décalée avec le signal 1 (une plage autour de −90°) ou le signal 2 (une plage autour de 90°), le signal 1, la synchronisation en phase du signal 2 (une plage autour de 0), et Signal 1, Signal 2 synchronisation antiphase (une plage autour de +180° ou −180°).</li>
		<li>Définissez le paramètre Threshold (Seuil). Tapez threshold = [threshold rsq val]. La valeur par défaut est Threshold = 0. REMARQUE : La boîte à outils permet de spécifier une valeur de cohérence de seuil en spécifiant le paramètre de seuil. Cela permet au chercheur de sélectionner des points temporels avec une valeur de cohérence minimale spécifiée. Par conséquent, seuls les points temporels dont les valeurs de cohérence sont supérieures au seuil spécifié sont pris en compte.</li>
	</ol></li>
	<li>Téléchargez la boîte à outils LeaderFollowerByPhase à partir du lien suivant (https://www.ariel.ac.il/wp/sns/download/ ou https://github.com/Minisharmaa/Leader-Follower-By-Phase).</li>
	<li>Exécutez la fonction MATLAB LeaderFollowerByPhase en entrant la commande cohervalues = LeaderFollowerByPhase(signal1, signal2, lowFreq, highFreq, phaseRange, threshold) dans la ligne de commande. NOTE : Les calculs de cohérence et de phase sont effectués à l’aide des fonctions WTC et XWT de MATLAB, respectivement30.</li>
	<li>Examinez les valeurs de synchronisation en phase, de début de signal 1, de signal 2 et d’antiphase :<ol><li>Inspectez les tracés dans MATLAB. La boîte à outils génère une figure avec quatre tracés.<ol><li>Cohérence par type d’interaction : Inspectez le diagramme à boîtes dans la partie supérieure gauche de la figure, qui montre le R-carré (Rsq) en fonction de chaque type d’interaction (en phase, signal 1 en tête, signal 2 en tête, antiphase). REMARQUE : pour une description détaillée de la fonction intégrée de graphique en boîte MATLAB, consultez le lien suivant (https://www.mathworks.com/help/matlab/ref/boxchart.html).</li>
			<li>Indices centraux par type d’interaction : Inspectez le graphique à barres dans la partie supérieure droite de la figure de sortie, qui affiche la moyenne et la médiane maximales en fonction de chaque type d’interaction (en phase, signal 1 en tête, signal 2 en tête, en phase anti-phase). REMARQUE : pour une description détaillée de la fonction intégrée de la barre MATLAB, consultez le lien suivant (https://www.mathworks.com/help/matlab/ref/bar.html).</li>
			<li>Cohérence dans le temps : inspectez le nuage de points dans la partie inférieure gauche de la figure en sortie, qui affiche les valeurs de cohérence et les types d’interaction au fil du temps. Les points colorés représentent différents types d’interaction (les points noirs représentent la synchronisation en phase, les points gris foncé représentent le signal 1, les points gris clair représentent le signal 2 et les points violets représentent la synchronisation anti-phase). NOTE : La figure montre la dynamique de l’interaction, c’est-à-dire l’échange entre les quatre types d’interaction tout au long de la série à temps plein. Pour une description détaillée de la fonction de dispersion MATLAB, consultez le lien suivant (https://www.mathworks.com/help/matlab/ref/scatter.html).</li>
			<li>Pourcentage de temps : inspectez le graphique circulaire dans la partie inférieure droite de la figure de sortie, qui affiche la division du temps en fonction des différents types d’interactions. REMARQUE : Pour une description détaillée de la fonction de camembert MATLAB, consultez le lien suivant (https://www.mathworks.com/help/matlab/ref/pie.html).</li>
		</ol></li>
	</ol></li>
	<li>Inspectez le tableau de sortie avec les valeurs statistiques (c’est-à-dire moyenne, maximale, médiane et écart-type) pour chaque type d’interaction (synchronisation en phase, signal 1 en tête, signal 2 en tête, synchronisation antiphase). Le tableau présente également le pourcentage de temps pendant lequel chaque type d’interaction s’est produit. Chaque type d’interaction apparaît dans une colonne différente.</li>
	<li>Examinez la valeur de sortie dans le fichier de feuille de calcul extrait (c’est-à-dire datatable.xlsx situé dans le dossier actif).</li>
</ol><img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/65347/65347fig03.jpg"> Figure 3 : Vue d’ensemble du flux de travail. (A) Des dyades mère-enfant se livrant à des jeux libres tout en hyperscannant les données fNIRS ont été collectées. (B) Illustration d’une série chronologique mère-enfant. (C) Prétraitement des séries chronologiques à l’aide d’Homer3. (D,E) L’utilisation d’une boîte à outils pour examiner différents types d’interactions, telles que la synchronisation en phase, la synchronisation antiphase et la synchronisation décalée. <a href="https://www.jove.com/files/ftp_upload/65347/65347fig03large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/65347/65347fig04.jpg"> Figure 4 : Classification de quatre types d’interactions différents en fonction de la phase. Cela représente la différence de phase des deux séries temporelles neuronales dans un modulo à 360°. La différence de phase peut être considérée comme un décalage temporel entre deux valeurs et est mesurée en degrés et en radians ou en fractions de longueur d’onde. Ici, le modulo à 360° est divisé en quatre gammes différentes décrivant quatre phases d’interaction différentes : (A) Signal 1 (une plage d’environ 90°, entre 45° et 135°), (B) synchronisation antiphase entre le signal 1 et le signal 2 (une plage d’environ 180° ou −180°, entre 135 et −135°), (C) Signal 2 (entre −135° et −45°), (D) en phase (plage autour de 0, entre −45° et 45°). Cette division est l’approche par défaut (45° autour de chaque point) ; Cependant, la boîte à outils permet de configurer une division différente. Bien que d’autres configurations ne couvrent pas tout le 360°, elles peuvent donner une définition plus précise de chaque type d’interaction. <a href="https://www.jove.com/files/ftp_upload/65347/65347fig04large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>

Révolutionner les études fNIRS : une nouvelle approche du couplage neuronal

Les auteurs déclarent que la recherche a été menée en l’absence de toute relation commerciale ou financière qui pourrait être interprétée comme un conflit d’intérêts potentiel.

L’une des méthodes les plus couramment utilisées dans les études fNIRS est la cohérence par transformée en ondelettes (WTC), qui est une mesure de la corrélation croisée de deux séries chronologiques en fonction de la fréquence et du temps10. Le WTC calcule la cohérence et le décalage de phase entre deux séries temporelles à l’aide d’analyses corrélationnelles (Fichier supplémentaire 1). Les études d’hyperbalayage FNIRS ont utilisé le WTC pour estimer le SII dans de nombreux domai...

Ces dernières années, il y a eu un changement dans les types d’études menées pour comprendre les bases neuronales du comportement social 1,2. Traditionnellement, les études en neurosciences sociales se sont concentrées sur l’activation neuronale dans un cerveau isolé au cours d’une tâche socialement pertinente. Cependant, les progrès de la technologie de neuroimagerie permettent maintenant d’examiner l’activation neuronale dans le cerveau d’un ou de plusieurs individus lors d’interactions sociales telles qu’elles se produisent dans des contextes « réels »3. Dans des contextes « réels », les individus sont capables de se déplacer librement, et les schémas d’activation cérébrale sont susceptibles de changer au fur et à mesure que les informations sont échangées et que les partenaires sociaux reçoivent un retour d’information les uns des autres4.
L’hyperbalayage est une méthode qui permet d’évaluer cet échange d’informations bidirectionnel en mesurant l’activité cérébrale de deux ou plusieurs individus simultanément5. Un nouveau corpus de recherche a utilisé la spectroscopie fonctionnelle dans le proche infrarouge (fNIRS), une technique de neuroimagerie non invasive qui, par rapport à d’autres techniques de neuroimagerie, est moins sensible aux artefacts de mouvement6. L’hyperbalayage via fNIRS permet d’évaluer la synchronisation intercérébrale (IBS) dans des contextes réels tandis que les partenaires interactifs se déplacent librement et naturellement. Ceci est particulièrement pertinent pour le travail avec les nourrissons et les jeunes enfants, qui ont tendance à être très actifs. Il a été rapporté que le SII reflète la compréhension mutuelle entre les partenaires interactifs, qui sert de fondement à une interaction sociale et à une communication efficaces et sert de médiateur à l’intentionnalité partagée 1,7,8.
Plusieurs méthodes sont utilisées pour évaluer le SCI de deux cerveaux. Ces méthodes comprennent des corrélations de séries chronologiques, telles que la corrélation croisée et le coefficient de corrélation de Pearson 9,10 (voir une étude de Scholkmann et al.10). D’autres méthodes consistent à évaluer la force du couplage dans le domaine fréquentiel. Ces méthodes comprennent la valeur de verrouillage de phase (PLV) et la cohérence de phase (voir une étude de Czeszumski et al.11). L’une des méthodes les plus courantes dans les études fNIRS utilise la cohérence de la transformée en ondelettes (WTC), une mesure de la corrélation croisée de deux séries temporelles en fonction de la fréquence et du temps10.
Le WTC utilise des analyses corrélationnelles pour calculer la cohérence et le décalage de phase entre deux séries temporelles dans le domaine temps-fréquence. Les études d’hyperbalayage FNIRS ont utilisé le WTC pour estimer le SII dans de nombreux domaines de fonctionnement, y compris la surveillance de l’action 12, le comportement coopératif et compétitif 5,13,14,15, l’imitation 16, la résolution de problèmes mère-enfant 17 et le comportement d’enseignement-apprentissage 18,19,20,21 . En règle générale, dans les études d’hyperbalayage, la cohérence intercérébrale, telle que mesurée par le WTC, au cours d’une tâche expérimentale est comparée à la cohérence intercérébrale au cours d’une tâche de contrôle. Ces résultats sont généralement présentés avec un « tracé à chaud » du WTC, qui montre la cohérence entre les deux cerveaux à chaque point temporel et à chaque fréquence (voir Figure 1).
Comme suggéré par Czesumaski et al.11, le WTC est devenu l’approche analytique standard pour l’analyse de l’hyperbalayage fNIRS. L’analyse WTC est une méthode flexible et « indépendante de l’outil » pour la visualisation et l’interprétation des données22. La heatmap du coefficient de cohérence, qui fournit une forme narrative d’analyse permettant d’identifier facilement les périodes de comportement synchrone ou asynchrone ainsi que l’intensité de l’activité cérébrale lors de l’accomplissement d’une tâche, est le principal avantage du WTC et en fait un outil puissant pour la recherche appliquée22. Le WTC a un avantage sur les techniques de corrélation. Les corrélations sont sensibles à la forme de la fonction de réponse hémodynamique (HRF), qui est censée différer d’un individu à l’autre (en particulier en termes d’âge) et d’une région du cerveau à l’autre. En revanche, le WTC n’est pas affecté par les changements interrégionaux dans le (HRF)23. Les chercheurs ont utilisé l’approche par ondelettes pour étudier les séries temporelles d’IRMf. Zhang et al.24 ont comparé les mesures de connectivité fonctionnelle couramment utilisées, y compris la corrélation de Pearson, la corrélation partielle, l’information mutuelle et la transformation de cohérence en ondelettes (WTC). Ils ont mené des expériences de classification en utilisant des modèles de connectivité fonctionnelle à grande échelle dérivés des données d’IRMf à l’état de repos et des données d’IRMf de stimulus naturel de visionnage vidéo. Leurs résultats ont indiqué que le WTC a obtenu les meilleurs résultats en matière de classification (spécificité, sensibilité et précision), ce qui implique que le WTC est une mesure de connectivité fonctionnelle préférable pour l’étude des réseaux cérébraux fonctionnels, du moins dans les applications de classification24.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65347/65347fig01.jpg"> Figure 1 : Cohérence de la transformée en ondelettes (WTC). Le WTC montre la cohérence et l’angle de phase entre deux séries temporelles en fonction du temps (axe des abscisses) et de la fréquence (axe des ordonnées). L’augmentation de la cohérence est représentée par la couleur rouge dans le graphique, et les petites flèches dans le graphique montrent l’angle de phase des deux séries chronologiques. La flèche pointant vers la droite représente la synchronisation en phase ; les flèches pointant vers le bas et vers le haut représentent une synchronisation décalée ; et la flèche pointant vers la gauche représente la synchronisation antiphase30. Cette figure a été adaptée de Pan et al.19. <a href="https://www.jove.com/files/ftp_upload/65347/65347fig01large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
Récemment, Hamilton25 a articulé plusieurs limites à l’interprétation des données de cohérence intercérébrale dans les études d’hyperbalayage fNIRS. L’une des principales préoccupations de Hamilton était que les mesures de cohérence (par exemple, le WTC) ne rapportent que des effets symétriques (c’est-à-dire que deux cerveaux sont corrélés, montrant le même modèle de changement). Cependant, de nombreuses interactions sociales sont asymétriques (par exemple, le flux d’informations entre un locuteur et un auditeur) en ce sens que deux participants peuvent jouer des rôles différents, et il n’est pas clair que le WTC puisse capturer cette information. Ici, cette préoccupation est résolue par un nouveau cadre qui permet une interprétation simple de la puissance des ondelettes croisées en utilisant la phase des ondelettes croisées pour détecter la directionnalité. Ce cadre permettra également d’examiner comment la dynamique des interactions se développe et change tout au long d’une tâche.
Alors que le WTC et les méthodes de corrélation évaluent la connectivité fonctionnelle, d’autres méthodes évaluent la connectivité effective, en tentant d’extraire les influences causales d’un élément neuronal sur un autre. L’entropie de transfert est une mesure du domaine de la théorie de l’information qui décrit le transfert entre des processus dépendants conjoints26. Une autre méthode connexe est l’analyse de causalité de Granger (GCA), qui a été décrite comme équivalente à l’entropie de transfert26.
Dans la littérature existante sur les études d’hyperbalayage fNIRS, l’analyse de causalité de Granger (GCA) a été largement utilisée pour estimer la directionnalité de couplage entre les données de séries temporelles fNIRS obtenues au cours d’une variété de tâches différentes, telles que la coopération5, l’enseignement19 et l’imitation16. GCA utilise des modèles autorégressifs vectoriels pour évaluer la directionnalité du couplage entre les séries temporelles dans les données cérébrales. La causalité de Granger est basée sur la prédiction et la précédence : « on dit d’une variable X qu’elle cause G la variable Y si le passé de X contient l’information qui aide à prédire l’avenir de Y au-delà de l’information déjà présente dans le passé de Y »27. En conséquence, la causalité G est analysée dans deux directions : 1) du sujet A au sujet B et 2) du sujet B au sujet A.
Bien que l’analyse GCA serve d’analyse complémentaire visant à déterminer si une valeur de cohérence élevée obtenue à l’aide d’une fonction WTC reflète une synchronisation IBS ou décalée (un signal entraînant l’autre), elle ne permet pas de déterminer si une synchronisation antiphase s’est produite. Dans les études de neuroimagerie traditionnelles, dans lesquelles un seul participant est scanné (c’est-à-dire l’approche « cerveau unique »), un modèle anti-phase signifie que l’activité dans une région du cerveau est augmentée tandis que l’activité dans l’autre région du cerveau est diminuée28. Dans la littérature sur l’hyperbalayage, la présence d’une synchronisation anti-phase peut suggérer que l’activation neuronale est augmentée chez un sujet, et en même temps, l’activation neuronale est diminuée chez l’autre sujet. Par conséquent, il est nécessaire de fournir un modèle complet capable de détecter la directionnalité. Plus précisément, ce modèle sera capable de détecter la synchronisation anti-phase (dans laquelle la direction de l’activité d’un individu est opposée à celle de son partenaire) en plus de la synchronisation en phase et de la synchronisation décalée.
Pour tenter de répondre à la préoccupation selon laquelle le WTC ne montre que des effets symétriques, où les deux cerveaux présentent le même modèle de changement25, une nouvelle approche pour identifier le type d’interaction en examinant la phase de synchronisation (c’est-à-dire en phase, décalée ou anti-phase) est présentée (voir Figure 2). À cette fin, une boîte à outils utilisant la méthode WTC pour classer les différents types d’interactions a été développée. Les types d’interactions sont classés à l’aide des données de phase relatives issues de l’analyse par transformée en ondelettes croisées.
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/65347/65347fig02.jpg"> Figure 2 : Illustration des différentes relations de phase des ondes sinusoïdales simples. (A) Lorsque les deux signaux, le signal 1 (ligne bleue s) et le signal 2 (ligne oranges), atteignent leurs valeurs maximales, minimales et nulles respectives au même point temporel, on dit qu’ils présentent une synchronisation en phase32. (B) Lorsqu’un signal atteint sa valeur maximale et que l’autre signal atteint une valeur nulle au même point de temps, on dit qu’ils présentent une synchronisation décalée (l’un d’eux mène de 90°)32,33,34. (C) Lorsque deux séries temporelles se déplacent dans des directions opposées, c’est-à-dire qu’un signal atteint le maximum et l’autre atteint la valeur minimale au même point temporel, on parle de synchronisation antiphase28. (D-P) Dans toutes les autres relations de phase entre deux séries temporelles, un signal entraîne l’autre. Dans toutes les phases positives, le signal 2 précède le signal 1 (par exemple, les panneaux E, F, M et N), tandis que dans toutes les phases négatives, le signal 1 précède le signal 2 (par exemple, les panneaux D, G, H, O et P). Notamment, lorsque la valeur absolue de la phase est plus élevée, il devient plus distinctif quelle série temporelle précède l’autre (par exemple, le leadership est plus distinctif dans le panneau J que dans le panneau I, et dans le panneau K, le leadership est plus distinctif que dans le panneau L). <a href="https://www.jove.com/files/ftp_upload/65347/65347fig02large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>

<table><tbody><tr><td>NIRScout&nbsp ; &nbsp ;</td><td>NIRx Medical Technologies, LLC</td><td>n.a.8</td> <td>sources, 8 détecteurs</td></tr><tr><td>MATLAB</td><td>The Mathworks, Inc.</td><td>Matlab 2022a</td><td>Dans ce protocole, plusieurs toolboxes et fonctions buit in MATLAB ont été utilisées : la toolbox HOMER3 a été utilisée pour convertir Intensity en OD, pour supprimer les artefacts de mouvement via sa fonction hmrMotionCorrectWavelet avec les paramètres par défaut et pour convertir OD en Conc. Wavelet Toolbox a été utilisé pour calculer WTC.</td></tr></tbody></table>

nouveau cadre pour la compréhension de la cohérence intercérébrale dans les études d’hyperbalayage par spectroscopie fonctionnelle dans le proche infrarouge (fnirs)

New Framework for Understanding Cross-Brain Coherence in Functional Near-Infrared Spectroscopy (fNIRS) Hyperscanning Studies

Malgré le nombre croissant d’études d’hyperbalayage par spectroscopie fonctionnelle proche infrarouge (fNIRS), l’évaluation du couplage entre deux signaux neuronaux à l’aide de la cohérence de la transformée en ondelettes (WTC) semble ignorer la directionnalité de l’interaction. Le domaine manque actuellement d’un cadre permettant aux chercheurs de déterminer si une valeur de cohérence élevée obtenue à l’aide d’une fonction WTC reflète la synchronisation en phase (c’est-à-dire que l’activation neuronale est observée dans les deux membres de la dyade en même temps), la synchronisation décalée (c’est-à-dire que l’activation neuronale est vue dans un membre de la dyade avant l’autre membre). ou la synchronisation anti-phase (c’est-à-dire que l’activation neuronale est augmentée dans un membre de la dyade et diminuée dans l’autre). Pour répondre à ce besoin, une approche complémentaire et plus sensible d’analyse de la cohérence de phase de deux signaux neuronaux est proposée dans ce travail. La boîte à outils permet aux chercheurs d’estimer la directionnalité du couplage en classant les valeurs d’angle de phase obtenues à l’aide du WTC traditionnel en synchronisation en phase, synchronisation décalée et synchronisation anti-phase. La boîte à outils permet également aux chercheurs d’évaluer comment la dynamique des interactions se développe et change tout au long de la tâche. L’utilisation de cette nouvelle approche du WTC et de la boîte à outils fera progresser notre compréhension des interactions sociales complexes grâce à leur utilisation dans les études d’hyperbalayage fNIRS.

Cette section présente les types d’analyses qui peuvent être effectuées à l’aide de la boîte à outils (téléchargeable à l’https://www.ariel.ac.il/wp/sns/download/ ou au https://github.com/Minisharmaa/Leader-Follower-By-Phase.). Pour ces analyses, on a utilisé des données fNIRS recueillies auprès d’un petit échantillon de dyades nourrisson-parent. Six paires de dyades mère-enfant ont été testées à l’aide d’une tâche comportementale validée, la tâche de jeu libre31, qui se rapproche le plus possible...

La cohérence de la transformée en ondelettes (WTC) est une méthodologie courante d’évaluation du couplage entre les signaux utilisée dans les études d’hyperbalayage par spectroscopie fonctionnelle proche infrarouge (fNIRS). Une boîte à outils permettant d’évaluer la directionnalité de l’interaction du signal est présentée dans ce travail.

Nouveau cadre pour la compréhension de la cohérence intercérébrale dans les études d’hyperbalayage par spectroscopie fonctionnelle dans le proche infrarouge (fNIRS)

Despite the growing body of functional near-infrared spectroscopy (fNIRS) hyperscanning studies, the assessment of coupling between two neural signals ...

De nombreuses études fNIRS se sont concentrées sur la cohérence pour estimer la synchronisation intercérébrale, négligeant les informations de décalage de phase dans le tracé chaud des globules blancs. Ici, une approche plus sensible a été présentée qui estime la directionnalité de couplage, classant la valeur de l’angle de phase comme synchronisation en phase, synchronisation de phase de décalage et synchronisation anti-phase. La réanalyse des résultats précédents à l’aide d’un nouveau cadre proposé offre une compréhension complète de la nature de la synchronisation entre les participants.La différenciation de la synchronisation en phase et de la synchronisation antiphase offre un nouveau niveau de clarté, permettant l’interprétation précise des résultats précédents. Ce cadre peut être appliqué à divers scénarios, tels que l’étude du rôle de la synchronisation interpersonnelle dans le comportement social, la communication et la prise de décision. L’accent mis sur l’application de la théorie de l’artisanat en conjonction avec la boîte à outils de phase développée pour les apnées hyperbalayantes permet de mieux comprendre les différents types de directionnalités observées dans l’int

new-framework-for-understanding-cross-brain-coherence-functional-near

Research

Recherche

JoVE Journal

Neuroscience

Neurosciences

Source : Reindl, V.,  et al. Réalisation d’expériences d’hyperbalayage avec la spectroscopie proche infrarouge fonctionnelle. (2019) Cette vidéo montre l’utilisation de la spectroscopie proche infrarouge fonctionnelle (fNIRS) pour mesurer l’activité cérébrale pendant les interactions sociales. Les participants s’engagent dans une tâche coordonnée qui augmente l’activité dans le cortex préfrontal, une région essentielle au comportement social, tandis que le système détecte les changements...

Spectroscopie fonctionnelle proche infrarouge pour l’enregistrement de l’activité cérébrale pendant les interactions sociales

Le présent protocole décrit comment effectuer des expériences de hyperscanning fNIRS et analyser le cerveau-à-cerveau synchronie. De plus, nous discutons les défis et les solutions possibles.

Des expériences de Hyperscanning avec la spectroscopie proche infrarouge fonctionnelle

Le protocole pour mener des expériences d’hyperscan fNIRS sur des dyades d’apprentissage collaboratif dans un environnement d’apprentissage naturaliste est décrit. En outre, un pipeline pour analyser la synchronisation inter-cerveau (IBS) des signaux d’hémoglobine oxygénée (Oxy-Hb) est présenté.

La synchronisation inter-cerveaux dans l’apprentissage collaboratif ouvert : une étude fNIRS-Hyperscanning

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...

Comment calculer et valider la synchronisation inter-cerveau dans une étude d’hyperscanning fNIRS

Le protocole vise à fournir une description détaillée de la méthodologie de réalisation d’une étude d’hyperbalayage fNIRS en conseil psychologique. Cela comprend les préparatifs de l’expérience, la procédure de collecte des données et le processus d’analyse des données qui s’ensuit.

Étude d’hyperbalayage par spectroscopie proche infrarouge fonctionnelle en conseil psychologique

MazeSuite est un ensemble d'outils complet pour préparer, présenter et analyser des expériences de navigation et spatiale. Fonctionnelle spectroscopie proche infrarouge (fNIR) est une technique d'imagerie optique du cerveau qui permet une surveillance non invasive et portable de changements cérébraux oxygénation du sang. Ce document résume l'utilisation collective de MazeSuite et fNIR au sein d'un paradigme de l'apprentissage du traitement cognitif.

Utiliser MazeSuite et fonctionnelle proche infrarouge pour étudier l&#39;apprentissage de la navigation spatiale

En utilisant des méthodes d'IRM fonctionnelles et comportementales afin de déterminer la représentation neuronale de la valeur subjective des options risquées et ambiguës dans le cerveau humain.

Mesurer la valeur subjective des options risquées et ambiguës l&#39;aide de l&#39;économie expérimentale et fonctionnels des méthodes d&#39;IRM

Approches neuro-imagerie portables (fonctionnels près spectroscopie infrarouge) fournissent des avances à l’étude du cerveau dans des régions jusque-là inaccessibles ; ici, Côte d’Ivoire rurale. L’innovation dans les méthodes et le développement des protocoles de neuroimagerie adaptés permet de nouvelle étude de développement du cerveau et de résultats d’apprentissage des enfants dans des environnements avec l’adversité et significatif de la pauvreté.

Méthodes de champ de la neuro-imagerie utilisation fonctionnelle près Neuroimaging spectroscopie infrarouge (NIRS) pour étudier le développement Global de l’enfant : zones rurales d’Afrique subsaharienne

Ici, nous présentons un protocole qui utilise des colorants quasi-infrarouges en conjonction avec l’immunohistochimie et la numérisation à haute résolution pour les protéines de dosage dans les régions du cerveau.

Utilisation de la fluorescence proche infrarouge et de la numérisation haute résolution pour mesurer l’expression des protéines dans le cerveau des rongeurs

Le présent protocole décrit comment effectuer des enregistrements simultanés de l’EEG et du FNIRS et comment inspecter la relation entre les données EEG et fNIRS.

Conduite d’électroencéphalographie simultanée et d’enregistrements fonctionnels de spectroscopie proche infrarouge avec une tâche de flanker

Découvrez une méthode d'analyse de la directionnalité du couplage cérébral en hyperscanning fNIRS utilisant la transformée en ondelettes. Cette approche distingue la synchronisation en phase et en opposition pour mieux comprendre les interactions sociales.

Nouveau cadre pour la compréhension de la cohérence intercérébrale dans les études d’hyperbalayage par spectroscopie fonctionnelle dans le proche infrarouge (fNIRS) (Vidéo) | JoVE Journal

Nouveau cadre pour la compréhension de la cohérence intercérébrale dans les études d’hyperbalayage par spectroscopie fonctionnelle dans le proche infrarouge (fNIRS)

Explorer plus de vidéos