מאמר שיטה

מדידת זרימת המידע הכיווני בנתוני fNIRS-Hyperscanning באמצעות שיטת הקוהרנטיות של התמרת גלים חלקית

DOI:

10.3791/62927

⸱

3 בספטמבר 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

במאמר זה

סיכום

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

פרוטוקול זה מתאר קוהרנטיות של התמרת גלים חלקית (pWTC) לחישוב התבנית המפגרת בזמן של סנכרון עצבי בין-אישי (INS) כדי להסיק את הכיוון ואת התבנית הזמנית של זרימת המידע במהלך אינטראקציה חברתית. היעילות של pWTC בהסרת הבלבולים של תיקון אוטומטי של אותות ב- INS הוכחה על ידי שני ניסויים.

תקציר

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

אינטראקציה חברתית היא בעלת חשיבות מכרעת עבור בני האדם. בעוד שגישת ה-hyperscanning שימשה באופן נרחב לחקר סנכרון עצבי בין-אישי (INS) במהלך אינטראקציות חברתיות, ספקטרוסקופיה פונקציונלית של כמעט אינפרה-אדום (fNIRS) היא אחת הטכניקות הפופולריות ביותר לאינטראקציות חברתיות היפר-סקרניות נטורליסטיות בגלל הרזולוציה המרחבית הגבוהה יחסית שלה, לוקליזציה אנטומית קולית וסובלנות גבוהה במיוחד של תוצרי תנועה. מחקרי hyperscanning קודמים המבוססים על fNIRS מחשבים בדרך כלל INS מפגר בזמן באמצעות קוהרנטיות התמרת גלים (WTC) כדי לתאר את הכיוון ואת התבנית הטמפורלית של זרימת מידע בין פרטים. עם זאת, התוצאות של שיטה זו עשויות להיות מבלבלות על ידי אפקט ההתאמה האוטומטית של אות ה- fNIRS של כל אדם. כדי להתמודד עם בעיה זו, הוצגה שיטה המכונה קוהרנטיות התמרת גלים חלקית (pWTC), שמטרתה להסיר את אפקט ההתאמה האוטומטית ולשמור על הרזולוציה הגבוהה של הספקטרום הזמני של אות ה- fNIRS. במחקר זה, ניסוי סימולציה בוצע תחילה כדי להראות את היעילות של pWTC בהסרת ההשפעה של התאמה אוטומטית על INS. לאחר מכן, הוצעה הדרכה שלב אחר שלב על פעולת ה- pWTC בהתבסס על מערך הנתונים fNIRS מניסוי אינטראקציה חברתית. בנוסף, נערכה השוואה בין שיטת ה-pWTC לבין שיטת ה-WTC המסורתית לבין שיטת ה-pWTC לבין שיטת הסיבתיות של גריינג'ר (GC). התוצאות הראו כי ניתן להשתמש ב-pWTC כדי לקבוע את ההבדל ב-INS בין תנאי ניסוי שונים לבין התבנית הכיוונית והזמנית של INS בין פרטים במהלך אינטראקציות חברתיות נטורליסטיות. יתר על כן, הוא מספק רזולוציה טמפורלית ותדר טובה יותר מאשר WTC המסורתי וגמישות טובה יותר מאשר שיטת GC. לפיכך, pWTC הוא מועמד חזק להסקת הכיוון והדפוס הזמני של זרימת המידע בין פרטים במהלך אינטראקציות חברתיות נטורליסטיות.

מבוא

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

אינטראקציה חברתית היא בעלת חשיבות מכרעת עבור בני האדם 1,2. להבנת המנגנון הנוירו-קוגניטיבי הדו-מוחי של אינטראקציה חברתית, גישת ה-hyperscanning נמצאת לאחרונה בשימוש נרחב, ומראה כי דפוסי הסנכרון העצבי הבין-אישי (INS) יכולים לאפיין היטב את תהליך האינטראקציה החברתית 3,4,5,6,7,8,9,10,11,12 ,13,14. בין המחקרים האחרונים, ממצא מעניין הוא שהבדל התפקידים של אנשים בדיאדה עשוי להוביל לדפוס מפגר בזמן של INS, כלומר, INS מתרחש כאשר הפעילות המוחית של אדם אחד מפגרת אחרי זו של אדם אחר בשניות, כמו זו של מאזינים לדוברים 5,9, ממנהיגים לעוקבים4, ממורים לתלמידים8, מאמהות לילדיםבני 13,15, ומנשים לגברים בזוג רומנטי6. והכי חשוב, יש התאמה טובה בין המרווח של ה- INS המפגר בזמן לבין זה של התנהגויות אינטראקציה חברתית, כגון בין מורים השואלים לבין תלמידים שעונים8 או בין התנהגויות הורות של אמהות לבין התנהגויות ציות של ילדים15. לפיכך, INS מפגר בזמן עשוי לשקף זרימת מידע כיוונית מאדם אחד למשנהו, כפי שהוצע במודל היררכי עדכני לתקשורת מילולית בין-אישית16.

בעבר, ה-INS המפגר בזמן חושב בעיקר על אות הספקטרוסקופיה האינפרה-אדומה (fNIRS) הפונקציונלית בגלל הרזולוציה המרחבית הגבוהה יחסית שלו, לוקליזציה אנטומית קולית וסובלנות גבוהה במיוחד של ממצאי תנועה17 כאשר חוקרים אינטראקציות חברתיות נטורליסטיות. יתר על כן, כדי לאפיין במדויק את ההתאמה בין פיגור הזמן העצבי לבין פיגור הזמן ההתנהגותי במהלך אינטראקציה חברתית, חיוני להשיג את כוח ה- INS עבור כל פיגור זמן (למשל, מפיגור ללא זמן לפיגור זמן של 10 שניות). לשם כך, בעבר, הליך קוהרנטיות התמרת הגל (WTC) יושם באופן נרחב לאחר הסטת האות המוחי של אדם אחד קדימה או אחורה ביחס לזה של אדם אחר 5,6,18. בעת שימוש בהליך WTC מסורתי זה עבור אותות fNIRS, קיים אתגר פוטנציאלי מכיוון שה- INS המפגר בזמן שנצפה עשוי להיות מבולבל על ידי אפקט ההתאמה האוטומטית של אות ה- fNIRS עבור 19,20,21 בודד. לדוגמה, במהלך תהליך אינטראקציה חברתית דיאדית, האות של משתתף A בנקודת זמן t עשוי להיות מסונכרן עם זה של משתתף B באותה נקודת זמן. בינתיים, האות של משתתף A בנקודת זמן t עשוי להיות מסונכרן עם זה של משתתף A בנקודת זמן מאוחרת יותר t+1 בגלל אפקט ההתאמה האוטומטית. לכן, INS מפגר בזמן עשוי להתרחש בין האות של משתתף A בנקודת הזמן t לבין זה של משתתף B בנקודת הזמן t+1.

מיהנוביץ' ועמיתיו22 הציגו תחילה שיטה שנקראה קוהרנטיות של התמרת גלים חלקית (pWTC), ולאחר מכן יישמו אותה במדעי הים23,24. המטרה המקורית של שיטה זו הייתה לשלוט ברעש המבלבל האקסוגני כאשר מעריכים את הקוהרנטיות של שני אותות. כאן, כדי לטפל בבעיית ההתאמה האוטומטית בנתוני ה-hyperscanning של fNIRS, שיטת ה-pWTC הורחבה כדי לחשב INS מפגר בזמן על אות ה-fNIRS. במדויק, ניתן לחשב INS מפגר בזמן (וזרימת מידע כיוונית) ממשתתף א' למשתתף ב' באמצעות המשוואה שלהלן (משוואה 1)23.

figure-introduction-1

כאן, ההנחה היא כי ישנם שני אותות, A ו - B, ממשתתפים A ו- B, בהתאמה. המופע של אות B תמיד קודם לזה של אות A עם השהיית זמן של n, כאשר WTC (At, Bt+n) הוא ה-WTC המסורתי המפגר בזמן. WTC (At, At+n) הוא WTC הקשור אוטומטית במשתתף A. WTC (At, Bt) הוא ה-WTC המיושר בזמן בנקודת הזמן t בין משתתף A ל-B. * הוא אופרטור המצומד המרוכב (איור 1A).

figure-introduction-2
איור 1: סקירה כללית של pWTC. (א) ההיגיון של ה-pWTC. ישנם שני אותות A ו-B, בתוך דיאדה. המופע של A תמיד עוקב אחר זה של B עם פיגור n. תיבה אפורה היא חלון wavelet בנקודת זמן מסוימת t או t+n. בהתבסס על משוואת pWTC (המיוצגת באיור), יש לחשב שלושה WTCs: WTC המפגר בזמן של At+n ו- Bt; WTC הקשור אוטומטית במשתתף A של At ו- At+n; וה-WTC המיושר בזמן בנקודת הזמן t, At ו-Bt. (ב) הפריסה של ערכות בדיקה אופטודיות. CH11 הוצב ב- T3, ו- CH25 הוצב ב- T4 בעקבות מערכת 10-20 הבינלאומית 27,28. אנא לחץ כאן כדי להציג גרסה גדולה יותר של נתון זה.

פרוטוקול זה הציג לראשונה ניסוי סימולציה כדי להדגים עד כמה ה-pWTC פותר את אתגר ההתאמה האוטומטית. לאחר מכן, הוא הסביר כיצד לנהל pWTC בצורה שלב אחר שלב בהתבסס על ניסוי אמפירי של אינטראקציות חברתיות נטורליסטיות. כאן נעשה שימוש בהקשר תקשורתי כדי להציג את השיטה. הסיבה לכך היא שבעבר, ה- INS המפגר בזמן חושב בדרך כלל בהקשר תקשורת נטורליסטי 3,4,6,6,8,13,15,18. בנוסף, נערכה גם השוואה בין ה-pWTC לבין ה-WTC המסורתי ואימות עם בדיקת הסיבתיות של גריינג'ר (GC).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

פרוטוקול הניסוי האנושי אושר על ידי מועצת הביקורת המוסדית וועדת האתיקה של מעבדת מפתח המדינה למדעי המוח הקוגניטיביים ולמידה באוניברסיטת בייג'ינג הרגילה. כל המשתתפים נתנו הסכמה מדעת בכתב לפני תחילת הניסוי.

1. ניסוי הסימולציה

  1. צור שתי סדרות זמן של אותות המתואמים זה עם זה, כאשר לאות אחד יש תיקון אוטומטי בהשהיית זמן של 4 שניות. הגדר את מקדם המתאם של r בין שני האותות ל- 0.4.
  2. יתר על כן, ליצור שתי סדרות זמן של אותות ללא כל מתאם אלא עם תיקון אוטומטי באות אחד.
  3. חשב ערכים של INS מסורתי בפיגור זמן של 4 שניות עם משוואה 2 בהתבסס על האותות שנוצרו עם או בלי מתאם, אשר ניתן לכנות INSWTC מפגר בזמן עם תיקון אוטומטי ו- INSWTC בסיסי מפגר בזמן עם התאמה אוטומטית.
    הערה: כאן, ה-WTC המסורתי המפגר בזמן מבוטא על ידי המשוואה הבאה (משוואה 2)25
    figure-protocol-1
    כאשר, C מציין את אופרטור התמרת הגל הרציף בקני מידה שונים i ונקודות זמן t. S מציין את אופרטור ההחלקה. * מציין את אופרטור הצמדה המרוכב. W ו-M מציינים שתי סדרות זמן בודדות של אותות.
  4. הסר תיקון אוטומטי מהאותות שנוצרו. לאחר מכן, חשב את הערכים של INSWTC מסורתי בפיגור זמן של 4 שניות עם משוואה 2 בהתבסס על האותות שנוצרו עם או בלי מתאם, אשר ניתן לכנות INSWTC מפגר בזמן ללא תיקון אוטומטי ו- INSWTC בסיסי מפגר בזמן ללא התאמה אוטומטית.
  5. חשב את הערכים של pWTC מפגר בזמן של 4 שניות עם משוואה 3 בהתבסס על האותות שנוצרו עם או בלי מתאם, הנקראים INSpWTC מפגר בזמן ו- INSpWTC בסיסי מפגר בזמן.
    הערה: ניתן לחשב את ה- pWTC בהתבסס על המשוואה הבאה (משוואה 3)23
    figure-protocol-2
    כאשר, WTC (Wt, Mt+n) הוא ה-WTC המסורתי המפגר בזמן. WTC (Mt, Mt+n) הוא WTC הקשור אוטומטית של אדם אחד. WTC (Wt, Mt) הוא WTC מיושר בזמן. * הוא אופרטור ההצמדה המורכב.
  6. חזור על ההליכים לעיל 1000 פעמים.
  7. לאחר חיסור ה-INS הבסיסי, השווה את התוצאות של INSWTC מפגר בזמן עם תיקון אוטומטי, INSWTC מפגר בזמן ללא תיקון אוטומטי, ו- INSpWTC מפגר בזמן באמצעות שיטת הניתוחים של שונות (ANOVA).
    הערה: כאן, צפוי כי ה- INSWTC המפגר בזמן עם תיקון אוטומטי יהיה גבוה משמעותית מה- INSWTC המפגר בזמן ללא התאמה אוטומטית לבין ה- INSpWTC המפגר בזמן, ולא צפוי הבדל משמעותי בין ה- INSWTC המפגר בזמן ללא תיקון אוטומטי לבין ה- INSpWTC המפגר בזמן.

2. הניסוי האמפירי

  1. משתתפים ונוהל
    1. גייסו משתתפים מתאימים.
      הערה: במחקר זה, עשרים ושניים זוגות של חברים קרובים מהמין השני (גיל ממוצע של נשים = 20.95, סטיית תקן (SD) = 1.86; גיל ממוצע של גברים = 20.50, SD = 1.74) גויסו באמצעות פרסום מסטודנטים לתואר ראשון באוניברסיטאות בבייג'ינג. כל המשתתפים היו ימניים והיו בעלי ראייה תקינה או מתוקנת לנורמלית. יתר על כן, לאף אחד מהמשתתפים לא היו הפרעות שפה, נוירולוגיות או פסיכיאטריות.
    2. בקשו מכל זוג משתתפים לשבת פנים אל פנים במהלך הניסוי. בקשו מהם לתקשר בחופשיות על נושא תומך במפגש אחד ועל נושא קונפליקט בפגישה השנייה.
      הערה: הנושאים שימשו כדי לעורר את הערכיות הרגשית החיובית או השלילית המיועדת. כל מפגש תקשורת נמשך 10 דקות, וסדר הנושאים היה מאוזן.
    3. בקש מהמשתתפים לדווח על הנושאים התומכים ועל הנושאים המתנגשים ככלל הגדרה סטנדרטי. בקשו מכל אחד מבני הזוג לדרג את רמת הערכיות החיובית או השלילית שעשויה הייתה להיות מושרית בסולם נקודות מוגדר. לאחר מכן, דרג את הנושאים המדווחים לפי הדירוג.
      הערה: בעבודה זו, הנושאים נבחרו בשלושת השלבים הבאים. ראשית, עבור הנושאים התומכים, כל משתתף נדרש לדווח על 1-3 נושאים אישיים הקשורים למה שהוא / הוא רצה לשפר בחייו. כל משתתף נדרש לדווח על 1-3 מקרים שגרמו או היו גורמים לסכסוך ביניהם או שעלולים לסכן את הקשר שלהם לנושאי הסכסוך. שנית, כל אחד מבני הזוג נדרש לדרג את רמת הערכיות החיובית או השלילית שכל נושא עשוי לגרום בסולם של 7 נקודות (1 = בכלל לא, ו-7 = הרבה מאוד). שלישית, הנושאים המדווחים דורגו לפי הדירוג. שני הנושאים הראשונים ברשימת הנושאים התומכים ונושאי הקונפליקט נבחרו.
  2. איסוף נתונים fNIRS
    1. השתמש במערכת טופוגרפיית fNIRS בת 26 ערוצים (ראה טבלת חומרים) כדי לאסוף נתוני fNIRS.
      הערה: שתי בדיקות אופטודיות מותאמות אישית כיסו את הקורטיזים המצחיים, הטמפורליים והקודקודיים הדו-צדדיים (איור 1B).
    2. בדיוק, בקשו מכל משתתף לחבוש כובע עם שתי ערכות בדיקה מותאמות אישית (ראו טבלת חומרים).
    3. יישרו את הנאסיון, האיניון והמסטואידים של האוזן עם Fpz, Opz, T7 ו-T8, שהם ציוני דרך אופייניים של מערכת בינלאומית 10-2026.
    4. יישור ערוץ (CH) 11 עד T3 ו- CH25 עד T4 בעקבות מערכת 10-20 הבינלאומית עבור שתי ערכות הגשושיות27,28.
    5. אמת את המיקומים האנטומיים של ערכות בדיקה על-ידי סריקת נתוני הדמיית תהודה מגנטית (MRI) ממשתתף טיפוסי עם רצף מגנטיזציה מהיר משוקלל T1 ברזולוציה גבוהה המוכן לשיפוע-הד מהיר (TR = 2530 אלפיות השנייה; TE = 3.39 אלפיות השנייה; זווית היפוך = 7°; עובי פרוסה = 1.3 מ"מ; גודל voxel = 1.3 x 1 x 1.3 מ"מ).
    6. השתמש במיפוי פרמטרי סטטיסטי 12 (SPM12) כדי לנרמל את התמונה למרחב קואורדינטות סטנדרטי של מכון ההדמיה של מונטריאול (קואורדינטות MNI)29. לאחר מכן, השתמש בארגז הכלים NIRS_SPM (ראה טבלת חומרים) כדי להקרין את קואורדינטות ה-MNI של הגשושיות לתבנית התווית האנטומית האוטומטית (AAL).
    7. אסוף את נתוני הצפיפות האופטית של אור כמעט אינפרה-אדום בשלושה אורכי גל (780, 805 ו-830 ננומטר) בקצב דגימה של 55.6 הרץ (פרמטרים של ברירת מחדל של ציוד).
    8. בדוק את איכות האות באמצעות תוכנת ציוד מובנית של מערכת טופוגרפיה fNIRS (ראה טבלת חומרים).
    9. התחל בהקלטת אותות.
      הערה: כמה פרוטוקולים שפורסמו הדגימו כיצד לאסוף אותות fNIRS עם ציוד ומערכות שונים 30,31,32.
  3. עיבוד מקדים של נתוני fNIRS
    1. ייצא את קבצי הנתונים מהציוד.
      הערה: בניסוי הנוכחי, התוכנה המובנית המירה באופן אוטומטי נתוני צפיפות כל-אופטיים לשינויי ריכוז אוקסיהמוגלובין (HbO) בהתבסס על חוק באר-למברט שהשתנה.
    2. הסר את 15 השניות הראשונות והאחרונות של הנתונים עבור כל הפעלה כדי למנוע תגובות חולפות.
    3. השתמש בפונקציה המובנית MATLAB כדי להקטין את דגימת הנתונים מ- 55.6 הרץ ל- 11.1 הרץ.
      הערה: תבניות ספקטרום ההספק בין 55.6 הרץ ל-11.1 הרץ דומות למדי (איור משלים 1).
    4. השתמש בפונקציית היישום המובנית MATLAB (Homer3, ראה טבלת חומרים) עם פונקציית סינון מתאימה כדי להחיל את שיטת מסנן הטרנספורמציה של wavelet בדיד כדי לתקן תוצרי תנועה.
    5. השתמש בפונקציה המובנית של MATLAB pca כדי להסיר רעש פיזיולוגי גלובלי. הסר את 80% העליונים של השונות מהאותות.
    6. הסר רעש פיזיולוגי על סמך מחקרים קודמים33. בדיוק, הסר את רצועות התדרים של כל אות מעל 0.7 הרץ כדי למנוע כינוי של רעש פיזיולוגי בתדר גבוה (למשל, פעילות לבבית).
    7. לאחר מכן, הסר את רצועות התדרים של כל אות מתחת ל- 0.01 הרץ כדי לסנן תנודות בתדר נמוך מאוד.
    8. לבסוף, הסר את רצועות התדרים של כל אות בטווח של 0.15-0.3 הרץ כדי לא לכלול את ההשפעה הפוטנציאלית של הפעילות הנשימתית.
  4. עיבוד נתונים fNIRS ברמה הראשונה
    1. ראשית, חשב INS באמצעות WTC מסורתי (INSWTC).
      הערה: כאן, דפוס מפגר בזמן בהנחיית נשים של INSWTC נחזה להתרחש בין הפעילות המוחית של נשים לבין זו של גברים מכיוון שמחקרים קודמים הציעו תפקידים שונים של נשים וגברים במהלך שיחהשל 34,35. ה-WTC המסורתי חישב את הדפוס הזה של INSWTC על ידי הסטת הפעילות המוחית של גברים לאחור ביחס לזו של נשים (ראו משוואה 2).
    2. חשב את הערך INSWTC המפגר של 2 s בהנהגת נשים לאחר הסרת 2 s הראשונים של נתונים מנשים ואת 2 השניות האחרונות של נתונים מגברים עם משוואה 2. באופן דומה, לאחר הסרת 2 השניות הראשונות של נתונים מגברים ו-2 השניות האחרונות של נתונים מנשים, חישבו את ערך ה-INSWTC המפגר של 2 s בהנחיית גברים עם משוואה 4.
      הערה: כאן נעשה שימוש בפונקציית הקוהרנטיות, שהיא פונקציה מובנית של ארגז הכלים wavelet של MATLAB (ראו טבלת חומרים).
    3. חזור על הליך זה עם השהיות זמן שונות n, כלומר, n = 2 s, 4 s, 6 s, 8 s בכל זוגות CH פוטנציאליים (למשל, CH2 בנשים ו- CH10 בגברים, 676 זוגות בסך הכל). בנוסף, חשב את החוזק של INSWTC מפגר בזמן בהנהגת גברים באותו אופן (משוואה 4).
      figure-protocol-3
    4. שנית, חשב INS באמצעות pWTC (INSpWTC).
      הערה: pWTC חושב על בסיס משוואה 3. החישוב של INSpWTC חזר על עצמו עם פיגורים שונים בזמן n, כלומר n = 2 s, 4 s, 6 s, 8 s, 8 s בכל זוגות הערוצים הפוטנציאליים (למשל, CH2 בנשים ו- CH10 בגברים, 676 זוגות בסך הכל). בנוסף, כוחו של ה-INSpWTC המפגר בזמן בהנהגת הגברים חושב באותו אופן (משוואה 5).
      figure-protocol-4
    5. צור סדרות זמן בפיגור בזמן של אותות fNIRS בפיגורים שונים בזמן.
    6. חשב את הערכים של WTC המפגר בזמן בפיגורים שונים בזמן.
    7. צור סדרות זמן מותאמות אוטומטית של אותות fNIRS בפיגורים שונים בזמן. כדי לחשב את הערך של 2 s-autocorrelated לגברים, הסר את 2 השניות הראשונות של הנתונים מהגברים ואת הנתונים של 2 השניות האחרונות מהגברים.
    8. חשב את ערכי WTC הקשורים אוטומטית בפיגורים שונים בזמן.
    9. צור סדרות זמן מיושרות בזמן של אותות fNIRS בפיגורי זמן שונים. כדי לחשב את ה- WTC המיושר בזמן של 2 s, הסר את 2 s הראשונים של נתונים מהגברים ואת 2 s הראשונים של הנתונים של הנשים.
    10. חשב את ערכי WTC המיושרים בזמן.
    11. הזן WTC מיושר בזמן, WTC מפגר בזמן וערכי WTC מתואמים אוטומטית בפיגור זמן שונה למשוואה 3 ומשוואה 5 - המשוואה של pWTC, תוך יצירת INSpWTC.
    12. לבסוף, חשב INS באמצעות שיטת GC (INSGC).
      הערה: כדי לאמת עוד יותר את שיטת pWTC ולהעריך את יתרונותיה וחסרונותיה, INS מבוסס GC חושב באמצעות שיטת GC (INSGC).
    13. בהתבסס על תוצאת pWTC, bandpass מסנן את אות ה-HbO של כל אדם ב-SMC (כלומר, 0.4-0.6 הרץ, ראה תוצאות מייצגות).
    14. בצע בדיקת GC (ארגז כלים אקונומטרי, MATLAB) בתוך כל דיאדה בנושאים התומכים והקונפליקטיים בנפרד.
      הערה: ארבע קבוצות של ערכי F מתקבלות עבור INSGC: (1) מנשים לגברים בנושא התומך (W2M_supp); (2) מגברים לנשים בנושא התומך (M2W_supp); (3) מנשים לגברים בנושא הסכסוך (W2M_conf); ו-(4) מגברים לנשים בנושא הסכסוך (M2 W_conf). ערכי ה- F משמשים לאינדקס ה- INSGC.
  5. עיבוד נתונים fNIRS ברמה השנייה
    1. טרנספורמציה של INS עם טרנספורמציית פישר-z, ולאחר מכן INS ממוצע בממד הזמני.
      הערה: כאן, טרנספורמציית פישר-z נערכה באמצעות סקריפט MATLAB מותאם אישית עם משוואה 636:
      figure-protocol-5
      כאשר, r הוא הערך של WTC או pWTC, ו-z הוא הערך המותמר פישר-z של WTC או pWTC.
    2. עבור ה-INS הממוצע בכל השהיה בזמן, ערכו מבחן t זוגי של שתי דגימות (תומך לעומת התנגשות) על כל זוג CH על פני טווח התדרים. לאחר מכן, זהה את כל אשכולות התדרים המשמעותיים (P < 0.05).
    3. בצע בדיקת פרמוטציה מבוססת אשכולות כדי לקבוע סף לתוצאות.
      1. להקצות מחדש את היחסים הדיאדיים על ידי הקצאה אקראית של המשתתפים לזוגות חדשים של שני חברים, כלומר, המשתתפים בדיאדה שמעולם לא תקשרו זה עם זה. חשבו מחדש את ה-INS בכל השהיה בזמן, בצעו שוב בדיקות t זוגיות בדגימה החדשה וזיהו שוב אשכולות תדרים משמעותיים.
      2. בחר את האשכול עם ערך ה- t המסוכם הגדול ביותר. חזור על ההליכים לעיל 1000 פעמים כדי ליצור התפלגות Null של ערכי t מרביים של תוצאות חיוביות שגויות.
        הערה: ההתפלגות משמשת כרמת הסיכוי. שיעור השגיאה המשפחתית (FWER) נשלט ב- q = 0.05, כלומר רק 5% העליונים של התפלגות האפס של ערכי t חיוביים כוזבים עוברים את הסף (R*).
      3. השווה את ערך ה- t המסוכם של כל אשכול תדרים מזוהה במדגם המקורי עם התפלגות האפס כדי לקבל תוצאות סטטיסטיות מובהקות.
    4. ערכו ניתוח הקשר (תומך, קונפליקט) x כיוון (נשים לגברים, גברים לנשים) של שונות (ANOVA) כדי לבחון את ההבדל בכיוון ה-INS בין מצבים שונים (כלומר, נושאים) (עמ' < 0.05).
    5. ערכו בדיקת t דו-זנב דו-זנבית זוגית בין התוצאות של WTC (Wt, Mt + n) ו-WTC (Mt, Mt + n) כדי לבחון את ההשפעה הפוטנציאלית של תיקון אוטומטי על INS.
      הערה: ה- INS של WTC (Mt, Mt + n) משקף תיקון אוטומטי.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

תוצאות סימולציה
התוצאות הראו כי ה-INSWTC המפגר בזמן עם תיקון אוטומטי היה גבוה משמעותית מה-INSWTC המפגר בזמן ללא תיקון אוטומטי (t(1998) = 4.696, p < 0.001) ו-INSpWTC מפגר בזמן (t(1998) = 5.098, p < 0.001). בנוסף, לא היה הבדל משמעותי בין INSWTC מפגר בזמן ללא תיקון אוטומטי לבין INSpWTC (t(1998) = 1.573, p = 0.114, איור 2A). תוצאות אלה מצביעות על כך ש-pWTC יכול להסיר ביעי...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

במחקרי hyperscanning, זה בדרך כלל חיוני כדי לתאר את הדפוסים הכיווניים והזמניים של זרימת מידע בין פרטים. רוב מחקרי ההיפר-סריקה הקודמים של fNIRS השתמשו ב-WTC25 המסורתי כדי להסיק את המאפיינים הללו על ידי חישוב ה-INS המפגר בזמן. עם זאת, מכיוון שאחת התכונות המהותיות של ה-fNIRS מאותתתעל 20,21, אפקט התיקון האוטומטי עשוי לבלבל את ה-INS המפגר בזמן. כדי לטפל בבעיה זו, בפרוטוקול כאן, הוצגה שיטה המכונה pWTC22. שיטה זו מעריכה את...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחברים מצהירים על היעדר אינטרסים כלכליים מתחרים.

תודות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

עבודה זו נתמכה על ידי הקרן הלאומית למדעי הטבע של סין (61977008) ותוכנית הכישרונות הצעירים של עשרת אלפים כישרונות מהשורה הראשונה.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
מערכת טופוגרפיה fNIRSShimadzu CorporationShimadzu מערכת LABNIRS מערכת LABNIRSמכילה 40 פולטים ו-40 גלאים למדידת אותות fNIRS. בפרוטוקול זה השתמשנו בפולטים ובגלאים אלה, יצרנו שתי ערכות בדיקה מותאמות אישית של 26 ערוצים וחוברו לשני כובעים המתאימים למערכת 10-20. יתר על כן, מערכת LABNIRS מכילה גם תוכנות GUI מובנות לבדיקת איכות נתונים, המרת נתונים וייצוא נתונים.
MATLABThe MathWorks, Inc.MATLAB 2019aבפרוטוקול זה נעשה שימוש במספר ארגזי כלים ופונקציות ב-MATLAB:ארגז הכלים של
SPM12 שימש לנורמליזציה של נתוני ה-MRI המאומתים באמצעות ממשק המשתמש הגרפי שלו.ארגז הכלים
NIRS_SPM שימש להקרנת קואורדינטות ה-MNI של הבדיקות לתבנית AAL באמצעות ה-GUI.
ארגז הכלים של Homer3 שימש להסרת חפצי תנועה באמצעות הפונקציה שלו hmrMotionCorrectWavelet עם פרמטרי ברירת מחדל.
Wavelet ארגז הכלים שימש לחישוב WTC ו-pWTC באמצעות קוהרנטיות הפונקציות שלו.
סורק MRI סורקSiemens HealthineersTRIO 3-Teslaבפרוטוקול זה, סורק ה-MRI שימש להשגת קואורדינטות MNI של כל ערוץ ו-optpde. פרמטרי הסריקה מתוארים בטקסט הראשי.
כובעים מותאמיםבפרוטוקול זה, סימנו תחילה שני כובעי ניילון עם מערכת 10-20. לאחר מכן, יצרנו שתי ערכות בדיקות אופטודה מותאמות אישית של 26 ערוצים. לבסוף, חיברנו ערכות בדיקות לכובעים המיושרים עם ציוני דרך.
אישית

מקורות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

מאמרים קשורים