Articolo metodologico

Misurazione del flusso di informazioni direzionali in fNIRS-Hyperscanning Data utilizzando il metodo partial Wavelet Transform Coherence

DOI:

10.3791/62927

⸱

3 settembre 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

In questo articolo

Sommario

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

Questo protocollo descrive la coerenza della trasformazione wavelet parziale (pWTC) per calcolare il modello time-lag della sincronizzazione neurale interpersonale (INS) per dedurre la direzione e il modello temporale del flusso di informazioni durante l'interazione sociale. L'efficacia di pWTC nel rimuovere i confondimenti dell'autocorrelazione del segnale su INS è stata dimostrata da due esperimenti.

Abstract

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

L'interazione sociale è di vitale importanza per gli esseri umani. Mentre l'approccio di iperscansione è stato ampiamente utilizzato per studiare la sincronizzazione neurale interpersonale (INS) durante le interazioni sociali, la spettroscopia funzionale nel vicino infrarosso (fNIRS) è una delle tecniche più popolari per l'iperscansione delle interazioni sociali naturalistiche a causa della sua risoluzione spaziale relativamente elevata, della localizzazione anatomica del suono e della tolleranza eccezionalmente elevata degli artefatti di movimento. Precedenti studi di iperscansione basati su fNIRS di solito calcolano un INS ritardato nel tempo utilizzando la coerenza della trasformata wavelet (WTC) per descrivere la direzione e il modello temporale del flusso di informazioni tra gli individui. Tuttavia, i risultati di questo metodo potrebbero essere confusi dall'effetto di autocorrelazione del segnale fNIRS di ciascun individuo. Per affrontare questo problema, è stato introdotto un metodo chiamato coerenza di trasformazione wavelet parziale (pWTC), che mirava a rimuovere l'effetto di autocorrelazione e mantenere l'elevata risoluzione dello spettro temporale del segnale fNIRS. In questo studio, è stato eseguito prima un esperimento di simulazione per dimostrare l'efficacia del pWTC nel rimuovere l'impatto dell'autocorrelazione sull'INS. Quindi, è stata offerta una guida passo-passo sul funzionamento del pWTC basata sul set di dati fNIRS da un esperimento di interazione sociale. Inoltre, è stato effettuato un confronto tra il metodo pWTC e il metodo WTC tradizionale e quello tra il metodo pWTC e il metodo di causalità Granger (GC). I risultati hanno mostrato che il pWTC potrebbe essere utilizzato per determinare la differenza INS tra diverse condizioni sperimentali e il modello direzionale e temporale di INS tra gli individui durante le interazioni sociali naturalistiche. Inoltre, fornisce una migliore risoluzione temporale e di frequenza rispetto al WTC tradizionale e una migliore flessibilità rispetto al metodo GC. Pertanto, pWTC è un forte candidato per dedurre la direzione e il modello temporale del flusso di informazioni tra gli individui durante le interazioni sociali naturalistiche.

Introduzione

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

L'interazione sociale è di vitale importanza per gli esseri umani 1,2. Per comprendere il meccanismo neurocognitivo dual-cerebrale dell'interazione sociale, l'approccio di iperscansione è stato recentemente ampiamente utilizzato, dimostrando che i modelli di sincronizzazione neurale interpersonale (INS) possono ben caratterizzare il processo di interazione sociale 3,4,5,6,7,8,9,10,11,12 ,13,14. Tra gli studi recenti, una scoperta interessante è che la differenza di ruolo degli individui in una diade può portare a un modello ritardato di INS, cioè INS si verifica quando l'attività cerebrale di un individuo è in ritardo rispetto a quella di un altro individuo di secondi, come quella dagli ascoltatori agli oratori 5,9, dai leader ai seguaci4, dagli insegnanti agli studenti8, dalle madri ai bambini13,15, e dalle donne agli uomini in una coppia romantica6. Ancora più importante, c'è una buona corrispondenza tra l'intervallo dell'INS ritardato nel tempo e quello dei comportamenti di interazione sociale, come tra insegnanti che interrogano e studenti che rispondonoa 8 o tra comportamenti genitoriali delle madri e comportamenti di conformità dei bambini15. Pertanto, l'INS ritardato nel tempo può riflettere un flusso di informazioni direzionali da un individuo all'altro, come proposto in un recente modello gerarchico per la comunicazione verbale interpersonale16.

In precedenza, l'INS time-lag veniva calcolato principalmente sul segnale funzionale della spettroscopia nel vicino infrarosso (fNIRS) a causa della sua risoluzione spaziale relativamente elevata, della localizzazione anatomica del suono e della tolleranza eccezionalmente elevata degli artefatti di movimento17 quando si studiano le interazioni sociali naturalistiche. Inoltre, per caratterizzare con precisione la corrispondenza tra il time lag neurale e il time lag comportamentale durante l'interazione sociale, è essenziale ottenere la forza INS per ogni time lag (ad esempio, da nessun time lag a un time lag di 10 s). A tale scopo, in precedenza, la procedura di coerenza della trasformazione wavelet (WTC) era ampiamente applicata dopo aver spostato il segnale cerebrale di un individuo in avanti o indietro rispetto a quello di un altroindividuo 5,6,18. Quando si utilizza questa procedura WTC tradizionale per i segnali fNIRS, c'è una potenziale sfida perché l'INS time-lag osservato può essere confuso dall'effetto di autocorrelazione del segnale fNIRS per un singolo 19,20,21. Ad esempio, durante un processo di interazione sociale diadica, il segnale del partecipante A al punto temporale t può essere sincronizzato con quello del partecipante B nello stesso punto temporale. Nel frattempo, il segnale del partecipante A al punto temporale t può essere sincronizzato con quello del partecipante A in un punto temporale successivo t + 1 a causa dell'effetto di autocorrelazione. Pertanto, può verificarsi un INS spurio ritardata nel tempo tra il segnale del partecipante A al punto temporale t e quello del partecipante B al punto temporale t + 1.

Mihanović e i suoi colleghi22 hanno prima introdotto un metodo chiamato coerenza parziale della trasformata wavelet (pWTC), e poi lo hanno applicato nelle scienze marine23,24. Lo scopo originale di questo metodo era quello di controllare il rumore esogeno confondente quando si stima la coerenza di due segnali. Qui, per risolvere il problema dell'autocorrelazione nei dati di iperscansione fNIRS, il metodo pWTC è stato esteso per calcolare INS time-lag sul segnale fNIRS. Precisamente, un INS ritardato nel tempo (e un flusso di informazioni direzionali) dal partecipante A al partecipante B può essere calcolato utilizzando l'equazione seguente (Equazione 1)23.

figure-introduction-1

Qui, si presume che ci siano due segnali, A e B, dai partecipanti A e B, rispettivamente. Il verificarsi del segnale B precede sempre quello del segnale A con un time lag di n, dove wtC (At, Bt+n) è il tradizionale WTC time-lag. WTC (At, At + n) è il WTC autocorrediato nel partecipante A. WTC (At, Bt) è il WTC allineato nel tempo al punto temporale t tra il partecipante A e B. * è l'operatore coniugato complesso (Figura 1A).

figure-introduction-2
Figura 1: Panoramica di pWTC. (A) La logica del pWTC. Ci sono due segnali A e B, all'interno di una diade. L'occorrenza di A segue sempre quella di B con un ritardo n. Una scatola grigia è una finestra wavelet in un determinato punto temporale t o t + n. Sulla base dell'equazione pWTC (rappresentata nella figura), è necessario calcolare tre WTC: il WTC ritardato nel tempo di At + n e Bt; il WTC autocorrelato nei partecipanti A di At e At+n; e il WTC allineato al tempo al timepoint t, At e Bt. B) Il layout dei set di sonde optodiche. CH11 è stato collocato a T3 e CH25 è stato posizionato a T4 seguendo il sistema internazionale 10-20 27,28. Fare clic qui per visualizzare una versione più grande di questa figura.

Questo protocollo ha introdotto per la prima volta un esperimento di simulazione per dimostrare quanto bene il pWTC risolve la sfida dell'autocorrelazione. Quindi, ha spiegato come condurre pWTC in un modo passo-passo basato su un esperimento empirico di interazioni sociali naturalistiche. Qui, un contesto di comunicazione è stato utilizzato per introdurre il metodo. Questo perché, in precedenza, l'INS time-lag veniva solitamente calcolato in un contesto di comunicazione naturalistica 3,4,6,8,13,15,18. Inoltre, è stato condotto anche un confronto tra il pWTC e il WTC tradizionale e la convalida con il test di causalità Granger (GC).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

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

Il protocollo di esperimento umano è stato approvato dall'Institutional Review Board e dal Comitato Etico dello State Key Laboratory of Cognitive Neuroscience and Learning presso l'Università Normale di Pechino. Tutti i partecipanti hanno dato il consenso informato scritto prima dell'inizio dell'esperimento.

1. L'esperimento di simulazione

  1. Genera due serie temporali di segnali correlati tra loro, con un segnale che ha autocorrelazione a un ritardo di 4 s. Impostare il coefficiente di correlazione di r tra i due segnali su 0,4.
  2. Inoltre, genera due serie temporali di segnali senza alcuna correlazione ma con autocorrelazione in un segnale.
  3. Calcola i valori dei tradizionali INS time-lag di 4 s con l'equazione 2 in base ai segnali generati con o senza correlazione, che possono essere denominati INSWTC time-lag con autocorrelazione e INSWTC di base ritardata nel tempo con autocorrelazione.
    NOTA: Qui, il tradizionale WTC time-lag è espresso dalla seguente equazione (Equazione 2)25
    figure-protocol-1
    dove, C denota l'operatore di trasformazione wavelet continua a scale diverse i e punti temporali t. S indica l'operatore di levigatura. * denota l'operatore coniugato complesso. W e M indicano due singole serie temporali di segnali.
  4. Rimuovere la correzione automatica dai segnali generati. Quindi, calcola i valori del tradizionale INSWTC time-lag 4 s con l'equazione 2 in base ai segnali generati con o senza correlazione, che possono essere denominati INSWTC time-lag senza autocorrelazione e INSWTC di base ritardata nel tempo senza autocorrelazione.
  5. Calcola i valori di 4 s pWTC time-lag con l'equazione 3 in base ai segnali generati con o senza correlazione, denominati TIME-lag INSpWTC e time-lag baseline INSpWTC.
    NOTA: il pWTC può essere calcolato in base alla seguente equazione (equazione 3)23
    figure-protocol-2
    dove, WTC (Wt, Mt +n) è il tradizionale WTC time-lag. WTC (Mt, Mt + n) è il WTC autocorrelato di un individuo. WTC (Wt, Mt) è il WTC allineato nel tempo. * è l'operatore coniugato complesso.
  6. Ripetere le procedure di cui sopra 1000 volte.
  7. Dopo aver sottratto l'INS di base, confrontare i risultati delWTC INS time-lag con autocorrelazione, INSWTC time-lag senza autocorrelazione e TIME-lag INSpWTC utilizzando il metodo delle analisi della varianza (ANOVA).
    NOTA: Qui, si prevede che ilWTC INS time-lag con autocorrelazione sarà significativamente superiore al TIME-lag INSWTC senza autocorrelazione e al time-lag INSpWTC, e non si prevede alcuna differenza significativa tra il TIME-lag INSWTC senza autocorrelazione e il time-lag INSpWTC.

2. L'esperimento empirico

  1. Partecipanti e procedura
    1. Reclutare partecipanti appropriati.
      NOTA: In questo studio, ventidue coppie di amici stretti di sesso opposto (età media delle donne = 20,95, deviazione standard (SD) = 1,86; età media degli uomini = 20,50, SD = 1,74) sono state reclutate attraverso la pubblicità da studenti universitari delle università di Pechino. Tutti i partecipanti erano destrimani e avevano una visione normale o corretta a quella normale. Inoltre, nessun partecipante aveva disturbi del linguaggio, neurologici o psichiatrici.
    2. Chiedi a ogni coppia di partecipanti di sedersi faccia a faccia durante l'esperimento. Chiedi loro di comunicare liberamente su un argomento di supporto in una sessione e su un argomento di conflitto nell'altra sessione.
      NOTA: Gli argomenti sono stati utilizzati per indurre la valenza emotiva positiva o negativa prevista. Ogni sessione di comunicazione durava 10 minuti e l'ordine degli argomenti era controbilanciato.
    3. Chiedi ai partecipanti di riferire sugli argomenti di supporto e di conflitto come regola di impostazione standard. Chiedi a ciascun partner di valutare il livello di valenza positivo o negativo che potrebbe essere stato indotto su una scala di punti definita. Quindi, classifica gli argomenti segnalati in base alla valutazione.
      NOTA: in questo lavoro, gli argomenti sono stati selezionati con i seguenti tre passaggi. In primo luogo, per gli argomenti di supporto, ogni partecipante è stato tenuto a segnalare 1-3 problemi personali relativi a ciò che voleva migliorare nella sua vita. Ogni partecipante era tenuto a segnalare 1-3 casi che avevano indotto o avrebbero indotto conflitti tra loro o che avrebbero potuto mettere in pericolo la loro relazione per gli argomenti di conflitto. In secondo luogo, a ciascun partner è stato richiesto di valutare il livello di valenza positiva o negativa che ogni argomento potrebbe indurre su una scala a 7 punti (1 = per niente e 7 = molto). In terzo luogo, gli argomenti segnalati sono stati classificati in base alla valutazione. Sono stati selezionati i primi due argomenti nell'elenco degli argomenti di supporto e degli argomenti di conflitto.
  2. Raccolta dati fNIRS
    1. Utilizzare il sistema di topografia fNIRS a 26 canali (vedere Tabella dei materiali) per raccogliere i dati fNIRS.
      NOTA: due set di sonde optodiche personalizzate coprivano le cortecce bilaterali frontali, temporali e parietali (Figura 1B).
    2. Precisamente, chiedi a ciascun partecipante di indossare un berretto con due set di sonde personalizzati (vedi Tabella dei materiali).
    3. Allineare i mastoidi nasion, inion e ear con Fpz, Opz, T7 e T8, che sono punti di riferimento tipici del sistema internazionale 10-2026.
    4. Allineare il canale (CH) 11 a T3 e CH25 a T4 seguendo il sistema internazionale 10-20 per i due set di sonde27,28.
    5. Convalidare le posizioni anatomiche dei set di sonde scansionando i dati di risonanza magnetica (MRI) di un partecipante tipico con una sequenza di eco a gradiente rapido preparata per magnetizzazione T1 ad alta risoluzione (TR = 2530 ms; TE = 3,39 ms; angolo di inversione = 7°; spessore fetta = 1,3 mm; dimensione voxel = 1,3 x 1 x 1,3 mm).
    6. Utilizzare statistical parametric mapping 12 (SPM12) per normalizzare l'immagine nello spaziostandard 29 delle coordinate dell'istituto di imaging di Montreal (coordinate MNI). Quindi, utilizzare la casella degli strumenti NIRS_SPM (vedere Tabella dei materiali) per proiettare le coordinate MNI delle sonde nel modello di etichettatura anatomica automatizzata (AAL).
    7. Raccogliere i dati di densità ottica della luce nel vicino infrarosso a tre lunghezze d'onda (780, 805 e 830 nm) a una frequenza di campionamento di 55,6 Hz (parametri predefiniti dell'apparecchiatura).
    8. Testare la qualità del segnale utilizzando il software integrato del sistema di topografia fNIRS (vedere Tabella dei materiali).
    9. Inizia la registrazione del segnale.
      NOTA: Alcuni protocolli pubblicati hanno dimostrato come raccogliere segnali fNIRS con varie apparecchiature e sistemi 30,31,32.
  3. Pre-elaborazione dei dati fNIRS
    1. Esportare i file di dati dall'apparecchiatura.
      NOTA: Nell'esperimento corrente, il software integrato ha convertito automaticamente i dati di densità ottica in variazioni di concentrazione di ossiemoglobina (HbO) in base alla legge di Beer-Lambert modificata.
    2. Rimuovere il primo e l'ultimo 15 s di dati per ogni sessione per evitare risposte transitorie.
    3. Utilizza la funzione integrata MATLAB decimate per eseguire il downsampling dei dati da 55,6 Hz a 11,1 Hz.
      NOTA: i modelli di spettro di potenza tra 55,6 Hz e 11,1 Hz sono abbastanza simili (Figura supplementare 1).
    4. Utilizza la funzione di applicazione MATLAB integrata (Homer3, vedi Tabella dei materiali) con la funzione di filtraggio appropriata per applicare il metodo del filtro di trasformazione wavelet discreta per correggere gli artefatti di movimento.
    5. Utilizza la funzione integrata MATLAB pca per rimuovere il rumore fisiologico globale. Rimuovere l'80% superiore della varianza dai segnali.
    6. Rimuovere il rumore fisiologico sulla base degli studi precedenti33. Precisamente, rimuovere le bande di frequenza di ciascun segnale superiore a 0,7 Hz per evitare l'aliasing del rumore fisiologico ad alta frequenza (ad esempio, attività cardiaca).
    7. Quindi, rimuovere le bande di frequenza di ciascun segnale al di sotto di 0,01 Hz per filtrare le fluttuazioni di frequenza molto basse.
    8. Infine, rimuovere le bande di frequenza di ciascun segnale entro 0,15-0,3 Hz per escludere il potenziale impatto dell'attività respiratoria.
  4. Elaborazione dati fNIRS di primo livello
    1. Innanzitutto, calcola INS utilizzando il WTC tradizionale (INSWTC).
      NOTA: Qui, è stato previsto che si verifichi un modello time-lag guidato dalle donne delWTC INS tra l'attività cerebrale delle donne e quella degli uomini perché studi precedenti hanno suggerito ruoli diversi di donne e uomini durante una conversazione 34,35. Il WTC tradizionale ha calcolato questo modello di INSWTC spostando l'attività cerebrale degli uomini all'indietro rispetto a quella delle donne (vedi Equazione 2).
    2. Calcola il valore INSWTC 2 s-lag guidato dalle donne dopo aver rimosso i 2 s iniziali di dati dalle donne e gli ultimi 2 s di dati dagli uomini con l'equazione 2. Allo stesso modo, dopo aver rimosso i 2 s iniziali di dati dagli uomini e gli ultimi 2 s di dati dalle donne, calcolare il valore INSWTC 2 s-lag guidato dagli uomini con l'equazione 4.
      NOTA: Qui è stata utilizzata la funzione wcoherence, che è una funzione integrata del toolbox wavelet di MATLAB (vedere Tabella dei materiali).
    3. Ripeti questa procedura con diversi intervalli di tempo n, cioè n = 2 s, 4 s, 6 s, 8 s su tutte le potenziali coppie CH (ad esempio, CH2 nelle donne e CH10 negli uomini, 676 coppie in totale). Inoltre, calcola la forza del TIME-lag INSWTC guidato dagli uomini allo stesso modo (Equazione 4).
      figure-protocol-3
    4. In secondo luogo, calcolare INS utilizzando pWTC (INSpWTC).
      NOTA: pWTC è stato calcolato in base all'equazione 3. Il calcolo di INSpWTC è stato ripetuto con diversi ritardi temporali n, cioè n = 2 s, 4 s, 6 s, 8 s su tutte le potenziali coppie di canali (ad esempio, CH2 nelle donne e CH10 negli uomini, 676 coppie in totale). Inoltre, la forza del time-lag INSpWTC guidato dagli uomini è stata calcolata allo stesso modo (Equazione 5).
      figure-protocol-4
    5. Genera serie temporali ritardate di segnali fNIRS in diversi intervalli di tempo.
    6. Calcola i valori del WTC time-lag in diversi ritardi temporali.
    7. Genera serie temporali autocorrelate di segnali fNIRS a diversi intervalli di tempo. Per calcolare il valore 2 s-autocor correlato per gli uomini, rimuovere i primi 2 s di dati dagli uomini e gli ultimi 2 s dati dagli uomini.
    8. Calcola i valori WTC autocorrenziali in diversi ritardi temporali.
    9. Genera serie temporali allineate nel tempo di segnali fNIRS a diversi intervalli di tempo. Per calcolare il WTC allineato nel tempo di 2 s, rimuovere i primi 2 s di dati dagli uomini e i primi 2 s di dati delle donne.
    10. Calcola i valori WTC allineati nel tempo.
    11. Inserisci i valori WTC allineati nel tempo, WTC ritardati nel tempo e WTC autocorrepati in diversi intervalli di tempo nell'equazione 3 e nell'equazione 5, l'equazione di pWTC, generando INSpWTC.
    12. Infine, calcola INS utilizzando il metodo GC (INSGC).
      NOTA: Per convalidare ulteriormente il metodo pWTC e valutarne i vantaggi e gli svantaggi, l'INS basato su GC è stato calcolato utilizzando il metodo GC (INSGC).
    13. In base al risultato pWTC, il passabanda filtra il segnale HbO di ogni individuo all'SMC (cioè 0,4-0,6 Hz, vedi Risultati rappresentativi).
    14. Condurre separatamente un test GC (Econometric toolbox, MATLAB) all'interno di ciascuna diade negli argomenti di supporto e conflitto.
      NOTA: per INSGC si ottengono quattro gruppi di valori F: (1) da donne a uomini sull'argomento di supporto (W2M_supp); (2) dagli uomini alle donne sul tema di supporto (M2W_supp); (3) dalle donne agli uomini sul tema del conflitto (W2M_conf); e (4) dagli uomini alle donne sul tema del conflitto (M2 W_conf). I valori F vengono utilizzati per indicizzare l'INSGC.
  5. Elaborazione dati fNIRS di secondo livello
    1. Trasforma INS con la trasformazione Fisher-z e quindi media INS nella dimensione temporale.
      NOTA: Qui, la trasformazione di Fisher-z è stata condotta utilizzando uno script MATLAB personalizzato con l'equazione 636:
      figure-protocol-5
      dove, r è il valore del WTC o pWTC, e z è il valore trasformato fisher-z del WTC o pWTC.
    2. Per l'INS medio ad ogni intervallo di tempo, condurre un t-test accoppiato a due campioni (supporto vs conflitto) su ciascuna coppia CH in tutta la gamma di frequenze. Quindi, identificare tutti i cluster di frequenza significativi (P < 0,05).
    3. Eseguire un test di permutazione basato su cluster per stabilire una soglia per i risultati.
      1. Riassegnare le relazioni diadiche assegnando casualmente i partecipanti a nuove coppie a due membri, cioè i partecipanti di una diade che non avevano mai comunicato tra loro. Ricalcolare l'INS ad ogni ritardo temporale, eseguire nuovamente i t-test accoppiati nel nuovo campione e identificare nuovamente i cluster di frequenza significativi.
      2. Selezionare il cluster con il valore t sommato più grande. Ripetere le procedure precedenti 1000 volte per generare una distribuzione null dei valori t massimi falsi positivi.
        NOTA: la distribuzione viene servita come livello di possibilità. Il tasso di errore familiare (FWER) è controllato a q = 0,05, il che significa che solo il 5% superiore della distribuzione nulla dei valori t falsi positivi supera la soglia (R*).
      3. Confrontare il valore t sommato di ciascun cluster di frequenze identificato nel campione originale con la distribuzione null per ottenere risultati statistici significativi.
    4. Condurre un contesto (di supporto, conflitto) x direzione (da donne a uomini, da uomini a donne) analisi della varianza (ANOVA) per testare la differenza nella direzione INS tra diverse condizioni (cioè argomenti) (p < 0,05).
    5. Condurre un t-test a due code accoppiato a due campioni tra i risultati del WTC (Wt, Mt + n) e del WTC (Mt, Mt + n) per testare il potenziale impatto dell'autocorrelazione sull'INS.
      NOTA: L'INS del WTC (Mt, Mt + n) riflette l'autocorrelazione.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

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

Risultati della simulazione
I risultati hanno mostrato che il TIME-lag INSWTC con autocorrelazione era significativamente superiore al TIME-lag INSWTC senza autocorrelazione (t(1998) = 4.696, p < 0.001) e time-lag INSpWTC (t(1998) = 5.098, p < 0.001). Inoltre, non vi è stata alcuna differenza significativa tra INSWTC ritardato nel tempo senza autocorrelazione e INSpWTC (t (1998) = 1.573, p = 0.114...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

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

Negli studi di iperscansione, di solito è essenziale descrivere i modelli direzionali e temporali del flusso di informazioni tra gli individui. La maggior parte dei precedenti studi di iperscansione fNIRS hanno utilizzato il tradizionale WTC25 per dedurre queste caratteristiche calcolando l'INS time-lag. Tuttavia, come una delle caratteristiche intrinseche del segnale fNIRS20,21, l'effetto di autocorrelazione potrebbe confondere l'INS time...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

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

Gli autori non dichiarano interessi finanziari concorrenti.

Ringraziamenti

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

Questo lavoro è stato sostenuto dalla National Natural Science Foundation of China (61977008) e dal Young Top Notch Talents of Ten Thousand Talent Program.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Sistema di topografia fNIRSShimadzu CorporationSistema Shimadzu LABNIRS Il sistemaLABNIRS contiene 40 emettitori e 40 rivelatori per la misurazione dei segnali fNIRS. In questo protocollo abbiamo utilizzato questi emettitori e rivelatori, creato due set di sonde personalizzati a 26 canali e collegati a due cappucci secondo il sistema 10-20. Inoltre, il sistema LABNIRS contiene anche software GUI integrati per il controllo della qualità dei dati, la conversione dei dati e l'esportazione dei dati.
MATLABMathWorks, Inc.MATLAB 2019aIn questo protocollo, sono stati utilizzati diversi toolbox e funzioni in MATLAB:
Il toolbox SPM12 è stato utilizzato per normalizzare i dati MRI convalidati attraverso la sua GUI.
NIRS_SPM toolbox è stato utilizzato per proiettare le coordinate MNI delle sonde sul modello AAL attraverso la sua GUI.
Homer3 toolbox è stato utilizzato per rimuovere gli artefatti di movimento attraverso la sua funzione hmrMotionCorrectWavelet con parametri predefiniti.
Wavelet toolbox è stato utilizzato per calcolare WTC e pWTC attraverso la sua funzione wcoherence.
Scanner MRISiemens HealthineersTRIO Scanner 3-TeslaIn questo protocollo, lo scanner MRI è stato utilizzato per ottenere le coordinate MNI di ciascun canale e optpde. I parametri di scansione sono descritti nel testo principale.
tappiIn questo protocollo, abbiamo prima contrassegnato due tappi in nylon con sistema 10-20. Quindi, abbiamo realizzato due set di sonde optodiche personalizzate a 26 canali. Infine, abbiamo attaccato set di sonde ai cappucci allineati con i punti di riferimento.
personalizzati

Riferimenti

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

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Sincronizzazione neuralecausalit di Grangerinterazione socialeconcentrazione di emoglobinacorrezione degli artefatti da movimentotest di permutazione dei cluster

Articoli correlati