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

L'iperscansione è un metodo promettente per descrivere la relazione tra gli individui e che in questo studio trova la sincronizzazione neurale tra gli individui. E la domanda più importante è identificare chi si sta sincronizzando con chi. E il metodo che proponiamo qui è quello di identificare la direzione del flusso di informazioni tra gli individui.

Rispetto ad altri metodi, il vantaggio più significativo di questo metodo è quello di rimuovere i vari fattori confondenti dalla sincronizzazione neurale. Ad esempio, l'autocorrelazione in ogni segnale. E nel frattempo, possiamo mantenere l'alta risoluzione anatomica spaziale di ogni segnale.

Avviare la pre-elaborazione dei dati esportando la concentrazione di emoglobina cambia i file di dati dall'apparecchiatura e trasmettendo i file al formato leggibile MATLAB. Quindi, rimuovi il primo e gli ultimi 15 secondi dei dati per ogni sessione per evitare risposte transitorie e utilizza la funzione integrata MATLAB decimate per eseguire il downsampling dei dati da 55,6 hertz a 11,1 hertz. Per correggere gli artefatti di movimento, applicate il metodo del filtro di trasformazione wavelet discreta con la funzione di filtraggio appropriata.

Utilizzare la funzione INTEGRATA PCA per rimuovere il rumore fisiologico globale. Quindi, rimuovere l'80% superiore della varianza dai segnali. Dopo aver rimosso i primi due secondi di dati dalle donne e gli ultimi due secondi di dati dagli uomini, calcola il valore INS WTC guidato da due secondi ritardati guidato dalle donne con l'equazione.

Allo stesso modo, dopo aver rimosso i primi due secondi di dati dagli uomini e gli ultimi due secondi di dati dalle donne, calcolare il valore INS WTC guidato da due secondi ritardati dagli uomini. Ripeti la procedura con diversi ritardi temporali, N, come N equivale a quattro o sei o otto secondi, attraverso le potenziali coppie 676 CH e calcola la forza di donne e uomini guidati da donne e uomini time-lag INS WTC con l'equazione come descritto prima. Calcola INS pWTC usando pWTC allo stesso modo usando l'equazione.

Generare la serie temporale ritardata dei segnali fNIRS tra uomini e donne e calcolare i valori del WTC time-lag in diversi intervalli di tempo. Genera serie temporali autocorrelate di segnali fNIRS maschili rimuovendo i primi due secondi e gli ultimi due secondi dei dati dagli uomini. Quindi, calcola il valore autocorrelato di due secondi per gli uomini.

Quindi, valutare i valori WTC autocorrelati in diversi intervalli di tempo. Allo stesso modo, crea una serie temporale allineata nel tempo dei segnali fNIRS rimuovendo i primi due secondi di dati dagli uomini e dalle donne. Quindi, calcola i due secondi del WTC allineati al tempo.

Quindi, valuta i valori WTC allineati nel tempo in diversi ritardi temporali. Inserisci i valori WTC allineati nel tempo, WTC ritardata nel tempo e WTC autocorrelazionati in diversi intervalli di tempo nelle equazioni di pWTC, generando INS pWTC. Nell'elaborazione dei dati fNIRS di secondo livello, rimuovere il rumore fisiologico e le bande di frequenza di ciascun segnale superiore a 0,7 hertz.

Quindi, rimuovere le bande di frequenza di ciascun segnale al di sotto di 0,01 hertz e entro 0,15-0,3 hertz per filtrare le fluttuazioni di frequenza molto basse. Trasforma INS con la trasformazione Z di Fisher e quindi media INS alla dimensione temporale. Per l'INS medio ad ogni ritardo temporale, eseguire un t-test accoppiato a due campioni su ciascuna coppia CH in tutta la gamma di frequenze.

Quindi, identificare tutti i cluster di frequenza significativi. Riassegna le relazioni diadiche assegnando casualmente i partecipanti a nuove coppie di due membri, come i partecipanti di una diade che non avevano mai comunicato tra loro. Eseguire un test di permutazione basato su cluster per stabilire una soglia per i risultati.

Ricalcola l'INS in ogni intervallo di tempo. Eseguire t-test accoppiati nel nuovo campione e identificare cluster di frequenza significativi. Quindi, selezionare il cluster con il valore T sommato più grande prima di ripetere le procedure 1.000 volte per generare una distribuzione null dei valori T massimi falsi positivi.

Confrontare il valore T sommato di ciascun cluster di frequenza identificato nel campione originale con la distribuzione null per ottenere risultati statistici significativi. Nello studio è stata condotta un'analisi di simulazione. L'analisi rappresentativa illustra che il WTC INS time-lag con autocorrelazione era significativamente più alto del WTC INS time-lag senza autocorrelazione e TIME-lag INS pWTC.

Inoltre, non vi è stata alcuna differenza significativa tra il WTC INS ritardato nel tempo senza autocorrelazione e INS pWTC, indicando l'efficienza di pWTC nel rimuovere l'impatto dell'effetto di autocorrelazione su INS. Un effetto marginale significativo del contesto è stato osservato entro 0,4-0,6 hertz, che degli uomini è rimasto indietro rispetto a quello delle donne di quattro secondi. Al contrario, per INS pWTC, è stato osservato solo un effetto di contesto significativo entro 0,4-0,6 hertz quando il sensore e l'attività della corteccia motoria degli uomini sono rimasti indietro rispetto a quella delle donne di quattro secondi.

L'INS direzionale da donna a uomo era significativamente più alto nei contesti di conflitto che nei contesti di supporto. I risultati di INS pWTC sono stati convalidati con il metodo di causalità Granger. I risultati hanno mostrato che INS GC ha mostrato un modello simile a INS pWTC.

L'INS direzionale calcolato dall'analisi di causalità di Granger da donna a uomo era significativamente più alto nei contesti di conflitto rispetto ai contesti di supporto. Dopo aver calcolato la sincronizzazione neurale utilizzando questo metodo, è anche possibile condurre molti altri metodi. Ad esempio, possiamo confrontare questo flusso di informazioni direzionali tra diversi contesti di connessione sociale e la connessione sociale in diverse relazioni sociali.

Inoltre, è possibile comprendere il contributo di diversi comportamenti di comunicazione alla sincronizzazione neurale. Ad esempio, che si tratti di comunicazione verbale o comunicazione non verbale gioca un ruolo più importante nella sincronizzazione neurale.