방법 논문

부분 웨이블릿 변환 일관성 방법을 사용한 fNIRS-하이퍼스닝 데이터에서 방향 정보 흐름 측정

DOI:

10.3791/62927

⸱

2021년 9월 3일

 ,  , 
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

이 논문에서

요약

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

이 프로토콜은 사회적 상호 작용 동안 정보 흐름의 방향과 시간 패턴을 추론하기 위해 대인 관계 신경 동기화 (INS)의 시간 지연 패턴을 계산하기위한 부분 웨이블릿 변환 일관성 (pWTC)을 설명합니다. INS에 대한 신호 자기상관관계의 혼란을 제거하는 데 있어서 pWTC의 효과는 두 번의 실험에 의해 입증되었다.

초록

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

사회적 상호 작용은 인간에게 매우 중요합니다. 하이퍼 스캐닝 접근법은 사회적 상호 작용 중에 대인 관계 신경 동기화 (INS)를 연구하는 데 광범위하게 사용되었지만 기능적 근적외선 분광법 (fNIRS)은 상대적으로 높은 공간 해상도, 사운드 해부학 적 현지화 및 모션 아티팩트의 예외적으로 높은 내성으로 인해 자연 주의적 사회적 상호 작용을 하이퍼 스캐닝하는 데 가장 널리 사용되는 기술 중 하나입니다. 이전의 fNIRS 기반 하이퍼스닝 연구는 일반적으로 개인 간의 정보 흐름의 방향과 시간 패턴을 설명하기 위해 웨이블릿 변환 일관성 (WTC)을 사용하여 시간 지연 INS를 계산합니다. 그러나, 이 방법의 결과는 각 개인의 fNIRS 신호의 자기상관관계에 의해 혼동될 수 있다. 이 문제를 해결하기 위해 부분 웨이블릿 변환 일관성 (pWTC)이라는 방법이 도입되었는데, 이는 자기 상관 효과를 제거하고 fNIRS 신호의 높은 시간적 스펙트럼 분해능을 유지하는 것을 목표로했습니다. 본 연구에서, INS에 대한 자기상관관계의 영향을 제거하는데 있어서 pWTC의 효과를 보여주기 위해 먼저 시뮬레이션 실험을 수행하였다. 이어서, 사회적 상호작용 실험으로부터의 fNIRS 데이터세트에 기초한 pWTC의 작동에 대한 단계별 지침을 제공하였다. 추가적으로, pWTC 방법과 전통적인 WTC 방법 사이의 비교와 pWTC 방법과 그랜저 인과성 (GC) 방법 사이의 비교가 도출되었다. 결과는 pWTC가 자연주의 사회적 상호 작용 동안 개인간에 다른 실험 조건과 INS의 방향성 및 시간적 패턴 사이의 INS 차이를 결정하는 데 사용될 수 있음을 보여주었습니다. 또한 기존 WTC보다 더 나은 시간 및 주파수 분해능을 제공하고 GC 방법보다 더 나은 유연성을 제공합니다. 따라서, pWTC는 자연주의적 사회적 상호작용 동안 개인들 사이의 정보 흐름의 방향과 시간적 패턴을 추론하기 위한 강력한 후보이다.

서론

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

사회적 상호 작용은 인간에게 매우 중요합니다 1,2. 사회적 상호 작용의 이중 뇌 신경인지 메커니즘을 이해하기 위해 하이퍼 스캐닝 접근법이 최근에 광범위하게 사용되어 대인 관계 신경 동기화 (INS)의 패턴이 사회적 상호 작용 과정을 잘 특징 지을 수 있음을 보여줍니다 3,4,5,6,7,8,9,10,11,12 ,13,14. 최근의 연구 중에서, 흥미로운 발견은 다야드에서 개인의 역할 차이가 INS의 시간 지연 패턴으로 이어질 수 있다는 것입니다, 즉, INS는 한 개인의 뇌 활동이 청취자에서 연사5,9, 지도자에서 추종자에 이르기까지 몇 초 동안 다른 개인의 뇌 활동보다 뒤처질 때 발생합니다4, 교사에서 학생8, 어머니에서 어린이13,15, 여성에서 남성까지 낭만적 인 커플6. 가장 중요한 것은 시간 지연 INS의 간격과 8에답하는 교사와 학생 간의 또는 어머니의 양육 행동과15 아동의 준수 행동 사이의 사회적 상호 작용 행동 사이에 좋은 대응이 있다는 것입니다. 따라서, 시간-지연된 INS는 대인 관계 언어 통신(16)을 위한 최근의 계층적 모델에서 제안된 바와 같이, 한 개인으로부터 다른 개인으로의 방향 정보 흐름을 반영할 수 있다.

이전에, 시간-지연된 INS는 자연주의적 사회적 상호작용을 연구할 때 상대적으로 높은 공간 분해능, 사운드 해부학적 국소화 및 운동 아티팩트(17)의 예외적으로 높은 내성 때문에 기능적 근적외선 분광법(fNIRS) 신호에서 주로 계산되었다. 더욱이, 사회적 상호작용 동안 신경 시간 지연과 행동 시간 지연 사이의 대응을 정확하게 특성화하기 위해, 각각의 시간 지연에 대한 INS 강도를 얻는 것이 필수적이다 (예를 들어, 시차 없는 것으로부터 10 초의 시간 지연까지). 이러한 목적을 위해, 이전에는 웨이블릿 변환 일관성(WTC) 절차가 한 개인의 뇌 신호를 다른 개인의 뇌 신호(5,6,18)에 비해 앞이나 뒤로 이동시킨 후에 광범위하게 적용되었다. fNIRS 신호에 대해 이러한 전통적인 WTC 절차를 사용하는 경우, 관찰된 시간-지연된 INS가 개별19,20,21에 대한 fNIRS 신호의 자기상관 효과에 의해 혼동될 수 있기 때문에 잠재적인 도전이 존재한다. 예를 들어, 다이아딕 사회적 상호작용 프로세스 동안, 시점 t에서의 참여자 A의 신호는 동시에 참여자 B의 신호와 동기화될 수 있다. 한편, 시점 t에서의 참여자 A의 신호는 자기상관성 효과 때문에 나중 시점 t+1에서 참여자 A의 신호와 동기화될 수 있다. 따라서, 스퓨리어스 시차가 있는 INS는 시점 t에서의 참여자 A의 신호와 시점 t+1에서의 참여자 B의 신호 사이에서 발생할 수 있다.

Mihanović와 그의 동료22는 부분 웨이블릿 변환 일관성 (pWTC)이라는 방법을 처음 도입 한 다음 해양 과학23,24에 적용했습니다. 이 방법의 원래 목적은 두 신호의 일관성을 추정 할 때 외인성 교란 잡음을 제어하는 것이 었습니다. 여기서, fNIRS 하이퍼스닝 데이터에서의 자기상관 문제를 해결하기 위해, pWTC 방법은 fNIRS 신호 상의 시간-지연된 INS를 계산하도록 확장되었다. 정확하게는, 참여자 A로부터 참여자 B까지의 시간 지연된 INS(및 방향 정보 흐름)는 아래의 방정식(수학식 1)23을 사용하여 계산될 수 있다.

figure-introduction-1

여기서, 참가자 A와 B로부터 각각 두 개의 신호, A와 B가 있다고 가정한다. 신호 B의 발생은 항상 신호 A의 발생보다 시간 지연이 n인 경우, WTC(A t, B t+n)는 전통적인 시간 지연 WTC입니다. WTC(At, At+n)는 참여자 A에서 오토상관관계가 있는 WTC이다. WTC(At, Bit)는 참여자 A와 B 사이의 시점 t에서의 시간 정렬된 WTC이다. *는 복합 컨쥬게이트 연산자이다(도 1A).

figure-introduction-2
그림 1: pWTC의 개요. (A) pWTC의 논리. 다야드 내에는 두 개의 신호 A와 B가 있습니다. A의 발생은 항상 지연 n이있는 B의 발생을 따릅니다. 회색 상자는 특정 시점 t 또는 t+n의 웨이블릿 창입니다. pWTC 방정식 (그림에 표시됨)을 기반으로 세 가지 WTC를 계산해야합니다 : A t + n 및 B t의 시간 지연 WTC; A t 및 A t + n의 참가자 A에서 자동 상관 된 WTC; 및 시간 정렬된 WTC를 시점 t, At 및 Bt에서 포함한다. (B) 옵토드 프로브 세트의 레이아웃입니다. CH11은 T3에 배치되었고, CH25는 국제 10-20 시스템27,28에 따라 T4에 배치되었다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

이 프로토콜은 pWTC가 자기상관 문제를 얼마나 잘 해결하는지 보여주기 위해 시뮬레이션 실험을 처음 도입했습니다. 그런 다음 자연주의 사회적 상호 작용에 대한 경험적 실험을 기반으로 pWTC를 단계별로 수행하는 방법을 설명했습니다. 여기서, 통신 컨텍스트는 방법을 소개하기 위해 사용되었다. 이는 이전에 시간 지연 INS가 일반적으로 자연주의 통신 컨텍스트 3,4,6,8,13,15,18에서 계산되었기 때문입니다. 또한, pWTC와 전통적인 WTC의 비교와 그랜저 인과성 (GC) 테스트와의 검증도 수행되었습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

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

인간 실험 프로토콜은 베이징 사범 대학의인지 신경 과학 및 학습의 국가 핵심 연구소의 기관 검토위원회 및 윤리위원회에 의해 승인되었습니다. 모든 참가자는 실험이 시작되기 전에 서면 정보에 입각 한 동의를했습니다.

1. 시뮬레이션 실험

  1. 서로 상관 관계가 있는 두 개의 시계열 신호를 생성하며, 하나의 신호는 4s 시간 지연에서 자기 상관 관계를 갖습니다. 두 신호 간의 상관 계수 r을 0.4로 설정합니다.
  2. 또한 상관 관계 없이 하나의 신호에서 자기 상관 관계가 있는 두 개의 시계열 신호를 생성합니다.
  3. 상관 관계가 있거나 없는 생성된 신호를 기반으로 방정식 2를 사용하여 기존의 4s 시간 지연 INS의 값을 계산하며, 이는 자기 상관 관계가 있는 시간 지연 INS WTC와 자기 상관 관계가 있는 시간 지연 기준선 INSWTC로 명명될 수 있습니다.
    참고: 여기서 전통적인 시차적 WTC는 다음 방정식(수학식 2)25로 표현됩니다.
    figure-protocol-1
    여기서, C 는 상이한 스케일 i 및 시간 포인트 t에서의 연속 웨이블릿 변환 연산자를 나타낸다. S는 평활화 연산자를 나타냅니다. *는 복합 컨쥬게이트 연산자를 나타낸다. W와 M은 두 개의 개별 신호 시계열을 나타냅니다.
  4. 생성된 신호에서 자기 상관 관계를 제거합니다. 그런 다음, 상관 관계가 있거나 없는 생성된 신호를 기반으로 수학식 2를 사용하여 기존의 4s 시차적 INS WTC의 값을 계산하고, 이는 자기 상관 관계가 없는 시간 지연 INSWTC와 자기 상관 관계가 없는 시간 지연 기준선INSWTC로 명명될 수 있습니다.
  5. 상관 관계가 있거나 없는 생성된 신호를 기반으로 수학식 3을 사용하여 4초 시차가 있는 pWTC의 값을 계산하고, 명명된 시차적 INS pWTC 및 시간 지연된 기준선 INSpWTC로 명명합니다.
    참고: pWTC는 다음 방정식(수학식 3)23을 기반으로 계산할 수 있습니다.
    figure-protocol-2
    여기서, WTC (Wt, Mt + n)는 전통적인 시간 지연 WTC입니다. WTC (Mt, Mt + n)는 한 개인의 자동 상관 관계 WTC입니다. WTC(Wt, Mt)는 시간 정렬된 WTC이다. *는 복합 컨쥬게이트 연산자이다.
  6. 위의 절차를 1000 번 반복하십시오.
  7. 기준선 INS를 뺀 후 분산 분석(ANOVA) 방법을 사용하여 시간 지연 INSWTC 의 결과를 자기 상관 관계, 자기 상관 관계가 없는 시간 지연 INSWTC 및 시간 지연 INSpWTC 와 비교합니다.
    참고: 여기서 자기상관관계를 갖는 시차적 INS WTC는 자기상관관계가 없는 시차적 INS WTC와 시차가 있는 INSpWTC보다 상당히 높을 것으로 예상되며, 자기상관관계가 없는 시차적 INSWTC와 시차적 INSpWTC 사이에는 큰 차이가 없을 것으로 예상된다.

2. 경험적 실험

  1. 참가자 및 절차
    1. 적절한 참가자를 모집하십시오.
      참고 :이 연구에서는 20.95, 표준 편차 (SD) = 1.86, 남성의 평균 연령 = 20.50, SD = 1.74)의 가까운 반대 성별 친구 스물 두 쌍이 베이징 대학의 학부생의 광고를 통해 모집되었습니다. 모든 참가자는 오른손잡이였으며 정상 또는 교정 된 시력을 가졌습니다. 또한 참가자에게는 언어, 신경 학적 또는 정신 질환이 없었습니다.
    2. 각 참가자 쌍에게 실험 중에 얼굴을 마주 보며 앉으라고 요청하십시오. 한 세션에서지지하는 주제에 대해 자유롭게 의사 소통을하고 다른 세션에서는 갈등 주제에 대해 자유롭게 의사 소통하도록 요청하십시오.
      참고 : 주제는 의도 된 긍정적 또는 부정적 정서적 가치를 유도하는 데 사용되었습니다. 각 커뮤니케이션 세션은 10 분 동안 지속되었으며 주제의 순서는 균형을 이루었습니다.
    3. 참가자들에게 지원 주제와 충돌 주제에 대해 표준 설정 규칙으로보고하도록 요청하십시오. 각 파트너에게 명확한 포인트 척도로 유도되었을 수있는 긍정적 또는 부정적 원자가 수준을 평가하도록 요청하십시오. 그런 다음 등급에 따라 보고된 항목의 순위를 매깁니다.
      참고: 이 작업에서는 다음 세 단계로 항목을 선택했습니다. 첫째,지지하는 주제에 대해 각 참가자는 자신의 삶에서 개선하고 자하는 것과 관련된 1-3 가지 개인적인 문제를보고해야했습니다. 각 참가자는 그들 사이의 갈등을 유발했거나 유발하거나 갈등 주제에 대한 관계를 위태롭게 할 수있는 1-3 건을보고해야했습니다. 둘째, 각 파트너는 각 주제가 유도 할 수있는 긍정적 또는 부정적 원자가 수준을 7 점 척도로 평가해야했습니다 (1 = 전혀 아님, 7 = 매우 많이). 셋째,보고 된 주제는 등급에 따라 순위가 매겨졌습니다. 지원 주제 및 충돌 주제 목록의 처음 두 주제가 선택되었습니다.
  2. fNIRS 데이터 수집
    1. 26채널 fNIRS 지형 시스템( 자료표 참조)을 사용하여 fNIRS 데이터를 수집합니다.
      참고: 두 개의 맞춤형 옵토드 프로브 세트가 양측 전두엽, 측두엽 및 정수리 피질을 덮었습니다(그림 1B).
    2. 정확하게 각 참가자에게 두 개의 맞춤형 프로브 세트가있는 캡을 착용하도록 요청하십시오 ( 자료 표 참조).
    3. 내시온, 이니언 및 귀 유양돌기를 Fpz, Opz, T7 및 T8과 정렬하십시오.이 Fpz는 10-20 국제 시스템(26)의 전형적인 랜드 마크입니다.
    4. 두 프로브 세트 27,28에 대한 국제 10-20 시스템에 따라 채널 (CH) 11을 T3 및CH25를 T4에 정렬하십시오.
    5. 고해상도 T1 가중 자화-준비된 빠른 기울기-에코 시퀀스(TR = 2530 ms; TE = 3.39 ms; 플립 각도 = 7 °; 슬라이스 두께 = 1.3 mm; 복셀 크기 = 1.3 x 1 x 1.3 mm).
    6. 통계적 파라메트릭 매핑 12(SPM12)를 사용하여 이미지를 표준 몬트리올 이미징 연구소 좌표(MNI 좌표) 공간(29)으로 정규화한다. 그런 다음 NIRS_SPM 도구 상자( 재료 표 참조)를 사용하여 프로브의 MNI 좌표를 자동 해부학적 라벨링(AAL) 템플릿에 투영합니다.
    7. 55.6Hz(장비 기본 파라미터)의 샘플링 속도로 세 파장(780, 805 및 830nm)에서 근적외선의 광학 밀도 데이터를 수집합니다.
    8. fNIRS 지형 시스템 내장 장비 소프트웨어를 사용하여 신호 품질을 테스트 합니다(재료 표 참조).
    9. 신호 기록을 시작합니다.
      참고: 일부 공개된 프로토콜은 다양한 장비 및 시스템(30,31,32)으로 fNIRS 신호를 수집하는 방법을 시연하였다.
  3. fNIRS 데이터 전처리
    1. 장비에서 데이터 파일을 내보냅니다.
      참고 : 현재 실험에서 내장 된 소프트웨어는 수정 된 Beer-Lambert 법칙에 따라 모든 광학 밀도 데이터를 옥시 헤모글로빈 (HbO) 농도 변화로 자동 변환했습니다.
    2. 일시적인 응답을 피하기 위해 각 세션에 대한 첫 번째 및 마지막 15초의 데이터를 제거합니다.
    3. MATLAB 데시메이트 내장 함수를 사용하여 55.6Hz에서 11.1Hz로 데이터를 다운샘플링합니다.
      참고: 55.6Hz와 11.1Hz 사이의 전력 스펙트럼 패턴은 매우 유사합니다(추가 그림 1).
    4. 적절한 필터링 기능과 함께 내장된 MATLAB 응용 기능(Homer3, 재료 표 참조)을 사용하여 이산 웨이블릿 변환 필터 방법을 적용하여 모션 아티팩트를 수정합니다.
    5. MATLAB pca 내장 함수를 사용하여 글로벌 생리적 노이즈를 제거하십시오. 신호에서 분산의 상위 80%를 제거합니다.
    6. 이전 연구에 기초한 생리적 잡음 제거33. 정확하게, 0.7Hz 이상의 각 신호의 주파수 대역을 제거하여 고주파 생리적 잡음(예: 심장 활동)의 앨리어싱을 피하십시오.
    7. 그런 다음 0.01Hz 미만의 각 신호의 주파수 대역을 제거하여 매우 낮은 주파수 변동을 필터링합니다.
    8. 마지막으로, 호흡 활동의 잠재적 영향을 배제하기 위해 0.15-0.3Hz 내에서 각 신호의 주파수 대역을 제거하십시오.
  4. 첫 번째 수준 fNIRS 데이터 처리
    1. 먼저 전통적인 WTC (INSWTC)를 사용하여 INS를 계산하십시오.
      참고 : 여기서 INSWTC의 여성 주도 시간 지연 패턴은 이전 연구가 대화 중 여성과 남성의 다른 역할을 제안했기 때문에 여성의 뇌 활동과 남성의 뇌 활동 사이에서 발생할 것으로 예측되었습니다34,35. 전통적인 WTC는 남성의 뇌 활동을 여성의 뇌 활동에 비해 뒤로 이동시킴으로써 INSWTC의이 패턴을 계산했습니다 (방정식 2 참조).
    2. 수학식 2를 사용하여 여성으로부터 초기 2 초 데이터와 남성의 마지막 2 초 데이터를 제거한 후 여성 주도 2 초 지연 INSWTC 값을 계산하십시오. 마찬가지로, 남성으로부터 데이터의 초기 2초와 여성으로부터 데이터의 마지막 2초를 제거한 후, 수학식 4를 사용하여 남성 주도의 2 s-지연된 INSWTC 값을 계산한다.
      참고: 여기에서는 MATLAB의 웨이블릿 툴박스의 내장 기능인 wcoherence 함수가 사용되었습니다( 재질 표 참조).
    3. 모든 잠재적 CH 쌍에 걸쳐 상이한 시간 지연 n, 즉 n = 2 s, 4 s, 6 s, 8 s (예를 들어, 여성의 CH2 및 남성의 CH10, 총 676 쌍)로 이 절차를 반복한다. 또한 동일한 방법으로 남성 주도 시간 지연 INSWTC 의 강도를 계산하십시오 (방정식 4).
      figure-protocol-3
    4. 둘째, pWTC (INSpWTC)를 사용하여 INS를 계산하십시오.
      참고: pWTC는 수학식 3에 기초하여 계산되었다. INSpWTC 의 계산은 모든 잠재적 채널 쌍에 걸쳐 상이한 시간 지연 n, 즉 n=2s, 4s, 6s, 8s로 반복되었다(예를 들어, 여성에서는 CH2 및 남성의 CH10, 총 676쌍). 추가적으로, 남자 주도 시차가 있는 INSpWTC 의 강도는 동일한 방법으로 계산되었다(수학식 5).
      figure-protocol-4
    5. 서로 다른 시간 지연에서 fNIRS 신호의 시간 지연 시계열을 생성합니다.
    6. 서로 다른 시간 지연에서 시간 지연 WTC의 값을 계산합니다.
    7. 서로 다른 시간 지연에서 fNIRS 신호의 자동 상관 시계열을 생성합니다. 남성에 대한 2 s-autocorrelated 값을 계산하려면 남성에서 데이터의 처음 2 초와 남성에서 마지막 2 s 데이터를 제거하십시오.
    8. 서로 다른 시간 지연에서 자동 상관 WTC 값을 계산합니다.
    9. 서로 다른 시간 지연에서 fNIRS 신호의 시간 정렬 시계열을 생성합니다. 2초 시간 정렬 WTC를 계산하려면 남성의 데이터와 여성의 처음 2초 데이터에서 처음 2초의 데이터를 제거합니다.
    10. 시간 정렬된 WTC 값을 계산합니다.
    11. 서로 다른 시간 지연에서 시간 정렬된 WTC, 시간 지연 WTC 및 자동 상관 WTC 값을 pWTC의 방정식인 방정식 3 및 수식 5에 입력하여 INSpWTC를 생성합니다.
    12. 마지막으로 GC 방법 (INS GC)을 사용하여 INS를 계산하십시오.
      참고: pWTC 방법을 추가로 검증하고 그 장점과 단점을 평가하기 위해, GC 기반 INS는 GC 방법(INSGC)을 사용하여 계산되었다.
    13. pWTC 결과에 기초하여, 대역통과는 SMC에서 각 개인의 HbO 신호를 필터링한다(즉, 0.4-0.6Hz, 대표적인 결과 참조).
    14. 지원 및 충돌 주제의 각 dyad 내에서 GC 테스트(Econometric toolbox, MATLAB)를 별도로 수행합니다.
      참고 : INSGC에 대해 F- 값의 네 가지 그룹이 얻어집니다 : (1) 지원 주제 (W2M_supp)에서 여성에서 남성까지; (2) 지지하는 주제에 대해 남성에서 여성까지 (M2W_supp); (3) 분쟁 주제에 관한 여성에서 남성으로 (W2M_conf); (4) 분쟁 주제에 관한 남성에서 여성까지 (M2 W_conf). F-값은 INSGC를 인덱싱하는 데 사용됩니다.
  5. 두 번째 수준 fNIRS 데이터 처리
    1. Fisher-z 변환으로 INS를 변환한 다음 시간 차원에서 평균 INS를 변환합니다.
      참고: 여기서 Fisher-z 변환은 수식 6 36을 사용하는 사용자 지정 MATLAB 스크립트를 사용하여 수행되었습니다.
      figure-protocol-5
      여기서, r은 WTC 또는 pWTC의 값이고, z는 WTC 또는 pWTC의 변환된 피셔-z 값이다.
    2. 각 시간 지연에서 평균화된 INS에 대해 주파수 범위에 걸쳐 각 CH 쌍에 대해 쌍을 이룬 두 샘플 t-테스트(지원 대 충돌)를 수행합니다. 이어서, 모든 유의한 주파수 클러스터들을 식별한다(P < 0.05).
    3. 클러스터 기반 순열 테스트를 수행하여 결과에 대한 임계값을 설정합니다.
      1. 참가자들을 새로운 두 멤버 쌍, 즉 서로 의사 소통하지 않은 다야드의 참가자에게 무작위로 할당하여 dyadic 관계를 재할당하십시오. 각 시간 지연에서 INS를 다시 계산하고, 새 샘플에서 쌍을 이루는 t-테스트를 다시 수행하고, 중요한 주파수 클러스터를 다시 식별합니다.
      2. 합산 t-값이 가장 큰 클러스터를 선택합니다. 위의 절차를 1000번 반복하여 최대 가양성 t-값의 null 분포를 생성합니다.
        참고: 분포는 기회 수준으로 제공됩니다. 패밀리 단위 오류율(FWER)은 q = 0.05에서 제어되며, 이는 가양성 t-값의 널 분포의 상위 5%만이 임계값(R*)을 초과함을 의미합니다.
      3. 원래 샘플에서 식별된 각 주파수 클러스터의 합산 t-값을 null 분포와 비교하여 유의한 통계 결과를 얻습니다.
    4. 서로 다른 조건(즉, 주제) 사이의 INS 방향의 차이를 테스트하기 위해 분산 분석(ANOVA)의 맥락(지지적, 갈등) x 방향(여성에서 남성, 남성 대 여성)을 수행한다(p< 0.05).
    5. WTC (Wt, Mt + n)와 WTC (Mt, Mt + n)의 결과 사이에 쌍을 이룬 두 개의 샘플 두 꼬리 t- 테스트를 수행하여 INS에 대한 자기 상관 관계의 잠재적 영향을 테스트하십시오.
      참고: WTC의 INS(Mt, Mt + n)는 자기상관관계를 반영합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

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

시뮬레이션 결과
결과는 자기상관관계를 갖는 시간-지연된 INS WTC가 자기상관관계가 없는 시간-지연된 INSWTC보다 유의하게 더 높았다는 것을 보여주었다(t(1998) = 4.696, p< 0.001) 및 시간-지연된 INSpWTC(t(1998) = 5.098, p<001). 추가적으로, 자기상관관계가 없는 INS WTC와 INSpWTC 사이에는 시차적인 차이가 없었다(t(1998) = 1.573,p=0.114, 도 2A). 이러한 결과는 pWTC가 INS에 대한 자기상관관계의 영향을 효과적으로 제거할 수 있음을 나타낸다. 추가적으로, WTC 값이 0 또는 1에 근접하도록 설정되었을 때, 시간-지연된 INSpWTC는 WTC 값이 0 또는 1...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

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

하이퍼 스캐닝 연구에서는 일반적으로 개인 간의 정보 흐름의 방향성 및 시간적 패턴을 설명하는 것이 필수적입니다. 대부분의 이전의 fNIRS 하이퍼스닝 연구는 전통적인 WTC25를 사용하여 시간 지연 INS를 계산하여 이러한 특성을 추론했습니다. 그러나, fNIRS 신호(20,21)의 본질적인 특징들 중 하나로서, 자기상관성 효과는 시간-지연된 INS를 혼동시킬 수 있다. 이러한 문제를 해결하기 위해, 본 명세서의 프로토콜에서, pWTC라고 불리는 방법이 도입되었다(22). 이 방법은 부분적으로 자기 상관 관계를 벗어난 후 시간 지연 INS를 추정하고 WTC 방법의 장점을 유지합니다. 이 프로토콜은 pWTC를 수행하는 방법에 대한 단계별 지침을 제공하고 pWTC의 결과를 기존 WTC 및 GC 테스트의 결과와 비교하여 검증합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

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

저자들은 경쟁하는 재정적 이익이 없다고 선언합니다.

감사의 글

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

이 연구는 중국 국립 자연 과학 재단 (61977008)과 Ten Thousand Talent Program의 Young Top Notch Talents의 지원을 받았습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
fNIRS 지형 시스템Shimadzu CorporationShimadzu LABNIRS systenLABNIRS 시스템에는 fNIRS 신호 측정을 위한 40개의 이미터와 40개의 검출기가 포함되어 있습니다. 이 프로토콜에서는 이러한 이미터와 검출기를 사용하여 두 개의 맞춤형 26채널 프로브 세트를 만들고 10-20 시스템에 해당하는 두 개의 캡에 부착했습니다. 또한 LABNIRS 시스템에는 데이터 품질 검사, 데이터 변환 및 데이터 내보내기를 위한 내장 GUI 소프트웨어도 포함되어 있습니다.
MATLAB매스웍스(The MathWorks, Inc.)MATLAB 2019a이 프로토콜에서는 MATLAB의 여러 도구 상자 및 함수가 사용되었습니다.
SPM12 도구 상자는 GUI를 통해 검증된 MRI 데이터를 정규화하는 데 사용되었습니다.
NIRS_SPM 도구 상자는 GUI를 통해 프로브의 MNI 좌표를 AAL 템플릿에 투영하는 데 사용되었습니다.
Homer3 도구 상자는 기본 매개변수가 있는 hmrMotionCorrectWavelet 함수를 통해 모션 아티팩트를 제거하는 데 사용되었습니다.
Wavelet toolbox는 wcoherence 함수를 통해 WTC 및 pWTC를 계산하는 데 사용되었습니다.
MRI 스캐너Siemens HealthineersTRIO 3-Tesla 스캐너이 프로토콜에서 MRI 스캐너는 각 채널 및 optpde의 MNI 좌표를 얻는 데 사용되었습니다. 스캔 매개변수는 본문에 설명되어 있습니다.
맞춤형 캡이 프로토콜에서는 먼저 10-20 시스템으로 두 개의 나일론 캡을 표시했습니다. 그런 다음 두 개의 26채널 맞춤형 optode 프로브 세트를 만들었습니다. 마지막으로, 우리는 랜드마크와 정렬된 캡에 프로브 세트를 부착했습니다.

참고문헌

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

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청

허가 요청

태그

관련 논문