Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Synchronizacja między mózgami w otwartym uczeniu się opartym na współpracy: badanie fNIRS-Hyperscanning

4.6K wyświetleń

⸱

DOI:

10.3791/62777

⸱

21 lipca 2021

 ,  , 
1School of Psychology and Cognitive Science, East China Normal University, 2Shanghai Key Laboratory of Mental Health and Crisis Intervention, East China Normal University

W tym artykule

Podsumowanie

Przedstawiono protokół przeprowadzania eksperymentów hiperskanowania fNIRS na diadach wspólnego uczenia się w naturalnym środowisku uczenia się. Ponadto przedstawiono proces analizy synchronizacji międzymózgowej (IBS) sygnałów hemoglobiny natlenionej (Oxy-Hb).

Streszczenie

fNIRS hyperscanning jest powszechnie używany do wykrywania neurobiologicznych podstaw interakcji społecznych. Dzięki tej technice naukowcy kwalifikują jednoczesną aktywność mózgu dwóch lub więcej interaktywnych osób za pomocą nowego wskaźnika zwanego synchronizacją międzymózgową (IBS) (tj. dopasowania fazowego i/lub amplitudowego sygnałów neuronalnych lub hemodynamicznych w czasie). Przedstawiono tutaj protokół przeprowadzania eksperymentów hiperskanowania fNIRS na diadach uczenia się opartego na współpracy w naturalistycznym środowisku uczenia się. Ponadto wyjaśniono proces analizy IBS sygnału hemoglobiny utlenionej (Oxy-Hb). W szczególności omówiono projekt eksperymentalny, proces rejestracji danych NIRS, metody analizy danych i przyszłe kierunki. Ogólnie rzecz biorąc, wdrożenie ustandaryzowanego potoku hiperskanowania fNIRS jest fundamentalną częścią neuronauki drugiej osoby. Jest to również zgodne z apelem o otwartą naukę w celu ułatwienia odtwarzalności badań.

Wprowadzenie

Ostatnio, aby ujawnić jednoczesną aktywność mózgu u interaktywnych diad lub członków grupy, badacze stosują podejście hiperskanowania1,2. W szczególności elektroencefalogram (EEG), funkcjonalne obrazowanie metodą rezonansu magnetycznego (fMRI) i funkcjonalna spektroskopia bliskiej podczerwieni (fNIRS) są używane do rejestrowania aktywności neuronalnej i mózgowej dwóch lub więcej osób jednocześnie3,4,5. Naukowcy wyodrębniają indeks neuronalny pociągający za sobą równoczesne sprzężenie mózgu w oparciu o tę technikę, która odnosi się do synchronizacji między mózgami (IBS) (tj. dopasowania fazowego i/lub amplitudowego sygnałów neuronalnych lub hemodynamicznych w czasie). Duża różnorodność badań hiperskanujących wykazała IBS podczas interakcji społecznych między wieloma osobami (np. graczem-publicznością, instruktorem-uczniem i liderem-obserwującym)6,7,8. Co więcej, IBS ma konkretne implikacje dla efektywnego uczenia się i nauczania9,10,11,12,13,14. Wraz z gwałtownym wzrostem badań nad hiperskanowaniem w naturalistycznych scenariuszach uczenia się, konieczne jest ustanowienie standardowego protokołu eksperymentów hiperskanowania i potoku analizy danych w tej dziedzinie.

Tak więc, ten artykuł dostarcza protokół do przeprowadzania hiperskanowania opartych na fNIRS diad wspólnego uczenia się oraz potok do analizy IBS. fNIRS to narzędzie do obrazowania optycznego, które emituje światło bliskiej podczerwieni w celu oceny absorpcji widmowej hemoglobiny pośrednio, a następnie mierzona jest aktywność hemodynamiczna/natleniająca15,16,17. W porównaniu z fMRI, fNIRS jest mniej podatny na artefakty ruchu, umożliwiając pomiary od osób, które przeprowadzają eksperymenty w prawdziwym życiu (np. naśladowanie, mówienie i komunikacja niewerbalna)18,7,19. W porównaniu z EEG, fNIRS ma wyższą rozdzielczość przestrzenną, co pozwala naukowcom wykryć lokalizację aktywności mózgu20. Tak więc te zalety w zakresie rozdzielczości przestrzennej, logistyki i wykonalności kwalifikują fNIRS do przeprowadzania pomiarów hiperskaningowych1. Korzystając z tej technologii, powstająca jednostka badawcza wykrywa termin indeksu jako IBS - neuronalne wyrównanie aktywności mózgu dwóch (lub więcej) osób - w różnych formach naturalistycznych ustawień społecznych9,10,11,12,13,14. W badaniach tych do obliczenia tego wskaźnika stosuje się różne metody (tj. analizę korelacji i analizę koherencji transformacji falkowej (WTC)); Tymczasem niezbędny jest standardowy pipeline dotyczący takiej analizy, ale go brakuje. W związku z tym w niniejszej pracy przedstawiono protokół do przeprowadzania hiperskanowania opartego na fNIRS oraz potok wykorzystujący analizę WTC do identyfikacji IBS

To badanie ma na celu ocenę IBS w diadach wspólnego uczenia się przy użyciu techniki hiperskanowania fNIRS. Po pierwsze, odpowiedź hemodynamiczna jest rejestrowana jednocześnie w obszarach przedczołowych i lewych skroniowo-ciemieniowych każdej diady podczas wspólnego zadania uczenia się. Regiony te zostały zidentyfikowane jako związane z interaktywnym nauczaniem i uczeniem się9,10,11,12,13,14. Po drugie, IBS jest obliczany dla każdego odpowiedniego kanału. Proces rejestrowania danych fNIRS składa się z dwóch części: sesji w stanie spoczynku i sesji współpracy. Sesja w stanie spoczynku trwa 5 minut, podczas której obaj uczestnicy (siedzący twarzą w twarz, oddzieleni od siebie przy stole (0,8 m)) zobowiązani są do pozostania w bezruchu i zrelaksowania się. Ta sesja w stanie spoczynku służy jako punkt odniesienia. Następnie, podczas sesji zespołowej, uczestnicy są proszeni o wspólne przestudiowanie całych materiałów edukacyjnych, uzyskując zrozumienie, podsumowując zasady i upewniając się, że wszystkie materiały do nauki zostały opanowane. W tym miejscu przedstawiono konkretne etapy przeprowadzania eksperymentu i analizy danych fNIRS.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Wszyscy zrekrutowani uczestnicy (40 diad, średni wiek 22,1 ± 1,2 lat; 100% praworęcznych; wzrok prawidłowy lub skorygowany do normy) byli zdrowi. Przed eksperymentem uczestnicy wyrazili świadomą zgodę. Uczestnicy otrzymali rekompensatę finansową za swój udział. Badanie zostało zatwierdzone przez Uniwersytecką Komisję Ochrony Badań nad Ludźmi (HR-0053-2021) na East China Normal University.

1. Kroki przygotowawcze przed przyjęciem danych

  1. Własnoręcznie wykonane czepek NIRS
    1. Wykorzystaj elastyczny czepek pływacki do umieszczenia siatki uchwytów optod.
      UWAGA: Biorąc pod uwagę różnice w rozmiarach głów uczestników, stosowane są dwa rozmiary czepków. Małe czepki są przygotowane dla uczestników o obwodzie głowy 55,4 ± 1,1 cm, a duże czepki dla uczestników o obwodzie głowy 57,9 ± 1,2 cm.
    2. Wyznacz pozycje elektrod EEG (inion, Cz, T3, T4, Fpz oraz P5) jako optody referencyjne zgodnie z międzynarodowym systemem 10-10 na elastycznych czepkach pływackich (patrz Tabela materiałów).
      1. Najpierw nałóż standardowy czepek EEG 10-10 (patrz Tabela materiałów) na formę głowy, a następnie nałóż elastyczny czepek pływacki na czepek EEG. Po drugie, zaznacz kredą optody referencyjne (inion, Cz, T3, T4, Fpz i P5) na każdym czepku. Na koniec wytnij dwa otwory o średnicy około 15 mm, aby umieścić dwa optody referencyjne (tj. Fpz i P5, Rysunek 1).
        UWAGA: W szczególności zestaw sond optod 3 x 5 oraz zestaw sond optod 4 x 4 są umieszczane oddzielnie nad obszarem przedczołowym (optod referencyjny znajduje się w Fpz, Rysunek 1B) i w lewych obszarach skroniowo-ciemieniowych (optod referencyjny znajduje się w P5, Rysunek 1B).
    3. Wytnij otwory do umieszczenia pozostałych optodów. Nałóż czepek pływacki z dwoma uchwytami siatkowymi bezpośrednio na formę głowy. Następnie zaznacz kredą położenie pozostałych optodów. Po tym wytnij resztę otworów, aby upewnić się, że uchwyt siatkowy pasuje.
    4. Zamocuj dwa zestawy sond (tj. 3 x 5 i 4 x 4) do czepków pływackich (patrz Tabela materiałów).
      UWAGA: System pomiarowy NIRS (patrz Tabela materiałów) dostarcza te standardowe zestawy sond (tj. 3 x 5 i 4 x 4) ze standardowymi gniazdami uchwytów, zapewniającymi 30 mm odstępu między optodami.
    5. Otwórz okno monitorowania zestawu sond w systemie pomiarowym NIRS i wybierz osobno dla każdej osoby cztery zestawy sond ułożone w konfiguracjach 3 x 5 i 4 x 4.
      UWAGA: Układy sond w obu czepkach powinny odpowiadać strukturom w oknie zestawu sond (tj. dokładnej lokalizacji numerów sond odbiorczych i odpowiedniego emitera).
  2. Przygotowanie eksperymentu
    1. Przed rejestracją danych upewnij się, że system NIRS utrzymuje stabilną temperaturę pracy, uruchamiając system na co najmniej 30 min.
      UWAGA: Stabilna temperatura pracy mieściła się w zakresie od 5 °C do 35 °C.
    2. Ustaw tryb pomiaru na pomiar związany z zdarzeniami. Upewnij się, że odbiornik wyzwalaczy jest aktywny (tj. szeregowe wejście RS232).
      UWAGA: Eksperyment jest zaprogramowany w komercyjnie dostępnym oprogramowaniu psychologicznym (patrz Tabela materiałów). Absorpcję światła bliskiej podczerwieni (dwie długości fali: 695 i 830 nm) mierzy się z częstotliwością próbkowania 10 Hz.
    3. Przygotuj podświetlaną sondę światłowodową, która może być użyta do odsuwania włosów.
    4. Przygotuj środowisko eksperymentalne z jednym stołem i dwoma krzesłami, aby miejsca dla uczestników znajdowały się naprzeciw siebie.

2. Pozyskiwanie danych poprzez instruowanie uczestników

  1. Przygotowanie uczestników
    1. Przeprowadzenie instruktażu dla uczestników, w tym przekazanie szczegółowych informacji na temat metod pomiaru NIRS.
      UWAGA: Wszyscy uczestnicy byli zdrowi i otrzymali wynagrodzenie finansowe za udział. Żaden z uczestników nie wycofał się z eksperymentu w trakcie jego trwania. Wiązka lasera urządzenia NIRS może być szkodliwa dla oczu uczestników, dlatego poinstruowano ich, aby nie patrzyli bezpośrednio w wiązki laserowe.
    2. Ustawienie uczestników twarzą w twarz (przedzielonych stołem o szerokości 0,8 m), aby upewnić się, że widzą się bezpośrednio. Dostosowanie odległości krzesła od stołu (tj. do ok. 0,3 m), aby uczestnicy siedzieli wygodnie.
    3. Włączenie lasera i założenie uczestnikom na głowy czapek z zestawami sond.
      UWAGA: Zestawy sond 3 x 5 pokrywają czoło uczestników (środkowa sonda dolnego rzędu jest umieszczona na Fpz); zestawy sond 4 x 4 pokrywają lewą korę skroniowo-parietalną (trzecia sonda trzeciego rzędu jest umieszczona na P5).
    4. Luźne ułożenie czterech wiązek światłowodów na ramionach uchwytu, bez kontaktu z uczestnikami lub krzesłami.
      UWAGA: W tym przypadku system pomiarowy NIRS posiada cztery wiązki światłowodów. Dodatkowo należy upewnić się, że uczestnicy nie odczuwają zbyt dużego ciężaru, który mógłby ściągnąć czapki z głów.
    5. Dociśnięcie końcówek sond do skóry głowy uczestników poprzez ostrożne wciśnięcie każdej sondy sprężynowej głębiej w jej gnieździe.
    6. Przeprowadzenie kalibracji sygnału.
      1. W pierwszej kolejności sprawdzenie jakości sygnału poprzez kliknięcie Auto Gain w oknie monitora zestawu sond urządzenia fNIRS. Wówczas słaby sygnał kanału oraz sygnał wystarczający są oznaczane odpowiednio kolorem żółtym i zielonym w oknie monitora zestawu sond.
        UWAGA: W przypadku kanału z niewystarczającym sygnałem, należy użyć podświetlonych sond światłowodowych, aby odsunąć włosy spod końcówki sondy na bok.
      2. Następnie należy wcisnąć sondy głębiej w ich gniazda, aby uzyskać wystarczające sygnały. Powtarzać ten proces do momentu, aż wszystkie kanały zostaną oznaczone na zielono w oknie monitora zestawu sond systemu pomiarowego NIRS, co wskazuje na uzyskanie odpowiedniej jakości sygnałów.
  2. Przeprowadzenie eksperymentu
    1. Rozpoczęcie eksperymentu od 5 min stanu spoczynku, który służy jako linia bazowa. Następnie dwaj uczestnicy wspólnie zapoznają się z materiałami do nauki.
    2. Po zakończeniu eksperymentu kliknięcie Text File Out w celu wyeksportowania surowych danych intensywności światła i zapisania danych w pliku tekstowym.
      UWAGA: W systemie pomiarowym NIRS nie stosuje się filtrów.
    3. Użycie trójwymiarowego (3D) digitizera (patrz Tabela materiałów) w celu określenia lokalizacji emiterów, odbiorników oraz innych punktów referencyjnych (tj. inion, nasion, Cz oraz lewe i prawe ucho) dla każdego uczestnika.
      1. Wyznaczenie współrzędnych MNI dla kanałów rejestrujących przy użyciu komercyjnie dostępnej platformy obliczeń numerycznych21 (patrz Tabela materiałów). Tabela uzupełniająca S1 przedstawia odpowiadające im lokalizacje anatomiczne każdego kanału.
    4. Oczyszczenie sond i uchwytów sondy za pomocą etanolu. Pranie czapek łagodnym detergentem i pozostawienie ich do wyschnięcia na powietrzu.

3. Analiza danych

  1. Wstępne przetwarzanie danych
    UWAGA: W poprzednich badaniach stosowano różne niekomercyjne pakiety oprogramowania (np. Homer222, AnalyzIR23lub laboratorium NIRS24) z platformami do obliczeń numerycznych (patrz Tabela materiałów) dotyczącej analizy danych fNIRS, a wszystkie one są dostępne na stronie internetowej. W niniejszym przypadku do wstępnego przetwarzania danych NIRS wykorzystano program Homer2. Ponadto dane z zapisów fNIRS zebrane w fazie spoczynku oraz w fazie wspólnego uczenia się poddano temu samemu procesowi wstępnego przetwarzania i analizy.
    1. Skopiuj zbiór danych z urządzenia fNIRS. Konwertuj oryginalny format danych na właściwy format (tj. przekonwertuj plik csv na plik nirs).
    2. Przekształć surowe dane na dane gęstości optycznej (OD) za pomocą funkcji „hmrIntensity2OD” dostępnej w platformie obliczeń numerycznych (zob. Tabela materiałów).
    3. Usuń błędne kanały. Następnie oblicz średnią wartość OD dla każdego uczestnika, odpowiednio dla każdego kanału oraz dla wszystkich punktów próbki.
      UWAGA: W tym miejscu uzyskuje się 46 uśrednionych wartości OD.
      1. Oblicz odchylenie standardowe (SD) dla każdego uczestnika.
      2. Oznacz jako nieprzydatne i usuń z analizy kanały o bardzo niskiej lub wysokiej gęstości optycznej (OD), która przekroczyła 5 odchyleń standardowych (SD), dla każdego uczestnika.
        UWAGA: Ten etap można przeprowadzić przed i/lub po wstępnym przetwarzaniu danych fNIRS. W niniejszym schemacie analizy danych kanały wadliwe są wykrywane przed wstępnym przetwarzaniem danych fNIRS.
    4. Przekształć dane OD w funkcji czasu na stężenia Oxy-Hb, DeOxy-Hb oraz sygnał łączony zgodnie z zmodyfikowanym prawem Beera-Lamberta25.
      UWAGA: Referencja25 Wszystkie etapy analizy danych są przeprowadzane na danych dotyczących Oxy-Hb, która stanowi wskaźnik zmian regionalnego przepływu krwi w mózgu i charakteryzuje się wyższym stosunkiem sygnału do szumu.26Ponadto w poprzednich badaniach wykorzystujących hyperscanning fNIRS w scenariuszach nauczania i uczenia się skupiano się głównie na stężeniu Oxy-Hb.11,12,13,14."
    5. Kalibracja szeregów czasowych Oxy-Hb w celu usunięcia artefaktów ruchowych za pomocą metody falkowej stosowanej dla każdego kanału z osobna.
      UWAGA: W szczególności zastosowano falkę Daubechies 5 (db5) z parametrem dostrojenia wynoszącym 0,1 (szczegóły znajdują się w instrukcji Homer2)27,28 stosuje się w celu usunięcia artefaktów ruchowych.
    6. Zastosuj filtr pasmowoprzepustowy (tj. 0,01–1 Hz) na skalibrowanych danych Oxy-Hb, aby zredukować szumy wysokoczęstotliwościowe oraz powolny dryft.
    7. Przeprowadź analizę głównych składowych (PCA) sygnału OxyHb w celu usunięcia nieneuronalnych komponentów globalnych (np. ciśnienia krwi, oddychania i zmienności przepływu krwi)29.
      UWAGA: Analiza PCA zaproponowana przez Zhanga i współpracowników29 zostało tutaj przyjęte.
      1. W pierwszej kolejności należy dokonać dekompozycji sygnału.
        UWAGA: Konkretna formuła dekompozycji sygnału fNIRS to: H = UΣVTW tym przypadku wzorce czasowe i przestrzenne danych fNIRS są przedstawione w dwóch macierzach (tj. U i V). U jest macierzą 2D (punkt próbkowania x główna składowa). V jest również macierzą 2D (główna składowa x główna składowa). Kolumna w macierzy V wskazuje jedną główną składową (PC), a siła tej PC dla konkretnego kanału jest szacowana w każdym wpisie kolumny. Względne znaczenie każdej PC jest reprezentowane przez wartość macierzy diagonalnej Σ.
      2. Po drugie, przeprowadź wygładzanie przestrzenne.
        UWAGA: W celu usunięcia sygnałów lokalnych i uzyskania komponentu globalnego zastosowano splot z jądrem Gaussa.
      3. Po trzecie, zrekonstruuj sygnał.
        UWAGA: Aby obliczyć komponent globalny danych fNIRS, wygładzoną macierz wzorców przestrzennych V* zostaje podstawione z powrotem do wzoru na rozkład: HGlobalny = UΣ(V*)TNastępnie, przy użyciu oryginalnych danych, można uzyskać zlokalizowany pochodny sygnał neuronalny. H odjąć HGlobalny : HNeuronalny = H - HGlobalny.
  2. Synchronizacja międzymózgowa
    UWAGA: W celu wykazania sprzężenia mózgowego w neuronauce drugiej osoby zastosowano tutaj spójność transformaty falkowej (WTC). W skrócie, WTC mierzy korelację między dwoma szeregami czasowymi jako funkcję częstotliwości i czasu. Specyficzny wzór spójności falkowej dwóch szeregów czasowych x i y to:
    Wzór na koherencję transformaty falkowej, WTC(t, s), w równaniu matematycznym do analizy sygnałów.
    T i s oznaczają odpowiednio czas i skalę falkową, ‹·› oznacza operację wygładzania w skali i czasie. W reprezentuje ciągłą transformatę falkową. Następnie generowana jest dwuwymiarowa (czas x częstotliwość) macierz WTC.30Do obliczenia wartości WTC wykorzystuje się kilka zestawów narzędzi. W niniejszym przypadku zastosowano zestaw narzędzi opracowany przez Grinsteda i współpracowników.30.
    1. zastosuj funkcję WTC platformy obliczeń numerycznych (patrz Tabela materiałów).
      UWAGA: W tym przypadku zastosowano ustawienia domyślne falki macierzystej (tj. uogólnionej falki Morse'a z parametrami beta i gamma). Falka macierzysta przekształca każdy szereg czasowy w dziedzinę częstotliwości i czasu.
    2. Ustaw domyślne wartości pozostałych parametrów (np. MonteCarloCount, reprezentującego liczbę zestawów danych zastępczych w obliczeniach istotności).
    3. Oblicz wartość WTC dla dwóch odpowiadających sobie kanałów (ten sam kanał u dwóch uczestników) w platformie obliczeń numerycznych (patrz Tabela materiałów). Postępując w ten sam sposób, z 46 kanałów generowane są 46 macierzy WTC.
    4. Wyznacz pasmo częstotliwości zainteresowania (FOI), które jest wrażliwe na proces uczenia się we współpracy.
      UWAGA: W tym przypadku zastosowano podejście permutacyjne oparte na klastrach w celu wykrycia takich FOI31, co stanowi rozwiązanie problemu wielokrotnych porównań w danych wielokanałowych i wieloczęstotliwościowych.
      1. Oblicz średnią czasową wartości WTC odpowiednio dla fazy spoczynkowej oraz fazy wspólnego uczenia się dla każdej kombinacji kanałów. Następnie przeprowadź test sparowanych prób t–testy wraz z całym zakresem częstotliwości (zakres częstotliwości: 0,01–1 Hz)32) na tych uśrednionych w czasie wartościach WTC (uczenie się we współpracy vs. odpoczynek). Następnie należy zidentyfikować przedziały częstotliwości, dla których efekt zadania jest istotny (uczenie się we współpracy > odpoczynek, p < 0.05).
      2. Wyznacz punkty sąsiednie o istotnej częstotliwości (≥2) jako zaobserwowane klastry oraz odpowiadające im wartości T.
      3. Przeprowadź serię badań na parach próbek t-testy na danych permutowanych w celu wygenerowania wartości T dla każdego klastra zakwalifikowanego w kroku 3.2.4.2, powtórzone 1000 razy.
        UWAGA: W celu utworzenia danych permutowanych uczestnicy są losowo przydzielani do nowych par dwuosobowych. Ponieważ długość zbiorów danych różniła się między dyadami w każdej losowej parze, dłuższy zbiór danych jest przycinany do długości krótszego.33.
      4. Porównaj uśrednione wartości T oparte na klastrach z par oryginalnych z wartościami T z 1000 permutacji.
        UWAGA: Wartości p obliczone za pomocą tego wzoru34:
        Równanie funkcji błędu; erfc((|so-μp|/σp√2)); metoda analizy statystycznej. , gdzie S0 oznacza obserwowaną średnią wartość t dla klastra, μp oraz σp Należy wskazać średnią i odchylenie standardowe wartości permutacji.
      5. Średnie wartości WTC w zidentyfikowanych FOI dla każdego kanału w każdej diadzie. Następnie zastosowano transformację fisher z do wartości WTC, aby uzyskać rozkład normalny wartości WTC. Wartość tę wykorzystano do indeksowania IBS w celu przeprowadzenia dalszej analizy statystycznej.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Rycina 1 przedstawia protokół eksperymentalny oraz rozmieszczenie sond. Proces rejestracji danych fNIRS składa się z dwóch części: sesji w stanie spoczynku (5 min) oraz sesji współpracy (15-20 min). Diady uczące się w sposób współpracujący są zobowiązane do relaksu i pozostania w bezruchu podczas sesji w stanie spoczynku. Następnie uczestnicy otrzymują polecenie wspólnego opracowania materiału edukacyjnego (Rycina 1A). Ich obszary przedczołowe oraz lewy region s...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Po pierwsze, w niniejszym protokole określono konkretne etapy przeprowadzania eksperymentów hiperskanowania fNIRS w scenariuszu uczenia się opartego na współpracy. Po drugie, przedstawiono również potok analizy danych, który ocenia IBS sygnałów hemodynamicznych w diadach uczenia się opartego na współpracy. Szczegółowa operacja polegająca na przeprowadzaniu eksperymentów hiperskanowania fNIRS sprzyjałaby rozwojowi otwartej nauki. Ponadto udostępniono tutaj potok analiz w celu zwiększenia powtarzalności badań hiperskaningo...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy nie mają nic do ujawnienia.

Podziękowania

Ta praca jest wspierana przez Program Promocji Innowacji Akademickich ECNU dla Doskonałych Doktorantów (YBNLTS2019-025) oraz Narodową Fundację Nauk Przyrodniczych Chin (31872783 i 71942001).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Czapki EEGCompumedics Neuroscan, Charlotte, USA64-kanałowy Quik-CapWybieramy dwa rozmiary czepka (tj. średni i duży).
System pomiarowy NIRS z zestawami sond i siatkami uchwytów sondHitachi Medical Corporation, Tokio, JaponiaETG-7100 Optyczny system topograficzny Obecnyprotokół badania wymaga opcjonalnego zestawu drugiej sondy dla osoby dorosłej dla łącznie 92 kanałów pomiaru.
Platforma obliczeń numerycznychThe MathWorks, Inc., Natick, MAMATLAB R2020aSłuży jako podstawa dla rozszerzeń Psychophysics Toolbox (prezentacja bodźców), Homer2  (analiza przedprocesowa fNIRS) i funkcja "wtc" (obliczenia WTC).
Oprogramowanie psychologicznenarzędzia programowe do psychologii, Sharpsburg, PA, USAE-prime 2.0Stosujemy E-prime do uruchomienia systemu pomiarowego fNIRS i wysyłania wyzwalaczy, które oznaczają fazę spoczynku i fazę wspólnego uczenia się dla danych rejestrujących fNIRS.
Czepki pływackieZoke corporation, Szanghaj, Chiny611503314Najpierw umieściliśmy standardową czepek EEG 10-20 na formie głowy i umieściliśmy czepek pływacki na czepku EEG. Po drugie, oznaczyliśmy (inion, Cz, T3, T4, PFC i P5) kredą.
Digitizer trójwymiarowy (3D)Polhemus, Colchester, VT, USA;Trójwymiarowy (3-D) digitizerAnatomiczne lokalizacje optodów w stosunku do standardowych punktów orientacyjnych głowy zostały określone dla każdego uczestnika za pomocą Patriot 3D Digitizer

Bibliografia

  1. Babiloni, F., Astolfi, L. Social neuroscience and hyperscanning techniques: past, present and future. Neuroscience & Biobehavioral Reviews. 44, 76-93 (2014).
  2. Schilbach, L., et al. Toward a second-person neuroscience. Behavior Brain Science. 36, 393-414 (2013).
  3. Montague, P. Hyperscanning: simultaneous fMRI during linked social interactions. NeuroImage. 16, 1159-1164 (2002).
  4. 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).
  5. Dikker, S., et al. Brain-to-brain synchrony tracks real-world dynamic group interactions in the classroom. Current Biology. 27 (9), 1375-1380 (2017).
  6. Abrams, D. A., et al. Inter-subject synchronization of brain responses during natural music listening. European Journal of Neuroscience. 37 (9), 1458-1469 (2013).
  7. Pan, Y., et al. Instructor-learner brain coupling discriminates between instructional approaches and predicts learning. NeuroImage. 211, 116657(2020).
  8. 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).
  9. Bevilacqua, D., et al. Brain-to-brain synchrony and learning outcomes vary by student-teacher dynamics: Evidence from a real-world classroom electroencephalography study. Journal of Cognitive Neuroscience. 31 (3), 401-411 (2019).
  10. Dikker, S., et al. Morning brain: real-world neural evidence that high school class times matter. Social Cognitive and Affective Neuroscience. 15 (11), 1193-1202 (2020).
  11. Pan, Y., Guyon, C., Borragán, G., Hu, Y., Peigneux, P. Interpersonal brain synchronization with instructor compensates for learner's sleep deprivation in interactive learning. Biochemical Pharmacology. , 114111(2020).
  12. Pan, Y., Novembre, G., Song, B., Li, X., Hu, Y. Interpersonal synchronization of inferior frontal cortices tracks social interactive learning of a song. NeuroImage. 183, 280-290 (2018).
  13. Zheng, L., et al. Enhancement of teaching outcome through neural prediction of the students' knowledge state. Human Brain Mapping. 39 (7), 3046-3057 (2018).
  14. 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).
  15. Kleinschmidt, A., et al. Simultaneous recording of cerebral blood oxygenation changes during human brain activation by magnetic resonance imaging and near-infrared spectroscopy. Journal of Cerebral Blood Flow & Metabolism. 16 (5), 817-826 (1996).
  16. Strangman, G., Culver, J. P., Thompson, J. H., Boas, D. A. A quantitative comparison of simultaneous BOLD fMRI and NIRS recordings during functional brain activation. NeuroImage. 17 (2), 719-731 (2002).
  17. Huppert, T. J., Hoge, R. D., Diamond, S. G., Franceschini, M. A., Boas, D. A. A temporal comparison of BOLD, ASL, and NIRS hemodynamic responses to motor stimuli in adult humans. NeuroImage. 29 (2), 368-382 (2006).
  18. Holper, L., Scholkmann, F., Wolf, M. Between-brain connectivity during imitation measured by fNIRS. NeuroImage. 63, 212-222 (2012).
  19. Hirsch, J., Zhang, X., Noah, J. A., Ono, Y. Frontal temporal and parietal systems synchronize within and across brains during live eye-to-eye contact. NeuroImage. 157, 314-330 (2017).
  20. Wilcox, T., Biondi, M. fNIRS in the developmental sciences. Wiley Interdisciplinary Reviews: Cognitive Science. 6 (3), 263-283 (2015).
  21. Ye, J. C., Tak, S., Jang, K. E., Jung, J., Jang, J. NIRS-SPM: statistical parametric mapping for nearinfrared spectroscopy. NeuroImage. 44 (2), 428-447 (2009).
  22. Huppert, T. J., Diamond, S. G., Franceschini, M. A., Boas, D. A. HomER: A review of time-series analysis methods for near-infrared spectroscopy of the brain. Applied Optics. 48 (10), 280-298 (2009).
  23. Santosa, H., Zhai, X., Fishburn, F., Huppert, T. The NIRS Brain AnalyzIR toolbox. Algorithms. 11 (5), 73(2018).
  24. Xu, Y., Graber, H. L., Barbour, R. L. nirsLAB: a computing environment for fNIRS neuroimaging data analysis. Biomedical Optics. , BM3A-1 (2014).
  25. Cope, M., Delpy, D. T. System for long-term measurement of cerebral blood and tissue oxygenation on newborn infants by near infra-red transillumination. Medical and Biological Engineering and Computing. 26 (3), 289-294 (1988).
  26. Hoshi, Y. Functional near-infrared spectroscopy: current status and future prospects. Journal of Biomedical Optics. 12 (6), 062106(2007).
  27. Molavi, B., Dumont, G. A. Wavelet-based motion artifact removal for functional near-infrared spectroscopy. Physiological Measurement. 33 (2), 259(2012).
  28. Cooper, R., et al. A systematic comparison of motion artifact correction techniques for functional near-infrared spectroscopy. Frontiers in Neuroscience. 6, 147(2012).
  29. Zhang, X., Noah, J. A., Hirsch, J. Separation of the global and local components in functional near-infrared spectroscopy signals using principal component spatial filtering. Neurophotonics. 3 (1), 015004(2016).
  30. 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).
  31. Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG-and MEG-data. Journal of Neuroscience Methods. 164 (1), 177-190 (2007).
  32. Nozawa, T., Sasaki, Y., Sakaki, K., Yokoyama, R., Kawashima, R. Interpersonal frontopolar neural synchronization in group communication: an exploration toward fNIRS hyperscanning of natural interactions. NeuroImage. 133, 484-497 (2016).
  33. Reindl, V., Gerloff, C., Scharke, W., Konrad, K. Brain-to-brain synchrony in parent-child dyads and the relationship with emotion regulation revealed by fNIRS-based hyperscanning. NeuroImage. 178, 493-502 (2018).
  34. Theiler, J., Eubank, S., Longtin, A., Galdrikian, B., Farmer, J. D. Testing for nonlinearity in time series: the method of surrogate data. Physica D: Nonlinear Phenomena. 58 (1-4), 77-94 (1992).
  35. Genovese, C. R., Lazar, N. A., Nichols, T. Thresholding of statistical maps in functional neuroimaging using the false discovery rate. NeuroImage. 15 (4), 870-878 (2002).
  36. Nichols, T., Hayasaka, S. Controlling the familywise error rate in functional neuroimaging: a comparative review. Statistical Methods in Medical Research. 12 (5), 419-446 (2003).
  37. Tsuzuki, D., et al. Virtual spatial registration of stand-alone fNIRS data to MNI space. NeuroImage. 34 (4), 1506-1518 (2007).
  38. Singh, A. K., Okamoto, M., Dan, H., Jurcak, V., Dan, I. Spatial registration of multi-channel multi-subject fNIRS data to MNI space without MRI. NeuroImage. 27 (4), 842-851 (2005).
  39. Noah, J. A., et al. Comparison of short-channel separation and spatial domain filtering for removal of non-neural components in functional near-infrared spectroscopy signals. Neurophotonics. 8 (1), 015004(2021).
  40. Noah, J. A., et al. Real-time eye-to-eye contact is associated with cross-brain neural coupling in angular gyrus. Frontiers in Human Neuroscience. 14 (19), (2020).
  41. Torrence, C., Compo, G. P. A practical guide to wavelet analysis. Bulletin of the American Meteorological Society. 79 (1), 61-78 (1998).
  42. Osaka, N., Minamoto, T., Yaoi, K., Azuma, M., Osaka, M. Neural synchronization during cooperated humming: a hyperscanning study using fNIRS. Procedia-Social and Behavioral Sciences. 126, 241-243 (2014).
  43. Dommer, L., Jäger, N., Scholkmann, F., Wolf, M., Holper, L. Between-brain coherence during joint n-back task performance: a two-person functional near-infrared spectroscopy study. Behavioural Brain Research. 234 (2), 212-222 (2012).
  44. Holper, L., Scholkmann, F., Wolf, M. Between-brain connectivity during imitation measured by fNIRS. Neuroimage. 63, 212-222 (2012).
  45. Nguyen, T., et al. The effects of interaction quality on neural synchrony during mother-child problem solving. Cortex. 124, 235-249 (2020).
  46. Seth, A. K., Barrett, A. B., Barnett, L. Granger causality analysis in neuroscience and neuroimaging. Journal of Neuroscience. 35 (8), 3293-3297 (2015).
  47. Funane, T., et al. Synchronous activity of two people's prefrontal cortices during a cooperative task measured by simultaneous near-infrared spectroscopy. Journal of Biomedical Optics. 16 (7), 077011(2011).
  48. Liu, T., Saito, H., Oi, M. Role of the right inferior frontal gyrus in turn-based cooperation and competition: a near-infrared spectroscopy study. Brain and Cognition. 99, 17-23 (2015).
  49. Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J. Measuring phase synchrony in brain signals. Human Brain Mapping. 8 (4), 194-208 (1999).
  50. Burgess, A. P. On the interpretation of synchronization in EEG hyperscanning studies: a cautionary note. Frontiers in Human Neuroscience. 7, 881(2013).
  51. Burgos-Robles, A., et al. Amygdala inputs to prefrontal cortex guide behavior amid conflicting cues of reward and punishment. Nature Neuroscience. 20 (6), 824-835 (2017).
  52. Mende, S., Proske, A., Narciss, S. Individual preparation for collaborative learning: Systematic review and synthesis. Educational Psychologist. , 1-25 (2020).
  53. Hamilton, A. F. D. C. Hyperscanning: Beyond the hype. Neuron. 109 (3), 404-407 (2021).
  54. Novembre, G., Iannetti, G. D. Hyperscanning alone cannot prove causality. Multibrain stimulation can. Trends in Cognitive Sciences. 25 (2), 96-99 (2021).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Interakcje społecznehemoglobina utlenowanatransformata falkowaanaliza głównych składowychusuwanie artefaktów ruchowychaktywność mózgu w diadzieuczenie się w warunkach naturalnych
Synchronizacja między mózgami w otwartym uczeniu się opartym na współpracy: badanie fNIRS-Hyperscanning
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.