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

Artykuł metodologiczny

Pomiar kierunkowego przepływu informacji w danych fNIRS-Hyperscaning z wykorzystaniem metody częściowej koherencji transformacji falkowej

3.2K wyświetleń

⸱

DOI:

10.3791/62927

⸱

3 września 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

W tym artykule

Podsumowanie

Ten protokół opisuje częściową koherencję transformacji falkowej (pWTC) do obliczania opóźnionego w czasie wzorca interpersonalnej synchronizacji neuronowej (INS) w celu wywnioskowania kierunku i czasowego wzorca przepływu informacji podczas interakcji społecznych. Skuteczność pWTC w usuwaniu zakłóceń autokorelacji sygnału na INS została udowodniona w dwóch eksperymentach.

Streszczenie

Interakcja społeczna ma kluczowe znaczenie dla ludzi. Podczas gdy podejście hiperskanujące jest szeroko stosowane do badania interpersonalnej synchronizacji neuronalnej (INS) podczas interakcji społecznych, funkcjonalna spektroskopia w bliskiej podczerwieni (fNIRS) jest jedną z najpopularniejszych technik hiperskanowania naturalistycznych interakcji społecznych ze względu na stosunkowo wysoką rozdzielczość przestrzenną, dźwiękową lokalizację anatomiczną i wyjątkowo wysoką tolerancję artefaktów ruchu. Poprzednie badania hiperskaningowe oparte na fNIRS zwykle obliczają opóźniony w czasie INS przy użyciu koherencji transformacji falkowej (WTC) w celu opisania kierunku i czasowego wzorca przepływu informacji między osobami. Jednak wyniki tej metody mogą być zakłócone przez efekt autokorelacji sygnału fNIRS każdej osoby. Aby rozwiązać ten problem, wprowadzono metodę określaną jako koherencja częściowej transformacji falkowej (pWTC), która miała na celu usunięcie efektu autokorelacji i utrzymanie wysokiej rozdzielczości widma czasowego sygnału fNIRS. W tym badaniu najpierw przeprowadzono eksperyment symulacyjny, aby wykazać skuteczność pWTC w usuwaniu wpływu autokorelacji na INS. Następnie przedstawiono wskazówki krok po kroku dotyczące działania pWTC w oparciu o zestaw danych fNIRS z eksperymentu interakcji społecznych. Dodatkowo dokonano porównania między metodą pWTC a tradycyjną metodą WTC oraz metody pWTC z metodą przyczynowości Grangera (GC). Wyniki pokazały, że pWTC można wykorzystać do określenia różnicy INS między różnymi warunkami eksperymentalnymi oraz kierunkowego i czasowego wzorca INS między osobnikami podczas naturalistycznych interakcji społecznych. Co więcej, zapewnia lepszą rozdzielczość czasową i częstotliwościową niż tradycyjny WTC oraz lepszą elastyczność niż metoda GC. Tak więc pWTC jest silnym kandydatem do wnioskowania o kierunku i czasowym wzorcu przepływu informacji między jednostkami podczas naturalistycznych interakcji społecznych.

Wprowadzenie

Interakcje społeczne mają kluczowe znaczenie dla istot ludzkich1,2. W celu zrozumienia neuropoznawczego mechanizmu dwóch mózgów w interakcjach społecznych w ostatnim czasie szeroko stosowano podejście hyperscaningu, wykazując, że wzorce interpersonalnej synchronizacji neuronalnej (INS) mogą dobrze charakteryzować proces interakcji społecznych3,4,5,6,7,8,9,10,11,12,13,14. Wśród ostatnich badań ciekawym odkryciem jest to, że różnice w rolach osób w diadzie mogą prowadzić do wzorca INS z przesunięciem czasowym, tzn. INS występuje, gdy aktywność mózgu jednej osoby następuje z kilkusekundowym opóźnieniem względem drugiej osoby, na przykład od słuchaczy do mówców5,9, od liderów do naśladowców4, od nauczycieli do uczniów8, od matek do dzieci13,15 oraz od kobiet do mężczyzn w parze romantycznej6. Co najważniejsze, istnieje dobra zgodność między odstępem czasu w INS z przesunięciem a odstępem w zachowaniach interakcji społecznych, na przykład między zadawaniem pytań przez nauczycieli a odpowiedziami uczniów8 lub między zachowaniami wychowawczymi matek a zachowaniami uległymi dzieci15. Zatem INS z przesunięciem czasowym może odzwierciedlać kierunkowy przepływ informacji od jednej osoby do drugiej, zgodnie z propozycją przedstawioną w niedawnym hierarchicznym modelu interpersonalnej komunikacji werbalnej16.

Wcześniej synchronizacja międzyosobnicza (INS) z opóźnieniem czasowym była obliczana głównie na podstawie sygnału funkcjonalnej spektroskopii bliskiej podczerwieni (fNIRS), ze względu na jego stosunkowo wysoką rozdzielczość przestrzenną, dobrą lokalizację anatomiczną i wyjątkowo wysoką tolerancję na artefakty ruchowe17 podczas badania naturalistycznych interakcji społecznych. Ponadto, aby precyzyjnie opisać zgodność między opóźnieniem czasowym neuronów a opóźnieniem czasowym behawioralnym podczas interakcji społecznej, niezbędne jest uzyskanie natężenia INS dla każdego opóźnienia czasowego (np. od braku opóźnienia do opóźnienia wynoszącego 10 s). W tym celu wcześniej szeroko stosowano procedurę koherencji transformaty falkowej (WTC) po przesunięciu sygnału mózgowego jednej osoby do przodu lub do tyłu względem sygnału drugiej osoby5,6,18. Przy stosowaniu tej tradycyjnej procedury WTC dla sygnałów fNIRS istnieje potencjalny problem, ponieważ obserwowana INS z opóźnieniem czasowym może być zaburzona przez efekt autokorelacji sygnału fNIRS danej osoby19,20,21. Na przykład podczas dyadycznego procesu interakcji społecznej sygnał uczestnika A w punkcie czasowym t może być zsynchronizowany z sygnałem uczestnika B w tym samym punkcie czasowym. Jednocześnie sygnał uczestnika A w punkcie czasowym t może być zsynchronizowany z sygnałem uczestnika A w późniejszym punkcie czasowym t+1 ze względu na efekt autokorelacji. W rezultacie może wystąpić pozorna INS z opóźnieniem czasowym pomiędzy sygnałem uczestnika A w punkcie czasowym t a sygnałem uczestnika B w punkcie czasowym t+1.

Mihanović i jego współpracownicy22 po raz pierwszy wprowadzili metodę nazwaną częściową spójnością transformaty falkowej (partial wavelet transform coherence, pWTC), a następnie zastosowali ją w naukach morskich23,24. Pierwotnym celem tej metody była kontrola egzogennego szumu zakłócającego podczas szacowania spójności dwóch sygnałów. W niniejszym badaniu, aby rozwiązać problem autokorelacji w danych z hiperskanowania fNIRS, metodę pWTC rozszerzono w celu obliczenia opóźnionego w czasie INS dla sygnału fNIRS. Dokładniej, opóźniony w czasie INS (oraz kierunkowy przepływ informacji) od uczestnika A do uczestnika B można obliczyć za pomocą poniższego równania (Równanie 1)23.

Wzór korelacji transformaty falkowej; równanie matematyczne dla analizy szeregów czasowych.

Przyjęto tutaj, że istnieją dwa sygnały, A i B, pochodzące odpowiednio od uczestnika A i B. Wystąpienie sygnału B zawsze poprzedza wystąpienie sygnału A z przesunięciem czasowym n, gdzie WTC (At, Bt+n) stanowi tradycyjną WTC z przesunięciem czasowym. WTC (At, At+n) to autokorelacyjna WTC u uczestnika A. WTC (At, Bt) to WTC wyrównana czasowo w punkcie czasowym t pomiędzy uczestnikiem A i B. * oznacza operator sprzężenia zespolonego (Rysunek 1A).

Diagram koherencji transformaty falkowej (WTC); analiza sygnału mózgowego w badaniu łączności neuronalnej.
Rysunek 1: Przegląd pWTC. (A) Logika pWTC. W obrębie diady występują dwa sygnały A i B. Wystąpienie sygnału A zawsze następuje po sygnale B z opóźnieniem n. Szary obszar stanowi okno falkowe w określonym punkcie czasowym t lub t+n. Na podstawie równania pWTC (przedstawionego na rysunku) należy obliczyć trzy wartości WTC: WTC z przesunięciem czasowym dla At+n i Bt; autokorelowane WTC u uczestnika A dla At i At+n; oraz WTC zsynchronizowane w czasie w punkcie t dla At i Bt. (B) Układ zestawów sond optodowych. Kanał CH11 został umieszczony w punkcie T3, a kanał CH25 w punkcie T4 zgodnie z międzynarodowym systemem 10-2027,28. Aby wyświetlić powiększoną wersję tego rysunku, kliknij tutaj.

W niniejszym protokole najpierw przedstawiono eksperyment symulacyjny, aby zademonstrować, jak skutecznie pWTC rozwiązuje problem autokorelacji. Następnie wyjaśniono krok po kroku, jak przeprowadzić pWTC w oparciu o eksperyment empiryczny dotyczący naturalistycznych interakcji społecznych. W celu wprowadzenia tej metody wykorzystano kontekst komunikacyjny, ponieważ wcześniej analizy INS z przesunięciem czasowym były zazwyczaj obliczane w naturalistycznym kontekście komunikacyjnym3,4,6,8,13,15,18. Ponadto przeprowadzono porównanie pWTC z tradycyjnym WTC oraz walidację za pomocą testu przyczynowości Grangera (GC).

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

Protokół

Protokół eksperymentu z udziałem ludzi został zatwierdzony przez Komisję Rewizyjną i Komitet Etyki Państwowego Kluczowego Laboratorium Neuronauki Poznawczej i Uczenia się na Uniwersytecie Normalnym w Pekinie. Wszyscy uczestnicy wyrazili pisemną świadomą zgodę przed rozpoczęciem eksperymentu.

1. Eksperyment symulacyjny

  1. Wygeneruj dwie serie czasowe sygnałów, które korelują ze sobą, przy czym jeden sygnał posiada autokorelację przy opóźnieniu czasowym 4 s. Ustaw współczynnik korelacji r między dwoma sygnałami na 0,4.
  2. Ponadto wygeneruj dwie serie czasowe sygnałów bez jakiejkolwiek korelacji, ale z autokorelacją w jednym sygnale.
  3. Oblicz wartości tradycyjnego INS z opóźnieniem czasowym 4 s za pomocą Równania 2 na podstawie wygenerowanych sygnałów z korelacją lub bez korelacji; wartości te można nazwać opóźnionym w czasie INSWTC z autokorelacją oraz opóźnionym w czasie bazowym INSWTC z autokorelacją.
    UWAGA: Tradycyjne opóźnione w czasie WTC jest wyrażone następującym równaniem (Równanie 2)25
    Równanie koherencji transformaty falkowej ilustrujące analizę widmową w przetwarzaniu sygnałów.
    gdzie C oznacza operator ciągłej transformaty falkowej dla różnych skal i i punktów czasowych t. S oznacza operator wygładzania. * oznacza operator sprzężenia zespolonego. W i M oznaczają dwie indywidualne serie czasowe sygnałów.
  4. Usuń autokorelację z wygenerowanych sygnałów. Następnie oblicz wartości tradycyjnego opóźnionego w czasie INSWTC o opóźnieniu 4 s za pomocą Równania 2 na podstawie wygenerowanych sygnałów z korelacją lub bez korelacji, które można nazwać opóźnionym w czasie INSWTC bez autokorelacji oraz opóźnionym w czasie bazowym INSWTC bez autokorelacji.
  5. Oblicz wartości pWTC z opóźnieniem czasowym 4 s za pomocą Równania 3 na podstawie wygenerowanych sygnałów z korelacją lub bez korelacji, nazywając je opóźnionym w czasie INSpWTC oraz opóźnionym w czasie bazowym INSpWTC.
    UWAGA: pWTC można obliczyć na podstawie następującego równania (Równanie 3)23
    Równanie okresowej koherencji transformaty falkowej; formuła matematyczna; metoda analizy danych.
    gdzie WTC (Wt, Mt+n) to tradycyjne WTC z opóźnieniem czasowym. WTC (Mt, Mt+n) to autokorelacyjne WTC jednej osoby. WTC (Wt, Mt) to WTC zsynchronizowane czasowo. * to operator sprzężenia zespolonego.
  6. Powtórz powyższe procedury 1000 razy.
  7. Po odjęciu bazowego INS porównaj wyniki opóźnionego w czasie INSWTC z autokorelacją, opóźnionego w czasie INSWTC bez autokorelacji oraz opóźnionego w czasie INSpWTC przy użyciu metody analizy wariancji (ANOVA).
    ​UWAGA: W tym przypadku oczekuje się, że opóźniony w czasie INSWTC z autokorelacją będzie znacznie wyższy niż opóźniony w czasie INSWTC bez autokorelacji oraz opóźniony w czasie INSpWTC, a między opóźnionym w czasie INSWTC bez autokorelacji a opóźnionym w czasie INSpWTC nie będzie istotnej różnicy.

2. Eksperyment empiryczny

  1. Uczestnicy i procedura
    1. Zrekrutuj odpowiednich uczestników.
      UWAGA: W niniejszym badaniu, za pomocą ogłoszeń, zrekrutowano dwudziestu dwóch par bliskich przyjaciół różnej płci (średni wiek kobiet = 20,95, odchylenie standardowe (SD) = 1,86; średni wiek mężczyzn = 20,50, SD = 1,74), będących studentami studiów licencjackich na uniwersytetach w Pekinie. Wszyscy uczestnicy byli praworęczni i mieli wzrok prawidłowy lub skorygowany do normy. Ponadto żaden z uczestników nie cierpiał na zaburzenia językowe, neurologiczne ani psychiatryczne.
    2. Poproś każdą parę uczestników o zajęcie miejsc naprzeciw siebie podczas eksperymentu. Poproś ich o swobodną komunikację na temat wspierający w jednej sesji oraz na temat konfliktowy w drugiej sesji.
      UWAGA: Tematy zostały wykorzystane w celu wywołania zamierzonej pozytywnej lub negatywnej walencji emocjonalnej. Każda sesja komunikacyjna trwała 10 min, a kolejność tematów była zrównoważona.
    3. Poproś uczestników o zgłoszenie tematów wspierających i konfliktowych zgodnie ze standardową zasadą konfiguracji. Poproś każdego z partnerów o ocenę poziomu walencji pozytywnej lub negatywnej, która mogła zostać wywołana, w określonej skali punktowej. Następnie uszereguj zgłoszone tematy zgodnie z uzyskaną oceną.
      UWAGA: W niniejszej pracy tematy wybrano w trzech następujących krokach. Po pierwsze, w przypadku tematów wspierających każdy uczestnik był zobowiązany do zgłoszenia 1–3 osobistych kwestii związanych z obszarami, które chciałby poprawić w swoim życiu. W przypadku tematów konfliktowych każdy uczestnik był zobowiązany do zgłoszenia 1–3 sytuacji, które wywołały lub mogłyby wywołać konflikt między partnerami bądź mogłyby zagrozić ich relacji. Po drugie, każdy z partnerów musiał ocenić na 7-punktowej skali (1 = wcale, 7 = w dużym stopniu) poziom walencji pozytywnej lub negatywnej, jaką mógłby wywołać każdy z tematów. Po trzecie, zgłoszone tematy uszeregowano zgodnie z uzyskaną oceną. Wybrano dwa pierwsze tematy z listy tematów wspierających oraz dwa pierwsze tematy z listy tematów konfliktowych.
  2. gromadzenie danych fNIRS
    1. Użyj 26-kanałowego systemu topografii fNIRS (patrz Tabela materiałów) do zbierania danych fNIRS.
      UWAGA: dwa zestawy dostosowanych sond optodowych obejmowały obustronnie korę czołową, skroniową i ciemieniową (Rysunek 1B).
    2. Dokładnie poproś każdego uczestnika o założenie czepek z dwoma dostosowanymi zestawami elektrod (patrz Tabela materiałów).
    3. Wyrównaj nasion, inion i wyrostki sutkowate z punktami Fpz, Opz, T7 i T8, które są typowymi punktami orientacyjnymi międzynarodowego systemu 10-20.26.
    4. Dopasuj kanał (CH) 11 do punktu T3 oraz CH25 do punktu T4 zgodnie z międzynarodowym systemem 10-20 dla obu zestawów elektrod.27,28.
    5. Zweryfikuj anatomiczną lokalizację zestawów sond poprzez skanowanie danych z obrazowania magnetycznego rezonansu (MRI) pochodzących od typowego uczestnika, z wykorzystaniem sekwencji szybkiego echa gradientowego z przygotowaniem namagnesowania, ważonej obrazem T1 o wysokiej rozdzielczości (TR = 2530 ms; TE = 3,39 ms; kąt odchylenia = 7°; grubość warstwy = 1,3 mm; rozmiar voxela = 1,3 x 1 x 1,3 mm).
    6. Użyj oprogramowania Statistical Parametric Mapping 12 (SPM12), aby znormalizować obraz do standardowej przestrzeni współrzędnych Montreal Neurological Institute (współrzędne MNI)29Następnie należy użyć zestawu narzędzi NIRS_SPM (patrz Tabela materiałów) w celu rzutowania współrzędnych MNI sond na szablon automatycznego etykietowania anatomicznego (AAL).
    7. Zbierz dane dotyczące gęstości optycznej światła bliskiej podczerwieni dla trzech długości fal (780, 805 i 830 nm) przy częstotliwości próbkowania 55,6 Hz (domyślne parametry urządzenia).
    8. Przetestuj jakość sygnału, korzystając z oprogramowania do obsługi sprzętu wbudowanego w system topografii fNIRS (patrz Tabela materiałów).
    9. Rozpocznij rejestrację sygnału.
      UWAGA: Niektóre opublikowane protokoły zademonstrowały sposób zbierania sygnałów fNIRS przy użyciu różnych urządzeń i systemów30,31,32.
  3. Wstępne przetwarzanie danych fNIRS
    1. Wyeksportuj pliki danych z urządzenia.
      UWAGA: W niniejszym eksperymencie wbudowane oprogramowanie automatycznie przekształciło wszystkie dane dotyczące gęstości optycznej na zmiany stężenia oksyhemoglobiny (HbO) na podstawie zmodyfikowanego prawa Beera-Lamberta.
    2. Usuń pierwsze i ostatnie 15 s danych z każdej sesji, aby uniknąć odpowiedzi przejściowych.
    3. Użyj wbudowanej funkcji decimate w programie MATLAB, aby przeprowadzić undersampling danych z częstotliwości 55,6 Hz do 11,1 Hz.
      UWAGA: Wzorce widma mocy w zakresie od 55,6 Hz do 11,1 Hz są bardzo podobne (Rycina uzupełniająca 1).
    4. Użyj wbudowanej funkcji aplikacji MATLAB (Homer3, zobacz Tabela materiałów) z odpowiednią funkcją filtrowania w celu zastosowania metody filtra dyskretnej transformaty falkowej do korekcji artefaktów ruchowych.
    5. Użyj wbudowanej funkcji pca w programie MATLAB, aby usunąć globalny szum fizjologiczny. Usuń 80% największej wariancji z sygnałów.
    6. Usuń szum fizjologiczny w oparciu o poprzednie badania33Dokładniej, należy usunąć pasma częstotliwości każdego sygnału powyżej 0,7 Hz, aby uniknąć aliasingu wysokoczęstotliwościowego szumu fizjologicznego (np. aktywności serca).
    7. Następnie należy usunąć z każdego sygnału pasma częstotliwości poniżej 0,01 Hz, aby odfiltrować fluktuacje o bardzo niskiej częstotliwości.
    8. Na koniec należy usunąć pasma częstotliwości każdego sygnału w zakresie 0,15-0,3 Hz, aby wykluczyć potencjalny wpływ aktywności oddechowej.
  4. Przetwarzanie danych fNIRS pierwszego poziomu
    1. Najpierw oblicz INS, korzystając z tradycyjnej metody WTC (INSWTC).
      UWAGA: W tym przypadku występuje zależność czasowa w zakresie INS z przewagą kobietWTC przewidywano, że wystąpi między aktywnością mózgu kobiet a aktywnością mózgu mężczyzn, ponieważ wcześniejsze badania sugerowały odmienne role kobiet i mężczyzn podczas konwersacji34,35Tradycyjny WTC obliczał ten wzorzec INSWTC poprzez przesunięcie aktywności mózgu mężczyzn do tyłu w stosunku do aktywności kobiet (patrz Równanie 2).
    2. Oblicz INS z przesunięciem o 2 sekundy dla organizacji kierowanych przez kobietyWTC wartość po usunięciu początkowych 2 s danych u kobiet i ostatnich 2 s danych u mężczyzn z Równanie 2Podobnie, po usunięciu pierwszych 2 s danych u mężczyzn i ostatnich 2 s danych u kobiet, oblicz wartość INS z 2-sekundowym opóźnieniem (lagged), prowadzoną przez mężczyzn.WTC wartość z Równanie 4.
      UWAGA: W tym przypadku zastosowano funkcję wcoherence, która jest funkcją wbudowaną w narzędzia wavelet toolbox programu MATLAB (patrz Tabela materiałów).
    3. Powtórz tę procedurę dla różnych opóźnień czasowych n, tj. n = 2 s, 4 s, 6 s, 8 s dla wszystkich potencjalnych par CH (np. CH2 u kobiet i CH10 u mężczyzn, łącznie 676 par). Dodatkowo oblicz siłę zopóźnionej w czasie INS prowadzonej przez mężczyznWTC w ten sam sposób (Równanie 4).
      Schemat równania koherencji transformaty falkowej, przedstawiający model matematyczny w analizie danych.
    4. Po drugie, oblicz INS, korzystając z pWTC (INSpWTC).
      UWAGA: pWTC obliczono na podstawie Równanie 3Obliczanie INSpWTC powtórzono dla różnych opóźnień czasowych n, tj. n = 2 s, 4 s, 6 s, 8 s dla wszystkich potencjalnych par kanałów (np. CH2 u kobiet i CH10 u mężczyzn, łącznie 676 par). Dodatkowo siłę prowadzonej przez mężczyzn czasowo opóźnionej INSpWTC obliczono w ten sam sposób (Równanie 5).
      Równanie koherencji transformaty falkowej, formuła matematyczna do analizy danych w badaniach naukowych.
    5. Wygeneruj szeregi czasowe sygnałów fNIRS z przesunięciem czasowym dla różnych wartości opóźnienia.
    6. Oblicz wartości opóźnionej w czasie analizy spójności falowej (WTC) dla różnych opóźnień czasowych.
    7. Wygeneruj autokorelowane szeregi czasowe sygnałów fNIRS dla różnych opóźnień czasowych. Aby obliczyć wartość autokorelacji dla przesunięcia 2 s u mężczyzn, usuń pierwsze 2 s danych oraz ostatnie 2 s danych z grupy mężczyzn.
    8. Oblicz wartości autokorelowanego WTC dla różnych opóźnień czasowych.
    9. Wygeneruj wyrównane czasowo szeregi czasowe sygnałów fNIRS przy różnych przesunięciach czasowych. Aby obliczyć wyrównany czasowo WTC dla interwału 2 s, usuń pierwsze 2 s danych z grupy mężczyzn oraz pierwsze 2 s danych z grupy kobiet.
    10. Oblicz wartości WTC zsynchronizowane czasowo.
    11. Wprowadź wartości WTC zsynchronizowane czasowo, WTC z przesunięciem czasowym oraz wartości WTC z autokorelacją dla różnych przesunięć czasowych do Równanie 3 i Równanie 5– równanie pWTC, generujące INSpWTC.
    12. W końcu obliczono INS przy użyciu metody GC (INSGC).
      UWAGA: Aby dodatkowo zwalidować metodę pWTC oraz ocenić jej zalety i wady, obliczono INS w oparciu o GC, stosując metodę GC (INSGC).
    13. Na podstawie wyniku pWTC, sygnał HbO każdego uczestnika w obszarze SMC poddawany jest filtrowaniu pasmowoprzepustowemu (tj. 0,4–0,6 Hz, zobacz Reprezentatywne wyniki).
    14. Przeprowadź test GC (Econometric toolbox, MATLAB) oddzielnie dla każdej dyady w tematach wspierających i konfliktowych.
      UWAGA: Dla INS uzyskano cztery grupy wartości FGC(1) od kobiet do mężczyzn w temacie wspierającym (W2M_supp); (2) od mężczyzn do kobiet w temacie wspierającym (M2W_supp); (3) od kobiet do mężczyzn w temacie konfliktowym (W2M_conf); oraz (4) od mężczyzn do kobiet w temacie konfliktowym (M2W_conf). Wartości F są wykorzystywane do indeksowania INSGC.
  5. Przetwarzanie danych fNIRS drugiego poziomu
    1. Przekształć INS za pomocą transformacji Fishera-z, a następnie oblicz średnią INS w wymiarze czasowym.
      UWAGA: Transformację Fishera-z przeprowadzono przy użyciu autorskiego skryptu w programie MATLAB z Równanie 636:
      Wzór logarytmiczny, obliczanie wyniku z, równanie matematyczne.
      gdzie r jest wartością WTC lub pWTC, a z jest wartością WTC lub pWTC po transformacji Fisher-z.
    2. Dla uśrednionych wartości INS dla każdego opóźnienia czasowego przeprowadź parowy test dla dwóch próbek t-test (pomocniczy kontra. konflikt) dla każdej pary CH w całym zakresie częstotliwości. Następnie zidentyfikuj wszystkie istotne klastry częstotliwości (P < 0.05).
    3. Przeprowadź test permutacyjny oparty na klastrach w celu ustalenia progu dla otrzymanych wyników.
      1. Przenadziej relacje dyadyczne poprzez losowe przypisanie uczestników do nowych dwuosobowych par, t. j. uczestników dyady, którzy nigdy wcześniej ze sobą nie komunikowali się. Ponownie oblicz INS dla każdego opóźnienia czasowego, przeprowadź testy dla par t-ponownie przeprowadzić testy w nowej próbce i ponownie zidentyfikować istotne klastry częstotliwości.
      2. Wybierz klastry z największą sumaryczną wartością t. Powtórz powyższe procedury 1000 razy, aby wygenerować rozkład zerowy maksymalnych fałszywie dodatnich wartości t.
        UWAGA: Rozkład służy jako poziom szansy. Rodzinny poziom błędu (FWER) jest kontrolowany na poziomie q = 0,05, co oznacza, że tylko najwyższe 5% rozkładu zerowego wartości t dla wyników fałszywie dodatnich przekracza próg (R*).
      3. Porównaj sumaryczną wartość t dla każdego zidentyfikowanego klastra częstotliwości w oryginalnej próbce z rozkładem zerowym, aby uzyskać istotne statystycznie wyniki.
    4. Przeprowadź analizę wariancji (ANOVA) dla czynników kontekst (wspierający, konfliktowy) x kierunek (kobiety do mężczyzn, mężczyźni do kobiet), aby zbadać różnice w kierunku INS pomiędzy różnymi warunkami (tj. tematami) (p < 0.05).
    5. Przeprowadź parowy dwupróbkowy dwustronny test t dla wyników WTC (Wt, Mt + n) oraz WTC (Mt, Mt + n) w celu zbadania potencjalnego wpływu autokorelacji na INS.
      UWAGA: INS dla WTC (Mt, Mt + n) odzwierciedla autokorelację.

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

Wyniki

Wyniki symulacji
Wyniki wykazały, że opóźniony w czasie INSWTC z autokorelacją był istotnie wyższy niż opóźniony w czasie INSWTC bez autokorelacji (t(1998) = 4,696, p < 0,001) oraz opóźniony w czasie INSpWTC (t(1998) = 5,098, p < 0,001). Ponadto nie stwierdzono istotnej różnicy między opóźnionym w czasie INSWTC bez autokorelacji a INSpWTC (t(1998) = 1,573, p = 0,114, Rysunek ...

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

Dyskusja

W badaniach hiperskaningowych zwykle niezbędne jest opisanie kierunkowych i czasowych wzorców przepływu informacji między osobami. Większość wcześniejszych badań hiperskanowania fNIRS wykorzystywała tradycyjny WTC25 do wnioskowania o tych cechach poprzez obliczanie opóźnionych w czasie INS. Jednakże, jako jedna z wewnętrznych cech sygnału fNIRS20,21, efekt autokorelacji może zmylić opóźniony w czasie INS. Aby rozwiązać ten problem, w ninie...

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

Oświadczenia

Autorzy deklarują brak sprzecznych interesów finansowych.

Podziękowania

Ta praca była wspierana przez Narodową Fundację Nauk Przyrodniczych Chin (61977008) oraz Program Młodych Talentów Najwyższej Klasy Dziesięciu Tysięcy Talentów.

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

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
System topograficzny fNIRSShimadzu CorporationSystem Shimadzu LABNIRSLABNIRS zawiera 40 emiterów i 40 detektorów do pomiaru sygnałów fNIRS. W tym protokole użyliśmy tych emiterów i detektorów, stworzyliśmy dwa niestandardowe zestawy sond 26-kanałowych i przymocowaliśmy je do dwóch nasadek zgodnie z systemem 10-20. Ponadto system LABNIRS zawiera również wbudowane oprogramowanie GUI do kontroli jakości danych, konwersji danych i eksportu danych.
MATLABMathWorks, Inc.MATLAB 2019aW tym protokole użyto kilku zestawów narzędzi i funkcji wbudowanych w MATLAB:
Zestaw narzędzi SPM12 został użyty do normalizacji zwalidowanych danych MRI za pomocą GUI.
NIRS_SPM zestaw narzędzi został użyty do rzutowania współrzędnych MNI sond na szablon AAL za pomocą GUI.
Przybornik Homer3 został użyty do usunięcia artefaktów ruchu za pomocą funkcji hmrMotionCorrectWavelet z domyślnymi parametrami.
Wavelet Zestaw narzędzi został użyty do obliczenia WTC i pWTC za pomocą jego funkcji koherencji.
Skaner MRISkaner Siemens HealthineersTRIO 3-TeslaW tym protokole skaner MRI został wykorzystany do uzyskania współrzędnych MNI każdego kanału i optpde. Parametry skanowania są opisane w tekście głównym.
Niestandardowe czapkiW tym protokole najpierw oznaczyliśmy dwie nylonowe nasadki z systemem 10-20. Następnie wykonaliśmy dwa 26-kanałowe zestawy sond optodowych na zamówienie. Na koniec dołączyliśmy zestawy sond do czapek wyrównanych z punktami orientacyjnymi.
System

Bibliografia

  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).

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

Przedruki i uprawnienia

Tagi

Synchronizacja neuronalnaprzyczynowo Grangerainterakcja spo ecznast enie hemoglobinykorekcja artefakt w ruchowychtest permutacyjny klastr w
Pomiar kierunkowego przepływu informacji w danych fNIRS-Hyperscaning z wykorzystaniem metody częściowej koherencji transformacji falkowej
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.