Artykuł metodologiczny

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

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

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

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

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

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

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

Interakcja społeczna ma kluczowe znaczenie dla istot ludzkich1,2. W celu zrozumienia neurokognitywnego mechanizmu interakcji społecznych opartego na dwóch mózgach, podejście hiperskanowania jest ostatnio szeroko stosowane, pokazując, że wzorce interpersonalnej synchronizacji neuronalnej (INS) mogą dobrze scharakteryzować proces interakcji społecznej3,4,5,6,7,8,9,10,11,12,13,14. Wśród ostatnich badań interesującym odkryciem jest to, że różnica ról poszczególnych osób w diadzie może prowadzić do opóźnionego w czasie wzorca INS, tj. INS występuje, gdy aktywność mózgu jednej osoby pozostaje w tyle za aktywnością innej osoby o sekundy, na przykład od słuchaczy do mówców5,9, od liderów do obserwujących4, Od nauczycieli do uczniów8, od matek do dzieci13,15, oraz od kobiet do mężczyzn w romantycznej parze6. Co najważniejsze, istnieje dobra zgodność między interwałem opóźnionych w czasie INS a zachowaniami interakcji społecznych, takimi jak między nauczycielami zadającymi pytania a odpowiadającymi uczniom8 lub między zachowaniami rodzicielskimi matek a zachowaniami uległości dzieci15. W związku z tym opóźniony w czasie INS może odzwierciedlać kierunkowy przepływ informacji od jednej osoby do drugiej, jak zaproponowano w niedawnym hierarchicznym modelu interpersonalnej komunikacji werbalnej16.

Poprzednio, opóźniony w czasie INS był głównie obliczany na podstawie sygnału funkcjonalnej spektroskopii bliskiej podczerwieni (fNIRS) ze względu na jego stosunkowo wysoką rozdzielczość przestrzenną, lokalizację anatomiczną dźwięku i wyjątkowo wysoką tolerancję artefaktów ruchu17 podczas badania naturalistycznych interakcji społecznych. Ponadto, aby precyzyjnie scharakteryzować zależność między neuronalnym opóźnieniem czasowym a behawioralnym opóźnieniem czasowym podczas interakcji społecznych, konieczne jest uzyskanie siły INS dla każdego opóźnienia czasowego (np. od braku opóźnienia czasowego do opóźnienia czasowego wynoszącego 10 s). W tym celu wcześniej szeroko stosowano procedurę koherencji transformacji falkowej (WTC) po przesunięciu sygnału mózgowego jednej osoby do przodu lub do tyłu w stosunku do sygnału innej osoby5,6,18. W przypadku korzystania z tej tradycyjnej procedury WTC dla sygnałów fNIRS istnieje potencjalne wyzwanie, ponieważ obserwowane opóźnione w czasie INS mogą być zakłócone przez efekt autokorelacji sygnału fNIRS dla jednostki19,20,21. Na przykład, podczas diadycznego procesu interakcji społecznej, sygnał uczestnika A w punkcie czasowym t może być zsynchronizowany z sygnałem uczestnika B w tym samym punkcie czasowym. Tymczasem 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 związku z tym może wystąpić fałszywy opóźniony w czasie INS między sygnałem uczestnika A w punkcie czasowym t a sygnałem uczestnika B w punkcie czasowym t+1.

Mihanović i jego koledzy22 najpierw wprowadzili metodę określaną jako częściowa koherencja transformacji falkowej (pWTC), a następnie zastosowali ją w naukach o morzu23,24. Pierwotnym celem tej metody było kontrolowanie egzogenicznego szumu zakłócającego podczas szacowania spójności dwóch sygnałów. W tym przypadku, aby rozwiązać problem z autokorelacją w danych hiperskanowania fNIRS, metoda pWTC została rozszerzona o obliczanie opóźnionych w czasie INS na sygnale fNIRS. Dokładniej, opóźniony w czasie INS (i kierunkowy przepływ informacji) od uczestnika A do uczestnika B można obliczyć za pomocą poniższego równania (równanie 1)23.

figure-introduction-1

Tutaj zakłada się, że istnieją dwa sygnały, A i B, odpowiednio od uczestników A i B. Występowanie sygnału B zawsze poprzedza występowanie sygnału A z opóźnieniem czasowym n, gdzie WTC (At, Bt+n) jest tradycyjnym WTC opóźnionym w czasie. WTC (At, At + n) jest automatycznie skorelowanym WTC u uczestnika A. WTC (At, Bt) jest wyrównanym w czasie WTC w punkcie czasowym t między uczestnikiem A i B. * jest operatorem sprzężonym zespolonym (Rysunek 1A).

figure-introduction-2
Rysunek 1: Przegląd pWTC. (A) Logika pWTC. W obrębie diady znajdują się dwa sygnały A i B. Wystąpienie A zawsze następuje po wystąpieniu B z opóźnieniem n. Szare pole to okno falkowe w określonym punkcie czasowym t lub t+n. Na podstawie równania pWTC (przedstawionego na rysunku) należy obliczyć trzy WTC: WTC z opóźnieniem w czasie At+n i Bt; autoskorelowane WTC u uczestnika A z A t i At+n; oraz wyrównane w czasie WTC w punkcie czasowym t, At i Bt. orazUkład zestawów sond optodowych. CH11 został umieszczony w T3, a CH25 został umieszczony w T4 zgodnie z międzynarodowym systemem 10-2027,28. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Ten protokół najpierw wprowadził eksperyment symulacyjny, aby pokazać, jak dobrze pWTC radzi sobie z wyzwaniem autokorelacji. Następnie wyjaśniono, jak krok po kroku przeprowadzić pWTC w oparciu o empiryczny eksperyment naturalistycznych interakcji społecznych. W tym przypadku do wprowadzenia metody wykorzystano kontekst komunikacyjny. Dzieje się tak dlatego, że wcześniej opóźniony w czasie INS był zwykle obliczany w naturalistycznym kontekście komunikacyjnym3,4,6,8,13,15,18. Dodatkowo 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

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

Protokół eksperymentu na ludziach został zatwierdzony przez Instytucjonalną Komisję Rewizyjną i Komisję Etyki Państwowego Kluczowego Laboratorium Neuronauki Kognitywnej 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 są ze sobą skorelowane, przy czym jeden sygnał ma automatyczną korelację z 4-sekundowym opóźnieniem. Ustaw współczynnik korelacji r między dwoma sygnałami na 0,4.
  2. Ponadto generuj dwa szeregi czasowe sygnałów bez żadnej korelacji, ale z autokorelacją w jednym sygnale.
  3. Oblicz wartości tradycyjnego 4-sekundowego opóźnienia czasowego INS za pomocą równania 2 na podstawie wygenerowanych sygnałów z korelacją lub bez, które można nazwać opóźnionym w czasie INSWTC z autokorelacją i opóźnionym w czasie bazowym INSWTC z autokorelacją.
    UWAGA: W tym przypadku tradycyjne WTC z opóźnieniem czasowym jest wyrażone następującym równaniem (Równanie 2)25
    figure-protocol-1
    gdzie, C oznacza ciągły operator transformacji falkowej w różnych skalach i i punktach czasowych t. S oznacza operator wygładzania. * oznacza zespolony operator sprzężony. W i M wskazują dwa indywidualne szeregi czasowe sygnałów.
  4. Usuń autokorelację z wygenerowanych sygnałów. Następnie oblicz wartości tradycyjnego 4-sekundowego opóźnienia czasowego INSWTC za pomocą równania 2 na podstawie wygenerowanych sygnałów z korelacją lub bez, które można nazwać opóźnionym w czasie INSWTC bez autokorelacji i opóźnionym w czasie bazowym INSWTC bez autokorelacji.
  5. Oblicz wartości 4-sekundowego opóźnienia czasowego pWTC za pomocą równania 3 na podstawie wygenerowanych sygnałów z korelacją lub bez, nazwanych INS z opóźnieniem w czasiepWTC i opóźnionej w czasie linii bazowej INSpWTC.
    UWAGA: pWTC można obliczyć na podstawie następującego równania (równanie 3)23
    figure-protocol-2
    gdzie, WTC (Wt, Mt+n) jest tradycyjnym WTC opóźnionym w czasie. WTC (Mt, Mt+n) jest autoskorelowanym WTC jednej osoby. WTC (Wt, Mt) jest to WTC zestrojone w czasie. * jest operatorem sprzężenia zespolonego.
  6. Powtórz powyższe procedury 1000 razy.
  7. Po odjęciu wyjściowego INS WTC porównaj wyniki INSWTC opóźnionego w czasie z autokorelacją, opóźnionego w czasie INSWTC bez autokorelacji i opóźnionego w czasie INSpWTC przy użyciu metody analiz 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 i opóźniony w czasie INSpWTC i nie oczekuje się znaczącej różnicy między opóźnionym w czasie INSWTC bez autokorelacji a opóźnionym w czasie INSpWTC.

2. Eksperyment empiryczny

  1. Uczestnicy i procedura
    1. Zrekrutuj odpowiednich uczestników.
      UWAGA: W tym badaniu dwadzieścia dwie pary bliskich przyjaciół płci przeciwnej (średni wiek kobiet = 20,95, odchylenie standardowe (SD) = 1,86; średni wiek mężczyzn = 20,50, SD = 1,74) zostały zrekrutowane za pośrednictwem reklam wśród studentów uniwersytetów w Pekinie. Wszyscy uczestnicy byli praworęczni i mieli normalne lub skorygowane do normalnego widzenia. Co więcej, żaden z uczestników nie miał żadnych zaburzeń językowych, neurologicznych ani psychiatrycznych.
    2. Poproś każdą parę uczestników, aby podczas eksperymentu usiadła twarzą w twarz. Poproś ich, aby swobodnie komunikowali się na temat wsparcia podczas jednej sesji i na temat konfliktu na drugiej sesji.
      UWAGA: Tematy zostały wykorzystane do wywołania zamierzonej pozytywnej lub negatywnej wartości emocjonalnej. Każda sesja komunikacyjna trwała 10 minut, a kolejność tematów była równoważona.
    3. Poproś uczestników, aby opowiedzieli o tematach wsparcia i konfliktu jako standardowej regułie konfiguracji. Poproś każdego z partnerów, aby ocenił pozytywny lub negatywny poziom walencji, który mógł zostać wywołany na określonej skali punktowej. Następnie uszereguj zgłoszone tematy zgodnie z oceną.
      UWAGA: W tej pracy tematy zostały wybrane w następujących trzech krokach. Po pierwsze, w przypadku tematów wspierających, każdy uczestnik musiał zgłosić 1-3 osobiste problemy związane z tym, co chciałby poprawić w swoim życiu. Każdy uczestnik został poproszony o zgłoszenie 1-3 przypadków, które wywołały lub wywołałyby konflikt między nimi lub które mogłyby zagrozić ich związkowi w odniesieniu do tematów konfliktowych. Po drugie, każdy z partnerów musiał ocenić poziom pozytywnej lub negatywnej wartościowości, jaki każdy temat może wywołać, w 7-punktowej skali (1 = wcale, a 7 = bardzo). Po trzecie, zgłoszone tematy zostały uszeregowane zgodnie z oceną. Wybrano pierwsze dwa tematy z listy tematów wspierających i tematów konfliktowych.
  2. Gromadzenie danych fNIRS
    1. Użyj 26-kanałowego systemu topografii fNIRS (patrz Spis materiałów), aby zebrać dane fNIRS.
      UWAGA: Dwa niestandardowe zestawy sond optodowych obejmowały obustronną korę czołową, skroniową i ciemieniową (Rysunek 1B).
    2. Dokładniej, poproś każdego uczestnika o założenie czepka z dwoma spersonalizowanymi zestawami sond (patrz Tabela Materiałów).
    3. Dopasuj nasiona, inion i wyrostek sutkowate do Fpz, Opz, T7 i T8, które są typowymi punktami orientacyjnymi 10-20 international system26.
    4. Wyrównaj kanał (CH) 11 do T3 i CH25 do T4 zgodnie z międzynarodowym systemem 10-20 dla dwóch zestawów sond27,28.
    5. Walidacja anatomicznych lokalizacji zestawów sond poprzez skanowanie danych rezonansu magnetycznego (MRI) od typowego uczestnika z szybką sekwencją echa gradientowego o wysokiej rozdzielczości T1 przygotowaną przez namagnesowanie (TR = 2530 ms; TE = 3,39 ms; kąt odwrócenia = 7°; grubość plastra = 1,3 mm; rozmiar woksela = 1,3 x 1 x 1,3 mm).
    6. Użyj statystycznego mapowania parametrycznego 12 (SPM12), aby znormalizować obraz do standardowej przestrzeni współrzędnych instytutu obrazowania w Montrealu (współrzędna MNI)29. Następnie użyj zestawu narzędzi NIRS_SPM (patrz tabela materiałów), aby rzutować współrzędne MNI sond na szablon automatycznego etykietowania anatomicznego (AAL).
    7. Zbierz dane o gęstości optycznej światła bliskiej podczerwieni na trzech długościach fal (780, 805 i 830 nm) z częstotliwością próbkowania 55,6 Hz (domyślne parametry sprzętu).
    8. Przetestuj jakość sygnału za pomocą wbudowanego oprogramowania sprzętowego systemu topografii fNIRS (patrz tabela materiałów).
    9. Rozpocznij nagrywanie sygnału.
      UWAGA: Niektóre opublikowane protokoły pokazują, jak zbierać sygnały fNIRS za pomocą różnych urządzeń i systemów30,31,32.
  3. Wstępne przetwarzanie danych fNIRS
    1. Eksportuj pliki danych z urządzenia.
      UWAGA: W obecnym eksperymencie wbudowane oprogramowanie automatycznie przekształciło wszystkie dane gęstości optycznej na zmiany stężenia oksyhemoglobiny (HbO) w oparciu o zmodyfikowane prawo Beera-Lamberta.
    2. Usuń pierwsze i ostatnie 15 s danych dla każdej sesji, aby uniknąć przejściowych odpowiedzi.
    3. Użyj wbudowanej funkcji dziesiątkowania MATLAB, aby zmniejszyć próbkowanie danych z 55,6 Hz do 11,1 Hz.
      UWAGA: Wzorce widma mocy między 55,6 Hz a 11,1 Hz są dość podobne (rysunek uzupełniający 1).
    4. Użyj wbudowanej funkcji aplikacji MATLAB (Homer3, patrz Spis materiałów) z odpowiednią funkcją filtrowania, aby zastosować metodę dyskretnego filtra transformacji falkowej w celu skorygowania artefaktów ruchu.
    5. Użyj wbudowanej funkcji MATLAB pca, aby usunąć globalny szum fizjologiczny. Usuń górne 80% wariancji z sygnałów.
    6. Usuń szum fizjologiczny na podstawie poprzednich badań33. Precyzyjnie należy usunąć pasma częstotliwości każdego sygnału powyżej 0,7 Hz, aby uniknąć aliasingu szumów fizjologicznych o wysokiej częstotliwości (np. aktywności serca).
    7. Następnie usuń pasma częstotliwości każdego sygnału poniżej 0,01 Hz, aby odfiltrować wahania bardzo niskich częstotliwości.
    8. Na koniec usuń 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 za pomocą tradycyjnego WTC (INSWTC).
      UWAGA: W tym przypadku przewidywano, że między aktywnością mózgu kobiet a aktywnością mózgu mężczyzn wystąpi opóźniony w czasie wzorzec INSWTC, ponieważ poprzednie badania sugerowały różne role kobiet i mężczyzn podczas rozmowy34,35. Tradycyjne WTC obliczało ten wzorzec INSWTC poprzez przesunięcie aktywności mózgu mężczyzn do tyłu w stosunku do aktywności mózgu kobiet (patrz Równanie 2).
    2. Oblicz wartośćINS WTC prowadzoną przez kobiety z 2 s opóźnionymi po usunięciu początkowych 2 s danych od kobiet i ostatnich 2 s danych od mężczyzn za pomocą równania 2. Podobnie, po usunięciu początkowych 2 s danych od mężczyzn i ostatnich 2 s danych od kobiet, oblicz wartośćINS WTC prowadzoną przez mężczyzn za pomocą równania 4.
      UWAGA: W tym przypadku użyto funkcji koherencji, która jest wbudowaną funkcją zestawu narzędzi falkowych programu MATLAB (patrz Tabela materiałów).
    3. Powtórz tę procedurę z różnymi opóźnieniami czasowymi n, tj. n = 2 s, 4 s, 6 s, 8 s we wszystkich potencjalnych parach CH (np. CH2 u kobiet i CH10 u mężczyzn, w sumie 676 par). Dodatkowo w ten sam sposób oblicz wytrzymałość INSWTC z opóźnieniem w czasie prowadzonym przez mężczyzn (równanie 4).
      figure-protocol-3
    4. Po drugie, oblicz INS za pomocą pWTC (INSpWTC).
      UWAGA: pWTC obliczono na podstawie równania 3. Obliczenia INSpWTC powtórzono z różnymi opóźnieniami czasowymi n, tj. n = 2 s, 4 s, 6 s, 8 s we wszystkich potencjalnych parach kanałów (np. CH2 u kobiet i CH10 u mężczyzn, łącznie 676 par). Dodatkowo, w ten sam sposób obliczono siłę INSpWTC z opóźnieniem w czasie prowadzonym przez mężczyzn (równanie 5).
      figure-protocol-4
    5. Generuj opóźnione w czasie szeregi czasowe sygnałów fNIRS w różnych opóźnieniach czasowych.
    6. Oblicz wartości WTC z opóźnieniem w czasie przy różnych opóźnieniach czasowych.
    7. Generuj automatycznie skorelowane szeregi czasowe sygnałów fNIRS w różnych opóźnieniach czasowych. Aby obliczyć wartość 2 s autoskorelowaną dla mężczyzn, usuń pierwsze 2 s danych od mężczyzn i ostatnie 2 s dane od mężczyzn.
    8. Oblicz automatycznie skorelowane wartości WTC w różnych opóźnieniach czasowych.
    9. Generuj wyrównane w czasie szeregi czasowe sygnałów fNIRS w różnych opóźnieniach czasowych. Aby obliczyć WTC wyrównane w czasie 2 s, usuń pierwsze 2 s danych z danych mężczyzn i pierwsze 2 s danych kobiet.
    10. Oblicz wyrównane w czasie wartości WTC.
    11. Wprowadź wyrównane w czasie WTC, WTC opóźnione w czasie i automatycznie skorelowane wartości WTC w różnym opóźnieniu czasowym do równania 3 i równania 5 - równania pWTC, generując INSpWTC.
    12. Na koniec oblicz INS metodą GC (INSGC).
      UWAGA: W celu dalszej walidacji metody pWTC i oceny jej zalet i wad, INS oparty na GC obliczono przy użyciu metody GC (INSGC).
    13. Na podstawie wyniku pWTC, pasmo przepustowe filtruje sygnał HbO każdej osoby w SMC (tj. 0,4-0,6 Hz, patrz Reprezentatywne wyniki).
    14. Przeprowadź test GC (zestaw narzędzi ekonometrycznych, MATLAB) w ramach każdej diady osobno w tematach wspierających i konfliktowych.
      UWAGA: Dla INSGC uzyskuje się cztery grupy wartości F: (1) od kobiet do mężczyzn na temat wspierający (W2M_supp); (2) od mężczyzn do kobiet na temat wsparcia (M2W_supp); (3) od kobiet do mężczyzn na temat konfliktu (W2M_conf); oraz (4) od mężczyzn do kobiet na temat konfliktu (M2 W_conf). Wartości F są używane do indeksowaniaINS GC.
  5. Przetwarzanie danych fNIRS drugiego poziomu
    1. Przekształć INS za pomocą transformacji Fishera-z, a następnie uśrednij INS w wymiarze czasowym.
      UWAGA: W tym przypadku transformacja Fishera-z została przeprowadzona przy użyciu niestandardowego skryptu MATLAB z równaniem 636:
      figure-protocol-5
      gdzie r jest wartością WTC lub pWTC, a z jest wartością przekształconą przez Fishera-z WTC lub pWTC.
    2. Dla uśrednionych INS w każdym opóźnieniu czasowym przeprowadź sparowany test t dla dwóch prób (wspierający vs. konflikt) na każdej parze CH w całym zakresie częstotliwości. Następnie zidentyfikuj wszystkie znaczące klastry częstości (P < 0,05).
    3. Przeprowadź test permutacji oparty na klastrach, aby ustalić próg wyników.
      1. Ponownie przypisz relacje diadyczne, losowo przypisując uczestników do nowych par dwuczłonowych, tj. uczestników diady, którzy nigdy się ze sobą nie komunikowali. Ponownie oblicz INS przy każdym opóźnieniu czasowym, ponownie wykonaj sparowane testy t w nowej próbie i ponownie zidentyfikuj klastry o znaczącej częstotliwości.
      2. Wybierz klaster z największą zsumowaną wartością t. Powtórz powyższe procedury 1000 razy, aby wygenerować rozkład zerowy maksymalnej liczby wyników fałszywie dodatnich t.
        UWAGA: Rozkład jest podawany jako poziom szansy. Rodzinny poziom błędu (FWER) jest kontrolowany przy q = 0,05, co oznacza, że tylko górne 5% rozkładu zerowego wyników fałszywie dodatnich wartości t przekracza próg (R*).
      3. Porównaj zsumowaną wartość t każdego zidentyfikowanego klastra częstości w oryginalnej próbie z rozkładem zerowym, aby uzyskać istotne wyniki statystyczne.
    4. Przeprowadź analizę wariancji kontekstowej (wspierającej, konfliktowej) x kierunkowej (kobiety do mężczyzn, mężczyźni do kobiet) (ANOVA), aby przetestować różnicę w kierunku INS między różnymi warunkami (tj. tematami) (p < 0,05).
    5. Przeprowadź dwustronny test t dla dwóch prób między wynikami WTC (Wt, Mt + n) i WTC (Mt, Mt + n), aby przetestować potencjalny wpływ autokorelacji na INS.
      UWAGA: INS WTC (Mt, Mt + n) odzwierciedla autokorelację.

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

Wyniki

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

Wyniki symulacji
Wyniki pokazały, że opóźniony w czasie INSWTC z autokorelacją był znacznie wyższy niż opóźniony w czasie INSWTC bez autokorelacji (t(1998) = 4,696, p < 0,001) i 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 2A)....

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

Dyskusja

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

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

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

Autorzy deklarują brak sprzecznych interesów finansowych.

Podziękowania

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

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

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

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

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Synchronizacja neuronalnaprzyczynowo Grangerainterakcja spo ecznast enie hemoglobinykorekcja artefakt w ruchowychtest permutacyjny klastr w

Powiązane artykuły