Artykuł metodologiczny

Nowe ramy zrozumienia koherencji międzymózgowej w badaniach hiperskanowania funkcjonalnej spektroskopii bliskiej podczerwieni (fNIRS)

3.9K wyświetleń

⸱

DOI:

10.3791/65347

⸱

6 października 2023

 ,  ,  ,  ,  ,  , 
1The Department of Behavioral Sciences and Psychology, Ariel University, 2Braude College of Engineering, 3Department of Psychology and Behavioral Sciences, Zhejiang University, 4Department of Psychology, Florida Atlantic University

Autorzy korespondencyjni: Anat Dahan <anatdhn@gmail.com>

W tym artykule

Podsumowanie

Koherencja transformacji falkowej (WTC) to powszechna metodologia oceny sprzężenia między sygnałami, która jest używana w badaniach hiperskanowania funkcjonalnej spektroskopii bliskiej podczerwieni (fNIRS). W niniejszej pracy przedstawiono zestaw narzędzi do oceny kierunkowości interakcji sygnału.

Streszczenie

Pomimo rosnącej liczby badań hiperskanowania funkcjonalnej spektroskopii bliskiej podczerwieni (fNIRS), ocena sprzężenia między dwoma sygnałami neuronowymi za pomocą koherencji transformacji falkowej (WTC) wydaje się ignorować kierunkowość oddziaływania. W tej dziedzinie brakuje obecnie ramy, która pozwoliłaby naukowcom określić, czy wysoka wartość koherencji uzyskana za pomocą funkcji WTC odzwierciedla synchronizację w fazie (tj. aktywację neuronalną obserwuje się w obu członkach diady w tym samym czasie), synchronizację opóźnioną (tj. aktywację neuronalną obserwuje się w jednym elemencie diady przed drugim członkiem), lub synchronizacja antyfazowa (tj. aktywacja neuronalna jest zwiększona w jednym członku diady i zmniejszona w drugim). Aby odpowiedzieć na tę potrzebę, w niniejszej pracy zaproponowano uzupełniające i bardziej czułe podejście do analizy koherencji fazowej dwóch sygnałów neuronowych. Zestaw narzędzi umożliwia badaczom oszacowanie kierunkowości sprzężenia poprzez klasyfikację wartości kąta fazowego uzyskanych przy użyciu tradycyjnego WTC na synchronizację w fazie, synchronizację opóźnioną i synchronizację przeciwfazową. Zestaw narzędzi pozwala również badaczom ocenić, w jaki sposób dynamika interakcji rozwija się i zmienia w trakcie trwania zadania. Wykorzystanie tego nowatorskiego podejścia WTC i zestawu narzędzi pozwoli nam lepiej zrozumieć złożone interakcje społeczne dzięki ich zastosowaniu w badaniach hiperskanowania fNIRS.

Wprowadzenie

W ostatnich latach nastąpiła zmiana w typach badań prowadzonych w celu zrozumienia neuronowych podstaw zachowań społecznych1,2. Tradycyjnie badania w dziedzinie neuronauki społecznej koncentrowały się na aktywacji neuronalnej w jednym, odizolowanym mózgu podczas wykonywania zadania o znaczeniu społecznym. Jednak postępy w technologii neuroobrazowania pozwalają obecnie na badanie aktywacji neuronalnej w mózgach jednej lub większej liczby osób podczas interakcji społecznych odbywających się w warunkach „realnego życia”3. W warunkach „realnego życia” jednostki mogą swobodnie się poruszać, a wzorce aktywacji mózgu prawdopodobnie ulegają zmianom w miarę wymiany informacji i wzajemnego otrzymywania informacji zwrotnych przez partnerów społecznych4.

Hyperscanning to metoda oceniająca tę dwukierunkową wymianę informacji poprzez jednoczesny pomiar aktywności mózgu u dwóch lub więcej osób5. Coraz więcej badań wykorzystuje funkcjonalną spektroskopię bliskiej podczerwieni (fNIRS), nieinwazyjną technikę neuroobrazowania, która w porównaniu z innymi metodami neuroobrazowania jest mniej podatna na artefakty ruchowe6. Hyperscanning za pomocą fNIRS umożliwia ocenę synchronizacji międzymózgowej (IBS) w warunkach rzeczywistych, podczas gdy partnerzy wchodzący w interakcję poruszają się swobodnie i naturalnie. Jest to szczególnie istotne w pracy z niemowlętami i małymi dziećmi, które mają tendencję do dużej aktywności. Wykazano, że IBS odzwierciedla wzajemne zrozumienie między partnerami w interakcji, co stanowi podstawę skutecznej interakcji społecznej i komunikacji oraz pośredniczy w tworzeniu wspólnej intencjonalności1,7,8.

Do oceny IBS dwóch mózgów stosuje się kilka metod. Metody te obejmują korelacje szeregów czasowych, takie jak korelacja wzajemna i współczynnik korelacji Pearsona9,10 (patrz przegląd Scholkmanna i wsp.10). Inne metody polegają na ocenie siły sprzężenia w dziedzinie częstotliwości. Metody te obejmują wartość blokowania fazowego (PLV) oraz koherencję fazową (patrz przegląd Czeszumskiego i wsp.11). Jedną z najczęściej stosowanych metod w badaniach fNIRS jest koherencja transformaty falkowej (WTC) – miara korelacji wzajemnej dwóch szeregów czasowych jako funkcji częstotliwości i czasu10.

WTC wykorzystuje analizy korelacyjne do obliczania koherencji i przesunięcia fazowego pomiędzy dwoma szeregami czasowymi w dziedzinie czas-częstotliwość. Badania fNIRS z wykorzystaniem hyperscanningu stosowały WTC do szacowania IBS w wielu obszarach funkcjonowania, w tym w monitorowaniu działań12, zachowaniach kooperacyjnych i konkurencyjnych5,13,14,15, imitacji16, rozwiązywaniu problemów przez matkę i niemowlę17 oraz zachowaniach związanych z nauczaniem i uczeniem się18,19,20,21. Zazwyczaj w badaniach hyperscanningu koherencję międzymózgową, mierzoną za pomocą WTC podczas zadania eksperymentalnego, porównuje się z koherencją międzymózgową podczas zadania kontrolnego. Wyniki te są zazwyczaj prezentowane w formie „wykresu cieplnego” (hot plot) WTC, który pokazuje koherencję między dwoma mózgami w każdym punkcie czasowym i częstotliwości (patrz Rysunek 1).

Zgodnie z sugestią Czesumaskiego i wsp.11, WTC stało się standardowym podejściem analitycznym w analizie hyperscanningu fNIRS. Analiza WTC jest elastyczną, „niezależną od narzędzi” metodą wizualizacji i interpretacji danych22. Główną zaletą WTC, która czyni tę metodę potężnym narzędziem w badaniach stosowanych, jest mapa ciepła współczynnika koherencji; zapewnia ona narracyjną formę analizy, umożliwiając łatwą identyfikację okresów zachowań synchronicznych lub asynchronicznych, a także intensywności aktywności mózgu podczas wykonywania zadania22. WTC posiada przewagę nad technikami korelacyjnymi. Korelacje są wrażliwe na kształt funkcji odpowiedzi hemodynamicznej (HRF), która różni się prawdopodobnie między osobnikami (szczególnie pod kątem wieku) oraz pomiędzy różnymi obszarami mózgu. W przeciwieństwie do nich, WTC nie jest podatne na międzyregionalne zmiany w (HRF)23. Badacze wykorzystywali podejście falkowe do badania szeregów czasowych fMRI. Zhang i wsp.24 porównali powszechnie stosowane wskaźniki łączności funkcjonalnej, w tym korelację Pearsona, korelację częściową, informację wzajemną oraz transformację koherencji falkowej (WTC). Przeprowadzili eksperymenty klasyfikacyjne z wykorzystaniem wielkoskalowych wzorców łączności funkcjonalnej pochodzących z danych fMRI w stanie spoczynku oraz danych fMRI z naturalnym bodźcem w postaci oglądania wideo. Ich wyniki wykazały, że WTC osiągnęło najlepsze rezultaty w klasyfikacji (specyficzność, czułość i dokładność), co sugeruje, że WTC jest preferowanym wskaźnikiem łączności funkcjonalnej do badania funkcjonalnych sieci mózgowych, przynajmniej w zastosowaniach klasyfikacyjnych24.

Diagram koherencji transformaty falkowej; częstotliwość względem czasu; analiza koherencji spektralnej.
Rycina 1: Koherencja transformaty falkowej (WTC). WTC przedstawia koherencję i kąt fazowy między dwoma szeregami czasowymi jako funkcję czasu (oś x) i częstotliwości (oś y). Wzrost koherencji jest przedstawiony na wykresie kolorem czerwonym, a małe strzałki wskazują kąt fazowy dwóch szeregów czasowych. Strzałka skierowana w prawo reprezentuje synchronizację w fazie; strzałki skierowane w dół i w górę reprezentują synchronizację z opóźnieniem; natomiast strzałka skierowana w lewo reprezentuje synchronizację w przeciwfazie30. Rycina ta została zaadaptowana z pracy Pan et al.19. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Niedawno Hamilton25 sformułował kilka zastrzeżeń dotyczących interpretacji danych koherencji międzymózgowej w badaniach hyperscanningu fNIRS. Jedną z głównych obaw Hamiltona było to, że miary koherencji (np. WTC) raportują efekty wyłącznie jako symetryczne (tj. dwa mózgi są skorelowane, wykazując ten sam wzorzec zmian). Jednak wiele interakcji społecznych jest asymetrycznych (np. przepływ informacji między mówcą a słuchaczem), w tym przypadku dwaj uczestnicy mogą pełnić różne role i nie jest jasne, czy WTC jest w stanie uchwycić te informacje. W niniejszej pracy problem ten zostaje rozwiązany za pomocą nowych ram analitycznych, które umożliwiają prostą interpretację mocy falkowej wzajemnej (cross-wavelet power) poprzez wykorzystanie fazy falkowej wzajemnej (cross-wavelet phase) do wykrywania kierunkowości. Podejście to pozwoli również na zbadanie, w jaki sposób dynamika interakcji rozwija się i zmienia w trakcie wykonywania zadania.

Podczas gdy WTC i metody korelacyjne oceniają łączność funkcjonalną, inne metody oceniają łączność efektywną, próbując wyodrębnić przyczynowe wpływy jednego elementu neuronalnego na inny. Entropia transferu jest miarą z dziedziny teorii informacji, która opisuje transfer między procesami współzależnymi26. Inną pokrewną metodą jest analiza przyczynowości Grangera (GCA), która została opisana jako równoważna entropii transferu26.

W istniejącej literaturze dotyczącej badań hyperscanningu fNIRS, analiza przyczynowości Grangera (GCA) jest szeroko stosowana do szacowania kierunkowości sprzężenia między szeregami czasowymi danych fNIRS uzyskanymi podczas różnych zadań, takich jak współpraca5, nauczanie19 i naśladownictwo16. GCA wykorzystuje wektorowe modele autoregresyjne do oceny kierunkowości sprzężenia między szeregami czasowymi w danych mózgowych. Przyczynowość Grangera opiera się na predykcji i pierwszeństwie: „mówi się, że zmienna X „powoduje w sensie G” zmienną Y, jeśli przeszłość X zawiera informacje, które pomagają przewidzieć przyszłość Y w stopniu większym niż informacje zawarte już w przeszłości Y”27. Zgodnie z tym, przyczynowość G analizuje się w dwóch kierunkach: 1) od badanego A do badanego B oraz 2) od badanego B do badanego A.

Choć analiza GCA służy jako analiza uzupełniająca, mająca na celu określenie, czy wysoka wartość koherencji uzyskana za pomocą funkcji WTC odzwierciedla IBS czy synchronizację z opóźnieniem (gdzie jeden sygnał wyprzedza drugi), nie pozwala ona na ustalenie, czy wystąpiła synchronizacja przeciwfazowa. W tradycyjnych badaniach neuroobrazowych, w których skanowany jest tylko jeden uczestnik (tj. podejście „pojedynczego mózgu”), wzorzec przeciwfazowy oznacza, że aktywność w jednym obszarze mózgu wzrasta, podczas gdy aktywność w innym obszarze mózgu spada28. W literaturze dotyczącej hyperscanningu obecność synchronizacji przeciwfazowej może sugerować, że aktywacja neuronalna wzrasta u jednego badanego, a jednocześnie aktywacja neuronalna spada u drugiego badanego. W związku z tym istnieje potrzeba opracowania kompleksowego modelu, który byłby w stanie wykryć kierunkowość. Bardziej szczegółowo, model ten będzie w stanie wykryć synchronizację przeciwfazową (w której kierunek aktywności u jednej osoby jest przeciwny do kierunku aktywności u partnera) oprócz synchronizacji w fazie oraz synchronizacji z opóźnieniem.

W celu odniesienia się do obawy, że WTC wykazuje jedynie efekty symetryczne, w których oba mózgi prezentują ten sam wzorzec zmian25, przedstawiono nowe podejście do identyfikacji rodzaju interakcji poprzez badanie fazy synchronizacji (tj. fazy zgodnej, opóźnionej lub przeciwfazowej) (patrz Rycina 2). W tym celu opracowano zestaw narzędzi wykorzystujący metodę WTC do klasyfikacji różnych rodzajów interakcji. Rodzaje interakcji są klasyfikowane przy użyciu danych o fazie względnej pochodzących z analizy transformaty cross-wavelet.

Wykresy zależności fazowych przedstawiające amplitudę w funkcji czasu dla interferencji fal przy różnych fazach.
Rycina 2Ilustracja różnych relacji fazowych prostych fal sinusoidalnych. (A) Gdy oba sygnały, Sygnał 1 (niebieska linias) i sygnał 2 (pomarańczowa linias), osiągają swoje odpowiednie wartości maksymalne, minimalne i zerowe w tym samym punkcie czasowym, mówi się, że wykazują synchronizację w fazie32. (B) Gdy jeden sygnał osiąga wartość maksymalną, a drugi w tym samym punkcie czasowym osiąga wartość zero, mówi się, że wykazują one synchronizację z opóźnieniem (jeden wyprzedza 90°)32,33,34. (CGdy dwa szeregi czasowe przesuwają się w przeciwnych kierunkach, co oznacza, że jeden sygnał osiąga wartość maksymalną, a drugi minimalną w tym samym punkcie czasowym, zjawisko to określa się mianem synchronizacji w przeciwfazie.28. (D-P) W przypadku wszystkich pozostałych relacji fazowych między dwoma szeregami czasowymi jeden sygnał wyprzedza drugi. We wszystkich fazach dodatnich sygnał 2 wyprzedza sygnał 1 (np. panele E, F, M, i N), natomiast we wszystkich fazach negatywnych sygnał 1 wyprzedza sygnał 2 (np. panele D, G, H, Oi P). Co istotne, przy wyższej wartości bezwzględnej fazy łatwiej jest określić, który szereg czasowy wyprzedza drugi (np. dominacja jest bardziej wyraźna na panelu J niż w panelu I, a na panelu K, przywództwo jest bardziej wyraźne niż w panelu L). Aby wyświetlić powiększoną wersję tego rysunku, należy kliknąć tutaj.

Protokół

Badanie zostało przeprowadzone na Uniwersytecie Florida Atlantic (FAU) i zostało zatwierdzone przez FAU Institutional Review Board (IRB).

1. Wykorzystanie oprogramowania Homer3 (Tabela materiałów) do wstępnego przetwarzania danych z fNIRS w trybie hyperscanningu

UWAGA: Homer3 to aplikacja MATLAB, która analizuje dane fNIRS w celu uzyskania szacunków i map aktywacji mózgu29. Program Homer3 można pobrać i zainstalować z następującego linku (https://openfnirs.org/software/homer/).

  1. Otwórz program MATLAB i przejdź do folderu, w którym zapisane są surowe pliki .nirs. Zaznacz i otwórz ten folder.
  2. Wpisz Homer3 w oknie poleceń MATLAB, aby uruchomić interfejs graficzny (GUI) programu Homer3. Program Homer3 wykryje pliki .nirs i poprosi o konwersję do formatu .snirf (uniwersalnego formatu plików służącego do przechowywania i udostępniania danych NIRS niezależnie od konkretnego formatu aplikacji, takiego jak MATLAB), aby móc przystąpić do wstępnego przetwarzania danych.
  3. Po zaimportowaniu plików .nirs do formatu .snirf w programie Homer3, kliknij opcję Tools w GUI programu Homer3 i wybierz Edit Processing Stream.
  4. W GUI ProcStreamEdit wybierz kroki wstępnego przetwarzania z kolumny Registry Function i przenieś je do kolumny Current Processing Stream , klikając Add. Uwzględnione kroki wstępnego przetwarzania są następujące:
    1. Użyj hmrR_intensity2OD , aby przekonwertować dane natężenia na gęstość optyczną (OD).
    2. Użyj hmrR_MotionCorrectWavelet , aby skorygować artefakty ruchowe przy użyciu odpowiedniej funkcji filtrowania.
    3. Użyj hmrR_OD2conc , aby przekonwertować dane OD na stężenie.
    4. Użyj hmR_BlockAvg, aby obliczyć średnią blokową (Block Average) dla danych stężenia.
      UWAGA: Wybór kroków wstępnego przetwarzania może się różnić w zależności od rodzaju zestawu danych.
  5. Aby zapisać bieżący strumień przetwarzania, kliknij opcję Save , a następnie wyjdź z GUI ProcStreamEdit.
  6. Aby uruchomić strumień wstępnego przetwarzania w głównym GUI programu Homer3, kliknij opcję RUN . Po zakończeniu wykonywania wybranego strumienia przetwarzania, program Homer3 zapisze wstępnie przetworzone szeregi czasowe dla każdego uczestnika w formacie pliku .mat, zawierającym Hbo, Hbr i Hbt dla wszystkich kanałów i zdarzeń. W aktualnie wybranym folderze zostanie utworzony przez program Homer3 folder o nazwie homer output w celu przechowywania tych plików.
  7. W wybranym folderze zostanie utworzony przez program Homer3 folder o nazwie derivatives do przechowywania tych plików. Wybierz folder homer znajdujący się w folderze derivatives. Wybierz plik .mat dla każdego mózgu i wyeksportuj Hbo, Hbr, Hbt.
    UWAGA: Nazwa folderu wyjściowego utworzonego przez program Homer3 zależy od wersji programu Homer3.

2. Podstawy pracy z zestawem narzędzi LeaderFollowerByPhase

  1. Aby przeanalizować rodzaj interakcji występującej w zapisie hyperscanningu, należy użyć narzędzia LeaderFollowerByPhase, zgodnie z procesem przedstawionym w Rycina 3W programie MATLAB należy wybrać pliki .mat dla każdego mózgu, a następnie wczytać dane Hbo (lub Hbr) dla konkretnego kanału i konkretnego zdarzenia do jednowymiarowych wektorów jako signal1 oraz signal2.
  2. W wierszu poleceń programu MATLAB zdefiniuj parametry
    1. niskaCzęstotliwość, wysokaCzęstotliwość: Typ niska częstotliwość = [niski FOI]i wysoka częstotliwość = [wysoki FOI]Wartości domyślne to niska częstotliwość = 0,01 Hz, wysokaCzęstotliwość = 1 Hz.
      UWAGA: Parametry funkcji lowFreq i highFreq określają zakres częstotliwości interesującej (FOI). WTC oblicza koherencję między dwoma mózgami dla każdego punktu czasowego i częstotliwości. Wartości koherencji są zazwyczaj uśredniane w ramach konkretnego FOI.
    2. Zdefiniuj parametr phaseRange; typ zakres fazy = [zakres w stopniach].
      UWAGA: Wartością domyślną jest phaseRange = 90°Zakres fazy mieści się między 0° do 360° ze względu na cykliczny charakter fazy modulo. Zakresy faz są podzielone zgodnie z przedziałem obejmującym cztery punkty. W przedstawionym zestawie narzędzi zaprezentowano nowe podejście do klasyfikacji oddziaływań asymetrycznych (Rysunek 4) poprzez badanie kierunkowości sprzężenia z wykorzystaniem wartości kąta fazowego zgodnie z zakresami odpowiadającymi synchronizacji z opóźnieniem, w której sygnał 1 jest wiodący (zakres obejmujący −90°) lub sygnał 2 prowadzący (zakres obejmujący 90°), synchronizacja w fazie sygnału 1 i sygnału 2 (zakres wokół 0) oraz synchronizacja w przeciwfazie sygnału 1 i sygnału 2 (zakres wokół +180° lub −180°).
    3. Zdefiniuj parametr Threshold (Próg). Typ próg = [wartość progu rsq]. Wartość domyślna to Próg = 0.
      UWAGA: Zestaw narzędzi umożliwia określenie progowej wartości koherencji poprzez zdefiniowanie parametru progu. Pozwala to badaczowi na wybór punktów czasowych o określonej minimalnej wartości koherencji. W konsekwencji brane są pod uwagę jedynie punkty czasowe, w których wartości koherencji są wyższe niż określony próg.
  3. Pobierz zestaw narzędzi LeaderFollowerByPhase z następującego łącza (https://www.ariel.ac.il/wp/sns/download/ lub https://github.com/Minisharmaa/Leader-Follower-By-Phase).
  4. Uruchom funkcję MATLAB LeaderFollowerByPhase, wpisując polecenie cohervalues = LeaderFollowerByPhase(signal1, signal2, lowFreq, highFreq, phaseRange, threshold) do wiersza poleceń.
    UWAGA: Obliczenia koherencji i fazy są wykonywane odpowiednio za pomocą funkcji WTC i XWT w programie MATLAB30.
  5. Przeanalizuj wartości synchronizacji w fazie, z wyprzedzeniem sygnału 1, z wyprzedzeniem sygnału 2 oraz w przeciwfazie:
    1. Przeanalizuj wykresy w programie MATLAB. Toolbox generuje jeden rysunek zawierający cztery wykresy.
      1. Koherencja w zależności od typu interakcji: Należy przeanalizować wykres pudełkowy w lewej górnej części rysunku, który przedstawia współczynnik determinacji (Rsq) dla każdego typu interakcji (w fazie, wyprzedzenie przez sygnał 1, wyprzedzenie przez sygnał 2, w przeciwfazie).
        UWAGA: Szczegółowy opis wbudowanej funkcji wykresu pudełkowego (box chart) w programie MATLAB znajduje się pod następującym linkiem (https://www.mathworks.com/help/matlab/ref/boxchart.html).
      2. Wskaźniki centralne w zależności od typu interakcji: Należy przeanalizować wykres słupkowy znajdujący się w prawym górnym rogu rysunku wynikowego, który przedstawia maksymalną średnią oraz medianę dla każdego typu interakcji (w fazie, Sygnał 1 wyprzedzający, Sygnał 2 wyprzedzający, w przeciwfazie).
        UWAGA: Szczegółowy opis wbudowanej funkcji bar w programie MATLAB znajduje się pod następującym linkiem (https://www.mathworks.com/help/matlab/ref/bar.html).
      3. Koherencja w czasie: Należy przeanalizować wykres rozrzutu w lewym dolnym rogu otrzymanej ryciny, który przedstawia wartości koherencji oraz rodzaje interakcji w czasie. Kolorowe kropki reprezentują różne typy interakcji (czarne kropki oznaczają synchronizację w fazie, ciemnoszare kropki oznaczają wyprzedzanie przez sygnał 1, jasnoszare kropki oznaczają wyprzedzanie przez sygnał 2, a fioletowe kropki oznaczają synchronizację w przeciwfazie).
        UWAGA: Rysunek przedstawia dynamikę interakcji: wymianę między czterema typami interakcji w całym szeregu czasowym. Szczegółowy opis funkcji scatter programu MATLAB znajduje się pod następującym linkiem (https://www.mathworks.com/help/matlab/ref/scatter.html).
      4. Procentowy udział czasu: Należy przeanalizować wykres kołowy znajdujący się w prawym dolnym rogu rysunku wynikowego, który przedstawia podział czasu w zależności od różnych typów oddziaływań.
        UWAGA: Szczegółowy opis funkcji pie w programie MATLAB znajduje się pod następującym linkiem (https://www.mathworks.com/help/matlab/ref/pie.html).
  6. Przeanalizuj tabelę wyników zawierającą wartości statystyczne (tj. średnią, maksimum, medianę i odchylenie standardowe) dla każdego rodzaju interakcji (synchronizacja w fazie, wyprzedzanie przez sygnał 1, wyprzedzanie przez sygnał 2, synchronizacja w przeciwfazie). Tabela przedstawia również procent czasu, w którym wystąpił każdy rodzaj interakcji. Każdy rodzaj interakcji znajduje się w osobnej kolumnie.
  7. Sprawdź wartość wynikową w wyekstrahowanym pliku arkusza kalkulacyjnego (tj. datatable.xlsx znajdującym się w bieżącym folderze).

Schemat analizy fal mózgowych; przedstawia przetwarzanie danych EEG, wykresy sygnałów oraz wizualizację wyników.
Rycina 3: Przegląd przebiegu prac. (A) Diady matka-dziecko biorące udział w swobodnej zabawie podczas gromadzenia danych fNIRS metodą hyperscanningu. (B) Ilustracja szeregów czasowych matki i dziecka.)C) Wstępne przetwarzanie szeregów czasowych przy użyciu programu Homer3.)D,E) Wykorzystanie zestawu narzędzi do badania różnych rodzajów interakcji, takich jak synchronizacja w fazie, synchronizacja w przeciwfazie oraz synchronizacja z opóźnieniem. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

Schemat faz synchronizacji, kołowy wykres pierogi, ilustrujący stany synchronizacji sygnałów.
Rysunek 4: Klasyfikacja czterech różnych typów oddziaływań w zależności od fazy. Przedstawiono tutaj różnicę faz dwóch neuronalnych szeregów czasowych w modulo 360°. Różnicę faz można rozumieć jako opóźnienie czasowe między dwiema wartościami; mierzy się ją w stopniach i radianach lub jako ułamki długości fali. Tutaj modulo 360° zostało podzielone na cztery różne zakresy obrazujące cztery różne fazy oddziaływania: (A) wyprzedzenie przez Sygnał 1 (zakres wokół 90°, od 45° do 135°), (B) synchronizacja przeciwfazowa między Sygnałem 1 a Sygnałem 2 (zakres wokół 180° lub −180°, od 135° do −135°), (C) wyprzedzenie przez Sygnał 2 (od −135° do −45°), (D) synchronizacja w fazie (zakres wokół 0, od −45° do 45°). Podział ten jest podejściem domyślnym (45° wokół każdego punktu); jednak zestaw narzędzi pozwala na skonfigurowanie innego podziału. Choć inne konfiguracje mogą nie obejmować pełnych 360°, mogą one zapewnić dokładniejszą definicję każdego typu oddziaływania. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Wyniki

W tej sekcji zaprezentowano rodzaje analiz, które można przeprowadzić za pomocą zestawu narzędzi (dostępnego do pobrania pod adresami https://www.ariel.ac.il/wp/sns/download/ lub https://github.com/Minisharmaa/Leader-Follower-By-Phase.). Do tych analiz wykorzystano dane fNIRS zebrane od niewielkiej próby diad niemowlę-rodzic. Sześć par diad matka-niemowlę zostało przebadanych przy użyciu zwalidowanego zadania behawioralnego – zadania wolnej zabawy31, które w jak największym stopniu odwzorowuje rzeczywistą interakcję niemowlęcia z matką. Przed eksperymentem niemowlęta i rodzice zostali wyposażeni w zestaw optod specjalnie wykonany do gromadzenia danych fNIRS. Zestaw optod użyty do zbierania danych fNIRS w tym badaniu składał się z 8 źródeł (czerwone kropki) i 8 detektorów (niebieskie kropki), skonfigurowanych w sposób tworzący 18 kanałów obejmujących obustronnie obszary przedczołowe i skroniowo-parietalne (patrz Rysunek 5). Urządzenie NIRScout zarejestrowało dane obrazowania optycznego przy użyciu dwóch długości fali: 760 nm, która jest bardziej czuła na deoksyhemoglobinę (HbR), oraz 850 nm, która jest bardziej czuła na oksyhemoglobinę (HbO). Wszyscy rodzice byli kobietami (zakres wieku = 26-36 lat), a niemowlęta były zdrowe, urodzone w terminie (dwie dziewczynki, czterech chłopców, zakres wieku = 1-2 lata) i nie wykazywały znanych opóźnień rozwojowych. Diady zostały zrekrutowane poprzez ogłoszenia. Każdy rodzic wyraził świadomą zgodę przed eksperymentem i otrzymał wynagrodzenie za udział. Dla uproszczenia analiza koncentruje się na danych uzyskanych z kanału 18 dla Diady A.

Funkcjonalne obrazowanie mózgu z wysyłaczami i detektorami; schemat do badań z zakresu neuroobrazowania optycznego.
Rysunek 5: Zestaw optodów użyty w badaniu wstępnym. Zestaw optodów wykorzystany do gromadzenia danych fNIRS w badaniu wstępnym składał się z 8 wysyłaczy (czerwone kropki) i 8 detektorów (niebieskie kropki), skonfigurowanych w celu utworzenia 18 kanałów (żółte linie) obejmujących obustronnie obszary przedczołowe i skroniowo-ciemieniowe. Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.

Zestaw narzędzi został wykorzystany do zidentyfikowania zmian w typach interakcji, które można było zaobserwować w czasie dla danego kanału w konkretnej diadzie. Parametry funkcji były następujące: Signal 1 = kanał 18 matka, Signal 2 = kanał 18 matka, lowFreq = 0.0067, highFreq = 0.1142, phaseRange = 90, Threshold = 0.

Wykresy analizy koherencji: wykres pudełkowy, wykres słupkowy, szeregi czasowe, wykres kołowy dla typów interakcji.
Rycina 6: Analiza klasyfikacji przy progu 0. Próg został ustawiony na 0 (Threshold = 0). (A) Wykresy pudełkowe reprezentujące wartość koherencji powiązaną z interakcjami. Dla każdego typu interakcji przedstawiono medianę oraz rozstęp międzykwartylny (IQR). Wyższe wyniki wskazują na większy poziom koherencji. (B) Wskaźniki centralne wartości koherencji dla wszystkich typów interakcji. (C) Dynamika zmian typu interakcji w trakcie wykonywania zadania. (D) Procent wyników dla każdego z czterech typów interakcji. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

Po pierwsze, każdy punkt czasowy został zaklasyfikowany do jednego z czterech typów interakcji (w fazie, w przeciwfazie, prowadzonej przez matkę lub prowadzonej przez niemowlę) (Rycina 6). Rycina 6D przedstawia procent punktów czasowych zaklasyfikowanych do każdego z czterech typów interakcji. Należy zauważyć, że choć zestaw narzędzi może wykrywać wartości procentowe i wartość koherencji powiązaną z interakcjami prowadzonymi przez jednego z uczestników (Rycina 6A), jego unikalnym wkładem jest to, że prezentuje on również wartości procentowe (Rycina 6D) oraz centralne wskaźniki wartości koherencji dla wszystkich typów interakcji, w tym synchronizacji w przeciwfazie (Rycina 6B). Wreszcie, zestaw narzędzi pozwala zbadać, w jaki sposób dynamika typu interakcji zmienia się w trakcie wykonywania zadania (Rycina 6C). Ważne jest, aby zaznaczyć, że podobnie jak w analizie GCA, zestaw narzędzi oblicza te wskaźniki oddzielnie dla każdej diady. W celu określenia typu interakcji należy przeprowadzić analizę na poziomie grupy z wykorzystaniem tych wskaźników.

W celu zbadania wpływu zmiany tych minimalnych wartości progowych na klasyfikację typów interakcji w obrębie diady, analizę klasyfikacji powtórzono z progiem 0,5 dla Diady A (Rysunek 7).

Wykresy analizy koherencji: wykres pudełkowy, wykres słupkowy, wykres liniowy, wykres kołowy; porównanie typów interakcji.
Rysunek 7: Analiza klasyfikacji przy progu 0,5. Próg został ustawiony na 0,5 (Threshold = 0.5). (A) Wykresy pudełkowe przedstawiające wartości koherencji powiązane z interakcjami. Dla każdego typu interakcji przedstawiono medianę oraz rozstęp międzykwartylny (IQR). Wyższe wyniki wskazują na większy poziom koherencji. (B) Wskaźniki centralne wartości koherencji dla wszystkich typów interakcji. (C) Dynamika zmian typu interakcji w trakcie wykonywania zadania. (D) Procentowy udział wyników dla każdego z czterech typów interakcji. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Jak pokazano na Rysunku 7D, przy zastosowaniu tego progu zmienił się rozkład różnych typów relacji fazowych. Procent synchronizacji przeciwfazowej wzrósł (z 35% do 59%), a procent synchronizacji w fazie spadł (z 26% do 3%). Sugeruje to, że synchronizacja przeciwfazowa może być typem interakcji bardziej reprezentatywnym dla tej diady. Innymi słowy, zdefiniowanie progu umożliwia przeprowadzenie bardziej czułej analizy, w której uśredniane są tylko punkty czasowe z minimalnym poziomem koherencji. Należy zauważyć, że wyznaczenie optymalnego progu wartości koherencji jest procesem skomplikowanym, ponieważ optymalny próg może różnić się w zależności od eksperymentu i środowiska. Chociaż zestaw narzędzi umożliwia ustawienie progu, konieczne są dalsze badania w celu opracowania protokołu identyfikacji optymalnej wartości koherencji. Ponadto ważne jest, aby dobrać wartości progu i częstotliwości zainteresowania tak, aby nadal pokrywały się one z wartościami Rsq. Na przykład funkcja z parametrami lowFreq = 0.0067, highFreq = 0.1142, phaseRange = 90 i Threshold = 0.5 wykazała interakcje z wartościami Rsq tylko powyżej 0.5, ale ta sama funkcja z progiem 0.7 zakończyła się błędem, ponieważ w zakresie częstotliwości nie było wartości powyżej 0.7.

Plik uzupełniający 1: Koherencja transformaty falkowej (WTC). Przegląd transformaty falkowej oraz wzajemnej transformaty falkowej, które są wykorzystywane do analizy charakterystyki czasowo-częstotliwościowej oraz współzależności dwóch szeregów czasowych. Transformata falkowa rozkłada szereg czasowy na przestrzeń czasowo-częstotliwościową35, natomiast wzajemna transformata falkowa ujawnia wspólną moc i fazę między dwoma szeregami czasowymi9,30. Tekst wprowadza również pojęcie koherencji transformaty falkowej, która określa stopień synchronizacji między dwoma szeregami czasowymi. Wartość R-kwadrat wynikająca z koherencji transformaty falkowej odzwierciedla współzależność, ale nie rozróżnia korelacji dodatnich od ujemnych36. Przyjmuje się, że korelacje dodatnie i ujemne wskazują na wzajemne relacje37,38. Kliknij tutaj, aby pobrać ten plik.

Dyskusja

Jedną z najpowszechniejszych metod stosowanych w badaniach fNIRS jest koherencja transformacji falkowej (WTC), która jest miarą korelacji krzyżowej dwóch szeregów czasowych w funkcji częstości i czasu10. WTC oblicza koherencję i opóźnienie fazowe między dwoma szeregami czasowymi za pomocą analiz korelacyjnych (plik uzupełniający 1). W badaniach hiperskaningowych FNIRS wykorzystano WTC do oszacowania IBS w wielu dziedzinach funkcjonowania, w tym w monitorowaniu działań12, zachowaniach kooperatywnych i konkurencyjnych 5,13,14,15, naśladownictwie16, rozwiązywaniu problemów matka-niemowlę 17 oraz zachowaniach nauczania-uczenia się 18,19,20,21. Badania hiperskaningowe często porównują koherencję międzymózgową mierzoną za pomocą transformaty koherencji falkowej (WTC) podczas zadania eksperymentalnego z koherencją kontrolną. Porównania te są typowo prezentowane za pomocą "gorącego wykresu" WTC, który pokazuje spójność pomiędzy dwoma mózgami w każdym punkcie czasowym i z każdą częstotliwością. Ponadto, jak widać na rysunku 1, informacja o opóźnieniu fazowym jest pokazana przez kierunek małych strzałek na "gorącym wykresie" WTC. Jednak wcześniejsze badania nie wzięły pod uwagę informacji o opóźnieniu fazowym reprezentowanym przez kierunek małych strzałek na "gorącym wykresie" WTC i jedynie oszacowały synchronizację między mózgami (IBS) poprzez zbadanie koherencji na wykresie WTC. To niedopatrzenie może skutkować niedokładnymi lub niekompletnymi ustaleniami.

Ograniczenia omówione przez Hamiltona25 dotyczące interpretacji danych koherencji międzymózgowej w badaniach hiperskanowania fNIRS są adresowane w nowych ramach umożliwiających prostą interpretację mocy falek krzyżowych przy użyciu fazy falki krzyżowej do wykrywania kierunkowości, a także zawierają moduł analizy koherencji do obliczania wartości koherencji poprzez ich bezpośrednie uśrednianie39. Takie podejście umożliwia badanie rozwoju i zmian w interakcjach w trakcie zadania i zapewnia wiarygodną miarę spójności między sygnałami.

Takie podejście zostało zademonstrowane w badaniach behawioralnych synchronizacji interpersonalnej, w których wykorzystano względne dane fazowe, które można uzyskać z analizy krzyżowej falkowej. W niektórych badaniach wykorzystano te dane do rozróżnienia wartości koherencji w fazie i antyfazy. Na przykład podejście to zostało wykorzystane do oceny ruchów rąk dwóch improwizujących muzyków40 oraz do zbadania społecznej koordynacji postawy41. W niektórych badaniach analizowano rozkład kątów fazowych w danych o ruchu, aby zrozumieć dynamikę interakcji przy użyciu koherencji krzyżowej falek podczas ustrukturyzowanych42 i nieustrukturyzowanychrozmów 43 .

Faza względna między dwoma szeregami czasowymi pozwala na wykrycie przesunięć czasowych między sygnałami o tej samej częstotliwości. Rzeczywiście, w dziedzinie hiperskanowania EEG większość metod mających na celu określenie stopnia synchronizacji neuronalnych szeregów czasowych ocenia względną zależność fazową między tymi dwoma szeregami czasowymi13,44.

Kluczowe etapy korzystania z zestawu narzędzi LeaderFollowerByPhase w danych hiperskanowania fNIRS zostały zademonstrowane w protokole. W szczególności protokół obejmuje wstępne określenie Sygnału 1 i Sygnału 2 w MATLAB przed uruchomieniem zestawu narzędzi. Warto zauważyć, że parametry, takie jak częstotliwość zainteresowania (FOI), zakres fazowy i próg, są opcjonalne i mogą używać wartości domyślnych, jeśli nie są ustawione. Zaleca się filtrowanie i detrendowanie surowych sygnałów45. Ponadto należy zachować ostrożność podczas przeprowadzania filtrowania pasmowo-przepustowego, ponieważ może to wpłynąć na wybór FOI.

Parametry FOI (lowFreq, highFreq) wymagają starannego doboru, w szczególności wykluczając szumy fizjologiczne o wysokiej i niskiej częstotliwości, takie jak oddychanie (~0,2-0,3 Hz) i pulsacja serca (0,6-1,2 Hz). Zaleca się, aby interesujące nas niskie i wysokie częstotliwości wynosiły odpowiednio od 0,01 do 0,7 Hz46, ponieważ ten zakres skutecznie eliminuje również szumy o wysokiej częstotliwości, takie jak bicie serca (0,8-1 Hz).

Parametr phaseRange definiuje zakres wokół wartości kąta fazowego zgodnie z zakresami odpowiadającymi synchronizacji opóźnionej z odprowadzeniem sygnału 1 (zakres otaczający −90°) lub sygnałem 2 (zakres otaczający 90°), sygnałem 1, sygnałem 2 synchronizacją w fazie (zakres otaczający 0°) oraz synchronizacją antyfazową sygnału 1, sygnałem 2 (zakres otaczający +180° lub −180°). Szerokość otaczającego zakresu wokół tych czterech punktów jest definiowana przez phaseRange Na przykład, jeśli phaseRange jest ustawiona na 90°, to zakres synchronizacji w fazie będzie wynosił 0°, od −45° do 45°; zakres dla wyprowadzenia sygnału 2 (synchronizacja opóźniona) będzie wynosił około 90°, od 45° do 135°, zakres dla synchronizacji antyfazowej będzie wynosił około 180° lub −180°, od 135° do −135°; a zakres prowadzenia sygnału 1 (synchronizacja opóźniona) będzie wynosił około 180°, od −135° do −45°. Parametr phaseRange musi mieścić się w zakresie od 0° do 90°, ponieważ w przeciwnym razie zostanie wyświetlony następujący komunikat: "Wartość zmiennej phaseRange musi należeć do zakresu od 0 do 90". Chociaż zakres może być dowolną liczbą od 0° do 90°, minimalna zalecana wartość to 30° (±15°). Wartość progowa musi być dowolną wartością z zakresu od 0 do 1, ponieważ w przeciwnym razie zostanie wyświetlony następujący komunikat: "Wartość zmiennej progowej musi należeć do zakresu od 0 do 1". Zaleca się wybranie progu z zakresu od 0,25 do 0,75.

Chociaż zestaw narzędzi LeaderFollowerByPhase prezentuje obiecujące podejście, nie jest ono pozbawione ograniczeń. Jak wspomniano powyżej, określenie optymalnego progu wartości koherencji jest skomplikowanym procesem, ponieważ optymalny próg może się różnić w zależności od eksperymentu i między różnymi zadaniami. Testowanie tego zestawu narzędzi na bardziej zróżnicowanych zestawach danych jest konieczne, aby uzyskać dokładniejsze informacje o optymalnych wartościach progu.

Zdolność do zrozumienia złożonych interakcji międzyludzkich za pomocą hiperskanowania fNIRS została ograniczona przez fakt, że obecne podejścia stosowane do wykrywania sprzężenia między dwoma sygnałami neuronowymi ignorują kierunkowość sygnałów. W tym miejscu zaproponowano bardziej czułe podejście do analizy koherencji dwóch sygnałów neuronowych za pomocą koherencji z transformacją falkową (WTC). Zestaw narzędzi pozwala naukowcom zbadać kierunkowość sprzężenia poprzez klasyfikację wartości kąta fazowego jako reprezentujące synchronizację w fazie, synchronizację opóźnioną i synchronizację przeciwfazową.

To nowatorskie podejście wykorzystujące zestaw narzędzi dostarczy bardziej szczegółowych informacji na temat natury interakcji diadowych, których do tej pory brakowało. Na przykład, podczas gdy synchronizacja fazowa i synchronizacja antyfazowa były traktowane jako identyczne (plik uzupełniający 1)36, badacze będą teraz w stanie określić stopień, w jakim sygnały neuronalne członków diady poruszają się w tym samym kierunku (oba rosną lub oba maleją) lub w przeciwnych kierunkach (jeden rośnie, a drugi maleje). Będzie to miało transformacyjny wpływ na zrozumienie, w jaki sposób mózg pośredniczy w procesach społecznych i zachowaniu.

Proponowana struktura ma obiecujący potencjał dla przyszłych zastosowań w dziedzinie badań nad interpersonalną synchronizacją neuronalną, ponieważ pozwala na klasyfikację różnych typów interakcji, w tym synchronizacji w fazie, synchronizacji opóźnionej i synchronizacji antyfazowej. Poprzez ponowną analizę poprzednich ustaleń za pomocą nowych proponowanych ram, badacze mogą uzyskać bardziej kompleksowe zrozumienie natury synchronizacji między uczestnikami. W szczególności zdolność do rozróżniania interakcji w fazie i antyfaz zapewnia nowy poziom jasności, który wcześniej był niedostępny, co może prowadzić do bardziej precyzyjnych interpretacji poprzednich ustaleń. Ta funkcjonalność ramy może być zastosowana w szerokim zakresie scenariuszy, w tym do badania roli interpersonalnej synchronizacji neuronalnej w zachowaniach społecznych, komunikacji i procesach podejmowania decyzji. Ogólnie rzecz biorąc, proponowane ramy stanowią cenny wkład w tę dziedzinę i mają znaczny potencjał dla przyszłych zastosowań.

Oświadczenia

Autorzy deklarują, że badanie zostało przeprowadzone przy braku jakichkolwiek powiązań handlowych lub finansowych, które mogłyby być interpretowane jako potencjalny konflikt interesów.

Podziękowania

Chcielibyśmy podziękować za wsparcie udzielone przez Narodową Fundację Nauk Przyrodniczych Chin (nr 62207025), Projekt Badawczy Nauk Humanistycznych i Społecznych z Ministerstwa Edukacji Chin (nr 22YJC190017) oraz Fundusze na Podstawowe Badania dla Uniwersytetów Centralnych dla Yafeng Pan.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
NIRScout   NIRx Medical Technologies, LLCn.a.8źródeł, 8 detektorów
MATLABThe Mathworks, Inc.Matlab 2022aW tym protokole użyto kilku przyborników i modułów w funkcjach MATLAB: Zestaw narzędzi HOMER3 został użyty do konwersji intensywności na OD, do usunięcia artefaktów ruchu za pomocą funkcji hmrMotionCorrectWavelet z domyślnymi parametrami oraz do konwersji OD do obliczenia WTC użyto Wavelet Toolbox.

Bibliografia

  1. Gvirts, H. Z., Perlmutter, R. What guides us to neurally and behaviorally align with anyone specific? A neurobiological model based on fNIRS hyperscanning studies. The Neuroscientist. 26 (2), 108-116 (2019).
  2. Balconi, M., Fronda, G., Vanutelli, M. E. Donate or receive? Social hyperscanning application with fNIRS. Current Psychology. 38 (4), 991-1002 (2019).
  3. Redcay, E., Schilbach, L. Using second-person neuroscience to elucidate the mechanisms of social interaction. Nature Reviews Neuroscience. 20 (8), 495-505 (2019).
  4. Shamay-Tsoory, S. G., Mendelsohn, A. Real-life neuroscience: An ecological approach to brain and behavior research. Perspectives on Psychological Science. 14 (5), 841-859 (2019).
  5. 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).
  6. Quaresima, V., Ferrari, M. Functional near-infrared spectroscopy (fNIRS) for assessing cerebral cortex function during human behavior in natural/social situations: A concise review. Organizational Research Methods. 22 (1), 46-68 (2016).
  7. Fishburn, F. A., et al. Putting our heads together: interpersonal neural synchronization as a biological mechanism for shared intentionality. Social Cognitive and Affective Neuroscience. 13 (8), 841-849 (2018).
  8. 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).
  9. Chang, C., Glover, G. H. Time-frequency dynamics of resting-state brain connectivity measured with fMRI. NeuroImage. 50 (1), 81-98 (2010).
  10. Scholkmann, F., Holper, L., Wolf, U., Wolf, M. A new methodical approach in neuroscience: Assessing inter-personal brain coupling using functional near-infrared imaging (fNIRI) hyperscanning. Frontiers in Human Neuroscience. 7, 813(2013).
  11. Czeszumski, A., et al. Hyperscanning: A valid method to study neural inter-brain underpinnings of social interaction. Frontiers in Human Neuroscience. 14, 39(2020).
  12. 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).
  13. 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).
  14. Wang, C., Zhang, T., Shan, Z., Liu, J., Yuan, D., Li, X. Dynamic interpersonal neural synchronization underlying pain-induced cooperation in females. Human Brain Mapping. 40 (11), 3222-3232 (2019).
  15. Cheng, X., Li, X., Hu, Y. Synchronous brain activity during cooperative exchange depends on gender of partner: A fNIRS-based hyperscanning study. Human Brain Mapping. 36 (6), 2039-2048 (2015).
  16. Holper, L., Scholkmann, F., Wolf, M. Between-brain connectivity during imitation measured by fNIRS. NeuroImage. 63 (1), 212-222 (2012).
  17. Nguyen, T., et al. The effects of interaction quality on neural synchrony during mother-child problem solving. Cortex. 124, 235-249 (2020).
  18. Zheng, L., et al. Enhancement of teaching outcome through neural prediction of the students' knowledge state. Human Brain Mapping. 39 (7), 3046-3057 (2018).
  19. 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).
  20. Pan, Y., et al. Instructor-learner brain coupling discriminates between instructional approaches and predicts learning. NeuroImage. 211, 116657(2020).
  21. Liu, J., et al. Interplay between prior knowledge and communication mode on teaching effectiveness: Interpersonal neural synchronization as a neural marker. NeuroImage. 193, 93-102 (2019).
  22. Léné, P., et al. Wavelet transform coherence: An innovative method to investigate social interaction in NeuroIS. Lecture Notes in Information Systems and Organisation. 32, 147-154 (2020).
  23. Nguyen, T., Hoehl, S., Vrtička, P. A guide to parent-child fNIRS hyperscanning data processing and analysis. Sensors. 21 (12), 4075(2021).
  24. Zhang, Y., Han, J., Hu, X., Guo, L., Liu, T. Data-driven evaluation of functional connectivity metrics. Proceedings - International Symposium on Biomedical Imaging. , 532-535 (2013).
  25. Hamilton, A. F. deC. Hyperscanning: Beyond the hype. Neuron. 109 (3), 404-407 (2021).
  26. Barnett, L., Barrett, A. B., Granger Seth, A. K. causality and transfer entropy are equivalent for Gaussian variables. Physical Review Letters. 103 (23), 2-5 (2009).
  27. Barnett, L., Seth, A. K. The MVGC multivariate Granger causality toolbox: A new approach to Granger-causal inference. Journal of Neuroscience Methods. 223, 50-68 (2014).
  28. Li, D., Zhou, C. Organization of anti-phase synchronization pattern in neural networks: What are the key factors. Frontiers in Systems Neuroscience. 5, 100(2011).
  29. 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), D280-D298 (2009).
  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 (5-6), 561-566 (2004).
  31. Feldman, R. Parent-infant synchrony. Current Directions in Psychological Science. 16 (6), 340-345 (2007).
  32. Fell, J., Axmacher, N. The role of phase synchronization in memory processes. Nature Reviews Neuroscience. 12 (2), 105-118 (2011).
  33. Olcay, B. O., Karaçalı, B. Evaluation of synchronization measures for capturing the lagged synchronization between EEG channels: A cognitive task recognition approach. Computers in Biology and Medicine. 114, 103441(2019).
  34. Stam, C. J. Nonlinear dynamical analysis of EEG and MEG: Review of an emerging field. Clinical Neurophysiology. 116 (10), 2266-2301 (2005).
  35. Mallat, S. A Wavelet Tour of Signal Processing. , Academic Press. Cambridge, MA. (2009).
  36. Kleinbub, J. R., Ramseyer, F. T. rMEA: An R package to assess nonverbal synchronization in motion energy analysis time-series. 31 (6), 817-830 (2020).
  37. Pan, Y., Novembre, G., Song, B., Zhu, Y., Hu, Y. Dual brain stimulation enhances interpersonal learning through spontaneous movement synchrony. Social Cognitive and Affective Neuroscience. 16 (1-2), 210-221 (2021).
  38. Ramseyer, F., Tschacher, W. Nonverbal synchrony in psychotherapy: Coordinated body movement reflects relationship quality and outcome. Journal of Consulting and Clinical Psychology. 79 (3), 284-295 (2011).
  39. Zhang, X., Noah, J. A., Dravida, S., Hirsch, J. Optimization of wavelet coherence analysis as a measure of neural synchrony during hyperscanning using functional near-infrared spectroscopy. Neurophotonics. 7 (1), 015010(2020).
  40. Walton, A. E., Richardson, M. J., Langland-Hassan, P., Chemero, A. Improvisation and the self-organization of multiple musical bodies. Frontiers in Psychology. 6, 313(2015).
  41. Varlet, M., Marin, L., Lagarde, J., Bardy, B. G. Social postural coordination. Journal of Experimental Psychology: Human Perception and Performance. 37 (2), 473-483 (2011).
  42. Hale, J., Ward, J. A., Buccheri, F., Oliver, D., Hamilton, A. F. deC. Are you on my wavelength? Interpersonal coordination in dyadic conversations. Journal of Nonverbal Behavior. 44 (1), 63-83 (2020).
  43. Fujiwara, K., Daibo, I. Evaluating interpersonal synchrony: Wavelet transform toward an unstructured conversation. Frontiers in Psychology. 7, 516(2016).
  44. 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).
  45. Dai, R., et al. Holistic cognitive and neural processes: A fNIRS-hyperscanning study on interpersonal sensorimotor synchronization. Social Cognitive and Affective Neuroscience. 13 (11), 1141-1154 (2018).
  46. Lu, K., Qiao, X., Yun, Q., Hao, N. Educational diversity and group creativity: Evidence from fNIRS hyperscanning. NeuroImage. 243, 118564(2021).

Przedruki i uprawnienia

Tagi

Koherencja transformaty falkowejsynchronizacja fazowakierunkowo sprz eniasynchronizacja w faziesynchronizacja w przeciwfaziesynchronia mi dzym zgowateoria graf wzestaw narz dzi MATLAB
Nowe ramy zrozumienia koherencji międzymózgowej w badaniach hiperskanowania funkcjonalnej spektroskopii bliskiej podczerwieni (fNIRS)
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki Korzystania

Zasady

Copyright © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.