Artykuł metodologiczny

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

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

W tym artykule

Podsumowanie

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

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

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

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

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

W ostatnich latach nastąpiła zmiana w typach badań prowadzonych w celu zrozumienia neuronalnych podstaw zachowań społecznych1,2. Tradycyjnie, badania z zakresu neuronauki społecznej koncentrowały się na aktywacji neuronalnej w jednym izolowanym mózgu podczas społecznie istotnego zadania. Jednak postępy w technologii neuroobrazowania pozwalają obecnie na badanie aktywacji neuronalnej w mózgach jednej lub więcej osób podczas interakcji społecznych, tak jak ma to miejsce w "rzeczywistym" otoczeniu3. W "prawdziwym" otoczeniu jednostki są w stanie swobodnie się poruszać, a wzorce aktywacji mózgu prawdopodobnie zmieniają się w miarę wymiany informacji i otrzymywania od partnerów społecznych informacji zwrotnych4.

Hyperscanning to metoda, która ocenia tę dwukierunkową wymianę informacji poprzez pomiar aktywności mózgu dwóch lub więcej osób jednocześnie5. Coraz więcej badań wykorzystuje funkcjonalną spektroskopię w bliskiej podczerwieni (fNIRS), nieinwazyjną technikę neuroobrazowania, która w porównaniu z innymi technikami neuroobrazowania jest mniej podatna na artefakty ruchu6. Hiperskanowanie za pomocą fNIRS pozwala na ocenę synchronizacji między mózgami (IBS) w rzeczywistych warunkach, podczas gdy interaktywni partnerzy poruszają się swobodnie i naturalnie. Jest to szczególnie istotne w przypadku pracy z niemowlętami i małymi dziećmi, które są dość aktywne. Stwierdzono, że IBS odzwierciedla wzajemne zrozumienie między interaktywnymi partnerami, które służy jako podstawa skutecznej interakcji społecznej i komunikacji oraz pośredniczy we wspólnej intencjonalności1,7,8.

Do oceny IBS dwóch mózgów używa się kilku metod. Takie metody obejmują korelacje szeregów czasowych, takie jak korelacja krzyżowa i współczynnik korelacji Pearsona9,10 (patrz recenzja Scholkmann et al.10). Inne metody polegają na ocenie siły sprzężenia w dziedzinie częstotliwości. Do takich metod zalicza się wartość sprzężenia fazowego (PLV) i koherencję fazową (patrz recenzja Czeszumskiego i wsp.11). Jedna z najpowszechniejszych metod w badaniach fNIRS wykorzystuje koherencję transformacji falkowej (WTC) - miarę korelacji krzyżowej dwóch szeregów czasowych w funkcji częstotliwości i czasu10.

WTC używa analiz korelacyjnych do obliczenia koherencji i opóźnienia fazowego między dwoma szeregami czasowymi w dziedzinie czasu i częstotliwości. W badaniach hiperskaningowych FNIRS wykorzystano WTC do oszacowania IBS w wielu dziedzinach funkcjonowania, w tym w monitorowaniu działań12, zachowania kooperacyjne i konkurencyjne5,13,14,15, imitation16, rozwiązywanie problemów matki i dziecka17 oraz nauczanie-uczenie się class<="xref">18,19,20,21. Zazwyczaj w badaniach hiperskaningowych koherencja między mózgami, mierzona za pomocą WTC, podczas zadania eksperymentalnego jest porównywana ze spójnością między mózgami podczas zadania kontrolnego. Wyniki te są zwykle przedstawiane za pomocą "gorącego wykresu" WTC, który pokazuje spójność między dwoma mózgami w każdym punkcie czasowym i z każdą częstotliwością (patrz Rysunek 1).

Zgodnie z sugestią Czesumaski et al.11, WTC stało się standardowym podejściem analitycznym do analizy hiperskanowania fNIRS. Analiza WTC to elastyczna, "niezależna od narzędzia" metoda wizualizacji i interpretacji danych22. Mapa cieplna współczynnika koherencji, która zapewnia narracyjną formę analizy pozwalającą na łatwą identyfikację okresów zachowań synchronicznych lub asynchronicznych, a także intensywności aktywności mózgu podczas wykonywania zadania, jest główną zaletą WTC i czyni go silnym narzędziem do badań stosowanych22. WTC ma przewagę nad technikami korelacji. Korelacje są wrażliwe na kształt funkcji odpowiedzi hemodynamicznej (HRF), który uważa się, że różni się u poszczególnych osób (szczególnie pod względem wieku) i między różnymi obszarami mózgu. Natomiast na WTC nie mają wpływu międzyregionalne zmiany w klasie (HRF)23. Naukowcy wykorzystali podejście falkowe do badania szeregów czasowych fMRI. Zhang i in.24 porównali powszechnie używane wskaźniki łączności funkcjonalnej, w tym korelację Pearsona, korelację cząstkową, wzajemną informację i transformację koherencji falkowej (WTC). Przeprowadzili eksperymenty klasyfikacyjne z wykorzystaniem wielkoskalowych wzorców łączności funkcjonalnej pochodzących z danych fMRI w stanie spoczynku i danych fMRI z naturalnego bodźca podczas oglądania wideo. Ich odkrycia wskazały, że WTC wypadło najlepiej w klasyfikacji (swoistość, czułość i dokładność), co sugeruje, że WTC jest preferowaną metryką funkcjonalnej łączności do badania funkcjonalnych sieci mózgowych, przynajmniej w aplikacjach klasyfikacyjnych24.

figure-introduction-1
Rysunek 1: Koherencja transformacji falkowej (WTC). WTC pokazuje koherencję i kąt fazowy między dwoma szeregami czasowymi w funkcji zarówno czasu (oś x), jak i częstotliwości (oś y). Wzrost koherencji jest przedstawiony na wykresie kolorem czerwonym, a małe strzałki na wykresie pokazują kąt fazowy dwóch szeregów czasowych. Strzałka skierowana w prawo reprezentuje synchronizację w fazie; Strzałki skierowane w dół i w górę reprezentują opóźnioną synchronizację; a strzałka skierowana w lewo reprezentuje synchronizację antyfazową30. Ten rysunek został zaadaptowany z Pan et al.19. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Niedawno, Hamilton25 przedstawił kilka ograniczeń w interpretacji danych dotyczących koherencji między mózgami w badaniach hiperskanowania fNIRS. Jedną z głównych obaw Hamiltona było to, że miary koherencji (np. WTC) raportują efekty tylko 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 sensie, że dwóch uczestników może odgrywać różne role i nie jest jasne, czy WTC może uchwycić te informacje. W tym przypadku problem ten został rozwiązany przez nową strukturę, która pozwala na prostą interpretację mocy falki krzyżowej poprzez wykorzystanie fazy fali krzyżowej do wykrywania kierunkowości. Ramy te pozwolą również na zbadanie, w jaki sposób dynamika interakcji rozwija się i zmienia w trakcie trwania zadania.

Podczas gdy WTC i metody korelacji oceniają łączność funkcjonalną, inne metody oceniają efektywną łączność, próbując wyodrębnić przyczynowe wpływy jednego elementu nerwowego na drugi. Entropia transferu to miara z dziedziny teorii informacji, która opisuje transfer między procesami współzależnymi 26. Inną powiązaną metodą jest analiza przyczynowości Grangera (GCA), która została opisana jako równoważna entropii transferu26.

W istniejącym piśmiennictwie badań hiperskanowania fNIRS, analiza przyczynowości Grangera (GCA) była szeroko stosowana do oszacowania kierunkowości sprzężenia między danymi szeregów czasowych fNIRS uzyskanymi podczas różnych zadań, takich jak współpraca5, teaching19, oraz imitacja16. GCA wykorzystuje wektorowe modele autoregresyjne do oceny kierunkowości sprzężenia między szeregami czasowymi w danych mózgu. Przyczynowość Grangera opiera się na przewidywaniu i pierwszeństwie: "mówi się, że zmienna X jest 'przyczyną G' zmiennej Y, jeśli przeszłość X zawiera informację, która pomaga przewidzieć przyszłość Y, poza informacjami już w przeszłości Y"27. W związku z tym przyczynowość G jest analizowana w dwóch kierunkach: 1) od podmiotu A do podmiotu B i 2) od podmiotu B do podmiotu A.

Podczas gdy analiza GCA służy jako analiza uzupełniająca, mająca na celu określenie, czy wysoka wartość koherencji uzyskana za pomocą funkcji WTC odzwierciedla IBS czy opóźnioną synchronizację (jeden sygnał prowadzi drugi), nie pozwala na określenie, czy nastąpiła synchronizacja antyfazowa. W tradycyjnych badaniach neuroobrazowania, w których skanowany jest tylko jeden uczestnik (tj. podejście "pojedynczego mózgu"), wzorzec antyfazowy oznacza, że aktywność w jednym regionie mózgu jest zwiększona, podczas gdy aktywność w drugim regionie mózgu jest zmniejszona28. W literaturze dotyczącej hiperskaningu obecność synchronizacji antyfazowej może sugerować, że aktywacja neuronalna jest zwiększona u jednego pacjenta, a jednocześnie aktywacja neuronalna jest zmniejszona u drugiego pacjenta. W związku z tym istnieje potrzeba zapewnienia kompleksowego modelu, który może wykryć kierunkowość. Mówiąc dokładniej, model ten będzie w stanie wykryć synchronizację antyfazową (w której kierunek aktywności u jednej osoby jest przeciwny do kierunku jej partnera), a także synchronizację w fazie i synchronizację opóźnioną.

W celu rozwiązania problemu, że WTC wykazuje tylko symetryczne efekty, gdzie oba mózgi wykazują ten sam wzorzec zmian25, przedstawiono nowe podejście do identyfikacji typu interakcji poprzez badanie fazy synchronizacji (tj. w fazie, opóźnionej lub antyfazowej) (zobacz Rysunek 2). W tym celu opracowano zestaw narzędzi wykorzystujących metodę WTC do klasyfikowania różnych typów interakcji. Typy oddziaływań są klasyfikowane przy użyciu względnych danych fazowych z analizy transformacji krzyżowej falkowej.

figure-introduction-2
Rysunek 2: Ilustracja różnych relacji fazowych prostych fal sinusoidalnych. (A) Gdy dwa sygnały, Sygnał 1 (niebieska linias) i Sygnał 2 (pomarańczowa linias), osiągną odpowiednie wartości maksymalne, minimalne i zerowe w tym samym punkcie czasowym, mówi się, że wykazują synchronizację w fazie32. (B) Gdy jeden sygnał osiąga maksymalną wartość, a drugi sygnał osiąga wartość zerową w tym samym punkcie czasowym, mówi się, że wykazują opóźnioną synchronizację (jeden prowadzi o 90°)32,33,34. (C) Gdy dwa szeregi czasowe przesuwają się w przeciwnych kierunkach, co oznacza, że jeden sygnał osiąga maksimum, a drugi minimalną wartość w tym samym punkcie czasowym, jest to określane jako synchronizacja antyfazowa28. (D-P) We wszystkich innych relacjach fazowych między dwoma szeregami czasowymi jeden sygnał prowadzi drugi. We wszystkich fazach dodatnich sygnał 2 jest sygnałem wiodącym sygnał 1 (np. panele E, F, M i N), natomiast we wszystkich fazach ujemnych sygnał 1 prowadzi sygnał 2 (np. panele D, G, H, O i P). Warto zauważyć, że gdy wartość bezwzględna fazy jest wyższa, staje się bardziej charakterystyczne, który szereg czasowy prowadzi drugi (np. przywództwo jest bardziej charakterystyczne w panelu J niż w panelu I, a w panelu K przywództwo jest bardziej charakterystyczne niż w panelu L). Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

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

Protokół

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

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

1. Korzystanie z oprogramowania Homer3 (Tabela materiałów) do wstępnego przetwarzania danych hiperskanowania fNIRS

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

  1. Otwórz program MATLAB i przejdź do folderu, w którym są zapisane nieprzetworzone pliki .nirs. Wybierz i otwórz folder.
  2. Wpisz Homer3 w oknie poleceń MATLAB, aby uruchomić GUI Homer3. Homer3. wykryje pliki .nirs i poprosi o konwersję do formatu .snirf (uniwersalny format plików do przechowywania i udostępniania danych NIRS niezależnie od określonego formatu pliku specyficznego dla aplikacji, takiego jak MATLAB), aby kontynuować wstępne przetwarzanie danych.
  3. Po zaimportowaniu plików .nirs do formatu .snirf w Homer3, kliknij opcję Narzędzia w graficznym interfejsie użytkownika Homer3 i wybierz Edytuj strumień przetwarzania.
  4. W graficznym interfejsie użytkownika ProcStreamEdit wybierz kroki wstępnego przetwarzania z kolumny Funkcja rejestru do kolumny Bieżący strumień przetwarzania, klikając pozycję Dodaj. Uwzględnione kroki przetwarzania wstępnego są następujące:
    1. Użyj hmrR_intensity2OD, aby przekonwertować dane intensywności na gęstość optyczną.
    2. Użyj hmrR_MotionCorrectWavelet, aby skorygować artefakty ruchu za pomocą odpowiedniej funkcji filtrowania.
    3. Użyj hmrR_OD2conc, aby przekonwertować dane OD na stężenie.
    4. Użyj hmR_BlockAvg, aby obliczyć średnią bloku na danych o stężeniu.
      UWAGA: Wybór kroków przetwarzania wstępnego może się różnić w zależności od typu zestawu danych.
  5. Aby zapisać bieżący strumień przetwarzania, kliknij opcję Zapisz, a następnie wyjdź z graficznego interfejsu użytkownika ProcStreamEdit.
  6. Aby uruchomić strumień przetwarzania wstępnego w głównym graficznym interfejsie użytkownika Homer3, kliknij opcję URUCHOM. Po tym, jak Homer3 zakończy uruchamianie wybranego strumienia przetwarzania, zapisze wstępnie przetworzone szeregi czasowe dla każdego uczestnika w formacie pliku .mat zawierającym Hbo, Hbr i Hbt dla wszystkich kanałów i zdarzeń. Folder o nazwie homer output zostanie utworzony przez Homer3 w aktualnie wybranym folderze do przechowywania tych plików.
  7. Folder o nazwie derivatives zostanie utworzony przez Homer3 w wybranym folderze do przechowywania tych plików. Wybierz folder homer znajdujący się w folderze pochodnych. Wybierz plik .mat dla każdego mózgu i wyeksportuj Hbo, Hbr, Hbt.
    UWAGA: Nazwa folderu wyjściowego utworzonego przez Homer3 jest zależna od wersji Homer3.

2. Rozpoczęcie pracy z zestawem narzędzi LeaderFollowerByPhase

  1. Aby przeanalizować typ interakcji, która zachodzi w nagraniu hiperskanowania, użyj przybornika LeaderFollowerByPhase, zgodnie z opisem w procesie pokazanym na Rysunek 3. W programie MATLAB wybierz pliki .mat dla każdego mózgu i załaduj dane Hbo (lub Hbr) określonego kanału i określonego zdarzenia do wektora jednowymiarowego jako signal1 i signal2.
  2. W wierszu polecenia programu MATLAB zdefiniuj parametry
    1. lowFreq, highFreq: Wpisz lowFreq = [low FOI] i highFreq = [high FOI]. Wartości domyślne to lowFreq = 0,01 Hz, highFreq = 1 Hz.
      UWAGA: Parametry funkcji lowFreq i highFreq definiują zakres częstotliwości zainteresowania (FOI). WTC oblicza spójność między dwoma mózgami w każdym punkcie czasowym i z każdą częstotliwością. Wartości koherencji są zazwyczaj uśredniane w ramach konkretnego FOI.
    2. Zdefiniuj parametr phaseRange; wpisz phaseRange = [zakres w stopniach].
      UWAGA: Wartość domyślna to phaseRange = 90°. Faza waha się od 0° do 360° ze względu na kołowy modulo charakter fazy. Zakresy faz są podzielone zgodnie z zakresem, który otacza cztery punkty. W prezentowanym przyborniku przedstawiono nowe podejście do klasyfikacji oddziaływań asymetrycznych (Rysunek 4) poprzez badanie kierunkowości sprzężenia za pomocą wartości kąta fazowego zgodnie z zakresami odpowiadającymi opóźnionej synchronizacji z odprowadzeniem sygnału 1 (zakres otaczający −90°) lub sygnałem 2 prowadzącym (zakres otaczający 90°), sygnałem 1, synchronizacją wewnątrzfazową sygnału 2 (zakres otaczający 0), oraz Sygnał 1, Sygnał 2 synchronizacja antyfazowa (zakres wokół +180° lub −180°).
    3. Zdefiniuj parametr Próg. Wpisz threshold = [threshold rsq val]. Wartość domyślna to Próg = 0,
      UWAGA: Przybornik umożliwia określenie wartości koherencji progowej poprzez określenie parametru progowego. Dzięki temu badacz może wybrać punkty czasowe o określonej minimalnej wartości koherencji. W związku z tym brane są pod uwagę tylko punkty czasowe o wartościach koherencji, które są wyższe niż określony próg.
  3. Pobierz zestaw narzędzi LeaderFollowerByPhase z poniższego linku (https://www.ariel.ac.il/wp/sns/download/ lub https://github.com/Minisharmaa/Leader-Follower-By-Phase).
  4. Wykonaj funkcję MATLAB LeaderFollowerByPhase, wprowadzając polecenie cohervalues = LeaderFollowerByPhase(signal1, signal2, lowFreq, highFreq, phaseRange, threshold) w wierszu polecenia.
    UWAGA: Obliczenia koherencji i fazy są wykonywane przy użyciu funkcji WTC i XWT w MATLAB, odpowiednio30.
  5. Sprawdź wartości synchronizacji w fazie, odprowadzenia sygnału 1, sygnału 2 i synchronizacji przeciwfazowej:
    1. Sprawdź wykresy w programie MATLAB. Przybornik generuje jedną figurę z czterema wykresami.
      1. Spójność według typu interakcji: Sprawdź wykres pudełkowy w lewej górnej części rysunku, który pokazuje R-kwadrat (Rsq) zgodnie z każdym typem interakcji (w fazie, sygnał 1 wiodący, sygnał 2 wiodący, antyfaza).
        UWAGA: Szczegółowy opis wbudowanej funkcji wykresu pudełkowego MATLAB można znaleźć pod poniższym linkiem (https://www.mathworks.com/help/matlab/ref/boxchart.html).
      2. Wskaźniki centralne według typu interakcji: Sprawdź wykres słupkowy w prawej górnej części rysunku wyjściowego, który wyświetla maksymalną średnią i medianę zgodnie z każdym typem interakcji (w fazie, sygnał wiodący 1, sygnał wiodący 2, antyfaza).
        UWAGA: Szczegółowy opis wbudowanej funkcji paska MATLAB można znaleźć pod poniższym linkiem (https://www.mathworks.com/help/matlab/ref/bar.html).
      3. Spójność w czasie: Sprawdź wykres rozrzutu w lewej dolnej części rysunku wyjściowego, który wyświetla wartości spójności i typy interakcji w czasie. Kolorowe kropki reprezentują różne typy interakcji (czarne kropki reprezentują synchronizację w fazie, ciemnoszare kropki reprezentują interlinię Sygnału 1, jasnoszare kropki reprezentują interlinię Sygnał 2, a fioletowe kropki reprezentują synchronizację antyfazową).
        UWAGA: Rysunek przedstawia dynamikę interakcji: wymianę między czterema typami interakcji w całym szeregu pełnoetatowym. Szczegółowy opis funkcji rozproszenia MATLAB można znaleźć pod następującym linkiem (https://www.mathworks.com/help/matlab/ref/scatter.html).
      4. Procent czasu: Sprawdź wykres kołowy w prawej dolnej części rysunku wyjściowego, który wyświetla podział czasu według różnych typów interakcji.
        UWAGA: Szczegółowy opis funkcji kołowy MATLAB można znaleźć pod następującym łączem (https://www.mathworks.com/help/matlab/ref/pie.html).
  6. Sprawdź tabelę wyjściową z wartościami statystycznymi (tj. średnią, maksimum, medianą i odchyleniem standardowym) dla każdego typu interakcji (synchronizacja w fazie, wyprowadzenie sygnału 1, odprowadzenie sygnału 2, synchronizacja przeciwfazowa). Tabela przedstawia również procent czasu, w którym wystąpiły poszczególne typy interakcji. Każdy typ interakcji jest wyświetlany w osobnej kolumnie.
  7. Sprawdź wartość wyjściową w wyodrębnionym pliku arkusza kalkulacyjnego (tj. datatable.xlsx znajduje się w bieżącym folderze).

figure-protocol-1
Rysunek 3: Przegląd przepływu pracy. (A) Diady matka-dziecko zaangażowane w swobodną zabawę podczas hiperskanowania danych fNIRS zostały zebrane. (B) Ilustracja szeregu czasowego matka-dziecko. (C) Wstępne przetwarzanie szeregów czasowych przy użyciu Homer3. (D,E) Użycie zestawu narzędzi do badania różnych typów interakcji, takich jak synchronizacja w fazie, synchronizacja antyfazowa i synchronizacja opóźniona. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-protocol-2
Rysunek 4: Klasyfikacja czterech różnych typów interakcji w oparciu o fazę. Reprezentuje to różnicę faz dwóch neuronowych szeregów czasowych w module 360°. Różnica faz może być traktowana jako opóźnienie czasowe między dwiema wartościami i jest mierzona w stopniach i radianach lub ułamkach długości fali. W tym przypadku modulo 360° jest podzielone na cztery różne zakresy przedstawiające cztery różne fazy oddziaływania: (A) sygnał wiodący 1 (zakres około 90°, od 45° do 135°), (B) synchronizacja antyfazowa między sygnałem 1 a sygnałem 2 (zakres około 180° lub −180°, od 135 do −135°), (C) Sygnał wiodący 2 (od −135° do −45°), (D) synchronizacja w fazie (zakres około 0, od −45° do 45°). Ten podział jest podejściem domyślnym (45° wokół każdego punktu); Przybornik pozwala jednak na skonfigurowanie innego podziału. Chociaż inne konfiguracje mogą nie obejmować wszystkich 360°, mogą one zapewnić dokładniejszą definicję każdego typu interakcji. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

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

Wyniki

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

Ta sekcja pokazuje rodzaje analiz, które można przeprowadzić za pomocą zestawu narzędzi (które można pobrać pod adresem https://www.ariel.ac.il/wp/sns/download/ lub https://github.com/Minisharmaa/Leader-Follower-By-Phase.). Do tych analiz wykorzystano dane fNIRS zebrane z małą próbką diad niemowlę-rodzic. Sześć par diad matka-niemowlę zostało przetestowanych przy użyciu zweryfikowanego zadania behawioralnego, zadania swobodnej zabawy31, które jest jak najbardziej zbliżone do rzeczywistej interakcj...

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

Dyskusja

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

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 działań

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

Oświadczenia

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

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

Podziękowania

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

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.

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

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

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

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

Koherencja transformaty falkowejsynchronizacja fazowakierunkowo sprz eniasynchronizacja w faziesynchronizacja w przeciwfaziesynchronia mi dzym zgowateoria graf wzestaw narz dzi MATLAB

Powiązane artykuły