Name: Pomiar kierunkowego przepływu informacji w danych fNIRS-Hyperscaning z wykorzystaniem metody częściowej koherencji transformacji falkowej (Wideo) | JoVE Journal
Uploaded: 2021-09-03T14:30:00.000+00:00
Duration: 8 min 42 s
Description: Poznaj metodę częściowej koherencji transformacji falkowej (pWTC) do analizy kierunkowego przepływu informacji w danych fNIRS-Hyperscanning podczas interakcji społecznych.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

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

Protokół eksperymentu z udziałem ludzi został zatwierdzony przez Komisję Rewizyjną i Komitet Etyki Państwowego Kluczowego Laboratorium Neuronauki Poznawczej i Uczenia się na Uniwersytecie Normalnym w Pekinie. Wszyscy uczestnicy wyrazili pisemną świadomą zgodę przed rozpoczęciem eksperymentu.
1. Eksperyment symulacyjny
<ol>
	<li>Wygeneruj dwie serie czasowe sygnałów, które korelują ze sobą, przy czym jeden sygnał posiada autokorelację przy opóźnieniu czasowym 4 s. Ustaw współczynnik korelacji r między dwoma sygnałami na 0,4.</li>
	<li>Ponadto wygeneruj dwie serie czasowe sygnałów bez jakiejkolwiek korelacji, ale z autokorelacją w jednym sygnale.</li>
	<li>Oblicz wartości tradycyjnego INS z opóźnieniem czasowym 4 s za pomocą Równania 2 na podstawie wygenerowanych sygnałów z korelacją lub bez korelacji; wartości te można nazwać opóźnionym w czasie INSWTC z autokorelacją oraz opóźnionym w czasie bazowym INSWTC z autokorelacją. 
	UWAGA: Tradycyjne opóźnione w czasie WTC jest wyrażone następującym równaniem (Równanie 2)25 
	<img alt="Równanie koherencji transformaty falkowej ilustrujące analizę widmową w przetwarzaniu sygnałów." src="/files/ftp_upload/62927/62927eq02.jpg" data-altupdatedat="1788282455000" data-alt="Równanie 2"> 
	gdzie C oznacza operator ciągłej transformaty falkowej dla różnych skal i i punktów czasowych t. S oznacza operator wygładzania. * oznacza operator sprzężenia zespolonego. W i M oznaczają dwie indywidualne serie czasowe sygnałów.</li>
	<li>Usuń autokorelację z wygenerowanych sygnałów. Następnie oblicz wartości tradycyjnego opóźnionego w czasie INSWTC o opóźnieniu 4 s za pomocą Równania 2 na podstawie wygenerowanych sygnałów z korelacją lub bez korelacji, które można nazwać opóźnionym w czasie INSWTC bez autokorelacji oraz opóźnionym w czasie bazowym INSWTC bez autokorelacji.</li>
	<li>Oblicz wartości pWTC z opóźnieniem czasowym 4 s za pomocą Równania 3 na podstawie wygenerowanych sygnałów z korelacją lub bez korelacji, nazywając je opóźnionym w czasie INSpWTC oraz opóźnionym w czasie bazowym INSpWTC. 
	UWAGA: pWTC można obliczyć na podstawie następującego równania (Równanie 3)23 
	<img alt="Równanie okresowej koherencji transformaty falkowej; formuła matematyczna; metoda analizy danych." src="/files/ftp_upload/62927/62927eq03.jpg" data-altupdatedat="1788282455000" data-alt="Równanie 3"> 
	gdzie WTC (Wt, Mt+n) to tradycyjne WTC z opóźnieniem czasowym. WTC (Mt, Mt+n) to autokorelacyjne WTC jednej osoby. WTC (Wt, Mt) to WTC zsynchronizowane czasowo. * to operator sprzężenia zespolonego.</li>
	<li>Powtórz powyższe procedury 1000 razy.</li>
	<li>Po odjęciu bazowego INS porównaj wyniki opóźnionego w czasie INSWTC z autokorelacją, opóźnionego w czasie INSWTC bez autokorelacji oraz opóźnionego w czasie INSpWTC przy użyciu metody analizy wariancji (ANOVA). 
	​UWAGA: W tym przypadku oczekuje się, że opóźniony w czasie INSWTC z autokorelacją będzie znacznie wyższy niż opóźniony w czasie INSWTC bez autokorelacji oraz opóźniony w czasie INSpWTC, a między opóźnionym w czasie INSWTC bez autokorelacji a opóźnionym w czasie INSpWTC nie będzie istotnej różnicy.</li>
</ol>
2. Eksperyment empiryczny
<ol>
	<li>Uczestnicy i procedura
	<ol>
		<li>Zrekrutuj odpowiednich uczestników. 
		UWAGA: W niniejszym badaniu, za pomocą ogłoszeń, zrekrutowano dwudziestu dwóch par bliskich przyjaciół różnej płci (średni wiek kobiet = 20,95, odchylenie standardowe (SD) = 1,86; średni wiek mężczyzn = 20,50, SD = 1,74), będących studentami studiów licencjackich na uniwersytetach w Pekinie. Wszyscy uczestnicy byli praworęczni i mieli wzrok prawidłowy lub skorygowany do normy. Ponadto żaden z uczestników nie cierpiał na zaburzenia językowe, neurologiczne ani psychiatryczne.</li>
		<li>Poproś każdą parę uczestników o zajęcie miejsc naprzeciw siebie podczas eksperymentu. Poproś ich o swobodną komunikację na temat wspierający w jednej sesji oraz na temat konfliktowy w drugiej sesji. 
		UWAGA: Tematy zostały wykorzystane w celu wywołania zamierzonej pozytywnej lub negatywnej walencji emocjonalnej. Każda sesja komunikacyjna trwała 10 min, a kolejność tematów była zrównoważona.</li>
		<li>Poproś uczestników o zgłoszenie tematów wspierających i konfliktowych zgodnie ze standardową zasadą konfiguracji. Poproś każdego z partnerów o ocenę poziomu walencji pozytywnej lub negatywnej, która mogła zostać wywołana, w określonej skali punktowej. Następnie uszereguj zgłoszone tematy zgodnie z uzyskaną oceną. 
		UWAGA: W niniejszej pracy tematy wybrano w trzech następujących krokach. Po pierwsze, w przypadku tematów wspierających każdy uczestnik był zobowiązany do zgłoszenia 1–3 osobistych kwestii związanych z obszarami, które chciałby poprawić w swoim życiu. W przypadku tematów konfliktowych każdy uczestnik był zobowiązany do zgłoszenia 1–3 sytuacji, które wywołały lub mogłyby wywołać konflikt między partnerami bądź mogłyby zagrozić ich relacji. Po drugie, każdy z partnerów musiał ocenić na 7-punktowej skali (1 = wcale, 7 = w dużym stopniu) poziom walencji pozytywnej lub negatywnej, jaką mógłby wywołać każdy z tematów. Po trzecie, zgłoszone tematy uszeregowano zgodnie z uzyskaną oceną. Wybrano dwa pierwsze tematy z listy tematów wspierających oraz dwa pierwsze tematy z listy tematów konfliktowych.</li>
	</ol>
	</li>
	<li>gromadzenie danych fNIRS
	<ol>
		<li>Użyj 26-kanałowego systemu topografii fNIRS (patrz Tabela materiałów) do zbierania danych fNIRS. 
		UWAGA: dwa zestawy dostosowanych sond optodowych obejmowały obustronnie korę czołową, skroniową i ciemieniową (Rysunek 1B).</li>
		<li>Dokładnie poproś każdego uczestnika o założenie czepek z dwoma dostosowanymi zestawami elektrod (patrz Tabela materiałów).</li>
		<li>Wyrównaj nasion, inion i wyrostki sutkowate z punktami Fpz, Opz, T7 i T8, które są typowymi punktami orientacyjnymi międzynarodowego systemu 10-20.26.</li>
		<li>Dopasuj kanał (CH) 11 do punktu T3 oraz CH25 do punktu T4 zgodnie z międzynarodowym systemem 10-20 dla obu zestawów elektrod.27,28.</li>
		<li>Zweryfikuj anatomiczną lokalizację zestawów sond poprzez skanowanie danych z obrazowania magnetycznego rezonansu (MRI) pochodzących od typowego uczestnika, z wykorzystaniem sekwencji szybkiego echa gradientowego z przygotowaniem namagnesowania, ważonej obrazem T1 o wysokiej rozdzielczości (TR = 2530 ms; TE = 3,39 ms; kąt odchylenia = 7°; grubość warstwy = 1,3 mm; rozmiar voxela = 1,3 x 1 x 1,3 mm).</li>
		<li>Użyj oprogramowania Statistical Parametric Mapping 12 (SPM12), aby znormalizować obraz do standardowej przestrzeni współrzędnych Montreal Neurological Institute (współrzędne MNI)29Następnie należy użyć zestawu narzędzi NIRS_SPM (patrz Tabela materiałów) w celu rzutowania współrzędnych MNI sond na szablon automatycznego etykietowania anatomicznego (AAL).</li>
		<li>Zbierz dane dotyczące gęstości optycznej światła bliskiej podczerwieni dla trzech długości fal (780, 805 i 830 nm) przy częstotliwości próbkowania 55,6 Hz (domyślne parametry urządzenia).</li>
		<li>Przetestuj jakość sygnału, korzystając z oprogramowania do obsługi sprzętu wbudowanego w system topografii fNIRS (patrz Tabela materiałów).</li>
		<li>Rozpocznij rejestrację sygnału. 
		UWAGA: Niektóre opublikowane protokoły zademonstrowały sposób zbierania sygnałów fNIRS przy użyciu różnych urządzeń i systemów30,31,32.</li>
	</ol>
	</li>
	<li>Wstępne przetwarzanie danych fNIRS
	<ol>
		<li>Wyeksportuj pliki danych z urządzenia. 
		UWAGA: W niniejszym eksperymencie wbudowane oprogramowanie automatycznie przekształciło wszystkie dane dotyczące gęstości optycznej na zmiany stężenia oksyhemoglobiny (HbO) na podstawie zmodyfikowanego prawa Beera-Lamberta.</li>
		<li>Usuń pierwsze i ostatnie 15 s danych z każdej sesji, aby uniknąć odpowiedzi przejściowych.</li>
		<li>Użyj wbudowanej funkcji decimate w programie MATLAB, aby przeprowadzić undersampling danych z częstotliwości 55,6 Hz do 11,1 Hz. 
		UWAGA: Wzorce widma mocy w zakresie od 55,6 Hz do 11,1 Hz są bardzo podobne (Rycina uzupełniająca 1).</li>
		<li>Użyj wbudowanej funkcji aplikacji MATLAB (Homer3, zobacz Tabela materiałów) z odpowiednią funkcją filtrowania w celu zastosowania metody filtra dyskretnej transformaty falkowej do korekcji artefaktów ruchowych.</li>
		<li>Użyj wbudowanej funkcji pca w programie MATLAB, aby usunąć globalny szum fizjologiczny. Usuń 80% największej wariancji z sygnałów.</li>
		<li>Usuń szum fizjologiczny w oparciu o poprzednie badania33Dokładniej, należy usunąć pasma częstotliwości każdego sygnału powyżej 0,7 Hz, aby uniknąć aliasingu wysokoczęstotliwościowego szumu fizjologicznego (np. aktywności serca).</li>
		<li>Następnie należy usunąć z każdego sygnału pasma częstotliwości poniżej 0,01 Hz, aby odfiltrować fluktuacje o bardzo niskiej częstotliwości.</li>
		<li>Na koniec należy usunąć pasma częstotliwości każdego sygnału w zakresie 0,15-0,3 Hz, aby wykluczyć potencjalny wpływ aktywności oddechowej.</li>
	</ol>
	</li>
	<li>Przetwarzanie danych fNIRS pierwszego poziomu
	<ol>
		<li>Najpierw oblicz INS, korzystając z tradycyjnej metody WTC (INSWTC). 
		UWAGA: W tym przypadku występuje zależność czasowa w zakresie INS z przewagą kobietWTC przewidywano, że wystąpi między aktywnością mózgu kobiet a aktywnością mózgu mężczyzn, ponieważ wcześniejsze badania sugerowały odmienne role kobiet i mężczyzn podczas konwersacji34,35Tradycyjny WTC obliczał ten wzorzec INSWTC poprzez przesunięcie aktywności mózgu mężczyzn do tyłu w stosunku do aktywności kobiet (patrz Równanie 2).</li>
		<li>Oblicz INS z przesunięciem o 2 sekundy dla organizacji kierowanych przez kobietyWTC wartość po usunięciu początkowych 2 s danych u kobiet i ostatnich 2 s danych u mężczyzn z Równanie 2Podobnie, po usunięciu pierwszych 2 s danych u mężczyzn i ostatnich 2 s danych u kobiet, oblicz wartość INS z 2-sekundowym opóźnieniem (lagged), prowadzoną przez mężczyzn.WTC wartość z Równanie 4. 
		UWAGA: W tym przypadku zastosowano funkcję wcoherence, która jest funkcją wbudowaną w narzędzia wavelet toolbox programu MATLAB (patrz Tabela materiałów).</li>
		<li>Powtórz tę procedurę dla różnych opóźnień czasowych n, tj. n = 2 s, 4 s, 6 s, 8 s dla wszystkich potencjalnych par CH (np. CH2 u kobiet i CH10 u mężczyzn, łącznie 676 par). Dodatkowo oblicz siłę zopóźnionej w czasie INS prowadzonej przez mężczyznWTC w ten sam sposób (Równanie 4). 
		<img alt="Schemat równania koherencji transformaty falkowej, przedstawiający model matematyczny w analizie danych." src="/files/ftp_upload/62927/62927eq04.jpg" data-altupdatedat="1788282455000" data-alt="Równanie 4"></li>
		<li>Po drugie, oblicz INS, korzystając z pWTC (INSpWTC). 
		UWAGA: pWTC obliczono na podstawie Równanie 3Obliczanie INSpWTC powtórzono dla różnych opóźnień czasowych n, tj. n = 2 s, 4 s, 6 s, 8 s dla wszystkich potencjalnych par kanałów (np. CH2 u kobiet i CH10 u mężczyzn, łącznie 676 par). Dodatkowo siłę prowadzonej przez mężczyzn czasowo opóźnionej INSpWTC obliczono w ten sam sposób (Równanie 5). 
		<img alt="Równanie koherencji transformaty falkowej, formuła matematyczna do analizy danych w badaniach naukowych." src="/files/ftp_upload/62927/62927eq05.jpg" data-altupdatedat="1788282455000" data-alt="Równanie 5"></li>
		<li>Wygeneruj szeregi czasowe sygnałów fNIRS z przesunięciem czasowym dla różnych wartości opóźnienia.</li>
		<li>Oblicz wartości opóźnionej w czasie analizy spójności falowej (WTC) dla różnych opóźnień czasowych.</li>
		<li>Wygeneruj autokorelowane szeregi czasowe sygnałów fNIRS dla różnych opóźnień czasowych. Aby obliczyć wartość autokorelacji dla przesunięcia 2 s u mężczyzn, usuń pierwsze 2 s danych oraz ostatnie 2 s danych z grupy mężczyzn.</li>
		<li>Oblicz wartości autokorelowanego WTC dla różnych opóźnień czasowych.</li>
		<li>Wygeneruj wyrównane czasowo szeregi czasowe sygnałów fNIRS przy różnych przesunięciach czasowych. Aby obliczyć wyrównany czasowo WTC dla interwału 2 s, usuń pierwsze 2 s danych z grupy mężczyzn oraz pierwsze 2 s danych z grupy kobiet.</li>
		<li>Oblicz wartości WTC zsynchronizowane czasowo.</li>
		<li>Wprowadź wartości WTC zsynchronizowane czasowo, WTC z przesunięciem czasowym oraz wartości WTC z autokorelacją dla różnych przesunięć czasowych do Równanie 3 i Równanie 5– równanie pWTC, generujące INSpWTC.</li>
		<li>W końcu obliczono INS przy użyciu metody GC (INSGC). 
		UWAGA: Aby dodatkowo zwalidować metodę pWTC oraz ocenić jej zalety i wady, obliczono INS w oparciu o GC, stosując metodę GC (INSGC).</li>
		<li>Na podstawie wyniku pWTC, sygnał HbO każdego uczestnika w obszarze SMC poddawany jest filtrowaniu pasmowoprzepustowemu (tj. 0,4–0,6 Hz, zobacz Reprezentatywne wyniki).</li>
		<li>Przeprowadź test GC (Econometric toolbox, MATLAB) oddzielnie dla każdej dyady w tematach wspierających i konfliktowych. 
		UWAGA: Dla INS uzyskano cztery grupy wartości FGC(1) od kobiet do mężczyzn w temacie wspierającym (W2M_supp); (2) od mężczyzn do kobiet w temacie wspierającym (M2W_supp); (3) od kobiet do mężczyzn w temacie konfliktowym (W2M_conf); oraz (4) od mężczyzn do kobiet w temacie konfliktowym (M2W_conf). Wartości F są wykorzystywane do indeksowania INSGC.</li>
	</ol>
	</li>
	<li>Przetwarzanie danych fNIRS drugiego poziomu
	<ol>
		<li>Przekształć INS za pomocą transformacji Fishera-z, a następnie oblicz średnią INS w wymiarze czasowym. 
		UWAGA: Transformację Fishera-z przeprowadzono przy użyciu autorskiego skryptu w programie MATLAB z Równanie 636: 
		<img alt="Wzór logarytmiczny, obliczanie wyniku z, równanie matematyczne." src="/files/ftp_upload/62927/62927eq06.jpg" data-altupdatedat="1788282455000" data-alt="Równanie 6"> 
		gdzie r jest wartością WTC lub pWTC, a z jest wartością WTC lub pWTC po transformacji Fisher-z.</li>
		<li>Dla uśrednionych wartości INS dla każdego opóźnienia czasowego przeprowadź parowy test dla dwóch próbek t-test (pomocniczy kontra. konflikt) dla każdej pary CH w całym zakresie częstotliwości. Następnie zidentyfikuj wszystkie istotne klastry częstotliwości (P &lt; 0.05).</li>
		<li>Przeprowadź test permutacyjny oparty na klastrach w celu ustalenia progu dla otrzymanych wyników.
		<ol>
			<li>Przenadziej relacje dyadyczne poprzez losowe przypisanie uczestników do nowych dwuosobowych par, t. j. uczestników dyady, którzy nigdy wcześniej ze sobą nie komunikowali się. Ponownie oblicz INS dla każdego opóźnienia czasowego, przeprowadź testy dla par t-ponownie przeprowadzić testy w nowej próbce i ponownie zidentyfikować istotne klastry częstotliwości.</li>
			<li>Wybierz klastry z największą sumaryczną wartością t. Powtórz powyższe procedury 1000 razy, aby wygenerować rozkład zerowy maksymalnych fałszywie dodatnich wartości t. 
			UWAGA: Rozkład służy jako poziom szansy. Rodzinny poziom błędu (FWER) jest kontrolowany na poziomie q = 0,05, co oznacza, że tylko najwyższe 5% rozkładu zerowego wartości t dla wyników fałszywie dodatnich przekracza próg (R*).</li>
			<li>Porównaj sumaryczną wartość t dla każdego zidentyfikowanego klastra częstotliwości w oryginalnej próbce z rozkładem zerowym, aby uzyskać istotne statystycznie wyniki.</li>
		</ol>
		</li>
		<li>Przeprowadź analizę wariancji (ANOVA) dla czynników kontekst (wspierający, konfliktowy) x kierunek (kobiety do mężczyzn, mężczyźni do kobiet), aby zbadać różnice w kierunku INS pomiędzy różnymi warunkami (tj. tematami) (p &lt; 0.05).</li>
		<li>Przeprowadź parowy dwupróbkowy dwustronny test t dla wyników WTC (Wt, Mt + n) oraz WTC (Mt, Mt + n) w celu zbadania potencjalnego wpływu autokorelacji na INS. 
		UWAGA: INS dla WTC (Mt, Mt + n) odzwierciedla autokorelację.</li>
	</ol>
	</li>
</ol>

Autorzy deklarują brak sprzecznych interesów finansowych.

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...

Interakcje społeczne mają kluczowe znaczenie dla istot ludzkich1,2. W celu zrozumienia neuropoznawczego mechanizmu dwóch mózgów w interakcjach społecznych w ostatnim czasie szeroko stosowano podejście hyperscaningu, wykazując, że wzorce interpersonalnej synchronizacji neuronalnej (INS) mogą dobrze charakteryzować proces interakcji społecznych3,4,5,6,7,8,9,10,11,12,13,14. Wśród ostatnich badań ciekawym odkryciem jest to, że różnice w rolach osób w diadzie mogą prowadzić do wzorca INS z przesunięciem czasowym, tzn. INS występuje, gdy aktywność mózgu jednej osoby następuje z kilkusekundowym opóźnieniem względem drugiej osoby, na przykład od słuchaczy do mówców5,9, od liderów do naśladowców4, od nauczycieli do uczniów8, od matek do dzieci13,15 oraz od kobiet do mężczyzn w parze romantycznej6. Co najważniejsze, istnieje dobra zgodność między odstępem czasu w INS z przesunięciem a odstępem w zachowaniach interakcji społecznych, na przykład między zadawaniem pytań przez nauczycieli a odpowiedziami uczniów8 lub między zachowaniami wychowawczymi matek a zachowaniami uległymi dzieci15. Zatem INS z przesunięciem czasowym może odzwierciedlać kierunkowy przepływ informacji od jednej osoby do drugiej, zgodnie z propozycją przedstawioną w niedawnym hierarchicznym modelu interpersonalnej komunikacji werbalnej16.
Wcześniej synchronizacja międzyosobnicza (INS) z opóźnieniem czasowym była obliczana głównie na podstawie sygnału funkcjonalnej spektroskopii bliskiej podczerwieni (fNIRS), ze względu na jego stosunkowo wysoką rozdzielczość przestrzenną, dobrą lokalizację anatomiczną i wyjątkowo wysoką tolerancję na artefakty ruchowe17 podczas badania naturalistycznych interakcji społecznych. Ponadto, aby precyzyjnie opisać zgodność między opóźnieniem czasowym neuronów a opóźnieniem czasowym behawioralnym podczas interakcji społecznej, niezbędne jest uzyskanie natężenia INS dla każdego opóźnienia czasowego (np. od braku opóźnienia do opóźnienia wynoszącego 10 s). W tym celu wcześniej szeroko stosowano procedurę koherencji transformaty falkowej (WTC) po przesunięciu sygnału mózgowego jednej osoby do przodu lub do tyłu względem sygnału drugiej osoby5,6,18. Przy stosowaniu tej tradycyjnej procedury WTC dla sygnałów fNIRS istnieje potencjalny problem, ponieważ obserwowana INS z opóźnieniem czasowym może być zaburzona przez efekt autokorelacji sygnału fNIRS danej osoby19,20,21. Na przykład podczas dyadycznego procesu interakcji społecznej sygnał uczestnika A w punkcie czasowym t może być zsynchronizowany z sygnałem uczestnika B w tym samym punkcie czasowym. Jednocześnie sygnał uczestnika A w punkcie czasowym t może być zsynchronizowany z sygnałem uczestnika A w późniejszym punkcie czasowym t+1 ze względu na efekt autokorelacji. W rezultacie może wystąpić pozorna INS z opóźnieniem czasowym pomiędzy sygnałem uczestnika A w punkcie czasowym t a sygnałem uczestnika B w punkcie czasowym t+1.
Mihanović i jego współpracownicy22 po raz pierwszy wprowadzili metodę nazwaną częściową spójnością transformaty falkowej (partial wavelet transform coherence, pWTC), a następnie zastosowali ją w naukach morskich23,24. Pierwotnym celem tej metody była kontrola egzogennego szumu zakłócającego podczas szacowania spójności dwóch sygnałów. W niniejszym badaniu, aby rozwiązać problem autokorelacji w danych z hiperskanowania fNIRS, metodę pWTC rozszerzono w celu obliczenia opóźnionego w czasie INS dla sygnału fNIRS. Dokładniej, opóźniony w czasie INS (oraz kierunkowy przepływ informacji) od uczestnika A do uczestnika B można obliczyć za pomocą poniższego równania (Równanie 1)23.
<img alt="Wzór korelacji transformaty falkowej; równanie matematyczne dla analizy szeregów czasowych." src="/files/ftp_upload/62927/62927eq01.jpg" data-altupdatedat="1788282455000" data-alt="Równanie 1">
Przyjęto tutaj, że istnieją dwa sygnały, A i B, pochodzące odpowiednio od uczestnika A i B. Wystąpienie sygnału B zawsze poprzedza wystąpienie sygnału A z przesunięciem czasowym n, gdzie WTC (At, Bt+n) stanowi tradycyjną WTC z przesunięciem czasowym. WTC (At, At+n) to autokorelacyjna WTC u uczestnika A. WTC (At, Bt) to WTC wyrównana czasowo w punkcie czasowym t pomiędzy uczestnikiem A i B. * oznacza operator sprzężenia zespolonego (Rysunek 1A).
<img alt="Diagram koherencji transformaty falkowej (WTC); analiza sygnału mózgowego w badaniu łączności neuronalnej." class="xfigimg" src="/files/ftp_upload/62927/62927fig01.jpg" data-altupdatedat="1788282455000" data-alt="Rysunek 1"> 
Rysunek 1: Przegląd pWTC. (A) Logika pWTC. W obrębie diady występują dwa sygnały A i B. Wystąpienie sygnału A zawsze następuje po sygnale B z opóźnieniem n. Szary obszar stanowi okno falkowe w określonym punkcie czasowym t lub t+n. Na podstawie równania pWTC (przedstawionego na rysunku) należy obliczyć trzy wartości WTC: WTC z przesunięciem czasowym dla At+n i Bt; autokorelowane WTC u uczestnika A dla At i At+n; oraz WTC zsynchronizowane w czasie w punkcie t dla At i Bt. (B) Układ zestawów sond optodowych. Kanał CH11 został umieszczony w punkcie T3, a kanał CH25 w punkcie T4 zgodnie z międzynarodowym systemem 10-2027,28. <a href="https://www.jove.com/files/ftp_upload/62927/62927fig01large.jpg" target="_blank">Aby wyświetlić powiększoną wersję tego rysunku, kliknij tutaj.</a>
W niniejszym protokole najpierw przedstawiono eksperyment symulacyjny, aby zademonstrować, jak skutecznie pWTC rozwiązuje problem autokorelacji. Następnie wyjaśniono krok po kroku, jak przeprowadzić pWTC w oparciu o eksperyment empiryczny dotyczący naturalistycznych interakcji społecznych. W celu wprowadzenia tej metody wykorzystano kontekst komunikacyjny, ponieważ wcześniej analizy INS z przesunięciem czasowym były zazwyczaj obliczane w naturalistycznym kontekście komunikacyjnym3,4,6,8,13,15,18. Ponadto przeprowadzono porównanie pWTC z tradycyjnym WTC oraz walidację za pomocą testu przyczynowości Grangera (GC).

<table><tbody><tr><td>System topograficzny fNIRS</td><td>Shimadzu Corporation</td><td>System Shimadzu LABNIRS</td> System <td>LABNIRS 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.</td></tr><tr><td>MATLAB</td><td>MathWorks, Inc.</td><td>MATLAB 2019a</td><td>W 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.</td></tr><tr><td>Skaner MRI</td><td>Skaner Siemens Healthineers</td><td>TRIO 3-Tesla</td><td>W tym protokole skaner MRI został wykorzystany do uzyskania współrzędnych MNI każdego kanału i optpde. Parametry skanowania są opisane w tekście głównym.</td></tr><tr><td>Niestandardowe czapki</td><td></td><td></td><td>W 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.</td></tr></tbody></table>

pomiar kierunkowego przepływu informacji w danych fnirs-hyperscaning z wykorzystaniem metody częściowej koherencji transformacji falkowej

Measurement of the Directional Information Flow in fNIRS-Hyperscanning Data using the Partial Wavelet Transform Coherence Method

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.

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

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.

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

Social interaction is of vital importance for human beings. While the hyperscanning approach has been extensively used to study interpersonal neural ...

Hiperskanowanie jest obiecującą metodą opisu relacji między osobami, a w tym badaniu stwierdzono synchronizację neuronalną między osobami. A najważniejszym pytaniem jest określenie, kto synchronizuje się z kim. A metoda, którą tutaj proponujemy, polega na określeniu kierunku przepływu informacji między jednostkami.W porównaniu z innymi metodami, najważniejszą zaletą tej metody jest usunięcie różnych czynników zakłócających z synchronizacji neuronowej. Na przykład autokorelacja w każdym sygnale. A tymczasem możemy zachować wysoką przestrzenną rozdzielczość anatomiczną każdego sygnału.Rozpocznij wstępne przetwarzanie danych, eksportując pliki danych zmian stężenia hemoglobiny z urządzenia i przesyłając pliki do formatu czytelnego dla MATLAB. Następnie usuń pierwsze i ostatnie 15 sekund danych dla każdej sesji, aby uniknąć przejściowych odpowiedzi, i użyj wbudowanej funkcji MATLAB dziesiątkuj, aby zmniejszyć próbkowanie danych z 55,6 Hz do 11,1 Hz. Aby skorygować artefakty ruchu, należy zastosować metodę dyskretnego filtra z transformacją falkową z odpowiednią funkcją filtrowania.Użyj wbudowanej funkcji PCA, aby usunąć globalny szum fizjologiczny. Następnie usuń górne 80% wariancji z sygnałów. Po usunięciu początkowych dwóch sekund danych od kobiet i ostatnich dwóch sekund danych od mężczyzn, oblicz wartość INS WTC prowadzoną przez kobiety z dwusekundowym opóźnieniem za pomocą równania.Podobnie, po usunięciu początkowych dwóch sekund danych od mężczyzn i ostatnich dwóch sekund danych od kobiet, oblicz prowadzoną przez mężczyzn wartość INS WTC z dwoma sekundami opóźnionymi. Powtórz procedurę z różnymi opóźnieniami czasowymi, N, np. N równa się czterema, sześciu lub ośmiu sekundom, w poprzek potencjalnych 676 par CH i oblicz siłę INS WTC prowadzonych przez kobiety i mężczyzn za pomocą równania, jak opisano wcześniej. Oblicz INS pWTC za pomocą pWTC w ten sam sposób, korzystając z równania.Wygeneruj opóźnione w czasie szeregi czasowe sygnałów fNIRS między mężczyznami i kobietami i oblicz wartości WTC z opóźnieniem w czasie przy różnych opóźnieniach czasowych. Wygeneruj autoskorelowane szeregi czasowe sygnałów fNIRS mężczyzn, usuwając pierwsze dwie sekundy i ostatnie dwie sekundy danych od mężczyzn. Następnie oblicz wartość dwóch sekund automatycznie skorelowaną dla mężczyzn.Następnie oceń automatycznie skorelowane wartości WTC w różnych odstępach czasu. W ten sam sposób utwórz wyrównane w czasie szeregi czasowe sygnałów fNIRS, usuwając pierwsze dwie sekundy danych od mężczyzn i kobiet. Następnie oblicz dwie sekundy WTC wyrównane w czasie.Następnie oceń wyrównane w czasie wartości WTC w różnych odstępach czasu. Wprowadź wyrównane w czasie WTC, WTC opóźnione w czasie i automatycznie skorelowane wartości WTC w różnym opóźnieniu czasowym do równań pWTC, generując INS pWTC. W przetwarzaniu danych drugiego poziomu fNIRS usuń szum fizjologiczny i pasma częstotliwości każdego sygnału powyżej 0,7 herca.Następnie usuń pasma częstotliwości każdego sygnału poniżej 0,01 Hz i w zakresie od 0,15 do 0,3 Hz, aby odfiltrować bardzo niskie wahania częstotliwości. Przekształć INS za pomocą transformacji Fishera Z, a następnie uśrednij INS w wymiarze czasowym. Dla uśrednionych INS w każdym opóźnieniu czasowym przeprowadź sparowany test t dla dwóch próbek na każdej parze CH w całym zakresie częstotliwości.Następnie zidentyfikuj wszystkie znaczące klastry częstotliwości. Ponownie przypisz relacje diadyczne, losowo przypisując uczestników do nowych, dwóch par członków, tak jak uczestnicy diady, którzy nigdy się ze sobą nie komunikowali. Przeprowadź test permutacji oparty na klastrach, aby ustalić próg dla wyników.Przelicz INS w każdym opóźnieniu czasowym. Wykonaj sparowane testy t w nowej próbie i zidentyfikuj znaczące klastry częstotliwości. Następnie wybierz klaster z największą zsumowaną wartością T przed powtórzeniem procedur 1 000 razy, aby wygenerować rozkład null maksymalnej liczby wyników fałszywie dodatnich T.Porównaj zsumowaną wartość T każdego zidentyfikowanego klastra częstości w oryginalnej próbie z rozkładem zerowym, aby uzyskać istotne wyniki statystyczne. W badaniu przeprowadzono analizę symulacyjną. Reprezentatywna analiza pokazuje, że opóźniony w czasie INS WTC z autokorelacją był znacznie wyższy niż opóźniony w czasie INS WTC bez autokorelacji i opóźniony w czasie INS pWTC.Ponadto nie stwierdzono istotnej różnicy między opóźnionym w czasie INS WTC bez autokorelacji a INS pWTC, co wskazuje na skuteczność pWTC w usuwaniu wpływu efektu autokorelacji na INS. Marginalny istotny efekt kontekstu zaobserwowano w zakresie od 0,4 do 0,6 herca, przy czym u mężczyzn był o cztery sekundy wolniejszy od kobiet . Natomiast w przypadku INS pWTC zaobserwowano tylko istotny efekt kontekstu w zakresie od 0,4 do 0,6 herca, gdy aktywność czujnika i kory ruchowej mężczyzn była opóźniona o cztery sekundy w stosunku do aktywności kobiet.Kierunkowy INS od kobiet do mężczyzn był znacznie wyższy w kontekstach konfliktowych niż w kontekstach wspierających. Wyniki INS pWTC zwalidowano metodą przyczynowości Grangera. Wyniki pokazały, że INS GC wykazywał podobny wzorzec do INS pWTC.Kierunkowy INS obliczony za pomocą analizy przyczynowości Granger od kobiet do mężczyzn był znacznie wyższy w kontekstach konfliktowych niż w kontekstach wspierających. Po obliczeniu synchronizacji neuronowej za pomocą tej metody, możliwe jest również przeprowadzenie wielu innych metod. Na przykład, możemy porównać ten kierunkowy przepływ informacji między różnymi kontekstami powiązań społecznych i więzią społeczną w różnych relacjach społecznych.Możliwe jest również zrozumienie wpływu różnych zachowań komunikacyjnych na synchronizację neuronalną. Na przykład, czy jest to komunikacja werbalna, czy komunikacja niewerbalna, odgrywa ważniejszą rolę w synchronizacji neuronalnej.

measurement-directional-information-flow-fnirs-hyperscanning-data

Research

JoVE Journal

Neuroscience

Neuronauka

Obecny protokół opisuje, jak przeprowadzać eksperymenty hiperskanowania fNIRS i analizować synchronizację mózg-mózg. Ponadto omawiamy wyzwania i możliwe rozwiązania.

Przeprowadzanie eksperymentów hiperskaningowych z funkcjonalną spektroskopią w bliskiej podczerwieni

Ten protokół pokazuje, jak mierzyć funkcjonalną łączność w stanie spoczynku w ludzkiej korze przedczołowej za pomocą specjalnie zaprojektowanego instrumentu do spektroskopii korelacji dyfuzyjnej. W raporcie omówiono również praktyczne aspekty eksperymentu, a także szczegółowe kroki analizy danych.

Funkcjonalna łączność ludzkiego mózgu w stanie spoczynku oparta na przepływie krwi w mózgu przy użyciu optycznej spektroskopii korelacji rozproszonej

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

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

Dynamika między sprzężonymi mózgami osób jest coraz częściej reprezentowana przez synchronizację między mózgami (IBS), gdy koordynują się one ze sobą, głównie za pomocą jednoczesnego rejestrowania sygnałów mózgów (czyli hiperskanowania) z fNIRS. W badaniach hiperskanowania fNIRS, IBS był powszechnie oceniany za pomocą metody koherencji transformacji falkowej (WTC) ze względu na jej przewagę w rozszerzaniu szeregów czasowych do przestrzeni czasowo-częstotliwościowej, gdzie oscylacje można...

Jak obliczyć i zweryfikować synchronizację między mózgami w badaniu hiperskanowania fNIRS

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.

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

Protokół ma na celu szczegółowe opisanie metodologii przeprowadzania badania hiperskanowania fNIRS w poradnictwie psychologicznym. Obejmuje to przygotowania do eksperymentu, procedurę zbierania danych oraz późniejszy proces analizy danych.

Funkcjonalne badanie hiperskanowania spektroskopii bliskiej podczerwieni w poradnictwie psychologicznym

Łączność informacyjna mierzy zgodność między przebiegami czasowymi informacji wielowokselowych w różnych regionach mózgu. Szeregi czasowe dyskryminacji wzorców wielowokselowych są wyodrębniane z regionów i porównywane, ujawniając sieci, które nie są identyfikowane w typowym podejściu do łączności funkcjonalnej.

Wykorzystanie łączności informacyjnej do pomiaru synchronicznego pojawiania się informacji o wielu wokselach fMRI w czasie

Węchowe neurony czuciowe wyrażają szeroką gamę cząsteczek sortujących aksony, aby ustanowić prawidłowe obwody neuronowe. Protokół ten opisuje metodę barwienia immunohistochemicznego w celu wizualizacji kombinatorycznych ekspresji cząsteczek sortujących aksony na końcach aksonów węchowych neuronów czuciowych.

Poczwórne barwienie immunologiczne opuszki węchowej w celu wizualizacji węchowych kodów tożsamości molekularnej aksonu czuciowego

Ten protokół opisuje, jak używać preparatu in vitro z izolowanych głów żółwi do pomiaru kinematyki ruchów ich gałek ocznych. Po usunięciu mózgu z czaszki, nerwy czaszkowe mogą być stymulowane prądami w celu ilościowego określenia rotacji oka i zmian wielkości źrenic.

Kinematyka oka mierzona za pomocą stymulacji nerwów czaszkowych in vitro u żółwia

To badanie wprowadza metodę jednoczesnego rejestrowania lokalnych potencjałów pola w mózgu, elektrokardiogramów, elektromiogramów i sygnałów oddechowych swobodnie poruszającego się szczura. Technika ta, która obniża koszty eksperymentów i upraszcza analizę danych, przyczyni się do zrozumienia interakcji między mózgiem a narządami obwodowymi.

Jednoczesne zapisy lokalnych potencjałów pola korowego, elektrokardiogram, elektromiogram i rytm oddychania swobodnie poruszającego się szczura

Poznaj metodę częściowej koherencji transformacji falkowej (pWTC) do analizy kierunkowego przepływu informacji w danych fNIRS-Hyperscanning podczas interakcji społecznych.

Pomiar kierunkowego przepływu informacji w danych fNIRS-Hyperscaning z wykorzystaniem metody częściowej koherencji transformacji falkowej (Wideo) | JoVE Journal

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

Przeglądaj więcej filmów