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

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.