Nowe ramy zrozumienia koherencji międzymózgowej w badaniach hiperskanowania funkcjonalnej spektroskopii bliskiej podczerwieni (fNIRS)
6 października 2023
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.
Wiele badań fNIRS skupiało się na koherencji w celu oszacowania synchronizacji między mózgami, zaniedbując informacje o odnogach fazowych na gorącym wykresie WTC. W tym miejscu przedstawiono najbardziej czułe podejście, które bada kierunkowość sprzężenia, klasyfikując wartość kąta fazowego jako synchronizację w fazie, synchronizację lab-faza i synchronizacja antyfazowa. Ponowna analiza poprzednich ustaleń przy użyciu nowych proponowanych ram oferuje kompleksowe zrozumienie natury synchronizacji między uczestnikami.
Rozróżnienie synchronizacji wewnątrzfazowej i synchronizacji przeciwfazowej zapewnia nowy poziom przejrzystości, umożliwiając precyzyjną interpretację wcześniejszych wyników. Ramy te można zastosować do różnych scenariuszy, takich jak badanie roli synchronizacji interpersonalnej w zachowaniach społecznych, komunikacji i podejmowaniu decyzji. Położenie nacisku na zastosowanie teorii grafów w połączeniu z opracowanym zestawem narzędzi fazowych dla bezdechów hiperskaningowych zapewnia głębsze zrozumienie różnych typów kierunków obserwowanych w interakcji, wykraczających poza zwykłą spójność.
Takie podejście umożliwia eksplorację przepływu informacji z jednego mózgu do drugiego mózgu w warunkach hiperskanowania. Aby rozpocząć, otwórz program MATLAB i przejdź do folderu, w którym zapisywane są nieprzetworzone pliki NIRS. Wybierz i otwórz folder.
Wpisz Homer3 w oknie poleceń MATLAB, aby uruchomić GUI Homer3. Homer3 wykryje pliki NIRS i poprosi o przekonwertowanie ich do formatu snirf, aby kontynuować wstępne przetwarzanie danych. Po przekonwertowaniu plików kliknij opcję narzędzi i wybierz edytuj strumień przetwarzania.
W graficznym interfejsie użytkownika edycji strumienia procesu wybierz kroki wstępnego przetwarzania z kolumny funkcji rejestru do kolumny bieżącego strumienia przetwarzania, klikając przycisk dodaj. Kliknij opcję zapisywania, aby zapisać bieżący strumień przetwarzania, a następnie wyjdź z graficznego interfejsu użytkownika edycji strumienia procesu. Kliknij opcję uruchamiania, aby uruchomić strumień wstępnego przetwarzania w głównym graficznym interfejsie użytkownika Homer3.
Po tym, jak Homer3 zakończy uruchamianie wybranego strumienia przetwarzania, zapisze wstępnie przetworzone szeregi czasowe dla każdego uczestnika w formacie pliku maty zawierającym HBO, HBR i HBT dla wszystkich kanałów i wydarzeń. 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 maty dla każdego mózgu i wyeksportuj HBO, HBR, HBT. Otwórz przybornik podążania za linią wiodącą według fazy, aby przeanalizować typ interakcji, która występuje w nagraniu hiperskanowania. W MATLAB wybierz pliki mat dla każdego mózgu i załaduj dane HBO lub HBR określonego kanału i zdarzenia do jednowymiarowego wektora jako sygnał pierwszy i sygnał drugi.
W wierszu polecenia programu MATLAB zdefiniuj parametry funkcji niskiej częstotliwości i wysokiej częstotliwości. Domyślna wartość niskiej częstotliwości to 0,01 herca, a wysokiej częstotliwości to jeden herc. Następnie zdefiniuj parametr dla zakresu faz, a następnie próg.
Domyślna wartość progu to zero. Wykonaj funkcję MATLAB, lider podążający według fazy, wprowadzając polecenie pokazane na ekranie. Przybornik generuje jedną figurę z czterema wykresami.
W programie MATLAB sprawdź wykres pudełkowy, który pokazuje wartości R kwadrat dla każdego typu kategorii interakcji, w fazie, sygnału 1 prowadzącego, sygnału 2 wiodącego i antyfazy. Następnie sprawdź wykres słupkowy na rysunku wyjściowym, który wyświetla wartości maksymalne, średnią i medianę dla wszystkich typów interakcji. Wykres rozrzutu przedstawia wartości koherencji i typy interakcji w czasie, podział czasu według różnych typów interakcji.
Następnie sprawdź tabelę wyjściową z wartościami statystycznymi dla każdego typu interakcji. Tabela przedstawia również procent czasu, w którym wystąpiły poszczególne typy interakcji. Na koniec sprawdź wartość wyjściową w wyodrębnionym pliku arkusza kalkulacyjnego.
Analizę klasyfikacyjną powtórzono z progiem 0,5 dla diady A w celu zbadania wpływu zmiany minimalnych wartości progowych na klasyfikację typów interakcji w obrębie diady. Wynik pokazuje, że gdy zastosowano próg 0,5, rozkład różnych typów względnych relacji fazowych uległ zmianie. Procent synchronizacji antyfazowej wzrósł z 35% do 59%A procent synchronizacji w fazie zmniejszył się z 26% do 8%Sugeruje to, że synchronizacja antyfazowa może być typem interakcji, który jest bardziej reprezentatywny dla tej diady.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
Niniejsze badanie wprowadza nowatorskie podejście do oceny kierunkowości sprzężenia między sygnałami w badaniach hyperscaningu z wykorzystaniem funkcjonalnej spektroskopii bliskiej podczerwieni (fNIRS). Dzięki zastosowaniu spójności transformaty falkowej (WTC), badanie pozwala na rozróżnienie synchronizacji w fazie oraz w przeciwfazie, co zwiększa zrozumienie interakcji międzymózgowych podczas zachowań społecznych.
Kluczowe elementy badania
Dziedzina nauki
- Neuroobrazowanie
- Neuronauka
- Przetwarzanie sygnałów
Wstęp
- Poprzednie badania fNIRS koncentrowały się głównie na koherencji, bez uwzględnienia informacji o przesunięciu fazowym.
- Istnieje potrzeba zbadania kierunkowości interakcji międzymózgowych poza samym pomiarem koherencji.
- Zrozumienie typów synchronizacji może ujawnić dynamikę zaangażowaną w interakcjach społecznych.
- Teoria grafów znajduje zastosowanie w analizie różnych typów interakcji w takich ustawieniach.
Cel badania
- Aby odróżnić synchronizację w fazie od synchronizacji w przeciwfazie w interakcjach mózgowych.
- Aby dostarczyć ram analitycznych do badania kierunkowości sprzężenia sygnałów mózgowych.
- Aby poszerzyć zrozumienie efektów synchronizacji interpersonalnej w różnych kontekstach.
Zastosowane metody
- W badaniu wykorzystano funkcjonalną spektroskopię bliskiej podczerwieni (fNIRS) w układzie hyperscanningu do gromadzenia danych.
- Analiza obejmowała użycie oprogramowania MATLAB do wstępnego przetwarzania plików NIRS oraz zastosowanie nowego zestawu narzędzi fazowych (phase toolbox) do oceny typów interakcji.
- Kluczowe etapy obejmowały konwersję plików NIRS do formatu snirf oraz przeprowadzenie analizy fazowej lider-naśladowca (leader-follower).
- Przeprowadzono analizy statystyczne w celu oceny procentowego udziału synchronizacji w fazie oraz w przeciwfazie.
Główne wyniki
- Nowy zestaw narzędzi pozwolił na dokładniejsze określenie interakcji poprzez rozróżnienie między synchronizacją w fazie a synchronizacją w przeciwfazie.
- Procent synchronizacji w przeciwfazie wzrósł znacząco przy różnych ustawieniach progowych.
- Wyniki przyczyniają się do głębszej interpretacji interakcji społecznych oraz dynamiki komunikacji między uczestnikami.
- Wizualna reprezentacja wyników dostarczyła informacji na temat czasu i rodzajów interakcji.
Wnioski
- Niniejsze badanie poszerza zrozumienie interakcji sygnałów mózgowych i dostarcza wiedzy na temat dynamiki społecznej.
- Dzięki rozróżnieniu typów synchronizacji badanie umożliwia bardziej precyzyjną interpretację wcześniejszych wyników.
- Opracowane ramy metodologiczne znajdują szerokie zastosowanie w analizie synchronizacji interpersonalnej podczas interakcji w czasie rzeczywistym.
Często zadawane pytania
Znaczenie dla przemysłu
Ilościowe określanie koherencji i kierunkowości międzymózgowej w hyperscanningu fNIRS umożliwia zespołom biofarmaceutycznym analizę synchronizacji neuronalnej podczas zadań społecznych i poznawczych. Niniejsze podejście zwiększa pewność prognostyczną w neuronauce translacyjnej poprzez rozróżnianie interakcji w fazie, z opóźnieniem oraz w przeciwfazie, co wspiera redukcję ryzyka mechanistycznego na wczesnych etapach odkrywania i w fazach przedklinicznych. Udoskonalona klasyfikacja sygnałów dostarcza informacji istotnych dla walidacji celów terapeutycznych oraz selekcji projektów w programach dotyczących zaburzeń neuropsychiatrycznych i poznawczych.
Strategiczne zastosowania w badaniach i rozwoju biofarmaceutycznym
Wczesne odkrywanie i walidacja celu
- Umożliwia precyzyjną analizę synchronizacji obwodów neuronalnych leżącej u podstaw fenotypów społecznych i poznawczych.
- Wspiera funkcjonalną walidację celów poprzez klasyfikację kierunkowości sprzężenia międzymózgowego.
- Zwiększa pewność predykcyjną hipotez mechanistycznych w modelach neurobehawioralnych.
- Ułatwia selekcję projektów badawczych poprzez wyjaśnienie znaczenia biologicznego zaobserwowanych wzorców synchronizacji.
Przesiewanie i opracowywanie testów
- Przygotowuje zwalidowane wskaźniki interakcji neuronalnych dla dalszych etapów procesów przesiewowych związków chemicznych.
- Standaryzuje wyniki ilościowe w celu zapewnienia powtarzalnej oceny synchronizacji neuronalnej.
- Umożliwia skalowalny rozwój testów służących do oceny farmakologicznej modulacji łączności mózgowej.
- Wspiera wiarygodne porównywanie efektów interwencji w zakresie koherencji międzyróżnicowej mózgu.
Badania translacyjne i przedkliniczne
- Koreluje wskaźniki synchronizacji neuronalnej z punktami końcowymi w obszarze funkcji społecznych i poznawczych istotnymi dla przebiegu choroby.
- Zapewnia ciągłość procesu od etapu odkryć po przedkliniczną walidację zaangażowania obwodów neuronalnych.
- Umożliwia podejmowanie decyzji o dalszym rozwoju projektu w oparciu o odczyty mechanistyczne z uwzględnieniem analizy ryzyka.
- Wspiera rozwój translacyjnych biomarkerów dla badań nad interakcjami społecznymi i komunikacją.
Integracja potoku i przepływu pracy
Niniejszy schemat integruje się z kontinuum od etapu odkryć do badań przedklinicznych, umożliwiając rzetelne testowanie hipotez oraz ograniczanie ryzyka mechanistycznego w odniesieniu do celów synchronizacji neuronalnej.
- Biologia odkrywcza: Wspiera testowanie hipotez dotyczących kierunkowości i rodzaju sprzężenia neuronalnego w paradygmatach społecznych.
- Przesiewy: Dostarcza powtarzalne, ilościowe wskaźniki koherencji i fazy do oceny związków.
- Analityka: Zapewnia wyniki statystyczne, w tym współczynnik R-squared oraz procenty interakcji, do porównywania warunków.
- Badania translacyjne: Łączy odkrycia z modelami przedklinicznymi z punktami końcowymi synchronizacji istotnymi dla danej choroby.
- Ponowne wykorzystanie w przedsiębiorstwie: Oferuje wielokrotnego użytku zestaw narzędzi analitycznych dla różnorodnych badań neurobehawioralnych i poznawczych.
Wpływ operacyjny i przedsiębiorstwowy
- Wartość naukowa: Zwiększa pewność prognostyczną i zmniejsza niejednoznaczność mechanistyczną w badaniach nad synchronizacją neuronalną.
- Wartość operacyjna: Standaryzuje analizę, zwiększa powtarzalność i wspiera skalowalne przepływy pracy.
- Wartość strategiczna: Wspiera podejmowanie decyzji o kontynuacji lub przerwaniu badań (go/no-go) oraz poprawia efektywność kapitałową poprzez wyjaśnienie zaangażowania neuronalnego.
- Wpływ na portfolio: Umożliwia priorytetyzację zasobów w obszarze zaburzeń neuropsychyiatrycznych i poznawczych z uwzględnieniem ryzyka.
Uwagi dotyczące wdrożenia
- Wymagana jest wiedza specjalistyczna w zakresie akwizycji danych fNIRS oraz analizy sygnałów w środowisku MATLAB.
- Metoda zależy od dostępu do specjalistycznych toolboxów oraz infrastruktury statystycznej służącej do klasyfikacji faz.
- Niezbędna jest standaryzacja parametrów wstępnego przetwarzania i progowania pomiędzy zespołami.
- Możliwa może być konieczność adaptacji metody dla różnych układów neuronalnych lub paradygmatów behawioralnych.
- Interpretacja typów synchronizacji jest wrażliwa na dobór parametrów oraz projekt zadania.
