Medição do fluxo de informações direcionais em dados fNIRS-Hyperscanning usando o Método de Coerência de Transformação de Onda Parcial

A interação social é de vital importância para o ser humano ^1,2. Para compreender o mecanismo neurocognitivo dual-cérebro da interação social, a abordagem hiperscaning tem sido amplamente utilizada recentemente, mostrando que os padrões de sincronização neural interpessoal (INS) podem caracterizar bem o processo de interação social 3,4,5,6,7,8,9,10,11,12 ^13,14. Entre estudos recentes, um achado interessante é que a diferença de papel dos indivíduos em um diálido pode levar a um padrão de insímica, ou seja, o INS ocorre quando a atividade cerebral de um indivíduo fica atrás da de outro indivíduo por segundos, como a dos ouvintes aos palestrantes ^5,9, de líderes a seguidores⁴, de professores a alunos⁸, de mães a crianças^{de 13,15} anos, e de mulheres a homens em um par romântico⁶. Mais importante, há uma boa correspondência entre o intervalo do INS com atraso de tempo e o dos comportamentos de interação social, como entre professores questionando e alunos respondendo⁸ ou entre comportamentos parentais de mães e comportamentos de compliance de crianças^{de 15} anos. Assim, o INS atrasado pode refletir um fluxo de informações direcionais de um indivíduo para outro, como proposto em um modelo hierárquico recente para a comunicação verbal interpessoal¹⁶.

Anteriormente, o INS defasado de tempo era calculado principalmente no sinal funcional de espectroscopia quase infravermelha (fNIRS) devido à sua resolução espacial relativamente alta, localização anatômica sólida e tolerância excepcionalmente alta dos artefatos^{de movimento 17} ao estudar interações sociais naturalistas. Além disso, para caracterizar precisamente a correspondência entre o atraso de tempo neural e o atraso de tempo comportamental durante a interação social, é essencial obter a força do INS para cada defasagem de tempo (por exemplo, de nenhuma defasagem de tempo a um intervalo de tempo de 10 s). Para isso, anteriormente, o procedimento de coerência de transformação de ondas (WTC) foi extensivamente aplicado após a mudança do sinal cerebral de um indivíduo para frente ou para trás em relação ao de outro indivíduo ^5,6,18. Ao usar este procedimento WTC tradicional para sinais fNIRS, há um desafio potencial porque o INS observado pode ser confundido pelo efeito de autocorrelação do sinal fNIRS para um indivíduo^de 19,20,21. Por exemplo, durante um processo de interação social dídico, o sinal do participante A no momento pode ser sincronizado com o do participante B ao mesmo tempo. Enquanto isso, o sinal do participante A no momento t pode ser sincronizado com o do participante A em um ponto de tempo posterior t+1 por causa do efeito de autocorrelação. Portanto, pode ocorrer um INS espúrio de tempo defasado entre o sinal do participante A no ponto t de tempo e o do participante B no ponto t+1.

Mihanović e seus colegas²² primeiro introduziram um método chamado de coerência parcial de wavelet transform (pWTC), e depois a aplicaram na ciência marinha^23,24. O objetivo original deste método era controlar o ruído de confusão exógeno ao estimar a coerência de dois sinais. Aqui, para abordar o problema de correção automática nos dados de hiperexpesagem fNIRS, o método pWTC foi estendido para calcular o INS com atraso no sinal fNIRS. Precisamente, um INS atrasado (e um fluxo de informações direcionais) do participante A para o participante B pode ser calculado usando a equação abaixo (Equação 1)²³.

Aqui, supõe-se que existem dois sinais, A e B, dos participantes A e B, respectivamente. A ocorrência do sinal B sempre precede a do sinal A com um intervalo de tempo de n, onde wtc (A_t, B_t+n) é o WTC tradicional defasado pelo tempo. WTC (A_t, A_t+n) é o WTC autocorrelado no participante A. WTC (A_t, B_t) é o WTC alinhado ao tempo no ponto t de tempo entre o participante A e B. * é o operador conjugado complexo (Figura 1A).

Figura 1: Visão geral do pWTC. (A) A lógica do pWTC. Há dois sinais A e B, dentro de um díade. A ocorrência de A sempre segue a de B com um lag n. Uma caixa cinza é uma janela de onda em um determinado ponto de tempo t ou t+n. Com base na equação pWTC (representada na figura), três WTCs precisam ser calculados: o WTC defasado de tempo de A_t+n e B_t; o WTC autocorrelado no participante A de A_t e A_t+n; e o WTC alinhado ao tempo no ponto de tempo t, A_t e B_t. (B) O layout dos conjuntos de sonda optode. CH11 foi colocado em T3, e CH25 foi colocado no T4 seguindo o sistema internacional 10-20^27,28. Clique aqui para ver uma versão maior desta figura.

Este protocolo introduziu pela primeira vez um experimento de simulação para demonstrar o quão bem o pWTC resolve o desafio de autocorrelação. Em seguida, explicou como conduzir o pWTC de forma passo a passo baseada em um experimento empírico de interações sociais naturalistas. Aqui, foi utilizado um contexto de comunicação para introduzir o método. Isso porque, anteriormente, o INS com atraso de tempo era geralmente calculado em um contexto de comunicação naturalista 3,4,6,8,13,15,18. Além disso, também foi realizada uma comparação entre o pWTC e o WTC tradicional e validação com o teste de causalidade granger (GC).

O protocolo de experimento humano foi aprovado pelo Conselho de Revisão Institucional e pelo Comitê de Ética do Laboratório Estadual de Neurociência Cognitiva e Aprendizagem da Universidade Normal de Pequim. Todos os participantes deram consentimento por escrito informado antes do início do experimento.

1. O experimento de simulação

1. Gerar duas séries de sinais que se correlacionam entre si, com um sinal tendo correção automática em um intervalo de tempo de 4 s. Defina o coeficiente de correlação de r entre os dois sinais para 0,4.
2. Além disso, gerar duas séries de sinais sem qualquer correlação, mas com correção automática em um sinal.
3. Calcule os valores do INS de 4 s tradicionais com a Equação 2 com base nos sinais gerados com ou sem correlação, que podem ser nomeados ins_WTC com correção automática e ins_wtc com autocorrelação.
   NOTA: Aqui, o WTC tradicional defasado pelo tempo é expresso pela seguinte equação (Equação 2)²⁵
   
   onde, C denota o operador de transformação de ondas contínuas em diferentes escalas i e pontos de tempo t. S denota o operador de alisamento. * denota o complexo operador conjugado. W e M indicam duas séries de sinais temporizados individuais.
4. Remova a correção automática dos sinais gerados. Em seguida, calcule os valores do_{INS WTC} tradicional de 4 s com a Equação 2 com base nos sinais gerados com ou sem correlação, que podem ser nomeados INS_WTC sem correção automática e INSWTC de linha de base com atraso de tempo sem correção automática.
5. Calcule os valores de 4 s pWTC com a Equação 3 com base nos sinais gerados com ou sem correlação, nomeado ins_pWTC com tempo atrasado e ins_pWTC com tempo defasado.
   NOTA: O pWTC pode ser calculado com base na seguinte equação (Equação 3)²³
   
   onde, WTC (W_t, M_t+n) é o WTC tradicional defasado pelo tempo. WTC (M_t, M_t+n) é o WTC autocorrelado de um indivíduo. WTC (W_t, M_t) é o WTC alinhado ao tempo. * é o complexo operador conjugado.
6. Repita os procedimentos acima 1000 vezes.
7. Depois de subtrair o INS da linha de base, compare os resultados do_{INS WTC} com a correção automática, o INSWTC com atraso de tempo sem correção automática e o_{ins pWTC} com atraso no tempo usando as análises do método de variância (ANOVA).
   NOTA: Aqui, espera-se que o_{INS WTC} com correção automática seja significativamente maior do que o_{INS WTC} com atraso de tempo sem correção automática e o INS_pWTC atrasado, e não se espera diferença significativa entre o INS_WTC com atraso de tempo sem correção automática e o_{ins pWTC} atrasado.

2. O experimento empírico

1. Participantes e procedimento
   1. Recrute participantes apropriados.
      NOTA: Neste estudo, vinte e dois pares de amigos próximos do sexo oposto (idade média das mulheres = 20,95, desvio padrão (SD) = 1,86; idade média dos homens = 20,50, SD = 1,74) foram recrutados através de publicidade de graduandos de universidades de Pequim. Todos os participantes eram destros e tinham visão normal ou corrigida ao normal. Além disso, nenhum participante apresentava qualquer linguagem, distúrbios neurológicos ou psiquiátricos.
   2. Peça a cada par de participantes que se senteam cara a cara durante o experimento. Peça-lhes que se comuniquem livremente sobre um tema de apoio em uma sessão e sobre um tema de conflito na outra sessão.
      NOTA: Os tópicos foram utilizados para induzir a valência emocional positiva ou negativa pretendida. Cada sessão de comunicação durou 10 minutos, e a ordem dos tópicos foi contrabalançada.
   3. Peça aos participantes que informem sobre os temas de apoio e conflitos como uma regra padrão de configuração. Peça a cada parceiro para avaliar o nível de valência positivo ou negativo que pode ter sido induzido em uma escala de ponto definida. Em seguida, classifique os tópicos relatados de acordo com a classificação.
      NOTA: Neste trabalho, os tópicos foram selecionados com as três etapas a seguir. Primeiro, para os tópicos de apoio, cada participante foi obrigado a relatar 1-3 questões pessoais relacionadas ao que queria melhorar em sua vida. Cada participante foi obrigado a relatar 1-3 casos que induziram ou induziriam conflitos entre eles ou que poderiam colocar em risco sua relação para os tópicos de conflito. Em segundo lugar, cada parceiro foi obrigado a classificar o nível de valência positiva ou negativa que cada tópico poderia induzir em uma escala de 7 pontos (1 = não em tudo, e 7 = muito). Em terceiro lugar, os tópicos relatados foram classificados de acordo com a classificação. Foram selecionados os dois primeiros tópicos da lista de temas de apoio e temas de conflito.
2. coleta de dados fNIRS
   1. Use o sistema de topografia fNIRS de 26 canais (ver Tabela de Materiais) para coletar dados fNIRS.
      NOTA: Dois conjuntos de sondas optode personalizadas cobriram os cortices frontais, temporais e parietais bilaterais (Figura 1B).
   2. Precisamente, peça a cada participante para usar um boné com dois conjuntos de sondas personalizados (ver Tabela de Materiais).
   3. Alinhe as nações, inion e mastoides de ouvido com Fpz, Opz, T7 e T8, que são marcos típicos do sistema internacional 10-20²⁶.
   4. Alinhar canal (CH) 11 para T3 e CH25 para T4 seguindo o sistema internacional 10-20 para os dois conjuntos de sonda^27,28.
   5. Validar os locais anatômicos dos conjuntos de sondas escaneando dados de ressonância magnética (RM) de um participante típico com uma sequência de gradiente-eco rápida preparada por magnetização T1 de alta resolução (TR = 2530 ms; TE = 3,39 ms; ângulo de lançamento = 7°; espessura da fatia = 1,3 mm; tamanho voxel = 1,3 x 1 x 1,3 mm).
   6. Use o Statistical Parametric Mapping 12 (SPM12) para normalizar a imagem para o espaço padrão do Instituto de Imagens de Montreal (coordenada MNI)²⁹. Em seguida, use a caixa de ferramentas NIRS_SPM (ver Tabela de Materiais) para projetar as coordenadas MNI das sondas para o modelo de rotulagem anatômica automatizada (AAL).
   7. Colete os dados de densidade óptica de luz infravermelha próxima em três comprimentos de onda (780, 805 e 830 nm) a uma taxa de amostragem de 55,6 Hz (parâmetros padrão do equipamento).
   8. Teste a qualidade do sinal usando o software de equipamento incorporado do sistema de topografia fNIRS (ver Tabela de Materiais).
   9. Comece a gravar o sinal.
      NOTA: Alguns protocolos publicados demonstraram como coletar sinais fNIRS com diversos equipamentos e sistemas 30,31,32.
3. pré-processamento de dados fNIRS
   1. Exportar os arquivos de dados do equipamento.
      NOTA: No experimento atual, o software incorporado converteu automaticamente dados de densidade óptica em alterações de concentração de oxihemoglobina (HbO) com base na lei modificada de Beer-Lambert.
   2. Remova o primeiro e último 15 s de dados para cada sessão para evitar respostas transitórias.
   3. Use a função incorporada DO MATLAB para diminuir a gama de dados de 55,6 Hz para 11,1 Hz.
      NOTA: Os padrões de espectro de energia entre 55,6 Hz e 11,1 Hz são bastante semelhantes (Figura Suplementar 1).
   4. Use a função de aplicação MATLAB incorporada (Homer3, ver Tabela de Materiais) com função de filtragem apropriada para aplicar o discreto método de filtro de transformação de ondas para corrigir artefatos de movimento.
   5. Use a função incorporada do MATLAB pca para remover o ruído fisiológico global. Remova os 80% superiores da variância dos sinais.
   6. Remova o ruído fisiológico com base nos estudos anteriores³³. Precisamente, remova faixas de frequência de cada sinal acima de 0,7 Hz para evitar o aliasing de ruído fisiológico de alta frequência (por exemplo, atividade cardíaca).
   7. Em seguida, remova as faixas de frequência de cada sinal abaixo de 0,01 Hz para filtrar flutuações de baixa frequência.
   8. Por fim, remova as faixas de frequência de cada sinal dentro de 0,15-0,3 Hz para excluir o impacto potencial da atividade respiratória.
4. Processamento de dados fNIRS de primeiro nível
   1. Primeiro, calcule o INS usando o WTC tradicional (INS_WTC).
      NOTA: Aqui, previu-se que um padrão de tempo defasado por mulheres do INS_WTC ocorresse entre a atividade cerebral das mulheres e a dos homens porque estudos anteriores sugeriram diferentes papéis de mulheres e homens durante uma conversa^34,35. O WTC tradicional calculou esse padrão do INS_WTC deslocando a atividade cerebral dos homens para trás em relação à das mulheres (ver Equação 2).
   2. Calcule o valor_WTC do INS liderado por mulheres 2 s-defasado após a remoção dos 2 s iniciais de dados das mulheres e os últimos 2 s de dados de homens com a Equação 2. Da mesma forma, após a remoção dos 2 s iniciais de dados dos homens e dos últimos 2 s de dados de mulheres, calcule o valor_{do INS WTC} liderado por homens 2 s-defasado com a Equação 4.
      NOTA: Aqui, foi utilizada a função wcoherence, que é uma função incorporada da caixa de ferramentas de wavelet do MATLAB (ver Tabela de Materiais).
   3. Repita este procedimento com diferentes lags de tempo n, ou seja, n = 2 s, 4 s, 6 s, 8 s em todos os pares de CH potenciais (por exemplo, CH2 em mulheres e CH10 em homens, 676 pares no total). Além disso, calcule a força do INS_WTC liderado por homens da mesma forma (Equação 4).
      
   4. Em segundo lugar, calcule o INS usando pWTC (INS_pWTC).
      NOTA: pWTC foi calculado com base na Equação 3. O cálculo do INS_pWTC foi repetido com diferentes lags de tempo n, ou seja, n = 2 s, 4 s, 6 s, 8 s em todos os pares de canais potenciais (por exemplo, CH2 em mulheres e CH10 em homens, 676 pares no total). Além disso, a força do INS defasado por homens foi calculada da mesma forma (Equação 5).
      
   5. Gerar séries temporas atrasadas de sinais fNIRS em diferentes lags de tempo.
   6. Calcule os valores do WTC com atraso de tempo em diferentes atrasos de tempo.
   7. Gerar séries temporas corrigidas automaticamente de sinais fNIRS em diferentes lags de tempo. Para calcular o valor 2 s-autocorrelado para os homens, remova os primeiros 2 s de dados dos homens e os últimos dois dados dos homens.
   8. Calcule os valores WTC corrigidos automaticamente em diferentes atrasos de tempo.
   9. Gerar séries temporas alinhadas ao tempo de sinais fNIRS em diferentes lags de tempo. Para calcular o WTC alinhado ao tempo 2, remova os dois primeiros dados dos homens e os dois primeiros dados das mulheres.
   10. Calcule os valores wtc alinhados ao tempo.
   11. Digite wtc alinhado ao tempo, WTC com tempo defasado e valores WTC autocorrelatados em diferentes tempos de atraso na Equação 3 e Equação 5 - a equação do pWTC, gerando_{ins pWTC}.
   12. Por fim, calcule o INS utilizando o método GC (INS_GC).
       NOTA: Para validar ainda mais o método pWTC e avaliar suas vantagens e desvantagens, o INS baseado em GC foi calculado utilizando-se o método GC (INS_GC).
   13. Com base no resultado do pWTC, o bandpass filtra o sinal de HbO de cada indivíduo no SMC (ou seja, 0,4-0,6 Hz, consulte Resultados Representativos).
   14. Realize um teste GC (Econometric toolbox, MATLAB) dentro de cada dyad nos tópicos de suporte e conflito separadamente.
       NOTA: Quatro grupos de valores F são obtidos para o INS_GC: (1) de mulheres a homens sobre o tema de apoio (W2M_supp); (2) de homens para mulheres sobre o tema de apoio (M2W_supp); (3) de mulheres a homens sobre o tema conflito (W2M_conf); e (4) de homens para mulheres sobre o tema conflito (M2 W_conf). Os valores F são usados para indexar o INS_GC.
5. Processamento de dados fNIRS de segundo nível
   1. Transforme o INS com a transformação Fisher-z e, em seguida, a média do INS na dimensão temporal.
      NOTA: Aqui, a transformação Fisher-z foi conduzida usando um script MATLAB personalizado com a Equação 6³⁶:
      
      onde, r é o valor do WTC ou pWTC, e z é o valor transformado fisher-z do WTC ou pWTC.
   2. Para o INS médio em cada intervalo de tempo, realize um teste t de duas amostras emparelhado (suporte vs. conflito) em cada par ch em toda a faixa de frequência. Em seguida, identifique todos os aglomerados de frequência significativos (P < 0,05).
   3. Realize um teste de permutação baseado em cluster para estabelecer um limite para os resultados.
      1. Reatribuir relações disádicas atribuindo aleatoriamente os participantes a novos pares de dois membros, ou seja, os participantes de um díade que nunca havia se comunicado uns com os outros. Recalcular o INS em cada lag de tempo, realizar testes t emparelhados novamente na nova amostra e identificar clusters de frequência significativos novamente.
      2. Selecione o cluster com o maior valor t somado. Repita os procedimentos acima 1000 vezes para gerar uma distribuição nula dos valores t falso-positivos máximos.
         NOTA: A distribuição é servida como o nível de chance. A taxa de erro familiar (FWER) é controlada em q = 0,05, o que significa que apenas os 5% superiores da distribuição nula dos valores t falso-positivos excedem o limiar (R*).
      3. Compare o valor t somado de cada aglomerado de frequência identificado na amostra original com a distribuição nula para obter resultados estatísticos significativos.
   4. Realizar um contexto (apoio, conflito) x direção (mulheres para homens, homens para mulheres) análise de variância (ANOVA) para testar a diferença na direção do INS entre diferentes condições (ou seja, tópicos) (p < 0,05).
   5. Realize um teste t de duas amostras emparelhado entre os resultados de WTC (Wt, Mt + n) e WTC (Mt, Mt + n) para testar o impacto potencial da correção automática no INS.
      NOTA: O INS do WTC (Mt, Mt + n) reflete a correção automática.

Resultados da simulação
Os resultados mostraram que oWTC ins com correção automática foi significativamente maior do que oWTC ins atrasado sem correção automática (t(1998) = 4,696, p < 0,001) e inspWTC (t(1998) = 5.098, p < 0,001). Além disso, não houve diferença significativa entre o INSWTC sem correção automática eo INS pWTC (t(1998) = 1,573, p = 0,114, Figura 2A). Esses resultados indicam que o pWTC pode efetivamente remover o impacto do efeito de correção automática no INS. Além disso, quando o valor do WTC foi definido para ser próximo de 0 ou 1, o INSpWTC ainda apresentava resultados confiáveis quando o valor wtc estava longe de 0 ou 1 (Figura Suplementar 2).

Resultados de experimentos empíricos
Padrão INS usando o método WTC tradicional
Os resultados mostraram que em 0,04-0,09 Hz,INSWTCno córtex sensorial (SMC, CH20) de mulheres e homens foi significativamente maior no tópico de apoio do que no tópico de conflito quando a atividade cerebral dos homens ficou atrás da das mulheres por 2 s, 4 s e 6 s (2 s: t(21) = 3.551, p = 0,0019; lag 4 s: t(21) = 3.837, p = 0,0009; lag 6 s: t(21) = 3.725, p = 0,0013). Além disso, em 0,4-0,6 Hz, o INSWTC no SMC foi significativamente maior no tópico de conflito do que no tópico de apoio quando a atividade cerebral dos homens ficou atrás da das mulheres por 4 s (t(21) = 2,828, p = 0,01, Figura 2B).

Além disso, para comparar a direção doINS WTC em diferentes tópicos, um tópico (apoio, conflito) x direção (mulheres para homens, homens para mulheres) ANOVA foi conduzida pela primeira vez no INSWTC do SMC sob um intervalo de tempo de 2-6. Os resultados de 0,04-0,09 Hz não mostraram efeitos significativos de interação em nenhum momento (ps > 0,05). Para a faixa de frequência de 0,4-0,6 Hz, os resultados mostraram que o efeito de interação foi marginalmente significativo (F(1, 21) = 3,23, p = 0,086). Comparações em pares mostraram que oINS WTC de mulheres para homens foi significativamente maior no tema do conflito do que no tema de apoio (MD. = 0,014, S.E. = 0,005, p = 0,015), enquanto o INSWTC de homens para mulheres não diferiu significativamente entre os tópicos (M.D. = 0,002, S.E. = 0,006, p = 0,695).

Finalmente, para testar o impacto da autocorrelação nos resultados doWTC ins defasado do tempo tradicional, o INSWTC foi comparado entre WTC(Wt, Mt+4) e WTC(Mt, Mt+4) a 0,04-0,09 Hz e 0,4-0,6 Hz, respectivamente. Observe que o INSWTC do WTC (Mt, Mt+4) reflete a correção automática. Os resultados mostraram que, no WTC(Mt, Mt+4) (t(21) = 0,336, p = 0,740. Em 0,04-0,09 Hz, o INSWTC do WTC (Mt, Mt+4) foi significativamente superior ao do WTC (Wt, Mt+4) (t(21) = 4,064, p < 0,001). Também foi realizada comparação entre as faixas de frequência de 0,04-0,09 Hz e 0,4-0,6 Hz em relação ao INSWTC do WTC (Mt, Mt+4). Os resultados mostraram que o INSWTC do WTC (Mt, Mt+4) foi significativamente maior em 0,04-0,09 Hz do que no 0,4-0,6 Hz (t(21) = 5,421, p < 0,001). Esses resultados indicam que oWTC do INS com atraso de tempo foi afetado pela correção automática tanto nas faixas de baixa e alta frequência, mas o impacto foi maior para a faixa de menor frequência do que para a faixa de maior frequência.

Padrão INS usando o método pWTC
Os resultados mostraram que a diferença no INSpWTC entre o conflito e os tópicos de apoio atingiu significância no SMC tanto de mulheres quanto de homens em 0,4-0,6 Hz quando a atividade cerebral masculina ficou atrás da das mulheres por 4 s (t(21) = 4,224, p = 0,0003). A 0,04-0,09 Hz; no entanto, não foram encontrados resultados significativos, nem seus resultados efetivos em outras faixas de frequência (Ps > 0,05, Figura 2C).

Um teste adicional de ANOVA foi realizado no INSpWTC do SMC em 0,4-0,6 Hz. Os resultados mostraram que a interação entre tópico e direção foi marginalmente significativa (F(1,21) = 3,48, p = 0,076). Outras comparações em pares mostraram que oINS pWTC de mulheres para homens foi significativamente maior no tema do conflito do que no tema de apoio (M.D. = 0,016, S.E. = 0,004, p = 0,002), enquanto INSpWTC de homens para mulheres não diferiu significativamente entre os tópicos (M.D. = 0,0007, S.E. = 0,006, p = 0,907, Figura 2D).

Padrão INS usando o método GC
Um teste ANOVA foi realizado no INSGC no SMC dentro apenas de 0,4-0,6 Hz. Os resultados mostraram interação significativa entre tópico e direção (F(1,21) = 8,116, p = 0,010). A análise em pares mostrou que o INSGC de mulheres para homens foi significativamente maior no tema conflito do que no tema de apoio (MD = 5,50, SE = 2,61, p = 0,043). Em contrapartida, o INSGC de homens para mulheres não foi significativamente diferente entre os tópicos (MD = 1,42, SE = 2,61, p = 0,591, Figura 2E).

Figura 2: Resultados da simulação e experimento empírico. (A) Os resultados da simulação de três amostras simuladas. OINS WTC com correção automática foi significativamente maior do que o INSWTC sem correção automática eINS pWTC. Não houve diferença significativa entre oINS WTC com atraso de tempo sem correção automática e pWTC. (B) O t-map do INSWTC no experimento empírico, mostrando efeitos significativos no contexto dentro de 0,04-0,09 Hz quando a atividade SMC dos homens ficou atrás da das mulheres por 2-6 s. Houve também um efeito de contexto marginalmente considerável dentro de 0,4-0,6 Hz quando a atividade SMC dos homens ficou atrás da das mulheres por 4 s. (C) O t-map do INSpWTC, mostrando um efeito de contexto significativo dentro de 0,4-0,6 Hz quando a atividade SMC dos homens ficou atrás da das mulheres por 4 s. (D) Comparação doINS direcional pWTC em diferentes tópicos pelo pWTC. O INS direcional de mulheres para homens é significativamente maior em contextos de conflito do que em contextos de apoio. (E) Validação do INS direcional pelo teste GC (INSGC). O padrão resultante do INSGC é semelhante aoINS pWTC. Clique aqui para ver uma versão maior desta figura.

Figura suplementar 1: O gráfico do espectro de potência para a taxa de amostra de 11,1 Hz (linha azul) e 55,6 Hz (linha vermelha). O padrão de espectro de energia para os dois é bastante semelhante. Clique aqui para baixar este Arquivo.

Figura suplementar 2: Os mapas pWTC do piso e do CEIL WTC. (A) Painel esquerdo: o mapa WTC com atraso de tempo gerado por dois mesmos sinais, o eixo x é ponto de tempo, e o eixo y é faixa de frequência. O valor médio do WTC em todos os pontos é ~1. Painel direito: o mapa pWTC de dois sinais semelhantes. O mapa pWTC é bastante semelhante ao mapa do WTC. (B) Painel esquerdo: o mapa WTC com atraso de tempo gerado por dois sinais aleatórios, o eixo x é o ponto de tempo, e o eixo y é a faixa de frequência. O valor médio do WTC em todos os pontos é ~0. Painel direito: o mapa pWTC de dois sinais semelhantes. O mapa pWTC é bastante semelhante ao mapa do WTC. Clique aqui para baixar este Arquivo.

Os autores não declaram interesses financeiros concorrentes.