Artigo de método

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

DOI:

10.3791/62927

⸱

3 de setembro de 2021

 ,  , 
1State Key Laboratory of Cognitive Neuroscience and Learning & IDG/McGovern Institute for Brain Research, Beijing Normal University, 2Institute of Developmental Psychology, Faculty of Psychology, Beijing Normal University

* These authors contributed equally

Neste artigo

Resumo

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

Este protocolo descreve a coerência parcial de transformação de ondas (pWTC) para calcular o padrão de sincronização neural interpessoal (INS) para inferir a direção e o padrão temporal do fluxo de informações durante a interação social. A eficácia do pWTC na remoção dos confusos da autocorrelação de sinal no INS foi comprovada por dois experimentos.

Resumo

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

A interação social é de vital importância para os seres humanos. Embora a abordagem hiperscaning tenha sido amplamente usada para estudar a sincronização neural interpessoal (INS) durante as interações sociais, a espectroscopia funcional quase infravermelha (fNIRS) é uma das técnicas mais populares para hiperscanar interações sociais naturalistas devido à sua resolução espacial relativamente alta, localização sonora anatômica e excepcionalmente alta tolerância de artefatos de movimento. Estudos anteriores de hiperscaning baseados em fNIRS geralmente calculam um INS com atraso no tempo usando coerência de transformação de onda (WTC) para descrever a direção e o padrão temporal do fluxo de informações entre indivíduos. No entanto, os resultados deste método podem ser confundidos pelo efeito de autocorrelação do sinal fNIRS de cada indivíduo. Para lidar com esse problema, foi introduzido um método chamado de coerência de transformação de onda parcial (pWTC), que visava remover o efeito de autocorrelação e manter a alta resolução do espectro temporal do sinal fNIRS. Neste estudo, foi realizado primeiro um experimento de simulação para mostrar a eficácia do pWTC na remoção do impacto da autocorrelação no INS. Em seguida, foi oferecida orientação passo a passo sobre o funcionamento do pWTC com base no conjunto de dados fNIRS de um experimento de interação social. Além disso, foi traçada uma comparação entre o método pWTC e o método WTC tradicional e entre o método pWTC e o método de causalidade granger (GC). Os resultados mostraram que o pWTC poderia ser usado para determinar a diferença do INS entre diferentes condições experimentais e o padrão direcional e temporal do INS entre os indivíduos durante interações sociais naturalistas. Além disso, fornece melhor resolução temporal e de frequência do que o WTC tradicional e melhor flexibilidade do que o método GC. Assim, o PWTC é um forte candidato para inferir a direção e o padrão temporal do fluxo de informações entre indivíduos durante interações sociais naturalistas.

Introdução

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

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 criançasde 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 criançasde 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 artefatosde 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 indivíduode 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 marinha23,24. 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.

figure-introduction-1

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 (At, Bt+n) é o WTC tradicional defasado pelo tempo. WTC (At, At+n) é o WTC autocorrelado no participante A. WTC (At, Bt) é o WTC alinhado ao tempo no ponto t de tempo entre o participante A e B. * é o operador conjugado complexo (Figura 1A).

figure-introduction-2
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 At+n e Bt; o WTC autocorrelado no participante A de At e At+n; e o WTC alinhado ao tempo no ponto de tempo t, At e Bt. (B) O layout dos conjuntos de sonda optode. CH11 foi colocado em T3, e CH25 foi colocado no T4 seguindo o sistema internacional 10-2027,28. 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).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

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

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 insWTC com correção automática e inswtc com autocorrelação.
    NOTA: Aqui, o WTC tradicional defasado pelo tempo é expresso pela seguinte equação (Equação 2)25
    figure-protocol-1
    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 doINS WTC tradicional de 4 s com a Equação 2 com base nos sinais gerados com ou sem correlação, que podem ser nomeados INSWTC 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 inspWTC com tempo atrasado e inspWTC com tempo defasado.
    NOTA: O pWTC pode ser calculado com base na seguinte equação (Equação 3)23
    figure-protocol-2
    onde, WTC (Wt, Mt+n) é o WTC tradicional defasado pelo tempo. WTC (Mt, Mt+n) é o WTC autocorrelado de um indivíduo. WTC (Wt, Mt) 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 doINS WTC com a correção automática, o INSWTC com atraso de tempo sem correção automática e oins pWTC com atraso no tempo usando as análises do método de variância (ANOVA).
    NOTA: Aqui, espera-se que oINS WTC com correção automática seja significativamente maior do que oINS WTC com atraso de tempo sem correção automática e o INSpWTC atrasado, e não se espera diferença significativa entre o INSWTC com atraso de tempo sem correção automática e oins 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 sonda27,28.
    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 (INSWTC).
      NOTA: Aqui, previu-se que um padrão de tempo defasado por mulheres do INSWTC ocorresse entre a atividade cerebral das mulheres e a dos homens porque estudos anteriores sugeriram diferentes papéis de mulheres e homens durante uma conversa34,35. O WTC tradicional calculou esse padrão do INSWTC deslocando a atividade cerebral dos homens para trás em relação à das mulheres (ver Equação 2).
    2. Calcule o valorWTC 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 valordo 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 INSWTC liderado por homens da mesma forma (Equação 4).
      figure-protocol-3
    4. Em segundo lugar, calcule o INS usando pWTC (INSpWTC).
      NOTA: pWTC foi calculado com base na Equação 3. O cálculo do INSpWTC 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).
      figure-protocol-4
    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, gerandoins pWTC.
    12. Por fim, calcule o INS utilizando o método GC (INSGC).
      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 (INSGC).
    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 INSGC: (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 INSGC.
  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:
      figure-protocol-5
      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.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

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

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). ...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

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

Em estudos de hiperexação, geralmente é essencial descrever os padrões direcionais e temporais do fluxo de informações entre os indivíduos. A maioria dos estudos anteriores de hiperscanagem fNIRS tem usado o WTC25 tradicional para inferir essas características calculando o INS com atraso de tempo. No entanto, como uma das características intrínsecas do sinal fNIRS20,21, o efeito de autocorrelação pode confundir o INS defasado por tempo. Pa...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

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

Os autores não declaram interesses financeiros concorrentes.

Agradecimentos

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

Este trabalho foi apoiado pela Fundação Nacional de Ciências Naturais da China (61977008) e pelo Programa Jovens Talentos de Dez Mil Talentos.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Sistema de topografia fNIRSShimadzu CorporationSistema Shimadzu LABNIRSO sistema LABNIRS contém 40 emissores e 40 detectores para medição de sinais fNIRS. Neste protocolo, usamos esses emissores e detectores, criamos dois conjuntos de sondas de 26 canais personalizados e anexados a duas tampas de acordo com o sistema 10-20. Além disso, o sistema LABNIRS também contém softwares GUI integrados para verificação de qualidade de dados, conversão de dados e exportação de dados.
MATLABA MathWorks, Inc.MATLAB 2019aNeste protocolo, várias caixas de ferramentas e funções bulit no MATLAB foram usadas:
A caixa de ferramentas SPM12 foi usada para normalizar os dados de ressonância magnética validados por meio de sua GUI.
NIRS_SPM caixa de ferramentas foi usada para projetar as coordenadas MNI das sondas para o modelo AAL por meio de sua GUI.
A caixa de ferramentas Homer3 foi usada para remover artefatos de movimento por meio de sua função hmrMotionCorrectWavelet com parâmetros padrão.
Wavelet caixa de ferramentas foi usada para calcular WTC e pWTC por meio de sua função wcoherence.
Scanner de ressonância magnéticaSiemens HealthineersTRIO 3-TeslaNeste protocolo, o scanner de ressonância magnética foi usado para obter as coordenadas MNI de cada canal e optpde. Os parâmetros de varredura são descritos no texto principal.
tampasNeste protocolo, primeiro marcamos duas tampas de nylon com sistema 10-20. Em seguida, fizemos dois conjuntos de sondas optode personalizadas de 26 canais. Por fim, anexamos conjuntos de sondas a tampas alinhadas com pontos de referência.
personalizadas

Referências

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. 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).
  2. Hasson, U., Frith, C. D. Mirroring and beyond: Coupled dynamics as a generalized framework for modelling social interactions. Philosophical Transactions of the Royal Society B: Biological Sciences. 371, 20150366(2016).
  3. Jiang, J., et al. Neural synchronization during face-to-face communication. Journal of Neuroscience. 32 (45), 16064-16069 (2012).
  4. Jiang, J., et al. Leader emergence through interpersonal neural synchronization. Proceedings of the National Academy of Sciences of the United States of America. 112 (14), 4274-4279 (2015).
  5. Dai, B., et al. Neural mechanisms for selectively tuning in to the target speaker in a naturalistic noisy situation. Nature Communications. 9 (1), 1-12 (2018).
  6. Long, Y., et al. Interpersonal neural synchronization during interpersonal touch underlies affiliative pair bonding between romantic couples. Cerebral Cortex. 31 (3), New York, N.Y. 1647-1659 (2021).
  7. Liu, W., et al. Shared neural representations of syntax during online dyadic communication. NeuroImage. 198, 63-72 (2019).
  8. Zheng, L., et al. Enhancement of teaching outcome through neural prediction of the students' knowledge state. Human Brain Mapping. 39 (7), 3046-3057 (2018).
  9. Stephens, G. J., Silbert, L. J., Hasson, U. Speaker-listener neural coupling underlies successful communication. Proceedings of the National Academy of Sciences of the United States of America. 107 (32), 14425-14430 (2010).
  10. Hirsch, J., et al. Interpersonal agreement and disagreement during face-to-face dialogue: An fNIRS investigation. Frontiers in Human Neuroscience. 14, 606397(2021).
  11. Pan, Y., Cheng, X., Zhang, Z., Li, X., Hu, Y. Cooperation in lovers: An fNIRS-based hyperscanning study. Human Brain Mapping. 38 (2), 831-841 (2017).
  12. 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).
  13. Piazza, E. A., Hasenfratz, L., Hasson, U., Lew-Williams, C. Infant and Adult Brains Are Coupled to the Dynamics of Natural Communication. Psychological Science. 31 (1), 6-17 (2020).
  14. Djalovski, A., Dumas, G., Kinreich, S., Feldman, R. Human attachments shape interbrain synchrony toward efficient performance of social goals. NeuroImage. 226, 117600(2021).
  15. Zhao, H., et al. How mother-child interactions are associated with a child's compliance. Cerebral Cortex. 31 (9), 4398-4410 (2021).
  16. Jiang, J., Zheng, L., Lu, C. A hierarchical model for interpersonal verbal communication. Social Cognitive and Affective Neuroscience. 16 (1-2), 246-255 (2021).
  17. Yan, W., et al. Bibliometric evaluation of 2000-2019 publications on functional near-infrared spectroscopy. NeuroImage. 220, 117121(2020).
  18. Zheng, L., et al. Affiliative bonding between teachers and students through interpersonal synchronisation in brain activity. Social Cognitive and Affective Neuroscience. 15 (1), 97-109 (2020).
  19. Dean, R. T., Dunsmuir, W. T. M. Dangers and uses of cross-correlation in analyzing time series in perception, performance, movement, and neuroscience: The importance of constructing transfer function autoregressive models. Behavior Research Methods. 48 (2), 783-802 (2016).
  20. Barker, J. W., Rosso, A. L., Sparto, P. J., Huppert, T. J. Correction of motion artifacts and serial correlations for real-time functional near-infrared spectroscopy. Neurophotonics. 3 (3), 031410(2016).
  21. Huppert, T. J. Commentary on the statistical properties of noise and its implication on general linear models in functional near-infrared spectroscopy. Neurophotonics. 3 (1), 010401(2016).
  22. Mihanović, H., Orlić, M., Pasarić, Z. Diurnal thermocline oscillations driven by tidal flow around an island in the Middle Adriatic. Journal of Marine Systems. 78, SUPPL. 1 157-168 (2009).
  23. Ng, E. K. W., Chan, J. C. L. Geophysical applications of partial wavelet coherence and multiple wavelet coherence. Journal of Atmospheric and Oceanic Technology. 29 (12), 1845-1853 (2012).
  24. Ng, E. K. W., Chan, J. C. L. Interannual variations of tropical cyclone activity over the north Indian Ocean. International Journal of Climatology. 32 (6), 819-830 (2012).
  25. 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, 561-566 (2004).
  26. Jurcak, V., Tsuzuki, D., Dan, I. 10/20, 10/10, and 10/5 systems revisited: Their validity as relative head-surface-based positioning systems. NeuroImage. 34 (4), 1600-1611 (2007).
  27. Homan, R. W., Herman, J., Purdy, P. Cerebral location of international 10-20 system electrode placement. Electroencephalography and Clinical Neurophysiology. 66 (4), 376-382 (1987).
  28. Koessler, L., et al. Automated cortical projection of EEG sensors: Anatomical correlation via the international 10-10 system. NeuroImage. 46 (1), 64-72 (2009).
  29. Penny, W., Friston, K., Ashburner, J., Kiebel, S., Nichols, T. Statistical Parametric Mapping: The Analysis of Functional Brain Images. , Academic Press. (2007).
  30. Shalinsky, M. H., Kovelman, I., Berens, M. S., Petitto, L. A. Exploring cognitive functions in babies, children & adults with near infrared spectroscopy. Journal of Visualized Experiments: JoVE. (29), e1268(2009).
  31. Xu, S. Y., Cheong, L. I., Zhuang, Y., Couto, T. A. P., Yuan, Z. Conducting concurrent electroencephalography and functional near-infrared spectroscopy recordings with a flanker task. Journal of Visualized Experiments: JoVE. (159), e6069(2020).
  32. Noah, J. A., et al. fMRI validation of fNIRS measurements during a naturalistic task. Journal of Visualized Experiments: JoVE. (100), e52116(2015).
  33. Tong, Y., Lindsey, K. P., Frederick, B. D. Partitioning of physiological noise signals in the brain with concurrent near-infrared spectroscopy and fMRI. Journal of Cerebral Blood Flow and Metabolism. 31 (12), 2352-2362 (2011).
  34. Buck, R., Miller, R. E., Caul, W. F. Sex, personality, and physiological variables in the communication of affect via facial expression. Journal of Personality and Social Psychology. 30 (4), 587-596 (1974).
  35. Walen, H. R., Lachman, M. E. Social support and strain from partner, family, and friends: Costs and benefits for men and women in adulthood. Journal of Social and Personal Relationships. 17 (1), 5-30 (2000).
  36. Chang, C., Glover, G. H. Time-frequency dynamics of resting-state brain connectivity measured with fMRI. NeuroImage. 50 (1), 81-98 (2010).
  37. Liu, H., et al. Inferring subsurface preferential flow features from a wavelet analysis of hydrological signals in the shale hills catchment. Water Resources Research. 56 (11), 0-3 (2020).
  38. Rhif, M., Abbes, A. B., Farah, I. R., Martínez, B., Sang, Y. Wavelet transform application for/in non-stationary time-series analysis: A review. Applied Sciences. 9 (7), Switzerland. 1345(2019).
  39. Molavi, B., Dumont, G. A. Wavelet-based motion artifact removal for functional near-infrared spectroscopy. Physiological Measurement. 33 (2), 259-270 (2012).
  40. Scholkmann, F., Spichtig, S., Muehlemann, T., Wolf, M. How to detect and reduce movement artifacts in near-infrared imaging using moving standard deviation and spline interpolation. Physiological Measurement. 31 (5), 649-662 (2010).
  41. Zhang, Y., Brooks, D. H., Franceschini, M. A., Boas, D. A. Eigenvector-based spatial filtering for reduction of physiological interference in diffuse optical imaging. Journal of Biomedical Optics. 10 (1), 011014(2005).
  42. Cui, X., Bray, S., Reiss, A. L. Functional near infrared spectroscopy (NIRS) signal improvement based on negative correlation between oxygenated and deoxygenated hemoglobin dynamics. NeuroImage. 49 (4), 3039-3046 (2010).
  43. Cooper, R. J., et al. A systematic comparison of motion artifact correction techniques for functional near-infrared spectroscopy. Frontiers in Neuroscience. 0, 147(2012).
  44. Brigadoi, S., et al. Motion artifacts in functional near-infrared spectroscopy: A comparison of motion correction techniques applied to real cognitive data. NeuroImage. 85, 181-191 (2014).
  45. Liu, Y., et al. Measuring speaker-listener neural coupling with functional near infrared spectroscopy. Scientific Reports. 7, 1-13 (2017).
  46. Li, Z., et al. Speaker-listener neural coupling reveals an adaptive mechanism for speech comprehension in a noisy environment. Cerebral Cortex. , (2021).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Sincroniza o NeuralCausalidade de GrangerIntera o SocialConcentra o de HemoglobinaCorre o de Artefatos de MovimentoTeste de Permuta o de Cluster

Artigos relacionados