Методическая статья

Новая основа для понимания межполушарной когерентности в исследованиях гиперсканирования с помощью функциональной спектроскопии ближнего инфракрасного диапазона (fNIRS)

DOI:

10.3791/65347

⸱

6 октября 2023 г.

 ,  ,  ,  ,  ,  , 
1The Department of Behavioral Sciences and Psychology, Ariel University, 2Braude College of Engineering, 3Department of Psychology and Behavioral Sciences, Zhejiang University, 4Department of Psychology, Florida Atlantic University

В этой статье

Краткое содержание

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

Когерентность вейвлет-преобразования (WTC) — это распространенная методология оценки связи между сигналами, которая используется в исследованиях гиперсканирования с помощью функциональной спектроскопии ближнего инфракрасного диапазона (fNIRS). В работе представлен инструментарий для оценки направленности взаимодействия сигналов.

Аннотация

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

Несмотря на растущее количество исследований в области функциональной спектроскопии ближнего инфракрасного диапазона (fNIRS), оценка связи между двумя нейронными сигналами с помощью когерентности вейвлет-преобразования (WTC), по-видимому, игнорирует направленность взаимодействия. В настоящее время в этой области отсутствует структура, которая позволила бы исследователям определить, отражает ли высокое значение когерентности, полученное с помощью функции ВТЦ, синфазную синхронизацию (т.е. нейронная активация наблюдается у обоих членов диады одновременно), запаздывающую синхронизацию (т.е. нейронная активация наблюдается у одного члена диады раньше другого); или противофазная синхронизация (т.е. нейронная активация увеличивается у одного члена диады и уменьшается у другого). Для удовлетворения этой потребности в данной работе предлагается дополнительный и более чувствительный подход к анализу фазовой когерентности двух нейронных сигналов. Набор инструментов позволяет исследователям оценить направленность связи, классифицируя значения фазового угла, полученные с помощью традиционного ВТЦ, на синфазную синхронизацию, синхронизацию с запаздыванием и противофазную синхронизацию. Инструментарий также позволяет исследователям оценить, как динамика взаимодействий развивается и изменяется на протяжении всей задачи. Использование этого нового подхода ВТЦ и его инструментария будет способствовать нашему пониманию сложных социальных взаимодействий через их использование в исследованиях гиперсканирования fNIRS.

Введение

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

В последние годы произошел сдвиг в типах исследований, проводимых для понимания нейронных основ социального поведения 1,2. Традиционно исследования в области социальной нейробиологии были сосредоточены на нейронной активации в одном изолированном мозге во время выполнения социально значимой задачи. Тем не менее, достижения в области технологий нейровизуализации в настоящее время позволяют исследовать нейронную активацию в мозге одного или нескольких людей во время социального взаимодействия, как это происходит в «реальной» жизни. В условиях «реальной жизни» люди могут свободно двигаться, и паттерны активации мозга, вероятно, будут меняться по мере обмена информацией и получения обратной связи другот друга.

Гиперсканирование — это метод, который оценивает этот двунаправленный обмен информацией путем измерения активности мозга двух или более человек одновременно. В новых исследованиях использовалась функциональная спектроскопия ближнего инфракрасного диапазона (fNIRS), неинвазивный метод нейровизуализации, который, по сравнению с другими методами нейровизуализации, менее восприимчив картефактам движения. Гиперсканирование с помощью fNIRS позволяет оценить межмозговую синхронизацию (СРК) в реальных условиях, в то время как интерактивные партнеры двигаются свободно и естественно. Это особенно актуально для работы с младенцами и маленькими детьми, которые, как правило, довольно активны. Сообщается, что СРК отражает взаимопонимание между интерактивными партнерами, которое служит основой для эффективного социального взаимодействия и коммуникации и опосредует общую интенциональность 1,7,8.

Для оценки СРК двух головных мозгов используется несколько методов. К таким методам относятся корреляции временных рядов, такие как взаимная корреляция и коэффициент корреляции Пирсона 9,10 (см. обзор Scholkmann et al.10). Другие методы предполагают оценку силы связи в частотной области. К таким методам относятся значение фазовой автоподстройки (PLV) и фазовая когерентность (см. обзор Czeszumski et al.11). Один из наиболее распространенных методов в исследованиях fNIRS использует вейвлет-преобразование когерентности (WTC) - меру взаимной корреляции двух временных рядов в зависимости от частоты и времени10.

ВТЦ использует корреляционный анализ для расчета когерентности и фазового запаздывания между двумя временными рядами во временно-частотной области. В исследованиях гиперсканирования FNIRS ВТЦ использовался для оценки СРК во многих областях функционирования, включая мониторинг действий12, кооперативное и конкурентное поведение 5,13,14,15, имитацию 16, решение проблем между матерью и ребенком 17 и поведение преподавателя-обучения 18,19,20,21 . Как правило, в исследованиях гиперсканирования межмозговая когерентность, измеренная WTC, во время экспериментальной задачи сравнивается с межмозговой когерентностью во время контрольной задачи. Эти результаты обычно представляются в виде «горячего графика» ВТЦ, который показывает когерентность между двумя мозгами в каждый момент времени и с каждой частотой (см. рис. 1).

Как предположили Czesumaski et al.11, WTC стал стандартным аналитическим подходом для анализа гиперсканирования fNIRS. Анализ ВТЦ является гибким, «не зависящим от инструмента» методом визуализации и интерпретации данных22. Тепловая карта коэффициента когерентности, обеспечивающая повествовательную форму анализа, позволяющую легко идентифицировать периоды синхронного или асинхронного поведения, а также интенсивность мозговой активности во время выполнения задачи, является основным преимуществом ВТЦ и делает его сильным инструментом для прикладных исследований22. ЦМТ имеет преимущество перед корреляционными методами. Корреляции чувствительны к форме функции гемодинамического ответа (HRF), которая, как полагают, различается у разных людей (особенно с точки зрения возраста) и между различными областями мозга. В отличие от этого, ВТЦ не подвержен влиянию межрегиональных изменений в (HRF)23. Исследователи использовали вейвлет-подход для изучения временных рядов фМРТ. Zhang et al.24 сравнили широко используемые метрики функциональной связности, включая корреляцию Пирсона, частичную корреляцию, взаимную информацию и преобразование вейвлет-когерентности (WTC). Они провели классификационные эксперименты с использованием крупномасштабных функциональных паттернов связей, полученных из данных фМРТ в состоянии покоя и данных фМРТ при просмотре видео с естественным стимулом. Их результаты показали, что ВТЦ показал наилучшие результаты в классификации (специфичность, чувствительность и точность), подразумевая, что ВТЦ является предпочтительным показателем функциональной связности для изучения функциональных сетей мозга, по крайней мере,в классификационных приложениях.

figure-introduction-1
Рисунок 1: Когерентность вейвлет-преобразования (WTC). ВТЦ показывает когерентность и фазовый угол между двумя временными рядами в зависимости от времени (ось x) и частоты (ось y). Увеличение когерентности показано красным цветом на графике, а маленькие стрелки на графике показывают фазовый угол двух временных рядов. Стрелка, направленная вправо, представляет синфазную синхронизацию; стрелки, направленные вниз и вверх, представляют синхронизацию с запаздыванием; а стрелка, направленная влево, представляет противофазную синхронизацию30. Эта цифра была адаптирована из Pan et al.19. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Недавно Гамильтон25 сформулировал несколько ограничений в интерпретации данных межмозговой когерентности в исследованиях гиперсканирования fNIRS. Одна из главных проблем Гамильтона заключалась в том, что показатели когерентности (например, ВТЦ) сообщают о симметричных эффектах (т.е. два мозга коррелируют друг с другом, демонстрируя одну и ту же картину изменений). Тем не менее, многие социальные взаимодействия асимметричны (например, поток информации между говорящим и слушающим) в том смысле, что два участника могут играть разные роли, и неясно, может ли ВТЦ зафиксировать эту информацию. В данном случае эта проблема решается с помощью новой структуры, которая позволяет легко интерпретировать мощность кросс-вейвлет-излучения с помощью кросс-вейвлет-фазы для определения направленности. Эта структура также позволит изучить, как развивается и изменяется динамика взаимодействий на протяжении всей задачи.

В то время как ВТЦ и корреляционные методы оценивают функциональную связность, другие методы оценивают эффективную связность, пытаясь извлечь причинно-следственные влияния одного нейронного элемента на другой. Энтропия переноса — мера из области теории информации, описывающая перенос между совместно зависимыми процессами26. Другим родственным методом является анализ причинно-следственной связи Грейнджера (GCA), который был описан как эквивалент энтропии переноса26.

В существующей литературе, посвященной исследованиям гиперсканирования fNIRS, анализ причинно-следственных связей Грейнджера (GCA) широко используется для оценки направленности связи между данными временных рядов fNIRS, полученными в ходе различных задач, таких как сотрудничество5, обучение19 и имитация16. GCA использует векторные авторегрессионные модели для оценки направленности связи между временными рядами в данных мозга. Причинно-следственная связь Грейнджера основана на предсказании и приоритете: «переменная X называется «G-причиной» переменной Y, если прошлое X содержит информацию, которая помогает предсказать будущее Y, сверх информации, уже имеющейся в прошлом Y»27. Соответственно, G-причинность анализируется в двух направлениях: 1) от субъекта А к субъекту Б и 2) от субъекта Б к субъекту А.

В то время как анализ GCA служит дополнительным анализом, направленным на определение того, отражает ли высокое значение когерентности, полученное с помощью функции WTC, IBS или запаздывающую синхронизацию (один сигнал опережает другой), он не позволяет определить, имела ли место противофазная синхронизация. В традиционных нейровизуализационных исследованиях, в которых сканируется только один участник (т.е. подход «одного мозга»), антифазный паттерн означает, что активность в одной области мозга увеличивается, в то время как активность в другой областимозга снижается. В литературе, посвященной гиперсканированию, наличие противофазной синхронизации может свидетельствовать о том, что нейронная активация повышена у одного субъекта, и в то же время нейронная активация снижена у другого субъекта. Поэтому необходимо предоставить комплексную модель, способную определить направленность. В частности, эта модель сможет обнаруживать антифазную синхронизацию (при которой направление активности у одного индивидуума противоположно направлению активности его партнера) в дополнение к синфазной синхронизации и запаздывающей синхронизации.

В попытке решить проблему того, что ВТЦ демонстрирует только симметричные эффекты, когда оба мозга демонстрируют одну и ту же картинуизменений, представлен новый подход к определению типа взаимодействия путем изучения фазы синхронизации (т.е. синфазной, запаздывающей или антифазной) (см. рис. 2). С этой целью был разработан инструментарий, использующий метод ВТЦ для классификации различных типов взаимодействий. Типы взаимодействий классифицируются с использованием относительных фазовых данных, полученных при анализе кросс-вейвлет-преобразований.

figure-introduction-2
Рисунок 2: Иллюстрация различных фазовых соотношений простых синусоидальных волн. (A) Когда два сигнала, Сигнал 1 (синяя линия s) и Сигнал 2 (оранжевая линияs), достигают своих соответствующих максимальных, минимальных и нулевых значений в один и тот же момент времени, говорят, что они показывают синфазную синхронизацию32. (B) Когда один сигнал достигает своего максимального значения, а другой сигнал достигает нуля в тот же момент времени, говорят, что они показывают синхронизацию с запаздыванием (один опережает на 90°)32,33,34. (C) Когда два временных ряда смещаются в противоположных направлениях, что означает, что один сигнал достигает максимума, а другой достигает минимального значения в один и тот же момент времени, это называется противофазной синхронизацией28. (Д-) Во всех остальных фазовых соотношениях между двумя временными рядами один сигнал опережает другой. Во всех положительных фазах сигнал 2 является ведущим сигналом 1 (например, панели E, F, M и N), тогда как во всех отрицательных фазах сигнал 1 опережает сигнал 2 (например, панели D, G, H, O и P). Примечательно, что когда абсолютное значение фазы выше, становится более различимым, какой временной ряд опережает другой (например, лидерство более отчетливо выражено в панели J, чем в панели I, а в панели K лидерство более отчетливо, чем в панели L). Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

Исследование было проведено в Атлантическом университете Флориды (FAU) и было одобрено Институциональным наблюдательным советом FAU (IRB).

1. Использование программного обеспечения Homer3 (Table of Materials) для выполнения предварительной обработки данных гиперсканирования fNIRS

ПРИМЕЧАНИЕ: Homer3 - это приложение MATLAB, которое анализирует данные fNIRS для получения оценок и карт активации мозга29. Homer3 можно скачать и установить по следующей ссылке (https://openfnirs.org/software/homer/).

  1. Откройте MATLAB и перейдите в папку, в которой сохранены необработанные файлы .nirs. Выберите и откройте папку.
  2. Введите Homer3 в командном окне MATLAB, чтобы запустить графический интерфейс Homer3 . Гомер3. обнаружит файлы .nirs и попросит преобразовать их в формат .snirf (универсальный формат файлов для хранения и обмена данными NIRS независимо от какого-либо конкретного формата файлов, специфичного для конкретного приложения, такого как MATLAB), чтобы продолжить предварительную обработку данных.
  3. После импорта файлов .nirs в формат .snirf в Homer3 нажмите на опцию Tools в графическом интерфейсе Homer3 и выберите Edit Processing Stream.
  4. В графическом интерфейсе ProcStreamEdit выберите шаги предварительной обработки из столбца « Функция реестра » в столбец «Текущий поток обработки », нажав кнопку «Добавить». Включены следующие этапы предварительной обработки:
    1. Используйте hmrR_intensity2OD для преобразования данных интенсивности в оптическую плотность.
    2. Используйте hmrR_MotionCorrectWavelet для коррекции артефактов движения с помощью соответствующей функции фильтрации.
    3. Используйте hmrR_OD2conc для преобразования данных наружного диаметра в концентрацию.
    4. Используйте hmR_BlockAvg для вычисления среднего значения блока по данным концентрации.
      ПРИМЕЧАНИЕ: Выбор шагов предварительной обработки может варьироваться в зависимости от типа набора данных.
  5. Чтобы сохранить текущий поток обработки, нажмите на опцию Сохранить , а затем выйдите из графического интерфейса ProcStreamEdit.
  6. Чтобы запустить поток предварительной обработки в главном графическом интерфейсе Homer3, нажмите на опцию RUN . После того, как Homer3 завершит выполнение выбранного потока обработки, он сохранит предварительно обработанные временные ряды для каждого участника в формате .mat, содержащем Hbo, Hbr и Hbt для всех каналов и событий. Homer3 создаст папку с именем homer output в текущей выбранной папке для хранения этих файлов.
  7. Homer3 создаст папку с именем derivatives в выбранной папке для хранения этих файлов. Выберите папку homer, расположенную в папке derivatives. Выберите файл .mat для каждого мозга и экспортируйте Hbo, Hbr, Hbt.
    ПРИМЕЧАНИЕ: Имя выходной папки, созданной Homer3, зависит от версии Homer3.

2. Начало работы с набором инструментов LeaderFollowerByPhase

  1. Для анализа типа взаимодействия, возникающего в записи гиперсканирования, используйте набор инструментов LeaderFollowerByPhase, как описано в процессе, показанном на рисунке 3. В MATLAB выберите файлы .mat для каждого мозга и загрузите данные Hbo (или Hbr) по конкретному каналу и конкретному событию в одномерный вектор в виде signal1 и signal2.
  2. В командной строке MATLAB определите параметры
    1. lowFreq, highFreq: Введите lowFreq = [низкий FOI], а highFreq = [high FOI]. Значения по умолчанию: lowFreq = 0,01 Гц, highFreq = 1 Гц.
      ПРИМЕЧАНИЕ: Параметры функций lowFreq и highFreq определяют диапазон частот интереса (FOI). WTC вычисляет когерентность между двумя мозгами в каждый момент времени и с каждой частотой. Значения когерентности обычно усредняются в пределах конкретного FOI.
    2. Определите параметр phaseRange; type phaseRange = [диапазон в град.].
      ПРИМЕЧАНИЕ: Значение по умолчанию — phaseRange = 90°. Фаза колеблется от 0° до 360° из-за кругового типа фазы по модулю. Фазовые диапазоны разделены в соответствии с диапазоном, который окружает четыре точки. В представленном инструментарии представлен новый подход к классификации асимметричных взаимодействий (рис. 4) путем изучения направленности связи с использованием значений фазового угла в соответствии с диапазонами, соответствующими запаздывающей синхронизации с ведущим сигналом 1 (диапазон около −90°) или ведущим сигналом 2 (диапазон около 90°), сигналом 1, синфазной синхронизацией сигнала 2 (диапазон, близкий к 0), и противофазная синхронизация сигнала 1, сигнала 2 (диапазон +180° или −180°).
    3. Задайте параметр Пороговое значение. Введите threshold = [threshold rsq val]. Значение по умолчанию — Threshold = 0.
      ПРИМЕЧАНИЕ: Набор инструментов позволяет задать пороговое значение когерентности, указав параметр порога. Это позволяет исследователю выбирать моменты времени с заданным минимальным значением когерентности. Следовательно, учитываются только временные точки со значениями когерентности, превышающими указанное пороговое значение.
  3. Загрузите набор инструментов LeaderFollowerByPhase по следующей ссылке (https://www.ariel.ac.il/wp/sns/download/ или https://github.com/Minisharmaa/Leader-Follower-By-Phase).
  4. Выполните функцию MATLAB LeaderFollowerByPhase, введя в командную строку команду cohervalues = LeaderFollowerByPhase(signal1, signal2, lowFreq, highFreq, phaseRange, threshold).
    ПРИМЕЧАНИЕ: Расчеты когерентности и фазы выполняются с использованием функций WTC и XWT в MATLAB, соответственно30.
  5. Проверьте значения синфазной синхронизации, ведущего сигнала 1, ведущего сигнала 2 и противофазной синхронизации:
    1. Проверьте графики в MATLAB. Набор инструментов генерирует одну фигуру с четырьмя графиками.
      1. Когерентность по типу взаимодействия: Посмотрите на ящичковую диаграмму в верхней левой части рисунка, на которой показан R-квадрат (Rsq) в соответствии с каждым типом взаимодействия (синфазный, сигнал 1 ведущий, сигнал 2 опережающий, противофазный).
        ПРИМЕЧАНИЕ: Подробное описание встроенной функции ящичковой диаграммы MATLAB см. по следующей ссылке (https://www.mathworks.com/help/matlab/ref/boxchart.html).
      2. Центральные индексы по типу взаимодействия: Посмотрите на гистограмму в правой верхней части выходного рисунка, на которой отображается максимальное среднее значение и медиана для каждого типа взаимодействия (синфазное, сигнал 1 ведущий, сигнал 2 опережающий, противофазный).
        ПРИМЕЧАНИЕ: Подробное описание встроенной функции MATLAB bar см. по следующей ссылке (https://www.mathworks.com/help/matlab/ref/bar.html).
      3. Согласованность с течением времени: Проверьте диаграмму рассеяния в левой нижней части выходного рисунка, на которой отображаются значения когерентности и типы взаимодействия с течением времени. Цветные точки представляют различные типы взаимодействия (черные точки представляют синфазную синхронизацию, темно-серые точки — ведущий сигнал 1, светло-серые точки — ведущий сигнал 2, а фиолетовые точки — противофазную синхронизацию).
        ПРИМЕЧАНИЕ: На рисунке показана динамика взаимодействия: обмен между четырьмя типами взаимодействия на протяжении всего рабочего ряда. Подробное описание функции рассеяния MATLAB приведено по следующей ссылке (https://www.mathworks.com/help/matlab/ref/scatter.html).
      4. Процент времени: Просмотрите круговую диаграмму в правой нижней части выходного рисунка, которая отображает деление времени в соответствии с различными типами взаимодействий.
        ПРИМЕЧАНИЕ: Подробное описание круговой функции MATLAB см. по следующей ссылке (https://www.mathworks.com/help/matlab/ref/pie.html).
  6. Проверьте выходную таблицу со статистическими значениями (т. е. среднее, максимальное, медиана и стандартное отклонение) для каждого типа взаимодействия (синфазная синхронизация, опережающий сигнал 1, ведущий сигнал 2, противофазная синхронизация). В таблице также представлен процент времени, в течение которого происходил каждый тип взаимодействия. Каждый тип взаимодействия отображается в отдельном столбце.
  7. Проверьте выходное значение в извлеченном файле электронной таблицы (т. е. datatable.xlsx, расположенном в текущей папке).

figure-protocol-1
Рисунок 3: Обзор рабочего процесса. (А) Были собраны диады мать-ребенок, участвующие в свободной игре, во время гиперсканирования fNIRS-данных. (Б) Иллюстрация временного ряда между матерью и ребенком. (C) Предварительная обработка временных рядов с помощью Homer3. (Д,Э) Использование набора инструментов для изучения различных типов взаимодействий, таких как синфазная синхронизация, антифазная синхронизация и синхронизация с запаздыванием. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

figure-protocol-2
Рисунок 4: Классификация четырех различных типов взаимодействий по фазе. Это представляет собой разность фаз двух нейронных временных рядов по модулю 360°. Разность фаз можно рассматривать как временную задержку между двумя значениями и измеряется в градусах и радианах или долях длины волны. Здесь модуль 360° разделен на четыре различных диапазона, отображающих четыре различные фазы взаимодействия: (A) ведущий сигнал 1 (диапазон около 90°, от 45° до 135°), (B) противофазная синхронизация между сигналом 1 и сигналом 2 (диапазон около 180° или −180°, от 135 до −135°), (C) ведущий сигнал 2 (от −135° до −45°), (D) синфазная синхронизация (диапазон около 0, от −45° до 45°). Это деление является подходом по умолчанию (45° вокруг каждой точки); Тем не менее, панель инструментов позволяет настроить другое подразделение. В то время как другие конфигурации могут не охватывать все 360°, они могут дать более точное определение каждого типа взаимодействия. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

В этом разделе демонстрируются типы анализов, которые можно выполнять с помощью панели инструментов (которую можно загрузить по адресу https://www.ariel.ac.il/wp/sns/download/ или https://github.com/Minisharmaa/Leader-Follower-By-Phase.). Для этого анализа были использованы данные fNIRS, собранные с помощью небольшой выборки диад «младенец-родитель». Шесть пар диад мать-младенец были протестированы с использованием валидированного поведенческого задания, заданиясвободной игры 31, которое максималь...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

Одним из наиболее распространенных методов, используемых в исследованиях fNIRS, является когерентность вейвлет-преобразования (WTC), которая является мерой взаимной корреляции двух временных рядов в зависимости от частоты и времени10. ВТЦ вычисляет когерентность и фазовое запаздывание между двумя временными рядами с помощью корреляционного анализа (Дополнительный файл 1). В исследованиях гиперсканирования FNIRS ВТЦ использовался для оценки СРК во многих областях функционирования, ...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

Авторы заявляют, что исследование проводилось в отсутствие каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Благодарности

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

Мы хотели бы выразить признательность за поддержку, оказанную Национальным фондом естественных наук Китая (No 62207025), Исследовательским проектом по гуманитарным и социальным наукам от Министерства образования Китая (No 22YJC190017) и Фондами фундаментальных исследований для центральных университетов Яфэн Пань.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
NIRScout   NIRx Medical Technologies, LLCn.a.8источники, 8 детекторов
MATLABThe Mathworks, Inc.Matlab 2022aВ этом протоколе было использовано несколько наборов инструментов и встроенных функций MATLAB: HOMER3 toolbox использовался для преобразования интенсивности в OD, для удаления артефактов движения с помощью функции hmrMotionCorrectWavelet с параметрами по умолчанию и для преобразования OD в Conc. Wavelet Toolbox использовался для вычисления WTC. Wavelet Toolbox использовался для вычисления WTC.

Ссылки

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Gvirts, H. Z., Perlmutter, R. What guides us to neurally and behaviorally align with anyone specific? A neurobiological model based on fNIRS hyperscanning studies. The Neuroscientist. 26 (2), 108-116 (2019).
  2. Balconi, M., Fronda, G., Vanutelli, M. E. Donate or receive? Social hyperscanning application with fNIRS. Current Psychology. 38 (4), 991-1002 (2019).
  3. Redcay, E., Schilbach, L. Using second-person neuroscience to elucidate the mechanisms of social interaction. Nature Reviews Neuroscience. 20 (8), 495-505 (2019).
  4. Shamay-Tsoory, S. G., Mendelsohn, A. Real-life neuroscience: An ecological approach to brain and behavior research. Perspectives on Psychological Science. 14 (5), 841-859 (2019).
  5. 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).
  6. Quaresima, V., Ferrari, M. Functional near-infrared spectroscopy (fNIRS) for assessing cerebral cortex function during human behavior in natural/social situations: A concise review. Organizational Research Methods. 22 (1), 46-68 (2016).
  7. Fishburn, F. A., et al. Putting our heads together: interpersonal neural synchronization as a biological mechanism for shared intentionality. Social Cognitive and Affective Neuroscience. 13 (8), 841-849 (2018).
  8. 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).
  9. Chang, C., Glover, G. H. Time-frequency dynamics of resting-state brain connectivity measured with fMRI. NeuroImage. 50 (1), 81-98 (2010).
  10. Scholkmann, F., Holper, L., Wolf, U., Wolf, M. A new methodical approach in neuroscience: Assessing inter-personal brain coupling using functional near-infrared imaging (fNIRI) hyperscanning. Frontiers in Human Neuroscience. 7, 813(2013).
  11. Czeszumski, A., et al. Hyperscanning: A valid method to study neural inter-brain underpinnings of social interaction. Frontiers in Human Neuroscience. 14, 39(2020).
  12. Dommer, L., Jäger, N., Scholkmann, F., Wolf, M., Holper, L. Between-brain coherence during joint n-back task performance: A two-person functional near-infrared spectroscopy study. Behavioural Brain Research. 234 (2), 212-222 (2012).
  13. Osaka, N., Minamoto, T., Yaoi, K., Azuma, M., Osaka, M. Neural synchronization during cooperated humming: A hyperscanning study using fNIRS. Procedia - Social and Behavioral Sciences. 126, 241-243 (2014).
  14. Wang, C., Zhang, T., Shan, Z., Liu, J., Yuan, D., Li, X. Dynamic interpersonal neural synchronization underlying pain-induced cooperation in females. Human Brain Mapping. 40 (11), 3222-3232 (2019).
  15. Cheng, X., Li, X., Hu, Y. Synchronous brain activity during cooperative exchange depends on gender of partner: A fNIRS-based hyperscanning study. Human Brain Mapping. 36 (6), 2039-2048 (2015).
  16. Holper, L., Scholkmann, F., Wolf, M. Between-brain connectivity during imitation measured by fNIRS. NeuroImage. 63 (1), 212-222 (2012).
  17. Nguyen, T., et al. The effects of interaction quality on neural synchrony during mother-child problem solving. Cortex. 124, 235-249 (2020).
  18. Zheng, L., et al. Enhancement of teaching outcome through neural prediction of the students' knowledge state. Human Brain Mapping. 39 (7), 3046-3057 (2018).
  19. Pan, Y., Novembre, G., Song, B., Li, X., Hu, Y. Interpersonal synchronization of inferior frontal cortices tracks social interactive learning of a song. NeuroImage. 183, 280-290 (2018).
  20. Pan, Y., et al. Instructor-learner brain coupling discriminates between instructional approaches and predicts learning. NeuroImage. 211, 116657(2020).
  21. Liu, J., et al. Interplay between prior knowledge and communication mode on teaching effectiveness: Interpersonal neural synchronization as a neural marker. NeuroImage. 193, 93-102 (2019).
  22. Léné, P., et al. Wavelet transform coherence: An innovative method to investigate social interaction in NeuroIS. Lecture Notes in Information Systems and Organisation. 32, 147-154 (2020).
  23. Nguyen, T., Hoehl, S., Vrtička, P. A guide to parent-child fNIRS hyperscanning data processing and analysis. Sensors. 21 (12), 4075(2021).
  24. Zhang, Y., Han, J., Hu, X., Guo, L., Liu, T. Data-driven evaluation of functional connectivity metrics. Proceedings - International Symposium on Biomedical Imaging. , 532-535 (2013).
  25. Hamilton, A. F. deC. Hyperscanning: Beyond the hype. Neuron. 109 (3), 404-407 (2021).
  26. Barnett, L., Barrett, A. B., Granger Seth, A. K. causality and transfer entropy are equivalent for Gaussian variables. Physical Review Letters. 103 (23), 2-5 (2009).
  27. Barnett, L., Seth, A. K. The MVGC multivariate Granger causality toolbox: A new approach to Granger-causal inference. Journal of Neuroscience Methods. 223, 50-68 (2014).
  28. Li, D., Zhou, C. Organization of anti-phase synchronization pattern in neural networks: What are the key factors. Frontiers in Systems Neuroscience. 5, 100(2011).
  29. Huppert, T. J., Diamond, S. G., Franceschini, M. A., Boas, D. A. HomER: A review of time-series analysis methods for near-infrared spectroscopy of the brain. Applied Optics. 48 (10), D280-D298 (2009).
  30. 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 (5-6), 561-566 (2004).
  31. Feldman, R. Parent-infant synchrony. Current Directions in Psychological Science. 16 (6), 340-345 (2007).
  32. Fell, J., Axmacher, N. The role of phase synchronization in memory processes. Nature Reviews Neuroscience. 12 (2), 105-118 (2011).
  33. Olcay, B. O., Karaçalı, B. Evaluation of synchronization measures for capturing the lagged synchronization between EEG channels: A cognitive task recognition approach. Computers in Biology and Medicine. 114, 103441(2019).
  34. Stam, C. J. Nonlinear dynamical analysis of EEG and MEG: Review of an emerging field. Clinical Neurophysiology. 116 (10), 2266-2301 (2005).
  35. Mallat, S. A Wavelet Tour of Signal Processing. , Academic Press. Cambridge, MA. (2009).
  36. Kleinbub, J. R., Ramseyer, F. T. rMEA: An R package to assess nonverbal synchronization in motion energy analysis time-series. 31 (6), 817-830 (2020).
  37. Pan, Y., Novembre, G., Song, B., Zhu, Y., Hu, Y. Dual brain stimulation enhances interpersonal learning through spontaneous movement synchrony. Social Cognitive and Affective Neuroscience. 16 (1-2), 210-221 (2021).
  38. Ramseyer, F., Tschacher, W. Nonverbal synchrony in psychotherapy: Coordinated body movement reflects relationship quality and outcome. Journal of Consulting and Clinical Psychology. 79 (3), 284-295 (2011).
  39. Zhang, X., Noah, J. A., Dravida, S., Hirsch, J. Optimization of wavelet coherence analysis as a measure of neural synchrony during hyperscanning using functional near-infrared spectroscopy. Neurophotonics. 7 (1), 015010(2020).
  40. Walton, A. E., Richardson, M. J., Langland-Hassan, P., Chemero, A. Improvisation and the self-organization of multiple musical bodies. Frontiers in Psychology. 6, 313(2015).
  41. Varlet, M., Marin, L., Lagarde, J., Bardy, B. G. Social postural coordination. Journal of Experimental Psychology: Human Perception and Performance. 37 (2), 473-483 (2011).
  42. Hale, J., Ward, J. A., Buccheri, F., Oliver, D., Hamilton, A. F. deC. Are you on my wavelength? Interpersonal coordination in dyadic conversations. Journal of Nonverbal Behavior. 44 (1), 63-83 (2020).
  43. Fujiwara, K., Daibo, I. Evaluating interpersonal synchrony: Wavelet transform toward an unstructured conversation. Frontiers in Psychology. 7, 516(2016).
  44. Nozawa, T., Sasaki, Y., Sakaki, K., Yokoyama, R., Kawashima, R. Interpersonal frontopolar neural synchronization in group communication: An exploration toward fNIRS hyperscanning of natural interactions. NeuroImage. 133, 484-497 (2016).
  45. Dai, R., et al. Holistic cognitive and neural processes: A fNIRS-hyperscanning study on interpersonal sensorimotor synchronization. Social Cognitive and Affective Neuroscience. 13 (11), 1141-1154 (2018).
  46. Lu, K., Qiao, X., Yun, Q., Hao, N. Educational diversity and group creativity: Evidence from fNIRS hyperscanning. NeuroImage. 243, 118564(2021).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

MATLAB

Похожие статьи