Измерение направленного информационного потока в данных fNIRS-гиперсканирования с использованием метода когерентности с частичным вейвлет-преобразованием

Гиперсканирование является многообещающим методом описания отношений между людьми, и в этом исследовании обнаруживается нейронная синхронизация между людьми. И самый важный вопрос заключается в том, чтобы определить, кто с кем синхронизируется. И метод, который мы здесь предлагаем, заключается в определении направления информационного потока между индивидами.

По сравнению с другими методами, наиболее значительным преимуществом этого метода является удаление различных смешанных факторов из нейронной синхронизации. Например, автокорреляция в каждом сигнале. А между тем, мы можем поддерживать высокое пространственное анатомическое разрешение каждого сигнала.

Начните предварительную обработку данных с экспорта файлов данных об изменениях концентрации гемоглобина из оборудования и передачи файлов в читаемый формат MATLAB. Затем удалите первые и последние 15 секунд данных для каждого сеанса, чтобы избежать временных ответов, и используйте встроенную функцию MATLAB decimate для понижения выборки данных с 55,6 герц до 11,1 герц. Для коррекции артефактов движения примените метод дискретного вейвлет-преобразования с соответствующей функцией фильтрации.

Используйте встроенную функцию PCA для удаления глобального физиологического шума. Затем удалите верхние 80% дисперсии из сигналов. После удаления начальных двух секунд данных от женщин и последних двух секунд данных от мужчин, рассчитайте с уравнением двухсекундное значение INS WTC под руководством женщин.

Аналогичным образом, после удаления начальных двух секунд данных у мужчин и последних двух секунд данных у женщин, рассчитайте двухсекундное значение INS WTC под руководством мужчин. Повторите процедуру с различными временными лагами, N, например, N, равно четырем, шести или восьми секундам, по потенциальным парам 676 CH и рассчитайте силу женщин и мужчин с задержкой во времени INS WTC с уравнением, как описано выше. Рассчитайте INS pWTC с помощью pWTC таким же образом, используя уравнение.

Сгенерируйте замедленные по времени временные ряды сигналов fNIRS между мужчинами и женщинами и рассчитайте значения запаздывающего во времени ЦМТ при разных временных лагах. Генерируйте автокоррелированные временные ряды мужских сигналов fNIRS, удаляя первые две секунды и последние две секунды данных у мужчин. Затем рассчитайте двухсекундное автокоррелированное значение для мужчин.

Затем оцените автокоррелированные значения ЦМТ на разных временных лагах. Таким же образом, создайте выровненный по времени временной ряд сигналов fNIRS, удалив первые две секунды данных у мужчин и женщин. Затем рассчитайте двухсекундный выровненный по времени ЦМТ.

Затем оцените выровненные по времени значения ЦМТ при разных временных лагах. Введите выровненные по времени значения ЦМТ, ЦМТ с задержкой по времени и автокоррелированные значения ЦМТ при разном временном лаге в уравнения pWTC, генерируя INS pWTC. При обработке данных fNIRS второго уровня удаляют физиологические шумы и полосы частот каждого сигнала выше 0,7 герц.

Затем удалите полосы частот каждого сигнала ниже 0,01 герца и в пределах от 0,15 до 0,3 герц, чтобы отфильтровать очень низкие колебания частоты. Преобразуйте INS с помощью Z-преобразования Фишера, а затем усредните INS во временной размерности. Для усредненных INS при каждом временном лаге проводят парный t-тест с двумя образцами на каждой паре CH в диапазоне частот.

Затем определите все значимые частотные кластеры. Переназначьте диадические отношения, случайным образом назначив участников новым парам из двух членов, как участники диада, которые никогда не общались друг с другом. Проведите тест перестановки на основе кластера, чтобы установить пороговое значение для результатов.

Пересчитайте INS за каждый временной лаг. Выполните парные t-тесты в новом образце и определите значительные частотные кластеры. Затем выберите кластер с наибольшим суммированным значением T, прежде чем повторять процедуры 1000 раз, чтобы создать нулевое распределение максимальных ложных срабатывающих значений T.

Сравните суммированное значение T каждого идентифицированного частотного кластера в исходной выборке с нулевым распределением для получения значимых статистических результатов. В ходе исследования был проведен симуляционный анализ. Репрезентативный анализ показывает, что запаздывающий по времени INS WTC с автокорреляцией был значительно выше, чем INS WTC без автокорреляции и ins pWTC с задержкой во времени.

Кроме того, не было существенной разницы между запаздывающим по времени INS WTC без автокорреляции и INS pWTC, что указывает на эффективность pWTC в устранении влияния автокорреляционного эффекта на INS. Незначительный значимый контекстный эффект наблюдался в пределах от 0,4 до 0,6 герц, что у мужчин отставало от женщин на четыре секунды. Напротив, для INS pWTC наблюдался только значительный контекстный эффект в пределах от 0,4 до 0,6 герц, когда активность датчика и моторной коры головного мозга мужчин отставала от активности женщин на четыре секунды.

Направление СИН от женщин к мужчинам было значительно выше в контексте конфликта, чем в контексте поддержки. Результаты INS pWTC были проверены с помощью метода причинно-следственной связи Грейнджера. Результаты показали, что INS GC демонстрирует аналогичную картину с INS pWTC.

Направленные СИН, рассчитанные на основе анализа причинно-следственной связи Грейнджера от женщин к мужчинам, были значительно выше в контексте конфликта, чем в поддерживающих контекстах. После вычисления нейронной синхронизации с помощью этого метода также можно провести множество других методов. Например, мы можем сравнить этот направленный информационный поток между различным контекстом социальных связей и социальной связью в разных социальных отношениях.

А также, можно понять вклад различных коммуникационных поведений в нейронную синхронизацию. Например, будь то вербальное общение или невербальное общение, играет более важную роль в нейронной синхронизации.