Summary
概述了在自然学习环境中对协作学习二元组进行fNIRS超扫描实验的方案。此外,还提出了一种分析含氧血红蛋白(Oxy-Hb)信号的脑间同步(IBS)的管道。
Abstract
fNIRS超扫描被广泛用于检测社会互动的神经生物学基础。通过这种技术,研究人员用一种称为脑间同步(IBS)的新指数(即,神经元或血液动力学信号随时间变化的相位和/或振幅对齐)来限定两个或多个交互式个体的并行大脑活动。本文介绍了在自然学习环境中对协作学习二元组进行fNIRS超扫描实验的协议。此外,还解释了分析含氧血红蛋白(Oxy-Hb)信号的IBS的管道。具体而言,讨论了实验设计、近红外光谱数据记录过程、数据分析方法以及未来的发展方向。总体而言,实施标准化的fNIRS超扫描管道是第二人称神经科学的基本组成部分。此外,这符合开放科学的呼吁,以帮助研究的可重复性。
Introduction
最近,为了揭示交互式二元组或组成员的并行大脑活动,研究人员采用了超扫描方法1,2。具体而言,脑电图(EEG),功能磁共振成像(fMRI)和功能性近红外光谱(fNIRS)用于同时记录两个或多个受试者的神经和大脑活动3,4,5。研究人员基于这种技术提取了需要同时进行脑耦合的神经指数,该技术指的是脑间同步(IBS)(即神经元或血液动力学信号随时间变化的相位和/或振幅对齐)。各种各样的超扫描研究发现,在多个人(例如,玩家 - 观众,教师 - 学习者和领导者 - 追随者)之间的社交互动期间,IBS 6,7,8。此外,IBS具有有效学习和教学的具体含义9,10,11,12,13,14。随着自然学习场景中超扫描研究的激增,建立超扫描实验的标准协议和该领域数据分析的管道是必要的。
因此,本文提供了一种用于对协作学习二元组进行基于fNIRS的超扫描的方案,以及用于分析IBS的管道。fNIRS是一种光学成像工具,它辐射近红外光来间接评估血红蛋白的光谱吸收,然后测量血流动力学/氧合活性15,16,17。与fMRI相比,fNIRS不易出现运动伪影,允许来自正在进行现实生活实验(例如,模仿,说话和非语言交流)的受试者的测量18,7,19。与脑电图相比,fNIRS具有更高的空间分辨率,使研究人员能够检测大脑活动的位置20。因此,fNIRS在空间分辨率、逻辑和可行性方面的这些优势使fNIRS能够进行超扫描测量1。使用这项技术,一个新兴的研究机构检测到一个索引项作为IBS - 两个(或更多)人的大脑活动的神经对齐 - 在不同形式的自然主义社会环境中9,10,11,12,13,14。在这些研究中,应用了各种方法(即相关性分析和小波变换相干性(WTC)分析)来计算该指数;同时,这种分析的标准管道是必要的,但缺乏。因此,在这项工作中提出了一种用于进行基于fNIRS的超扫描的协议以及使用WTC分析来识别IBS的管道。
本研究旨在使用fNIRS超扫描技术评估协作学习二元组中的IBS。首先,在协作学习任务期间,在每个二元组的前额叶和左颞顶区域同时记录血流动力学反应。这些地区已被确定为与互动教学和学习相关的9,10,11,12,13,14。其次,在每个相应的通道上计算IBS。fNIRS数据记录过程由两部分组成:静止状态会话和协作会话。静息状态持续5分钟,在此期间,两个参与者(面对面坐着,彼此分开,在一张桌子(0.8米)旁)需要保持静止和放松。此静息状态会话用作基线。然后,在协作会话中,参与者被告知一起学习整个学习材料,引发理解,总结规则,并确保掌握所有学习材料。这里介绍了进行实验和fNIRS数据分析的具体步骤。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
所有招募的参与者(40对偶,平均年龄22.1±1.2岁;100%右撇子;正常或矫正到正常视力)都是健康的。在实验之前,参与者给予了知情同意。参与者因其参与而获得经济补偿。该研究获得华东师范大学人类研究保护委员会(HR-0053-2021)的批准。
1. 采用数据前的准备步骤
- 自制近红外瓶盖
- 采用弹性泳帽放置光电支架网格。
注意:考虑到参与者的头部尺寸不同,使用两种尺寸的帽子。为头围为55.4±1.1厘米的参与者准备了小帽,为头围为57.9±1.2厘米的参与者准备了大帽。 - 根据弹性游泳帽上的标准国际10-10系统,将脑电电极(inion,Cz,T3,T4,Fpz和P5)的位置锚定为参考光子(见 材料表)。
- 首先,将标准的10-10脑电图帽(见材料表)放在头部模具上,并将弹性游泳帽放在脑电图帽上。其次,在每个盖子上用粉笔标记参考光极(inion,Cz,T3,T4,Fpz和P5)。最后,切下两个直径约15毫米的孔以放置两个参考光极(即Fpz和P5,图1)。
注意:具体而言,3 x 5光电极管探头组和4 x 4光电极管探头组分别放置在前额叶区域(参考光端放置在Fpz, 图1B)和左侧颞顶区域(参考光端放置在P5, 图1B)上。
- 首先,将标准的10-10脑电图帽(见材料表)放在头部模具上,并将弹性游泳帽放在脑电图帽上。其次,在每个盖子上用粉笔标记参考光极(inion,Cz,T3,T4,Fpz和P5)。最后,切下两个直径约15毫米的孔以放置两个参考光极(即Fpz和P5,图1)。
- 切孔以放置其他光电元件。将带有两个网格支架的游泳帽直接放在头部模具上。然后,用粉笔标记其他光斑的位置。之后,切开其余孔以确保网格支架适合。
- 将两个探头组(即3 x 5和4 x 4)安装到泳帽上(见 材料表)。
注:NIRS测量系统(见 材料表)提供了这些标准探头组(即3 x 5和4 x 4),带有标准支架插座,确保30 mm光极分离。 - 打开 NIRS 测量系统的探头组监控窗口,为每个人分别选择 3 x 5 和 4 x 4 的四个探头组。
注:两个电容的探头排列应与探头组窗口中的结构相对应(即接收器探头编号的确切位置和相应的发射器)。
- 采用弹性泳帽放置光电支架网格。
- 实验准备
- 在记录数据之前,请启动系统至少30分钟,确保NIRS系统保持稳定的工作温度。
注:稳定的工作温度范围为5°C至35°C。 - 将测量模式设置为与事件相关的测量。确保触发接收器处于活动状态(即RS232串行输入)。
注:该实验采用市售心理学软件编程(见 材料表)。近红外光(两种波长:695和830 nm)的吸收以10 Hz的采样率进行测量。 - 准备带照明的光纤探头,可用于将头发移到一边。
- 用一张桌子和两把椅子设置实验环境,以保持参与者的座位面对面。
- 在记录数据之前,请启动系统至少30分钟,确保NIRS系统保持稳定的工作温度。
2. 通过指导参与者来采用数据
- 准备参与者
- 指导参与者,包括NIRS测量方法的详细信息。
注:所有参与者都身体健康,并因参与而获得经济补偿。没有参与者在实验中途退出。NIRS的激光束可能对参与者的眼睛有害,他们被指示不要直接观察这些激光束。 - 让参与者面对面坐着(除了一张桌子(0.8米)),以确保他们可以直接看到对方。调整椅子到桌子的距离(即近0.3米),使参与者坐得舒适。
- 打开激光按钮,将带有探头组的盖子放在参与者的头上。
注:3 x 5探头组覆盖参与者的额头(底部行的中间探头放置在Fpz上);4 x 4探针组覆盖左颞顶皮层(第三行的第三个探针放置在P5上)。 - 将四根光纤束松散地放在支架的手臂上,不要与参与者或椅子接触。
注:此处,NIRS测量系统有四束光纤。此外,确保参与者不会感到太重而无法脱下帽子。 - 让探头尖端触摸参与者的头皮,小心地将每个弹簧负载探头进一步推入其插座。
- 执行信号校准。
- 首先,通过单击fNIRS机器的探头组监视器窗口中的 自动增益 来检查信号的质量。然后,通道的不良信号和足够信号分别在探头集监视器窗口中标记为黄色和绿色。
注意:对于信号不足的通道,使用发光的光纤探头将探头尖端下方的头发移动到一侧。 - 然后,将探头进一步推入其插座以获得足够的信号。重复此过程,直到在NIRS测量系统的探头组监控窗口中所有通道都标记为绿色,表明信号质量是可访问的。
- 首先,通过单击fNIRS机器的探头组监视器窗口中的 自动增益 来检查信号的质量。然后,通道的不良信号和足够信号分别在探头集监视器窗口中标记为黄色和绿色。
- 指导参与者,包括NIRS测量方法的详细信息。
- 运行实验
- 以 5 分钟的休息状态开始实验,该状态作为基线。然后,需要两名参与者共同学习学习材料。
- 实验结束后,单击" 文本文件输出 "以导出原始光强度数据,并将数据另存为文本文件。
注:NIRS测量系统中未应用滤光片。 - 使用三维(3D)数字化仪(见 材料表)确定每个参与者的发射器,接收器和其他参考(即inion,nasion,Cz以及左右耳)的位置。
- 使用市售数值计算平台21 获取记录通道的MNI坐标(参见 材料表)。 补充表S1 显示了每个通道的相应解剖位置。
- 用乙醇清洁探头和探头支架。用温和的洗涤剂清洗盖子,让盖子风干。
3. 数据分析
- 数据预处理
注意:以前的研究已经采用了可变的非商业软件包(例如,Homer222、分析红外23,或 NIRS LAB24) 与数值计算平台(请参见 材料表)上的fNIRS数据分析,它们都可以在网站上找到。这里,Homer2用于对NIRS数据进行预处理。此外,在其余阶段和协作学习阶段收集的 fNIRS 记录数据共享相同的预处理和分析管道。- 从 fNIRS 计算机复制数据集。将原始数据形成转换为正确的形成(即,将cvs文件转换为nirs文件)。
- 使用数值计算平台中提供的"hmrIntensity2OD"功能将原始数据转换为光密度(OD)数据(请参见 材料表)。
- 删除错误通道。然后分别对每个通道上每个参与者和完整采样点的OD值求平均值。
注:此处为46个平均OD值。- 计算每个参与者的标准偏差(SD)。
- 标记为不可用,并从每个参与者的分析中删除OD非常低或非常高(超过5 SD)的通道。
注意:此步骤可以在 fNIRS 数据预处理之前和/或之后执行。在此数据分析管道中,在对fNIRS数据进行预处理之前检测到不良通道。
- 将 OD 时间数据转换为 Oxy-Hb、DeOxy-Hb 和基于修改后的 Beer-Lambert 定律25的组合信号。
注:参考文献25说:"所有数据分析步骤都是在Oxy-Hb数据上进行的,Oxy-Hb数据是区域脑血流量变化的指标,具有更高的信噪比26。此外,以前的研究在教学和学习场景中使用了fNIRS超扫描,主要集中在Oxy-Hb浓度11,12,13,14上。 - 通过基于逐通道小波的方法从运动伪影中校准Oxy-Hb时间序列。
注:具体而言,采用调谐参数为0.1的Daubechies 5(db5)小波(详见Homer2手册)27,28用于消除运动伪影。 - 在校准的Oxy-Hb数据上施加带通滤波器(即0.01-1 Hz),以减少高频噪声和缓慢漂移。
- 对OxyHb信号进行主成分分析(PCA)以去除非神经全局成分(例如,血压,呼吸和血流量变化)29。
注:本文采纳了张及其同事提出的PCA分析29。- 首先,分解信号。
注:fNIRS信号分解的具体公式为:H = UΣ VT。在这里,fNIRS数据的时空模式以两个矩阵(即u和V)表示。U 是一个 2D(采样点 x 主成分)矩阵。V 也是一个 2D(主成分 x 主成分)矩阵。V 中的列表示一个主成分 (PC),该 PC 针对特定通道的强度在列的每个条目中估计。每台 PC 的相对重要性由对角矩阵 Σ 的值表示。 - 第二,进行空间平滑。
注:高斯核卷积用于去除局部信号并获取全局分量。 - 第三,重建信号。
注意:要计算 fNIRS 数据的全局分量,将平滑的空间模式矩阵V* 插入分解公式:H全局= UΣ(V*)T。然后,可以使用原始数据H减去HGlobal:H神经元=H - HGlobal来获得局部衍生的神经元信号。
- 首先,分解信号。
- 脑间同步
注:为了揭示第二人称神经科学中的脑耦合,这里采用了小波变换相干性(WTC)。简而言之,WTC测量两个时间序列之间的相关性作为频率和时间的函数。两次序列 x 和 y 的小波相干性的具体公式为:
T 和 s 分别表示时间和小波尺度,‹·› 表示尺度和时间的平滑运算。W 表示连续小波变换。然后,生成一个2D(时间x频率)WTC矩阵30。多个工具箱用于计算 WTC 值。在这里,Grinsted及其同事创建的工具箱被使用了30。- 采用数值计算平台的WTC功能(见 材料表)。
注意:此处使用母小波的默认设置(即广义莫尔斯小波及其参数β和伽马)。母小波将每个时间序列转换为频域和时域。 - 设置其他参数的默认设置(即 MonteCarloCount,表示显著性计算中代理数据集的数量)。
- 在数值计算平台中计算两个相应通道(两个参与者的相同通道)的WTC值(请参见 材料表)。按照相同的程序,从46个通道生成46个WTC矩阵。
- 确定感兴趣的频带 (FOI),这对协作学习很敏感。
注意:这里,采用基于集群的排列方法来检测此类FOI31,这为多通道和多频率数据中的多重比较提供了解决方案。- 对于每个通道组合,分别在休息和协作学习阶段执行 WTC 值的时间平均值。然后,对这些时间平均的WTC值(协作学习与休息)进行配对的样本 t-检验以及整个频率(频率范围:0.01-1Hz 32)。接下来,确定任务效应显著的频率箱(协作学习>休息,p < 0.05)。
- 获取显著的频率相邻点 (≥2) 作为观测聚类和相应的 T 值。
- 对置换数据执行一系列配对样本 t检验,以生成步骤 3.2.4.2 中鉴定 1000 次的每个聚类的 T 值。
注意:为了形成置换数据,参与者被随机分配以形成新的双成员对。由于每个随机对的数据集的长度在二元组之间变化,因此较长的数据集将被修剪为与较短的数据集相同的长度33。 - 将原始对中基于聚类的基于聚类的平均值 T 值与 1000 个排列的 T 值进行比较。
注:由此公式34计算的 p 值:
,其中 S0 表示观测到的平均值聚类 t 值,μp 和 σp 表示排列值的平均值和标准差。 - 每个二元组中每个通道中已识别的 FOI 中的平均 WTC 值。然后,将 fisher z 变换应用于 WTC 值,以获得 WTC 值的正态分布。使用此值可为 IBS 编制索引,以便进行进一步的统计分析。
- 采用数值计算平台的WTC功能(见 材料表)。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
图1所示为实验方案和探针位置。fNIRS数据记录过程由两部分组成:静息状态会话(5分钟)和协作会话(15-20分钟)。协作学习二元组需要放松并保持静止状态。之后,参与者被告知共同学习学习材料(图1A)。它们的前额叶和左颞顶区域被相应的探针组覆盖(图1B)。
图 2说明了 fNIRS 数据分析管道。fNIRS数据分析应用于从每个参与者和每个通道记录的所有fNIRS数据。首先,通道33中某个二元组的光极密度如图2A所示。通过fNIRS测量系统,光电密度记录在每个协作学习二元器件的46个通道(CHs)中。其次,随着步骤3.1.5和3.1.7中操作的澄清,为WTC分析准备了可行的数据。这里,红色曲线表示通过基于小波的运动伪影去除方法提取的数据;蓝色曲线表示由基于小波的运动伪影去除方法和PCA提取的数据。两条曲线之间的可视化差异表明PCA在去除非神经信号方面是有效的(图2B)。第三,WTC矩阵如图2C所示。色图从蓝色到黄色不等,表示IBS的值从0到1(相关系数作为时间和频率的函数)。此处,1 表示两个 fNIRS 信号之间的最大相干性,0 表示未检测到相干性。图中的红色矩形标记了显著系数。此外,结果显示1 Hz左右有很强的相干性,代表了二元组的心律一致性。最后,通过步骤3.2.4中所述的操作,观察到的T值与随机T值分布(即,1000次)之间的比较显示了显着的结果(t(38)= 3.31,FDR校正p<0.05,Cohen's d = 1.05)在确定的FOI(0.015 Hz-0.021 Hz)(图2D)
图3 显示了用于检测协作学习相关频段的基于集群的排列方法的关键步骤。
综上所述,在数据分析管道之后,通过基于聚类的排列方法识别对协作学习敏感的频段(从0.015 Hz到0.021 Hz)。此外,对于每个通道,使用一系列配对样本t检验比较其余通道和协作学习阶段之间的时间平均 IBS 值。为了求解多重比较问题,46个通道中观察到的所有p值都通过FDR方法35,36进行校正。结果表明,通道33处的IBS在协同学习期间达到显著性(FDR校正p<0.05)。没有其他相应的通道表明显着的影响(p >0.05)。
图1:实验方案和探针位置(A)实验过程。使用fNIRS同时获得来自二元组的大脑活动。静息状态持续5分钟,其中二元组需要放松并保持静止。之后,参与者被告知共同学习学习材料(15-20分钟)。(B) 光电探头组。两个探针组覆盖前额叶和左颞顶区域。请点击此处查看此图的放大版本。
图 2:fNIRS 数据分析概述(A)一个示例性二元器件在通道 33 中的光电密度。光电密度记录在每个协作学习二元组的46个通道(CHs)中。i, j, 两个参与者的光电密度协同学习二元组;t,时间。(B) 数据预处理程序。基于小波的运动伪影去除方法和PCA按顺序应用于Oxy-Hb数据。这里,红色曲线表示通过基于小波的运动伪影去除方法提取的数据;蓝色曲线表示由基于小波的运动伪影去除方法和PCA提取的数据。k个基于小波的方法,通过基于小波提取的数据运动伪影消除过程。k个基于小波的方法+PCA,数据由基于小波的运动伪影去除方法和PCA提取。(C) WTC图在通道33中为一个示例二元组。色图从蓝色到黄色不等,表示 IBS 的值范围从 0 到 1(相关系数作为时间和频率的函数)。此处,1 表示两个 fNIRS 信号之间的最大相干性,0 表示未检测到相干性。图中的红色矩形标记了显著系数。WTC在两个干净的Oxy-Hb时间序列上估计IBS。(D) 基于集群的排列方法。将观察到的 T 值与已识别 FOI (0.015 Hz-0.021 Hz) 中随机 T 值的分布进行比较。请点击此处查看此图的放大版本。
图 3:识别协作学习相关 FOI 的流程图。请单击此处查看此图的放大图。
补充表S1。请点击此处下载此表格。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
首先,在本协议中,阐述了在协作学习场景中进行fNIRS超扫描实验的具体步骤。其次,还介绍了评估协同学习二元组中血流动力学信号IBS的数据分析管道。进行fNIRS超扫描实验的详细操作将促进开放科学的发展。此外,这里提供了分析管道,以提高超扫描研究的再现性。在下文中,重点介绍了实验设计、进行实验、(fNIRS)超扫描实验中的数据分析等关键问题。此外,还讨论了当前限制的可能解决方案。
试验设计
fNIRS超扫描研究的实验设计非常灵活。在这里,fNIRS超扫描技术应用于协作学习场景。两名参与者被要求一起学习数字矩阵的具体规则,他们的大脑活动同时被fNIRS记录下来。这种方法允许研究人员在协作学习二元组中探索实时并发神经动力学(即IBS)。根据之前的研究,IBS已经在教学场景中检测到并跟踪了有效的教学模式11。在协作学习二元组中检测到的神经对齐可以作为支撑成功学习的潜在神经机制,并为设计有效的协作学习模式提供启示。同时,实验设计中的关键问题需要解决:实验时间限制为30分钟。造成这种情况的原因有两个:首先,戴头上有fNIRS光斑的帽子不舒服,参与者不能长时间站立。其次,很难要求参与者在共同学习期间长时间保持静止。有限的实验时间将允许获得高质量的信号。
进行实验
在协作学习场景中进行fNIRS超扫描最具挑战性的部分是获得高质量的大脑信号。基于目前的协议,强调了三个关键步骤:制作适当的上限,放置光极,以及进行相应通道的空间配准。首先,由于参与者的头围各不相同,因此制作适合不同个体的帽子至关重要。其次,当在参与者的头上放置适当的盖子时,请确保光电的尖端可以直接接触头皮皮肤。为了实现这个目标,需要在实验之前练习这个操作。第三,使用3D数字化仪进行空间配准可以识别大脑皮层37,38,39上NIRS通道(CHs)的相应解剖位置。该协议建议所有参与者完成空间配准,以获得平均和可靠的结果。沿着这条线,以前的研究要求参与者进行预测试,以确保可以获得准确的血流动力学信号。具体来说,参与者用右手执行经典的手指拇指敲击任务,在此期间,fNIRS记录了血流动力学。在左运动皮层中检测到显着fNIRS信号(p <0.05)的参与者有资格参加该研究。这种技术确保记录的信号在所有参与者上都可用40.
数据分析
该协议中的数据分析过程由两部分组成:预处理和WTC分析。这里应该强调三个关键的数据分析步骤:首先,对神经数据进行主成分空间滤波算法(PCA)。Zhang和couleage29提出了这种分离全局效应和局部效应的方法。虽然fNIRS允许相对自由的运动和交流,但PCA对于从全身变化(例如呼吸频率,血压,心率,呼吸频率和自主神经系统活动)中提取准确的信号是必要的。这里的协议表明,PCA在消除全局效应方面是有效的。该方法广泛用于fNIRS超扫描研究13。总而言之,可以使用空间滤波成功删除非神经组件。其次,采用WTC来识别协作学习二元组的IBS。WTC是一种将两个时间序列之间的相关系数评估为时间和频率41的函数的方法。此方法可以揭示局部锁相行为,而传统方法(如傅里叶分析30)可能无法检测到这些行为。而该方法被广泛用于评估ibS在fNIRS超扫描中的各种范式,如合作和竞争行为43、模仿44、语言交流44、非语言交流19、教与学活动11、12、13、14和母子社会互动45。
同时,其他技术,如格兰杰因果分析(GCA),相关性分析和相位同步分析,用于超扫描研究。GCA是揭示两个时间序列数据之间的有向(因果)信息的方法46。这种方法曾经被用来测试教师和学习者12之间的信息流动方向。在基于fNIRS的超扫描领域中也采用相关性分析来估计执行合作或竞争任务的二元组中的IBS47,48。与WTC分析相比,该方法仅表征了沿时间流的两个fNIRS时间序列的协变量特征和频率上错过的潜在信息。
此外,在脑电图超扫描研究中还使用了其他量化具有锁相值(PLV)的相位同步性的方法。PLV估计两个信号之间相位差的一致性49。然而,Burgess认为PLV在检测不存在的超连接性方面显示出偏见,特别是当使用50个小样本时。第三,采用非参数统计检验来检测与协作学习相关的频率至关重要。首先,与任务相关的FOI是通过遵循先前研究中的建议或根据特定的实验设计(即实验中一个任务试验的时间长短)来选择的。最近,为了在FOI选择过程中获得稳健和生殖结果,采用了非参数统计测试方法。在这里,这种技术有效地运作。确定了与协作学习相关的FOI(0.015-0.021 Hz),并且在教学场景13 和口头交流范式8中的fNIRS超扫描研究中已经确定了类似的频带。有必要在多脑数据分析管道中应用这种技术。总而言之,为超扫描数据的分析建立合适的算法和方法将是一个突出的领域。
限制和未来方向
将来可以改进一些限制,以便在现实的社会互动环境中从多脑获得生殖和健壮的IBS。首先,纤维的重量太重,长时间佩戴不舒服;因此,实验时间限制为30分钟。将来,如果在课堂上记录多脑活动,很难要求学生在一个上学期间(即50分钟)戴上fNIRS帽。因此,在实际的讲课和学习场景中需要可穿戴的fNIRS设置。其次,尽管fNIRS对头部运动的耐受性高于fMRI,但该技术只能检测表面皮层15的大脑活动 。因此,fNIRS超扫描不能用于与奖励相关的神经机制探索范式,其中杏仁核起着至关重要的作用51。与此同时,fNIRS设置中有限的源和探测器数量表明不会测量整个大脑皮层。这意味着研究人员必须选择要测量的兴趣区域(ROI)。第三,采用PCA来消除系统污染物。虽然这种技术是有效的,但在未来,添加可能污染fNIRS信号的小脑外血流的短通道也是一种有效的方法29,39。第四,该协议中的数据分析程序可以应用于其他自然主义的fNIRS超扫描研究。下一步是使用标准指南开发特定于fNIRS的数据分析包。第五,在该协议中,WTC用于识别并发的大脑活动(即IBS)。随着计算协变神经活动技术的发展,也可以使用其他方法,如图论和GCA。第六,有必要招募控制条件,例如要求二元组谈论特定主题以排除混杂效应的谈话条件。同时,揭示协作学习中的哪些学习活动(即知识共建52)将导致IBS。而这些检测到的IBS是否可以用来跟踪协同学习二元组的学习表现也很重要。最后,还迫切需要提供一个框架来解释IBS的机制。研究人员试图辨别这是否只是汉密尔顿53号社会互动的偶发现象或神经机制。为了实现这一目标,汉密尔顿提出了一种xGLM方法,该方法将大脑活动,行为数据和生理数据建模在一起,以探索大脑耦合的可靠解释53。另一方面,Novembre和Lannetti建议进行多脑刺激(MBS)以揭示并发大脑活动的机制54。
结论
fNIRS超扫描导致社会神经科学中从传统实验设计到现实社会互动场景的范式转变。该方法提取的IBS为解释社会互动的神经生物学机制提供了新的视角。最后,已建立的收集和分析数据的标准化管道将成为生成有效结果和推进最近超扫描实验的里程碑。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
作者没有什么可透露的。
Acknowledgments
这项工作得到了华东师范大学优秀博士生学术创新促进计划(YBNLTS2019-025)和国家自然科学基金(31872783和71942001)的支持。
Materials
Name | Company | Catalog Number | Comments |
EEG caps | Compumedics Neuroscan,Charlotte,USA | 64-channel Quik-Cap | We choose two sizes of cap(i.e.medium and large). |
NIRS measurement system with probe sets and probe holder grids | Hitachi Medical Corporation, Tokyo, Japan | ETG-7100 Optical Topography System | The current study protocol requires an optional second adult probe set for 92 channels of measurement in total. |
Numeric computing platform | The MathWorks, Inc., Natick, MA | MATLAB R2020a | Serves as base for Psychophysics Toolbox extensions (stimulus presentation), Homer2 (fNIRS preprocess analysis), and "wtc" function(WTC computation). |
Psychology software | psychology software tools,Sharpsburg, PA,USA | E-prime 2.0 | We apply E-prime to start the fNIRS measurement system and send triggers which marking the rest phase and collaborative learning phase for fNIRS recording data. |
Swimming caps | Zoke corporation,Shanghai,China | 611503314 | We first placed the standard 10-20 EEG cap on the head mold, and placed the swimming cap on the EEG cap. Second, we marked (inion, Cz, T3, T4, PFC and P5) with chalk. |
Three-dimensional (3-D) digitizer | Polhemus, Colchester, VT, USA; | Three-dimensional (3-D) digitizer | Anatomical locations of optodes in relation to standard head landmarks were determined for each participant using a Patriot 3D Digitizer |
References
- Babiloni, F., Astolfi, L. Social neuroscience and hyperscanning techniques: past, present and future. Neuroscience & Biobehavioral Reviews. 44, 76-93 (2014).
- Schilbach, L., et al. Toward a second-person neuroscience. Behavior Brain Science. 36, 393-414 (2013).
- Montague, P. Hyperscanning: simultaneous fMRI during linked social interactions. NeuroImage. 16, 1159-1164 (2002).
- 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).
- Dikker, S., et al. Brain-to-brain synchrony tracks real-world dynamic group interactions in the classroom. Current Biology. 27 (9), 1375-1380 (2017).
- Abrams, D. A., et al. Inter-subject synchronization of brain responses during natural music listening. European Journal of Neuroscience. 37 (9), 1458-1469 (2013).
- Pan, Y., et al. Instructor-learner brain coupling discriminates between instructional approaches and predicts learning. NeuroImage. 211, 116657 (2020).
- 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).
- Bevilacqua, D., et al. Brain-to-brain synchrony and learning outcomes vary by student-teacher dynamics: Evidence from a real-world classroom electroencephalography study. Journal of Cognitive Neuroscience. 31 (3), 401-411 (2019).
- Dikker, S., et al. Morning brain: real-world neural evidence that high school class times matter. Social Cognitive and Affective Neuroscience. 15 (11), 1193-1202 (2020).
- Pan, Y., Guyon, C., Borragán, G., Hu, Y., Peigneux, P. Interpersonal brain synchronization with instructor compensates for learner's sleep deprivation in interactive learning. Biochemical Pharmacology. , 114111 (2020).
- 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).
- Zheng, L., et al. Enhancement of teaching outcome through neural prediction of the students' knowledge state. Human Brain Mapping. 39 (7), 3046-3057 (2018).
- 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).
- Kleinschmidt, A., et al. Simultaneous recording of cerebral blood oxygenation changes during human brain activation by magnetic resonance imaging and near-infrared spectroscopy. Journal of Cerebral Blood Flow & Metabolism. 16 (5), 817-826 (1996).
- Strangman, G., Culver, J. P., Thompson, J. H., Boas, D. A. A quantitative comparison of simultaneous BOLD fMRI and NIRS recordings during functional brain activation. NeuroImage. 17 (2), 719-731 (2002).
- Huppert, T. J., Hoge, R. D., Diamond, S. G., Franceschini, M. A., Boas, D. A. A temporal comparison of BOLD, ASL, and NIRS hemodynamic responses to motor stimuli in adult humans. NeuroImage. 29 (2), 368-382 (2006).
- Holper, L., Scholkmann, F., Wolf, M. Between-brain connectivity during imitation measured by fNIRS. NeuroImage. 63, 212-222 (2012).
- Hirsch, J., Zhang, X., Noah, J. A., Ono, Y. Frontal temporal and parietal systems synchronize within and across brains during live eye-to-eye contact. NeuroImage. 157, 314-330 (2017).
- Wilcox, T., Biondi, M. fNIRS in the developmental sciences. Wiley Interdisciplinary Reviews: Cognitive Science. 6 (3), 263-283 (2015).
- Ye, J. C., Tak, S., Jang, K. E., Jung, J., Jang, J. NIRS-SPM: statistical parametric mapping for nearinfrared spectroscopy. NeuroImage. 44 (2), 428-447 (2009).
- 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), 280-298 (2009).
- Santosa, H., Zhai, X., Fishburn, F., Huppert, T. The NIRS Brain AnalyzIR toolbox. Algorithms. 11 (5), 73 (2018).
- Xu, Y., Graber, H. L., Barbour, R. L. nirsLAB: a computing environment for fNIRS neuroimaging data analysis. Biomedical Optics. , BM3A-1 (2014).
- Cope, M., Delpy, D. T. System for long-term measurement of cerebral blood and tissue oxygenation on newborn infants by near infra-red transillumination. Medical and Biological Engineering and Computing. 26 (3), 289-294 (1988).
- Hoshi, Y. Functional near-infrared spectroscopy: current status and future prospects. Journal of Biomedical Optics. 12 (6), 062106 (2007).
- Molavi, B., Dumont, G. A. Wavelet-based motion artifact removal for functional near-infrared spectroscopy. Physiological Measurement. 33 (2), 259 (2012).
- Cooper, R., et al. A systematic comparison of motion artifact correction techniques for functional near-infrared spectroscopy. Frontiers in Neuroscience. 6, 147 (2012).
- Zhang, X., Noah, J. A., Hirsch, J. Separation of the global and local components in functional near-infrared spectroscopy signals using principal component spatial filtering. Neurophotonics. 3 (1), 015004 (2016).
- 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).
- Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG-and MEG-data. Journal of Neuroscience Methods. 164 (1), 177-190 (2007).
- 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).
- Reindl, V., Gerloff, C., Scharke, W., Konrad, K. Brain-to-brain synchrony in parent-child dyads and the relationship with emotion regulation revealed by fNIRS-based hyperscanning. NeuroImage. 178, 493-502 (2018).
- Theiler, J., Eubank, S., Longtin, A., Galdrikian, B., Farmer, J. D. Testing for nonlinearity in time series: the method of surrogate data. Physica D: Nonlinear Phenomena. 58 (1-4), 77-94 (1992).
- Genovese, C. R., Lazar, N. A., Nichols, T. Thresholding of statistical maps in functional neuroimaging using the false discovery rate. NeuroImage. 15 (4), 870-878 (2002).
- Nichols, T., Hayasaka, S. Controlling the familywise error rate in functional neuroimaging: a comparative review. Statistical Methods in Medical Research. 12 (5), 419-446 (2003).
- Tsuzuki, D., et al. Virtual spatial registration of stand-alone fNIRS data to MNI space. NeuroImage. 34 (4), 1506-1518 (2007).
- Singh, A. K., Okamoto, M., Dan, H., Jurcak, V., Dan, I. Spatial registration of multi-channel multi-subject fNIRS data to MNI space without MRI. NeuroImage. 27 (4), 842-851 (2005).
- Noah, J. A., et al. Comparison of short-channel separation and spatial domain filtering for removal of non-neural components in functional near-infrared spectroscopy signals. Neurophotonics. 8 (1), 015004 (2021).
- Noah, J. A., et al. Real-time eye-to-eye contact is associated with cross-brain neural coupling in angular gyrus. Frontiers in Human Neuroscience. 14 (19), (2020).
- Torrence, C., Compo, G. P. A practical guide to wavelet analysis. Bulletin of the American Meteorological Society. 79 (1), 61-78 (1998).
- 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).
- 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).
- Holper, L., Scholkmann, F., Wolf, M. Between-brain connectivity during imitation measured by fNIRS. Neuroimage. 63, 212-222 (2012).
- Nguyen, T., et al. The effects of interaction quality on neural synchrony during mother-child problem solving. Cortex. 124, 235-249 (2020).
- Seth, A. K., Barrett, A. B., Barnett, L. Granger causality analysis in neuroscience and neuroimaging. Journal of Neuroscience. 35 (8), 3293-3297 (2015).
- Funane, T., et al. Synchronous activity of two people's prefrontal cortices during a cooperative task measured by simultaneous near-infrared spectroscopy. Journal of Biomedical Optics. 16 (7), 077011 (2011).
- Liu, T., Saito, H., Oi, M. Role of the right inferior frontal gyrus in turn-based cooperation and competition: a near-infrared spectroscopy study. Brain and Cognition. 99, 17-23 (2015).
- Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J. Measuring phase synchrony in brain signals. Human Brain Mapping. 8 (4), 194-208 (1999).
- Burgess, A. P. On the interpretation of synchronization in EEG hyperscanning studies: a cautionary note. Frontiers in Human Neuroscience. 7, 881 (2013).
- Burgos-Robles, A., et al. Amygdala inputs to prefrontal cortex guide behavior amid conflicting cues of reward and punishment. Nature Neuroscience. 20 (6), 824-835 (2017).
- Mende, S., Proske, A., Narciss, S. Individual preparation for collaborative learning: Systematic review and synthesis. Educational Psychologist. , 1-25 (2020).
- Hamilton, A. F. D. C. Hyperscanning: Beyond the hype. Neuron. 109 (3), 404-407 (2021).
- Novembre, G., Iannetti, G. D. Hyperscanning alone cannot prove causality. Multibrain stimulation can. Trends in Cognitive Sciences. 25 (2), 96-99 (2021).