Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

La synchronisation inter-cerveaux dans l’apprentissage collaboratif ouvert : une étude fNIRS-Hyperscanning

Published: July 21, 2021 doi: 10.3791/62777
Automatic Translation
1,2, 1,2, 1,2
1School of Psychology and Cognitive Science, East China Normal University, 2Shanghai Key Laboratory of Mental Health and Crisis Intervention, East China Normal University

Summary

Le protocole pour mener des expériences d’hyperscan fNIRS sur des dyades d’apprentissage collaboratif dans un environnement d’apprentissage naturaliste est décrit. En outre, un pipeline pour analyser la synchronisation inter-cerveau (IBS) des signaux d’hémoglobine oxygénée (Oxy-Hb) est présenté.

Abstract

L’hyperscan fNIRS est largement utilisé pour détecter les fondements neurobiologiques de l’interaction sociale. Avec cette technique, les chercheurs qualifient l’activité cérébrale simultanée de deux individus interactifs ou plus avec un nouvel indice appelé synchronisation inter-cerveau (IBS) (c’est-à-dire l’alignement de phase et / ou d’amplitude des signaux neuronaux ou hémodynamiques à travers le temps). Un protocole pour mener des expériences d’hyperscan fNIRS sur des dyades d’apprentissage collaboratif dans un environnement d’apprentissage naturaliste est présenté ici. En outre, un pipeline d’analyse IBS du signal d’hémoglobine oxygénée (Oxy-Hb) est expliqué. Plus précisément, la conception expérimentale, le processus d’enregistrement des données NIRS, les méthodes d’analyse des données et les orientations futures sont tous discutés. Dans l’ensemble, la mise en œuvre d’un pipeline d’hyperscan fNIRS standardisé est un élément fondamental des neurosciences à la deuxième personne. Cela est également conforme à l’appel à la science ouverte pour aider à la reproductibilité de la recherche.

Introduction

Récemment, pour révéler l’activité cérébrale simultanée à travers les dyades interactives ou les membres d’un groupe, les chercheurs ont utilisé l’approche hyperscan1,2. Plus précisément, l’électroencéphalogramme (EEG), l’imagerie par résonance magnétique fonctionnelle (IRMf) et la spectroscopie fonctionnelle dans le proche infrarouge (fNIRS) sont utilisés pour enregistrer les activités neuronales et cérébrales de deux sujets ou plus simultanément3,4,5. Les chercheurs extraient un indice neuronal impliquant un couplage cérébral simultané basé sur cette technique, qui fait référence à la synchronisation inter-cerveau (IBS) (c’est-à-dire l’alignement de phase et / ou d’amplitude des signaux neuronaux ou hémodynamiques à travers le temps). Une grande variété de recherches sur l’hyperscan ont révélé que le SCI était au cours de l’interaction sociale entre plusieurs personnes (par exemple, joueur-public, instructeur-apprenant et leader-suiveur)6,7,8. En outre, IBS a des implications spécifiques de l’apprentissage et de l’enseignementefficaces9,10 ,11,12,13,14. Avec l’essor de la recherche sur l’hyperscan dans les scénarios d’apprentissage naturalistes, il est nécessaire d’établir un protocole standard d’expériences d’hyperscan et le pipeline d’analyse de données dans ce domaine.

Ainsi, cet article fournit un protocole pour effectuer l’hyperscan basé sur fNIRS des dyades d’apprentissage collaboratif et un pipeline pour l’analyse du SCI. fNIRS est un outil d’imagerie optique, qui émet de la lumière proche infrarouge pour évaluer indirectement l’absorption spectrale de l’hémoglobine, puis l’activité hémodynamique / oxygénation est mesurée15,16,17. Comparé à l’IRMf, le fNIRS est moins sujet aux artefacts de mouvement, ce qui permet des mesures de sujets qui font des expériences réelles (par exemple, imitation, conversation et communication non verbale)18,7,19. En comparaison avec l’EEG, fNIRS détient une résolution spatiale plus élevée, permettant aux chercheurs de détecter l’emplacement de l’activité cérébrale20. Ainsi, ces avantages en termes de résolution spatiale, de logistique et de faisabilité qualifient fNIRS pour effectuer des mesures d’hyperscanning1. En utilisant cette technologie, un organisme de recherche émergent détecte un terme d’index comme IBS - l’alignement neuronal de l’activité cérébrale de deux (ou plus) personnes - dans différentes formes de contextes sociaux naturalistes9,10,11,12,13,14. Dans ces études, diverses méthodes (c.-à-d. l’analyse de corrélation et l’analyse de la cohérence de la transformation des ondelettes (WTC)) sont appliquées pour calculer cet indice; en attendant, un pipeline standard sur une telle analyse est essentiel mais fait défaut. En conséquence, un protocole pour effectuer l’hyperscan basé sur fNIRS et un pipeline utilisant l’analyse WTC pour identifier IBS est présenté dans ce travail

Cette étude vise à évaluer le SCI dans les dyades d’apprentissage collaboratif en utilisant la technique d’hyperscan fNIRS. Tout d’abord, une réponse hémodynamique est enregistrée simultanément dans les régions préfrontale et temporopariétale gauche de chaque dyade au cours d’une tâche d’apprentissage collaboratif. Ces régions ont été identifiées comme associées à l’enseignement et à l’apprentissageinteractifs9,10 , 11,12,13,14. Deuxièmement, l’IBS est calculé sur chaque canal correspondant. Le processus d’enregistrement des données fNIRS se compose de deux parties : la session à l’état de repos et la session collaborative. La séance de repos dure 5 min, pendant laquelle les deux participants (assis face à face, séparés l’un de l’autre par une table (0,8 m)) sont tenus de rester immobiles et de se détendre. Cette session d’état de repos sert de référence. Ensuite, dans la session collaborative, les participants sont invités à étudier ensemble l’ensemble du matériel d’apprentissage, en suscitant la compréhension, en résumant les règles et en s’assurant que tout le matériel d’apprentissage est maîtrisé. Ici, les étapes spécifiques de la réalisation de l’expérience et de l’analyse des données fNIRS sont présentées.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Tous les participants recrutés (40 dyades, âge moyen 22,1 ± 1,2 ans; 100% droitier; vision normale ou corrigée à la normale) étaient en bonne santé. Avant l’expérience, les participants ont donné leur consentement éclairé. Les participants ont été rémunérés financièrement pour leur participation. L’étude a été approuvée par le Comité universitaire de protection de la recherche humaine (HR-0053-2021), East China Normal University.

1. Étapes de préparation avant l’adoption des données

  1. Bouchons NIRS faits maison
    1. Adoptez un bonnet de bain élastique pour placer la grille du support optode.
      REMARQUE: Étant donné que les tailles de tête des participants sont différentes, deux tailles de casquettes sont utilisées. Les petites casquettes sont préparées pour les participants avec une circonférence de la tête de 55,4 ± 1,1 cm, et les grandes casquettes sont pour les participants avec une circonférence de la tête de 57,9 ± 1,2 cm.
    2. Ancrer l’emplacement des électrodes EEG (inion, Cz, T3, T4, Fpz et P5) comme optodes de référence selon le système international standard 10-10 sur les bonnets de bain élastiques (voir Tableau des matériaux).
      1. Tout d’abord, placez le capuchon EEG standard 10-10 (voir Tableau des matériaux)sur le moule de tête et placez le bonnet de bain élastique sur le capuchon EEG. Deuxièmement, marquez les optodes de référence (inion, Cz, T3, T4, Fpz et P5) avec de la craie sur chaque capuchon. Enfin, coupez deux trous d’environ 15 mm de diamètre pour placer les deux optodes de référence (c.-à-d. Fpz et P5, Figure 1).
        REMARQUE: Plus précisément, un ensemble de sondes optodes 3 x 5 et un ensemble de sondes optodes 4 x 4 sont placés séparément sur la zone préfrontale (l’optode de référence est placé à Fpz, Figure 1B) et les régions temporopariétales gauches (l’optode de référence est placé à P5, Figure 1B).
    3. Coupez des trous pour placer les autres optodes. Disposez un bonnet de bain avec deux porte-grilles directement sur le moule de tête. Ensuite, marquez l’emplacement des autres optodes avec de la craie. Après cela, coupez les trous de repos pour vous assurer que le support de grille s’intègre.
    4. Montez deux jeux de sondes (c.-à-d. 3 x 5 et 4 x 4) sur les bonnets de bain (voir tableau des matériaux).
      REMARQUE: Le système de mesure NIRS (voir Tableau des matériaux)fournit ces ensembles de sondes standard (c.-à-d. 3 x 5 et 4 x 4) avec des prises de support standard assurant la séparation des optodes de 30 mm.
    5. Ouvrez la fenêtre du moniteur du jeu de sondes sur le système de mesure NIRS et sélectionnez quatre ensembles de sondes disposés en 3 x 5 et 4 x 4 pour chaque personne, séparément.
      REMARQUE: Les dispositions de sonde des deux capuchons doivent correspondre aux structures de la fenêtre de l’ensemble de sondes (c.-à-d. l’emplacement exact des numéros de sonde du récepteur et de l’émetteur respectif).
  2. Préparation de l’expérience
    1. Avant d’enregistrer des données, assurez-vous que le système NIRS maintient une température de fonctionnement stable en démarrant le système pendant au moins 30 minutes.
      REMARQUE: La température de fonctionnement stable variait de 5 ° C à 35 ° C.
    2. Définissez le mode de mesure sur mesure liée à l’événement. Assurez-vous que le récepteur des déclencheurs est actif (c.-à-d. l’entrée série RS232).
      REMARQUE: L’expérience est programmée dans un logiciel de psychologie disponible dans le commerce (voir Tableau des matériaux). L’absorption de la lumière proche infrarouge (deux longueurs d’onde : 695 et 830 nm) est mesurée avec un taux d’échantillonnage de 10 Hz.
    3. Préparez la sonde à fibre optique éclairée, qui peut être utilisée pour écarter les cheveux.
    4. Réglez l’environnement d’expérience avec une table avec deux chaises pour garder les sièges des participants face à face.

2. Adopter les données en donnant des instructions aux participants

  1. Préparer les participants
    1. Instruire les participants, y compris les détails des méthodes de mesure du NIRS.
      REMARQUE : Tous les participants étaient en bonne santé et ont été rémunérés financièrement pour leur participation. Aucun participant ne s’est retiré de l’expérience à mi-parcours. Le faisceau laser du NIRS peut être nocif pour les yeux des participants, et on leur a demandé de ne pas regarder directement dans ces faisceaux laser.
    2. Faites asseoir les participants face à face (à l’exception d’une table (0,8 m)) pour s’assurer qu’ils peuvent se voir directement. Ajustez la distance chaise-table (c.-à-d. près de 0,3 m) pour que les participants s’assoient confortablement.
    3. Allumez le bouton laser et placez les capuchons avec les ensembles de sondes sur la tête des participants.
      REMARQUE: Les ensembles de sondes 3 x 5 couvrent le front des participants (la sonde du milieu de la rangée inférieure est placée sur Fpz); les ensembles de sondes 4 x 4 couvrent le cortex temporopariétal gauche (la troisième sonde de la troisième rangée est placée sur P5).
    4. Placez les quatre faisceaux de fibres optiques lâchement sur les bras du support sans contact avec les participants ou les chaises.
      REMARQUE: Ici, le système de mesure NIRS a quatre faisceaux de fibres optiques. De plus, assurez-vous que les participants ne se sentent pas trop lourds pour retirer les casquettes.
    5. Laissez les pointes de la sonde toucher le cuir chevelu des participants en poussant soigneusement chaque sonde de charge à ressort plus loin dans sa prise.
    6. Effectuez l’étalonnage du signal.
      1. Tout d’abord, vérifiez la qualité du signal en cliquant sur le gain automatique dans la fenêtre du moniteur du jeu de sondes de la machine fNIRS. Ensuite, le signal médiocre d’un canal et le signal suffisant sont marqués en jaune et en vert dans la fenêtre du moniteur du jeu de sondes, respectivement.
        REMARQUE: Pour un canal avec des signaux insuffisants, des sondes à fibre optique éclairées sont utilisées pour déplacer les cheveux sous la pointe de la sonde d’un côté.
      2. Ensuite, poussez les sondes plus loin dans leurs prises pour obtenir suffisamment de signaux. Répétez ce processus jusqu’à ce que tous les canaux soient marqués en vert dans la fenêtre du moniteur de l’ensemble de sondes du système de mesure NIRS, indiquant que la qualité des signaux est accessible.
  2. Exécuter l’expérience
    1. Commencez l’expérience avec un état de repos de 5 minutes, qui sert de base. Ensuite, deux participants sont tenus de co-apprendre le matériel d’apprentissage.
    2. Après l’expérience, cliquez sur Sortie du fichier texte pour exporter les données brutes d’intensité lumineuse et enregistrer les données sous forme de fichier texte.
      REMARQUE: Aucun filtre n’est appliqué dans le système de mesure NIRS.
    3. Utilisez le numériseur tridimensionnel (3D) (voir Tableau des matériaux)pour déterminer l’emplacement des émetteurs, des récepteurs et d’autres références (c.-à-d. inion, nasion, Cz et oreilles gauche et droite) pour chaque participant.
      1. Obtenir les coordonnées MNI des canaux d’enregistrement à l’aide de la plate-forme informatique numérique21 disponible dans le commerce (voir tableau des matériaux). Le tableau supplémentaire S1 montre les emplacements anatomiques correspondants de chaque canal.
    4. Nettoyez les sondes et les porte-sondes avec de l’éthanol. Lavez les bouchons avec un détergent doux et laissez les bouchons sécher à l’air.

3. Analyse des données

  1. Prétraitement des données
    REMARQUE : Des recherches antérieures ont adopté des progiciels variables non commerciaux (p. ex., Homer222, AnalyseIR23, ou nirs LAB24) avec des plates-formes informatiques numériques (voir Tableau des matériaux) sur l’analyse des données fNIRS, et elles sont toutes disponibles sur le site Web. Ici, Homer2 a été utilisé pour effectuer le prétraitement des données NIRS. De plus, les données d’enregistrement fNIRS collectées dans le reste et les phases d’apprentissage collaboratif partagent le même pipeline de prétraitement et d’analyse.
    1. Copiez le jeu de données à partir de la machine fNIRS. Convertissez la formation de données d’origine en formation appropriée (c’est-à-dire convertissez le fichier cvs en fichier nirs).
    2. Convertissez les données brutes en données de densité optique (OD) avec la fonction « hmrIntensity2OD » fournie dans la plate-forme de calcul numérique (voir Tableau des matériaux).
    3. Supprimez les canaux défectueux. Ensuite, faites la moyenne de la valeur OD pour chaque participant sur chaque canal et des points d’échantillonnage complets, respectivement.
      REMARQUE: Ici, 46 valeurs DE OD moyennes sont obtenues.
      1. Calculer l’écart-type (ET) pour chaque participant.
      2. Marquer comme inutilisable et supprimer les canaux avec un OD très faible ou élevé (qui dépassait 5 SD) de l’analyse pour chaque participant.
        REMARQUE : Cette étape peut être effectuée avant et/ou après le prétraitement des données fNIRS. Dans ce pipeline d’analyses de données, les canaux défectueux sont détectés avant le prétraitement des données fNIRS.
    4. Convertissez les données de temps OD en Oxy-Hb, DeOxy-Hb et signal combiné basé sur la loi modifiée de Beer-Lambert25.
      REMARQUE: La référence25 dit: « Toutes les étapes d’analyse des données sont effectuées sur les données Oxy-Hb, qui est un indicateur de la modification du flux sanguin cérébral régional ayant un rapport signal/bruit plus élevé26. En outre, des recherches antérieures ont utilisé l’hyperscan fNIRS dans des scénarios d’enseignement et d’apprentissage principalement axés sur la concentration d’Oxy-Hb11,12,13,14.
    5. Calibrez les séries chronologiques Oxy-Hb à partir d’artefacts de mouvement par la méthode basée sur les ondelettes canal par canal.
      REMARQUE: Plus précisément, l’ondelette Daubechies 5 (db5) avec paramètre de réglage à 0,1 (voir les détails dans le manuel Homer2)27,28 est adoptée pour supprimer les artefacts de mouvement.
    6. Appliquez le filtre passe-bande (c.-à-d. 0,01-1 Hz) sur les données Oxy-Hb étalonnées pour réduire le bruit à haute fréquence et la dérive lente.
    7. Effectuer une analyse des composantes principales (APC) sur le signal OxyHb pour éliminer les composants globaux non neuronaux (p. ex., la pression artérielle, la respiration et la variation du débit sanguin)29.
      NOTE: L’analyse PCA proposée par Zhang et ses collègues29 est adoptée ici.
      1. Tout d’abord, décomposez le signal.
        REMARQUE: La formule spécifique de décomposition du signal fNIRS est: H = UΣVT. Ici, les modèles temporels et spatiaux des données fNIRS sont présentés dans deux matrices (c’est-à-dire vous et V). U est une matrice 2D (point d’échantillonnage x composant principal). V est également une matrice 2D (composant principal x composant principal). La colonne en V indique un composant principal (PC), et la force de ce PC pour un canal particulier est estimée dans chaque entrée de la colonne. L’importance relative de chaque PC est représentée par la valeur de la matrice diagonale Σ.
      2. Deuxièmement, effectuez un lissage spatial.
        REMARQUE: La convolution du noyau gaussien est utilisée pour supprimer les signaux localisés et obtenir le composant global.
      3. Troisièmement, reconstruisez le signal.
        REMARQUE: Pour calculer la composante globale des données fNIRS, la matrice de motif spatial lissée V* est rebranchée dans la formule de décomposition: HGlobal = UΣ(V*)T. Ensuite, un signal neuronal dérivé localisé peut être obtenu en utilisant les données originales H pour soustraire HGlobal : HNeuronal = H - HGlobal.
  2. Synchronisation inter-cerveau
    REMARQUE: Pour révéler le couplage cérébral en neurosciences à la deuxième personne, la cohérence de la transformation des ondelettes (WTC) est adoptée ici. En bref, WTC mesure la corrélation entre deux séries chronologiques en fonction de la fréquence et du temps. La formule spécifique de la cohérence des ondelettes des séries à deux temps x et y est :
    Equation 1
    T et s désignent l’échelle de temps et d’ondelette séparément, ‹·› indique une opération de lissage en échelle et en temps. W représente la transformation en ondelettes continues. Ensuite, une matrice WTC 2D (temps x fréquence) est générée30. Plusieurs boîtes à outils sont utilisées pour calculer la valeur WTC. Ici, la boîte à outils créée par Grinsted et ses collègues a été utilisée30.
    1. Adopter la fonction WTC de la plate-forme de calcul numérique (voir Tableau des matériaux).
      REMARQUE: Ici, le réglage par défaut de l’ondelette mère (c’est-à-dire l’ondelette Morse généralisée avec ses paramètres bêta et gamma) est utilisé. L’ondelette mère convertit chaque série temporelle en fréquence et en domaine temporel.
    2. Définissez le paramètre par défaut sur les autres paramètres (c.-à-d. MonteCarloCount, représentant le nombre d’ensembles de données de substitution dans le calcul de la signification).
    3. Calculer la valeur WTC pour deux canaux correspondants (le même canal chez deux participants) dans une plate-forme de calcul numérique (voir Tableau des matériaux). En suivant la même procédure, 46 matrices WTC sont générées à partir de 46 canaux.
    4. Déterminer la bande de fréquences d’intérêt (FOI), qui est sensible à l’apprentissage collaboratif.
      REMARQUE: Ici, une approche de permutation basée sur un cluster est adoptée pour détecter une telle FOI31, qui offre une solution aux comparaisons multiples dans les données multicanaux et multifréquences.
      1. Effectuer la moyenne temporelle des valeurs WTC dans les phases de repos et d’apprentissage collaboratif, respectivement, pour chaque combinaison de canaux. Ensuite, effectuez des tests d’échantillons tappariés avec l’ensemble de la fréquence (gamme de fréquences: 0,01-1Hz32) sur ces valeurs WTC moyennes dans le temps (apprentissage collaboratif vs repos). Ensuite, identifiez les bacs de fréquence auxquels l’effet de la tâche est significatif (apprentissage collaboratif > reste, p < 0,05).
      2. Obtenir des points voisins de fréquence significatifs (≥2) en tant qu’amas observés et valeurs T correspondantes.
      3. Effectuez une série d’échantillons appariés t-testssur des données permutées pour générer les valeurs T pour chaque cluster qualifié à l’étape 3.2.4.2 pendant 1000 fois.
        REMARQUE : Pour la formation de données permutées, les participants sont assignés au hasard pour former de nouvelles paires à deux membres. Comme la longueur des jeux de données variait d’une dyade à l’autre pour chaque paire aléatoire, le jeu de données le plus long est réduit à la même longueur que le plus court33.
      4. Comparez les valeurs T moyennes basées sur des clusters des paires d’origine avec les valeurs T de 1000 permutations.
        NOTE : Les valeurs p évaluées par cette formule34:
        Equation 2, où S0 indique la valeur t moyenne observée, μp et σp indiquent la moyenne et l’écart-type des valeurs de permutation.
      5. Valeurs moyennes du WTC dans l’ACCÈS à l’information identifiée dans chaque canal de chaque dyade. Ensuite, appliquez la transformation de fisher z aux valeurs WTC pour obtenir une distribution normale des valeurs WTC. Utilisez cette valeur pour indexer le SCI en vue d’une analyse statistique plus approfondie.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

La figure 1 illustre le protocole expérimental et l’emplacement de la sonde. Le processus d’enregistrement des données fNIRS se compose de deux parties: session à l’état de repos (5 min) et session collaborative (15-20 min). Les dyades d’apprentissage collaboratif sont nécessaires pour se détendre et rester immobiles dans la session de repos. Après cela, les participants sont invités à co-apprendre le matériel d’apprentissage (Figure 1A). Leurs régions temporo-pariétales préfrontales et gauches sont couvertes par l’ensemble de sondes correspondant(Figure 1B).

La figure 2 illustre le pipeline d’analyse de données fNIRS. L’analyse des données fNIRS est appliquée à toutes les données fNIRS enregistrées par chaque participant et chaque canal. Tout d’abord, la densité de l’optode dans le canal 33 pour une certaine dyade est visualisée à la figure 2A. La densité de l’optode est enregistrée dans 46 canaux (CH) de chaque dyade d’apprentissage collaboratif par le système de mesure fNIRS. Deuxièmement, une fois l’opération clarifiée aux étapes 3.1.5 et 3.1.7, des données viables sont préparées pour l’analyse du WTC. Ici, la courbe rouge représente les données extraites par la méthode de suppression des artefacts de mouvement à base d’ondelettes; la courbe bleue représente les données extraites à la fois par la méthode de suppression des artefacts de mouvement basée sur des ondelettes et par l’APC. La différence visualisée entre deux courbes suggère que l’APC est efficace pour éliminer les signaux non neuronaux(Figure 2B). Troisièmement, la matrice WTC est visualisée à la figure 2C. La carte des couleurs varie du bleu au jaune, représentant la valeur du SCI déchaîné de 0 à 1 (coefficients de corrélation en fonction du temps et de la fréquence). Ici, 1 indique la plus grande cohérence entre deux signaux fNIRS, et 0 indique qu’aucune cohérence n’est détectée. Un rectangle rouge dans le tracé marque des coefficients significatifs. De plus, les résultats montrent une forte cohérence autour de 1 Hz, représentant la cohérence du rythme cardiaque de la dyade. Enfin, avec l’opération décrite aux étapes 3.2.4, la comparaison entre la valeur T observée et la distribution de la valeur T aléatoire (c’est-à-dire 1000 fois) montre des résultats significatifs (t (38) = 3,31, FDR corrigé p < 0,05, d de Cohen = 1,05) dans l’accès à l’information identifié (0,015 Hz-0,021 Hz) (Figure 2D)

La figure 3 présente les étapes critiques de l’approche de permutation basée sur les clusters utilisée pour détecter la bande de fréquences pertinente de l’apprentissage collaboratif.

Prise ensemble, à la suite du pipeline d’analyse des données, la bande de fréquences (déchaînée de 0,015 Hz à 0,021 Hz), sensible à l’apprentissage collaboratif, est identifiée par une approche de permutation basée sur les clusters. De plus, pour chaque canal, la valeur du SCI moyennée dans le temps est comparée entre le reste et les phases d’apprentissage collaboratif à l’aide d’une série de tests td’échantillon appariés. Pour résoudre le problème de comparaison multiple, toutes les valeurs p observées dans 46 canaux sont corrigées par les méthodes FDR35,36. Les résultats montrent que le SCI au canal 33 atteint une signification lors de l’apprentissage collaboratif (FDR corrigé p < 0,05). Aucun autre canal correspondant n’a indiqué d’effets significatifs (p > 0,05).

Figure 1
Figure 1: Protocole expérimental et emplacement de la sonde. (A) Procédure expérimentale. L’activité cérébrale des dyades est acquise simultanément à l’aide de fNIRS. La séance à l’état de repos dure 5 minutes, au cours de laquelle les dyades doivent se détendre et rester immobiles. Après cela, les participants sont invités à co-apprendre le matériel d’apprentissage (15-20 min). (B) Ensemble de sondes Optodes. Deux ensembles de sondes couvrent les régions préfrontale et temporopariétale gauche. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 2
Figure 2: Vue d’ensemble de l’analyse des données fNIRS. (A) Densité d’optode dans le canal 33 pour une dyade exemplaire. La densité d’optode est enregistrée dans 46 canaux (CH) de chaque dyade d’apprentissage collaboratif. i, j, Densité d’Optode de deux participants d’une dyade d’apprentissage collaboratif; t, le temps. ( B )Procédurede prétraitement des données. La méthode d’élimination des artefacts de mouvement à base d’ondelettes et l’APC sont appliquées sur les données Oxy-Hb en séquence. Ici, la courbe rouge représente les données extraites par la méthode de suppression des artefacts de mouvement à base d’ondelettes; la courbe bleue représente les données extraites à la fois par la méthode de suppression des artefacts de mouvement basée sur des ondelettes et par l’APC. kméthode basée sur les ondelettes, données extraites par le processus d’élimination des artefacts de mouvement basés sur les ondelettes. kméthode basée sur les ondelettes + PCA, données extraites par la méthode de suppression des artefacts de mouvement basée sur les ondelettes et PCA. (C) Tracé WTC dans le canal 33 pour une dyade exemplaire. La carte des couleurs varie du bleu au jaune, représentant la valeur du SCI comprise entre 0 et 1 (coefficients de corrélation en fonction du temps et de la fréquence). Ici, 1 indique la plus grande cohérence entre deux signaux fNIRS, et 0 indique qu’aucune cohérence n’est détectée. Un rectangle rouge dans le tracé marque des coefficients significatifs. Le WTC estime le SCI sur deux séries chronologiques Oxy-Hb propres. (D) Approche de permutation par cluster. Comparer la valeur T observée avec la distribution des valeurs T aléatoires dans l’accès à l’information identifié (0,015 Hz-0,021 Hz). Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 3
Figure 3: Organigramme de l’identification de l’accès à l’information lié à l’apprentissage collaboratif. Veuillez cliquer ici pour voir une version plus grande de cette figure.

Tableau supplémentaire S1. Veuillez cliquer ici pour télécharger ce tableau.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Tout d’abord, dans le présent protocole, les étapes spécifiques de la réalisation d’expériences d’hyperscan fNIRS dans un scénario d’apprentissage collaboratif sont énoncées. Deuxièmement, le pipeline d’analyse de données qui évalue le SCI des signaux hémodynamiques dans les dyades d’apprentissage collaboratif est également présenté. L’opération détaillée sur la réalisation d’expériences d’hyperscan fNIRS favoriserait le développement de la science ouverte. En outre, le pipeline d’analyse est fourni ici pour augmenter la reproductibilité de la recherche sur l’hyperscan. Dans ce qui suit, les questions critiques de la conception d’une expérience, de la réalisation d’une expérience, de l’analyse de données dans des expériences d’hyperscanning (fNIRS) sont toutes mises en évidence. En outre, les solutions possibles aux limitations actuelles sont également discutées.

Conception expérimentale
La conception expérimentale de l’étude d’hyperscan fNIRS est flexible. Ici, la technique d’hyperscan fNIRS est appliquée dans le scénario d’apprentissage collaboratif. Deux participants ont été invités à apprendre ensemble des règles spécifiques de la matrice de figures, et leurs activités cérébrales ont été enregistrées simultanément par fNIRS. Cette approche permet aux chercheurs d’explorer la dynamique neuronale simultanée en temps réel (c.-à-d. IBS) dans les dyades d’apprentissage collaboratif. Selon des recherches antérieures, IBS a été détecté dans des scénarios d’enseignement et d’apprentissage et suit le mode d’enseignement efficace11. L’alignement neuronal détecté dans les dyades d’apprentissage collaboratif peut servir de mécanisme neuronal potentiel soutenant un apprentissage réussi et fournit des implications pour la conception de modèles d’apprentissage collaboratif efficaces. Pendant ce temps, des questions critiques sur la conception expérimentale doivent être abordées: le temps d’expérience est limité à 30 minutes dans cette expérience. Deux raisons expliquent ce réglage: Premièrement, le port de casquettes avec des optodes fNIRS sur la tête n’est pas confortable, les participants ne peuvent pas rester debout longtemps. Deuxièmement, il est difficile de demander aux participants de rester immobiles pendant le co-apprentissage pendant une longue période. Le temps d’expérience limité permettrait d’obtenir des signaux de bonne qualité.

Réalisation de l’expérience
La partie la plus difficile de l’hyperscan fNIRS dans un scénario d’apprentissage collaboratif est d’obtenir des signaux cérébraux de haute qualité. Sur la base du présent protocole, trois étapes critiques sont mises en évidence: la fabrication de bouchons appropriés, la mise en place d’optodes et l’enregistrement spatial des canaux correspondants. Tout d’abord, étant donné que la circonférence de la tête varie d’un participant à l’autre, il est essentiel de fabriquer des casquettes adaptées à différentes personnes. Deuxièmement, lorsque vous placez un capuchon approprié sur la tête des participants, assurez-vous que les pointes des optodes peuvent entrer directement en contact avec la peau du cuir chevelu. Pour atteindre cet objectif, pratiquez cette opération avant que l’expérience ne soit nécessaire. Troisièmement, effectuer un enregistrement spatial avec un numériseur 3D peut identifier les emplacements anatomiques correspondants des canaux NIRS (CH) sur le cortex cérébral37,38,39. Ce protocole suggère de compléter l’enregistrement spatial pour tous les participants afin d’obtenir des résultats moyens et robustes. Dans cette ligne, des recherches antérieures ont demandé aux participants d’effectuer un pré-test pour s’assurer que des signaux hémodynamiques précis peuvent être obtenus. Plus précisément, les participants ont effectué une tâche classique de tapotement doigt-pouce avec leur main droite, au cours de laquelle fNIRS a enregistré la dynamique hémodynamique. Les participants qui ont détecté un signal fNIRS significatif (p < 0,05) dans le cortex moteur gauche sont qualifiés pour participer à l’étude. Cette technique garantit que les signaux enregistrés sont utilisables sur tous les participants40.

Analyse des données
Le processus d’analyse des données dans ce protocole se compose de deux parties: le prétraitement et l’analyse WTC. Trois étapes critiques de l’analyse des données doivent être soulignées ici : Premièrement, la réalisation de l’algorithme de filtre spatial (PCA) en composantes principales sur les données neuronales. Zhang et couleage29 ont proposé cette approche pour la séparation des effets globaux et locaux. Bien que le fNIRS permette un mouvement et une communication relativement libres, l’APC est nécessaire pour extraire des signaux précis des changements systémiques (par exemple, la fréquence respiratoire, la pression artérielle, la fréquence cardiaque, la fréquence respiratoire et l’activité du système nerveux autonome). Le protocole ici suggère que l’APC est efficace pour éliminer les effets globaux. Cette méthode est largement utilisée dans les études d’hyperscan fNIRS13. Dans l’ensemble, les composants non neuronaux peuvent être supprimés avec succès à l’aide du filtrage spatial. Deuxièmement, le WTC est adopté pour identifier le SCI des dyades d’apprentissage collaboratif. WTC est une approche d’évaluation des coefficients de corrélation entre deux séries chronologiques en fonction du temps et de la fréquence41. Cette méthode peut révéler localement un comportement de verrouillage de phase qui pourrait ne pas être détecté avec une approche traditionnelle telle que l’analyse de Fourier30. Et cette méthode est largement utilisée pour estimer le SCI dans l’hyperscan fNIRS avec des paradigmes variés, tels que les comportements coopératifs et compétitifs4,42, l’étude de la surveillance de l’action43, l’imitation44, la communication verbale8, la communication non verbale19, l’activité d’enseignement et d’apprentissage11,12,13,14 et l’interaction sociale mère-enfant45.

Pendant ce temps, d’autres techniques, telles que l’analyse de causalité de Granger (GCA), l’analyse de corrélation et l’analyse de synchronisation de phase, sont utilisées dans la recherche sur l’hyperscan. GCA est une méthode pour révéler des informations dirigées (causales) entre deux données de séries chronologiques46. Cette méthode a déjà été utilisée pour tester la direction du flux d’informations entre l’instructeur et l’apprenant12. L’analyse de corrélation est également adoptée dans le domaine de l’hyperscan basé sur fNIRS pour estimer le SCI chez les dyades qui effectuent des tâches coopératives ou compétitives47,48. Par rapport à l’analyse WTC, cette méthode ne caractérise que les caractéristiques covariées de deux séries chronologiques fNIRS le long du flux temporel et les informations potentielles manquées en fréquence.

En outre, d’autres approches quantifiant la synchronisation de phase avec la valeur de verrouillage de phase (PLV) ont été utilisées dans les études d’hyperscan EEG. PLV estime la cohérence de la différence de phase entre deux signaux49. Cependant, Burgess a suggéré que PLV montre un biais sur la détection de l’hyperconnectivité qui n’existe pas, en particulier lorsque de petits échantillons sont utilisés50. Troisièmement, il est essentiel d’adopter un test statistique non paramétrique pour détecter la fréquence liée à l’apprentissage collaboratif. Au début, l’accès à l’information lié aux tâches est sélectionné en suivant les suggestions de recherches antérieures ou en fonction du concept d’expérience spécifique (c.-à-d. combien de temps pour un essai de tâche dans une expérience). Récemment, pour obtenir des résultats robustes et reproductifs dans le processus de sélection de l’accès à l’information, des approches de test statistique non paramétriques ont été adoptées. Ici, cette technique fonctionnait efficacement. La FOI liée à l’apprentissage collaboratif (0,015-0,021 Hz) est identifiée, et des bandes de fréquences similaires ont été identifiées dans la recherche sur l’hyperscan fNIRS dans le scénario d’enseignement13 et dans les paradigmes de communication verbale8. Il est nécessaire d’appliquer cette technique dans le pipeline d’analyse de données multi-cerveaux. Dans l’ensemble, l’établissement d’algorithmes et de méthodes appropriés pour l’analyse des données d’hyperscan sera un domaine important.

Limitation et orientation future
Plusieurs limitations peuvent être améliorées à l’avenir pour obtenir un SCI reproducteur et robuste dans un contexte d’interaction sociale réaliste à partir d’un multi-cerveau. Tout d’abord, le poids de la fibre est trop lourd et inconfortable à porter pendant une longue période; ainsi, le temps de l’expérience est limité à 30 min. À l’avenir, si vous enregistrez l’activité multi-cérébrale en classe, il est difficile de demander aux élèves de porter des casquettes fNIRS pendant une période scolaire (c.-à-d. 50 min). Ainsi, les paramètres fNIRS portables sont requis dans les scénarios de conférences et d’apprentissage réels. Deuxièmement, bien que le fNIRS montre une tolérance plus élevée au mouvement de la tête que l’IRMf, cette technique ne peut détecter que l’activité cérébrale du cortex de surface15. Ainsi, l’hyperscan fNIRS ne peut pas être utilisé dans le paradigme d’exploration du mécanisme neuronal lié à la récompense, dans lequel l’amygdale joue un rôle crucial51. Pendant ce temps, le nombre limité de sources et de détecteurs dans la configuration fNIRS suggère que tout le cortex cérébral ne serait pas mesuré. Cela signifie que les chercheurs doivent sélectionner la région d’intérêt (ROI) à mesurer. Troisièmement, l’APC est adoptée pour éliminer les contaminants du système. Bien que cette technique soit efficace, à l’avenir, l’ajout de canaux courts qui expliquent le flux sanguin extra-cérébelleux, qui peut contaminer les signaux fNIRS, est également une approche efficace29,39. Quatrièmement, la procédure d’analyse des données dans ce protocole peut être appliquée dans d’autres études naturalistes d’hyperscan fNIRS. L’étape suivante consiste à développer des packages d’analyse de données spécifiques à fNIRS avec la ligne directrice standard. Cinquièmement, dans ce protocole, le WTC est utilisé pour identifier l’activité cérébrale simultanée (c.-à-d. IBS). Avec le développement d’une technique de calcul de l’activité neuronale covariée, d’autres méthodes telles que la théorie des graphes et le GCA peuvent également être utilisées. Sixièmement, il est nécessaire de recruter des conditions de contrôle, telles que des conditions de conversation qui obligent les dyades à parler de sujets spécifiques pour exclure les effets de confusion. Pendant ce temps, révéler quelle activité d’apprentissage dans l’apprentissage collaboratif (c’est-à-dire la co-construction des connaissances52) conduirait à l’IBS. Et il est également important de savoir si ces IBS détectés peuvent être utilisés pour suivre les performances d’apprentissage des dyades d’apprentissage collaboratif. Enfin, il est également urgent de fournir un cadre pour expliquer le mécanisme du SCI. Les chercheurs tentent de discerner s’il s’agit uniquement de l’épiphénomène ou d’un mécanisme neuronal d’interaction sociale par Hamilton53. Pour atteindre cet objectif, d’une part, Hamilton a proposé une approche xGLM qui modélise l’activité cérébrale, les données comportementales et les données physiologiques ensemble pour explorer l’explication fiable du couplage cérébral53. D’autre part, Novembre et Lannetti ont suggéré d’effectuer une stimulation multi-cérébrale (MBS) pour révéler le mécanisme de l’activité cérébrale simultanée54.

Conclusion
L’hyperscan fNIRS conduit à un changement de paradigme de la conception d’expériences traditionnelles vers des scénarios d’interaction sociale réalistes en neurosciences sociales. Le SCI extrait par cette méthode fournit une nouvelle vue pour expliquer le mécanisme neurobiologique des interactions sociales. Enfin, le pipeline standardisé établi de collecte et d’analyse des données serait le jalon pour générer des résultats valides et faire progresser la récente expérience d’hyperscan.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Les auteurs n’ont rien à divulguer.

Acknowledgments

Ce travail est soutenu par le programme de promotion de l’innovation académique de l’ECNU pour les excellents doctorants (YBNLTS2019-025) et la Fondation nationale des sciences naturelles de Chine (31872783 et 71942001).

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

DOWNLOAD MATERIALS LIST

References

  1. Babiloni, F., Astolfi, L. Social neuroscience and hyperscanning techniques: past, present and future. Neuroscience & Biobehavioral Reviews. 44, 76-93 (2014).
  2. Schilbach, L., et al. Toward a second-person neuroscience. Behavior Brain Science. 36, 393-414 (2013).
  3. Montague, P. Hyperscanning: simultaneous fMRI during linked social interactions. NeuroImage. 16, 1159-1164 (2002).
  4. 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).
  5. Dikker, S., et al. Brain-to-brain synchrony tracks real-world dynamic group interactions in the classroom. Current Biology. 27 (9), 1375-1380 (2017).
  6. Abrams, D. A., et al. Inter-subject synchronization of brain responses during natural music listening. European Journal of Neuroscience. 37 (9), 1458-1469 (2013).
  7. Pan, Y., et al. Instructor-learner brain coupling discriminates between instructional approaches and predicts learning. NeuroImage. 211, 116657 (2020).
  8. 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).
  9. 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).
  10. 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).
  11. 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).
  12. 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).
  13. Zheng, L., et al. Enhancement of teaching outcome through neural prediction of the students' knowledge state. Human Brain Mapping. 39 (7), 3046-3057 (2018).
  14. 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).
  15. 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).
  16. 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).
  17. 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).
  18. Holper, L., Scholkmann, F., Wolf, M. Between-brain connectivity during imitation measured by fNIRS. NeuroImage. 63, 212-222 (2012).
  19. 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).
  20. Wilcox, T., Biondi, M. fNIRS in the developmental sciences. Wiley Interdisciplinary Reviews: Cognitive Science. 6 (3), 263-283 (2015).
  21. 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).
  22. 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).
  23. Santosa, H., Zhai, X., Fishburn, F., Huppert, T. The NIRS Brain AnalyzIR toolbox. Algorithms. 11 (5), 73 (2018).
  24. Xu, Y., Graber, H. L., Barbour, R. L. nirsLAB: a computing environment for fNIRS neuroimaging data analysis. Biomedical Optics. , BM3A-1 (2014).
  25. 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).
  26. Hoshi, Y. Functional near-infrared spectroscopy: current status and future prospects. Journal of Biomedical Optics. 12 (6), 062106 (2007).
  27. Molavi, B., Dumont, G. A. Wavelet-based motion artifact removal for functional near-infrared spectroscopy. Physiological Measurement. 33 (2), 259 (2012).
  28. Cooper, R., et al. A systematic comparison of motion artifact correction techniques for functional near-infrared spectroscopy. Frontiers in Neuroscience. 6, 147 (2012).
  29. 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).
  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, 561-566 (2004).
  31. Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG-and MEG-data. Journal of Neuroscience Methods. 164 (1), 177-190 (2007).
  32. 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).
  33. 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).
  34. 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).
  35. 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).
  36. 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).
  37. Tsuzuki, D., et al. Virtual spatial registration of stand-alone fNIRS data to MNI space. NeuroImage. 34 (4), 1506-1518 (2007).
  38. 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).
  39. 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).
  40. 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).
  41. Torrence, C., Compo, G. P. A practical guide to wavelet analysis. Bulletin of the American Meteorological Society. 79 (1), 61-78 (1998).
  42. 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).
  43. 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).
  44. Holper, L., Scholkmann, F., Wolf, M. Between-brain connectivity during imitation measured by fNIRS. Neuroimage. 63, 212-222 (2012).
  45. Nguyen, T., et al. The effects of interaction quality on neural synchrony during mother-child problem solving. Cortex. 124, 235-249 (2020).
  46. Seth, A. K., Barrett, A. B., Barnett, L. Granger causality analysis in neuroscience and neuroimaging. Journal of Neuroscience. 35 (8), 3293-3297 (2015).
  47. 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).
  48. 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).
  49. Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J. Measuring phase synchrony in brain signals. Human Brain Mapping. 8 (4), 194-208 (1999).
  50. Burgess, A. P. On the interpretation of synchronization in EEG hyperscanning studies: a cautionary note. Frontiers in Human Neuroscience. 7, 881 (2013).
  51. 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).
  52. Mende, S., Proske, A., Narciss, S. Individual preparation for collaborative learning: Systematic review and synthesis. Educational Psychologist. , 1-25 (2020).
  53. Hamilton, A. F. D. C. Hyperscanning: Beyond the hype. Neuron. 109 (3), 404-407 (2021).
  54. Novembre, G., Iannetti, G. D. Hyperscanning alone cannot prove causality. Multibrain stimulation can. Trends in Cognitive Sciences. 25 (2), 96-99 (2021).

Tags

Neurosciences Numéro 173 Synchronisation inter-cerveau hyperscan fNIRS Wavelet Transform Coherence science ouverte
La synchronisation inter-cerveaux dans l’apprentissage collaboratif ouvert : une étude fNIRS-Hyperscanning
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Zhao, N., Zhu, Y., Hu, Y.… More

Zhao, N., Zhu, Y., Hu, Y. Inter-Brain Synchrony in Open-Ended Collaborative Learning: An fNIRS-Hyperscanning Study. J. Vis. Exp. (173), e62777, doi:10.3791/62777 (2021).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter