Summary
Das Protokoll zur Durchführung von fNIRS-Hyperscanning-Experimenten an kollaborativen Lerndyaden in einer naturalistischen Lernumgebung wird skizziert. Darüber hinaus wird eine Pipeline zur Analyse der Inter-Brain Synchrony (IBS) von sauerstoffhaltigen Hämoglobin (Oxy-Hb) -Signalen vorgestellt.
Abstract
fNIRS-Hyperscanning wird häufig verwendet, um die neurobiologischen Grundlagen der sozialen Interaktion zu erkennen. Mit dieser Technik qualifizieren die Forscher die gleichzeitige Gehirnaktivität von zwei oder mehr interaktiven Individuen mit einem neuartigen Index namens Inter-Brain-Synchrony (IBS) (dh Phasen- und / oder Amplitudenausrichtung der neuronalen oder hämodynamischen Signale im Laufe der Zeit). Ein Protokoll zur Durchführung von fNIRS-Hyperscanning-Experimenten an kollaborativen Lerndyaden in einer naturalistischen Lernumgebung wird hier vorgestellt. Darüber hinaus wird eine Pipeline zur Analyse des IBS des oxygenierten Hämoglobinsignals (Oxy-Hb) erläutert. Insbesondere werden das experimentelle Design, der Prozess der NIRS-Datenaufzeichnung, Datenanalysemethoden und zukünftige Richtungen diskutiert. Insgesamt ist die Implementierung einer standardisierten fNIRS-Hyperscanning-Pipeline ein grundlegender Bestandteil der Neurowissenschaften der zweiten Person. Dies steht auch im Einklang mit der Forderung nach Open Science, um die Reproduzierbarkeit der Forschung zu unterstützen.
Introduction
Um die gleichzeitige Gehirnaktivität zwischen den interaktiven Dyaden oder Mitgliedern einer Gruppe aufzudecken, wenden forscher kürzlich den Hyperscanning-Ansatz1,2 an. Insbesondere elektroenzephalogramm (EEG), funktionelle Magnetresonanztomographie (fMRT) und funktionelle Nahinfrarotspektroskopie (fNIRS) werden verwendet, um die neuronalen und Gehirnaktivitäten von zwei oder mehr Probanden gleichzeitig aufzuzeichnen3,4,5. Die Forscher extrahieren einen neuronalen Index, der eine gleichzeitige Gehirnkopplung beinhaltet, basierend auf dieser Technik, die sich auf die Inter-Hirn-Synchronie (IBS) bezieht (dh Phasen- und / oder Amplitudenausrichtung der neuronalen oder hämodynamischen Signale über die Zeit). Eine Vielzahl von Hyperscanning-Untersuchungen ergab IBS während der sozialen Interaktion zwischen mehreren Personen (z. B. Spieler-Publikum, Ausbilder-Lerner und Leader-Follower)6,7,8. Darüber hinaus enthält IBS spezifische Implikationen des effektiven Lernens und Unterrichts9,10,11,12,13,14. Mit dem Anstieg der Hyperscanning-Forschung in naturalistischen Lernszenarien ist die Etablierung eines Standardprotokolls für Hyperscanning-Experimente und die Pipeline der Datenanalyse in diesem Bereich notwendig.
Somit bietet dieses Papier ein Protokoll für die Durchführung von fNIRS-basiertem Hyperscanning von kollaborativen Lerndyaden und eine Pipeline zur Analyse von IBS. fNIRS ist ein optisches Bildgebungswerkzeug, das nahinfrarotes Licht abstrahlt, um die spektrale Absorption von Hämoglobin indirekt zu beurteilen, und dann wird die hämodynamische / Oxygenierungsaktivität gemessen15,16,17. Im Vergleich zu fMRT ist fNIRS weniger anfällig für Bewegungsartefakte, was Messungen von Probanden ermöglicht, die reale Experimente durchführen (z. B. Nachahmung, Sprechen und nonverbale Kommunikation)18,7,19. Im Vergleich zum EEG hat fNIRS eine höhere räumliche Auflösung, so dass Forscher den Ort der Gehirnaktivität nachweisenkönnen 20. Somit qualifizieren diese Vorteile in bezug auf räumliche Auflösung, Logistik und Machbarkeit fNIRS für die Durchführung von Hyperscanning-Messungen1. Mit dieser Technologie erkennt eine aufstrebende Forschungseinrichtung einen Indexbegriff als IBS - die neuronale Ausrichtung der Gehirnaktivität von zwei (oder mehr) Menschen - in verschiedenen Formen naturalistischer sozialer Einstellungen9,10,11,12,13,14. In diesen Studien werden verschiedene Methoden (z. B. Korrelationsanalyse und Wavelet-Transformationskohärenz-Analyse (WTC) angewendet, um diesen Index zu berechnen; In der Zwischenzeit ist eine Standardpipeline für eine solche Analyse unerlässlich, aber es fehlt. Als Ergebnis wird in dieser Arbeit ein Protokoll zur Durchführung von fNIRS-basiertem Hyperscanning und eine Pipeline mit WTC-Analyse zur Identifizierung von IBS vorgestellt.
Diese Studie zielt darauf ab, IBS in kollaborativen Lerndyaden mit der fNIRS-Hyperscanning-Technik zu bewerten. Zunächst wird eine hämodynamische Reaktion gleichzeitig in den präfrontalen und linken temporoparietalen Regionen jeder Dyade während einer kollaborativen Lernaufgabe aufgezeichnet. Diese Regionen wurden als mit interaktivem Lehren und Lernen assoziiertidentifiziert 9,10,11,12,13,14. Zweitens wird das IBS auf jedem entsprechenden Kanal berechnet. Der fNIRS-Datenaufzeichnungsprozess besteht aus zwei Teilen: Ruhezustandssitzung und kollaborative Sitzung. Die Ruhezustandssitzung dauert 5 Minuten, in der beide Teilnehmer (von Angesicht zu Angesicht, getrennt von einem Tisch (0,8 m)) still bleiben und sich entspannen müssen. Diese Ruhezustandssitzung wird als Baseline bereitgestellt. Dann, in der kollaborativen Sitzung, werden die Teilnehmer aufgefordert, die gesamten Lernmaterialien gemeinsam zu studieren, Verständnis hervorzurufen, die Regeln zusammenzufassen und sicherzustellen, dass alle Lernmaterialien gemeistert werden. Hier werden die spezifischen Schritte der Durchführung des Experiments und der fNIRS-Datenanalyse vorgestellt.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Alle rekrutierten Teilnehmer (40 Dyaden, Durchschnittsalter 22,1 ± 1,2 Jahre; 100% Rechtshänder; normales oder korrigiertes Sehvermögen) waren gesund. Vor dem Experiment gaben die Teilnehmer ihre Einwilligung nach Aufklärung. Die Teilnehmer wurden für ihre Teilnahme finanziell entschädigt. Die Studie wurde vom University Committee of Human Research Protection (HR-0053-2021), East China Normal University, genehmigt.
1. Vorbereitungsschritte vor der Datenannahme
- Hausgemachte NIRS-Kappen
- Nehmen Sie eine elastische Schwimmkappe an, um das Optodenhaltergitter zu platzieren.
HINWEIS: In Anbetracht der Tatsache, dass die Kopfgrößen der Teilnehmer unterschiedlich sind, werden zwei Größen von Kappen verwendet. Small Caps werden für Teilnehmer mit einem Kopfumfang von 55,4 ± 1,1 cm und Large Caps für die Teilnehmer mit einem Kopfumfang von 57,9 ± 1,2 cm vorbereitet. - Verankern Sie die Lage der EEG-Elektroden (Inion, Cz, T3, T4, Fpz und P5) als Referenzopoden nach dem internationalen Standard 10-10 System auf elastischen Badekappen (siehe Materialtabelle).
- Legen Sie zuerst die Standard-10-10-EEG-Kappe (siehe Materialtabelle)auf die Kopfform und legen Sie die elastische Schwimmkappe auf die EEG-Kappe. Zweitens, markieren Sie Referenzoptoden (Inion, Cz, T3, T4, Fpz und P5) mit Kreide auf jeder Kappe. Schneiden Sie schließlich zwei Löcher mit einem Durchmesser von etwa 15 mm, um die beiden Referenzopoden zu platzieren (d. h. Fpz und P5, Abbildung 1).
HINWEIS: Insbesondere werden ein 3 x 5-Optodensondensatz und ein 4 x 4-Optodensondensatz separat über dem präfrontalen Bereich (Referenzoptode befindet sich in Fpz, Abbildung 1B)und den linken temporoparietalen Bereichen (Referenzoptopode ist in P5, Abbildung 1B)platziert.
- Legen Sie zuerst die Standard-10-10-EEG-Kappe (siehe Materialtabelle)auf die Kopfform und legen Sie die elastische Schwimmkappe auf die EEG-Kappe. Zweitens, markieren Sie Referenzoptoden (Inion, Cz, T3, T4, Fpz und P5) mit Kreide auf jeder Kappe. Schneiden Sie schließlich zwei Löcher mit einem Durchmesser von etwa 15 mm, um die beiden Referenzopoden zu platzieren (d. h. Fpz und P5, Abbildung 1).
- Schneiden Sie Löcher, um die anderen Optoden zu platzieren. Ordnen Sie eine Badekappe mit zwei Gitterhaltern direkt auf der Kopfform an. Markieren Sie dann die Position anderer Optoden mit Kreide. Schneiden Sie danach die Restlöcher ab, um sicherzustellen, dass der Gitterhalter hineinpasst.
- Montieren Sie zwei Sondensätze (d.h. 3 x 5 und 4 x 4) an den Badekappen (siehe Materialtabelle).
HINWEIS: Das NIRS-Messsystem (siehe Materialtabelle)bietet diese Standard-Sondensätze (d. h. 3 x 5 und 4 x 4) mit Standard-Halterbuchsen, die die 30-mm-Optodentrennung gewährleisten. - Öffnen Sie das Monitorfenster des Sondensatzes am NIRS-Messsystem und wählen Sie für jede Person vier Sondensätze aus, die in 3 x 5 und 4 x 4 angeordnet sind.
HINWEIS: Die Sondenanordnungen der beiden Kappen sollten den Strukturen im Sondensetfenster entsprechen (d.h. der genauen Position der Empfängersondennummern und des jeweiligen Senders).
- Nehmen Sie eine elastische Schwimmkappe an, um das Optodenhaltergitter zu platzieren.
- Vorbereitung des Experiments
- Stellen Sie vor der Datenerfassung sicher, dass das NIRS-System eine stabile Betriebstemperatur beibehält, indem Sie das System für mindestens 30 Minuten starten.
HINWEIS: Die stabile Betriebstemperatur reichte von 5 °C bis 35 °C. - Stellen Sie den Messmodus auf ereignisbezogene Messung ein. Stellen Sie sicher, dass der Triggerempfänger aktiv ist (d. h. der serielle RS232-Eingang).
HINWEIS: Das Experiment ist in kommerziell erhältlicher psychologischer Software programmiert (siehe Materialtabelle). Die Absorption von Nahinfrarotlicht (zwei Wellenlängen: 695 und 830 nm) wird mit einer Abtastrate von 10 Hz gemessen. - Bereiten Sie die beleuchtete Glasfasersonde vor, mit der Sie das Haar zur Seite bewegen können.
- Stellen Sie die Experimentumgebung mit einem Tisch mit zwei Stühlen ein, um die Sitze der Teilnehmer von Angesicht zu Angesicht zu halten.
- Stellen Sie vor der Datenerfassung sicher, dass das NIRS-System eine stabile Betriebstemperatur beibehält, indem Sie das System für mindestens 30 Minuten starten.
2. Übernahme von Daten durch Instruktion der Teilnehmer
- Bereiten Sie die Teilnehmer vor
- Instruktion der Teilnehmer, einschließlich der Details der NIRS-Messmethoden.
HINWEIS: Alle Teilnehmer waren gesund und wurden für die Teilnahme finanziell entschädigt. Kein Teilnehmer zog sich auf halbem Weg aus dem Experiment zurück. Der Laserstrahl des NIRS kann für die Augen der Teilnehmer schädlich sein, und sie wurden angewiesen, nicht direkt in diese Laserstrahlen zu schauen. - Lassen Sie die Teilnehmer von Angesicht zu Angesicht sitzen (abgesehen von einem Tisch (0,8 m)), um sicherzustellen, dass sie sich direkt sehen können. Stellen Sie den Abstand vom Stuhl zum Tisch (d. h. fast 0,3 m) ein, damit die Teilnehmer bequem sitzen.
- Schalten Sie die Lasertaste ein und legen Sie die Kappen mit den Sondensets auf die Köpfe der Teilnehmer.
HINWEIS: Die 3 x 5 Sondensets bedecken die Stirn der Teilnehmer (die mittlere Sonde der unteren Reihe wird auf Fpz platziert); die 4 x 4 Sondensets decken den linken temporoparietalen Kortex ab (die dritte Sonde der dritten Reihe befindet sich auf P5). - Legen Sie die vier Glasfaserbündel locker auf die Arme des Halters, ohne Kontakt zu den Teilnehmern oder Stühlen.
HINWEIS: Hier verfügt das NIRS-Messsystem über vier Bündel optischer Fasern. Stellen Sie außerdem sicher, dass sich die Teilnehmer nicht zu schwer fühlen, um die Kappen abzuziehen. - Lassen Sie die Sondenspitzen die Kopfhaut der Teilnehmer berühren, indem Sie jede Federlastsonde vorsichtig weiter in ihreN Sockel drücken.
- Führen Sie die Signalkalibrierung durch.
- Überprüfen Sie zunächst die Qualität des Signals, indem Sie im Monitorfenster des Tastkopfsatzes der fNIRS-Maschine auf die automatische Verstärkung klicken. Dann werden das schlechte Signal und das ausreichende Signal eines Kanals im Monitorfenster des Sondensatzes gelb bzw. grün markiert.
HINWEIS: Für einen Kanal mit unzureichenden Signalen werden beleuchtete faseroptische Sonden verwendet, um das Haar unter der Spitze der Sonde zur Seite zu bewegen. - Schieben Sie dann die Sonden weiter in ihre Buchsen, um genügend Signale zu erhalten. Wiederholen Sie diesen Vorgang, bis alle Kanäle im Monitorfenster des Sondensets des NIRS-Messsystems grün markiert sind, um anzuzeigen, dass die Qualität der Signale zugänglich ist.
- Überprüfen Sie zunächst die Qualität des Signals, indem Sie im Monitorfenster des Tastkopfsatzes der fNIRS-Maschine auf die automatische Verstärkung klicken. Dann werden das schlechte Signal und das ausreichende Signal eines Kanals im Monitorfenster des Sondensatzes gelb bzw. grün markiert.
- Instruktion der Teilnehmer, einschließlich der Details der NIRS-Messmethoden.
- Ausführen des Experiments
- Beginnen Sie das Experiment mit einem Ruhezustand von 5 Minuten, der als Basislinie dient. Dann müssen zwei Teilnehmer die Lernmaterialien gemeinsam lernen.
- Klicken Sie nach dem Experiment auf Textdateiausgang, um die rohen Lichtintensitätsdaten zu exportieren und die Daten als Textdatei zu speichern.
HINWEIS: Im NIRS-Messsystem werden keine Filter angewendet. - Verwenden Sie den dreidimensionalen (3D) Digitizer (siehe Materialtabelle),um die Positionen von Sendern, Empfängern und anderen Referenzen (z. B. Inion, Nasion, Cz und linkes und rechtes Ohr) für jeden Teilnehmer zu bestimmen.
- Erhalten Sie die MNI-Koordinaten für die Aufzeichnungskanäle mit der handelsüblichen numerischen Rechenplattform21 (siehe Materialtabelle). Die Ergänzungstabelle S1 zeigt die entsprechenden anatomischen Lagen jedes Kanals.
- Reinigen Sie Sonden und Sondenhalter mit Ethanol. Kappen mit mildem Reinigungsmittel waschen und die Kappen an der Luft trocknen lassen.
3. Datenanalyse
- Datenvorverarbeitung
HINWEIS: Frühere Forschungen haben variable nicht-kommerzielle Softwarepakete übernommen (z. B. Homer222, AnalysierenIR23, oder nirs LAB24) mit numerischen Rechenplattformen (siehe Tabelle der Materialien) auf fNIRS-Datenanalyse, und sie sind alle auf der Website verfügbar. Hier wurde Homer2 verwendet, um die Vorverarbeitung der NIRS-Daten durchzuführen. Darüber hinaus teilen sich sowohl die in den übrigen als auch in der kollaborativen Lernphase gesammelten fNIRS-Aufzeichnungsdaten die gleiche Vorverarbeitungs- und Analysepipeline.- Kopieren Sie das Dataset vom fNIRS-Computer. Konvertieren Sie die ursprüngliche Datenformation in die richtige Formation (d. H. Konvertieren Sie die CVS-Datei in eine NIRS-Datei).
- Konvertieren Sie Rohdaten in Daten der optischen Dichte (OD) mit der Funktion "hmrIntensity2OD", die in der numerischen Rechenplattform bereitgestellt wird (siehe Tabelle der Materialien).
- Löschen Sie die fehlerhaften Kanäle. Dann wird der OD-Wert für jeden Teilnehmer auf jedem Kanal bzw. für vollständige Stichprobenpunkte gemittelt.
HINWEIS: Hier werden 46 gemittelte OD-Werte ermittelt.- Berechnen Sie die Standardabweichung (SD) für jeden Teilnehmer.
- Markieren Sie dies als unbrauchbar und entfernen Sie die Kanäle mit sehr niedrigem oder hohem OD (der 5 SDs überschritten hat) aus der Analyse für jeden Teilnehmer.
HINWEIS: Dieser Schritt kann vor und/oder nach der fNIRS-Datenvorverarbeitung durchgeführt werden. In dieser Datenanalyse-Pipeline werden die fehlerhaften Kanäle vor der fNIRS-Datenvorverarbeitung erkannt.
- Konvertieren Sie die OD-Zeitdaten in Oxy-Hb, DeOxy-Hb und kombiniertes Signal basierend auf dem modifizierten Beer-Lambert-Gesetz25.
HINWEIS: Referenz25 sagt: "Alle Datenanalyseschritte werden auf Oxy-Hb-Daten durchgeführt, die ein Indikator für die Veränderung des regionalen zerebralen Blutflusses mit einem höheren Signal-Rausch-Verhältnissind 26. Darüber hinaus wurde in früheren Forschungen fNIRS-Hyperscanning in Lehr- und Lernszenarien eingesetzt, die sich hauptsächlich auf die Oxy-Hb-Konzentration11,12,13,14konzentrierten. " - Kalibrieren Sie Oxy-Hb-Zeitreihen aus Bewegungsartefakten mit der Kanal-für-Kanal-Wavelet-basierten Methode.
HINWEIS: Insbesondere das Daubechies 5 (db5) Wavelet mit Deming-Parameter bei 0.1 (siehe Details im Homer2-Handbuch)27,28 wird beim Entfernen von Bewegungsartefakten übernommen. - Wenden Sie den Bandpassfilter (d. h. 0,01-1 Hz) auf die kalibrierten Oxy-Hb-Daten an, um das hochfrequente Rauschen und die langsame Drift zu reduzieren.
- Führen Sie eine Hauptkomponentenanalyse (PCA) des OxyHb-Signals durch, um nicht-neuronale globale Komponenten (z. B. Blutdruck, Atmung und Blutflussschwankungen) zu entfernen29.
HINWEIS: Die von Zhang und Kollegen29 vorgeschlagene PCA-Analyse wird hier angenommen.- Zerlegen Sie zuerst das Signal.
ANMERKUNG: Die spezifische Formel der Zerlegung des fNIRS-Signals lautet: H = UΣVT. Hier werden zeitliche und räumliche Muster von fNIRS-Daten in zwei Matrizen (d.h. u und V) dargestellt. U ist eine 2D-Matrix (Abtastpunkt x Hauptkomponente). V ist auch eine 2D-Matrix (Hauptkomponente x Hauptkomponente). Die Spalte in V gibt eine Hauptkomponente (PC) an, und die Stärke dieses PCs für einen bestimmten Kanal wird in jedem Eintrag der Spalte geschätzt. Die relative Bedeutung jedes PCs wird durch den Wert der Diagonalmatrix Σ dargestellt. - Zweitens, führen Sie räumliche Glättung durch.
HINWEIS: Die Gaußsche Kernelfaltung wird verwendet, um lokalisierte Signale zu entfernen und die globale Komponente abzurufen. - Drittens, rekonstruieren Sie das Signal.
HINWEIS: Um die globale Komponente der fNIRS-Daten zu berechnen, wird die geglättete räumliche Mustermatrix V* wieder in die Zerlegungsformel eingefügt: HGlobal = UΣ(V*)T. Dann kann ein lokalisiertes abgeleitetes neuronales Signal unter Verwendung der Originaldaten H erhalten werden, um HGlobal zu subtrahieren: HNeuronal = H - HGlobal.
- Zerlegen Sie zuerst das Signal.
- Inter-Gehirn-Synchronie
HINWEIS: Um die Gehirnkopplung in den Neurowissenschaften der zweiten Person aufzudecken, wird hier die Wavelet-Transformationskohärenz (WTC) übernommen. Kurz gesagt, WTC misst die Korrelation zwischen zwei Zeitreihen als Funktion von Frequenz und Zeit. Die spezifische Formel der Wavelet-Kohärenz der zweifachen Reihen x und y lautet:
T und s bezeichnen die Zeit- und Waveletskala getrennt, ‹·› zeigt einen Glättungsvorgang in Skala und Zeit an. W steht für die kontinuierliche Wavelet-Transformation. Dann wird eine 2D (Zeit x Frequenz) WTC-Matrix erzeugt30. Zur Berechnung des WTC-Wertes werden mehrere Toolboxen verwendet. Hier kam der von Grinsted und Kollegen erstellte Werkzeugkasten zum Einsatz30.- Übernehmen Sie die WTC-Funktion der numerischen Rechenplattform (siehe Tabelle der Materialien).
HINWEIS: Hier wird die Standardeinstellung des Mutter-Wavelets (d.h. Generalized Morse Wavelet mit seinen Parametern beta und gamma) verwendet. Das Mutter-Wavelet wandelt jede Zeitreihe in den Frequenz- und Zeitbereich um. - Legen Sie die Standardeinstellung für die anderen Parameter fest (z. B. MonteCarloCount, das die Anzahl der Ersatzdatensätze in der Signifikanzberechnung darstellt).
- Berechnen Sie den WTC-Wert für zwei entsprechende Kanäle (den gleichen Kanal in zwei Teilnehmern) in einer numerischen Rechenplattform (siehe Materialtabelle). Nach dem gleichen Verfahren werden 46 WTC-Matrizen aus 46 Kanälen erzeugt.
- Bestimmen Sie das Frequenzband von Interesse (FOI), das für kollaboratives Lernen empfindlich ist.
HINWEIS: Hier wird ein clusterbasierter Permutationsansatz zur Detektion eines solchen FOI31verwendet, der eine Lösung für Mehrfachvergleiche in Mehrkanal- und Multifrequenzdaten bietet.- Führen Sie für jede Kanalkombination einen Zeitmittelwert der WTC-Werte in der Ruhephase bzw. in der kollaborativen Lernphase durch. Führen Sie dann gepaarte Stichproben-t-Testszusammen mit der gesamten Frequenz (Frequenzbereich: 0,01-1Hz32)auf diesen zeitgemittelten WTC-Werten (kollaboratives Lernen vs. Ruhe) durch. Als nächstes identifizieren Sie Häufigkeitsbehälter, bei denen der Aufgabeneffekt signifikant ist (kollaboratives Lernen > Rest, p < 0,05).
- Erhalten Sie signifikante Frequenznachbarpunkte (≥2) als beobachtete Cluster und entsprechende T-Werte.
- Führen Sie eine Reihe von gepaarten Stichproben-t-Testsmit permutierten Daten durch, um die T-Werte für jeden in Schritt 3.2.4.2 qualifizierten Cluster 1000 Mal zu generieren.
HINWEIS: Für die Bildung permutierter Daten werden die Teilnehmer nach dem Zufallsprinzip zugewiesen, um neue Zwei-Mitglieder-Paare zu bilden. Da die Länge der Datensätze zwischen den Dyaden für jedes zufällige Paar variierte, wird der längere Datensatz auf die gleiche Länge wie der kürzeregekürzt 33. - Vergleichen Sie die gemittelten clusterbasierten T-Werte aus Originalpaaren mit den T-Werten von 1000 Permutationen.
ANMERKUNG: Die nach dieser Formel34ausgewerteten p-Werte :
, wobei S0 den beobachteten gemittelten Cluster-t-Wert bezeichnet, μp und σp den Mittelwert und die Standardabweichung der Permutationswerte angeben. - Durchschnittliche WTC-Werte im identifizierten FOI in jedem Kanal in jeder Dyade. Wenden Sie dann die fisher z-Transformation auf die WTC-Werte an, um eine Normalverteilung der WTC-Werte zu erhalten. Verwenden Sie diesen Wert, um das IBS für weitere statistische Analysen zu indizieren.
- Übernehmen Sie die WTC-Funktion der numerischen Rechenplattform (siehe Tabelle der Materialien).
, wobei S0 den beobachteten gemittelten Cluster-t-Wert bezeichnet, μp und σp den Mittelwert und die Standardabweichung der Permutationswerte angeben.Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Abbildung 1 zeigt das experimentelle Protokoll und die Position der Sonde. Der fNIRS-Datenaufzeichnungsprozess besteht aus zwei Teilen: Ruhezustandssitzung (5 Min.) und Kollaborative Session (15-20 Min.). Die kollaborativen Lerndyaden werden benötigt, um sich zu entspannen und im Ruhezustand zu bleiben. Danach werden die Teilnehmer aufgefordert, das Lernmaterial gemeinsam zu lernen (Abbildung 1A). Ihre präfrontalen und linken temporoparietalen Regionen werden durch den entsprechenden Sondensatz abgedeckt (Abbildung 1B).
Abbildung 2 zeigt die fNIRS-Datenanalyse-Pipeline. Die fNIRS-Datenanalyse wird auf alle fNIRS-Daten angewendet, die von jedem Teilnehmer und jedem Kanal aufgezeichnet werden. Zunächst wird die Optodendichte in Kanal 33 für eine bestimmte Dyade in Abbildung 2Avisualisiert. Die Optodendichte wird vom fNIRS-Messsystem in 46 Kanälen (CHs) jeder kollaborativen Lerndyade erfasst. Zweitens, nachdem die Operation in den Schritten 3.1.5 und 3.1.7 geklärt ist, werden brauchbare Daten für die WTC-Analyse vorbereitet. Hier stellt die rote Kurve die Daten dar, die mit der Wavelet-basierten Methode zum Entfernen von Bewegungsartefakten extrahiert wurden. Die blaue Kurve stellt die Daten dar, die sowohl von der Wavelet-basierten Methode zum Entfernen von Bewegungsartefakten als auch von PCA extrahiert wurden. Der visualisierte Unterschied zwischen zwei Kurven deutet darauf hin, dass PCA bei der Entfernung nicht-neuronaler Signale effizient ist (Abbildung 2B). Drittens wird die WTC-Matrix in Abbildung 2Cvisualisiert. Die Farbkarte variiert von Blau bis Gelb und stellt den Wert von IBS von 0 bis 1 dar (Korrelationskoeffizienten als Funktion von Zeit und Frequenz). Hier bezeichnet 1 die größte Kohärenz zwischen zwei fNIRS-Signalen, und 0 bedeutet, dass keine Kohärenz nachgewiesen wird. Ein rotes Rechteck im Diagramm markiert signifikante Koeffizienten. Darüber hinaus zeigen die Ergebnisse eine starke Kohärenz um 1 Hz, die die Herzrhythmuskohärenz der Dyade darstellt. Schließlich zeigt der Vergleich zwischen dem beobachteten T-Wert und der Verteilung des zufälligen T-Wertes (d.h. 1000-fach) signifikante Ergebnisse (t (38) = 3,31, FDR korrigiert p < 0,05, Cohens d = 1,05) in identifiziertem FOI (0,015 Hz-0,021 Hz) (Abbildung 2D)
Abbildung 3 zeigt die kritischen Schritte des clusterbasierten Permutationsansatzes, der zur Erkennung des für kollaboratives Lernen relevanten Frequenzbands verwendet wird.
Zusammengenommen wird nach der Datenanalyse-Pipeline das Frequenzband (von 0,015 Hz bis 0,021 Hz), das für kollaboratives Lernen empfindlich ist, durch einen clusterbasierten Permutationsansatz identifiziert. Darüber hinaus wird für jeden Kanal der zeitgemittelte IBS-Wert zwischen dem Rest und den kollaborativen Lernphasen unter Verwendung einer Reihe von gepaarten Stichproben-t-Testsverglichen. Zur Lösung des Multiple-Vergleichs-Problems werden alle beobachteten p-Werte in 46 Kanälen durch die FDR-Methoden35,36korrigiert. Die Ergebnisse zeigen, dass das IBS bei Kanal 33 beim kollaborativen Lernen eine Signifikanz erreicht (FDR korrigiert p < 0,05). Keine anderen entsprechenden Kanäle zeigten signifikante Effekte (p > 0,05).
Abbildung 1: Versuchsprotokoll und Sondenstandort. (A) Experimentelles Verfahren. Die Gehirnaktivität von Dyaden wird gleichzeitig mit fNIRS erfasst. Die Ruhezustandssitzung dauert 5 Minuten, in denen Dyaden sich entspannen und ruhig halten müssen. Danach werden die Teilnehmer aufgefordert, das Lernmaterial mitzulernen (15-20 min). (B) Optodes Sondensatz. Zwei Sondensets decken die präfrontalen und linken temporoparietalen Regionen ab. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 2: Überblick über die fNIRS-Datenanalyse. (A) Optodendichte in Kanal 33 für eine beispielhafte Dyade. Die Optodendichte wird in 46 Kanälen (CHs) jeder kollaborativen Lerndyade aufgezeichnet. i, j, Optodendichte von zwei Teilnehmern einer kollaborativen Lerndyade; t, Zeit. (B) Verfahren der Datenvorverarbeitung. Wavelet-basierte Bewegungsartefakte- und PCA-Methode und PCA werden nacheinander auf Oxy-Hb-Daten angewendet. Hier stellt die rote Kurve die Daten dar, die mit der Wavelet-basierten Methode zum Entfernen von Bewegungsartefakten extrahiert wurden. Die blaue Kurve stellt die Daten dar, die sowohl von der Wavelet-basierten Methode zum Entfernen von Bewegungsartefakten als auch von PCA extrahiert wurden. kWavelet-basierte Methode,Daten extrahiert durch den Wavelet-basierten Bewegungsartefakt-Eliminierungsprozess. kWavelet-basierte Methode + PCA, Daten, die sowohl von Wavelet-basierten Bewegungsartefakten als auch von PCA extrahiert wurden. (C) WTC-Plot in Kanal 33 für eine beispielhafte Dyade. Die Farbkarte variiert von Blau bis Gelb und stellt den Wert von IBS im Bereich von 0 bis 1 dar (Korrelationskoeffizienten als Funktion von Zeit und Frequenz). Hier bezeichnet 1 die größte Kohärenz zwischen zwei fNIRS-Signalen, und 0 zeigt an, dass keine Kohärenz erkannt wird. Ein rotes Rechteck im Diagramm markiert signifikante Koeffizienten. WTC schätzt IBS auf zwei saubere Oxy-Hb-Zeitreihen. (D) Clusterbasierter Permutationsansatz. Vergleichen Sie den beobachteten T-Wert mit der Verteilung der zufälligen T-Werte in identifizierten FOI (0,015 Hz-0,021 Hz). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 3: Flussdiagramm zur Identifizierung des kollaborativen Lern-bezogenen FOI. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Ergänzende Tabelle S1. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Zunächst werden im vorliegenden Protokoll die spezifischen Schritte zur Durchführung von fNIRS-Hyperscanning-Experimenten in einem kollaborativen Lernszenario angegeben. Zweitens wird auch die Datenanalyse-Pipeline vorgestellt, die das IBS von hämodynamischen Signalen in kollaborativen Lerndyaden bewertet. Die detaillierte Operation zur Durchführung von fNIRS-Hyperscanning-Experimenten würde die Entwicklung von Open-Science fördern. Des Weiteren wird hier die Analyse-Pipeline bereitgestellt, um die Reproduzierbarkeit der Hyperscanning-Forschung zu erhöhen. Im Folgenden werden die kritischen Fragen des Experimentdesigns, der Durchführung eines Experiments, der Datenanalyse in (fNIRS) Hyperscanning-Experimenten beleuchtet. Darüber hinaus werden auch mögliche Lösungen für gegenwärtige Einschränkungen diskutiert.
Versuchsplanung
Das experimentelle Design für die fNIRS-Hyperscanning-Studie ist flexibel. Hier wird die fNIRS-Hyperscanning-Technik im kollaborativen Lernszenario angewendet. Zwei Teilnehmer wurden gebeten, gemeinsam bestimmte Regeln der Figurenmatrix zu lernen, und ihre Gehirnaktivitäten wurden gleichzeitig von fNIRS aufgezeichnet. Dieser Ansatz ermöglicht es Forschern, die gleichzeitige neuronale Dynamik (dh IBS) in Echtzeit in kollaborativen Lerndyaden zu untersuchen. Nach früheren Untersuchungen wurde IBS in Lehr- und Lernszenarien nachgewiesen und verfolgt den effektiven Lehrmodus11. Neuronale Ausrichtung, die in kollaborativen Lerndyaden erkannt wird, kann als potenzieller neuronaler Mechanismus dienen, der erfolgreiches Lernen untermauert und Implikationen für die Gestaltung effektiver kollaborativer Lernmuster bietet. In der Zwischenzeit müssen kritische Fragen zum experimentellen Design angegangen werden: Die Experimentierzeit ist in diesem Experiment auf 30 minuten begrenzt. Zwei Gründe erklären diese Einstellung: Erstens ist das Tragen von Mützen mit fNIRS-Optoden auf dem Kopf nicht angenehm, die Teilnehmer können nicht lange stehen. Zweitens ist es schwierig, die Teilnehmer zu bitten, während des Co-Learnings lange Zeit still zu bleiben. Die begrenzte Experimentierzeit würde es ermöglichen, Signale von guter Qualität zu erhalten.
Durchführung des Experiments
Die größte Herausforderung beim fNIRS-Hyperscanning in einem kollaborativen Lernszenario besteht darin, qualitativ hochwertige Gehirnsignale zu erhalten. Basierend auf dem vorliegenden Protokoll werden drei kritische Schritte hervorgehoben: die Erstellung geeigneter Kappen, das Platzieren von Optoden und das Durchführen der räumlichen Registrierung entsprechender Kanäle. Erstens, da der Kopfumfang von Teilnehmer zu Teilnehmer variiert, ist es wichtig, Kappen herzustellen, die zu verschiedenen Personen passen. Zweitens, wenn Sie eine geeignete Kappe auf die Köpfe der Teilnehmer legen, stellen Sie sicher, dass die Spitzen der Optoden direkt mit der Kopfhaut in Kontakt kommen können. Um dieses Ziel zu erreichen, ist es erforderlich, diese Operation vor dem Experiment zu üben. Drittens kann die Durchführung einer räumlichen Registrierung mit einem 3D-Digitizer die entsprechenden anatomischen Positionen von NIRS-Kanälen (CHs) auf der Großhirnrinde37,38,39identifizieren . Dieses Protokoll schlägt vor, die räumliche Registrierung für alle Teilnehmer abzuschließen, um gemittelte und robuste Ergebnisse zu erhalten. In diesem Sinne forderten frühere Untersuchungen die Teilnehmer auf, einen Vortest durchzuführen, um sicherzustellen, dass genaue hämodynamische Signale erhalten werden können. Konkret führten die Teilnehmer mit der rechten Hand eine klassische Finger-Daumen-Klopfaufgabe durch, bei der fNIRS die hämodynamische Dynamik aufzeichnete. Teilnehmer, die ein signifikantes fNIRS-Signal (p < 0,05) im linken motorischen Kortex nachgewiesen haben, sind für die Teilnahme an der Studie qualifiziert. Diese Technik stellt sicher, dass aufgezeichnete Signale für alle Teilnehmer40nutzbar sind.
Datenanalyse
Der Datenanalyseprozess in diesem Protokoll besteht aus zwei Teilen: Präprozess und WTC-Analyse. Drei kritische Datenanalyseschritte sollten hier hervorgehoben werden: Erstens, die Durchführung des Hauptkomponenten-Spatial-Filter-Algorithmus (PCA) auf den neuronalen Daten. Zhang und Couleage29 schlugen diesen Ansatz für die Trennung der globalen und lokalen Effekte vor. Obwohl fNIRS relativ freie Bewegung und Kommunikation ermöglicht, ist PCA notwendig, um genaue Signale aus systemischen Veränderungen (z. B. Atemfrequenz, Blutdruck, Herzfrequenz, Atemfrequenz und Aktivität des autonomen Nervensystems) zu extrahieren. Das Protokoll hier legt nahe, dass PCA die globalen Auswirkungen effizient beseitigt. Diese Methode ist in fNIRS-Hyperscanning-Studien13weit verbreitet. Insgesamt können nicht-neuronale Komponenten mithilfe der räumlichen Filterung erfolgreich entfernt werden. Zweitens wird WTC eingesetzt, um das IBS von kollaborativen Lerndyaden zu identifizieren. WTC ist ein Ansatz zur Bewertung der Korrelationskoeffizienten zwischen zwei Zeitreihen als Funktion von Zeit und Frequenz41. Diese Methode kann lokal phasengesperrtes Verhalten aufdecken, das mit einem herkömmlichen Ansatz wie der Fourier-Analyse30möglicherweise nicht erkannt wird. Und diese Methode wird häufig verwendet, um IBS im fNIRS-Hyperscanning mit verschiedenen Paradigmen zu schätzen, wie kooperatives und kompetitives Verhalten4,42, Untersuchung der Handlungsüberwachung43, Nachahmung44, verbale Kommunikation8, nonverbale Kommunikation19, Lehr- und Lernaktivität11,12,13,14 und soziale Interaktion zwischen Mutter und Kind45.
In der Zwischenzeit werden andere Techniken wie die Granger Kausalitätsanalyse (GCA), die Korrelationsanalyse und die Phasensynchronitätsanalyse in der Hyperscanning-Forschung eingesetzt. GCA ist ein Verfahren zur Aufdeckung gerichteter (kausaler) Informationen zwischen zwei Zeitreihendaten46. Diese Methode wurde einmal verwendet, um die Richtung des Informationsflusses zwischen Ausbilder und Lernendem zu testen12. Die Korrelationsanalyse wird auch im fNIRS-basierten Hyperscanning-Feld eingesetzt, um IBS in Dyaden zu schätzen, die kooperative oder kompetitive Aufgaben ausführen47,48. Im Vergleich zur WTC-Analyse charakterisiert diese Methode nur die kovariierten Merkmale zweier fNIRS-Zeitreihen entlang des Zeitstroms und verpasster potenzieller Informationen in der Frequenz.
Darüber hinaus wurden in EEG-Hyperscanning-Studien andere Ansätze verwendet, die die Phasensynchronität mit dem Phasensperrwert (PLV) quantifizierten. PLV schätzt die Konsistenz der Phasendifferenz zwischen zwei Signalen49. Burgess schlug jedoch vor, dass PLV eine Verzerrung bei der Erkennung von Hyperkonnektivität zeigt, die nicht existiert, insbesondere wenn kleine Stichproben verwendet werden50. Drittens ist die Einführung eines nicht-parametrischen statistischen Tests zur Erkennung der kollaborativen Lernfrequenz unerlässlich. Zunächst wird der aufgabenbezogene FOI entweder nach Vorschlägen in früheren Forschungsarbeiten oder nach einem bestimmten Experimentdesign ausgewählt (d. H. Wie lange dauert eine Aufgabenstudie in einem Experiment). Um robuste und reproduktive Ergebnisse im FOI-Auswahlprozess zu erhalten, werden in jüngster Zeit nicht-parametrische statistische Testansätze verwendet. Hier funktionierte diese Technik effizient. Der kollaborative lernbezogene FOI (0,015-0,021 Hz) wird identifiziert, und ähnliche Frequenzbänder wurden in der fNIRS-Hyperscanning-Forschung im Lehrszenario13 und in verbalen Kommunikationsparadigmen8identifiziert. Es ist notwendig, diese Technik in der Multi-Brain-Datenanalyse-Pipeline anzuwenden. Alles in allem wird die Etablierung geeigneter Algorithmen und Methoden zur Analyse von Hyperscanning-Daten ein herausragendes Feld sein.
Begrenzung und zukünftige Ausrichtung
Mehrere Einschränkungen können in Zukunft verbessert werden, um reproduktives und robustes IBS in einem realistischen sozialen Interaktionskontext von einem Multi-Gehirn zu erhalten. Erstens ist das Gewicht der Faser zu schwer und unbequem, um es lange zu tragen; somit ist die Zeit des Experiments auf 30 min begrenzt. In Zukunft, wenn die Multi-Gehirn-Aktivität im Klassenzimmer aufgezeichnet wird, ist es schwierig, die Schüler zu bitten, fNIRS-Kappen während einer Schulzeit (dh 50 minuten) zu tragen. Daher sind tragbare fNIRS-Einstellungen im tatsächlichen Vortrags- und Lernszenario erforderlich. Zweitens, obwohl das fNIRS eine höhere Toleranz gegenüber Kopfbewegungen als fMRT zeigt, kann diese Technik nur die Gehirnaktivität des Oberflächenkortexerkennen 15. Daher kann fNIRS-Hyperscanning nicht im belohnungsbezogenen neuronalen Mechanismus erforschenden Paradigma verwendet werden, in dem die Amygdala eine entscheidende Rolle spielt51. In der Zwischenzeit deutet die begrenzte Anzahl von Quellen und Detektoren im fNIRS-Setup darauf hin, dass nicht die gesamte Hirnrinde gemessen werden würde. Das bedeutet, dass Forscher die Region of Interest (ROI) auswählen müssen, um sie zu messen. Drittens wird PCA verwendet, um die Systemverunreinigungen zu beseitigen. Während diese Technik effizient ist, ist in Zukunft auch das Hinzufügen von kurzen Kanälen, die für den extrazerebellären Blutfluss verantwortlich sind, der fNIRS-Signale kontaminieren kann, ein effizienter Ansatz29,39. Viertens kann das Datenanalyseverfahren in diesem Protokoll in anderen naturalistischen fNIRS-Hyperscanning-Studien angewendet werden. Der nächste Schritt ist die Entwicklung von fNIRS-spezifischen Datenanalysepaketen mit der Standardrichtlinie. Fünftens wird in diesem Protokoll WTC verwendet, um die gleichzeitige Gehirnaktivität (dh IBS) zu identifizieren. Mit der Entwicklung einer Technik zur Berechnung der kovariierten neuronalen Aktivität können auch andere Methoden wie Graphentheorie und GCA verwendet werden. Sechstens ist es notwendig, Kontrollbedingungen zu rekrutieren, z. B. Gesprächsbedingungen, bei denen Dyaden über bestimmte Themen sprechen müssen, um Störeffekte auszuschließen. In der Zwischenzeit, um zu zeigen, welche Lernaktivität im kollaborativen Lernen (d.h. Wissenskokonstruktion52)zum IBS führen würde. Und ob diese erkannten IBS verwendet werden können, um die Lernleistung von kollaborativen Lerndyaden zu verfolgen, ist ebenfalls wichtig. Schließlich ist es auch dringend erforderlich, einen Rahmen zur Erläuterung des Mechanismus von IBS zu schaffen. Forscher versuchen zu erkennen, ob dies nur das Epiphänomen oder ein neuronaler Mechanismus der sozialen Interaktion von Hamilton53ist. Um dieses Ziel zu erreichen, schlug Hamilton einerseits einen xGLM-Ansatz vor, der Gehirnaktivität, Verhaltensdaten und physiologische Daten zusammen modelliert, um die zuverlässige Erklärung der Gehirnkopplung zu erforschen53. Auf der anderen Seite schlugen Novembre und Lannetti vor, eine Multi-Hirn-Stimulation (MBS) durchzuführen, um den Mechanismus der gleichzeitigen Gehirnaktivität aufzudecken54.
Schlussfolgerung
fNIRS Hyperscanning führt zu einem Paradigmenwechsel vom traditionellen Experimentdesign hin zu realistischen sozialen Interaktionsszenarien in den sozialen Neurowissenschaften. Das mit dieser Methode extrahierte IBS bietet eine neue Sichtweise, um den neurobiologischen Mechanismus sozialer Interaktionen zu erklären. Schließlich wäre die etablierte standardisierte Pipeline zum Sammeln und Analysieren von Daten der Meilenstein für die Generierung gültiger Ergebnisse und die Weiterentwicklung des jüngsten Hyperscanning-Experiments.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Die Autoren haben nichts preiszugeben.
Acknowledgments
Diese Arbeit wird unterstützt durch das ECNU Academic Innovation Promotion Program for Excellent Doctoral Students (YBNLTS2019-025) und die National Natural Science Foundation of China (31872783 und 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 |
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).
