Waiting
Login processing...

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

Neuroscience

Açık Uçlu İşbirlikçi Öğrenmede Beyinler Arası Senkron: FNIRS-Hyperscanning Çalışması

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

Doğal öğrenme ortamında işbirlikçi öğrenme boyaları üzerinde fNIRS hiper tarama deneyleri yapma protokolü özetlenmiştir. Ayrıca, oksijenli hemoglobin (Oxy-Hb) sinyallerinin Beyinler Arası Senkronunu (IBS) analiz etmek için bir boru hattı sunulmuştur.

Abstract

fNIRS hiper tarama, sosyal etkileşimin nörobiyolojik temellerini tespit etmek için yaygın olarak kullanılmaktadır. Bu teknikle araştırmacılar, beyinler arası senkron (IBS) (yani nöronal veya hemodinamik sinyallerin zaman içinde faz ve/veya genlik hizalaması) adı verilen yeni bir indekse sahip iki veya daha fazla etkileşimli bireyin eşzamanlı beyin aktivitesini nitelerler. Doğal öğrenme ortamında işbirlikçi öğrenme boyaları üzerinde fNIRS hiper tarama deneyleri yapmak için bir protokol burada sunulmaktadır. Ayrıca, oksijenli hemoglobin (Oxy-Hb) sinyalinin IBS analiz boru hattı açıklanmaktadır. Özellikle, deneysel tasarım, NIRS veri kayıt süreci, veri analizi yöntemleri ve gelecekteki talimatlar tartışılmaktadır. Genel olarak, standartlaştırılmış bir fNIRS hiper tarama boru hattı uygulamak, ikinci şahıs sinirbilimin temel bir parçasıdır. Ayrıca, bu, araştırmanın tekrarlanabilirliğine yardımcı olmak için açık bilim çağrısına uygun.

Introduction

Son zamanlarda, etkileşimli boyalar veya bir grubun üyeleri arasında eşzamanlı beyin aktivitesini ortaya çıkarmak için araştırmacılar hiper tarama yaklaşımı1,2. Özellikle, elektroensefalogram (EEG), fonksiyonel manyetik rezonans görüntüleme (fMRI) ve fonksiyonel yakın kızılötesi spektroskopi (fNIRS), iki veya daha fazla denekten aynı anda 3 ,4,5sinir ve beyin aktivitelerini kaydetmek için kullanılır. Araştırmacılar, beyinler arası senkron (IBS) (yani, nöronal veya hemodinamik sinyallerin zaman içinde faz ve/veya genlik hizalamasını) ifade eden bu tekniğe dayanarak eşzamanlı beyin bağlantısı gerektiren bir sinir indeksi çıkarırlar. Çok çeşitli hiper tarama araştırmaları, birden fazla kişi (örneğin, oyuncu-izleyici, eğitmen-öğrenci ve lider-takipçi) arasındaki sosyal etkileşim sırasında IBS buldu6,7,8. Ayrıca, IBS etkili öğrenme ve öğretim9,10 , 11,12,13,14özel etkileri vardır. Doğal öğrenme senaryolarında hiper tarama araştırmalarının artmasıyla, hiper tarama deneylerinin standart bir protokolünü oluşturmak ve bu alandaki veri analizi boru hattı gereklidir.

Bu nedenle, bu makale, işbirlikçi öğrenme boyalarının fNIRS tabanlı hiper taramasını yürütmek için bir protokol ve IBS'yi analiz etmek için bir işlem hattı sağlar. fNIRS, hemoglobin spektral emilimini dolaylı olarak değerlendirmek için kızılötesine yakın ışık yayan bir optik görüntüleme aracıdır ve daha sonra hemodinamik / oksijenasyon aktivitesi15 , 16,17olarak ölçülür. fMRI ile karşılaştırıldığında, fNIRS gerçek hayatta deneyler yapan deneklerden (örneğin, taklit, konuşma ve sözel olmayan iletişim) ölçümlere izin veren hareket eserlerine daha az eğilimlidir18,7,19. EEG ile karşılaştırıldığında, fNIRS daha yüksek mekansal çözünürlüğe sahiptir ve araştırmacıların beyin aktivitesinin yerini tespit etmelerini sağlar20. Bu nedenle, mekansal çözünürlük, lojistik ve fizibilitedeki bu avantajlar fNIRS'yi hiper tarama ölçümü yapmak için niteler1. Bu teknolojiyi kullanarak, gelişmekte olan bir araştırma organı, iki (veya daha fazla) insanın beyin aktivitesinin doğal sosyal ayarların farklı formlarında IBS-sinirsel hizalaması olarak bir indeks terimi algılar9,10,11,12,13,14. Bu çalışmalarda, bu indeksi hesaplamak için çeşitli yöntemler (yani Korelasyon analizi ve Wavelet Transform Coherence (WTC) analizi) uygulanmaktadır; bu arada, bu tür analizler üzerinde standart bir boru hattı esastır, ancak eksiktir. Sonuç olarak, bu çalışmada FNIRS tabanlı hiper tarama ve IBS'yi tanımlamak için WTC analizi kullanan bir işlem hattı yürütme protokolü sunulmuştur.

Bu çalışma, FNIRS hiper tarama tekniğini kullanarak işbirlikçi öğrenme boyalarında IBS'yi değerlendirmeyi amaçlamaktadır. İlk olarak, işbirlikçi bir öğrenme görevi sırasında her dyad'ın prefrontal ve sol temporoparietal bölgelerinde aynı anda hemodinamik bir yanıt kaydedilir. Bu bölgelerin etkileşimli öğretim ve öğrenme9,10 , 11,12,13,14ile ilişkili olduğu belirlenmiştir. İkinci olarak, IBS ilgili her kanalda hesaplanır. FNIRS veri kayıt işlemi iki bölümden oluşur: dinlenme durumu oturumu ve işbirlikçi oturum. Dinlenme durumu oturumu 5 dakika sürer, bu süre zarfında her iki katılımcının da (bir masa (0,8 m) ile birbirinden ayrı olarak yüz yüze oturmaları) hareketsiz kalmaları ve rahatlamaları gerekir. Bu dinlenme durumu oturumu temel olarak hizmet veriyor. Daha sonra, işbirlikçi oturumda, katılımcılara tüm öğrenme materyallerini birlikte incelemeleri, anlamaları, kuralları özetlemeleri ve tüm öğrenme materyallerine hakim olunmasını sağlamaları söylenir. Burada, deney ve fNIRS veri analizinin özel adımları sunulmaktadır.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

İşe alınan tüm katılımcılar (40 dyad, yaş ortalaması 22.1 ± 1.2 yıl; %100 sağ elini kullanan; normal veya normale düzeltilmiş görme) sağlıklıydı. Deneyden önce katılımcılar bilgilendirilmiş onay verdi. Katılımcılara katılımları maddi olarak tazmin edildi. Çalışma, Doğu Çin Normal Üniversitesi İnsan Araştırmalarını Koruma Üniversitesi Komitesi (HR-0053-2021) tarafından onaylandı.

1. Verileri benimsemeden önce hazırlık adımları

  1. Ev yapımı NIRS kapakları
    1. Optode tutucu ızgara yerleştirmek için elastik yüzme kapağını benimseyin.
      NOT: Katılımcıların kafa boyutlarının farklı olduğu göz önüne alındığında, iki büyüklükte kapak kullanılır. Baş çevresi 55,4 ± 1,1 cm olan katılımcılar için küçük kapaklar, 57,9 ± 1,2 cm baş çevresi olan katılımcılar için büyük kapaklar hazırlanır.
    2. EEG elektrotlarının (inion, Cz, T3, T4, Fpz ve P5) konumunu elastik yüzme kapaklarındaki standart uluslararası 10-10 sistemine göre referans optodlar olarak tutturun (bkz. Malzeme Tablosu).
      1. İlk olarak, standart 10-10 EEG kapağını (bkz. Malzeme Tablosu)baş kalıbına yerleştirin ve elastik yüzme kapağını EEG kapağına yerleştirin. İkinci olarak, referans optodlarını (inion, Cz, T3, T4, Fpz ve P5) her kapakta tebeşirle işaretleyin. Son olarak, iki referans optodu yerleştirmek için yaklaşık 15 mm çapında iki delik kesin (örneğin, Fpz ve P5, Şekil 1).
        NOT: Özellikle, 3 x 5 optode prob seti ve 4 x 4 optode prob seti prefrontal alan (referans optod Fpz, Şekil 1B'yeyerleştirilir) ve sol temporoparietal bölgeler (referans optod P5, Şekil 1B'yeyerleştirilir) üzerine ayrı ayrı yerleştirilir.
    3. Diğer optodları yerleştirmek için delikler kesin. Doğrudan baş kalıbına iki ızgara tutuculu bir yüzme başlığı yerleştirin. Ardından, diğer optodların konumunu tebeşirle işaretleyin. Bundan sonra, ızgara tutucunun sığmasını sağlamak için geri kalan delikleri kesin.
    4. İki prob setini (örneğin, 3 x 5 ve 4 x 4) yüzme kapaklarına monte edin (bkz. Malzeme Tablosu).
      NOT: NIRS ölçüm sistemi (bkz. Malzeme Masası),bu standart prob setlerini (örneğin, 3 x 5 ve 4 x 4) 30 mm optod ayrımını sağlayan standart tutucu soketlerle birlikte sağlar.
    5. NIRS ölçüm sisteminde prob seti monitör penceresini açın ve her kişi için ayrı ayrı 3 x 5 ve 4 x 4 olarak düzenlenmiş dört prob seti seçin.
      NOT: İki kapağın prob düzenlemeleri, prob kümesi penceresindeki yapılara (yani, alıcı prob numaralarının ve ilgili yayıcının tam konumuna) karşılık gelmelidir.
  2. Deneyin hazırlanması
    1. Verileri kaydetmeden önce, NIRS sistemini en az 30 dakika çalıştırarak sabit bir çalışma sıcaklığında olduğundan emin olun.
      NOT: Kararlı çalışma sıcaklığı 5 °C ile 35 °C arasında değişmektedir.
    2. Ölçüm modunu olayla ilgili ölçüme ayarlayın. Tetikleyici alıcısının etkin olduğundan emin olun (örneğin, RS232 seri girişi).
      NOT: Deney, piyasada bulunan psikoloji yazılımında programlanmıştır (bkz. Malzeme Tablosu). Kızılötesine yakın ışığın emilimi (iki dalga boyu: 695 ve 830 nm) 10 Hz örnekleme hızı ile ölçülür.
    3. Saçları bir kenara taşımak için kullanılabilecek ışıklı fiber optik probu hazırlayın.
    4. Katılımcıların koltuklarını yüz yüze tutmak için deney ortamını iki sandalyeli bir masayla ayarlayın.

2. Katılımcılara talimat vererek verilerin benimsenmesi

  1. Katılımcıları hazırlayın
    1. NIRS ölçüm yöntemlerinin ayrıntıları da dahil olmak üzere katılımcılara talimat verin.
      NOT: Tüm katılımcılar sağlıklıydı ve katılım için finansal olarak telafi edildi. Hiçbir katılımcı deneyden yarı yolda çekilmedi. NIRS'nin lazer ışını katılımcıların gözlerine zararlı olabilir ve doğrudan bu lazer ışınlarına bakmamaları talimatı verildi.
    2. Katılımcıların birbirlerini doğrudan görebileceklerinden emin olmak için yüz yüze (bir masa dışında (0,8 m)) oturmalarını sağlar. Katılımcıların rahat oturması için sandalyeden masaya mesafeyi (yani yaklaşık 0,3 m) ayarlayın.
    3. Lazer düğmesini açın ve kapakları prob setleriyle birlikte katılımcıların kafalarına yerleştirin.
      NOT: 3 x 5 prob setleri katılımcıların alnını kaplar (alt satırın orta probu Fpz üzerine yerleştirilir); 4 x 4 prob setleri sol temporoparietal korteksi kapsar (üçüncü sıranın üçüncü probu P5'e yerleştirilir).
    4. Dört optik fiber demetini katılımcılarla veya sandalyelerle temas etmeden tutucunun kollarına gevşek bir şekilde yerleştirin.
      NOT: Burada, NIRS ölçüm sisteminde dört demet optik fiber vardır. Ayrıca, katılımcıların kapakları çıkarmak için çok ağır hissetmemelerini sağlayın.
    5. Her yay yükü probunu soketine dikkatlice iterek prob uçlarının katılımcıların kafa derisine dokunmasına izin verin.
    6. Sinyal kalibrasyonu gerçekleştirin.
      1. İlk olarak, fNIRS makinesinin prob seti monitör penceresindeki Otomatik Kazanç'ı tıklatarak sinyalin kalitesini kontrol edin. Daha sonra, bir kanalın zayıf sinyali ve yeterli sinyali, prob kümesi monitör penceresinde sırasıyla sarı ve yeşil olarak işaretlenir.
        NOT: Yetersiz sinyallere sahip bir kanal için, probun ucunun altındaki saçları bir tarafa taşımak için ışıklı fiber optik problar kullanılır.
      2. Ardından, yeterli sinyal almak için probları yuvalarına daha fazla itin. NIRS ölçüm sisteminin prob seti monitör penceresinde tüm kanallar yeşille işaretlenene kadar bu işlemi tekrarlayın, bu da sinyallerin kalitesinin erişilebilir olduğunu gösterir.
  2. Denemeyi çalıştırma
    1. Denemeyi, taban çizgisi olarak hizmet veren 5 dakikalık bir dinlenme durumuyla başlatın. Daha sonra, iki katılımcının öğrenme materyallerini birlikte öğrenmesi gerekir.
    2. Denemeden sonra, ham ışık yoğunluğu verilerini dışa aktarmak ve verileri bir metin dosyası olarak kaydetmek için Metin Dosyası Dışarı'yı tıklatın.
      NOT: NIRS ölçüm sisteminde filtre uygulanmaz.
    3. Her katılımcı için yayıcıların, alıcıların ve diğer referansların (örneğin, inion, nasion, Cz ve sol ve sağ kulaklar) konumlarını belirlemek için üç boyutlu (3D) sayısallaştırıcıyı (bkz. Malzeme Tablosu)kullanın.
      1. Ticari olarak kullanılabilen sayısal bilgi işlem platformu21'i kullanarak kayıt kanalları için MNI koordinatlarını edinin (bkz. Malzeme Tablosu). Tamamlayıcı Tablo S1, her kanalın ilgili anatomik konumlarını gösterir.
    4. Probları ve prob tutucuları etanol ile temizleyin. Kapakları hafif deterjanla yıkayın ve kapakların havasını kurumasına izin verin.

3. Veri analizi

  1. Veri ön işleme
    NOT: Önceki araştırmalar değişken ticari olmayan yazılım paketlerini benimsemiştir (örneğin, Homer222, Çözümleyici23veya nirs LAB24) sayısal bilgi işlem platformları ile (bkz. Malzeme Masası) fNIRS veri analizi üzerine ve hepsi web sitesinde mevcuttur. Burada Homer2, NIRS verilerinin ön işlemesini yapmak için kullanıldı. Ayrıca, hem geri kalanlarda toplanan verileri kaydeden FNIRS hem de işbirlikçi öğrenme aşamaları aynı ön işleme ve analiz işlem hattını paylaşır.
    1. Veri kümesini fNIRS makinesinden kopyalayın. Özgün veri oluşumunu uygun formasyona dönüştürün (yani cvs dosyasını nirs dosyasına dönüştürün).
    2. Sayısal bilgi işlem platformunda sağlanan "hmrIntensity2OD" işleviyle ham verileri optik yoğunluk (OD) verilerine dönüştürün (bkz. Malzeme Tablosu).
    3. Bozuk kanalları silin. Ardından, her kanaldaki her katılımcı için OD değerinin ortalamasını ve sırasıyla tam örnek noktaları.
      NOT: Burada 46 adet ortalama OD değeri elde edilir.
      1. Her katılımcı için standart sapmayı (SD) hesaplayın.
      2. Kullanılamaz olarak işaretleyin ve çok düşük veya yüksek OD'ye sahip kanalları (5 SD'yi aşan) her katılımcı için analizden çıkarın.
        NOT: Bu adım fNIRS veri ön işlemeden önce ve/veya sonra gerçekleştirilebilir. Bu veri analizleri işlem hattı, kötü kanallar fNIRS veri ön işlemeden önce algılanır.
    4. OD zaman verilerini Oxy-Hb, DeOxy-Hb ve değiştirilmiş Bira-Lambert Yasası25'edayalı birleşik sinyale dönüştürün.
      NOT: Referans25 diyor ki, "Tüm veri analizi adımları, daha yüksek sinyal-gürültü oranına sahip bölgesel serebral kan akışındaki değişimin bir göstergesi olan Oxy-Hb verileri üzerinde gerçekleştirilir26. Ek olarak, önceki araştırmalar ağırlıklı olarak Oxy-Hb konsantrasyonu11 , 12 , 13,14'eodaklanan öğretim ve öğrenme senaryolarında fNIRS hiper taramasını kullanmıştır."
    5. Oxy-Hb zaman serisini kanal kanal dalgacık tabanlı yöntemle hareket yapıtlarından kalibre edin.
      NOT: Özellikle, 0.1'de ayar parametresi bulunan Daubechies 5 (db5) dalgacık (Homer2 kılavuzundaki ayrıntılara bakın)27,28 hareket yapıtlarının kaldırılmasında benimsenmiştir.
    6. Yüksek frekanslı gürültüyü ve yavaş sürüklenmeyi azaltmak için kalibre edilmiş Oxy-Hb verilerine bant geçiş filtresini (yani 0,01-1 Hz) uygulayın.
    7. Sinirsel olmayan küresel bileşenleri (örneğin, kan basıncı, solunum ve kan akışı varyasyonu) çıkarmak için OxyHb sinyalinde ana bileşen analizi (PCA) yapın29.
      NOT: Zhang ve meslektaşları29 tarafından önerilen PCA analizi burada benimsenmiştir.
      1. İlk olarak, sinyali ayrıştırın.
        NOT: FNIRS sinyalinin ayrışmasının özel formülü: H = UΦVT. Burada, fNIRS verilerinin zamansal ve mekansal kalıpları iki matriste (yani, siz ve V) sunulmaktadır. U bir 2D (örnek nokta x ana bileşen) matrisidir. V aynı zamanda bir 2D (ana bileşen x ana bileşen) matrisidir. V sütunu bir ana bileşeni (PC) gösterir ve bu bilgisayarın belirli bir kanal için gücü sütunun her girişinde tahmin edilir. Her bilgisayarın göreli önemi çapraz matris Φ değeri ile temsil edilir.
      2. İkincisi, mekansal yumuşatma yapın.
        NOT: Gauss çekirdek konvolüsiyon, yerelleştirilmiş sinyalleri kaldırmak ve genel bileşeni almak için kullanılır.
      3. Üçüncüsü, sinyali yeniden oluştur.
        NOT: FNIRS verilerinin genel bileşenini hesaplamak için, düzeltilmiş uzamsal desen matrisi V* ayrışma formülüne geri takılır: HGlobal = UΦ (V*)T. Daha sonra, H Global : H Neuronal = H - H Global 'i çıkarmak için orijinal veri H kullanılarak lokalize türetilmiş nöronal sinyal elde edilebilir.
  2. Beyinler arası senkron
    NOT: İkinci şahıs sinirbiliminde beyin kavramasını ortaya çıkarmak için dalgacık dönüşüm tutarlılığı (WTC) burada benimsenmiştir. Kısaca, WTC frekans ve zamanın bir işlevi olarak iki zamanlı seriler arasındaki korelasyonu ölçar. İki kez x ve y serisinin dalgacık tutarlılığının özel formülü:
    Equation 1
    T ve s zaman ve dalgacık ölçeğini ayrı ayrı belirtir, ‹·› ölçek ve zaman içinde bir yumuşatma işlemi gösterir. W, sürekli dalgacık dönüşümünü temsil eder. Daha sonra, bir 2D (zaman x frekans) WTC matrisioluşturulur 30. WTC değerini hesaplamak için çeşitli araç kutuları kullanılır. Burada Grinsted ve meslektaşları tarafından oluşturulan araç kutusu kullanıldı30.
    1. Sayısal bilgi işlem platformunun WTC işlevini benimseyin (bkz. Malzeme Tablosu).
      NOT: Burada ana dalgacığın varsayılan ayarı (yani beta ve gama parametreleri ile Genelleştirilmiş Mors Dalgası) kullanılır. Ana dalgacık, her seriyi frekans ve zaman etki alanına dönüştürür.
    2. Diğer parametrelerde varsayılan ayarı ayarlayın (örneğin, önem hesaplamasındaki yedek veri kümelerinin sayısını temsil eden MonteCarloCount).
    3. Sayısal bir bilgi işlem platformunda karşılık gelen iki kanal (iki katılımcıda aynı kanal) için WTC değerini hesaplayın (bkz. Malzeme Tablosu). Aynı prosedürü izleyerek, 46 kanaldan 46 WTC matris üretilir.
    4. İşbirlikçi öğrenmeye duyarlı olan ilgi sıklığı bandını (FOI) belirleyin.
      NOT: Burada, çok kanallı ve çok frekanslı verilerde birden fazla karşılaştırmaya bir çözüm sunan foi31'i tespit etmek için küme tabanlı bir permütasyon yaklaşımı benimsenmiştir.
      1. Her kanal birleşimi için sırasıyla dinlenme ve işbirliğine dayalı öğrenme aşamalarında WTC değerlerinin zaman ortalamasını gerçekleştirin. Ardından, bu zaman ortalamalı WTC değerleri (işbirlikçi öğrenme ve dinlenme) üzerinde tüm frekansla (frekans aralığı:0,01-1Hz 32)eşleştirilmiş örnek t-testleri yapın. Ardından, görev etkisinin önemli olduğu sıklık kutularını tanımlayın (işbirlikçi öğrenme > dinlenme, s < 0,05).
      2. Gözlemlenen kümeler ve karşılık gelen T değerleri olarak önemli frekans komşu noktaları (≥2) elde edin.
      3. 3.2.4.2 adımında 1000 kez nitelenen her küme için T değerlerini oluşturmak üzere permütle edilmiş veriler üzerinde bir dizi eşleştirilmiş örnek ttesti gerçekleştirin.
        NOT: Permütlü verileri oluşturmak için katılımcılar rastgele yeni iki üyeli çiftler oluşturmak üzere atanır. Veri kümelerinin uzunluğu her rastgele çift için boyalar arasında değiştiğinden, daha uzun veri kümesi daha kısa olan33ile aynı uzunluğa kırpılır.
      4. Özgün çiftlerden elde edilen ortalama küme tabanlı T değerlerini 1000 permütasyon T değerleriyle karşılaştırın.
        NOT: Bu formül34tarafından değerlendirilen p değerleri :
        Equation 2burada S0 gözlemlenen ortalama küme t değerini gösterir, μp ve σp permütasyon değerlerinin ortalama ve standart sapması gösterir.
      5. Her dyaddaki her kanalda tanımlanan FOI'daki ortalama WTC değerleri. Ardından, WTC değerlerinin normal bir dağılımını elde etmek için WTC değerlerine fisher z dönüşümü uygulayın. Daha fazla istatistiksel analiz için IBS'yi dizine almak için bu değeri kullanın.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Şekil 1 deneysel protokolü ve prob konumunu göstermektedir. FNIRS veri kayıt işlemi iki bölümden oluşur: dinlenme durumu oturumu (5 dk) ve işbirlikçi oturum (15-20 dk). İşbirlikçi öğrenme boyalarının rahatlaması ve dinlenme durumu oturumunda hareketsiz kalması gerekir. Bundan sonra, katılımcılara öğrenme materyalini birlikte öğrenmeleri söylenir (Şekil 1A). Prefrontal ve sol temporoparietal bölgeleri ilgili prob seti tarafından kapsanır (Şekil 1B).

Şekil 2, fNIRS veri analizi ardışık düzenine göstermektedir. FNIRS veri analizi, her katılımcıdan ve her kanaldan kaydedilen tüm fNIRS verilerine uygulanır. İlk olarak, belirli bir dyad için kanal 33'teki optod yoğunluğu Şekil 2A'da görselleştirilir. Optod yoğunluğu, fNIRS ölçüm sistemi tarafından her işbirlikçi öğrenme dyadının 46 kanalında (CH) kaydedilir. İkinci olarak, operasyon 3.1.5 ve 3.1.7 adımlarında açıklığa kavuşturuldu, WTC analizi için uygulanabilir veriler hazırlanır. Burada, kırmızı eğri dalgacık tabanlı hareket yapıtları kaldırma yöntemi tarafından ayıklanan verileri temsil eder; mavi eğri, hem Wavelet tabanlı hareket yapıtları kaldırma yöntemi hem de PCA tarafından ayıklanan verileri temsil eder. İki eğri arasındaki görselleştirilmiş fark, PCA'nın sinirsel olmayan sinyalleri kaldırmada verimli olduğunu göstermektedir (Şekil 2B). Üçüncü olarak, WTC matrisi Şekil 2C'de görselleştirilir. Renk haritası maviden sarıya değişir ve 0 ile 1 arasında azgın IBS değerini temsil eder (zaman ve frekansın bir işlevi olarak korelasyon katsayıları). Burada, 1 iki fNIRS sinyali arasındaki en büyük tutarlılığı gösterir ve 0 tutarlılık algılanmadı anlamına gösterir. Çizimdeki kırmızı bir dikdörtgen önemli katsayıları işaretler. Ek olarak, sonuçlar dyad'ın kardiyak ritim tutarlılığını temsil eden 1 Hz civarında güçlü bir tutarlılık göstermektedir. Son olarak, 3.2.4 adımlarında belirtilen işlemle, Gözlemlenen T değeri ile rastgele T değerinin dağılımı (yani 1000 kez) arasındaki karşılaştırma, tanımlanmış FOI'de (0,015 Hz-0,021 Hz) önemli sonuçlar (t (38) = 3,31, FDR düzeltilmiş p < 0,05, Cohen'in d = 1,05)(Şekil 2D)gösterir

Şekil 3, işbirlikçi öğrenmeyle ilgili frekans bandını algılamak için kullanılan küme tabanlı permütasyon yaklaşımının kritik adımlarını sunar.

Birlikte ele alındığında, veri analizi işlem hattını takiben, işbirlikçi öğrenmeye duyarlı olan frekans bandı (0,015 Hz'den 0,021 Hz'e kadar öfkelenmiş), küme tabanlı permütasyon yaklaşımıyla tanımlanır. Ayrıca, her kanal için zaman ortalaması alan IBS değeri, bir dizi eşleştirilmiş örnek t-test kullanılarak geri kalanı ve işbirlikçi öğrenme aşamaları arasında karşılaştırılır. Çoklu karşılaştırma sorununu çözmek için, 46 kanaldaki tüm gözlemlenen p değerleri FDR yöntemleri35,36iledüzeltilir. Sonuçlar, kanal 33'teki IBS'nin işbirlikçi öğrenme sırasında öneme ulaştığını göstermektedir (FDR düzeltilmiş p < 0,05). Karşılık gelen başka hiçbir kanal önemli etkiler belirtmedi (p > 0.05).

Figure 1
Şekil 1: Deneysel protokol ve prob yeri. (A) Deneysel prosedür. Dyadlardan beyin aktivitesi aynı anda fNIRS kullanılarak elde edilir. Dinlenme durumu oturumu, dinadlerin rahatlaması ve hareketsiz kalması gereken 5 dakika sürer. Bundan sonra, katılımcılara öğrenme materyalini birlikte öğrenmeleri söylenir (15-20 dk). (B) Optodes prob seti. İki prob seti prefrontal ve sol temporoparietal bölgeleri kapsar. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Figure 2
Şekil 2: FNIRS veri analizine genel bakış. (A) Örnek bir dyad için kanal 33'teki optod yoğunluğu. Optode yoğunluğu, her işbirlikçi öğrenme dyadının 46 kanalında (CD) kaydedilir. i, j, İşbirlikçi bir öğrenme dyadının iki katılımcısının Optode yoğunluğu; T, zaman. (B) Veri önişlem prosedürü. Dalgacık tabanlı hareket yapıtları kaldırma yöntemi ve PCA sırayla Oxy-Hb verilerine uygulanır. Burada, kırmızı eğri dalgacık tabanlı hareket yapıtları kaldırma yöntemi tarafından ayıklanan verileri temsil eder; mavi eğri, hem Wavelet tabanlı hareket yapıtları kaldırma yöntemi hem de PCA tarafından ayıklanan verileri temsil eder. kwavelet tabanlı yöntem, Wavelet tabanlı hareket yapıtları tarafından çıkarılan veriler süreci ortadan kaldırır. kwavelet tabanlı yöntem + PCA, hem Wavelet tabanlı hareket yapıtları kaldırma yöntemi hem de PCA tarafından ayıklanan veriler. (C) WTC arsa kanal 33 için bir örnek dyad. Renk haritası maviden sarıya değişir ve IBS'nin değerini 0 ile 1 arasında gösterir (zaman ve frekansın bir işlevi olarak korelasyon katsayıları). Burada, 1 iki fNIRS sinyali arasındaki en büyük tutarlılığı gösterir ve 0 tutarlılık algılan olmadığını gösterir. Çizimdeki kırmızı bir dikdörtgen önemli katsayıları işaretler. WTC, iki temiz Oxy-Hb zaman serisinde IBS tahmin ediyor. (D) Küme tabanlı permütasyon yaklaşımı. Gözlemlenen T değerini, tanımlanan FOI'daki rastgele T değerlerinin dağılımıyla karşılaştırın (0,015 Hz-0,021 Hz). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Figure 3
Şekil 3: ortak öğrenme ile ilgili FOI'yi tanımlama akış çizelgesi.

Tamamlayıcı Tablo S1. Bu Tabloyu indirmek için lütfen tıklayınız.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

İlk olarak, mevcut protokolde, işbirliğine dayalı bir öğrenme senaryosunda fNIRS hiper tarama deneyleri gerçekleştirmenin belirli adımları belirtilmiştir. İkinci olarak, işbirlikçi öğrenme boyalarında hemodinamik sinyallerin IBS'lerini değerlendiren veri analizi ardışık düzeni de sunulmaktadır. FNIRS hiper tarama deneylerinin yapılmasına ilişkin ayrıntılı operasyon, açık bilimin gelişimini teşvik edecektir. Ayrıca, analiz boru hattı burada hiper tarama araştırmalarının tekrarlanabilirliğini artırmak için sağlanmıştır. Aşağıda, deney tasarımı, bir deney yapma, (fNIRS) hiper tarama deneylerinde veri analizi gibi kritik konular vurgulanmaktadır. Ayrıca, mevcut sınırlamalara yönelik olası çözümler de tartışılmaktadır.

Deneysel tasarım
FNIRS hiper tarama çalışması için deneysel tasarım esnektir. Burada, fNIRS hiper tarama tekniği işbirlikçi öğrenme senaryosunda uygulanır. İki katılımcıdan şekil matrisinin belirli kurallarını birlikte öğrenmeleri istendi ve beyin aktiviteleri fNIRS tarafından aynı anda kaydedildi. Bu yaklaşım, araştırmacıların işbirlikçi öğrenme boyalarında gerçek zamanlı eşzamanlı sinir dinamiklerini (yani IBS) keşfetmelerini sağlar. Önceki araştırmalara göre, IBS öğretim ve öğrenme senaryolarında tespit edilmiştir ve etkili öğretim modunu izler11. İşbirlikçi öğrenme boyalarında tespit edilen sinirsel hizalama, başarılı öğrenmeyi destekleyen potansiyel bir sinir mekanizması olarak hizmet edebilir ve etkili işbirlikçi öğrenme kalıpları tasarlamak için etkiler sağlar. Bu arada, deneysel tasarımla ilgili kritik konuların ele alınması gerekir: deney süresi bu deneyde 30 dakika ile sınırlıdır. Bu ayarın iki nedeni: birincisi, kafasında fNIRS optodları olan kapaklar takmak rahat değildir, katılımcılar uzun süre ayakta duramazlar. İkincisi, katılımcılardan uzun süre birlikte öğrenme sırasında hareketsiz kalmalarını istemek zor. Sınırlı deneme süresi, kaliteli sinyallerin elde edilmesine izin verecektir.

Deneyi yürütmek
İşbirlikçi bir öğrenme senaryosunda fNIRS hiper tarama yapmanın en zor kısmı yüksek kaliteli beyin sinyalleri almaktır. Mevcut protokole dayanarak, üç kritik adım vurgulanır: uygun kapaklar yapmak, optod yerleştirmek ve ilgili kanalların mekansal kaydını yapmak. İlk olarak, baş çevresi katılımcılar arasında değiştiğinden, farklı bireylere uyan kapaklar yapmak esastır. İkincisi, katılımcıların kafalarına uygun bir kapak yerleştirirken, optodların uçlarının doğrudan kafa derisi cildiyle temas edebileceğinden emin olun. Bu amaca ulaşmak için, deneyden önce bu operasyonu uygulamak gerekir. Üçüncüsü, 3D sayısallaştırıcı ile mekansal kayıt yapmak, serebral korteks37 , 38,39üzerindeki NIRS kanallarının (CH) ilgili anatomik konumlarını tanımlayabilir. Bu protokol, ortalama ve sağlam sonuçlar elde etmek için tüm katılımcılar için mekansal kaydın tamamlanmasını önerir. Bu hat boyunca, önceki araştırmalar katılımcılardan doğru hemodinamik sinyallerin elde edilebilmesini sağlamak için bir ön test yapmalarını istedi. Özellikle, katılımcılar fNIRS'in hemodinamik dinamikleri kaydettiği sağ elleriyle klasik bir parmak başparmak dokunma görevi gerçekleştirdiler. Sol motor kortekste önemli bir fNIRS sinyali (p < 0.05) tespit eden katılımcılar çalışmaya katılmaya hak kazanmaktadır. Bu teknik, kaydedilen sinyallerin tüm katılımcılarda kullanılabilir olmasını sağlar40.

Veri analizi
Bu protokoldeki veri analizi süreci iki bölümden oluşur: önişlem ve WTC analizi. Burada üç kritik veri analizi adımı vurgulanmalıdır: İlk olarak, sinirsel veriler üzerinde ana bileşen uzamsal filtre algoritmasının (PCA) yürütülmesi. Zhang ve couleage29, küresel ve yerel etkilerin ayrılması için bu yaklaşımı önerdi. FNIRS nispeten serbest dolaşıma ve iletişime izin verse de, PCA sistemik değişikliklerden (örneğin, nefes alma hızı, kan basıncı, kalp atış hızı, solunum hızı ve otonom sinir sistemi aktivitesi) doğru sinyaller almak için gereklidir. Buradaki protokol, PCA'nın küresel etkileri kaldırmada verimli olduğunu göstermektedir. Bu yöntem yaygın fNIRS hiper tarama çalışmalarında kullanılır13. Tamamen, nöral olmayan bileşenler uzamsal filtreleme kullanılarak başarıyla çıkarılabilir. İkinci olarak, WTC işbirlikçi öğrenme boyalarının IBS'lerini tanımlamak için benimsenmiştir. WTC, iki zamanlı seriler arasındaki korelasyon katsayılarını zaman ve frekans41işlevi olarak değerlendirme yaklaşımıdır. Bu yöntem, Fourier analysis30gibi geleneksel bir yaklaşımla algılanamayan yerel olarak faz kilitli davranışı ortaya alabilir. Ve bu yöntem, işbirliği ve rekabetçi davranışlar 4 , 42 , çalışma eylem izleme 43 , taklit44,sözel iletişim 8 , sözel olmayan iletişim 19 , öğretme ve öğrenme etkinliği 11 , 12 ,13,14ve anne-çocuk sosyaletkileşimi45gibi çeşitli paradigmalarla FNIRS hiper taramada IBS'yi tahmin etmek için yaygın olarak kullanılmaktadır.

Bu arada, granger nedensellik analizi (GCA), korelasyon analizi ve faz senkron analizi gibi diğer teknikler hiper tarama araştırmalarında kullanılmaktadır. GCA, iki zaman serisi verisi arasında yönlendirilmiş (nedensel) bilgileri ortaya çıkarmak için bir yöntemdir46. Bu yöntem bir zamanlar eğitmen ve öğrenci arasındaki bilgi akışının yönünü test etmek için kullanılmıştır12. Korelasyon analizi, işbirliği veya rekabetçi görevleri yürüten boyalarda IBS'yi tahmin etmek için fNIRS tabanlı hiper tarama alanında da benimsenmiştir47,48. WTC analizi ile karşılaştırıldığında, bu yöntem yalnızca zaman akışı boyunca iki fNIRS zaman serisinin covaried özelliklerini karakterize eder ve frekansta potansiyel bilgileri kaçırır.

Ayrıca EEG hiper tarama çalışmalarında faz senkronunu Faz kilitleme değeri (PLV) ile ölçen diğer yaklaşımlar kullanılmıştır. PLV, iki sinyal arasındaki faz farkının tutarlılığını tahmin eder49. Bununla birlikte, Burgess PLV'nin var olmayan hiperbağlantıyı tespit etme konusunda önyargı gösterdiğini öne sürdü, özellikle küçük örnekler50. Üçüncü olarak, işbirliğine dayalı öğrenme ile ilgili sıklığı tespit etmek için parametrik olmayan istatistiksel bir test benimsemek esastır. İlk başta, görevle ilgili FOI, önceki araştırmalardaki aşağıdaki önerilerle veya belirli bir deney tasarımına göre (yani, bir denemede bir görev denemesinin ne kadar süreceği) seçilir. Son zamanlarda FOI seçme sürecinde sağlam ve üreme sonuçları elde etmek için parametrik olmayan istatistiksel test yaklaşımları benimsenmiştir. Burada, bu teknik verimli bir şekilde çalıştır edildi. İşbirliğine dayalı öğrenme ile ilgili FOI (0.015-0.021 Hz) tanımlanmıştır ve fNIRS hiper tarama araştırmalarında13. Bu tekniği çok beyinli veri analizi boru hattında uygulamak gerekir. Sonuç olarak, hiper tarama verilerinin analizi için uygun algoritmalar ve yöntemler oluşturmak önemli bir alan olacaktır.

Sınırlama ve gelecekteki yön
Çok beyinli bir sosyal etkileşim bağlamında üreme ve sağlam IBS elde etmek için gelecekte çeşitli sınırlamalar geliştirilebilir. İlk olarak, lifin ağırlığı uzun süre giyemeyecek kadar ağır ve rahatsız edicidir; böylece, deneyin süresi 30 dakika ile sınırlıdır. Gelecekte, sınıftaki çok beyinli aktiviteyi kaydediyorsanız, öğrencilerden bir okul döneminde (yani 50 dk) fNIRS kapakları takmalarını istemek zordur. Bu nedenle, gerçek ders ve öğrenme senaryosunda giyilebilir fNIRS ayarları gereklidir. İkincisi, fNIRS kafa hareketine fMRI'dan daha yüksek tolerans gösterse de, bu teknik sadece yüzey korteksinin beyin aktivitesini algılayabilir15. Bu nedenle, fNIRS hiper tarama, amigdalanın önemli bir rol oynadığı paradigmayı keşfeden ödülle ilgili sinir mekanizmasında kullanılamaz51. Bu arada, FNIRS kurulumundaki sınırlı sayıda kaynak ve dedektör, tüm beyin korteksinin ölçülmeyeceğini gösteriyor. Bu, araştırmacıların ölçmek için ilgi çekici bölgeyi (YATıRıMGK) seçmeleri anlamına gelir. Üçüncü olarak, PCA sistem kirleticilerini ortadan kaldırmak için benimsenmiştir. Bu teknik verimli olsa da, gelecekte, fNIRS sinyallerini kirletebilecek ekstra serebellar kan akışını oluşturan kısa kanallar eklemek de etkili bir yaklaşımdır29,39. Dördüncüsü, bu protokoldeki veri analizi prosedürü diğer doğal fNIRS hiper tarama çalışmalarında uygulanabilir. Bir sonraki adım, standart kılavuzla FNIRS'ye özgü veri analizi paketleri geliştirmektir. Beşinci olarak, bu protokolde, WTC eşzamanlı beyin aktivitesini (yani IBS) tanımlamak için kullanılır. Covaried nöral aktivitenin hesaplanması için bir tekniğin geliştirilmesi ile grafik teorisi ve GCA gibi diğer yöntemler de kullanılabilir. Altıncı olarak, kafa karıştırıcı etkileri dışlamak için belirli konularda dyad'ların konuşmasını gerektiren konuşma koşulları gibi kontrol koşullarını işe almak gerekir. Bu arada, işbirlikçi öğrenmede hangi öğrenme etkinliğinin (yani bilgi ortak yapımı52)IBS'ye yol açacağını ortaya çıkarmak. Ve tespit edilen bu IBS'lerin işbirlikçi öğrenme boyalarının öğrenme performansını izlemek için kullanılıp kullanılamayacağı da önemlidir. Son olarak, IBS mekanizmasını açıklayacak bir çerçeve sağlamak da acildir. Araştırmacılar bunun sadece epifenomenon mu yoksa Hamilton53'ünsosyal etkileşimin sinirsel mekanizması mı olduğunu anlamaya çalışıyorlar. Bu hedefe ulaşmak için, bir yandan Hamilton, beyin aktivitesini, davranış verilerini ve fizyolojik verileri birlikte modelleyen bir xGLM yaklaşımı önerdi beyin kavramasının güvenilir açıklamasını keşfetmek için53. Öte yandan, Novembre ve Lannetti, eşzamanlı beyin aktivitesi mekanizmasını ortaya çıkarmak için çoklu beyin stimülasyonu (MBS) yapılmasını önerdi54.

Son
fNIRS hiper tarama, geleneksel deney tasarımından sosyal sinirbilimde gerçekçi sosyal etkileşim senaryolarına bir paradigma değişimine yol açar. Bu yöntemle çıkarılan IBS, sosyal etkileşimlerin nörobiyolojik mekanizmasını açıklamak için yeni bir görünüm sağlar. Son olarak, veri toplama ve analiz etme için kurulan standartlaştırılmış işlem hattı, geçerli sonuçlar üretmek ve son hiper tarama deneyini ilerletme için kilometre taşı olacaktır.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Yazarların açıklayacak bir şeyi yok.

Acknowledgments

Bu çalışma, MÜKEMMEL Doktora Öğrencileri için ECNU Akademik İnovasyon Tanıtım Programı (YBNLTS2019-025) ve Çin Ulusal Doğa Bilimleri Vakfı (31872783 ve 71942001) tarafından desteklenmektedir.

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

Nörobilim Sayı 173 Beyinler Arası Senkron fNIRS hiper tarama Wavelet Transform Coherence açık bilim
Açık Uçlu İşbirlikçi Öğrenmede Beyinler Arası Senkron: FNIRS-Hyperscanning Çalışması
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