Waiting
Login processing...

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

Neuroscience

Como calcular e validar a sincronização inter-cerebral em um estudo de hiperscanagem fNIRS

Published: September 8, 2021 doi: 10.3791/62801
Automatic Translation
1, 1, 2, 3, 4, 1, 1
1Institute of Brain and Education Innovation, School of Psychology and Cognitive Science, East China Normal University, 2Department of Musicology, Harbin Conservatory of Music, 3Department of Clinical Neuroscience, Karolinska Institutet, 4School of Psychology, Shenzhen University

Summary

A dinâmica entre cérebros acoplado de indivíduos tem sido cada vez mais representada pela sincronização inter-cerebral (IBS) quando eles se coordenam entre si, principalmente usando sinais de gravação simultânea de cérebros (ou seja, hiperscaning) com fNIRS. Em estudos de hiperscanagem fNIRS, o IBS tem sido comumente avaliado através do método de coerência de transformação de ondas (WTC) devido à sua vantagem em expandir séries temporâneas em espaço de frequência de tempo onde as oscilações podem ser vistas de forma altamente intuitiva. O IBS observado pode ser validado ainda mais através do emparelhamento aleatório baseado em permutação do ensaio, parceiro e condição. Aqui, um protocolo é apresentado para descrever como obter sinais cerebrais através da tecnologia fNIRS, calcular o IBS através do método WTC e validar o IBS por permutação em um estudo de hiperscanagem. Além disso, discutimos as questões críticas ao usar os métodos acima, incluindo a escolha de sinais fNIRS, métodos de pré-processamento de dados e parâmetros opcionais de computação. Em resumo, o uso do método WTC e da permutação é um pipeline potencialmente padrão para a análise do IBS em estudos de hiperscanagem fNIRS, contribuindo tanto para a reprodutibilidade quanto para a confiabilidade do IBS.

Abstract

A dinâmica entre cérebros acoplado de indivíduos tem sido cada vez mais representada pela sincronização inter-cerebral (IBS) quando eles se coordenam entre si, principalmente usando sinais de gravação simultânea de cérebros (ou seja, hiperscaning) com fNIRS. Em estudos de hiperscanagem fNIRS, o IBS tem sido comumente avaliado através do método de coerência de transformação de ondas (WTC) devido à sua vantagem em expandir séries temporâneas em espaço de frequência de tempo onde as oscilações podem ser vistas de forma altamente intuitiva. O IBS observado pode ser validado ainda mais através do emparelhamento aleatório baseado em permutação do ensaio, parceiro e condição. Aqui, um protocolo é apresentado para descrever como obter sinais cerebrais através da tecnologia fNIRS, calcular o IBS através do método WTC e validar o IBS por permutação em um estudo de hiperscanagem. Além disso, discutimos as questões críticas ao usar os métodos acima, incluindo a escolha de sinais fNIRS, métodos de pré-processamento de dados e parâmetros opcionais de computação. Em resumo, o uso do método WTC e da permutação é um pipeline potencialmente padrão para a análise do IBS em estudos de hiperscanagem fNIRS, contribuindo tanto para a reprodutibilidade quanto para a confiabilidade do IBS.

Introduction

Quando as pessoas coordenam com os outros, seus cérebros e corpos se tornam uma unidade acoplado através da adaptação mútua contínua. O acoplamento entre cérebros pode ser representado pela sincronização interfencefálica (IBS) através da abordagem hiperscanante, que registra simultaneamente sinais cerebrais de dois ou mais indivíduos1. De fato, um corpo crescente de estudos de hiperscanagem fNIRS/EEG encontrou IBS em vários contextos de colaboração, incluindo toques de dedos2, caminhada em grupo3, tocar bateria4,tocar guitarra5e cantar/cantar/cantar6. FNIRS é amplamente utilizado para a pesquisa do IBS durante a interação social, pois restringe menos os movimentos cabeça/corpo em ambientes relativamente naturais (em comparação com fMRI/EEG)7.

O artigo apresenta um protocolo para o cálculo do IBS via método de coerência de transformação de ondas (WTC) em um estudo de hiperscanagem fNIRS. WTC é um método para avaliar a correlação cruzada entre dois sinais de movimento no plano de frequência de tempo e, portanto, pode dar mais informações do que a análise de correlação tradicional (por exemplo, correlação de Pearson e correlação cruzada), que está apenas no domínio do tempo8. Além disso, sinais hemodinâmicos são transformados em componentes de wavelet, que podem efetivamente remover o ruído de baixa frequência. Embora o WTC seja demorado, tem sido o método mais utilizado de cálculo do IBS na imitação de ação9, comportamento cooperativo10,comunicação verbal11,tomada de decisão12e aprendizagem interativa13.

O artigo também apresenta como validar o IBS com a análise aleatória baseada em permutação de ensaios, condições e participantes. O IBS em estudos de hiperscanagem é sempre proposto para acompanhar a interação social on-line entre os indivíduos, ao mesmo tempo em que pode ser interpretado por outras explicações, como a similaridade de estímulo, similaridade de movimento ou similaridade de condição14. O teste de permutação, também chamado de teste de randomização, pode ser aproveitado para testar as hipóteses nulas acima mencionadas através da resamplagem dos dados observados15. Por meio da permutação, é útil investigar se o IBS identificado é específico para comportamento interativo, desde a modulação do IBS dentro dos disades até entre grupos de parceiros16.

O protocolo descrito aqui detalha como obter sinais cerebrais através da tecnologia fNIRS, calcular o IBS através do método WTC e validar o IBS por meio de testes de permutação em um estudo de hiperscanagem. Este estudo tem como objetivo examinar se o IBS privilegiado é provocado por medidores musicais durante a coordenação social. Os sinais cerebrais foram registrados no córtex frontal, com base na localização do IBS em um achado anterior1. A tarefa experimental foi originalmente desenvolvida por Konvalinka e suas faculdades17, nas quais os participantes foram convidados a bater os dedos com o feedback auditivo do parceiro ou de si mesmos depois de ouvir o medidor ou estímulos não medidores.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

O protocolo aqui apresentado foi aprovado pelo Comitê Universitário de Proteção à Pesquisa Humana da Universidade Normal da China Oriental.

1. Preparação para o experimento

  1. Participantes
    1. Recrute um grupo de estudantes de graduação e pós-graduação com remuneração monetária pela publicidade do campus.
    2. Certifique-se de que os participantes são destros e têm visão e audição normais ou corrigidas. Certifique-se de que eles não estudaram música ou a estudaram por menos de 3 anos antes.
    3. Aleatoriamente combinar os alunos em díades. Para controlar o efeito potencial da familiaridade dos parceiros na coordenação social18,assegure-se de que os membros de cada díade não tenham se visto ou se conhecido antes.
  2. Estímulo experimental
    1. Crie os estímulos auditivos (440 Hz, 660 ms tons puros) por qualquer software gratuito de composição musical e notação.
    2. Repita os tons com um intervalo de 500-1000 ms e combine-os em uma sequência de tons. Cada sequência de tom é 12 s mais longa e composta de 12 tons.
    3. Para uma sequência de tom, acentue cada primeiro tom (+6 dB) para criar o padrão de downbeats e otimistas, definido como o estímulo do medidor(Áudio Suplementar 1). Na sequência de segundo tom, desacentam os tons com igual intensidade (40 dB acima do limiar de sensação individual, coletados antes da tarefa de experimento), que correspondiam ao estímulo não-medidor(Áudio Suplementar 2).
  3. Tarefa experimental
    1. Programe a tarefa experimental usando uma ferramenta de software psicológico.
    2. Organize duas etapas para a tarefa experimental (Figura 1A) conforme descrito nas etapas 1.3.3-1.3.6.
    3. segundo estado de descanso: Peça aos participantes que permaneçam o mais imóveis possível com suas mentes relaxadas e de olhos fechados.
    4. Tarefa de toque de dedo: Solicite aos participantes que completem duas partes: uma parte de coordenação e uma parte da independência.
    5. Durante a parte de coordenação, forneça feedback auditivo (ou seja, um som de gotejamento correspondente a uma torneira) a cada participante apenas pela resposta gerada pelo outro membro do díade. Peça aos participantes que façam o possível para responder sincronizadamente com o outro membro.
    6. Para a parte de independência, garanta que ambos os participantes receberam o feedback auditivo (ou seja, um som de gotejamento correspondente a uma torneira) de suas próprias respostas e peça-lhes que respondam sincronicamente com o estímulo auditivo o mais precisamente possível.
      NOTA: Combinados com os estímulos medidor e não medidor, os participantes se encontraram em uma das quatro condições diferentes: (i) coordenação do medidor - ambos os participantes ouviram medidores e as respostas um do outro; (ii) coordenação não-medidora - ambos os participantes ouviram não-medidores e as respostas um do outro; (iii) independência do medidor - ambos os participantes ouviram medidores e as respostas deles mesmos; (iv) independência não-medidor - ambos os participantes ouviram não-metros e as respostas deles mesmos.
    7. Para cada ensaio, deixe que os participantes ouçam primeiro um pedaço do estímulo auditivo (12 s) seguido de um som (262 Hz, 1000 ms) que serve como uma deixa para começar a tocar o dedo.
    8. Peça aos participantes que reproduzam o estímulo que ouviram antes tocando o dedo indicador direito no teclado (participante #1: "f"; participante #2: "j"). Os participantes devem tocar 12 vezes, mantendo o mesmo intervalo de tempo entre os tons do estímulo apresentado anteriormente.
      NOTA: Foram atribuídos 60 ensaios igualmente em 4 blocos correspondentes às 4 condições experimentais, ou seja, 15 ensaios em um bloco. A ordem dos blocos foi contrabalanceada. A duração total da tarefa de toque foi de cerca de 26 min.
    9. Entre os blocos, deixe os participantes descansarem por 30 s.
    10. Durante todo o experimento, não permita que os participantes se comuniquem através de qualquer idioma ou movimento. Separe os participantes com o monitor do computador para bloquear qualquer informação visual que possa fornecer mensagens entre eles.
  4. Tampas caseiras fNIRS: Compre duas tampas de natação elásticas de tamanho normal. Para cobrir a região de interesse cerebral, conserto as tampas de natação como descrito nos seguintes passos:
    1. Coloque uma tampa de natação em uma forma de cabeça, e depois coloque uma tampa padrão de 10-20 EEG na tampa da natação.
    2. Marque a localização de FCz na touca de natação com um marcador mágico vermelho.
    3. Retire a tampa EEG da forma de cabeça.
    4. Coloque um patch de sonda optode (configuração 3 x 5) na tampa de natação, alinhando o meio da segunda linha de sonda do patch com a localização marcada de FCz.
      NOTA: O patch da sonda optode incluiu 15 locais de sondas optode (ou seja, 8 emissores e 7 detectores), formando 22 canais de medição com separação de optode de 3 cm(Figura 1B).
    5. Marque a localização das 15 sondas do patch na tampa de natação.
    6. Tire o remendo e a tampa de natação da forma de cabeça.
    7. Corte 15 pequenos furos nos locais marcados das 15 sondas com uma tesoura.
    8. Monte o patch na tampa de natação modificada incorporando os locais de 15 sondas nos 15 orifícios apropriados.
    9. Conserto a outra tampa de natação de acordo com o processo acima.
      NOTA: A tampa de fNIRS caseira, na qual as localizações dos optodes são de acordo com os locais padrão do EEG, foram empregadas, pois não havia limites de EEG padrão aplicáveis para o sistema fNIRS utilizado neste estudo. Não há necessidade de fazer uma tampa fNIRS se houver tampas EEG padrão adequadas com o sistema fNIRS.

2. Antes que os participantes cheguem

NOTA: Certifique-se de seguir as etapas 2.1-2.5 antes que os participantes cheguem ao laboratório.

  1. Lembre os dois participantes de um disad para vir ao laboratório conforme o cronograma acordado.
  2. Inicie o sistema fNIRS com pelo menos 30 minutos de antecedência, deixando o laser desligado.
  3. Insira as sondas optode do sistema fNIRS nos patches da sonda optode.
  4. Examine os parâmetros da medição fNIRS (ou seja, ID do assunto, o modo relacionado ao evento, o arranjo da sonda optode).
  5. Coloque o aparelho experimental com uma mesa, duas cadeiras, dois monitores de computador de 19 polegadas e dois pares de fones de ouvido(Figura 1C).

3. Chegada do participante no laboratório

NOTA: Aprecie sinceramente os dois participantes de um disad quando chegarem ao laboratório fNIRS. Solicite que coloquem seu telefone em modo silencioso e deixem temporariamente seus pertences pessoais no armário. Em seguida, realize os seguintes processos em sequência:

  1. Antes de os participantes se sentarem, confirme que os dois participantes não se viram antes. Certifique-se de que eles não se comunicaram entre si através de qualquer linguagem ou movimento enquanto estavam no laboratório.
  2. Fornecer aos participantes formulários de consentimento informados aprovados pelo Comitê Universitário de Pesquisa Humana.
  3. Instrua os participantes sobre os detalhes da tarefa experimental. Peça-lhes para usar fones de ouvido e dar-lhes vários testes práticos.
  4. Nos ensaios práticos, permitem que os dois participantes de cada dyad pratiquem juntos.
    NOTA: Antes de usar a tampa fNIRS, vale a pena medir e determinar o tamanho da cabeça de cada participante usando uma regra flexível. Em seguida, selecione a tampa de tamanho certo para o participante de acordo com o tamanho da cabeça. Neste estudo, tal passo foi perdido à medida que foram utilizadas toucas de natação de tamanho único. É melhor conduzir este passo no dia anterior ao experimento, pois as operações relativas (ou seja, medindo o tamanho da cabeça, selecionando a tampa de natação do tamanho certo, montando as manchas da sonda optode na tampa de natação e inserindo as sondas optode nas manchas da sonda) são demoradas (cerca de 20-30 min).
  5. Coloque a tampa fNIRS na cabeça dos participantes com o centro da tampa apontando para a localização de CZ, e coloque a sonda optode do meio da segunda linha de sonda do patch em FCz.
  6. Opere o sistema fNIRS para executar a calibração do sinal com o laser ligado.
  7. Se houver um sinal insuficiente em algum canal, ajuste a intensidade do sinal com uma vara de fibra para deixar de lado o cabelo sob a ponta da sonda circundante.
  8. Se necessário, pressione as sondas suavemente, mas certifique-se de não machucar os participantes.
  9. Repetir as etapas 3.5-3.8 até que a qualidade do sinal esteja acessível. Certifique-se de que os participantes se sintam confortáveis durante todo o processo de calibração do sinal.
  10. Ajude os participantes a encontrar uma postura confortável para si mesmos (por exemplo, posições confortáveis do corpo). Lembre os participantes para manterem a cabeça o mais imóvel possível durante toda a tarefa experimental (ou seja, cerca de 26 min).
  11. Examine novamente a qualidade dos sinais NIRS. Se houver sinais suficientes em todos os canais, execute o procedimento de experimento no computador desktop.
  12. Ajude os participantes a tirar os fones de ouvido e a tampa fNIRS na conclusão do procedimento experimental. Devolva seus pertences pessoais e agradeça-os com compensação monetária.
  13. Opere o sistema fNIRS para salvar dados. Use um disco para exportar dados brutos fNIRS (.csv) e use um USB para copiar os dados comportamentais do computador.
  14. Feche o sistema fNIRS e o computador se não houver mais arranjo experimental.
  15. Mantenha o caderno de laboratório pronto para anotar qualquer evento, especialmente anormalidades durante todo o experimento.

4. Análise de dados

NOTA: Realize todas as análises de dados usando o software MATLAB, com as seguintes caixas de ferramentas: HOMER219, Hitachi2nirs20, xjView21,Cross Wavelet e Wavelet Coherence toolbox22e scripts de Groppe no MathWork23.

  1. Pré-processamento de dados
    1. Para verificar a qualidade dos dados, siga as etapas 4.1.2-4.1.3
    2. Leia os arquivos de dados (.csv) para cada participante com a função readHitachData do xjView.
      NOTA: Desta forma, os dados de medição hitachi (formato csv) são convertidos em dados oxyHb/deoxyHb/marcador com as informações salvas na medição (ou seja, comprimento de onda, dados temporais e lista de canais).
    3. Verifique visualmente a qualidade nos valores oxyHb e deoxyHb, plotando todas as séries temporizais de todos os canais em uma figura, com a função plotTraces do xjView.
      NOTA: É fácil identificar anormalidades nos dados. O canal que tem muito ruído pode ser excluído em análise posterior.
    4. Converta arquivos Hitachi (.csv) em formato de arquivos .nirs com a função csv2nirs de Hitachi2nirs, que suporta mais pré-processamento de dados com Homer2.
    5. Transforme os dados brutos em densidade óptica com a função hmrIntensity2OD de Homer2.
    6. Use as principais análises de componentes (PCA)24 para remover o ruído fisiológico global fNIRS usando a função enPCAFilter (nSV = 0,8, ou seja, 80% da covariância dos dados foi removida) do Homer2.
    7. Use o método de melhoria de sinal baseado em correlação (CBSI)25 para remover artefatos de movimento da cabeça usando a função hmrMotionCorrect_Cbsi de Homer2.
    8. Use a lei modificada de Beer-Lembert para transformar a densidade óptica processada em valores de oxicodona e desoxyHb com a função hmrOD2Conc de Homer2.
  2. Cálculo do IBS
    NOTA: Para os valores de oxyHb pré-processados, use o WTC para calcular os valores de coerência para o par de canais que são do mesmo local do diáad, incluindo o seguinte pipeline:
    1. Adote a função wtc da caixa de ferramentas Cross Wavelet e Wavelet Coherence com parâmetros padrão para calcular os valores de coerência a cada momento e ponto de frequência para obter uma matriz de dois eixos de valores de coerência.
    2. Para os parâmetros padrão, use onda mãe morlet, para transformar cada série de tempo no domínio de tempo e frequência pela transformação contínua de ondas.
    3. Selecione MonteCarloCount para representar o número de conjuntos de dados substitutos no cálculo de significância e selecione Auto AR1 para calcular os coeficientes de autocorrelação da série temporal.
    4. Escolha faixa de frequência de interesse (FOI) conforme mencionado nas etapas 4.2.5-4.2.8.
    5. Selecione e médio os valores de coerência da faixa de frequência entre 0,5-1 Hz (respectivamente correspondente ao período 2 s e 1 s), de acordo com a faixa de frequência utilizada na tarefa de movimento do dedo de um estudo anterior de hiperscanagem fNIRS9. Tal FOI também correspondia ao período de uma torneira na tarefa experimental. Assim, obtenha uma coluna de valores de coerência para cada par.
      NOTA: Para confirmar estatisticamente, calcule os valores de coerência para cada díade em toda a faixa de frequência (ou seja, 0,008-10 Hz para os dados), em vez de apenas confinar a faixa de frequência selecionada (ou seja, 0,5-1 Hz).
    6. Em média, os valores de coerência das janelas de tempo direcionadas (o mesmo que 4.2.3) para cada ponto de frequência.
    7. Em seguida, analise os valores médios de coerência seguindo o gasoduto descrito nas etapas 4.2.9-4.2.11 e estatísticas subsequentes (ou seja, 4.3.1 - 4.3.2) para cada ponto de frequência.
    8. Por último, inspecione visualmente a FOI, traçando os valores estatísticos z de cada canal através da frequência.
    9. Selecione e média os valores de coerência da janela de tempo durante o estado de repouso (janela de tempo para 20 s-resting-state) e cada condição experimental (ou seja, coordenação do medidor, coordenação não-medidor, independência do medidor e independência não-medidor), respectivamente, utilizando as informações da marca. Assim, obtenha cinco valores de coerência para cada tárido.
    10. Para a sessão de tarefas, selecione apenas a duração durante a qual os participantes aproveitaram para reproduzir o estímulo auditivo, cerca de 12 s para cada ensaio, totalizando assim 180 s (ou seja, 12 s x 15 ensaios) para cada condição experimental.
      NOTA: O IBS foi calculado como aumento de coerência (os valores de coerência subtraídos maiores do que zero), ou seja, os maiores valores de coerência na sessão de tarefas em comparação com os da sessão de estado de repouso.
    11. Subtrair o valor de coerência de repouso do valor de coerência relacionado à tarefa, respectivamente, no qual o valor de coerência durante o estado de repouso foi usado como linha de base neste experimento.
      NOTA: Repetindo os passos acima (4.2.1-4.2.11) entre os canais (ou seja, 22 canais) e díades (ou seja, 16 disads), os valores de coerência subtraídos para cada tíade em cada canal foram finalmente obtidos.
  3. Estatística
    1. Compare os valores de coerência subtraídos com zero em cada canal para cada condição experimental, utilizando-se as amostras emparelhadas de teste de permutação com a função mult_comp_perm_t1 do trabalho de Groppe (5000 permutações para estimar a distribuição da hipótese nula; nível alfa familiar desejado- 0,05; teste de duas caudas, o que significa que a hipótese alternativa é que a média dos dados é diferente de 0) como distribuição de dados anormais e tamanho amostral limitado na corrente experimento26.
      NOTA: As amostras emparelhadas do teste de oção aqui são semelhantes ao teste t emparelhado, mas este último assume que os dados são normalmente distribuídos, enquanto o primeiro não. Tal teste começa da mesma forma que o teste t emparelhado, ou seja, calculando uma pontuação t (ou seja, pontuação real t) para os valores de coerência em diferentes grupos (um é o valor de coerência subtraído na condição de tarefa, o outro é zeros). Em seguida, uma permutação é gerada pela troca dos valores de coerência de diferentes grupos, e um novo escore t é calculado para os valores de coerência subtraídos e zeros após essa permutação. Essa permutação é realizada 5000 vezes. Assim, são obtidas pontuações de 5000 t. Na distribuição dos escores de 5000 t, a localização relativa do escore t real gera o valor p para os valores de coerência subtraídos.
    2. Corrija os valores p (ou seja, devido ao problema de comparação múltipla, e gere a partir das comparações em 22 canais em um patch) pelo método False Discovery Rate(p < 0,05)27. Execute esta correção através da função mafdr da caixa de ferramentas MATLAB.
      NOTA: Se o valor p em qualquer canal foi significativo (ou seja, p < 0,05) após a correção do FDR, há IBS nesse canal.
    3. Compare os valores de coerência entre diferentes condições de tarefa no canal onde existia o IBS, utilizando as amostras emparelhadas do teste t com a função mult_comp_perm_t1 do trabalho de Groppe (mesmos parâmetros mencionados na etapa 4.3.1).
      NOTA: Para examinar intuitivamente o IBS durante a coordenação interpessoal em relação aos estímulos medidor versus não medidor, compare diretamente os valores de coerência de diferentes condições (ou seja, coordenação do medidor vs. coordenação não-medidor; coordenação do medidor vs. independência do medidor).
    4. Calcule o desempenho comportamental pela diferença absoluta entre o tempo de resposta dos parceiros dividido pela soma das respostas de ambos os parceiros56.
    5. Avaliar a relação entre o IBS e o desempenho comportamental através do teste de permutação com base na análise de correlação linear de Pearson (ou seja, a função mult_comp_perm_corr do trabalho de Groppe).
  4. Validação do IBS
    NOTA: Para excluir as explicações de que estímulos, movimentos ou condições semelhantes induziram o IBS demonstrado, use um teste de permutação como abordagem de validação, com três permutações (ou seja, dentro do díade, entre díade e entre permutações de condições), incluiu os seguintes:
    1. Randomize o rótulo de ensaios na condição de coordenação do medidor (ou seja, dentro da permutação dyad, como o ensaio nº 1 e o ensaio nº 13 em dyad #1) para um diácolo em cada canal através da função randperm do MATLAB.
    2. Siga o pipeline acima do cálculo do IBS e das estatísticas (ou seja, seções 4.2 e 4.3, mas excluindo a análise de sensibilidade para FOI) para o rótulo de ensaio randomizado.
      NOTA: Calcule os valores de coerência do par falso para cada condição separadamente e o aumento da coerência computacional para o par falso (ou seja, subtraia o valor de coerência de repouso do valor de coerência relacionado à tarefa para o par falso).
    3. Realizar a permutação 1000 vezes, seguido do pipeline de cálculo do IBS e estatística (seções 4,2 e 4,3).
    4. Parcelar a distribuição dos valores estatísticos z gerados dentro da permutação dyad.
    5. Realizar as etapas 4.4.2-4.4.4 por meio da combinação aleatória dos participantes do mesmo ensaio na condição de coordenação do medidor (ou seja, entre a permutação dyad, como o participante #1 no díade nº 1 e o participante nº 1 no diádade nº 3).
    6. Realizar as etapas 4.4.2-4.4.4, ao randomizar o rótulo de condições para os mesmos membros de um diálado no mesmo ensaio (ou seja, entre permutação de condição, como o participante nº 1 na condição de coordenação do medidor e o participante nº 2 na condição de independência do medidor).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Os resultados mostraram que havia IBS no canal 5 na condição de coordenação do medidor, enquanto que não existia o IBS em outras condições (ou seja, independência do medidor, coordenação não medidora, independência não medidora; Figura 2A). No canal 5, o IBS na condição de coordenação do medidor foi significativamente superior aos valores de coerência na condição de coordenação não-medidor e independência do medidor(Figura 2B). O Canal 5 pertencia aproximadamente ao córtex pré-frontal dorsolateral esquerdo (DLPFC; Brodmann Área 9). Além disso, a análise de permutação mostrou que o IBS observado provavelmente apresentou em dois indivíduos de um díade que tentaram sincronizar-se entre si no tempo combinado, mas não no tempo, parceiro ou condição de pareamento aleatoriamente(Figura 2C). Juntos, esses resultados indicaram que o medidor de música induziu o IBS privilegiado no DLPFC durante a coordenação interpessoal. Considerando o papel do DLPFC na interação social (por exemplo, modulando a atenção a outras pessoas28,29) e música (por exemplo, a melhoria do desempenho cognitivo na presença de um fundo musical30,31), o DLPFC-IBS observado na condição de coordenação do medidor pode estar relacionado para direcionar mais recurso de atenção ao processo envolvido na coordenação interpessoal, como perceber e compreender o movimento de tarefas e o parceiro.

Figure 1
Figura 1: Desenho experimental. (A) Procedimento experimental e tarefa. (B) Configuração da sonda. (C) Configuração experimental. Clique aqui para ver uma versão maior desta figura.

Figure 2
Figura 2: Sincronização interfúencena (IBS). Havia IBS no canal 5 na condição de coordenação do medidor. (B) O IBS no canal 5 na condição de coordenação do medidor foi significativamente maior do que aqueles na condição de independência do medidor e coordenação não-medidor. **p < 0,01, *p < 0,05. As barras de erro representam valores mínimos/máximos. Os pontos de diamante denotam valores extremos. A área sombreada indica o intervalo de confiança de 95%. (C) O efeito do IBS (valores estatísticos z) com ensaio permutante, individual e condição para todos os canais. A linha tracejada indica o efeito do IBS no canal 5 na condição de coordenação do medidor. O eixo x representa o valor Z, e o eixo y representa o número de amostras. Clique aqui para ver uma versão maior desta figura.

Áudio Suplementar 1. Clique aqui para baixar este Arquivo.

Áudio Suplementar 2. Clique aqui para baixar este Arquivo.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Este protocolo fornece um procedimento passo-a-passo para calcular e validar o IBS, usando a abordagem de hiperscanagem fNIRS para coletar simultaneamente os sinais cerebrais de dois participantes. Algumas questões críticas envolvidas no pré-processamento de dados fNIRS, cálculo do IBS, estatísticas e validação do IBS são discutidas abaixo.

Pré-processamento de dados
É necessário pré-processo de dados fNIRS em estudos de hiperscanagem para extrair sinais reais do possível ruído (ou seja, artefatos de movimento, componentes sistêmicos). Embora o pré-processo seja ignorado ao analisar o IBS em estudos anteriores de hiperscanagem fNIRS10,32,33, tem sido uma parte essencial e padrão nos últimos. Neste estudo, tanto o CBSI quanto o PCA são usados para remover ruídos; o primeiro é confiável para remover artefatos de movimento da cabeça34,enquanto o segundo é bom em diminuir o ruído fisiológico global (por exemplo, variação respiratória, pressão arterial e fluxo sanguíneo)35. Claro, existem outros métodos de correção de movimento para pré-processamento de dados, que têm um bom desempenho em estudos empíricos de fNIRS, como filtragem de ondas36,interpolação de spline37,filtragem de Kalman38,algoritmos autoregressivos39e correção de separação de curto canal40. As comparações dos métodos de correção de movimento relataram que é sempre melhor corrigir artefatos de movimento do que excluir canais ou rejeitar ensaios e que cada método tem ênfase particularmente em. Foi proposto que a adoção de vários métodos de correção de movimento simultaneamente41, como mostrado neste estudo, é uma solução realista. Além disso, a filtragem de baixo e alto passe também são geralmente usadas no pré-processamento de dados fNIRS para remover ruídos fisiológicos. Embora este método seja eficaz, pode destruir o efeito de tarefa quando o ruído fisiológico e o efeito da tarefa ocorrem em faixas de frequência semelhantes42. Juntos, o uso simultâneo de PCA e CBSI pode ser aconselhável para o pré-processamento de dados em estudos de hiperscanagem fNIRS.

Calcular IBS
Foi proposto que mais trabalho seja necessário para padronizar as etapas de análise do IBS e aumentar a reprodutibilidade do IBS, uma vez que algoritmos precisos utilizados para calcular o IBS são variáveis entre laboratórios e estudos43. Neste trabalho, o pipeline padrão de cálculo do IBS através do WTC é útil para os pesquisadores. Há várias coisas necessárias para ter cuidado. Em primeiro lugar, o WTC geralmente se enquadra na família Morlet wavelet, que é usada neste estudo. No entanto, propõe-se que uma vaga gaussiana complexa seja mais adequada para dados fNIRS do que uma ponta de onda Morlet, pois a primeira corresponde à forma de onda do sinal subjacente (ou seja, os sinais multiciclos raramente ocorrem, especialmente para o sinal de comprimentos de onda em torno de 10 a 20 s)44. Mais considerações devem ser direcionadas aos cálculos de coerência de wavelet que afetam o poder da análise em aplicações subsequentes para sinais NIRS adquiridos durante interações sociais ao vivo. Em segundo lugar, para ser consistente com os achados anteriores de coordenação interpessoal com a música2,45,46 e atividades musicais4,47,48, os valores de coerência foram computados entre os mesmos canais neste estudo, enquanto alguns estudos têm mediado os valores de coerência de todos os canais dentro da mesma região cerebral antes da análise estatística49,50 . Além disso, os valores de coerência foram calculados não apenas entre os mesmos canais/regiões10,32,51, mas também em diferentes canais/regiões52,53. Esses processos mencionados enriqueceram o pipeline de cálculo do IBS e podem interessar direções futuras de interação social. Por último, mas não menos importante, apenas os valores de oxicodona foram analisados neste estudo, uma vez que os valores de oxiHb são considerados como o indicador mais sensível de alterações no fluxo sanguíneo cerebral regional54. No entanto, alguns pesquisadores se concentraram nas mudanças do desoxyHb, com base nos achados de que os valores de desoxyHb estão mais intimamente relacionados ao sinal de ressonância magnética e independentes do ruído fisiológico global55. De qualquer forma, os resultados podem ser mais confiáveis se efeitos semelhantes do IBS forem revelados tanto em alterações de oxyHb quanto deoxyHb. Portanto, a análise do IBS sobre os valores de desoxyHb também é necessária para futuros estudos de hiperscanagem fNIRS.

Validar o IBS
É necessário validar o IBS revelado, pois a interpretação do IBS permanece complexa. Por exemplo, o IBS tem sido explicado como um mecanismo de transmissão de informações, intencionalidade compartilhada, alinhamento comportamental, percepção semelhante, etc. Ajudaria a esclarecer a interpretação do IBS realizando testes de hipóteses nulas com permutação, em que os valores de coerência são computados para os diásis reais, mas para ensaios de pareamento aleatoriamente ou para disads falsos, emparelhando aleatoriamente os participantes dentro de uma condição/grupo ou entre condições/grupos16. Neste estudo, a permutação foi realizada simplesmente por meio da realização de um número muito grande de resamples (ou seja, 1000 vezes). Em contrapartida, os valores de coerência podem ser calculados para todos os pares aleatórios possíveis56. Além disso, o teste de permutação acima pode ser usado para gerar uma distribuição nula de coerências de todas as coerências possíveis no experimento, para ver se o IBS observado está próximo da extremidade superior dessa distribuição, que tem sido comumente utilizado em estudos que adotam estímulos da vida real e ambiente experimental57,58. Esta análise garante que o IBS seja realmente específico de interação no nível de sequência, uma vez que os valores de coerência durante os correspondentes (ou seja, ensaios, indivíduos e condições) devem, em média, exceder estatisticamente um empate aleatório de coerências dentro ou entre os disads. Tal método é diferente da linha de base utilizada no trabalho atual (ou seja, os valores de coerência de estado de repouso), que está em consonância com os desenhos tradicionais de Modelos Lineares Gerais e é selecionado para comparar os resultados atuais com os achados em estudos anteriores. Deve-se notar que a linha de base de 20 s-resting neste estudo é menor do que a duração amplamente utilizada (30 s ou mais de 1 min), que é usada para restringir o tempo total do experimento a 30 minutos para garantir o conforto dos participantes.

Em conclusão, este artigo fornece um pipeline específico de análise do IBS em estudos de hiperscanagem fNIRS. Esse pipeline é uma abordagem potencialmente padrão de processamento de dados no campo, o que contribuirá tanto para a reprodutibilidade quanto para a confiabilidade do IBS. No futuro, os detalhes do processamento de dados devem ser ainda mais refinados ao analisar o IBS para determinados grupos (ou seja, pacientes pais-bebês, crianças e esquizofrenia) e contextos particulares (ou seja, comunicação não verbal ou verbal e situações de ensino). Por fim, mostrar o protocolo de análise da rede inter-cerebral para grupos maiores de participantes em interações naturais beneficiará a quantificação da interação social.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Os autores não têm nada a revelar.

Acknowledgments

Esta pesquisa foi apoiada pela Fundação Nacional de Ciência Natural da China (31872783, 31800951).

Materials

Name Company Catalog Number Comments
Computer Hewlett-Packard Development Company, L.P. HP S01-pF157mcn
Earphone Royal Philips Electronics, Eindhoven, The Netherlands SHE2405BK/00
EEG cap Compumedics Neuroscan, Charlotte, USA 64-channel Quik-Cap
E-Prime software Psychology Software Tools, Inc., Pittsburgh, USA E-Prime 3
fNIRS system Hitachi Medical Corporation, Tokyo, Japan ETG-7100 Optical Topography System
MATLAB 2014b The MathWorks, Inc., Natick, MA MATLAB 2014b
MuseScore Musescore Company, Belgium MuseScore 3.6.2.548021803
Swimming cap Decathlon Group, Villeneuve-d'Ascq, France 1681552

DOWNLOAD MATERIALS LIST

References

  1. Kingsbury, L., Hong, W. A Multi-Brain Framework for Social Interaction. Trends in Neurosciences. 43 (9), 651-666 (2020).
  2. Konvalinka, I., Bauer, M., Stahlhut, C., Hansen, L. K., Roepstorff, A., Frith, C. D. Frontal alpha oscillations distinguish leaders from followers: multivariate decoding of mutually interacting brains. NeuroImage. 94, 79-88 (2014).
  3. Ikeda, S., et al. Steady Beat Sound Facilitates both Coordinated Group Walking and Inter-Subject Neural Synchrony. Frontiers in Human Neuroscience. 11, 147 (2017).
  4. Duan, L., et al. Cluster imaging of multi-brain networks (CIMBN): a general framework for hyperscanning and modeling a group of interacting brains. Frontiers in Neuroscience. 9, 267 (2015).
  5. Sanger, J., Muller, V., Lindenberger, U. Intra- and interbrain synchronization and network properties when playing guitar in duets. Frontiers in Human Neuroscience. 6, 312 (2012).
  6. Muller, V., Delius, J. A. M., Lindenberger, U. Hyper-frequency network topology changes during choral singing. Frontiers in Physiology. 10, 207 (2019).
  7. Egetemeir, J., Stenneken, P., Koehler, S., Fallgatter, A. J., Herrmann, M. J. Exploring the neural basis of real-life joint action: Measuring brain activation during joint table setting with functional near-infrared spectroscopy. Frontiers in Human Neuroscience. 5, 95 (2011).
  8. 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 (5-6), 561-566 (2004).
  9. Holper, L., Scholkmann, F., Wolf, M. Between-brain connectivity during imitation measured by fNIRS. NeuroImage. 63 (1), 212-222 (2012).
  10. 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).
  11. Jiang, J., Dai, B., Peng, D., Zhu, C., Liu, L., Lu, C. Neural synchronization during face-to-face communication. Journal of Neuroscience. 32 (45), 16064-16069 (2012).
  12. Tang, H., Mai, X., Wang, S., Zhu, C., Krueger, F., Liu, C. Interpersonal brain synchronization in the right temporo-parietal junction during face-to-face economic exchange. Social Cognitive and Affective Neuroscience. 11 (1), 23-32 (2016).
  13. 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).
  14. Konvalinka, I., Roepstorff, A. The two-brain approach: how can mutually interacting brains teach us something about social interaction. Frontiers in Human Neuroscience. 6, 215 (2012).
  15. Karlsson, A. Permutation, parametric, and bootstrap tests of hypotheses. Journal of the Royal Statistical Society Series a-Statistics in Society. 169, 171 (2006).
  16. Ayrolles, A., et al. HyPyP: a Hyperscanning python pipeline for inter-brain connectivity analysis. Social Cognitive and Affective Neuroscience. 16 (1-2), 72-83 (2021).
  17. Konvalinka, I., Vuust, P., Roepstorff, A., Frith, C. D. Follow you, follow me: continuous mutual prediction and adaptation in joint tapping. Quarterly Journal of Experimental Psychology. 63 (11), 2220-2230 (2010).
  18. Majolo, B., et al. Human friendship favours cooperation in the iterated prisoner's dilemma. Behaviour. 143, 1383-1395 (2006).
  19. Homer2. , Available from: https://www.nitrc.org/projects/hitachi2nirs (2021).
  20. Hitachi2nirs. , Available from: https://www.nitrc.org/projects/hitachi2nirs (2021).
  21. xjview. , Available from: https://www.alivelearn.net/xjview/ (2021).
  22. Cross Wavelet and Wavelet Coherence toolbox. , Available from: http://grinsted.github.io/wavelet-coherence/ (2021).
  23. Groppe's scripts in MathWork. , Available from: https://uk.mathworks.com/matlabcentral/profile/authors/1948879 (2021).
  24. Zhang, Y., Brooks, D. H., Franceschini, M. A., Boas, D. A. Eigenvector-based spatial filtering for reduction of physiological interference in diffuse optical imaging. Journal of Biomedical Optics. 10 (1), 011014 (2005).
  25. Cui, X., Bray, S., Reiss, A. L. Functional near infrared spectroscopy (NIRS) signal improvement based on negative correlation between oxygenated and deoxygenated hemoglobin dynamics. NeuroImage. 49 (4), 3039-3046 (2010).
  26. Lumley, T., Diehr, P., Emerson, S., Chen, L. The importance of the normality assumption in large public health data sets. Annual Review of Public Health. 23 (1), 151-169 (2002).
  27. Benjamini, Y., Yekutieli, D. The control of the false discovery rate in multiple testing under dependency. Annals of Statistics. 29 (4), 1165-1188 (2001).
  28. Miller, B. L., Cummings, J. L. The human frontal lobes: Functions and disorders. , Guilford Press. New York. (2007).
  29. vanden Bos, W., van Dijk, E., Westenberg, M., Rombouts, S. A. R. B., Crone, E. A. What motivates repayment? Neural correlates of reciprocity in the Trust Game. Social Cognitive and Affective Neuroscience. 4 (3), 294-304 (2009).
  30. Corbetta, M., Shulman, G. L. Control of goal-directed and stimulus-driven attention in the brain. Nature Reviews Neuroscience. 3 (3), 201-215 (2002).
  31. Ferreri, L., Aucouturier, J. J., Muthalib, M., Bigand, E., Bugaiska, A. Music improves verbal memory encoding while decreasing prefrontal cortex activity: an fNIRS study. Frontiers in Human Neuroscience. 7, 779 (2013).
  32. Cheng, X., Li, X., Hu, Y. Synchronous brain activity during cooperative exchange depends on gender of partner: A fNIRS-based hyperscanning study. Human Brain Mapping. 36 (6), 2039-2048 (2015).
  33. Hu, Y., Hu, Y., Li, X., Pan, Y., Cheng, X. Brain-to-brain synchronization across two persons predicts mutual prosociality. Social Cognitive and Affective Neuroscience. 12 (12), 1835-1844 (2017).
  34. Delgado Reyes, L. M., Bohache, K., Wijeakumar, S., Spencer, J. P. Evaluating motion processing algorithms for use with functional near-infrared spectroscopy data from young children. Neurophotonics. 5 (2), 025008 (2018).
  35. Zhang, Y., Brooks, D. H., Franceschini, M. A., Boas, D. A. Eigenvector-based spatial filtering for reduction of physiological interference in diffuse optical imaging. Journal of Biomedical Optics. 10 (1), 11014 (2005).
  36. Molavi, B., Dumont, G. A. Wavelet-based motion artifact removal for functional near-infrared spectroscopy. Physiological Measurement. 33 (2), 259-270 (2012).
  37. Scholkmann, F., Spichtig, S., Muehlemann, T., Wolf, M. How to detect and reduce movement artifacts in near-infrared imaging using moving standard deviation and spline interpolation. Physiological Measurement. 31 (5), 649 (2010).
  38. Izzetoglu, M., Chitrapu, P., Bunce, S., Onaral, B. Motion artifact cancellation in NIR spectroscopy using discrete Kalman filtering. Biomedical Engineering Online. 9 (1), (2010).
  39. Barker, J. W., Aarabi, A., Huppert, T. J. Autoregressive model based algorithm for correcting motion and serially correlated errors in fNIRS. Biomedical Optics Express. 4 (8), 1366-1379 (2013).
  40. Gagnon, L., et al. Short separation channel location impacts the performance of short channel regression in NIRS. NeuroImage. 59 (3), 2518 (2012).
  41. Di Lorenzo, R., et al. Brain responses to faces and facial expressions in 5-month-olds: An fNIRS study. Frontiers in Psychology. 10, 1240 (2019).
  42. Duan, L., et al. Wavelet-based method for removing global physiological noise in functional near-infrared spectroscopy. Biomed Opt Express. 9 (8), 3805-3820 (2018).
  43. Hamilton, A. Hype, hyperscanning and embodied social neuroscience. PsyArXiv. , (2020).
  44. Zhang, X., Noah, J. A., Dravida, S., Hirsch, J. Optimization of wavelet coherence analysis as a measure of neural synchrony during hyperscanning using functional near-infrared spectroscopy. Neurophotonics. 7 (1), 015010 (2020).
  45. Ikeda, S., et al. Steady beat sound facilitates both coordinated group walking and inter-subject neural synchrony. Frontiers in Human Neuroscience. 11, 147 (2017).
  46. Osaka, N., et al. How two brains make one synchronized mind in the inferior frontal cortex: fNIRS-based hyperscanning during cooperative singing. Frontiers in Psychology. 6, 1811 (2015).
  47. Abrams, D. A., et al. Inter-subject synchronization of brain responses during natural music listening. European Journal of Neuroscience. 37 (9), 1458-1469 (2013).
  48. Hou, Y., Song, B., Hu, Y., Pan, Y., Hu, Y. The averaged inter-brain coherence between the audience and a violinist predicts the popularity of violin performance. NeuroImage. 211, 116655 (2020).
  49. Baker, J. M., et al. Sex differences in neural and behavioral signatures of cooperation revealed by fNIRS hyperscanning. Scientific Reports. 6, 26492 (2016).
  50. Kruppa, J. A., et al. Brain and motor synchrony in children and adolescents with ASD-a fNIRS hyperscanning study. Social Cognitive and Affective Neuroscience. 16 (1-2), 103-116 (2021).
  51. Liu, T., Duan, L., Dai, R., Pelowski, M., Zhu, C. Team-work, Team-brain: Exploring synchrony and team interdependence in a nine-person drumming task via multiparticipant hyperscanning and inter-brain network topology with fNIRS. NeuroImage. 237, 118147 (2021).
  52. Dai, B., et al. Neural mechanisms for selectively tuning in to the target speaker in a naturalistic noisy situation. Nature Communications. 9 (1), 2405 (2018).
  53. Li, R., Mayseless, N., Balters, S., Reiss, A. L. Dynamic inter-brain synchrony in real-life inter-personal cooperation: A functional near-infrared spectroscopy hyperscanning study. NeuroImage. 238, 118263 (2021).
  54. Boas, D. A., Dale, A. M., Franceschini, M. A. Diffuse optical imaging of brain activation: approaches to optimizing image sensitivity, resolution, and accuracy. NeuroImage. 23, 275-288 (2004).
  55. Ferrari, M., Quaresima, V. A brief review on the history of human functional near-infrared spectroscopy (fNIRS) development and fields of application. NeuroImage. 63 (2), 921-935 (2012).
  56. Mu, Y., Guo, C., Han, S. Oxytocin enhances inter-brain synchrony during social coordination in male adults. Social Cognitive and Affective Neuroscience. 11 (12), 1882-1893 (2016).
  57. Chen, J., et al. Shared memories reveal shared structure in neural activity across individuals. Nature Neuroscience. 20 (1), 115-125 (2017).
  58. Regev, M., et al. Propagation of Information Along the Cortical Hierarchy as a Function of Attention While Reading and Listening to Stories. Cerebral Cortex. 29 (10), 4017-4034 (2019).

Tags

Neurociência Problema 175 sincronização inter-cerebral hiperexcing fNIRS coerência de transformação de ondas teste de permutação
Como calcular e validar a sincronização inter-cerebral em um estudo de hiperscanagem fNIRS
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Hu, Y., Wang, Z., Song, B., Pan, Y., … More

Hu, Y., Wang, Z., Song, B., Pan, Y., Cheng, X., Zhu, Y., Hu, Y. How to Calculate and Validate Inter-brain Synchronization in a fNIRS Hyperscanning Study. J. Vis. Exp. (175), e62801, doi:10.3791/62801 (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