Waiting
Login processing...

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

Neuroscience

如何在fNIRS超扫描研究中计算和验证脑间同步

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

当个体的耦合大脑相互协调时，它们越来越多地由脑间同步（IBS）表示，主要使用与fNIRS同时记录大脑的信号（即超扫描）。在fNIRS超扫描研究中，IBS通常通过小波变换相干（WTC）方法进行评估，因为它在将时间序列扩展到时频空间方面具有优势，其中振荡可以以高度直观的方式看到。观察到的IBS可以通过试验，伴侣和条件的基于排列的随机配对来进一步验证。在这里，提出了一个方案来描述如何通过fNIRS技术获取脑信号，通过WTC方法计算IBS，并在超扫描研究中通过排列验证IBS。此外，我们还讨论了使用上述方法时的关键问题，包括fNIRS信号的选择，数据预处理方法以及可选的计算参数。总之，使用WTC方法和排列是在fNIRS超扫描研究中分析IBS的潜在标准管道，有助于IBS的再现性和可靠性。

Abstract

当个体的耦合大脑相互协调时，它们越来越多地由脑间同步（IBS）表示，主要使用与fNIRS同时记录大脑的信号（即超扫描）。在fNIRS超扫描研究中，IBS通常通过小波变换相干（WTC）方法进行评估，因为它在将时间序列扩展到时频空间方面具有优势，其中振荡可以以高度直观的方式看到。观察到的IBS可以通过试验，伴侣和条件的基于排列的随机配对来进一步验证。在这里，提出了一个方案来描述如何通过fNIRS技术获取脑信号，通过WTC方法计算IBS，并在超扫描研究中通过排列验证IBS。此外，我们还讨论了使用上述方法时的关键问题，包括fNIRS信号的选择，数据预处理方法以及可选的计算参数。总之，使用WTC方法和排列是在fNIRS超扫描研究中分析IBS的潜在标准管道，有助于IBS的再现性和可靠性。

Introduction

当人们与他人协调时，他们的大脑和身体通过不断的相互适应成为一个耦合单元。大脑之间的耦合可以通过超扫描方法通过脑间同步（IBS）来表示，该方法同时记录两个或多个个体的大脑信号1。事实上，越来越多的fNIRS/EEG超扫描研究发现IBS在各种协作环境中，包括手指敲击2，团体行走3，打鼓4，吉他演奏5和唱歌/哼唱6。fNIRS广泛用于社交互动期间IBS的研究，因为它在相对自然的环境中（与fMRI / EEG相比）对头部/身体运动的限制较小7。

本文提出了一种在fNIRS超扫描研究中通过小波变换相干性（WTC）方法计算IBS的协议。WTC是一种在时频平面上评估两个运动信号之间互相关的方法，因此可以提供比传统相关分析（例如，皮尔逊相关和互相关）更多的信息，后者仅在时域8中。此外，血液动力学信号被转换成小波分量，可以有效地消除低频噪声。虽然WTC很耗时，但它一直是最常用的计算IBS的方法，模仿9，合作行为10，口头交流11，决策12和互动学习13。

本文还介绍了如何通过基于排列的试验、条件和参与者的随机平价来验证 IBS。超扫描研究中的IBS总是被提出来跟踪个体之间的在线社交互动，同时也可以通过其他解释来解释，例如刺激相似性，运动相似性或条件相似性14。排列检验，也称为随机化检验，可以通过对观测到的数据15进行重采样来利用来检验上述零假设。通过使用排列，调查已识别的IBS是否特定于交互行为是有用的，从二元组内的IBS调制到伴侣组16之间。

这里描述的协议详细介绍了如何通过fNIRS技术获取脑信号，通过WTC方法计算IBS，以及如何通过超扫描研究中的排列测试来验证IBS。本研究旨在研究在社会协调过程中，音乐仪表是否引发了特权IBS。根据先前发现中IBS的位置，在额叶皮层中记录了大脑信号1。这个实验任务最初是由Konvalinka和她的17大学开发的，参与者被要求在听完仪表或非仪表刺激后，用伴侣或他们自己的听觉反馈敲击手指。

Subscription Required. Please recommend JoVE to your librarian.

Protocol

这里提出的方案得到了华东师范大学人类研究保护委员会的批准。

1. 实验准备

  1. 参与者
    1. 通过校园广告招收一批本科生和研究生，并给予金钱补偿。
    2. 确保参与者是右撇子，并且具有正常或矫正至正常的视力和听力。确保他们没有学习过音乐或学习音乐的时间少于3年。
    3. 随机匹配二元组的学生。为了控制伴侣熟悉度对社会协调的潜在影响18，确保每个二元组的成员以前没有见过或认识对方。
  2. 实验刺激
    1. 通过任何免费的音乐创作和记谱软件创建听觉刺激（440 Hz，660 ms纯音）。
    2. 以 500-1000 毫秒的间隔重复音调，并将它们组合成一个音调序列。每个音调序列长12秒，由12个音调组成。
    3. 对于一个音调序列，重音每个第一个音调（+6 dB）以创建下拍和乐观的模式，定义为仪表激励（补充音频1）。在第二个音调序列中，以相等的强度（比个体感觉阈值高40 dB，在实验任务之前收集）的音调不加重，对应于非仪表刺激（补充音频2）。
  3. 实验任务
    1. 使用心理软件工具对实验任务进行编程。
    2. 为实验任务安排两个阶段（图1A），如步骤1.3.3-1.3.6所述。
    3. 第二种休息状态：要求参与者尽可能保持静止不动，放松思想，闭上眼睛。
    4. 手指敲击任务：请求参与者完成两个部分：协调部分和独立部分。
    5. 在协调部分，仅针对二元组其他成员产生的响应，向每个参与者提供听觉反馈（即对应于一次点击的滴水声）。要求参与者尽力与其他成员同步响应。
    6. 对于独立性部分，确保两个参与者都收到了他们自己反应的听觉反馈（即对应于一次点击的滴水声），并要求他们尽可能精确地与听觉刺激同步反应。
      注意：结合仪表和非仪表刺激，参与者发现自己处于四种不同条件之一：（i）仪表协调 - 两个参与者都听到了仪表，以及彼此的反应;（二） 非仪表协调——两位参与者都听到了非仪表和对方的回答;（iii） 仪表独立性——参与者都听到了仪表和自己的回应;（iv） 非仪表独立性——两位参与者都听到了非仪表和自己的回应。
    7. 对于每个试验，让参与者首先听到一段听觉刺激（12秒），然后是声音（262赫兹，1000毫秒），作为开始敲击手指的提示。
    8. 要求参与者通过在键盘上敲击右手食指来重现他们之前听到的刺激（参与者#1："f";参与者#2："j"）。参与者必须点击12次，同时保持音调之间的时间间隔与先前提出的刺激相同。
      注：60项试验在4个实验条件对应的4个区块中平均分配，即15项试验在一个区块中。区块的顺序被抵消了。攻丝任务的总持续时间约为26分钟。
    9. 在块之间，让参与者休息30秒。
    10. 在整个实验过程中，不要让参与者通过任何语言或动作进行交流。将参与者与计算机监视器分开，以阻止可能在它们之间传递消息的任何视觉信息。
  4. 自制fNIRS泳帽：购买两顶正常尺寸的弹性游泳帽。为了覆盖感兴趣的大脑区域，请按照以下步骤所述修补泳帽：
    1. 在泳头上戴上一顶泳帽，然后在泳帽上盖上标准的10-20脑电图帽。
    2. 用红色魔术标记在泳帽上标记FCz的位置。
    3. 从头型上取下脑电图帽。
    4. 在泳帽上放置一个光电探头贴片（3 x 5 设置），将贴片的第二个探头行的中间一个与 FCz 的标记位置对齐。
      注：光电电极探头贴片包括光电探头的15个位置（即8个发射器和7个检测器），形成22个测量通道，光极分离为3 cm（图1B）。
    5. 在泳帽上标记贴片的15个探头的位置。
    6. 从头模上取下贴片和泳帽。
    7. 用一把剪刀在15个探头的标记位置上切下15个小孔。
    8. 通过将15个探头的位置嵌入到适当的15个孔中，将补丁安装到修改后的游泳帽上。
    9. 按照上述流程修补其他泳帽。
      注：采用自制fNIRS帽，其中光极的位置与标准脑电图位置相同，因为本研究中使用的fNIRS系统没有适用的标准脑电图帽。如果fnIRS系统有合适的标准脑电图帽，则无需制作fNIRS帽。

2. 在参与者到达之前

注意：在参与者到达实验室之前，请确保遵循步骤2.1-2.5。

  1. 提醒两位参与者按照约定的时间表来到实验室。
  2. 至少提前30分钟启动fNIRS系统，使激光关闭。
  3. 将 fNIRS 系统中的光电探头插入光电探头贴片中。
  4. 检查fNIRS测量的参数（即受试者ID，事件相关模式，光电探头排列）。
  5. 将实验装置设置有一张桌子，两把椅子，两台19英寸电脑显示器和两副耳机（图1C）。

3. 参与者抵达实验室

注意：衷心感谢两位参与者到达fNIRS实验室。要求他们将手机置于静音模式，并暂时将个人物品留在柜子里。然后按顺序执行以下过程：

  1. 在参与者坐下来之前，再次确认两位参与者以前没有见过对方。确保他们在实验室中不通过任何语言或动作相互交流。
  2. 向参与者提供大学人类研究委员会批准的知情同意书。
  3. 指导参与者实验任务的细节。要求他们戴上耳机，并给他们一些练习试验。
  4. 在练习试验中，允许每个二元组的两个参与者一起练习。
    注意：在佩戴fNIRS帽子之前，值得使用灵活的规则测量并确定每个参与者的头部尺寸。然后根据参与者的头部尺寸为他/她的头部尺寸选择合适的帽子。在这项研究中，由于使用了一种尺寸的泳帽，因此错过了这样的步骤。最好在实验前一天进行此步骤，因为相关操作（即测量头部尺寸，选择正确尺寸的游泳帽，将光电探头贴片安装到游泳帽上，并将光电探头插入探头贴片）非常耗时（约20-30分钟）。
  5. 将fNIRS帽放在参与者的头上，盖子的中心指向CZ的位置，并将贴片的第二个探头行的中间光端探头放在FCz处。
  6. 操作fNIRS系统，在打开激光器的情况下执行信号校准。
  7. 如果某个通道处的信号不足，请用纤维棒调整信号强度，轻轻地将周围探头尖端下方的头发放在一边。
  8. 如有必要，请轻轻按压探头，但确保不会伤害参与者。
  9. 重复步骤 3.5-3.8，直到信号质量可及。确保参与者在整个信号校准过程中感到舒适。
  10. 帮助参与者为自己找到一个舒适的姿势（例如，舒适的身体姿势）。提醒参与者在整个实验任务（即约26分钟）中尽可能保持头部静止不动。
  11. 再次检查近红外信号的质量。如果所有通道中都有足够的信号，请在台式计算机上运行实验过程。
  12. 帮助参与者在完成实验程序后摘下耳机和fNIRS帽。归还他们的个人物品，并以金钱赔偿感谢他们。
  13. 操作 fNIRS 系统以保存数据。使用光盘导出原始 fNIRS 数据（.csv），并使用 USB 从计算机复制行为数据。
  14. 关闭fNIRS系统和计算机，如果不再有实验安排。
  15. 保持实验室笔记本准备好记录任何事件，特别是整个实验过程中的异常情况。

4. 数据分析

注意：使用MATLAB软件执行所有数据分析，使用以下工具箱：HOMER2 19，Hitachi2nirs20，xjView21，CrossWavelet和Wavelet Coherence工具箱22，以及MathWork23中的Groppe脚本。

  1. 数据预处理
    1. 要检查数据质量，请执行步骤 4.1.2-4.1.3
    2. 使用 xjView 的 readHitachData 函数读取每个参与者的数据文件（.csv）。
      注：通过这种方式，日立测量数据（csv格式）将转换为 oxyHb/deoxyHb/标记数据，并将信息保存在测量中（即波长、时间数据和通道列表）。
    3. 通过在一个图中绘制所有通道的时间序列，并使用 xjView 的函数 plotTraces，直观地检查 oxyHb 和 deoxyHb 值的质量。
      注意：很容易识别数据中的异常。在后续分析中可以排除噪声较大的通道。
    4. 使用Hitachi2nirs的csv2nirs功能将Hitachi文件（.csv）转换为.nirs文件格式，该功能支持使用Homer2进行进一步的数据预处理。
    5. 使用 Homer2 的函数 hmrIntensity2OD 将原始数据转换为光密度。
    6. 使用主成分分析 （PCA）24 通过使用函数 enPCAFilter（nSV = 0.8，即删除了数据协方差的 80%）来消除 fNIRS 全局生理噪声。
    7. 使用基于相关性的信号改进方法（CBSI）25， 使用Homer2的函数hmrMotionCorrect_Cbsi消除头部运动伪影。
    8. 使用修正的比尔-伦伯特定律，利用 Homer2 的 hmrOD2Conc 函数将处理后的光密度转换为 oxyHb 和脱氧 Hb 值。
  2. 计算肠易激综合症
    注意：对于预处理的 oxyHb 值，请使用 WTC 计算来自二元组相同位置的通道对的相干性值，包括以下管道：
    1. 采用默认参数的 "交叉小波 和 小波相干" 工具箱的wtc函数，计算每个时间和频率点的相干值，得到相干值的两轴矩阵。
    2. 对于默认参数，使用 morlet 母小波，通过连续小波变换将每个时间序列转换为时域和频域。
    3. 选择 MonteCarloCount 以表示显著性计算中的代理数据集的数量，然后选择 Auto AR1 以计算时间序列的自相关系数。
    4. 选择目标频带 （FOI），如步骤 4.2.5-4.2.8 中所述。
    5. 根据先前的fNIRS超扫描研究9的手指运动任务中使用的频带，选择并平均0.5-1 Hz之间的频带的相干值（分别对应于周期2 s和1 s）。这样的FOI也对应于实验任务中一次抽头的周期。因此，为每对获取一列相干性值。
      注：为了进一步统计确认FOI，请计算整个频率范围内每个二元组的相干性值（即，数据的0.008-10 Hz），而不仅仅是限制所选频段（即0.5-1 Hz）。
    6. 平均每个频率点的目标时间窗口的相干性值（与 4.2.3 相同）。
    7. 接下来，分析步骤 4.2.9-4.2.11 中描述的管道之后的平均相干性值以及每个频率点的后续统计信息（即 4.3.1 - 4.3.2）。
    8. 最后，通过绘制每个通道跨频率的统计 z 值来直观地检查 FOI。
    9. 使用标记信息，分别选择和平均静止状态（20 s静止状态的时间窗）和每个实验条件（即仪表协调、非仪表协调、仪表独立性和非仪表独立性）期间时间窗的相干性值。因此，为每个二元组获取五个相干性值。
    10. 对于任务会话，仅选择参与者点击以重现听觉刺激的持续时间，每次试验约12秒，因此每个实验条件总计180秒（即12秒x 15次试验）。
      注意：IBS是作为相干性增加（比零更大的减去相干性值）计算的，即任务会话中的相干性值比静息状态会话中的相干性值更大。
    11. 分别从与任务相关的相干性值中减去静息相干性值，其中静息状态下的相干性值在本实验中用作基线。
      注意：通过跨通道（即22个通道）和二元组（即16个二元组）重复上述步骤（4.2.1-4.2.11），最终得到每个通道上每个二元组的减去相干值。
  3. 统计学
    1. 将每个实验条件的每个通道处的减去的相干性值与零进行比较，使用配对样本置换 t 检验与 Groppe 工作 mult_comp_perm_t1 函数（5000 个排列来估计原假设的分布;所需的家庭 α 水平 - 0.05;双尾检验，这意味着替代假设是数据的平均值不同于 0）作为当前异常数据分布和有限的样本量 实验26.
      注意：此处的成对样本排列 t 检验类似于成对 t 检验，但后者假定数据呈正态分布，而前者则不然。这种测试的开始方式与配对 t 检验相同，即通过计算不同组中相干值的 t 分数（即实数 t 分数）（一个是任务条件下减去的相干性值，另一个是零）。然后，通过交换不同组的相干性值来生成排列，并为减去的相干性值和此排列后的零计算新的 t 分数。这种排列进行5000次。因此，获得5000 t分数。在 5000 t 分数的分布中，实际 t 分数的相对位置为减去的相干值生成 p 值。
    2. 通过错误发现率方法（p <0.05）27来校正p值（即 ，由于多重比较问题，并从一个补丁中22个通道的比较中生成）。通过 MATLAB 工具箱的 mafdr 函数执行此校正。
      注意：如果 FDR 校正后任何通道的 p 值显著（即 p < 0.05），则该通道处存在 IBS。
    3. 比较IBS存在的信道上不同任务条件之间的相干性值，使用配对样本排列t检验与Groppe工作的 mult_comp_perm_t1 函数（步骤4.3.1中提到的相同参数）。
      注：为了直观地检查人际协调过程中关于仪表与非仪表刺激的IBS，请直接比较不同条件的相干值（即仪表协调与非仪表协调;仪表协调与仪表独立性）。
    4. 通过伴侣响应时间之间的绝对差除以双方响应的总和来计算行为绩效56.
    5. 通过基于皮尔逊线性相关分析的排列检验（即Groppe工作的mult_comp_perm_corr函数），评估IBS与行为表现之间的关系。
  4. 验证 IBS
    注意：为了排除类似的刺激，运动或条件诱发所证明的IBS的解释，请使用排列测试作为验证方法，具有三种排列（即，在二元组内，二元组之间和条件排列之间），包括以下内容：
    1. 通过 MATLAB 的 randperm 函数，将电表协调条件（即在二元置换内，例如二元组 #1 中的试验 #1 和试验 #13）中每个通道的试验标签随机化为一个二元组。
    2. 遵循上述随机试验标签的IBS和统计数据计算管道（即第4.2节和第4.3节，但不包括FOI的敏感性分析）。
      注意：分别计算每个条件的假对的相干性值，并计算假对的相干性增加（即，从假对的任务相关相干值中减去静止相干值）。
    3. 进行1000次排列，然后计算IBS和统计数据（第4.2和4.3节）。
    4. 绘制二元置换中生成的统计 z 值的分布图。
    5. 通过在仪表协调条件下随机配对同一试验的参与者（即二元组排列之间，例如二元组#1中的受试者和二元组#3中的受试者#1）来执行步骤4.4.2-4.4.4.4。
    6. 通过随机化同一试验中一个二元组的相同成员的条件标签（即，在条件排列之间，例如仪表协调条件中的受试者#1和仪表独立条件中的受试者#2）来执行步骤4.4.2-4.4.4。

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

结果表明，在仪表协调条件下，通道5处存在IBS，而在其他条件下（即仪表独立性，非仪表协调性，非仪表独立性;图 2A）。在通道5处，仪表协调条件下的IBS明显高于非仪表协调和仪表独立条件下的相干值（图2B）。通道5大致属于左背外侧前额叶皮层（DLPFC;布罗德曼区9）。此外，排列分析表明，观察到的IBS可能出现在一个二元组的两个个体中，他们试图在匹配的时间内相互同步，但不是在随机配对的时间，伴侣或条件下（图2C）。总之，这些结果表明，在人际协调过程中，音乐仪表在DLPFC诱导了特权IBS。考慮到DLPFC在社會互動（例如，調節對他人的注意力28，29）和音樂（例如，在存在音樂背景30，31的情況下增強認知表現）中的作用，在儀式協調狀態下觀察到的DLPFC-IBS可能與將更多的注意力資源驅動到人際協調中涉及的過程中，例如感知和理解伴侶的任務和運動。

Figure 1
图1：实验设计（A）实验过程和任务。（B） 探测器配置。（C） 实验设置。请点击此处查看此图的放大版本。

Figure 2
图2：脑间同步（IBS）。（A）排列测试的热图，用于每个条件的相干值。在仪表协调条件下，通道5处有IBS。（B）在仪表协调条件下，通道5处的IBS明显大于仪表独立性和非仪表协调条件下的IBS。**p < 0.01，*p < 0.05。误差线表示最小值/最大值。菱形圆点表示极值。阴影区域表示 95% 置信区间。（C） IBS（统计 z 值）对所有通道的排列试验、个体和条件的影响。虚线表示在仪表协调条件下，通道 5 处的 IBS 效应。x 轴表示 Z 值，y 轴表示样本数。请点击此处查看此图的放大版本。

补充音频 1.请点击此处下载此文件。

补充音频 2.请点击此处下载此文件。

Subscription Required. Please recommend JoVE to your librarian.

Discussion

该协议提供了一个分步程序来计算和验证IBS，使用fNIRS超扫描方法同时收集两个参与者的大脑信号。下面讨论 fNIRS 数据预处理、IBS 计算、统计和 IBS 验证中涉及的一些关键问题。

数据预处理
有必要在超扫描研究中预处理fNIRS数据，以便从可能的噪声（即运动伪影，系统组件）中提取真实信号。虽然在早期的fNIRS超扫描研究中，在分析IBS时跳过了预处理10，32，33，但它在最近的研究中一直是必不可少的标准部分。在这项研究中，CBSI和PCA都用于消除噪声;前者34是去除头部运动伪影的可靠方法，而后者则善于降低全局生理噪声（例如，呼吸、血压和血流变化）35。当然，还有其他用于数据预处理的运动校正方法，它们在经验fNIRS研究中表现良好，例如小波滤波36，样条插值37，卡尔曼滤波38，自回归算法39和短通道分离校正40。运动校正方法的比较报告说，纠正运动伪像总是比排除通道或拒绝试验更好，并且每种方法都特别强调。有人提出，同时采用几种运动校正方法41，如本研究所示，是一个现实的解决方案。此外，低通和高通滤波通常也用于fNIRS数据预处理，以消除生理噪声。虽然这种方法是有效的，但是当生理噪声和任务效应发生在相似的频带42中时，它可能会破坏任务效应。同时使用PCA和CBSI对于fNIRS超扫描研究中的数据预处理可能是可取的。

计算肠易激综合症
有人提出，需要更多的工作来标准化IBS分析步骤并提高IBS的可重复性，因为用于计算IBS的精确算法在实验室和研究中是可变的43。在这项工作中，通过WTC计算IBS的标准管道对研究人员很有用。有几件事需要小心。首先，WTC通常属于本研究中使用的Morlet小波家族。然而，有人提出复高斯小波比Morlet小波更适合fNIRS数据，因为前者与底层信号的波形相匹配（即多周期信号很少发生，特别是对于波长在10到20 s左右的信号）44。应更多地考虑小波相干计算，这些计算会影响后续应用中对实时社交互动期间获取的近红外信号的分析能力。其次，为了与先前与音乐2，45，46和音乐活动4，47，48的人际协调发现一致，本研究中计算了相同通道之间的相干性值，而一些研究在统计分析之前平均了同一大脑区域内所有通道的相干性值49，50 .此外，不仅计算了相同通道/区域之间的相干性值10，32，51，而且还计算了不同通道/区域52，53之间的相干性值。这些提到的过程丰富了计算IBS的管道，并可能对未来的社会互动方向感兴趣。最后但并非最不重要的一点是，本研究中仅分析了oxyHb值，因为oxyHb值被认为是区域脑血流量变化的最敏感指标54。然而，一些研究人员专注于脱氧Hb的变化，基于发现脱氧Hb值与fMRI信号最密切相关并且独立于全局生理噪声55。无论如何，如果在oxyHb和deoxyHb变化中都显示出类似的IBS效应，结果可能会更可靠。因此，IBS对脱氧Hb值的分析对于未来的fNIRS超扫描研究也是必要的。

验证 IBS
有必要验证揭示的IBS，因为IBS的解释仍然很复杂。例如，IBS被解释为信息传递，共享意向性，行为一致性，相似感知等的机制。它将有助于通过执行具有排列的零假设检验来澄清IBS的解释，其中一致性值要么是为真正的二元组随机配对试验计算的，要么是通过随机配对一个条件/组内或条件/组之间的参与者来计算假二元组16。在这项研究中，排列是通过简单地进行非常大量的重采样（即1000次）来执行的。相反，可以计算所有可能的随机对的相干性值56。此外，上述排列测试可用于从实验中所有可能的相干性中生成相干性的零分布，以查看观察到的IBS是否接近该分布的顶端，这已被普遍用于采用现实生活刺激和实验环境的研究57，58。该分析确保IBS在序列水平上是特定于实际相互作用的，因为匹配期间的相干性值（即试验，个体和条件）平均在统计上必须超过二元组内部或之间相干性的等大小的随机抽取。这种方法与当前工作中使用的基线（即静止状态相干值）不同，后者与传统的一般线性模型设计一致，并且选择用于将当前结果与先前研究的结果进行比较。应该注意的是，本研究中的20-s-resting基线比广泛使用的持续时间（30s或超过1分钟）短，后者用于将实验的总时间限制在30分钟，以确保参与者的舒适度。

总之，本文提供了在fNIRS超扫描研究中分析IBS的特定管道。这种管道是该领域潜在的标准数据处理方法，这将有助于IBS的可重复性和可靠性。将来，在分析特定群体（即亲婴，儿童和精神分裂症患者）和特定环境（即非语言或口头交流和教学情况）的IBS时，应进一步完善数据处理的细节。最后，展示分析自然互动中更大参与者群体的大脑间网络的方案将有利于社会互动的量化。

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

作者没有什么可透露的。

Acknowledgments

本研究由国家自然科学基金（31872783、31800951）资助。

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

神经科学，第175期，脑间同步，fNIRS超扫描，小波变换相干性，排列测试
如何在fNIRS超扫描研究中计算和验证脑间同步
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