Summary

Comment calculer et valider la synchronisation inter-cerveau dans une étude d’hyperscanning fNIRS

Published: September 08, 2021
doi:

Summary

La dynamique entre les cerveaux couplés des individus a été de plus en plus représentée par la synchronisation inter-cerveau (IBS) lorsqu’ils se coordonnent les uns avec les autres, principalement en utilisant des signaux d’enregistrement simultané des cerveaux (à savoir l’hyperscanning) avec fNIRS. Dans les études d’hyperscan fNIRS, le SCI a été couramment évalué par la méthode de la cohérence de transformation des ondelettes (WTC) en raison de son avantage sur l’expansion des séries chronologiques dans l’espace temps-fréquence où les oscillations peuvent être vues de manière très intuitive. Le SCI observé peut être validé davantage via l’appariement aléatoire basé sur la permutation de l’essai, du partenaire et de la condition. Ici, un protocole est présenté pour décrire comment obtenir des signaux cérébraux via la technologie fNIRS, calculer le SCI via la méthode WTC et valider le SCI par permutation dans une étude d’hyperscan. En outre, nous discutons des problèmes critiques lors de l’utilisation des méthodes ci-dessus, y compris le choix des signaux fNIRS, les méthodes de prétraitement des données et les paramètres facultatifs des calculs. En résumé, l’utilisation de la méthode WTC et de la permutation est un pipeline potentiellement standard pour l’analyse du SCI dans les études d’hyperscan fNIRS, contribuant à la fois à la reproductibilité et à la fiabilité du SCI.

Abstract

La dynamique entre les cerveaux couplés des individus a été de plus en plus représentée par la synchronisation inter-cerveau (IBS) lorsqu’ils se coordonnent les uns avec les autres, principalement en utilisant des signaux d’enregistrement simultané des cerveaux (à savoir l’hyperscanning) avec fNIRS. Dans les études d’hyperscan fNIRS, le SCI a été couramment évalué par la méthode de la cohérence de transformation des ondelettes (WTC) en raison de son avantage sur l’expansion des séries chronologiques dans l’espace temps-fréquence où les oscillations peuvent être vues de manière très intuitive. Le SCI observé peut être validé davantage via l’appariement aléatoire basé sur la permutation de l’essai, du partenaire et de la condition. Ici, un protocole est présenté pour décrire comment obtenir des signaux cérébraux via la technologie fNIRS, calculer le SCI via la méthode WTC et valider le SCI par permutation dans une étude d’hyperscan. En outre, nous discutons des problèmes critiques lors de l’utilisation des méthodes ci-dessus, y compris le choix des signaux fNIRS, les méthodes de prétraitement des données et les paramètres facultatifs des calculs. En résumé, l’utilisation de la méthode WTC et de la permutation est un pipeline potentiellement standard pour l’analyse du SCI dans les études d’hyperscan fNIRS, contribuant à la fois à la reproductibilité et à la fiabilité du SCI.

Introduction

Lorsque les gens se coordonnent avec les autres, leur cerveau et leur corps deviennent une unité couplée grâce à une adaptation mutuelle continue. Le couplage entre les cerveaux peut être représenté par la synchronisation inter-cerveau (IBS) grâce à l’approche hyperscanning, qui enregistre simultanément les signaux cérébraux de deux individus ou plus1. En effet, un nombre croissant d’études d’hyperscan fNIRS / EEG ont trouvé IBS dans divers contextes de collaboration, y compris le tapotement des doigts2,la marche en groupe3,jouer de la batterie4,jouer de la guitare5et chanter / fredonner6. fNIRS est largement utilisé pour la recherche sur le SCI pendant l’interaction sociale, car il restreint moins les mouvements de la tête / du corps dans des contextes relativement naturels (par rapport à l’IRMf / EEG)7.

L’article présente un protocole pour calculer le SCI via la méthode wtC (Wavelet Transform Coherence) dans une étude d’hyperscan fNIRS. WTC est une méthode d’évaluation de la corrélation croisée entre deux signaux de mouvement sur le plan temps-fréquence et, par conséquent, peut donner plus d’informations que l’analyse de corrélation traditionnelle (par exemple, corrélation de Pearson et corrélation croisée), qui n’est que dans le domaine temporel8. De plus, les signaux hémodynamiques sont transformés en composants d’ondelettes, qui peuvent éliminer efficacement le bruit des basses fréquences. Bien que le WTC prenne beaucoup de temps, il a été la méthode la plus couramment utilisée pour calculer l’IBS en action imitation9, comportement coopératif10, communication verbale11, prise de décision12, et apprentissage interactif13.

L’article présente également comment valider le SCI avec l’analyse aléatoire basée sur la permutation des essais, des conditions et des participants. Le SCI dans les études d’hyperscan est toujours proposé pour suivre l’interaction sociale en ligne entre les individus, alors qu’il peut également être interprété par d’autres explications, telles que la similitude du stimulus, la similitude de mouvement ou la similitude de condition14. Le test de permutation, également appelé test de randomisation, peut être exploité pour tester les hypothèses nulles mentionnées ci-dessus en rééchantillonnant les données observées15. En utilisant la permutation, il est utile d’étudier si le SCI identifié est spécifique au comportement interactif, allant de la modulation du SCI au sein des dyades à entre groupes de partenaires16.

Le protocole décrit ici détaille comment obtenir des signaux cérébraux via la technologie fNIRS, calculer le SCI via la méthode WTC et valider le SCI par test de permutation dans une étude d’hyperscan. Cette étude vise à examiner si le SCI privilégié est provoqué par les compteurs de musique lors de la coordination sociale. Les signaux cérébraux ont été enregistrés dans le cortex frontal, en fonction de l’emplacement du SCI dans une découverte précédente1. La tâche expérimentale a été développée à l’origine par Konvalinka et ses collèges17, dans laquelle les participants ont été invités à taper leurs doigts avec le retour auditif du partenaire ou d’eux-mêmes après avoir écouté le compteur ou les stimuli non mesurés.

Protocol

Le protocole présenté ici a été approuvé par le Comité universitaire sur la protection de la recherche humaine de l’Université normale de Chine orientale. 1. Préparation de l’expérience Participants Recrutez un groupe d’étudiants de premier cycle et des cycles supérieurs avec une compensation monétaire par la publicité du campus. Assurez-vous que les participants sont droitiers et ont une vision et une audition normales ou corrigées à la normal…

Representative Results

Les résultats ont montré qu’il y avait un SCI au canal 5 dans l’état de coordination du compteur, alors qu’aucun SCI n’existait dans d’autres conditions (c.-à-d. indépendance du compteur, non-coordination du compteur, non-indépendance du compteur; Figure 2A). Au canal 5, l’IBS dans l’état de coordination du compteur était significativement plus élevé que les valeurs de cohérence dans l’état de coordination et d’indépendance du compteur(figu…

Discussion

Ce protocole fournit une procédure étape par étape pour calculer et valider le SCI, en utilisant l’approche d’hyperscan fNIRS pour collecter simultanément les signaux cérébraux de deux participants. Certains problèmes critiques liés au prétraitement des données fNIRS, au calcul IBS, aux statistiques et à la validation IBS sont abordés ci-dessous.

Prétraitement des données
Il est nécessaire de prétraiter les données fNIRS dans les études d’hyperscan p…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Cette recherche a été soutenue par : National Natural Science Foundation of China (31872783, 31800951).

Materials

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

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. . Groppe’s scripts in MathWork Available from: https://uk.mathworks.com/matlabcentral/profile/authors/1948879 (2021)
  23. 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).
  24. 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).
  25. 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).
  26. Benjamini, Y., Yekutieli, D. The control of the false discovery rate in multiple testing under dependency. Annals of Statistics. 29 (4), 1165-1188 (2001).
  27. Miller, B. L., Cummings, J. L. . The human frontal lobes: Functions and disorders. , (2007).
  28. 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).
  29. Corbetta, M., Shulman, G. L. Control of goal-directed and stimulus-driven attention in the brain. Nature Reviews Neuroscience. 3 (3), 201-215 (2002).
  30. 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).
  31. 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).
  32. 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).
  33. 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).
  34. 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).
  35. Molavi, B., Dumont, G. A. Wavelet-based motion artifact removal for functional near-infrared spectroscopy. Physiological Measurement. 33 (2), 259-270 (2012).
  36. 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).
  37. Izzetoglu, M., Chitrapu, P., Bunce, S., Onaral, B. Motion artifact cancellation in NIR spectroscopy using discrete Kalman filtering. Biomedical Engineering Online. 9 (1), (2010).
  38. 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).
  39. Gagnon, L., et al. Short separation channel location impacts the performance of short channel regression in NIRS. NeuroImage. 59 (3), 2518 (2012).
  40. 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).
  41. 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).
  42. Hamilton, A. Hype, hyperscanning and embodied social neuroscience. PsyArXiv. , (2020).
  43. 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).
  44. Ikeda, S., et al. Steady beat sound facilitates both coordinated group walking and inter-subject neural synchrony. Frontiers in Human Neuroscience. 11, 147 (2017).
  45. 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).
  46. Abrams, D. A., et al. Inter-subject synchronization of brain responses during natural music listening. European Journal of Neuroscience. 37 (9), 1458-1469 (2013).
  47. 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).
  48. Baker, J. M., et al. Sex differences in neural and behavioral signatures of cooperation revealed by fNIRS hyperscanning. Scientific Reports. 6, 26492 (2016).
  49. 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).
  50. 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).
  51. 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).
  52. 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).
  53. 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).
  54. 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).
  55. 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).
  56. Chen, J., et al. Shared memories reveal shared structure in neural activity across individuals. Nature Neuroscience. 20 (1), 115-125 (2017).
  57. 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).

Play Video

Cite This Article
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).

View Video