Summary

FNIRS Hiper Tarama Çalışmasında Beyinler Arası Senkronizasyon Nasıl Hesaplanır ve Doğrulanır

Published: September 08, 2021
doi:

Summary

Bireylerin eşleştirilmiş beyinleri arasındaki dinamikler, çoğunlukla fNIRS ile beyinlerin eşzamanlı kayıt sinyallerini (yani hiper tarama) kullanarak birbirleriyle koordine olduklarında beyinler arası senkronizasyon (IBS) ile giderek daha fazla temsil edilmektedir. FNIRS hiper tarama çalışmalarında, IBS, zaman serilerini salınımların son derece sezgisel bir şekilde görülebileceği zaman frekansı alanına genişletme avantajı nedeniyle dalgacık dönüştürme tutarlılığı (WTC) yöntemi ile yaygın olarak değerlendirilmiştir. Gözlemlenen IBS, deneme, ortak ve durumun permütasyon tabanlı rastgele eşleşmesi ile daha da doğrulanabilir. Burada, fNIRS teknolojisi ile beyin sinyallerinin nasıl elde edildiğini, WTC yöntemiyle IBS’nin nasıl hesaplanacağını ve hiper taramalı bir çalışmada permütasyon ile IBS’nin nasıl doğrulanacağını açıklayan bir protokol sunulmaktadır. Ayrıca, fNIRS sinyallerinin seçimi, veri ön işleme yöntemleri ve isteğe bağlı hesaplama parametreleri de dahil olmak üzere yukarıdaki yöntemleri kullanırken kritik sorunları tartışıyoruz. Özetle, WTC yöntemini ve permütasyonunu kullanmak, fNIRS hiper tarama çalışmalarında IBS’yi analiz etmek için potansiyel olarak standart bir işlem hattıdır ve IBS’nin hem tekrarlanabilirliğine hem de güvenilirliğine katkıda bulunmaktadır.

Abstract

Bireylerin eşleştirilmiş beyinleri arasındaki dinamikler, çoğunlukla fNIRS ile beyinlerin eşzamanlı kayıt sinyallerini (yani hiper tarama) kullanarak birbirleriyle koordine olduklarında beyinler arası senkronizasyon (IBS) ile giderek daha fazla temsil edilmektedir. FNIRS hiper tarama çalışmalarında, IBS, zaman serilerini salınımların son derece sezgisel bir şekilde görülebileceği zaman frekansı alanına genişletme avantajı nedeniyle dalgacık dönüştürme tutarlılığı (WTC) yöntemi ile yaygın olarak değerlendirilmiştir. Gözlemlenen IBS, deneme, ortak ve durumun permütasyon tabanlı rastgele eşleşmesi ile daha da doğrulanabilir. Burada, fNIRS teknolojisi ile beyin sinyallerinin nasıl elde edildiğini, WTC yöntemiyle IBS’nin nasıl hesaplanacağını ve hiper taramalı bir çalışmada permütasyon ile IBS’nin nasıl doğrulanacağını açıklayan bir protokol sunulmaktadır. Ayrıca, fNIRS sinyallerinin seçimi, veri ön işleme yöntemleri ve isteğe bağlı hesaplama parametreleri de dahil olmak üzere yukarıdaki yöntemleri kullanırken kritik sorunları tartışıyoruz. Özetle, WTC yöntemini ve permütasyonunu kullanmak, fNIRS hiper tarama çalışmalarında IBS’yi analiz etmek için potansiyel olarak standart bir işlem hattıdır ve IBS’nin hem tekrarlanabilirliğine hem de güvenilirliğine katkıda bulunmaktadır.

Introduction

İnsanlar başkalarıyla koordine olduklarında, beyinleri ve vücutları sürekli karşılıklı uyum yoluyla birleştirilmiş bir birim haline gelir. Beyinler arasındaki bağlantı, aynı anda iki veya daha fazla bireyin beyin sinyallerini kaydeden hiper tarama yaklaşımı aracılığıyla beyinler arası senkronizasyon (IBS) ile temsil edilebilir1. Gerçekten de, fNIRS / EEG hiper tarama çalışmalarının büyüyen bir gövdesi, parmakla dokunma2, grup yürüme3,davul çalma4,gitar çalma5ve şarkı söyleme / mırıldanma6dahil olmak üzere çeşitli işbirliği bağlamlarında IBS buldu. fNIRS, nispeten doğal ortamlarda (fMRI/ EEG ile karşılaştırıldığında) baş / vücut hareketlerini daha az kısıtladtığı için sosyal etkileşim sırasında IBS araştırması için yaygın olarak kullanılmaktadır7.

Makale, fNIRS hiper tarama çalışmasında dalgacık dönüşümü tutarlılığı (WTC) yöntemiyle IBS’yi hesaplamak için bir protokol sürmektedir. WTC, zaman frekansı düzleminde iki hareket sinyali arasındaki çapraz korelasyonu değerlendirmek için bir yöntemdir ve bu nedenle, yalnızca zaman etki alanı8olan geleneksel korelasyon analizinden (örneğin, Pearson korelasyonu ve çapraz korelasyon) daha fazla bilgi verebilir. Ek olarak, hemodinamik sinyaller, düşük frekanslı gürültüyü etkili bir şekilde ortadan kaldırabilen dalgacık bileşenlerine dönüştürülür. WTC zaman alıcı olmasına rağmen, IBS’yi eylemde taklit9, kooperatif davranışı 10 , sözel iletişim11, karar verme12ve etkileşimli öğrenme13‘te hesaplamanın en yaygın kullanılan yöntemi olmuştur.

Makalede ayrıca, denemelerin, koşulların ve katılımcıların permütasyon tabanlı rastgele ayrıştırılmasıyla IBS’nin nasıl doğrulanılacağı da sunulmaktadır. Hiper tarama çalışmalarında IBS her zaman bireyler arasındaki çevrimiçi sosyal etkileşimi izlemek için önerilirken, uyaran benzerliği, hareket benzerliği veya durum benzerliği gibi diğer açıklamalarla da yorumlanabilir14. Randomizasyon testi olarak da adlandırılan permütasyon testi, gözlemlenen verileri yeniden örnekleyerek yukarıda belirtilen boş hipotezleri test etmek için kullanılabilir15. Permütasyon kullanarak, tanımlanan IBS’nin dyadlar içinde IBS modülasyonundan ortak grupları arasında16‘ ya kadar etkileşimli davranışa özgü olup olmadığını araştırmak yararlıdır.

Burada açıklanan protokol, fNIRS teknolojisi ile beyin sinyallerinin nasıl eldelanacağını, WTC yöntemiyle IBS’nin nasıl hesaplanacağını ve bir hiper tarama çalışmasında permütasyon testi ile IBS’nin nasıl doğrulanacağını ayrıntılarıyla açıklar. Bu çalışma, ayrıcalıklı IBS’nin sosyal koordinasyon sırasında müzik ölçerler tarafından ortaya çıkıp çıkmadığını incelemeyi amaçlamaktadır. Beyin sinyalleri, önceki bir bulguda IBS’nin konumuna göre frontal kortekste kaydedildi1. Deneysel görev başlangıçta Konvalinka ve kolejleri tarafından geliştirilmiştir17, katılımcılardan sayaç veya metre olmayan uyaranları dinledikten sonra partnerden veya kendilerinden gelen işitsel geri bildirimlerle parmaklarına dokunmaları istendi.

Protocol

Burada sunulan protokol, Doğu Çin Normal Üniversitesi İnsan Araştırmalarını Koruma Üniversitesi Komitesi tarafından onaylandı. 1. Deneye hazırlık Katılımcı Kampüs reklamı ile parasal tazminat ile bir grup lisans ve lisansüstü öğrenci alın. Katılımcıların sağ elini kullanarak normal veya normal görme ve işitmeye sahip olduğundan emin olun. Daha önce 3 yıldan daha az bir süredir müzik eğitimi almadıklarından veya çalışmadıkla…

Representative Results

Sonuçlar, sayaç koordinasyon koşulunda kanal 5’te IBS olduğunu, diğer koşullarda ise hiçbir IBS’nin bulunmadığını gösterdi (yani sayaç bağımsızlığı, metre dışı koordinasyon, metre dışı bağımsızlık; Şekil 2A). Kanal 5’te sayaç koordinasyon koşulundaki IBS, sayaç dışı koordinasyon ve sayaç bağımsızlığı koşulundaki tutarlılık değerlerinden önemli ölçüde yüksekti (Şekil 2B). Kanal 5 yaklaşık olarak sol dorsolate…

Discussion

Bu protokol, iki katılımcının beyin sinyallerini aynı anda toplamak için fNIRS hiper tarama yaklaşımını kullanarak IBS’yi hesaplamak ve doğrulamak için adım adım bir prosedür sağlar. FNIRS veri ön işleme, IBS hesaplaması, istatistik ve IBS doğrulaması ile ilgili bazı kritik konular aşağıda tartışılmıştır.

Veri Ön İşleme
Olası gürültüden (yani hareket yapıtları, sistemik bileşenler) gerçek sinyaller çıkarmak için hiper tarama çal…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Bu araştırma şu şekilde desteklendi: Çin Ulusal Doğa Bilimleri Vakfı (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