Waiting
Login processing...

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

Neuroscience

使用偏小波变换相干法测量 fNIRS-超扫描数据中的定向信息流

Published: September 3, 2021 doi: 10.3791/62927
Automatic Translation
*1, *2, 1
1State Key Laboratory of Cognitive Neuroscience and Learning & IDG/McGovern Institute for Brain Research, Beijing Normal University, 2Institute of Developmental Psychology, Faculty of Psychology, Beijing Normal University
* These authors contributed equally

Summary

该协议描述了部分小波变换相干性（pWTC），用于计算人际神经同步（INS）的时间滞后模式，以推断社会互动过程中信息流的方向和时间模式。通过两个实验证明了pWTC在消除INS信号自相关混杂方面的有效性。

Abstract

社会互动对人类至关重要。虽然超扫描方法已被广泛用于研究社会互动期间的人际神经同步（INS），但功能性近红外光谱（fNIRS）是超扫描自然主义社会互动的最流行的技术之一，因为它具有相对较高的空间分辨率，声音解剖定位和对运动伪影的极高耐受性。以前基于fNIRS的超扫描研究通常使用小波变换相干性（WTC）来描述个体之间信息流的方向和时间模式来计算时间滞后INS。然而，这种方法的结果可能会被每个个体的fNIRS信号的自相关效应所混淆。为了解决这个问题，引入了一种称为偏小波变换相干性（pWTC）的方法，该方法旨在消除自相关效应并保持fNIRS信号的高时间频谱分辨率。本研究首先进行了模拟实验，验证了pWTC在消除自相关对INS影响方面的有效性。然后，基于社会交互实验中的fNIRS数据集，对pWTC的操作进行了分步指导。此外，还比较了pWTC方法与传统WTC方法以及pWTC方法与格兰杰因果关系（GC）方法之间的比较。结果表明，pWTC可用于确定自然社会互动过程中不同实验条件之间的INS差异以及个体间INS的方向和时间模式。此外，它比传统的WTC提供更好的时间和频率分辨率，比GC方法提供更好的灵活性。因此，pWTC是推断自然主义社会互动期间个体之间信息流动的方向和时间模式的有力候选者。

Introduction

社会互动对人类至关重要1，2.为了理解社会互动的双脑神经认知机制，超扫描方法最近被广泛使用，表明人际神经同步（INS）的模式可以很好地表征社会互动过程3，4，5，6，7，8，9，10，11，12，13，14.在最近的研究中，一个有趣的发现是，个体在二元组中的角色差异可能导致INS的时间滞后模式，即当一个个体的大脑活动落后于另一个个体几秒钟时，就会发生INS，例如从听众到说话者5，9，从领导者到追随者4， 从老师到学生8，从母亲到孩子13，15，从女性到男性的浪漫夫妇6。最重要的是，时间滞后的INS间隔与社会交往行为的间隔之间存在良好的对应关系，例如教师提问与回答8的学生之间或母亲的养育行为与儿童15的顺从行为之间。因此，时间滞后INS可以反映从一个个体到另一个个体的定向信息流，如最近用于人际口头交流的分层模型16中所提出的那样。

此前，时滞INS主要在研究自然主义社会相互作用时，因其空间分辨率相对较高，声音解剖定位和运动伪像17的极高容忍度，主要在功能近红外光谱（fNIRS）信号上计算。此外，为了精确表征神经时间滞后与社会互动过程中行为时间滞后之间的对应关系，必须获得每个时间滞后（例如，从无时间滞后到10秒的时间滞后）的INS强度。为此，以前，小波变换相干性（WTC）程序在将一个个体的大脑信号向前或向后移动到另一个个体的大脑信号5，6，18之后被广泛应用。当对fNIRS信号使用这种传统的WTC程序时，存在一个潜在的挑战，因为观察到的时间滞后INS可能被单个19，20，21的fNIRS信号的自相关效应所混淆。例如，在二元社会互动过程中，参与者A在时间点t的信号可以与参与者B在同一时间点的信号同步。同时，由于自相关效应，参与者A在时间点t的信号可能与参与者A在稍后时间点t+1的信号同步。因此，在时间点t的参与者A信号和时间点t+1的参与者B的信号之间可能会发生虚假的时间滞后INS。

Mihanović和他的同事22 首先引入了一种称为偏小波变换相干性（pWTC）的方法，然后将其应用于海洋科学23，24。该方法的最初目的是在估计两个信号的相干性时控制外源混杂噪声。在这里，为了解决fNIRS超扫描数据中的自相关问题，对pWTC方法进行了扩展，以计算fNIRS信号上的时间滞后INS。准确地说，从参与者A到参与者B的时间滞后INS（和定向信息流）可以使用下面的等式（等式1）23计算。

Equation 1

这里，假设有两个信号，A和B，分别来自参与者A和B。信号B的出现总是先于时间滞后为n的信号A，其中WTC（At，Bt +n）是传统的时间滞后WTC。WTC（At，At + n）是参与者A中的自相关WTC.WTC（At，Bt）是参与者A和B之间时间点t的时间对齐WTC。

Figure 1
图 1：pWTC 概述。 （A） pWTC的逻辑。在二元内有两个信号 A 和 B。A 的出现总是跟在 B 之后，有一个滞后 n。灰色框是位于特定时间点 t 或 t+n 的小波窗口。基于pWTC方程（如图所示），需要计算三个WTC：At + n和Bt的时间滞后WTC;参与者 At 和 A t+n 的自相关 WTC;以及时间点 t、At 和 Bt 处的时间对齐 WTC。（二）光电多探头集的布局。CH11被放置在T3，CH25被放置在T4，遵循国际10-20系统27，28。请点击此处查看此图的大图。

该协议首先引入了一个仿真实验，以证明pWTC解决自相关挑战的能力。然后，它解释了如何基于自然主义社会互动的经验实验，逐步进行pWTC。在这里，使用通信上下文来介绍该方法。这是因为，以前，时间滞后INS通常是在自然主义的通信上下文中计算的3，4，6，8，13，15，18。此外，还对pWTC与传统WTC进行了比较，并与格兰杰因果关系（GC）测试进行了验证。

Subscription Required. Please recommend JoVE to your librarian.

Protocol

人体实验方案经北京师范大学认知神经科学与学习国家重点实验室机构评审委员会和伦理委员会批准。所有参与者在实验开始前都给予了书面知情同意。

1. 模拟实验

  1. 生成两个相互关联的信号时间序列，其中一个信号在 4 s 时间滞后处具有自相关。将两个信号之间的 r 相关系数设置为 0.4。
  2. 此外，生成两个没有任何相关性但一个信号具有自相关度的信号时间序列。
  3. 根据生成的信号（有或无相关性）计算传统4 s时间滞后INS的值， 公式2 ，可将其命名为具有自相关的时间滞后INSWTC 和具有自相关的时间滞后基线INSWTC 。
    注：此处，传统的时间滞后WTC由以下等式表示（等式2）25
    Equation 2
    其中， C 表示不同尺度 i 和时间点 t 的连续小波变换算子。 S 表示平滑算子。* 表示复数共轭算子。W 和 M 表示两个单独的时间序列信号。
  4. 从生成的信号中删除自相关。然后，根据生成的具有或不具有相关性的信号，使用公式2计算传统4 s时间滞后INSWTC的值，该信号可以命名为没有自相关的时间滞后INSWTC和没有自相关的时间滞后基线INSWTC。
  5. 使用 公式3 ，根据生成的信号（具有或不具有相关性）、命名时间滞后 INS pWTC 和时间滞后基线 INSpWTC ，计算 4 s 时间滞后pWTC 的值。
    注：pWTC可根据以下公式（公式3）23计算
    Equation 3
    其中， WTC （Wt， Mt + n）是传统的时间滞后WTC。 WTC （Mt， Mt +n）是一个人的自相关WTC。 WTC （Wt， Mt）是时间对齐的WTC。* 是复数共轭算子。
  6. 重复上述步骤1000次。
  7. 减去基线INS后，使用方差分析（方差分析）方法比较时间滞后INSWTC 与自相关的结果，没有自相关的时间滞后INSWTC和时间滞后INSpWTC 的结果。
    注意：这里预计具有自相关的时间滞后INSWTC 将明显高于没有自相关的时间滞后INSWTC 和时间滞后INSpWTC，并且预计没有自相关的时间滞后INSWTC 与时间滞后INSpWTC之间没有显着差异。

2. 实证实验

  1. 参与者和程序
    1. 招募适当的参与者。
      注：在这项研究中，通过北京大学本科生的广告招募了22对亲密的异性朋友（女性的平均年龄= 20.95，标准偏差（SD）= 1.86;男性的平均年龄= 20.50，SD = 1.74）。所有参与者均为右撇子，视力正常或矫正为正常。此外，没有参与者有任何语言，神经或精神疾病。
    2. 在实验过程中，要求每对参与者面对面坐下。要求他们在一个会话中就支持性主题进行自由交流，并在另一个会话中就冲突主题进行自由交流。
      注意：这些主题用于诱导预期的积极或消极情绪效价。每次交流持续10分钟，主题的顺序是平衡的。
    3. 要求参与者报告支持和冲突主题作为标准设置规则。要求每个伴侣对可能在确定的点尺度上诱导的正价或负价水平进行评级。然后，根据评级对报告的主题进行排名。
      注意：在这项工作中，通过以下三个步骤选择主题。首先，对于支持性主题，每个参与者都必须报告1-3个与她/他想改善的生活相关的个人问题。每个参与者都必须报告1-3起已经引起或可能引起他们之间冲突或可能危及他们与冲突主题的关系的案件。其次，每个伴侣被要求以7分制（1 =根本不是，7 =非常多）对每个主题可能诱发的正价或负价水平进行评级。第三，根据评级对报告的主题进行排名。选择了支持性主题和冲突主题列表中的前两个主题。
  2. fNIRS数据收集
    1. 使用 26 通道 fNIRS 形貌系统（参见 材料表）收集 fNIRS 数据。
      注意：两个定制的光电探头组覆盖了双侧额皮质、颞皮质和顶叶皮质（图1B）。
    2. 确切地说，要求每个参与者戴上带有两个定制探头组的帽子（参见 材料表）。
    3. 将鼻孔、阴离子和耳部乳突与 Fpz、Opz、T7 和 T8 对齐，这是 10-20 国际系统26 的典型地标。
    4. 将通道（CH）11对准到T3和CH25到T4，遵循国际10-20系统，用于两个探头组27，28。
    5. 通过扫描来自典型参与者的磁共振成像（MRI）数据来验证探针组的解剖位置，该参与者具有高分辨率T1加权磁化制备的快速梯度回波序列（TR = 2530 ms;TE = 3.39 毫秒;翻转角度 = 7°;切片厚度 = 1.3 mm;体素大小 = 1.3 x 1 x 1.3 毫米）。
    6. 使用统计参数映射 12 （SPM12） 将图像归一化为标准蒙特利尔成像机构坐标（MNI 坐标）空间29。然后，使用NIRS_SPM工具箱（请参见 材料表）将探头的 MNI 坐标投影到自动解剖标记 （AAL） 模板。
    7. 以 55.6 Hz 的采样率（设备默认参数）采集三种波长（780、805 和 830 nm）的近红外光的光密度数据。
    8. 使用fNIRS形貌系统内置设备软件测试信号质量（见 材料表）。
    9. 开始信号录制。
      注：一些已发布的协议已经演示了如何使用各种设备和系统收集fNIRS信号30，31，32。
  3. fNIRS 数据预处理
    1. 从设备中导出数据文件。
      注意：在当前的实验中，内置软件根据修改后的Beer-Lambert定律自动将全光密度数据转换为氧合血红蛋白（HbO）浓度变化。
    2. 删除每个会话的第一个和最后 15 个数据，以避免瞬态响应。
    3. 使用 MATLAB 抽取内置函数将数据采样从 55.6 Hz 降至 11.1 Hz。
      注：55.6 Hz和11.1 Hz之间的功率谱模式非常相似（补充图1）。
    4. 使用内置的 MATLAB 应用程序函数（Homer3，请参阅 材料表）和适当的滤波函数，应用离散小波变换滤波方法来校正运动伪影。
    5. 使用 MATLAB pca 内置功能消除全局生理噪声。从信号中删除前 80% 的方差。
    6. 根据先前的研究去除生理噪声33.准确地说，去除0.7 Hz以上每个信号的频带，以避免高频生理噪声（例如心脏活动）的混叠。
    7. 然后，删除低于0.01 Hz的每个信号的频带，以滤除极低频波动。
    8. 最后，去除0.15-0.3 Hz范围内每个信号的频带，以排除呼吸活动的潜在影响。
  4. 一级 fNIRS 数据处理
    1. 首先，使用传统的WTC（INSWTC）计算INS。
      注意：在这里，INSWTC 的INS时间滞后模式被预测发生在女性和男性的大脑活动之间，因为以前的研究表明女性和男性在对话中的作用不同34，35。传统的WTC通过将男性的大脑活动相对于女性向后移动来计算INSWTC 的这种模式（参见 公式2）。
    2. 使用等式2从女性中删除初始2 s数据和男性最后2 s数据后，计算女性主导的2 s滞后INSWTC值。同样，在从男性那里删除最初2 s的数据和从女性那里删除最后2 s的数据后，用公式4计算男性主导的2 s滞后INSWTC值。
      注意：这里使用了 wcoherence 函数，它是 MATLAB 的小波工具箱的内置函数（参见 材料表）。
    3. 以不同的时间滞后n重复此过程，即n = 2 s，4 s，6 s，8 s跨越所有潜在的CH对（例如，女性CH2和男性CH10，总共676对）。此外，以同样的方式计算男性主导的时间滞后INSWTC 的强度（等式4）。
      Equation 4
    4. 其次，使用 pWTC （INSpWTC） 计算 INS。
      注：pWTC是根据 公式3计算的。重复计算INSpWTC ，具有不同的时间滞后n，即n = 2 s，4 s，6 s，8 s跨越所有潜在的通道对（例如，女性的CH2和男性的CH10，总共676对）。此外，以同样的方式计算了男性主导的时间滞后INSpWTC 的强度（等式5）。
      Equation 5
    5. 在不同的时间滞后下生成 fNIRS 信号的时间滞后时间序列。
    6. 计算不同时间滞后时间滞后的WTC的值。
    7. 在不同时间滞后处生成 fNIRS 信号的自相关时间序列。要计算男性的 2 s 自相关值，请从男性中删除前 2 s 的数据，从男性中删除最后 2 s 的数据。
    8. 计算不同时间滞后的自相关 WTC 值。
    9. 在不同的时间滞后处生成 fNIRS 信号的时间对齐时间序列。要计算 2 个时间对齐的 WTC，请从男性中删除前 2 个数据，从女性的数据中删除前 2 个数据。
    10. 计算时间对齐的 WTC 值。
    11. 将时间对齐的WTC，时间滞后WTC和不同时间滞后的自相关WTC值输入 到公式3 和 公式5 - pWTC方程中，生成INSpWTC。
    12. 最后，使用GC方法（INSGC）计算INS。
      注意：为了进一步验证pWTC方法并评估其优缺点，使用GC方法（INSGC）计算了基于GC的INS。
    13. 根据pWTC结果，带通滤波SMC处每个个体的HbO信号（即0.4-0.6 Hz，参见 代表性结果）。
    14. 分别在支持性和冲突性主题中的每个二元组中进行GC测试（计量经济学工具箱，MATLAB）。
      注：INSGC获得了四组F值：（1）从女性到男性关于支持性主题（W2M_supp）;（2）从男性到女性对支持性话题（M2W_supp）;（3） 从妇女到男子关于冲突专题的问题（W2M_conf）;（4）从男性到女性关于冲突主题（M2 W_conf）。F 值用于索引 INSGC。
  5. 二级 fNIRS 数据处理
    1. 使用 Fisher-z 变换变换 INS，然后在时间维度上平均 INS。
      注意：在这里，Fisher-z 变换是使用 带有等式 636 的自定义 MATLAB 脚本进行的：
      Equation 6
      其中，r 是 WTC 或 pWTC 的值，z 是 WTC 或 pWTC 的 Fisher-z 变换值。
    2. 对于每个时间滞后的平均INS，在整个频率范围内对每个CH对进行配对的双样本 t检验（支持 与冲突）。然后，确定所有显著的频率簇（P < 0.05）。
    3. 执行基于群集的排列测试，为结果建立阈值。
      1. 通过将参与者随机分配到新的两成员对（即从未相互通信的二元组的参与者）来重新分配二元关系。在每次滞后时重新计算 INS，在新样本中再次执行成对的 t 检验，并再次识别显著的频率簇。
      2. 选择具有最大总和 t 值的聚类。重复上述过程 1000 次，以生成最大误报 t 值的空分布。
        注意：分布作为机会级别。族错误率 （FWER） 控制在 q = 0.05，这意味着只有假阳性 t 值的空分布的前 5% 超过阈值 （R*）。
      3. 将原始样本中每个已识别频率簇的总和 t 值与空分布进行比较，以获得显著的统计结果。
    4. 进行上下文（支持，冲突）x方向（女性对男性，男性对女性）方差分析（ANOVA），以测试不同条件（即主题）之间INS方向的差异（p < 0.05）。
    5. 在WTC（Wt，Mt + n）和WTC（Mt，Mt + n）的结果之间进行配对的双样本双尾t检验，以测试自相关对INS的潜在影响。
      注意：WTC 的 INS（Mt、Mt + n）反映了自相关。

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

仿真结果
结果表明，具有自相关的时间滞后INSWTC 显著高于无自相关的时间滞后INSWTC （t（1998）= 4.696， p < 0.001）和时间滞后INSpWTC （t（1998）= 5.098，p < 0.001）。此外，无自相关的时滞INSWTC 与INSpWTC （t（1998）= 1.573， p = 0.114， 图2A）之间没有显着差异。这些结果表明，当WTC值设置为接近0或1时，当WTC值远离0或1时，时间滞后INSpWTC 仍显示出可靠的结果（补充图2）。

实证实验结果
使用传统 WTC 方法的 INS 模式
结果表明，在0.04-0.09 Hz时，当男性的大脑活动落后于女性2 s，4 s和6 s（2 s：t（21）= 3.551时，女性和男性感觉运动皮层（SMC，CH20）中的INSWTC在支持性主题中显着高于冲突主题。 p = 0.0019;滞后 4 s： t（21） = 3.837， p = 0.0009;滞后 6 s： t（21） = 3.725， p = 0.0013）。此外，在0.4-0.6 Hz时，当男性的大脑活动落后女性4 s时，SMC中的INSWTC在冲突主题中显着高于支持主题（t（21）= 2.828，p = 0.01，图2B）。

此外，为了比较INSWTC 在不同主题中的方向，首先在SMC的INSWTC 上以2-6 s的时间滞后进行了主题（支持，冲突）x方向（女性对男性，男性对女性）方差分析。0.04-0.09 Hz的结果在任何时间滞后（ps >0.05）都没有显示出任何显着的相互作用效应。对于0.4-0.6 Hz频率范围，结果表明相互作用效应略有显着性（F（1， 21） = 3.23， p = 0.086）。成对比较表明，从女性到男性的INSWTC 在冲突主题中明显高于支持主题（M.D. = 0.014， S.E. = 0.005， p = 0.015），而INSWTC 从男性到女性在主题之间没有显着差异（MD = 0.002 ， S.E. = 0.006， p = 0.695）。

最后，为了检验自相关对传统时滞INSWTC结果的影响，分别在0.04~0.09 Hz和0.4~0.6 Hz下比较了WTC（Wt， M t+4）和WTC（M t， Mt+4）。请注意，WTC（Mt， Mt+4） 的 INSWTC 反映了自相关。结果表明，在0.4~0.6 Hz时，WTC的INSWTC（Wt， Mt+4）与WTC（M t， M t+4） （t（21） = 0.336， p = 0.740）无显著差异。在0.04-0.09 Hz时，WTC的INSWTC（Mt，Mt+4）明显高于WTC（Wt，Mt+4）（t（21）= 4.064，p <0.001）。还对WTC（Mt，M t+4）INSWTC的0.04-0.09 Hz和0.4-0.6 Hz频率范围进行了比较。结果表明，WTC（Mt， Mt+4）的INSWTC在0.04~0.09 Hz时显著高于0.4~0.6 Hz时（t（21） = 5.421，p < 0.001）。这些结果表明，时间滞后INSWTC在低频和高频范围内都受到自相关的影响，但对低频范围的影响大于对高频范围的影响。

使用 pWTC 方法的 INS 模式
结果表明，当男性大脑活动落后女性4 s时，冲突和支持性主题之间的INSpWTC 差异在女性和男性的SMC中均达到0.4-0.6 Hz的意义（t（21） = 4.224， p = 0.0003）。在0.04-0.09赫兹;然而，没有发现显着的结果，也没有在其他频率范围内（Ps >0.05， 图2C）的有效结果。

在SMC的INSpWTC 上以0.4-0.6 Hz进行了额外的方差分析测试。结果表明，主题和方向之间的相互作用具有边际显著性（F（1，21） = 3.48， p = 0.076）。进一步的成对比较表明，从女性到男性的INSpWTC 在冲突主题中明显高于支持性主题（M.D. = 0.016， S.E. = 0.004， p = 0.002），而从男性到女性的INSpWTC 在主题之间没有显着差异（M.D. = 0.0007， S.E. = 0.006， p = 0.907， 图2D）。

使用 GC 方法的 INS 模式
仅在0.4-0.6 Hz范围内对SMC的INSGC 进行了方差分析测试。结果显示主题和方向之间存在显着的相互作用（F（1，21） = 8.116， p = 0.010）。成对分析表明，从女性到男性的INSGC 在冲突主题中显着高于支持性主题（MD = 5.50， SE = 2.61， p = 0.043）。相比之下，从男性到女性的INSGC 在主题之间没有显着差异（MD = 1.42， SE = 2.61， p = 0.591， 图2E）。

Figure 2
图2：模拟和经验实验的结果。（A）三个模拟样品的模拟结果。具有自相关的时间滞后INSWTC明显高于无自相关的时间滞后INSWTC和INSpWTC。无自相关的时间滞后INSWTC与pWTC之间无显著差异。（B）经验实验中INSWTC的t-map，当男性的SMC活性落后于女性2-6 s时，在0.04-0.09 Hz范围内显示出显着的上下文效应。（C） INSpWTC的t-map显示，当男性的SMC活性落后于女性4 s时，在0.4-0.6 Hz内也存在略微可观的上下文效应。在冲突情况下，从女性到男性的定向INS明显高于支持性环境。（E） 通过气相色谱试验（核磁共振气能测试）验证定向人工转化率。INSGC的结果模式与INSpWTC相似。请点击此处查看此图的大图。

补充图1： 11.1 Hz（蓝线）和55.6 Hz（红线）下采样率的功率谱图。 两者的功率谱模式非常相似。 请点击此处下载此文件。

补充图2： 地板和ceil WTC的pWTC地图。（A）左面板：由两个相同信号生成的时间滞后WTC图，x轴为时间点，y轴为频带。WTC在所有点的平均值均为~1。右图：两个相似信号的pWTC图。pWTC地图与WTC地图非常相似。（B）左面板：由两个随机信号生成的时间滞后WTC图，x轴为时间点，y轴为频带。WTC 在所有点的平均值均为 ~0。右图：两个相似信号的pWTC图。pWTC地图与WTC地图非常相似。 请点击此处下载此文件。

Subscription Required. Please recommend JoVE to your librarian.

Discussion

在超扫描研究中，通常必须描述个体之间信息流动的方向和时间模式。以前的大多数fNIRS超扫描研究都使用传统的WTC25 通过计算时间滞后INS来推断这些特征。然而，作为fNIRS信号20，21的固有特征之一，自相关效应可能会混淆时间滞后INS。为了解决这个问题，在本文的协议中，引入了一种称为pWTC的方法22。该方法估计部分自相关后的时间滞后INS，并保持了WTC方法的优点。该协议提供了有关如何进行pWTC的分步指导，并通过将其结果与传统WTC和GC测试的结果进行比较来验证pWTC的结果。

该协议演示了在基于 fNIRS 的超扫描数据中应用 pWTC 的关键步骤。具体来说，首先，要计算时间滞后的WTC，必须根据时间滞后的fNIRS时间序列计算自相关WTC和时间对齐的WTC。接下来，根据 公式1计算不同时间滞后的pWTC。pWTC 的结果返回时间 x 频率矩阵，矩阵中的值范围为 0 到 1。因此，可以对这些值进行进一步的统计检验。

在演示协议中，传统WTC的代表性结果在两个频段（0.4-0.6 Hz）上显示出两种显着影响。然而，0.04-0.09 Hz范围内的影响未能在pWTC结果的阈值下幸存下来，这表明这种效应可能被fNIRS信号的自相关效应所混淆。另一方面，pWTC方法很好地复制了0.4-0.6 Hz范围内的结果。这些结果表明，在去除自相关效应后，pWTC在推断个体间INS的方向和时间模式方面提供了更敏感和具体的发展。然而，另一种可能性是，pWTC在较低频率范围内不易受INS方向和时间模式的影响，从而导致低估INS效应。今后需要进行研究，以进一步澄清这些可能性。

与GC测试的比较进一步支持了这一结论。GC测试的结果与pWTC的结果非常相似，显示重要的信息从女性流向男性，而不是从男性流向女性。GC试验结果与pWTC结果存在细微差异，即主题与方向之间的相互作用效应在pWTC结果中略有显著性，但在GC试验中达到显著性。这种差异可能是因为pWTC是在比GC测试更精细的时间尺度上计算的。因此，尽管pWTC和GC测试在控制自相关效应时都能提供可靠的结果，但pWTC是有利的，因为它不需要做出平稳假设并保持高时间谱结构。

pWTC方法也有其局限性。与GC测试类似，从pWTC推断的因果关系不是真正的因果关系37，38。相反，它只指示A和B信号之间的时间关系。应用 pWTC 方法时应牢记此问题。其次，pWTC只部分地排除了自相关效应。因此，其他潜在的并发变量（如共享环境或类似操作）仍可能影响结果。因此，在控制了这些混杂因素之后，应该得出关于信息流的方向和时间模式的结论。

此外，fNIRS数据预处理也存在一些复杂的问题。尽管fNIRS对头部运动的容忍度很高，但运动伪像仍然是噪声39的最重要来源。头部的大幅运动仍然会导致光电传感器的位置偏移，从而产生运动伪像，例如尖锐的尖峰和基线偏移。为了解决这些问题，开发了许多伪像校正方法，例如样条插值40，基于小波的滤波39，主成分分析41和基于相关性的信号改进42等。Cooper和他的同事43 根据真实的静息状态fNIRS数据比较了这些方法，发现基于小波的滤波产生了最高的对比度噪声比。此外，Brigadoi和她的同事44 也在真实的语言任务数据中比较了这些方法，还发现基于小波的滤波是校正运动伪影的最有效方法。因此，在这项研究中，应用了基于小波的滤波，并推荐用于未来的fNIRS超扫描研究。

一般来说，pWTC是估计社交互动过程中信息流的方向和时间模式的一种有价值的方法。更重要的是，据信pWTC方法也适用于伪超扫描研究（即，两个或多个大脑的信号不是同时收集45，46）。在这样的实验中，虽然信息流的方向是固定的，但检查信号输入和信号过程之间的时间滞后的持续时间也是有意义的。因此，自相关也会混淆时间滞后INS的结果。将来，这种方法可以回答超扫描和其他脑间研究中的许多问题。例如，确定在各种社会关系中的主导作用，如师生、医生和患者、表演者和观众。此外，由于pWTC保持了INS的时间结构，因此还可以测试INS的动态模式，例如群姿态收敛。

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

作者声明没有相互竞争的经济利益。

Acknowledgments

这项工作得到了国家自然科学基金（61977008）和“青年顶尖人才万人计划”的支持。

Materials

Name Company Catalog Number Comments
fNIRS topography system Shimadzu Corporation Shimadzu LABNIRS systen LABNIRS system contains 40 emitters and 40 detectors for fNIRS signals measurement. In this protocol we used these emitters and detectors created two customized 26-channels probe sets and attached to two caps accroding to 10-20 system. Further, LABNIRS system also contains built-in GUI softwares for data quality check, data convert and data export.
MATLAB The MathWorks, Inc. MATLAB 2019a In this protocol, several toolboxs and functions bulit in MATLAB were used:
SPM12 toolbox was used to normalize the valided MRI data through its GUI.
NIRS_SPM toolbox was used to project the MNI coordinates of the probes to the AAL template through its GUI.
Homer3 toolbox was used to remove motion artifacts through its function hmrMotionCorrectWavelet with default parameters.
Wavelet toolbox was used to compute WTC and pWTC through its function wcoherence.
MRI scanner Siemens Healthineers TRIO 3-Tesla scanner In this protocol, the MRI scanner was used to obtain MNI coordinates of each channel and optpde. Scan parameters are described in main text.
customized caps In this protocol, we first marked two nylon caps with 10-20 system. Then, we made two 26-channels customized optode probes sets. Finally, we attached probes sets to caps aligned with landmarks.

DOWNLOAD MATERIALS LIST

References

  1. Hasson, U., Ghazanfar, A. A., Galantucci, B., Garrod, S., Keysers, C. Brain-to-brain coupling: A mechanism for creating and sharing a social world. Trends in Cognitive Sciences. 16 (2), 114-121 (2012).
  2. Hasson, U., Frith, C. D. Mirroring and beyond: Coupled dynamics as a generalized framework for modelling social interactions. Philosophical Transactions of the Royal Society B: Biological Sciences. 371, 20150366 (2016).
  3. Jiang, J., et al. Neural synchronization during face-to-face communication. Journal of Neuroscience. 32 (45), 16064-16069 (2012).
  4. Jiang, J., et al. Leader emergence through interpersonal neural synchronization. Proceedings of the National Academy of Sciences of the United States of America. 112 (14), 4274-4279 (2015).
  5. Dai, B., et al. Neural mechanisms for selectively tuning in to the target speaker in a naturalistic noisy situation. Nature Communications. 9 (1), 1-12 (2018).
  6. Long, Y., et al. Interpersonal neural synchronization during interpersonal touch underlies affiliative pair bonding between romantic couples. Cerebral Cortex. 31 (3), New York, N.Y. 1647-1659 (2021).
  7. Liu, W., et al. Shared neural representations of syntax during online dyadic communication. NeuroImage. 198, 63-72 (2019).
  8. Zheng, L., et al. Enhancement of teaching outcome through neural prediction of the students' knowledge state. Human Brain Mapping. 39 (7), 3046-3057 (2018).
  9. Stephens, G. J., Silbert, L. J., Hasson, U. Speaker-listener neural coupling underlies successful communication. Proceedings of the National Academy of Sciences of the United States of America. 107 (32), 14425-14430 (2010).
  10. Hirsch, J., et al. Interpersonal agreement and disagreement during face-to-face dialogue: An fNIRS investigation. Frontiers in Human Neuroscience. 14, 606397 (2021).
  11. Pan, Y., Cheng, X., Zhang, Z., Li, X., Hu, Y. Cooperation in lovers: An fNIRS-based hyperscanning study. Human Brain Mapping. 38 (2), 831-841 (2017).
  12. 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).
  13. Piazza, E. A., Hasenfratz, L., Hasson, U., Lew-Williams, C. Infant and Adult Brains Are Coupled to the Dynamics of Natural Communication. Psychological Science. 31 (1), 6-17 (2020).
  14. Djalovski, A., Dumas, G., Kinreich, S., Feldman, R. Human attachments shape interbrain synchrony toward efficient performance of social goals. NeuroImage. 226, 117600 (2021).
  15. Zhao, H., et al. How mother-child interactions are associated with a child's compliance. Cerebral Cortex. 31 (9), 4398-4410 (2021).
  16. Jiang, J., Zheng, L., Lu, C. A hierarchical model for interpersonal verbal communication. Social Cognitive and Affective Neuroscience. 16 (1-2), 246-255 (2021).
  17. Yan, W., et al. Bibliometric evaluation of 2000-2019 publications on functional near-infrared spectroscopy. NeuroImage. 220, 117121 (2020).
  18. Zheng, L., et al. Affiliative bonding between teachers and students through interpersonal synchronisation in brain activity. Social Cognitive and Affective Neuroscience. 15 (1), 97-109 (2020).
  19. Dean, R. T., Dunsmuir, W. T. M. Dangers and uses of cross-correlation in analyzing time series in perception, performance, movement, and neuroscience: The importance of constructing transfer function autoregressive models. Behavior Research Methods. 48 (2), 783-802 (2016).
  20. Barker, J. W., Rosso, A. L., Sparto, P. J., Huppert, T. J. Correction of motion artifacts and serial correlations for real-time functional near-infrared spectroscopy. Neurophotonics. 3 (3), 031410 (2016).
  21. Huppert, T. J. Commentary on the statistical properties of noise and its implication on general linear models in functional near-infrared spectroscopy. Neurophotonics. 3 (1), 010401 (2016).
  22. Mihanović, H., Orlić, M., Pasarić, Z. Diurnal thermocline oscillations driven by tidal flow around an island in the Middle Adriatic. Journal of Marine Systems. 78, SUPPL. 1 157-168 (2009).
  23. Ng, E. K. W., Chan, J. C. L. Geophysical applications of partial wavelet coherence and multiple wavelet coherence. Journal of Atmospheric and Oceanic Technology. 29 (12), 1845-1853 (2012).
  24. Ng, E. K. W., Chan, J. C. L. Interannual variations of tropical cyclone activity over the north Indian Ocean. International Journal of Climatology. 32 (6), 819-830 (2012).
  25. Grinsted, A., Moore, J. C., Jevrejeva, S. Application of the cross wavelet transform and wavelet coherence to geophysical time series. Nonlinear Processes in Geophysics. 11, 561-566 (2004).
  26. Jurcak, V., Tsuzuki, D., Dan, I. 10/20, 10/10, and 10/5 systems revisited: Their validity as relative head-surface-based positioning systems. NeuroImage. 34 (4), 1600-1611 (2007).
  27. Homan, R. W., Herman, J., Purdy, P. Cerebral location of international 10-20 system electrode placement. Electroencephalography and Clinical Neurophysiology. 66 (4), 376-382 (1987).
  28. Koessler, L., et al. Automated cortical projection of EEG sensors: Anatomical correlation via the international 10-10 system. NeuroImage. 46 (1), 64-72 (2009).
  29. Penny, W., Friston, K., Ashburner, J., Kiebel, S., Nichols, T. Statistical Parametric Mapping: The Analysis of Functional Brain Images. , Academic Press. (2007).
  30. Shalinsky, M. H., Kovelman, I., Berens, M. S., Petitto, L. A. Exploring cognitive functions in babies, children & adults with near infrared spectroscopy. Journal of Visualized Experiments: JoVE. (29), e1268 (2009).
  31. Xu, S. Y., Cheong, L. I., Zhuang, Y., Couto, T. A. P., Yuan, Z. Conducting concurrent electroencephalography and functional near-infrared spectroscopy recordings with a flanker task. Journal of Visualized Experiments: JoVE. (159), e6069 (2020).
  32. Noah, J. A., et al. fMRI validation of fNIRS measurements during a naturalistic task. Journal of Visualized Experiments: JoVE. (100), e52116 (2015).
  33. Tong, Y., Lindsey, K. P., Frederick, B. D. Partitioning of physiological noise signals in the brain with concurrent near-infrared spectroscopy and fMRI. Journal of Cerebral Blood Flow and Metabolism. 31 (12), 2352-2362 (2011).
  34. Buck, R., Miller, R. E., Caul, W. F. Sex, personality, and physiological variables in the communication of affect via facial expression. Journal of Personality and Social Psychology. 30 (4), 587-596 (1974).
  35. Walen, H. R., Lachman, M. E. Social support and strain from partner, family, and friends: Costs and benefits for men and women in adulthood. Journal of Social and Personal Relationships. 17 (1), 5-30 (2000).
  36. Chang, C., Glover, G. H. Time-frequency dynamics of resting-state brain connectivity measured with fMRI. NeuroImage. 50 (1), 81-98 (2010).
  37. Liu, H., et al. Inferring subsurface preferential flow features from a wavelet analysis of hydrological signals in the shale hills catchment. Water Resources Research. 56 (11), 0-3 (2020).
  38. Rhif, M., Abbes, A. B., Farah, I. R., Martínez, B., Sang, Y. Wavelet transform application for/in non-stationary time-series analysis: A review. Applied Sciences. 9 (7), Switzerland. 1345 (2019).
  39. Molavi, B., Dumont, G. A. Wavelet-based motion artifact removal for functional near-infrared spectroscopy. Physiological Measurement. 33 (2), 259-270 (2012).
  40. 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), 649-662 (2010).
  41. 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).
  42. 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).
  43. Cooper, R. J., et al. A systematic comparison of motion artifact correction techniques for functional near-infrared spectroscopy. Frontiers in Neuroscience. 0, 147 (2012).
  44. Brigadoi, S., et al. Motion artifacts in functional near-infrared spectroscopy: A comparison of motion correction techniques applied to real cognitive data. NeuroImage. 85, 181-191 (2014).
  45. Liu, Y., et al. Measuring speaker-listener neural coupling with functional near infrared spectroscopy. Scientific Reports. 7, 1-13 (2017).
  46. Li, Z., et al. Speaker-listener neural coupling reveals an adaptive mechanism for speech comprehension in a noisy environment. Cerebral Cortex. , (2021).

Tags

神经科学，第175期，
使用偏小波变换相干法测量 fNIRS-超扫描数据中的定向信息流
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Zhou, S., Long, Y., Lu, C.… More

Zhou, S., Long, Y., Lu, C. Measurement of the Directional Information Flow in fNIRS-Hyperscanning Data using the Partial Wavelet Transform Coherence Method. J. Vis. Exp. (175), e62927, doi:10.3791/62927 (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