Waiting
Login processing...

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

Neuroscience

Måling af retningsbestemt informationsstrøm i fNIRS-hyperscanningsdata ved hjælp af metoden Delvis Wavelet Transform Coherence Method

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

Denne protokol beskriver delvis wavelet transform coherence (pWTC) til beregning af det tidslaggede mønster af interpersonel neural synkronisering (INS) for at udlede retningen og det tidsmæssige mønster af informationsstrømmen under social interaktion. Effektiviteten af pWTC til fjernelse af forvirringen af signalautokorrelation på INS blev bevist ved to eksperimenter.

Abstract

Social interaktion er af afgørende betydning for mennesker. Mens hyperscanningsmetoden i vid udstrækning er blevet brugt til at studere interpersonel neural synkronisering (INS) under sociale interaktioner, er funktionel nær-infrarød spektroskopi (fNIRS) en af de mest populære teknikker til hyperscanning af naturalistiske sociale interaktioner på grund af dens relativt høje rumlige opløsning, lydanatomiske lokalisering og usædvanligt høje tolerance for bevægelsesartefakter. Tidligere fNIRS-baserede hyperscanningsundersøgelser beregner normalt en tidslagged INS ved hjælp af wavelet transform coherence (WTC) til at beskrive retningen og det tidsmæssige mønster af informationsstrømmen mellem individer. Resultaterne af denne metode kan imidlertid blive forvirret af autokorrelationseffekten af fNIRS-signalet for hver enkelt person. For at løse dette problem blev der indført en metode betegnet partial wavelet transform coherence (pWTC), som havde til formål at fjerne autokorrelationseffekten og opretholde den høje tidsmæssige spektrumopløsning af fNIRS-signalet. I denne undersøgelse blev der først udført et simuleringseksperiment for at vise effektiviteten af pWTC til at fjerne virkningen af autokorrelation på INS. Derefter blev der tilbudt trinvis vejledning om driften af pWTC baseret på fNIRS-datasættet fra et socialt interaktionseksperiment. Derudover blev der draget en sammenligning mellem pWTC-metoden og den traditionelle WTC-metode og sammenligningen mellem pWTC-metoden og Granger-kausalitetsmetoden (GC). Resultaterne viste, at pWTC kunne bruges til at bestemme INS-forskellen mellem forskellige eksperimentelle tilstande og INS's retnings- og tidsmæssige mønster mellem individer under naturalistiske sociale interaktioner. Desuden giver det bedre tidsmæssig og frekvensopløsning end den traditionelle WTC og bedre fleksibilitet end GC-metoden. Således er pWTC en stærk kandidat til at udlede retningen og det tidsmæssige mønster af informationsstrømmen mellem individer under naturalistiske sociale interaktioner.

Introduction

Social interaktion er af afgørende betydning for mennesker 1,2. For at forstå den neurokognitive mekanisme med dobbelt hjerne for social interaktion er hyperscanningsmetoden for nylig blevet anvendt i vid udstrækning, hvilket viser, at mønstrene for interpersonel neural synkronisering (INS) godt kan karakterisere den sociale interaktionsproces 3,4,5,6,7,8,9,10,11,12 ,13,14. Blandt nyere undersøgelser er et interessant fund, at rolleforskellen mellem individer i en dyad kan føre til et tidsforlænget mønster af INS, dvs. INS opstår, når et individs hjerneaktivitet halter efter et andet individs hjerneaktivitet med sekunder, såsom det fra lyttere til højttalere 5,9, fra ledere til tilhængere4, fra lærere til elever8, fra mødre til børn13,15 og fra kvinder til mænd i et romantisk par6. Vigtigst er det, at der er en god korrespondance mellem intervallet for den tidslaggede INS og intervallet for social interaktionsadfærd, såsom mellem lærere, der stiller spørgsmålstegn ved, og studerende, der besvarer8 eller mellem mødres forældreadfærd og børns overholdelsesadfærd15. Således kan tidsforlænget INS afspejle en retningsbestemt informationsstrøm fra et individ til et andet, som foreslået i en nylig hierarkisk model for interpersonel verbal kommunikation16.

Tidligere blev den tidslaggede INS hovedsageligt beregnet på det funktionelle nær-infrarøde spektroskopi (fNIRS) signal på grund af dets relativt høje rumlige opløsning, lydanatomiske lokalisering og usædvanligt høje tolerance for bevægelsesartefakter17, når man studerede naturalistiske sociale interaktioner. For præcist at karakterisere korrespondancen mellem den neurale tidsforsinkelse og den adfærdsmæssige tidsforsinkelse under social interaktion er det desuden vigtigt at opnå INS-styrken for hver tidsforsinkelse (f.eks. Fra ingen tidsforsinkelse til en tidsforsinkelse på 10 s). Til dette formål blev wavelet transform coherence (WTC) -proceduren tidligere anvendt i vid udstrækning efter at have flyttet hjernesignalet fra et individ frem eller tilbage i forhold til et andetindivids 5,6,18. Når man bruger denne traditionelle WTC-procedure for fNIRS-signaler, er der en potentiel udfordring, fordi den observerede tidslaggede INS kan blive forvirret af autokorrelationseffekten af fNIRS-signalet for en individuel 19,20,21. For eksempel kan signalet fra deltager A på tidspunktet t under en dyadisk social interaktionsproces synkroniseres med deltager B's signal på samme tidspunkt. I mellemtiden kan signalet fra deltager A på tidspunktet t synkroniseres med signalet fra deltager A på et senere tidspunkt t + 1 på grund af autokorrelationseffekten. Derfor kan der forekomme en falsk tidsfornægtet INS mellem signalet fra deltager A på tidspunktet t og signalet fra deltager B på tidspunktet t + 1.

Mihanović og hans kolleger22 introducerede først en metode trykket partial wavelet transform coherence (pWTC) og anvendte den derefter i havvidenskab 23,24. Det oprindelige formål med denne metode var at kontrollere den eksogene forvirrende støj, når man estimerede sammenhængen mellem to signaler. For at løse autokorrelationsproblemet i fNIRS-hyperscanningsdataene blev pWTC-metoden udvidet til at beregne tidslagged INS på fNIRS-signalet. Netop en tidsforanket INS (og en retningsbestemt informationsstrøm) fra deltager A til deltager B kan beregnes ved hjælp af ligningen nedenfor (ligning 1)23.

Equation 1

Her antages det, at der er to signaler, A og B, fra henholdsvis deltagere A og B. Forekomsten af signal B går altid forud for signal A med en tidsforsinkelse på n, hvor WTC (At, Bt + n) er den traditionelle tidslaggede WTC. WTC (At, At + n) er den autokorrelerede WTC i deltager A. WTC (At, Bt) er den tidsjusterede WTC på tidspunktet t mellem deltager A og B. * er den komplekse konjugerede operatør (figur 1A).

Figure 1
Figur 1: Oversigt over pWTC. A) logikken i pWTC. Der er to signaler A og B inden for en dyad. Forekomsten af A følger altid B med en forsinkelse n. En grå boks er et wavelet-vindue på et bestemt tidspunkt t eller t + n. Baseret på pWTC-ligningen (repræsenteret i figuren) skal der beregnes tre WTC'er: den tidslaggede WTC for At + n og Bt; den autokorrelerede WTC i deltager A på At og At+n og den tidsjusterede WTC på tidspunktet t, At og Bt. (B) Layoutet af optode sonde sæt. CH11 blev placeret på T3, og CH25 blev placeret på T4 efter det internationale 10-20 system 27,28. Klik her for at se en større version af denne figur.

Denne protokol introducerede først et simuleringseksperiment for at demonstrere, hvor godt pWTC løser autokorrelationsudfordringen. Derefter forklarede det, hvordan man udfører pWTC på en trinvis måde baseret på et empirisk eksperiment med naturalistiske sociale interaktioner. Her blev en kommunikationskontekst brugt til at introducere metoden. Dette skyldes, at den tidslaggede INS tidligere normalt blev beregnet i en naturalistisk kommunikationskontekst 3,4,6,8,13,15,18. Derudover blev der også foretaget en sammenligning mellem pWTC og den traditionelle WTC og validering med Granger-kausalitetstesten (GC).

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Den humane eksperimentprotokol blev godkendt af Institutional Review Board og Ethics Committee i State Key Laboratory of Cognitive Neuroscience and Learning ved Beijing Normal University. Alle deltagere gav skriftligt informeret samtykke, inden eksperimentet begyndte.

1. Simuleringseksperimentet

  1. Generer to tidsserier af signaler, der korrelerer med hinanden, hvor et signal har autokorrelation ved en 4 s tidsforsinkelse. Indstil korrelationskoefficienten på r mellem de to signaler til 0,4.
  2. Desuden generere to tidsserier af signaler uden nogen korrelation, men med autokorrelation i et signal.
  3. Beregn værdier af traditionelle 4 s tidslaggede INS med ligning 2 baseret på de genererede signaler med eller uden korrelation, som kan navngives tidslagged INSWTC med autokorrelation og tidsforlagt baseline INSWTC med autokorrelation.
    BEMÆRK: Her udtrykkes den traditionelle tidslaggede WTC ved følgende ligning (ligning 2)25
    Equation 2
    hvor C betegner den kontinuerlige wavelet-transformationsoperator på forskellige skalaer i og tidspunkter t. S betegner udjævningsoperatøren. * betegner den komplekse konjugerede operatør. W og M angiver to individuelle tidsserier af signaler.
  4. Fjern autokorrelation fra de genererede signaler. Beregn derefter værdierne for traditionelle 4 s tidslaggede INSWTC med ligning 2 baseret på de genererede signaler med eller uden korrelation, som kan navngives tidslagged INSWTC uden autokorrelation og tidslagged baseline INSWTC uden autokorrelation.
  5. Beregn værdierne for 4 s tidslagged pWTC med ligning 3 baseret på de genererede signaler med eller uden korrelation, navngivet tidslagged INSpWTC og tidslagged baseline INSpWTC.
    BEMÆRK: PWTC kan beregnes ud fra følgende ligning (ligning 3)23
    Equation 3
    hvor WTC (Wt, Mt+n) er den traditionelle tidslaggede WTC. WTC (Mt, Mt + n) er den autokorrelerede WTC for et individ. WTC (Wt, Mt) er den tidsjusterede WTC. * er den komplekse konjugerede operatør.
  6. Gentag ovenstående procedurer 1000 gange.
  7. Efter at have trukket baseline INS fra, skal du sammenligne resultaterne af tidslagged INSWTC med autokorrelation, tidslagged INSWTC uden autokorrelation og tidsforlagt INSpWTC ved hjælp af ANOVA-metoden (Analysis of Variance).
    BEMÆRK: Her forventes det, at den tidslaggede INSWTC med autokorrelation vil være betydeligt højere end den tidslaggede INSWTC uden autokorrelation og den tidslaggede INSpWTC, og der forventes ingen signifikant forskel mellem den tidslaggede INSWTC uden autokorrelation og den tidslaggede INSpWTC.

2. Det empiriske eksperiment

  1. Deltagere og procedure
    1. Rekruttere passende deltagere.
      BEMÆRK: I denne undersøgelse blev toogtyve par nære venner af modsat køn (gennemsnitsalder for kvinder = 20,95, standardafvigelse (SD) = 1,86; gennemsnitsalder for mænd = 20,50, SD = 1,74) rekrutteret gennem reklame fra bachelorer fra universiteter i Beijing. Alle deltagere var højrehåndede og havde normalt eller korrigeret til normalt syn. Desuden havde ingen deltagere nogen sproglige, neurologiske eller psykiatriske lidelser.
    2. Bed hvert par deltagere om at sidde ansigt til ansigt under eksperimentet. Bed dem om at kommunikere frit om et støttende emne i den ene session og om et konfliktemne i den anden session.
      BEMÆRK: Emnerne blev brugt til at fremkalde den tilsigtede positive eller negative følelsesmæssige valens. Hver kommunikationssession varede 10 minutter, og rækkefølgen af emner blev opvejet.
    3. Bed deltagerne om at rapportere om støtte- og konfliktemnerne som en standardopsætningsregel. Bed hver partner om at bedømme det positive eller negative valensniveau, der kunne have været induceret på en bestemt punktskala. Ranger derefter de rapporterede emner i henhold til vurderingen.
      BEMÆRK: I dette arbejde blev emnerne valgt med følgende tre trin. For det første var hver deltager for de støttende emner forpligtet til at rapportere 1-3 personlige problemer relateret til, hvad hun / han ønskede at forbedre i sit liv. Hver deltager var forpligtet til at rapportere 1-3 tilfælde, der havde fremkaldt eller ville fremkalde konflikt mellem dem, eller som kunne bringe deres forhold til konfliktemnerne i fare. For det andet var hver partner forpligtet til at bedømme niveauet af positiv eller negativ valens, som hvert emne kunne fremkalde på en 7-punkts skala (1 = slet ikke og 7 = meget). For det tredje blev de rapporterede emner rangeret efter vurderingen. De to første emner på listen over understøttende emner og konfliktemner blev valgt.
  2. fNIRS dataindsamling
    1. Brug 26-kanals fNIRS-topografisystem (se tabel over materialer) til at indsamle fNIRS-data.
      BEMÆRK: To tilpassede optoder prober sæt dækkede de bilaterale frontale, tidsmæssige og parietale kortikater (figur 1B).
    2. Bed netop hver deltager om at bære en kasket med to tilpassede sondesæt (se Materialetabel).
    3. Juster nasion-, inion- og øremastoider med Fpz, Opz, T7 og T8, som er typiske vartegn for 10-20 internationalt system26.
    4. Juster kanal (CH) 11 til T3 og CH25 til T4 efter det internationale 10-20-system for de to sondesæt 27,28.
    5. Validere de anatomiske placeringer af sondesæt ved at scanne magnetisk resonansbilleddannelse (MRI) data fra en typisk deltager med en højopløselig T1-vægtet magnetiseringsforberedt hurtig gradient-ekkosekvens (TR = 2530 ms; TE = 3,39 ms; flip vinkel = 7 °; skivetykkelse = 1,3 mm; voxel størrelse = 1,3 x 1 x 1,3 mm).
    6. Brug Statistical Parametric Mapping 12 (SPM12) til at normalisere billedet til standard Montreal imaging institute coordinate (MNI coordinate) space29. Brug derefter værktøjskassen NIRS_SPM (se Tabel over materialer) til at projicere MNI-koordinaterne for sonderne til den automatiserede anatomiske mærkningsskabelon (AAL).
    7. Indsaml de optiske densitetsdata for nær-infrarødt lys ved tre bølgelængder (780, 805 og 830 nm) med en samplingshastighed på 55,6 Hz (udstyrsstandardparametre).
    8. Test signalkvaliteten ved hjælp af fNIRS topografisystem indbygget udstyrssoftware (se Tabel over materialer).
    9. Begynd signaloptagelsen.
      BEMÆRK: Nogle offentliggjorte protokoller har vist, hvordan man indsamler fNIRS-signaler med forskellige udstyr og systemer 30,31,32.
  3. fNIRS-forbehandling af data
    1. Eksporter datafilerne fra udstyret.
      BEMÆRK: I det aktuelle eksperiment konverterede den indbyggede software automatisk all-optiske densitetsdata til oxyhemoglobin (HbO) koncentrationsændringer baseret på den modificerede Beer-Lambert-lov.
    2. Fjern de første og sidste 15 s data for hver session for at undgå forbigående svar.
    3. Brug MATLAB decimere indbygget funktion til at nedsample dataene fra 55,6 Hz til 11,1 Hz.
      BEMÆRK: Effektspektrummønstrene mellem 55,6 Hz og 11,1 Hz er ret ens (supplerende figur 1).
    4. Brug den indbyggede MATLAB-applikationsfunktion (Homer3, se Tabel over materialer) med passende filtreringsfunktion til at anvende den diskrete wavelet-transformationsfiltermetode til at korrigere bevægelsesartefakter.
    5. Brug den indbyggede MATLAB pca-funktion til at fjerne global fysiologisk støj. Fjern de øverste 80% af variansen fra signalerne.
    6. Fjern fysiologisk støj baseret på de tidligere undersøgelser33. Fjern nøjagtigt frekvensbåndene for hvert signal over 0,7 Hz for at undgå aliasing af højfrekvent fysiologisk støj (f.eks. Hjerteaktivitet).
    7. Fjern derefter frekvensbåndene for hvert signal under 0,01 Hz for at filtrere meget lavfrekvente udsving fra.
    8. Endelig skal du fjerne frekvensbåndene for hvert signal inden for 0,15-0,3 Hz for at udelukke den potentielle virkning af åndedrætsaktivitet.
  4. Første niveau fNIRS databehandling
    1. Beregn først INS ved hjælp af traditionel WTC (INSWTC).
      BEMÆRK: Her blev et kvindeledet tidslagged mønster af INSWTC forudsagt at forekomme mellem kvinders hjerneaktivitet og mænds, fordi tidligere undersøgelser har foreslået forskellige roller for kvinder og mænd under en samtale34,35. Den traditionelle WTC beregnede dette mønster af INSWTC ved at flytte mænds hjerneaktivitet baglæns i forhold til kvinders (se ligning 2).
    2. Beregn den kvindeledede 2 s-laggede INSWTC-værdi efter fjernelse af de første 2 s data fra kvinder og de sidste 2 s data fra mænd med ligning 2. Tilsvarende, efter at have fjernet de indledende 2 s data fra mænd og de sidste 2 s data fra kvinder, skal du beregne den mandledede 2 s-forsinkede INSWTC-værdi med ligning 4.
      BEMÆRK: Her blev wcoherence-funktionen, som er en indbygget funktion af MATLABs wavelet-værktøjskasse, brugt (se Tabel over materialer).
    3. Gentag denne procedure med forskellige tidsforsinkelser n, dvs. n = 2 s, 4 s, 6 s, 8 s på tværs af alle potentielle CH-par (f.eks. CH2 hos kvinder og CH10 hos mænd, 676 par i alt). Derudover skal du beregne styrken af mænd-ledet tidslagged INSWTC på samme måde (ligning 4).
      Equation 4
    4. For det andet skal du beregne INS ved hjælp af pWTC (INSpWTC).
      BEMÆRK: pWTC blev beregnet ud fra ligning 3. Beregningen af INSpWTC blev gentaget med forskellige tidsforsinkelser n, dvs. n = 2 s, 4 s, 6 s, 8 s på tværs af alle potentielle kanalpar (f.eks. CH2 hos kvinder og CH10 hos mænd, 676 par i alt). Derudover blev styrken af den mandledede tidslaggede INSpWTC beregnet på samme måde (ligning 5).
      Equation 5
    5. Generer tidslaggede tidsserier af fNIRS-signaler ved forskellige tidsforsinkelser.
    6. Beregn værdierne for den tidslaggede WTC på forskellige tidsforsinkelser.
    7. Generer autokorrelerede tidsserier af fNIRS-signaler ved forskellige tidsforsinkelser. For at beregne den 2 s-autokorrelerede værdi for mænd skal du fjerne de første 2 s data fra mændene og de sidste 2 s data fra mændene.
    8. Beregn de autokorrelerede WTC-værdier ved forskellige tidsforsinkelser.
    9. Generer tidsjusterede tidsserier af fNIRS-signaler ved forskellige tidsforsinkelser. For at beregne de 2 s tidsjusterede WTC skal du fjerne de første 2 s data fra mændene og kvindernes første 2 s data.
    10. Beregn de tidsjusterede WTC-værdier.
    11. Indtast tidsjusteret WTC, tidsforanket WTC og autokorrelerede WTC-værdier på forskellige tidspunkter i ligning 3 og ligning 5 - ligningen af pWTC, der genererer INSpWTC.
    12. Til sidst beregnes INS ved hjælp af GC-metoden (INSGC).
      BEMÆRK: For yderligere at validere pWTC-metoden og evaluere dens fordele og ulemper blev GC-baserede INS beregnet ved hjælp af GC-metoden (INSGC).
    13. Baseret på pWTC-resultatet filtrerer båndpasset HbO-signalet for hver enkelt person ved SMC (dvs. 0,4-0,6 Hz, se Repræsentative resultater).
    14. Gennemfør en GC-test (økonometrisk værktøjskasse, MATLAB) inden for hver dyad i de støttende og konfliktemner separat.
      BEMÆRK: Fire grupper af F-værdier opnås for INSGC: (1) fra kvinder til mænd om det støttende emne (W2M_supp); 2) fra mænd til kvinder om det støttende emne (M2W_supp) 3) fra kvinder til mænd om konfliktemnet (W2M_conf) og (4) fra mænd til kvinder om konfliktemnet (M2 W_conf). F-værdierne bruges til at indeksere INSGC.
  5. Anden niveau fNIRS databehandling
    1. Transformér INS med Fisher-z-transformation, og derefter gennemsnitlig INS ved den tidsmæssige dimension.
      BEMÆRK: Her blev Fisher-z transformation udført ved hjælp af et brugerdefineret MATLAB-script med ligning 636:
      Equation 6
      hvor r er værdien af WTC eller pWTC, og z er den Fisher-z-transformerede værdi af WTC eller pWTC.
    2. For den gennemsnitlige INS ved hver tidsforsinkelse skal du udføre en parret t-test med to prøver (understøttende vs. konflikt) på hvert CH-par på tværs af frekvensområdet. Identificer derefter alle signifikante frekvensklynger (P < 0,05).
    3. Udfør en klyngebaseret permutationstest for at fastlægge en tærskel for resultaterne.
      1. Omfordel dyadiske relationer ved tilfældigt at tildele deltagerne til nye to-medlemspar, dvs. deltagerne i en dyad, der aldrig havde kommunikeret med hinanden. Genberegn INS ved hver tidsforsinkelse, udfør parrede t-tests igen i den nye prøve, og identificer signifikante frekvensklynger igen.
      2. Vælg klyngen med den største opsummerede t-værdi. Gentag ovenstående procedurer 1000 gange for at generere en nulfordeling af de maksimale falsk-positive t-værdier.
        BEMÆRK: Fordelingen serveres som chanceniveau. Den familiemæssige fejlrate (FWER) kontrolleres ved q = 0,05, hvilket betyder, at kun de øverste 5% af nulfordelingen af de falsk-positive t-værdier overstiger tærsklen (R*).
      3. Sammenlign den opsummerede t-værdi for hver identificeret frekvensklynge i den oprindelige prøve med nulfordelingen for at opnå signifikante statistiske resultater.
    4. Udfør en kontekst (støttende, konflikt) x retning (kvinder til mænd, mænd til kvinder) analyse af varians (ANOVA) for at teste forskellen i INS-retning mellem forskellige forhold (dvs. emner) (p < 0,05).
    5. Udfør en parret to-prøve to-halet t-test mellem resultaterne af WTC (Wt, Mt + n) og WTC (Mt, Mt + n) for at teste den potentielle virkning af autokorrelation på INS.
      BEMÆRK: INS af WTC (Mt, Mt + n) afspejler autokorrelation.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Simulering resultater
Resultaterne viste, at den tidslaggede INSWTC med autokorrelation var signifikant højere end den tidslaggede INSWTC uden autokorrelation (t(1998) = 4.696, p < 0.001) og tidslagged INSpWTC (t(1998) = 5.098, p < 0.001). Derudover var der ingen signifikant forskel mellem tidsforladt INSWTC uden autokorrelation og INSpWTC (t(1998) = 1.573, p = 0.114, figur 2A). Disse resultater indikerer, at pWTC effektivt kan fjerne virkningen af autokorrelationseffekten på INS. Derudover, når WTC-værdien blev indstillet til at være tæt på 0 eller 1, viste den tidslaggede INSpWTC stadig pålidelige resultater, når WTC-værdien var væk fra 0 eller 1 (supplerende figur 2).

Empiriske eksperimentresultater
INS-mønster ved hjælp af den traditionelle WTC-metode
Resultaterne viste, at ved 0,04-0,09 Hz, INSWTCi den sensorimotoriske cortex (SMC, CH20) hos både kvinder og mænd var signifikant højere i det støttende emne end i konfliktemnet, da mænds hjerneaktivitet haltede bagefter kvinders med 2 s, 4 s og 6 s (2 s: t(21) = 3.551, p = 0,0019; lag 4 s: t(21) = 3.837, p = 0.0009; lag 6 s: t(21) = 3.725, p = 0.0013). Derudover var INSWTC i SMC ved 0,4-0,6 Hz signifikant højere i konfliktemnet end i det støttende emne, da mænds hjerneaktivitet haltede efter kvinders med 4 s (t(21) = 2,828, p = 0,01, figur 2B).

For at sammenligne retningen af INSWTC i forskellige emner blev et emne (støttende, konflikt) x retning (kvinder til mænd, mænd til kvinder) ANOVA først udført på INSWTC i SMC under en 2-6 s tidsforsinkelse. Resultaterne på 0,04-0,09 Hz viste ingen signifikante interaktionseffekter på noget tidspunkt forsinkelse (ps > 0,05). For frekvensområdet 0,4-0,6 Hz viste resultaterne, at interaktionseffekten var marginalt signifikant (F(1, 21) = 3,23, p = 0,086). Parvise sammenligninger viste, at INSWTC fra kvinder til mænd var signifikant højere i konfliktemnet end i det støttende emne (MD = 0.014, S.E. = 0.005, p = 0.015), mens INSWTC fra mænd til kvinder ikke adskiller sig væsentligt mellem emner (MD = 0.002, S.E. = 0.006, p = 0.695).

Endelig, for at teste virkningen af autokorrelation på resultaterne af traditionel tidslagged INSWTC, blev INSWTC sammenlignet mellem WTC (Wt, Mt + 4) og WTC (Mt, Mt + 4) ved henholdsvis 0,04-0,09 Hz og 0,4-0,6 Hz. Bemærk, at INSWTC for WTC (Mt, Mt + 4) afspejler autokorrelation. Resultaterne viste, at der ved 0,4-0,6 Hz ikke var nogen signifikant forskel mellem INSWTC for WTC (Wt, Mt + 4) og WTC (Mt, Mt + 4) (t (t (21) = 0,336, p = 0,740). Ved 0,04-0,09 Hz var INSWTC for WTC (Mt, Mt + 4) signifikant højere end WTC (Wt, Mt + 4) (t (21) = 4.064, p < 0.001). Der blev også foretaget en sammenligning mellem frekvensområderne 0,04-0,09 Hz og 0,4-0,6 Hz vedrørende INSWTC for WTC (Mt, Mt + 4). Resultaterne viste, at INSWTC for WTC (Mt, Mt + 4) var signifikant højere ved 0,04-0,09 Hz end ved 0,4-0,6 Hz (t(21) = 5,421, p < 0,001). Disse resultater indikerer, at den tidslaggede INSWTC blev påvirket af autokorrelation i både lav- og højfrekvensområderne, men virkningen var større for det lavere frekvensområde end for det højere frekvensområde.

INS-mønster ved hjælp af pWTC-metoden
Resultaterne viste, at forskellen i INSpWTC mellem konflikten og støttende emner nåede betydning ved SMC for både kvinder og mænd ved 0,4-0,6 Hz, når mandlig hjerneaktivitet haltede bagefter kvinders (t(21) = 4,224, p = 0,0003). Ved 0,04-0,09 Hz; der blev imidlertid ikke fundet signifikante resultater, og deres effektive resultater var heller ikke ved andre frekvensområder (Ps > 0,05, figur 2C).

En yderligere ANOVA-test blev udført påSMC's INS pWTC ved 0,4-0,6 Hz. Resultaterne viste, at samspillet mellem emne og retning var marginalt signifikant (F(1,21) = 3,48, p = 0,076). Yderligere parvise sammenligninger viste, at INSpWTC fra kvinder til mænd var signifikant højere i konfliktemnet end i det støttende emne (MD = 0.016, S.E. = 0.004, p = 0.002), mens INSpWTC fra mænd til kvinder ikke adskiller sig signifikant mellem emner (MD = 0.0007, S.E. = 0.006, p = 0.907, figur 2D).

INS-mønster ved hjælp af GC-metoden
En ANOVA-test blev kun udført på INSGC ved SMC inden for 0,4-0,6 Hz. Resultaterne viste et signifikant samspil mellem emne og retning (F(1,21) = 8,116, p = 0,010). Parvis analyse viste, at INSGC fra kvinder til mænd var signifikant højere i konfliktemnet end i det støttende emne (MD = 5,50, SE = 2,61, p = 0,043). I modsætning hertil var INSGC fra mænd til kvinder ikke signifikant forskellig mellem emner (MD = 1,42, SE = 2,61, p = 0,591, figur 2E).

Figure 2
Figur 2: Resultater af simuleringen og det empiriske eksperiment. (A) Simuleringsresultaterne af tre simulerede prøver. Den tidslaggede INSWTC med autokorrelation var signifikant højere end tidslaggede INSWTC uden autokorrelation og INSpWTC. Der var ingen signifikant forskel mellem tidsforladt INSWTC uden autokorrelation og pWTC. (B) T-kortet over INSWTC i det empiriske eksperiment, der viser signifikante konteksteffekter inden for 0,04-0,09 Hz, når mænds SMC-aktivitet haltede efter kvinders med 2-6 s. Der var også en marginalt betydelig konteksteffekt inden for 0,4-0,6 Hz, da mænds SMC-aktivitet haltede bagefter kvinders med 4 s. (C) T-kortet for INSpWTC, der viste en signifikant konteksteffekt inden for 0,4-0,6 Hz, da mænds SMC-aktivitet haltede bagefter kvinders med 4 s. (D) Sammenligning af retningsbestemt INSpWTC på forskellige emner af pWTC. Retningsbestemt INS fra kvinder til mænd er signifikant højere i konfliktsammenhænge end i støttende sammenhænge. (E) Validering af retningsbestemt INS ved GC-test (INSGC). Det resulterende mønster af INSGC ligner INSpWTC. Klik her for at se en større version af denne figur.

Supplerende figur 1: Effektspektrumplottet for samplingshastighed ved 11,1 Hz (blå linje) og 55,6 Hz (rød linje). Effektspektrummønsteret for de to er ret ens. Klik her for at downloade denne fil.

Supplerende figur 2: pWTC-kortene over gulv og ceil WTC. (A) Venstre panel: det tidslaggede WTC-kort, der genereres af to samme signaler, x-aksen er tidspunkt, og y-aksen er frekvensbånd. Den gennemsnitlige værdi af WTC på alle punkter er ~ 1. Højre panel: pWTC-kortet over to lignende signaler. PWTC-kortet ligner meget WTC-kortet. (B) Venstre panel: det tidslaggede WTC-kort, der genereres af to tilfældige signaler, x-aksen er tidspunktet, og y-aksen er frekvensbåndet. Den gennemsnitlige værdi af WTC på alle punkter er ~ 0. Højre panel: pWTC-kortet over to lignende signaler. PWTC-kortet ligner meget WTC-kortet. Klik her for at downloade denne fil.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

I hyperscanningsundersøgelser er det normalt vigtigt at beskrive de retningsbestemte og tidsmæssige mønstre af informationsstrømmen mellem individer. De fleste tidligere fNIRS-hyperscanningsundersøgelser har brugt traditionel WTC25 til at udlede disse egenskaber ved at beregne den tidslaggede INS. Men som et af de iboende træk ved fNIRS-signalet20,21 kan autokorrelationseffekten forvirre den tidslaggede INS. For at løse dette problem blev der i protokollen heri indført en metode betegnet pWTC22. Denne metode estimerer den tidslaggede INS efter delvist ude autokorrelation og opretholder fordelene ved WTC-metoden. Denne protokol giver trinvis vejledning i, hvordan man udfører pWTC og validerer resultaterne af pWTC ved at sammenligne resultaterne med resultaterne af traditionelle WTC- og GC-tests.

De kritiske trin i anvendelsen af pWTC i fNIRS-baserede hyperscanningsdata er demonstreret i denne protokol. Specifikt, for det første, for at beregne den tidslaggede WTC, skal den autokorrelerede WTC og den tidsjusterede WTC beregnes ud fra den tidslaggede fNIRS-tidsserie. Dernæst beregnes pWTC på forskellige tidsforsinkelser i henhold til ligning 1. Resultaterne af pWTC returnerer en tid x frekvensmatrix, og værdierne i matrixen varierer fra 0 til 1. Således kan yderligere statistiske tests udføres på disse værdier.

I demonstrationsprotokollen viste de repræsentative resultater af den traditionelle WTC to signifikante virkninger ved to frekvensbånd: 0,4-0,6 Hz. Virkningen inden for 0,04-0,09 Hz overlevede imidlertid ikke tærsklen i pWTC-resultaterne, hvilket tyder på, at denne effekt kan blive forvirret af fNIRS-signalets autokorrelationseffekt. På den anden side blev resultaterne inden for 0,4-0,6 Hz-området godt replikeret af pWTC-metoden. Disse resultater indikerer, at pWTC efter fjernelse af autokorrelationseffekten giver mere følsomme og specifikke udviklinger i at udlede INS's retningsbestemte og tidsmæssige mønstre mellem individer. En anden mulighed er imidlertid, at pWTC ikke er modtagelig for INS's retnings- og tidsmæssige mønstre i lavere frekvensområder end i de højere frekvensområder, hvilket resulterer i undervurdering af INS-effekten. Fremtidige undersøgelser er nødvendige for at afklare disse muligheder yderligere.

En sammenligning med GC-testen understøtter yderligere denne konklusion. Resultaterne af GC-testen lignede meget pWTC's og viste vigtig informationsstrøm fra kvinder til mænd, men ikke fra mænd til kvinder. Der var en lille forskel mellem resultaterne af GC-testen og pWTC, dvs. interaktionseffekten mellem emne og retning var marginalt signifikant i resultaterne af pWTC, men nåede betydning i GC-testen. Denne forskel kan skyldes, at pWTC beregnes på en finere tidsskala end GC-testen. Selvom både pWTC- og GC-testene kan give pålidelige resultater, når de kontrollerer for autokorrelationseffekten, er pWTC således fordelagtig, fordi det ikke er nødvendigt at foretage stationære antagelser og har en høj tidsmæssig spektrumstruktur.

pWTC-metoden har også sine begrænsninger. I lighed med GC-testen er kausaliteten udledt af pWTC ikke en reel kausalitet37,38. I stedet indikerer det kun et tidsmæssigt forhold mellem signalerne fra A og B. Dette problem skal tages i betragtning, når du anvender pWTC-metoden. For det andet fjerner pWTC kun autokorrelationseffekten. Således kan andre potentielle samtidige variabler, såsom delte miljøer eller lignende handlinger, stadig påvirke resultaterne. Derfor bør der drages konklusioner om retningen og det tidsmæssige mønster af informationsstrømmen efter at have kontrolleret disse forvirrende faktorer.

Derudover var der nogle komplicerede spørgsmål om fNIRS-databehandling af data. Selvom fNIRS har en høj tolerance over for hovedbevægelser, er bevægelsesartefakter stadig den mest betydningsfulde kilde til støj39. Store hovedbevægelser vil stadig føre til et positionsskift af optoderne, hvilket genererer bevægelsesartefakter som skarp spids og baselineforskydninger. For at løse disse problemer blev der udviklet mange artefakter korrektionsmetoder såsom spline interpolation40, wavelet-baseret filtrering39, principkomponentanalyse41 og korrelationsbaseret signalforbedring42 osv. Cooper og hans kolleger43 har sammenlignet disse tilgange baseret på reelle hviletilstands-fNIRS-data og fundet ud af, at wavelet-baseret filtrering producerede den højeste stigning i kontrast-til-støj-forholdet. Desuden har Brigadoi og hendes kolleger44 også sammenlignet disse tilgange i reelle sproglige opgavedata og også fundet ud af, at wavelet-baseret filtrering var den mest effektive tilgang til korrektion af bevægelsesartefakter. I denne undersøgelse blev wavelet-baseret filtrering således anvendt og også anbefalet til fremtidige fNIRS-hyperscanningsundersøgelser.

Generelt er pWTC en værdifuld tilgang til estimering af de retningsbestemte og tidsmæssige mønstre af informationsstrømmen under social interaktion. Endnu vigtigere menes det, at pWTC-metoden også er egnet til pseudo-hyperscanningsundersøgelser (dvs. signaler fra to eller flere hjerner indsamles ikke samtidigt45,46). I sådanne eksperimenter, selv om retningen af informationsstrømmen er fast, er det også af interesse at undersøge varigheden af tidsforsinkelsen mellem signalets indgang og signalprocessen. Derfor kan autokorrelation også forvirre resultaterne af den tidslaggede INS. I fremtiden kan denne metode besvare mange spørgsmål i hyperscanning og andre interbrainundersøgelser. For eksempel at bestemme den dominerende rolle i forskellige sociale relationer, såsom lærere og studerende, læger og patienter og kunstnere og publikum. Derudover, da pWTC opretholder INS's tidsmæssige strukturer, er det også muligt at teste det dynamiske mønster af INS, såsom gruppeholdningskonvergens.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne erklærer ingen konkurrerende økonomiske interesser.

Acknowledgments

Dette arbejde blev støttet af National Natural Science Foundation of China (61977008) og Young Top Notch Talents of Ten Thousand Talent Program.

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

Neurovidenskab udgave 175
Måling af retningsbestemt informationsstrøm i fNIRS-hyperscanningsdata ved hjælp af metoden Delvis Wavelet Transform Coherence Method
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