Waiting
Login processing...

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

Neuroscience

fNIRS-Hipertarama Verilerindeki Yönlü Bilgi Akışının Kısmi Dalgacık Dönüşümü Tutarlılık Yöntemi Kullanılarak Ölçülmesi

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

Bu protokol, sosyal etkileşim sırasında bilgi akışının yönünü ve zamansal modelini çıkarmak için kişilerarası nöral senkronizasyonun (INS) zaman gecikmeli modelini hesaplamak için kısmi dalgacık dönüşüm tutarlılığını (pWTC) açıklar. pWTC'nin INS üzerindeki sinyal otokorelasyonunun karışıklıklarını gidermedeki etkinliği iki deneyle kanıtlanmıştır.

Abstract

Sosyal etkileşim insanlar için hayati öneme sahiptir. Hipertarama yaklaşımı, sosyal etkileşimler sırasında kişilerarası nöral senkronizasyonu (INS) incelemek için yaygın olarak kullanılırken, fonksiyonel yakın kızılötesi spektroskopi (fNIRS), nispeten yüksek uzamsal çözünürlüğü, ses anatomik lokalizasyonu ve hareket artefaktlarının olağanüstü yüksek toleransı nedeniyle natüralist sosyal etkileşimleri hipertarama için en popüler tekniklerden biridir. Önceki fNIRS tabanlı hipertarama çalışmaları genellikle bireyler arasındaki bilgi akışının yönünü ve zamansal modelini tanımlamak için dalgacık dönüşüm tutarlılığını (WTC) kullanarak zaman gecikmeli bir INS hesaplar. Bununla birlikte, bu yöntemin sonuçları, her bireyin fNIRS sinyalinin otokorelasyon etkisi ile karıştırılabilir. Bu sorunu ele almak için, otokorelasyon etkisini ortadan kaldırmayı ve fNIRS sinyalinin yüksek zamansal spektrum çözünürlüğünü korumayı amaçlayan kısmi dalgacık dönüşüm tutarlılığı (pWTC) adı verilen bir yöntem tanıtıldı. Bu çalışmada, öncelikle pWTC'nin otokorelasyonun INS üzerindeki etkisini ortadan kaldırmadaki etkinliğini göstermek için bir simülasyon deneyi yapılmıştır. Daha sonra, bir sosyal etkileşim deneyinden fNIRS veri kümesine dayanan pWTC'nin çalışması hakkında adım adım rehberlik sunuldu. Ek olarak, pWTC yöntemi ile geleneksel WTC yöntemi ve pWTC yöntemi ile Granger nedensellik (GC) yöntemi arasında bir karşılaştırma yapılmıştır. Sonuçlar, pWTC'nin farklı deneysel koşullar arasındaki INS farkını ve INS'nin natüralist sosyal etkileşimler sırasında bireyler arasındaki yönlü ve zamansal modelini belirlemek için kullanılabileceğini göstermiştir. Ayrıca, geleneksel WTC'den daha iyi zamansal ve frekans çözünürlüğü ve GC yönteminden daha iyi esneklik sağlar. Bu nedenle, pWTC, natüralist sosyal etkileşimler sırasında bireyler arasındaki bilgi akışının yönünü ve zamansal modelini çıkarmak için güçlü bir adaydır.

Introduction

Sosyal etkileşim insanlar için hayati öneme sahiptir 1,2. Sosyal etkileşimin çift beyinli nörobilişsel mekanizmasını anlamak için, hipertarama yaklaşımı son zamanlarda yaygın olarak kullanılmaktadır ve kişilerarası sinirsel senkronizasyon (INS) kalıplarının sosyal etkileşim sürecini iyi karakterize edebileceğini göstermektedir 3,4,5,6,7,8,9,10,11,12 ,13,14. Son çalışmalar arasında, ilginç bir bulgu, bir dyad'daki bireylerin rol farkının, zaman gecikmeli bir INS modeline yol açabileceğidir, yani INS, bir bireyin beyin aktivitesi, dinleyicilerden konuşmacılara5,9, liderlerden takipçilere4, öğretmenlerden öğrencilere8, anneden çocuklara13,15 ve romantik bir çiftte kadınlardan erkeklere6. En önemlisi, zaman gecikmeli INS'nin aralığı ile sorgulama yapan öğretmenler ve8'e cevap veren öğrenciler arasında veya annelerin ebeveynlik davranışları ile çocukların uyum davranışları arasında olduğu gibi sosyal etkileşim davranışları arasında iyi bir yazışma vardır.15. Bu nedenle, zaman gecikmeli INS, kişilerarası sözlü iletişim için yakın tarihli bir hiyerarşik modelde önerildiği gibi, bir bireyden diğerine yönlü bir bilgi akışını yansıtabilir16.

Önceden, zaman gecikmeli INS, natüralist sosyal etkileşimleri incelerken nispeten yüksek uzamsal çözünürlüğü, ses anatomik lokalizasyonu ve hareket artefaktlarının olağanüstü yüksek toleransı nedeniyle fonksiyonel yakın kızılötesi spektroskopi (fNIRS) sinyali üzerinde hesaplanıyordu17. Dahası, sosyal etkileşim sırasında sinirsel zaman gecikmesi ile davranışsal zaman gecikmesi arasındaki yazışmaları tam olarak karakterize etmek için, her zaman gecikmesi için INS gücünü elde etmek önemlidir (örneğin, zaman gecikmesi olmamasından 10 s'lik bir zaman gecikmesine). Bu amaçla, daha önce, dalgacık dönüşümü tutarlılığı (WTC) prosedürü, bir bireyin beyin sinyalini başka bir bireyin 5,6,18'ine göre ileri veya geri kaydırdıktan sonra yaygın olarak uygulandı. Bu geleneksel WTC prosedürünü fNIRS sinyalleri için kullanırken, potansiyel bir zorluk vardır, çünkü gözlemlenen zaman gecikmeli INS, fNIRS sinyalinin bireysel bir 19,20,21 için otokorelasyon etkisi ile karıştırılabilir. Örneğin, diyadik bir sosyal etkileşim süreci sırasında, katılımcı A'nın t zaman noktasındaki sinyali, aynı zaman noktasında katılımcı B'ninkiyle senkronize edilebilir. Bu arada, t zaman noktasındaki katılımcı A'nın sinyali, otokorelasyon etkisi nedeniyle daha sonraki bir zaman noktası t + 1'deki katılımcı A'nınkiyle senkronize edilebilir. Bu nedenle, t zaman noktasındaki katılımcı A'nın sinyali ile t + 1 zaman noktasındaki katılımcı B'nin sinyali arasında sahte bir zaman gecikmeli INS oluşabilir.

Mihanović ve meslektaşları22 ilk önce kısmi dalgacık dönüşüm tutarlılığı (pWTC) adı verilen bir yöntem tanıttı ve daha sonra deniz bilimlerindeuyguladı 23,24. Bu yöntemin asıl amacı, iki sinyalin tutarlılığını tahmin ederken dışsal kafa karıştırıcı gürültüyü kontrol etmekti. Burada, fNIRS hipertarama verilerindeki otokorelasyon sorununu ele almak için, pWTC yöntemi, fNIRS sinyalindeki zaman gecikmeli INS'yi hesaplamak için genişletildi. Tam olarak, katılımcı A'dan katılımcı B'ye kadar olan zaman gecikmeli bir INS (ve yönlü bir bilgi akışı), aşağıdaki denklem kullanılarak hesaplanabilir (Denklem 1)23.

Equation 1

Burada, sırasıyla A ve B katılımcılarından A ve B olmak üzere iki sinyal olduğu varsayılmaktadır. B sinyalinin oluşumu her zaman n zaman gecikmeli A sinyalinden önce gelir, burada WTC (A t, B t + n) geleneksel zaman gecikmeli WTC'dir. WTC (A t, A t+n), katılımcı A'daki otomatik ilişkili WTC'dir. WTC (A t, B t), katılımcı A ve B arasındaki t zaman noktasında zaman hizalanmış WTC'dir . * karmaşık eşlenik operatördür (Şekil 1A).

Figure 1
Şekil 1: pWTC'ye genel bakış. (A) pWTC'nin mantığı. Bir dyad içinde iki sinyal A ve B vardır. A'nın oluşumu her zaman B'ninkini n gecikmeli olarak takip eder. Gri kutu, belirli bir zaman noktası t veya t + n'deki bir dalgacık penceresidir. pWTC denklemine (şekilde temsil edilen) dayanarak, üç WTC'nin hesaplanması gerekir: At + n ve Bt'nin zaman gecikmeli WTC'si; A t ve A t+n'nin A katılımcısındaki otomatik korelasyonlu WTC; ve t, A t ve B t zaman noktalarında zaman hizalanmış WTC. (B) Optod prob setlerinin düzeni. CH11 T3'e yerleştirildi ve CH25, uluslararası 10-20 sistemi 27,28'i takiben T4'e yerleştirildi. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Bu protokol ilk olarak pWTC'nin otokorelasyon zorluğunu ne kadar iyi çözdüğünü göstermek için bir simülasyon deneyi başlattı. Daha sonra, pWTC'nin natüralist sosyal etkileşimlerin ampirik bir deneyine dayanan adım adım nasıl yürütüleceğini açıkladı. Burada, yöntemi tanıtmak için bir iletişim bağlamı kullanılmıştır. Bunun nedeni, daha önce, zaman gecikmeli INS'nin genellikle doğalcı bir iletişim bağlamında hesaplanmış olmasıdır 3,4,6,8,13,15,18. Ek olarak, pWTC ile geleneksel WTC arasında bir karşılaştırma ve Granger nedensellik (GC) testi ile doğrulama da yapılmıştır.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

İnsan deneyi protokolü, Pekin Normal Üniversitesi'ndeki Bilişsel Sinirbilim ve Öğrenme Devlet Anahtar Laboratuvarı Kurumsal İnceleme Kurulu ve Etik Komitesi tarafından onaylandı. Tüm katılımcılar deney başlamadan önce yazılı bilgilendirilmiş onam verdiler.

1. Simülasyon deneyi

  1. Birbiriyle ilişkili iki zaman serisi sinyali üretin, bir sinyal 4 s zaman gecikmesinde otokorelasyona sahiptir. İki sinyal arasındaki r korelasyon katsayısını 0,4 olarak ayarlayın.
  2. Ayrıca, herhangi bir korelasyon olmadan, ancak bir sinyalde otokorelasyon ile iki zaman serisi sinyali üretin.
  3. Denklem 2 ile geleneksel 4 s zaman gecikmeli INS'nin değerlerini, otokorelasyonlu zaman gecikmeli INS WTC ve otokorelasyonlu zaman gecikmeli temel INSWTC olarak adlandırılabilen, korelasyonlu veya korelasyonsuz üretilensinyallere dayanarak hesaplayın.
    NOT: Burada, geleneksel zaman gecikmeli WTC aşağıdaki denklemle ifade edilir (Denklem 2)25
    Equation 2
    burada C, farklı ölçeklerde i ve zaman noktaları t'de sürekli dalgacık dönüşüm operatörünü gösterir. S , yumuşatma operatörünü gösterir. * karmaşık eşlenik operatörü gösterir. W ve M, iki ayrı sinyal zaman serisini gösterir.
  4. Oluşturulan sinyallerden otokorelasyonu kaldırın. Ardından, otokorelasyon olmadan zaman gecikmeli INS WTC ve otokorelasyon olmadan zaman gecikmeli INS WTC ve otokorelasyon olmadan zaman gecikmeli temel INSWTC olarak adlandırılabilen, korelasyonlu veya korelasyonsuz üretilen sinyallere dayanarak Denklem 2 ile geleneksel 4 s zaman gecikmeli INSWTC'nin değerlerini hesaplayın.
  5. Denklem 3 ile 4 s zaman gecikmeli pWTC değerlerini, korelasyonlu veya korelasyonsuz, zaman gecikmeli INS pWTC ve zaman gecikmeli temel INSpWTC olarak adlandırılan oluşturulan sinyallere dayanarak hesaplayın.
    NOT: pWTC aşağıdaki denkleme göre hesaplanabilir (Denklem 3)23
    Equation 3
    burada, WTC (W t, Mt + n) geleneksel zaman gecikmeli WTC'dir. WTC (M t, M t + n), bir bireyin otomatik korelasyonlu WTC'sidir. WTC (W t, M t), zamana bağlı WTC'dir. * karmaşık eşlenik operatördür.
  6. Yukarıdaki prosedürleri 1000 kez tekrarlayın.
  7. Temel INS'yi çıkardıktan sonra, varyans analizleri (ANOVA) yöntemini kullanarak zaman gecikmeli INS WTC'nin sonuçlarını otokorelasyonla, zaman gecikmeli INSWTC'nin otokorelasyonla, zaman gecikmeli INS'ninpWTC'siyle karşılaştırın.
    NOT: Burada, otokorelasyonlu zaman gecikmeli INS WTC'nin, otokorelasyon olmadan zaman gecikmeli INSWTC'den ve zaman gecikmeli INS pWTC'den anlamlı derecede daha yüksek olması beklenmektedir ve otokorelasyon olmadan zaman gecikmeli INSWTC ile zaman gecikmeli INSpWTCC arasında anlamlı bir fark beklenmemektedir.

2. Ampirik deney

  1. Katılımcılar ve prosedür
    1. Uygun katılımcıları işe alın.
      NOT: Bu çalışmada, Pekin'deki üniversitelerin lisans öğrencilerinden yirmi iki çift yakın karşı cinsten arkadaş (kadınların ortalama yaşı = 20.95, standart sapma (SD) = 1.86; erkeklerin ortalama yaşı = 20.50, SD = 1.74) işe alınmıştır. Tüm katılımcılar sağ elini kullanıyordu ve normal veya düzeltilmiş normal görüşe sahipti. Ayrıca, hiçbir katılımcının dil, nörolojik veya psikiyatrik bozukluğu yoktu.
    2. Her bir katılımcı çiftinden deney sırasında yüz yüze oturmalarını isteyin. Bir oturumda destekleyici bir konu ve diğer oturumda bir çatışma konusu hakkında özgürce iletişim kurmalarını isteyin.
      NOT: Konular, amaçlanan olumlu veya olumsuz duygusal değeri indüklemek için kullanılmıştır. Her iletişim oturumu 10 dakika sürdü ve konuların sırası dengelendi.
    3. Katılımcılardan standart bir kurulum kuralı olarak destekleyici ve çatışma konuları hakkında rapor vermelerini isteyin. Her partnerden, belirli bir puan ölçeğinde indüklenmiş olabilecek pozitif veya negatif değerlik seviyesini derecelendirmesini isteyin. Ardından, bildirilen konuları derecelendirmeye göre sıralayın.
      NOT: Bu çalışmada, konular aşağıdaki üç adımla seçilmiştir. İlk olarak, destekleyici konular için, her katılımcının hayatında geliştirmek istediği şeylerle ilgili 1-3 kişisel sorunu bildirmesi istendi. Her katılımcının, aralarında çatışmaya neden olan veya çıkaracak olan ya da çatışma konuları için ilişkilerini tehlikeye atabilecek 1-3 vaka bildirmesi gerekiyordu. İkincisi, her ortağın, her konunun 7 puanlık bir ölçekte indükleyebileceği pozitif veya negatif değerlik seviyesini derecelendirmesi gerekiyordu (1 = hiç değil ve 7 = çok fazla). Üçüncüsü, bildirilen konular derecelendirmeye göre sıralandı. Destekleyici konular ve çatışma konuları listesindeki ilk iki konu seçildi.
  2. fNIRS veri toplama
    1. fNIRS verilerini toplamak için 26 kanallı fNIRS topografya sistemini kullanın (bkz.
      NOT: İki özelleştirilmiş optod prob seti, bilateral frontal, temporal ve parietal korteksleri kapsıyordu (Şekil 1B).
    2. Tam olarak, her katılımcıdan iki özelleştirilmiş prob setine sahip bir kapak takmasını isteyin (bkz.
    3. Nasion, inion ve kulak mastoidlerini, 10-20 uluslararası sistem26'nın tipik işaretleri olan Fpz, Opz, T7 ve T8 ile hizalayın.
    4. İki prob seti 27,28 için uluslararası 10-20 sistemini takip ederek kanal (CH) 11'i T3'e veCH25'i T4'e hizalayın.
    5. Tipik bir katılımcıdan gelen manyetik rezonans görüntüleme (MRG) verilerini, yüksek çözünürlüklü T1 ağırlıklı mıknatıslanma ile hazırlanmış hızlı gradyan-eko dizisi (TR = 2530 ms; TE = 3,39 ms; çevirme açısı = 7°; dilim kalınlığı = 1,3 mm; voksel boyutu = 1,3 x 1 x 1,3 mm).
    6. Görüntüyü standart Montreal görüntüleme enstitüsü koordinat (MNI koordinatı) alanı29'a normalleştirmek için İstatistiksel Parametrik Eşleme 12'yi (SPM12) kullanın. Ardından, probların MNI koordinatlarını otomatik anatomik etiketleme (AAL) şablonuna yansıtmak için NIRS_SPM araç kutusunu kullanın (bkz.
    7. Üç dalga boyunda (780, 805 ve 830 nm) 55,6 Hz örnekleme hızında (ekipman varsayılan parametreleri) yakın kızılötesi ışığın optik yoğunluk verilerini toplayın.
    8. fNIRS topografya sistemi yerleşik ekipman yazılımını kullanarak sinyal kalitesini test edin (bkz.
    9. Sinyal kaydına başlayın.
      NOT: Yayınlanmış bazı protokoller, çeşitli ekipman ve sistemlerle fNIRS sinyallerinin nasıl toplanacağını göstermiştir30,31,32.
  3. fNIRS veri ön işleme
    1. Veri dosyalarını ekipmandan dışa aktarın.
      NOT: Mevcut deneyde, yerleşik yazılım, modifiye edilmiş Beer-Lambert yasasına dayanarak tüm optik yoğunluk verilerini otomatik olarak oksihemoglobin (HbO) konsantrasyon değişikliklerine dönüştürdü.
    2. Geçici yanıtlardan kaçınmak için her oturum için ilk ve son 15 sn veriyi kaldırın.
    3. Verileri 55,6 Hz'den 11,1 Hz'e düşürmek için MATLAB yerleşik yok etme işlevini kullanın.
      NOT: 55,6 Hz ile 11,1 Hz arasındaki güç spektrumu desenleri oldukça benzerdir (Ek Şekil 1).
    4. Hareket yapıtlarını düzeltmek üzere ayrık dalgacık dönüştürme filtresi yöntemini uygulamak için yerleşik MATLAB uygulama işlevini (Homer3, bkz. Malzeme Tablosu) uygun filtreleme işleviyle kullanın.
    5. Küresel fizyolojik gürültüyü gidermek için MATLAB pca yerleşik işlevini kullanın. Varyansın üstteki %80'ini sinyallerden kaldırın.
    6. Önceki çalışmalara dayanarak fizyolojik gürültüyü ortadan kaldırın33. Tam olarak, yüksek frekanslı fizyolojik gürültünün (örneğin, kardiyak aktivite) örtüşmesini önlemek için 0,7 Hz'in üzerindeki her sinyalin frekans bantlarını çıkarın.
    7. Ardından, çok düşük frekanslı dalgalanmaları filtrelemek için 0,01 Hz'in altındaki her sinyalin frekans bantlarını kaldırın.
    8. Son olarak, solunum aktivitesinin potansiyel etkisini dışlamak için her sinyalin frekans bantlarını 0.15-0.3 Hz içinde çıkarın.
  4. Birinci Düzey fNIRS Veri İşleme
    1. İlk olarak, geleneksel WTC (INSWTC) kullanarak INS'yi hesaplayın.
      NOT: Burada, kadınların önderlik ettiği zaman gecikmeli bir INSWTC modelinin, kadınların beyin aktivitesi ile erkeklerinki arasında meydana geldiği tahmin edilmektedir, çünkü önceki çalışmalar bir konuşma sırasında kadınların ve erkeklerin farklı rollerini önermiştir34,35. Geleneksel WTC, INSWTC'nin bu modelini erkeklerin beyin aktivitesini kadınlarınkine göre geriye doğru kaydırarak hesapladı (bakınız Denklem 2).
    2. Denklem 2 ile kadınlardan gelen ilk 2 s'lik veriyi ve erkeklerden gelen son 2 saniyelik verileri kaldırdıktan sonra kadınlar tarafından yönetilen 2 s-lagged INSWTC değerini hesaplayın. Benzer şekilde, erkeklerden gelen ilk 2 s'lik verileri ve kadınlardan gelen son 2 saniyelik verileri kaldırdıktan sonra, Denklem 4 ile erkeklerin önderlik ettiği 2 s-lagged INSWTC değerini hesaplayın.
      NOT: Burada, MATLAB'ın dalgacık araç kutusunun yerleşik bir işlevi olan wcoherence fonksiyonu kullanılmıştır (bkz.
    3. Bu prosedürü farklı zaman gecikmeleri n, yani tüm potansiyel CH çiftlerinde n = 2 s, 4 s, 6 s, 8 s ile tekrarlayın (örneğin, kadınlarda CH2 ve erkeklerde CH10, toplamda 676 çift). Ek olarak, erkekler tarafından yönetilen zaman gecikmeli INSWTC'nin gücünü aynı şekilde hesaplayın (Denklem 4).
      Equation 4
    4. İkinci olarak, pWTC (INSpWTC) kullanarak INS'yi hesaplayın.
      NOT: pWTC, Denklem 3'e göre hesaplanmıştır. INSpWTC'nin hesaplanması, tüm potansiyel kanal çiftlerinde farklı zaman gecikmeleri n, yani n = 2 s, 4 s, 6 s, 8 s ile tekrarlandı (örneğin, kadınlarda CH2 ve erkeklerde CH10, toplamda 676 çift). Ek olarak, erkekler tarafından yönetilen zaman gecikmeli INSpWTC'nin gücü aynı şekilde hesaplanmıştır (Denklem 5).
      Equation 5
    5. Farklı zaman gecikmelerinde fNIRS sinyallerinin zaman gecikmeli zaman serilerini oluşturun.
    6. Farklı zaman gecikmelerinde zaman gecikmeli WTC'nin değerlerini hesaplayın.
    7. Farklı zaman gecikmelerinde fNIRS sinyallerinin otomatik korelasyonlu zaman serilerini oluşturun. Erkekler için 2 s-otokorelasyon değerini hesaplamak için, verilerin ilk 2 s'sini erkeklerden ve son 2 s verilerini erkeklerden kaldırın.
    8. Otomatik ilişkili WTC değerlerini farklı zaman gecikmelerinde hesaplayın.
    9. Farklı zaman gecikmelerinde fNIRS sinyallerinin zaman hizalanmış zaman serilerini oluşturun. 2 s zaman ayarlı WTC'yi hesaplamak için, verilerin ilk 2 saniyesini erkeklerden ve kadınların ilk 2 s verisinden kaldırın.
    10. Zamana bağlı WTC değerlerini hesaplayın.
    11. Zaman hizalanmış WTC, zaman gecikmeli WTC ve otomatik ilişkili WTC değerlerini farklı zaman gecikmesinde Denklem 3 ve Denklem 5'e girin - pWTC denklemi, INSpWTC'yi oluşturur.
    12. Son olarak, GC yöntemini (INSGC) kullanarak INS'yi hesaplayın.
      NOT: pWTC yöntemini daha da doğrulamak ve avantajlarını ve dezavantajlarını değerlendirmek için, GC tabanlı INS, GC yöntemi (INSGC) kullanılarak hesaplanmıştır.
    13. pWTC sonucuna dayanarak, bandpass SMC'deki her bireyin HbO sinyalini filtreler (yani, 0,4-0,6 Hz, Temsili Sonuçlara bakınız).
    14. Destekleyici ve çatışma konularındaki her dyad içinde ayrı ayrı bir GC testi (Ekonometrik araç kutusu, MATLAB) yapın.
      NOT: INSGC için dört grup F-değeri elde edilir: (1) destekleyici konuda kadınlardan erkeklere (W2M_supp); (2) destekleyici konuda erkeklerden kadınlara (M2W_supp); (3) çatışma konusunda kadınlardan erkeklere (W2M_conf); ve (4) çatışma konusunda erkeklerden kadınlara (M2 W_conf). F değerleri, INSGC'yi dizine eklemek için kullanılır.
  5. İkinci düzey fNIRS veri işleme
    1. Fisher-z dönüşümü ile INS'yi dönüştürün ve ardından zamansal boyutta ortalama INS'yi yapın.
      NOT: Burada, Fisher-z dönüşümü Denklem 6 36 ile özel bir MATLAB komut dosyası kullanılarak gerçekleştirilmiştir:
      Equation 6
      burada r, WTC veya pWTC'nin değeridir ve z, WTC veya pWTC'nin Fisher-z dönüştürülmüş değeridir.
    2. Her zaman gecikmesinde ortalama INS için, frekans aralığındaki her CH çiftinde eşleştirilmiş iki örneklemli bir t-testi (destekleyici ve çatışma) yapın. Ardından, tüm önemli frekans kümelerini tanımlayın (P < 0.05).
    3. Sonuçlar için bir eşik oluşturmak üzere küme tabanlı bir permütasyon testi yapın.
      1. Katılımcıları rastgele iki üyeli çiftlere, yani birbirleriyle hiç iletişim kurmamış bir dyad'ın katılımcılarına atayarak dyadic ilişkileri yeniden atayın. Her gecikme süresinde INS'yi yeniden hesaplayın, yeni numunede eşleştirilmiş t-testlerini tekrar gerçekleştirin ve önemli frekans kümelerini tekrar tanımlayın.
      2. En büyük toplam t değerine sahip kümeyi seçin. Maksimum yanlış pozitif t-değerlerinin boş dağılımını oluşturmak için yukarıdaki prosedürleri 1000 kez tekrarlayın.
        NOT: Dağılım şans seviyesi olarak sunulur. Aile içi hata oranı (FWER) q = 0,05'te kontrol edilir, bu da yanlış pozitif t-değerlerinin boş dağılımının yalnızca en üstteki %5'inin eşiği (R*) aştığı anlamına gelir.
      3. Önemli istatistiksel sonuçlar elde etmek için orijinal örneklemde tanımlanan her frekans kümesinin toplam t değerini null dağılımla karşılaştırın.
    4. Farklı koşullar (yani, konular) arasındaki INS yönündeki farkı test etmek için bir bağlam (destekleyici, çatışma) x yönü (kadınlardan erkeklere, erkeklerden kadınlara) varyans analizi (ANOVA) yapın (p < 0.05).
    5. Otokorelasyonun INS üzerindeki potansiyel etkisini test etmek için WTC (Wt, Mt + n) ve WTC (Mt, Mt + n) sonuçları arasında eşleştirilmiş iki örneklemli iki kuyruklu bir t testi yapın.
      NOT: WTC'nin INS'si (Mt, Mt + n) otokorelasyonu yansıtır.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Simülasyon sonuçları
Sonuçlar, otokorelasyonlu zaman gecikmeli INS WTC'nin, otokorelasyon olmadan zaman gecikmeli INSWTC'den anlamlı derecede yüksek olduğunu göstermiştir (t (1998) = 4.696, p < 0.001) ve zaman gecikmeli INSpWTC (t (1998) = 5.098, p < 0.001). Ek olarak, otokorelasyon olmadan zaman gecikmeli INSWTC ile INSpWTC arasında anlamlı bir fark yoktu (t(1998) = 1.573, p = 0.114, Şekil 2A). Ek olarak, WTC değeri 0 veya 1'e yakın olacak şekilde ayarlandığında, WTC değeri 0 veya 1'den uzakta olduğunda zaman gecikmeli INSpWTC hala güvenilir sonuçlar göstermiştir (Ek Şekil 2).

Ampirik deney sonuçları
Geleneksel WTC yöntemini kullanan INS deseni
Sonuçlar, hem kadınların hem de erkeklerin sensorimotor korteksindeki (SMC, CH20) 0.04-0.09 Hz'de, erkeklerin beyin aktivitesinin kadınlarınkinden 2 s, 4 s ve 6 s (2 s: t (21) = 3.551, p = 0,0019; gecikme 4 s: t(21) = 3.837, p = 0.0009; gecikme 6 s: t(21) = 3.725, p = 0.0013). Ek olarak, 0.4-0.6 Hz'de, SMC'deki INSWTC, çatışma konusunda, erkeklerin beyin aktivitesi kadınların 4 s gerisinde kaldığında destekleyici konuya göre anlamlı derecede daha yüksekti (t (21) = 2.828, p = 0.01, Şekil 2B).

Ek olarak, INS WTC'nin yönünü farklı konularda karşılaştırmak için, bir konu (destekleyici, çatışma) x yönü (kadınlardan erkeklere, erkeklerden kadınlara) ANOVA ilk olarak SMC'nin INSWTC'sinde 2-6 sn zaman gecikmesi altında gerçekleştirilmiştir. 0.04-0.09 Hz sonuçları herhangi bir zaman gecikmesinde anlamlı bir etkileşim etkisi göstermedi (ps > 0.05). 0.4-0.6 Hz frekans aralığı için sonuçlar, etkileşim etkisinin marjinal olarak anlamlı olduğunu göstermiştir (F(1, 21) = 3.23, p = 0.086). İkili karşılaştırmalar, kadınlardan erkeklere INS WTC'nin çatışma konusunda, destekleyici konuya göre anlamlı derecede daha yüksek olduğunu göstermiştir (MD = 0.014, S.E. = 0.005, p = 0.015), oysa erkeklerden kadınlara INSWTC, konular arasında anlamlı bir farklılık göstermemiştir (MD = 0.002, S.E. = 0.006, p = 0.695).

Son olarak, otokorelasyonun geleneksel zaman gecikmeli INSWTC'nin sonuçları üzerindeki etkisini test etmek için, INSWTC, sırasıyla 0.04-0.09 Hz ve 0.4-0.6 Hz'de WTC (W t, M t + 4) ve WTC (M t, Mt + 4) arasında karşılaştırılmıştır. WTC'nin INS WTC'sinin (Mt, Mt + 4) otokorelasyonu yansıttığını unutmayın. Sonuçlar, 0.4-0.6 Hz'de, WTC'nin (W t, M t + 4) INS WTC'si ileWTC'ninki (M t, Mt + 4) (t (21) = 0.336, p = 0.740) arasında anlamlı bir fark olmadığını göstermiştir. 0.04-0.09 Hz'de, WTC'nin (Mt, Mt + 4) INSWTC'si WTC'ninkinden anlamlı derecede yüksekti (W t, M t + 4) (t (21) = 4.064, p < 0.001). WTC'nin INS WTC'si ile ilgili 0.04-0.09 Hz ve 0.4-0.6 Hz frekans aralıkları arasında da bir karşılaştırma yapılmıştır (M t, Mt + 4). Sonuçlar, WTC'nin (M t, M t + 4) INS WTC'sinin 0.04-0.09 Hz'de 0.4-0.6Hz'den anlamlı derecede daha yüksek olduğunu göstermiştir (t(21) = 5.421, p < 0.001). Bu sonuçlar, zaman gecikmeli INSWTC'nin hem düşük hem de yüksek frekans aralıklarındaki otokorelasyondan etkilendiğini, ancak etkinin düşük frekans aralığı için yüksek frekans aralığından daha büyük olduğunu göstermektedir.

pWTC yöntemini kullanan INS deseni
Sonuçlar, çatışma ve destekleyici konular arasındaki INSpWTC'deki farkın, erkek beyin aktivitesinin kadınlarınkinin 4 s gerisinde kaldığı 0.4-0.6 Hz'de hem kadınların hem de erkeklerin SMC'sinde anlamlılığa ulaştığını göstermiştir (t (21) = 4.224, p = 0.0003). 0.04-0.09 Hz'de; ancak anlamlı bir sonuç bulunamamış, diğer frekans aralıklarında da etkili sonuçlar elde edilememiştir (Ps > 0.05, Şekil 2C).

SMC'nin INSpWTC'sinde 0.4-0.6 Hz'de ek bir ANOVA testi yapıldı. Sonuçlar, konu ve yön arasındaki etkileşimin marjinal olarak anlamlı olduğunu göstermiştir (F(1,21) = 3.48, p = 0.076). Diğer ikili karşılaştırmalar, kadınlardan erkeklere INS pWTC'nin çatışma konusunda, destekleyici konuya göre anlamlı derecede daha yüksek olduğunu göstermiştir (MD = 0.016, S.E. = 0.004, p = 0.002), oysa erkeklerden kadınlara INSpWTC'nin konular arasında anlamlı bir farklılık göstermediği görülmüştür (MD = 0.0007, S.E. = 0.006, p = 0.907, Şekil 2D).

GC yöntemini kullanan INS deseni
SMC'deki INSGC üzerinde sadece 0.4-0.6 Hz aralığında bir ANOVA testi yapıldı. Sonuçlar konu ve yön arasında anlamlı bir etkileşim olduğunu göstermiştir (F(1,21) = 8.116, p = 0.010). İkili analiz, kadınlardan erkeklere INSGC'nin çatışma konusunda, destekleyici konuya göre anlamlı derecede yüksek olduğunu göstermiştir (MD = 5.50, SE = 2.61, p = 0.043). Buna karşılık, erkeklerden kadınlara INSGC konular arasında anlamlı olarak farklı değildi (MD = 1.42, SE = 2.61, p = 0.591, Şekil 2E).

Figure 2
Şekil 2: Simülasyon ve ampirik deneyin sonuçları. (A) Simüle edilmiş üç numunenin simülasyon sonuçları. Otokorelasyonlu zaman gecikmeli INS WTC, otokorelasyon ve INSpWTC olmadan zaman gecikmeli INSWTC'den anlamlı derecede yüksekti. Otokorelasyon olmadan zaman gecikmeli INSWTC ile pWTC arasında anlamlı fark yoktu. (B) Ampirik deneydeki INSWTC'nin t-haritası, erkeklerin SMC aktivitesi kadınlarınkinin 2-6 s gerisinde kaldığında 0.04-0.09 Hz içinde önemli bağlam etkileri göstermektedir. Erkeklerin SMC aktivitesi kadınlarınkinin 4 s. (C) INS pWTC'nin t-haritası, erkeklerin SMC aktivitesi kadınlarınkinden 4 s. (D) Yönlü INSpWTC'nin t-haritası, kadınların 4 s. (D) Yönlü INS pWTC'ninpWTC tarafından farklı konulardaki karşılaştırılması. Kadınlardan erkeklere yönlü INS, çatışma bağlamlarında destekleyici bağlamlardan önemli ölçüde daha yüksektir. (E) GC testi (INSGC) ile yönlü INS'nin doğrulanması. Ortaya çıkan INSGC paterni INSpWTC'ye benzer. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Ek Şekil 1: 11,1 Hz (mavi çizgi) ve 55,6 Hz (kırmızı çizgi) örnekleme hızı için güç spektrumu grafiği. İkisi için güç spektrumu paterni oldukça benzerdir. Bu Dosyayı indirmek için lütfen tıklayınız.

Ek Şekil 2: Zemin ve ceil WTC'nin pWTC haritaları. (A) Sol panel: iki aynı sinyal tarafından üretilen zaman gecikmeli WTC haritası, x ekseni zaman noktasıdır ve y ekseni frekans bandıdır. WTC'nin tüm noktalardaki ortalama değeri ~1'dir. Sağ panel: iki benzer sinyalin pWTC haritası. pWTC haritası WTC haritasına oldukça benzer. (B) Sol panel: iki rastgele sinyal tarafından üretilen zaman gecikmeli WTC haritası, x ekseni zaman noktasıdır ve y ekseni frekans bandıdır. WTC'nin tüm noktalardaki ortalama değeri ~0'dır. Sağ panel: iki benzer sinyalin pWTC haritası. pWTC haritası WTC haritasına oldukça benzer. Bu Dosyayı indirmek için lütfen tıklayınız.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Hipertarama çalışmalarında, bireyler arasındaki bilgi akışının yönlü ve zamansal kalıplarını tanımlamak genellikle önemlidir. Önceki fNIRS hipertarama çalışmalarının çoğu, zaman gecikmeli INS'yi hesaplayarak bu özellikleri çıkarmak için geleneksel WTC25'i kullanmıştır. Bununla birlikte, fNIRS sinyali20,21'in içsel özelliklerinden biri olarak, otokorelasyon etkisi zaman gecikmeli INS'yi karıştırabilir. Bu sorunu çözmek için, buradaki protokolde, pWTC olarak adlandırılan bir yöntemtanıtıldı 22. Bu yöntem, kısmen otokorelasyondan sonra zaman gecikmeli INS'yi tahmin eder ve WTC yönteminin avantajlarını korur. Bu protokol, pWTC'nin nasıl yürütüleceği konusunda adım adım rehberlik sunar ve sonuçlarını geleneksel WTC ve GC testleriyle karşılaştırarak pWTC'nin sonuçlarını doğrular.

fNIRS tabanlı hiper tarama verilerine pWTC uygulamanın kritik adımları bu protokolde gösterilmiştir. Özellikle, ilk olarak, zaman gecikmeli WTC'yi hesaplamak için, otomatik ilişkili WTC ve zaman hizalanmış WTC, zaman gecikmeli fNIRS zaman serisine göre hesaplanmalıdır. Daha sonra, pWTC Denklem 1'e göre farklı zaman gecikmelerinde hesaplanır. pWTC'nin sonuçları bir zaman x frekans matrisi döndürür ve matristeki değerler 0 ile 1 arasında değişir. Böylece, bu değerler üzerinde daha ileri istatistiksel testler yapılabilir.

Gösteri protokolünde, geleneksel WTC'nin temsili sonuçları iki frekans bandında iki önemli etki gösterdi: 0.4-0.6 Hz. Bununla birlikte, 0.04-0.09 Hz içindeki etki, pWTC sonuçlarındaki eşikten kurtulamadı, bu da bu etkinin fNIRS sinyalinin otokorelasyon etkisiyle karıştırılabileceğini düşündürmektedir. Öte yandan, 0.4-0.6 Hz aralığındaki sonuçlar pWTC yöntemiyle iyi bir şekilde çoğaltılmıştır. Bu sonuçlar, otokorelasyon etkisini ortadan kaldırdıktan sonra, pWTC'nin bireyler arasındaki INS'nin yönlü ve zamansal kalıplarını çıkarmada daha hassas ve spesifik gelişmeler sağladığını göstermektedir. Bununla birlikte, bir başka olasılık, pWTC'nin, yüksek frekans aralıklarından daha düşük frekans aralıklarında INS'nin yönlü ve zamansal modellerine duyarlı olmamasıdır ve bu da INS etkisinin hafife alınmasına neden olur. Bu olasılıkları daha da açıklığa kavuşturmak için gelecekteki çalışmalara ihtiyaç vardır.

GC testi ile yapılan bir karşılaştırma bu sonucu daha da desteklemektedir. GC testinin sonuçları, pWTC'ninkilere oldukça benzerdi ve kadınlardan erkeklere önemli bilgi akışı gösterdi, ancak erkeklerden kadınlara değil. GC testinin sonuçları ile pWTC arasında küçük bir fark vardı, yani konu ve yön arasındaki etkileşim etkisi pWTC sonuçlarında marjinal olarak anlamlıydı, ancak GC testinde anlamlılığa ulaştı. Bu fark, pWTC'nin GC testinden daha ince bir zaman ölçeğinde hesaplanmasından kaynaklanıyor olabilir. Bu nedenle, hem pWTC hem de GC testleri otokorelasyon etkisini kontrol ederken güvenilir sonuçlar verebilse de, pWTC avantajlıdır çünkü sabit varsayımlarda bulunmak gerekli değildir ve yüksek bir zamansal spektrum yapısına sahiptir.

pWTC yönteminin de sınırlamaları vardır. GC testine benzer şekilde, pWTC'den çıkarılan nedensellik gerçek bir nedensellik değildir37,38. Bunun yerine, sadece A ve B'nin sinyalleri arasındaki zamansal ilişkiyi gösterir. pWTC yöntemi uygulanırken bu husus akılda tutulmalıdır. İkincisi, pWTC sadece otokorelasyon etkisini kısmendir. Bu nedenle, paylaşılan ortamlar veya benzer eylemler gibi diğer potansiyel eşzamanlı değişkenler sonuçları etkilemeye devam edebilir. Sonuç olarak, bilgi akışının yönü ve zamansal paterni hakkında sonuçlar, bu kafa karıştırıcı faktörleri kontrol ettikten sonra çıkarılmalıdır.

Ek olarak, fNIRS verilerinin ön işlenmesiyle ilgili bazı karmaşık sorunlar vardı. fNIRS kafa hareketlerine karşı yüksek toleransa sahip olmasına rağmen, hareket artefaktları hala gürültünün en önemli kaynağıdır39. Büyük kafa hareketleri hala optodların pozisyon kaymasına yol açacak ve keskin ani yükselme ve taban çizgisi kaymaları gibi hareket artefaktları üretecektir. Bu sorunları ele almak için, spline interpolasyonu 40, dalgacık tabanlı filtreleme39, ilke bileşen analizi41 ve korelasyon tabanlı sinyal iyileştirme42 gibi birçok artefakt düzeltme yaklaşımı geliştirilmiştir. Cooper ve meslektaşları43, bu yaklaşımları gerçek dinlenme durumu fNIRS verilerine dayanarak karşılaştırdılar ve dalgacık tabanlı filtrelemenin kontrast-gürültü oranında en yüksek artışı sağladığını buldular. Ayrıca, Brigadoi ve meslektaşları44, bu yaklaşımları gerçek dilbilimsel görev verilerinde karşılaştırdılar ve ayrıca dalgacık tabanlı filtrelemenin hareket artefaktlarını düzeltmede en etkili yaklaşım olduğunu buldular. Bu nedenle, bu çalışmada, dalgacık bazlı filtreleme uygulanmış ve gelecekteki fNIRS hipertarama çalışmaları için de önerilmiştir.

Genel olarak, pWTC, sosyal etkileşim sırasında bilgi akışının yönlü ve zamansal kalıplarını tahmin etmede değerli bir yaklaşımdır. Daha da önemlisi, pWTC yönteminin sahte hipertarama çalışmaları için de uygun olduğuna inanılmaktadır (yani, iki veya daha fazla beynin sinyalleri aynı anda toplanmamaktadır45,46). Bu tür deneylerde, bilgi akışının yönü sabit olmasına rağmen, sinyalin girişi ile sinyalin süreci arasındaki zaman gecikmesinin süresini incelemek de ilgi çekicidir. Bu nedenle, otokorelasyon, zaman gecikmeli INS'nin sonuçlarını da karıştırabilir. Gelecekte, bu yöntem hipertarama ve diğer beyinler arası çalışmalarda birçok soruyu cevaplayabilir. Örneğin, öğretmenler ve öğrenciler, doktorlar ve hastalar, sanatçılar ve izleyiciler gibi çeşitli sosyal ilişkilerdeki baskın rolü belirlemek. Ek olarak, pWTC INS'nin zamansal yapılarını koruduğundan, grup tutumu yakınsaması gibi INS'nin dinamik modelini test etmek de mümkündür.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Yazarlar rakip finansal çıkarlar olmadığını beyan ederler.

Acknowledgments

Bu çalışma, Çin Ulusal Doğa Bilimleri Vakfı (61977008) ve On Bin Yeteneğin Genç Üst Düzey Yetenekleri Programı tarafından desteklenmiştir.

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

Nörobilim Sayı 175
fNIRS-Hipertarama Verilerindeki Yönlü Bilgi Akışının Kısmi Dalgacık Dönüşümü Tutarlılık Yöntemi Kullanılarak Ölçülmesi
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