Summary
Dieses Protokoll beschreibt die partielle Wavelet-Transformationskohärenz (pWTC) zur Berechnung des zeitverzögerten Musters der zwischenmenschlichen neuronalen Synchronisation (INS), um die Richtung und das zeitliche Muster des Informationsflusses während der sozialen Interaktion abzuleiten. Die Wirksamkeit von pWTC bei der Entfernung der Störfaktoren der Signalautokorrelation auf INS wurde durch zwei Experimente bewiesen.
Abstract
Soziale Interaktion ist für den Menschen von entscheidender Bedeutung. Während der Hyperscanning-Ansatz umfassend zur Untersuchung der zwischenmenschlichen neuronalen Synchronisation (INS) während sozialer Interaktionen eingesetzt wurde, ist die funktionelle Nahinfrarotspektroskopie (fNIRS) aufgrund ihrer relativ hohen räumlichen Auflösung, der anatomischen Lokalisation des Schalls und der außergewöhnlich hohen Toleranz von Bewegungsartefakten eine der beliebtesten Techniken für das Hyperscanning naturalistischer sozialer Interaktionen. Frühere fNIRS-basierte Hyperscanning-Studien berechnen in der Regel ein zeitverzögertes INS unter Verwendung der Wavelet-Transformationskohärenz (WTC), um die Richtung und das zeitliche Muster des Informationsflusses zwischen Individuen zu beschreiben. Die Ergebnisse dieser Methode könnten jedoch durch den Autokorrelationseffekt des fNIRS-Signals jedes Individuums verwirrt werden. Um dieses Problem anzugehen, wurde eine Methode namens partielle Wavelet-Transformationskohärenz (pWTC) eingeführt, die darauf abzielte, den Autokorrelationseffekt zu entfernen und die hohe zeitliche Spektrumauflösung des fNIRS-Signals aufrechtzuerhalten. In dieser Studie wurde zunächst ein Simulationsexperiment durchgeführt, um die Wirksamkeit des pWTC bei der Beseitigung der Auswirkungen der Autokorrelation auf INS zu zeigen. Dann wurde eine Schritt-für-Schritt-Anleitung zum Betrieb des pWTC basierend auf dem fNIRS-Datensatz aus einem sozialen Interaktionsexperiment angeboten. Zusätzlich wurde ein Vergleich zwischen der pWTC-Methode und der traditionellen WTC-Methode sowie der pWTC-Methode und der Granger-Kausalitätsmethode (GC) gezogen. Die Ergebnisse zeigten, dass pWTC verwendet werden konnte, um die INS-Differenz zwischen verschiedenen experimentellen Bedingungen und das gerichtete und zeitliche Muster von INS zwischen Individuen während naturalistischer sozialer Interaktionen zu bestimmen. Darüber hinaus bietet es eine bessere zeitliche und Frequenzauflösung als das traditionelle WTC und eine bessere Flexibilität als die GC-Methode. Somit ist pWTC ein starker Kandidat für die Ableitung der Richtung und des zeitlichen Musters des Informationsflusses zwischen Individuen während naturalistischer sozialer Interaktionen.
Introduction
Soziale Interaktion ist für den Menschen von entscheidender Bedeutung 1,2. Um den neurokognitiven Dual-Brain-Mechanismus der sozialen Interaktion zu verstehen, wurde der Hyperscanning-Ansatz in letzter Zeit ausgiebig verwendet, um zu zeigen, dass die Muster der zwischenmenschlichen neuronalen Synchronisation (INS) den sozialen Interaktionsprozess gut charakterisierenkönnen 3,4,5,6,7,8,9,10,11,12 ,13,14 Unter neueren Studien ist ein interessantes Ergebnis, dass der Rollenunterschied von Individuen in einer Dyade zu einem zeitverzögerten Muster von INS führen kann, d.h. INS tritt auf, wenn die Gehirnaktivität eines Individuums um Sekunden hinter der eines anderen Individuums zurückbleibt, wie z.B. die von Zuhörern zu Sprechern5,9, von Führern zu Anhängern 4, Von Lehrern zu Schülern8, von Müttern zu Kindern13,15 und von Frauen zu Männern in einem romantischen Paar6. Am wichtigsten ist, dass es eine gute Übereinstimmung zwischen dem Intervall des zeitverzögerten INS und dem des sozialen Interaktionsverhaltens gibt, z. B. zwischen Lehrern, die Fragen stellen, und Schülern, die8 antworten, oder zwischen dem Erziehungsverhalten von Müttern und dem Compliance-Verhalten von Kindern15. Daher können zeitverzögerte INS einen direktionalen Informationsfluss von einer Person zur anderen widerspiegeln, wie es in einem neueren hierarchischen Modell für zwischenmenschliche verbale Kommunikationvorgeschlagen wird 16.
Zuvor wurde das zeitverzögerte INS hauptsächlich auf dem funktionellen Nahinfrarot-Spektroskopie-Signal (fNIRS) berechnet, da es bei der Untersuchung naturalistischer sozialer Interaktionen relativ hohe räumliche Auflösung, anatomische Lokalisation des Schalls und außergewöhnlich hohe Toleranz von Bewegungsartefakten 17 aufweist. Um die Korrespondenz zwischen der neuronalen Zeitverzögerung und der Verhaltenszeitverzögerung während der sozialen Interaktion genau zu charakterisieren, ist es außerdem wichtig, die INS-Stärke für jede Zeitverzögerung zu erhalten (z. B. von keiner Zeitverzögerung zu einer Zeitverzögerung von 10 s). Zu diesem Zweck wurde zuvor das WTC-Verfahren (Wavelet Transform Coherence) umfassend angewendet, nachdem das Gehirnsignal eines Individuums nach vorne oder hinten relativ zu dem eines anderen Individuums 5,6,18 verschoben wurde. Bei der Verwendung dieses traditionellen WTC-Verfahrens für fNIRS-Signale besteht eine potenzielle Herausforderung, da das beobachtete zeitverzögerte INS durch den Autokorrelationseffekt des fNIRS-Signals für ein Individuum 19,20,21 verwirrt werden kann. Zum Beispiel kann während eines dyadischen sozialen Interaktionsprozesses das Signal von Teilnehmer A zum Zeitpunkt t mit dem von Teilnehmer B zum gleichen Zeitpunkt synchronisiert werden. In der Zwischenzeit kann das Signal von Teilnehmer A zum Zeitpunkt t aufgrund des Autokorrelationseffekts mit dem von Teilnehmer A zu einem späteren Zeitpunkt t+1 synchronisiert werden. Daher kann ein unechtes zeitverzögertes INS zwischen dem Signal von Teilnehmer A zum Zeitpunkt t und dem von Teilnehmer B zum Zeitpunkt t+1 auftreten.
Mihanović und seine Kollegen 22 führten zunächst eine Methode ein, die als partielle Wavelet-Transformationskohärenz (pWTC) bezeichnet wird, undwandten sie dann in der Meereswissenschaftan 23,24. Der ursprüngliche Zweck dieser Methode bestand darin, das exogene Störrauschen bei der Abschätzung der Kohärenz zweier Signale zu kontrollieren. Um das Autokorrelationsproblem in den fNIRS-Hyperscanning-Daten zu beheben, wurde die pWTC-Methode erweitert, um zeitverzögerte INS auf dem fNIRS-Signal zu berechnen. Genau genommen kann ein zeitverzögertes INS (und ein direktionaler Informationsfluss) von Teilnehmer A zu Teilnehmer B mit der folgenden Gleichung (Gleichung 1)23 berechnet werden.
Hier wird angenommen, dass es zwei Signale, A und B, von den Teilnehmern A bzw. B gibt. Das Auftreten von Signal B geht immer dem von Signal A mit einer Zeitverzögerung von n voraus, wobei WTC (At, B t + n) das traditionelle zeitverzögerte WTC ist. WTC (A t, At+n) ist das autokorrelierte WTC in Teilnehmer A. WTC (A t, B t) ist das zeitlich ausgerichtete WTC zum Zeitpunkt t zwischen Teilnehmer A und B. * ist der komplexe konjugierte Operator (Abbildung 1A).
Abbildung 1: Übersicht über pWTC. (A) Die Logik des pWTC. Es gibt zwei Signale A und B innerhalb einer Dyade. Das Vorkommen von A folgt immer dem von B mit einer Verzögerung n. Eine graue Box ist ein Wavelet-Fenster zu einem bestimmten Zeitpunkt t oder t + n. Basierend auf der pWTC-Gleichung (dargestellt in der Abbildung) müssen drei WTCs berechnet werden: der zeitversetzte WTC von At+n und Bt; das autokorrelierte WTC in Teilnehmer A von At und At+n; und das zeitlich ausgerichtete WTC zum Zeitpunkt t, A t und Bt. (B) Das Layout von Optodensondensätzen. CH11 wurde auf T3 und CH25 auf T4 nach dem internationalen 10-20-System27,28 platziert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
Dieses Protokoll führte zunächst ein Simulationsexperiment ein, um zu demonstrieren, wie gut das pWTC die Autokorrelationsherausforderung löst. Dann wurde erklärt, wie man pWTC Schritt für Schritt durchführt, basierend auf einem empirischen Experiment naturalistischer sozialer Interaktionen. Hier wurde ein Kommunikationskontext verwendet, um die Methode einzuführen. Dies liegt daran, dass zuvor das zeitverzögerte INS normalerweise in einem naturalistischen Kommunikationskontext 3,4,6,8,13,15,18 berechnet wurde. Zusätzlich wurden ein Vergleich zwischen dem pWTC und dem traditionellen WTC sowie eine Validierung mit dem Granger-Kausalitätstest (GC) durchgeführt.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Das Humanexperimentprotokoll wurde vom Institutional Review Board und der Ethikkommission des State Key Laboratory of Cognitive Neuroscience and Learning an der Beijing Normal University genehmigt. Alle Teilnehmer gaben vor Beginn des Experiments eine schriftliche Einwilligung.
1. Das Simulationsexperiment
- Erzeugen Sie zwei Zeitreihen von Signalen, die miteinander korrelieren, wobei ein Signal mit einer Zeitverzögerung von 4 s Autokorrelation aufweist. Setzen Sie den Korrelationskoeffizienten von r zwischen den beiden Signalen auf 0,4.
- Erzeugen Sie außerdem zwei Zeitreihen von Signalen ohne Korrelation, aber mit Autokorrelation in einem Signal.
- Berechnen Sie die Werte des traditionellen 4 s zeitverzögerten INS mit Gleichung 2 basierend auf den generierten Signalen mit oder ohne Korrelation, die als zeitverzögertes INS WTC mit Autokorrelation und zeitverzögertes Basisergebnis INSWTC mit Autokorrelation bezeichnet werden können.
HINWEIS: Hier wird das traditionelle zeitverzögerte WTC durch die folgende Gleichung (Gleichung 2) ausgedrückt25
wobei C den kontinuierlichen Wavelet-Transformationsoperator auf verschiedenen Skalen i und Zeitpunkte t bezeichnet. S bezeichnet den Glättungsoperator. * bezeichnet den komplexen konjugierten Operator. W und M bezeichnen zwei einzelne Zeitreihen von Signalen. - Entfernen Sie die Autokorrelation aus den generierten Signalen. Berechnen Sie dann die Werte des traditionellen 4 s zeitverzögerten INS WTC mit Gleichung 2 basierend auf den generierten Signalen mit oder ohne Korrelation, die als zeitverzögerte INSWTC ohne Autokorrelation und als zeitverzögerte Basislinie INSWTC ohne Autokorrelation bezeichnet werden können.
- Berechnen Sie die Werte von 4 s zeitverzögertem pWTC mit Gleichung 3 basierend auf den generierten Signalen mit oder ohne Korrelation, genannt zeitverzögertes INS pWTC und zeitverzögertes INSpWTC.
HINWEIS: Der pWTC kann auf der Grundlage der folgenden Gleichung (Gleichung 3) berechnet werden23
wobei WTC (Wt, M t + n) das traditionelle zeitverzögerte WTC ist. WTC (M t, M t+n) ist das autokorrelierte WTC eines Individuums. WTC (W t, Mt) ist das zeitlich ausgerichtete WTC. * ist der komplexe konjugierte Operator. - Wiederholen Sie die oben genannten Schritte 1000 Mal.
- Vergleichen Sie nach dem Subtrahieren des Basis-INS die Ergebnisse des zeitverzögerten INSWTC mit der Autokorrelation, des zeitverzögerten INSWTC ohne Autokorrelation und des zeitverzögerten INSpWTC unter Verwendung der ANOVA-Methode (Analysis of Variance).
HINWEIS: Hier wird erwartet, dass der zeitverzögerte INSWTC mit Autokorrelation signifikant höher sein wird als der zeitverzögerte INSWTC ohne Autokorrelation und der zeitverzögerte INS pWTC, und es wird kein signifikanter Unterschied zwischen dem zeitverzögerten INSWTC ohne Autokorrelation und dem zeitverzögerten INSpWTC erwartet.
2. Das empirische Experiment
- Teilnehmer und Ablauf
- Rekrutieren Sie geeignete Teilnehmer.
HINWEIS: In dieser Studie wurden zweiundzwanzig Paare enger Freunde des anderen Geschlechts (Durchschnittsalter der Frauen = 20,95, Standardabweichung (SD) = 1,86; Durchschnittsalter der Männer = 20,50, SD = 1,74) durch Werbung von Studenten von Universitäten in Peking rekrutiert. Alle Teilnehmer waren Rechtshänder und hatten ein normales oder korrigiertes Sehvermögen. Darüber hinaus hatten keine Teilnehmer sprachliche, neurologische oder psychiatrische Störungen. - Bitten Sie jedes Teilnehmerpaar, während des Experiments von Angesicht zu Angesicht zu sitzen. Bitten Sie sie, in einer Sitzung frei über ein unterstützendes Thema und in der anderen Sitzung über ein Konfliktthema zu kommunizieren.
HINWEIS: Die Themen wurden verwendet, um die beabsichtigte positive oder negative emotionale Wertigkeit zu induzieren. Jede Kommunikationssitzung dauerte 10 Minuten, und die Reihenfolge der Themen wurde ausgeglichen. - Bitten Sie die Teilnehmer, über die unterstützenden und die Konfliktthemen als Standard-Set-up-Regel zu berichten. Bitten Sie jeden Partner, das positive oder negative Valenzniveau, das möglicherweise induziert wurde, auf einer bestimmten Punkteskala zu bewerten. Ordnen Sie dann die gemeldeten Themen entsprechend der Bewertung ein.
HINWEIS: In dieser Arbeit wurden die Themen mit den folgenden drei Schritten ausgewählt. Erstens musste jeder Teilnehmer für die unterstützenden Themen 1-3 persönliche Probleme melden, die sich darauf bezogen, was er / sie in seinem Leben verbessern wollte. Jeder Teilnehmer musste 1-3 Fälle melden, die zu Konflikten zwischen ihnen geführt hatten oder führen würden oder die ihre Beziehung zu den Konfliktthemen gefährden könnten. Zweitens musste jeder Partner das Niveau der positiven oder negativen Valenz bewerten, das jedes Thema auf einer 7-Punkte-Skala induzieren könnte (1 = überhaupt nicht und 7 = sehr viel). Drittens wurden die gemeldeten Themen entsprechend der Bewertung eingestuft. Die ersten beiden Themen in der Liste der unterstützenden Themen und Konfliktthemen wurden ausgewählt.
- Rekrutieren Sie geeignete Teilnehmer.
- fNIRS-Datenerfassung
- Verwenden Sie das 26-Kanal-fNIRS-Topographiesystem (siehe Materialtabelle), um fNIRS-Daten zu sammeln.
HINWEIS: Zwei kundenspezifische Optodensonden deckten die bilateralen frontalen, temporalen und parietalen Kortexe ab (Abbildung 1B). - Bitten Sie jeden Teilnehmer, eine Kappe mit zwei kundenspezifischen Sondensätzen zu tragen (siehe Materialtabelle).
- Richten Sie die Nasion-, Inion- und Ohrmastoide mit Fpz, Opz, T7 und T8 aus, die typische Landmarken des internationalen Systems26 10-20 sind.
- Richten Sie Kanal (CH) 11 auf T3 und CH25 auf T4 nach dem internationalen 10-20-System für die beiden Sondensätze27,28 aus.
- Validieren Sie die anatomischen Positionen von Sondensätzen, indem Sie Magnetresonanztomographie (MRT)-Daten von einem typischen Teilnehmer mit einer hochauflösenden T1-gewichteten, magnetisierungspräparierten schnellen Gradienten-Echo-Sequenz (TR = 2530 ms; TE = 3,39 ms; Flip-Winkel = 7°; Schichtdicke = 1,3 mm; Voxelgröße = 1,3 x 1 x 1,3 mm).
- Verwenden Sie Statistical Parametric Mapping 12 (SPM12), um das Bild auf den Standard-Koordinatenraum29 des Montreal Imaging Institute Coordinate (MNI-Koordinate) zu normalisieren. Verwenden Sie dann die Toolbox NIRS_SPM (siehe Materialtabelle), um die MNI-Koordinaten der Sonden auf die AAL-Vorlage (Automated Anatomical Labeling) zu projizieren.
- Sammeln Sie die optischen Dichtedaten von Nahinfrarotlicht bei drei Wellenlängen (780, 805 und 830 nm) mit einer Abtastrate von 55,6 Hz (Standardparameter der Ausrüstung).
- Testen Sie die Signalqualität mit der im fNIRS-Topographiesystem integrierten Gerätesoftware (siehe Materialtabelle).
- Beginnen Sie mit der Signalaufzeichnung.
HINWEIS: Einige veröffentlichte Protokolle haben gezeigt, wie man fNIRS-Signale mit verschiedenen Geräten und Systemensammelt 30,31,32.
- Verwenden Sie das 26-Kanal-fNIRS-Topographiesystem (siehe Materialtabelle), um fNIRS-Daten zu sammeln.
- fNIRS-Datenvorverarbeitung
- Exportieren Sie die Datendateien aus dem Gerät.
HINWEIS: Im aktuellen Experiment konvertierte die integrierte Software automatisch rein optische Dichtedaten in Oxyhämoglobin (HbO) -Konzentrationsänderungen basierend auf dem modifizierten Beer-Lambert-Gesetz. - Entfernen Sie die ersten und letzten 15 s der Daten für jede Sitzung, um transiente Antworten zu vermeiden.
- Verwenden Sie die integrierte MATLAB-Dezimatfunktion, um die Daten von 55,6 Hz auf 11,1 Hz herunterzurechnen.
HINWEIS: Die Leistungsspektrummuster zwischen 55,6 Hz und 11,1 Hz sind recht ähnlich (Ergänzende Abbildung 1). - Verwenden Sie die integrierte MATLAB-Anwendungsfunktion (Homer3, siehe Materialtabelle) mit entsprechender Filterfunktion, um die diskrete Wavelet-Transformationsfiltermethode anzuwenden, um Bewegungsartefakte zu korrigieren.
- Verwenden Sie die integrierte MATLAB pca-Funktion, um globales physiologisches Rauschen zu entfernen. Entfernen Sie die oberen 80% der Varianz aus den Signalen.
- Entfernen Sie physiologisches Rauschen basierend auf den vorherigen Studien33. Entfernen Sie präzise Frequenzbänder jedes Signals über 0,7 Hz, um ein Aliasing von hochfrequentem physiologischem Rauschen (z. B. Herzaktivität) zu vermeiden.
- Entfernen Sie dann Frequenzbänder jedes Signals unter 0,01 Hz, um sehr niedrige Frequenzschwankungen herauszufiltern.
- Entfernen Sie schließlich Frequenzbänder jedes Signals innerhalb von 0,15-0,3 Hz, um die potenziellen Auswirkungen der Atemaktivität auszuschließen.
- Exportieren Sie die Datendateien aus dem Gerät.
- fNIRS-Datenverarbeitung der ersten Stufe
- Berechnen Sie zunächst INS mit herkömmlichem WTC (INSWTC).
HINWEIS: Hier wurde ein von Frauen geführtes zeitverzögertes Muster von INSWTC zwischen der Gehirnaktivität von Frauen und der von Männern vorhergesagt, da frühere Studien während eines Gesprächs unterschiedliche Rollen von Frauen und Männern vorgeschlagen haben34, 35. Das traditionelle WTC berechnete dieses Muster des INSWTC, indem es die Gehirnaktivität von Männern relativ zu der von Frauen zurückverlagerte (siehe Gleichung 2). - Berechnen Sie den von Frauen geführten 2 s-lagiertenINS-WTC-Wert, nachdem Sie die ersten 2 s der Daten von Frauen und die letzten 2 s der Daten von Männern mit Gleichung 2 entfernt haben. Nachdem Sie die ersten 2 s der Daten von Männern und die letzten 2 s der Daten von Frauen entfernt haben, berechnen Sie den von Männern geführten 2 s-lagged INSWTC-Wert mit Gleichung 4.
HINWEIS: Hier wurde die Kohärenzfunktion, eine eingebaute Funktion der Wavelet-Toolbox von MATLAB, verwendet (siehe Materialtabelle). - Wiederholen Sie diesen Vorgang mit unterschiedlichen Zeitverzögerungen n, d. h. n = 2 s, 4 s, 6 s, 8 s über alle potenziellen CH-Paare (z. B. CH2 bei Frauen und CH10 bei Männern, insgesamt 676 Paare). Berechnen Sie außerdem die Stärke von INSWTC mit Zeitverzögerung (Gleichung 4).
- Zweitens, berechnen Sie INS mit pWTC (INSpWTC).
HINWEIS: pWTC wurde auf der Grundlage von Gleichung 3 berechnet. Die Berechnung von INSpWTC wurde mit unterschiedlichen Zeitverzögerungen n wiederholt, d. h. n = 2 s, 4 s, 6 s, 8 s über alle potenziellen Kanalpaare (z. B. CH2 bei Frauen und CH10 bei Männern, insgesamt 676 Paare). Zusätzlich wurde die Stärke des von Männern geführten zeitverzögerten INSpWTC auf die gleiche Weise berechnet (Gleichung 5).
- Generieren Sie zeitverzögerte Zeitreihen von fNIRS-Signalen mit unterschiedlichen Zeitverzögerungen.
- Berechnen Sie die Werte des zeitverzögerten WTC zu unterschiedlichen Zeitpunkten.
- Generieren Sie automatisch korrelierte Zeitreihen von fNIRS-Signalen mit unterschiedlichen Zeitverzögerungen. Um den 2 s-autokorrelierten Wert für Männer zu berechnen, entfernen Sie die ersten 2 s Daten von den Männern und die letzten 2 s Daten von den Männern.
- Berechnen Sie die automatisch korrelierten WTC-Werte zu unterschiedlichen Zeitpunkten.
- Generieren Sie zeitlich ausgerichtete Zeitreihen von fNIRS-Signalen mit unterschiedlichen Zeitverzögerungen. Um den zeitlich ausgerichteten WTC von 2 s zu berechnen, entfernen Sie die ersten 2 s der Daten von den Männern und die ersten 2 s der Daten der Frauen.
- Berechnen Sie die zeitlich ausgerichteten WTC-Werte.
- Geben Sie zeitangepasste WTC-, zeitverzögerte WTC- und autokorrelierte WTC-Werte mit unterschiedlicher Zeitverzögerung in Gleichung 3 und Gleichung 5 ein - die Gleichung von pWTC, wodurch INSpWTC erzeugt wird.
- Berechnen Sie schließlich INS mit derGC-Methode (INS GC).
HINWEIS: Um die pWTC-Methode weiter zu validieren und ihre Vor- und Nachteile zu bewerten, wurde GC-basiertes INS mit der GC-Methode (INSGC) berechnet. - Basierend auf dem pWTC-Ergebnis filtert Bandpass das HbO-Signal jedes Einzelnen am SMC (d.h. 0,4-0,6 Hz, siehe Repräsentative Ergebnisse).
- Führen Sie einen GC-Test (Econometric toolbox, MATLAB) innerhalb jeder Dyade in den unterstützenden und Konfliktthemen separat durch.
HINWEIS: Für INSGC werden vier Gruppen von F-Werten erhalten: (1) von Frauen bis Männern zum unterstützenden Thema (W2M_supp); (2) von Männern zu Frauen zum unterstützenden Thema (M2W_supp); (3) von Frauen zu Männern zum Konfliktthema (W2M_conf); und (4) von Männern zu Frauen zum Konfliktthema (M2 W_conf). Die F-Werte werden verwendet, um denINS-GC zu indizieren.
- Berechnen Sie zunächst INS mit herkömmlichem WTC (INSWTC).
- FNIRS-Datenverarbeitung der zweiten Ebene
- Transformieren Sie INS mit der Fisher-z-Transformation und dann den Mittelwert von INS in der zeitlichen Dimension.
HINWEIS: Hier wurde die Fisher-z-Transformation mit einem benutzerdefinierten MATLAB-Skript mit Gleichung 636 durchgeführt:
wobei r der Wert des WTC oder pWTC und z der Fisher-z-transformierte Wert des WTC oder pWTC ist. - Führen Sie für das gemittelte INS bei jeder Zeitverzögerung einen gepaarten t-Test mit zwei Stichproben (unterstützend vs. Konflikt) für jedes CH-Paar über den Frequenzbereich durch. Identifizieren Sie dann alle signifikanten Frequenzcluster (P < 0,05).
- Führen Sie einen clusterbasierten Permutationstest durch, um einen Schwellenwert für die Ergebnisse festzulegen.
- Ordnen Sie dyadische Beziehungen neu zu, indem Sie die Teilnehmer nach dem Zufallsprinzip neuen Zweierpaaren zuweisen, d.h. den Teilnehmern einer Dyade, die noch nie miteinander kommuniziert hatten. Berechnen Sie das INS bei jeder Zeitverzögerung neu, führen Sie in der neuen Stichprobe erneut gepaarte t-Tests durch und identifizieren Sie erneut signifikante Frequenzcluster.
- Wählen Sie den Cluster mit dem größten summierten t-Wert aus. Wiederholen Sie die obigen Verfahren 1000 Mal, um eine Nullverteilung der maximalen falsch-positiven t-Werte zu generieren.
HINWEIS: Die Verteilung dient als Zufallsstufe. Die familywise error rate (FWER) wird bei q = 0,05 kontrolliert, was bedeutet, dass nur die obersten 5% der Nullverteilung der falsch-positiven t-Werte den Schwellenwert (R*) überschreiten. - Vergleichen Sie den summierten t-Wert jedes identifizierten Frequenzclusters in der ursprünglichen Stichprobe mit der Nullverteilung, um signifikante statistische Ergebnisse zu erhalten.
- Führen Sie eine Kontextanalyse (unterstützend, Konflikt) x Richtung (Frauen zu Männern, Männer zu Frauen) durch, um den Unterschied in der INS-Richtung zwischen verschiedenen Bedingungen (dh Themen) zu testen (S. < 0.05).
- Führen Sie einen gepaarten Zwei-Stichproben-Zwei-Schwanz-t-Test zwischen den Ergebnissen von WTC (Wt, Mt + n) und WTC (Mt, Mt + n) durch, um die potenziellen Auswirkungen der Autokorrelation auf INS zu testen.
HINWEIS: Das INS von WTC (Mt, Mt + n) spiegelt die Autokorrelation wider.
- Transformieren Sie INS mit der Fisher-z-Transformation und dann den Mittelwert von INS in der zeitlichen Dimension.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Simulationsergebnisse
Die Ergebnisse zeigten, dass der zeitverzögerte INS WTC mit Autokorrelation signifikant höher war als der zeitverzögerte INSWTC ohne Autokorrelation (t(1998) = 4,696, p < 0,001) und der zeitverzögerten INSpWTC (t(1998) = 5,098, p < 0,001). Darüber hinaus gab es keinen signifikanten Unterschied zwischen zeitverzögertem INSWTC ohne Autokorrelation und INSpWTC (t(1998) = 1,573, p = 0,114, Abbildung 2A). Diese Ergebnisse deuten darauf hin, dass pWTC die Auswirkungen des Autokorrelationseffekts auf INS effektiv beseitigen kann. Wenn der WTC-Wert auf nahe 0 oder 1 festgelegt wurde, zeigte der zeitverzögerteINS-pWTC immer noch zuverlässige Ergebnisse, wenn der WTC-Wert von 0 oder 1 entfernt war (Ergänzende Abbildung 2).
Empirische Experimentergebnisse
INS-Muster mit der traditionellen WTC-Methode
Die Ergebnisse zeigten, dass bei 0,04-0,09 Hz,INS WTC im sensomotorischen Kortex (SMC, CH20) von Frauen und Männern im unterstützenden Thema signifikant höher war als im Konfliktthema, wenn die Gehirnaktivität von Männern um 2 s, 4 s und 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). Darüber hinaus war der INSWTC im SMC bei 0,4-0,6 Hz im Konfliktthema signifikant höher als im unterstützenden Thema, als die Gehirnaktivität der Männer um 4 s hinter der von Frauen zurückblieb (t(21) = 2,828, p = 0,01, Abbildung 2B).
Um die Richtung von INS WTC in verschiedenen Themen zu vergleichen, wurde ein Thema (unterstützend, Konflikt) x Richtung (Frauen zu Männern, Männer zu Frauen) ANOVA zuerst auf INSWTC des SMC unter einer Zeitverzögerung von 2-6 s durchgeführt. Die Ergebnisse von 0,04-0,09 Hz zeigten zu keinem Zeitpunkt signifikante Wechselwirkungseffekte (ps > 0,05). Für den Frequenzbereich 0,4-0,6 Hz zeigten die Ergebnisse, dass der Wechselwirkungseffekt marginal signifikant war (F(1, 21) = 3,23, p = 0,086). Paarweise Vergleiche zeigten, dass der INSWTC von Frauen zu Männern im Konfliktthema signifikant höher war als im unterstützenden Thema (M.D. = 0,014, S.E. = 0,005, p = 0,015), während sich der INSWTC von Männern zu Frauen zwischen den Themen nicht signifikant unterschied (M.D. = 0,002, S.E. = 0,006, p = 0,695).
Um schließlich den Einfluss der Autokorrelation auf die Ergebnisse des traditionellen zeitverzögerten INSWTC zu testen, wurde INS WTC zwischen WTC (W t, M t + 4) und WTC (M t, Mt + 4) bei 0,04-0,09 Hz bzw. 0,4-0,6 Hz verglichen. Beachten Sie, dass das INS WTC vonWTC (M t, M t + 4) die Autokorrelation widerspiegelt. Die Ergebnisse zeigten, dass es bei 0,4-0,6 Hz keinen signifikanten Unterschied zwischen dem INS WTC von WTC(W t, M t+4) und dem vonWTC(M t, Mt+4) (t(21) = 0,336, p = 0,740) gab. Mit 0,04-0,09 Hz war der INS WTC von WTC (Mt, Mt+4) signifikant höher als der vonWTC (W t,M t+4) (t(21) = 4,064, p < 0,001). Ein Vergleich wurde auch zwischen den Frequenzbereichen von 0,04-0,09 Hz und 0,4-0,6 Hz in Bezug auf INS WTC von WTC (Mt, M t+4) durchgeführt. Die Ergebnisse zeigten, dass der INS WTC vonWTC(M t, M t+4) bei 0,04-0,09 Hz signifikant höher war als bei 0,4-0,6 Hz (t(21) = 5,421, p < 0,001). Diese Ergebnisse deuten darauf hin, dass das zeitverzögerte INSWTC sowohl im Tief- als auch im Hochfrequenzbereich von einer Autokorrelation betroffen war, aber die Auswirkungen waren für den unteren Frequenzbereich größer als für den höheren Frequenzbereich.
INS-Muster mit der pWTC-Methode
Die Ergebnisse zeigten, dass der Unterschied im INSpWTC zwischen den Konflikt- und unterstützenden Themen am SMC von Frauen und Männern bei 0,4-0,6 Hz an Bedeutung gewann, wenn die männliche Gehirnaktivität um 4 s hinter der von Frauen zurückblieb (t(21) = 4,224, p = 0,0003). Bei 0,04-0,09 Hz; Es wurden jedoch keine signifikanten Ergebnisse gefunden, ebenso wenig wie ihre effektiven Ergebnisse in anderen Frequenzbereichen (Ps > 0,05, Abbildung 2C).
Ein zusätzlicher ANOVA-Test wurde am INSpWTC des SMC bei 0,4-0,6 Hz durchgeführt. Die Ergebnisse zeigten, dass die Wechselwirkung zwischen Thema und Richtung marginal signifikant war (F(1,21) = 3,48, p = 0,076). Weitere paarweise Vergleiche zeigten, dass der INSpWTC von Frauen zu Männern im Konfliktthema signifikant höher war als im unterstützenden Thema (M.D. = 0,016, S.E. = 0,004, p = 0,002), während sich INSpWTC von Männern zu Frauen zwischen den Themen nicht signifikant unterschied (M.D. = 0,0007, S.E. = 0,006, p = 0,907, Abbildung 2D).
INS-Muster mit der GC-Methode
Ein ANOVA-Test wurde am INSGC am SMC nur innerhalb der 0,4-0,6 Hz durchgeführt. Die Ergebnisse zeigten eine signifikante Wechselwirkung zwischen Thema und Richtung (F(1,21) = 8,116, p = 0,010). Die paarweise Analyse zeigte, dass die INS-GC von Frauen zu Männern im Konfliktthema signifikant höher war als im unterstützenden Thema (MD = 5,50, SE = 2,61, p = 0,043). Im Gegensatz dazu unterschied sich derINS-GC von Männern zu Frauen nicht signifikant zwischen den Themen (MD = 1,42, SE = 2,61, p = 0,591, Abbildung 2E).
Abbildung 2: Ergebnisse der Simulation und des empirischen Experiments. (A) Die Simulationsergebnisse von drei simulierten Proben. Der zeitverzögerte INSWTC mit Autokorrelation war signifikant höher als der zeitverzögerte INSWTC ohne Autokorrelation und INSpWTC. Es gab keinen signifikanten Unterschied zwischen zeitverzögertem INSWTC ohne Autokorrelation und pWTC. (B) Die t-Karte von INS WTC im empirischen Experiment, die signifikante Kontexteffekte innerhalb von 0,04-0,09 Hz zeigt, wenn dieSMC-Aktivität von Männern um 2-6 s hinter der von Frauen zurückblieb. Es gab auch einen geringfügig signifikanten Kontexteffekt innerhalb von 0,4-0,6 Hz, wenn die SMC-Aktivität der Männer um 4 s hinter der der Frauen zurückblieb. (C) Die t-Karte von INS pWTC, die einen signifikanten Kontexteffekt innerhalb von 0,4-0,6 Hz zeigt, wenn die SMC-Aktivität von Männern um 4 s hinter der von Frauen zurückblieb. (D) Vergleich von direktionalem INS pWTC zu verschiedenen Themen durchpWTC. Das direktionale INS von Frauen zu Männern ist in Konfliktkontexten signifikant höher als in unterstützenden Kontexten. (E) Validierung des direktionalen INS durchGC-Test (INS GC). Das resultierende Muster von INSGC ähnelt INSpWTC. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
Ergänzende Abbildung 1: Das Leistungsspektrumdiagramm für die Abtastrate bei 11,1 Hz (blaue Linie) und 55,6 Hz (rote Linie). Das Leistungsspektrummuster für die beiden ist ziemlich ähnlich. Bitte klicken Sie hier, um diese Datei herunterzuladen.
Ergänzende Abbildung 2: Die pWTC-Karten von Boden und Cecil WTC. (A) Linkes Feld: Die zeitverzögerte WTC-Karte, die von zwei gleichen Signalen erzeugt wird, die x-Achse ist der Zeitpunkt und die y-Achse ist das Frequenzband. Der Mittelwert von WTC an allen Punkten ist ~1. Rechtes Feld: die pWTC-Karte zweier ähnlicher Signale. Die pWTC-Karte ist der WTC-Karte sehr ähnlich. (B) Linkes Feld: die zeitverzögerte WTC-Karte, die von zwei Zufallssignalen erzeugt wird, die x-Achse ist der Zeitpunkt und die y-Achse ist das Frequenzband. Der Mittelwert von WTC an allen Punkten ist ~0. Rechtes Feld: die pWTC-Karte zweier ähnlicher Signale. Die pWTC-Karte ist der WTC-Karte sehr ähnlich. Bitte klicken Sie hier, um diese Datei herunterzuladen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
In Hyperscanning-Studien ist es in der Regel wichtig, die direktionalen und zeitlichen Muster des Informationsflusses zwischen Individuen zu beschreiben. Die meisten früheren fNIRS-Hyperscanning-Studien haben traditionelles WTC25 verwendet, um diese Eigenschaften durch Berechnung des zeitverzögerten INS abzuleiten. Da jedoch eines der intrinsischen Merkmale des fNIRS-Signals20,21 ist, kann der Autokorrelationseffekt das zeitverzögerte INS verwirren. Um dieses Problem anzugehen, wurde im vorliegenden Protokoll eine Methode namens pWTC eingeführt22. Diese Methode schätzt das zeitverzögerte INS nach teilweiser Autokorrelation und behält die Vorteile der WTC-Methode bei. Dieses Protokoll bietet eine Schritt-für-Schritt-Anleitung zur Durchführung von pWTC und validiert die Ergebnisse von pWTC, indem es seine Ergebnisse mit denen herkömmlicher WTC- und GC-Tests vergleicht.
Die kritischen Schritte der Anwendung von pWTC in fNIRS-basierten Hyperscanning-Daten werden in diesem Protokoll veranschaulicht. Um den zeitversetzten WTC zu berechnen, müssen zunächst der autokorrelierte WTC und der zeitlich ausgerichtete WTC auf der Grundlage der zeitverzögerten fNIRS-Zeitreihe berechnet werden. Als nächstes werden die pWTC zu unterschiedlichen Zeitverzögerungen gemäß Gleichung 1 berechnet. Die Ergebnisse des pWTC geben eine Zeit-x-Frequenzmatrix zurück, und die Werte in der Matrix reichen von 0 bis 1. So können weitere statistische Tests an diesen Werten durchgeführt werden.
Im Demonstrationsprotokoll zeigten die repräsentativen Ergebnisse des traditionellen WTC zwei signifikante Effekte in zwei Frequenzbändern: 0,4-0,6 Hz. Der Einfluss innerhalb der 0,04-0,09 Hz überschritt jedoch nicht den Schwellenwert in den pWTC-Ergebnissen, was darauf hindeutet, dass dieser Effekt durch den Autokorrelationseffekt des fNIRS-Signals verwirrt werden könnte. Auf der anderen Seite wurden die Ergebnisse im Bereich von 0,4-0,6 Hz durch die pWTC-Methode gut repliziert. Diese Ergebnisse deuten darauf hin, dass pWTC nach dem Entfernen des Autokorrelationseffekts empfindlichere und spezifischere Entwicklungen bei der Ableitung der direktionalen und zeitlichen Muster von INS zwischen Individuen liefert. Eine andere Möglichkeit ist jedoch, dass pWTC nicht anfällig für die Richtungs- und Zeitmuster von INS in niedrigeren Frequenzbereichen als in den höheren Frequenzbereichen ist, was zu einer Unterschätzung des INS-Effekts führt. Zukünftige Studien sind erforderlich, um diese Möglichkeiten weiter zu klären.
Ein Vergleich mit dem GC-Test unterstützt diese Schlussfolgerung zusätzlich. Die Ergebnisse des GC-Tests waren denen des pWTC sehr ähnlich und zeigten einen wichtigen Informationsfluss von Frauen zu Männern, aber nicht von Männern zu Frauen. Es gab einen leichten Unterschied zwischen den Ergebnissen des GC-Tests und des pWTC, d.h. der Wechselwirkungseffekt zwischen Thema und Richtung war in den Ergebnissen des pWTC marginal signifikant, erreichte aber im GC-Test Signifikanz. Dieser Unterschied kann darauf zurückzuführen sein, dass der pWTC in einer feineren Zeitskala berechnet wird als der GC-Test. Obwohl also sowohl der pWTC- als auch der GC-Test zuverlässige Ergebnisse liefern können, wenn der Autokorrelationseffekt kontrolliert wird, ist der pWTC vorteilhaft, da er keine stationären Annahmen treffen muss und eine hohe zeitliche Spektrumstruktur aufweist.
Auch die pWTC-Methode hat ihre Grenzen. Ähnlich wie beim GC-Test ist die aus pWTC abgeleitete Kausalität keine reale Kausalität37,38. Stattdessen zeigt es nur eine zeitliche Beziehung zwischen den Signalen von A und B an. Dieses Problem sollte bei der Anwendung der pWTC-Methode beachtet werden. Zweitens weist pWTC den Autokorrelationseffekt nur teilweise aus. Daher können sich andere potenzielle konkurrierende Variablen, wie z. B. gemeinsam genutzte Umgebungen oder ähnliche Aktionen, weiterhin auf die Ergebnisse auswirken. Folglich sollten nach der Kontrolle dieser Störfaktoren Rückschlüsse auf die Richtung und das zeitliche Muster des Informationsflusses gezogen werden.
Darüber hinaus gab es einige komplizierte Probleme bei der Vorverarbeitung von fNIRS-Daten. Obwohl fNIRS eine hohe Toleranz von Kopfbewegungen aufweist, sind Bewegungsartefakte immer noch die wichtigste Quelle des Rauschens39. Große Kopfbewegungen würden immer noch zu einer Positionsverschiebung der Optoden führen und Bewegungsartefakte wie scharfe Spike und Baseline-Verschiebungen erzeugen. Um diese Probleme anzugehen, wurden viele Ansätze zur Korrektur von Artefakten entwickelt, z. B. Spline-Interpolation 40, Wavelet-basierte Filterung39, Hauptkomponentenanalyse41 und korrelationsbasierte Signalverbesserung42 usw. Cooper und seine Kollegen43 haben diese Ansätze auf der Grundlage realer fNIRS-Daten im Ruhezustand verglichen und festgestellt, dass die Wavelet-basierte Filterung den höchsten Anstieg des Kontrast-Rausch-Verhältnisses bewirkte. Darüber hinaus haben Brigadoi und ihre Kollegen44 diese Ansätze auch in realen linguistischen Aufgabendaten verglichen und auch festgestellt, dass die Wavelet-basierte Filterung der effektivste Ansatz zur Korrektur von Bewegungsartefakten ist. Daher wurde in dieser Studie eine Wavelet-basierte Filterung angewendet und auch für zukünftige fNIRS-Hyperscanning-Studien empfohlen.
Im Allgemeinen ist pWTC ein wertvoller Ansatz, um die Richtungs- und Zeitmuster des Informationsflusses während der sozialen Interaktion abzuschätzen. Noch wichtiger ist, dass angenommen wird, dass die pWTC-Methode auch für Pseudo-Hyperscanning-Studien geeignet ist (dh Signale von zwei oder mehreren Gehirnen werden nicht gleichzeitig gesammelt45,46). In solchen Experimenten ist zwar die Richtung des Informationsflusses festgelegt, aber es ist auch von Interesse, die Dauer der Zeitverzögerung zwischen dem Eingang des Signals und dem Prozess des Signals zu untersuchen. Daher kann die Autokorrelation auch die Ergebnisse des zeitverzögerten INS durcheinanderbringen. In Zukunft kann diese Methode viele Fragen im Hyperscanning und anderen Interbrain-Studien beantworten. Zum Beispiel, um die dominante Rolle in verschiedenen sozialen Beziehungen zu bestimmen, wie Lehrer und Schüler, Ärzte und Patienten sowie Darsteller und Publikum. Da pWTC die zeitlichen Strukturen von INS beibehält, ist es außerdem möglich, das dynamische Muster von INS zu testen, z. B. die Gruppeneinstellungskonvergenz.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Die Autoren erklären keine konkurrierenden finanziellen Interessen.
Acknowledgments
Diese Arbeit wurde von der National Natural Science Foundation of China (61977008) und dem Young Top Notch Talents of Ten Thousand Talent Program unterstützt.
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. |
References
- 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).
- 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).
- Jiang, J., et al. Neural synchronization during face-to-face communication. Journal of Neuroscience. 32 (45), 16064-16069 (2012).
- 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).
- 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).
- 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).
- Liu, W., et al. Shared neural representations of syntax during online dyadic communication. NeuroImage. 198, 63-72 (2019).
- Zheng, L., et al. Enhancement of teaching outcome through neural prediction of the students' knowledge state. Human Brain Mapping. 39 (7), 3046-3057 (2018).
- 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).
- Hirsch, J., et al. Interpersonal agreement and disagreement during face-to-face dialogue: An fNIRS investigation. Frontiers in Human Neuroscience. 14, 606397 (2021).
- 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).
- 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).
- 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).
- Djalovski, A., Dumas, G., Kinreich, S., Feldman, R. Human attachments shape interbrain synchrony toward efficient performance of social goals. NeuroImage. 226, 117600 (2021).
- Zhao, H., et al. How mother-child interactions are associated with a child's compliance. Cerebral Cortex. 31 (9), 4398-4410 (2021).
- Jiang, J., Zheng, L., Lu, C. A hierarchical model for interpersonal verbal communication. Social Cognitive and Affective Neuroscience. 16 (1-2), 246-255 (2021).
- Yan, W., et al. Bibliometric evaluation of 2000-2019 publications on functional near-infrared spectroscopy. NeuroImage. 220, 117121 (2020).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Koessler, L., et al. Automated cortical projection of EEG sensors: Anatomical correlation via the international 10-10 system. NeuroImage. 46 (1), 64-72 (2009).
- Penny, W., Friston, K., Ashburner, J., Kiebel, S., Nichols, T. Statistical Parametric Mapping: The Analysis of Functional Brain Images. , Academic Press. (2007).
- 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).
- 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).
- Noah, J. A., et al. fMRI validation of fNIRS measurements during a naturalistic task. Journal of Visualized Experiments: JoVE. (100), e52116 (2015).
- 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).
- 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).
- 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).
- Chang, C., Glover, G. H. Time-frequency dynamics of resting-state brain connectivity measured with fMRI. NeuroImage. 50 (1), 81-98 (2010).
- 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).
- 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).
- Molavi, B., Dumont, G. A. Wavelet-based motion artifact removal for functional near-infrared spectroscopy. Physiological Measurement. 33 (2), 259-270 (2012).
- 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).
- 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).
- 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).
- Cooper, R. J., et al. A systematic comparison of motion artifact correction techniques for functional near-infrared spectroscopy. Frontiers in Neuroscience. 0, 147 (2012).
- 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).
- Liu, Y., et al. Measuring speaker-listener neural coupling with functional near infrared spectroscopy. Scientific Reports. 7, 1-13 (2017).
- Li, Z., et al. Speaker-listener neural coupling reveals an adaptive mechanism for speech comprehension in a noisy environment. Cerebral Cortex. , (2021).
