Waiting
Login processing...

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

Neuroscience

Ny ramme for forståelse af inter-brain kohærens i funktionelle nær-infrarød spektroskopi (fNIRS) hyperscanningsundersøgelser

Published: October 6, 2023 doi: 10.3791/65347
Automatic Translation
1, 1, 1, 2, 3, 4, 4
1The Department of Behavioral Sciences and Psychology, Ariel University, 2Braude College of Engineering, 3Department of Psychology and Behavioral Sciences, Zhejiang University, 4Department of Psychology, Florida Atlantic University

Summary

Wavelet transform coherence (WTC) er en almindelig metode til vurdering af koblingen mellem signaler, der anvendes i funktionelle nær-infrarøde spektroskopi (fNIRS) hyperscanningsundersøgelser. En værktøjskasse til vurdering af retningen af signalinteraktionen præsenteres i dette arbejde.

Abstract

På trods af den voksende mængde funktionelle nær-infrarød spektroskopi (fNIRS) hyperscanningsundersøgelser synes vurderingen af kobling mellem to neurale signaler ved hjælp af wavelet transform coherence (WTC) at ignorere interaktionens retningsvirkning. Feltet mangler i øjeblikket en ramme, der gør det muligt for forskere at bestemme, om en høj kohærensværdi opnået ved hjælp af en WTC-funktion afspejler synkronisering i fase (dvs. neural aktivering ses i begge medlemmer af dyaden på samme tid), forsinket synkronisering (dvs. neural aktivering ses i et medlem af dyaden før det andet medlem), eller antifasesynkronisering (dvs. neural aktivering øges i det ene medlem af dyaden og reduceres i det andet). For at imødekomme dette behov foreslås en komplementær og mere følsom tilgang til analyse af fasekohærensen af to neurale signaler i dette arbejde. Værktøjskassen giver efterforskere mulighed for at estimere koblingsretningen ved at klassificere fasevinkelværdierne opnået ved hjælp af traditionel WTC i synkronisering i fase, forsinket synkronisering og antifasesynkronisering. Værktøjskassen giver også forskere mulighed for at vurdere, hvordan dynamikken i interaktioner udvikler sig og ændrer sig gennem hele opgaven. Brug af denne nye WTC-tilgang og værktøjskassen vil fremme vores forståelse af komplekse sociale interaktioner gennem deres anvendelser i fNIRS hyperscanningsstudier.

Introduction

I de senere år har der været et skift i de typer undersøgelser, der er udført for at forstå de neurale baser for social adfærd 1,2. Traditionelt har studier i social neurovidenskab fokuseret på neural aktivering i en isoleret hjerne under en socialt relevant opgave. Imidlertid giver fremskridt inden for neuroimaging teknologi nu mulighed for undersøgelse af neural aktivering i hjernen hos en eller flere individer under social interaktion, som det sker i "virkelige" indstillinger3. I "virkelige" miljøer er enkeltpersoner i stand til at bevæge sig frit, og mønstre for hjerneaktivering vil sandsynligvis ændre sig, efterhånden som information udveksles, og arbejdsmarkedets parter modtager feedback fra hinanden4.

Hyperscanning er en metode, der vurderer denne tovejs informationsudveksling ved at måle hjerneaktiviteten fra to eller flere individer samtidigt5. En ny forskningsgruppe har udnyttet funktionel nær-infrarød spektroskopi (fNIRS), en ikke-invasiv neuroimaging teknik, der i sammenligning med andre neuroimaging teknikker er mindre modtagelig for bevægelsesartefakter6. Hyperscanning via fNIRS giver mulighed for vurdering af inter-brain synkronisering (IBS) i virkelige omgivelser, mens de interaktive partnere bevæger sig frit og naturligt. Dette er især relevant for arbejde med spædbørn og småbørn, som har tendens til at være ret aktive. IBS er blevet rapporteret at afspejle gensidig forståelse mellem interaktive partnere, som tjener som grundlag for effektiv social interaktion og kommunikation og formidler fælles intentionalitet 1,7,8.

Flere metoder bruges til at evaluere IBS af to hjerner. Sådanne metoder omfatter tidsseriekorrelationer, såsom krydskorrelation og Pearson-korrelationskoefficienten 9,10 (se en gennemgang af Scholkmann et al.10). Andre metoder involverer evaluering af koblingsstyrken i frekvensdomænet. Sådanne metoder omfatter faselåsningsværdi (PLV) og fasekohærens (se en gennemgang af Czeszumski et al.11). En af de mest almindelige metoder i fNIRS-studier bruger wavelet transform coherence (WTC) - et mål for krydskorrelationen mellem to tidsserier som funktion af frekvens og tid10.

WTC bruger korrelationsanalyser til at beregne kohærens og faseforsinkelse mellem to tidsserier i tidsfrekvensdomænet. FNIRS hyperscanningsundersøgelser har brugt WTC til at estimere IBS på mange funktionsområder, herunder handlingsovervågning 12, kooperativ og konkurrencedygtig adfærd 5,13,14,15, efterligning 16, mor-spædbarn-problemløsning 17 og undervisnings-læringsadfærd 18,19,20,21. I hyperscanningsstudier sammenlignes kohærens på tværs af hjerner, målt ved WTC, under en eksperimentel opgave typisk med kohærens på tværs af hjernen under en kontrolopgave. Disse resultater præsenteres normalt med et WTC "hot plot", som viser sammenhængen på tværs af de to hjerner på hvert tidspunkt og frekvens (se figur 1).

Som foreslået af Czesumaski et al.11 er WTC blevet standardanalytisk tilgang til analyse af fNIRS hyperscanning. WTC-analyse er en fleksibel, "værktøjsagnostiker" metode til datavisualisering og fortolkning22. Varmekortet over kohærenskoefficienten, som giver en narrativ form for analyse, der gør det let at identificere perioder med synkron eller asynkron adfærd samt intensiteten af hjerneaktivitet under afslutningen af en opgave, er den største fordel ved WTC og gør det til et stærkt værktøj til anvendt forskning22. WTC har en fordel i forhold til korrelationsteknikker. Korrelationer er følsomme over for den hæmodynamiske responsfunktions (HRF) form, som menes at variere mellem individer (især med hensyn til alder) og mellem forskellige hjerneområder. I modsætning hertil påvirkes WTC ikke af interregionale ændringer i HRF23. Forskere har brugt wavelet-tilgangen til at studere fMRI-tidsserier. Zhang et al.24 sammenlignede de almindeligt anvendte funktionelle forbindelsesmålinger, herunder Pearson-korrelationen, delvis korrelation, gensidig information og wavelet-kohærenstransformation (WTC). De udførte klassificeringseksperimenter ved hjælp af store funktionelle forbindelsesmønstre afledt af hviletilstands fMRI-data og naturlige stimulus fMRI-data for videovisning. Deres resultater viste, at WTC klarede sig bedst i klassificering (specificitet, følsomhed og nøjagtighed), hvilket antyder, at WTC er en foretrukken funktionel forbindelsesmåling til undersøgelse af funktionelle hjernenetværk, i det mindste i klassificeringsapplikationer24.

Figure 1
Figur 1: Wavelet transform kohærens (WTC). WTC viser sammenhængen og fasevinklen mellem to tidsserier som funktion af både tid (x-akse) og frekvens (y-akse). Kohærensforøgelsen er afbildet af den røde farve i grafen, og de små pile i grafen viser fasevinklen for de to tidsserier. Den pil, der peger mod højre, repræsenterer synkronisering i fasen; de nedadpegende og opadpegende pile repræsenterer forsinket synkronisering; og pilen, der peger mod venstre, repræsenterer antifasesynkronisering30. Denne figur blev tilpasset fra Pan et al.19. Klik her for at se en større version af denne figur.

For nylig formulerede Hamilton25 flere begrænsninger for fortolkningen af data om kohærens på tværs af hjernen i fNIRS hyperscanningsundersøgelser. En af Hamiltons primære bekymringer var, at kohærensmålinger (f.eks. WTC) kun rapporterer effekter som symmetriske (dvs. to hjerner er korrelerede og viser det samme forandringsmønster). Imidlertid er mange sociale interaktioner asymmetriske (f.eks. Informationsstrøm mellem en taler og en lytter), idet to deltagere kan spille forskellige roller, og det er ikke klart, at WTC kan fange denne information. Her behandles denne bekymring af en ny ramme, der giver mulighed for en ligetil fortolkning af krydsbølgeeffekten ved at bruge tværbølgefasen til at detektere retningsvirkning. Denne ramme vil også gøre det muligt at undersøge, hvordan dynamikken i interaktioner udvikler sig og ændrer sig gennem en opgave.

Mens WTC- og korrelationsmetoder vurderer funktionel forbindelse, vurderer andre metoder effektiv konnektivitet og forsøger at udtrække årsagspåvirkningerne af et neuralt element over et andet. Overførselsentropi er et mål fra informationsteoriområdet, der beskriver overførslen mellem fælles afhængige processer26. En anden beslægtet metode er Granger kausalitetsanalyse (GCA), som er blevet beskrevet som ækvivalent med transferentropi26.

I den eksisterende litteratur af fNIRS hyperscanningsstudier er Granger kausalitetsanalyse (GCA) blevet brugt i vid udstrækning til at estimere koblingsretningen mellem fNIRS-tidsseriedata opnået under en række forskellige opgaver, såsom samarbejde5, undervisning19 og efterligning16. GCA anvender vektor autoregressive modeller til at vurdere retningen af kobling mellem tidsserier i hjernedata. Granger-kausalitet er baseret på forudsigelse og forrang: "en variabel X siges at 'G-årsag' variabel Y, hvis X's fortid indeholder de oplysninger, der hjælper med at forudsige Y's fremtid ud over information, der allerede er i Y's fortid"27. Følgelig analyseres G-kausaliteten i to retninger: 1) fra emne A til emne B og 2) fra emne B til emne A.

Mens GCA-analyse fungerer som en komplementær analyse, der sigter mod at bestemme, om en høj kohærensværdi opnået ved hjælp af en WTC-funktion afspejler IBS eller forsinket synkronisering (det ene signal fører det andet), tillader det ikke bestemmelse af, om antifasesynkronisering har fundet sted. I traditionelle neuroimaging undersøgelser, hvor kun én deltager scannes (dvs. "single-brain" tilgangen), betyder et anti-fase mønster, at aktiviteten i en hjerneregion øges, mens aktiviteten i den anden hjerneregion er faldet28. I hyperscanningslitteraturen kan tilstedeværelsen af antifasesynkronisering tyde på, at neural aktivering øges hos et emne, og samtidig reduceres neural aktivering for det andet emne. Derfor er der behov for at tilvejebringe en omfattende model, der kan detektere retningsvirkningen. Mere specifikt vil denne model være i stand til at detektere antifasesynkronisering (hvor aktivitetsretningen hos et individ er modsat deres partners) ud over synkronisering i fase og forsinket synkronisering.

I et forsøg på at imødegå bekymringen om, at WTC kun viser symmetriske effekter, hvor begge hjerner viser det samme forandringsmønster25, præsenteres en ny tilgang til at identificere typen af interaktion ved at undersøge synkroniseringsfasen (dvs. in-fase, forsinket eller anti-fase) (se figur 2). Til dette formål blev der udviklet en værktøjskasse ved hjælp af WTC-metoden til at klassificere de forskellige typer interaktioner. Typerne af interaktioner klassificeres ved hjælp af relative fasedata fra cross-wavelet transformationsanalyse.

Figure 2
Figur 2: Illustration af de forskellige faseforhold mellem simple sinusbølger. (A) Når de to signaler, signal 1 (blå linje s) og signal 2 (orange linjes), når deres respektive maksimum-, minimum- og nulværdier på samme tidspunkt, siges de at vise synkronisering i fase32. (B) Når det ene signal når sin maksimale værdi, og det andet signal når nulværdien på samme tidspunkt, siges de at vise forsinket synkronisering (det ene fører med 90°)32,33,34. (C) Når to tidsserier skifter i modsatte retninger, hvilket betyder, at det ene signal når maksimumet, og det andet når minimumsværdien på samme tidspunkt, kaldes dette antifasesynkronisering28. (D-P) I alle andre faseforhold mellem to tidsserier fører det ene signal det andet. I alle positive faser fører signal 2 signal 1 (f.eks. panelerne E, F, M og N), mens signal 1 i alle negative faser fører signal 2 (f.eks. panelerne D, G, H, O og P). Især når fasens absolutte værdi er højere, bliver det mere karakteristisk, hvilken tidsserie der fører den anden (f.eks. Lederskabet er mere karakteristisk i panel J end i panel I, og i panel K er lederskabet mere karakteristisk end i panel L). Klik her for at se en større version af denne figur.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Undersøgelsen blev udført på Florida Atlantic University (FAU) og blev godkendt af FAU Institutional Review Board (IRB).

1. Brug af Homer3-software (materialefortegnelse) til at udføre forbehandlingen af fNIRS-hyperscanningsdataene

BEMÆRK: Homer3 er et MATLAB-program, der analyserer fNIRS-data for at opnå estimater og kort over hjerneaktivering29. Homer3 kan downloades og installeres fra følgende link (https://openfnirs.org/software/homer/).

  1. Åbn MATLAB, og naviger til den mappe, hvor de rå .nirs-filer er gemt. Vælg og åbn mappen.
  2. Skriv Homer3 i kommandovinduet i MATLAB for at starte Homer3 GUI. Homer3. registrerer .nirs-filerne og beder om at konvertere til .snirf-format (et universelt filformat til lagring og deling af NIRS-data uafhængigt af et specifikt applikationsspecifikt filformat såsom MATLAB) for at fortsætte med forbehandlingen af dataene.
  3. Når du har importeret .nirs-filerne til .snirf-format i Homer3, skal du klikke på indstillingen Funktioner i Homer3 GUI og vælge Rediger behandlingsstrøm.
  4. I ProcStreamEdit GUI skal du vælge forbehandlingstrinnene fra kolonnen Registry Function til kolonnen Current Processing Stream ved at klikke på Tilføj. De inkluderede forbehandlingstrin er som følger:
    1. Brug hmrR_intensity2OD til at konvertere intensitetsdataene til optisk tæthed.
    2. Brug hmrR_MotionCorrectWavelet til at korrigere bevægelsesartefakter ved hjælp af den relevante filtreringsfunktion.
    3. Brug hmrR_OD2conc til at konvertere OD-data til koncentration.
    4. Brug hmR_BlockAvg til at beregne blokgennemsnittet på koncentrationsdata.
      BEMÆRK: Valget af forbehandlingstrin kan variere afhængigt af typen af datasæt.
  5. For at gemme den aktuelle behandlingsstrøm skal du klikke på indstillingen Gem og derefter afslutte ProcStreamEdit GUI.
  6. For at køre forbehandlingsstrømmen i Homer3 GUI's hoved skal du klikke på RUN-indstillingen . Når Homer3 er færdig med at køre den valgte behandlingsstrøm, gemmes de forbehandlede tidsserier for hver deltager i et .mat-filformat, der indeholder Hbo, Hbr og Hbt for alle kanaler og begivenheder. En mappe med navnet homer output oprettes af Homer3 i den aktuelt valgte mappe til at gemme disse filer.
  7. En mappe med navnet derivater oprettes af Homer3 i den valgte mappe til at gemme disse filer. Vælg homer-mappen i derivatmappen. Vælg .mat-filen for hver hjerne, og eksporter Hbo, Hbr, Hbt.
    BEMÆRK: Navnet på outputmappen oprettet af Homer3 afhænger af Homer3-versionen.

2. Kom godt i gang med værktøjskassen LeaderFollowerByPhase

  1. For at analysere den type interaktion, der forekommer i en hyperscanningsoptagelse, skal du bruge værktøjskassen LeaderFollowerByPhase, som beskrevet i processen vist i figur 3. I MATLAB skal du vælge .mat-filerne for hver hjerne og indlæse Hbo-dataene (eller Hbr)-dataene for den specifikke kanal og specifikke begivenhed i en endimensionel vektor som signal1 og signal2.
  2. I kommandolinjen MATLAB skal du definere parametrene
    1. lowFreq, highFreq: Skriv lowFreq = [low FOI], og highFreq = [high FOI]. Standardværdierne er lowFreq = 0,01 Hz, highFreq = 1 Hz.
      BEMÆRK: Parametrene for funktionerne lowFreq og highFreq definerer frekvensområdet (FOI). WTC beregner sammenhængen på tværs af de to hjerner på hvert tidspunkt og frekvens. Sammenhængsværdierne beregnes typisk som gennemsnit inden for en bestemt FOI.
    2. Definer parameteren phaseRange; type phaseRange = [område i grader].
      BEMÆRK: Standardværdien er phaseRange = 90°. Fasen varierer mellem 0° og 360° på grund af fasens cirkulære modulkarakter. Faseområderne er opdelt efter et interval, der omgiver fire punkter. I den præsenterede værktøjskasse præsenteres en ny tilgang til klassificering af asymmetriske interaktioner (figur 4) ved at undersøge koblingsretningsvirkningen ved hjælp af fasevinkelværdierne i henhold til de områder, der svarer til forsinket synkronisering med signal 1-føring (et område omkring -90°) eller signal 2-føring (et område omkring 90°), signal 1, signal 2-infasesynkronisering (et område omkring 0), og Signal 1, Signal 2 antifasesynkronisering (et område omkring +180° eller -180°).
    3. Definer parameteren Tærskel. Skriv tærskel = [tærskel rsq val]. Standardværdien er Tærskel = 0.
      BEMÆRK: Værktøjskassen gør det muligt at specificere en tærskelkohærensværdi ved at angive tærskelparameteren. Dette gør det muligt for forskeren at vælge tidspunkter med en specificeret minimumskohærensværdi. Derfor tages kun tidspunkter med kohærensværdier, der er højere end den angivne tærskel, i betragtning.
  3. Download værktøjskassen LeaderFollowerByPhase fra følgende link (https://www.ariel.ac.il/wp/sns/download/ eller https://github.com/Minisharmaa/Leader-Follower-By-Phase).
  4. Udfør MATLAB-funktionen LeaderFollowerByPhase ved at indtaste kommandoen cohervalues = LeaderFollowerByPhase (signal1, signal2, lowFreq, highFreq, phaseRange, threshold) i kommandolinjen.
    BEMÆRK: Kohærens- og faseberegningerne udføres ved hjælp af WTC- og XWT-funktionerne i MATLAB, henholdsvis30.
  5. Undersøg værdierne for in-phase, signal 1 leading, signal 2 leading og anti-phase synchronization:
    1. Undersøg plottene i MATLAB. Værktøjskassen genererer en figur med fire plot.
      1. Sammenhæng efter interaktionstype: Undersøg boksdiagramplottet øverst til venstre i figuren, som viser R-kvadreret (Rsq) i henhold til hver type interaktion (in-phase, Signal 1 leading, Signal 2 leading, anti-phase).
        BEMÆRK: For en detaljeret beskrivelse af den indbyggede funktion MATLAB-boksdiagram, se følgende link (https://www.mathworks.com/help/matlab/ref/boxchart.html).
      2. Centrale indekser efter interaktionstype: Undersøg søjlediagrammet øverst til højre i outputfiguren, som viser det maksimale gennemsnit og medianen i henhold til hver type interaktion (in-fase, signal 1 førende, signal 2 førende, antifase).
        BEMÆRK: For en detaljeret beskrivelse af den indbyggede MATLAB-stangfunktion, se følgende link (https://www.mathworks.com/help/matlab/ref/bar.html).
      3. Sammenhæng over tid: Undersøg spredningsplottet nederst til venstre i outputfiguren, som viser værdierne for kohærens og interaktionstyperne over tid. De farvede prikker repræsenterer forskellige typer interaktion (sorte prikker repræsenterer synkronisering i fase, mørkegrå prikker repræsenterer signal 1-skydning, lysegrå prikker repræsenterer signal 2-skydning, og lilla prikker repræsenterer antifasesynkronisering).
        BEMÆRK: Figuren viser dynamikken i interaktionen: udvekslingen mellem de fire typer interaktion gennem fuldtidsserien. For en detaljeret beskrivelse af MATLAB-spredningsfunktionen, se følgende link (https://www.mathworks.com/help/matlab/ref/scatter.html).
      4. Tidsprocent: Undersøg cirkeldiagrammet nederst til højre i outputfiguren, som viser opdelingen af tid i henhold til de forskellige typer interaktioner.
        BEMÆRK: For en detaljeret beskrivelse af MATLAB-cirkelfunktionen, se følgende link (https://www.mathworks.com/help/matlab/ref/pie.html).
  6. Undersøg outputtabellen med statistikværdierne (dvs. middelværdi, maks., median og standardafvigelse) for hver type interaktion (synkronisering i fase, signal 1-førende, signal 2-førende, antifasesynkronisering). Tabellen viser også procentdelen af tid, hvor hver type interaktion fandt sted. Hver type interaktion vises i forskellige kolonner.
  7. Undersøg outputværdien i den udpakkede regnearksfil (dvs. datatabel.xlsx der er placeret i den aktuelle mappe).

Figure 3
Figur 3: Oversigt over arbejdsgangen. (A) Mor-barn-dyader, der deltog i fri leg, mens hyperscanning af fNIRS-data blev indsamlet. (B) Illustration af en mor-barn-tidsserie. (C) Forbehandling af tidsserien ved hjælp af Homer3. (D,E) Brug af en værktøjskasse til at undersøge forskellige typer interaktioner, f.eks. synkronisering i fase, antifasesynkronisering og forsinket synkronisering. Klik her for at se en større version af denne figur.

Figure 4
Figur 4: Klassificering af fire forskellige typer interaktioner baseret på fase. Dette repræsenterer faseforskellen mellem de to neurale tidsserier i en 360° modulo. Faseforskellen kan betragtes som en tidsforsinkelse mellem to værdier og måles i grader og radianer eller brøkdele af bølgelængden. Her er 360° modulo opdelt i fire forskellige områder, der viser fire forskellige interaktionsfaser: (A) Signal 1 førende (et område omkring 90°, mellem 45° og 135°), (B) antifasesynkronisering mellem signal 1 og signal 2 (et område omkring 180° eller −180°, mellem 135 og −135°), (C) signal 2 førende (mellem −135° til −45°), (D) synkronisering i fase (et område omkring 0, mellem -45° og 45°). Denne opdeling er standardmetoden (45° omkring hvert punkt); Værktøjskassen giver dog mulighed for at konfigurere en anden division. Mens andre konfigurationer muligvis ikke dækker alle 360 °, kan det give en mere præcis definition af hver type interaktion. Klik her for at se en større version af denne figur.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Dette afsnit viser de typer analyser, der kan udføres med værktøjskassen (som kan downloades på https://www.ariel.ac.il/wp/sns/download/ eller https://github.com/Minisharmaa/Leader-Follower-By-Phase.). Til disse analyser blev fNIRS-data indsamlet med en lille prøve af spædbarn-forælder-dyader anvendt. Seks par mor-spædbarnsdyader blev testet ved hjælp af en valideret adfærdsopgave, free-play task31, som er så tæt på en virkelig spædbarn-mor-interaktion som muligt. Før forsøget blev spædbørn og forældre udstyret med et specialfremstillet optodesæt til indsamling af fNIRS-data. Optodesættet, der blev brugt til at indsamle fNIRS-dataene i denne undersøgelse, omfattede 8 kilder (røde prikker) og 8 detektorer (blå prikker), der var konfigureret til at skabe 18 kanaler, der dækkede de præfrontale og temporoparietale regioner bilateralt (se figur 5). En NIRScout erhvervede de optiske billeddannelsesdata ved hjælp af to bølgelængder: 760 nm, som er mere følsom over for deoxyhemoglobin (HbR), og 850 nm, som er mere følsom over for oxyhemoglobin (HbO). Alle forældrene var kvinder (aldersgruppe = 26-36 år), og spædbørnene var sunde og fuldbårne (to kvinder, fire mænd, aldersgruppe = 1-2 år) uden kendte udviklingsforsinkelser. Dyads blev rekrutteret gennem reklamer. Hver forælder gav informeret samtykke forud for eksperimentet, og de blev betalt for deres deltagelse. For nemheds skyld fokuserer analysen på data opnået på kanal 18 i Dyad A.

Figure 5
Figur 5: Optodesæt anvendt i forundersøgelsen. Optodesættet, der blev brugt til at indsamle fNIRS-dataene i den indledende undersøgelse, bestod af 8 kilder (røde prikker) og 8 detektorer (blå prikker), der var konfigureret til at skabe 18 kanaler (gule linjer), der dækkede de præfrontale og temporoparietale regioner bilateralt. Klik her for at se en større version af denne figur.

Værktøjskassen blev brugt til at identificere ændringer i de typer interaktion, der kunne identificeres over tid for den pågældende kanal for en bestemt dyad. Parametrene for funktionen var som følger: Signal 1 = kanal 18 mor, Signal 2 = kanal 18 mor, lowFreq = 0,0067, highFreq = 0,1142, phaseRange = 90, Threshold = 0.

Figure 6
Figur 6: Klassificeringsanalyse ved en tærskel på 0. Tærsklen er indstillet til 0 (tærskel = 0). (A) Boksplot, der repræsenterer kohærensværdi forbundet med interaktioner. Der er en for hver type interaktion, og median- og interkvartilområdet (IQR) er angivet. Højere score indikerer et større niveau af sammenhæng. (B) De centrale indekser for kohærensværdierne for alle typer interaktioner. (C) Dynamikken i typen af interaktion ændres gennem hele opgaven. (D) Procentdelen af scorer for hver af de fire typer interaktioner. Klik her for at se en større version af denne figur.

For det første blev hvert tidspunkt klassificeret i en af de fire typer interaktion (in-phase, anti-phase, mother-leading eller infant-leading) (figur 6). Figur 6D viser procentdelen af tidspunkter, der blev klassificeret i hver af de fire typer interaktioner. Det er vigtigt at bemærke, at mens værktøjskassen kan registrere procentdelene og kohærensværdien forbundet med interaktioner, der ledes af en af deltagerne (figur 6A), er dens unikke bidrag, at den også præsenterer procentdelene (figur 6D) og centrale indekser for kohærensværdierne for alle typer interaktioner, herunder antifasesynkronisering (figur 6B). Endelig giver værktøjskassen mulighed for at undersøge, hvordan dynamikken i typen af interaktion ændrer sig gennem hele opgaven (figur 6C). Det er vigtigt at bemærke, at værktøjskassen i lighed med GCA-analyse beregner disse indekser for hver dyad separat. Analyse på gruppeniveau ved hjælp af disse indekser bør udføres for at bestemme typen af interaktion.

For at undersøge indflydelsen af at ændre disse minimumstærskelværdier på klassificeringen af interaktionstyperne inden for en dyad blev klassificeringsanalysen gentaget med en tærskel på 0,5 på dyad A (figur 7).

Figure 7
Figur 7: Klassificeringsanalyse ved en tærskel på 0,5. Tærsklen er indstillet til 0,5 (tærskel = 0,5). (A) Boksplot, der repræsenterer kohærensværdi forbundet med interaktioner. Der er en for hver type interaktion, og median- og interkvartilområdet (IQR) er angivet. Højere score indikerer et større niveau af sammenhæng. (B) De centrale indekser for kohærensværdierne for alle typer interaktioner. (C) Dynamikken i typen af interaktion ændres gennem hele opgaven. (D) Procentdelen af scorer for hver af de fire typer interaktioner. Klik her for at se en større version af denne figur.

Som vist i figur 7D ændrede fordelingen af de forskellige typer relative faseforhold sig ved anvendelse af denne tærskel. Procentdelen af antifasesynkronisering steg (fra 35% til 59%), og procentdelen af synkronisering i fase faldt (fra 26% til 3%). Dette tyder på, at antifasesynkronisering kan være den type interaktion, der er mere repræsentativ for denne dyad. Med andre ord giver definitionen af en tærskel mulighed for at foretage en mere følsom analyse, hvor kun tidspunkter med et minimum af sammenhæng er gennemsnitlige. Det er vigtigt at bemærke, at bestemmelse af den optimale tærskelværdi for kohærens er en kompliceret proces, da den optimale tærskel kan variere fra et eksperiment til et andet og på tværs af forskellige miljøer. Selv om værktøjskassen giver mulighed for at fastsætte en tærskelværdi, er der behov for flere undersøgelser for at udvikle en protokol til identifikation af den optimale kohærensværdi. Desuden er det vigtigt at vælge tærskel og hyppighed af interesseværdier, der stadig skærer Rsq-værdierne. For eksempel viste funktionen med parametrene lowFreq = 0,0067, highFreq = 0,1142, phaseRange = 90 og Threshold = 0,5 interaktioner med Rsq-værdier kun over 0,5, men den samme funktion med en tærskel på 0,7 resulterede i en fejl, da der ikke var nogen værdier over 0,7 inden for frekvensområdet.

Supplerende fil 1: Wavelet transform kohærens (WTC). Oversigten over wavelettransformation og cross-wavelet-transformation, som bruges til at analysere tidsfrekvenskarakteristika og indbyrdes afhængighed af to tidsserier. Wavelettransformationen nedbryder en tidsserie til tidsfrekvensrum35, mens cross-wavelet-transformationen afslører den fælles effekt og fase mellem to tidsserier 9,30. Teksten introducerer også sammenhængen i wavelettransformationen, som kvantificerer graden af synkronisering mellem to tidsserier. R-kvadratværdien afledt af bølgelettransformationens kohærens afspejler indbyrdes afhængighed, men skelner ikke mellem positive og negative korrelationer36. Positive og negative korrelationer antages at indikere indbyrdes forhold37,38. Klik her for at downloade denne fil.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

En af de mest almindelige metoder, der anvendes i fNIRS-studier, er wavelet transform coherence (WTC), som er et mål for krydskorrelationen mellem to tidsserier som funktion af frekvens og tid10. WTC beregner sammenhængen og faseforsinkelsen mellem to tidsserier ved hjælp af korrelationsanalyser (supplerende fil 1). FNIRS hyperscanningsundersøgelser har brugt WTC til at estimere IBS på mange funktionsområder, herunder handlingsovervågning 12, kooperativ og konkurrencedygtig adfærd 5,13,14,15, efterligning 16, mor-spædbarn-problemløsning 17 og undervisnings-læringsadfærd 18,19,20,21. Hyperscanningsundersøgelser sammenligner ofte kohærens på tværs af hjerner målt ved hjælp af wavelet-kohærenstransformationen (WTC) under en eksperimentel opgave med en kontrolopgave. Disse sammenligninger præsenteres typisk ved hjælp af et WTC "hot plot", der viser sammenhængen mellem de to hjerner på hvert tidspunkt og frekvens. Som det ses i figur 1, vises faseforsinkelsesoplysningerne desuden ved retningen af små pile i WTC "hot plot". Tidligere undersøgelser har imidlertid forsømt at tage højde for faseforsinkelsesinformationen repræsenteret af retningen af de små pile i WTC "hot plot" og har kun estimeret inter-hjernesynkroniseringen (IBS) ved at undersøge sammenhængen i WTC-plottet. Denne forglemmelse kan resultere i unøjagtige eller ufuldstændige resultater.

De begrænsninger, der diskuteres af Hamilton25 vedrørende fortolkningen af data om kohærens på tværs af hjerner i fNIRS-hyperscanningsundersøgelser, behandles i den nye ramme, der muliggør en ligetil fortolkning af krydsbølgeeffekten ved at bruge tværbølgefasen til at detektere retningsvirkning, og inkluderer også et kohærensanalysemodul til beregning af kohærensværdierne ved at beregne gennemsnittet af dem direkte39. Denne tilgang gør det muligt at undersøge udviklingen og ændringen i interaktioner gennem en opgave og giver et pålideligt mål for sammenhæng mellem signaler.

En sådan tilgang er blevet demonstreret i adfærdsstudier af interpersonel synkronisering, som har brugt de relative fasedata, der kan ekstraheres fra cross-wavelet-analysen. Nogle undersøgelser har brugt disse data til at skelne mellem in-fase og anti-fase kohærensværdier. For eksempel er denne tilgang blevet brugt til at evaluere håndbevægelserne hos to improviserende musikere40 og til at undersøge social postural koordination41. Nogle undersøgelser har undersøgt fordelingen af fasevinkler i bevægelsesdata for at forstå dynamikken i interaktioner ved hjælp af cross-wavelet kohærens under strukturerede42 og ustrukturerede43 samtaler.

Den relative fase mellem to tidsserier muliggør påvisning af tidsmæssige skift mellem signaler med samme frekvens. Inden for EEG-hyperscanning vurderer de fleste af de metoder, der sigter mod at bestemme graden af synkronisering af neurale tidsserier, faktisk det relative faseforhold mellem de to tidsserier13,44.

De kritiske trin ved brug af LeaderFollowerByPhase-værktøjskassen i fNIRS-hyperscanningsdata er demonstreret i protokollen. Specifikt involverer protokollen forudbestemmelse af signal 1 og signal 2 i MATLAB, før værktøjskassen køres. Det er bemærkelsesværdigt, at parametrene såsom frekvens af interesse (FOI), faseområde og tærskel er valgfri og kan bruge standardværdier, hvis de ikke er indstillet. Filtrering og detrending af rå signaler anbefales45. Derudover skal der udvises forsigtighed ved udførelse af båndpasfiltrering, da dette kan påvirke valget af FOI.

FOI-parametrene (lowFreq, highFreq) kræver omhyggeligt valg, specifikt eksklusive højfrekvent og lavfrekvent fysiologisk støj, såsom åndedræt (~ 0,2-0,3 Hz) og hjertepulsering (0,6-1,2 Hz). Det anbefales at tage de lave og høje frekvenser af interesse som mellem 0,01 og 0,7 Hz, henholdsvis46, da dette område effektivt eliminerer højfrekvent støj såsom hjerteslag (0,8-1 Hz) også.

PhaseRange-parameteren definerer et område omkring fasevinkelværdierne i henhold til de områder, der svarer til forsinket synkronisering med signal 1-føring (et område omkring -90°) eller signal 2-føring (et område omkring 90°), signal 1, signal 2-fasesynkronisering (et område omkring 0°) og signal 1, signal 2-antifasesynkronisering (et område omkring +180° eller -180°). Bredden af det omgivende område omkring disse fire punkter er defineret af phaseRange For eksempel, hvis phaseRange er indstillet til 90°, vil området for synkronisering i fase være omkring 0°, mellem -45° til 45°; området for signal 2 førende (forsinket synkronisering) vil være omkring 90°, mellem 45° til 135°, området for antifasesynkronisering vil være omkring 180° eller −180°, mellem 135° til −135°; og området for signal 1 førende (forsinket synkronisering) vil være omkring 180°, mellem −135° til −45°. Parameteren phaseRange skal være mellem 0° og 90° grader, da der ellers vises følgende meddelelse: "Værdien af phaseRange-variablen skal være mellem 0 og 90". Selvom området kan være et hvilket som helst tal fra 0° til 90°, er den anbefalede minimumsværdi 30° (±15°). Tærskelværdien skal være en hvilken som helst værdi mellem 0 og 1, da ellers vises følgende meddelelse: "Værdien af tærskelvariablen skal være mellem 0 og 1". Det anbefales at vælge en tærskel, der er mellem 0,25 og 0,75.

Selv om LeaderFollowerByPhase-værktøjskassen præsenterer en lovende tilgang, er den ikke uden begrænsninger. Som nævnt ovenfor er bestemmelse af den optimale kohærensværditærskel en kompliceret proces, da den optimale tærskel kan variere fra et eksperiment til et andet og mellem forskellige opgaver. Det er nødvendigt at teste denne værktøjskasse på mere forskelligartede datasæt for at få mere nøjagtige oplysninger om de optimale værdier for tærsklen.

Evnen til at forstå komplekse menneskelige interaktioner ved hjælp af fNIRS hyperscanning er blevet begrænset af det faktum, at de nuværende tilgange, der bruges til at detektere kobling mellem to neurale signaler, ignorerer signalernes retningsvirkning. Her foreslås en mere følsom tilgang til analyse af sammenhængen mellem to neurale signaler ved hjælp af wavelet transform coherence (WTC). Værktøjskassen giver forskere mulighed for at undersøge koblingsretningen ved at klassificere fasevinkelværdierne som repræsenterende synkronisering i fase, forsinket synkronisering og antifasesynkronisering.

Denne nye tilgang ved hjælp af værktøjskassen vil give mere detaljerede oplysninger om arten af dyadiske interaktioner, som hidtil har manglet. For eksempel, mens fasesynkronisering og antifasesynkronisering er blevet behandlet som identiske (supplerende fil 1)36, vil efterforskere nu være i stand til at identificere, i hvilket omfang dyademedlemmernes neurale signaler bevæger sig i samme retning (begge stiger eller begge falder) eller modsatte retninger (den ene øges og den anden falder). Dette vil have en transformativ indvirkning på forståelsen af, hvordan hjernen medierer sociale processer og adfærd.

Den foreslåede ramme har lovende potentiale for fremtidige applikationer inden for interpersonel neural synkroniseringsforskning, da den giver mulighed for klassificering af forskellige typer interaktioner, herunder synkronisering i fase, forsinket synkronisering og antifasesynkronisering. Ved at genanalysere de tidligere resultater med den nye foreslåede ramme kan forskere få en mere omfattende forståelse af arten af synkroniseringen mellem deltagerne. Specifikt giver evnen til at skelne mellem interaktioner i og antifase et nyt niveau af klarhed, der tidligere ikke var tilgængelig, hvilket kunne føre til mere præcise fortolkninger af de tidligere resultater. Denne funktionalitet i rammen kan anvendes på en lang række scenarier, herunder udforskning af rollen som interpersonel neural synkronisering i social adfærd, kommunikation og beslutningsprocesser. Samlet set udgør den foreslåede ramme et værdifuldt bidrag til området og rummer et betydeligt potentiale for fremtidige anvendelser.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne erklærer, at forskningen blev udført i mangel af kommercielle eller finansielle forbindelser, der kunne fortolkes som en potentiel interessekonflikt.

Acknowledgments

Vi vil gerne anerkende støtten fra National Natural Science Foundation of China (nr. 62207025), Humaniora og Samfundsvidenskab Forskningsprojekt fra Undervisningsministeriet i Kina (nr. 22YJC190017) og de grundlæggende forskningsmidler til de centrale universiteter til Yafeng Pan.

Materials

Name Company Catalog Number Comments
NIRScout   NIRx Medical Technologies, LLC n.a. 8 sources, 8 detectors
MATLAB The Mathworks, Inc. Matlab 2022a In this protocol, several toolboxes and buit in MATLAB functions were used: HOMER3 toolbox was used to convert Intensity to OD, to remove motion artifacts through its function hmrMotionCorrectWavelet with default parameters and to convert OD to Conc. Wavelet Toolbox was used to compute WTC.

DOWNLOAD MATERIALS LIST

References

  1. Gvirts, H. Z., Perlmutter, R. What guides us to neurally and behaviorally align with anyone specific? A neurobiological model based on fNIRS hyperscanning studies. The Neuroscientist. 26 (2), 108-116 (2019).
  2. Balconi, M., Fronda, G., Vanutelli, M. E. Donate or receive? Social hyperscanning application with fNIRS. Current Psychology. 38 (4), 991-1002 (2019).
  3. Redcay, E., Schilbach, L. Using second-person neuroscience to elucidate the mechanisms of social interaction. Nature Reviews Neuroscience. 20 (8), 495-505 (2019).
  4. Shamay-Tsoory, S. G., Mendelsohn, A. Real-life neuroscience: An ecological approach to brain and behavior research. Perspectives on Psychological Science. 14 (5), 841-859 (2019).
  5. 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).
  6. Quaresima, V., Ferrari, M. Functional near-infrared spectroscopy (fNIRS) for assessing cerebral cortex function during human behavior in natural/social situations: A concise review. Organizational Research Methods. 22 (1), 46-68 (2016).
  7. Fishburn, F. A., et al. Putting our heads together: interpersonal neural synchronization as a biological mechanism for shared intentionality. Social Cognitive and Affective Neuroscience. 13 (8), 841-849 (2018).
  8. 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).
  9. Chang, C., Glover, G. H. Time-frequency dynamics of resting-state brain connectivity measured with fMRI. NeuroImage. 50 (1), 81-98 (2010).
  10. Scholkmann, F., Holper, L., Wolf, U., Wolf, M. A new methodical approach in neuroscience: Assessing inter-personal brain coupling using functional near-infrared imaging (fNIRI) hyperscanning. Frontiers in Human Neuroscience. 7, 813 (2013).
  11. Czeszumski, A., et al. Hyperscanning: A valid method to study neural inter-brain underpinnings of social interaction. Frontiers in Human Neuroscience. 14, 39 (2020).
  12. Dommer, L., Jäger, N., Scholkmann, F., Wolf, M., Holper, L. Between-brain coherence during joint n-back task performance: A two-person functional near-infrared spectroscopy study. Behavioural Brain Research. 234 (2), 212-222 (2012).
  13. Osaka, N., Minamoto, T., Yaoi, K., Azuma, M., Osaka, M. Neural synchronization during cooperated humming: A hyperscanning study using fNIRS. Procedia - Social and Behavioral Sciences. 126, 241-243 (2014).
  14. Wang, C., Zhang, T., Shan, Z., Liu, J., Yuan, D., Li, X. Dynamic interpersonal neural synchronization underlying pain-induced cooperation in females. Human Brain Mapping. 40 (11), 3222-3232 (2019).
  15. Cheng, X., Li, X., Hu, Y. Synchronous brain activity during cooperative exchange depends on gender of partner: A fNIRS-based hyperscanning study. Human Brain Mapping. 36 (6), 2039-2048 (2015).
  16. Holper, L., Scholkmann, F., Wolf, M. Between-brain connectivity during imitation measured by fNIRS. NeuroImage. 63 (1), 212-222 (2012).
  17. Nguyen, T., et al. The effects of interaction quality on neural synchrony during mother-child problem solving. Cortex. 124, 235-249 (2020).
  18. Zheng, L., et al. Enhancement of teaching outcome through neural prediction of the students' knowledge state. Human Brain Mapping. 39 (7), 3046-3057 (2018).
  19. Pan, Y., Novembre, G., Song, B., Li, X., Hu, Y. Interpersonal synchronization of inferior frontal cortices tracks social interactive learning of a song. NeuroImage. 183, 280-290 (2018).
  20. Pan, Y., et al. Instructor-learner brain coupling discriminates between instructional approaches and predicts learning. NeuroImage. 211, 116657 (2020).
  21. Liu, J., et al. Interplay between prior knowledge and communication mode on teaching effectiveness: Interpersonal neural synchronization as a neural marker. NeuroImage. 193, 93-102 (2019).
  22. Léné, P., et al. Wavelet transform coherence: An innovative method to investigate social interaction in NeuroIS. Lecture Notes in Information Systems and Organisation. 32, 147-154 (2020).
  23. Nguyen, T., Hoehl, S., Vrtička, P. A guide to parent-child fNIRS hyperscanning data processing and analysis. Sensors. 21 (12), 4075 (2021).
  24. Zhang, Y., Han, J., Hu, X., Guo, L., Liu, T. Data-driven evaluation of functional connectivity metrics. Proceedings - International Symposium on Biomedical Imaging. , 532-535 (2013).
  25. Hamilton, A. F. deC. Hyperscanning: Beyond the hype. Neuron. 109 (3), 404-407 (2021).
  26. Barnett, L., Barrett, A. B., Granger Seth, A. K. causality and transfer entropy are equivalent for Gaussian variables. Physical Review Letters. 103 (23), 2-5 (2009).
  27. Barnett, L., Seth, A. K. The MVGC multivariate Granger causality toolbox: A new approach to Granger-causal inference. Journal of Neuroscience Methods. 223, 50-68 (2014).
  28. Li, D., Zhou, C. Organization of anti-phase synchronization pattern in neural networks: What are the key factors. Frontiers in Systems Neuroscience. 5, 100 (2011).
  29. Huppert, T. J., Diamond, S. G., Franceschini, M. A., Boas, D. A. HomER: A review of time-series analysis methods for near-infrared spectroscopy of the brain. Applied Optics. 48 (10), D280-D298 (2009).
  30. Grinsted, A., Moore, J. C., Jevrejeva, S. Application of the cross wavelet transform and wavelet coherence to geophysical time series. Nonlinear Processes in Geophysics. 11 (5-6), 561-566 (2004).
  31. Feldman, R. Parent-infant synchrony. Current Directions in Psychological Science. 16 (6), 340-345 (2007).
  32. Fell, J., Axmacher, N. The role of phase synchronization in memory processes. Nature Reviews Neuroscience. 12 (2), 105-118 (2011).
  33. Olcay, B. O., Karaçalı, B. Evaluation of synchronization measures for capturing the lagged synchronization between EEG channels: A cognitive task recognition approach. Computers in Biology and Medicine. 114, 103441 (2019).
  34. Stam, C. J. Nonlinear dynamical analysis of EEG and MEG: Review of an emerging field. Clinical Neurophysiology. 116 (10), 2266-2301 (2005).
  35. Mallat, S. A Wavelet Tour of Signal Processing. , Academic Press. Cambridge, MA. (2009).
  36. Kleinbub, J. R., Ramseyer, F. T. rMEA: An R package to assess nonverbal synchronization in motion energy analysis time-series. 31 (6), 817-830 (2020).
  37. Pan, Y., Novembre, G., Song, B., Zhu, Y., Hu, Y. Dual brain stimulation enhances interpersonal learning through spontaneous movement synchrony. Social Cognitive and Affective Neuroscience. 16 (1-2), 210-221 (2021).
  38. Ramseyer, F., Tschacher, W. Nonverbal synchrony in psychotherapy: Coordinated body movement reflects relationship quality and outcome. Journal of Consulting and Clinical Psychology. 79 (3), 284-295 (2011).
  39. Zhang, X., Noah, J. A., Dravida, S., Hirsch, J. Optimization of wavelet coherence analysis as a measure of neural synchrony during hyperscanning using functional near-infrared spectroscopy. Neurophotonics. 7 (1), 015010 (2020).
  40. Walton, A. E., Richardson, M. J., Langland-Hassan, P., Chemero, A. Improvisation and the self-organization of multiple musical bodies. Frontiers in Psychology. 6, 313 (2015).
  41. Varlet, M., Marin, L., Lagarde, J., Bardy, B. G. Social postural coordination. Journal of Experimental Psychology: Human Perception and Performance. 37 (2), 473-483 (2011).
  42. Hale, J., Ward, J. A., Buccheri, F., Oliver, D., Hamilton, A. F. deC. Are you on my wavelength? Interpersonal coordination in dyadic conversations. Journal of Nonverbal Behavior. 44 (1), 63-83 (2020).
  43. Fujiwara, K., Daibo, I. Evaluating interpersonal synchrony: Wavelet transform toward an unstructured conversation. Frontiers in Psychology. 7, 516 (2016).
  44. Nozawa, T., Sasaki, Y., Sakaki, K., Yokoyama, R., Kawashima, R. Interpersonal frontopolar neural synchronization in group communication: An exploration toward fNIRS hyperscanning of natural interactions. NeuroImage. 133, 484-497 (2016).
  45. Dai, R., et al. Holistic cognitive and neural processes: A fNIRS-hyperscanning study on interpersonal sensorimotor synchronization. Social Cognitive and Affective Neuroscience. 13 (11), 1141-1154 (2018).
  46. Lu, K., Qiao, X., Yun, Q., Hao, N. Educational diversity and group creativity: Evidence from fNIRS hyperscanning. NeuroImage. 243, 118564 (2021).

Tags

Funktionel nær-infrarød spektroskopi FNIRS hyperscanning kohærens på tværs af hjerner bølgelettransformationskohærens koblingsvurdering retningsvirkning af interaktion synkronisering i fase forsinket synkronisering antifasesynkronisering fasekohærensanalyse koblingsretningsestimering interaktionsdynamik sociale interaktioner FNIRS hyperscanningsundersøgelser
Ny ramme for forståelse af inter-brain kohærens i funktionelle nær-infrarød spektroskopi (fNIRS) hyperscanningsundersøgelser
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Gvirts Provolovski, H. Z., Sharma,… More

Gvirts Provolovski, H. Z., Sharma, M., Gutman, I., Dahan, A., Pan, Y., Stotler, J., Wilcox, T. New Framework for Understanding Cross-Brain Coherence in Functional Near-Infrared Spectroscopy (fNIRS) Hyperscanning Studies. J. Vis. Exp. (200), e65347, doi:10.3791/65347 (2023).

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