Summary
Die Wavelet-Transformationskohärenz (WTC) ist eine gängige Methode zur Bewertung der Kopplung zwischen Signalen, die in Hyperscanning-Studien der funktionellen Nahinfrarotspektroskopie (fNIRS) verwendet wird. In dieser Arbeit wird ein Werkzeugkasten zur Beurteilung der Richtungsabhängigkeit der Signalwechselwirkung vorgestellt.
Abstract
Trotz der wachsenden Zahl von funktionellen Hyperscanning-Studien mit Nahinfrarotspektroskopie (fNIRS) scheint die Bewertung der Kopplung zwischen zwei neuronalen Signalen mittels Wavelet-Transformationskohärenz (WTC) die Richtungsabhängigkeit der Wechselwirkung zu ignorieren. Dem Feld fehlt derzeit ein Rahmen, der es den Forschern ermöglicht, zu bestimmen, ob ein hoher Kohärenzwert, der mit einer WTC-Funktion erhalten wurde, eine phasengleiche Synchronisation (d. h. eine neuronale Aktivierung wird in beiden Mitgliedern der Dyade gleichzeitig beobachtet), eine verzögerte Synchronisation (d. h. eine neuronale Aktivierung wird in einem Mitglied der Dyade vor dem anderen Mitglied beobachtet) widerspiegelt. oder Anti-Phasen-Synchronisation (d.h. die neuronale Aktivierung ist in einem Mitglied der Dyade erhöht und in dem anderen vermindert). Um diesem Bedarf gerecht zu werden, wird in dieser Arbeit ein komplementärer und sensitiverer Ansatz zur Analyse der Phasenkohärenz zweier neuronaler Signale vorgeschlagen. Die Toolbox ermöglicht es den Forschern, die Richtungsabhängigkeit der Kopplung abzuschätzen, indem sie die Phasenwinkelwerte, die mit herkömmlicher WTC ermittelt wurden, in phasengleiche Synchronisation, verzögerte Synchronisation und Antiphasensynchronisation klassifizieren. Die Toolbox ermöglicht es den Forschern auch, zu beurteilen, wie sich die Dynamik der Interaktionen während der Aufgabe entwickelt und verändert. Die Verwendung dieses neuartigen WTC-Ansatzes und der Toolbox wird unser Verständnis komplexer sozialer Interaktionen durch ihre Verwendung in fNIRS-Hyperscanning-Studien verbessern.
Introduction
In den letzten Jahren hat sich die Art der Studien, die durchgeführt werden, um die neuronalen Grundlagen des Sozialverhaltens zu verstehen, verschoben 1,2. Traditionell haben sich Studien in den sozialen Neurowissenschaften auf die neuronale Aktivierung in einem isolierten Gehirn während einer sozial relevanten Aufgabe konzentriert. Fortschritte in der Neuroimaging-Technologie ermöglichen es nun jedoch, die neuronale Aktivierung im Gehirn eines oder mehrerer Personen während sozialer Interaktion zu untersuchen, wie sie im "realen" Leben stattfindet3. Im "realen" Leben können sich Individuen frei bewegen, und die Muster der Gehirnaktivierung ändern sich wahrscheinlich, wenn Informationen ausgetauscht werden und die Sozialpartner Feedback voneinander erhalten4.
Hyperscanning ist eine Methode, die diesen bidirektionalen Informationsaustausch bewertet, indem die Gehirnaktivität von zwei oder mehr Personen gleichzeitig gemessenwird 5. Eine neue Forschungsgruppe hat die funktionelle Nahinfrarotspektroskopie (fNIRS) eingesetzt, eine nicht-invasive Neuroimaging-Technik, die im Vergleich zu anderen bildgebenden Verfahren weniger anfällig für Bewegungsartefakte ist6. Hyperscanning über fNIRS ermöglicht die Beurteilung der Interhirnsynchronisation (IBS) in realen Umgebungen, während sich die interaktiven Partner frei und natürlich bewegen. Dies ist besonders relevant für die Arbeit mit Säuglingen und Kleinkindern, die in der Regel sehr aktiv sind. Es wurde berichtet, dass das Reizdarmsyndrom das gegenseitige Verständnis zwischen interaktiven Partnern widerspiegelt, das als Grundlage für effektive soziale Interaktion und Kommunikation dient und gemeinsame Intentionalität vermittelt 1,7,8.
Es werden mehrere Methoden verwendet, um das Reizdarmsyndrom zweier Gehirne zu bewerten. Zu diesen Methoden gehören Zeitreihenkorrelationen, wie z.B. die Kreuzkorrelation und der Pearson-Korrelationskoeffizient 9,10 (siehe eine Übersichtsarbeit von Scholkmann et al.10). Andere Methoden beinhalten die Bewertung der Stärke der Kopplung im Frequenzbereich. Zu diesen Methoden gehören der Phasensperrwert (PLV) und die Phasenkohärenz (siehe eine Übersichtsarbeit von Czeszumski et al.11). Eine der gebräuchlichsten Methoden in fNIRS-Studien verwendet die Wavelet-Transformationskohärenz (WTC) - ein Maß für die Kreuzkorrelation zweier Zeitreihen in Abhängigkeit von Frequenz und Zeit10.
WTC verwendet Korrelationsanalysen, um die Kohärenz und Phasenverschiebung zwischen zwei Zeitreihen im Zeit-Frequenz-Bereich zu berechnen. FNIRS-Hyperscanning-Studien haben WTC verwendet, um das Reizdarmsyndrom in vielen Funktionsbereichen zu schätzen, einschließlich Aktionsüberwachung 12, kooperatives und kompetitives Verhalten 5,13,14,15, Nachahmung 16, Mutter-Kind-Problemlösung 17 und Lehr-Lern-Verhalten 18,19,20,21. Typischerweise wird in Hyperscanning-Studien die gehirnübergreifende Kohärenz, wie sie von WTC gemessen wird, während einer experimentellen Aufgabe mit der hirnübergreifenden Kohärenz während einer Kontrollaufgabe verglichen. Diese Ergebnisse werden in der Regel mit einem WTC-"Hot Plot" dargestellt, der die Kohärenz zwischen den beiden Gehirnen zu jedem Zeitpunkt und jeder Häufigkeit zeigt (siehe Abbildung 1).
Wie von Czesumaski et al.11 vorgeschlagen, hat sich WTC zum analytischen Standardansatz für die Analyse von fNIRS-Hyperscanning entwickelt. Die WTC-Analyse ist eine flexible, "werkzeugunabhängige" Methode zur Datenvisualisierung und -interpretation22. Die Kohärenzkoeffizienten-Heatmap, die eine narrative Form der Analyse bietet, die es ermöglicht, Perioden synchronen oder asynchronen Verhaltens sowie die Intensität der Gehirnaktivität während der Erledigung einer Aufgabe leicht zu identifizieren, ist der Hauptvorteil von WTC und macht es zu einem starken Werkzeug für die angewandte Forschung22. WTC hat einen Vorteil gegenüber Korrelationstechniken. Korrelationen sind empfindlich gegenüber der Form der hämodynamischen Reaktionsfunktion (HRF), von der angenommen wird, dass sie sich zwischen Individuen (insbesondere in Bezug auf das Alter) und zwischen verschiedenen Gehirnbereichen unterscheidet. Im Gegensatz dazu ist das WTC von interregionalen Veränderungen im (HRF)23 nicht betroffen. Forscher haben den Wavelet-Ansatz verwendet, um fMRT-Zeitreihen zu untersuchen. Zhang et al.24 verglichen die häufig verwendeten funktionalen Konnektivitätsmetriken, einschließlich der Pearson-Korrelation, der partiellen Korrelation, der gegenseitigen Information und der Wavelet-Kohärenztransformation (WTC). Sie führten Klassifikationsexperimente mit groß angelegten funktionellen Konnektivitätsmustern durch, die aus fMRT-Daten aus dem Ruhezustand und fMRT-Daten mit natürlichem Stimulus beim Betrachten von Videos abgeleitet wurden. Ihre Ergebnisse deuteten darauf hin, dass WTC bei der Klassifizierung (Spezifität, Sensitivität und Genauigkeit) am besten abschneidet, was darauf hindeutet, dass WTC eine bevorzugte funktionelle Konnektivitätsmetrik für die Untersuchung funktioneller Gehirnnetzwerke ist, zumindest in Klassifikationsanwendungen24.
Abbildung 1: Kohärenz der Wavelet-Transformation (WTC). WTC zeigt die Kohärenz und den Phasenwinkel zwischen zwei Zeitreihen als Funktion sowohl der Zeit (x-Achse) als auch der Frequenz (y-Achse). Die Kohärenzerhöhung wird durch die rote Farbe im Diagramm dargestellt, und die kleinen Pfeile im Diagramm zeigen den Phasenwinkel der beiden Zeitreihen an. Der nach rechts zeigende Pfeil stellt die phasengleiche Synchronisierung dar. Die nach unten und nach oben zeigenden Pfeile stellen eine verzögerte Synchronisierung dar. und der nach links zeigende Pfeil stellt die Anti-Phasen-Synchronisation30 dar. Diese Abbildung wurde von Pan et al.19 übernommen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Kürzlich hat Hamilton25 mehrere Einschränkungen bei der Interpretation von Cross-hirn-Kohärenzdaten in fNIRS-Hyperscanning-Studien artikuliert. Eines von Hamiltons Hauptanliegen war, dass Kohärenzmessungen (z.B. WTC) Effekte nur als symmetrisch melden (d.h. zwei Gehirne sind korreliert und zeigen das gleiche Veränderungsmuster). Viele soziale Interaktionen sind jedoch asymmetrisch (z. B. der Informationsfluss zwischen einem Sprecher und einem Zuhörer), da zwei Teilnehmer unterschiedliche Rollen spielen können, und es ist nicht klar, ob das WTC diese Informationen erfassen kann. Hier wird dieses Problem durch ein neues Framework gelöst, das eine einfache Interpretation der Cross-Wavelet-Leistung ermöglicht, indem die Cross-Wavelet-Phase zur Erkennung der Richtungsabhängigkeit verwendet wird. Dieser Rahmen ermöglicht es auch, zu untersuchen, wie sich die Dynamik von Interaktionen während einer Aufgabe entwickelt und verändert.
Während WTC- und Korrelationsmethoden die funktionelle Konnektivität bewerten, bewerten andere Methoden die effektive Konnektivität und versuchen, die kausalen Einflüsse eines neuronalen Elements auf ein anderes zu extrahieren. Die Transferentropie ist ein Maß aus der Informationstheorie, das den Transfer zwischen gemeinsam abhängigen Prozessen beschreibt26. Eine weitere verwandte Methode ist die Granger-Kausalitätsanalyse (GCA), die als äquivalent zur Transferentropie26 beschrieben wurde.
In der bestehenden Literatur zu fNIRS-Hyperscanning-Studien wurde die Granger-Kausalitätsanalyse (GCA) häufig verwendet, um die Kopplungsdirektionalität zwischen fNIRS-Zeitreihendaten abzuschätzen, die während einer Vielzahl verschiedener Aufgaben gewonnen wurden, wie z. B. Kooperation5, Unterricht19 und Nachahmung16. GCA verwendet vektorautoregressive Modelle, um die Richtungsabhängigkeit der Kopplung zwischen Zeitreihen in Gehirndaten zu bewerten. Die Kausalität von Granger basiert auf Vorhersage und Präzedenz: "Eine Variable X wird als 'G-Ursache' der Variablen Y bezeichnet, wenn die Vergangenheit von X die Informationen enthält, die helfen, die Zukunft von Y vorherzusagen, und zwar über Informationen, die bereits in der Vergangenheit von Y liegen"27. Dementsprechend wird die G-Kausalität in zwei Richtungen analysiert: 1) von Subjekt A zu Subjekt B und 2) von Subjekt B zu Subjekt A.
Während die GCA-Analyse als ergänzende Analyse dient, die darauf abzielt, festzustellen, ob ein hoher Kohärenzwert, der mit einer WTC-Funktion erhalten wurde, eine IBS- oder verzögerte Synchronisation widerspiegelt (ein Signal führt zum anderen), ermöglicht sie nicht die Bestimmung, ob eine Antiphasensynchronisation stattgefunden hat. In traditionellen Neuroimaging-Studien, bei denen nur ein Teilnehmer gescannt wird (d. h. der "Single-Brain"-Ansatz), bedeutet ein Anti-Phasen-Muster, dass die Aktivität in einer Gehirnregion erhöht wird, während die Aktivität in der anderen Gehirnregion verringert wird28. In der Hyperscanning-Literatur kann das Vorhandensein einer Anti-Phasen-Synchronisation darauf hindeuten, dass die neuronale Aktivierung bei einem Subjekt erhöht ist und gleichzeitig die neuronale Aktivierung bei dem anderen Subjekt verringert ist. Daher besteht die Notwendigkeit, ein umfassendes Modell bereitzustellen, das die Richtungsabhängigkeit erkennen kann. Genauer gesagt wird dieses Modell in der Lage sein, eine Anti-Phasen-Synchronisation (bei der die Aktivitätsrichtung eines Individuums der seines Partners entgegengesetzt ist) zusätzlich zu einer phasenweisen Synchronisation und einer verzögerten Synchronisation zu erkennen.
In einem Versuch, die Besorgnis auszuräumen, dass WTC nur symmetrische Effekte zeigt, bei denen beide Gehirne das gleiche Veränderungsmuster zeigen25, wird ein neuer Ansatz zur Identifizierung der Art der Interaktion durch Untersuchung der Synchronisationsphase (d. h. phasengleich, verzögert oder anti-phasig) vorgestellt (siehe Abbildung 2). Zu diesem Zweck wurde eine Toolbox entwickelt, die die verschiedenen Arten von Wechselwirkungen mit der WTC-Methode klassifiziert. Die Arten von Wechselwirkungen werden anhand von relativen Phasendaten aus der Cross-Wavelet-Transformationsanalyse klassifiziert.
Abbildung 2: Darstellung der unterschiedlichen Phasenbeziehungen einfacher Sinuswelle. (A) Wenn die beiden Signale, Signal 1 (blaue Linie s) und Signal 2 (orangefarbene Linies), ihre jeweiligen Maximal-, Minimal- und Nullwerte zum gleichen Zeitpunkt erreichen, werden sie als phasensynchron32 bezeichnet. (B) Wenn ein Signal seinen Maximalwert erreicht und das andere Signal zum gleichen Zeitpunkt den Nullwert erreicht, wird von einer verzögerten Synchronisation gesprochen (eines führt um 90°)32,33,34. (C) Wenn sich zwei Zeitreihen in entgegengesetzte Richtungen verschieben, d. h. ein Signal erreicht den Maximalwert und das andere den Minimalwert zum gleichen Zeitpunkt, wird dies als Anti-Phasen-Synchronisation28 bezeichnet. (D-P) In allen anderen Phasenbeziehungen zwischen zwei Zeitreihen führt ein Signal das andere. In allen positiven Phasen ist Signal 2 führend gegenüber Signal 1 (z. B. Felder E, F, M und N), während Signal 1 in allen negativen Phasen vor Signal 2 steht (z. B. Felder D, G, H, O und P). Wenn der absolute Wert der Phase höher ist, wird es deutlicher, welche Zeitreihe die andere anführt (z. B. ist die Führung in Panel J ausgeprägter als in Panel I, und in Panel K ist die Führung ausgeprägter als in Panel L). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Die Studie wurde an der Florida Atlantic University (FAU) durchgeführt und vom FAU Institutional Review Board (IRB) genehmigt.
1. Verwendung der Homer3-Software (Table of Materials) zur Vorverarbeitung der fNIRS-Hyperscanning-Daten
HINWEIS: Homer3 ist eine MATLAB-Anwendung, die fNIRS-Daten analysiert, um Schätzungen und Karten der Gehirnaktivierung zu erhalten29. Homer3 kann unter folgendem Link (https://openfnirs.org/software/homer/) heruntergeladen und installiert werden.
- Öffnen Sie MATLAB und navigieren Sie zu dem Ordner, in dem die unformatierten NIRS-Dateien gespeichert sind. Wählen Sie den Ordner aus und öffnen Sie ihn.
- Geben Sie Homer3 in das Befehlsfenster von MATLAB ein, um die Homer3-GUI zu starten. Homer3. erkennt die .nirs-Dateien und fordert zur Konvertierung in das .snirf-Format (ein universelles Dateiformat zum Speichern und Freigeben von NIRS-Daten unabhängig von einem bestimmten anwendungsspezifischen Dateiformat wie MATLAB) auf, um mit der Vorverarbeitung der Daten fortzufahren.
- Nachdem Sie die .nirs-Dateien in das .snirf-Format in Homer3 importiert haben, klicken Sie in der Homer3-GUI auf die Option Extras und wählen Sie Processing Stream bearbeiten.
- Wählen Sie in der ProcStreamEdit-GUI die Vorverarbeitungsschritte aus der Spalte Registry-Funktion in die Spalte Aktueller Verarbeitungs-Stream aus, indem Sie auf Hinzufügen klicken. Die enthaltenen Vorverarbeitungsschritte lauten wie folgt:
- Verwenden Sie hmrR_intensity2OD , um die Intensitätsdaten in optische Dichte umzuwandeln.
- Verwenden Sie hmrR_MotionCorrectWavelet , um Bewegungsartefakte mit der entsprechenden Filterfunktion zu korrigieren.
- Verwenden Sie hmrR_OD2conc , um die OD-Daten in die Konzentration umzuwandeln.
- Verwenden Sie hmR_BlockAvg, um den Blockdurchschnitt für Konzentrationsdaten zu berechnen.
HINWEIS: Die Auswahl der Vorverarbeitungsschritte kann je nach Art des Datensatzes variieren.
- Um den aktuellen Verarbeitungsdatenstrom zu speichern, klicken Sie auf die Option Speichern und beenden Sie dann die ProcStreamEdit-GUI.
- Um den Vorverarbeitungs-Stream in der Haupt-GUI von Homer3 auszuführen, klicken Sie auf die Option AUSFÜHREN . Nachdem Homer3 die Ausführung des ausgewählten Verarbeitungsdatenstroms abgeschlossen hat, speichert es die vorverarbeiteten Zeitreihen für jeden Teilnehmer in einem .mat-Dateiformat, das Hbo, Hbr und Hbt für alle Kanäle und Ereignisse enthält. Ein Ordner mit dem Namen homer output wird von Homer3 im aktuell ausgewählten Ordner erstellt, um diese Dateien zu speichern.
- Ein Ordner mit dem Namen derivatives wird von Homer3 im ausgewählten Ordner erstellt, um diese Dateien zu speichern. Wählen Sie den Homer-Ordner aus, der sich im Ordner "Derivate" befindet. Wählen Sie die .mat-Datei für jedes Gehirn aus und exportieren Sie Hbo, Hbr, Hbt.
HINWEIS: Der Name des von Homer3 erstellten Ausgabeordners hängt von der Homer3-Version ab.
2. Erste Schritte mit der LeaderFollowerByPhase-Toolbox
- Um die Art der Interaktion zu analysieren, die in einer Hyperscan-Aufzeichnung auftritt, verwenden Sie die Toolbox LeaderFollowerByPhase, wie in dem in Abbildung 3 gezeigten Prozess beschrieben. Wählen Sie in MATLAB die .mat-Dateien für jedes Gehirn aus und laden Sie die Hbo- (oder Hbr-) Daten des spezifischen Kanals und des spezifischen Ereignisses in einen eindimensionalen Vektor als signal1 und signal2.
- Definieren Sie in der MATLAB-Befehlszeile die Parameter
- lowFreq, highFreq: Geben Sie lowFreq = [niedriger FOI] und highFreq = [hoher FOI] ein. Die Standardwerte sind lowFreq = 0,01 Hz, highFreq = 1 Hz.
HINWEIS: Die Parameter der Funktionen lowFreq und highFreq definieren den FOI-Bereich (Frequency of Interest). WTC berechnet die Kohärenz zwischen den beiden Gehirnen zu jedem Zeitpunkt und jeder Frequenz. Die Kohärenzwerte werden in der Regel innerhalb eines bestimmten FOI gemittelt. - Definieren Sie den Parameter phaseRange; type phaseRange = [Bereich in Grad].
HINWEIS: Der Standardwert ist phaseRange = 90°. Die Phase liegt zwischen 0° und 360° aufgrund der zirkulären Modulo-Natur der Phase. Die Phasenbereiche werden nach einem Bereich unterteilt, der vier Punkte umgibt. In der vorgestellten Toolbox wird ein neuer Ansatz zur Klassifizierung asymmetrischer Wechselwirkungen vorgestellt (Abbildung 4), indem die Richtungsabhängigkeit der Kopplung unter Verwendung der Phasenwinkelwerte entsprechend den Bereichen untersucht wird, die der verzögerten Synchronisation mit Signal 1 führend (ein Bereich um −90°) oder Signal 2 führend (ein Bereich um 90°), Signal 1, Signal 2 In-Phase-Synchronisation (ein Bereich um 0) entsprechen, und Signal 1, Signal 2 Anti-Phasen-Synchronisation (ein Bereich um +180° oder −180°). - Definieren Sie den Parameter Schwellenwert. Geben Sie threshold = [threshold rsq val] ein. Der Standardwert ist Schwellenwert = 0.
HINWEIS: Die Toolbox ermöglicht die Angabe eines Schwellenwertkohärenzwerts durch Angabe des Schwellenwertparameters. Dies ermöglicht es dem Forscher, Zeitpunkte mit einem bestimmten minimalen Kohärenzwert auszuwählen. Folglich werden nur Zeitpunkte berücksichtigt, deren Kohärenzwerte über dem angegebenen Schwellenwert liegen.
- lowFreq, highFreq: Geben Sie lowFreq = [niedriger FOI] und highFreq = [hoher FOI] ein. Die Standardwerte sind lowFreq = 0,01 Hz, highFreq = 1 Hz.
- Laden Sie die Toolbox LeaderFollowerByPhase über den folgenden Link herunter (https://www.ariel.ac.il/wp/sns/download/ oder https://github.com/Minisharmaa/Leader-Follower-By-Phase).
- Führen Sie die MATLAB-Funktion LeaderFollowerByPhase aus, indem Sie den Befehl cohervalues = LeaderFollowerByPhase(signal1, signal2, lowFreq, highFreq, phaseRange, threshold) in die Befehlszeile eingeben.
HINWEIS: Die Kohärenz- und Phasenberechnungen werden mit den Funktionen WTC und XWT in MATLAB bzw.30 durchgeführt. - Untersuchen Sie die Werte für die Synchronisierung in Phase, Signal 1, Signal 2 und Antiphase:
- Untersuchen Sie die Diagramme in MATLAB. Die Toolbox generiert eine Figur mit vier Plots.
- Kohärenz nach Art der Wechselwirkung: Untersuchen Sie das Boxchart-Diagramm oben links in der Abbildung, das das R-Quadrat (Rsq) für jede Art von Wechselwirkung (phasengleich, Signal 1 führend, Signal 2 führend, antiphasig) zeigt.
HINWEIS: Eine detaillierte Beschreibung der integrierten Funktion des MATLAB-Boxcharts finden Sie unter folgendem Link (https://www.mathworks.com/help/matlab/ref/boxchart.html). - Zentrale Indizes nach Art der Interaktion: Untersuchen Sie das Balkendiagramm oben rechts in der Ausgabeabbildung, in dem der maximale Mittelwert und Median für jede Art von Wechselwirkung (phasengleich, Signal 1 führend, Signal 2 führend, gegenphasig) angezeigt wird.
HINWEIS: Eine detaillierte Beschreibung der integrierten Funktion der MATLAB-Leiste finden Sie unter folgendem Link (https://www.mathworks.com/help/matlab/ref/bar.html). - Kohärenz im Zeitverlauf: Untersuchen Sie das Streudiagramm unten links in der Ausgabeabbildung, in dem die Kohärenzwerte und die Arten der Wechselwirkung im Zeitverlauf angezeigt werden. Die farbigen Punkte stehen für verschiedene Arten von Wechselwirkungen (schwarze Punkte stehen für die phasengleiche Synchronisation, dunkelgraue Punkte für Signal 1, hellgraue Punkte für Signal 2 und violette Punkte für die Antiphasensynchronisation).
ANMERKUNG: Die Abbildung zeigt die Dynamik der Interaktion: den Austausch zwischen den vier Interaktionstypen während der gesamten Vollzeitreihe. Eine detaillierte Beschreibung der MATLAB-Streufunktion finden Sie unter folgendem Link (https://www.mathworks.com/help/matlab/ref/scatter.html). - Zeitprozentsatz: Überprüfen Sie das Kreisdiagramm unten rechts in der Ausgabeabbildung, in dem die Zeiteinteilung nach den verschiedenen Interaktionstypen angezeigt wird.
HINWEIS: Eine detaillierte Beschreibung der MATLAB-Kreisfunktion finden Sie unter folgendem Link (https://www.mathworks.com/help/matlab/ref/pie.html).
- Kohärenz nach Art der Wechselwirkung: Untersuchen Sie das Boxchart-Diagramm oben links in der Abbildung, das das R-Quadrat (Rsq) für jede Art von Wechselwirkung (phasengleich, Signal 1 führend, Signal 2 führend, antiphasig) zeigt.
- Untersuchen Sie die Diagramme in MATLAB. Die Toolbox generiert eine Figur mit vier Plots.
- Überprüfen Sie die Ausgabetabelle mit den statistischen Werten (d. h. Mittelwert, Maximum, Median und Standardabweichung) für jede Art von Wechselwirkung (phasengleiche Synchronisation, Signal 1 führend, Signal 2 führend, Antiphasensynchronisation). In der Tabelle wird auch der Prozentsatz der Zeit angezeigt, in der die einzelnen Interaktionstypen aufgetreten sind. Jeder Interaktionstyp wird in einer anderen Spalte angezeigt.
- Überprüfen Sie den Ausgabewert in der extrahierten Tabellenkalkulationsdatei (d. h. datatable.xlsx im aktuellen Ordner).
Abbildung 3: Überblick über den Arbeitsablauf. (A) Mutter-Kind-Dyaden, die sich im freien Spiel befanden, während fNIRS-Daten hyperscannten. (B) Illustration einer Mutter-Kind-Zeitreihe. (C) Vorverarbeitung der Zeitreihen mit Homer3. (D,E) Die Verwendung einer Toolbox zum Untersuchen verschiedener Arten von Interaktionen, z. B. phasengleiche Synchronisierung, Antiphasensynchronisierung und verzögerte Synchronisierung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 4: Klassifikation von vier verschiedenen Arten von Wechselwirkungen basierend auf der Phase. Dies stellt die Phasendifferenz der beiden neuronalen Zeitreihen in einem 360°-Modulo dar. Die Phasendifferenz kann man sich als Zeitverzögerung zwischen zwei Werten vorstellen und wird in Grad und Bogenmaß oder Bruchteilen der Wellenlänge gemessen. Hier wird das 360°-Modulo in vier verschiedene Bereiche unterteilt, die vier verschiedene Phasen der Wechselwirkung darstellen: (A) Signal 1 führend (ein Bereich um 90°, zwischen 45° und 135°), (B) Antiphasensynchronisation zwischen Signal 1 und Signal 2 (ein Bereich um 180° oder −180°, zwischen 135 und −135°), (C) Signal 2 führend (zwischen −135° und −45°), (D) In-Phase-Synchronisation (ein Bereich um 0, zwischen −45° und 45°). Diese Teilung ist der Standardansatz (45° um jeden Punkt); Die Toolbox erlaubt es jedoch, eine andere Abteilung zu konfigurieren. Während andere Konfigurationen möglicherweise nicht alle 360° abdecken, kann dies zu einer genaueren Definition der einzelnen Interaktionstypen führen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
In diesem Abschnitt werden die Arten von Analysen erläutert, die mit der Toolbox durchgeführt werden können (die unter https://www.ariel.ac.il/wp/sns/download/ oder https://github.com/Minisharmaa/Leader-Follower-By-Phase heruntergeladen werden kann. Für diese Analysen wurden fNIRS-Daten verwendet, die mit einer kleinen Stichprobe von Säuglings-Eltern-Dyaden gesammelt wurden. Sechs Paare von Mutter-Kind-Dyaden wurden mit einer validierten Verhaltensaufgabe, der Freispielaufgabe31, getestet, die einer realen Säugling-Mutter-Interaktion so nahe wie möglich kommt. Vor dem Experiment wurden die Säuglinge und Eltern mit einem speziell angefertigten Optodenset für die Erfassung von fNIRS-Daten ausgestattet. Das Optoden-Set, das zur Erfassung der fNIRS-Daten in dieser Studie verwendet wurde, umfasste 8 Quellen (rote Punkte) und 8 Detektoren (blaue Punkte), die so konfiguriert waren, dass sie 18 Kanäle erzeugten, die die präfrontalen und temporoparietalen Regionen bilateral abdeckten (siehe Abbildung 5). Ein NIRScout erfasste die optischen Bilddaten mit zwei Wellenlängen: 760 nm, die empfindlicher auf Desoxyhämoglobin (HbR) reagieren, und 850 nm, die empfindlicher auf Oxyhämoglobin (HbO) reagieren. Alle Eltern waren weiblich (Altersspanne = 26-36 Jahre), und die Säuglinge waren gesund und reif (zwei Weibchen, vier Männer, Altersspanne = 1-2 Jahre) ohne bekannte Entwicklungsverzögerungen. Dyaden wurden durch Anzeigen rekrutiert. Jeder Elternteil gab vor dem Experiment sein Einverständnis und wurde für seine Teilnahme bezahlt. Der Einfachheit halber konzentriert sich die Analyse auf Daten, die auf Kanal 18 von Dyade A gewonnen wurden.
Abbildung 5: Optodensatz, der in der Vorstudie verwendet wurde. Das Optoden-Set, das zur Erfassung der fNIRS-Daten in der Vorstudie verwendet wurde, bestand aus 8 Quellen (rote Punkte) und 8 Detektoren (blaue Punkte), die so konfiguriert waren, dass sie 18 Kanäle (gelbe Linien) erzeugten, die die präfrontalen und temporoparietalen Regionen bilateral abdeckten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Die Toolbox wurde verwendet, um Veränderungen in den Interaktionstypen zu identifizieren, die im Laufe der Zeit für diesen Kanal für eine bestimmte Dyade identifiziert werden konnten. Die Parameter für die Funktion waren wie folgt: Signal 1 = Kanal 18 Mutter, Signal 2 = Kanal 18 Mutter, lowFreq = 0,0067, highFreq = 0,1142, phaseRange = 90, Threshold = 0.
Abbildung 6: Klassifikationsanalyse bei einem Schwellenwert von 0. Der Schwellenwert wird auf 0 festgelegt (Schwellenwert = 0). (A) Boxplots, die den Kohärenzwert darstellen, der mit Wechselwirkungen verbunden ist. Es gibt eine für jede Art von Interaktion, und der Median- und Interquartilsabstand (IQR) werden angegeben. Höhere Werte weisen auf ein höheres Maß an Kohärenz hin. (B) Die zentralen Indizes der Kohärenzwerte aller Arten von Interaktionen. (C) Die Dynamik der Art der Interaktion ändert sich im Laufe der Aufgabe. (D) Der Prozentsatz der Punktzahlen für jede der vier Arten von Interaktionen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Zunächst wurde jeder Zeitpunkt in einen der vier Interaktionstypen eingeteilt (in-phase, anti-phasig, mother-leading oder infant-leading) (Abbildung 6). Abbildung 6D zeigt den Prozentsatz der Zeitpunkte, die in jeden der vier Interaktionstypen klassifiziert wurden. Es ist wichtig zu beachten, dass die Toolbox zwar die Prozentsätze und den Kohärenzwert erkennen kann, die mit Wechselwirkungen verbunden sind, die von einem der Teilnehmer geleitet werden (Abbildung 6A), ihr einzigartiger Beitrag jedoch darin besteht, dass sie auch die Prozentsätze (Abbildung 6D) und zentralen Indizes der Kohärenzwerte aller Arten von Wechselwirkungen, einschließlich der Antiphasensynchronisation (Abbildung 6B,). Schließlich kann mit der Toolbox untersucht werden, wie sich die Dynamik der Art der Interaktion im Laufe der Aufgabe ändert (Abbildung 6C). Es ist wichtig zu beachten, dass die Toolbox, ähnlich wie bei der GCA-Analyse, diese Indizes für jede Dyade separat berechnet. Eine Analyse auf Gruppenebene mit diesen Indizes sollte durchgeführt werden, um die Art der Interaktion zu bestimmen.
Um den Einfluss der Änderung dieser minimalen Schwellenwerte auf die Klassifikation der Interaktionsarten innerhalb einer Dyade zu untersuchen, wurde die Klassifikationsanalyse mit einem Schwellenwert von 0,5 auf Dyade A wiederholt (Abbildung 7).
Abbildung 7: Klassifikationsanalyse bei einem Schwellenwert von 0,5. Der Schwellenwert wird auf 0,5 festgelegt (Schwellenwert = 0,5). (A) Boxplots, die den Kohärenzwert darstellen, der mit Wechselwirkungen verbunden ist. Es gibt eine für jede Art von Interaktion, und der Median- und Interquartilsabstand (IQR) werden angegeben. Höhere Werte weisen auf ein höheres Maß an Kohärenz hin. (B) Die zentralen Indizes der Kohärenzwerte aller Arten von Interaktionen. (C) Die Dynamik der Art der Interaktion ändert sich im Laufe der Aufgabe. (D) Der Prozentsatz der Punktzahlen für jede der vier Arten von Interaktionen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Wie in Abbildung 7D dargestellt, änderte sich bei Verwendung dieses Schwellenwerts die Verteilung der verschiedenen Arten von relativen Phasenbeziehungen. Der Prozentsatz der Anti-Phasen-Synchronisation stieg (von 35 % auf 59 %) und der Prozentsatz der In-Phase-Synchronisation sank (von 26 % auf 3 %). Dies deutet darauf hin, dass die Anti-Phasen-Synchronisation die Art der Wechselwirkung sein könnte, die für diese Dyade repräsentativer ist. Mit anderen Worten, die Definition eines Schwellenwerts ermöglicht die Durchführung einer empfindlicheren Analyse, bei der nur Zeitpunkte mit einem Mindestmaß an Kohärenz gemittelt werden. Es ist wichtig zu beachten, dass die Bestimmung des Schwellenwerts für den optimalen Kohärenzwert ein komplizierter Prozess ist, da der optimale Schwellenwert von einem Experiment zum anderen und in verschiedenen Umgebungen variieren kann. Obwohl die Toolbox die Möglichkeit bietet, einen Schwellenwert festzulegen, sind weitere Studien erforderlich, um ein Protokoll zur Identifizierung des optimalen Kohärenzwerts zu entwickeln. Darüber hinaus ist es wichtig, Werte für den Schwellenwert und die Häufigkeit von Interesse auszuwählen, die sich noch mit den Rsq-Werten überschneiden. Zum Beispiel zeigte die Funktion mit den Parametern lowFreq = 0,0067, highFreq = 0,1142, phaseRange = 90 und Threshold = 0,5 Wechselwirkungen mit Rsq-Werten nur über 0,5, aber die gleiche Funktion mit einem Schwellenwert von 0,7 führte zu einem Fehler, da es innerhalb des Frequenzbereichs keine Werte über 0,7 gab.
Ergänzungsdatei 1: Wavelet-Transformationskohärenz (WTC). Der Überblick über die Wavelet-Transformation und die Cross-Wavelet-Transformation, die zur Analyse der Zeit-Frequenz-Eigenschaften und der Interdependenz zweier Zeitreihen verwendet werden. Die Wavelet-Transformation zerlegt eine Zeitreihe in den Zeit-Frequenz-Raum35, während die Cross-Wavelet-Transformation die gemeinsame Leistung und Phase zwischen zwei Zeitreihen 9,30 aufzeigt. Der Text stellt auch die Kohärenz der Wavelet-Transformation vor, die den Grad der Synchronisation zwischen zwei Zeitreihen quantifiziert. Der R-Quadrat-Wert, der aus der Kohärenz der Wavelet-Transformation abgeleitet wird, spiegelt die Interdependenz wider, unterscheidet jedoch nicht zwischen positiven und negativen Korrelationen36. Es wird angenommen, dass positive und negative Korrelationen auf Zusammenhänge hinweisen37,38. Bitte klicken Sie hier, um diese Datei herunterzuladen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Eine der gebräuchlichsten Methoden, die in fNIRS-Studien verwendet wird, ist die Wavelet-Transformationskohärenz (WTC), die ein Maß für die Kreuzkorrelation zweier Zeitreihen in Abhängigkeit von Frequenz und Zeitist 10. WTC berechnet die Kohärenz und Phasenverschiebung zwischen zwei Zeitreihen mit Hilfe von Korrelationsanalysen (Supplementary File 1). FNIRS-Hyperscanning-Studien haben WTC verwendet, um das Reizdarmsyndrom in vielen Funktionsbereichen zu schätzen, einschließlich Aktionsüberwachung 12, kooperatives und kompetitives Verhalten 5,13,14,15, Nachahmung 16, Mutter-Kind-Problemlösung 17 und Lehr-Lern-Verhalten 18,19,20,21. Hyperscanning-Studien vergleichen häufig die hirnübergreifende Kohärenz, die mit der Wavelet-Kohärenztransformation (WTC) während einer experimentellen Aufgabe gemessen wird, mit der einer Kontrollaufgabe. Diese Vergleiche werden in der Regel mit einem WTC-"Hot Plot" dargestellt, der die Kohärenz zwischen den beiden Gehirnen zu jedem Zeitpunkt und jeder Frequenz anzeigt. Wie in Abbildung 1 zu sehen ist, wird die Phasenverzögerung durch die Richtung kleiner Pfeile im WTC-"Hot Plot" dargestellt. Frühere Studien haben es jedoch versäumt, die Phasenverzögerungsinformationen zu berücksichtigen, die durch die Richtung der kleinen Pfeile im WTC-"Hot Plot" dargestellt werden, und haben die Interhirnsynchronität (RDS) nur durch die Untersuchung der Kohärenz im WTC-Plot geschätzt. Dieses Versäumnis kann zu ungenauen oder unvollständigen Ergebnissen führen.
Die von Hamilton25 diskutierten Einschränkungen in Bezug auf die Interpretation von Cross-Brain-Kohärenzdaten in fNIRS-Hyperscanning-Studien werden in dem neuen Framework angegangen, das eine einfache Interpretation der Cross-Wavelet-Leistung ermöglicht, indem die Cross-Wavelet-Phase zur Erkennung der Richtungsabhängigkeit verwendet wird, und enthält auch ein Kohärenzanalysemodul zur Berechnung der Kohärenzwerte durch direkte Mittelung39. Dieser Ansatz ermöglicht es, die Entwicklung und Veränderung von Wechselwirkungen während einer Aufgabe zu untersuchen und liefert ein zuverlässiges Maß für die Kohärenz zwischen Signalen.
Ein solcher Ansatz wurde in Verhaltensstudien zur interpersonellen Synchronisation demonstriert, bei denen die relativen Phasendaten verwendet wurden, die aus der Cross-Wavelet-Analyse extrahiert werden können. Einige Studien haben diese Daten verwendet, um zwischen In-Phase- und Anti-Phase-Kohärenzwerten zu unterscheiden. Dieser Ansatz wurde beispielsweise verwendet, um die Handbewegungen von zwei improvisierenden Musikern40 zu bewerten und die soziale Haltungskoordination41 zu untersuchen. Einige Studien haben die Verteilung von Phasenwinkeln in Bewegungsdaten untersucht, um die Dynamik von Wechselwirkungen zu verstehen, indem sie Cross-Wavelet-Kohärenz während strukturierter42 und unstrukturierter43 Gespräche verwendeten.
Die relative Phase zwischen zwei Zeitreihen ermöglicht die Detektion von zeitlichen Verschiebungen zwischen Signalen der gleichen Frequenz. Im Bereich des EEG-Hyperscannings bewerten die meisten Methoden, die darauf abzielen, den Grad der Synchronisation neuronaler Zeitreihen zu bestimmen, die relative Phasenbeziehung zwischen den beiden Zeitreihen13,44.
Die kritischen Schritte bei der Verwendung der LeaderFollowerByPhase-Toolbox in fNIRS-Hyperscanning-Daten werden im Protokoll demonstriert. Konkret beinhaltet das Protokoll die Vorbestimmung von Signal 1 und Signal 2 in MATLAB, bevor die Toolbox ausgeführt wird. Es ist erwähnenswert, dass die Parameter wie die interessierende Frequenz (FOI), der Phasenbereich und der Schwellenwert optional sind und Standardwerte verwenden können, wenn sie nicht festgelegt werden. Das Filtern und Detrending von Rohsignalen wird empfohlen45. Darüber hinaus ist bei der Durchführung von Bandpassfiltern Vorsicht geboten, da dies die Auswahl des FOI beeinflussen kann.
Die FOI-Parameter (lowFreq, highFreq) erfordern eine sorgfältige Auswahl, wobei hochfrequentes und niederfrequentes physiologisches Rauschen wie Atmung (~0,2-0,3 Hz) und Herzpulsation (0,6-1,2 Hz) ausdrücklich ausgeschlossen werden. Es wird empfohlen, die interessierenden tiefen und hohen Frequenzen zwischen 0,01 und 0,7 Hz bzw.46 Hz zu wählen, da dieser Bereich auch hochfrequentes Rauschen wie Herzschläge (0,8-1 Hz) effektiv eliminiert.
Der Parameter phaseRange definiert einen Bereich um die Phasenwinkelwerte entsprechend den Bereichen, die der verzögerten Synchronisation mit Signal 1 führend (ein Bereich um −90°) oder Signal 2 (ein Bereich um 90°), Signal 1, Signal 2 in-phasenweise Synchronisation (ein Bereich um 0°) und Signal 1, Signal 2 Antiphasensynchronisation (ein Bereich um +180° oder −180°) entsprechen. Die Breite des umgebenden Bereichs um diese vier Punkte wird durch phaseRange definiert. Wenn phaseRange beispielsweise auf 90° eingestellt ist, liegt der Bereich für die phasengenaue Synchronisierung bei 0° zwischen −45° und 45°. Der Bereich für Signal 2 (verzögerte Synchronisation) liegt bei 90°, zwischen 45° und 135°, der Bereich für die Antiphasensynchronisation bei 180° oder −180° zwischen 135° und −135°; und der Bereich für Signal 1 (verzögerte Synchronisation) liegt um 180° zwischen −135° und −45°. Der Parameter phaseRange muss zwischen 0° und 90° Grad liegen, da sonst die folgende Meldung angezeigt wird: "Der Wert der Variablen phaseRange muss zwischen 0 und 90 liegen". Obwohl der Bereich eine beliebige Zahl von 0° bis 90° sein kann, ist der empfohlene Mindestwert 30° (±15°). Der Schwellenwert muss ein beliebiger Wert zwischen 0 und 1 sein, da sonst die folgende Meldung angezeigt wird: "Der Wert der Variablen Schwellenwert muss zwischen 0 und 1 liegen". Es wird empfohlen, einen Schwellenwert zwischen 0,25 und 0,75 zu wählen.
Die LeaderFollowerByPhase-Toolbox stellt zwar einen vielversprechenden Ansatz dar, ist aber nicht ohne Einschränkungen. Wie bereits erwähnt, ist die Bestimmung des optimalen Kohärenzwertschwellenwerts ein komplizierter Prozess, da der optimale Schwellenwert von einem Experiment zum anderen und zwischen verschiedenen Aufgaben variieren kann. Das Testen dieser Toolbox mit unterschiedlicheren Datasets ist erforderlich, um genauere Informationen über die optimalen Werte für den Schwellenwert zu erhalten.
Die Fähigkeit, komplexe menschliche Interaktionen mit Hilfe von fNIRS-Hyperscanning zu verstehen, wurde durch die Tatsache eingeschränkt, dass die derzeitigen Ansätze, die zur Erkennung der Kopplung zwischen zwei neuronalen Signalen verwendet werden, die Richtungsabhängigkeit der Signale ignorieren. Hier wird ein sensitiverer Ansatz zur Analyse der Kohärenz zweier neuronaler Signale mittels Wavelet-Transformationskohärenz (WTC) vorgeschlagen. Die Toolbox ermöglicht es den Forschern, die Richtungsabhängigkeit der Kopplung zu untersuchen, indem sie die Phasenwinkelwerte als In-Phase-Synchronisation, verzögerte Synchronisation und Anti-Phasen-Synchronisation klassifizieren.
Dieser neuartige Ansatz unter Verwendung der Toolbox wird detailliertere Informationen über die Natur dyadischer Wechselwirkungen liefern, die bisher fehlten. Während beispielsweise die Phasensynchronisation und die Anti-Phasen-Synchronisation als identisch behandelt wurden (Supplementary File 1)36), werden die Forscher nun in der Lage sein, das Ausmaß zu identifizieren, in dem sich die neuronalen Signale der Dyadenmitglieder in die gleiche Richtung bewegen (beide nehmen zu oder beide ab) oder in entgegengesetzte Richtungen (eine nimmt zu und die andere ab). Dies wird einen transformativen Einfluss auf das Verständnis haben, wie das Gehirn soziale Prozesse und Verhalten vermittelt.
Der vorgeschlagene Rahmen hat ein vielversprechendes Potenzial für zukünftige Anwendungen im Bereich der interpersonalen neuronalen Synchronisationsforschung, da er die Klassifizierung verschiedener Arten von Interaktionen ermöglicht, einschließlich In-Phase-Synchronisation, verzögerter Synchronisation und Anti-Phasen-Synchronisation. Durch die erneute Analyse der bisherigen Ergebnisse mit dem neuen vorgeschlagenen Framework können die Forscher ein umfassenderes Verständnis der Art der Synchronisation zwischen den Teilnehmern gewinnen. Insbesondere die Möglichkeit, zwischen phasen- und antiphasigen Wechselwirkungen zu unterscheiden, bietet ein neues Maß an Klarheit, das bisher nicht verfügbar war, was zu präziseren Interpretationen der bisherigen Ergebnisse führen könnte. Diese Funktionalität des Frameworks könnte auf eine Vielzahl von Szenarien angewendet werden, einschließlich der Untersuchung der Rolle der zwischenmenschlichen neuronalen Synchronisation in sozialem Verhalten, Kommunikation und Entscheidungsprozessen. Insgesamt stellt der vorgeschlagene Rahmen einen wertvollen Beitrag auf diesem Gebiet dar und birgt ein erhebliches Potenzial für zukünftige Anwendungen.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Die Autoren erklären, dass die Forschung in Abwesenheit von kommerziellen oder finanziellen Beziehungen durchgeführt wurde, die als potenzieller Interessenkonflikt ausgelegt werden könnten.
Acknowledgments
Wir möchten uns für die Unterstützung bedanken, die von der National Natural Science Foundation of China (Nr. 62207025), dem Forschungsprojekt für Geistes- und Sozialwissenschaften des Bildungsministeriums der Volksrepublik China (Nr. 22YJC190017) und den Grundlagenforschungsfonds für die zentralen Universitäten von Yafeng Pan geleistet wurde.
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. |
References
- 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).
- Balconi, M., Fronda, G., Vanutelli, M. E. Donate or receive? Social hyperscanning application with fNIRS. Current Psychology. 38 (4), 991-1002 (2019).
- Redcay, E., Schilbach, L. Using second-person neuroscience to elucidate the mechanisms of social interaction. Nature Reviews Neuroscience. 20 (8), 495-505 (2019).
- 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).
- 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).
- 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).
- 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).
- 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).
- Chang, C., Glover, G. H. Time-frequency dynamics of resting-state brain connectivity measured with fMRI. NeuroImage. 50 (1), 81-98 (2010).
- 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).
- Czeszumski, A., et al. Hyperscanning: A valid method to study neural inter-brain underpinnings of social interaction. Frontiers in Human Neuroscience. 14, 39 (2020).
- 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).
- 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).
- 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).
- 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).
- Holper, L., Scholkmann, F., Wolf, M. Between-brain connectivity during imitation measured by fNIRS. NeuroImage. 63 (1), 212-222 (2012).
- Nguyen, T., et al. The effects of interaction quality on neural synchrony during mother-child problem solving. Cortex. 124, 235-249 (2020).
- Zheng, L., et al. Enhancement of teaching outcome through neural prediction of the students' knowledge state. Human Brain Mapping. 39 (7), 3046-3057 (2018).
- 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).
- Pan, Y., et al. Instructor-learner brain coupling discriminates between instructional approaches and predicts learning. NeuroImage. 211, 116657 (2020).
- 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).
- 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).
- Nguyen, T., Hoehl, S., Vrtička, P. A guide to parent-child fNIRS hyperscanning data processing and analysis. Sensors. 21 (12), 4075 (2021).
- 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).
- Hamilton, A. F. deC.
- 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).
- 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).
- 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).
- 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).
- 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).
- Feldman, R.
- Fell, J., Axmacher, N. The role of phase synchronization in memory processes. Nature Reviews Neuroscience. 12 (2), 105-118 (2011).
- 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).
- Stam, C. J. Nonlinear dynamical analysis of EEG and MEG: Review of an emerging field. Clinical Neurophysiology. 116 (10), 2266-2301 (2005).
- Mallat, S. A Wavelet Tour of Signal Processing. , Academic Press. Cambridge, MA. (2009).
- 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).
- 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).
- 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).
- 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).
- 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).
- Varlet, M., Marin, L., Lagarde, J., Bardy, B. G.
- 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).
- Fujiwara, K., Daibo, I. Evaluating interpersonal synchrony: Wavelet transform toward an unstructured conversation. Frontiers in Psychology. 7, 516 (2016).
- 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).
- 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).
- Lu, K., Qiao, X., Yun, Q., Hao, N. Educational diversity and group creativity: Evidence from fNIRS hyperscanning. NeuroImage. 243, 118564 (2021).
