Waiting
Login processing...

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

Neuroscience

Новая основа для понимания межполушарной когерентности в исследованиях гиперсканирования с помощью функциональной спектроскопии ближнего инфракрасного диапазона (fNIRS)

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

Когерентность вейвлет-преобразования (WTC) — это распространенная методология оценки связи между сигналами, которая используется в исследованиях гиперсканирования с помощью функциональной спектроскопии ближнего инфракрасного диапазона (fNIRS). В работе представлен инструментарий для оценки направленности взаимодействия сигналов.

Abstract

Несмотря на растущее количество исследований в области функциональной спектроскопии ближнего инфракрасного диапазона (fNIRS), оценка связи между двумя нейронными сигналами с помощью когерентности вейвлет-преобразования (WTC), по-видимому, игнорирует направленность взаимодействия. В настоящее время в этой области отсутствует структура, которая позволила бы исследователям определить, отражает ли высокое значение когерентности, полученное с помощью функции ВТЦ, синфазную синхронизацию (т.е. нейронная активация наблюдается у обоих членов диады одновременно), запаздывающую синхронизацию (т.е. нейронная активация наблюдается у одного члена диады раньше другого); или противофазная синхронизация (т.е. нейронная активация увеличивается у одного члена диады и уменьшается у другого). Для удовлетворения этой потребности в данной работе предлагается дополнительный и более чувствительный подход к анализу фазовой когерентности двух нейронных сигналов. Набор инструментов позволяет исследователям оценить направленность связи, классифицируя значения фазового угла, полученные с помощью традиционного ВТЦ, на синфазную синхронизацию, синхронизацию с запаздыванием и противофазную синхронизацию. Инструментарий также позволяет исследователям оценить, как динамика взаимодействий развивается и изменяется на протяжении всей задачи. Использование этого нового подхода ВТЦ и его инструментария будет способствовать нашему пониманию сложных социальных взаимодействий через их использование в исследованиях гиперсканирования fNIRS.

Introduction

В последние годы произошел сдвиг в типах исследований, проводимых для понимания нейронных основ социального поведения 1,2. Традиционно исследования в области социальной нейробиологии были сосредоточены на нейронной активации в одном изолированном мозге во время выполнения социально значимой задачи. Тем не менее, достижения в области технологий нейровизуализации в настоящее время позволяют исследовать нейронную активацию в мозге одного или нескольких людей во время социального взаимодействия, как это происходит в «реальной» жизни. В условиях «реальной жизни» люди могут свободно двигаться, и паттерны активации мозга, вероятно, будут меняться по мере обмена информацией и получения обратной связи другот друга.

Гиперсканирование — это метод, который оценивает этот двунаправленный обмен информацией путем измерения активности мозга двух или более человек одновременно. В новых исследованиях использовалась функциональная спектроскопия ближнего инфракрасного диапазона (fNIRS), неинвазивный метод нейровизуализации, который, по сравнению с другими методами нейровизуализации, менее восприимчив картефактам движения. Гиперсканирование с помощью fNIRS позволяет оценить межмозговую синхронизацию (СРК) в реальных условиях, в то время как интерактивные партнеры двигаются свободно и естественно. Это особенно актуально для работы с младенцами и маленькими детьми, которые, как правило, довольно активны. Сообщается, что СРК отражает взаимопонимание между интерактивными партнерами, которое служит основой для эффективного социального взаимодействия и коммуникации и опосредует общую интенциональность 1,7,8.

Для оценки СРК двух головных мозгов используется несколько методов. К таким методам относятся корреляции временных рядов, такие как взаимная корреляция и коэффициент корреляции Пирсона 9,10 (см. обзор Scholkmann et al.10). Другие методы предполагают оценку силы связи в частотной области. К таким методам относятся значение фазовой автоподстройки (PLV) и фазовая когерентность (см. обзор Czeszumski et al.11). Один из наиболее распространенных методов в исследованиях fNIRS использует вейвлет-преобразование когерентности (WTC) - меру взаимной корреляции двух временных рядов в зависимости от частоты и времени10.

ВТЦ использует корреляционный анализ для расчета когерентности и фазового запаздывания между двумя временными рядами во временно-частотной области. В исследованиях гиперсканирования FNIRS ВТЦ использовался для оценки СРК во многих областях функционирования, включая мониторинг действий12, кооперативное и конкурентное поведение 5,13,14,15, имитацию 16, решение проблем между матерью и ребенком 17 и поведение преподавателя-обучения 18,19,20,21 . Как правило, в исследованиях гиперсканирования межмозговая когерентность, измеренная WTC, во время экспериментальной задачи сравнивается с межмозговой когерентностью во время контрольной задачи. Эти результаты обычно представляются в виде «горячего графика» ВТЦ, который показывает когерентность между двумя мозгами в каждый момент времени и с каждой частотой (см. рис. 1).

Как предположили Czesumaski et al.11, WTC стал стандартным аналитическим подходом для анализа гиперсканирования fNIRS. Анализ ВТЦ является гибким, «не зависящим от инструмента» методом визуализации и интерпретации данных22. Тепловая карта коэффициента когерентности, обеспечивающая повествовательную форму анализа, позволяющую легко идентифицировать периоды синхронного или асинхронного поведения, а также интенсивность мозговой активности во время выполнения задачи, является основным преимуществом ВТЦ и делает его сильным инструментом для прикладных исследований22. ЦМТ имеет преимущество перед корреляционными методами. Корреляции чувствительны к форме функции гемодинамического ответа (HRF), которая, как полагают, различается у разных людей (особенно с точки зрения возраста) и между различными областями мозга. В отличие от этого, ВТЦ не подвержен влиянию межрегиональных изменений в (HRF)23. Исследователи использовали вейвлет-подход для изучения временных рядов фМРТ. Zhang et al.24 сравнили широко используемые метрики функциональной связности, включая корреляцию Пирсона, частичную корреляцию, взаимную информацию и преобразование вейвлет-когерентности (WTC). Они провели классификационные эксперименты с использованием крупномасштабных функциональных паттернов связей, полученных из данных фМРТ в состоянии покоя и данных фМРТ при просмотре видео с естественным стимулом. Их результаты показали, что ВТЦ показал наилучшие результаты в классификации (специфичность, чувствительность и точность), подразумевая, что ВТЦ является предпочтительным показателем функциональной связности для изучения функциональных сетей мозга, по крайней мере,в классификационных приложениях.

Figure 1
Рисунок 1: Когерентность вейвлет-преобразования (WTC). ВТЦ показывает когерентность и фазовый угол между двумя временными рядами в зависимости от времени (ось x) и частоты (ось y). Увеличение когерентности показано красным цветом на графике, а маленькие стрелки на графике показывают фазовый угол двух временных рядов. Стрелка, направленная вправо, представляет синфазную синхронизацию; стрелки, направленные вниз и вверх, представляют синхронизацию с запаздыванием; а стрелка, направленная влево, представляет противофазную синхронизацию30. Эта цифра была адаптирована из Pan et al.19. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Недавно Гамильтон25 сформулировал несколько ограничений в интерпретации данных межмозговой когерентности в исследованиях гиперсканирования fNIRS. Одна из главных проблем Гамильтона заключалась в том, что показатели когерентности (например, ВТЦ) сообщают о симметричных эффектах (т.е. два мозга коррелируют друг с другом, демонстрируя одну и ту же картину изменений). Тем не менее, многие социальные взаимодействия асимметричны (например, поток информации между говорящим и слушающим) в том смысле, что два участника могут играть разные роли, и неясно, может ли ВТЦ зафиксировать эту информацию. В данном случае эта проблема решается с помощью новой структуры, которая позволяет легко интерпретировать мощность кросс-вейвлет-излучения с помощью кросс-вейвлет-фазы для определения направленности. Эта структура также позволит изучить, как развивается и изменяется динамика взаимодействий на протяжении всей задачи.

В то время как ВТЦ и корреляционные методы оценивают функциональную связность, другие методы оценивают эффективную связность, пытаясь извлечь причинно-следственные влияния одного нейронного элемента на другой. Энтропия переноса — мера из области теории информации, описывающая перенос между совместно зависимыми процессами26. Другим родственным методом является анализ причинно-следственной связи Грейнджера (GCA), который был описан как эквивалент энтропии переноса26.

В существующей литературе, посвященной исследованиям гиперсканирования fNIRS, анализ причинно-следственных связей Грейнджера (GCA) широко используется для оценки направленности связи между данными временных рядов fNIRS, полученными в ходе различных задач, таких как сотрудничество5, обучение19 и имитация16. GCA использует векторные авторегрессионные модели для оценки направленности связи между временными рядами в данных мозга. Причинно-следственная связь Грейнджера основана на предсказании и приоритете: «переменная X называется «G-причиной» переменной Y, если прошлое X содержит информацию, которая помогает предсказать будущее Y, сверх информации, уже имеющейся в прошлом Y»27. Соответственно, G-причинность анализируется в двух направлениях: 1) от субъекта А к субъекту Б и 2) от субъекта Б к субъекту А.

В то время как анализ GCA служит дополнительным анализом, направленным на определение того, отражает ли высокое значение когерентности, полученное с помощью функции WTC, IBS или запаздывающую синхронизацию (один сигнал опережает другой), он не позволяет определить, имела ли место противофазная синхронизация. В традиционных нейровизуализационных исследованиях, в которых сканируется только один участник (т.е. подход «одного мозга»), антифазный паттерн означает, что активность в одной области мозга увеличивается, в то время как активность в другой областимозга снижается. В литературе, посвященной гиперсканированию, наличие противофазной синхронизации может свидетельствовать о том, что нейронная активация повышена у одного субъекта, и в то же время нейронная активация снижена у другого субъекта. Поэтому необходимо предоставить комплексную модель, способную определить направленность. В частности, эта модель сможет обнаруживать антифазную синхронизацию (при которой направление активности у одного индивидуума противоположно направлению активности его партнера) в дополнение к синфазной синхронизации и запаздывающей синхронизации.

В попытке решить проблему того, что ВТЦ демонстрирует только симметричные эффекты, когда оба мозга демонстрируют одну и ту же картинуизменений, представлен новый подход к определению типа взаимодействия путем изучения фазы синхронизации (т.е. синфазной, запаздывающей или антифазной) (см. рис. 2). С этой целью был разработан инструментарий, использующий метод ВТЦ для классификации различных типов взаимодействий. Типы взаимодействий классифицируются с использованием относительных фазовых данных, полученных при анализе кросс-вейвлет-преобразований.

Figure 2
Рисунок 2: Иллюстрация различных фазовых соотношений простых синусоидальных волн. (A) Когда два сигнала, Сигнал 1 (синяя линия s) и Сигнал 2 (оранжевая линияs), достигают своих соответствующих максимальных, минимальных и нулевых значений в один и тот же момент времени, говорят, что они показывают синфазную синхронизацию32. (B) Когда один сигнал достигает своего максимального значения, а другой сигнал достигает нуля в тот же момент времени, говорят, что они показывают синхронизацию с запаздыванием (один опережает на 90°)32,33,34. (C) Когда два временных ряда смещаются в противоположных направлениях, что означает, что один сигнал достигает максимума, а другой достигает минимального значения в один и тот же момент времени, это называется противофазной синхронизацией28. (Д-) Во всех остальных фазовых соотношениях между двумя временными рядами один сигнал опережает другой. Во всех положительных фазах сигнал 2 является ведущим сигналом 1 (например, панели E, F, M и N), тогда как во всех отрицательных фазах сигнал 1 опережает сигнал 2 (например, панели D, G, H, O и P). Примечательно, что когда абсолютное значение фазы выше, становится более различимым, какой временной ряд опережает другой (например, лидерство более отчетливо выражено в панели J, чем в панели I, а в панели K лидерство более отчетливо, чем в панели L). Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Исследование было проведено в Атлантическом университете Флориды (FAU) и было одобрено Институциональным наблюдательным советом FAU (IRB).

1. Использование программного обеспечения Homer3 (Table of Materials) для выполнения предварительной обработки данных гиперсканирования fNIRS

ПРИМЕЧАНИЕ: Homer3 - это приложение MATLAB, которое анализирует данные fNIRS для получения оценок и карт активации мозга29. Homer3 можно скачать и установить по следующей ссылке (https://openfnirs.org/software/homer/).

  1. Откройте MATLAB и перейдите в папку, в которой сохранены необработанные файлы .nirs. Выберите и откройте папку.
  2. Введите Homer3 в командном окне MATLAB, чтобы запустить графический интерфейс Homer3 . Гомер3. обнаружит файлы .nirs и попросит преобразовать их в формат .snirf (универсальный формат файлов для хранения и обмена данными NIRS независимо от какого-либо конкретного формата файлов, специфичного для конкретного приложения, такого как MATLAB), чтобы продолжить предварительную обработку данных.
  3. После импорта файлов .nirs в формат .snirf в Homer3 нажмите на опцию Tools в графическом интерфейсе Homer3 и выберите Edit Processing Stream.
  4. В графическом интерфейсе ProcStreamEdit выберите шаги предварительной обработки из столбца « Функция реестра » в столбец «Текущий поток обработки », нажав кнопку «Добавить». Включены следующие этапы предварительной обработки:
    1. Используйте hmrR_intensity2OD для преобразования данных интенсивности в оптическую плотность.
    2. Используйте hmrR_MotionCorrectWavelet для коррекции артефактов движения с помощью соответствующей функции фильтрации.
    3. Используйте hmrR_OD2conc для преобразования данных наружного диаметра в концентрацию.
    4. Используйте hmR_BlockAvg для вычисления среднего значения блока по данным концентрации.
      ПРИМЕЧАНИЕ: Выбор шагов предварительной обработки может варьироваться в зависимости от типа набора данных.
  5. Чтобы сохранить текущий поток обработки, нажмите на опцию Сохранить , а затем выйдите из графического интерфейса ProcStreamEdit.
  6. Чтобы запустить поток предварительной обработки в главном графическом интерфейсе Homer3, нажмите на опцию RUN . После того, как Homer3 завершит выполнение выбранного потока обработки, он сохранит предварительно обработанные временные ряды для каждого участника в формате .mat, содержащем Hbo, Hbr и Hbt для всех каналов и событий. Homer3 создаст папку с именем homer output в текущей выбранной папке для хранения этих файлов.
  7. Homer3 создаст папку с именем derivatives в выбранной папке для хранения этих файлов. Выберите папку homer, расположенную в папке derivatives. Выберите файл .mat для каждого мозга и экспортируйте Hbo, Hbr, Hbt.
    ПРИМЕЧАНИЕ: Имя выходной папки, созданной Homer3, зависит от версии Homer3.

2. Начало работы с набором инструментов LeaderFollowerByPhase

  1. Для анализа типа взаимодействия, возникающего в записи гиперсканирования, используйте набор инструментов LeaderFollowerByPhase, как описано в процессе, показанном на рисунке 3. В MATLAB выберите файлы .mat для каждого мозга и загрузите данные Hbo (или Hbr) по конкретному каналу и конкретному событию в одномерный вектор в виде signal1 и signal2.
  2. В командной строке MATLAB определите параметры
    1. lowFreq, highFreq: Введите lowFreq = [низкий FOI], а highFreq = [high FOI]. Значения по умолчанию: lowFreq = 0,01 Гц, highFreq = 1 Гц.
      ПРИМЕЧАНИЕ: Параметры функций lowFreq и highFreq определяют диапазон частот интереса (FOI). WTC вычисляет когерентность между двумя мозгами в каждый момент времени и с каждой частотой. Значения когерентности обычно усредняются в пределах конкретного FOI.
    2. Определите параметр phaseRange; type phaseRange = [диапазон в град.].
      ПРИМЕЧАНИЕ: Значение по умолчанию — phaseRange = 90°. Фаза колеблется от 0° до 360° из-за кругового типа фазы по модулю. Фазовые диапазоны разделены в соответствии с диапазоном, который окружает четыре точки. В представленном инструментарии представлен новый подход к классификации асимметричных взаимодействий (рис. 4) путем изучения направленности связи с использованием значений фазового угла в соответствии с диапазонами, соответствующими запаздывающей синхронизации с ведущим сигналом 1 (диапазон около −90°) или ведущим сигналом 2 (диапазон около 90°), сигналом 1, синфазной синхронизацией сигнала 2 (диапазон, близкий к 0), и противофазная синхронизация сигнала 1, сигнала 2 (диапазон +180° или −180°).
    3. Задайте параметр Пороговое значение. Введите threshold = [threshold rsq val]. Значение по умолчанию — Threshold = 0.
      ПРИМЕЧАНИЕ: Набор инструментов позволяет задать пороговое значение когерентности, указав параметр порога. Это позволяет исследователю выбирать моменты времени с заданным минимальным значением когерентности. Следовательно, учитываются только временные точки со значениями когерентности, превышающими указанное пороговое значение.
  3. Загрузите набор инструментов LeaderFollowerByPhase по следующей ссылке (https://www.ariel.ac.il/wp/sns/download/ или https://github.com/Minisharmaa/Leader-Follower-By-Phase).
  4. Выполните функцию MATLAB LeaderFollowerByPhase, введя в командную строку команду cohervalues = LeaderFollowerByPhase(signal1, signal2, lowFreq, highFreq, phaseRange, threshold).
    ПРИМЕЧАНИЕ: Расчеты когерентности и фазы выполняются с использованием функций WTC и XWT в MATLAB, соответственно30.
  5. Проверьте значения синфазной синхронизации, ведущего сигнала 1, ведущего сигнала 2 и противофазной синхронизации:
    1. Проверьте графики в MATLAB. Набор инструментов генерирует одну фигуру с четырьмя графиками.
      1. Когерентность по типу взаимодействия: Посмотрите на ящичковую диаграмму в верхней левой части рисунка, на которой показан R-квадрат (Rsq) в соответствии с каждым типом взаимодействия (синфазный, сигнал 1 ведущий, сигнал 2 опережающий, противофазный).
        ПРИМЕЧАНИЕ: Подробное описание встроенной функции ящичковой диаграммы MATLAB см. по следующей ссылке (https://www.mathworks.com/help/matlab/ref/boxchart.html).
      2. Центральные индексы по типу взаимодействия: Посмотрите на гистограмму в правой верхней части выходного рисунка, на которой отображается максимальное среднее значение и медиана для каждого типа взаимодействия (синфазное, сигнал 1 ведущий, сигнал 2 опережающий, противофазный).
        ПРИМЕЧАНИЕ: Подробное описание встроенной функции MATLAB bar см. по следующей ссылке (https://www.mathworks.com/help/matlab/ref/bar.html).
      3. Согласованность с течением времени: Проверьте диаграмму рассеяния в левой нижней части выходного рисунка, на которой отображаются значения когерентности и типы взаимодействия с течением времени. Цветные точки представляют различные типы взаимодействия (черные точки представляют синфазную синхронизацию, темно-серые точки — ведущий сигнал 1, светло-серые точки — ведущий сигнал 2, а фиолетовые точки — противофазную синхронизацию).
        ПРИМЕЧАНИЕ: На рисунке показана динамика взаимодействия: обмен между четырьмя типами взаимодействия на протяжении всего рабочего ряда. Подробное описание функции рассеяния MATLAB приведено по следующей ссылке (https://www.mathworks.com/help/matlab/ref/scatter.html).
      4. Процент времени: Просмотрите круговую диаграмму в правой нижней части выходного рисунка, которая отображает деление времени в соответствии с различными типами взаимодействий.
        ПРИМЕЧАНИЕ: Подробное описание круговой функции MATLAB см. по следующей ссылке (https://www.mathworks.com/help/matlab/ref/pie.html).
  6. Проверьте выходную таблицу со статистическими значениями (т. е. среднее, максимальное, медиана и стандартное отклонение) для каждого типа взаимодействия (синфазная синхронизация, опережающий сигнал 1, ведущий сигнал 2, противофазная синхронизация). В таблице также представлен процент времени, в течение которого происходил каждый тип взаимодействия. Каждый тип взаимодействия отображается в отдельном столбце.
  7. Проверьте выходное значение в извлеченном файле электронной таблицы (т. е. datatable.xlsx, расположенном в текущей папке).

Figure 3
Рисунок 3: Обзор рабочего процесса. (А) Были собраны диады мать-ребенок, участвующие в свободной игре, во время гиперсканирования fNIRS-данных. (Б) Иллюстрация временного ряда между матерью и ребенком. (C) Предварительная обработка временных рядов с помощью Homer3. (Д,Э) Использование набора инструментов для изучения различных типов взаимодействий, таких как синфазная синхронизация, антифазная синхронизация и синхронизация с запаздыванием. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Figure 4
Рисунок 4: Классификация четырех различных типов взаимодействий по фазе. Это представляет собой разность фаз двух нейронных временных рядов по модулю 360°. Разность фаз можно рассматривать как временную задержку между двумя значениями и измеряется в градусах и радианах или долях длины волны. Здесь модуль 360° разделен на четыре различных диапазона, отображающих четыре различные фазы взаимодействия: (A) ведущий сигнал 1 (диапазон около 90°, от 45° до 135°), (B) противофазная синхронизация между сигналом 1 и сигналом 2 (диапазон около 180° или −180°, от 135 до −135°), (C) ведущий сигнал 2 (от −135° до −45°), (D) синфазная синхронизация (диапазон около 0, от −45° до 45°). Это деление является подходом по умолчанию (45° вокруг каждой точки); Тем не менее, панель инструментов позволяет настроить другое подразделение. В то время как другие конфигурации могут не охватывать все 360°, они могут дать более точное определение каждого типа взаимодействия. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

В этом разделе демонстрируются типы анализов, которые можно выполнять с помощью панели инструментов (которую можно загрузить по адресу https://www.ariel.ac.il/wp/sns/download/ или https://github.com/Minisharmaa/Leader-Follower-By-Phase.). Для этого анализа были использованы данные fNIRS, собранные с помощью небольшой выборки диад «младенец-родитель». Шесть пар диад мать-младенец были протестированы с использованием валидированного поведенческого задания, заданиясвободной игры 31, которое максимально приближено к реальному взаимодействию младенца и матери. Перед началом эксперимента младенцам и родителям был предоставлен специально изготовленный оптодный набор для сбора данных fNIRS. Оптодный набор, использованный для сбора данных fNIRS в этом исследовании, состоял из 8 источников (красные точки) и 8 детекторов (синие точки), которые были сконфигурированы для создания 18 каналов, охватывающих префронтальную и височно-теменную области с обеих сторон (см. рис. 5). NIRScout получил данные оптической визуализации с использованием двух длин волн: 760 нм, которая более чувствительна к дезоксигемоглобину (HbR), и 850 нм, которая более чувствительна к оксигемоглобину (HbO). Все родители были женского пола (возрастной диапазон = 26-36 лет), а младенцы были здоровыми и доношенными (две девочки, четыре мальчика, возрастной диапазон = 1-2 года) без известных задержек в развитии. Диады вербовались через рекламу. Каждый родитель дал информированное согласие перед экспериментом, и ему заплатили за участие. Для простоты анализ фокусируется на данных, полученных на канале 18 Диады А.

Figure 5
Рисунок 5: Оптодный набор, использованный в предварительном исследовании. Набор оптодов, использованный для сбора данных fNIRS в предварительном исследовании, состоял из 8 источников (красные точки) и 8 детекторов (синие точки), которые были сконфигурированы для создания 18 каналов (желтые линии), охватывающих префронтальную и височно-теменную области с обеих сторон. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Инструментарий был использован для выявления изменений в типах взаимодействия, которые могут быть идентифицированы с течением времени для этого канала для конкретной диады. Параметры функции были следующими: Signal 1 = канал 18 mother, Signal 2 = канал 18 mother, lowFreq = 0.0067, highFreq = 0.1142, phaseRange = 90, Threshold = 0.

Figure 6
Рисунок 6: Классификационный анализ при пороге 0. Пороговое значение равно 0 (Threshold = 0). (A) Ящичковые диаграммы, представляющие значение когерентности, связанное с взаимодействиями. Для каждого типа взаимодействия есть по одному, а также указаны медиана и межквартильный размах (IQR). Более высокие баллы указывают на более высокий уровень согласованности. (Б) Центральные индексы значений когерентности всех типов взаимодействий. (В) Динамика типа взаимодействия изменяется на протяжении всей задачи. (D) Процентное соотношение баллов для каждого из четырех типов взаимодействий. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Во-первых, каждая временная точка была классифицирована по одному из четырех типов взаимодействия (синфазное, противофазное, ведущее мать или младенческое) (рис. 6). На рисунке 6D показан процент моментов времени, которые были классифицированы по каждому из четырех типов взаимодействий. Важно отметить, что, несмотря на то, что инструментарий может определять проценты и значения когерентности, связанные с взаимодействиями, возглавляемыми одним из участников (рис. 6A), его уникальный вклад заключается в том, что он также представляет проценты (рис. 6D) и центральные индексы значений когерентности всех типов взаимодействий, включая противофазную синхронизацию (рис. 6B). Наконец, инструментарий позволяет проследить, как меняется динамика типа взаимодействия на протяжении всей задачи (рис. 6C). Важно отметить, что, как и в случае с GCA-анализом, инструментарий рассчитывает эти индексы для каждой диады отдельно. Для определения типа взаимодействия необходимо провести анализ на уровне группы с использованием этих индексов.

Для изучения влияния изменения этих минимальных пороговых значений на классификацию типов взаимодействия внутри диады классификационный анализ был повторен с пороговым значением 0,5 на диаде А (рис. 7).

Figure 7
Рисунок 7: Классификационный анализ при пороге 0,5. Пороговое значение устанавливается равным 0,5 (Threshold = 0,5). (A) Ящичковые диаграммы, представляющие значение когерентности, связанное с взаимодействиями. Для каждого типа взаимодействия есть по одному, а также указаны медиана и межквартильный размах (IQR). Более высокие баллы указывают на более высокий уровень согласованности. (Б) Центральные индексы значений когерентности всех типов взаимодействий. (В) Динамика типа взаимодействия изменяется на протяжении всей задачи. (D) Процентное соотношение баллов для каждого из четырех типов взаимодействий. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Как показано на рисунке 7D, при использовании этого порога изменялось распределение различных типов относительных фазовых отношений. Процент противофазной синхронизации увеличился (с 35% до 59%), а процент синфазной синхронизации снизился (с 26% до 3%). Это говорит о том, что антифазная синхронизация может быть тем типом взаимодействия, который более репрезентативен для этой диады. Другими словами, определение порога позволяет проводить более чувствительный анализ, в котором усредняются только временные точки с минимальным уровнем когерентности. Важно отметить, что определение оптимального порога значения когерентности является сложным процессом, поскольку оптимальный порог может варьироваться от одного эксперимента к другому и в разных средах. Несмотря на то, что инструментарий предоставляет возможность установить пороговое значение, необходимы дополнительные исследования для разработки протокола для определения оптимального значения когерентности. Кроме того, важно выбрать пороговые и частотные значения интереса, которые все же пересекаются со значениями Rsq. Например, функция с параметрами lowFreq = 0.0067, highFreq = 0.1142, phaseRange = 90 и Threshold = 0.5 показывала взаимодействия со значениями Rsq только выше 0.5, но та же функция с порогом 0.7 приводила к ошибке, так как в диапазоне частот не было значений выше 0.7.

Дополнительный файл 1: Когерентность вейвлет-преобразования (WTC). Обзор вейвлет-преобразования и кросс-вейвлет-преобразования, которые используются для анализа частотно-временных характеристик и взаимозависимости двух временных рядов. Вейвлет-преобразование разлагает временной ряд на частотно-временное пространство35, в то время как кросс-вейвлет-преобразование показывает общую мощность и фазу между двумя временными рядами 9,30. В тексте также описывается когерентность вейвлет-преобразования, которое количественно определяет степень синхронизации между двумя временными рядами. Значение R-квадрат, полученное из когерентности вейвлет-преобразования, отражает взаимозависимость, но не различает положительную и отрицательную корреляции36. Предполагается, что положительные и отрицательные корреляции указывают на взаимосвязи37,38. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Одним из наиболее распространенных методов, используемых в исследованиях fNIRS, является когерентность вейвлет-преобразования (WTC), которая является мерой взаимной корреляции двух временных рядов в зависимости от частоты и времени10. ВТЦ вычисляет когерентность и фазовое запаздывание между двумя временными рядами с помощью корреляционного анализа (Дополнительный файл 1). В исследованиях гиперсканирования FNIRS ВТЦ использовался для оценки СРК во многих областях функционирования, включая мониторинг действий12, кооперативное и конкурентное поведение 5,13,14,15, имитацию 16, решение проблем между матерью и ребенком 17 и поведение преподавателя-обучения 18,19,20,21 . В исследованиях гиперсканирования часто сравнивается межполушарная когерентность, измеренная с помощью вейвлет-преобразования когерентности (WTC) во время экспериментальной задачи, с контрольной задачей. Эти сравнения обычно представляются с помощью «горячего графика» ВТЦ, который отображает согласованность между двумя мозгами в каждый момент времени и на каждой частоте. Кроме того, как видно на рисунке 1, информация о фазовом запаздывании показана направлением маленьких стрелок на «горячем графике» ВТЦ. Тем не менее, предыдущие исследования пренебрегали информацией о фазовом запаздывании, представленной направлением маленьких стрелок на «горячем графике» ВТЦ, и оценивали межмозговую синхронность (СРК) только путем изучения согласованности графика ВТЦ. Эта оплошность может привести к неточным или неполным выводам.

Ограничения, обсуждаемые Гамильтоном25 в отношении интерпретации данных межмозговой когерентности в исследованиях гиперсканирования fNIRS, рассматриваются в новой структуре, позволяющей легко интерпретировать мощность кросс-вейвлет-излучения с использованием фазы кросс-вейвлета для определения направленности, а также включает модуль анализа когерентности для вычисления значений когерентности путем их прямого усреднения39. Такой подход позволяет исследовать развитие и изменение взаимодействий на протяжении всей задачи и обеспечивает надежную меру согласованности между сигналами.

Такой подход был продемонстрирован в поведенческих исследованиях межличностной синхронизации, в которых использовались относительные фазовые данные, которые могут быть извлечены из кросс-вейвлет-анализа. В некоторых исследованиях эти данные использовались для различения синфазных и антифазных значений когерентности. Например, этот подход был использован для оценки движений рук двух музыкантов-импровизаторов40 и для изучения социальной постуральной координации41. В некоторых исследованиях изучалось распределение фазовых углов в данных о движении, чтобы понять динамику взаимодействий с помощью кросс-вейвлет-когерентности во время структурированных42 и неструктурированных43 разговоров.

Относительная фаза между двумя временными рядами позволяет обнаруживать временные сдвиги между сигналами одной и той же частоты. Действительно, в области гиперсканирования ЭЭГ большинство методов, направленных на определение степени синхронизации нейронных временных рядов, оценивают относительную фазовую зависимость между двумя временными рядами 13,44.

В протоколе демонстрируются важнейшие этапы использования инструментария LeaderFollowerByPhase в данных гиперсканирования fNIRS. В частности, протокол включает в себя предварительное определение сигналов 1 и 2 в MATLAB перед запуском инструментария. Следует отметить, что такие параметры, как интересующая частота (FOI), фазовый диапазон и пороговое значение, являются необязательными и могут использовать значения по умолчанию, если их не задать. Рекомендуется фильтрация и удаление трендов необработанных сигналов45. Кроме того, необходимо соблюдать осторожность при проведении полосовой фильтрации, так как это может повлиять на выбор FOI.

Параметры FOI (lowFreq, highFreq) требуют тщательного отбора, в частности, исключения высокочастотных и низкочастотных физиологических шумов, таких как дыхание (~0,2-0,3 Гц) и пульсация сердца (0,6-1,2 Гц). Рекомендуется принимать интересующие низкие и высокие частоты в диапазоне от 0,01 до 0,7 Гц соответственно46, так как этот диапазон также эффективно устраняет высокочастотные шумы, такие как сердцебиение (0,8-1 Гц).

Параметр phaseRange определяет диапазон значений фазового угла в соответствии с диапазонами, соответствующими синхронизации с запаздыванием с ведущим сигналом 1 (диапазон около −90°) или ведущим сигналом 2 (диапазон около 90°), сигналом 1, синфазной синхронизацией сигнала 2 (диапазон около 0°) и сигналом 1, противофазной синхронизацией сигнала 2 (диапазон вокруг +180° или −180°). Ширина окружающего диапазона вокруг этих четырех точек определяется параметром phaseRange Например, если для phaseRange задано значение 90°, то диапазон для синфазной синхронизации будет находиться в диапазоне от −45° до 45°; диапазон для опережения сигнала 2 (синхронизация с запаздыванием) будет находиться в диапазоне от 90° до 135°, диапазон для противофазной синхронизации будет находиться в диапазоне 180° или −180°, от 135° до −135°; а диапазон для ведущего сигнала 1 (синхронизация с запаздыванием) будет около 180°, от −135° до −45°. Параметр phaseRange должен находиться в диапазоне от 0° до 90° градусов, в противном случае будет выведено следующее сообщение: "Значение переменной phaseRange должно быть в диапазоне от 0 до 90". Хотя диапазон может быть любым числом от 0° до 90°, минимальное рекомендуемое значение составляет 30° (±15°). Значение Threshold должно быть любым значением от 0 до 1, в противном случае будет выведено следующее сообщение: «Значение переменной Threshold должно быть в диапазоне от 0 до 1». Рекомендуется выбирать пороговое значение в диапазоне от 0,25 до 0,75.

Несмотря на то, что набор инструментов LeaderFollowerByPhase представляет собой многообещающий подход, он не лишен ограничений. Как упоминалось выше, определение оптимального порога значения когерентности является сложным процессом, так как оптимальный порог может варьироваться от одного эксперимента к другому и между различными задачами. Тестирование этого инструментария на более разнообразных наборах данных необходимо для получения более точной информации об оптимальных значениях порогового значения.

Способность понимать сложные взаимодействия человека с помощью гиперсканирования fNIRS была ограничена тем фактом, что современные подходы, используемые для обнаружения связи между двумя нейронными сигналами, игнорируют направленность сигналов. Здесь предложен более чувствительный подход к анализу когерентности двух нейронных сигналов с использованием когерентности вейвлет-преобразования (WTC). Набор инструментов позволяет исследователям исследовать направленность связи, классифицируя значения фазового угла как представляющие синфазную синхронизацию, синхронизацию с запаздыванием и противофазную синхронизацию.

Этот новый подход с использованием инструментария позволит получить более подробную информацию о природе диадических взаимодействий, которой до сих пор не хватало. Например, в то время как фазовая синхронизация и антифазная синхронизация рассматривались как идентичные (Дополнительный файл 1)36, исследователи теперь смогут определить, в какой степени нейронные сигналы членов диады движутся в одном и том же направлении (оба увеличиваются или оба уменьшаются) или в противоположных направлениях (один увеличивается, а другой уменьшается). Это окажет преобразующее влияние на понимание того, как мозг опосредует социальные процессы и поведение.

Предложенная структура имеет многообещающий потенциал для будущих применений в области исследований межличностной нейронной синхронизации, поскольку она позволяет классифицировать различные типы взаимодействий, включая синфазную синхронизацию, синхронизацию с запаздыванием и антифазную синхронизацию. Повторно проанализировав предыдущие результаты с помощью новой предложенной схемы, исследователи могут получить более полное представление о природе синхронизации между участниками. В частности, способность дифференцировать синфазные и противофазные взаимодействия обеспечивает новый уровень ясности, который ранее был недоступен, что может привести к более точной интерпретации предыдущих результатов. Эта функциональность фреймворка может быть применена к широкому спектру сценариев, включая изучение роли межличностной нейронной синхронизации в социальном поведении, коммуникации и процессах принятия решений. В целом, предлагаемая концепция представляет собой ценный вклад в эту область и обладает значительным потенциалом для будущих применений.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Авторы заявляют, что исследование проводилось в отсутствие каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Acknowledgments

Мы хотели бы выразить признательность за поддержку, оказанную Национальным фондом естественных наук Китая (No 62207025), Исследовательским проектом по гуманитарным и социальным наукам от Министерства образования Китая (No 22YJC190017) и Фондами фундаментальных исследований для центральных университетов Яфэн Пань.

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

Функциональная спектроскопия ближнего инфракрасного диапазона Гиперсканирование FNIRS Межполушарная когерентность Когерентность вейвлет-преобразования Оценка связи Направленность взаимодействия Синфазная синхронизация Запаздывающая синхронизация Противофазная синхронизация Анализ фазовой когерентности Оценка направленности связи Динамика взаимодействий Социальные взаимодействия Исследования гиперсканирования FNIRS
Новая основа для понимания межполушарной когерентности в исследованиях гиперсканирования с помощью функциональной спектроскопии ближнего инфракрасного диапазона (fNIRS)
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