Waiting
Login processing...

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

Neuroscience

Nuevo marco para comprender la coherencia entre cerebros en estudios de hiperexploración de espectroscopia funcional de infrarrojo cercano (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

La coherencia de la transformada wavelet (WTC) es una metodología común para evaluar el acoplamiento entre señales que se utiliza en los estudios de hiperbarrido de espectroscopia funcional de infrarrojo cercano (fNIRS). En este trabajo se presenta una caja de herramientas para evaluar la direccionalidad de la interacción de la señal.

Abstract

A pesar del creciente número de estudios de hiperbarrido de espectroscopia funcional de infrarrojo cercano (fNIRS), la evaluación del acoplamiento entre dos señales neuronales mediante la coherencia de la transformada wavelet (WTC) parece ignorar la direccionalidad de la interacción. En la actualidad, el campo carece de un marco que permita a los investigadores determinar si un valor de coherencia alto obtenido mediante una función WTC refleja la sincronización en fase (es decir, la activación neuronal se observa en ambos miembros de la díada al mismo tiempo), la sincronización retrasada (es decir, la activación neuronal se observa en un miembro de la díada antes que en el otro miembro), o sincronización antifase (es decir, la activación neuronal aumenta en un miembro de la díada y disminuye en el otro). Para abordar esta necesidad, en este trabajo se propone un enfoque complementario y más sensible para analizar la coherencia de fase de dos señales neuronales. La caja de herramientas permite a los investigadores estimar la direccionalidad del acoplamiento clasificando los valores de ángulo de fase obtenidos utilizando el WTC tradicional en sincronización en fase, sincronización retardada y sincronización antifase. La caja de herramientas también permite a los investigadores evaluar cómo se desarrolla y cambia la dinámica de las interacciones a lo largo de la tarea. El uso de este novedoso enfoque del WTC y la caja de herramientas avanzará en nuestra comprensión de las interacciones sociales complejas a través de sus usos en los estudios de hiperescaneo fNIRS.

Introduction

En los últimos años, se ha producido un cambio en los tipos de estudios realizados para comprender las bases neuronales del comportamiento social 1,2. Tradicionalmente, los estudios en neurociencia social se han centrado en la activación neuronal en un cerebro aislado durante una tarea socialmente relevante. Sin embargo, los avances en la tecnología de neuroimagen ahora permiten examinar la activación neuronal en los cerebros de uno o más individuos durante la interacción social, tal como ocurreen entornos de la "vida real". En entornos de la "vida real", los individuos pueden moverse libremente, y es probable que los patrones de activación cerebral cambien a medida que se intercambia información y los socios sociales reciben retroalimentaciónentre sí.

El hiperescaneo es un método que evalúa este intercambio bidireccional de información midiendo la actividad cerebral de dos o más individuos simultáneamente5. Un cuerpo de investigación emergente ha utilizado la espectroscopia funcional de infrarrojo cercano (fNIRS), una técnica de neuroimagen no invasiva que, en comparación con otras técnicas de neuroimagen, es menos susceptible a los artefactos demovimiento. El hiperescaneo a través de fNIRS permite la evaluación de la sincronización intercerebral (SII) en entornos de la vida real mientras los socios interactivos se mueven libre y naturalmente. Esto es particularmente relevante para el trabajo con bebés y niños pequeños, que tienden a ser bastante activos. Se ha informado que el SII refleja el entendimiento mutuo entre los socios interactivos, lo que sirve como base para la interacción social y la comunicación efectivas y media la intencionalidad compartida 1,7,8.

Se utilizan varios métodos para evaluar el SII de dos cerebros. Dichos métodos incluyen correlaciones de series temporales, como la correlación cruzada y el coeficiente de correlación de Pearson 9,10 (véase la revisión de Scholkmann et al.10). Otros métodos implican la evaluación de la fuerza del acoplamiento en el dominio de la frecuencia. Estos métodos incluyen el valor de bloqueo de fase (PLV) y la coherencia de fase (véase una revisión de Czeszumski et al.11). Uno de los métodos más comunes en los estudios fNIRS utiliza la coherencia de la transformada wavelet (WTC), una medida de la correlación cruzada de dos series temporales en función de la frecuencia y el tiempo10.

WTC utiliza análisis correlacionales para calcular la coherencia y el desfase entre dos series temporales en el dominio tiempo-frecuencia. Los estudios de hiperexploración de FNIRS han utilizado el WTC para estimar el SII en muchos dominios del funcionamiento, incluyendo la monitorización de la acción 12, el comportamiento cooperativo y competitivo 5,13,14,15, la imitación 16, la resolución de problemas madre-hijo 17 y el comportamiento de enseñanza-aprendizaje 18,19,20,21. Normalmente, en los estudios de hiperexploración, la coherencia entre cerebros, medida por el WTC, durante una tarea experimental se compara con la coherencia entre cerebros durante una tarea de control. Estos hallazgos generalmente se presentan con un "gráfico caliente" del WTC, que muestra la coherencia entre los dos cerebros en cada punto de tiempo y frecuencia (ver Figura 1).

Como sugieren Czesumaski et al.11, el WTC se ha convertido en el enfoque analítico estándar para analizar el hiperescaneo fNIRS. El análisis WTC es un método flexible e "independiente de las herramientas" para la visualización e interpretación de datos22. El mapa de calor del coeficiente de coherencia, que proporciona una forma narrativa de análisis que permite identificar fácilmente los períodos de comportamiento sincrónico o asincrónico, así como la intensidad de la actividad cerebral durante la realización de una tarea, es la principal ventaja del WTC y lo convierte en una herramienta sólida para la investigación aplicada22. WTC tiene una ventaja sobre las técnicas de correlación. Las correlaciones son sensibles a la forma de la función de respuesta hemodinámica (HRF), que se cree que difiere entre individuos (particularmente en términos de edad) y entre diferentes áreas cerebrales. Por el contrario, el WTC no se ve afectado por los cambios interregionales en el (HRF)23. Los investigadores han utilizado el enfoque de ondículas para estudiar las series temporales de resonancia magnética funcional. Zhang et al.24 compararon las métricas de conectividad funcional comúnmente utilizadas, incluyendo la correlación de Pearson, la correlación parcial, la información mutua y la transformación de coherencia wavelet (WTC). Llevaron a cabo experimentos de clasificación utilizando patrones de conectividad funcional a gran escala derivados de datos de resonancia magnética funcional en estado de reposo y datos de resonancia magnética funcional de estímulo natural de visualización de videos. Sus hallazgos indicaron que WTC se desempeñó mejor en clasificación (especificidad, sensibilidad y precisión), lo que implica que WTC es una métrica de conectividad funcional preferible para estudiar redes cerebrales funcionales, al menos en aplicaciones de clasificación24.

Figure 1
Figura 1: Coherencia de la transformada wavelet (WTC). WTC muestra la coherencia y el ángulo de fase entre dos series temporales en función del tiempo (eje x) y la frecuencia (eje y). El aumento de la coherencia se representa mediante el color rojo en el gráfico, y las flechas pequeñas en el gráfico muestran el ángulo de fase de las dos series temporales. La flecha que apunta hacia la derecha representa la sincronización en fase; las flechas que apuntan hacia abajo y hacia arriba representan una sincronización retrasada; y la flecha que apunta hacia la izquierda representa la sincronización antifase30. Esta figura fue adaptada de Pan et al.19. Haga clic aquí para ver una versión más grande de esta figura.

Recientemente, Hamilton25 articuló varias limitaciones para la interpretación de los datos de coherencia entre cerebros en estudios de hiperescaneo fNIRS. Una de las principales preocupaciones de Hamilton era que las medidas de coherencia (por ejemplo, WTC) solo informan de los efectos como simétricos (es decir, dos cerebros están correlacionados, mostrando el mismo patrón de cambio). Sin embargo, muchas interacciones sociales son asimétricas (por ejemplo, el flujo de información entre un hablante y un oyente) en el sentido de que dos participantes pueden desempeñar diferentes roles, y no está claro que el WTC pueda capturar esta información. Aquí, esta preocupación se aborda mediante un nuevo marco que permite una interpretación directa de la potencia de ondículas cruzadas mediante el uso de la fase de ondículas cruzadas para detectar la direccionalidad. Este marco también permitirá examinar cómo se desarrolla y cambia la dinámica de las interacciones a lo largo de una tarea.

Mientras que los métodos WTC y de correlación evalúan la conectividad funcional, otros métodos evalúan la conectividad efectiva, intentando extraer las influencias causales de un elemento neuronal sobre otro. La entropía de transferencia es una medida del campo de la teoría de la información que describe la transferencia entre procesos dependientes conjuntamente26. Otro método relacionado es el análisis de causalidad de Granger (ACG), que se ha descrito como equivalente a la entropía de transferencia26.

En la bibliografía existente sobre los estudios de hiperexploración de fNIRS, el análisis de causalidad de Granger (ACG) se ha utilizado ampliamente para estimar la direccionalidad de acoplamiento entre los datos de series temporales de fNIRS obtenidos durante una variedad de tareas diferentes, como la cooperación5, la enseñanza19 y la imitación16. GCA emplea modelos vectoriales autorregresivos para evaluar la direccionalidad del acoplamiento entre series temporales en datos cerebrales. La causalidad de Granger se basa en la predicción y la precedencia: "se dice que una variable X causa 'G' la variable Y si el pasado de X contiene la información que ayuda a predecir el futuro de Y por encima de la información ya existente en el pasado de Y"27. En consecuencia, la causalidad G se analiza en dos direcciones: 1) del sujeto A al sujeto B y 2) del sujeto B al sujeto A.

Si bien el análisis de GCA sirve como un análisis complementario destinado a determinar si un valor de coherencia alto obtenido utilizando una función WTC refleja SII o sincronización retardada (una señal que lleva a la otra), no permite determinar si se ha producido una sincronización antifase. En los estudios de neuroimagen tradicionales, en los que solo se escanea a un participante (es decir, el enfoque de "cerebro único"), un patrón antifase significa que la actividad en una región del cerebro aumenta mientras que la actividad en la otra región del cerebrodisminuye. En la literatura de hiperexploración, la presencia de sincronización antifase puede sugerir que la activación neuronal aumenta en un sujeto y, al mismo tiempo, la activación neuronal disminuye en el otro sujeto. Por lo tanto, es necesario proporcionar un modelo integral que pueda detectar la direccionalidad. Más específicamente, este modelo será capaz de detectar la sincronización antifase (en la que la dirección de la actividad en un individuo es opuesta a la de su compañero) además de la sincronización en fase y la sincronización retrasada.

En un intento por abordar la preocupación de que el WTC muestra solo efectos simétricos, donde ambos cerebros muestran el mismo patrón de cambio25, se presenta un nuevo enfoque para identificar el tipo de interacción mediante el examen de la fase de sincronización (es decir, en fase, retrasada o antifase) (ver Figura 2). Con este fin, se desarrolló una caja de herramientas que utiliza el método WTC para clasificar los diferentes tipos de interacciones. Los tipos de interacciones se clasifican mediante el uso de datos de fase relativos del análisis de transformada de ondículas cruzadas.

Figure 2
Figura 2: Ilustración de las diferentes relaciones de fase de las ondas sinusoidales simples. (A) Cuando las dos señales, la Señal 1 (línea azul s) y la Señal 2 (línea naranjas), alcanzan sus respectivos valores máximos, mínimos y cero en el mismo punto de tiempo, se dice que muestran sincronización en fase32. (B) Cuando una señal alcanza su valor máximo y la otra señal alcanza un valor cero en el mismo punto de tiempo, se dice que muestran una sincronización retrasada (una está liderando 90°)32,33,34. (C) Cuando dos series de tiempo se desplazan en direcciones opuestas, lo que significa que una señal alcanza el valor máximo y la otra alcanza el valor mínimo en el mismo punto de tiempo, esto se denomina sincronización antifase28. (D-P) En todas las demás relaciones de fase entre dos series temporales, una señal precede a la otra. En todas las fases positivas, la señal 2 es la señal principal 1 (por ejemplo, los paneles E, F, M y N), mientras que en todas las fases negativas, la señal 1 es la señal principal 2 (por ejemplo, los paneles D, G, H, O y P). En particular, cuando el valor absoluto de la fase es mayor, se vuelve más distintivo qué serie de tiempo está liderando a la otra (por ejemplo, el liderazgo es más distintivo en el panel J que en el panel I, y en el panel K, el liderazgo es más distintivo que en el panel L). Haga clic aquí para ver una versión más grande de esta figura.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

El estudio se llevó a cabo en la Universidad Atlántica de Florida (FAU) y fue aprobado por la Junta de Revisión Institucional (IRB) de la FAU.

1. Uso del software Homer3 (Tabla de materiales) para realizar el preprocesamiento de los datos de hiperescaneo fNIRS

NOTA: Homer3 es una aplicación de MATLAB que analiza datos de fNIRS para obtener estimaciones y mapas de activación cerebral29. Homer3 se puede descargar e instalar desde el siguiente enlace (https://openfnirs.org/software/homer/).

  1. Abra MATLAB y vaya a la carpeta donde se guardan los archivos .nirs sin procesar. Seleccione y abra la carpeta.
  2. Escriba Homer3 en la ventana de comandos de MATLAB para iniciar la interfaz gráfica de usuario de Homer3 . Homero3. detectará los archivos .nirs y solicitará convertirlos al formato .snirf (un formato de archivo universal para almacenar y compartir datos NIRS independientemente de cualquier formato de archivo específico de la aplicación, como MATLAB) para continuar con el procesamiento previo de los datos.
  3. Después de importar los archivos .nirs en formato .snirf en Homer3, haga clic en la opción Herramientas en la GUI de Homer3 y seleccione Editar flujo de procesamiento.
  4. En la GUI de ProcStreamEdit , seleccione los pasos de preprocesamiento de la columna Función de registro a la columna Flujo de procesamiento actual haciendo clic en Agregar. Los pasos de preprocesamiento incluidos son los siguientes:
    1. Utilice hmrR_intensity2OD para convertir los datos de intensidad en densidad óptica.
    2. Utilice hmrR_MotionCorrectWavelet para corregir artefactos de movimiento utilizando la función de filtrado adecuada.
    3. Utilice hmrR_OD2conc para convertir los datos de OD en concentración.
    4. Utilice hmR_BlockAvg para calcular el promedio de bloques en los datos de concentración.
      NOTA: La selección de los pasos de preprocesamiento puede variar según el tipo de conjunto de datos.
  5. Para guardar el flujo de procesamiento actual, haga clic en la opción Guardar y, a continuación, salga de la GUI de ProcStreamEdit.
  6. Para ejecutar el flujo de preprocesamiento en la GUI principal de Homer3, haga clic en la opción EJECUTAR . Una vez que Homer3 termine de ejecutar la secuencia de procesamiento seleccionada, guardará la serie temporal preprocesada para cada participante en un formato de archivo .mat que contiene Hbo, Hbr y Hbt para todos los canales y eventos. Homer3 creará una carpeta llamada homer output en la carpeta seleccionada actualmente para almacenar estos archivos.
  7. Homer3 creará una carpeta llamada derivados en la carpeta seleccionada para almacenar estos archivos. Seleccione la carpeta homer ubicada en la carpeta derivados. Elija el archivo .mat para cada cerebro y exporte Hbo, Hbr, Hbt.
    NOTA: El nombre de la carpeta de salida creada por Homer3 depende de la versión de Homer3.

2. Introducción a la caja de herramientas LeaderFollowerByPhase

  1. Para analizar el tipo de interacción que se produce en una grabación de hiperdetección, utilice la caja de herramientas LeaderFollowerByPhase, como se describe en el proceso que se muestra en la figura 3. En MATLAB, seleccione los archivos .mat para cada cerebro y cargue los datos Hbo (o Hbr) del canal específico y el evento específico en un vector unidimensional como signal1 y signal2.
  2. En la línea de comandos de MATLAB, defina los parámetros
    1. lowFreq, highFreq: Escriba lowFreq = [FOI bajo] y highFreq = [FOI alto]. Los valores predeterminados son lowFreq = 0,01 Hz, highFreq = 1 Hz.
      NOTA: Los parámetros de las funciones lowFreq y highFreq definen el rango de frecuencia de interés (FOI). WTC calcula la coherencia entre los dos cerebros en cada punto de tiempo y frecuencia. Por lo general, los valores de coherencia se promedian dentro de un FOI en particular.
    2. Defina el parámetro phaseRange; type phaseRange = [rango en grados].
      NOTA: El valor predeterminado es phaseRange = 90°. La fase oscila entre 0° y 360° debido a la naturaleza de módulo circular de la fase. Los rangos de fase se dividen de acuerdo con un rango que rodea cuatro puntos. En la caja de herramientas presentada, se presenta un nuevo enfoque para clasificar las interacciones asimétricas (Figura 4) mediante el examen de la direccionalidad del acoplamiento utilizando los valores del ángulo de fase de acuerdo con los rangos correspondientes a la sincronización retardada con la señal 1 como líder (un rango que rodea a -90°) o la señal 2 (un rango alrededor de 90°), la señal 1, la señal 2 sincronización en fase (un rango alrededor de 0), y sincronización antifase de la señal 1, señal 2 (un rango que rodea los +180° o -180°).
    3. Defina el parámetro Umbral. Escriba threshold = [threshold rsq val]. El valor predeterminado es Umbral = 0.
      NOTA: La caja de herramientas permite especificar un valor de coherencia de umbral especificando el parámetro de umbral. Esto permite al investigador seleccionar puntos de tiempo con un valor mínimo de coherencia especificado. Por lo tanto, solo se tienen en cuenta los puntos de tiempo con valores de coherencia superiores al umbral especificado.
  3. Descargue la caja de herramientas LeaderFollowerByPhase desde el siguiente vínculo (https://www.ariel.ac.il/wp/sns/download/ o https://github.com/Minisharmaa/Leader-Follower-By-Phase).
  4. Ejecute la función LeaderFollowerByPhase de MATLAB introduciendo el comando cohervalues = LeaderFollowerByPhase(signal1, signal2, lowFreq, highFreq, phaseRange, threshold) en la línea de comandos.
    NOTA: Los cálculos de coherencia y fase se realizan utilizando las funciones WTC y XWT en MATLAB, respectivamente30.
  5. Examine los valores de sincronización en fase, de interlineado de la señal 1, de interlineado de la señal 2 y de sintagonismo antifasco:
    1. Inspeccione las parcelas en MATLAB. La caja de herramientas genera una figura con cuatro gráficos.
      1. Coherencia por tipo de interacción: Inspeccione el diagrama de caja en la parte superior izquierda de la figura, que muestra el R-cuadrado (Rsq) según cada tipo de interacción (en fase, Señal 1 principal, Señal 2 principal, antifase).
        NOTA: Para obtener una descripción detallada de la función integrada de gráfico de caja de MATLAB, consulte el siguiente enlace (https://www.mathworks.com/help/matlab/ref/boxchart.html).
      2. Índices centrales por tipo de interacción: Inspeccione el gráfico de barras en la parte superior derecha de la figura de salida, que muestra la media y la mediana máximas según cada tipo de interacción (en fase, Señal 1 principal, Señal 2 principal, antifase).
        NOTA: Para obtener una descripción detallada de la función integrada de barra de MATLAB, consulte el siguiente enlace (https://www.mathworks.com/help/matlab/ref/bar.html).
      3. Coherencia a lo largo del tiempo: inspeccione el diagrama de dispersión en la parte inferior izquierda de la figura de salida, que muestra los valores de coherencia y los tipos de interacción a lo largo del tiempo. Los puntos de color representan diferentes tipos de interacción (los puntos negros representan la sincronización en fase, los puntos grises oscuros representan la señal 1 inicial, los puntos grises claros representan la señal 2 inicial y los puntos morados representan la sincronización antifase).
        NOTA: La figura muestra la dinámica de la interacción: el intercambio entre los cuatro tipos de interacción a lo largo de la serie de tiempo completo. Para obtener una descripción detallada de la función de dispersión de MATLAB, consulte el siguiente enlace (https://www.mathworks.com/help/matlab/ref/scatter.html).
      4. Porcentaje de tiempo: Inspeccione el gráfico circular en la parte inferior derecha de la figura de salida, que muestra la división del tiempo según los diferentes tipos de interacciones.
        NOTA: Para obtener una descripción detallada de la función circular de MATLAB, consulte el siguiente enlace (https://www.mathworks.com/help/matlab/ref/pie.html).
  6. Inspeccione la tabla de salida con los valores estadísticos (es decir, media, máximo, mediana y desviación estándar) para cada tipo de interacción (sincronización en fase, señal 1 principal, señal 2 principal, sincronización antifase). La tabla también presenta el porcentaje de tiempo durante el cual se produjo cada tipo de interacción. Cada tipo de interacción aparece en una columna diferente.
  7. Examine el valor de salida en el archivo de hoja de cálculo extraído (es decir, datatable.xlsx ubicado en la carpeta actual).

Figure 3
Figura 3: Descripción general del flujo de trabajo. (A) Se recopilaron díadas madre-hijo que participaron en el juego libre mientras se realizaban datos fNIRS de hiperescaneo. (B) Ilustración de una serie temporal madre-hijo. (C) Preprocesamiento de la serie temporal utilizando Homer3. (D,E) El uso de una caja de herramientas para examinar diferentes tipos de interacciones, como la sincronización en fase, la sincronización antifase y la sincronización retrasada. Haga clic aquí para ver una versión más grande de esta figura.

Figure 4
Figura 4: Clasificación de cuatro tipos diferentes de interacciones en función de la fase. Esto representa la diferencia de fase de las dos series temporales neuronales en un módulo de 360°. La diferencia de fase se puede considerar como un desfase de tiempo entre dos valores y se mide en grados y radianes o fracciones de la longitud de onda. Aquí, el módulo de 360° se divide en cuatro rangos diferentes que representan cuatro fases diferentes de interacción: (A) Señal 1 principal (un rango alrededor de 90°, entre 45° y 135°), (B) sincronización antifase entre la Señal 1 y la Señal 2 (un rango alrededor de 180° o −180°, entre 135 y −135°), (C) Señal 2 principal (entre −135° y −45°), (D) sincronización en fase (un rango alrededor de 0, entre −45° y 45°). Esta división es el enfoque predeterminado (45° alrededor de cada punto); Sin embargo, la caja de herramientas permite configurar una división diferente. Si bien es posible que otras configuraciones no cubran todos los 360°, puede producir una definición más exacta de cada tipo de interacción. Haga clic aquí para ver una versión más grande de esta figura.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

En esta sección se muestran los tipos de análisis que se pueden llevar a cabo con la caja de herramientas (que se puede descargar en https://www.ariel.ac.il/wp/sns/download/ o https://github.com/Minisharmaa/Leader-Follower-By-Phase.). Para estos análisis, se utilizaron los datos de fNIRS recopilados con una pequeña muestra de díadas de padres y bebés. Se probaron seis pares de díadas madre-bebé utilizando una tarea conductual validada, la tarea de juego libre31, que es lo más parecido posible a una interacción bebé-madre de la vida real. Antes del experimento, a los bebés y a los padres se les colocó un conjunto de optodos hecho a medida para la recopilación de datos fNIRS. El conjunto de optódios utilizado para recoger los datos de fNIRS en este estudio comprendía 8 fuentes (puntos rojos) y 8 detectores (puntos azules) que se configuraron para crear 18 canales que cubrían las regiones prefrontal y temporoparietal bilateralmente (véase la Figura 5). Un NIRScout adquirió los datos de imágenes ópticas utilizando dos longitudes de onda: 760 nm, que es más sensible a la desoxihemoglobina (HbR), y 850 nm, que es más sensible a la oxihemoglobina (HbO). Todos los padres eran mujeres (rango de edad = 26-36 años), y los bebés estaban sanos y nacidos a término (dos mujeres, cuatro hombres, rango de edad = 1-2 años) sin retrasos conocidos en el desarrollo. Las díadas se reclutaban a través de anuncios. Cada padre dio su consentimiento informado antes del experimento, y se les pagó por su participación. Para simplificar, el análisis se centra en los datos obtenidos en el canal 18 de la díada A.

Figure 5
Figura 5: Juego de optódios utilizado en el estudio preliminar. El conjunto de optódios utilizado para recoger los datos de fNIRS en el estudio preliminar consistió en 8 fuentes (puntos rojos) y 8 detectores (puntos azules) que se configuraron para crear 18 canales (líneas amarillas) que cubren las regiones prefrontal y temporoparietal bilateralmente. Haga clic aquí para ver una versión más grande de esta figura.

La caja de herramientas se utilizó para identificar los cambios en los tipos de interacción que podrían identificarse a lo largo del tiempo para ese canal para una díada específica. Los parámetros para la función fueron los siguientes: Señal 1 = canal 18 madre, Señal 2 = canal 18 madre, baja frecuencia = 0,0067, alta frecuencia = 0,1142, phaseRange = 90, umbral = 0.

Figure 6
Figura 6: Análisis de clasificación en un umbral de 0. El umbral se establece en 0 (Umbral = 0). (A) Diagramas de caja que representan el valor de coherencia asociado con las interacciones. Hay uno para cada tipo de interacción, y se indica la mediana y el rango intercuartílico (RIC). Las puntuaciones más altas indican un mayor nivel de coherencia. (B) Los índices centrales de los valores de coherencia de todos los tipos de interacciones. (C) La dinámica del tipo de interacción cambia a lo largo de la tarea. (D) El porcentaje de puntuaciones para cada uno de los cuatro tipos de interacciones. Haga clic aquí para ver una versión más grande de esta figura.

En primer lugar, cada punto de tiempo se clasificó en uno de los cuatro tipos de interacción (en fase, antifase, líder de la madre o líder del bebé) (Figura 6). La Figura 6D muestra el porcentaje de puntos de tiempo que se clasificaron en cada uno de los cuatro tipos de interacciones. Es importante tener en cuenta que, si bien la caja de herramientas puede detectar los porcentajes y el valor de coherencia asociados con las interacciones que son lideradas por uno de los participantes (Figura 6A), su contribución única es que también presenta los porcentajes (Figura 6D) y los índices centrales de los valores de coherencia de todos los tipos de interacciones, incluida la sincronización antifase (Figura 6B). Por último, la caja de herramientas permite examinar cómo cambia la dinámica del tipo de interacción a lo largo de la tarea (Figura 6C). Es importante tener en cuenta que, de manera similar al análisis de GCA, la caja de herramientas calcula estos índices para cada díada por separado. Se debe realizar un análisis a nivel de grupo utilizando estos índices para determinar el tipo de interacción.

Aquí, para explorar la influencia del cambio de estos valores mínimos de umbral en la clasificación de los tipos de interacción dentro de una díada, se repitió el análisis de clasificación con un umbral de 0,5 en la díada A (Figura 7).

Figure 7
Figura 7: Análisis de clasificación en un umbral de 0,5. El umbral se establece en 0,5 (Umbral = 0,5). (A) Diagramas de caja que representan el valor de coherencia asociado con las interacciones. Hay uno para cada tipo de interacción, y se indica la mediana y el rango intercuartílico (RIC). Las puntuaciones más altas indican un mayor nivel de coherencia. (B) Los índices centrales de los valores de coherencia de todos los tipos de interacciones. (C) La dinámica del tipo de interacción cambia a lo largo de la tarea. (D) El porcentaje de puntuaciones para cada uno de los cuatro tipos de interacciones. Haga clic aquí para ver una versión más grande de esta figura.

Como se muestra en la Figura 7D, cuando se utiliza este umbral, la distribución de los diferentes tipos de relaciones de fase relativas cambia. El porcentaje de sincronización antifase aumentó (del 35 % al 59 %) y el porcentaje de sincronización en fase disminuyó (del 26 % al 3 %). Esto sugiere que la sincronización antifase puede ser el tipo de interacción más representativa de esta díada. En otras palabras, la definición de un umbral permite la capacidad de realizar un análisis más sensible en el que solo se promedian los puntos de tiempo con un nivel mínimo de coherencia. Es importante tener en cuenta que determinar el umbral óptimo del valor de coherencia es un proceso complicado, ya que el umbral óptimo puede variar de un experimento a otro y en diferentes entornos. Aunque la caja de herramientas ofrece la posibilidad de establecer un umbral, se necesitan más estudios para desarrollar un protocolo que permita identificar el valor óptimo de coherencia. Además, es importante seleccionar los valores de umbral y frecuencia de interés que aún se cruzan con los valores de Rsq. Por ejemplo, la función con los parámetros lowFreq = 0,0067, highFreq = 0,1142, phaseRange = 90 y Threshold = 0,5 mostraba interacciones con valores de Rsq solo por encima de 0,5, pero la misma función con un umbral de 0,7 daba lugar a un error, ya que no había valores por encima de 0,7 dentro del rango de frecuencias.

Archivo Suplementario 1: Coherencia de la transformada wavelet (WTC). La descripción general de la transformada de ondículas y la transformada de ondículas cruzadas, que se utilizan para analizar las características de tiempo-frecuencia y la interdependencia de dos series de tiempo. La transformada wavelet descompone una serie temporal en el espacio tiempo-frecuencia35, mientras que la transformada cross-wavelet revela la potencia y la fase comunes entre dos series temporales 9,30. El texto también introduce la coherencia de la transformada wavelet, que cuantifica el grado de sincronización entre dos series temporales. El valor de R-cuadrado derivado de la coherencia de la transformada wavelet refleja la interdependencia, pero no distingue entre correlaciones positivas y negativas36. Se supone que las correlaciones positivas y negativas indican interrelaciones37,38. Haga clic aquí para descargar este archivo.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Uno de los métodos más comunes utilizados en los estudios fNIRS es la coherencia de la transformada wavelet (WTC), que es una medida de la correlación cruzada de dos series temporales en función de la frecuencia y el tiempo10. WTC calcula la coherencia y el desfase entre dos series temporales mediante análisis correlacionales (Archivo Suplementario 1). Los estudios de hiperexploración de FNIRS han utilizado el WTC para estimar el SII en muchos dominios del funcionamiento, incluyendo la monitorización de la acción 12, el comportamiento cooperativo y competitivo 5,13,14,15, la imitación 16, la resolución de problemas madre-hijo 17 y el comportamiento de enseñanza-aprendizaje 18,19,20,21. Los estudios de hiperbarrido a menudo comparan la coherencia entre cerebros medida mediante la transformada de coherencia wavelet (WTC) durante una tarea experimental con la de una tarea de control. Estas comparaciones se presentan típicamente utilizando un "gráfico caliente" del WTC que muestra la coherencia entre los dos cerebros en cada punto de tiempo y frecuencia. Además, como se ve en la Figura 1, la información de desfase se muestra mediante la dirección de pequeñas flechas en el "gráfico caliente" del WTC. Sin embargo, estudios anteriores no han tenido en cuenta la información del retraso de fase representada por la dirección de las flechas pequeñas en el "gráfico caliente" del WTC y solo han estimado la sincronía intercerebral (SII) examinando la coherencia en el gráfico del WTC. Este descuido puede dar lugar a conclusiones inexactas o incompletas.

Las limitaciones discutidas por Hamilton25 con respecto a la interpretación de los datos de coherencia entre cerebros en los estudios de hiperbarrido de fNIRS se abordan en el nuevo marco que permite una interpretación directa de la potencia de las ondículas cruzadas mediante el uso de la fase de ondículas cruzadas para detectar la direccionalidad y también incluye un módulo de análisis de coherencia para calcular los valores de coherencia promediándolos directamente39. Este enfoque permite examinar el desarrollo y el cambio en las interacciones a lo largo de una tarea y proporciona una medida fiable de la coherencia entre las señales.

Este enfoque se ha demostrado en estudios conductuales de sincronización interpersonal, que han utilizado los datos de fase relativa que se pueden extraer del análisis de ondículas cruzadas. Algunos estudios han utilizado estos datos para distinguir entre valores de coherencia en fase y antifase. Por ejemplo, este enfoque se ha utilizado para evaluar los movimientos de las manos de dos músicos improvisadores40 y para examinar la coordinación postural social41. Algunos estudios han examinado la distribución de los ángulos de fase en los datos de movimiento para comprender la dinámica de las interacciones mediante el uso de la coherencia de ondículas cruzadas durante conversaciones estructuradas42 y no estructuradas43 .

La fase relativa entre dos series temporales permite la detección de desplazamientos temporales entre señales de la misma frecuencia. De hecho, en el campo del hiperescaneo EEG, la mayoría de los métodos destinados a determinar el grado de sincronización de las series temporales neuronales evalúan la relación relativa de fase entre las dos series temporales13,44.

En el protocolo se muestran los pasos críticos del uso de la caja de herramientas LeaderFollowerByPhase en los datos de hiperescaneo de fNIRS. En concreto, el protocolo implica la predeterminación de la señal 1 y la señal 2 en MATLAB antes de ejecutar la toolbox. Cabe señalar que los parámetros, como la frecuencia de interés (FOI), el rango de fase y el umbral, son opcionales y pueden usar valores predeterminados si no se establecen. Se recomienda el filtrado y la eliminación de tendencias de las señales sin procesar45. Además, se debe tener precaución al realizar el filtrado de paso de banda, ya que esto puede afectar la selección de la FOI.

Los parámetros FOI (baja frecuencia, alta frecuencia) requieren una selección cuidadosa, excluyendo específicamente el ruido fisiológico de alta y baja frecuencia, como la respiración (~0,2-0,3 Hz) y la pulsación cardíaca (0,6-1,2 Hz). Se recomienda tomar las frecuencias bajas y altas de interés entre 0,01 y 0,7 Hz, respectivamente46, ya que este rango elimina eficazmente el ruido de alta frecuencia, como los latidos del corazón (0,8-1 Hz).

El parámetro phaseRange define un rango alrededor de los valores del ángulo de fase de acuerdo con los rangos correspondientes a la sincronización retardada con la señal 1 (un rango alrededor de −90°) o la señal 2 (un rango alrededor de 90°), la señal 1, la señal 2 sincronización en fase (un rango alrededor de 0°) y la señal 1, la señal 2 sincronización antifase (un rango alrededor de +180° o −180°). El ancho del rango circundante alrededor de estos cuatro puntos está definido por phaseRange Por ejemplo, si phaseRange se establece en 90°, el rango para la sincronización en fase estará alrededor de 0°, entre −45° y 45°; el rango para la señal 2 (sincronización retardada) estará alrededor de 90°, entre 45° y 135°, el rango para la sincronización antifase será alrededor de 180° o −180°, entre 135° y −135°; y el rango para la señal 1 (sincronización retardada) será de 180° en 20°, entre −135° y −45°. El parámetro phaseRange debe estar entre 0° y 90° grados, ya que de lo contrario, se mostrará el siguiente mensaje: "El valor de la variable phaseRange debe estar entre 0 y 90". Aunque el rango puede ser cualquier número de 0° a 90°, el valor mínimo recomendado es de 30° (±15°). El valor de Umbral debe ser cualquier valor entre 0 y 1, ya que de lo contrario, se mostrará el siguiente mensaje: "El valor de la variable Umbral debe estar entre 0 y 1". Se recomienda elegir un umbral que esté entre 0,25 y 0,75.

Si bien la caja de herramientas LeaderFollowerByPhase presenta un enfoque prometedor, no está exenta de limitaciones. Como se mencionó anteriormente, determinar el umbral del valor de coherencia óptimo es un proceso complicado, ya que el umbral óptimo puede variar de un experimento a otro y entre diferentes tareas. Es necesario probar esta caja de herramientas en conjuntos de datos más diversos para obtener información más precisa sobre los valores óptimos para el umbral.

La capacidad de comprender interacciones humanas complejas utilizando el hiperescaneo fNIRS se ha visto limitada por el hecho de que los enfoques actuales utilizados para detectar el acoplamiento entre dos señales neuronales ignoran la direccionalidad de las señales. Aquí, se propone un enfoque más sensible para analizar la coherencia de dos señales neuronales utilizando la coherencia de la transformada wavelet (WTC). La caja de herramientas permite a los investigadores examinar la direccionalidad del acoplamiento clasificando los valores del ángulo de fase como que representan la sincronización en fase, la sincronización retardada y la sincronización antifase.

Este novedoso enfoque que utiliza la caja de herramientas proporcionará información más detallada sobre la naturaleza de las interacciones diádicas, de la que, hasta la fecha, ha faltado. Por ejemplo, mientras que la sincronización de fase y la sincronización antifase se han tratado como idénticas (Archivo Suplementario 1)36, los investigadores ahora podrán identificar hasta qué punto las señales neuronales de los miembros de la díada se mueven en la misma dirección (ambas aumentan o ambas disminuyen) o en direcciones opuestas (una aumenta y la otra disminuye). Esto tendrá un impacto transformador en la comprensión de cómo el cerebro media los procesos sociales y el comportamiento.

El marco propuesto tiene un potencial prometedor para futuras aplicaciones en el campo de la investigación de la sincronización neuronal interpersonal, ya que permite la clasificación de distintos tipos de interacciones, incluida la sincronización en fase, la sincronización retardada y la sincronización antifase. Al volver a analizar los hallazgos anteriores con el nuevo marco propuesto, los investigadores pueden obtener una comprensión más completa de la naturaleza de la sincronización entre los participantes. Específicamente, la capacidad de diferenciar entre interacciones en fase y antifase proporciona un nuevo nivel de claridad que antes no estaba disponible, lo que podría conducir a interpretaciones más precisas de los hallazgos anteriores. Esta funcionalidad del marco podría aplicarse a una amplia gama de escenarios, incluida la exploración del papel de la sincronización neuronal interpersonal en el comportamiento social, la comunicación y los procesos de toma de decisiones. En general, el marco propuesto representa una valiosa contribución al campo y tiene un potencial significativo para futuras aplicaciones.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Los autores declaran que la investigación se llevó a cabo en ausencia de relaciones comerciales o financieras que pudieran interpretarse como un posible conflicto de intereses.

Acknowledgments

Nos gustaría agradecer el apoyo brindado por la Fundación Nacional de Ciencias Naturales de China (No. 62207025), el Proyecto de Investigación en Humanidades y Ciencias Sociales del Ministerio de Educación de China (No. 22YJC190017) y los Fondos de Investigación Fundamental para las Universidades Centrales a Yafeng Pan.

Materials

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

DOWNLOAD MATERIALS LIST

References

  1. Gvirts, H. Z., Perlmutter, R. What guides us to neurally and behaviorally align with anyone specific? A neurobiological model based on fNIRS hyperscanning studies. The Neuroscientist. 26 (2), 108-116 (2019).
  2. Balconi, M., Fronda, G., Vanutelli, M. E. Donate or receive? Social hyperscanning application with fNIRS. Current Psychology. 38 (4), 991-1002 (2019).
  3. Redcay, E., Schilbach, L. Using second-person neuroscience to elucidate the mechanisms of social interaction. Nature Reviews Neuroscience. 20 (8), 495-505 (2019).
  4. Shamay-Tsoory, S. G., Mendelsohn, A. Real-life neuroscience: An ecological approach to brain and behavior research. Perspectives on Psychological Science. 14 (5), 841-859 (2019).
  5. Cui, X., Bryant, D. M., Reiss, A. L. NIRS-based hyperscanning reveals increased interpersonal coherence in superior frontal cortex during cooperation. NeuroImage. 59 (3), 2430-2437 (2012).
  6. Quaresima, V., Ferrari, M. Functional near-infrared spectroscopy (fNIRS) for assessing cerebral cortex function during human behavior in natural/social situations: A concise review. Organizational Research Methods. 22 (1), 46-68 (2016).
  7. Fishburn, F. A., et al. Putting our heads together: interpersonal neural synchronization as a biological mechanism for shared intentionality. Social Cognitive and Affective Neuroscience. 13 (8), 841-849 (2018).
  8. Hasson, U., Ghazanfar, A. A., Galantucci, B., Garrod, S., Keysers, C. Brain-to-brain coupling: A mechanism for creating and sharing a social world. Trends in Cognitive Sciences. 16 (2), 114-121 (2012).
  9. Chang, C., Glover, G. H. Time-frequency dynamics of resting-state brain connectivity measured with fMRI. NeuroImage. 50 (1), 81-98 (2010).
  10. Scholkmann, F., Holper, L., Wolf, U., Wolf, M. A new methodical approach in neuroscience: Assessing inter-personal brain coupling using functional near-infrared imaging (fNIRI) hyperscanning. Frontiers in Human Neuroscience. 7, 813 (2013).
  11. Czeszumski, A., et al. Hyperscanning: A valid method to study neural inter-brain underpinnings of social interaction. Frontiers in Human Neuroscience. 14, 39 (2020).
  12. Dommer, L., Jäger, N., Scholkmann, F., Wolf, M., Holper, L. Between-brain coherence during joint n-back task performance: A two-person functional near-infrared spectroscopy study. Behavioural Brain Research. 234 (2), 212-222 (2012).
  13. Osaka, N., Minamoto, T., Yaoi, K., Azuma, M., Osaka, M. Neural synchronization during cooperated humming: A hyperscanning study using fNIRS. Procedia - Social and Behavioral Sciences. 126, 241-243 (2014).
  14. Wang, C., Zhang, T., Shan, Z., Liu, J., Yuan, D., Li, X. Dynamic interpersonal neural synchronization underlying pain-induced cooperation in females. Human Brain Mapping. 40 (11), 3222-3232 (2019).
  15. Cheng, X., Li, X., Hu, Y. Synchronous brain activity during cooperative exchange depends on gender of partner: A fNIRS-based hyperscanning study. Human Brain Mapping. 36 (6), 2039-2048 (2015).
  16. Holper, L., Scholkmann, F., Wolf, M. Between-brain connectivity during imitation measured by fNIRS. NeuroImage. 63 (1), 212-222 (2012).
  17. Nguyen, T., et al. The effects of interaction quality on neural synchrony during mother-child problem solving. Cortex. 124, 235-249 (2020).
  18. Zheng, L., et al. Enhancement of teaching outcome through neural prediction of the students' knowledge state. Human Brain Mapping. 39 (7), 3046-3057 (2018).
  19. Pan, Y., Novembre, G., Song, B., Li, X., Hu, Y. Interpersonal synchronization of inferior frontal cortices tracks social interactive learning of a song. NeuroImage. 183, 280-290 (2018).
  20. Pan, Y., et al. Instructor-learner brain coupling discriminates between instructional approaches and predicts learning. NeuroImage. 211, 116657 (2020).
  21. Liu, J., et al. Interplay between prior knowledge and communication mode on teaching effectiveness: Interpersonal neural synchronization as a neural marker. NeuroImage. 193, 93-102 (2019).
  22. Léné, P., et al. Wavelet transform coherence: An innovative method to investigate social interaction in NeuroIS. Lecture Notes in Information Systems and Organisation. 32, 147-154 (2020).
  23. Nguyen, T., Hoehl, S., Vrtička, P. A guide to parent-child fNIRS hyperscanning data processing and analysis. Sensors. 21 (12), 4075 (2021).
  24. Zhang, Y., Han, J., Hu, X., Guo, L., Liu, T. Data-driven evaluation of functional connectivity metrics. Proceedings - International Symposium on Biomedical Imaging. , 532-535 (2013).
  25. Hamilton, A. F. deC. Hyperscanning: Beyond the hype. Neuron. 109 (3), 404-407 (2021).
  26. Barnett, L., Barrett, A. B., Granger Seth, A. K. causality and transfer entropy are equivalent for Gaussian variables. Physical Review Letters. 103 (23), 2-5 (2009).
  27. Barnett, L., Seth, A. K. The MVGC multivariate Granger causality toolbox: A new approach to Granger-causal inference. Journal of Neuroscience Methods. 223, 50-68 (2014).
  28. Li, D., Zhou, C. Organization of anti-phase synchronization pattern in neural networks: What are the key factors. Frontiers in Systems Neuroscience. 5, 100 (2011).
  29. Huppert, T. J., Diamond, S. G., Franceschini, M. A., Boas, D. A. HomER: A review of time-series analysis methods for near-infrared spectroscopy of the brain. Applied Optics. 48 (10), D280-D298 (2009).
  30. Grinsted, A., Moore, J. C., Jevrejeva, S. Application of the cross wavelet transform and wavelet coherence to geophysical time series. Nonlinear Processes in Geophysics. 11 (5-6), 561-566 (2004).
  31. Feldman, R. Parent-infant synchrony. Current Directions in Psychological Science. 16 (6), 340-345 (2007).
  32. Fell, J., Axmacher, N. The role of phase synchronization in memory processes. Nature Reviews Neuroscience. 12 (2), 105-118 (2011).
  33. Olcay, B. O., Karaçalı, B. Evaluation of synchronization measures for capturing the lagged synchronization between EEG channels: A cognitive task recognition approach. Computers in Biology and Medicine. 114, 103441 (2019).
  34. Stam, C. J. Nonlinear dynamical analysis of EEG and MEG: Review of an emerging field. Clinical Neurophysiology. 116 (10), 2266-2301 (2005).
  35. Mallat, S. A Wavelet Tour of Signal Processing. , Academic Press. Cambridge, MA. (2009).
  36. Kleinbub, J. R., Ramseyer, F. T. rMEA: An R package to assess nonverbal synchronization in motion energy analysis time-series. 31 (6), 817-830 (2020).
  37. Pan, Y., Novembre, G., Song, B., Zhu, Y., Hu, Y. Dual brain stimulation enhances interpersonal learning through spontaneous movement synchrony. Social Cognitive and Affective Neuroscience. 16 (1-2), 210-221 (2021).
  38. Ramseyer, F., Tschacher, W. Nonverbal synchrony in psychotherapy: Coordinated body movement reflects relationship quality and outcome. Journal of Consulting and Clinical Psychology. 79 (3), 284-295 (2011).
  39. Zhang, X., Noah, J. A., Dravida, S., Hirsch, J. Optimization of wavelet coherence analysis as a measure of neural synchrony during hyperscanning using functional near-infrared spectroscopy. Neurophotonics. 7 (1), 015010 (2020).
  40. Walton, A. E., Richardson, M. J., Langland-Hassan, P., Chemero, A. Improvisation and the self-organization of multiple musical bodies. Frontiers in Psychology. 6, 313 (2015).
  41. Varlet, M., Marin, L., Lagarde, J., Bardy, B. G. Social postural coordination. Journal of Experimental Psychology: Human Perception and Performance. 37 (2), 473-483 (2011).
  42. Hale, J., Ward, J. A., Buccheri, F., Oliver, D., Hamilton, A. F. deC. Are you on my wavelength? Interpersonal coordination in dyadic conversations. Journal of Nonverbal Behavior. 44 (1), 63-83 (2020).
  43. Fujiwara, K., Daibo, I. Evaluating interpersonal synchrony: Wavelet transform toward an unstructured conversation. Frontiers in Psychology. 7, 516 (2016).
  44. Nozawa, T., Sasaki, Y., Sakaki, K., Yokoyama, R., Kawashima, R. Interpersonal frontopolar neural synchronization in group communication: An exploration toward fNIRS hyperscanning of natural interactions. NeuroImage. 133, 484-497 (2016).
  45. Dai, R., et al. Holistic cognitive and neural processes: A fNIRS-hyperscanning study on interpersonal sensorimotor synchronization. Social Cognitive and Affective Neuroscience. 13 (11), 1141-1154 (2018).
  46. Lu, K., Qiao, X., Yun, Q., Hao, N. Educational diversity and group creativity: Evidence from fNIRS hyperscanning. NeuroImage. 243, 118564 (2021).

Tags

Espectroscopía funcional de infrarrojo cercano Hiperescaneo FNIRS Coherencia entre cerebros Coherencia de transformada wavelet Evaluación de acoplamiento Direccionalidad de la interacción Sincronización en fase Sincronización retardada Sincronización antifase Análisis de coherencia de fase Estimación de direccionalidad de acoplamiento Dinámica de interacciones Interacciones sociales Estudios de hiperescaneo FNIRS
Nuevo marco para comprender la coherencia entre cerebros en estudios de hiperexploración de espectroscopia funcional de infrarrojo cercano (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