Waiting
Login processing...

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

Neuroscience

Nytt ramverk för att förstå koherens mellan hjärnor i funktionella nära-infraröda spektroskopistudier (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

Wavelet transform coherence (WTC) är en vanlig metod för att bedöma kopplingen mellan signaler som används i funktionella nära-infraröda spektroskopi (fNIRS) hyperscanningsstudier. En verktygslåda för att bedöma signalinteraktionens riktning presenteras i detta arbete.

Abstract

Trots den växande mängden hyperskanningsstudier med funktionell nära-infraröd spektroskopi (fNIRS) verkar bedömningen av kopplingen mellan två neurala signaler med hjälp av wavelet transform coherence (WTC) ignorera interaktionens riktning. Fältet saknar för närvarande ett ramverk som gör det möjligt för forskare att avgöra om ett högt koherensvärde som erhålls med hjälp av en WTC-funktion återspeglar synkronisering i fas (dvs. neural aktivering ses i båda medlemmarna i dyaden samtidigt), fördröjd synkronisering (dvs. neural aktivering ses i en medlem av dyaden före den andra medlemmen), eller anti-fassynkronisering (dvs. neural aktivering ökar i en medlem av dyaden och minskar i den andra). För att möta detta behov föreslås ett kompletterande och känsligare tillvägagångssätt för att analysera faskoherensen hos två neurala signaler i detta arbete. Verktygslådan gör det möjligt för utredare att uppskatta kopplingens riktning genom att klassificera de fasvinkelvärden som erhålls med traditionell WTC i fassynkronisering, fördröjd synkronisering och antifassynkronisering. Verktygslådan gör det också möjligt för forskare att bedöma hur dynamiken i interaktioner utvecklas och förändras under uppgiftens gång. Genom att använda denna nya WTC-metod och verktygslådan kommer vi att öka vår förståelse för komplexa sociala interaktioner genom deras användning i fNIRS-hyperskanningsstudier.

Introduction

Under de senaste åren har det skett en förändring i de typer av studier som utförs för att förstå de neurala grunderna för socialt beteende 1,2. Traditionellt har studier inom social neurovetenskap fokuserat på neural aktivering i en isolerad hjärna under en socialt relevant uppgift. Men framsteg inom neuroradiologisk teknik gör det nu möjligt att undersöka neural aktivering i hjärnan hos en eller flera individer under social interaktion som den sker i "verkliga" miljöer3. I "verkliga" miljöer kan individer röra sig fritt, och mönster för hjärnaktivering kommer sannolikt att förändras när information utbyts och sociala parter får feedbackfrån varandra.

Hyperskanning är en metod som bedömer detta dubbelriktade informationsutbyte genom att mäta hjärnaktiviteten från två eller fleraindivider samtidigt. En framväxande mängd forskning har använt funktionell nära-infraröd spektroskopi (fNIRS), en icke-invasiv neuroavbildningsteknik som, i jämförelse med andra neuroavbildningstekniker, är mindre mottaglig för rörelseartefakter6. Hyperskanning via fNIRS gör det möjligt att bedöma synkronisering mellan hjärnor (IBS) i verkliga miljöer medan de interaktiva partnerna rör sig fritt och naturligt. Detta är särskilt relevant för arbete med spädbarn och småbarn, som tenderar att vara ganska aktiva. IBS har rapporterats återspegla ömsesidig förståelse mellan interaktiva partners, vilket fungerar som grunden för effektiv social interaktion och kommunikation och förmedlar delad intentionalitet 1,7,8.

Flera metoder används för att utvärdera IBS i två hjärnor. Sådana metoder inkluderar tidsseriekorrelationer, såsom korskorrelation och Pearsons korrelationskoefficient 9,10 (se en översikt av Scholkmann et al.10). Andra metoder går ut på att utvärdera styrkan i kopplingen i frekvensdomänen. Sådana metoder inkluderar faslåsningsvärde (PLV) och faskoherens (se en översikt av Czeszumski et al.11). En av de vanligaste metoderna i fNIRS-studier använder wavelet transform coherence (WTC) - ett mått på korskorrelationen mellan två tidsserier som en funktion av frekvens och tid10.

WTC använder korrelationsanalyser för att beräkna koherensen och fasfördröjningen mellan två tidsserier i tidsfrekvensdomänen. FNIRS hyperscanningsstudier har använt WTC för att uppskatta IBS inom många funktionsområden, inklusive åtgärdsövervakning 12, samarbets- och konkurrensbeteende 5,13,14,15, imitation 16, problemlösning mellan mor och barn 17 och undervisnings- och inlärningsbeteende18,19,20,21. Vanligtvis, i hyperscanningsstudier, jämförs koherens mellan hjärnor, mätt med WTC, under en experimentell uppgift med koherens mellan hjärnor under en kontrolluppgift. Dessa fynd presenteras vanligtvis med en WTC "hot plot", som visar koherensen mellan de två hjärnorna vid varje tidpunkt och frekvens (se figur 1).

Som föreslagits av Czesumaski et al.11 har WTC blivit standardanalysmetoden för att analysera fNIRS-hyperscanning. WTC-analys är en flexibel, "verktygsagnostisk" metod för datavisualisering och tolkning22. Koherenskoefficienten värmekarta, som ger en narrativ form av analys som gör det möjligt att enkelt identifiera perioder av synkront eller asynkront beteende samt intensiteten i hjärnaktiviteten under slutförandet av en uppgift, är den största fördelen med WTC och gör det till ett starkt verktyg för tillämpad forskning22. WTC har en fördel jämfört med korrelationstekniker. Korrelationer är känsliga för den hemodynamiska responsfunktionens (HRF) form, som tros skilja sig åt mellan individer (särskilt när det gäller ålder) och mellan olika hjärnområden. WTC påverkas däremot inte av interregionala förändringar i HRF23. Forskare har använt wavelet-metoden för att studera fMRI-tidsserier. Zhang et al.24 jämförde de vanligaste måtten på funktionell konnektivitet, inklusive Pearson-korrelationen, partiell korrelation, ömsesidig information och wavelet-koherenstransformation (WTC). De utförde klassificeringsexperiment med hjälp av storskaliga funktionella konnektivitetsmönster härledda från fMRI-data i viloläge och fMRI-data för naturlig stimulans av videovisning. Deras resultat indikerade att WTC presterade bäst i klassificering (specificitet, känslighet och noggrannhet), vilket innebär att WTC är ett föredraget mått på funktionell konnektivitet för att studera funktionella hjärnnätverk, åtminstone i klassificeringstillämpningar24.

Figure 1
Figur 1: Wavelet-transformkoherens (WTC). WTC visar koherensen och fasvinkeln mellan två tidsserier som en funktion av både tid (x-axel) och frekvens (y-axel). Koherensökningen visas av den röda färgen i grafen, och de små pilarna i grafen visar fasvinkeln för de två tidsserierna. Den högerpekande pilen representerar synkronisering i fas. pilarna som pekar nedåt och uppåt representerar fördröjd synkronisering; och den vänsterpekande pilen representerar anti-fassynkronisering30. Denna siffra har anpassats från Pan et al.19. Klicka här för att se en större version av denna figur.

Nyligen artikulerade Hamilton25 flera begränsningar för tolkningen av koherensdata mellan hjärnor i fNIRS-hyperskanningsstudier. En av Hamiltons främsta farhågor var att koherensmått (t.ex. WTC) endast rapporterar effekter som symmetriska (dvs. två hjärnor är korrelerade och visar samma förändringsmönster). Många sociala interaktioner är dock asymmetriska (t.ex. informationsflödet mellan en talare och en lyssnare) på så sätt att två deltagare kan spela olika roller, och det är inte säkert att WTC kan fånga denna information. Här åtgärdas detta problem av ett nytt ramverk som möjliggör en enkel tolkning av tvärvågseffekten genom att använda tvärvågfasen för att detektera riktning. Detta ramverk kommer också att göra det möjligt att undersöka hur dynamiken i interaktioner utvecklas och förändras under en uppgift.

Medan WTC- och korrelationsmetoder bedömer funktionell konnektivitet, bedömer andra metoder effektiv konnektivitet och försöker extrahera de kausala influenserna av ett neuralt element över ett annat. Överföringsentropi är ett mått från informationsteorin som beskriver överföringen mellan gemensamt beroende processer26. En annan besläktad metod är Granger causality analysis (GCA), som har beskrivits som ekvivalent med överföringsentropi26.

I den befintliga litteraturen om fNIRS hyperscanningsstudier har Granger causality analysis (GCA) använts i stor utsträckning för att uppskatta kopplingsriktningen mellan fNIRS tidsseriedata som erhållits under en mängd olika uppgifter, såsom samarbete5, undervisning19 och imitation16. GCA använder vektorautoregressiva modeller för att bedöma riktningen för kopplingen mellan tidsserier i hjärndata. Granger-kausaliteten är baserad på förutsägelse och prioritet: "en variabel X sägs vara 'G-orsak' variabel Y om X:s förflutna innehåller den information som hjälper till att förutsäga Y:s framtid utöver information som redan finns i Y:s förflutna"27. Följaktligen analyseras G-kausaliteten i två riktningar: 1) från subjekt A till subjekt B och 2) från subjekt B till subjekt A.

Även om GCA-analys fungerar som en kompletterande analys som syftar till att avgöra om ett högt koherensvärde som erhålls med hjälp av en WTC-funktion återspeglar IBS eller fördröjd synkronisering (en signal leder den andra), tillåter den inte bestämning av om antifassynkronisering har inträffat. I traditionella hjärnavbildningsstudier, där endast en deltagare skannas (dvs. "single-brain"-metoden), innebär ett anti-fasmönster att aktiviteten i en hjärnregion ökar medan aktiviteten i den andra hjärnregionen minskar28. I hyperskanningslitteraturen kan närvaron av anti-fassynkronisering tyda på att neural aktivering ökar hos en försöksperson, och samtidigt minskar neural aktivering hos den andra försökspersonen. Därför finns det ett behov av att tillhandahålla en heltäckande modell som kan detektera riktningen. Mer specifikt kommer denna modell att kunna detektera anti-fassynkronisering (där aktivitetsriktningen hos en individ är motsatt den hos deras partner) förutom synkronisering i fas och fördröjd synkronisering.

I ett försök att ta itu med oron för att WTC endast visar symmetriska effekter, där båda hjärnorna visar samma förändringsmönster25, presenteras ett nytt tillvägagångssätt för att identifiera typen av interaktion genom att undersöka synkroniseringsfasen (dvs. i fas, laggad eller anti-fas) (se figur 2). För detta ändamål utvecklades en verktygslåda med hjälp av WTC-metoden för att klassificera de olika typerna av interaktioner. Typerna av interaktioner klassificeras med hjälp av relativa fasdata från korsvågstransformanalys.

Figure 2
Figur 2: Illustration av de olika fasförhållandena för enkla sinusvågor. (A) När de två signalerna, Signal 1 (blå linje s) och Signal 2 (orange linjes), når sina respektive maximum-, minimi- och nollvärden vid samma tidpunkt, sägs de visa synkronisering i fas32. (B) När en signal når sitt maximala värde och den andra signalen når nollvärdet vid samma tidpunkt, sägs de visa fördröjd synkronisering (en leder med 90°)32,33,34. (C) När två tidsserier skiftar i motsatta riktningar, vilket innebär att en signal når maxvärdet och den andra når minimivärdet vid samma tidpunkt, kallas detta antifassynkronisering28. (D-P) I alla andra fasförhållanden mellan två tidsserier leder den ena signalen den andra. I alla positiva faser leder signal 2 signal 1 (t.ex. panelerna E, F, M och N), medan signal 1 i alla negativa faser leder signal 2 (t.ex. panelerna D, G, H, O och P). När det absoluta värdet av fasen är högre blir det mer distinkt vilken tidsserie som leder den andra (t.ex. är ledarskapet mer distinkt i panel J än i panel I, och i panel K är ledarskapet mer distinkt än i panel L). Klicka här för att se en större version av denna figur.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Studien genomfördes vid Florida Atlantic University (FAU) och godkändes av FAU Institutional Review Board (IRB).

1. Använda Homer3-programvara (materialförteckning) för att utföra förbehandlingen av fNIRS-hyperskanningsdata

OBS: Homer3 är en MATLAB-applikation som analyserar fNIRS-data för att få uppskattningar och kartor över hjärnaktivering29. Homer3 kan laddas ner och installeras från följande länk (https://openfnirs.org/software/homer/).

  1. Öppna MATLAB och navigera till mappen där de råa .nirs-filerna sparas. Välj och öppna mappen.
  2. Skriv Homer3 i kommandofönstret i MATLAB för att starta Homer3 GUI. Homeros 3. kommer att upptäcka .nirs-filerna och be om att konvertera till .snirf-format (ett universellt filformat för lagring och delning av NIRS-data oberoende av specifika applikationsspecifika filformat som MATLAB) för att fortsätta med förbehandlingen av data.
  3. När du har importerat .nirs-filerna till .snirf-format i Homer3 klickar du på alternativet Verktyg i Homer3-gränssnittet och väljer Redigera bearbetningsström.
  4. I det grafiska användargränssnittet för ProcStreamEdit väljer du förbearbetningsstegen från kolumnen Registerfunktion till kolumnen Aktuell bearbetningsström genom att klicka på Lägg till. De förbearbetningssteg som ingår är följande:
    1. Använd hmrR_intensity2OD för att konvertera intensitetsdata till optisk densitet.
    2. Använd hmrR_MotionCorrectWavelet för att korrigera rörelseartefakter med lämplig filtreringsfunktion.
    3. Använd hmrR_OD2conc för att konvertera OD-data till koncentration.
    4. Använd hmR_BlockAvg för att beräkna blockmedelvärdet för koncentrationsdata.
      Valet av förbearbetningssteg kan variera beroende på typen av datauppsättning.
  5. Om du vill spara den aktuella bearbetningsströmmen klickar du på alternativet Spara och avslutar sedan det grafiska användargränssnittet för ProcStreamEdit.
  6. För att köra förbehandlingsströmmen i Homer3 GUI, klicka på alternativet KÖR . När Homer3 har kört den valda bearbetningsströmmen sparas den förbehandlade tidsserien för varje deltagare i ett .mat-filformat som innehåller Hbo, HBR och Hbt för alla kanaler och händelser. En mapp med namnet homer-utdata kommer att skapas av Homer3 i den för närvarande valda mappen för att lagra dessa filer.
  7. En mapp med namnet derivat kommer att skapas av Homer3 i den valda katalogen för att lagra dessa filer. Välj homer-mappen som finns i derivatmappen. Välj .mat-filen för varje hjärna och exportera Hbo, Hbr, Hbt.
    OBS: Namnet på utdatamappen som skapats av Homer3 beror på Homer3-versionen.

2. Komma igång med verktygslådan LeaderFollowerByPhase

  1. Om du vill analysera vilken typ av interaktion som sker i en hyperskanningsinspelning använder du verktygslådan LeaderFollowerByPhase enligt beskrivningen i processen som visas i figur 3. I MATLAB väljer du .mat-filerna för varje hjärna och läser in HBO-data (eller Hbr-data) för den specifika kanalen och den specifika händelsen i en endimensionell vektor som signal1 och signal2.
  2. Definiera parametrarna på MATLAB-kommandoraden
    1. lowFreq, highFreq: Skriv lowFreq = [låg FOI] och highFreq = [hög FOI]. Standardvärdena är lowFreq = 0,01 Hz, highFreq = 1 Hz.
      OBS: Parametrarna för funktionerna lowFreq och highFreq definierar frekvensområdet (FOI). WTC beräknar koherensen mellan de två hjärnorna vid varje tidpunkt och frekvens. Koherensvärdena är vanligtvis medelvärden inom en viss FOI.
    2. Definiera parametern phaseRange; type phaseRange = [intervall i grader].
      OBS: Standardvärdet är phaseRange = 90°. Fasen sträcker sig mellan 0° till 360° på grund av fasens cirkulära modulokaraktär. Fasområdena är indelade enligt ett intervall som omger fyra punkter. I den presenterade verktygslådan presenteras ett nytt tillvägagångssätt för att klassificera asymmetriska interaktioner (Figur 4) genom att undersöka kopplingens riktning med hjälp av fasvinkelvärdena enligt de intervall som motsvarar fördröjd synkronisering med Signal 1 ledande (ett område som omger −90°) eller Signal 2 ledande (ett område som omger 90°), Signal 1, Signal 2 in-phase synkronisering (ett område som omger 0), och Signal 1, Signal 2 anti-fassynkronisering (ett område som omger +180° eller −180°).
    3. Definiera parametern Tröskelvärde. Typtröskelvärde = [tröskelvärde rsq val]. Standardvärdet är Tröskelvärde = 0.
      OBS: Verktygslådan gör det möjligt att specificera ett tröskelvärde för koherens genom att ange tröskelparametern. Detta gör det möjligt för forskaren att välja tidpunkter med ett specificerat lägsta koherensvärde. Följaktligen beaktas endast tidpunkter med koherensvärden som är högre än det angivna tröskelvärdet.
  3. Ladda ner verktygslådan LeaderFollowerByPhase från följande länk (https://www.ariel.ac.il/wp/sns/download/ eller https://github.com/Minisharmaa/Leader-Follower-By-Phase).
  4. Kör MATLAB-funktionen LeaderFollowerByPhase genom att ange kommandot cohervalues = LeaderFollowerByPhase(signal1, signal2, lowFreq, highFreq, phaseRange, threshold) på kommandoraden.
    OBS: Koherens- och fasberäkningarna utförs med hjälp av WTC- respektive XWT-funktionerna i MATLAB30.
  5. Undersök synkroniseringsvärdena i fas, signal 1, signal 2 ledande och antifassynkronisering:
    1. Inspektera ytorna i MATLAB. Verktygslådan genererar en figur med fyra diagram.
      1. Koherens efter typ av interaktion: Inspektera lådagrammet i den övre vänstra delen av figuren, som visar R-kvadraten (Rsq) enligt varje typ av interaktion (i fas, signal 1 ledande, signal 2 ledande, antifas).
        OBS: För en detaljerad beskrivning av den inbyggda funktionen för MATLAB-boxdiagram, se följande länk (https://www.mathworks.com/help/matlab/ref/boxchart.html).
      2. Centrala index efter typ av interaktion: Inspektera stapeldiagrammet i den övre högra delen av utdatafiguren, som visar det maximala medelvärdet och medianen enligt varje typ av interaktion (i fas, signal 1 ledande, signal 2 ledande, antifas).
        OBS: För en detaljerad beskrivning av den inbyggda funktionen i MATLAB-fältet, se följande länk (https://www.mathworks.com/help/matlab/ref/bar.html).
      3. Samstämmighet över tid: Granska spridningsdiagrammet längst ned till vänster i utdatafiguren, som visar värdena för koherens och typerna av interaktion över tid. De färgade punkterna representerar olika typer av interaktion (svarta punkter representerar synkronisering i fas, mörkgrå punkter representerar signal 1 ledande, ljusgrå punkter representerar signal 2 inledande och lila punkter representerar antifassynkronisering).
        OBS: Figuren visar dynamiken i interaktionen: utbytet mellan de fyra typerna av interaktion under hela heltidsserien. En detaljerad beskrivning av MATLAB-punktfunktionen finns på följande länk (https://www.mathworks.com/help/matlab/ref/scatter.html).
      4. Tidsprocent: Inspektera cirkeldiagrammet längst ned till höger i utdatafiguren, som visar uppdelningen av tid enligt de olika typerna av interaktioner.
        OBS: För en detaljerad beskrivning av MATLAB-cirkelfunktionen, se följande länk (https://www.mathworks.com/help/matlab/ref/pie.html).
  6. Inspektera utdatatabellen med statistikvärdena (dvs. medelvärde, max, median och standardavvikelse) för varje typ av interaktion (synkronisering i fas, signal 1 ledande, signal 2 ledande, anti-fassynkronisering). Tabellen visar också hur många procent av tiden som varje typ av interaktion inträffade. Varje typ av interaktion visas i en annan kolumn.
  7. Undersök utdatavärdet i den extraherade kalkylbladsfilen (dvs. datatable.xlsx som finns i den aktuella mappen).

Figure 3
Bild 3: Översikt över arbetsflödet. (A) Mor-barn-dyader ägnade sig åt fri lek medan hyperskanning av fNIRS-data samlades in. (B) Illustration av en tidsserie mellan mor och barn. (C) Förbehandling av tidsserien med hjälp av Homer3. (D,E) Användning av en verktygslåda för att undersöka olika typer av interaktioner, t.ex. synkronisering i fas, synkronisering mot fas och synkronisering med fördröjning. Klicka här för att se en större version av denna figur.

Figure 4
Figur 4: Klassificering av fyra olika typer av interaktioner baserat på fas. Detta representerar fasskillnaden för de två neurala tidsserierna i en 360° modulo. Fasskillnaden kan ses som en tidsfördröjning mellan två värden och mäts i grader och radianer eller bråkdelar av våglängden. Här är 360°-modulen uppdelad i fyra olika intervall som visar fyra olika interaktionsfaser: (A) Signal 1 ledande (ett område runt 90°, mellan 45° till 135°), (B) anti-fassynkronisering mellan signal 1 och signal 2 (ett område runt 180° eller −180°, mellan 135 till −135°), (C) Signal 2 ledande (mellan −135° till −45°), (D) fassynkronisering (ett område runt 0, mellan −45° till 45°). Denna uppdelning är standardmetoden (45° runt varje punkt). Verktygslådan gör det dock möjligt att konfigurera en annan division. Även om andra konfigurationer kanske inte täcker alla 360°, kan det ge en mer exakt definition av varje typ av interaktion. Klicka här för att se en större version av denna figur.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

I det här avsnittet visas vilka typer av analyser som kan utföras med verktygslådan (som kan laddas ner på https://www.ariel.ac.il/wp/sns/download/ eller https://github.com/Minisharmaa/Leader-Follower-By-Phase.). För dessa analyser användes fNIRS-data som samlats in med ett litet urval av spädbarns-föräldradyader. Sex par mor-barn-dyader testades med hjälp av en validerad beteendeuppgift, free-play-uppgiften31, som är så nära en verklig interaktion mellan spädbarn och mamma som möjligt. Före experimentet utrustades spädbarnen och föräldrarna med en skräddarsydd optoduppsättning för insamling av fNIRS-data. Optoduppsättningen som användes för att samla in fNIRS-data i denna studie bestod av 8 källor (röda prickar) och 8 detektorer (blå prickar) som konfigurerades för att skapa 18 kanaler som täcker de prefrontala och temporoparietala regionerna bilateralt (se figur 5). En NIRScout samlade in optiska bilddata med hjälp av två våglängder: 760 nm, som är känsligare för deoxihemoglobin (HbR), och 850 nm, som är känsligare för oxihemoglobin (HbO). Alla föräldrar var kvinnor (åldersintervall = 26-36 år), och barnen var friska och fullgångna (två kvinnor, fyra pojkar, åldersintervall = 1-2 år) utan kända utvecklingsförseningar. Dyaderna rekryterades genom annonser. Varje förälder gav informerat samtycke före försöket, och de fick betalt för sitt deltagande. För enkelhetens skull fokuserar analysen på data som erhållits på kanal 18 i Dyad A.

Figure 5
Figur 5: Optode set som använts i förstudien. Optoduppsättningen som användes för att samla in fNIRS-data i förstudien bestod av 8 källor (röda prickar) och 8 detektorer (blå prickar) som konfigurerades för att skapa 18 kanaler (gula linjer) som täckte de prefrontala och temporoparietala regionerna bilateralt. Klicka här för att se en större version av denna figur.

Verktygslådan användes för att identifiera förändringar i de typer av interaktion som kunde identifieras över tid för den kanalen för en specifik dyad. Parametrarna för funktionen var följande: Signal 1 = kanal 18 moder, Signal 2 = kanal 18 moder, lowFreq = 0,0067, highFreq = 0,1142, phaseRange = 90, Threshold = 0.

Figure 6
Figur 6: Klassificeringsanalys vid tröskelvärdet 0. Tröskelvärdet är inställt på 0 (tröskelvärde = 0). (A) Lådagram som representerar koherensvärde i samband med interaktioner. Det finns en för varje typ av interaktion, och median- och interkvartilintervallet (IQR) anges. Högre poäng indikerar en högre grad av samstämmighet. (B) De centrala indexen för koherensvärdena för alla typer av interaktioner. (C) Dynamiken i typen av interaktion förändras under uppgiftens gång. (D) Procentandelen poäng för var och en av de fyra typerna av interaktioner. Klicka här för att se en större version av denna figur.

Först klassificerades varje tidpunkt i en av de fyra typerna av interaktion (i fas, antifas, moderlig eller spädbarnsledande) (figur 6). Figur 6D visar procentandelen tidpunkter som klassificerades i var och en av de fyra typerna av interaktioner. Det är viktigt att notera att även om verktygslådan kan upptäcka procentsatser och koherensvärden som är förknippade med interaktioner som leds av en av deltagarna (figur 6A), är dess unika bidrag att den också presenterar procentsatserna (figur 6D) och centrala index för koherensvärdena för alla typer av interaktioner, inklusive fasanti-fassynkronisering (figur 6B). Slutligen gör verktygslådan det möjligt att undersöka hur dynamiken i typen av interaktion förändras under uppgiftens gång (Figur 6C). Det är viktigt att notera att verktygslådan, i likhet med GCA-analys, beräknar dessa index för varje dyad separat. Analys på gruppnivå med hjälp av dessa index bör utföras för att bestämma typen av interaktion.

För att undersöka hur dessa minimitröskelvärden påverkar klassificeringen av interaktionstyperna inom en dyad upprepades klassificeringsanalysen med ett tröskelvärde på 0,5 på Dyad A (figur 7).

Figure 7
Figur 7: Klassificeringsanalys vid ett tröskelvärde på 0,5. Tröskelvärdet är inställt på 0,5 (tröskelvärde = 0,5). (A) Lådagram som representerar koherensvärde i samband med interaktioner. Det finns en för varje typ av interaktion, och median- och interkvartilintervallet (IQR) anges. Högre poäng indikerar en högre grad av samstämmighet. (B) De centrala indexen för koherensvärdena för alla typer av interaktioner. (C) Dynamiken i typen av interaktion förändras under uppgiftens gång. (D) Procentandelen poäng för var och en av de fyra typerna av interaktioner. Klicka här för att se en större version av denna figur.

Som visas i figur 7D ändrades fördelningen av de olika typerna av relativa fasförhållanden när detta tröskelvärde användes. Andelen fasreducering ökade (från 35 % till 59 %) och andelen fassynkronisering minskade (från 26 % till 3 %). Detta tyder på att anti-fassynkronisering kan vara den typ av interaktion som är mer representativ för denna dyad. Med andra ord, att definiera ett tröskelvärde gör det möjligt att genomföra en känsligare analys där endast tidpunkter med en lägsta nivå av koherens beräknas. Det är viktigt att notera att det är en komplicerad process att fastställa det optimala tröskelvärdet för koherensvärdet, eftersom det optimala tröskelvärdet kan variera från ett experiment till ett annat och mellan olika miljöer. Även om verktygslådan ger möjlighet att sätta ett tröskelvärde behövs fler studier för att utveckla ett protokoll för att identifiera det optimala koherensvärdet. Dessutom är det viktigt att välja tröskelvärden och frekvens för intressevärden som fortfarande överlappar Rsq-värdena. Funktionen med parametrarna lowFreq = 0,0067, highFreq = 0,1142, phaseRange = 90 och Threshold = 0,5 visade till exempel interaktioner med Rsq-värden endast över 0,5, men samma funktion med ett tröskelvärde på 0,7 resulterade i ett fel, eftersom det inte fanns några värden över 0,7 inom frekvensintervallet.

Tilläggsfil 1: Wavelet transform-koherens (WTC). Översikten över wavelet-transform och cross-wavelet-transform, som används för att analysera tidsfrekvensegenskaper och ömsesidigt beroende av två tidsserier. Wavelet-transformen delar upp en tidsserie i tidsfrekvensrum35, medan cross-wavelet-transformen avslöjar den gemensamma effekten och fasen mellan två tidsserier 9,30. Texten introducerar också koherensen för wavelet-transformen, som kvantifierar graden av synkronisering mellan två tidsserier. R-kvadratvärdet som härleds från koherensen hos wavelet-transformen återspeglar ömsesidigt beroende men skiljer inte mellan positiva och negativa korrelationer36. Positiva och negativa korrelationer antas indikera inbördes samband37,38. Klicka här för att ladda ner den här filen.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

En av de vanligaste metoderna som används i fNIRS-studier är wavelet transform coherence (WTC), som är ett mått på korskorrelationen mellan två tidsserier som en funktion av frekvens och tid10. WTC beräknar koherensen och fasfördröjningen mellan två tidsserier med hjälp av korrelationsanalyser (tilläggsfil 1). FNIRS hyperscanningsstudier har använt WTC för att uppskatta IBS inom många funktionsområden, inklusive åtgärdsövervakning 12, samarbets- och konkurrensbeteende 5,13,14,15, imitation 16, problemlösning mellan mor och barn 17 och undervisnings- och inlärningsbeteende18,19,20,21. Hyperscanningsstudier jämför ofta koherens mellan hjärnor som mäts med wavelet coherence transform (WTC) under en experimentell uppgift med den för en kontrolluppgift. Dessa jämförelser presenteras vanligtvis med hjälp av en WTC "hot plot" som visar koherensen mellan de två hjärnorna vid varje tidpunkt och frekvens. Dessutom, som visas i figur 1, visas fasfördröjningsinformationen av riktningen för små pilar i WTC "hot plot". Tidigare studier har dock försummat att ta hänsyn till den fasfördröjningsinformation som representeras av riktningen på de små pilarna i WTC:s "hot plot" och har endast uppskattat inter-brain synchrony (IBS) genom att undersöka koherensen i WTC-diagrammet. Detta förbiseende kan leda till felaktiga eller ofullständiga resultat.

De begränsningar som diskuteras av Hamilton25 när det gäller tolkningen av koherensdata över hjärnorna i fNIRS-hyperskanningsstudier tas upp i det nya ramverket, vilket möjliggör en enkel tolkning av tvärvågseffekten genom att använda tvärvågfasen för att detektera riktning, och inkluderar även en koherensanalysmodul för att beräkna koherensvärdena genom att beräkna medelvärdet av dem direkt39. Detta tillvägagångssätt gör det möjligt att undersöka utvecklingen och förändringen i interaktioner under en uppgift och ger ett tillförlitligt mått på koherens mellan signaler.

Ett sådant tillvägagångssätt har demonstrerats i beteendestudier av interpersonell synkronisering, som har använt de relativa fasdata som kan extraheras från korsvågsanalysen. Vissa studier har använt dessa data för att skilja mellan koherensvärden i fas och i fas. Till exempel har detta tillvägagångssätt använts för att utvärdera handrörelserna hos två improviserande musiker40 och för att undersöka social postural koordination41. Vissa studier har undersökt fördelningen av fasvinklar i rörelsedata för att förstå dynamiken i interaktioner genom att använda korsvågskoherens under strukturerade42 och ostrukturerade43 konversationer.

Den relativa fasen mellan två tidsserier gör det möjligt att detektera tidsmässiga förskjutningar mellan signaler med samma frekvens. Faktum är att inom området EEG-hyperskanning bedömer de flesta metoder som syftar till att bestämma graden av synkronisering av neurala tidsserier det relativa fasförhållandet mellan de två tidsserierna13,44.

De kritiska stegen för att använda verktygslådan LeaderFollowerByPhase i fNIRS-hyperskanningsdata demonstreras i protokollet. Specifikt innebär protokollet att Signal 1 och Signal 2 i MATLAB bestäms i förväg innan verktygslådan körs. Det är värt att notera att parametrar som intressefrekvens (FOI), fasintervall och tröskelvärde är valfria och kan använda standardvärden om de inte anges. Filtrering och detrending av råa signaler rekommenderas45. Dessutom måste försiktighet iakttas vid bandpassfiltrering, eftersom detta kan påverka valet av FOI.

FOI-parametrarna (lowFreq, highFreq) kräver noggrant urval, med undantag för högfrekvent och lågfrekvent fysiologiskt brus, såsom andning (~0,2-0,3 Hz) och hjärtpulsering (0,6-1,2 Hz). Det rekommenderas att ta de låga och höga frekvenserna av intresse mellan 0.01 respektive 0.7 Hz, respektive46, eftersom detta intervall effektivt eliminerar högfrekvent brus som hjärtslag (0.8-1 Hz) också.

Parametern phaseRange definierar ett intervall runt fasvinkelvärdena enligt de intervall som motsvarar fördröjd synkronisering med signal 1 ledande (ett område som omger −90°) eller signal 2 ledande (ett område som omger 90°), signal 1, signal 2 fassynkronisering (ett område som omger 0°) och signal 1, signal 2 antifassynkronisering (ett område som omger +180° eller −180°). Bredden på det omgivande området runt dessa fyra punkter definieras av phaseRange Om phaseRange till exempel är inställt på 90° kommer intervallet för synkronisering i fas att vara runt 0°, mellan −45° till 45°; området för signal 2-ledning (fördröjd synkronisering) kommer att vara runt 90°, mellan 45° till 135°, intervallet för antifassynkronisering kommer att vara runt 180° eller −180°, mellan 135° till −135°; och intervallet för signal 1 som leder (fördröjd synkronisering) kommer att vara runt 180°, mellan −135° till −45°. Parametern phaseRange måste vara mellan 0° och 90° grader, annars visas följande meddelande: "Värdet för phaseRange-variabeln måste vara mellan 0 och 90". Även om intervallet kan vara valfritt från 0° till 90°, är det lägsta rekommenderade värdet 30° (±15°). Tröskelvärdet måste vara ett värde mellan 0 och 1, annars visas följande meddelande: "Värdet för variabeln Tröskelvärde måste vara mellan 0 och 1". Det rekommenderas att välja ett tröskelvärde som ligger mellan 0,25 och 0,75.

Även om verktygslådan LeaderFollowerByPhase är ett lovande tillvägagångssätt är det inte utan begränsningar. Som nämnts ovan är det en komplicerad process att fastställa tröskelvärdet för det optimala koherensvärdet, eftersom det optimala tröskelvärdet kan variera från ett experiment till ett annat och mellan olika uppgifter. Det är nödvändigt att testa den här verktygslådan på mer olika datauppsättningar för att få mer exakt information om de optimala värdena för tröskelvärdet.

Förmågan att förstå komplexa mänskliga interaktioner med hjälp av fNIRS-hyperskanning har begränsats av det faktum att de nuvarande metoderna som används för att upptäcka koppling mellan två neurala signaler ignorerar signalernas riktning. Här föreslås ett känsligare tillvägagångssätt för att analysera koherensen hos två neurala signaler med hjälp av wavelet transform coherence (WTC). Verktygslådan gör det möjligt för forskare att undersöka kopplingens riktning genom att klassificera fasvinkelvärdena som representerar synkronisering i fas, fördröjd synkronisering och antifassynkronisering.

Detta nya tillvägagångssätt med hjälp av verktygslådan kommer att ge mer detaljerad information om karaktären hos dyadiska interaktioner, vilket hittills har saknats. Till exempel, medan fassynkronisering och anti-fassynkronisering har behandlats som identiska (tilläggsfil 1)36, kommer forskare nu att kunna identifiera i vilken utsträckning de neurala signalerna från dyadmedlemmarna rör sig i samma riktning (båda ökar eller båda minskar) eller motsatta riktningar (den ena ökar och den andra minskar). Detta kommer att ha en omvälvande inverkan på förståelsen av hur hjärnan förmedlar sociala processer och beteenden.

Det föreslagna ramverket har lovande potential för framtida tillämpningar inom forskning om interpersonell neural synkronisering, eftersom det möjliggör klassificering av olika typer av interaktioner, inklusive synkronisering i fas, fördröjd synkronisering och synkronisering mot fas. Genom att omanalysera de tidigare resultaten med det nya föreslagna ramverket kan forskare få en mer omfattande förståelse för hur synkroniseringen mellan deltagarna ser ut. Möjligheten att skilja mellan interaktioner i fas och mot fas ger en ny nivå av klarhet som tidigare inte var tillgänglig, vilket kan leda till mer exakta tolkningar av de tidigare resultaten. Denna funktionalitet i ramverket kan tillämpas på ett brett spektrum av scenarier, inklusive att utforska rollen för interpersonell neural synkronisering i socialt beteende, kommunikation och beslutsprocesser. Sammantaget utgör den föreslagna ramen ett värdefullt bidrag till området och har en betydande potential för framtida tillämpningar.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Författarna förklarar att forskningen genomfördes i avsaknad av kommersiella eller finansiella relationer som skulle kunna tolkas som en potentiell intressekonflikt.

Acknowledgments

Vi vill tacka för stödet från National Natural Science Foundation of China (nr 62207025), forskningsprojektet för humaniora och samhällsvetenskap från Kinas utbildningsministerium (nr 22YJC190017) och de grundläggande forskningsfonderna för de centrala universiteten till 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

Funktionell nära-infraröd spektroskopi FNIRS-hyperscanning koherens över hjärnan Wavelet Transform-koherens kopplingsbedömning interaktionens riktning synkronisering i fas fördröjd synkronisering anti-fassynkronisering faskoherensanalys uppskattning av kopplingsriktning interaktionsdynamik sociala interaktioner FNIRS-hyperskanningsstudier
Nytt ramverk för att förstå koherens mellan hjärnor i funktionella nära-infraröda spektroskopistudier (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