Yöntem makalesi

fNIRS-Hipertarama Verilerindeki Yönlü Bilgi Akışının Kısmi Dalgacık Dönüşümü Tutarlılık Yöntemi Kullanılarak Ölçülmesi

DOI:

10.3791/62927

⸱

3 Eylül 2021

 ,  , 
1State Key Laboratory of Cognitive Neuroscience and Learning & IDG/McGovern Institute for Brain Research, Beijing Normal University, 2Institute of Developmental Psychology, Faculty of Psychology, Beijing Normal University

* These authors contributed equally

Bu makalede

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu protokol, sosyal etkileşim sırasında bilgi akışının yönünü ve zamansal modelini çıkarmak için kişilerarası nöral senkronizasyonun (INS) zaman gecikmeli modelini hesaplamak için kısmi dalgacık dönüşüm tutarlılığını (pWTC) açıklar. pWTC'nin INS üzerindeki sinyal otokorelasyonunun karışıklıklarını gidermedeki etkinliği iki deneyle kanıtlanmıştır.

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Sosyal etkileşim insanlar için hayati öneme sahiptir. Hipertarama yaklaşımı, sosyal etkileşimler sırasında kişilerarası nöral senkronizasyonu (INS) incelemek için yaygın olarak kullanılırken, fonksiyonel yakın kızılötesi spektroskopi (fNIRS), nispeten yüksek uzamsal çözünürlüğü, ses anatomik lokalizasyonu ve hareket artefaktlarının olağanüstü yüksek toleransı nedeniyle natüralist sosyal etkileşimleri hipertarama için en popüler tekniklerden biridir. Önceki fNIRS tabanlı hipertarama çalışmaları genellikle bireyler arasındaki bilgi akışının yönünü ve zamansal modelini tanımlamak için dalgacık dönüşüm tutarlılığını (WTC) kullanarak zaman gecikmeli bir INS hesaplar. Bununla birlikte, bu yöntemin sonuçları, her bireyin fNIRS sinyalinin otokorelasyon etkisi ile karıştırılabilir. Bu sorunu ele almak için, otokorelasyon etkisini ortadan kaldırmayı ve fNIRS sinyalinin yüksek zamansal spektrum çözünürlüğünü korumayı amaçlayan kısmi dalgacık dönüşüm tutarlılığı (pWTC) adı verilen bir yöntem tanıtıldı. Bu çalışmada, öncelikle pWTC'nin otokorelasyonun INS üzerindeki etkisini ortadan kaldırmadaki etkinliğini göstermek için bir simülasyon deneyi yapılmıştır. Daha sonra, bir sosyal etkileşim deneyinden fNIRS veri kümesine dayanan pWTC'nin çalışması hakkında adım adım rehberlik sunuldu. Ek olarak, pWTC yöntemi ile geleneksel WTC yöntemi ve pWTC yöntemi ile Granger nedensellik (GC) yöntemi arasında bir karşılaştırma yapılmıştır. Sonuçlar, pWTC'nin farklı deneysel koşullar arasındaki INS farkını ve INS'nin natüralist sosyal etkileşimler sırasında bireyler arasındaki yönlü ve zamansal modelini belirlemek için kullanılabileceğini göstermiştir. Ayrıca, geleneksel WTC'den daha iyi zamansal ve frekans çözünürlüğü ve GC yönteminden daha iyi esneklik sağlar. Bu nedenle, pWTC, natüralist sosyal etkileşimler sırasında bireyler arasındaki bilgi akışının yönünü ve zamansal modelini çıkarmak için güçlü bir adaydır.

Giriş

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Sosyal etkileşim insanlar için hayati öneme sahiptir 1,2. Sosyal etkileşimin çift beyinli nörobilişsel mekanizmasını anlamak için, hipertarama yaklaşımı son zamanlarda yaygın olarak kullanılmaktadır ve kişilerarası sinirsel senkronizasyon (INS) kalıplarının sosyal etkileşim sürecini iyi karakterize edebileceğini göstermektedir 3,4,5,6,7,8,9,10,11,12 ,13,14. Son çalışmalar arasında, ilginç bir bulgu, bir dyad'daki bireylerin rol farkının, zaman gecikmeli bir INS modeline yol açabileceğidir, yani INS, bir bireyin beyin aktivitesi, dinleyicilerden konuşmacılara5,9, liderlerden takipçilere4, öğretmenlerden öğrencilere8, anneden çocuklara13,15 ve romantik bir çiftte kadınlardan erkeklere6. En önemlisi, zaman gecikmeli INS'nin aralığı ile sorgulama yapan öğretmenler ve8'e cevap veren öğrenciler arasında veya annelerin ebeveynlik davranışları ile çocukların uyum davranışları arasında olduğu gibi sosyal etkileşim davranışları arasında iyi bir yazışma vardır.15. Bu nedenle, zaman gecikmeli INS, kişilerarası sözlü iletişim için yakın tarihli bir hiyerarşik modelde önerildiği gibi, bir bireyden diğerine yönlü bir bilgi akışını yansıtabilir16.

Önceden, zaman gecikmeli INS, natüralist sosyal etkileşimleri incelerken nispeten yüksek uzamsal çözünürlüğü, ses anatomik lokalizasyonu ve hareket artefaktlarının olağanüstü yüksek toleransı nedeniyle fonksiyonel yakın kızılötesi spektroskopi (fNIRS) sinyali üzerinde hesaplanıyordu17. Dahası, sosyal etkileşim sırasında sinirsel zaman gecikmesi ile davranışsal zaman gecikmesi arasındaki yazışmaları tam olarak karakterize etmek için, her zaman gecikmesi için INS gücünü elde etmek önemlidir (örneğin, zaman gecikmesi olmamasından 10 s'lik bir zaman gecikmesine). Bu amaçla, daha önce, dalgacık dönüşümü tutarlılığı (WTC) prosedürü, bir bireyin beyin sinyalini başka bir bireyin 5,6,18'ine göre ileri veya geri kaydırdıktan sonra yaygın olarak uygulandı. Bu geleneksel WTC prosedürünü fNIRS sinyalleri için kullanırken, potansiyel bir zorluk vardır, çünkü gözlemlenen zaman gecikmeli INS, fNIRS sinyalinin bireysel bir 19,20,21 için otokorelasyon etkisi ile karıştırılabilir. Örneğin, diyadik bir sosyal etkileşim süreci sırasında, katılımcı A'nın t zaman noktasındaki sinyali, aynı zaman noktasında katılımcı B'ninkiyle senkronize edilebilir. Bu arada, t zaman noktasındaki katılımcı A'nın sinyali, otokorelasyon etkisi nedeniyle daha sonraki bir zaman noktası t + 1'deki katılımcı A'nınkiyle senkronize edilebilir. Bu nedenle, t zaman noktasındaki katılımcı A'nın sinyali ile t + 1 zaman noktasındaki katılımcı B'nin sinyali arasında sahte bir zaman gecikmeli INS oluşabilir.

Mihanović ve meslektaşları22 ilk önce kısmi dalgacık dönüşüm tutarlılığı (pWTC) adı verilen bir yöntem tanıttı ve daha sonra deniz bilimlerindeuyguladı 23,24. Bu yöntemin asıl amacı, iki sinyalin tutarlılığını tahmin ederken dışsal kafa karıştırıcı gürültüyü kontrol etmekti. Burada, fNIRS hipertarama verilerindeki otokorelasyon sorununu ele almak için, pWTC yöntemi, fNIRS sinyalindeki zaman gecikmeli INS'yi hesaplamak için genişletildi. Tam olarak, katılımcı A'dan katılımcı B'ye kadar olan zaman gecikmeli bir INS (ve yönlü bir bilgi akışı), aşağıdaki denklem kullanılarak hesaplanabilir (Denklem 1)23.

figure-introduction-1

Burada, sırasıyla A ve B katılımcılarından A ve B olmak üzere iki sinyal olduğu varsayılmaktadır. B sinyalinin oluşumu her zaman n zaman gecikmeli A sinyalinden önce gelir, burada WTC (A t, B t + n) geleneksel zaman gecikmeli WTC'dir. WTC (A t, A t+n), katılımcı A'daki otomatik ilişkili WTC'dir. WTC (A t, B t), katılımcı A ve B arasındaki t zaman noktasında zaman hizalanmış WTC'dir . * karmaşık eşlenik operatördür (Şekil 1A).

figure-introduction-2
Şekil 1: pWTC'ye genel bakış. (A) pWTC'nin mantığı. Bir dyad içinde iki sinyal A ve B vardır. A'nın oluşumu her zaman B'ninkini n gecikmeli olarak takip eder. Gri kutu, belirli bir zaman noktası t veya t + n'deki bir dalgacık penceresidir. pWTC denklemine (şekilde temsil edilen) dayanarak, üç WTC'nin hesaplanması gerekir: At + n ve Bt'nin zaman gecikmeli WTC'si; A t ve A t+n'nin A katılımcısındaki otomatik korelasyonlu WTC; ve t, A t ve B t zaman noktalarında zaman hizalanmış WTC. (B) Optod prob setlerinin düzeni. CH11 T3'e yerleştirildi ve CH25, uluslararası 10-20 sistemi 27,28'i takiben T4'e yerleştirildi. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Bu protokol ilk olarak pWTC'nin otokorelasyon zorluğunu ne kadar iyi çözdüğünü göstermek için bir simülasyon deneyi başlattı. Daha sonra, pWTC'nin natüralist sosyal etkileşimlerin ampirik bir deneyine dayanan adım adım nasıl yürütüleceğini açıkladı. Burada, yöntemi tanıtmak için bir iletişim bağlamı kullanılmıştır. Bunun nedeni, daha önce, zaman gecikmeli INS'nin genellikle doğalcı bir iletişim bağlamında hesaplanmış olmasıdır 3,4,6,8,13,15,18. Ek olarak, pWTC ile geleneksel WTC arasında bir karşılaştırma ve Granger nedensellik (GC) testi ile doğrulama da yapılmıştır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

İnsan deneyi protokolü, Pekin Normal Üniversitesi'ndeki Bilişsel Sinirbilim ve Öğrenme Devlet Anahtar Laboratuvarı Kurumsal İnceleme Kurulu ve Etik Komitesi tarafından onaylandı. Tüm katılımcılar deney başlamadan önce yazılı bilgilendirilmiş onam verdiler.

1. Simülasyon deneyi

  1. Birbiriyle ilişkili iki zaman serisi sinyali üretin, bir sinyal 4 s zaman gecikmesinde otokorelasyona sahiptir. İki sinyal arasındaki r korelasyon katsayısını 0,4 olarak ayarlayın.
  2. Ayrıca, herhangi bir korelasyon olmadan, ancak bir sinyalde otokorelasyon ile iki zaman serisi sinyali üretin.
  3. Denklem 2 ile geleneksel 4 s zaman gecikmeli INS'nin değerlerini, otokorelasyonlu zaman gecikmeli INS WTC ve otokorelasyonlu zaman gecikmeli temel INSWTC olarak adlandırılabilen, korelasyonlu veya korelasyonsuz üretilensinyallere dayanarak hesaplayın.
    NOT: Burada, geleneksel zaman gecikmeli WTC aşağıdaki denklemle ifade edilir (Denklem 2)25
    figure-protocol-1
    burada C, farklı ölçeklerde i ve zaman noktaları t'de sürekli dalgacık dönüşüm operatörünü gösterir. S , yumuşatma operatörünü gösterir. * karmaşık eşlenik operatörü gösterir. W ve M, iki ayrı sinyal zaman serisini gösterir.
  4. Oluşturulan sinyallerden otokorelasyonu kaldırın. Ardından, otokorelasyon olmadan zaman gecikmeli INS WTC ve otokorelasyon olmadan zaman gecikmeli INS WTC ve otokorelasyon olmadan zaman gecikmeli temel INSWTC olarak adlandırılabilen, korelasyonlu veya korelasyonsuz üretilen sinyallere dayanarak Denklem 2 ile geleneksel 4 s zaman gecikmeli INSWTC'nin değerlerini hesaplayın.
  5. Denklem 3 ile 4 s zaman gecikmeli pWTC değerlerini, korelasyonlu veya korelasyonsuz, zaman gecikmeli INS pWTC ve zaman gecikmeli temel INSpWTC olarak adlandırılan oluşturulan sinyallere dayanarak hesaplayın.
    NOT: pWTC aşağıdaki denkleme göre hesaplanabilir (Denklem 3)23
    figure-protocol-2
    burada, WTC (W t, Mt + n) geleneksel zaman gecikmeli WTC'dir. WTC (M t, M t + n), bir bireyin otomatik korelasyonlu WTC'sidir. WTC (W t, M t), zamana bağlı WTC'dir. * karmaşık eşlenik operatördür.
  6. Yukarıdaki prosedürleri 1000 kez tekrarlayın.
  7. Temel INS'yi çıkardıktan sonra, varyans analizleri (ANOVA) yöntemini kullanarak zaman gecikmeli INS WTC'nin sonuçlarını otokorelasyonla, zaman gecikmeli INSWTC'nin otokorelasyonla, zaman gecikmeli INS'ninpWTC'siyle karşılaştırın.
    NOT: Burada, otokorelasyonlu zaman gecikmeli INS WTC'nin, otokorelasyon olmadan zaman gecikmeli INSWTC'den ve zaman gecikmeli INS pWTC'den anlamlı derecede daha yüksek olması beklenmektedir ve otokorelasyon olmadan zaman gecikmeli INSWTC ile zaman gecikmeli INSpWTCC arasında anlamlı bir fark beklenmemektedir.

2. Ampirik deney

  1. Katılımcılar ve prosedür
    1. Uygun katılımcıları işe alın.
      NOT: Bu çalışmada, Pekin'deki üniversitelerin lisans öğrencilerinden yirmi iki çift yakın karşı cinsten arkadaş (kadınların ortalama yaşı = 20.95, standart sapma (SD) = 1.86; erkeklerin ortalama yaşı = 20.50, SD = 1.74) işe alınmıştır. Tüm katılımcılar sağ elini kullanıyordu ve normal veya düzeltilmiş normal görüşe sahipti. Ayrıca, hiçbir katılımcının dil, nörolojik veya psikiyatrik bozukluğu yoktu.
    2. Her bir katılımcı çiftinden deney sırasında yüz yüze oturmalarını isteyin. Bir oturumda destekleyici bir konu ve diğer oturumda bir çatışma konusu hakkında özgürce iletişim kurmalarını isteyin.
      NOT: Konular, amaçlanan olumlu veya olumsuz duygusal değeri indüklemek için kullanılmıştır. Her iletişim oturumu 10 dakika sürdü ve konuların sırası dengelendi.
    3. Katılımcılardan standart bir kurulum kuralı olarak destekleyici ve çatışma konuları hakkında rapor vermelerini isteyin. Her partnerden, belirli bir puan ölçeğinde indüklenmiş olabilecek pozitif veya negatif değerlik seviyesini derecelendirmesini isteyin. Ardından, bildirilen konuları derecelendirmeye göre sıralayın.
      NOT: Bu çalışmada, konular aşağıdaki üç adımla seçilmiştir. İlk olarak, destekleyici konular için, her katılımcının hayatında geliştirmek istediği şeylerle ilgili 1-3 kişisel sorunu bildirmesi istendi. Her katılımcının, aralarında çatışmaya neden olan veya çıkaracak olan ya da çatışma konuları için ilişkilerini tehlikeye atabilecek 1-3 vaka bildirmesi gerekiyordu. İkincisi, her ortağın, her konunun 7 puanlık bir ölçekte indükleyebileceği pozitif veya negatif değerlik seviyesini derecelendirmesi gerekiyordu (1 = hiç değil ve 7 = çok fazla). Üçüncüsü, bildirilen konular derecelendirmeye göre sıralandı. Destekleyici konular ve çatışma konuları listesindeki ilk iki konu seçildi.
  2. fNIRS veri toplama
    1. fNIRS verilerini toplamak için 26 kanallı fNIRS topografya sistemini kullanın (bkz.
      NOT: İki özelleştirilmiş optod prob seti, bilateral frontal, temporal ve parietal korteksleri kapsıyordu (Şekil 1B).
    2. Tam olarak, her katılımcıdan iki özelleştirilmiş prob setine sahip bir kapak takmasını isteyin (bkz.
    3. Nasion, inion ve kulak mastoidlerini, 10-20 uluslararası sistem26'nın tipik işaretleri olan Fpz, Opz, T7 ve T8 ile hizalayın.
    4. İki prob seti 27,28 için uluslararası 10-20 sistemini takip ederek kanal (CH) 11'i T3'e veCH25'i T4'e hizalayın.
    5. Tipik bir katılımcıdan gelen manyetik rezonans görüntüleme (MRG) verilerini, yüksek çözünürlüklü T1 ağırlıklı mıknatıslanma ile hazırlanmış hızlı gradyan-eko dizisi (TR = 2530 ms; TE = 3,39 ms; çevirme açısı = 7°; dilim kalınlığı = 1,3 mm; voksel boyutu = 1,3 x 1 x 1,3 mm).
    6. Görüntüyü standart Montreal görüntüleme enstitüsü koordinat (MNI koordinatı) alanı29'a normalleştirmek için İstatistiksel Parametrik Eşleme 12'yi (SPM12) kullanın. Ardından, probların MNI koordinatlarını otomatik anatomik etiketleme (AAL) şablonuna yansıtmak için NIRS_SPM araç kutusunu kullanın (bkz.
    7. Üç dalga boyunda (780, 805 ve 830 nm) 55,6 Hz örnekleme hızında (ekipman varsayılan parametreleri) yakın kızılötesi ışığın optik yoğunluk verilerini toplayın.
    8. fNIRS topografya sistemi yerleşik ekipman yazılımını kullanarak sinyal kalitesini test edin (bkz.
    9. Sinyal kaydına başlayın.
      NOT: Yayınlanmış bazı protokoller, çeşitli ekipman ve sistemlerle fNIRS sinyallerinin nasıl toplanacağını göstermiştir30,31,32.
  3. fNIRS veri ön işleme
    1. Veri dosyalarını ekipmandan dışa aktarın.
      NOT: Mevcut deneyde, yerleşik yazılım, modifiye edilmiş Beer-Lambert yasasına dayanarak tüm optik yoğunluk verilerini otomatik olarak oksihemoglobin (HbO) konsantrasyon değişikliklerine dönüştürdü.
    2. Geçici yanıtlardan kaçınmak için her oturum için ilk ve son 15 sn veriyi kaldırın.
    3. Verileri 55,6 Hz'den 11,1 Hz'e düşürmek için MATLAB yerleşik yok etme işlevini kullanın.
      NOT: 55,6 Hz ile 11,1 Hz arasındaki güç spektrumu desenleri oldukça benzerdir (Ek Şekil 1).
    4. Hareket yapıtlarını düzeltmek üzere ayrık dalgacık dönüştürme filtresi yöntemini uygulamak için yerleşik MATLAB uygulama işlevini (Homer3, bkz. Malzeme Tablosu) uygun filtreleme işleviyle kullanın.



    3. figure-protocol-3


    4. figure-protocol-4




    1. figure-protocol-5


Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Simülasyon sonuçları
Sonuçlar, otokorelasyonlu zaman gecikmeli INS WTC'nin, otokorelasyon olmadan zaman gecikmeli INSWTC'den anlamlı derecede yüksek olduğunu göstermiştir (t (1998) = 4.696, p < 0.001) ve zaman gecikmeli INSpWTC (t (1998) = 5.098, p < 0.001). Ek olarak, otokorelasyon olmadan zaman gecikmeli INSWTC ile INSpWTC arasında anlamlı bir fark yoktu (t(1998) = 1.573, p = 0.114,

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Hipertarama çalışmalarında, bireyler arasındaki bilgi akışının yönlü ve zamansal kalıplarını tanımlamak genellikle önemlidir. Önceki fNIRS hipertarama çalışmalarının çoğu, zaman gecikmeli INS'yi hesaplayarak bu özellikleri çıkarmak için geleneksel WTC25'i kullanmıştır. Bununla birlikte, fNIRS sinyali20,21'in içsel özelliklerinden biri olarak, otokorelasyon etkisi zaman gecikmeli INS'yi karıştırabilir. Bu sorunu çözmek için, buradaki protok...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar rakip finansal çıkarlar olmadığını beyan ederler.

Teşekkürler

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma, Çin Ulusal Doğa Bilimleri Vakfı (61977008) ve On Bin Yeteneğin Genç Üst Düzey Yetenekleri Programı tarafından desteklenmiştir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
fNIRS topografi sistemiShimadzu CorporationShimadzu LABNIRS systenLABNIRS sistemi, fNIRS sinyallerinin ölçümü için 40 yayıcı ve 40 dedektör içerir. Bu protokolde bu emitörleri ve dedektörleri kullandık, iki özelleştirilmiş 26 kanallı prob seti oluşturduk ve 10-20 sisteme göre iki kapağa bağlandık. Ayrıca, LABNIRS sistemi ayrıca veri kalitesi kontrolü, veri dönüştürme ve veri dışa aktarma için yerleşik GUI yazılımları içerir.
MATLABMathWorks, Inc.MATLAB 2019aBu protokolde, MATLAB'da bulunan çeşitli araç kutuları ve işlevler kullanılmıştır:
SPM12 araç kutusu, doğrulanmış MRI verilerini GUI aracılığıyla normalleştirmek için kullanıldı.
NIRS_SPM araç kutusu, probların MNI koordinatlarını GUI.
aracılığıyla AAL şablonuna yansıtmak için kullanıldı Homer3 araç kutusu, varsayılan parametrelerle hmrMotionCorrectWavelet işlevi aracılığıyla hareket artefaktlarını kaldırmak için kullanıldı.
Dalgacık toolbox, wcoternance işlevi aracılığıyla WTC ve pWTC'yi hesaplamak için kullanıldı.
MRI tarayıcıSiemens HealthineersTRIO 3-Tesla tarayıcıBu protokolde, her kanalın MNI koordinatlarını elde etmek için MRI tarayıcı kullanıldı ve optpde. Tarama parametreleri ana metinde açıklanmıştır.
Özelleştirilmiş kapaklarBu protokolde ilk olarak 10-20 sistemli iki naylon kapağı işaretledik. Daha sonra iki adet 26 kanallı özelleştirilmiş optode prob seti yaptık. Son olarak, prob setlerini yer işaretleriyle hizalanmış kapaklara taktık.

Kaynaklar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. 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).
  2. Hasson, U., Frith, C. D. Mirroring and beyond: Coupled dynamics as a generalized framework for modelling social interactions. Philosophical Transactions of the Royal Society B: Biological Sciences. 371, 20150366(2016).
  3. Jiang, J., et al. Neural synchronization during face-to-face communication. Journal of Neuroscience. 32 (45), 16064-16069 (2012).
  4. Jiang, J., et al. Leader emergence through interpersonal neural synchronization. Proceedings of the National Academy of Sciences of the United States of America. 112 (14), 4274-4279 (2015).
  5. Dai, B., et al. Neural mechanisms for selectively tuning in to the target speaker in a naturalistic noisy situation. Nature Communications. 9 (1), 1-12 (2018).
  6. Long, Y., et al. Interpersonal neural synchronization during interpersonal touch underlies affiliative pair bonding between romantic couples. Cerebral Cortex. 31 (3), New York, N.Y. 1647-1659 (2021).
  7. Liu, W., et al. Shared neural representations of syntax during online dyadic communication. NeuroImage. 198, 63-72 (2019).
  8. Zheng, L., et al. Enhancement of teaching outcome through neural prediction of the students' knowledge state. Human Brain Mapping. 39 (7), 3046-3057 (2018).
  9. Stephens, G. J., Silbert, L. J., Hasson, U. Speaker-listener neural coupling underlies successful communication. Proceedings of the National Academy of Sciences of the United States of America. 107 (32), 14425-14430 (2010).
  10. Hirsch, J., et al. Interpersonal agreement and disagreement during face-to-face dialogue: An fNIRS investigation. Frontiers in Human Neuroscience. 14, 606397(2021).
  11. Pan, Y., Cheng, X., Zhang, Z., Li, X., Hu, Y. Cooperation in lovers: An fNIRS-based hyperscanning study. Human Brain Mapping. 38 (2), 831-841 (2017).
  12. 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).
  13. Piazza, E. A., Hasenfratz, L., Hasson, U., Lew-Williams, C. Infant and Adult Brains Are Coupled to the Dynamics of Natural Communication. Psychological Science. 31 (1), 6-17 (2020).
  14. Djalovski, A., Dumas, G., Kinreich, S., Feldman, R. Human attachments shape interbrain synchrony toward efficient performance of social goals. NeuroImage. 226, 117600(2021).
  15. Zhao, H., et al. How mother-child interactions are associated with a child's compliance. Cerebral Cortex. 31 (9), 4398-4410 (2021).
  16. Jiang, J., Zheng, L., Lu, C. A hierarchical model for interpersonal verbal communication. Social Cognitive and Affective Neuroscience. 16 (1-2), 246-255 (2021).
  17. Yan, W., et al. Bibliometric evaluation of 2000-2019 publications on functional near-infrared spectroscopy. NeuroImage. 220, 117121(2020).
  18. Zheng, L., et al. Affiliative bonding between teachers and students through interpersonal synchronisation in brain activity. Social Cognitive and Affective Neuroscience. 15 (1), 97-109 (2020).
  19. Dean, R. T., Dunsmuir, W. T. M. Dangers and uses of cross-correlation in analyzing time series in perception, performance, movement, and neuroscience: The importance of constructing transfer function autoregressive models. Behavior Research Methods. 48 (2), 783-802 (2016).
  20. Barker, J. W., Rosso, A. L., Sparto, P. J., Huppert, T. J. Correction of motion artifacts and serial correlations for real-time functional near-infrared spectroscopy. Neurophotonics. 3 (3), 031410(2016).
  21. Huppert, T. J. Commentary on the statistical properties of noise and its implication on general linear models in functional near-infrared spectroscopy. Neurophotonics. 3 (1), 010401(2016).
  22. Mihanović, H., Orlić, M., Pasarić, Z. Diurnal thermocline oscillations driven by tidal flow around an island in the Middle Adriatic. Journal of Marine Systems. 78, SUPPL. 1 157-168 (2009).
  23. Ng, E. K. W., Chan, J. C. L. Geophysical applications of partial wavelet coherence and multiple wavelet coherence. Journal of Atmospheric and Oceanic Technology. 29 (12), 1845-1853 (2012).
  24. Ng, E. K. W., Chan, J. C. L. Interannual variations of tropical cyclone activity over the north Indian Ocean. International Journal of Climatology. 32 (6), 819-830 (2012).
  25. 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, 561-566 (2004).
  26. Jurcak, V., Tsuzuki, D., Dan, I. 10/20, 10/10, and 10/5 systems revisited: Their validity as relative head-surface-based positioning systems. NeuroImage. 34 (4), 1600-1611 (2007).
  27. Homan, R. W., Herman, J., Purdy, P. Cerebral location of international 10-20 system electrode placement. Electroencephalography and Clinical Neurophysiology. 66 (4), 376-382 (1987).
  28. Koessler, L., et al. Automated cortical projection of EEG sensors: Anatomical correlation via the international 10-10 system. NeuroImage. 46 (1), 64-72 (2009).
  29. Penny, W., Friston, K., Ashburner, J., Kiebel, S., Nichols, T. Statistical Parametric Mapping: The Analysis of Functional Brain Images. , Academic Press. (2007).
  30. Shalinsky, M. H., Kovelman, I., Berens, M. S., Petitto, L. A. Exploring cognitive functions in babies, children & adults with near infrared spectroscopy. Journal of Visualized Experiments: JoVE. (29), e1268(2009).
  31. Xu, S. Y., Cheong, L. I., Zhuang, Y., Couto, T. A. P., Yuan, Z. Conducting concurrent electroencephalography and functional near-infrared spectroscopy recordings with a flanker task. Journal of Visualized Experiments: JoVE. (159), e6069(2020).
  32. Noah, J. A., et al. fMRI validation of fNIRS measurements during a naturalistic task. Journal of Visualized Experiments: JoVE. (100), e52116(2015).
  33. Tong, Y., Lindsey, K. P., Frederick, B. D. Partitioning of physiological noise signals in the brain with concurrent near-infrared spectroscopy and fMRI. Journal of Cerebral Blood Flow and Metabolism. 31 (12), 2352-2362 (2011).
  34. Buck, R., Miller, R. E., Caul, W. F. Sex, personality, and physiological variables in the communication of affect via facial expression. Journal of Personality and Social Psychology. 30 (4), 587-596 (1974).
  35. Walen, H. R., Lachman, M. E. Social support and strain from partner, family, and friends: Costs and benefits for men and women in adulthood. Journal of Social and Personal Relationships. 17 (1), 5-30 (2000).
  36. Chang, C., Glover, G. H. Time-frequency dynamics of resting-state brain connectivity measured with fMRI. NeuroImage. 50 (1), 81-98 (2010).
  37. Liu, H., et al. Inferring subsurface preferential flow features from a wavelet analysis of hydrological signals in the shale hills catchment. Water Resources Research. 56 (11), 0-3 (2020).
  38. Rhif, M., Abbes, A. B., Farah, I. R., Martínez, B., Sang, Y. Wavelet transform application for/in non-stationary time-series analysis: A review. Applied Sciences. 9 (7), Switzerland. 1345(2019).
  39. Molavi, B., Dumont, G. A. Wavelet-based motion artifact removal for functional near-infrared spectroscopy. Physiological Measurement. 33 (2), 259-270 (2012).
  40. Scholkmann, F., Spichtig, S., Muehlemann, T., Wolf, M. How to detect and reduce movement artifacts in near-infrared imaging using moving standard deviation and spline interpolation. Physiological Measurement. 31 (5), 649-662 (2010).
  41. Zhang, Y., Brooks, D. H., Franceschini, M. A., Boas, D. A. Eigenvector-based spatial filtering for reduction of physiological interference in diffuse optical imaging. Journal of Biomedical Optics. 10 (1), 011014(2005).
  42. Cui, X., Bray, S., Reiss, A. L. Functional near infrared spectroscopy (NIRS) signal improvement based on negative correlation between oxygenated and deoxygenated hemoglobin dynamics. NeuroImage. 49 (4), 3039-3046 (2010).
  43. Cooper, R. J., et al. A systematic comparison of motion artifact correction techniques for functional near-infrared spectroscopy. Frontiers in Neuroscience. 0, 147(2012).
  44. Brigadoi, S., et al. Motion artifacts in functional near-infrared spectroscopy: A comparison of motion correction techniques applied to real cognitive data. NeuroImage. 85, 181-191 (2014).
  45. Liu, Y., et al. Measuring speaker-listener neural coupling with functional near infrared spectroscopy. Scientific Reports. 7, 1-13 (2017).
  46. Li, Z., et al. Speaker-listener neural coupling reveals an adaptive mechanism for speech comprehension in a noisy environment. Cerebral Cortex. , (2021).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

N ral SenkronizasyonGranger Nedenselli iSosyal Etkile imHemoglobin KonsantrasyonuHareket Artefakt D zeltmesiK me Perm tasyon Testi

İlgili makaleler