Waiting
Traitement de la connexion…

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

Neuroscience

Måling av retningsinformasjonsflyten i fNIRS-Hyperscanning-data ved hjelp av metoden for delvis wavelettransformasjon

Published: September 3, 2021 doi: 10.3791/62927
Automatic Translation
*1, *2, 1
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

Summary

Denne protokollen beskriver delvis wavelet transform coherence (pWTC) for beregning av det tidsforsinkelsesmønsteret for mellommenneskelig nevral synkronisering (INS) for å utlede retningen og det tidsmessige mønsteret for informasjonsflyt under sosial interaksjon. Effektiviteten av pWTC i å fjerne konfundering av signal autokorrelasjon på INS ble bevist av to eksperimenter.

Abstract

Sosial interaksjon er av avgjørende betydning for mennesker. Mens hyperskanningsmetoden har blitt mye brukt til å studere mellommenneskelig nevral synkronisering (INS) under sosiale interaksjoner, er funksjonell nær-infrarød spektroskopi (fNIRS) en av de mest populære teknikkene for hyperskanning av naturalistiske sosiale interaksjoner på grunn av sin relativt høye romlige oppløsning, lydanatomisk lokalisering og eksepsjonelt høy toleranse for bevegelsesartefakter. Tidligere fNIRS-baserte hyperskanningsstudier beregner vanligvis en tidsforsinkelses-INS ved hjelp av wavelet transform coherence (WTC) for å beskrive retningen og det tidsmessige mønsteret for informasjonsflyt mellom individer. Resultatene av denne metoden kan imidlertid forvirres av autokorrelasjonseffekten av fNIRS-signalet til hver enkelt person. For å løse dette problemet ble det introdusert en metode kalt delvis wavelet transform coherence (pWTC), som hadde som mål å fjerne autokorrelasjonseffekten og opprettholde den høye temporale spektrumoppløsningen til fNIRS-signalet. I denne studien ble det først utført et simuleringseksperiment for å vise effektiviteten av pWTC ved å fjerne virkningen av autokorrelasjon på INS. Deretter ble trinnvis veiledning tilbudt om driften av pWTC basert på fNIRS-datasettet fra et sosialt interaksjonseksperiment. I tillegg ble det tegnet en sammenligning mellom pWTC-metoden og den tradisjonelle WTC-metoden og den mellom pWTC-metoden og Granger causality (GC)-metoden. Resultatene viste at pWTC kunne brukes til å bestemme INS-forskjellen mellom ulike eksperimentelle forhold og INS' retningsmessige og tidsmessige mønster mellom individer under naturalistiske sosiale interaksjoner. Videre gir det bedre temporal og frekvensoppløsning enn den tradisjonelle WTC og bedre fleksibilitet enn GC-metoden. Dermed er pWTC en sterk kandidat for å utlede retningen og det tidsmessige mønsteret for informasjonsflyt mellom individer under naturalistiske sosiale interaksjoner.

Introduction

Sosial interaksjon er av avgjørende betydning for mennesker 1,2. For å forstå den to-hjerne nevrokognitive mekanismen for sosial interaksjon, har hyperskanningsmetoden nylig blitt mye brukt, og viser at mønstrene for mellommenneskelig nevral synkronisering (INS) godt kan karakterisere den sosiale interaksjonsprosessen 3,4,5,6,7,8,9,10,11,12 ,13,14. Blant nyere studier er et interessant funn at rolleforskjellen til individer i en dyad kan føre til et tidsforsinkelsesmønster av INS, det vil si at INS oppstår når hjerneaktiviteten til en person henger etter en annen persons etter sekunder, for eksempel fra lyttere til høyttalere 5,9, fra ledere til følgere4, fra lærere til elever8, fra mødre til barn13,15, og fra kvinner til menn i et romantisk par6. Viktigst av alt er det en god korrespondanse mellom intervallet for tidsforsinkelsen i INS og den for sosial interaksjonsatferd, for eksempel mellom lærere som stiller spørsmål og studenter som svarerpå 8 eller mellom foreldreatferd hos mødre og samsvarsatferd hos barn15 år. InS med tidsforsinkelse kan derfor gjenspeile en retningsmessig informasjonsflyt fra ett individ til et annet, som foreslått i en nylig hierarkisk modell for mellommenneskelig verbal kommunikasjon16.

Tidligere ble det tidsslepende INS hovedsakelig beregnet på det funksjonelle nær-infrarøde spektroskopisignalet (fNIRS) på grunn av sin relativt høye romlige oppløsning, lydanatomiske lokalisering og eksepsjonelt høy toleranse for bevegelsesartefakter17 når de studerte naturalistiske sosiale interaksjoner. Videre, for å nøyaktig karakterisere korrespondansen mellom nevral tidsforsinkelse og atferdstidsforsinkelsen under sosial interaksjon, er det viktig å oppnå INS-styrken for hver tidsforsinkelse (f.eks. fra ingen tidsforsinkelse til et tidsforsinkelse på 10 s). Til dette formål ble tidligere WTC-prosedyren (wavelet transform coherence) mye brukt etter å ha flyttet hjernesignalet til ett individ fremover eller bakover i forhold til en annen person 5,6,18. Ved bruk av denne tradisjonelle WTC-prosedyren for fNIRS-signaler er det en potensiell utfordring fordi den observerte tidsforsinkelsen i INS kan forvirres av autokorrelasjonseffekten av fNIRS-signalet for en personpå 19,20,21. For eksempel, under en dyadisk sosial interaksjonsprosess, kan signalet fra deltaker A på tidspunktet t synkroniseres med deltaker B samtidig. I mellomtiden kan signalet fra deltaker A på tidspunktet t synkroniseres med deltaker A på et senere tidspunkt t+1 på grunn av autokorrelasjonseffekten. Derfor kan det oppstå en ansporende tidsforsinkelse i INS mellom signalet fra deltaker A på tidspunktet t og deltaker B på tidspunktet t+1.

Mihanović og hans kolleger22 introduserte først en metode kalt delvis wavelet transform coherence (pWTC), og brukte den deretter i marin vitenskap23,24. Det opprinnelige formålet med denne metoden var å kontrollere den eksogene forvirrende støyen når man estimerer sammenhengen mellom to signaler. Her, for å løse problemet med autokorrelasjon i fNIRS hyperskanningsdata, ble pWTC-metoden utvidet til å beregne tidsforsinkelse INS på fNIRS-signalet. Nøyaktig kan en tidsforsinkelset INS (og en retningsinformasjonsflyt) fra deltaker A til deltaker B beregnes ved hjelp av ligningen nedenfor (ligning 1)23.

Equation 1

Her antas det at det er to signaler, A og B, fra henholdsvis A og B. Forekomsten av signal B går alltid foran signal A med en tidsforsinkelse på n, der WTC (At, Bt+n) er den tradisjonelle tidsforsinkelsen WTC. WTC (At, At+n) er den autokorrelerte WTC i deltaker A. WTC (At, Bt) er den tidsjusterte WTC på tidspunktet t mellom deltaker A og B. * er den komplekse konjugatoperatoren (figur 1A).

Figure 1
Figur 1: Oversikt over pWTC. (A) Logikken i pWTC. Det er to signaler A og B, innenfor en dyad. Forekomsten av A følger alltid B med en lag n. En grå boks er et waveletvindu på et bestemt tidspunkt t eller t+n. Basert på pWTC-ligningen (representert i figuren), må tre WTCer beregnes: tidsforsinkelse wtc av At + n og Bt; den autokorrelerte WTCen i deltaker A av At og At+n; og den tidsjusterte WTC på tidspunkt t, At og Bt. (B) Utformingen av optode sondesett. CH11 ble plassert på T3, og CH25 ble plassert på T4 etter det internasjonale 10-20-systemet27,28. Klikk her for å se en større versjon av denne figuren.

Denne protokollen introduserte først et simuleringseksperiment for å demonstrere hvor godt pWTC løser autokorrelasjonsutfordringen. Deretter forklarte den hvordan man utfører pWTC trinnvis basert på et empirisk eksperiment av naturalistiske sosiale interaksjoner. Her ble en kommunikasjonskontekst brukt til å introdusere metoden. Dette skyldes at den tidsforsinkelsen INS vanligvis ble beregnet i en naturalistisk kommunikasjonskontekst 3,4,6,8,13,15,18. I tillegg ble det også gjennomført en sammenligning mellom pWTC og den tradisjonelle WTC- og valideringen med Granger kausalitetstesten (GC).

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Den menneskelige eksperimentprotokollen ble godkjent av Institutional Review Board and Ethics Committee of the State Key Laboratory of Cognitive Neuroscience and Learning ved Beijing Normal University. Alle deltakerne ga skriftlig informert samtykke før eksperimentet begynte.

1. Simuleringseksperimentet

  1. Generer to tidsserier med signaler som korrelerer med hverandre, med ett signal som har autokorrelasjon ved en tidsforsinkelse på 4. Sett korrelasjonskoeffisienten for r mellom de to signalene til 0,4.
  2. Videre genererer to tidsserier med signaler uten noen sammenheng, men med autokorrelasjon i ett signal.
  3. Beregn verdier av tradisjonell 4 s tidsforsinkelse INS med ligning 2 basert på de genererte signalene med eller uten korrelasjon, som kan kalles tidsforsinkelse INSWTC med autokorrelasjon og tidsforsinkelse insWTC med autokorrelasjon.
    MERK: Her uttrykkes den tradisjonelle tidsforsinkelsen WTC ved følgende ligning (Formel 2)25
    Equation 2
    der C betegner den kontinuerlige wavelet transform operatoren på forskjellige skalaer i og tidspunkter t. S angir utjevningsoperatoren. * betegner den komplekse konjugatoperatøren. W og M indikerer to individuelle tidsserier med signaler.
  4. Fjern autokorrelasjon fra de genererte signalene. Deretter beregner du verdiene for tradisjonell 4 s tidsforsinkelse INSWTC med ligning 2 basert på de genererte signalene med eller uten korrelasjon, som kan kalles tidsforsinkelse INSWTC uten autokorrelasjon og tidsforsinkelse inswtC uten autokorrelasjon.
  5. Beregn verdiene for 4 s tidsforsinkelse pWTC med ligning 3 basert på genererte signaler med eller uten korrelasjon, kalt tidsforsinkelse INSpWTC og tidsforsinkelse inspWTC.
    MERK: pWTC kan beregnes basert på følgende ligning (Formel 3)23
    Equation 3
    der WTC (Wt, Mt+n) er den tradisjonelle tidsforsinkelsen WTC. WTC (Mt, Mt+n) er den autokorrelerte WTC-en til ett individ. WTC (Wt, Mt) er den tidsjusterte WTC. * er den komplekse konjugatoperatøren.
  6. Gjenta prosedyrene ovenfor 1000 ganger.
  7. Når du har trukket fra baseline INS, sammenligner du resultatene av tidsforsinkelset INSWTC med autokorrelasjon, tidsforsinkelse INSWTC uten autokorrelasjon og tidsforsinkelse INSpWTC ved hjelp av analysene av variansmetoden (ANOVA).
    MERK: Her forventes det at tidsforsinkelsen INSWTC med autokorrelasjon vil være betydelig høyere enn den tidsforsinkelsede INSWTC uten autokorrelasjon og tidsforsinkelsen INSpWTC, og det forventes ingen signifikant forskjell mellom tidsforsinkelsen INSWTC uten autokorrelasjon og tidsforsinkelsen INSpWTC.

2. Det empiriske eksperimentet

  1. Deltakere og prosedyre
    1. Rekrutter passende deltakere.
      MERK: I denne studien ble tjueto par nære motsatte kjønn venner (gjennomsnittsalder på kvinner = 20,95, standardavvik (SD) = 1,86; gjennomsnittsalder for menn = 20,50, SD = 1,74) rekruttert gjennom reklame fra studenter ved universiteter i Beijing. Alle deltakerne var høyrehendte og hadde normal eller korrigert til normal syn. Videre hadde ingen deltakere noe språk, nevrologiske eller psykiatriske lidelser.
    2. Be hvert par deltakere om å sitte ansikt til ansikt under eksperimentet. Be dem kommunisere fritt om et støttende emne i én økt og om et konfliktemne i den andre økten.
      MERK: Temaene ble brukt til å indusere den tiltenkte positive eller negative emosjonelle valensen. Hver kommunikasjonsøkt varte i 10 minutter, og rekkefølgen på emnene ble motvektet.
    3. Be deltakerne rapportere om støtte- og konfliktemnene som en standard oppsettsregel. Be hver partner vurdere det positive eller negative valensnivået som kan ha blitt indusert på en bestemt punktskala. Ranger deretter de rapporterte emnene i henhold til vurderingen.
      MERK: I dette arbeidet ble emnene valgt med følgende tre trinn. For det første, for de støttende emnene, ble hver deltaker pålagt å rapportere 1-3 personlige problemer knyttet til hva hun / han ønsket å forbedre i sitt liv. Hver deltaker ble pålagt å rapportere 1-3 tilfeller som hadde forårsaket eller ville føre til konflikt mellom dem, eller som kunne sette forholdet deres for konfliktemnene i fare. For det andre var hver partner pålagt å rangere nivået av positiv eller negativ valens hvert emne kunne indusere på en 7-punkts skala (1 = ikke i det hele tatt, og 7 = veldig mye). For det tredje ble de rapporterte emnene rangert i henhold til vurderingen. De to første emnene i listen over støttende emner og konfliktemner ble valgt.
  2. fNIRS-datainnsamling
    1. Bruk 26-kanals fNIRS topografisystem (se Materialfortegnelse) for å samle inn fNIRS-data.
      MERK: To tilpassede optodeprober som er satt, dekket de bilaterale frontal-, temporale og parietale kortikalene (figur 1B).
    2. Be hver deltaker om å bruke hette med to tilpassede sondesett (se Materialfortegnelse).
    3. Juster nese-, inion- og øremastoidene med Fpz, Opz, T7 og T8, som er typiske landemerker i 10-20 internasjonale system26.
    4. Juster kanal (CH) 11 til T3 og CH25 til T4 etter det internasjonale 10-20-systemet for de to sondesettene27,28.
    5. Valider de anatomiske plasseringene til sondesett ved å skanne MR-data (Magnetic Resonance imaging) fra en typisk deltaker med en høyoppløselig T1-vektet magnetiseringsforberedt rask gradient-ekkosekvens (TR = 2530 ms; TE = 3,39 ms; vend vinkel = 7°; stykke tykkelse = 1,3 mm; voxel størrelse = 1,3 x 1 x 1,3 mm).
    6. Bruk Statistisk parametrisk tilordning 12 (SPM12) til å normalisere bildet til standard koordinatområde for Montreal imaging Institute (MNI-koordinat)29. Bruk deretter verktøykassen NIRS_SPM (se Materialfortegnelse) til å projisere MNI-koordinatene til sondene til den automatiserte anatomiske merkingsmalen (AAL).
    7. Samle inn de optiske tetthetsdataene for nær-infrarødt lys ved tre bølgelengder (780, 805 og 830 nm) med en samplingsfrekvens på 55,6 Hz (standardparametere for utstyr).
    8. Test signalkvaliteten ved hjelp av innebygd utstyrsprogramvare for fNIRS-topografisystem (se Materialfortegnelse).
    9. Start signalopptak.
      MERK: Noen publiserte protokoller har vist hvordan man samler inn fNIRS-signaler med forskjellig utstyr og systemer 30,31,32.
  3. fNIRS-data for forhåndsbehandling
    1. Eksporter datafilene fra utstyret.
      MERK: I det nåværende eksperimentet konverterte den innebygde programvaren automatisk alloptiske tetthetsdata til oksyhemoglobin (HbO) konsentrasjonsendringer basert på den modifiserte Beer-Lambert-loven.
    2. Fjern den første og siste 15 s med data for hver økt for å unngå midlertidige svar.
    3. Bruk DEN innebygde MATLAB-funksjonen til å redusere oppløsningen av dataene fra 55,6 Hz til 11,1 Hz.
      MERK: Effektspektrummønstrene mellom 55,6 Hz og 11,1 Hz er ganske like (tilleggsfigur 1).
    4. Bruk den innebygde MATLAB-applikasjonsfunksjonen (Homer3, se Materialtabell) med riktig filtreringsfunksjon for å bruke den atskilte bølgetransformasjonsfiltermetoden for å korrigere bevegelsesartefakter.
    5. Bruk den innebygde MATLAB pca-funksjonen til å fjerne global fysiologisk støy. Fjern de øverste 80 % av variansen fra signalene.
    6. Fjern fysiologisk støy basert på tidligere studier33. Fjern frekvensbåndene til hvert signal over 0,7 Hz for å unngå aliasering av høyfrekvent fysiologisk støy (f.eks. hjerteaktivitet).
    7. Fjern deretter frekvensbåndene til hvert signal under 0,01 Hz for å filtrere ut svært lavfrekvente svingninger.
    8. Til slutt fjerner du frekvensbåndene til hvert signal innen 0,15-0,3 Hz for å utelukke den potensielle virkningen av åndedrettsaktivitet.
  4. FNIRS-databehandling på første nivå
    1. Først beregner du INS ved hjelp av tradisjonell WTC (INSWTC).
      MERK: Her ble et kvinneledet tidsforsinkelsesmønster av INSWTC spådd å forekomme mellom kvinners hjerneaktivitet og menns hjerneaktivitet fordi tidligere studier har foreslått forskjellige roller for kvinner og menn under en samtale34,35. Den tradisjonelle WTC beregnet dette mønsteret av INSWTC ved å skifte hjerneaktiviteten til menn bakover i forhold til kvinners (se ligning 2).
    2. Beregn den kvinneledede 2 s-lagged INSWTC-verdien etter å ha fjernet de første 2 s data fra kvinner og de siste 2 s data fra menn med formel 2. På samme måte, etter å ha fjernet de første 2 s data fra menn og de siste 2 s data fra kvinner, beregne menn-ledet 2 s-lagged INSWTC verdi med Formel 4.
      MERK: Her ble wcoherence-funksjonen, som er en innebygd funksjon av wavelet toolbox av MATLAB, brukt (se Materialtabell).
    3. Gjenta denne prosedyren med forskjellige tidsforsinkelser n, det vil si n = 2 s, 4 s, 6 s, 8 s på tvers av alle potensielle CH-par (f.eks. CH2 hos kvinner og CH10 hos menn, totalt 676 par). I tillegg beregner du styrken til menn-ledet tidsforsinkelse INSWTC på samme måte (Formel 4).
      Equation 4
    4. Deretter beregner du INS ved hjelp av pWTC (INSpWTC).
      MERK: pWTC ble beregnet basert på ligning 3. Beregningen av INSpWTC ble gjentatt med forskjellige tidsforsinkelser n, det vil si n = 2 s, 4 s, 6 s, 8 s på tvers av alle potensielle kanalpar (f.eks. CH2 hos kvinner og CH10 hos menn, totalt 676 par). I tillegg ble styrken til den men-ledede tidsforsinkelsen INSpWTC beregnet på samme måte (ligning 5).
      Equation 5
    5. Generer tidsforsinkelsestidsserier med fNIRS-signaler på forskjellige tidsforsinkelser.
    6. Beregn verdiene for den tidsforsinkelsede WTCen på forskjellige tidsforsinkelser.
    7. Generer autokorrelerte tidsserier med fNIRS-signaler på forskjellige tidsforsinkelser. Hvis du vil beregne den to s-autokorrelerte verdien for menn, fjerner du de to første dataene fra mennene og de to siste dataene fra mennene.
    8. Beregn de autokorrelerte WTC-verdiene på forskjellige tidsforsinkelser.
    9. Generer tidsjusterte tidsserier med fNIRS-signaler på forskjellige tidsforsinkelser. Hvis du vil beregne 2 s tidsjustert WTC, fjerner du de to første datatallene fra mennene og kvinnenes to første data.
    10. Beregn de tidsjusterte WTC-verdiene.
    11. Angi tidsjusterte WTC-, tidsforsinkelses-WTC- og autokorrelerte WTC-verdier på et annet tidspunkt i Formel 3 og Formel 5 – ligningen av pWTC, som genererer INSpWTC.
    12. Til slutt beregner du INS ved hjelp av GC-metoden (INSGC).
      MERK: For å validere pWTC-metoden ytterligere og evaluere fordelene og ulempene, ble GC-basert INS beregnet ved hjelp av GC-metoden (INSGC).
    13. Basert på pWTC-resultatet filtrerer bandpass HbO-signalet til hvert individ ved SMC (dvs. 0,4-0,6 Hz, se Representative Results).
    14. Utfør en GC-test (Econometric toolbox, MATLAB) i hver dyad i støttende og konfliktemner separat.
      MERK: Fire grupper av F-verdier er oppnådd for INSGC: (1) fra kvinner til menn om det støttende emnet (W2M_supp); (2) fra menn til kvinner om det støttende emnet (M2W_supp); (3) fra kvinner til menn om konfliktemnet (W2M_conf); og (4) fra menn til kvinner om konfliktemnet (M2 W_conf). F-verdiene brukes til å indeksere INSGC.
  5. Databehandling på andre nivå fNIRS
    1. Transformer INS med Fisher-z-transformasjon, og deretter gjennomsnittlig INS ved den tidsmessige dimensjonen.
      MERK: Her ble Fisher-z transformasjon utført ved hjelp av et tilpasset MATLAB-skript med ligning 636:
      Equation 6
      der r er verdien av WTC eller pWTC, og z er Fisher-z-transformert verdi for WTC eller pWTC.
    2. For gjennomsnittlig INS ved hver tidsforsinkelse utfører du en parvis t-test med to utvalg (støttende kontra konflikt) på hvert CH-par på tvers av frekvensområdet. Identifiser deretter alle signifikante frekvensklynger (P < 0,05).
    3. Utfør en klyngebasert permutasjonstest for å etablere en terskel for resultatene.
      1. Tilordne dyadiske relasjoner på nytt ved å tilfeldig tildele deltakerne til nye tomedlemspar, det vil si deltakerne i en dyad som aldri hadde kommunisert med hverandre. Beregn INS på nytt ved hver tidsforsinkelse, utfør sammenkoblede t-tester på nytt i det nye eksemplet, og identifiser signifikante frekvensklynger på nytt.
      2. Velg klyngen med den største summerte t-verdien. Gjenta prosedyrene ovenfor 1000 ganger for å generere en nullfordeling av de maksimalt usannpositive t-verdiene.
        MERK: Fordelingen fungerer som sjansenivå. Den familiebaserte feilfrekvensen (FWER) kontrolleres ved q = 0,05, noe som betyr at bare de øverste 5 % av nullfordelingen av de falske positive t-verdiene overskrider terskelen (R*).
      3. Sammenlign den summerte t-verdien for hver identifiserte frekvensklynge i det opprinnelige utvalget med nullfordelingen for å få betydelige statistiske resultater.
    4. Gjennomføre en kontekst (støttende, konflikt) x retning (kvinner til menn, menn til kvinner) variansanalyse (ANOVA) for å teste forskjellen i INS-retning mellom ulike forhold (dvs. emner) (p < 0,05).
    5. Utfør en tosidet t-test med to prøver mellom resultatene av WTC (Wt, Mt + n) og WTC (Mt, Mt + n) for å teste den potensielle virkningen av autokorrelasjon på INS.
      MERK: INS for WTC (Mt, Mt + n) gjenspeiler autokorrelasjon.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Resultater av simulering
Resultatene viste at tidsforsinkelsen i INSWTC med autokorrelasjon var betydelig høyere enn den tidsforsinkelsede INSWTC uten autokorrelasjon (t(1998) = 4,696, p < 0,001) og tidsforsinkelse INSpWTC (t(1998) = 5,098, p < 0,001). I tillegg var det ingen signifikant forskjell mellom tidsforsinkelse i INSWTC uten autokorrelasjon og INSpWTC (t(1998) = 1,573, p = 0,114, figur 2A). Disse resultatene indikerer at pWTC effektivt kan fjerne virkningen av autokorrelasjonseffekten på INS. I tillegg, da WTC-verdien ble satt til å være nær 0 eller 1, viste den tidsforsinkelsede INSpWTC fortsatt pålitelige resultater når WTC-verdien var borte fra 0 eller 1 (Tilleggs figur 2).

Empiriske eksperimentresultater
INS-mønster ved hjelp av den tradisjonelle WTC-metoden
Resultatene viste at ved 0,04-0,09 Hz, INSWTCi sensorimotorisk cortex (SMC, CH20) av både kvinner og menn var betydelig høyere i det støttende emnet enn i konfliktemnet da hjerneaktiviteten til menn lå bak kvinnenes med 2 s, 4 s og 6 s (2 s: t(21) = 3,551, p = 0,0019; lag 4 s: t(21) = 3,837, p = 0,0009; lag 6 s: t(21) = 3,725, p = 0,0013). I tillegg, ved 0,4-0,6 Hz, var INSWTC i SMC betydelig høyere i konfliktemnet enn i det støttende emnet da menns hjerneaktivitet lå bak kvinners med 4 s (t (21) = 2,828, p = 0,01, figur 2B).

I tillegg, for å sammenligne retningen til INSWTC i forskjellige emner, ble et emne (støttende, konflikt) x retning (kvinner til menn, menn til kvinner) ANOVA først utført på INSWTC i SMC under en 2-6 tidsforsinkelse. Resultatene på 0,04-0,09 Hz viste ingen signifikante interaksjonseffekter på noe tidspunkt (ps > 0,05). For frekvensområdet 0,4-0,6 Hz viste resultatene at interaksjonseffekten var marginalt signifikant (F(1, 21) = 3,23, p = 0,086). Parvise sammenligninger viste at INSWTC fra kvinner til menn var betydelig høyere i konfliktemnet enn i det støttende emnet (M.D. = 0,014, S.E. = 0,005, p = 0,015), mens INSWTC fra menn til kvinner ikke var signifikant forskjellig mellom temaene (M.D. = 0,002, S.E. = 0,006, p = 0,695).

Til slutt, for å teste virkningen av autokorrelasjon på resultatene av tradisjonell tidsforsinkelse INSWTC, ble INSWTC sammenlignet mellom WTC (Wt, Mt +4) og WTC (Mt, Mt +4) ved henholdsvis 0,04-0,09 Hz og 0,4-0,6 Hz. Vær oppmerksom på at INSWTC for WTC(Mt, Mt+4) gjenspeiler autokorrelasjon. Resultatene viste at ved 0,4-0,6 Hz var det ingen signifikant forskjell mellom INSWTC i WTC(Wt, Mt+4) og WTC(Mt, Mt+4) (t(21) = 0,336, p = 0,740). Ved 0,04-0,09 Hz var INSWTC for WTC(Mt, Mt+4) betydelig høyere enn for WTC (Wt, Mt+4) (t(21) = 4,064, p < 0,001). Det ble også gjennomført en sammenligning mellom frekvensområdene 0,04-0,09 Hz og 0,4-0,6 Hz angående INSWTC i WTC(Mt, Mt+4). Resultatene viste at INSWTC fra WTC(Mt, Mt+4) var signifikant høyere ved 0,04-0,09 Hz enn ved 0,4-0,6 Hz (t(21) = 5,421, p < 0,001). Disse resultatene indikerer at tidsforsinkelsen i INSWTC ble påvirket av autokorrelasjon i både lav- og høyfrekvente områder, men virkningen var større for området med lavere frekvens enn for området med høyere frekvens.

INS-mønster ved hjelp av pWTC-metoden
Resultatene viste at forskjellen i INSpWTC mellom konflikten og støttende emner nådde betydning ved SMC for både kvinner og menn på 0,4-0,6 Hz da mannlig hjerneaktivitet lå bak kvinnenes (t(21) = 4,224, p = 0,0003). Ved 0,04-0,09 Hz; Det ble imidlertid ikke funnet noen signifikante resultater, og deres effektive resultater var heller ikke på andre frekvensområder (Ps > 0,05, figur 2C).

En ekstra ANOVA-test ble utført på INSpWTC i SMC ved 0,4-0,6 Hz. Resultatene viste at samspillet mellom tema og retning var marginalt signifikant (F(1,21) = 3,48, p = 0,076). Videre parvise sammenligninger viste at INSpWTC fra kvinner til menn var betydelig høyere i konfliktemnet enn i det støttende emnet (M.D. = 0,016, S.E. = 0,004, p = 0,002), mens INSpWTC fra menn til kvinner ikke var signifikant forskjellig mellom temaene (M.D. = 0,0007, S.E. = 0,006, p = 0,907, figur 2D).

INS-mønster ved hjelp av GC-metoden
En ANOVA-test ble utført på INSGC bare ved SMC innen 0,4-0,6 Hz. Resultatene viste en signifikant interaksjon mellom tema og retning (F(1,21) = 8,116, p = 0,010). Parvis analyse viste at INSGC fra kvinner til menn var betydelig høyere i konfliktemnet enn i det støttende emnet (MD = 5,50, SE = 2,61, p = 0,043). InsGC fra menn til kvinner var derimot ikke signifikant forskjellig fra temaene (MD = 1,42, SE = 2,61, p = 0,591, figur 2E).

Figure 2
Figur 2: Resultater av simulering og empirisk eksperiment. (A) Simuleringsresultatene fra tre simulerte prøver. Den tidsforsinkelsen i INSWTC med autokorrelasjon var betydelig høyere enn tidsforsinkelsen i INSWTC uten autokorrelasjon og INSpWTC. Det var ingen signifikant forskjell mellom tidsforsinkelse i INSWTC uten autokorrelasjon og pWTC. (B) T-kartet over INSWTC i det empiriske eksperimentet, som viser betydelige konteksteffekter innen 0,04-0,09 Hz da SMC-aktiviteten til menn lå bak kvinnenes med 2-6 s. Det var også en marginalt betydelig konteksteffekt innen 0,4-0,6 Hz da SMC-aktiviteten til menn lå bak kvinner med 4 s. (C) T-kartet over INSpWTC, som viser en betydelig konteksteffekt innen 0,4-0,6 Hz da SMC-aktivitet av menn lå bak kvinnenes med 4 s. (D) Sammenligning av retningsbestemt INSpWTC ved forskjellige emner av pWTC. Retningsmessig INS fra kvinner til menn er betydelig høyere i konfliktkontekster enn i støttende sammenhenger. (E) Validering av retningsbestemt INS ved GC-test (INSGC). Det resulterende mønsteret til INSGC ligner PÅ INSpWTC. Klikk her for å se en større versjon av denne figuren.

Supplerende figur 1: Kraftspektrumplottet for samplingsfrekvens ved 11,1 Hz (blå linje) og 55,6 Hz (rød linje). Kraftspektrummønsteret for de to er ganske likt. Klikk her for å laste ned denne filen.

Supplerende figur 2: pWTC-kartene over gulv og ceil WTC. (A) Venstre panel: det tidssleppede WTC-kartet generert av to samme signaler, x-aksen er tidspunkt, og y-aksen er frekvensbånd. Gjennomsnittsverdien for WTC på alle punkter er ~1. Høyre panel: pWTC-kartet over to lignende signaler. PWTC-kartet er ganske likt WTC-kartet. (B) Venstre panel: det tidsforsinkelse wtc kartet generert av to tilfeldige signaler, x-aksen er tidspunktet, og y-aksen er frekvensbåndet. Gjennomsnittsverdien for WTC på alle punkter er ~0. Høyre panel: pWTC-kartet over to lignende signaler. PWTC-kartet er ganske likt WTC-kartet. Klikk her for å laste ned denne filen.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

I hyperskanningsstudier er det vanligvis viktig å beskrive retnings- og temporale mønstre for informasjonsflyt mellom individer. De fleste tidligere fNIRS hyperskanningsstudier har brukt tradisjonell WTC25 for å utlede disse egenskapene ved å beregne tidsforsinkelsen i INS. Men som en av de iboende egenskapene til fNIRS-signalet20,21, kan autokorrelasjonseffekten forvirre den tidsforsinkelsede INS. For å løse dette problemet, i protokollen heri, ble en metode kalt pWTC introdusert22. Denne metoden estimerer tidsforsinkelsen i INS etter delvis autokorrelasjon og opprettholder fordelene ved WTC-metoden. Denne protokollen gir trinnvis veiledning om hvordan du utfører pWTC og validerer resultatene av pWTC ved å sammenligne resultatene med resultatene av tradisjonelle WTC- og GC-tester.

De kritiske trinnene for å bruke pWTC i fNIRS-baserte hyperskanningsdata vises i denne protokollen. Spesielt først, for å beregne tidsforsinkelse wtc, den autokorrelerte WTC, og tidsjustert WTC må beregnes basert på tidsforsinkelse fNIRS tidsserier. Deretter beregnes pWTC på forskjellige tidsforsinkelser i henhold til ligning 1. Resultatene av pWTC returnerer en matrise for tid x frekvens, og verdiene i matrisen varierer fra 0 til 1. Dermed kan ytterligere statistiske tester utføres på disse verdiene.

I demonstrasjonsprotokollen viste de representative resultatene av den tradisjonelle WTC to signifikante effekter ved to frekvensbånd: 0,4-0,6 Hz. Virkningen i 0,04-0,09 Hz overlevde imidlertid ikke terskelen i pWTC-resultatene, noe som tyder på at denne effekten kan forvirres av autokorrelasjonseffekten til fNIRS-signalet. På den annen side ble resultatene innenfor 0,4-0,6 Hz-serien godt replikert av pWTC-metoden. Disse resultatene indikerer at etter å ha fjernet autokorrelasjonseffekten, gir pWTC mer følsom og spesifikk utvikling i å utlede INS' retnings- og temporale mønstre mellom individer. En annen mulighet er imidlertid at pWTC ikke er utsatt for INS' retnings- og temporale mønstre i lavere frekvensområder enn i de høyere frekvensområdene, noe som resulterer i underestimering av INS-effekten. Fremtidige studier er nødvendig for å avklare disse mulighetene ytterligere.

En sammenligning med GC-testen støtter videre denne konklusjonen. Resultatene av GC-testen var ganske lik resultatene av pWTC, og viste viktig informasjonsflyt fra kvinner til menn, men ikke fra menn til kvinner. Det var en liten forskjell mellom resultatene av GC-testen og pWTC, det vil si at interaksjonseffekten mellom tema og retning var marginalt signifikant i resultatene av pWTC, men nådde betydning i GC-testen. Denne forskjellen kan skyldes at pWTC beregnes på en finere tidsskala enn GC-testen. Således, selv om både pWTC- og GC-testene kan gi pålitelige resultater når du kontrollerer for autokorrelasjonseffekten, er pWTC fordelaktig fordi det ikke er nødvendig å gjøre stasjonære forutsetninger og har en høy temporalspektrumstruktur.

pWTC-metoden har også sine begrensninger. I likhet med GC-testen er årsakssammenhengen som er utledet fra pWTC ikke en reell årsakssammenheng37,38. I stedet indikerer det bare en tidsmessig sammenheng mellom signalene fra A og B. Dette problemet bør huskes når du bruker pWTC-metoden. For det andre deler pWTC bare ut autokorrelasjonseffekten. Dermed kan andre potensielle samtidige variabler, for eksempel delte miljøer eller lignende handlinger, fortsatt påvirke resultatene. Følgelig bør konklusjoner om retning og tidsmessig mønster av informasjonsflyt trekkes etter å ha kontrollert disse forvirrende faktorene.

I tillegg var det noen kompliserte problemer med fNIRS-dataforbehandling. Selv om fNIRS har en høy toleranse for hodebevegelser, er bevegelsesartefakter fortsatt den viktigste kilden til støyen39. Store hodebevegelser vil fortsatt føre til et posisjonsskifte av optodene, og generere bevegelsesartefakter som skarp spike og baseline skift. For å løse disse problemene ble det utviklet mange artefaktkorrigeringsmetoder som spline-interpolering40, wavelet-basert filtrering39, prinsippkomponentanalyse41 og korrelasjonsbasert signalforbedring42, etc. Cooper og hans collegues43 har sammenlignet disse tilnærmingene basert på reelle hviletilstands fNIRS-data og funnet ut at wavelet-basert filtrering ga den høyeste økningen i kontrast-til-støy-forholdet. Videre har Brigadoi og hennes collegues44 også sammenlignet disse tilnærmingene i ekte språklige oppgavedata og fant også ut at wavelet-basert filtrering var den mest effektive tilnærmingen for å korrigere bevegelsesartefakter. I denne studien ble det derfor brukt wavelet-basert filtrering og anbefales også for fremtidige fNIRS hyperskanningsstudier.

Generelt er pWTC en verdifull tilnærming for å estimere retningsbestemte og tidsmessige mønstre for informasjonsflyt under sosial interaksjon. Enda viktigere er det at pWTC-metoden også er egnet for pseudo-hyperskanningsstudier (dvs. signaler om to eller flere hjerner samles ikke samtidig45,46). I slike eksperimenter, selv om retningen av informasjonsflyten er fast, er det også av interesse å undersøke varigheten av tidsforsinkelsen mellom signalets inngang og signalprosessen. Derfor kan autokorrelasjon også forvirre resultatene av tidsforsinkelsen i INS. I fremtiden kan denne metoden svare på mange spørsmål i hyperskanning og andre interbrainstudier. For eksempel å bestemme den dominerende rollen i ulike sosiale relasjoner, for eksempel lærere og studenter, leger og pasienter, og utøvere og publikum. I tillegg, ettersom pWTC opprettholder de tidsmessige strukturene til INS, er det også mulig å teste det dynamiske mønsteret til INS, for eksempel gruppeholdighetskonvergens.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne erklærer ingen konkurrerende økonomiske interesser.

Acknowledgments

Dette arbeidet ble støttet av National Natural Science Foundation of China (61977008) og Young Top Notch Talents of Ten Thousand Talent Program.

Materials

Name Company Catalog Number Comments
fNIRS topography system Shimadzu Corporation Shimadzu LABNIRS systen LABNIRS system contains 40 emitters and 40 detectors for fNIRS signals measurement. In this protocol we used these emitters and detectors created two customized 26-channels probe sets and attached to two caps accroding to 10-20 system. Further, LABNIRS system also contains built-in GUI softwares for data quality check, data convert and data export.
MATLAB The MathWorks, Inc. MATLAB 2019a In this protocol, several toolboxs and functions bulit in MATLAB were used:
SPM12 toolbox was used to normalize the valided MRI data through its GUI.
NIRS_SPM toolbox was used to project the MNI coordinates of the probes to the AAL template through its GUI.
Homer3 toolbox was used to remove motion artifacts through its function hmrMotionCorrectWavelet with default parameters.
Wavelet toolbox was used to compute WTC and pWTC through its function wcoherence.
MRI scanner Siemens Healthineers TRIO 3-Tesla scanner In this protocol, the MRI scanner was used to obtain MNI coordinates of each channel and optpde. Scan parameters are described in main text.
customized caps In this protocol, we first marked two nylon caps with 10-20 system. Then, we made two 26-channels customized optode probes sets. Finally, we attached probes sets to caps aligned with landmarks.

DOWNLOAD MATERIALS LIST

References

  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).

Tags

Nevrovitenskap utgave 175
Måling av retningsinformasjonsflyten i fNIRS-Hyperscanning-data ved hjelp av metoden for delvis wavelettransformasjon
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Zhou, S., Long, Y., Lu, C.… More

Zhou, S., Long, Y., Lu, C. Measurement of the Directional Information Flow in fNIRS-Hyperscanning Data using the Partial Wavelet Transform Coherence Method. J. Vis. Exp. (175), e62927, doi:10.3791/62927 (2021).

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