Summary

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

Published: September 03, 2021
doi:

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 person 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).

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 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 t…

Representative Results

Resultater av simuleringResultatene 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, <strong class…

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 proto…

Divulgazioni

The authors have nothing to disclose.

Acknowledgements

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

Materials

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.

Riferimenti

  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), 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, 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. , (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 (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), 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. , 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).
check_url/it/62927?article_type=t

Play Video

Citazione di questo articolo
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).

View Video