Summary

Medición del flujo de información direccional en datos fNIRS-Hyperscanning utilizando el método de coherencia de transformada de wavelet parcial

Published: September 03, 2021
doi:

Summary

Este protocolo describe la coherencia de la transformada de wavelet parcial (pWTC) para calcular el patrón de retraso en el tiempo de la sincronización neuronal interpersonal (INS) para inferir la dirección y el patrón temporal del flujo de información durante la interacción social. La efectividad de pWTC en la eliminación de los factores de confusión de la autocorrelación de señales en INS fue probada por dos experimentos.

Abstract

La interacción social es de vital importancia para los seres humanos. Si bien el enfoque de hiperescaneo se ha utilizado ampliamente para estudiar la sincronización neuronal interpersonal (INS) durante las interacciones sociales, la espectroscopia funcional de infrarrojo cercano (fNIRS) es una de las técnicas más populares para hiperescanear interacciones sociales naturalistas debido a su resolución espacial relativamente alta, localización anatómica de sonido y tolerancia excepcionalmente alta de artefactos de movimiento. Los estudios previos de hiperescaneo basados en fNIRS generalmente calculan un INS con retraso en el tiempo utilizando la coherencia de la transformada de wavelet (WTC) para describir la dirección y el patrón temporal del flujo de información entre individuos. Sin embargo, los resultados de este método podrían confundirse por el efecto de autocorrelación de la señal fNIRS de cada individuo. Para abordar este problema, se introdujo un método denominado coherencia de transformación de wavelet parcial (pWTC), que tenía como objetivo eliminar el efecto de autocorrelación y mantener la alta resolución de espectro temporal de la señal fNIRS. En este estudio, se realizó primero un experimento de simulación para mostrar la efectividad del pWTC en la eliminación del impacto de la autocorrelación en el INS. Luego, se ofreció orientación paso a paso sobre el funcionamiento del pWTC basado en el conjunto de datos fNIRS de un experimento de interacción social. Además, se realizó una comparación entre el método pWTC y el método WTC tradicional y entre el método pWTC y el método de causalidad de Granger (GC). Los resultados mostraron que pWTC podría usarse para determinar la diferencia insinerte entre las diferentes condiciones experimentales y el patrón direccional y temporal del INS entre los individuos durante las interacciones sociales naturalistas. Además, proporciona una mejor resolución temporal y de frecuencia que el WTC tradicional y una mejor flexibilidad que el método GC. Por lo tanto, pWTC es un fuerte candidato para inferir la dirección y el patrón temporal del flujo de información entre los individuos durante las interacciones sociales naturalistas.

Introduction

La interacción social es de vital importancia para el ser humano 1,2. Para comprender el mecanismo neurocognitivo de doble cerebro de la interacción social, el enfoque de hiperescaneo se ha utilizado ampliamente recientemente, lo que demuestra que los patrones de sincronización neuronal interpersonal (INS) pueden caracterizar bien el proceso de interacción social 3,4,5,6,7,8,9,10,11,12 ,13,14. Entre estudios recientes, un hallazgo interesante es que la diferencia de papel de los individuos en una díada puede conducir a un patrón de insociado en el tiempo, es decir, el INS ocurre cuando la actividad cerebral de un individuo se queda atrás de la de otro individuo por segundos, como la de los oyentes a los oradores 5,9, de los líderes a los seguidores4, de profesores a alumnos8, de madres a hijos13,15, y de mujeres a hombres en pareja romántica6. Lo más importante es que existe una buena correspondencia entre el intervalo del INS con retraso en el tiempo y el de los comportamientos de interacción social, como entre los maestros que preguntan y los estudiantes que responden8 o entre los comportamientos de crianza de las madres y los comportamientos de cumplimiento de los niños15. Por lo tanto, el INS con retraso en el tiempo puede reflejar un flujo de información direccional de un individuo a otro, como se propone en un modelo jerárquico reciente para la comunicación verbal interpersonal16.

Anteriormente, el INS con retraso en el tiempo se calculaba principalmente sobre la señal de espectroscopia funcional de infrarrojo cercano (fNIRS) debido a su resolución espacial relativamente alta, localización anatómica de sonido y tolerancia excepcionalmente alta de artefactos de movimiento17 cuando se estudiaban las interacciones sociales naturalistas. Además, para caracterizar con precisión la correspondencia entre el desfase de tiempo neuronal y el desfase de tiempo conductual durante la interacción social, es esencial obtener la fuerza del INS para cada desfase de tiempo (por ejemplo, de no tener desfase de tiempo a un desfase de tiempo de 10 s). Para este propósito, anteriormente, el procedimiento de coherencia de transformada de onda (WTC) se aplicaba ampliamente después de desplazar la señal cerebral de un individuo hacia adelante o hacia atrás en relación con la de otro individuo 5,6,18. Cuando se utiliza este procedimiento WTC tradicional para señales fNIRS, existe un desafío potencial porque el INS con retraso observado en el tiempo puede confundirse por el efecto de autocorrelación de la señal fNIRS para un individuo 19,20,21. Por ejemplo, durante un proceso de interacción social diádica, la señal del participante A en el punto de tiempo t puede sincronizarse con la del participante B en el mismo punto de tiempo. Mientras tanto, la señal del participante A en el punto de tiempo t puede sincronizarse con la del participante A en un punto de tiempo posterior t + 1 debido al efecto de autocorrelación. Por lo tanto, puede ocurrir un INS espurio con retraso en el tiempo entre la señal del participante A en el punto de tiempo t y la del participante B en el punto de tiempo t + 1.

Mihanović y sus colegas22 introdujeron por primera vez un método denominado coherencia de transformada de wavelet parcial (pWTC), y luego lo aplicaron en ciencias marinas23,24. El propósito original de este método era controlar el ruido de confusión exógeno al estimar la coherencia de dos señales. Aquí, para abordar el problema de la autocorrelación en los datos de hiperescaneo de fNIRS, el método pWTC se amplió para calcular el INS con retraso de tiempo en la señal fNIRS. Precisamente, se puede calcular un INS con retraso en el tiempo (y un flujo de información direccional) del participante A al participante B utilizando la ecuación a continuación (Ecuación 1)23.

Equation 1

Aquí, se supone que hay dos señales, A y B, de los participantes A y B, respectivamente. La ocurrencia de la señal B siempre precede a la de la señal A con un desfase temporal de n, donde WTC (At, Bt+n) es el WTC tradicional con retraso en el tiempo. WTC (At, At+n) es el WTC autocorrelacionado en el participante A. WTC (At, Bt) es el WTC alineado en el tiempo en el punto de tiempo t entre el participante A y B. * es el operador conjugado complejo (Figura 1A).

Figure 1
Figura 1: Descripción general de pWTC. (A) La lógica del pWTC. Hay dos señales A y B, dentro de una díada. La ocurrencia de A siempre sigue a la de B con un retraso n. Una caja gris es una ventana de wavelet en un cierto punto de tiempo t o t + n. Sobre la base de la ecuación pWTC (representada en la figura), se deben calcular tres WTC: el WTC desfasado en el tiempo de At + n y Bt; el WTC autocorrelacionado en el participante A de At y At+n; y el WTC alineado en el tiempo en el punto de tiempo t, At y Bt. (B) El diseño de los conjuntos de sondas optode. CH11 se colocó en T3, y CH25 se colocó en T4 siguiendo el sistema internacional 10-2027,28. Haga clic aquí para ver una versión más grande de esta figura.

Este protocolo introdujo por primera vez un experimento de simulación para demostrar qué tan bien el pWTC resuelve el desafío de la autocorrelación. Luego, explicó cómo llevar a cabo pWTC de una manera paso a paso basada en un experimento empírico de interacciones sociales naturalistas. Aquí, se utilizó un contexto de comunicación para introducir el método. Esto se debe a que, anteriormente, el INS con retraso en el tiempo generalmente se calculaba en un contexto de comunicación naturalista 3,4,6,8,13,15,18. Además, también se realizó una comparación entre el pWTC y el WTC tradicional y la validación con la prueba de causalidad de Granger (GC).

Protocol

El protocolo de experimento humano fue aprobado por la Junta de Revisión Institucional y el Comité de Ética del Laboratorio Estatal Clave de Neurociencia Cognitiva y Aprendizaje de la Universidad Normal de Beijing. Todos los participantes dieron su consentimiento informado por escrito antes de que comenzara el experimento. 1. El experimento de simulación Generar dos series temporales de señales que se correlacionen entre sí, con una señal que tenga autocorrelación en un desfa…

Representative Results

Resultados de la simulaciónLos resultados mostraron que el INSWTC con retraso en el tiempo con autocorrelación fue significativamente mayor que el INSWTC con retraso en el tiempo sin autocorrelación (t(1998) = 4,696, p < 0,001) y el INSpWTC con retraso en el tiempo (t(1998) = 5,098, p < 0,001). Además, no hubo diferencias significativas entre el INSWTC con retraso en el tiempo sin autocorrelación y el INSpWTC (…

Discussion

En los estudios de hiperescaneo, generalmente es esencial describir los patrones direccionales y temporales del flujo de información entre los individuos. La mayoría de los estudios previos de hiperescaneo de fNIRS han utilizado WTC25 tradicional para inferir estas características mediante el cálculo del INS con retraso en el tiempo. Sin embargo, como una de las características intrínsecas de la señal fNIRS20,21, el efecto de autoco…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Este trabajo fue apoyado por la Fundación Nacional de Ciencias Naturales de China (61977008) y el Programa de Jóvenes Talentos de Primera Categoría de Diez Mil Talentos.

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.

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), 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).

Play Video

Cite This Article
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