Wavelet transform coherence (WTC) är en vanlig metod för att bedöma kopplingen mellan signaler som används i funktionella nära-infraröda spektroskopi (fNIRS) hyperscanningsstudier. En verktygslåda för att bedöma signalinteraktionens riktning presenteras i detta arbete.
Trots den växande mängden hyperskanningsstudier med funktionell nära-infraröd spektroskopi (fNIRS) verkar bedömningen av kopplingen mellan två neurala signaler med hjälp av wavelet transform coherence (WTC) ignorera interaktionens riktning. Fältet saknar för närvarande ett ramverk som gör det möjligt för forskare att avgöra om ett högt koherensvärde som erhålls med hjälp av en WTC-funktion återspeglar synkronisering i fas (dvs. neural aktivering ses i båda medlemmarna i dyaden samtidigt), fördröjd synkronisering (dvs. neural aktivering ses i en medlem av dyaden före den andra medlemmen), eller anti-fassynkronisering (dvs. neural aktivering ökar i en medlem av dyaden och minskar i den andra). För att möta detta behov föreslås ett kompletterande och känsligare tillvägagångssätt för att analysera faskoherensen hos två neurala signaler i detta arbete. Verktygslådan gör det möjligt för utredare att uppskatta kopplingens riktning genom att klassificera de fasvinkelvärden som erhålls med traditionell WTC i fassynkronisering, fördröjd synkronisering och antifassynkronisering. Verktygslådan gör det också möjligt för forskare att bedöma hur dynamiken i interaktioner utvecklas och förändras under uppgiftens gång. Genom att använda denna nya WTC-metod och verktygslådan kommer vi att öka vår förståelse för komplexa sociala interaktioner genom deras användning i fNIRS-hyperskanningsstudier.
Under de senaste åren har det skett en förändring i de typer av studier som utförs för att förstå de neurala grunderna för socialt beteende 1,2. Traditionellt har studier inom social neurovetenskap fokuserat på neural aktivering i en isolerad hjärna under en socialt relevant uppgift. Men framsteg inom neuroradiologisk teknik gör det nu möjligt att undersöka neural aktivering i hjärnan hos en eller flera individer under social interaktion som den sker i “verkliga” miljöer3. I “verkliga” miljöer kan individer röra sig fritt, och mönster för hjärnaktivering kommer sannolikt att förändras när information utbyts och sociala parter får feedbackfrån varandra.
Hyperskanning är en metod som bedömer detta dubbelriktade informationsutbyte genom att mäta hjärnaktiviteten från två eller fleraindivider samtidigt. En framväxande mängd forskning har använt funktionell nära-infraröd spektroskopi (fNIRS), en icke-invasiv neuroavbildningsteknik som, i jämförelse med andra neuroavbildningstekniker, är mindre mottaglig för rörelseartefakter6. Hyperskanning via fNIRS gör det möjligt att bedöma synkronisering mellan hjärnor (IBS) i verkliga miljöer medan de interaktiva partnerna rör sig fritt och naturligt. Detta är särskilt relevant för arbete med spädbarn och småbarn, som tenderar att vara ganska aktiva. IBS har rapporterats återspegla ömsesidig förståelse mellan interaktiva partners, vilket fungerar som grunden för effektiv social interaktion och kommunikation och förmedlar delad intentionalitet 1,7,8.
Flera metoder används för att utvärdera IBS i två hjärnor. Sådana metoder inkluderar tidsseriekorrelationer, såsom korskorrelation och Pearsons korrelationskoefficient 9,10 (se en översikt av Scholkmann et al.10). Andra metoder går ut på att utvärdera styrkan i kopplingen i frekvensdomänen. Sådana metoder inkluderar faslåsningsvärde (PLV) och faskoherens (se en översikt av Czeszumski et al.11). En av de vanligaste metoderna i fNIRS-studier använder wavelet transform coherence (WTC) – ett mått på korskorrelationen mellan två tidsserier som en funktion av frekvens och tid10.
WTC använder korrelationsanalyser för att beräkna koherensen och fasfördröjningen mellan två tidsserier i tidsfrekvensdomänen. FNIRS hyperscanningsstudier har använt WTC för att uppskatta IBS inom många funktionsområden, inklusive åtgärdsövervakning 12, samarbets- och konkurrensbeteende 5,13,14,15, imitation 16, problemlösning mellan mor och barn 17 och undervisnings– och inlärningsbeteende18,19,20,21. Vanligtvis, i hyperscanningsstudier, jämförs koherens mellan hjärnor, mätt med WTC, under en experimentell uppgift med koherens mellan hjärnor under en kontrolluppgift. Dessa fynd presenteras vanligtvis med en WTC “hot plot”, som visar koherensen mellan de två hjärnorna vid varje tidpunkt och frekvens (se figur 1).
Som föreslagits av Czesumaski et al.11 har WTC blivit standardanalysmetoden för att analysera fNIRS-hyperscanning. WTC-analys är en flexibel, “verktygsagnostisk” metod för datavisualisering och tolkning22. Koherenskoefficienten värmekarta, som ger en narrativ form av analys som gör det möjligt att enkelt identifiera perioder av synkront eller asynkront beteende samt intensiteten i hjärnaktiviteten under slutförandet av en uppgift, är den största fördelen med WTC och gör det till ett starkt verktyg för tillämpad forskning22. WTC har en fördel jämfört med korrelationstekniker. Korrelationer är känsliga för den hemodynamiska responsfunktionens (HRF) form, som tros skilja sig åt mellan individer (särskilt när det gäller ålder) och mellan olika hjärnområden. WTC påverkas däremot inte av interregionala förändringar i HRF23. Forskare har använt wavelet-metoden för att studera fMRI-tidsserier. Zhang et al.24 jämförde de vanligaste måtten på funktionell konnektivitet, inklusive Pearson-korrelationen, partiell korrelation, ömsesidig information och wavelet-koherenstransformation (WTC). De utförde klassificeringsexperiment med hjälp av storskaliga funktionella konnektivitetsmönster härledda från fMRI-data i viloläge och fMRI-data för naturlig stimulans av videovisning. Deras resultat indikerade att WTC presterade bäst i klassificering (specificitet, känslighet och noggrannhet), vilket innebär att WTC är ett föredraget mått på funktionell konnektivitet för att studera funktionella hjärnnätverk, åtminstone i klassificeringstillämpningar24.
Figur 1: Wavelet-transformkoherens (WTC). WTC visar koherensen och fasvinkeln mellan två tidsserier som en funktion av både tid (x-axel) och frekvens (y-axel). Koherensökningen visas av den röda färgen i grafen, och de små pilarna i grafen visar fasvinkeln för de två tidsserierna. Den högerpekande pilen representerar synkronisering i fas. pilarna som pekar nedåt och uppåt representerar fördröjd synkronisering; och den vänsterpekande pilen representerar anti-fassynkronisering30. Denna siffra har anpassats från Pan et al.19. Klicka här för att se en större version av denna figur.
Nyligen artikulerade Hamilton25 flera begränsningar för tolkningen av koherensdata mellan hjärnor i fNIRS-hyperskanningsstudier. En av Hamiltons främsta farhågor var att koherensmått (t.ex. WTC) endast rapporterar effekter som symmetriska (dvs. två hjärnor är korrelerade och visar samma förändringsmönster). Många sociala interaktioner är dock asymmetriska (t.ex. informationsflödet mellan en talare och en lyssnare) på så sätt att två deltagare kan spela olika roller, och det är inte säkert att WTC kan fånga denna information. Här åtgärdas detta problem av ett nytt ramverk som möjliggör en enkel tolkning av tvärvågseffekten genom att använda tvärvågfasen för att detektera riktning. Detta ramverk kommer också att göra det möjligt att undersöka hur dynamiken i interaktioner utvecklas och förändras under en uppgift.
Medan WTC- och korrelationsmetoder bedömer funktionell konnektivitet, bedömer andra metoder effektiv konnektivitet och försöker extrahera de kausala influenserna av ett neuralt element över ett annat. Överföringsentropi är ett mått från informationsteorin som beskriver överföringen mellan gemensamt beroende processer26. En annan besläktad metod är Granger causality analysis (GCA), som har beskrivits som ekvivalent med överföringsentropi26.
I den befintliga litteraturen om fNIRS hyperscanningsstudier har Granger causality analysis (GCA) använts i stor utsträckning för att uppskatta kopplingsriktningen mellan fNIRS tidsseriedata som erhållits under en mängd olika uppgifter, såsom samarbete5, undervisning19 och imitation16. GCA använder vektorautoregressiva modeller för att bedöma riktningen för kopplingen mellan tidsserier i hjärndata. Granger-kausaliteten är baserad på förutsägelse och prioritet: “en variabel X sägs vara ‘G-orsak’ variabel Y om X:s förflutna innehåller den information som hjälper till att förutsäga Y:s framtid utöver information som redan finns i Y:s förflutna”27. Följaktligen analyseras G-kausaliteten i två riktningar: 1) från subjekt A till subjekt B och 2) från subjekt B till subjekt A.
Även om GCA-analys fungerar som en kompletterande analys som syftar till att avgöra om ett högt koherensvärde som erhålls med hjälp av en WTC-funktion återspeglar IBS eller fördröjd synkronisering (en signal leder den andra), tillåter den inte bestämning av om antifassynkronisering har inträffat. I traditionella hjärnavbildningsstudier, där endast en deltagare skannas (dvs. “single-brain”-metoden), innebär ett anti-fasmönster att aktiviteten i en hjärnregion ökar medan aktiviteten i den andra hjärnregionen minskar28. I hyperskanningslitteraturen kan närvaron av anti-fassynkronisering tyda på att neural aktivering ökar hos en försöksperson, och samtidigt minskar neural aktivering hos den andra försökspersonen. Därför finns det ett behov av att tillhandahålla en heltäckande modell som kan detektera riktningen. Mer specifikt kommer denna modell att kunna detektera anti-fassynkronisering (där aktivitetsriktningen hos en individ är motsatt den hos deras partner) förutom synkronisering i fas och fördröjd synkronisering.
I ett försök att ta itu med oron för att WTC endast visar symmetriska effekter, där båda hjärnorna visar samma förändringsmönster25, presenteras ett nytt tillvägagångssätt för att identifiera typen av interaktion genom att undersöka synkroniseringsfasen (dvs. i fas, laggad eller anti-fas) (se figur 2). För detta ändamål utvecklades en verktygslåda med hjälp av WTC-metoden för att klassificera de olika typerna av interaktioner. Typerna av interaktioner klassificeras med hjälp av relativa fasdata från korsvågstransformanalys.
Figur 2: Illustration av de olika fasförhållandena för enkla sinusvågor. (A) När de två signalerna, Signal 1 (blå linje s) och Signal 2 (orange linjes), når sina respektive maximum-, minimi- och nollvärden vid samma tidpunkt, sägs de visa synkronisering i fas32. (B) När en signal når sitt maximala värde och den andra signalen når nollvärdet vid samma tidpunkt, sägs de visa fördröjd synkronisering (en leder med 90°)32,33,34. (C) När två tidsserier skiftar i motsatta riktningar, vilket innebär att en signal når maxvärdet och den andra når minimivärdet vid samma tidpunkt, kallas detta antifassynkronisering28. (D-P) I alla andra fasförhållanden mellan två tidsserier leder den ena signalen den andra. I alla positiva faser leder signal 2 signal 1 (t.ex. panelerna E, F, M och N), medan signal 1 i alla negativa faser leder signal 2 (t.ex. panelerna D, G, H, O och P). När det absoluta värdet av fasen är högre blir det mer distinkt vilken tidsserie som leder den andra (t.ex. är ledarskapet mer distinkt i panel J än i panel I, och i panel K är ledarskapet mer distinkt än i panel L). Klicka här för att se en större version av denna figur.
En av de vanligaste metoderna som används i fNIRS-studier är wavelet transform coherence (WTC), som är ett mått på korskorrelationen mellan två tidsserier som en funktion av frekvens och tid10. WTC beräknar koherensen och fasfördröjningen mellan två tidsserier med hjälp av korrelationsanalyser (tilläggsfil 1). FNIRS hyperscanningsstudier har använt WTC för att uppskatta IBS inom många funktionsområden, inklusive åtgärdsövervakning 12, samarbets- och konkurrensbe…
The authors have nothing to disclose.
Vi vill tacka för stödet från National Natural Science Foundation of China (nr 62207025), forskningsprojektet för humaniora och samhällsvetenskap från Kinas utbildningsministerium (nr 22YJC190017) och de grundläggande forskningsfonderna för de centrala universiteten till Yafeng Pan.
NIRScout | NIRx Medical Technologies, LLC | n.a. | 8 sources, 8 detectors |
MATLAB | The Mathworks, Inc. | Matlab 2022a | In this protocol, several toolboxes and buit in MATLAB functions were used: HOMER3 toolbox was used to convert Intensity to OD, to remove motion artifacts through its function hmrMotionCorrectWavelet with default parameters and to convert OD to Conc. Wavelet Toolbox was used to compute WTC. |