Summary

Fonksiyonel Yakın Kızılötesi Spektroskopisi (fNIRS) Hipertarama Çalışmalarında Beyinler Arası Tutarlılığı Anlamak için Yeni Çerçeve

Published: October 06, 2023
doi:

Summary

Dalgacık dönüşümü tutarlılığı (WTC), fonksiyonel yakın kızılötesi spektroskopisi (fNIRS) hipertarama çalışmalarında kullanılan sinyaller arasındaki eşleşmeyi değerlendirmek için yaygın bir metodolojidir. Bu çalışmada sinyal etkileşiminin yönlülüğünü değerlendirmek için bir araç kutusu sunulmaktadır.

Abstract

Fonksiyonel yakın kızılötesi spektroskopisi (fNIRS) hiper tarama çalışmalarının artan gövdesine rağmen, dalgacık dönüşümü tutarlılığı (WTC) kullanılarak iki nöral sinyal arasındaki eşleşmenin değerlendirilmesi, etkileşimin yönlülüğünü göz ardı ediyor gibi görünmektedir. Alan şu anda araştırmacıların bir WTC fonksiyonu kullanılarak elde edilen yüksek bir tutarlılık değerinin faz içi senkronizasyonu yansıtıp yansıtmadığını belirlemelerine olanak tanıyan bir çerçeveden yoksundur (yani, sinirsel aktivasyon aynı anda dyad’ın her iki üyesinde de görülür), gecikmeli senkronizasyon (yani, dyad’ın bir üyesinde diğer üyeden önce nöral aktivasyon görülür), veya anti-faz senkronizasyonu (yani, dyad’ın bir üyesinde nöral aktivasyon artar ve diğerinde azalır). Bu ihtiyacı karşılamak için, bu çalışmada iki nöral sinyalin faz tutarlılığını analiz etmek için tamamlayıcı ve daha hassas bir yaklaşım önerilmiştir. Araç kutusu, araştırmacıların geleneksel WTC kullanılarak elde edilen faz açısı değerlerini faz içi senkronizasyon, gecikmeli senkronizasyon ve anti-faz senkronizasyonu olarak sınıflandırarak kuplaj yönlülüğünü tahmin etmelerini sağlar. Araç kutusu ayrıca araştırmacıların etkileşimlerin dinamiklerinin görev boyunca nasıl geliştiğini ve değiştiğini değerlendirmelerine olanak tanır. Bu yeni WTC yaklaşımını ve araç kutusunu kullanmak, fNIRS hiper tarama çalışmalarındaki kullanımları yoluyla karmaşık sosyal etkileşimler hakkındaki anlayışımızı ilerletecektir.

Introduction

Son yıllarda, sosyal davranışın sinirsel temellerini anlamak için yapılan çalışmaların türlerinde bir değişim olmuştur 1,2. Geleneksel olarak, sosyal sinirbilimdeki çalışmalar, sosyal olarak ilgili bir görev sırasında izole edilmiş bir beyindeki sinirsel aktivasyona odaklanmıştır. Bununla birlikte, nörogörüntüleme teknolojisindeki ilerlemeler artık “gerçek hayat” ortamlarında meydana geldiği için sosyal etkileşim sırasında bir veya daha fazla bireyin beyinlerindeki nöral aktivasyonun incelenmesine izin vermektedir3. “Gerçek hayat” ortamlarında, bireyler serbestçe hareket edebilirler ve bilgi alışverişi ve sosyal ortaklar birbirlerinden geri bildirim aldıkça beyin aktivasyon kalıplarının değişmesi muhtemeldir4.

Hiper tarama, aynı anda iki veya daha fazla kişinin beyin aktivitesini ölçerek bu çift yönlü bilgi alışverişini değerlendiren bir yöntemdir5. Gelişmekte olan bir araştırma grubu, diğer nörogörüntüleme tekniklerine kıyasla hareket artefaktlarına daha az duyarlı olan non-invaziv bir nörogörüntüleme tekniği olan fonksiyonel yakın kızılötesi spektroskopisini (fNIRS) kullanmıştır6. fNIRS aracılığıyla hiper tarama, etkileşimli ortaklar serbestçe ve doğal olarak hareket ederken, gerçek yaşam ortamlarında beyinler arası senkronizasyonun (IBS) değerlendirilmesine olanak tanır. Bu, özellikle oldukça aktif olma eğiliminde olan bebekler ve küçük çocuklarla yapılan çalışmalar için geçerlidir. IBS’nin, etkili sosyal etkileşim ve iletişimin temeli olarak hizmet eden ve paylaşılan niyetliliğe aracılık eden etkileşimli ortaklar arasındaki karşılıklı anlayışı yansıttığı bildirilmiştir 1,7,8.

İki beynin IBS’sini değerlendirmek için çeşitli yöntemler kullanılır. Bu tür yöntemler, çapraz korelasyon ve Pearson korelasyon katsayısı 9,10 gibi zaman serisi korelasyonlarını içerir (Scholkmann ve ark.10 tarafından yapılan bir incelemeye bakınız). Diğer yöntemler, frekans alanındaki kuplajın gücünün değerlendirilmesini içerir. Bu tür yöntemler arasında faz kilitleme değeri (PLV) ve faz tutarlılığı bulunur (Czeszumski ve ark.11 tarafından yapılan bir incelemeye bakınız). fNIRS çalışmalarındaki en yaygın yöntemlerden biri, frekans ve zaman10’un bir fonksiyonu olarak iki zaman serisinin çapraz korelasyonunun bir ölçüsü olan dalgacık dönüşümü tutarlılığını (WTC) kullanır.

WTC, zaman-frekans alanındaki iki zaman serisi arasındaki tutarlılığı ve faz gecikmesini hesaplamak için korelasyonel analizler kullanır. FNIRS hiper tarama çalışmaları, eylem izleme 12, işbirlikçi ve rekabetçi davranış 5,13,14,15, taklit 16, anne-bebek problem çözme 17 ve öğretme-öğrenme davranışı18,19,20,21 dahil olmak üzere birçok işlevsellik alanında IBS’yi tahmin etmek için WTC’yi kullanmıştır.. Tipik olarak, hipertarama çalışmalarında, deneysel bir görev sırasında WTC tarafından ölçülen çapraz beyin tutarlılığı, bir kontrol görevi sırasında çapraz beyin tutarlılığı ile karşılaştırılır. Bu bulgular genellikle, her bir zaman noktasında ve frekansta iki beyin arasındaki tutarlılığı gösteren bir WTC “sıcak grafiği” ile sunulur (bkz. Şekil 1).

Czesumaski ve ark.11 tarafından önerildiği gibi, WTC, fNIRS hiper taramasını analiz etmek için standart analitik yaklaşım haline gelmiştir. WTC analizi, veri görselleştirme ve yorumlama için esnek, “araçtan bağımsız” bir yöntemdir22. Bir görevin tamamlanması sırasında beyin aktivitesinin yoğunluğunun yanı sıra senkron veya asenkron davranış dönemlerinin kolayca tanımlanmasına olanak tanıyan bir anlatı analizi biçimi sağlayan tutarlılık katsayısı ısı haritası, WTC’nin ana avantajıdır ve onu uygulamalı araştırma için güçlü bir araç haline getirir22. WTC’nin korelasyon tekniklerine göre bir avantajı vardır. Korelasyonlar, bireyler arasında (özellikle yaş açısından) ve farklı beyin bölgeleri arasında farklılık gösterdiği düşünülen hemodinamik yanıt fonksiyonunun (HRF) şekline duyarlıdır. Buna karşılık, WTC (HRF)23’teki bölgeler arası değişikliklerden etkilenmez. Araştırmacılar, fMRI zaman serilerini incelemek için dalgacık yaklaşımını kullandılar. Zhang ve ark.24 , Pearson korelasyonu, kısmi korelasyon, karşılıklı bilgi ve dalgacık tutarlılık dönüşümü (WTC) dahil olmak üzere yaygın olarak kullanılan fonksiyonel bağlantı ölçümlerini karşılaştırdı. Dinlenme durumu fMRI verilerinden ve video izlemenin doğal uyaran fMRI verilerinden türetilen büyük ölçekli fonksiyonel bağlantı modellerini kullanarak sınıflandırma deneyleri gerçekleştirdiler. Bulguları, WTC’nin sınıflandırmada (özgüllük, duyarlılık ve doğruluk) en iyi performansı gösterdiğini gösterdi, bu da WTC’nin en azından sınıflandırma uygulamalarında fonksiyonel beyin ağlarını incelemek için tercih edilen bir fonksiyonel bağlantı metriği olduğunu ima etti24.

Figure 1
Şekil 1: Dalgacık dönüşümü tutarlılığı (WTC). WTC, iki zaman serisi arasındaki tutarlılığı ve faz açısını hem zamanın (x ekseni) hem de frekansın (y ekseni) bir fonksiyonu olarak gösterir. Tutarlılık artışı, grafikteki kırmızı renkle gösterilir ve grafikteki küçük oklar, iki zaman serisinin faz açısını gösterir. Sağı gösteren ok, faz içi senkronizasyonu temsil eder; Aşağı ve yukarı bakan oklar gecikmeli senkronizasyonu temsil eder; ve sola dönük ok, anti-faz senkronizasyonunu30 temsil eder. Bu rakam Pan ve ark.19’dan uyarlanmıştır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Son zamanlarda, Hamilton25 , fNIRS hiper tarama çalışmalarında beyinler arası tutarlılık verilerinin yorumlanmasında çeşitli sınırlamalar dile getirdi. Hamilton’un temel endişelerinden biri, tutarlılık ölçümlerinin (örneğin, WTC) etkileri yalnızca simetrik olarak bildirmesiydi (yani, iki beyin birbiriyle ilişkilidir ve aynı değişim modelini gösterir). Bununla birlikte, birçok sosyal etkileşim asimetriktir (örneğin, bir konuşmacı ve bir dinleyici arasındaki bilgi akışı), iki katılımcının farklı roller oynayabileceği ve WTC’nin bu bilgileri yakalayabileceği açık değildir. Burada, bu endişe, yönlülüğü tespit etmek için çapraz dalgacık fazını kullanarak çapraz dalgacık gücünün basit bir şekilde yorumlanmasına izin veren yeni bir çerçeve ile ele alınmaktadır. Bu çerçeve aynı zamanda etkileşimlerin dinamiklerinin bir görev boyunca nasıl geliştiğinin ve değiştiğinin incelenmesine de izin verecektir.

WTC ve korelasyon yöntemleri işlevsel bağlantıyı değerlendirirken, diğer yöntemler etkili bağlantıyı değerlendirir ve bir nöral elemanın diğeri üzerindeki nedensel etkilerini çıkarmaya çalışır. Transfer entropisi, ortaklaşa bağımlı süreçler arasındaki transferi tanımlayan bilgi teorisi alanından bir ölçüdür26. Diğer bir ilgili yöntem, transfer entropisi26’ya eşdeğer olarak tanımlanan Granger nedensellik analizidir (GCA).

fNIRS hipertarama çalışmalarının mevcut literatüründe, Granger nedensellik analizi (GCA), işbirliği5, öğretme19 ve taklit16 gibi çeşitli farklı görevler sırasında elde edilen fNIRS zaman serisi verileri arasındaki eşleşme yönlülüğünü tahmin etmek için yaygın olarak kullanılmaktadır. GCA, beyin verilerindeki zaman serileri arasındaki eşleşmenin yönlülüğünü değerlendirmek için vektör otoregresif modeller kullanır. Granger nedenselliği tahmin ve önceliğe dayanır: “X’in geçmişi, Y’nin geçmişinde zaten var olan bilgilerden çok Y’nin geleceğini tahmin etmeye yardımcı olan bilgileri içeriyorsa, bir X değişkeninin Y değişkenine ‘G-nedeni’ olduğu söylenir”27. Buna göre, G-nedensellik iki yönde analiz edilir: 1) A konusundan B konusuna ve 2) B yönünden A öznesine.

GCA analizi, bir WTC fonksiyonu kullanılarak elde edilen yüksek bir tutarlılık değerinin IBS’yi mi yoksa gecikmeli senkronizasyonu mu (bir sinyalin diğerine öncülük etmesini) yansıtıp yansıtmadığını belirlemeyi amaçlayan tamamlayıcı bir analiz görevi görürken, anti-faz senkronizasyonunun gerçekleşip gerçekleşmediğinin belirlenmesine izin vermez. Sadece bir katılımcının tarandığı geleneksel nörogörüntüleme çalışmalarında (yani, “tek beyin” yaklaşımı), bir anti-faz paterni, bir beyin bölgesindeki aktivitenin artarken diğer beyin bölgesindeki aktivitenin azaldığı anlamına gelir28. Hipertarama literatüründe, anti-faz senkronizasyonunun varlığı, bir denekte nöral aktivasyonun arttığını ve aynı zamanda diğer denek için nöral aktivasyonun azaldığını düşündürebilir. Bu nedenle, yönlülüğü tespit edebilen kapsamlı bir model sağlamaya ihtiyaç vardır. Daha spesifik olarak, bu model, faz içi senkronizasyon ve gecikmeli senkronizasyona ek olarak, anti-faz senkronizasyonunu (bir bireydeki aktivite yönünün partnerininkinin tersi olduğu) tespit edebilecektir.

WTC’nin yalnızca simetrik etkiler gösterdiği endişesini gidermek amacıyla, her iki beynin de aynı değişim modelinigösterdiği 25, senkronizasyon fazını (yani, faz içi, gecikmeli veya anti-faz) inceleyerek etkileşim türünü tanımlamak için yeni bir yaklaşım sunulmaktadır (bkz. Şekil 2). Bu amaçla, farklı etkileşim türlerini sınıflandırmak için WTC yöntemini kullanan bir araç kutusu geliştirilmiştir. Etkileşim türleri, çapraz dalgacık dönüşümü analizinden elde edilen göreli faz verileri kullanılarak sınıflandırılır.

Figure 2
Şekil 2: Basit sinüs dalgalarının farklı faz ilişkilerinin gösterimi. (A) İki sinyal, Sinyal 1 (mavi çizgis) ve Sinyal 2 (turuncu çizgis), aynı zaman noktasında ilgili maksimum, minimum ve sıfır değerlerine ulaştığında, faz içi senkronizasyon32 gösterdikleri söylenir. (B) Aynı zaman noktasında bir sinyal maksimum değerine ulaştığında ve diğer sinyal sıfır değerine ulaştığında, gecikmeli senkronizasyon gösterdikleri söylenir (biri 90° önde)32,33,34. (C) İki zaman serisi zıt yönlerde kaydığında, yani aynı zaman noktasında bir sinyal maksimuma ve diğeri minimum değere ulaştığında, buna anti-faz senkronizasyonu28 denir. (D-P) İki zaman serisi arasındaki diğer tüm faz ilişkilerinde, bir sinyal diğerine öncülük eder. Tüm pozitif fazlarda, Sinyal 2, Sinyal 1’in başında (örneğin, E, F, M ve N panelleri), tüm negatif fazlarda ise Sinyal 1, Sinyal 2’nin başında gelir (örneğin, paneller D, G, H, O ve P). Özellikle, fazın mutlak değeri daha yüksek olduğunda, hangi zaman serisinin diğerine öncülük ettiği daha belirgin hale gelir (örneğin, liderlik panel J’de panel I’den daha belirgindir ve panel K’de liderlik panel L’den daha belirgindir). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Protocol

Çalışma Florida Atlantic Üniversitesi’nde (FAU) yürütüldü ve FAU Kurumsal İnceleme Kurulu (IRB) tarafından onaylandı. 1. fNIRS hiper tarama verilerinin ön işlemesini gerçekleştirmek için Homer3 yazılımını (Malzeme Tablosu) kullanma NOT: Homer3, beyin aktivasyonunun tahminlerini ve haritalarını elde etmek için fNIRS verilerini analiz eden bir MATLAB uygulamasıdır29. Homer3 aşağıdaki bağlantıdan indi…

Representative Results

Bu bölümde, araç kutusu ile gerçekleştirilebilecek analiz türleri gösterilmektedir (https://www.ariel.ac.il/wp/sns/download/ veya https://github.com/Minisharmaa/Leader-Follower-By-Phase adresinden indirilebilir). Bu analizler için, küçük bir bebek-ebeveyn ikilisi örneklemi ile toplanan fNIRS verileri kullanılmıştır. Altı çift anne-bebek ikilisi, gerçek hayattaki bebek-anne etkileşimine mümkün olduğunca yakın olan, doğrulanmış bir davranışsal görev olan serbest oyun görevi3…

Discussion

fNIRS çalışmalarında kullanılan en yaygın yöntemlerden biri, frekans ve zaman10’un bir fonksiyonu olarak iki zaman serisinin çapraz korelasyonunun bir ölçüsü olan dalgacık dönüşümü tutarlılığıdır (WTC). WTC, korelasyonel analizler kullanarak iki zaman serisi arasındaki tutarlılığı ve faz gecikmesini hesaplar (Ek Dosya 1). FNIRS hiper tarama çalışmaları, eylem izleme 12, işbirlikçi ve rekabetçi davranış 5,13,14,15, taklit…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Çin Ulusal Doğa Bilimleri Vakfı (No. 62207025), Çin Eğitim Bakanlığı’ndan Beşeri Bilimler ve Sosyal Bilimler Araştırma Projesi (No. 22YJC190017) ve Merkez Üniversiteler için Temel Araştırma Fonları tarafından sağlanan desteği Yafeng Pan’a teşekkür ederiz.

Materials

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.

References

  1. Gvirts, H. Z., Perlmutter, R. What guides us to neurally and behaviorally align with anyone specific? A neurobiological model based on fNIRS hyperscanning studies. The Neuroscientist. 26 (2), 108-116 (2019).
  2. Balconi, M., Fronda, G., Vanutelli, M. E. Donate or receive? Social hyperscanning application with fNIRS. Current Psychology. 38 (4), 991-1002 (2019).
  3. Redcay, E., Schilbach, L. Using second-person neuroscience to elucidate the mechanisms of social interaction. Nature Reviews Neuroscience. 20 (8), 495-505 (2019).
  4. Shamay-Tsoory, S. G., Mendelsohn, A. Real-life neuroscience: An ecological approach to brain and behavior research. Perspectives on Psychological Science. 14 (5), 841-859 (2019).
  5. 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).
  6. Quaresima, V., Ferrari, M. Functional near-infrared spectroscopy (fNIRS) for assessing cerebral cortex function during human behavior in natural/social situations: A concise review. Organizational Research Methods. 22 (1), 46-68 (2016).
  7. Fishburn, F. A., et al. Putting our heads together: interpersonal neural synchronization as a biological mechanism for shared intentionality. Social Cognitive and Affective Neuroscience. 13 (8), 841-849 (2018).
  8. 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).
  9. Chang, C., Glover, G. H. Time-frequency dynamics of resting-state brain connectivity measured with fMRI. NeuroImage. 50 (1), 81-98 (2010).
  10. Scholkmann, F., Holper, L., Wolf, U., Wolf, M. A new methodical approach in neuroscience: Assessing inter-personal brain coupling using functional near-infrared imaging (fNIRI) hyperscanning. Frontiers in Human Neuroscience. 7, 813 (2013).
  11. Czeszumski, A., et al. Hyperscanning: A valid method to study neural inter-brain underpinnings of social interaction. Frontiers in Human Neuroscience. 14, 39 (2020).
  12. Dommer, L., Jäger, N., Scholkmann, F., Wolf, M., Holper, L. Between-brain coherence during joint n-back task performance: A two-person functional near-infrared spectroscopy study. Behavioural Brain Research. 234 (2), 212-222 (2012).
  13. Osaka, N., Minamoto, T., Yaoi, K., Azuma, M., Osaka, M. Neural synchronization during cooperated humming: A hyperscanning study using fNIRS. Procedia – Social and Behavioral Sciences. 126, 241-243 (2014).
  14. Wang, C., Zhang, T., Shan, Z., Liu, J., Yuan, D., Li, X. Dynamic interpersonal neural synchronization underlying pain-induced cooperation in females. Human Brain Mapping. 40 (11), 3222-3232 (2019).
  15. Cheng, X., Li, X., Hu, Y. Synchronous brain activity during cooperative exchange depends on gender of partner: A fNIRS-based hyperscanning study. Human Brain Mapping. 36 (6), 2039-2048 (2015).
  16. Holper, L., Scholkmann, F., Wolf, M. Between-brain connectivity during imitation measured by fNIRS. NeuroImage. 63 (1), 212-222 (2012).
  17. Nguyen, T., et al. The effects of interaction quality on neural synchrony during mother-child problem solving. Cortex. 124, 235-249 (2020).
  18. Zheng, L., et al. Enhancement of teaching outcome through neural prediction of the students’ knowledge state. Human Brain Mapping. 39 (7), 3046-3057 (2018).
  19. Pan, Y., Novembre, G., Song, B., Li, X., Hu, Y. Interpersonal synchronization of inferior frontal cortices tracks social interactive learning of a song. NeuroImage. 183, 280-290 (2018).
  20. Pan, Y., et al. Instructor-learner brain coupling discriminates between instructional approaches and predicts learning. NeuroImage. 211, 116657 (2020).
  21. Liu, J., et al. Interplay between prior knowledge and communication mode on teaching effectiveness: Interpersonal neural synchronization as a neural marker. NeuroImage. 193, 93-102 (2019).
  22. Léné, P., et al. Wavelet transform coherence: An innovative method to investigate social interaction in NeuroIS. Lecture Notes in Information Systems and Organisation. 32, 147-154 (2020).
  23. Nguyen, T., Hoehl, S., Vrtička, P. A guide to parent-child fNIRS hyperscanning data processing and analysis. Sensors. 21 (12), 4075 (2021).
  24. Zhang, Y., Han, J., Hu, X., Guo, L., Liu, T. Data-driven evaluation of functional connectivity metrics. Proceedings – International Symposium on Biomedical Imaging. , 532-535 (2013).
  25. Hamilton, A. F. d. e. C. Hyperscanning: Beyond the hype. Neuron. 109 (3), 404-407 (2021).
  26. Barnett, L., Barrett, A. B., Granger Seth, A. K. causality and transfer entropy are equivalent for Gaussian variables. Physical Review Letters. 103 (23), 2-5 (2009).
  27. Barnett, L., Seth, A. K. The MVGC multivariate Granger causality toolbox: A new approach to Granger-causal inference. Journal of Neuroscience Methods. 223, 50-68 (2014).
  28. Li, D., Zhou, C. Organization of anti-phase synchronization pattern in neural networks: What are the key factors. Frontiers in Systems Neuroscience. 5, 100 (2011).
  29. Huppert, T. J., Diamond, S. G., Franceschini, M. A., Boas, D. A. HomER: A review of time-series analysis methods for near-infrared spectroscopy of the brain. Applied Optics. 48 (10), D280-D298 (2009).
  30. 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 (5-6), 561-566 (2004).
  31. Feldman, R. Parent-infant synchrony. Current Directions in Psychological Science. 16 (6), 340-345 (2007).
  32. Fell, J., Axmacher, N. The role of phase synchronization in memory processes. Nature Reviews Neuroscience. 12 (2), 105-118 (2011).
  33. Olcay, B. O., Karaçalı, B. Evaluation of synchronization measures for capturing the lagged synchronization between EEG channels: A cognitive task recognition approach. Computers in Biology and Medicine. 114, 103441 (2019).
  34. Stam, C. J. Nonlinear dynamical analysis of EEG and MEG: Review of an emerging field. Clinical Neurophysiology. 116 (10), 2266-2301 (2005).
  35. Mallat, S. . A Wavelet Tour of Signal Processing. , (2009).
  36. Kleinbub, J. R., Ramseyer, F. T. . rMEA: An R package to assess nonverbal synchronization in motion energy analysis time-series. 31 (6), 817-830 (2020).
  37. Pan, Y., Novembre, G., Song, B., Zhu, Y., Hu, Y. Dual brain stimulation enhances interpersonal learning through spontaneous movement synchrony. Social Cognitive and Affective Neuroscience. 16 (1-2), 210-221 (2021).
  38. Ramseyer, F., Tschacher, W. Nonverbal synchrony in psychotherapy: Coordinated body movement reflects relationship quality and outcome. Journal of Consulting and Clinical Psychology. 79 (3), 284-295 (2011).
  39. Zhang, X., Noah, J. A., Dravida, S., Hirsch, J. Optimization of wavelet coherence analysis as a measure of neural synchrony during hyperscanning using functional near-infrared spectroscopy. Neurophotonics. 7 (1), 015010 (2020).
  40. Walton, A. E., Richardson, M. J., Langland-Hassan, P., Chemero, A. Improvisation and the self-organization of multiple musical bodies. Frontiers in Psychology. 6, 313 (2015).
  41. Varlet, M., Marin, L., Lagarde, J., Bardy, B. G. Social postural coordination. Journal of Experimental Psychology: Human Perception and Performance. 37 (2), 473-483 (2011).
  42. Hale, J., Ward, J. A., Buccheri, F., Oliver, D., Hamilton, A. F. d. e. C. Are you on my wavelength? Interpersonal coordination in dyadic conversations. Journal of Nonverbal Behavior. 44 (1), 63-83 (2020).
  43. Fujiwara, K., Daibo, I. Evaluating interpersonal synchrony: Wavelet transform toward an unstructured conversation. Frontiers in Psychology. 7, 516 (2016).
  44. Nozawa, T., Sasaki, Y., Sakaki, K., Yokoyama, R., Kawashima, R. Interpersonal frontopolar neural synchronization in group communication: An exploration toward fNIRS hyperscanning of natural interactions. NeuroImage. 133, 484-497 (2016).
  45. Dai, R., et al. Holistic cognitive and neural processes: A fNIRS-hyperscanning study on interpersonal sensorimotor synchronization. Social Cognitive and Affective Neuroscience. 13 (11), 1141-1154 (2018).
  46. Lu, K., Qiao, X., Yun, Q., Hao, N. Educational diversity and group creativity: Evidence from fNIRS hyperscanning. NeuroImage. 243, 118564 (2021).

Play Video

Cite This Article
Gvirts Provolovski, H. Z., Sharma, M., Gutman, I., Dahan, A., Pan, Y., Stotler, J., Wilcox, T. New Framework for Understanding Cross-Brain Coherence in Functional Near-Infrared Spectroscopy (fNIRS) Hyperscanning Studies. J. Vis. Exp. (200), e65347, doi:10.3791/65347 (2023).

View Video