Summary

Nieuw raamwerk voor het begrijpen van cross-brain coherentie in functionele nabij-infraroodspectroscopie (fNIRS) hyperscanningstudies

Published: October 06, 2023
doi:

Summary

Wavelet transform coherence (WTC) is een veelgebruikte methodologie voor het beoordelen van de koppeling tussen signalen die wordt gebruikt in hyperscanningstudies met functionele nabij-infraroodspectroscopie (fNIRS). In dit werk wordt een toolbox gepresenteerd voor het beoordelen van de directionaliteit van de signaalinteractie.

Abstract

Ondanks het groeiende aantal hyperscanningstudies met functionele nabij-infraroodspectroscopie (fNIRS), lijkt de beoordeling van de koppeling tussen twee neurale signalen met behulp van wavelet-transformatiecoherentie (WTC) de directionaliteit van de interactie te negeren. Het veld mist momenteel een raamwerk dat onderzoekers in staat stelt te bepalen of een hoge coherentiewaarde die wordt verkregen met behulp van een WTC-functie een weerspiegeling is van in-fase synchronisatie (d.w.z. neurale activering wordt tegelijkertijd gezien in beide leden van de dyade), vertraagde synchronisatie (d.w.z. neurale activering wordt gezien in het ene lid van de dyade vóór het andere lid), of antifasesynchronisatie (d.w.z. neurale activering wordt verhoogd in het ene lid van de dyade en verminderd in het andere). Om aan deze behoefte tegemoet te komen, wordt in dit werk een aanvullende en gevoeligere benadering voorgesteld voor het analyseren van de fasecoherentie van twee neurale signalen. De toolbox stelt onderzoekers in staat om de koppelingsrichting te schatten door de fasehoekwaarden die zijn verkregen met behulp van traditionele WTC te classificeren in in-fase synchronisatie, vertraagde synchronisatie en anti-fase synchronisatie. De toolbox stelt onderzoekers ook in staat om te beoordelen hoe de dynamiek van interacties zich ontwikkelt en verandert gedurende de taak. Het gebruik van deze nieuwe WTC-benadering en de toolbox zal ons begrip van complexe sociale interacties vergroten door hun gebruik in fNIRS-hyperscanstudies.

Introduction

In de afgelopen jaren heeft er een verschuiving plaatsgevonden in de soorten onderzoeken die worden uitgevoerd om de neurale basis van sociaal gedrag te begrijpen 1,2. Traditioneel hebben studies in de sociale neurowetenschappen zich gericht op neurale activering in één geïsoleerd brein tijdens een maatschappelijk relevante taak. Vooruitgang in neuroimaging-technologie maakt het nu echter mogelijk om neurale activering in de hersenen van een of meer individuen te onderzoeken tijdens sociale interactie, zoals deze plaatsvindt in “real-life” omgevingen3. In “real-life” omgevingen kunnen individuen zich vrij bewegen en zullen patronen van hersenactiviteit waarschijnlijk veranderen naarmate informatie wordt uitgewisseld en sociale partners feedback van elkaar krijgen4.

Hyperscanning is een methode die deze bidirectionele informatie-uitwisseling beoordeelt door de hersenactiviteit van twee of meer personen tegelijk te meten5. Een opkomend onderzoek heeft gebruik gemaakt van functionele nabij-infraroodspectroscopie (fNIRS), een niet-invasieve neuroimaging-techniek die, in vergelijking met andere neuroimaging-technieken, minder gevoelig is voorbewegingsartefacten 6. Hyperscanning via fNIRS maakt het mogelijk om de synchronisatie tussen de hersenen (PDS) in real-life omgevingen te beoordelen, terwijl de interactieve partners vrij en natuurlijk bewegen. Dit is met name relevant voor het werken met zuigelingen en jonge kinderen, die over het algemeen behoorlijk actief zijn. Van IBS is gemeld dat het wederzijds begrip tussen interactieve partners weerspiegelt, wat dient als basis voor effectieve sociale interactie en communicatie en gedeelde intentionaliteit bemiddelt 1,7,8.

Er worden verschillende methoden gebruikt om de PDS van twee hersenen te evalueren. Dergelijke methoden omvatten tijdreekscorrelaties, zoals kruiscorrelatie en de Pearson-correlatiecoëfficiënt 9,10 (zie een recensie van Scholkmann et al.10). Andere methoden omvatten het evalueren van de sterkte van de koppeling in het frequentiedomein. Dergelijke methoden omvatten fasevergrendelingswaarde (PLV) en fasecoherentie (zie een recensie van Czeszumski et al.11). Een van de meest gebruikte methoden in fNIRS-studies maakt gebruik van wavelet transform coherence (WTC) – een maat voor de kruiscorrelatie van twee tijdreeksen als functie van frequentie en tijd10.

WTC gebruikt correlationele analyses om de coherentie en fasevertraging tussen twee tijdreeksen in het tijd-frequentiedomein te berekenen. FNIRS-hyperscanningstudies hebben WTC gebruikt om IBS te schatten in vele domeinen van functioneren, waaronder actiemonitoring 12, coöperatief en competitief gedrag 5,13,14,15, imitatie 16, probleemoplossing tussen moeder en kind17 en onderwijsleergedrag 18,19,20,21 . Typisch, in hyperscanning-studies, wordt cross-brain coherentie, zoals gemeten door WTC, tijdens een experimentele taak vergeleken met cross-brain coherentie tijdens een controletaak. Deze bevindingen worden meestal gepresenteerd met een WTC “hot plot”, die de samenhang tussen de twee hersenen op elk tijdstip en elke frequentie laat zien (zie Figuur 1).

Zoals gesuggereerd door Czesumaski et al.11, is WTC de standaard analytische benadering geworden voor het analyseren van fNIRS-hyperscanning. WTC-analyse is een flexibele, “tool-agnostische” methode voor datavisualisatie en -interpretatie22. De heatmap van de coherentiecoëfficiënt, die een narratieve vorm van analyse biedt die het mogelijk maakt om gemakkelijk perioden van synchroon of asynchroon gedrag te identificeren, evenals de intensiteit van hersenactiviteit tijdens de voltooiing van een taak, is het belangrijkste voordeel van WTC en maakt het een sterk hulpmiddel voor toegepast onderzoek22. WTC heeft een voordeel ten opzichte van correlatietechnieken. Correlaties zijn gevoelig voor de vorm van de hemodynamische responsfunctie (HRF), waarvan wordt aangenomen dat deze verschilt tussen individuen (vooral in termen van leeftijd) en tussen verschillende hersengebieden. WTC daarentegen wordt niet beïnvloed door interregionale veranderingen in de (HRF)23. Onderzoekers hebben de wavelet-benadering gebruikt om fMRI-tijdreeksen te bestuderen. Zhang et al.24 vergeleken de veelgebruikte functionele connectiviteitsmaatstaven, waaronder de Pearson-correlatie, partiële correlatie, wederzijdse informatie en waveletcoherentietransformatie (WTC). Ze voerden classificatie-experimenten uit met behulp van grootschalige functionele connectiviteitspatronen die waren afgeleid van fMRI-gegevens in rusttoestand en fMRI-gegevens met natuurlijke stimulus van videoweergave. Hun bevindingen gaven aan dat WTC het beste presteerde op het gebied van classificatie (specificiteit, gevoeligheid en nauwkeurigheid), wat impliceert dat WTC een geprefereerde functionele connectiviteitsmaatstaf is voor het bestuderen van functionele hersennetwerken, althans in classificatietoepassingen24.

Figure 1
Figuur 1: Wavelet transform coherentie (WTC). WTC toont de coherentie en fasehoek tussen twee tijdreeksen als functie van zowel tijd (x-as) als frequentie (y-as). De coherentietoename wordt weergegeven door de rode kleur in de grafiek en de kleine pijlen in de grafiek tonen de fasehoek van de twee tijdreeksen. De naar rechts wijzende pijl staat voor in-fase synchronisatie; de naar beneden wijzende en naar boven wijzende pijlen vertegenwoordigen vertraagde synchronisatie; en de naar links wijzende pijl staat voor antifasesynchronisatie30. Deze figuur is overgenomen van Pan et al.19. Klik hier om een grotere versie van deze figuur te bekijken.

Onlangs heeft Hamilton25 verschillende beperkingen geformuleerd voor de interpretatie van cross-brain coherentiegegevens in fNIRS-hyperscanningstudies. Een van de belangrijkste zorgen van Hamilton was dat coherentiemetingen (bijv. WTC) alleen effecten rapporteren als symmetrisch (d.w.z. twee hersenen zijn gecorreleerd en vertonen hetzelfde veranderingspatroon). Veel sociale interacties zijn echter asymmetrisch (bijv. informatiestroom tussen een spreker en een luisteraar) in die zin dat twee deelnemers verschillende rollen kunnen spelen, en het is niet duidelijk of WTC deze informatie kan vastleggen. Hier wordt dit probleem aangepakt door een nieuw raamwerk dat een eenvoudige interpretatie van het vermogen van de dwarsgolfbeweging mogelijk maakt door de kruisgolffase te gebruiken om directionaliteit te detecteren. Dit kader maakt het ook mogelijk om te onderzoeken hoe de dynamiek van interacties zich ontwikkelt en verandert tijdens een taak.

Terwijl WTC- en correlatiemethoden functionele connectiviteit beoordelen, beoordelen andere methoden effectieve connectiviteit, in een poging om de causale invloeden van het ene neurale element boven het andere te extraheren. Overdrachtsentropie is een maat uit de informatietheorie die de overdracht tussen gezamenlijk afhankelijke processen beschrijft26. Een andere verwante methode is Granger causaliteitsanalyse (GCA), die is beschreven als equivalent aan overdrachtsentropie26.

In de bestaande literatuur van fNIRS-hyperscanningstudies is Granger-causaliteitsanalyse (GCA) op grote schaal gebruikt om de koppelingsdirectionaliteit te schatten tussen fNIRS-tijdreeksgegevens die zijn verkregen tijdens een verscheidenheid aan verschillende taken, zoals samenwerking5, onderwijs19 en imitatie16. GCA maakt gebruik van vector autoregressieve modellen om de directionaliteit van koppeling tussen tijdreeksen in hersengegevens te beoordelen. De causaliteit van Granger is gebaseerd op voorspelling en voorrang: “van een variabele X wordt gezegd dat deze variabele Y ‘G-veroorzaakt’ als het verleden van X de informatie bevat die helpt om de toekomst van Y te voorspellen bovenop informatie die al in het verleden van Y ligt27. Dienovereenkomstig wordt de G-causaliteit in twee richtingen geanalyseerd: 1) van proefpersoon A naar proefpersoon B en 2) van proefpersoon B naar proefpersoon A.

Hoewel GCA-analyse dient als een aanvullende analyse die gericht is op het bepalen of een hoge coherentiewaarde die wordt verkregen met behulp van een WTC-functie IBS of vertraagde synchronisatie weerspiegelt (het ene signaal leidt het andere), maakt het niet mogelijk om te bepalen of antifasesynchronisatie heeft plaatsgevonden. In traditionele neuroimaging-onderzoeken, waarbij slechts één deelnemer wordt gescand (d.w.z. de “single-brain”-benadering), betekent een antifasepatroon dat de activiteit in het ene hersengebied wordt verhoogd terwijl de activiteit in het andere hersengebied wordt verminderd28. In de hyperscanning-literatuur kan de aanwezigheid van antifasesynchronisatie suggereren dat neurale activering bij de ene proefpersoon toeneemt en tegelijkertijd de neurale activering bij de andere proefpersoon afneemt. Daarom is er behoefte aan een uitgebreid model dat de directionaliteit kan detecteren. Meer specifiek zal dit model in staat zijn om antifasesynchronisatie te detecteren (waarbij de richting van activiteit in één individu tegengesteld is aan die van hun partner) naast in-fasesynchronisatie en vertraagde synchronisatie.

In een poging om tegemoet te komen aan de bezorgdheid dat WTC alleen symmetrische effecten vertoont, waarbij beide hersenen hetzelfde patroon van verandering vertonen25, wordt een nieuwe benadering gepresenteerd om het type interactie te identificeren door de fase van synchronisatie (d.w.z. in-fase, vertraagd of anti-fase) te onderzoeken (zie figuur 2). Hiertoe is een toolbox ontwikkeld die gebruik maakt van de WTC-methode om de verschillende soorten interacties te classificeren. De soorten interacties worden geclassificeerd met behulp van relatieve fasegegevens van cross-wavelet-transformatieanalyse.

Figure 2
Figuur 2: Illustratie van de verschillende faserelaties van enkelvoudige sinusgolven. (A) Wanneer de twee signalen, Signaal 1 (blauwe lijn s) en Signaal 2 (oranje lijns), hun respectievelijke maximum-, minimum- en nulwaarden op hetzelfde tijdstip bereiken, wordt gezegd dat ze in-fase synchronisatie32 vertonen. (B) Wanneer het ene signaal zijn maximale waarde bereikt en het andere signaal op hetzelfde tijdstip de nulwaarde bereikt, wordt gezegd dat ze een vertraagde synchronisatie vertonen (één leidt met 90°)32,33,34. (C) Wanneer twee tijdreeksen in tegengestelde richting verschuiven, wat betekent dat het ene signaal het maximum bereikt en het andere de minimumwaarde op hetzelfde tijdstip, wordt dit antifasesynchronisatie28 genoemd. (D-P) In alle andere faserelaties tussen twee tijdreeksen leidt het ene signaal het andere. In alle positieve fasen leidt signaal 2 signaal 1 (bijv. panelen E, F, M en N), terwijl in alle negatieve fasen signaal 1 leidend is voor signaal 2 (bijv. panelen D, G, H, O en P). Met name wanneer de absolute waarde van de fase hoger is, wordt het meer onderscheidend welke tijdreeks de andere leidt (bijv. het leiderschap is meer onderscheidend in panel J dan in panel I, en in panel K is het leiderschap meer onderscheidend dan in panel L). Klik hier om een grotere versie van deze figuur te bekijken.

Protocol

De studie werd uitgevoerd aan de Florida Atlantic University (FAU) en werd goedgekeurd door de FAU Institutional Review Board (IRB). 1. Het gebruik van Homer3-software (Table of Materials) om de voorbewerking van de fNIRS-hyperscangegevens uit te voeren OPMERKING: Homer3 is een MATLAB-applicatie die fNIRS-gegevens analyseert om schattingen en kaarten van hersenactiviteit te verkrijgen29. Homer3 kan worden gedownload en geïnsta…

Representative Results

In dit hoofdstuk worden de soorten analyses beschreven die kunnen worden uitgevoerd met de toolbox (die kan worden gedownload op https://www.ariel.ac.il/wp/sns/download/ of https://github.com/Minisharmaa/Leader-Follower-By-Phase.). Voor deze analyses werden fNIRS-gegevens gebruikt die waren verzameld met een kleine steekproef van baby-ouder-dyades. Zes paren moeder-kind-dyades werden getest met behulp van een gevalideerde gedragstaak, de free-play-taak31, die zo dicht mogelijk bij een echte baby-m…

Discussion

Een van de meest gebruikte methoden in fNIRS-studies is wavelet transform coherence (WTC), een maat voor de kruiscorrelatie van twee tijdreeksen als functie van frequentie en tijd10. WTC berekent de coherentie en fasevertraging tussen twee tijdreeksen met behulp van correlationele analyses (Aanvullend Dossier 1). FNIRS-hyperscanningstudies hebben WTC gebruikt om IBS te schatten in vele domeinen van functioneren, waaronder actiemonitoring 12, coöperatief en…

Disclosures

The authors have nothing to disclose.

Acknowledgements

We willen graag de steun erkennen die is verleend door de National Natural Science Foundation of China (nr. 62207025), het Humanities and Social Sciences Research Project van het Ministerie van Onderwijs van China (nr. 22YJC190017) en de Fundamental Research Funds for the Central Universities aan Yafeng Pan.

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