Summary

Neuer Rahmen für das Verständnis der hirnübergreifenden Kohärenz in funktionellen Hyperscanning-Studien der Nahinfrarotspektroskopie (fNIRS)

Published: October 06, 2023
doi:

Summary

Die Wavelet-Transformationskohärenz (WTC) ist eine gängige Methode zur Bewertung der Kopplung zwischen Signalen, die in Hyperscanning-Studien der funktionellen Nahinfrarotspektroskopie (fNIRS) verwendet wird. In dieser Arbeit wird ein Werkzeugkasten zur Beurteilung der Richtungsabhängigkeit der Signalwechselwirkung vorgestellt.

Abstract

Trotz der wachsenden Zahl von funktionellen Hyperscanning-Studien mit Nahinfrarotspektroskopie (fNIRS) scheint die Bewertung der Kopplung zwischen zwei neuronalen Signalen mittels Wavelet-Transformationskohärenz (WTC) die Richtungsabhängigkeit der Wechselwirkung zu ignorieren. Dem Feld fehlt derzeit ein Rahmen, der es den Forschern ermöglicht, zu bestimmen, ob ein hoher Kohärenzwert, der mit einer WTC-Funktion erhalten wurde, eine phasengleiche Synchronisation (d. h. eine neuronale Aktivierung wird in beiden Mitgliedern der Dyade gleichzeitig beobachtet), eine verzögerte Synchronisation (d. h. eine neuronale Aktivierung wird in einem Mitglied der Dyade vor dem anderen Mitglied beobachtet) widerspiegelt. oder Anti-Phasen-Synchronisation (d.h. die neuronale Aktivierung ist in einem Mitglied der Dyade erhöht und in dem anderen vermindert). Um diesem Bedarf gerecht zu werden, wird in dieser Arbeit ein komplementärer und sensitiverer Ansatz zur Analyse der Phasenkohärenz zweier neuronaler Signale vorgeschlagen. Die Toolbox ermöglicht es den Forschern, die Richtungsabhängigkeit der Kopplung abzuschätzen, indem sie die Phasenwinkelwerte, die mit herkömmlicher WTC ermittelt wurden, in phasengleiche Synchronisation, verzögerte Synchronisation und Antiphasensynchronisation klassifizieren. Die Toolbox ermöglicht es den Forschern auch, zu beurteilen, wie sich die Dynamik der Interaktionen während der Aufgabe entwickelt und verändert. Die Verwendung dieses neuartigen WTC-Ansatzes und der Toolbox wird unser Verständnis komplexer sozialer Interaktionen durch ihre Verwendung in fNIRS-Hyperscanning-Studien verbessern.

Introduction

In den letzten Jahren hat sich die Art der Studien, die durchgeführt werden, um die neuronalen Grundlagen des Sozialverhaltens zu verstehen, verschoben 1,2. Traditionell haben sich Studien in den sozialen Neurowissenschaften auf die neuronale Aktivierung in einem isolierten Gehirn während einer sozial relevanten Aufgabe konzentriert. Fortschritte in der Neuroimaging-Technologie ermöglichen es nun jedoch, die neuronale Aktivierung im Gehirn eines oder mehrerer Personen während sozialer Interaktion zu untersuchen, wie sie im “realen” Leben stattfindet3. Im “realen” Leben können sich Individuen frei bewegen, und die Muster der Gehirnaktivierung ändern sich wahrscheinlich, wenn Informationen ausgetauscht werden und die Sozialpartner Feedback voneinander erhalten4.

Hyperscanning ist eine Methode, die diesen bidirektionalen Informationsaustausch bewertet, indem die Gehirnaktivität von zwei oder mehr Personen gleichzeitig gemessenwird 5. Eine neue Forschungsgruppe hat die funktionelle Nahinfrarotspektroskopie (fNIRS) eingesetzt, eine nicht-invasive Neuroimaging-Technik, die im Vergleich zu anderen bildgebenden Verfahren weniger anfällig für Bewegungsartefakte ist6. Hyperscanning über fNIRS ermöglicht die Beurteilung der Interhirnsynchronisation (IBS) in realen Umgebungen, während sich die interaktiven Partner frei und natürlich bewegen. Dies ist besonders relevant für die Arbeit mit Säuglingen und Kleinkindern, die in der Regel sehr aktiv sind. Es wurde berichtet, dass das Reizdarmsyndrom das gegenseitige Verständnis zwischen interaktiven Partnern widerspiegelt, das als Grundlage für effektive soziale Interaktion und Kommunikation dient und gemeinsame Intentionalität vermittelt 1,7,8.

Es werden mehrere Methoden verwendet, um das Reizdarmsyndrom zweier Gehirne zu bewerten. Zu diesen Methoden gehören Zeitreihenkorrelationen, wie z.B. die Kreuzkorrelation und der Pearson-Korrelationskoeffizient 9,10 (siehe eine Übersichtsarbeit von Scholkmann et al.10). Andere Methoden beinhalten die Bewertung der Stärke der Kopplung im Frequenzbereich. Zu diesen Methoden gehören der Phasensperrwert (PLV) und die Phasenkohärenz (siehe eine Übersichtsarbeit von Czeszumski et al.11). Eine der gebräuchlichsten Methoden in fNIRS-Studien verwendet die Wavelet-Transformationskohärenz (WTC) – ein Maß für die Kreuzkorrelation zweier Zeitreihen in Abhängigkeit von Frequenz und Zeit10.

WTC verwendet Korrelationsanalysen, um die Kohärenz und Phasenverschiebung zwischen zwei Zeitreihen im Zeit-Frequenz-Bereich zu berechnen. FNIRS-Hyperscanning-Studien haben WTC verwendet, um das Reizdarmsyndrom in vielen Funktionsbereichen zu schätzen, einschließlich Aktionsüberwachung 12, kooperatives und kompetitives Verhalten 5,13,14,15, Nachahmung 16, Mutter-Kind-Problemlösung 17 und Lehr-Lern-Verhalten 18,19,20,21. Typischerweise wird in Hyperscanning-Studien die gehirnübergreifende Kohärenz, wie sie von WTC gemessen wird, während einer experimentellen Aufgabe mit der hirnübergreifenden Kohärenz während einer Kontrollaufgabe verglichen. Diese Ergebnisse werden in der Regel mit einem WTC-“Hot Plot” dargestellt, der die Kohärenz zwischen den beiden Gehirnen zu jedem Zeitpunkt und jeder Häufigkeit zeigt (siehe Abbildung 1).

Wie von Czesumaski et al.11 vorgeschlagen, hat sich WTC zum analytischen Standardansatz für die Analyse von fNIRS-Hyperscanning entwickelt. Die WTC-Analyse ist eine flexible, “werkzeugunabhängige” Methode zur Datenvisualisierung und -interpretation22. Die Kohärenzkoeffizienten-Heatmap, die eine narrative Form der Analyse bietet, die es ermöglicht, Perioden synchronen oder asynchronen Verhaltens sowie die Intensität der Gehirnaktivität während der Erledigung einer Aufgabe leicht zu identifizieren, ist der Hauptvorteil von WTC und macht es zu einem starken Werkzeug für die angewandte Forschung22. WTC hat einen Vorteil gegenüber Korrelationstechniken. Korrelationen sind empfindlich gegenüber der Form der hämodynamischen Reaktionsfunktion (HRF), von der angenommen wird, dass sie sich zwischen Individuen (insbesondere in Bezug auf das Alter) und zwischen verschiedenen Gehirnbereichen unterscheidet. Im Gegensatz dazu ist das WTC von interregionalen Veränderungen im (HRF)23 nicht betroffen. Forscher haben den Wavelet-Ansatz verwendet, um fMRT-Zeitreihen zu untersuchen. Zhang et al.24 verglichen die häufig verwendeten funktionalen Konnektivitätsmetriken, einschließlich der Pearson-Korrelation, der partiellen Korrelation, der gegenseitigen Information und der Wavelet-Kohärenztransformation (WTC). Sie führten Klassifikationsexperimente mit groß angelegten funktionellen Konnektivitätsmustern durch, die aus fMRT-Daten aus dem Ruhezustand und fMRT-Daten mit natürlichem Stimulus beim Betrachten von Videos abgeleitet wurden. Ihre Ergebnisse deuteten darauf hin, dass WTC bei der Klassifizierung (Spezifität, Sensitivität und Genauigkeit) am besten abschneidet, was darauf hindeutet, dass WTC eine bevorzugte funktionelle Konnektivitätsmetrik für die Untersuchung funktioneller Gehirnnetzwerke ist, zumindest in Klassifikationsanwendungen24.

Figure 1
Abbildung 1: Kohärenz der Wavelet-Transformation (WTC). WTC zeigt die Kohärenz und den Phasenwinkel zwischen zwei Zeitreihen als Funktion sowohl der Zeit (x-Achse) als auch der Frequenz (y-Achse). Die Kohärenzerhöhung wird durch die rote Farbe im Diagramm dargestellt, und die kleinen Pfeile im Diagramm zeigen den Phasenwinkel der beiden Zeitreihen an. Der nach rechts zeigende Pfeil stellt die phasengleiche Synchronisierung dar. Die nach unten und nach oben zeigenden Pfeile stellen eine verzögerte Synchronisierung dar. und der nach links zeigende Pfeil stellt die Anti-Phasen-Synchronisation30 dar. Diese Abbildung wurde von Pan et al.19 übernommen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Kürzlich hat Hamilton25 mehrere Einschränkungen bei der Interpretation von Cross-hirn-Kohärenzdaten in fNIRS-Hyperscanning-Studien artikuliert. Eines von Hamiltons Hauptanliegen war, dass Kohärenzmessungen (z.B. WTC) Effekte nur als symmetrisch melden (d.h. zwei Gehirne sind korreliert und zeigen das gleiche Veränderungsmuster). Viele soziale Interaktionen sind jedoch asymmetrisch (z. B. der Informationsfluss zwischen einem Sprecher und einem Zuhörer), da zwei Teilnehmer unterschiedliche Rollen spielen können, und es ist nicht klar, ob das WTC diese Informationen erfassen kann. Hier wird dieses Problem durch ein neues Framework gelöst, das eine einfache Interpretation der Cross-Wavelet-Leistung ermöglicht, indem die Cross-Wavelet-Phase zur Erkennung der Richtungsabhängigkeit verwendet wird. Dieser Rahmen ermöglicht es auch, zu untersuchen, wie sich die Dynamik von Interaktionen während einer Aufgabe entwickelt und verändert.

Während WTC- und Korrelationsmethoden die funktionelle Konnektivität bewerten, bewerten andere Methoden die effektive Konnektivität und versuchen, die kausalen Einflüsse eines neuronalen Elements auf ein anderes zu extrahieren. Die Transferentropie ist ein Maß aus der Informationstheorie, das den Transfer zwischen gemeinsam abhängigen Prozessen beschreibt26. Eine weitere verwandte Methode ist die Granger-Kausalitätsanalyse (GCA), die als äquivalent zur Transferentropie26 beschrieben wurde.

In der bestehenden Literatur zu fNIRS-Hyperscanning-Studien wurde die Granger-Kausalitätsanalyse (GCA) häufig verwendet, um die Kopplungsdirektionalität zwischen fNIRS-Zeitreihendaten abzuschätzen, die während einer Vielzahl verschiedener Aufgaben gewonnen wurden, wie z. B. Kooperation5, Unterricht19 und Nachahmung16. GCA verwendet vektorautoregressive Modelle, um die Richtungsabhängigkeit der Kopplung zwischen Zeitreihen in Gehirndaten zu bewerten. Die Kausalität von Granger basiert auf Vorhersage und Präzedenz: “Eine Variable X wird als ‘G-Ursache’ der Variablen Y bezeichnet, wenn die Vergangenheit von X die Informationen enthält, die helfen, die Zukunft von Y vorherzusagen, und zwar über Informationen, die bereits in der Vergangenheit von Y liegen”27. Dementsprechend wird die G-Kausalität in zwei Richtungen analysiert: 1) von Subjekt A zu Subjekt B und 2) von Subjekt B zu Subjekt A.

Während die GCA-Analyse als ergänzende Analyse dient, die darauf abzielt, festzustellen, ob ein hoher Kohärenzwert, der mit einer WTC-Funktion erhalten wurde, eine IBS- oder verzögerte Synchronisation widerspiegelt (ein Signal führt zum anderen), ermöglicht sie nicht die Bestimmung, ob eine Antiphasensynchronisation stattgefunden hat. In traditionellen Neuroimaging-Studien, bei denen nur ein Teilnehmer gescannt wird (d. h. der “Single-Brain”-Ansatz), bedeutet ein Anti-Phasen-Muster, dass die Aktivität in einer Gehirnregion erhöht wird, während die Aktivität in der anderen Gehirnregion verringert wird28. In der Hyperscanning-Literatur kann das Vorhandensein einer Anti-Phasen-Synchronisation darauf hindeuten, dass die neuronale Aktivierung bei einem Subjekt erhöht ist und gleichzeitig die neuronale Aktivierung bei dem anderen Subjekt verringert ist. Daher besteht die Notwendigkeit, ein umfassendes Modell bereitzustellen, das die Richtungsabhängigkeit erkennen kann. Genauer gesagt wird dieses Modell in der Lage sein, eine Anti-Phasen-Synchronisation (bei der die Aktivitätsrichtung eines Individuums der seines Partners entgegengesetzt ist) zusätzlich zu einer phasenweisen Synchronisation und einer verzögerten Synchronisation zu erkennen.

In einem Versuch, die Besorgnis auszuräumen, dass WTC nur symmetrische Effekte zeigt, bei denen beide Gehirne das gleiche Veränderungsmuster zeigen25, wird ein neuer Ansatz zur Identifizierung der Art der Interaktion durch Untersuchung der Synchronisationsphase (d. h. phasengleich, verzögert oder anti-phasig) vorgestellt (siehe Abbildung 2). Zu diesem Zweck wurde eine Toolbox entwickelt, die die verschiedenen Arten von Wechselwirkungen mit der WTC-Methode klassifiziert. Die Arten von Wechselwirkungen werden anhand von relativen Phasendaten aus der Cross-Wavelet-Transformationsanalyse klassifiziert.

Figure 2
Abbildung 2: Darstellung der unterschiedlichen Phasenbeziehungen einfacher Sinuswelle. (A) Wenn die beiden Signale, Signal 1 (blaue Linie s) und Signal 2 (orangefarbene Linies), ihre jeweiligen Maximal-, Minimal- und Nullwerte zum gleichen Zeitpunkt erreichen, werden sie als phasensynchron32 bezeichnet. (B) Wenn ein Signal seinen Maximalwert erreicht und das andere Signal zum gleichen Zeitpunkt den Nullwert erreicht, wird von einer verzögerten Synchronisation gesprochen (eines führt um 90°)32,33,34. (C) Wenn sich zwei Zeitreihen in entgegengesetzte Richtungen verschieben, d. h. ein Signal erreicht den Maximalwert und das andere den Minimalwert zum gleichen Zeitpunkt, wird dies als Anti-Phasen-Synchronisation28 bezeichnet. (D-P) In allen anderen Phasenbeziehungen zwischen zwei Zeitreihen führt ein Signal das andere. In allen positiven Phasen ist Signal 2 führend gegenüber Signal 1 (z. B. Felder E, F, M und N), während Signal 1 in allen negativen Phasen vor Signal 2 steht (z. B. Felder D, G, H, O und P). Wenn der absolute Wert der Phase höher ist, wird es deutlicher, welche Zeitreihe die andere anführt (z. B. ist die Führung in Panel J ausgeprägter als in Panel I, und in Panel K ist die Führung ausgeprägter als in Panel L). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Protocol

Die Studie wurde an der Florida Atlantic University (FAU) durchgeführt und vom FAU Institutional Review Board (IRB) genehmigt. 1. Verwendung der Homer3-Software (Table of Materials) zur Vorverarbeitung der fNIRS-Hyperscanning-Daten HINWEIS: Homer3 ist eine MATLAB-Anwendung, die fNIRS-Daten analysiert, um Schätzungen und Karten der Gehirnaktivierung zu erhalten29. Homer3 kann unter folgendem Link (https://openfnirs.org/softwar…

Representative Results

In diesem Abschnitt werden die Arten von Analysen erläutert, die mit der Toolbox durchgeführt werden können (die unter https://www.ariel.ac.il/wp/sns/download/ oder https://github.com/Minisharmaa/Leader-Follower-By-Phase heruntergeladen werden kann. Für diese Analysen wurden fNIRS-Daten verwendet, die mit einer kleinen Stichprobe von Säuglings-Eltern-Dyaden gesammelt wurden. Sechs Paare von Mutter-Kind-Dyaden wurden mit einer validierten Verhaltensaufgabe, der Freispielaufgabe31, getestet, di…

Discussion

Eine der gebräuchlichsten Methoden, die in fNIRS-Studien verwendet wird, ist die Wavelet-Transformationskohärenz (WTC), die ein Maß für die Kreuzkorrelation zweier Zeitreihen in Abhängigkeit von Frequenz und Zeitist 10. WTC berechnet die Kohärenz und Phasenverschiebung zwischen zwei Zeitreihen mit Hilfe von Korrelationsanalysen (Supplementary File 1). FNIRS-Hyperscanning-Studien haben WTC verwendet, um das Reizdarmsyndrom in vielen Funktionsbereichen zu schätzen, einschlie?…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Wir möchten uns für die Unterstützung bedanken, die von der National Natural Science Foundation of China (Nr. 62207025), dem Forschungsprojekt für Geistes- und Sozialwissenschaften des Bildungsministeriums der Volksrepublik China (Nr. 22YJC190017) und den Grundlagenforschungsfonds für die zentralen Universitäten von Yafeng Pan geleistet wurde.

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