Summary

Nuovo quadro per la comprensione della coerenza cross-brain negli studi di iperscansione della spettroscopia funzionale nel vicino infrarosso (fNIRS)

Published: October 06, 2023
doi:

Summary

La coerenza della trasformata wavelet (WTC) è una metodologia comune per valutare l’accoppiamento tra i segnali utilizzata negli studi di iperscansione della spettroscopia funzionale nel vicino infrarosso (fNIRS). In questo lavoro viene presentata una serie di strumenti per valutare la direzionalità dell’interazione del segnale.

Abstract

Nonostante il crescente numero di studi di iperscansione della spettroscopia funzionale nel vicino infrarosso (fNIRS), la valutazione dell’accoppiamento tra due segnali neurali utilizzando la coerenza della trasformata wavelet (WTC) sembra ignorare la direzionalità dell’interazione. Il campo è attualmente privo di un quadro che consenta ai ricercatori di determinare se un alto valore di coerenza ottenuto utilizzando una funzione WTC rifletta la sincronizzazione in fase (cioè, l’attivazione neurale è vista in entrambi i membri della diade allo stesso tempo), la sincronizzazione ritardata (cioè, l’attivazione neurale è vista in un membro della diade prima dell’altro membro), o sincronizzazione anti-fase (cioè, l’attivazione neurale è aumentata in un membro della diade e diminuita nell’altro). Per rispondere a questa esigenza, in questo lavoro viene proposto un approccio complementare e più sensibile per l’analisi della coerenza di fase di due segnali neurali. Il toolbox consente ai ricercatori di stimare la direzionalità dell’accoppiamento classificando i valori dell’angolo di fase ottenuti utilizzando il WTC tradizionale in sincronizzazione in fase, sincronizzazione ritardata e sincronizzazione antifase. La cassetta degli attrezzi consente inoltre ai ricercatori di valutare come le dinamiche delle interazioni si sviluppano e cambiano nel corso dell’attività. L’utilizzo di questo nuovo approccio WTC e della cassetta degli attrezzi farà progredire la nostra comprensione delle interazioni sociali complesse attraverso il loro utilizzo negli studi di iperscansione fNIRS.

Introduction

Negli ultimi anni, c’è stato un cambiamento nei tipi di studi condotti per comprendere le basi neurali del comportamento sociale 1,2. Tradizionalmente, gli studi di neuroscienze sociali si sono concentrati sull’attivazione neurale in un cervello isolato durante un compito socialmente rilevante. Tuttavia, i progressi nella tecnologia di neuroimaging consentono ora di esaminare l’attivazione neurale nel cervello di uno o più individui durante l’interazione sociale come avviene in contesti di “vita reale”3. In contesti di “vita reale”, gli individui sono in grado di muoversi liberamente ed è probabile che i modelli di attivazione cerebrale cambino man mano che le informazioni vengono scambiate e le parti sociali ricevono feedback l’una dall’altra4.

L’iperscansione è un metodo che valuta questo scambio di informazioni bidirezionale misurando l’attività cerebrale di due o più individui contemporaneamente5. Un corpo emergente di ricerca ha utilizzato la spettroscopia funzionale nel vicino infrarosso (fNIRS), una tecnica di neuroimaging non invasiva che, rispetto ad altre tecniche di neuroimaging, è meno suscettibile agli artefatti da movimento6. L’iperscansione tramite fNIRS consente la valutazione della sincronizzazione intercerebrale (IBS) in contesti di vita reale mentre i partner interattivi si muovono liberamente e naturalmente. Ciò è particolarmente rilevante per il lavoro con neonati e bambini piccoli, che tendono ad essere piuttosto attivi. È stato riportato che l’IBS riflette la comprensione reciproca tra partner interattivi, che funge da base per un’efficace interazione sociale e comunicazione e media l’intenzionalità condivisa 1,7,8.

Diversi metodi vengono utilizzati per valutare l’IBS di due cervelli. Tali metodi includono correlazioni di serie temporali, come la correlazione incrociata e il coefficiente di correlazione di Pearson 9,10 (vedi una revisione di Scholkmann et al.10). Altri metodi prevedono la valutazione della forza dell’accoppiamento nel dominio della frequenza. Tali metodi includono il valore di blocco di fase (PLV) e la coerenza di fase (vedi una revisione di Czeszumski et al.11). Uno dei metodi più comuni negli studi fNIRS utilizza la coerenza della trasformata wavelet (WTC), una misura della correlazione incrociata di due serie temporali in funzione della frequenza e del tempo10.

Il WTC utilizza le analisi correlazionali per calcolare la coerenza e il ritardo di fase tra due serie temporali nel dominio tempo-frequenza. Gli studi di iperscansione FNIRS hanno utilizzato il WTC per stimare l’IBS in molti domini di funzionamento, tra cui il monitoraggio dell’azione 12, il comportamento cooperativo e competitivo 5,13,14,15, l’imitazione 16, la risoluzione dei problemi madre-bambino 17 e il comportamento di insegnamento-apprendimento 18,19,20,21. Tipicamente, negli studi di iperscansione, la coerenza cross-encefalica, misurata da WTC, durante un compito sperimentale viene confrontata con la coerenza cross-brain durante un compito di controllo. Questi risultati sono di solito presentati con un “hot plot” del WTC, che mostra la coerenza tra i due cervelli in ogni punto temporale e frequenza (vedi Figura 1).

Come suggerito da Czesumaski et al.11, il WTC è diventato l’approccio analitico standard per l’analisi dell’iperscansione fNIRS. L’analisi WTC è un metodo flessibile e “tool-agnostic” per la visualizzazione e l’interpretazione dei dati22. La mappa termica del coefficiente di coerenza, che fornisce una forma narrativa di analisi che consente di identificare facilmente i periodi di comportamento sincrono o asincrono, nonché l’intensità dell’attività cerebrale durante il completamento di un compito, è il principale vantaggio del WTC e lo rende un forte strumento per la ricerca applicata22. Il WTC ha un vantaggio rispetto alle tecniche di correlazione. Le correlazioni sono sensibili alla forma della funzione di risposta emodinamica (HRF), che si ritiene differisca tra gli individui (in particolare in termini di età) e tra le diverse aree cerebrali. Al contrario, il WTC non è influenzato dai cambiamenti interregionali nell'(HRF)23. I ricercatori hanno utilizzato l’approccio wavelet per studiare le serie temporali fMRI. Zhang et al.24 hanno confrontato le metriche di connettività funzionale comunemente utilizzate, tra cui la correlazione di Pearson, la correlazione parziale, l’informazione reciproca e la trasformazione della coerenza wavelet (WTC). Hanno condotto esperimenti di classificazione utilizzando modelli di connettività funzionale su larga scala derivati dai dati fMRI in stato di riposo e dai dati fMRI a stimolo naturale della visualizzazione video. I loro risultati hanno indicato che il WTC ha ottenuto i risultati migliori nella classificazione (specificità, sensibilità e accuratezza), il che implica che il WTC è una metrica di connettività funzionale preferibile per lo studio delle reti cerebrali funzionali, almenonelle applicazioni di classificazione.

Figure 1
Figura 1: Coerenza della trasformata wavelet (WTC). WTC mostra la coerenza e l’angolo di fase tra due serie temporali in funzione sia del tempo (asse x) che della frequenza (asse y). L’aumento della coerenza è rappresentato dal colore rosso nel grafico e le piccole frecce nel grafico mostrano l’angolo di fase delle due serie temporali. La freccia rivolta verso destra rappresenta la sincronizzazione in fase; Le frecce rivolte verso il basso e verso l’alto rappresentano la sincronizzazione ritardata; e la freccia rivolta a sinistra rappresenta la sincronizzazione antifase30. Questa figura è stata adattata da Pan et al.19. Fare clic qui per visualizzare una versione più grande di questa figura.

Recentemente, Hamilton25 ha articolato diverse limitazioni all’interpretazione dei dati di coerenza cross-brain negli studi di iperscansione fNIRS. Una delle principali preoccupazioni di Hamilton era che le misure di coerenza (ad esempio, il WTC) riportassero solo effetti simmetrici (cioè, due cervelli sono correlati, mostrando lo stesso modello di cambiamento). Tuttavia, molte interazioni sociali sono asimmetriche (ad esempio, il flusso di informazioni tra un oratore e un ascoltatore) in quanto due partecipanti possono svolgere ruoli diversi, e non è chiaro se il WTC possa catturare queste informazioni. In questo caso, questa preoccupazione viene affrontata da un nuovo framework che consente un’interpretazione diretta della potenza cross-wavelet utilizzando la fase cross-wavelet per rilevare la direzionalità. Questo quadro consentirà anche di esaminare come le dinamiche delle interazioni si sviluppano e cambiano nel corso di un compito.

Mentre il WTC e i metodi di correlazione valutano la connettività funzionale, altri metodi valutano la connettività effettiva, tentando di estrarre le influenze causali di un elemento neurale rispetto a un altro. L’entropia di trasferimento è una misura del campo della teoria dell’informazione che descrive il trasferimento tra processi dipendenti congiuntamente26. Un altro metodo correlato è l’analisi di causalità di Granger (GCA), che è stata descritta come equivalente all’entropiadi trasferimento 26.

Nella letteratura esistente sugli studi di iperscansione fNIRS, l’analisi di causalità di Granger (GCA) è stata ampiamente utilizzata per stimare la direzionalità di accoppiamento tra i dati delle serie temporali fNIRS ottenuti durante una varietà di compiti diversi, come la cooperazione5, l’insegnamento19 e l’imitazione16. GCA impiega modelli vettoriali autoregressivi per valutare la direzionalità dell’accoppiamento tra serie temporali nei dati cerebrali. La causalità di Granger si basa sulla predizione e sulla precedenza: “si dice che una variabile X ‘causa G’ della variabile Y se il passato di X contiene l’informazione che aiuta a predire il futuro di Y al di là dell’informazione già presente nel passato di Y27. Di conseguenza, la causalità G viene analizzata in due direzioni: 1) dal soggetto A al soggetto B e 2) dal soggetto B al soggetto A.

Mentre l’analisi GCA serve come analisi complementare volta a determinare se un alto valore di coerenza ottenuto utilizzando una funzione WTC riflette IBS o sincronizzazione ritardata (un segnale che conduce l’altro), non consente di determinare se si è verificata una sincronizzazione antifase. Negli studi di neuroimaging tradizionali, in cui viene scansionato un solo partecipante (cioè l’approccio “single-brain”), un pattern anti-fase significa che l’attività in una regione del cervello è aumentata mentre l’attività nell’altra regione del cervello è diminuita28. Nella letteratura sull’iperscansione, la presenza di sincronizzazione anti-fase può suggerire che l’attivazione neurale è aumentata in un soggetto e, allo stesso tempo, l’attivazione neurale è diminuita per l’altro soggetto. Pertanto, è necessario fornire un modello completo in grado di rilevare la direzionalità. Più specificamente, questo modello sarà in grado di rilevare la sincronizzazione antifase (in cui la direzione dell’attività in un individuo è opposta a quella del partner) oltre alla sincronizzazione in fase e alla sincronizzazione ritardata.

Nel tentativo di affrontare la preoccupazione che il WTC mostri solo effetti simmetrici, in cui entrambi i cervelli mostrano lo stesso modello di cambiamento25, viene presentato un nuovo approccio per identificare il tipo di interazione esaminando la fase di sincronizzazione (cioè in fase, ritardata o antifase) (vedi Figura 2). A tal fine, è stata sviluppata una cassetta degli attrezzi che utilizza il metodo WTC per classificare i diversi tipi di interazioni. I tipi di interazioni vengono classificati utilizzando i dati di fase relativa provenienti dall’analisi della trasformata cross-wavelet.

Figure 2
Figura 2: Illustrazione delle diverse relazioni di fase di onde sinusoidali semplici. (A) Quando i due segnali, il segnale 1 (linea blu s) e il segnale 2 (linea aranciones), raggiungono i rispettivi valori massimo, minimo e zero nello stesso punto temporale, si dice che mostrano la sincronizzazione in fase32. (B) Quando un segnale raggiunge il suo valore massimo e l’altro segnale raggiunge il valore zero nello stesso punto temporale, si dice che mostrano una sincronizzazione ritardata (uno è in vantaggio di 90°)32,33,34. (C) Quando due serie temporali si spostano in direzioni opposte, il che significa che un segnale raggiunge il massimo e l’altro raggiunge il valore minimo nello stesso punto temporale, si parla di sincronizzazione antifase28. (D-P) In tutte le altre relazioni di fase tra due serie temporali, un segnale precede l’altro. In tutte le fasi positive, il segnale 2 è il segnale 1 (ad esempio, i pannelli E, F, M e N), mentre in tutte le fasi negative, il segnale 1 è il segnale 2 (ad esempio, i pannelli D, G, H, O e P). In particolare, quando il valore assoluto della fase è più alto, diventa più distintivo quale serie temporale sta guidando l’altra (ad esempio, la leadership è più distintiva nel pannello J che nel pannello I, e nel pannello K, la leadership è più distintiva che nel pannello L). Fare clic qui per visualizzare una versione più grande di questa figura.

Protocol

Lo studio è stato condotto presso la Florida Atlantic University (FAU) ed è stato approvato dal FAU Institutional Review Board (IRB). 1. Utilizzo del software Homer3 (Table of Materials) per eseguire la pre-elaborazione dei dati di iperscansione fNIRS NOTA: Homer3 è un’applicazione MATLAB che analizza i dati fNIRS per ottenere stime e mappe dell’attivazione cerebrale29. Homer3 può essere scaricato e installato dal seguente …

Representative Results

In questa sezione vengono illustrati i tipi di analisi che possono essere effettuate con il toolbox (che può essere scaricato all’https://www.ariel.ac.il/wp/sns/download/ o https://github.com/Minisharmaa/Leader-Follower-By-Phase.). Per queste analisi, sono stati utilizzati i dati fNIRS raccolti con un piccolo campione di diadi bambino-genitore. Sei coppie di diadi madre-bambino sono state testate utilizzando un compito comportamentale convalidato, il compito di gioco libero31, che è il più vici…

Discussion

Uno dei metodi più comuni utilizzati negli studi fNIRS è la coerenza della trasformata wavelet (WTC), che è una misura della correlazione incrociata di due serie temporali in funzione della frequenza e del tempo10. Il WTC calcola la coerenza e il ritardo di fase tra due serie temporali utilizzando analisi correlazionali (Supplementary File 1). Gli studi di iperscansione FNIRS hanno utilizzato il WTC per stimare l’IBS in molti domini di funzionamento, tra cui il monitoraggio del…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Vorremmo riconoscere il sostegno fornito dalla Fondazione Nazionale di Scienze Naturali della Cina (n. 62207025), il Progetto di ricerca sulle scienze umane e sociali del Ministero dell’Istruzione della Cina (n. 22YJC190017) e i Fondi di ricerca fondamentale per le Università Centrali a 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