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, almeno^{nelle applicazioni di} classificazione.

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’entropia^{di 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 Y“²⁷. 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.

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.