Nos últimos anos, houve uma mudança nos tipos de estudos realizados para compreender as bases neurais do comportamento social ^1,2. Tradicionalmente, os estudos em neurociência social têm se concentrado na ativação neural em um cérebro isolado durante uma tarefa socialmente relevante. No entanto, os avanços na tecnologia de neuroimagem agora permitem o exame da ativação neural no cérebro de um ou mais indivíduos durante a interação social, como ocorre em ambientes da “vida real”³. Em ambientes da “vida real”, os indivíduos são capazes de se mover livremente, e os padrões de ativação cerebral provavelmente mudarão à medida que as informações são trocadas e os parceiros sociais recebem feedback uns dos outros⁴.

O hiperescaneamento é um método que avalia essa troca bidirecional de informações medindo a atividade cerebral de dois ou mais indivíduos simultaneamente⁵. Um corpo emergente de pesquisa tem utilizado a espectroscopia funcional no infravermelho próximo (fNIRS), uma técnica de neuroimagem não invasiva que, em comparação com outras técnicas de neuroimagem, é menos suscetível a artefatos de movimento⁶. O hiperescaneamento via fNIRS permite a avaliação da sincronização intercerebral (IBS) em ambientes da vida real, enquanto os parceiros interativos se movem livre e naturalmente. Isso é particularmente relevante para o trabalho com bebês e crianças pequenas, que tendem a ser bastante ativos. Tem sido relatado que a SII reflete o entendimento mútuo entre parceiros interativos, que serve como base para a interação social e comunicação eficazes e medeia a intencionalidade compartilhada ^1,7,8.

Vários métodos são usados para avaliar a SII de dois cérebros. Tais métodos incluem correlações de séries temporais, como correlação cruzada^{e coeficiente de} correlação de Pearson9,10 (ver revisão de Scholkmann et ^al.10). Outros métodos envolvem a avaliação da força do acoplamento no domínio da frequência. Tais métodos incluem o valor de bloqueio de fase (PLV) e a coerência de fase (ver revisão de Czeszumski et ^al.11). Um dos métodos mais comuns em estudos com fNIRS utiliza a coerência com transformada wavelet (WTC) – uma medida da correlação cruzada de duas séries temporais em função da frequência e do tempo¹⁰.

O WTC utiliza análises correlacionais para calcular a coerência e a defasagem de fase entre duas séries temporais no domínio da frequência temporal. Estudos de hipervarredura FNIRS têm utilizado o WTC para estimar a SII em vários domínios do funcionamento, incluindo monitoramento de ação 12, comportamento cooperativo e competitivo 5,13,14,15, imitação 16, resolução de problemas mãe-bebê 17 e comportamento de ensino-aprendizagem 18,19,20,21 . Normalmente, em estudos de hipervarredura, a coerência entre cérebros, medida pelo WTC, durante uma tarefa experimental é comparada à coerência entre cérebros durante uma tarefa de controle. Esses achados são geralmente apresentados com um “gráfico quente” do WTC, que mostra a coerência entre os dois cérebros em cada ponto de tempo e frequência (ver Figura 1).

Como sugerido por Czesumaski et ^al.11, o WTC tornou-se a abordagem analítica padrão para analisar o hiperescaneamento fNIRS. A análise WTC é um método flexível e “agnóstico de ferramentas” para visualização e interpretação de dados²². O heatmap do coeficiente de coerência, que fornece uma forma narrativa de análise que permite a fácil identificação de períodos de comportamento sincrônico ou assíncrono, bem como a intensidade da atividade cerebral durante a realização de uma tarefa, é a principal vantagem do WTC e o torna uma forte ferramenta para pesquisa aplicada²². O WTC tem uma vantagem sobre as técnicas de correlação. As correlações são sensíveis à forma da função de resposta hemodinâmica (FCR), que se acredita diferir entre indivíduos (particularmente em termos de idade) e entre diferentes áreas cerebrais. Em contraste, o WTC não é afetado por mudanças inter-regionais na (HRF)²³. Os pesquisadores usaram a abordagem wavelet para estudar séries temporais de RMf. Zhang et ^al.24 compararam as métricas de conectividade funcional comumente usadas, incluindo correlação de Pearson, correlação parcial, informação mútua e transformação de coerência wavelet (WTC). Eles realizaram experimentos de classificação usando padrões de conectividade funcional em larga escala derivados de dados de fMRI de estado de repouso e dados de fMRI de estímulo natural de visualização de vídeo. Seus achados indicaram que o WTC apresentou melhor desempenho em classificação (especificidade, sensibilidade e acurácia), implicando que o WTC é uma métrica de conectividade funcional preferível para estudar redes cerebrais funcionais, pelo menos em aplicações de classificação²⁴.

Figura 1: Coerência da transformada wavelet (WTC). O WTC mostra a coerência e o ângulo de fase entre duas séries temporais em função do tempo (eixo x) e da frequência (eixo y). O aumento de coerência é representado pela cor vermelha no gráfico, e as pequenas setas no gráfico mostram o ângulo de fase das duas séries temporais. A seta apontando para a direita representa a sincronização em fase; as setas apontando para baixo e apontando para cima representam sincronização defasada; e a seta apontando para a esquerda representa a sincronização antifase³⁰. Essa figura foi adaptada de Pan et ^al.19. Clique aqui para ver uma versão maior desta figura.

Recentemente,^Hamilton25 articulou várias limitações para a interpretação de dados de coerência intercerebral em estudos de hipervarredura fNIRS. Uma das principais preocupações de Hamilton era que as medidas de coerência (por exemplo, WTC) só relatam efeitos como simétricos (ou seja, dois cérebros estão correlacionados, mostrando o mesmo padrão de mudança). No entanto, muitas interações sociais são assimétricas (por exemplo, fluxo de informações entre um falante e um ouvinte) em que dois participantes podem desempenhar papéis diferentes, e não está claro se o WTC pode capturar essas informações. Aqui, essa preocupação é abordada por uma nova estrutura que permite uma interpretação direta da potência de wavelets cruzados usando a fase de wavelets cruzados para detectar direcionalidade. Essa estrutura também permitirá examinar como a dinâmica das interações se desenvolve e muda ao longo de uma tarefa.

Enquanto o WTC e os métodos de correlação avaliam a conectividade funcional, outros métodos avaliam a conectividade efetiva, tentando extrair as influências causais de um elemento neural sobre outro. A entropia de transferência é uma medida do campo da teoria da informação que descreve a transferência entre processos conjuntamente dependentes²⁶. Outro método relacionado é a análise de causalidade de Granger (ACG), que tem sido descrita como equivalente à entropia de transferência²⁶.

Na literatura existente de estudos de hipervarredura fNIRS, a análise de causalidade de Granger (GCA) tem sido amplamente utilizada para estimar a direcionalidade de acoplamento entre dados de séries temporais fNIRS obtidos durante uma variedade de tarefas diferentes, como cooperação⁵, ensino¹⁹ e imitação¹⁶. A ACG emprega modelos vetoriais autorregressivos para avaliar a direcionalidade do acoplamento entre séries temporais em dados cerebrais. A causalidade de Granger é baseada na predição e precedência: “uma variável X é dita como ‘G-causa’ variável Y se o passado de X contém a informação que ajuda a prever o futuro de Y além da informação já existente no passado de Y“²⁷. Nesse sentido, a causalidade G é analisada em duas direções: 1) do sujeito A para o sujeito B e 2) do sujeito B para o sujeito A.

Embora a análise GCA sirva como uma análise complementar destinada a determinar se um alto valor de coerência obtido usando uma função WTC reflete IBS ou sincronização defasada (um sinal liderando o outro), ela não permite determinar se a sincronização anti-fase ocorreu. Em estudos tradicionais de neuroimagem, nos quais apenas um participante é escaneado (ou seja, a abordagem de “cérebro único”), um padrão antifásico significa que a atividade em uma região do cérebro é aumentada enquanto a atividade na outra região do cérebro é diminuída²⁸. Na literatura de hipervarredura, a presença de sincronização antifásica pode sugerir que a ativação neural está aumentada em um indivíduo e, ao mesmo tempo, a ativação neural está diminuída para o outro indivíduo. Portanto, há necessidade de fornecer um modelo abrangente que possa detectar a direcionalidade. Mais especificamente, esse modelo será capaz de detectar sincronização antifase (na qual a direção da atividade em um indivíduo é oposta à de seu parceiro), além de sincronização em fase e sincronização defasada.

Na tentativa de abordar a preocupação de que o WTC mostra apenas efeitos simétricos, onde ambos os cérebros mostram o mesmo padrão de mudança²⁵, uma nova abordagem para identificar o tipo de interação examinando a fase de sincronização (ou seja, em fase, atrasada ou antifase) é apresentada (ver Figura 2). Para tanto, foi desenvolvida uma caixa de ferramentas utilizando o método WTC para classificar os diferentes tipos de interações. Os tipos de interações são classificados usando dados de fase relativa da análise de transformada wavelet cruzada.

Figura 2: Ilustração das diferentes relações de fase das ondas senoidais simples. (A) Quando os dois sinais, Sinal 1 (linha azul s) e Sinal 2 (linha laranjas), atingem seus respectivos valores máximo, mínimo e zero no mesmo ponto de tempo, diz-se que eles estão mostrando sincronização em fase³². (B) Quando um sinal atinge seu valor máximo e o outro sinal atinge valor zero no mesmo ponto de tempo, diz-se que eles estão apresentando sincronização defasada (um está liderando em 90°)^32,33,34. (C) Quando duas séries temporais se deslocam em direções opostas, ou seja, um sinal atinge o máximo e o outro atinge o valor mínimo no mesmo ponto de tempo, isso é chamado de sincronização antifásica²⁸. (D-P) Em todas as outras relações de fase entre duas séries temporais, um sinal está liderando o outro. Em todas as fases positivas, o Sinal 2 está liderando o Sinal 1 (por exemplo, painéis E, F, M e N), enquanto em todas as fases negativas, o Sinal 1 está liderando o Sinal 2 (por exemplo, painéis D, G, H, O e P). Notavelmente, quando o valor absoluto da fase é maior, torna-se mais distintivo qual série temporal está liderando a outra (por exemplo, a liderança é mais distintiva no painel J do que no painel I, e no painel K, a liderança é mais distintiva do que no painel L). Clique aqui para ver uma versão maior desta figura.