JoVE Journal > Neuroscience
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Acknowledgements
Materials
References
Deutsch

Automatically Generated
Please note that all translations are automatically generated. Click here for the English version.
Neuroscience

So berechnen und validieren Sie die Synchronisation zwischen Gehirnen in einer fNIRS-Hyperscanning-Studie

Published: September 08, 2021
doi:
10.3791/62801
, , , , , ,
1Institute of Brain and Education Innovation, School of Psychology and Cognitive Science,East China Normal University, 2Department of Musicology,Harbin Conservatory of Music, 3Department of Clinical Neuroscience,Karolinska Institutet, 4School of Psychology,Shenzhen University

Summary

Die Dynamik zwischen gekoppelten Gehirnen von Individuen wurde zunehmend durch Inter-Brain-Synchronisation (IBS) dargestellt, wenn sie miteinander koordiniert werden, meist unter Verwendung von simultanen Aufzeichnungssignalen von Gehirnen (nämlich Hyperscanning) mit fNIRS. In fNIRS-Hyperscanning-Studien wurde IBS aufgrund seines Vorteils bei der Erweiterung von Zeitreihen in einen Zeit-Frequenz-Raum, in dem Oszillationen auf sehr intuitive Weise beobachtet werden können, üblicherweise durch die Wavelet-Transformationskohärenz-Methode (WTC) bewertet. Das beobachtete IBS kann über die permutationsbasierte zufällige Paarung von Studie, Partner und Bedingung weiter validiert werden. Hier wird ein Protokoll vorgestellt, um zu beschreiben, wie Gehirnsignale über die fNIRS-Technologie erhalten, IBS durch die WTC-Methode berechnet und IBS durch Permutation in einer Hyperscanning-Studie validiert werden können. Darüber hinaus diskutieren wir die kritischen Probleme bei der Verwendung der oben genannten Methoden, einschließlich der Auswahl von fNIRS-Signalen, Methoden der Datenvorverarbeitung und optionalen Parametern von Berechnungen. Zusammenfassend lässt sich sagen, dass die Verwendung der WTC-Methode und der Permutation eine potenzielle Standardpipeline für die Analyse von IBS in fNIRS-Hyperscanning-Studien ist, die sowohl zur Reproduzierbarkeit als auch zur Zuverlässigkeit von IBS beiträgt.

Abstract

Die Dynamik zwischen gekoppelten Gehirnen von Individuen wurde zunehmend durch Inter-Brain-Synchronisation (IBS) dargestellt, wenn sie miteinander koordiniert werden, meist unter Verwendung von simultanen Aufzeichnungssignalen von Gehirnen (nämlich Hyperscanning) mit fNIRS. In fNIRS-Hyperscanning-Studien wurde IBS aufgrund seines Vorteils bei der Erweiterung von Zeitreihen in einen Zeit-Frequenz-Raum, in dem Oszillationen auf sehr intuitive Weise beobachtet werden können, üblicherweise durch die Wavelet-Transformationskohärenz-Methode (WTC) bewertet. Das beobachtete IBS kann über die permutationsbasierte zufällige Paarung von Studie, Partner und Bedingung weiter validiert werden. Hier wird ein Protokoll vorgestellt, um zu beschreiben, wie Gehirnsignale über die fNIRS-Technologie erhalten, IBS durch die WTC-Methode berechnet und IBS durch Permutation in einer Hyperscanning-Studie validiert werden können. Darüber hinaus diskutieren wir die kritischen Probleme bei der Verwendung der oben genannten Methoden, einschließlich der Auswahl von fNIRS-Signalen, Methoden der Datenvorverarbeitung und optionalen Parametern von Berechnungen. Zusammenfassend lässt sich sagen, dass die Verwendung der WTC-Methode und der Permutation eine potenzielle Standardpipeline für die Analyse von IBS in fNIRS-Hyperscanning-Studien ist, die sowohl zur Reproduzierbarkeit als auch zur Zuverlässigkeit von IBS beiträgt.

Introduction

Wenn Menschen sich mit anderen koordinieren, werden ihre Gehirne und Körper durch kontinuierliche gegenseitige Anpassung zu einer gekoppelten Einheit. Die Kopplung zwischen Gehirnen kann durch Inter-Brain-Synchronisation (IBS) durch den Hyperscanning-Ansatz dargestellt werden, der gleichzeitig die Gehirnsignale von zwei oder mehr Individuen aufzeichnet1. In der Tat hat eine wachsende Zahl von fNIRS / EEG-Hyperscanning-Studien IBS in verschiedenen Kollaborationskontexten gefunden, einschließlich Fingerklopfen2,Gruppengehen3,Schlagzeug spielen4,Gitarre spielen5und Singen / Summen6. fNIRS wird häufig für die Erforschung von IBS während der sozialen Interaktion verwendet, da es die Kopf- / Körperbewegungen in relativ natürlichen Umgebungen (im Vergleich zu fMRT / EEG) weniger einschränkt7.

Der Artikel stellt ein Protokoll zur Berechnung von IBS mittels Wavelet-Transformationskohärenz (WTC) -Methode in einer fNIRS-Hyperscanning-Studie vor. WTC ist eine Methode zur Beurteilung der Kreuzkorrelation zwischen zwei Bewegungssignalen auf der Zeit-Frequenz-Ebene und kann daher mehr Informationen liefern als die traditionelle Korrelationsanalyse (z. B. Pearson-Korrelation und Kreuzkorrelation), die nur im Zeitbereich8 liegt. Darüber hinaus werden hämodynamische Signale in Wavelet-Komponenten umgewandelt, die das niederfrequente Rauschen effektiv entfernen können. Obwohl WTC zeitaufwendig ist, war es die am häufigsten verwendete Methode zur Berechnung von IBS in Aktion Nachahmung9, kooperatives Verhalten10, verbale Kommunikation11, Entscheidungsfindung12und interaktives Lernen13.

Der Artikel stellt auch vor, wie IBS mit der permutationsbasierten zufälligen Analyse von Studien, Bedingungen und Teilnehmern validiert werden kann. Das IBS in Hyperscanning-Studien wird immer vorgeschlagen, um die soziale Online-Interaktion zwischen Individuen zu verfolgen, während es auch durch andere Erklärungen interpretiert werden kann, wie die Reizähnlichkeit, Bewegungsähnlichkeit oder Zustandsähnlichkeit14. Der Permutationstest, auch Randomisierungstest genannt, kann genutzt werden, um die oben genannten Nullhypothesen durch Neuabtastung der beobachteten Daten zu testen15. Durch die Verwendung der Permutation ist es nützlich zu untersuchen, ob das identifizierte IBS spezifisch für interaktives Verhalten ist, das von der Modulation von IBS innerhalb von Dyaden bis hin zu Partnergruppenreicht 16.

Das hier beschriebene Protokoll beschreibt, wie Gehirnsignale über die fNIRS-Technologie erhalten, IBS durch die WTC-Methode berechnet und IBS durch Permutationstests in einer Hyperscanning-Studie validiert werden. Diese Studie zielt darauf ab, zu untersuchen, ob privilegierte IBS durch Musikmeter während der sozialen Koordination hervorgerufen wird. Die Gehirnsignale wurden im frontalen Kortex aufgezeichnet, basierend auf der Lage des IBS in einem früheren Befund1. Die experimentelle Aufgabe wurde ursprünglich von Konvalinka und ihren Colleges17entwickelt, bei der die Teilnehmer gebeten wurden, ihre Finger mit dem auditiven Feedback des Partners oder sich selbst zu klopfen, nachdem sie die Meter- oder Nicht-Meter-Reize gehört hatten.

Protocol

Das hier vorgestellte Protokoll wurde vom University Committee on Human Research Protection der East China Normal University genehmigt. 1. Vorbereitung auf das Experiment Teilnehmer Rekrutieren Sie eine Gruppe von Studenten und Doktoranden mit finanzieller Entschädigung durch die Campus-Werbung. Stellen Sie sicher, dass die Teilnehmer Rechtshänder sind und normales oder auf normales Sehen und Hören korrigiert haben. Stellen Sie sicher, dass sie musik nicht oder …

Representative Results

Die Ergebnisse zeigten, dass es IBS auf Kanal 5 in der Zählerkoordinationsbedingung gab, während unter anderen Bedingungen (d. h. Zählerunabhängigkeit, Nicht-Zählerkoordination, Nicht-Zählerunabhängigkeit; Abbildung 2A). Bei Kanal 5 war das IBS in der Zählerkoordinationsbedingung signifikant höher als die Kohärenzwerte in der Nicht-Meterkoordinations- und Zählerunabhängigkeitsbedingung (Abbildung 2B). Kanal 5 gehörte ungefähr zum linken dorsolatera…

Discussion

Dieses Protokoll bietet ein Schritt-für-Schritt-Verfahren zur Berechnung und Validierung von IBS mit dem fNIRS-Hyperscanning-Ansatz, um gleichzeitig die Gehirnsignale von zwei Teilnehmern zu sammeln. Einige kritische Probleme im Zusammenhang mit der fNIRS-Datenvorverarbeitung, der IBS-Berechnung, der Statistik und der IBS-Validierung werden im Folgenden erläutert.

Datenvorverarbeitung
Es ist notwendig, fNIRS-Daten in Hyperscanning-Studien vorzuverarbeiten, um reale Signal…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Diese Forschung wurde unterstützt von: National Natural Science Foundation of China (31872783, 31800951).

Materials

Computer Hewlett-Packard Development Company, L.P. HP S01-pF157mcn
Earphone Royal Philips Electronics, Eindhoven, The Netherlands SHE2405BK/00
EEG cap Compumedics Neuroscan, Charlotte, USA 64-channel Quik-Cap
E-Prime software Psychology Software Tools, Inc., Pittsburgh, USA E-Prime 3
fNIRS system Hitachi Medical Corporation, Tokyo, Japan ETG-7100 Optical Topography System
MATLAB 2014b The MathWorks, Inc., Natick, MA MATLAB 2014b
MuseScore Musescore Company, Belgium MuseScore 3.6.2.548021803
Swimming cap Decathlon Group, Villeneuve-d'Ascq, France 1681552
DOWNLOAD MATERIALS LIST

References

  1. Kingsbury, L., Hong, W. A Multi-Brain Framework for Social Interaction. Trends in Neurosciences. 43 (9), 651-666 (2020).
  2. Konvalinka, I., Bauer, M., Stahlhut, C., Hansen, L. K., Roepstorff, A., Frith, C. D. Frontal alpha oscillations distinguish leaders from followers: multivariate decoding of mutually interacting brains. NeuroImage. 94, 79-88 (2014).
  3. Ikeda, S., et al. Steady Beat Sound Facilitates both Coordinated Group Walking and Inter-Subject Neural Synchrony. Frontiers in Human Neuroscience. 11, 147 (2017).
  4. Duan, L., et al. Cluster imaging of multi-brain networks (CIMBN): a general framework for hyperscanning and modeling a group of interacting brains. Frontiers in Neuroscience. 9, 267 (2015).
  5. Sanger, J., Muller, V., Lindenberger, U. Intra- and interbrain synchronization and network properties when playing guitar in duets. Frontiers in Human Neuroscience. 6, 312 (2012).
  6. Muller, V., Delius, J. A. M., Lindenberger, U. Hyper-frequency network topology changes during choral singing. Frontiers in Physiology. 10, 207 (2019).
  7. Egetemeir, J., Stenneken, P., Koehler, S., Fallgatter, A. J., Herrmann, M. J. Exploring the neural basis of real-life joint action: Measuring brain activation during joint table setting with functional near-infrared spectroscopy. Frontiers in Human Neuroscience. 5, 95 (2011).
  8. 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).
  9. Holper, L., Scholkmann, F., Wolf, M. Between-brain connectivity during imitation measured by fNIRS. NeuroImage. 63 (1), 212-222 (2012).
  10. 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).
  11. Jiang, J., Dai, B., Peng, D., Zhu, C., Liu, L., Lu, C. Neural synchronization during face-to-face communication. Journal of Neuroscience. 32 (45), 16064-16069 (2012).
  12. Tang, H., Mai, X., Wang, S., Zhu, C., Krueger, F., Liu, C. Interpersonal brain synchronization in the right temporo-parietal junction during face-to-face economic exchange. Social Cognitive and Affective Neuroscience. 11 (1), 23-32 (2016).
  13. 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).
  14. Konvalinka, I., Roepstorff, A. The two-brain approach: how can mutually interacting brains teach us something about social interaction. Frontiers in Human Neuroscience. 6, 215 (2012).
  15. Karlsson, A. Permutation, parametric, and bootstrap tests of hypotheses. Journal of the Royal Statistical Society Series a-Statistics in Society. 169, 171 (2006).
  16. Ayrolles, A., et al. HyPyP: a Hyperscanning python pipeline for inter-brain connectivity analysis. Social Cognitive and Affective Neuroscience. 16 (1-2), 72-83 (2021).
  17. Konvalinka, I., Vuust, P., Roepstorff, A., Frith, C. D. Follow you, follow me: continuous mutual prediction and adaptation in joint tapping. Quarterly Journal of Experimental Psychology. 63 (11), 2220-2230 (2010).
  18. Majolo, B., et al. Human friendship favours cooperation in the iterated prisoner’s dilemma. Behaviour. 143, 1383-1395 (2006).
  19. . Homer2 Available from: https://www.nitrc.org/projects/hitachi2nirs (2021)
  20. . Hitachi2nirs Available from: https://www.nitrc.org/projects/hitachi2nirs (2021)
  21. . xjview Available from: https://www.alivelearn.net/xjview/ (2021)
  22. . Groppe’s scripts in MathWork Available from: https://uk.mathworks.com/matlabcentral/profile/authors/1948879 (2021)
  23. Zhang, Y., Brooks, D. H., Franceschini, M. A., Boas, D. A. Eigenvector-based spatial filtering for reduction of physiological interference in diffuse optical imaging. Journal of Biomedical Optics. 10 (1), 011014 (2005).
  24. Cui, X., Bray, S., Reiss, A. L. Functional near infrared spectroscopy (NIRS) signal improvement based on negative correlation between oxygenated and deoxygenated hemoglobin dynamics. NeuroImage. 49 (4), 3039-3046 (2010).
  25. Lumley, T., Diehr, P., Emerson, S., Chen, L. The importance of the normality assumption in large public health data sets. Annual Review of Public Health. 23 (1), 151-169 (2002).
  26. Benjamini, Y., Yekutieli, D. The control of the false discovery rate in multiple testing under dependency. Annals of Statistics. 29 (4), 1165-1188 (2001).
  27. Miller, B. L., Cummings, J. L. . The human frontal lobes: Functions and disorders. , (2007).
  28. vanden Bos, W., van Dijk, E., Westenberg, M., Rombouts, S. A. R. B., Crone, E. A. What motivates repayment? Neural correlates of reciprocity in the Trust Game. Social Cognitive and Affective Neuroscience. 4 (3), 294-304 (2009).
  29. Corbetta, M., Shulman, G. L. Control of goal-directed and stimulus-driven attention in the brain. Nature Reviews Neuroscience. 3 (3), 201-215 (2002).
  30. Ferreri, L., Aucouturier, J. J., Muthalib, M., Bigand, E., Bugaiska, A. Music improves verbal memory encoding while decreasing prefrontal cortex activity: an fNIRS study. Frontiers in Human Neuroscience. 7, 779 (2013).
  31. 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).
  32. Hu, Y., Hu, Y., Li, X., Pan, Y., Cheng, X. Brain-to-brain synchronization across two persons predicts mutual prosociality. Social Cognitive and Affective Neuroscience. 12 (12), 1835-1844 (2017).
  33. Delgado Reyes, L. M., Bohache, K., Wijeakumar, S., Spencer, J. P. Evaluating motion processing algorithms for use with functional near-infrared spectroscopy data from young children. Neurophotonics. 5 (2), 025008 (2018).
  34. Zhang, Y., Brooks, D. H., Franceschini, M. A., Boas, D. A. Eigenvector-based spatial filtering for reduction of physiological interference in diffuse optical imaging. Journal of Biomedical Optics. 10 (1), 11014 (2005).
  35. Molavi, B., Dumont, G. A. Wavelet-based motion artifact removal for functional near-infrared spectroscopy. Physiological Measurement. 33 (2), 259-270 (2012).
  36. Scholkmann, F., Spichtig, S., Muehlemann, T., Wolf, M. How to detect and reduce movement artifacts in near-infrared imaging using moving standard deviation and spline interpolation. Physiological Measurement. 31 (5), 649 (2010).
  37. Izzetoglu, M., Chitrapu, P., Bunce, S., Onaral, B. Motion artifact cancellation in NIR spectroscopy using discrete Kalman filtering. Biomedical Engineering Online. 9 (1), (2010).
  38. Barker, J. W., Aarabi, A., Huppert, T. J. Autoregressive model based algorithm for correcting motion and serially correlated errors in fNIRS. Biomedical Optics Express. 4 (8), 1366-1379 (2013).
  39. Gagnon, L., et al. Short separation channel location impacts the performance of short channel regression in NIRS. NeuroImage. 59 (3), 2518 (2012).
  40. Di Lorenzo, R., et al. Brain responses to faces and facial expressions in 5-month-olds: An fNIRS study. Frontiers in Psychology. 10, 1240 (2019).
  41. Duan, L., et al. Wavelet-based method for removing global physiological noise in functional near-infrared spectroscopy. Biomed Opt Express. 9 (8), 3805-3820 (2018).
  42. Hamilton, A. Hype, hyperscanning and embodied social neuroscience. PsyArXiv. , (2020).
  43. 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).
  44. Ikeda, S., et al. Steady beat sound facilitates both coordinated group walking and inter-subject neural synchrony. Frontiers in Human Neuroscience. 11, 147 (2017).
  45. Osaka, N., et al. How two brains make one synchronized mind in the inferior frontal cortex: fNIRS-based hyperscanning during cooperative singing. Frontiers in Psychology. 6, 1811 (2015).
  46. Abrams, D. A., et al. Inter-subject synchronization of brain responses during natural music listening. European Journal of Neuroscience. 37 (9), 1458-1469 (2013).
  47. Hou, Y., Song, B., Hu, Y., Pan, Y., Hu, Y. The averaged inter-brain coherence between the audience and a violinist predicts the popularity of violin performance. NeuroImage. 211, 116655 (2020).
  48. Baker, J. M., et al. Sex differences in neural and behavioral signatures of cooperation revealed by fNIRS hyperscanning. Scientific Reports. 6, 26492 (2016).
  49. Kruppa, J. A., et al. Brain and motor synchrony in children and adolescents with ASD-a fNIRS hyperscanning study. Social Cognitive and Affective Neuroscience. 16 (1-2), 103-116 (2021).
  50. Liu, T., Duan, L., Dai, R., Pelowski, M., Zhu, C. Team-work, Team-brain: Exploring synchrony and team interdependence in a nine-person drumming task via multiparticipant hyperscanning and inter-brain network topology with fNIRS. NeuroImage. 237, 118147 (2021).
  51. Dai, B., et al. Neural mechanisms for selectively tuning in to the target speaker in a naturalistic noisy situation. Nature Communications. 9 (1), 2405 (2018).
  52. Li, R., Mayseless, N., Balters, S., Reiss, A. L. Dynamic inter-brain synchrony in real-life inter-personal cooperation: A functional near-infrared spectroscopy hyperscanning study. NeuroImage. 238, 118263 (2021).
  53. Boas, D. A., Dale, A. M., Franceschini, M. A. Diffuse optical imaging of brain activation: approaches to optimizing image sensitivity, resolution, and accuracy. NeuroImage. 23, 275-288 (2004).
  54. Ferrari, M., Quaresima, V. A brief review on the history of human functional near-infrared spectroscopy (fNIRS) development and fields of application. NeuroImage. 63 (2), 921-935 (2012).
  55. Mu, Y., Guo, C., Han, S. Oxytocin enhances inter-brain synchrony during social coordination in male adults. Social Cognitive and Affective Neuroscience. 11 (12), 1882-1893 (2016).
  56. Chen, J., et al. Shared memories reveal shared structure in neural activity across individuals. Nature Neuroscience. 20 (1), 115-125 (2017).
  57. Regev, M., et al. Propagation of Information Along the Cortical Hierarchy as a Function of Attention While Reading and Listening to Stories. Cerebral Cortex. 29 (10), 4017-4034 (2019).

Tags

FNIRS HyperscanningInter-brain SynchronizationWavelet Transform CoherenceNPCA FilterHMR Motion CorrectionCBSIPermutation T-testFalse Discovery Rate

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Cite This Article
Hu, Y., Wang, Z., Song, B., Pan, Y., Cheng, X., Zhu, Y., Hu, Y. How to Calculate and Validate Inter-brain Synchronization in a fNIRS Hyperscanning Study. J. Vis. Exp. (175), e62801, doi:10.3791/62801 (2021).
Download Citation
Reprints and Permissions

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image