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

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

Cómo calcular y validar la sincronización intercerebral en un estudio de hiperescaneo fNIRS

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

La dinámica entre los cerebros acoplados de los individuos ha sido representada cada vez más por la sincronización intercerebral (SII) cuando se coordinan entre sí, principalmente utilizando señales de registro simultáneo de cerebros (es decir, hiperescaneo) con fNIRS. En los estudios de hiperescaneo de fNIRS, el SII se ha evaluado comúnmente a través del método de coherencia de transformada de wavelet (WTC) debido a su ventaja en la expansión de series de tiempo en el espacio de frecuencia de tiempo donde las oscilaciones se pueden ver de una manera altamente intuitiva. El SII observado se puede validar aún más a través del emparejamiento aleatorio basado en permutación del ensayo, la pareja y la condición. Aquí, se presenta un protocolo para describir cómo obtener señales cerebrales a través de la tecnología fNIRS, calcular el SII a través del método WTC y validar el SII por permutación en un estudio de hiperescaneo. Además, discutimos los problemas críticos al usar los métodos anteriores, incluida la elección de señales fNIRS, métodos de preprocesamiento de datos y parámetros opcionales de cálculos. En resumen, el uso del método WTC y la permutación es una tubería potencialmente estándar para analizar el SII en estudios de hiperescaneo fNIRS, lo que contribuye tanto a la reproducibilidad como a la confiabilidad del SII.

Abstract

La dinámica entre los cerebros acoplados de los individuos ha sido representada cada vez más por la sincronización intercerebral (SII) cuando se coordinan entre sí, principalmente utilizando señales de registro simultáneo de cerebros (es decir, hiperescaneo) con fNIRS. En los estudios de hiperescaneo de fNIRS, el SII se ha evaluado comúnmente a través del método de coherencia de transformada de wavelet (WTC) debido a su ventaja en la expansión de series de tiempo en el espacio de frecuencia de tiempo donde las oscilaciones se pueden ver de una manera altamente intuitiva. El SII observado se puede validar aún más a través del emparejamiento aleatorio basado en permutación del ensayo, la pareja y la condición. Aquí, se presenta un protocolo para describir cómo obtener señales cerebrales a través de la tecnología fNIRS, calcular el SII a través del método WTC y validar el SII por permutación en un estudio de hiperescaneo. Además, discutimos los problemas críticos al usar los métodos anteriores, incluida la elección de señales fNIRS, métodos de preprocesamiento de datos y parámetros opcionales de cálculos. En resumen, el uso del método WTC y la permutación es una tubería potencialmente estándar para analizar el SII en estudios de hiperescaneo fNIRS, lo que contribuye tanto a la reproducibilidad como a la confiabilidad del SII.

Introduction

Cuando las personas se coordinan con los demás, sus cerebros y cuerpos se convierten en una unidad acoplada a través de la adaptación mutua continua. El acoplamiento entre cerebros puede ser representado por la sincronización intercerebral (SII) a través del enfoque de hiperescaneo, que registra simultáneamente las señales cerebrales de dos o más individuos1. De hecho, un creciente cuerpo de estudios de hiperescaneo fNIRS / EEG ha encontrado SII en varios contextos de colaboración, incluyendo tocar con los dedos2,caminar en grupo3,tocar la batería4,tocar la guitarra5y cantar / tararear6. fNIRS es ampliamente utilizado para la investigación del SII durante la interacción social, ya que restringe menos los movimientos de la cabeza / cuerpo en entornos relativamente naturales (en comparación con fMRI / EEG)7.

El artículo presenta un protocolo para calcular el SII a través del método de coherencia de la transformada de wavelet (WTC) en un estudio de hiperescaneo fNIRS. WTC es un método para evaluar la correlación cruzada entre dos señales de movimiento en el plano tiempo-frecuencia y, por lo tanto, puede proporcionar más información que el análisis de correlación tradicional (por ejemplo, correlación de Pearson y correlación cruzada), que es solo en el dominio del tiempo8. Además, las señales hemodinámicas se transforman en componentes de wavelet, que pueden eliminar eficazmente el ruido de baja frecuencia. Aunque wtC consume mucho tiempo, ha sido el método más utilizado para calcular el SII en la imitación de acción9,el comportamiento cooperativo10,la comunicación verbal11,la toma de decisiones12y el aprendizaje interactivo13.

El artículo también presenta cómo validar el SII con el análisis aleatorio basado en la permutación de ensayos, afecciones y participantes. El SII en estudios de hiperescaneo siempre se propone para rastrear la interacción social en línea entre individuos, mientras que también puede interpretarse por otras explicaciones, como la similitud de estímulo, similitud de movimiento o similitud de condición14. La prueba de permutación, también llamada prueba de aleatorización, se puede aprovechar para probar las hipótesis nulas mencionadas anteriormente mediante el remuestreo de los datos observados15. Mediante el uso de la permutación, es útil investigar si el SII identificado es específico del comportamiento interactivo, que va desde la modulación del SII dentro de las díadas hasta entre grupos de socios16.

El protocolo descrito aquí detalla cómo obtener señales cerebrales a través de la tecnología fNIRS, calcular el SII a través del método WTC y validar el SII mediante pruebas de permutación en un estudio de hiperescaneo. Este estudio tiene como objetivo examinar si el SII privilegiado es provocado por los medidores de música durante la coordinación social. Las señales cerebrales se registraron en la corteza frontal, basándose en la ubicación del SII en un hallazgo previo1. La tarea experimental fue desarrollada originalmente por Konvalinka y sus universidades17,en la que se pidió a los participantes que tocaran sus dedos con la retroalimentación auditiva de la pareja o de ellos mismos después de escuchar los estímulos del medidor o no medidor.

Protocol

El protocolo presentado aquí fue aprobado por el Comité Universitario de Protección de la Investigación Humana de la Universidad Normal del Este de China. 1. Preparación para el experimento Participantes Reclutar a un grupo de estudiantes de pregrado y posgrado con compensación monetaria por parte de la publicidad del campus. Asegúrese de que los participantes sean diestros y tengan una visión y audición normales o corregidas a normales. Asegúrese de que …

Representative Results

Los resultados mostraron que había SII en el canal 5 en la condición de coordinación del medidor, mientras que no existía SII en otras condiciones (es decir, independencia del medidor, coordinación sin medidor, independencia sin medidor; Figura 2A). En el canal 5, el SII en la condición de coordinación del medidor fue significativamente mayor que los valores de coherencia en la condición de coordinación no métrica e independencia del medidor(Figura 2B).</strong…

Discussion

Este protocolo proporciona un procedimiento paso a paso para calcular y validar el SII, utilizando el enfoque de hiperescaneo fNIRS para recopilar simultáneamente las señales cerebrales de dos participantes. A continuación se analizan algunas cuestiones críticas relacionadas con el preprocesamiento de datos de fNIRS, el cálculo de IBS, las estadísticas y la validación de IBS.

Preprocesamiento de datos
Es necesario preprocesar los datos fNIRS en estudios de hiperescan…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Esta investigación fue apoyada por: Fundación Nacional de Ciencias Naturales de 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