Summary

Medição do fluxo de informações direcionais em dados fNIRS-Hyperscanning usando o Método de Coerência de Transformação de Onda Parcial

Published: September 03, 2021
doi:

Summary

Este protocolo descreve a coerência parcial de transformação de ondas (pWTC) para calcular o padrão de sincronização neural interpessoal (INS) para inferir a direção e o padrão temporal do fluxo de informações durante a interação social. A eficácia do pWTC na remoção dos confusos da autocorrelação de sinal no INS foi comprovada por dois experimentos.

Abstract

A interação social é de vital importância para os seres humanos. Embora a abordagem hiperscaning tenha sido amplamente usada para estudar a sincronização neural interpessoal (INS) durante as interações sociais, a espectroscopia funcional quase infravermelha (fNIRS) é uma das técnicas mais populares para hiperscanar interações sociais naturalistas devido à sua resolução espacial relativamente alta, localização sonora anatômica e excepcionalmente alta tolerância de artefatos de movimento. Estudos anteriores de hiperscaning baseados em fNIRS geralmente calculam um INS com atraso no tempo usando coerência de transformação de onda (WTC) para descrever a direção e o padrão temporal do fluxo de informações entre indivíduos. No entanto, os resultados deste método podem ser confundidos pelo efeito de autocorrelação do sinal fNIRS de cada indivíduo. Para lidar com esse problema, foi introduzido um método chamado de coerência de transformação de onda parcial (pWTC), que visava remover o efeito de autocorrelação e manter a alta resolução do espectro temporal do sinal fNIRS. Neste estudo, foi realizado primeiro um experimento de simulação para mostrar a eficácia do pWTC na remoção do impacto da autocorrelação no INS. Em seguida, foi oferecida orientação passo a passo sobre o funcionamento do pWTC com base no conjunto de dados fNIRS de um experimento de interação social. Além disso, foi traçada uma comparação entre o método pWTC e o método WTC tradicional e entre o método pWTC e o método de causalidade granger (GC). Os resultados mostraram que o pWTC poderia ser usado para determinar a diferença do INS entre diferentes condições experimentais e o padrão direcional e temporal do INS entre os indivíduos durante interações sociais naturalistas. Além disso, fornece melhor resolução temporal e de frequência do que o WTC tradicional e melhor flexibilidade do que o método GC. Assim, o PWTC é um forte candidato para inferir a direção e o padrão temporal do fluxo de informações entre indivíduos durante interações sociais naturalistas.

Introduction

A interação social é de vital importância para o ser humano 1,2. Para compreender o mecanismo neurocognitivo dual-cérebro da interação social, a abordagem hiperscaning tem sido amplamente utilizada recentemente, mostrando que os padrões de sincronização neural interpessoal (INS) podem caracterizar bem o processo de interação social 3,4,5,6,7,8,9,10,11,12 13,14. Entre estudos recentes, um achado interessante é que a diferença de papel dos indivíduos em um diálido pode levar a um padrão de insímica, ou seja, o INS ocorre quando a atividade cerebral de um indivíduo fica atrás da de outro indivíduo por segundos, como a dos ouvintes aos palestrantes 5,9, de líderes a seguidores4, de professores a alunos8, de mães a criançasde 13,15 anos, e de mulheres a homens em um par romântico6. Mais importante, há uma boa correspondência entre o intervalo do INS com atraso de tempo e o dos comportamentos de interação social, como entre professores questionando e alunos respondendo8 ou entre comportamentos parentais de mães e comportamentos de compliance de criançasde 15 anos. Assim, o INS atrasado pode refletir um fluxo de informações direcionais de um indivíduo para outro, como proposto em um modelo hierárquico recente para a comunicação verbal interpessoal16.

Anteriormente, o INS defasado de tempo era calculado principalmente no sinal funcional de espectroscopia quase infravermelha (fNIRS) devido à sua resolução espacial relativamente alta, localização anatômica sólida e tolerância excepcionalmente alta dos artefatosde movimento 17 ao estudar interações sociais naturalistas. Além disso, para caracterizar precisamente a correspondência entre o atraso de tempo neural e o atraso de tempo comportamental durante a interação social, é essencial obter a força do INS para cada defasagem de tempo (por exemplo, de nenhuma defasagem de tempo a um intervalo de tempo de 10 s). Para isso, anteriormente, o procedimento de coerência de transformação de ondas (WTC) foi extensivamente aplicado após a mudança do sinal cerebral de um indivíduo para frente ou para trás em relação ao de outro indivíduo 5,6,18. Ao usar este procedimento WTC tradicional para sinais fNIRS, há um desafio potencial porque o INS observado pode ser confundido pelo efeito de autocorrelação do sinal fNIRS para um indivíduode 19,20,21. Por exemplo, durante um processo de interação social dídico, o sinal do participante A no momento pode ser sincronizado com o do participante B ao mesmo tempo. Enquanto isso, o sinal do participante A no momento t pode ser sincronizado com o do participante A em um ponto de tempo posterior t+1 por causa do efeito de autocorrelação. Portanto, pode ocorrer um INS espúrio de tempo defasado entre o sinal do participante A no ponto t de tempo e o do participante B no ponto t+1.

Mihanović e seus colegas22 primeiro introduziram um método chamado de coerência parcial de wavelet transform (pWTC), e depois a aplicaram na ciência marinha23,24. O objetivo original deste método era controlar o ruído de confusão exógeno ao estimar a coerência de dois sinais. Aqui, para abordar o problema de correção automática nos dados de hiperexpesagem fNIRS, o método pWTC foi estendido para calcular o INS com atraso no sinal fNIRS. Precisamente, um INS atrasado (e um fluxo de informações direcionais) do participante A para o participante B pode ser calculado usando a equação abaixo (Equação 1)23.

Equation 1

Aqui, supõe-se que existem dois sinais, A e B, dos participantes A e B, respectivamente. A ocorrência do sinal B sempre precede a do sinal A com um intervalo de tempo de n, onde wtc (At, Bt+n) é o WTC tradicional defasado pelo tempo. WTC (At, At+n) é o WTC autocorrelado no participante A. WTC (At, Bt) é o WTC alinhado ao tempo no ponto t de tempo entre o participante A e B. * é o operador conjugado complexo (Figura 1A).

Figure 1
Figura 1: Visão geral do pWTC. (A) A lógica do pWTC. Há dois sinais A e B, dentro de um díade. A ocorrência de A sempre segue a de B com um lag n. Uma caixa cinza é uma janela de onda em um determinado ponto de tempo t ou t+n. Com base na equação pWTC (representada na figura), três WTCs precisam ser calculados: o WTC defasado de tempo de At+n e Bt; o WTC autocorrelado no participante A de At e At+n; e o WTC alinhado ao tempo no ponto de tempo t, At e Bt. (B) O layout dos conjuntos de sonda optode. CH11 foi colocado em T3, e CH25 foi colocado no T4 seguindo o sistema internacional 10-2027,28. Clique aqui para ver uma versão maior desta figura.

Este protocolo introduziu pela primeira vez um experimento de simulação para demonstrar o quão bem o pWTC resolve o desafio de autocorrelação. Em seguida, explicou como conduzir o pWTC de forma passo a passo baseada em um experimento empírico de interações sociais naturalistas. Aqui, foi utilizado um contexto de comunicação para introduzir o método. Isso porque, anteriormente, o INS com atraso de tempo era geralmente calculado em um contexto de comunicação naturalista 3,4,6,8,13,15,18. Além disso, também foi realizada uma comparação entre o pWTC e o WTC tradicional e validação com o teste de causalidade granger (GC).

Protocol

O protocolo de experimento humano foi aprovado pelo Conselho de Revisão Institucional e pelo Comitê de Ética do Laboratório Estadual de Neurociência Cognitiva e Aprendizagem da Universidade Normal de Pequim. Todos os participantes deram consentimento por escrito informado antes do início do experimento. 1. O experimento de simulação Gerar duas séries de sinais que se correlacionam entre si, com um sinal tendo correção automática em um intervalo de tempo de 4 s. Defina o c…

Representative Results

Resultados da simulaçãoOs resultados mostraram que oWTC ins com correção automática foi significativamente maior do que oWTC ins atrasado sem correção automática (t(1998) = 4,696, p < 0,001) e inspWTC (t(1998) = 5.098, p < 0,001). Além disso, não houve diferença significativa entre o INSWTC sem correção automática eo INS pWTC (t(1998) = 1,573, p = 0,114, Figura 2A</st…

Discussion

Em estudos de hiperexação, geralmente é essencial descrever os padrões direcionais e temporais do fluxo de informações entre os indivíduos. A maioria dos estudos anteriores de hiperscanagem fNIRS tem usado o WTC25 tradicional para inferir essas características calculando o INS com atraso de tempo. No entanto, como uma das características intrínsecas do sinal fNIRS20,21, o efeito de autocorrelação pode confundir o INS defasado p…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Este trabalho foi apoiado pela Fundação Nacional de Ciências Naturais da China (61977008) e pelo Programa Jovens Talentos de Dez Mil Talentos.

Materials

fNIRS topography system Shimadzu Corporation Shimadzu LABNIRS systen LABNIRS system contains 40 emitters and 40 detectors for fNIRS signals measurement. In this protocol we used these emitters and detectors created two customized 26-channels probe sets and attached to two caps accroding to 10-20 system. Further, LABNIRS system also contains built-in GUI softwares for data quality check, data convert and data export.
MATLAB The MathWorks, Inc. MATLAB 2019a In this protocol, several toolboxs and functions bulit in MATLAB were used:
SPM12 toolbox was used to normalize the valided MRI data through its GUI.
NIRS_SPM toolbox was used to project the MNI coordinates of the probes to the AAL template through its GUI.
Homer3 toolbox was used to remove motion artifacts through its function hmrMotionCorrectWavelet with default parameters.
Wavelet toolbox was used to compute WTC and pWTC through its function wcoherence.
MRI scanner Siemens Healthineers TRIO 3-Tesla scanner In this protocol, the MRI scanner was used to obtain MNI coordinates of each channel and optpde. Scan parameters are described in main text.
customized caps In this protocol, we first marked two nylon caps with 10-20 system. Then, we made two 26-channels customized optode probes sets. Finally, we attached probes sets to caps aligned with landmarks.

References

  1. 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).
  2. Hasson, U., Frith, C. D. Mirroring and beyond: Coupled dynamics as a generalized framework for modelling social interactions. Philosophical Transactions of the Royal Society B: Biological Sciences. 371, 20150366 (2016).
  3. Jiang, J., et al. Neural synchronization during face-to-face communication. Journal of Neuroscience. 32 (45), 16064-16069 (2012).
  4. Jiang, J., et al. Leader emergence through interpersonal neural synchronization. Proceedings of the National Academy of Sciences of the United States of America. 112 (14), 4274-4279 (2015).
  5. Dai, B., et al. Neural mechanisms for selectively tuning in to the target speaker in a naturalistic noisy situation. Nature Communications. 9 (1), 1-12 (2018).
  6. Long, Y., et al. Interpersonal neural synchronization during interpersonal touch underlies affiliative pair bonding between romantic couples. Cerebral Cortex. 31 (3), 1647-1659 (2021).
  7. Liu, W., et al. Shared neural representations of syntax during online dyadic communication. NeuroImage. 198, 63-72 (2019).
  8. Zheng, L., et al. Enhancement of teaching outcome through neural prediction of the students’ knowledge state. Human Brain Mapping. 39 (7), 3046-3057 (2018).
  9. Stephens, G. J., Silbert, L. J., Hasson, U. Speaker-listener neural coupling underlies successful communication. Proceedings of the National Academy of Sciences of the United States of America. 107 (32), 14425-14430 (2010).
  10. Hirsch, J., et al. Interpersonal agreement and disagreement during face-to-face dialogue: An fNIRS investigation. Frontiers in Human Neuroscience. 14, 606397 (2021).
  11. Pan, Y., Cheng, X., Zhang, Z., Li, X., Hu, Y. Cooperation in lovers: An fNIRS-based hyperscanning study. Human Brain Mapping. 38 (2), 831-841 (2017).
  12. 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).
  13. Piazza, E. A., Hasenfratz, L., Hasson, U., Lew-Williams, C. Infant and Adult Brains Are Coupled to the Dynamics of Natural Communication. Psychological Science. 31 (1), 6-17 (2020).
  14. Djalovski, A., Dumas, G., Kinreich, S., Feldman, R. Human attachments shape interbrain synchrony toward efficient performance of social goals. NeuroImage. 226, 117600 (2021).
  15. Zhao, H., et al. How mother-child interactions are associated with a child’s compliance. Cerebral Cortex. 31 (9), 4398-4410 (2021).
  16. Jiang, J., Zheng, L., Lu, C. A hierarchical model for interpersonal verbal communication. Social Cognitive and Affective Neuroscience. 16 (1-2), 246-255 (2021).
  17. Yan, W., et al. Bibliometric evaluation of 2000-2019 publications on functional near-infrared spectroscopy. NeuroImage. 220, 117121 (2020).
  18. Zheng, L., et al. Affiliative bonding between teachers and students through interpersonal synchronisation in brain activity. Social Cognitive and Affective Neuroscience. 15 (1), 97-109 (2020).
  19. Dean, R. T., Dunsmuir, W. T. M. Dangers and uses of cross-correlation in analyzing time series in perception, performance, movement, and neuroscience: The importance of constructing transfer function autoregressive models. Behavior Research Methods. 48 (2), 783-802 (2016).
  20. Barker, J. W., Rosso, A. L., Sparto, P. J., Huppert, T. J. Correction of motion artifacts and serial correlations for real-time functional near-infrared spectroscopy. Neurophotonics. 3 (3), 031410 (2016).
  21. Huppert, T. J. Commentary on the statistical properties of noise and its implication on general linear models in functional near-infrared spectroscopy. Neurophotonics. 3 (1), 010401 (2016).
  22. Mihanović, H., Orlić, M., Pasarić, Z. Diurnal thermocline oscillations driven by tidal flow around an island in the Middle Adriatic. Journal of Marine Systems. 78, 157-168 (2009).
  23. Ng, E. K. W., Chan, J. C. L. Geophysical applications of partial wavelet coherence and multiple wavelet coherence. Journal of Atmospheric and Oceanic Technology. 29 (12), 1845-1853 (2012).
  24. Ng, E. K. W., Chan, J. C. L. Interannual variations of tropical cyclone activity over the north Indian Ocean. International Journal of Climatology. 32 (6), 819-830 (2012).
  25. 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, 561-566 (2004).
  26. Jurcak, V., Tsuzuki, D., Dan, I. 10/20, 10/10, and 10/5 systems revisited: Their validity as relative head-surface-based positioning systems. NeuroImage. 34 (4), 1600-1611 (2007).
  27. Homan, R. W., Herman, J., Purdy, P. Cerebral location of international 10-20 system electrode placement. Electroencephalography and Clinical Neurophysiology. 66 (4), 376-382 (1987).
  28. Koessler, L., et al. Automated cortical projection of EEG sensors: Anatomical correlation via the international 10-10 system. NeuroImage. 46 (1), 64-72 (2009).
  29. Penny, W., Friston, K., Ashburner, J., Kiebel, S., Nichols, T. . Statistical Parametric Mapping: The Analysis of Functional Brain Images. , (2007).
  30. Shalinsky, M. H., Kovelman, I., Berens, M. S., Petitto, L. A. Exploring cognitive functions in babies, children & adults with near infrared spectroscopy. Journal of Visualized Experiments: JoVE. (29), e1268 (2009).
  31. Xu, S. Y., Cheong, L. I., Zhuang, Y., Couto, T. A. P., Yuan, Z. Conducting concurrent electroencephalography and functional near-infrared spectroscopy recordings with a flanker task. Journal of Visualized Experiments: JoVE. (159), e6069 (2020).
  32. Noah, J. A., et al. fMRI validation of fNIRS measurements during a naturalistic task. Journal of Visualized Experiments: JoVE. (100), e52116 (2015).
  33. Tong, Y., Lindsey, K. P., Frederick, B. D. Partitioning of physiological noise signals in the brain with concurrent near-infrared spectroscopy and fMRI. Journal of Cerebral Blood Flow and Metabolism. 31 (12), 2352-2362 (2011).
  34. Buck, R., Miller, R. E., Caul, W. F. Sex, personality, and physiological variables in the communication of affect via facial expression. Journal of Personality and Social Psychology. 30 (4), 587-596 (1974).
  35. Walen, H. R., Lachman, M. E. Social support and strain from partner, family, and friends: Costs and benefits for men and women in adulthood. Journal of Social and Personal Relationships. 17 (1), 5-30 (2000).
  36. Chang, C., Glover, G. H. Time-frequency dynamics of resting-state brain connectivity measured with fMRI. NeuroImage. 50 (1), 81-98 (2010).
  37. Liu, H., et al. Inferring subsurface preferential flow features from a wavelet analysis of hydrological signals in the shale hills catchment. Water Resources Research. 56 (11), 0 (2020).
  38. Rhif, M., Abbes, A. B., Farah, I. R., Martínez, B., Sang, Y. Wavelet transform application for/in non-stationary time-series analysis: A review. Applied Sciences. 9 (7), 1345 (2019).
  39. Molavi, B., Dumont, G. A. Wavelet-based motion artifact removal for functional near-infrared spectroscopy. Physiological Measurement. 33 (2), 259-270 (2012).
  40. 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), 649-662 (2010).
  41. 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).
  42. 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).
  43. Cooper, R. J., et al. A systematic comparison of motion artifact correction techniques for functional near-infrared spectroscopy. Frontiers in Neuroscience. , 147 (2012).
  44. Brigadoi, S., et al. Motion artifacts in functional near-infrared spectroscopy: A comparison of motion correction techniques applied to real cognitive data. NeuroImage. 85, 181-191 (2014).
  45. Liu, Y., et al. Measuring speaker-listener neural coupling with functional near infrared spectroscopy. Scientific Reports. 7, 1-13 (2017).
  46. Li, Z., et al. Speaker-listener neural coupling reveals an adaptive mechanism for speech comprehension in a noisy environment. Cerebral Cortex. , (2021).

Play Video

Cite This Article
Zhou, S., Long, Y., Lu, C. Measurement of the Directional Information Flow in fNIRS-Hyperscanning Data using the Partial Wavelet Transform Coherence Method. J. Vis. Exp. (175), e62927, doi:10.3791/62927 (2021).

View Video