Summary

fNIRS-Hipertarama Verilerindeki Yönlü Bilgi Akışının Kısmi Dalgacık Dönüşümü Tutarlılık Yöntemi Kullanılarak Ölçülmesi

Published: September 03, 2021
doi:

Summary

Bu protokol, sosyal etkileşim sırasında bilgi akışının yönünü ve zamansal modelini çıkarmak için kişilerarası nöral senkronizasyonun (INS) zaman gecikmeli modelini hesaplamak için kısmi dalgacık dönüşüm tutarlılığını (pWTC) açıklar. pWTC’nin INS üzerindeki sinyal otokorelasyonunun karışıklıklarını gidermedeki etkinliği iki deneyle kanıtlanmıştır.

Abstract

Sosyal etkileşim insanlar için hayati öneme sahiptir. Hipertarama yaklaşımı, sosyal etkileşimler sırasında kişilerarası nöral senkronizasyonu (INS) incelemek için yaygın olarak kullanılırken, fonksiyonel yakın kızılötesi spektroskopi (fNIRS), nispeten yüksek uzamsal çözünürlüğü, ses anatomik lokalizasyonu ve hareket artefaktlarının olağanüstü yüksek toleransı nedeniyle natüralist sosyal etkileşimleri hipertarama için en popüler tekniklerden biridir. Önceki fNIRS tabanlı hipertarama çalışmaları genellikle bireyler arasındaki bilgi akışının yönünü ve zamansal modelini tanımlamak için dalgacık dönüşüm tutarlılığını (WTC) kullanarak zaman gecikmeli bir INS hesaplar. Bununla birlikte, bu yöntemin sonuçları, her bireyin fNIRS sinyalinin otokorelasyon etkisi ile karıştırılabilir. Bu sorunu ele almak için, otokorelasyon etkisini ortadan kaldırmayı ve fNIRS sinyalinin yüksek zamansal spektrum çözünürlüğünü korumayı amaçlayan kısmi dalgacık dönüşüm tutarlılığı (pWTC) adı verilen bir yöntem tanıtıldı. Bu çalışmada, öncelikle pWTC’nin otokorelasyonun INS üzerindeki etkisini ortadan kaldırmadaki etkinliğini göstermek için bir simülasyon deneyi yapılmıştır. Daha sonra, bir sosyal etkileşim deneyinden fNIRS veri kümesine dayanan pWTC’nin çalışması hakkında adım adım rehberlik sunuldu. Ek olarak, pWTC yöntemi ile geleneksel WTC yöntemi ve pWTC yöntemi ile Granger nedensellik (GC) yöntemi arasında bir karşılaştırma yapılmıştır. Sonuçlar, pWTC’nin farklı deneysel koşullar arasındaki INS farkını ve INS’nin natüralist sosyal etkileşimler sırasında bireyler arasındaki yönlü ve zamansal modelini belirlemek için kullanılabileceğini göstermiştir. Ayrıca, geleneksel WTC’den daha iyi zamansal ve frekans çözünürlüğü ve GC yönteminden daha iyi esneklik sağlar. Bu nedenle, pWTC, natüralist sosyal etkileşimler sırasında bireyler arasındaki bilgi akışının yönünü ve zamansal modelini çıkarmak için güçlü bir adaydır.

Introduction

Sosyal etkileşim insanlar için hayati öneme sahiptir 1,2. Sosyal etkileşimin çift beyinli nörobilişsel mekanizmasını anlamak için, hipertarama yaklaşımı son zamanlarda yaygın olarak kullanılmaktadır ve kişilerarası sinirsel senkronizasyon (INS) kalıplarının sosyal etkileşim sürecini iyi karakterize edebileceğini göstermektedir 3,4,5,6,7,8,9,10,11,12 ,13,14. Son çalışmalar arasında, ilginç bir bulgu, bir dyad’daki bireylerin rol farkının, zaman gecikmeli bir INS modeline yol açabileceğidir, yani INS, bir bireyin beyin aktivitesi, dinleyicilerden konuşmacılara5,9, liderlerden takipçilere4, öğretmenlerden öğrencilere8, anneden çocuklara13,15 ve romantik bir çiftte kadınlardan erkeklere6. En önemlisi, zaman gecikmeli INS’nin aralığı ile sorgulama yapan öğretmenler ve8’e cevap veren öğrenciler arasında veya annelerin ebeveynlik davranışları ile çocukların uyum davranışları arasında olduğu gibi sosyal etkileşim davranışları arasında iyi bir yazışma vardır.15. Bu nedenle, zaman gecikmeli INS, kişilerarası sözlü iletişim için yakın tarihli bir hiyerarşik modelde önerildiği gibi, bir bireyden diğerine yönlü bir bilgi akışını yansıtabilir16.

Önceden, zaman gecikmeli INS, natüralist sosyal etkileşimleri incelerken nispeten yüksek uzamsal çözünürlüğü, ses anatomik lokalizasyonu ve hareket artefaktlarının olağanüstü yüksek toleransı nedeniyle fonksiyonel yakın kızılötesi spektroskopi (fNIRS) sinyali üzerinde hesaplanıyordu17. Dahası, sosyal etkileşim sırasında sinirsel zaman gecikmesi ile davranışsal zaman gecikmesi arasındaki yazışmaları tam olarak karakterize etmek için, her zaman gecikmesi için INS gücünü elde etmek önemlidir (örneğin, zaman gecikmesi olmamasından 10 s’lik bir zaman gecikmesine). Bu amaçla, daha önce, dalgacık dönüşümü tutarlılığı (WTC) prosedürü, bir bireyin beyin sinyalini başka bir bireyin 5,6,18’ine göre ileri veya geri kaydırdıktan sonra yaygın olarak uygulandı. Bu geleneksel WTC prosedürünü fNIRS sinyalleri için kullanırken, potansiyel bir zorluk vardır, çünkü gözlemlenen zaman gecikmeli INS, fNIRS sinyalinin bireysel bir 19,20,21 için otokorelasyon etkisi ile karıştırılabilir. Örneğin, diyadik bir sosyal etkileşim süreci sırasında, katılımcı A’nın t zaman noktasındaki sinyali, aynı zaman noktasında katılımcı B’ninkiyle senkronize edilebilir. Bu arada, t zaman noktasındaki katılımcı A’nın sinyali, otokorelasyon etkisi nedeniyle daha sonraki bir zaman noktası t + 1’deki katılımcı A’nınkiyle senkronize edilebilir. Bu nedenle, t zaman noktasındaki katılımcı A’nın sinyali ile t + 1 zaman noktasındaki katılımcı B’nin sinyali arasında sahte bir zaman gecikmeli INS oluşabilir.

Mihanović ve meslektaşları22 ilk önce kısmi dalgacık dönüşüm tutarlılığı (pWTC) adı verilen bir yöntem tanıttı ve daha sonra deniz bilimlerindeuyguladı 23,24. Bu yöntemin asıl amacı, iki sinyalin tutarlılığını tahmin ederken dışsal kafa karıştırıcı gürültüyü kontrol etmekti. Burada, fNIRS hipertarama verilerindeki otokorelasyon sorununu ele almak için, pWTC yöntemi, fNIRS sinyalindeki zaman gecikmeli INS’yi hesaplamak için genişletildi. Tam olarak, katılımcı A’dan katılımcı B’ye kadar olan zaman gecikmeli bir INS (ve yönlü bir bilgi akışı), aşağıdaki denklem kullanılarak hesaplanabilir (Denklem 1)23.

Equation 1

Burada, sırasıyla A ve B katılımcılarından A ve B olmak üzere iki sinyal olduğu varsayılmaktadır. B sinyalinin oluşumu her zaman n zaman gecikmeli A sinyalinden önce gelir, burada WTC (A t, B t + n) geleneksel zaman gecikmeli WTC’dir. WTC (A t, A t+n), katılımcı A’daki otomatik ilişkili WTC’dir. WTC (A t, B t), katılımcı A ve B arasındaki t zaman noktasında zaman hizalanmış WTC’dir . * karmaşık eşlenik operatördür (Şekil 1A).

Figure 1
Şekil 1: pWTC’ye genel bakış. (A) pWTC’nin mantığı. Bir dyad içinde iki sinyal A ve B vardır. A’nın oluşumu her zaman B’ninkini n gecikmeli olarak takip eder. Gri kutu, belirli bir zaman noktası t veya t + n’deki bir dalgacık penceresidir. pWTC denklemine (şekilde temsil edilen) dayanarak, üç WTC’nin hesaplanması gerekir: At + n ve Bt’nin zaman gecikmeli WTC’si; A t ve A t+n’nin A katılımcısındaki otomatik korelasyonlu WTC; ve t, A t ve B t zaman noktalarında zaman hizalanmış WTC. (B) Optod prob setlerinin düzeni. CH11 T3’e yerleştirildi ve CH25, uluslararası 10-20 sistemi 27,28’i takiben T4’e yerleştirildi. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Bu protokol ilk olarak pWTC’nin otokorelasyon zorluğunu ne kadar iyi çözdüğünü göstermek için bir simülasyon deneyi başlattı. Daha sonra, pWTC’nin natüralist sosyal etkileşimlerin ampirik bir deneyine dayanan adım adım nasıl yürütüleceğini açıkladı. Burada, yöntemi tanıtmak için bir iletişim bağlamı kullanılmıştır. Bunun nedeni, daha önce, zaman gecikmeli INS’nin genellikle doğalcı bir iletişim bağlamında hesaplanmış olmasıdır 3,4,6,8,13,15,18. Ek olarak, pWTC ile geleneksel WTC arasında bir karşılaştırma ve Granger nedensellik (GC) testi ile doğrulama da yapılmıştır.

Protocol

İnsan deneyi protokolü, Pekin Normal Üniversitesi’ndeki Bilişsel Sinirbilim ve Öğrenme Devlet Anahtar Laboratuvarı Kurumsal İnceleme Kurulu ve Etik Komitesi tarafından onaylandı. Tüm katılımcılar deney başlamadan önce yazılı bilgilendirilmiş onam verdiler. 1. Simülasyon deneyi Birbiriyle ilişkili iki zaman serisi sinyali üretin, bir sinyal 4 s zaman gecikmesinde otokorelasyona sahiptir. İki sinyal arasındaki r korelasyon katsayısını 0,4 olarak ayarlayın.</…

Representative Results

Simülasyon sonuçlarıSonuçlar, otokorelasyonlu zaman gecikmeli INS WTC’nin, otokorelasyon olmadan zaman gecikmeli INSWTC’den anlamlı derecede yüksek olduğunu göstermiştir (t (1998) = 4.696, p < 0.001) ve zaman gecikmeli INSpWTC (t (1998) = 5.098, p < 0.001). Ek olarak, otokorelasyon olmadan zaman gecikmeli INSWTC ile INSpWTC arasında anlamlı bir fark yoktu (t(1998) = 1.573, p = 0.114, <strong…

Discussion

Hipertarama çalışmalarında, bireyler arasındaki bilgi akışının yönlü ve zamansal kalıplarını tanımlamak genellikle önemlidir. Önceki fNIRS hipertarama çalışmalarının çoğu, zaman gecikmeli INS’yi hesaplayarak bu özellikleri çıkarmak için geleneksel WTC25’i kullanmıştır. Bununla birlikte, fNIRS sinyali20,21’in içsel özelliklerinden biri olarak, otokorelasyon etkisi zaman gecikmeli INS’yi karıştırabilir. Bu…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Bu çalışma, Çin Ulusal Doğa Bilimleri Vakfı (61977008) ve On Bin Yeteneğin Genç Üst Düzey Yetenekleri Programı tarafından desteklenmiştir.

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