نود أن نعرب عن تقديرنا للدعم المقدم من المؤسسة الوطنية للعلوم الطبيعية في الصين (رقم 62207025) ، ومشروع أبحاث العلوم الإنسانية والاجتماعية من وزارة التعليم الصينية (رقم 22YJC190017) ، وصناديق البحوث الأساسية للجامعات المركزية إلى Yafeng Pan.

أجريت الدراسة في جامعة فلوريدا أتلانتيك (FAU) وتمت الموافقة عليها من قبل مجلس المراجعة المؤسسية FAU (IRB).
1. استخدام برنامج Homer3 (جدول المواد) لإجراء المعالجة المسبقة لبيانات المسح التشعبي fNIRS
ملاحظة: Homer3 هو تطبيق MATLAB يحلل بيانات fNIRS للحصول على تقديرات وخرائط لتنشيط الدماغ29. يمكن تنزيل Homer3 وتثبيته من الرابط التالي (https://openfnirs.org/software/homer/).
<ol><li>افتح MATLAB ، وانتقل إلى المجلد حيث يتم حفظ ملفات .nirs الأولية. حدد المجلد وافتحه.</li>
	<li>اكتب Homer3 في نافذة أوامر MATLAB لتشغيل واجهة المستخدم الرسومية Homer3 . هوميروس 3. سيكتشف ملفات .nirs ويطلب التحويل إلى تنسيق .snirf (تنسيق ملف عالمي لتخزين بيانات NIRS ومشاركتها بشكل مستقل عن أي تنسيق ملف محدد خاص بالتطبيق مثل MATLAB) لمتابعة المعالجة المسبقة للبيانات.</li>
	<li>بعد استيراد ملفات .nirs إلى تنسيق .snirf في Homer3 ، انقر فوق خيار الأدوات في واجهة المستخدم الرسومية Homer3 ، وحدد تحرير تدفق المعالجة.</li>
	<li>في واجهة المستخدم الرسومية ProcStreamEdit ، حدد خطوات المعالجة المسبقة من عمود وظيفة التسجيل إلى عمود تدفق المعالجة الحالي بالنقر فوق إضافة. خطوات المعالجة المسبقة المضمنة هي كما يلي:<ol><li>استخدم hmrR_intensity2OD لتحويل بيانات الكثافة إلى كثافة بصرية.</li>
		<li>استخدم hmrR_MotionCorrectWavelet لتصحيح عيوب الحركة باستخدام وظيفة التصفية المناسبة.</li>
		<li>استخدم hmrR_OD2conc لتحويل بيانات التطوير التنظيمي إلى تركيز.</li>
		<li>استخدم hmR_BlockAvg لحساب متوسط الكتلة على بيانات التركيز. ملاحظة: قد يختلف اختيار خطوات المعالجة المسبقة حسب نوع مجموعة البيانات.</li>
	</ol></li>
	<li>لحفظ دفق المعالجة الحالي ، انقر فوق خيار حفظ ، ثم اخرج من واجهة المستخدم الرسومية ProcStreamEdit.</li>
	<li>لتشغيل دفق المعالجة المسبقة في واجهة المستخدم الرسومية Homer3 الرئيسية ، انقر فوق خيار RUN . بعد انتهاء Homer3 من تشغيل دفق المعالجة المحدد ، سيحفظ السلاسل الزمنية التي تمت معالجتها مسبقا لكل مشارك بتنسيق ملف .mat يحتوي على Hbo و Hbr و Hbt لجميع القنوات والأحداث. سيتم إنشاء مجلد باسم إخراج homer بواسطة Homer3 في المجلد المحدد حاليا لتخزين هذه الملفات.</li>
	<li>سيتم إنشاء مجلد باسم المشتقات بواسطة Homer3 في المجلد المحدد لتخزين هذه الملفات. حدد مجلد هوميروس الموجود في مجلد المشتقات. اختر ملف .mat لكل دماغ وقم بتصدير Hbo و Hbr و Hbt. ملاحظة: يعتمد اسم مجلد الإخراج الذي تم إنشاؤه بواسطة Homer3 على إصدار Homer3.</li>
</ol>2. الشروع في العمل مع صندوق أدوات LeaderFollowerByPhase
<ol><li>لتحليل نوع التفاعل الذي يحدث في تسجيل المسح التشعبي ، استخدم مربع أدوات LeaderFollowerByPhase ، كما هو موضح في العملية الموضحة في الشكل 3. في MATLAB ، حدد ملفات .mat لكل دماغ ، وقم بتحميل بيانات Hbo (أو Hbr) للقناة المحددة والحدث المحدد في متجه أحادي البعد مثل signal1 و signal2.</li>
	<li>في سطر أوامر MATLAB ، حدد المعلمات<ol><li>lowFreq, highFreq: اكتب lowFreq = [FOI منخفض] ، و highFreq = [FOI مرتفع]. القيم الافتراضية هي lowFreq = 0.01 هرتز ، highFreq = 1 هرتز. ملاحظة: تحدد معلمات الدالتين lowFreq وhighFreq نطاق تردد الاهتمام (FOI). يحسب مركز التجارة العالمي التماسك عبر الدماغين في كل نقطة زمنية وتردد. عادة ما يتم حساب متوسط قيم التماسك داخل حرية المعلومات معينة.</li>
		<li>تحديد المعلمة phaseRange; النوع phaseRange = [النطاق بالدرجة]. ملاحظة: القيمة الافتراضية هي phaseRange = 90 درجة. تتراوح المرحلة بين 0 درجة إلى 360 درجة بسبب طبيعة المعامل الدائري للطور. يتم تقسيم نطاقات الطور وفقا لنطاق يحيط بأربع نقاط. في صندوق الأدوات المقدم ، يتم تقديم نهج جديد لتصنيف التفاعلات غير المتماثلة (الشكل 4) من خلال فحص اتجاه الاقتران باستخدام قيم زاوية الطور وفقا للنطاقات المقابلة للتزامن المتأخر مع الإشارة 1 الرائدة (نطاق محيط -90 درجة) أو الإشارة 2 الرائدة (نطاق محيط 90 درجة) ، الإشارة 1 ، الإشارة 2 التزامن في الطور (نطاق محيط 0) ، والإشارة 1 ، تزامن الإشارة 2 المضاد للطور (نطاق محيط + 180 درجة أو -180 درجة).</li>
		<li>حدد معلمة العتبة. اكتب العتبة = [عتبة rsq val]. القيمة الافتراضية هي Threshold = 0. ملاحظة: يسمح صندوق الأدوات بتحديد قيمة تماسك العتبة عن طريق تحديد معلمة العتبة. يسمح هذا للباحث بتحديد نقاط زمنية ذات قيمة دنيا محددة للتماسك. وبالتالي ، يتم أخذ النقاط الزمنية ذات قيم الاتساق الأعلى من العتبة المحددة في الاعتبار فقط.</li>
	</ol></li>
	<li>قم بتنزيل مربع أدوات LeaderFollowerByPhase من الرابط التالي (https://www.ariel.ac.il/wp/sns/download/ أو https://github.com/Minisharmaa/Leader-Follower-By-Phase).</li>
	<li>قم بتنفيذ وظيفة MATLAB LeaderFollowerByPhase عن طريق إدخال قيم تماسك الأمر = LeaderFollowerByPhase (signal1 ، signal2 ، lowFreq ، highFreq ، phaseRange ، العتبة) في سطر الأوامر. ملاحظة: يتم إجراء حسابات الاتساق والطور باستخدام دالتين WTC وXWT في MATLAB ،على التوالي 30.</li>
	<li>افحص قيم المزامنة في الطور ، وبادئة الإشارة 1 ، والرائدة للإشارة 2 ، وقيم المزامنة المضادة للطور:<ol><li>تفقد قطع الأراضي في ماتلاب. يولد صندوق الأدوات شكلا واحدا بأربع مؤامرات.<ol><li>التماسك حسب نوع التفاعل: افحص مخطط المربع في الجزء العلوي الأيسر من الشكل ، والذي يظهر R-Squared (Rsq) وفقا لكل نوع من أنواع التفاعل (في الطور ، الإشارة 1 البادئة ، الإشارة 2 الرائدة ، المضادة للطور). ملاحظة: للحصول على وصف تفصيلي للوظيفة المضمنة في مخطط مربع MATLAB ، راجع الارتباط التالي (https://www.mathworks.com/help/matlab/ref/boxchart.html).</li>
			<li>المؤشرات المركزية حسب نوع التفاعل: افحص الرسم البياني الشريطي في الجزء العلوي الأيمن من رقم الإخراج ، والذي يعرض الحد الأقصى للمتوسط والوسيط وفقا لكل نوع من أنواع التفاعل (في الطور ، بادئ الإشارة 1 ، بادئ الإشارة 2 ، مضاد الطور). ملاحظة: للحصول على وصف تفصيلي للوظيفة المضمنة في شريط MATLAB ، راجع الارتباط التالي (https://www.mathworks.com/help/matlab/ref/bar.html).</li>
			<li>التماسك بمرور الوقت: افحص مخطط التشتت في الجزء السفلي الأيسر من الشكل الناتج ، والذي يعرض قيم التماسك وأنواع التفاعل بمرور الوقت. تمثل النقاط الملونة أنواعا مختلفة من التفاعل (تمثل النقاط السوداء التزامن في الطور ، وتمثل النقاط الرمادية الداكنة بادئ الإشارة 1 ، وتمثل النقاط الرمادية الفاتحة بادئ الإشارة 2 ، وتمثل النقاط الأرجوانية التزامن المضاد للطور). ملاحظة: يوضح الشكل ديناميات التفاعل: التبادل بين أنواع التفاعل الأربعة طوال سلسلة الدوام الكامل. للحصول على وصف تفصيلي لوظيفة التشتت MATLAB ، راجع الرابط التالي (https://www.mathworks.com/help/matlab/ref/scatter.html).</li>
			<li>النسبة المئوية للوقت: افحص المخطط الدائري في الجزء السفلي الأيمن من الشكل الناتج ، والذي يعرض تقسيم الوقت وفقا لأنواع التفاعلات المختلفة. ملاحظة: للحصول على وصف تفصيلي لوظيفة MATLAB pie ، راجع الارتباط التالي (https://www.mathworks.com/help/matlab/ref/pie.html).</li>
		</ol></li>
	</ol></li>
	<li>افحص جدول الإخراج بالقيم الإحصائية (أي المتوسط والحد الأقصى والوسيط والانحراف المعياري) لكل نوع من أنواع التفاعل (التزامن في الطور ، بادئ الإشارة 1 ، بادئ الإشارة 2 ، التزامن المضاد للطور). يعرض الجدول أيضا النسبة المئوية للوقت الذي حدث فيه كل نوع من التفاعل. يظهر كل نوع من أنواع التفاعل في عمود مختلف.</li>
	<li>افحص قيمة الإخراج في ملف جدول البيانات المستخرج (أي جدول البيانات.xlsx الموجود في المجلد الحالي).</li>
</ol><img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/65347/65347fig03.jpg"> الشكل 3: نظرة عامة على سير العمل . (أ) تم جمع ثنائيات الأم والطفل التي تشارك في اللعب الحر أثناء المسح الفائق لبيانات fNIRS. (ب) رسم توضيحي لسلسلة زمنية بين الأم والطفل. (ج) المعالجة المسبقة للسلاسل الزمنية باستخدام Homer3. (د، ه) استخدام صندوق الأدوات لفحص أنواع مختلفة من التفاعلات ، مثل المزامنة في الطور ، والمزامنة المضادة للطور ، والمزامنة المتأخرة. <a href="https://www.jove.com/files/ftp_upload/65347/65347fig03large.jpg" target="_blank">يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/65347/65347fig04.jpg"> الشكل 4: تصنيف أربعة أنواع مختلفة من التفاعلات بناء على الطور. يمثل هذا فرق الطور للسلسلتين الزمنيتين العصبيتين في معامل 360 درجة. يمكن اعتبار فرق الطور تأخرا زمنيا بين قيمتين ويقاس بالدرجات والراديان أو كسور الطول الموجي. هنا ، ينقسم معامل 360 درجة إلى أربعة نطاقات مختلفة تصور أربع مراحل مختلفة من التفاعل: (أ) الإشارة 1 الرائدة (نطاق حوالي 90 درجة ، بين 45 درجة إلى 135 درجة) ، (ب) التزامن المضاد للطور بين الإشارة 1 والإشارة 2 (نطاق حوالي 180 درجة أو -180 درجة ، بين 135 إلى -135 درجة) ، (ج) الإشارة 2 البادئة (بين -135 درجة إلى -45 درجة) ، (D) التزامن في الطور (نطاق حوالي 0، بين -45° إلى 45°). هذا التقسيم هو النهج الافتراضي (45 درجة حول كل نقطة) ؛ ومع ذلك ، يسمح صندوق الأدوات للمرء بتكوين قسم مختلف. على الرغم من أن التكوينات الأخرى قد لا تغطي جميع درجات 360 درجة ، إلا أنها قد تسفر عن تعريف أكثر دقة لكل نوع من أنواع التفاعل. <a href="https://www.jove.com/files/ftp_upload/65347/65347fig04large.jpg" target="_blank">يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.</a>

إحداث ثورة في دراسات fNIRS: نهج جديد للاقتران العصبي

يعلن المؤلفون أن البحث قد أجري في غياب أي علاقات تجارية أو مالية يمكن تفسيرها على أنها تضارب محتمل في المصالح.

واحدة من أكثر الطرق شيوعا المستخدمة في دراسات fNIRS هي تماسك تحويل المويجات (WTC) ، وهو مقياس للارتباط المتبادل بين سلسلتين زمنيتين كدالة للتردد والوقت10. يحسب مركز التجارة العالمي الاتساق وتأخر الطور بين سلسلتين زمنيتين باستخدام التحليلات الترابطية (الملف التكميلي 1). ا?...

في السنوات الأخيرة ، كان هناك تحول في أنواع الدراسات التي أجريت لفهم الأسس العصبية للسلوك الاجتماعي 1,2. تقليديا ، ركزت الدراسات في علم الأعصاب الاجتماعي على التنشيط العصبي في دماغ واحد معزول أثناء مهمة ذات صلة اجتماعية. ومع ذلك ، فإن التقدم في تكنولوجيا التصوير العصبي يسمح الآن بفحص التنشيط العصبي في أدمغة فرد واحد أو أكثر أثناء التفاعل الاجتماعي كما يحدث في إعدادات "الحياة الواقعية"3. في إعدادات "الحياة الواقعية" ، يكون الأفراد قادرين على التحرك بحرية ، ومن المرجح أن تتغير أنماط تنشيط الدماغ مع تبادل المعلومات وتلقي الشركاء الاجتماعيين ردود الفعل من بعضهم البعض4.
Hyperscanning هي طريقة تقيم تبادل المعلومات ثنائي الاتجاه هذا عن طريق قياس نشاط الدماغ من شخصين أو أكثر في وقتواحد 5. استخدمت مجموعة ناشئة من الأبحاث التحليل الطيفي الوظيفي للأشعة تحت الحمراء القريبة (fNIRS) ، وهي تقنية تصوير عصبي غير جراحية ، بالمقارنة مع تقنيات التصوير العصبي الأخرى ، أقل عرضة لآثار الحركة6. يسمح المسح الفائق عبر fNIRS بتقييم التزامن بين الدماغ (IBS) في إعدادات الحياة الواقعية بينما يتحرك الشركاء التفاعليون بحرية وبشكل طبيعي. هذا مهم بشكل خاص للعمل مع الرضع والأطفال الصغار ، الذين يميلون إلى أن يكونوا نشطين للغاية. تم الإبلاغ عن أن IBS يعكس التفاهم المتبادل بين الشركاء التفاعليين ، والذي يعمل كأساس للتفاعل الاجتماعي الفعال والتواصل ويتوسط النية المشتركة1،7،8.
يتم استخدام عدة طرق لتقييم القولون العصبي لدماغين. وتشمل هذه الأساليب ارتباطات السلاسل الزمنية، مثل الارتباط المتبادل ومعامل ارتباط بيرسون 9,10 (انظر مراجعة Scholkmann et al.10). تتضمن الطرق الأخرى تقييم قوة الاقتران في مجال التردد. وتشمل هذه الأساليب قيمة قفل الطور (PLV) واتساق الطور (انظر مراجعة أجراها Czeszumski et al.11). تستخدم إحدى الطرق الأكثر شيوعا في دراسات fNIRS تماسك تحويل المويجات (WTC) - وهو مقياس للارتباط المتبادل بين سلسلتين زمنيتين كدالة للتردد والوقت10.
يستخدم مركز التجارة العالمي التحليلات الترابطية لحساب الاتساق وتأخر الطور بين سلسلتين زمنيتين في مجال التردد الزمني. استخدمت دراسات المسح الفائق FNIRS مركز التجارة العالمي لتقدير IBS في العديد من مجالات الأداء ، بما في ذلك مراقبة العمل12 ، والسلوك التعاوني والتنافسي5،13،14،15 ، والتقليد16 ، وحل المشكلات بين الأم والرضيع17 ، وسلوك التعليم والتعلم18،19،20،21. عادة ، في دراسات المسح المفرط ، تتم مقارنة التماسك عبر الدماغ ، كما تم قياسه بواسطة مركز التجارة العالمي ، أثناء مهمة تجريبية بالتماسك عبر الدماغ أثناء مهمة التحكم. عادة ما يتم تقديم هذه النتائج مع "مخطط ساخن" لمركز التجارة العالمي ، والذي يوضح التماسك عبر الدماغين في كل نقطة زمنية وتردد (انظر الشكل 1).
كما اقترح Czesumaski et al.11 ، أصبح مركز التجارة العالمي النهج التحليلي القياسي لتحليل المسح المفرط fNIRS. تحليل مركز التجارة العالمي هو طريقة مرنة "محايدة للأدوات" لتصور البيانات وتفسيرها22. تعد الخريطة الحرارية لمعامل التماسك ، والتي توفر شكلا سرديا للتحليل يسمح بسهولة تحديد فترات السلوك المتزامن أو غير المتزامن بالإضافة إلى كثافة نشاط الدماغ أثناء إكمال المهمة ، الميزة الرئيسية لمركز التجارة العالمي وتجعله أداة قوية للبحث التطبيقي22. يتمتع مركز التجارة العالمي بميزة على تقنيات الارتباط. الارتباطات حساسة لشكل وظيفة الاستجابة الديناميكية للدورة الدموية (HRF) ، والتي يعتقد أنها تختلف بين الأفراد (خاصة من حيث العمر) وبين مناطق الدماغ المختلفة. وعلى النقيض من ذلك، لا يتأثر مركز التجارة العالمي بالتغيرات الأقاليمية في (HRF)23. استخدم الباحثون نهج المويجات لدراسة السلاسل الزمنية للتصوير بالرنين المغناطيسي الوظيفي. قارن Zhang et al.24 مقاييس الاتصال الوظيفي شائعة الاستخدام ، بما في ذلك ارتباط بيرسون ، والارتباط الجزئي ، والمعلومات المتبادلة ، وتحويل تماسك المويجات (WTC). أجروا تجارب تصنيف باستخدام أنماط اتصال وظيفية واسعة النطاق مشتقة من بيانات التصوير بالرنين المغناطيسي الوظيفي في حالة الراحة وبيانات الرنين المغناطيسي الوظيفي للتحفيز الطبيعي لمشاهدة الفيديو. أشارت النتائج التي توصلوا إليها إلى أن مركز التجارة العالمي كان أفضل أداء في التصنيف (الخصوصية والحساسية والدقة) ، مما يعني أن مركز التجارة العالمي هو مقياس اتصال وظيفي مفضل لدراسة شبكات الدماغ الوظيفية ، على الأقل في تطبيقات التصنيف24.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65347/65347fig01.jpg"> الشكل 1: تماسك تحويل المويجات (WTC). ويبين مركز التجارة العالمي التماسك وزاوية الطور بين سلسلتين زمنيتين كدالة لكل من الوقت (المحور السيني) والتردد (المحور الصادي). يتم تصوير زيادة التماسك باللون الأحمر في الرسم البياني ، وتوضح الأسهم الصغيرة في الرسم البياني زاوية الطور للسلسلتين الزمنيتين. يمثل السهم المتجه إلى اليمين التزامن في الطور ؛ تمثل الأسهم المتجهة لأسفل والمتجهة لأعلى التزامن المتأخر ؛ والسهم المتجه إلى اليسار يمثل التزامن المضادللطور 30. تم اقتباس هذا الرقم من Pan et al.19. <a href="https://www.jove.com/files/ftp_upload/65347/65347fig01large.jpg" target="_blank">يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.</a>
في الآونة الأخيرة ، أوضح هاملتون25 العديد من القيود على تفسير بيانات التماسك عبر الدماغ في دراسات المسح المفرط fNIRS. كان أحد اهتمامات هاملتون الأساسية هو أن مقاييس التماسك (على سبيل المثال ، مركز التجارة العالمي) تبلغ فقط عن التأثيرات على أنها متماثلة (أي أن دماغين مرتبطان ، ويظهران نفس نمط التغيير). ومع ذلك، فإن العديد من التفاعلات الاجتماعية غير متماثلة (على سبيل المثال، تدفق المعلومات بين المتحدث والمستمع) حيث قد يلعب مشاركان أدوارا مختلفة، وليس من الواضح ما إذا كان مركز التجارة العالمي يمكنه التقاط هذه المعلومات. هنا ، يتم التعامل مع هذا القلق من خلال إطار جديد يسمح بتفسير مباشر لقدرة المويجات المتقاطعة باستخدام مرحلة المويجات المتقاطعة للكشف عن الاتجاه. سيسمح هذا الإطار أيضا بفحص كيفية تطور ديناميكيات التفاعلات وتغيرها خلال المهمة.
بينما يقوم مركز التجارة العالمي وطرق الارتباط بتقييم الاتصال الوظيفي ، تقوم طرق أخرى بتقييم الاتصال الفعال ، في محاولة لاستخراج التأثيرات السببية لعنصر عصبي على آخر. إنتروبيا النقل هي مقياس من مجال نظرية المعلومات يصف النقل بين العمليات المعتمدة بشكل مشترك26. طريقة أخرى ذات صلة هي تحليل سببية جرانجر (GCA) ، والذي تم وصفه بأنه مكافئ لإنتروبيا النقل26.
في الأدبيات الحالية لدراسات المسح الفائق fNIRS ، تم استخدام تحليل سببية جرانجر (GCA) على نطاق واسع لتقدير اتجاه الاقتران بين بيانات السلاسل الزمنية fNIRS التي تم الحصول عليها خلال مجموعة متنوعة من المهام المختلفة ، مثل التعاون5 ، والتدريس19 ، والتقليد16. يستخدم GCA نماذج الانحدار الذاتي المتجه لتقييم اتجاه الاقتران بين السلاسل الزمنية في بيانات الدماغ. تعتمد سببية جرانجر على التنبؤ والأسبقية: "يقال إن المتغير X متغير" السبب G "Y إذا كان ماضي X يحتوي على المعلومات التي تساعد على التنبؤ بمستقبل Y فوق المعلومات الموجودة بالفعل في الماضي من Y"27. وفقا لذلك ، يتم تحليل السببية G في اتجاهين: 1) من الموضوع A إلى الموضوع B و 2) من الموضوع B إلى الموضوع A.
وفي حين أن تحليل البرنامج العالمي للأمن السيبراني هو تحليل تكميلي يهدف إلى تحديد ما إذا كانت قيمة الاتساق العالية التي تم الحصول عليها باستخدام دالة مركز التجارة العالمي تعكس التناظر العصبي أو التزامن المتأخر (إشارة واحدة تقود الأخرى)، فإنه لا يسمح بتحديد ما إذا كان قد حدث تزامن مضاد للطور. في دراسات التصوير العصبي التقليدية ، التي يتم فيها فحص مشارك واحد فقط (أي نهج "الدماغ الواحد") ، يعني النمط المضاد للطور أن النشاط في منطقة دماغية واحدة يزداد بينما ينخفض النشاط في منطقة الدماغ الأخرى28. في أدبيات المسح الفائق ، قد يشير وجود التزامن المضاد للطور إلى زيادة التنشيط العصبي في موضوع واحد ، وفي الوقت نفسه ، يتم تقليل التنشيط العصبي للموضوع الآخر. لذلك ، هناك حاجة لتوفير نموذج شامل يمكنه اكتشاف الاتجاه. وبشكل أكثر تحديدا ، سيكون هذا النموذج قادرا على اكتشاف التزامن المضاد للطور (حيث يكون اتجاه النشاط في فرد واحد معاكسا لاتجاه شريكه) بالإضافة إلى التزامن في الطور والمزامنة المتأخرة.
في محاولة لمعالجة القلق من أن مركز التجارة العالمي يظهر تأثيرات متماثلة فقط ، حيث يظهر كلا الدماغين نفس نمط التغيير25 ، يتم تقديم نهج جديد لتحديد نوع التفاعل من خلال فحص مرحلة التزامن (أي في الطور أو متأخر أو مضاد للطور) (انظر الشكل 2). وتحقيقا لهذه الغاية، تم تطوير صندوق أدوات يستخدم طريقة مركز التجارة العالمي لتصنيف الأنواع المختلفة من التفاعلات. يتم تصنيف أنواع التفاعلات باستخدام بيانات الطور النسبي من تحليل التحويل عبر المويجات.
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/65347/65347fig02.jpg"> الشكل 2: توضيح لعلاقات الطور المختلفة للموجات الجيبية البسيطة. (أ) عندما تصل الإشارتان، الإشارة 1 (الخط الأزرق s) والإشارة 2 (الخط البرتقاليs)، إلى قيمتيهما القصوى والدنيا والصفرية في نفس النقطة الزمنية، يقال إنهما تظهران التزامن في الطور32. (ب) عندما تصل إحدى الإشارات إلى أقصى قيمة لها وتصل الإشارة الأخرى إلى القيمة الصفرية في نفس النقطة الزمنية ، يقال إنها تظهر تزامنا متأخرا (إحداها تتقدم بمقدار 90 درجة) 32،33،34. (ج) عندما تتحول سلسلتان زمنيتان في اتجاهين متعاكسين، وهذا يعني أن إحدى الإشارتين تصل إلى الحد الأقصى والأخرى تصل إلى القيمة الصغرى في النقطة الزمنية نفسها، يشار إلى ذلك بالتزامن المضادللطور 28. (د-ف) في جميع علاقات الطور الأخرى بين سلسلتين زمنيتين ، تقود إحدى الإشارات الأخرى. في جميع المراحل الإيجابية ، تقود الإشارة 2 الإشارة 1 (على سبيل المثال ، اللوحات E و F و M و N) ، بينما في جميع المراحل السلبية ، تقود الإشارة 1 الإشارة 2 (على سبيل المثال ، اللوحات D و G و H و O و P). ومن الجدير بالذكر أنه عندما تكون القيمة المطلقة للمرحلة أعلى، يصبح من الأكثر تميزا أي سلسلة زمنية تقود الأخرى (على سبيل المثال، تكون القيادة أكثر تميزا في الفريق ياء منها في الفريق الأول، وفي الفريق K، تكون القيادة أكثر تميزا مما هي عليه في اللوحة L). <a href="https://www.jove.com/files/ftp_upload/65347/65347fig02large.jpg" target="_blank">يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.</a>

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>NIRScout&#160;&#160;</td>
			<td>NIRx Medical Technologies, LLC</td>
			<td>n.a.</td>
			<td>8 sources, 8 detectors</td>
		</tr>
		<tr>
			<td>MATLAB</td>
			<td>The Mathworks, Inc.</td>
			<td>Matlab 2022a</td>
			<td>In this protocol, several toolboxes and buit in MATLAB functions were used: HOMER3 toolbox was used to convert Intensity to OD, to remove motion artifacts through its function hmrMotionCorrectWavelet with default parameters and to convert OD to Conc. Wavelet Toolbox was used to compute WTC.</td>
		</tr>
	</tbody>
</table>

new framework for understanding cross-brain coherence in functional near-infrared spectroscopy (fnirs) hyperscanning studies

على الرغم من تزايد دراسات المسح الطيفي للأشعة تحت الحمراء القريبة من الأشعة تحت الحمراء (fNIRS) ، يبدو أن تقييم الاقتران بين إشارتين عصبيتين باستخدام تماسك تحويل المويجات (WTC) يتجاهل اتجاه التفاعل. يفتقر المجال حاليا إلى إطار يسمح للباحثين بتحديد ما إذا كانت قيمة التماسك العالية التي تم الحصول عليها باستخدام وظيفة مركز التجارة العالمي تعكس التزامن في الطور (على سبيل المثال ، يظهر التنشيط العصبي في كلا عضوي الثنائي في نفس الوقت) ، والتزامن المتأخر (أي ، يظهر التنشيط العصبي في أحد أعضاء الثنائي قبل العضو الآخر) ، أو التزامن المضاد للطور (أي زيادة التنشيط العصبي في أحد أعضاء الثنائي وانخفاضه في الآخر). لتلبية هذه الحاجة ، يقترح في هذا العمل نهج تكميلي وأكثر حساسية لتحليل تماسك الطور لإشارتين عصبيتين. يسمح صندوق الأدوات للباحثين بتقدير اتجاه الاقتران من خلال تصنيف قيم زاوية الطور التي تم الحصول عليها باستخدام مركز التجارة العالمي التقليدي إلى تزامن في الطور ، وتزامن متأخر ، وتزامن مضاد للطور. يسمح صندوق الأدوات أيضا للباحثين بتقييم كيفية تطور ديناميكيات التفاعلات وتغيرها طوال المهمة. سيؤدي استخدام نهج مركز التجارة العالمي الجديد هذا وصندوق الأدوات إلى تعزيز فهمنا للتفاعلات الاجتماعية المعقدة من خلال استخداماتها في دراسات المسح المفرط fNIRS.

In recent years, there has been a shift in the types of studies conducted to understand the neural bases of social behavior1,2. Traditionally, studies in social neuroscience have focused on neural activation in one isolated brain during a socially relevant task. However, advances in neuroimaging technology now allow for the examination of neural activation in the brains of one or more individuals during social interaction as it occurs in &#34;real-life&#34; settings3. In &#34;real-life&#34; settings, individuals are able to move freely, and patterns of brain activation are likely to change as information is exchanged and social partners receive feedback from one another4.
Hyperscanning is a method that assesses this bidirectional information exchange by measuring the brain activity from two or more individuals simultaneously5. An emerging body of research has utilized functional near-infrared spectroscopy (fNIRS), a non-invasive neuroimaging technique that, in comparison to other neuroimaging techniques, is less susceptible to motion artifacts6. Hyperscanning via fNIRS allows for the assessment of inter-brain synchronization (IBS) in real-life settings while the interactive partners move freely and naturally. This is particularly relevant for work with infants and young children, who tend to be quite active. IBS has been reported to reflect mutual understanding between interactive partners, which serves as the foundation for effective social interaction and communication and mediates shared intentionality1,7,8.
Several methods are used to evaluate the IBS of two brains. Such methods include time series correlations, such as cross-correlation and the Pearson correlation coefficient9,10 (see a review by Scholkmann et al.10). Other methods involve evaluating the strength of coupling in the frequency domain. Such methods include phase-locking value (PLV) and phase coherence (see a review by Czeszumski et al.11). One of the most common methods in fNIRS studies uses wavelet transform coherence (WTC)-a measure of the cross-correlation of two time series as a function of frequency and time10.
WTC uses correlational analyses to calculate the coherence and phase lag between two time series in the time-frequency domain. FNIRS hyperscanning studies have used WTC to estimate IBS in many domains of functioning, including action monitoring12, cooperative and competitive behaviour5,13,14,15, imitation16, mother-infant problem solving17, and teaching-learning behavior18,19,20,21. Typically, in hyperscanning studies, cross-brain coherence, as measured by WTC, during an experimental task is compared to cross-brain coherence during a control task. These findings are usually presented with a WTC &#34;hot plot&#34;, which shows the coherence across the two brains at each time point and frequency (see Figure 1).
As suggested by Czesumaski et al.11, WTC has become the standard analytical approach for analyzing fNIRS hyperscanning. WTC analysis is a flexible, &#34;tool-agnostic&#34; method for data visualization and interpretation22. The coherence coefficient heatmap, which provides a narrative form of analysis allowing for the easy identification of periods of synchronous or asynchronous behavior as well as the intensity of brain activity during the completion of a task, is the main advantage of WTC and makes it a strong tool for applied research22. WTC has an advantage over correlation techniques. Correlations are sensitive to the hemodynamic response function&#39;s (HRF) shape, which is thought to differ between individuals (particularly in terms of age) and among different brain areas. In contrast, WTC is unaffected by interregional changes in the (HRF)23. Researchers have used the wavelet approach to study fMRI time series. Zhang et al.24 compared the commonly used functional connectivity metrics, including the Pearson correlation, partial correlation, mutual information, and wavelet coherence transformation (WTC). They carried out classification experiments using large-scale functional connectivity patterns derived from resting-state fMRI data and natural-stimulus fMRI data of video viewing. Their findings indicated that WTC performed best in classification (specificity, sensitivity, and accuracy), implying that WTC is a preferable functional connectivity metric for studying functional brain networks, at least in classification applications24.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65347/65347fig01.jpg" /> 
Figure 1: Wavelet transform coherence (WTC). WTC shows the coherence and phase angle between two time series as a function of both time (x-axis) and frequency (y-axis). The coherence increase is depicted by the red color in the graph, and the small arrows in the graph show the phase angle of the two time series. The rightward-pointing arrow represents in-phase synchronization; the downward-pointing and upward-pointing arrows represent lagged synchronization; and the leftward-pointing arrow represents anti-phase synchronization30. This figure was adapted from Pan et al.19. <a href="https://www.jove.com/files/ftp_upload/65347/65347fig01large.jpg" target="_blank">Please click here to view a larger version of this figure.</a>
Recently, Hamilton25 articulated several limitations to the interpretation of cross-brain coherence data in fNIRS hyperscanning studies. One of Hamilton&#39;s primary concerns was that coherence measures (e.g., WTC) only report effects as symmetrical (i.e., two brains are correlated, showing the same pattern of change). However, many social interactions are asymmetric (e.g., information flow between a speaker and a listener) in that two participants may play different roles, and it is not clear that WTC can capture this information. Here, this concern is addressed by a new framework that allows for a straightforward interpretation of the cross-wavelet power by using the cross-wavelet phase&#160;to detect directionality. This framework will also allow examination of how the dynamics of interactions develop and change throughout a task.
While WTC and correlation methods assess functional connectivity, other methods assess effective connectivity, attempting to extract the causal influences of one neural element over another. Transfer entropy is a measure from the field of information theory that describes the transfer between jointly dependent processes26. Another related method is Granger causality analysis (GCA), which has been described as equivalent to transfer entropy26.
In the existing literature of fNIRS hyperscanning studies, Granger causality analysis (GCA) has been widely used to estimate the coupling directionality between fNIRS time series data obtained during a variety of different tasks, such as cooperation5, teaching19, and imitation16. GCA employs vector autoregressive models to assess the directionality of coupling between time series in brain data. Granger causality is based on prediction and precedence: &#34;a variable X is said to &#39;G-cause&#39; variable Y if the past of X contains the information that helps to predict the future of Y over and above information already in the past of Y&#34;27. Accordingly, the G-causality is analyzed in two directions: 1) from subject A to subject B and 2) from subject B to subject A.
While GCA analysis serves as a complementary analysis aimed at determining whether a high coherence value obtained using a WTC function reflects IBS or lagged synchronization (one signal leading the other), it does not allow for the determination of whether anti-phase synchronization has occurred. In traditional neuroimaging studies, in which only one participant is scanned (i.e., the &#34;single-brain&#34; approach), an anti-phase pattern means that the activity in one brain region is increased while the activity in the other brain region is decreased28. In the hyperscanning literature, the presence of anti-phase synchronization may suggest that neural activation is increased in one subject, and at the same time, neural activation is decreased for the other subject. Therefore, there is a need to provide a comprehensive model that can detect the directionality. More specifically, this model will be able to detect anti-phase synchronization (in which the direction of activity in one individual is opposite to that of their partner) in addition to in-phase synchronization and lagged synchronization.
In an attempt to address the concern that WTC shows only symmetrical effects, where both brains show the same pattern of change25, a new approach to identify the type of interaction by examining the phase of synchronization (i.e., in-phase, lagged, or anti-phase) is presented (see Figure 2). To this end, a toolbox using the WTC method to classify the different types of interactions was developed. The types of interactions are classified by using relative phase data from cross-wavelet transform analysis.
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/65347/65347fig02.jpg" /> 
Figure 2: Illustration of the different phase relationships of simple sine waves. (A) When the two signals, Signal 1 (blue lines) and Signal 2&#160;(orange lines), reach their respective maximum, minimum, and zero values at the same time point, they are said to be showing in-phase synchronization32. (B) When one signal reaches its maximum value and the other signal reaches zero value at the same time point, they are said to be showing lagged synchronization (one is leading by 90&#176;)32,33,34. (C) When two time series shift in opposite directions, meaning one signal reaches the maximum and the other reaches the minimum value at the same time point, this is referred to as anti-phase synchronization28. (D-P) In all other phase relationships between two time series, one signal is leading the other. In all positive phases, Signal 2&#160;is leading Signal 1 (e.g., panels E, F, M, and N), whereas in all negative phases, Signal 1 is leading Signal 2 (e.g., panels D, G, H, O, and P). Notably, when the absolute value of the phase is higher, it becomes more distinctive which time series is leading the other (e.g., the leadership is more distinctive in panel J than in panel I, and in panel K, the leadership is more distinctive than in panel L). <a href="https://www.jove.com/files/ftp_upload/65347/65347fig02large.jpg" target="_blank">Please click here to view a larger version of this figure.</a>

تسليط الضوء على المؤلف: فتح رؤى جديدة في دراسات fNIRS - إطار جديد لتحليل التزامن بين الدماغ 

إطار جديد لفهم التماسك عبر الدماغ في دراسات المسح الطيفي الوظيفي للأشعة تحت الحمراء القريبة (fNIRS)

Many fNIRS studies have focused on coherence to estimate interbrain synchrony, neglecting phase lag information in the WBC hot plot. Here, a more sensitive approach has been presented that estimates coupling directionality, classifying phase angle value as in-phase synchronization, lag phase synchronization, and anti-phase synchronization. Reanalyzing the previous findings using a new proposed framework offers a comprehensive understanding of the nature of the synchronization between participants.Differentiating in-phase synchronization and anti-phase synchronization provides a new level of clarity, enabling the precise interpretation of previous findings. This framework can be applied to various scenarios, such as studying the role of interpersonal synchronization in social behavior, communication, and decision making. Emphasizing the application of craft theory in conjunction with the developed phase toolbox for hyperscanning apneas provides a deeper understanding of the various type of directionalities observed in interaction extending beyond mere coherence.This approach enables the exploration of the information flow from one brain to another brain in hyperscanning setting.

يوضح هذا القسم أنواع التحليلات التي يمكن إجراؤها باستخدام صندوق الأدوات (والتي يمكن تنزيلها في https://www.ariel.ac.il/wp/sns/download/ أو https://github.com/Minisharmaa/Leader-Follower-By-Phase). لهذه التحليلات ، تم استخدام بيانات fNIRS التي تم جمعها مع عينة صغيرة من ثنائيات الوالدين الرضع. تم اختبار ستة أزواج من ثنائيات الأم والرضيع...

Watch this Scientific Journal Video about Unlocking New Insights in fNIRS Studies -  A Novel Framework for Inter-Brain Synchrony Analysis at JoVE.com

تماسك تحويل المويجات (WTC) هو منهجية شائعة لتقييم الاقتران بين الإشارات المستخدمة في دراسات المسح الطيفي الوظيفي للأشعة تحت الحمراء القريبة (fNIRS). يتم تقديم مجموعة أدوات لتقييم اتجاه تفاعل الإشارة في هذا العمل.

Despite the growing body of functional near-infrared spectroscopy (fNIRS) hyperscanning studies, the assessment of coupling between two neural signals ...

ركزت العديد من دراسات fNIRS على التماسك لتقدير التزامن بين الدماغ ، وإهمال معلومات تأخر الطور في مخطط WBC الساخن. هنا ، تم تقديم نهج أكثر حساسية يقدر اتجاه الاقتران ، ويصنف قيمة زاوية الطور على أنها تزامن في الطور ، وتزامن طور التأخر ، وتزامن مضاد للطور. توفر إعادة تحليل النتائج السابقة باستخدام إطار عمل مقترح جديد فهما شاملا لطبيعة التزامن بين المشاركين.يوفر التمييز بين التزامن في الطور والتزامن المضاد للطور مستوى جديدا من الوضوح ، مما يتيح التفسير الدقيق للنتائج السابقة. يمكن تطبيق هذا الإطار على سيناريوهات مختلفة ، مثل دراسة دور التزامن بين الأشخاص في السلوك الاجتماعي والتواصل وصنع القرار. إن التأكيد على تطبيق نظرية الحرف بالاقتران مع صندوق أدوات المرحلة المطورة لانقطاع النفس المفرط يوفر فهما أعمق للأنواع المختلفة من الاتجاهات التي لوحظت في التفاعل والتي تتجاوز مجرد التماسك.يتيح هذا النهج استكشاف تدفق المعلومات من دماغ إلى دماغ آخر في إعداد المسح المفرط.

new-framework-for-understanding-cross-brain-coherence-functional-near

Research

JoVE Journal

Neuroscience

New Framework for Understanding Cross-Brain Coherence in Functional Near-Infrared Spectroscopy (fNIRS) Hyperscanning Studies

1.7K Views.  Ariel University. ركزت العديد من دراسات fNIRS على التماسك لتقدير التزامن بين الدماغ ، وإهمال معلومات تأخر الطور في مخطط WBC الساخن. هنا ، تم تقديم نهج أكثر حساسية يقدر اتجاه الاقتران ، ويصنف قيمة زاوية الطور على أنها تزامن في الطور ، وتزامن طور التأخر ، وتزامن مضاد للطور. توفر إعادة تحليل النتائج...

Video: تسليط الضوء على المؤلف: فتح رؤى جديدة في دراسات fNIRS - إطار جديد لتحليل التزامن بين الدماغ 

Despite the growing body of functional near-infrared spectroscopy (fNIRS) hyperscanning studies, the assessment of coupling between two neural signals using wavelet transform coherence (WTC) seems to ignore the directionality of the interaction. The field is currently lacking a framework that allows researchers to determine whether a high coherence value obtained using a WTC function reflects in-phase synchronization (i.e., neural activation is seen in both members of the dyad at the same time), lagged synchronization (i.e., neural activation is seen in one member of the dyad prior to the other member), or anti-phase synchronization (i.e., neural activation is increased in one member of the dyad and decreased in the other). To address this need, a complementary and more sensitive approach for analyzing the phase coherence of two neural signals is proposed in this work. The toolbox allows investigators to estimate the coupling directionality by classifying the phase angle values obtained using traditional WTC into in-phase synchronization, lagged synchronization, and anti-phase synchronization. The toolbox also allows researchers to assess how the dynamics of interactions develop and change throughout the task. Using this novel WTC approach and the toolbox will advance our understanding of complex social interactions through their uses in fNIRS hyperscanning studies.

Wavelet transform coherence (WTC) is a common methodology for assessing the coupling between signals that is used in functional near-infrared spectroscopy (fNIRS) hyperscanning studies. A toolbox for assessing the directionality of the signal interaction is presented in this work.

Using Homer3 Software to Perform the Pre-Processing of the fNIRS Hyperscanning Data

To begin open MATLAB, then navigate to the folder where the raw and irs files are saved. Select and open the folder. Type Homer3 into the command window of MATLAB to launch the Homer3 GUI.Homer3 will detect the nirs files and ask to convert them to snirf format to proceed with the pre-processing of the data. After converting the files, click on the Tools option and select Edit Processing Stream. In the process stream edit GUI select the pre-processing steps from the registry function column to the current processing stream column by clicking on Add.Click on the Save option to save the current processing stream and then exit the process stream edit GUI. Click on the RUN option to run the pre-processing stream in the main Homer3 GUI. After Homer3 finishes running the selected processing stream, it will save the pre-processed time series for each participant in a mat file format containing HBO, HBR, and HBT for all the channels and events.A folder named derivatives will be created by Homer3 in the selected folder to store these files. Select the homer folder located in the derivatives folder. Choose the mat file for each brain, and export HBO, HBR, HBT.

استخدام برنامج Homer3 لإجراء المعالجة المسبقة لبيانات المسح التشعبي fNIRS

Getting Started with the LeaderFollowerByPhase Toolbox

Open the leader follower by phase"toolbox to analyze the type of interaction that occurs in a hyper scanning recording. In MATLAB, select the mat files for each brain and load the HBO or HBR data of the specific channel and event into a one dimension vector as signal one and signal two. In the MATLAB command line, define the parameters of the functions low frequency and high frequency.The default value of low frequency is 0.01 hertz, and high frequency is one hertz. Then define the parameter for phase range, followed by the threshold. The default value of the threshold is zero.Execute the MATLAB function LeaderFollowerByPhase"by entering the command shown on the screen. The toolbox generates one figure with four plots. In MATLAB, inspect the box chart plot, which shows the R squared values for each type of interaction category in phase signal one, leading signal two leading, and antiphase.Then inspect the bar graph on the output figure, which displays the maximum values, mean, and median for all interaction types. The scatterplot displays the values of coherence and the types of interaction over time. The division of time according to different types of interactions.Next, inspect the output table with the statistic values for each type of interaction. The table also presents the percentage of time for which each type of interaction occurred. Finally, examine the output value in the extracted spreadsheet file.The classification analysis was repeated with a threshold of 0.5 on dyad A to explore the influence of changing the minimum threshold values on the classification of the types of interaction within a dyad. The result shows that when a threshold of 0.5 was used, the distribution of the different types of relative phase relationships changed. The percentage of antiphase synchronization increased from 35%to 59%and the percentage of endphase synchronization decreased from 26%to 8%This suggests that antiphase synchronization may be the type of interaction that is more representative of this dyad.