Hyperscanning ist eine vielversprechende Methode, um die Beziehung zwischen Individuen zu beschreiben und in dieser Studie findet neuronale Synchronisation zwischen Individuen. Und die wichtigste Frage ist, herauszufinden, wer sich mit wem synchronisiert. Und die Methode, die wir hier vorschlagen, besteht darin, die Richtung des Informationsflusses zwischen Individuen zu identifizieren.
Im Vergleich zu anderen Methoden besteht der wichtigste Vorteil dieser Methode darin, die verschiedenen Störfaktoren aus der neuronalen Synchronisation zu entfernen. Zum Beispiel die Autokorrelation in jedem Signal. Und in der Zwischenzeit können wir die hohe räumliche anatomische Auflösung jedes Signals aufrechterhalten.
Starten Sie die Datenvorverarbeitung, indem Sie die Hämoglobinkonzentrationsänderungsdatendateien aus dem Gerät exportieren und die Dateien in das MATLAB-lesbare Format übertragen. Entfernen Sie dann die erste und die letzten 15 Sekunden der Daten für jede Sitzung, um Transientenreaktionen zu vermeiden, und verwenden Sie die integrierte MATLAB-Dezimatfunktion, um die Daten von 55,6 Hertz auf 11,1 Hertz herunterzustapfen. Um Bewegungsartefakte zu korrigieren, wenden Sie die diskrete Wavelet-Transformationsfiltermethode mit der entsprechenden Filterfunktion an.
Verwenden Sie die integrierte PCA-Funktion, um globales physiologisches Rauschen zu entfernen. Entfernen Sie dann die oberen 80% der Varianz aus den Signalen. Nachdem Sie die ersten zwei Sekunden der Daten von Frauen und die letzten zwei Sekunden der Daten von Männern entfernt haben, berechnen Sie den von Frauen geführten INS WTC-Wert mit zwei Sekunden Verzögerung mit der Gleichung.
Berechnen Sie nach dem Entfernen der ersten zwei Sekunden der Daten von Männern und der letzten zwei Sekunden der Daten von Frauen den von Männern geführten INS WTC-Wert mit zwei Sekunden Rückstand. Wiederholen Sie den Vorgang mit unterschiedlichen Zeitverzögerungen, N, wie N entspricht vier oder sechs oder acht Sekunden, über die potenziellen 676 CH-Paare und berechnen Sie die Stärke von Frauen und Männern geführten zeitverzögerten INS WTC mit der Gleichung wie zuvor beschrieben. Berechnen Sie INS pWTC mit pWTC auf die gleiche Weise mit der Gleichung.
Generieren Sie die zeitverzögerte Zeitreihe der fNIRS-Signale zwischen Männern und Frauen und berechnen Sie die Werte des zeitverzögerten WTC bei unterschiedlichen Zeitverzögerungen. Generieren Sie automatisch korrelierte Zeitreihen von fNIRS-Signalen von Männern, indem Sie die ersten zwei Sekunden und die letzten zwei Sekunden der Daten von den Männern entfernen. Berechnen Sie dann den autokorrelierten Wert von zwei Sekunden für Männer.
Bewerten Sie dann die automatisch korrelierten WTC-Werte zu unterschiedlichen Zeitpunkten. Erstellen Sie auf die gleiche Weise eine zeitlich ausgerichtete Zeitreihe der fNIRS-Signale, indem Sie die ersten zwei Sekunden der Daten von den Männern und Frauen entfernen. Berechnen Sie dann den zwei Sekunden zeitlich ausgerichteten WTC.
Bewerten Sie dann die zeitlich ausgerichteten WTC-Werte zu unterschiedlichen Zeitpunkten. Geben Sie die zeitlich ausgerichteten WTC-, zeitverzögerten WTC- und autokorrelierten WTC-Werte mit unterschiedlicher Zeitverzögerung in die Gleichungen von pWTC ein und generieren Sie INS pWTC. Entfernen Sie bei der fNIRS-Datenverarbeitung der zweiten Ebene physiologisches Rauschen und Frequenzbänder jedes Signals über 0,7 Hertz.
Entfernen Sie dann die Frequenzbänder jedes Signals unter 0,01 Hertz und innerhalb von 0,15 bis 0,3 Hertz, um sehr geringe Frequenzschwankungen herauszufiltern. Transformieren Sie INS mit Fisher Z-Transformation und dann den Mittelwert von INS in der zeitlichen Dimension. Führen Sie für das gemittelte INS bei jeder Zeitverzögerung einen gepaarten t-Test mit zwei Stichproben an jedem CH-Paar über den Frequenzbereich durch.
Identifizieren Sie dann alle signifikanten Frequenzcluster. Weisen Sie dyadische Beziehungen neu zu, indem Sie die Teilnehmer nach dem Zufallsprinzip neuen Paaren mit zwei Mitgliedern zuweisen, wie den Teilnehmern eines Diads, die noch nie miteinander kommuniziert hatten. Führen Sie einen clusterbasierten Permutationstest durch, um einen Schwellenwert für die Ergebnisse festzulegen.
Berechnen Sie das INS in jeder Zeitverzögerung neu. Führen Sie gepaarte t-Tests in der neuen Probe durch und identifizieren Sie signifikante Frequenzcluster. Wählen Sie dann den Cluster mit dem größten summierten T-Wert aus, bevor Sie die Prozeduren 1.000 Mal wiederholen, um eine Nullverteilung der maximalen falsch positiven T-Werte zu generieren.
Vergleichen Sie den summierten T-Wert jedes identifizierten Frequenzclusters in der ursprünglichen Stichprobe mit der Nullverteilung, um signifikante statistische Ergebnisse zu erhalten. In der Studie wurde eine Simulationsanalyse durchgeführt. Die repräsentative Analyse zeigt, dass der zeitverzögerte INS WTC mit Autokorrelation signifikant höher war als der zeitverzögerte INS WTC ohne Autokorrelation und der zeitverzögerte INS pWTC.
Darüber hinaus gab es keinen signifikanten Unterschied zwischen dem zeitverzögerten INS WTC ohne Autokorrelation und INS pWTC, was auf die Effizienz von pWTC bei der Entfernung der Auswirkungen des Autokorrelationseffekts auf INS hinweist. Ein marginal signifikanter Kontexteffekt wurde innerhalb von 0,4 bis 0,6 Hertz beobachtet, wobei der von Männern um vier Sekunden hinter dem der Frauen zurückblieb. Im Gegensatz dazu wurde für INS pWTC nur ein signifikanter Kontexteffekt innerhalb von 0,4 bis 0,6 Hertz beobachtet, wenn die Sensor- und motorische Kortexaktivität von Männern um vier Sekunden hinter der von Frauen zurückblieb.
Das direktionale INS von Frauen zu Männern war in den Konfliktkontexten signifikant höher als in den unterstützenden Kontexten. Die Ergebnisse von INS pWTC wurden mit der Granger-Kausalitätsmethode validiert. Die Ergebnisse zeigten, dass INS GC ein ähnliches Muster wie INS pWTC aufwies.
Das durch die Granger-Kausalitätsanalyse berechnete direktionale INS von Frauen zu Männern war in den Konfliktkontexten signifikant höher als in den unterstützenden Kontexten. Nach der Berechnung der neuronalen Synchronisation mit dieser Methode ist es auch möglich, viele andere Methoden durchzuführen. Zum Beispiel können wir diesen direktionalen Informationsfluss zwischen verschiedenen sozialen Verbindungskontexten und der sozialen Verbindung in verschiedenen sozialen Beziehungen vergleichen.
Und es ist auch möglich, den Beitrag verschiedener Kommunikationsverhaltensweisen zur neuronalen Synchronisation zu verstehen. Zum Beispiel, ob es verbale Kommunikation oder nonverbale Kommunikation ist, spielt eine wichtigere Rolle in der neuronalen Synchronisation.
