Wir möchten uns für die Unterstützung bedanken, die von der National Natural Science Foundation of China (Nr. 62207025), dem Forschungsprojekt für Geistes- und Sozialwissenschaften des Bildungsministeriums der Volksrepublik China (Nr. 22YJC190017) und den Grundlagenforschungsfonds für die zentralen Universitäten von Yafeng Pan geleistet wurde.

Die Studie wurde an der Florida Atlantic University (FAU) durchgeführt und vom FAU Institutional Review Board (IRB) genehmigt.
1. Verwendung der Homer3-Software (Table of Materials) zur Vorverarbeitung der fNIRS-Hyperscanning-Daten
HINWEIS: Homer3 ist eine MATLAB-Anwendung, die fNIRS-Daten analysiert, um Schätzungen und Karten der Gehirnaktivierung zu erhalten29. Homer3 kann unter folgendem Link (https://openfnirs.org/software/homer/) heruntergeladen und installiert werden.
<ol><li>Öffnen Sie MATLAB und navigieren Sie zu dem Ordner, in dem die unformatierten NIRS-Dateien gespeichert sind. Wählen Sie den Ordner aus und öffnen Sie ihn.</li>
	<li>Geben Sie Homer3 in das Befehlsfenster von MATLAB ein, um die Homer3-GUI zu starten. Homer3. erkennt die .nirs-Dateien und fordert zur Konvertierung in das .snirf-Format (ein universelles Dateiformat zum Speichern und Freigeben von NIRS-Daten unabhängig von einem bestimmten anwendungsspezifischen Dateiformat wie MATLAB) auf, um mit der Vorverarbeitung der Daten fortzufahren.</li>
	<li>Nachdem Sie die .nirs-Dateien in das .snirf-Format in Homer3 importiert haben, klicken Sie in der Homer3-GUI auf die Option Extras und wählen Sie Processing Stream bearbeiten.</li>
	<li>Wählen Sie in der ProcStreamEdit-GUI die Vorverarbeitungsschritte aus der Spalte Registry-Funktion in die Spalte Aktueller Verarbeitungs-Stream aus, indem Sie auf Hinzufügen klicken. Die enthaltenen Vorverarbeitungsschritte lauten wie folgt:<ol><li>Verwenden Sie hmrR_intensity2OD , um die Intensitätsdaten in optische Dichte umzuwandeln.</li>
		<li>Verwenden Sie hmrR_MotionCorrectWavelet , um Bewegungsartefakte mit der entsprechenden Filterfunktion zu korrigieren.</li>
		<li>Verwenden Sie hmrR_OD2conc , um die OD-Daten in die Konzentration umzuwandeln.</li>
		<li>Verwenden Sie hmR_BlockAvg, um den Blockdurchschnitt für Konzentrationsdaten zu berechnen. HINWEIS: Die Auswahl der Vorverarbeitungsschritte kann je nach Art des Datensatzes variieren.</li>
	</ol></li>
	<li>Um den aktuellen Verarbeitungsdatenstrom zu speichern, klicken Sie auf die Option Speichern und beenden Sie dann die ProcStreamEdit-GUI.</li>
	<li>Um den Vorverarbeitungs-Stream in der Haupt-GUI von Homer3 auszuführen, klicken Sie auf die Option AUSFÜHREN . Nachdem Homer3 die Ausführung des ausgewählten Verarbeitungsdatenstroms abgeschlossen hat, speichert es die vorverarbeiteten Zeitreihen für jeden Teilnehmer in einem .mat-Dateiformat, das Hbo, Hbr und Hbt für alle Kanäle und Ereignisse enthält. Ein Ordner mit dem Namen homer output wird von Homer3 im aktuell ausgewählten Ordner erstellt, um diese Dateien zu speichern.</li>
	<li>Ein Ordner mit dem Namen derivatives wird von Homer3 im ausgewählten Ordner erstellt, um diese Dateien zu speichern. Wählen Sie den Homer-Ordner aus, der sich im Ordner "Derivate" befindet. Wählen Sie die .mat-Datei für jedes Gehirn aus und exportieren Sie Hbo, Hbr, Hbt. HINWEIS: Der Name des von Homer3 erstellten Ausgabeordners hängt von der Homer3-Version ab.</li>
</ol>2. Erste Schritte mit der LeaderFollowerByPhase-Toolbox
<ol><li>Um die Art der Interaktion zu analysieren, die in einer Hyperscan-Aufzeichnung auftritt, verwenden Sie die Toolbox LeaderFollowerByPhase, wie in dem in Abbildung 3 gezeigten Prozess beschrieben. Wählen Sie in MATLAB die .mat-Dateien für jedes Gehirn aus und laden Sie die Hbo- (oder Hbr-) Daten des spezifischen Kanals und des spezifischen Ereignisses in einen eindimensionalen Vektor als signal1 und signal2.</li>
	<li>Definieren Sie in der MATLAB-Befehlszeile die Parameter<ol><li>lowFreq, highFreq: Geben Sie lowFreq = [niedriger FOI] und highFreq = [hoher FOI] ein. Die Standardwerte sind lowFreq = 0,01 Hz, highFreq = 1 Hz. HINWEIS: Die Parameter der Funktionen lowFreq und highFreq definieren den FOI-Bereich (Frequency of Interest). WTC berechnet die Kohärenz zwischen den beiden Gehirnen zu jedem Zeitpunkt und jeder Frequenz. Die Kohärenzwerte werden in der Regel innerhalb eines bestimmten FOI gemittelt.</li>
		<li>Definieren Sie den Parameter phaseRange; type phaseRange = [Bereich in Grad]. HINWEIS: Der Standardwert ist phaseRange = 90°. Die Phase liegt zwischen 0° und 360° aufgrund der zirkulären Modulo-Natur der Phase. Die Phasenbereiche werden nach einem Bereich unterteilt, der vier Punkte umgibt. In der vorgestellten Toolbox wird ein neuer Ansatz zur Klassifizierung asymmetrischer Wechselwirkungen vorgestellt (Abbildung 4), indem die Richtungsabhängigkeit der Kopplung unter Verwendung der Phasenwinkelwerte entsprechend den Bereichen untersucht wird, die der verzögerten Synchronisation mit Signal 1 führend (ein Bereich um −90°) oder Signal 2 führend (ein Bereich um 90°), Signal 1, Signal 2 In-Phase-Synchronisation (ein Bereich um 0) entsprechen, und Signal 1, Signal 2 Anti-Phasen-Synchronisation (ein Bereich um +180° oder −180°).</li>
		<li>Definieren Sie den Parameter Schwellenwert. Geben Sie threshold = [threshold rsq val] ein. Der Standardwert ist Schwellenwert = 0. HINWEIS: Die Toolbox ermöglicht die Angabe eines Schwellenwertkohärenzwerts durch Angabe des Schwellenwertparameters. Dies ermöglicht es dem Forscher, Zeitpunkte mit einem bestimmten minimalen Kohärenzwert auszuwählen. Folglich werden nur Zeitpunkte berücksichtigt, deren Kohärenzwerte über dem angegebenen Schwellenwert liegen.</li>
	</ol></li>
	<li>Laden Sie die Toolbox LeaderFollowerByPhase über den folgenden Link herunter (https://www.ariel.ac.il/wp/sns/download/ oder https://github.com/Minisharmaa/Leader-Follower-By-Phase).</li>
	<li>Führen Sie die MATLAB-Funktion LeaderFollowerByPhase aus, indem Sie den Befehl cohervalues = LeaderFollowerByPhase(signal1, signal2, lowFreq, highFreq, phaseRange, threshold) in die Befehlszeile eingeben. HINWEIS: Die Kohärenz- und Phasenberechnungen werden mit den Funktionen WTC und XWT in MATLAB bzw.30 durchgeführt.</li>
	<li>Untersuchen Sie die Werte für die Synchronisierung in Phase, Signal 1, Signal 2 und Antiphase:<ol><li>Untersuchen Sie die Diagramme in MATLAB. Die Toolbox generiert eine Figur mit vier Plots.<ol><li>Kohärenz nach Art der Wechselwirkung: Untersuchen Sie das Boxchart-Diagramm oben links in der Abbildung, das das R-Quadrat (Rsq) für jede Art von Wechselwirkung (phasengleich, Signal 1 führend, Signal 2 führend, antiphasig) zeigt. HINWEIS: Eine detaillierte Beschreibung der integrierten Funktion des MATLAB-Boxcharts finden Sie unter folgendem Link (https://www.mathworks.com/help/matlab/ref/boxchart.html).</li>
			<li>Zentrale Indizes nach Art der Interaktion: Untersuchen Sie das Balkendiagramm oben rechts in der Ausgabeabbildung, in dem der maximale Mittelwert und Median für jede Art von Wechselwirkung (phasengleich, Signal 1 führend, Signal 2 führend, gegenphasig) angezeigt wird. HINWEIS: Eine detaillierte Beschreibung der integrierten Funktion der MATLAB-Leiste finden Sie unter folgendem Link (https://www.mathworks.com/help/matlab/ref/bar.html).</li>
			<li>Kohärenz im Zeitverlauf: Untersuchen Sie das Streudiagramm unten links in der Ausgabeabbildung, in dem die Kohärenzwerte und die Arten der Wechselwirkung im Zeitverlauf angezeigt werden. Die farbigen Punkte stehen für verschiedene Arten von Wechselwirkungen (schwarze Punkte stehen für die phasengleiche Synchronisation, dunkelgraue Punkte für Signal 1, hellgraue Punkte für Signal 2 und violette Punkte für die Antiphasensynchronisation). ANMERKUNG: Die Abbildung zeigt die Dynamik der Interaktion: den Austausch zwischen den vier Interaktionstypen während der gesamten Vollzeitreihe. Eine detaillierte Beschreibung der MATLAB-Streufunktion finden Sie unter folgendem Link (https://www.mathworks.com/help/matlab/ref/scatter.html).</li>
			<li>Zeitprozentsatz: Überprüfen Sie das Kreisdiagramm unten rechts in der Ausgabeabbildung, in dem die Zeiteinteilung nach den verschiedenen Interaktionstypen angezeigt wird. HINWEIS: Eine detaillierte Beschreibung der MATLAB-Kreisfunktion finden Sie unter folgendem Link (https://www.mathworks.com/help/matlab/ref/pie.html).</li>
		</ol></li>
	</ol></li>
	<li>Überprüfen Sie die Ausgabetabelle mit den statistischen Werten (d. h. Mittelwert, Maximum, Median und Standardabweichung) für jede Art von Wechselwirkung (phasengleiche Synchronisation, Signal 1 führend, Signal 2 führend, Antiphasensynchronisation). In der Tabelle wird auch der Prozentsatz der Zeit angezeigt, in der die einzelnen Interaktionstypen aufgetreten sind. Jeder Interaktionstyp wird in einer anderen Spalte angezeigt.</li>
	<li>Überprüfen Sie den Ausgabewert in der extrahierten Tabellenkalkulationsdatei (d. h. datatable.xlsx im aktuellen Ordner).</li>
</ol><img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/65347/65347fig03.jpg"> Abbildung 3: Überblick über den Arbeitsablauf. (A) Mutter-Kind-Dyaden, die sich im freien Spiel befanden, während fNIRS-Daten hyperscannten. (B) Illustration einer Mutter-Kind-Zeitreihe. (C) Vorverarbeitung der Zeitreihen mit Homer3. (D,E) Die Verwendung einer Toolbox zum Untersuchen verschiedener Arten von Interaktionen, z. B. phasengleiche Synchronisierung, Antiphasensynchronisierung und verzögerte Synchronisierung. <a href="https://www.jove.com/files/ftp_upload/65347/65347fig03large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/65347/65347fig04.jpg"> Abbildung 4: Klassifikation von vier verschiedenen Arten von Wechselwirkungen basierend auf der Phase. Dies stellt die Phasendifferenz der beiden neuronalen Zeitreihen in einem 360°-Modulo dar. Die Phasendifferenz kann man sich als Zeitverzögerung zwischen zwei Werten vorstellen und wird in Grad und Bogenmaß oder Bruchteilen der Wellenlänge gemessen. Hier wird das 360°-Modulo in vier verschiedene Bereiche unterteilt, die vier verschiedene Phasen der Wechselwirkung darstellen: (A) Signal 1 führend (ein Bereich um 90°, zwischen 45° und 135°), (B) Antiphasensynchronisation zwischen Signal 1 und Signal 2 (ein Bereich um 180° oder −180°, zwischen 135 und −135°), (C) Signal 2 führend (zwischen −135° und −45°), (D) In-Phase-Synchronisation (ein Bereich um 0, zwischen −45° und 45°). Diese Teilung ist der Standardansatz (45° um jeden Punkt); Die Toolbox erlaubt es jedoch, eine andere Abteilung zu konfigurieren. Während andere Konfigurationen möglicherweise nicht alle 360° abdecken, kann dies zu einer genaueren Definition der einzelnen Interaktionstypen führen. <a href="https://www.jove.com/files/ftp_upload/65347/65347fig04large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>

Revolutionierung der fNIRS-Studien: Ein neuartiger Ansatz zur neuronalen Kopplung

Die Autoren erklären, dass die Forschung in Abwesenheit von kommerziellen oder finanziellen Beziehungen durchgeführt wurde, die als potenzieller Interessenkonflikt ausgelegt werden könnten.

Eine der gebräuchlichsten Methoden, die in fNIRS-Studien verwendet wird, ist die Wavelet-Transformationskohärenz (WTC), die ein Maß für die Kreuzkorrelation zweier Zeitreihen in Abhängigkeit von Frequenz und Zeitist 10. WTC berechnet die Kohärenz und Phasenverschiebung zwischen zwei Zeitreihen mit Hilfe von Korrelationsanalysen (Supplementary File 1). FNIRS-Hyperscanning-Studien haben WTC verwendet, um das Reizdarmsyndrom in vielen Funktionsbereichen zu schätzen, einschlie?...

In den letzten Jahren hat sich die Art der Studien, die durchgeführt werden, um die neuronalen Grundlagen des Sozialverhaltens zu verstehen, verschoben 1,2. Traditionell haben sich Studien in den sozialen Neurowissenschaften auf die neuronale Aktivierung in einem isolierten Gehirn während einer sozial relevanten Aufgabe konzentriert. Fortschritte in der Neuroimaging-Technologie ermöglichen es nun jedoch, die neuronale Aktivierung im Gehirn eines oder mehrerer Personen während sozialer Interaktion zu untersuchen, wie sie im "realen" Leben stattfindet3. Im "realen" Leben können sich Individuen frei bewegen, und die Muster der Gehirnaktivierung ändern sich wahrscheinlich, wenn Informationen ausgetauscht werden und die Sozialpartner Feedback voneinander erhalten4.
Hyperscanning ist eine Methode, die diesen bidirektionalen Informationsaustausch bewertet, indem die Gehirnaktivität von zwei oder mehr Personen gleichzeitig gemessenwird 5. Eine neue Forschungsgruppe hat die funktionelle Nahinfrarotspektroskopie (fNIRS) eingesetzt, eine nicht-invasive Neuroimaging-Technik, die im Vergleich zu anderen bildgebenden Verfahren weniger anfällig für Bewegungsartefakte ist6. Hyperscanning über fNIRS ermöglicht die Beurteilung der Interhirnsynchronisation (IBS) in realen Umgebungen, während sich die interaktiven Partner frei und natürlich bewegen. Dies ist besonders relevant für die Arbeit mit Säuglingen und Kleinkindern, die in der Regel sehr aktiv sind. Es wurde berichtet, dass das Reizdarmsyndrom das gegenseitige Verständnis zwischen interaktiven Partnern widerspiegelt, das als Grundlage für effektive soziale Interaktion und Kommunikation dient und gemeinsame Intentionalität vermittelt 1,7,8.
Es werden mehrere Methoden verwendet, um das Reizdarmsyndrom zweier Gehirne zu bewerten. Zu diesen Methoden gehören Zeitreihenkorrelationen, wie z.B. die Kreuzkorrelation und der Pearson-Korrelationskoeffizient 9,10 (siehe eine Übersichtsarbeit von Scholkmann et al.10). Andere Methoden beinhalten die Bewertung der Stärke der Kopplung im Frequenzbereich. Zu diesen Methoden gehören der Phasensperrwert (PLV) und die Phasenkohärenz (siehe eine Übersichtsarbeit von Czeszumski et al.11). Eine der gebräuchlichsten Methoden in fNIRS-Studien verwendet die Wavelet-Transformationskohärenz (WTC) - ein Maß für die Kreuzkorrelation zweier Zeitreihen in Abhängigkeit von Frequenz und Zeit10.
WTC verwendet Korrelationsanalysen, um die Kohärenz und Phasenverschiebung zwischen zwei Zeitreihen im Zeit-Frequenz-Bereich zu berechnen. FNIRS-Hyperscanning-Studien haben WTC verwendet, um das Reizdarmsyndrom in vielen Funktionsbereichen zu schätzen, einschließlich Aktionsüberwachung 12, kooperatives und kompetitives Verhalten 5,13,14,15, Nachahmung 16, Mutter-Kind-Problemlösung 17 und Lehr-Lern-Verhalten 18,19,20,21. Typischerweise wird in Hyperscanning-Studien die gehirnübergreifende Kohärenz, wie sie von WTC gemessen wird, während einer experimentellen Aufgabe mit der hirnübergreifenden Kohärenz während einer Kontrollaufgabe verglichen. Diese Ergebnisse werden in der Regel mit einem WTC-"Hot Plot" dargestellt, der die Kohärenz zwischen den beiden Gehirnen zu jedem Zeitpunkt und jeder Häufigkeit zeigt (siehe Abbildung 1).
Wie von Czesumaski et al.11 vorgeschlagen, hat sich WTC zum analytischen Standardansatz für die Analyse von fNIRS-Hyperscanning entwickelt. Die WTC-Analyse ist eine flexible, "werkzeugunabhängige" Methode zur Datenvisualisierung und -interpretation22. Die Kohärenzkoeffizienten-Heatmap, die eine narrative Form der Analyse bietet, die es ermöglicht, Perioden synchronen oder asynchronen Verhaltens sowie die Intensität der Gehirnaktivität während der Erledigung einer Aufgabe leicht zu identifizieren, ist der Hauptvorteil von WTC und macht es zu einem starken Werkzeug für die angewandte Forschung22. WTC hat einen Vorteil gegenüber Korrelationstechniken. Korrelationen sind empfindlich gegenüber der Form der hämodynamischen Reaktionsfunktion (HRF), von der angenommen wird, dass sie sich zwischen Individuen (insbesondere in Bezug auf das Alter) und zwischen verschiedenen Gehirnbereichen unterscheidet. Im Gegensatz dazu ist das WTC von interregionalen Veränderungen im (HRF)23 nicht betroffen. Forscher haben den Wavelet-Ansatz verwendet, um fMRT-Zeitreihen zu untersuchen. Zhang et al.24 verglichen die häufig verwendeten funktionalen Konnektivitätsmetriken, einschließlich der Pearson-Korrelation, der partiellen Korrelation, der gegenseitigen Information und der Wavelet-Kohärenztransformation (WTC). Sie führten Klassifikationsexperimente mit groß angelegten funktionellen Konnektivitätsmustern durch, die aus fMRT-Daten aus dem Ruhezustand und fMRT-Daten mit natürlichem Stimulus beim Betrachten von Videos abgeleitet wurden. Ihre Ergebnisse deuteten darauf hin, dass WTC bei der Klassifizierung (Spezifität, Sensitivität und Genauigkeit) am besten abschneidet, was darauf hindeutet, dass WTC eine bevorzugte funktionelle Konnektivitätsmetrik für die Untersuchung funktioneller Gehirnnetzwerke ist, zumindest in Klassifikationsanwendungen24.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65347/65347fig01.jpg"> Abbildung 1: Kohärenz der Wavelet-Transformation (WTC). WTC zeigt die Kohärenz und den Phasenwinkel zwischen zwei Zeitreihen als Funktion sowohl der Zeit (x-Achse) als auch der Frequenz (y-Achse). Die Kohärenzerhöhung wird durch die rote Farbe im Diagramm dargestellt, und die kleinen Pfeile im Diagramm zeigen den Phasenwinkel der beiden Zeitreihen an. Der nach rechts zeigende Pfeil stellt die phasengleiche Synchronisierung dar. Die nach unten und nach oben zeigenden Pfeile stellen eine verzögerte Synchronisierung dar. und der nach links zeigende Pfeil stellt die Anti-Phasen-Synchronisation30 dar. Diese Abbildung wurde von Pan et al.19 übernommen. <a href="https://www.jove.com/files/ftp_upload/65347/65347fig01large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
Kürzlich hat Hamilton25 mehrere Einschränkungen bei der Interpretation von Cross-hirn-Kohärenzdaten in fNIRS-Hyperscanning-Studien artikuliert. Eines von Hamiltons Hauptanliegen war, dass Kohärenzmessungen (z.B. WTC) Effekte nur als symmetrisch melden (d.h. zwei Gehirne sind korreliert und zeigen das gleiche Veränderungsmuster). Viele soziale Interaktionen sind jedoch asymmetrisch (z. B. der Informationsfluss zwischen einem Sprecher und einem Zuhörer), da zwei Teilnehmer unterschiedliche Rollen spielen können, und es ist nicht klar, ob das WTC diese Informationen erfassen kann. Hier wird dieses Problem durch ein neues Framework gelöst, das eine einfache Interpretation der Cross-Wavelet-Leistung ermöglicht, indem die Cross-Wavelet-Phase zur Erkennung der Richtungsabhängigkeit verwendet wird. Dieser Rahmen ermöglicht es auch, zu untersuchen, wie sich die Dynamik von Interaktionen während einer Aufgabe entwickelt und verändert.
Während WTC- und Korrelationsmethoden die funktionelle Konnektivität bewerten, bewerten andere Methoden die effektive Konnektivität und versuchen, die kausalen Einflüsse eines neuronalen Elements auf ein anderes zu extrahieren. Die Transferentropie ist ein Maß aus der Informationstheorie, das den Transfer zwischen gemeinsam abhängigen Prozessen beschreibt26. Eine weitere verwandte Methode ist die Granger-Kausalitätsanalyse (GCA), die als äquivalent zur Transferentropie26 beschrieben wurde.
In der bestehenden Literatur zu fNIRS-Hyperscanning-Studien wurde die Granger-Kausalitätsanalyse (GCA) häufig verwendet, um die Kopplungsdirektionalität zwischen fNIRS-Zeitreihendaten abzuschätzen, die während einer Vielzahl verschiedener Aufgaben gewonnen wurden, wie z. B. Kooperation5, Unterricht19 und Nachahmung16. GCA verwendet vektorautoregressive Modelle, um die Richtungsabhängigkeit der Kopplung zwischen Zeitreihen in Gehirndaten zu bewerten. Die Kausalität von Granger basiert auf Vorhersage und Präzedenz: "Eine Variable X wird als 'G-Ursache' der Variablen Y bezeichnet, wenn die Vergangenheit von X die Informationen enthält, die helfen, die Zukunft von Y vorherzusagen, und zwar über Informationen, die bereits in der Vergangenheit von Y liegen"27. Dementsprechend wird die G-Kausalität in zwei Richtungen analysiert: 1) von Subjekt A zu Subjekt B und 2) von Subjekt B zu Subjekt A.
Während die GCA-Analyse als ergänzende Analyse dient, die darauf abzielt, festzustellen, ob ein hoher Kohärenzwert, der mit einer WTC-Funktion erhalten wurde, eine IBS- oder verzögerte Synchronisation widerspiegelt (ein Signal führt zum anderen), ermöglicht sie nicht die Bestimmung, ob eine Antiphasensynchronisation stattgefunden hat. In traditionellen Neuroimaging-Studien, bei denen nur ein Teilnehmer gescannt wird (d. h. der "Single-Brain"-Ansatz), bedeutet ein Anti-Phasen-Muster, dass die Aktivität in einer Gehirnregion erhöht wird, während die Aktivität in der anderen Gehirnregion verringert wird28. In der Hyperscanning-Literatur kann das Vorhandensein einer Anti-Phasen-Synchronisation darauf hindeuten, dass die neuronale Aktivierung bei einem Subjekt erhöht ist und gleichzeitig die neuronale Aktivierung bei dem anderen Subjekt verringert ist. Daher besteht die Notwendigkeit, ein umfassendes Modell bereitzustellen, das die Richtungsabhängigkeit erkennen kann. Genauer gesagt wird dieses Modell in der Lage sein, eine Anti-Phasen-Synchronisation (bei der die Aktivitätsrichtung eines Individuums der seines Partners entgegengesetzt ist) zusätzlich zu einer phasenweisen Synchronisation und einer verzögerten Synchronisation zu erkennen.
In einem Versuch, die Besorgnis auszuräumen, dass WTC nur symmetrische Effekte zeigt, bei denen beide Gehirne das gleiche Veränderungsmuster zeigen25, wird ein neuer Ansatz zur Identifizierung der Art der Interaktion durch Untersuchung der Synchronisationsphase (d. h. phasengleich, verzögert oder anti-phasig) vorgestellt (siehe Abbildung 2). Zu diesem Zweck wurde eine Toolbox entwickelt, die die verschiedenen Arten von Wechselwirkungen mit der WTC-Methode klassifiziert. Die Arten von Wechselwirkungen werden anhand von relativen Phasendaten aus der Cross-Wavelet-Transformationsanalyse klassifiziert.
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/65347/65347fig02.jpg"> Abbildung 2: Darstellung der unterschiedlichen Phasenbeziehungen einfacher Sinuswelle. (A) Wenn die beiden Signale, Signal 1 (blaue Linie s) und Signal 2 (orangefarbene Linies), ihre jeweiligen Maximal-, Minimal- und Nullwerte zum gleichen Zeitpunkt erreichen, werden sie als phasensynchron32 bezeichnet. (B) Wenn ein Signal seinen Maximalwert erreicht und das andere Signal zum gleichen Zeitpunkt den Nullwert erreicht, wird von einer verzögerten Synchronisation gesprochen (eines führt um 90°)32,33,34. (C) Wenn sich zwei Zeitreihen in entgegengesetzte Richtungen verschieben, d. h. ein Signal erreicht den Maximalwert und das andere den Minimalwert zum gleichen Zeitpunkt, wird dies als Anti-Phasen-Synchronisation28 bezeichnet. (D-P) In allen anderen Phasenbeziehungen zwischen zwei Zeitreihen führt ein Signal das andere. In allen positiven Phasen ist Signal 2 führend gegenüber Signal 1 (z. B. Felder E, F, M und N), während Signal 1 in allen negativen Phasen vor Signal 2 steht (z. B. Felder D, G, H, O und P). Wenn der absolute Wert der Phase höher ist, wird es deutlicher, welche Zeitreihe die andere anführt (z. B. ist die Führung in Panel J ausgeprägter als in Panel I, und in Panel K ist die Führung ausgeprägter als in Panel L). <a href="https://www.jove.com/files/ftp_upload/65347/65347fig02large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</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

Trotz der wachsenden Zahl von funktionellen Hyperscanning-Studien mit Nahinfrarotspektroskopie (fNIRS) scheint die Bewertung der Kopplung zwischen zwei neuronalen Signalen mittels Wavelet-Transformationskohärenz (WTC) die Richtungsabhängigkeit der Wechselwirkung zu ignorieren. Dem Feld fehlt derzeit ein Rahmen, der es den Forschern ermöglicht, zu bestimmen, ob ein hoher Kohärenzwert, der mit einer WTC-Funktion erhalten wurde, eine phasengleiche Synchronisation (d. h. eine neuronale Aktivierung wird in beiden Mitgliedern der Dyade gleichzeitig beobachtet), eine verzögerte Synchronisation (d. h. eine neuronale Aktivierung wird in einem Mitglied der Dyade vor dem anderen Mitglied beobachtet) widerspiegelt. oder Anti-Phasen-Synchronisation (d.h. die neuronale Aktivierung ist in einem Mitglied der Dyade erhöht und in dem anderen vermindert). Um diesem Bedarf gerecht zu werden, wird in dieser Arbeit ein komplementärer und sensitiverer Ansatz zur Analyse der Phasenkohärenz zweier neuronaler Signale vorgeschlagen. Die Toolbox ermöglicht es den Forschern, die Richtungsabhängigkeit der Kopplung abzuschätzen, indem sie die Phasenwinkelwerte, die mit herkömmlicher WTC ermittelt wurden, in phasengleiche Synchronisation, verzögerte Synchronisation und Antiphasensynchronisation klassifizieren. Die Toolbox ermöglicht es den Forschern auch, zu beurteilen, wie sich die Dynamik der Interaktionen während der Aufgabe entwickelt und verändert. Die Verwendung dieses neuartigen WTC-Ansatzes und der Toolbox wird unser Verständnis komplexer sozialer Interaktionen durch ihre Verwendung in fNIRS-Hyperscanning-Studien verbessern.

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>

Autor im Rampenlicht: Neue Erkenntnisse in fNIRS-Studien erschließen - Ein neuartiges Framework für die Synchronieanalyse zwischen den Gehirnen 

Neuer Rahmen für das Verständnis der hirnübergreifenden Kohärenz in funktionellen Hyperscanning-Studien der Nahinfrarotspektroskopie (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.

In diesem Abschnitt werden die Arten von Analysen erläutert, die mit der Toolbox durchgeführt werden können (die unter https://www.ariel.ac.il/wp/sns/download/ oder https://github.com/Minisharmaa/Leader-Follower-By-Phase heruntergeladen werden kann. Für diese Analysen wurden fNIRS-Daten verwendet, die mit einer kleinen Stichprobe von Säuglings-Eltern-Dyaden gesammelt wurden. Sechs Paare von Mutter-Kind-Dyaden wurden mit einer validierten Verhaltensaufgabe, der Freispielaufgabe31, getestet, di...

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

Die Wavelet-Transformationskohärenz (WTC) ist eine gängige Methode zur Bewertung der Kopplung zwischen Signalen, die in Hyperscanning-Studien der funktionellen Nahinfrarotspektroskopie (fNIRS) verwendet wird. In dieser Arbeit wird ein Werkzeugkasten zur Beurteilung der Richtungsabhängigkeit der Signalwechselwirkung vorgestellt.

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

Viele fNIRS-Studien haben sich auf die Kohärenz konzentriert, um die Synchronität zwischen den Gehirnen abzuschätzen, und die Phasenverzögerungsinformationen im Leukozyten-Hot-Plot vernachlässigt. Hier wurde ein empfindlicherer Ansatz vorgestellt, der die Richtungsabhängigkeit der Kopplung schätzt und den Phasenwinkelwert als In-Phase-Synchronisation, Lag-Phase-Synchronisation und Anti-Phasen-Synchronisation klassifiziert. Die erneute Analyse der bisherigen Ergebnisse mit Hilfe eines neuen vorgeschlagenen Frameworks bietet ein umfassendes Verständnis der Art der Synchronisation zwischen den Teilnehmern.Die Unterscheidung zwischen In-Phasen-Synchronisation und Anti-Phasen-Synchronisation schafft ein neues Maß an Klarheit und ermöglicht die präzise Interpretation früherer Befunde. Dieser Rahmen kann auf verschiedene Szenarien angewendet werden, z. B. auf die Untersuchung der Rolle der zwischenmenschlichen Synchronisierung im sozialen Verhalten, in der Kommunikation und in der Entscheidungsfindung. Die Betonung der Anwendung der Handwerkstheorie in Verbindung mit der entwickelten Phasen-Toolbox für Hyperscanning-Apnoen ermöglicht ein tieferes Verständnis der verschiedenen Arten von Richtungen, die in der Interaktion beobachtet werden, die über die bloße Kohärenz hinausgehen.Dieser Ansatz ermöglicht die Untersuchung des Informationsflusses von einem Gehirn zum anderen Gehirn in Hyperscanning-Umgebung.

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

1.6K Aufrufe.  Ariel University. Viele fNIRS-Studien haben sich auf die Kohärenz konzentriert, um die Synchronität zwischen den Gehirnen abzuschätzen, und die Phasenverzögerungsinformationen im Leukozyten-Hot-Plot vernachlässigt. Hier wurde ein empfindlicherer Ansatz vorgestellt, der die Richtungsabhängigkeit der Kopplung schätzt und den Phasenwinkelwert als In-Phase-Synchronisation, Lag-Phase-Synchronisation und Anti-Phasen-Synchronisation klassifiziert. Die erneute Analyse der bisherigen Ergebnisse mit Hilfe eines n...

Serie: Autor im Rampenlicht: Neue Erkenntnisse in fNIRS-Studien erschließen - Ein neuartiges Framework für die Synchronieanalyse zwischen den Gehirnen 

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.

Forschung

Neurowissenschaften

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.

Verwendung der Homer3-Software zur Vorverarbeitung der fNIRS-Hyperscanning-Daten

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.