El hiperescaneo es un método prometedor para describir la relación entre individuos y que en este estudio se encuentra la sincronización neuronal entre individuos. Y la pregunta más importante es identificar quién se está sincronizando con quién. Y el método que proponemos aquí es identificar la dirección del flujo de información entre individuos.
En comparación con otros métodos, la ventaja más significativa de este método es eliminar los diversos factores de confusión de la sincronización neuronal. Por ejemplo, la autocorrelación en cada señal. Y mientras tanto, podemos mantener la alta resolución anatómica espacial de cada señal.
Inicie el preprocesamiento de datos exportando los archivos de datos de cambios de concentración de hemoglobina desde el equipo y transmitiendo los archivos al formato legible de MATLAB. A continuación, elimine los primeros y los últimos 15 segundos de los datos de cada sesión para evitar respuestas transitorias y utilice la función integrada de diezma de MATLAB para reducir la muestra de los datos de 55,6 hercios a 11,1 hercios. Para corregir los artefactos de movimiento, aplique el método de filtro de transformación de wavelet discreta con la función de filtrado adecuada.
Utilice la función incorporada PCA para eliminar el ruido fisiológico global. Luego, elimine el 80% superior de la varianza de las señales. Después de eliminar los dos segundos iniciales de datos de las mujeres y los últimos dos segundos de los datos de los hombres, calcule el valor de INS WTC de dos segundos rezagados liderado por las mujeres con la ecuación.
Del mismo modo, después de eliminar los dos segundos iniciales de datos de los hombres y los últimos dos segundos de datos de las mujeres, calcule el valor de INS WTC de dos segundos rezagados liderado por los hombres. Repita el procedimiento con diferentes desfases de tiempo, N, como N es igual a cuatro, seis u ocho segundos, en los pares potenciales de 676 CH y calcule la fuerza del INS WTC con retraso en el tiempo dirigido por mujeres y hombres con la ecuación descrita anteriormente. Calcule INS pWTC usando pWTC de la misma manera usando la ecuación.
Genere la serie temporal desfasada de las señales fNIRS entre hombres y mujeres y calcule los valores del WTC con retraso en el tiempo en diferentes intervalos de tiempo. Genere series de tiempo autocorrelacionadas de señales fNIRS para hombres eliminando los primeros dos segundos y los últimos dos segundos de los datos de los hombres. Luego, calcule el valor autocorrelacionado de dos segundos para los hombres.
Luego, evalúe los valores de WTC autocorrelacionados en diferentes retrasos de tiempo. De la misma manera, cree una serie de tiempo alineada en el tiempo de las señales fNIRS eliminando los primeros dos segundos de datos de los hombres y las mujeres. Luego, calcule el WTC alineado con el tiempo de dos segundos.
Luego, evalúe los valores de WTC alineados en el tiempo en diferentes retrasos de tiempo. Introduzca los valores wtC alineados en el tiempo, WTC con retraso en el tiempo y WTC autorrelacionados en diferentes intervalos de tiempo en las ecuaciones de pWTC, generando INS pWTC. En el procesamiento de datos fNIRS de segundo nivel, elimine el ruido fisiológico y las bandas de frecuencia de cada señal por encima de 0,7 hercios.
Luego, elimine las bandas de frecuencia de cada señal por debajo de 0.01 hertz y dentro de 0.15 a 0.3 hertz para filtrar las fluctuaciones de frecuencia muy bajas. Transforme INS con la transformación Z de Fisher y luego promedie INS en la dimensión temporal. Para el INS promediado en cada desfase temporal, realice una prueba t de dos muestras pareadas en cada par CH en todo el rango de frecuencias.
Luego, identifique todos los grupos de frecuencias significativos. Reasigne las relaciones diádicas asignando aleatoriamente a los participantes a dos nuevos pares de miembros, como los participantes de un día que nunca se había comunicado entre sí. Realice una prueba de permutación basada en clústeres para establecer un umbral para los resultados.
Recalcule el INS en cada desfase temporal. Realice pruebas t pareadas en la nueva muestra e identifique grupos de frecuencia significativos. A continuación, seleccione el clúster con el mayor valor de T sumado antes de repetir los procedimientos 1.000 veces para generar una distribución nula de los valores máximos de T falso positivo.
Comparar el valor T sumado de cada grupo de frecuencias identificado en la muestra original con la distribución nula para obtener resultados estadísticos significativos. En el estudio se realizó un análisis de simulación. El análisis representativo ilustra que el INS WTC con retraso en el tiempo con autocorrelación fue significativamente mayor que el INS WTC con retraso en el tiempo sin autocorrelación y el INS pWTC con retraso en el tiempo.
Además, no hubo diferencias significativas entre el INS WTC con retraso en el tiempo sin autocorrelación y el INS pWTC, lo que indica la eficiencia de pWTC para eliminar el impacto del efecto de autocorrelación en el INS. Se observó un efecto contextual marginal significativo dentro de 0,4 a 0,6 hercios, que de los hombres se retrasó en cuatro segundos con respecto al de las mujeres. En contraste, para INS pWTC, solo se observó un efecto de contexto significativo dentro de 0.4 a 0.6 hercios cuando la actividad del sensor y la corteza motora de los hombres se retrasó en cuatro segundos con respecto a la de las mujeres.
El INS direccional de mujeres a hombres fue significativamente mayor en los contextos de conflicto que en los contextos de apoyo. Los resultados del INS pWTC fueron validados con el método de causalidad de Granger. Los resultados mostraron que inscambien GC exhibió un patrón similar al INS pWTC.
El INS direccional calculado por el análisis de causalidad de Granger de mujeres a hombres fue significativamente mayor en los contextos de conflicto que en los contextos de apoyo. Después de calcular la sincronización neuronal utilizando este método, también es posible realizar muchos otros métodos. Por ejemplo, podemos comparar este flujo de información direccional entre diferentes contextos de conexión social y la conexión social en diferentes relaciones sociales.
Y también, es posible comprender la contribución de diferentes comportamientos de comunicación a la sincronización neuronal. Por ejemplo, si se trata de comunicación verbal o comunicación no verbal juegan un papel más importante en la sincronización neuronal.
