Nos gustaría agradecer el apoyo brindado por la Fundación Nacional de Ciencias Naturales de China (No. 62207025), el Proyecto de Investigación en Humanidades y Ciencias Sociales del Ministerio de Educación de China (No. 22YJC190017) y los Fondos de Investigación Fundamental para las Universidades Centrales a Yafeng Pan.

El estudio se llevó a cabo en la Universidad Atlántica de Florida (FAU) y fue aprobado por la Junta de Revisión Institucional (IRB) de la FAU.
1. Uso del software Homer3 (Tabla de materiales) para realizar el preprocesamiento de los datos de hiperescaneo fNIRS
NOTA: Homer3 es una aplicación de MATLAB que analiza datos de fNIRS para obtener estimaciones y mapas de activación cerebral29. Homer3 se puede descargar e instalar desde el siguiente enlace (https://openfnirs.org/software/homer/).
<ol><li>Abra MATLAB y vaya a la carpeta donde se guardan los archivos .nirs sin procesar. Seleccione y abra la carpeta.</li>
	<li>Escriba Homer3 en la ventana de comandos de MATLAB para iniciar la interfaz gráfica de usuario de Homer3 . Homero3. detectará los archivos .nirs y solicitará convertirlos al formato .snirf (un formato de archivo universal para almacenar y compartir datos NIRS independientemente de cualquier formato de archivo específico de la aplicación, como MATLAB) para continuar con el procesamiento previo de los datos.</li>
	<li>Después de importar los archivos .nirs en formato .snirf en Homer3, haga clic en la opción Herramientas en la GUI de Homer3 y seleccione Editar flujo de procesamiento.</li>
	<li>En la GUI de ProcStreamEdit , seleccione los pasos de preprocesamiento de la columna Función de registro a la columna Flujo de procesamiento actual haciendo clic en Agregar. Los pasos de preprocesamiento incluidos son los siguientes:<ol><li>Utilice hmrR_intensity2OD para convertir los datos de intensidad en densidad óptica.</li>
		<li>Utilice hmrR_MotionCorrectWavelet para corregir artefactos de movimiento utilizando la función de filtrado adecuada.</li>
		<li>Utilice hmrR_OD2conc para convertir los datos de OD en concentración.</li>
		<li>Utilice hmR_BlockAvg para calcular el promedio de bloques en los datos de concentración. NOTA: La selección de los pasos de preprocesamiento puede variar según el tipo de conjunto de datos.</li>
	</ol></li>
	<li>Para guardar el flujo de procesamiento actual, haga clic en la opción Guardar y, a continuación, salga de la GUI de ProcStreamEdit.</li>
	<li>Para ejecutar el flujo de preprocesamiento en la GUI principal de Homer3, haga clic en la opción EJECUTAR . Una vez que Homer3 termine de ejecutar la secuencia de procesamiento seleccionada, guardará la serie temporal preprocesada para cada participante en un formato de archivo .mat que contiene Hbo, Hbr y Hbt para todos los canales y eventos. Homer3 creará una carpeta llamada homer output en la carpeta seleccionada actualmente para almacenar estos archivos.</li>
	<li>Homer3 creará una carpeta llamada derivados en la carpeta seleccionada para almacenar estos archivos. Seleccione la carpeta homer ubicada en la carpeta derivados. Elija el archivo .mat para cada cerebro y exporte Hbo, Hbr, Hbt. NOTA: El nombre de la carpeta de salida creada por Homer3 depende de la versión de Homer3.</li>
</ol>2. Introducción a la caja de herramientas LeaderFollowerByPhase
<ol><li>Para analizar el tipo de interacción que se produce en una grabación de hiperdetección, utilice la caja de herramientas LeaderFollowerByPhase, como se describe en el proceso que se muestra en la figura 3. En MATLAB, seleccione los archivos .mat para cada cerebro y cargue los datos Hbo (o Hbr) del canal específico y el evento específico en un vector unidimensional como signal1 y signal2.</li>
	<li>En la línea de comandos de MATLAB, defina los parámetros<ol><li>lowFreq, highFreq: Escriba lowFreq = [FOI bajo] y highFreq = [FOI alto]. Los valores predeterminados son lowFreq = 0,01 Hz, highFreq = 1 Hz. NOTA: Los parámetros de las funciones lowFreq y highFreq definen el rango de frecuencia de interés (FOI). WTC calcula la coherencia entre los dos cerebros en cada punto de tiempo y frecuencia. Por lo general, los valores de coherencia se promedian dentro de un FOI en particular.</li>
		<li>Defina el parámetro phaseRange; type phaseRange = [rango en grados]. NOTA: El valor predeterminado es phaseRange = 90°. La fase oscila entre 0° y 360° debido a la naturaleza de módulo circular de la fase. Los rangos de fase se dividen de acuerdo con un rango que rodea cuatro puntos. En la caja de herramientas presentada, se presenta un nuevo enfoque para clasificar las interacciones asimétricas (Figura 4) mediante el examen de la direccionalidad del acoplamiento utilizando los valores del ángulo de fase de acuerdo con los rangos correspondientes a la sincronización retardada con la señal 1 como líder (un rango que rodea a -90°) o la señal 2 (un rango alrededor de 90°), la señal 1, la señal 2 sincronización en fase (un rango alrededor de 0), y sincronización antifase de la señal 1, señal 2 (un rango que rodea los +180° o -180°).</li>
		<li>Defina el parámetro Umbral. Escriba threshold = [threshold rsq val]. El valor predeterminado es Umbral = 0. NOTA: La caja de herramientas permite especificar un valor de coherencia de umbral especificando el parámetro de umbral. Esto permite al investigador seleccionar puntos de tiempo con un valor mínimo de coherencia especificado. Por lo tanto, solo se tienen en cuenta los puntos de tiempo con valores de coherencia superiores al umbral especificado.</li>
	</ol></li>
	<li>Descargue la caja de herramientas LeaderFollowerByPhase desde el siguiente vínculo (https://www.ariel.ac.il/wp/sns/download/ o https://github.com/Minisharmaa/Leader-Follower-By-Phase).</li>
	<li>Ejecute la función LeaderFollowerByPhase de MATLAB introduciendo el comando cohervalues = LeaderFollowerByPhase(signal1, signal2, lowFreq, highFreq, phaseRange, threshold) en la línea de comandos. NOTA: Los cálculos de coherencia y fase se realizan utilizando las funciones WTC y XWT en MATLAB, respectivamente30.</li>
	<li>Examine los valores de sincronización en fase, de interlineado de la señal 1, de interlineado de la señal 2 y de sintagonismo antifasco:<ol><li>Inspeccione las parcelas en MATLAB. La caja de herramientas genera una figura con cuatro gráficos.<ol><li>Coherencia por tipo de interacción: Inspeccione el diagrama de caja en la parte superior izquierda de la figura, que muestra el R-cuadrado (Rsq) según cada tipo de interacción (en fase, Señal 1 principal, Señal 2 principal, antifase). NOTA: Para obtener una descripción detallada de la función integrada de gráfico de caja de MATLAB, consulte el siguiente enlace (https://www.mathworks.com/help/matlab/ref/boxchart.html).</li>
			<li>Índices centrales por tipo de interacción: Inspeccione el gráfico de barras en la parte superior derecha de la figura de salida, que muestra la media y la mediana máximas según cada tipo de interacción (en fase, Señal 1 principal, Señal 2 principal, antifase). NOTA: Para obtener una descripción detallada de la función integrada de barra de MATLAB, consulte el siguiente enlace (https://www.mathworks.com/help/matlab/ref/bar.html).</li>
			<li>Coherencia a lo largo del tiempo: inspeccione el diagrama de dispersión en la parte inferior izquierda de la figura de salida, que muestra los valores de coherencia y los tipos de interacción a lo largo del tiempo. Los puntos de color representan diferentes tipos de interacción (los puntos negros representan la sincronización en fase, los puntos grises oscuros representan la señal 1 inicial, los puntos grises claros representan la señal 2 inicial y los puntos morados representan la sincronización antifase). NOTA: La figura muestra la dinámica de la interacción: el intercambio entre los cuatro tipos de interacción a lo largo de la serie de tiempo completo. Para obtener una descripción detallada de la función de dispersión de MATLAB, consulte el siguiente enlace (https://www.mathworks.com/help/matlab/ref/scatter.html).</li>
			<li>Porcentaje de tiempo: Inspeccione el gráfico circular en la parte inferior derecha de la figura de salida, que muestra la división del tiempo según los diferentes tipos de interacciones. NOTA: Para obtener una descripción detallada de la función circular de MATLAB, consulte el siguiente enlace (https://www.mathworks.com/help/matlab/ref/pie.html).</li>
		</ol></li>
	</ol></li>
	<li>Inspeccione la tabla de salida con los valores estadísticos (es decir, media, máximo, mediana y desviación estándar) para cada tipo de interacción (sincronización en fase, señal 1 principal, señal 2 principal, sincronización antifase). La tabla también presenta el porcentaje de tiempo durante el cual se produjo cada tipo de interacción. Cada tipo de interacción aparece en una columna diferente.</li>
	<li>Examine el valor de salida en el archivo de hoja de cálculo extraído (es decir, datatable.xlsx ubicado en la carpeta actual).</li>
</ol><img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/65347/65347fig03.jpg"> Figura 3: Descripción general del flujo de trabajo. (A) Se recopilaron díadas madre-hijo que participaron en el juego libre mientras se realizaban datos fNIRS de hiperescaneo. (B) Ilustración de una serie temporal madre-hijo. (C) Preprocesamiento de la serie temporal utilizando Homer3. (D,E) El uso de una caja de herramientas para examinar diferentes tipos de interacciones, como la sincronización en fase, la sincronización antifase y la sincronización retrasada. <a href="https://www.jove.com/files/ftp_upload/65347/65347fig03large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/65347/65347fig04.jpg"> Figura 4: Clasificación de cuatro tipos diferentes de interacciones en función de la fase. Esto representa la diferencia de fase de las dos series temporales neuronales en un módulo de 360°. La diferencia de fase se puede considerar como un desfase de tiempo entre dos valores y se mide en grados y radianes o fracciones de la longitud de onda. Aquí, el módulo de 360° se divide en cuatro rangos diferentes que representan cuatro fases diferentes de interacción: (A) Señal 1 principal (un rango alrededor de 90°, entre 45° y 135°), (B) sincronización antifase entre la Señal 1 y la Señal 2 (un rango alrededor de 180° o −180°, entre 135 y −135°), (C) Señal 2 principal (entre −135° y −45°), (D) sincronización en fase (un rango alrededor de 0, entre −45° y 45°). Esta división es el enfoque predeterminado (45° alrededor de cada punto); Sin embargo, la caja de herramientas permite configurar una división diferente. Si bien es posible que otras configuraciones no cubran todos los 360°, puede producir una definición más exacta de cada tipo de interacción. <a href="https://www.jove.com/files/ftp_upload/65347/65347fig04large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>

Revolucionando los estudios fNIRS: un enfoque novedoso para el acoplamiento neuronal

Los autores declaran que la investigación se llevó a cabo en ausencia de relaciones comerciales o financieras que pudieran interpretarse como un posible conflicto de intereses.

Uno de los métodos más comunes utilizados en los estudios fNIRS es la coherencia de la transformada wavelet (WTC), que es una medida de la correlación cruzada de dos series temporales en función de la frecuencia y el tiempo10. WTC calcula la coherencia y el desfase entre dos series temporales mediante análisis correlacionales (Archivo Suplementario 1). Los estudios de hiperexploración de FNIRS han utilizado el WTC para estimar el SII en muchos dominios del funcionamiento, in...

En los últimos años, se ha producido un cambio en los tipos de estudios realizados para comprender las bases neuronales del comportamiento social 1,2. Tradicionalmente, los estudios en neurociencia social se han centrado en la activación neuronal en un cerebro aislado durante una tarea socialmente relevante. Sin embargo, los avances en la tecnología de neuroimagen ahora permiten examinar la activación neuronal en los cerebros de uno o más individuos durante la interacción social, tal como ocurreen entornos de la "vida real". En entornos de la "vida real", los individuos pueden moverse libremente, y es probable que los patrones de activación cerebral cambien a medida que se intercambia información y los socios sociales reciben retroalimentaciónentre sí.
El hiperescaneo es un método que evalúa este intercambio bidireccional de información midiendo la actividad cerebral de dos o más individuos simultáneamente5. Un cuerpo de investigación emergente ha utilizado la espectroscopia funcional de infrarrojo cercano (fNIRS), una técnica de neuroimagen no invasiva que, en comparación con otras técnicas de neuroimagen, es menos susceptible a los artefactos demovimiento. El hiperescaneo a través de fNIRS permite la evaluación de la sincronización intercerebral (SII) en entornos de la vida real mientras los socios interactivos se mueven libre y naturalmente. Esto es particularmente relevante para el trabajo con bebés y niños pequeños, que tienden a ser bastante activos. Se ha informado que el SII refleja el entendimiento mutuo entre los socios interactivos, lo que sirve como base para la interacción social y la comunicación efectivas y media la intencionalidad compartida 1,7,8.
Se utilizan varios métodos para evaluar el SII de dos cerebros. Dichos métodos incluyen correlaciones de series temporales, como la correlación cruzada y el coeficiente de correlación de Pearson 9,10 (véase la revisión de Scholkmann et al.10). Otros métodos implican la evaluación de la fuerza del acoplamiento en el dominio de la frecuencia. Estos métodos incluyen el valor de bloqueo de fase (PLV) y la coherencia de fase (véase una revisión de Czeszumski et al.11). Uno de los métodos más comunes en los estudios fNIRS utiliza la coherencia de la transformada wavelet (WTC), una medida de la correlación cruzada de dos series temporales en función de la frecuencia y el tiempo10.
WTC utiliza análisis correlacionales para calcular la coherencia y el desfase entre dos series temporales en el dominio tiempo-frecuencia. Los estudios de hiperexploración de FNIRS han utilizado el WTC para estimar el SII en muchos dominios del funcionamiento, incluyendo la monitorización de la acción 12, el comportamiento cooperativo y competitivo 5,13,14,15, la imitación 16, la resolución de problemas madre-hijo 17 y el comportamiento de enseñanza-aprendizaje 18,19,20,21. Normalmente, en los estudios de hiperexploración, la coherencia entre cerebros, medida por el WTC, durante una tarea experimental se compara con la coherencia entre cerebros durante una tarea de control. Estos hallazgos generalmente se presentan con un "gráfico caliente" del WTC, que muestra la coherencia entre los dos cerebros en cada punto de tiempo y frecuencia (ver Figura 1).
Como sugieren Czesumaski et al.11, el WTC se ha convertido en el enfoque analítico estándar para analizar el hiperescaneo fNIRS. El análisis WTC es un método flexible e "independiente de las herramientas" para la visualización e interpretación de datos22. El mapa de calor del coeficiente de coherencia, que proporciona una forma narrativa de análisis que permite identificar fácilmente los períodos de comportamiento sincrónico o asincrónico, así como la intensidad de la actividad cerebral durante la realización de una tarea, es la principal ventaja del WTC y lo convierte en una herramienta sólida para la investigación aplicada22. WTC tiene una ventaja sobre las técnicas de correlación. Las correlaciones son sensibles a la forma de la función de respuesta hemodinámica (HRF), que se cree que difiere entre individuos (particularmente en términos de edad) y entre diferentes áreas cerebrales. Por el contrario, el WTC no se ve afectado por los cambios interregionales en el (HRF)23. Los investigadores han utilizado el enfoque de ondículas para estudiar las series temporales de resonancia magnética funcional. Zhang et al.24 compararon las métricas de conectividad funcional comúnmente utilizadas, incluyendo la correlación de Pearson, la correlación parcial, la información mutua y la transformación de coherencia wavelet (WTC). Llevaron a cabo experimentos de clasificación utilizando patrones de conectividad funcional a gran escala derivados de datos de resonancia magnética funcional en estado de reposo y datos de resonancia magnética funcional de estímulo natural de visualización de videos. Sus hallazgos indicaron que WTC se desempeñó mejor en clasificación (especificidad, sensibilidad y precisión), lo que implica que WTC es una métrica de conectividad funcional preferible para estudiar redes cerebrales funcionales, al menos en aplicaciones de clasificación24.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65347/65347fig01.jpg"> Figura 1: Coherencia de la transformada wavelet (WTC). WTC muestra la coherencia y el ángulo de fase entre dos series temporales en función del tiempo (eje x) y la frecuencia (eje y). El aumento de la coherencia se representa mediante el color rojo en el gráfico, y las flechas pequeñas en el gráfico muestran el ángulo de fase de las dos series temporales. La flecha que apunta hacia la derecha representa la sincronización en fase; las flechas que apuntan hacia abajo y hacia arriba representan una sincronización retrasada; y la flecha que apunta hacia la izquierda representa la sincronización antifase30. Esta figura fue adaptada de Pan et al.19. <a href="https://www.jove.com/files/ftp_upload/65347/65347fig01large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
Recientemente, Hamilton25 articuló varias limitaciones para la interpretación de los datos de coherencia entre cerebros en estudios de hiperescaneo fNIRS. Una de las principales preocupaciones de Hamilton era que las medidas de coherencia (por ejemplo, WTC) solo informan de los efectos como simétricos (es decir, dos cerebros están correlacionados, mostrando el mismo patrón de cambio). Sin embargo, muchas interacciones sociales son asimétricas (por ejemplo, el flujo de información entre un hablante y un oyente) en el sentido de que dos participantes pueden desempeñar diferentes roles, y no está claro que el WTC pueda capturar esta información. Aquí, esta preocupación se aborda mediante un nuevo marco que permite una interpretación directa de la potencia de ondículas cruzadas mediante el uso de la fase de ondículas cruzadas para detectar la direccionalidad. Este marco también permitirá examinar cómo se desarrolla y cambia la dinámica de las interacciones a lo largo de una tarea.
Mientras que los métodos WTC y de correlación evalúan la conectividad funcional, otros métodos evalúan la conectividad efectiva, intentando extraer las influencias causales de un elemento neuronal sobre otro. La entropía de transferencia es una medida del campo de la teoría de la información que describe la transferencia entre procesos dependientes conjuntamente26. Otro método relacionado es el análisis de causalidad de Granger (ACG), que se ha descrito como equivalente a la entropía de transferencia26.
En la bibliografía existente sobre los estudios de hiperexploración de fNIRS, el análisis de causalidad de Granger (ACG) se ha utilizado ampliamente para estimar la direccionalidad de acoplamiento entre los datos de series temporales de fNIRS obtenidos durante una variedad de tareas diferentes, como la cooperación5, la enseñanza19 y la imitación16. GCA emplea modelos vectoriales autorregresivos para evaluar la direccionalidad del acoplamiento entre series temporales en datos cerebrales. La causalidad de Granger se basa en la predicción y la precedencia: "se dice que una variable X causa 'G' la variable Y si el pasado de X contiene la información que ayuda a predecir el futuro de Y por encima de la información ya existente en el pasado de Y"27. En consecuencia, la causalidad G se analiza en dos direcciones: 1) del sujeto A al sujeto B y 2) del sujeto B al sujeto A.
Si bien el análisis de GCA sirve como un análisis complementario destinado a determinar si un valor de coherencia alto obtenido utilizando una función WTC refleja SII o sincronización retardada (una señal que lleva a la otra), no permite determinar si se ha producido una sincronización antifase. En los estudios de neuroimagen tradicionales, en los que solo se escanea a un participante (es decir, el enfoque de "cerebro único"), un patrón antifase significa que la actividad en una región del cerebro aumenta mientras que la actividad en la otra región del cerebrodisminuye. En la literatura de hiperexploración, la presencia de sincronización antifase puede sugerir que la activación neuronal aumenta en un sujeto y, al mismo tiempo, la activación neuronal disminuye en el otro sujeto. Por lo tanto, es necesario proporcionar un modelo integral que pueda detectar la direccionalidad. Más específicamente, este modelo será capaz de detectar la sincronización antifase (en la que la dirección de la actividad en un individuo es opuesta a la de su compañero) además de la sincronización en fase y la sincronización retrasada.
En un intento por abordar la preocupación de que el WTC muestra solo efectos simétricos, donde ambos cerebros muestran el mismo patrón de cambio25, se presenta un nuevo enfoque para identificar el tipo de interacción mediante el examen de la fase de sincronización (es decir, en fase, retrasada o antifase) (ver Figura 2). Con este fin, se desarrolló una caja de herramientas que utiliza el método WTC para clasificar los diferentes tipos de interacciones. Los tipos de interacciones se clasifican mediante el uso de datos de fase relativos del análisis de transformada de ondículas cruzadas.
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/65347/65347fig02.jpg"> Figura 2: Ilustración de las diferentes relaciones de fase de las ondas sinusoidales simples. (A) Cuando las dos señales, la Señal 1 (línea azul s) y la Señal 2 (línea naranjas), alcanzan sus respectivos valores máximos, mínimos y cero en el mismo punto de tiempo, se dice que muestran sincronización en fase32. (B) Cuando una señal alcanza su valor máximo y la otra señal alcanza un valor cero en el mismo punto de tiempo, se dice que muestran una sincronización retrasada (una está liderando 90°)32,33,34. (C) Cuando dos series de tiempo se desplazan en direcciones opuestas, lo que significa que una señal alcanza el valor máximo y la otra alcanza el valor mínimo en el mismo punto de tiempo, esto se denomina sincronización antifase28. (D-P) En todas las demás relaciones de fase entre dos series temporales, una señal precede a la otra. En todas las fases positivas, la señal 2 es la señal principal 1 (por ejemplo, los paneles E, F, M y N), mientras que en todas las fases negativas, la señal 1 es la señal principal 2 (por ejemplo, los paneles D, G, H, O y P). En particular, cuando el valor absoluto de la fase es mayor, se vuelve más distintivo qué serie de tiempo está liderando a la otra (por ejemplo, el liderazgo es más distintivo en el panel J que en el panel I, y en el panel K, el liderazgo es más distintivo que en el panel L). <a href="https://www.jove.com/files/ftp_upload/65347/65347fig02large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</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

A pesar del creciente número de estudios de hiperbarrido de espectroscopia funcional de infrarrojo cercano (fNIRS), la evaluación del acoplamiento entre dos señales neuronales mediante la coherencia de la transformada wavelet (WTC) parece ignorar la direccionalidad de la interacción. En la actualidad, el campo carece de un marco que permita a los investigadores determinar si un valor de coherencia alto obtenido mediante una función WTC refleja la sincronización en fase (es decir, la activación neuronal se observa en ambos miembros de la díada al mismo tiempo), la sincronización retrasada (es decir, la activación neuronal se observa en un miembro de la díada antes que en el otro miembro), o sincronización antifase (es decir, la activación neuronal aumenta en un miembro de la díada y disminuye en el otro). Para abordar esta necesidad, en este trabajo se propone un enfoque complementario y más sensible para analizar la coherencia de fase de dos señales neuronales. La caja de herramientas permite a los investigadores estimar la direccionalidad del acoplamiento clasificando los valores de ángulo de fase obtenidos utilizando el WTC tradicional en sincronización en fase, sincronización retardada y sincronización antifase. La caja de herramientas también permite a los investigadores evaluar cómo se desarrolla y cambia la dinámica de las interacciones a lo largo de la tarea. El uso de este novedoso enfoque del WTC y la caja de herramientas avanzará en nuestra comprensión de las interacciones sociales complejas a través de sus usos en los estudios de hiperescaneo 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>

Autor destacado: Desbloqueando nuevos conocimientos en los estudios fNIRS: un marco novedoso para el análisis de la sincronía intercerebral 

Nuevo marco para comprender la coherencia entre cerebros en estudios de hiperexploración de espectroscopia funcional de infrarrojo cercano (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.

En esta sección se muestran los tipos de análisis que se pueden llevar a cabo con la caja de herramientas (que se puede descargar en https://www.ariel.ac.il/wp/sns/download/ o https://github.com/Minisharmaa/Leader-Follower-By-Phase.). Para estos análisis, se utilizaron los datos de fNIRS recopilados con una pequeña muestra de díadas de padres y bebés. Se probaron seis pares de díadas madre-bebé utilizando una tarea conductual validada, la tarea de juego libre31, que es lo más parecido pos...

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

La coherencia de la transformada wavelet (WTC) es una metodología común para evaluar el acoplamiento entre señales que se utiliza en los estudios de hiperbarrido de espectroscopia funcional de infrarrojo cercano (fNIRS). En este trabajo se presenta una caja de herramientas para evaluar la direccionalidad de la interacción de la señal.

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

Muchos estudios de fNIRS se han centrado en la coherencia para estimar la sincronía intercerebral, descuidando la información del retraso de fase en el gráfico caliente de leucocitos. Aquí, se ha presentado un enfoque más sensible que estima la direccionalidad del acoplamiento, clasificando el valor del ángulo de fase como sincronización en fase, sincronización de fase de retardo y sincronización antifase. El reanálisis de los hallazgos anteriores utilizando un nuevo marco propuesto ofrece una comprensión integral de la naturaleza de la sincronización entre los participantes.La diferenciación de la sincronización en fase y la sincronización antifase proporciona un nuevo nivel de claridad, lo que permite la interpretación precisa de los hallazgos anteriores. Este marco se puede aplicar a diversos escenarios, como el estudio del papel de la sincronización interpersonal en el comportamiento social, la comunicación y la toma de decisiones. Enfatizar la aplicación de la teoría de Craft junto con la caja de herramientas de fase desarrollada para las apneas de hiperexploración proporciona una comprensión más profunda de los diversos tipos de direccionalidades observadas en la interacción que se extiende más allá de la mera coherencia.Este enfoque permite la exploración del flujo de información de un cerebro a otro cerebro en un entorno de hiperescaneo.

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 vistas.  Ariel University. Muchos estudios de fNIRS se han centrado en la coherencia para estimar la sincronía intercerebral, descuidando la información del retraso de fase en el gráfico caliente de leucocitos. Aquí, se ha presentado un enfoque más sensible que estima la direccionalidad del acoplamiento, clasificando el valor del ángulo de fase como sincronización en fase, sincronización de fase de retardo y sincronización antifase. El reanálisis de los hallazgos anteriores utilizando un nuevo marco propuesto...

Video: Autor destacado: Desbloqueando nuevos conocimientos en los estudios fNIRS: un marco novedoso para el análisis de la sincronía intercerebral 

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.

Investigación

Neurociencias

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.

Uso del software Homer3 para realizar el preprocesamiento de los datos de hiperescaneo de 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.