JoVE Logo
Auteurs
Contactez-nous

S'identifier

Un abonnement à JoVE est nécessaire pour voir ce contenu. Connectez-vous ou commencez votre essai gratuit.

Dans cet article

  • Résumé
  • Résumé
  • Introduction
  • Protocole
  • Résultats
  • Discussion
  • Déclarations de divulgation
  • Remerciements
  • matériels
  • Références
  • Réimpressions et Autorisations

Résumé

La cohérence de la transformée en ondelettes (WTC) est une méthodologie courante d’évaluation du couplage entre les signaux utilisée dans les études d’hyperbalayage par spectroscopie fonctionnelle proche infrarouge (fNIRS). Une boîte à outils permettant d’évaluer la directionnalité de l’interaction du signal est présentée dans ce travail.

Résumé

Malgré le nombre croissant d’études d’hyperbalayage par spectroscopie fonctionnelle proche infrarouge (fNIRS), l’évaluation du couplage entre deux signaux neuronaux à l’aide de la cohérence de la transformée en ondelettes (WTC) semble ignorer la directionnalité de l’interaction. Le domaine manque actuellement d’un cadre permettant aux chercheurs de déterminer si une valeur de cohérence élevée obtenue à l’aide d’une fonction WTC reflète la synchronisation en phase (c’est-à-dire que l’activation neuronale est observée dans les deux membres de la dyade en même temps), la synchronisation décalée (c’est-à-dire que l’activation neuronale est vue dans un membre de la dyade avant l’autre membre). ou la synchronisation anti-phase (c’est-à-dire que l’activation neuronale est augmentée dans un membre de la dyade et diminuée dans l’autre). Pour répondre à ce besoin, une approche complémentaire et plus sensible d’analyse de la cohérence de phase de deux signaux neuronaux est proposée dans ce travail. La boîte à outils permet aux chercheurs d’estimer la directionnalité du couplage en classant les valeurs d’angle de phase obtenues à l’aide du WTC traditionnel en synchronisation en phase, synchronisation décalée et synchronisation anti-phase. La boîte à outils permet également aux chercheurs d’évaluer comment la dynamique des interactions se développe et change tout au long de la tâche. L’utilisation de cette nouvelle approche du WTC et de la boîte à outils fera progresser notre compréhension des interactions sociales complexes grâce à leur utilisation dans les études d’hyperbalayage fNIRS.

Introduction

Ces dernières années, il y a eu un changement dans les types d’études menées pour comprendre les bases neuronales du comportement social 1,2. Traditionnellement, les études en neurosciences sociales se sont concentrées sur l’activation neuronale dans un cerveau isolé au cours d’une tâche socialement pertinente. Cependant, les progrès de la technologie de neuroimagerie permettent maintenant d’examiner l’activation neuronale dans le cerveau d’un ou de plusieurs individus lors d’interactions sociales telles qu’elles se produisent dans des contextes « réels »3. Dans des contextes « réels », les individus sont capables de se déplacer librement, et les schémas d’activation cérébrale sont susceptibles de changer au fur et à mesure que les informations sont échangées et que les partenaires sociaux reçoivent un retour d’information les uns des autres4.

L’hyperbalayage est une méthode qui permet d’évaluer cet échange d’informations bidirectionnel en mesurant l’activité cérébrale de deux ou plusieurs individus simultanément5. Un nouveau corpus de recherche a utilisé la spectroscopie fonctionnelle dans le proche infrarouge (fNIRS), une technique de neuroimagerie non invasive qui, par rapport à d’autres techniques de neuroimagerie, est moins sensible aux artefacts de mouvement6. L’hyperbalayage via fNIRS permet d’évaluer la synchronisation intercérébrale (IBS) dans des contextes réels tandis que les partenaires interactifs se déplacent librement et naturellement. Ceci est particulièrement pertinent pour le travail avec les nourrissons et les jeunes enfants, qui ont tendance à être très actifs. Il a été rapporté que le SII reflète la compréhension mutuelle entre les partenaires interactifs, qui sert de fondement à une interaction sociale et à une communication efficaces et sert de médiateur à l’intentionnalité partagée 1,7,8.

Plusieurs méthodes sont utilisées pour évaluer le SCI de deux cerveaux. Ces méthodes comprennent des corrélations de séries chronologiques, telles que la corrélation croisée et le coefficient de corrélation de Pearson 9,10 (voir une étude de Scholkmann et al.10). D’autres méthodes consistent à évaluer la force du couplage dans le domaine fréquentiel. Ces méthodes comprennent la valeur de verrouillage de phase (PLV) et la cohérence de phase (voir une étude de Czeszumski et al.11). L’une des méthodes les plus courantes dans les études fNIRS utilise la cohérence de la transformée en ondelettes (WTC), une mesure de la corrélation croisée de deux séries temporelles en fonction de la fréquence et du temps10.

Le WTC utilise des analyses corrélationnelles pour calculer la cohérence et le décalage de phase entre deux séries temporelles dans le domaine temps-fréquence. Les études d’hyperbalayage FNIRS ont utilisé le WTC pour estimer le SII dans de nombreux domaines de fonctionnement, y compris la surveillance de l’action 12, le comportement coopératif et compétitif 5,13,14,15, l’imitation 16, la résolution de problèmes mère-enfant 17 et le comportement d’enseignement-apprentissage 18,19,20,21 . En règle générale, dans les études d’hyperbalayage, la cohérence intercérébrale, telle que mesurée par le WTC, au cours d’une tâche expérimentale est comparée à la cohérence intercérébrale au cours d’une tâche de contrôle. Ces résultats sont généralement présentés avec un « tracé à chaud » du WTC, qui montre la cohérence entre les deux cerveaux à chaque point temporel et à chaque fréquence (voir Figure 1).

Comme suggéré par Czesumaski et al.11, le WTC est devenu l’approche analytique standard pour l’analyse de l’hyperbalayage fNIRS. L’analyse WTC est une méthode flexible et « indépendante de l’outil » pour la visualisation et l’interprétation des données22. La heatmap du coefficient de cohérence, qui fournit une forme narrative d’analyse permettant d’identifier facilement les périodes de comportement synchrone ou asynchrone ainsi que l’intensité de l’activité cérébrale lors de l’accomplissement d’une tâche, est le principal avantage du WTC et en fait un outil puissant pour la recherche appliquée22. Le WTC a un avantage sur les techniques de corrélation. Les corrélations sont sensibles à la forme de la fonction de réponse hémodynamique (HRF), qui est censée différer d’un individu à l’autre (en particulier en termes d’âge) et d’une région du cerveau à l’autre. En revanche, le WTC n’est pas affecté par les changements interrégionaux dans le (HRF)23. Les chercheurs ont utilisé l’approche par ondelettes pour étudier les séries temporelles d’IRMf. Zhang et al.24 ont comparé les mesures de connectivité fonctionnelle couramment utilisées, y compris la corrélation de Pearson, la corrélation partielle, l’information mutuelle et la transformation de cohérence en ondelettes (WTC). Ils ont mené des expériences de classification en utilisant des modèles de connectivité fonctionnelle à grande échelle dérivés des données d’IRMf à l’état de repos et des données d’IRMf de stimulus naturel de visionnage vidéo. Leurs résultats ont indiqué que le WTC a obtenu les meilleurs résultats en matière de classification (spécificité, sensibilité et précision), ce qui implique que le WTC est une mesure de connectivité fonctionnelle préférable pour l’étude des réseaux cérébraux fonctionnels, du moins dans les applications de classification24.

figure-introduction-6400
Figure 1 : Cohérence de la transformée en ondelettes (WTC). Le WTC montre la cohérence et l’angle de phase entre deux séries temporelles en fonction du temps (axe des abscisses) et de la fréquence (axe des ordonnées). L’augmentation de la cohérence est représentée par la couleur rouge dans le graphique, et les petites flèches dans le graphique montrent l’angle de phase des deux séries chronologiques. La flèche pointant vers la droite représente la synchronisation en phase ; les flèches pointant vers le bas et vers le haut représentent une synchronisation décalée ; et la flèche pointant vers la gauche représente la synchronisation antiphase30. Cette figure a été adaptée de Pan et al.19. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Récemment, Hamilton25 a articulé plusieurs limites à l’interprétation des données de cohérence intercérébrale dans les études d’hyperbalayage fNIRS. L’une des principales préoccupations de Hamilton était que les mesures de cohérence (par exemple, le WTC) ne rapportent que des effets symétriques (c’est-à-dire que deux cerveaux sont corrélés, montrant le même modèle de changement). Cependant, de nombreuses interactions sociales sont asymétriques (par exemple, le flux d’informations entre un locuteur et un auditeur) en ce sens que deux participants peuvent jouer des rôles différents, et il n’est pas clair que le WTC puisse capturer cette information. Ici, cette préoccupation est résolue par un nouveau cadre qui permet une interprétation simple de la puissance des ondelettes croisées en utilisant la phase des ondelettes croisées pour détecter la directionnalité. Ce cadre permettra également d’examiner comment la dynamique des interactions se développe et change tout au long d’une tâche.

Alors que le WTC et les méthodes de corrélation évaluent la connectivité fonctionnelle, d’autres méthodes évaluent la connectivité effective, en tentant d’extraire les influences causales d’un élément neuronal sur un autre. L’entropie de transfert est une mesure du domaine de la théorie de l’information qui décrit le transfert entre des processus dépendants conjoints26. Une autre méthode connexe est l’analyse de causalité de Granger (GCA), qui a été décrite comme équivalente à l’entropie de transfert26.

Dans la littérature existante sur les études d’hyperbalayage fNIRS, l’analyse de causalité de Granger (GCA) a été largement utilisée pour estimer la directionnalité de couplage entre les données de séries temporelles fNIRS obtenues au cours d’une variété de tâches différentes, telles que la coopération5, l’enseignement19 et l’imitation16. GCA utilise des modèles autorégressifs vectoriels pour évaluer la directionnalité du couplage entre les séries temporelles dans les données cérébrales. La causalité de Granger est basée sur la prédiction et la précédence : « on dit d’une variable X qu’elle cause G la variable Y si le passé de X contient l’information qui aide à prédire l’avenir de Y au-delà de l’information déjà présente dans le passé de Y »27. En conséquence, la causalité G est analysée dans deux directions : 1) du sujet A au sujet B et 2) du sujet B au sujet A.

Bien que l’analyse GCA serve d’analyse complémentaire visant à déterminer si une valeur de cohérence élevée obtenue à l’aide d’une fonction WTC reflète une synchronisation IBS ou décalée (un signal entraînant l’autre), elle ne permet pas de déterminer si une synchronisation antiphase s’est produite. Dans les études de neuroimagerie traditionnelles, dans lesquelles un seul participant est scanné (c’est-à-dire l’approche « cerveau unique »), un modèle anti-phase signifie que l’activité dans une région du cerveau est augmentée tandis que l’activité dans l’autre région du cerveau est diminuée28. Dans la littérature sur l’hyperbalayage, la présence d’une synchronisation anti-phase peut suggérer que l’activation neuronale est augmentée chez un sujet, et en même temps, l’activation neuronale est diminuée chez l’autre sujet. Par conséquent, il est nécessaire de fournir un modèle complet capable de détecter la directionnalité. Plus précisément, ce modèle sera capable de détecter la synchronisation anti-phase (dans laquelle la direction de l’activité d’un individu est opposée à celle de son partenaire) en plus de la synchronisation en phase et de la synchronisation décalée.

Pour tenter de répondre à la préoccupation selon laquelle le WTC ne montre que des effets symétriques, où les deux cerveaux présentent le même modèle de changement25, une nouvelle approche pour identifier le type d’interaction en examinant la phase de synchronisation (c’est-à-dire en phase, décalée ou anti-phase) est présentée (voir Figure 2). À cette fin, une boîte à outils utilisant la méthode WTC pour classer les différents types d’interactions a été développée. Les types d’interactions sont classés à l’aide des données de phase relatives issues de l’analyse par transformée en ondelettes croisées.

figure-introduction-12116
Figure 2 : Illustration des différentes relations de phase des ondes sinusoïdales simples. (A) Lorsque les deux signaux, le signal 1 (ligne bleue s) et le signal 2 (ligne oranges), atteignent leurs valeurs maximales, minimales et nulles respectives au même point temporel, on dit qu’ils présentent une synchronisation en phase32. (B) Lorsqu’un signal atteint sa valeur maximale et que l’autre signal atteint une valeur nulle au même point de temps, on dit qu’ils présentent une synchronisation décalée (l’un d’eux mène de 90°)32,33,34. (C) Lorsque deux séries temporelles se déplacent dans des directions opposées, c’est-à-dire qu’un signal atteint le maximum et l’autre atteint la valeur minimale au même point temporel, on parle de synchronisation antiphase28. (D-P) Dans toutes les autres relations de phase entre deux séries temporelles, un signal entraîne l’autre. Dans toutes les phases positives, le signal 2 précède le signal 1 (par exemple, les panneaux E, F, M et N), tandis que dans toutes les phases négatives, le signal 1 précède le signal 2 (par exemple, les panneaux D, G, H, O et P). Notamment, lorsque la valeur absolue de la phase est plus élevée, il devient plus distinctif quelle série temporelle précède l’autre (par exemple, le leadership est plus distinctif dans le panneau J que dans le panneau I, et dans le panneau K, le leadership est plus distinctif que dans le panneau L). Veuillez cliquer ici pour voir une version agrandie de cette figure.

Protocole

L’étude a été menée à la Florida Atlantic University (FAU) et a été approuvée par le FAU Institutional Review Board (IRB).

1. Utilisation du logiciel Homer3 (Table of Materials) pour effectuer le prétraitement des données d’hyperbalayage fNIRS

NOTE : Homer3 est une application MATLAB qui analyse les données fNIRS pour obtenir des estimations et des cartes de l’activation cérébrale29. Homer3 peut être téléchargé et installé à partir du lien suivant (https://openfnirs.org/software/homer/).

  1. Ouvrez MATLAB et accédez au dossier dans lequel les fichiers .nirs bruts sont enregistrés. Sélectionnez et ouvrez le dossier.
  2. Tapez Homer3 dans la fenêtre de commande de MATLAB pour lancer l’interface graphique d’Homer3 . Homère3. détectera les fichiers .nirs et demandera à être convertis au format .snirf (un format de fichier universel permettant de stocker et de partager des données NIRS indépendamment de tout format de fichier spécifique à une application tel que MATLAB) pour procéder au prétraitement des données.
  3. Après avoir importé les fichiers .nirs au format .snirf dans Homer3, cliquez sur l’option Outils dans l’interface graphique d’Homer3 et sélectionnez Modifier le flux de traitement.
  4. Dans l’interface graphique de ProcStreamEdit , sélectionnez les étapes de prétraitement de la colonne Fonction de registre vers la colonne Flux de traitement actuel en cliquant sur Ajouter. Les étapes de prétraitement incluses sont les suivantes :
    1. Utilisez hmrR_intensity2OD pour convertir les données d’intensité en densité optique.
    2. Utilisez hmrR_MotionCorrectWavelet pour corriger les artefacts de mouvement à l’aide de la fonction de filtrage appropriée.
    3. Utilisez hmrR_OD2conc pour convertir les données de DO en concentration.
    4. Utilisez hmR_BlockAvg pour calculer la moyenne du bloc sur les données de concentration.
      REMARQUE : La sélection des étapes de prétraitement peut varier en fonction du type de jeu de données.
  5. Pour enregistrer le flux de traitement actuel, cliquez sur l’option Enregistrer , puis quittez l’interface graphique de ProcStreamEdit.
  6. Pour exécuter le flux de prétraitement dans l’interface graphique principale d’Homer3, cliquez sur l’option EXÉCUTER . Une fois qu’Homer3 a terminé d’exécuter le flux de traitement sélectionné, il enregistre la série chronologique prétraitée pour chaque participant dans un format de fichier .mat contenant Hbo, Hbr et Hbt pour tous les canaux et événements. Un dossier nommé homer output sera créé par Homer3 dans le dossier actuellement sélectionné pour stocker ces fichiers.
  7. Un dossier nommé dérivés sera créé par Homer3 dans le dossier sélectionné pour stocker ces fichiers. Sélectionnez le dossier homer situé dans le dossier des dérivés. Choisissez le fichier .mat pour chaque cerveau et exportez Hbo, Hbr, Hbt.
    REMARQUE : Le nom du dossier de sortie créé par Homer3 dépend de la version d’Homer3.

2. Prise en main de la boîte à outils LeaderFollowerByPhase

  1. Pour analyser le type d’interaction qui se produit dans un enregistrement d’hyperbalayage, utilisez la boîte à outils LeaderFollowerByPhase, comme décrit dans le processus illustré à la figure 3. Dans MATLAB, sélectionnez les fichiers .mat pour chaque cerveau et chargez les données Hbo (ou Hbr) du canal spécifique et de l’événement spécifique dans un vecteur unidimensionnel en tant que signal1 et signal2.
  2. Dans la ligne de commande MATLAB, définissez les paramètres
    1. lowFreq, highFreq : Tapez lowFreq = [faible FOI] et highFreq = [haute FOI]. Les valeurs par défaut sont lowFreq = 0,01 Hz, highFreq = 1 Hz.
      REMARQUE : Les paramètres des fonctions lowFreq et highFreq définissent la plage de fréquences d’intérêt (FOI). Le WTC calcule la cohérence entre les deux cerveaux à chaque point de temps et à chaque fréquence. Les valeurs de cohérence sont généralement moyennées à l’intérieur d’une FOI particulière.
    2. Définissez le paramètre phaseRange ; type phaseRange = [plage en degrés].
      REMARQUE : La valeur par défaut est phaseRange = 90°. La phase varie entre 0° et 360° en raison de la nature circulaire modulo de la phase. Les plages de phase sont divisées selon une plage qui entoure quatre points. Dans la boîte à outils présentée, une nouvelle approche de classification des interactions asymétriques est présentée (Figure 4) en examinant la directionnalité du couplage à l’aide des valeurs de l’angle de phase en fonction des plages correspondant à la synchronisation décalée avec le signal 1 (une plage autour de −90°) ou le signal 2 (une plage autour de 90°), le signal 1, la synchronisation en phase du signal 2 (une plage autour de 0), et Signal 1, Signal 2 synchronisation antiphase (une plage autour de +180° ou −180°).
    3. Définissez le paramètre Threshold (Seuil). Tapez threshold = [threshold rsq val]. La valeur par défaut est Threshold = 0.
      REMARQUE : La boîte à outils permet de spécifier une valeur de cohérence de seuil en spécifiant le paramètre de seuil. Cela permet au chercheur de sélectionner des points temporels avec une valeur de cohérence minimale spécifiée. Par conséquent, seuls les points temporels dont les valeurs de cohérence sont supérieures au seuil spécifié sont pris en compte.
  3. Téléchargez la boîte à outils LeaderFollowerByPhase à partir du lien suivant (https://www.ariel.ac.il/wp/sns/download/ ou https://github.com/Minisharmaa/Leader-Follower-By-Phase).
  4. Exécutez la fonction MATLAB LeaderFollowerByPhase en entrant la commande cohervalues = LeaderFollowerByPhase(signal1, signal2, lowFreq, highFreq, phaseRange, threshold) dans la ligne de commande.
    NOTE : Les calculs de cohérence et de phase sont effectués à l’aide des fonctions WTC et XWT de MATLAB, respectivement30.
  5. Examinez les valeurs de synchronisation en phase, de début de signal 1, de signal 2 et d’antiphase :
    1. Inspectez les tracés dans MATLAB. La boîte à outils génère une figure avec quatre tracés.
      1. Cohérence par type d’interaction : Inspectez le diagramme à boîtes dans la partie supérieure gauche de la figure, qui montre le R-carré (Rsq) en fonction de chaque type d’interaction (en phase, signal 1 en tête, signal 2 en tête, antiphase).
        REMARQUE : pour une description détaillée de la fonction intégrée de graphique en boîte MATLAB, consultez le lien suivant (https://www.mathworks.com/help/matlab/ref/boxchart.html).
      2. Indices centraux par type d’interaction : Inspectez le graphique à barres dans la partie supérieure droite de la figure de sortie, qui affiche la moyenne et la médiane maximales en fonction de chaque type d’interaction (en phase, signal 1 en tête, signal 2 en tête, en phase anti-phase).
        REMARQUE : pour une description détaillée de la fonction intégrée de la barre MATLAB, consultez le lien suivant (https://www.mathworks.com/help/matlab/ref/bar.html).
      3. Cohérence dans le temps : inspectez le nuage de points dans la partie inférieure gauche de la figure en sortie, qui affiche les valeurs de cohérence et les types d’interaction au fil du temps. Les points colorés représentent différents types d’interaction (les points noirs représentent la synchronisation en phase, les points gris foncé représentent le signal 1, les points gris clair représentent le signal 2 et les points violets représentent la synchronisation anti-phase).
        NOTE : La figure montre la dynamique de l’interaction, c’est-à-dire l’échange entre les quatre types d’interaction tout au long de la série à temps plein. Pour une description détaillée de la fonction de dispersion MATLAB, consultez le lien suivant (https://www.mathworks.com/help/matlab/ref/scatter.html).
      4. Pourcentage de temps : inspectez le graphique circulaire dans la partie inférieure droite de la figure de sortie, qui affiche la division du temps en fonction des différents types d’interactions.
        REMARQUE : Pour une description détaillée de la fonction de camembert MATLAB, consultez le lien suivant (https://www.mathworks.com/help/matlab/ref/pie.html).
  6. Inspectez le tableau de sortie avec les valeurs statistiques (c’est-à-dire moyenne, maximale, médiane et écart-type) pour chaque type d’interaction (synchronisation en phase, signal 1 en tête, signal 2 en tête, synchronisation antiphase). Le tableau présente également le pourcentage de temps pendant lequel chaque type d’interaction s’est produit. Chaque type d’interaction apparaît dans une colonne différente.
  7. Examinez la valeur de sortie dans le fichier de feuille de calcul extrait (c’est-à-dire datatable.xlsx situé dans le dossier actif).

figure-protocol-9486
Figure 3 : Vue d’ensemble du flux de travail. (A) Des dyades mère-enfant se livrant à des jeux libres tout en hyperscannant les données fNIRS ont été collectées. (B) Illustration d’une série chronologique mère-enfant. (C) Prétraitement des séries chronologiques à l’aide d’Homer3. (D,E) L’utilisation d’une boîte à outils pour examiner différents types d’interactions, telles que la synchronisation en phase, la synchronisation antiphase et la synchronisation décalée. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-protocol-10440
Figure 4 : Classification de quatre types d’interactions différents en fonction de la phase. Cela représente la différence de phase des deux séries temporelles neuronales dans un modulo à 360°. La différence de phase peut être considérée comme un décalage temporel entre deux valeurs et est mesurée en degrés et en radians ou en fractions de longueur d’onde. Ici, le modulo à 360° est divisé en quatre gammes différentes décrivant quatre phases d’interaction différentes : (A) Signal 1 (une plage d’environ 90°, entre 45° et 135°), (B) synchronisation antiphase entre le signal 1 et le signal 2 (une plage d’environ 180° ou −180°, entre 135 et −135°), (C) Signal 2 (entre −135° et −45°), (D) en phase (plage autour de 0, entre −45° et 45°). Cette division est l’approche par défaut (45° autour de chaque point) ; Cependant, la boîte à outils permet de configurer une division différente. Bien que d’autres configurations ne couvrent pas tout le 360°, elles peuvent donner une définition plus précise de chaque type d’interaction. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Résultats

Cette section présente les types d’analyses qui peuvent être effectuées à l’aide de la boîte à outils (téléchargeable à l’https://www.ariel.ac.il/wp/sns/download/ ou au https://github.com/Minisharmaa/Leader-Follower-By-Phase.). Pour ces analyses, on a utilisé des données fNIRS recueillies auprès d’un petit échantillon de dyades nourrisson-parent. Six paires de dyades mère-enfant ont été testées à l’aide d’une tâche comportementale validée, la tâche de jeu libre31, ...

Discussion

L’une des méthodes les plus couramment utilisées dans les études fNIRS est la cohérence par transformée en ondelettes (WTC), qui est une mesure de la corrélation croisée de deux séries chronologiques en fonction de la fréquence et du temps10. Le WTC calcule la cohérence et le décalage de phase entre deux séries temporelles à l’aide d’analyses corrélationnelles (Fichier supplémentaire 1). Les études d’hyperbalayage FNIRS ont utilisé le WTC pour estimer le S...

Déclarations de divulgation

Les auteurs déclarent que la recherche a été menée en l’absence de toute relation commerciale ou financière qui pourrait être interprétée comme un conflit d’intérêts potentiel.

Remerciements

Nous tenons à remercier Yafeng Pan pour le soutien apporté par la Fondation nationale des sciences naturelles de Chine (n° 62207025), le projet de recherche en sciences humaines et sociales du ministère de l’Éducation de la Chine (n° 22YJC190017) et les fonds de recherche fondamentale pour les universités centrales.

matériels

NameCompanyCatalog NumberComments
NIRScout  NIRx Medical Technologies, LLCn.a.8 sources, 8 detectors
MATLABThe Mathworks, Inc.Matlab 2022aIn 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.

Références

  1. Gvirts, H. Z., Perlmutter, R. What guides us to neurally and behaviorally align with anyone specific? A neurobiological model based on fNIRS hyperscanning studies. The Neuroscientist. 26 (2), 108-116 (2019).
  2. Balconi, M., Fronda, G., Vanutelli, M. E. Donate or receive? Social hyperscanning application with fNIRS. Current Psychology. 38 (4), 991-1002 (2019).
  3. Redcay, E., Schilbach, L. Using second-person neuroscience to elucidate the mechanisms of social interaction. Nature Reviews Neuroscience. 20 (8), 495-505 (2019).
  4. Shamay-Tsoory, S. G., Mendelsohn, A. Real-life neuroscience: An ecological approach to brain and behavior research. Perspectives on Psychological Science. 14 (5), 841-859 (2019).
  5. Cui, X., Bryant, D. M., Reiss, A. L. NIRS-based hyperscanning reveals increased interpersonal coherence in superior frontal cortex during cooperation. NeuroImage. 59 (3), 2430-2437 (2012).
  6. Quaresima, V., Ferrari, M. Functional near-infrared spectroscopy (fNIRS) for assessing cerebral cortex function during human behavior in natural/social situations: A concise review. Organizational Research Methods. 22 (1), 46-68 (2016).
  7. Fishburn, F. A., et al. Putting our heads together: interpersonal neural synchronization as a biological mechanism for shared intentionality. Social Cognitive and Affective Neuroscience. 13 (8), 841-849 (2018).
  8. Hasson, U., Ghazanfar, A. A., Galantucci, B., Garrod, S., Keysers, C. Brain-to-brain coupling: A mechanism for creating and sharing a social world. Trends in Cognitive Sciences. 16 (2), 114-121 (2012).
  9. Chang, C., Glover, G. H. Time-frequency dynamics of resting-state brain connectivity measured with fMRI. NeuroImage. 50 (1), 81-98 (2010).
  10. Scholkmann, F., Holper, L., Wolf, U., Wolf, M. A new methodical approach in neuroscience: Assessing inter-personal brain coupling using functional near-infrared imaging (fNIRI) hyperscanning. Frontiers in Human Neuroscience. 7, 813 (2013).
  11. Czeszumski, A., et al. Hyperscanning: A valid method to study neural inter-brain underpinnings of social interaction. Frontiers in Human Neuroscience. 14, 39 (2020).
  12. Dommer, L., Jäger, N., Scholkmann, F., Wolf, M., Holper, L. Between-brain coherence during joint n-back task performance: A two-person functional near-infrared spectroscopy study. Behavioural Brain Research. 234 (2), 212-222 (2012).
  13. Osaka, N., Minamoto, T., Yaoi, K., Azuma, M., Osaka, M. Neural synchronization during cooperated humming: A hyperscanning study using fNIRS. Procedia - Social and Behavioral Sciences. 126, 241-243 (2014).
  14. Wang, C., Zhang, T., Shan, Z., Liu, J., Yuan, D., Li, X. Dynamic interpersonal neural synchronization underlying pain-induced cooperation in females. Human Brain Mapping. 40 (11), 3222-3232 (2019).
  15. Cheng, X., Li, X., Hu, Y. Synchronous brain activity during cooperative exchange depends on gender of partner: A fNIRS-based hyperscanning study. Human Brain Mapping. 36 (6), 2039-2048 (2015).
  16. Holper, L., Scholkmann, F., Wolf, M. Between-brain connectivity during imitation measured by fNIRS. NeuroImage. 63 (1), 212-222 (2012).
  17. Nguyen, T., et al. The effects of interaction quality on neural synchrony during mother-child problem solving. Cortex. 124, 235-249 (2020).
  18. Zheng, L., et al. Enhancement of teaching outcome through neural prediction of the students' knowledge state. Human Brain Mapping. 39 (7), 3046-3057 (2018).
  19. Pan, Y., Novembre, G., Song, B., Li, X., Hu, Y. Interpersonal synchronization of inferior frontal cortices tracks social interactive learning of a song. NeuroImage. 183, 280-290 (2018).
  20. Pan, Y., et al. Instructor-learner brain coupling discriminates between instructional approaches and predicts learning. NeuroImage. 211, 116657 (2020).
  21. Liu, J., et al. Interplay between prior knowledge and communication mode on teaching effectiveness: Interpersonal neural synchronization as a neural marker. NeuroImage. 193, 93-102 (2019).
  22. Léné, P., et al. Wavelet transform coherence: An innovative method to investigate social interaction in NeuroIS. Lecture Notes in Information Systems and Organisation. 32, 147-154 (2020).
  23. Nguyen, T., Hoehl, S., Vrtička, P. A guide to parent-child fNIRS hyperscanning data processing and analysis. Sensors. 21 (12), 4075 (2021).
  24. Zhang, Y., Han, J., Hu, X., Guo, L., Liu, T. Data-driven evaluation of functional connectivity metrics. Proceedings - International Symposium on Biomedical Imaging. , 532-535 (2013).
  25. Hamilton, A. F. d. e. C. Hyperscanning: Beyond the hype. Neuron. 109 (3), 404-407 (2021).
  26. Barnett, L., Barrett, A. B., Granger Seth, A. K. causality and transfer entropy are equivalent for Gaussian variables. Physical Review Letters. 103 (23), 2-5 (2009).
  27. Barnett, L., Seth, A. K. The MVGC multivariate Granger causality toolbox: A new approach to Granger-causal inference. Journal of Neuroscience Methods. 223, 50-68 (2014).
  28. Li, D., Zhou, C. Organization of anti-phase synchronization pattern in neural networks: What are the key factors. Frontiers in Systems Neuroscience. 5, 100 (2011).
  29. Huppert, T. J., Diamond, S. G., Franceschini, M. A., Boas, D. A. HomER: A review of time-series analysis methods for near-infrared spectroscopy of the brain. Applied Optics. 48 (10), D280-D298 (2009).
  30. Grinsted, A., Moore, J. C., Jevrejeva, S. Application of the cross wavelet transform and wavelet coherence to geophysical time series. Nonlinear Processes in Geophysics. 11 (5-6), 561-566 (2004).
  31. Feldman, R. Parent-infant synchrony. Current Directions in Psychological Science. 16 (6), 340-345 (2007).
  32. Fell, J., Axmacher, N. The role of phase synchronization in memory processes. Nature Reviews Neuroscience. 12 (2), 105-118 (2011).
  33. Olcay, B. O., Karaçalı, B. Evaluation of synchronization measures for capturing the lagged synchronization between EEG channels: A cognitive task recognition approach. Computers in Biology and Medicine. 114, 103441 (2019).
  34. Stam, C. J. Nonlinear dynamical analysis of EEG and MEG: Review of an emerging field. Clinical Neurophysiology. 116 (10), 2266-2301 (2005).
  35. Mallat, S. . A Wavelet Tour of Signal Processing. , (2009).
  36. Kleinbub, J. R., Ramseyer, F. T. . rMEA: An R package to assess nonverbal synchronization in motion energy analysis time-series. 31 (6), 817-830 (2020).
  37. Pan, Y., Novembre, G., Song, B., Zhu, Y., Hu, Y. Dual brain stimulation enhances interpersonal learning through spontaneous movement synchrony. Social Cognitive and Affective Neuroscience. 16 (1-2), 210-221 (2021).
  38. Ramseyer, F., Tschacher, W. Nonverbal synchrony in psychotherapy: Coordinated body movement reflects relationship quality and outcome. Journal of Consulting and Clinical Psychology. 79 (3), 284-295 (2011).
  39. Zhang, X., Noah, J. A., Dravida, S., Hirsch, J. Optimization of wavelet coherence analysis as a measure of neural synchrony during hyperscanning using functional near-infrared spectroscopy. Neurophotonics. 7 (1), 015010 (2020).
  40. Walton, A. E., Richardson, M. J., Langland-Hassan, P., Chemero, A. Improvisation and the self-organization of multiple musical bodies. Frontiers in Psychology. 6, 313 (2015).
  41. Varlet, M., Marin, L., Lagarde, J., Bardy, B. G. Social postural coordination. Journal of Experimental Psychology: Human Perception and Performance. 37 (2), 473-483 (2011).
  42. Hale, J., Ward, J. A., Buccheri, F., Oliver, D., Hamilton, A. F. d. e. C. Are you on my wavelength? Interpersonal coordination in dyadic conversations. Journal of Nonverbal Behavior. 44 (1), 63-83 (2020).
  43. Fujiwara, K., Daibo, I. Evaluating interpersonal synchrony: Wavelet transform toward an unstructured conversation. Frontiers in Psychology. 7, 516 (2016).
  44. Nozawa, T., Sasaki, Y., Sakaki, K., Yokoyama, R., Kawashima, R. Interpersonal frontopolar neural synchronization in group communication: An exploration toward fNIRS hyperscanning of natural interactions. NeuroImage. 133, 484-497 (2016).
  45. Dai, R., et al. Holistic cognitive and neural processes: A fNIRS-hyperscanning study on interpersonal sensorimotor synchronization. Social Cognitive and Affective Neuroscience. 13 (11), 1141-1154 (2018).
  46. Lu, K., Qiao, X., Yun, Q., Hao, N. Educational diversity and group creativity: Evidence from fNIRS hyperscanning. NeuroImage. 243, 118564 (2021).

Réimpressions et Autorisations

Demande d’autorisation pour utiliser le texte ou les figures de cet article JoVE

Demande d’autorisation

Explorer plus d’articles

Spectroscopie fonctionnelle dans le proche infrarougeHyperbalayage FNIRSCoh rence interc r braleCoh rence par transform e en ondelettesvaluation du couplageDirectionnalit de l interactionSynchronisation en phaseSynchronisation d cal eSynchronisation anti phaseAnalyse de coh rence de phaseEstimation de la directionnalit du couplageDynamique des interactionsInteractions socialestudes d hyperbalayage FNIRS

This article has been published

Video Coming Soon

JoVE Logo

Confidentialité

Conditions d'utilisation

Politiques

Contactez-nous

RECOMMANDER À LA BIBLIOTHÈQUE

NEWSLETTERS JoVE

Recherche

Enseignement

Auteurs

Bibliothécaires

À PROPOS DE JoVE

Copyright © 2025 MyJoVE Corporation. Tous droits réservés.