중국 국립자연과학재단(제62207025호), 중국 교육부의 인문사회과학연구과제(제22호YJC190017호), 중앙대학 기초연구기금 등을 야펑판에 지원해 주신 것에 감사드립니다.

이 연구는 플로리다 애틀랜틱 대학교(FAU)에서 수행되었으며 FAU 기관 검토 위원회(IRB)의 승인을 받았습니다.
1. Homer3 소프트웨어(Table of Materials)를 사용하여 fNIRS 하이퍼스캐닝 데이터의 전처리 수행
참고: Homer3는 fNIRS 데이터를 분석하여 뇌 활성화 추정치와 맵을 얻는 MATLAB 응용 프로그램이다 29. Homer3는 다음 링크(https://openfnirs.org/software/homer/)에서 다운로드하여 설치할 수 있습니다.
<ol><li>MATLAB을 열고 원시 .nirs 파일이 저장된 폴더로 이동합니다. 폴더를 선택하고 엽니다.</li>
	<li>MATLAB의 명령 창에 Homer3을 입력하여 Homer3 GUI를 시작합니다. 호메로스3. 는 .nirs 파일을 검출하고 .snirf 형식(MATLAB과 같은 특정 응용 프로그램별 파일 형식과 독립적으로 NIRS 데이터를 저장하고 공유하기 위한 범용 파일 형식)으로 변환하여 데이터 전처리를 진행하도록 요청합니다.</li>
	<li>Homer3에서 .nirs 파일을 .snirf 형식으로 가져온 후 Homer3 GUI에서 도구 옵션을 선택하고 처리 스트림 편집을 선택합니다.</li>
	<li>ProcStreamEdit GUI에서 추가를 클릭하여 레지스트리 함수 열에서 현재 처리 스트림 열로 사전 처리 단계를 선택합니다. 포함된 전처리 단계는 다음과 같습니다.<ol><li>hmrR_intensity2OD 사용하여 명암 데이터를 광학 밀도로 변환합니다.</li>
		<li>hmrR_MotionCorrectWavelet 사용하면 적절한 필터링 기능을 사용하여 모션 아티팩트를 수정할 수 있습니다.</li>
		<li>hmrR_OD2conc를 사용하여 OD 데이터를 농도로 변환합니다.</li>
		<li>hmR_BlockAvg를 사용하여 농도 데이터에 대한 블럭 평균을 계산합니다. 참고: 전처리 단계의 선택은 데이터 세트 유형에 따라 달라질 수 있습니다.</li>
	</ol></li>
	<li>현재 처리 스트림을 저장하려면 저장 옵션을 클릭한 다음 ProcStreamEdit GUI를 종료합니다.</li>
	<li>기본 Homer3 GUI에서 전처리 스트림을 실행하려면 RUN 옵션을 클릭하십시오. Homer3는 선택한 처리 스트림의 실행을 완료한 후 모든 채널 및 이벤트에 대해 Hbo, Hbr 및 Hbt를 포함하는 .mat 파일 형식으로 각 참가자에 대해 사전 처리된 시계열을 저장합니다. Homer3는 이러한 파일을 저장하기 위해 현재 선택된 폴더에 homer output 이라는 폴더를 생성합니다.</li>
	<li>Homer3는 이러한 파일을 저장하기 위해 선택한 폴더에 derivatives라는 폴더를 만듭니다. derivatives 폴더에 있는 homer 폴더를 선택합니다. 각 브레인에 대해 .mat 파일을 선택하고 Hbo, Hbr, Hbt를 내보냅니다. 알림: Homer3에서 만든 출력 폴더의 이름은 Homer3 버전에 따라 다릅니다.</li>
</ol>2. LeaderFollowerByPhase 툴박스 시작하기
<ol><li>하이퍼스캐닝 기록에서 발생하는 상호 작용 유형을 분석하려면 그림 3에 표시된 프로세스에 설명된 대로 LeaderFollowerByPhase 툴박스를 사용하십시오. MATLAB에서 각 브레인에 대한 .mat 파일을 선택하고 특정 채널과 특정 이벤트의 Hbo(또는 Hbr) 데이터를 1차원 벡터에 signal1 및 signal2로 불러옵니다.</li>
	<li>MATLAB 명령줄에서 파라미터를 정의합니다<ol><li>저주파, 고주파: lowFreq = [low FOI]를 입력하고 highFreq = [high FOI]를 입력합니다. 디폴트 값은 lowFreq = 0.01Hz, highFreq = 1Hz입니다. 참고: lowFreq 및 highFreq 함수의 매개변수는 관심 주파수(FOI) 범위를 정의합니다. WTC는 각 시점과 주파수에서 두 뇌의 일관성을 계산합니다. 일관성 값은 일반적으로 특정 FOI 내에서 평균화됩니다.</li>
		<li>매개 변수 phaseRange를 정의합니다. phaseRange = [range in deg]를 입력합니다. 참고: 기본값은 phaseRange = 90°입니다. 위상 범위는 위상의 원형 모듈로 특성으로 인해 0°에서 360° 사이입니다. 위상 범위는 4개의 점을 둘러싼 범위에 따라 나뉩니다. 제시된 도구 상자에서는 신호 1 선행 (-90°를 둘러싼 범위) 또는 신호 2 선행 (90°를 둘러싼 범위)과의 지연된 동기화에 해당하는 범위에 따라 위상각 값을 사용하여 결합 방향성을 검사하여 비대칭 상호 작용을 분류하는 새로운 접근 방식을 제시합니다(그림 4). 신호 1, 신호 2 동위상 동기화(0을 둘러싼 범위), 및 신호 1, 신호 2 역위상 동기화(+180° 또는 −180°를 둘러싼 범위).</li>
		<li>임계값 매개변수를 정의합니다. threshold = [threshold rsq val]을 입력합니다. 기본값은 임계값 = 0입니다. 참고: 이 툴박스에서는 threshold 파라미터를 지정하여 임계값 일관성 값을 지정할 수 있습니다. 이를 통해 연구자는 지정된 최소 일관성 값을 가진 시점을 선택할 수 있습니다. 따라서 일관성 값이 지정된 임계값보다 높은 시점만 고려됩니다.</li>
	</ol></li>
	<li>다음 링크(https://www.ariel.ac.il/wp/sns/download/ 또는 https://github.com/Minisharmaa/Leader-Follower-By-Phase)에서 LeaderFollowerByPhase 툴박스를 다운로드합니다.</li>
	<li>명령줄에 명령 cohervalues = LeaderFollowerByPhase(signal1, signal2, lowFreq, highFreq, phaseRange, threshold)를 입력하여 MATLAB 함수 LeaderFollowerByPhase 를 실행합니다. 참고: 일관성 및 위상 계산은 각각 MATLAB의 WTC 및 XWT 함수를 사용하여 수행됩니다(30).</li>
	<li>동위상, 신호 1 선행, 신호 2 선행 및 역위상 동기화 값을 검토합니다.<ol><li>MATLAB에서 플롯을 검사합니다. 이 툴박스는 4개의 플롯이 있는 Figure 1개를 생성합니다.<ol><li>상호 작용 유형별 일관성: 그림의 왼쪽 상단에 있는 상자 차트 플롯을 검사하여 각 상호 작용 유형(동위상, 신호 1 선행, 신호 2 선행, 역위상)에 따른 결정계수(Rsq)를 보여줍니다. 참고: MATLAB 상자 차트 내장 함수에 대한 자세한 설명은 다음 링크(https://www.mathworks.com/help/matlab/ref/boxchart.html)를 참조하십시오.</li>
			<li>교호작용 유형별 중심 지수: 각 교호작용 유형(동위상, 신호 1 선행, 신호 2 선행, 역위상)에 따라 최대 평균과 중앙값을 표시하는 출력 그림의 오른쪽 상단에 있는 막대 그래프를 검사합니다. 참고: MATLAB bar 내장 함수에 대한 자세한 설명은 다음 링크(https://www.mathworks.com/help/matlab/ref/bar.html)를 참조하십시오.</li>
			<li>시간 경과에 따른 일관성: 출력 Figure의 왼쪽 하단에 있는 산점도를 검사하여 일관성 값과 시간 경과에 따른 상호 작용 유형을 표시합니다. 컬러 도트는 다양한 유형의 상호 작용을 나타냅니다(검은색 도트는 동위상 동기화를 나타내고, 진한 회색 점은 신호 1 선행을 나타내고, 밝은 회색 점은 신호 2 선행을 나타내고, 보라색 점은 역위상 동기화를 나타냄). 참고: 그림은 상호 작용의 역학, 즉 풀타임 시리즈 전체에서 네 가지 유형의 상호 작용 간의 교환을 보여줍니다. MATLAB scatter 함수에 대한 자세한 내용은 다음 링크(https://www.mathworks.com/help/matlab/ref/scatter.html)를 참조하십시오.</li>
			<li>시간 백분율: 출력 그림의 오른쪽 하단에 있는 원형 차트를 검사하여 다양한 유형의 상호 작용에 따른 시간 분할을 표시합니다. 참고: MATLAB pie 함수에 대한 자세한 설명은 다음 링크(https://www.mathworks.com/help/matlab/ref/pie.html)를 참조하십시오.</li>
		</ol></li>
	</ol></li>
	<li>각 상호 작용 유형(동위상 동기, 신호 1 선행, 신호 2 선행, 역위상 동기)에 대한 통계 값(즉, 평균, 최대, 중앙값 및 표준 편차)을 사용하여 출력 테이블을 검사합니다. 이 표에는 각 유형의 상호 작용이 발생한 시간의 백분율도 표시됩니다. 각 유형의 상호 작용은 서로 다른 열에 나타납니다.</li>
	<li>추출된 스프레드시트 파일(즉, 현재 폴더에 있는 datatable.xlsx)의 출력 값을 검사합니다.</li>
</ol><img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/65347/65347fig03.jpg"> 그림 3: 워크플로 개요 . (A) fNIRS 데이터를 하이퍼스캐닝하는 동안 자유로운 놀이에 참여한 어머니-자식 쌍둥이가 수집되었습니다. (B) 어머니와 자식의 시계열 그림. (C) Homer3를 사용한 시계열 전처리. (디,이) 툴박스를 사용하여 동위상 동기화(in-phase synchronization), 위상 반대 동기화(anti-phase synchronization), 지연된 동기화(lagged synchronization)와 같은 다양한 유형의 상호 작용을 검토합니다. <a href="https://www.jove.com/files/ftp_upload/65347/65347fig03large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/65347/65347fig04.jpg"> 그림 4: 단계에 따른 4가지 유형의 상호 작용 분류. 이것은 360° 모듈로에서 두 신경 시계열의 위상차를 나타냅니다. 위상차는 두 값 사이의 시간 지연으로 생각할 수 있으며 각도와 라디안 또는 파장의 분수로 측정됩니다. 여기서 360° 모듈로는 (A) 신호 1 선행 (약 90° 범위, 45°에서 135° 사이), (B) 신호 1과 신호 2 사이의 역위상 동기화(약 180° 또는 −180° 범위, 135에서 −135° 사이), (C) 신호 2 선행(−135°에서 −45° 사이), (D) 동위상 동기화(0 부근의 범위, −45°에서 45° 사이). 이 분할은 기본 접근 방식입니다(각 점 주위 45°). 그러나 도구 상자를 사용하면 다른 분할을 구성할 수 있습니다. 다른 구성은 모든 360°를 다루지 않을 수 있지만 각 상호 작용 유형에 대한 보다 정확한 정의를 생성할 수 있습니다. <a href="https://www.jove.com/files/ftp_upload/65347/65347fig04large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>

fNIRS 연구의 혁명: 신경 결합에 대한 새로운 접근 방식

저자는 이 연구가 잠재적인 이해 상충으로 해석될 수 있는 상업적 또는 재정적 관계가 없는 상태에서 수행되었음을 선언합니다.

fNIRS 연구에서 사용되는 가장 일반적인 방법 중 하나는 웨이블릿 변환 일관성(WTC)으로, 주파수와 시간10의 함수로 두 시계열의 상호 상관을 측정한 것입니다. WTC는 상관 분석을 사용하여 두 시계열 간의 일관성 및 위상 지연을 계산합니다(보충 파일 1). FNIRS 하이퍼스캐닝 연구는 행동 모니터링12, 협력 및 경쟁 행동 5,13,14,15, 모방 16, 엄마-유아 문제 해...

최근 몇 년 동안 사회적 행동의 신경 기반을 이해하기 위해 수행되는 연구 유형에 변화가 있었습니다 1,2. 전통적으로 사회 신경 과학의 연구는 사회적으로 관련된 작업 중에 고립된 하나의 뇌에서 신경 활성화에 초점을 맞추었습니다. 그러나 신경 영상 기술의 발전으로 이제 "실생활" 환경에서 발생하는 사회적 상호 작용 중에 한 명 이상의 개인의 뇌에서 신경 활성화를 검사할 수 있게 되었다3. "실생활" 환경에서 개인은 자유롭게 움직일 수 있으며, 정보가 교환되고 사회적 파트너가 서로에게서 피드백을 받음에 따라 뇌 활성화 패턴이 바뀔 가능성이 높다4.
하이퍼스캐닝(Hyperscanning)은 두 명 이상의 개인으로부터 동시에 뇌 활동을 측정하여 이러한 양방향 정보 교환을 평가하는 방법이다5. 새로운 연구 기관에서는 다른 신경 영상 기법에 비해 모션 아티팩트에 덜 민감한 비침습적 신경 영상 기술인 기능적 근적외선 분광법(fNIRS)을 활용하고 있습니다6. fNIRS를 통한 하이퍼스캐닝을 통해 실제 환경에서 뇌 간 동기화(IBS)를 평가할 수 있으며, 대화형 파트너는 자유롭고 자연스럽게 이동할 수 있습니다. 이것은 특히 매우 활동적인 경향이 있는 영유아와 관련된 작업과 관련이 있습니다. IBS는 효과적인 사회적 상호작용과 의사소통의 기초 역할을 하고 공유된 의도를 매개하는 상호작용 파트너 간의 상호 이해를 반영하는 것으로 보고되었습니다 1,7,8.
두 뇌의 IBS를 평가하기 위해 여러 가지 방법이 사용됩니다. 이러한 방법에는 상호 상관 및 Pearson 상관 계수 9,10과 같은 시계열 상관 관계가 포함됩니다(Scholkmann et al.10의 검토 참조). 다른 방법으로는 주파수 영역에서 결합 강도를 평가하는 방법이 있습니다. 이러한 방법에는 위상 고정 값(PLV) 및 위상 일관성이 포함됩니다(Czeszumski et al.11의 리뷰 참조). fNIRS 연구에서 가장 일반적인 방법 중 하나는 주파수와 시간10의 함수로 두 시계열의 상호 상관을 측정한 웨이블릿 변환 일관성(WTC)을 사용합니다.
WTC는 상관 분석을 사용하여 시간-주파수 영역에서 두 시계열 간의 일관성 및 위상 지연을 계산합니다. FNIRS 하이퍼스캐닝 연구는 행동 모니터링12, 협력 및 경쟁 행동 5,13,14,15, 모방 16, 엄마-유아 문제 해결 17, 교수-학습 행동18,19,20,21 등 다양한 기능 영역에서 IBS를 추정하기 위해 WTC를 사용했습니다. 일반적으로 하이퍼스캐닝 연구에서 실험 작업 중 WTC로 측정한 교차 뇌 일관성은 제어 작업 중 교차 뇌 일관성과 비교됩니다. 이러한 결과는 일반적으로 WTC "핫 플롯"과 함께 제시되며, 이는 각 시점과 빈도에서 두 뇌의 일관성을 보여줍니다(그림 1 참조).
Czesumaski et al.11이 제안한 바와 같이, WTC는 fNIRS 하이퍼스캐닝을 분석하기 위한 표준 분석 접근법이 되었습니다. WTC 분석은 데이터 시각화 및 해석을 위한 유연하고 "도구에 구애받지 않는" 방법입니다22. 일관성 계수 히트맵은 동기 또는 비동기 행동의 기간과 작업 완료 중 뇌 활동의 강도를 쉽게 식별할 수 있는 내러티브 형태의 분석을 제공하는 WTC의 주요 장점이며 응용 연구를 위한 강력한 도구가 됩니다22. WTC는 상관 관계 기술에 비해 장점이 있습니다. 상관관계는 혈역학적 반응 함수(HRF)의 모양에 민감하며, 이는 개인마다(특히 연령 측면에서) 그리고 다른 뇌 영역마다 다른 것으로 생각됩니다. 대조적으로, WTC는 (HRF)23의 지역 간 변화에 영향을 받지 않습니다. 연구자들은 fMRI 시계열을 연구하기 위해 웨이블릿 접근법을 사용했습니다. Zhang et al.24 은 Pearson 상관관계, 부분 상관, 상호 정보 및 웨이블릿 일관성 변환(WTC)을 포함하여 일반적으로 사용되는 기능적 연결 메트릭을 비교했습니다. 연구진은 휴지 상태 fMRI 데이터와 비디오 시청의 자연 자극 fMRI 데이터에서 파생된 대규모 기능적 연결 패턴을 사용하여 분류 실험을 수행했습니다. 그들의 발견은 WTC가 분류(특이성, 민감도 및 정확도)에서 가장 잘 수행되었음을 나타냈으며, 이는 WTC가 적어도 분류 응용 분야24에서 기능적 뇌 네트워크를 연구하는 데 바람직한 기능적 연결성 지표임을 암시한다.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65347/65347fig01.jpg"> 그림 1: 웨이블릿 변환 일관성(WTC). WTC는 두 시계열 사이의 일관성과 위상각을 시간(x축)과 주파수(y축)의 함수로 보여줍니다. 일관성 증가는 그래프에서 빨간색으로 표시되며 그래프의 작은 화살표는 두 시계열의 위상각을 나타냅니다. 오른쪽을 가리키는 화살표는 동위상 동기화를 나타냅니다. 아래쪽을 가리키는 화살표와 위쪽을 가리키는 화살표는 지연된 동기화를 나타냅니다. 그리고 좌향 화살표는 반위상 동기화(30)를 나타낸다. 이 그림은 Pan et al.19에서 발췌한 것입니다. <a href="https://www.jove.com/files/ftp_upload/65347/65347fig01large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
최근 Hamilton25 는 fNIRS 하이퍼스캐닝 연구에서 교차 뇌 일관성 데이터의 해석에 대한 몇 가지 한계를 분명히 밝혔습니다. 해밀턴의 주요 관심사 중 하나는 일관성 측정(예: WTC)이 대칭적인 효과(즉, 두 개의 뇌가 상관되어 동일한 변화 패턴을 나타냄)로만 보고한다는 것이었습니다. 그러나 많은 사회적 상호 작용은 두 참가자가 서로 다른 역할을 할 수 있다는 점에서 비대칭적(예: 화자와 청자 간의 정보 흐름)이며 WTC가 이 정보를 캡처할 수 있는지는 명확하지 않습니다. 여기서, 이러한 문제는 방향성을 검출하기 위해 교차 웨이블릿 위상을 사용함으로써 교차 웨이블릿 전력을 간단하게 해석할 수 있는 새로운 프레임워크에 의해 해결된다. 이 프레임워크는 또한 작업 전반에 걸쳐 상호 작용의 역학이 어떻게 발전하고 변화하는지 조사할 수 있도록 합니다.
WTC 및 상관 관계 방법은 기능적 연결성을 평가하는 반면, 다른 방법은 효과적인 연결성을 평가하여 한 신경 요소가 다른 신경 요소에 미치는 인과 적 영향을 추출하려고 시도합니다. 전이 엔트로피(transfer entropy)는 공동으로 의존하는 과정들 사이의 전이를 설명하는 정보 이론 분야의 척도이다26. 또 다른 관련 방법은 그레인저 인과성 분석(GCA)으로, 이는 전달 엔트로피26과 동일한 것으로 설명되었습니다.
fNIRS 하이퍼스캐닝 연구의 기존 문헌에서, 그레인저 인과성 분석(GCA)은 협력(cooperation)5, 티칭(teaching)19 및 모방(imitation)16과 같은 다양한 작업 중에 얻어진 fNIRS 시계열 데이터 간의 결합 방향성을 추정하는 데 널리 사용되어 왔다. GCA는 벡터 자기회귀 모델을 사용하여 뇌 데이터의 시계열 간 결합 방향성을 평가합니다. 그레인저의 인과관계는 예측과 우선순위에 기초한다: "변수 X는 X의 과거에 이미 Y의 과거에 있는 정보보다 Y의 미래를 예측하는 데 도움이 되는 정보를 포함하고 있다면, 변수 X는 변수 Y를 'G-원인'이라고 한다."[27] 따라서 G-인과관계는 1) 피험자 A에서 피험자 B로, 2) 피험자 B에서 피험자 A로의 두 방향으로 분석됩니다.
GCA 분석은 WTC 함수를 사용하여 얻은 높은 일관성 값이 IBS 또는 지연된 동기화(한 신호가 다른 신호를 선행함)를 반영하는지 여부를 결정하기 위한 보완 분석 역할을 하지만, 역위상 동기화가 발생했는지 여부를 결정할 수는 없습니다. 한 명의 참가자만 스캔하는 전통적인 신경영상 연구(즉, "단일 뇌" 접근법)에서 반단계 패턴은 한 뇌 영역의 활동이 증가하는 반면 다른 뇌 영역의 활동은 감소한다는 것을 의미합니다28. 하이퍼스캐닝 문헌에서, 항-위상 동기화의 존재는 한 피험자에서 신경 활성화가 증가하고, 동시에 다른 피험자에서 신경 활성화가 감소됨을 시사할 수 있다. 따라서 방향성을 검출할 수 있는 포괄적인 모델을 제공할 필요가 있다. 보다 구체적으로, 이 모델은 동위상 동기화 및 지연된 동기화 외에도 역위상 동기화(한 개인의 활동 방향이 파트너의 활동 방향과 반대인 경우)를 감지할 수 있습니다.
WTC가 대칭적 효과만을 나타낸다는 우려를 해소하기 위해, 두 뇌가 동일한 변화 패턴을 보인다는 우려25 를 해결하기 위해, 동기화 단계(즉, 동위상, 지연 또는 반위상)를 조사하여 상호작용 유형을 식별하는 새로운 접근법이 제시되었다( 그림 2 참조). 이를 위해 WTC 방법을 사용하여 다양한 유형의 상호 작용을 분류하는 도구 상자가 개발되었습니다. 상호 작용 유형은 교차 웨이블릿 변환 분석의 상대 위상 데이터를 사용하여 분류됩니다.
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/65347/65347fig02.jpg"> 그림 2: 단순 사인파의 다양한 위상 관계를 나타낸 그림. (A) 두 신호, 신호 1(파란색 선s)과 신호 2(주황색 선s)가 동일한 시점에서 각각의 최대값, 최소값 및 0값에 도달하면 동위상 동기화(32)를 나타낸다고 합니다. (B) 한 신호가 최대값에 도달하고 다른 신호가 동시에 0 값에 도달하면 지연된 동기화(하나가 90° 선행)를 나타낸다고 합니다.32,33,34. (C) 두 시계열이 반대 방향으로 이동할 때, 즉 하나의 신호가 최대값에 도달하고 다른 신호가 동일한 시점에 최소값에 도달하는 것을 의미할 때, 이를 역위상 동기화(anti-phase synchronization)28라고 한다. (민주당) 두 시계열 간의 다른 모든 위상 관계에서는 한 신호가 다른 신호로 이어집니다. 모든 양수 위상에서 신호 2는 선행 신호 1(예: 패널 E, F, M 및 N)인 반면, 모든 음극 위상에서 신호 1은 선행 신호 2(예: 패널 D, G, H, O 및 P)입니다. 특히, 위상의 절대값이 높을수록 어떤 시계열이 다른 시계열을 선도하는지 더 뚜렷해집니다(예: 리더십은 패널 I보다 패널 J에서 더 뚜렷하고, 패널 K에서 리더십은 패널 L보다 더 뚜렷함). <a href="https://www.jove.com/files/ftp_upload/65347/65347fig02large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</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

기능적 근적외선 분광법(fNIRS) 하이퍼스캐닝 연구가 증가하고 있음에도 불구하고 웨이블릿 변환 일관성(WTC)을 사용하여 두 신경 신호 간의 결합을 평가하는 것은 상호 작용의 방향성을 무시하는 것으로 보입니다. 이 분야는 현재 연구자들이 WTC 함수를 사용하여 얻은 높은 일관성 값이 동위상 동기화(즉, 신경 활성화가 dyad의 두 구성원에서 동시에 나타남), 지연된 동기화(즉, 신경 활성화가 dyad의 한 구성원에서 다른 구성원보다 먼저 나타남)를 반영하는지 여부를 결정할 수 있는 프레임워크가 부족합니다. 또는 반위상 동기화(즉, 신경 활성화는 dyad의 한 구성원에서 증가하고 다른 구성원에서는 감소됨). 이러한 요구를 해결하기 위해 이 연구에서는 두 신경 신호의 위상 일관성을 분석하기 위한 보완적이고 보다 민감한 접근 방식을 제안합니다. 이 툴박스를 통해 조사자는 기존 WTC를 사용하여 얻은 위상각 값을 동위상 동기화, 지연된 동기화 및 역위상 동기화로 분류하여 결합 방향성을 추정할 수 있습니다. 또한 이 도구 상자를 통해 연구원은 작업 전반에 걸쳐 상호 작용의 역학이 어떻게 발전하고 변화하는지 평가할 수 있습니다. 이 새로운 WTC 접근법과 툴박스를 사용하면 fNIRS 하이퍼스캐닝 연구에서 복잡한 사회적 상호 작용에 대한 이해를 높일 수 있습니다.

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>

저자 스포트라이트: fNIRS 연구에서 새로운 통찰력 확보 - 뇌 간 동기화 분석을 위한 새로운 프레임워크 

기능적 근적외선 분광법(fNIRS) 하이퍼스캐닝 연구에서 교차 뇌 일관성을 이해하기 위한 새로운 프레임워크

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.

이 섹션에서는 툴박스(https://www.ariel.ac.il/wp/sns/download/ 또는 https://github.com/Minisharmaa/Leader-Follower-By-Phase 에서 다운로드할 수 있음)로 수행할 수 있는 분석 유형을 보여줍니다. 이러한 분석을 위해 영아-부모 쌍돌기의 작은 샘플로 수집된 fNIRS 데이터가 활용되었습니다. 6쌍의 엄마-아기 다이아드는 검증된 행동 과제인 자유 놀이 과제31을 사용하여 테스트되었는데, 이는 가능한 한 실?...

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

웨이블릿 변환 일관성(WTC)은 기능적 근적외선 분광법(fNIRS) 하이퍼스캐닝 연구에 사용되는 신호 간의 결합을 평가하는 일반적인 방법론입니다. 이 작업에서는 신호 상호 작용의 방향성을 평가하기 위한 도구 상자를 제공합니다.

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

많은 fNIRS 연구는 WBC 핫 플롯의 위상 지연 정보를 무시하고 뇌 간 동기화를 추정하기 위한 일관성에 초점을 맞췄습니다. 여기에서, 결합 방향성을 추정하고, 위상각 값을 동위상 동기화(in-phase synchronization), 래그 위상 동기화(lag phase synchronization) 및 역위상 동기화(anti-phase synchronization)로 분류하는 보다 민감한 접근법이 제시되었다. 새로 제안된 프레임워크를 사용하여 이전 결과를 재분석하면 참가자 간 동기화의 특성을 포괄적으로 이해할 수 있습니다.동위상 동기화와 역위상 동기화를 구분하면 새로운 차원의 명확성을 제공하여 이전 결과를 정확하게 해석할 수 있습니다. 이 프레임워크는 사회적 행동, 의사 소통 및 의사 결정에서 대인 관계 동기화의 역할을 연구하는 것과 같은 다양한 시나리오에 적용될 수 있습니다. 무호흡증을 과대스캔하기 위해 개발된 위상 도구 상자와 함께 공예 이론의 적용을 강조하면 단순한 일관성을 넘어 상호 작용에서 관찰되는 다양한 유형의 방향성에 대한 더 깊은 이해를 얻을 수 있습니다.이 접근 방식을 사용하면 하이퍼스캐닝 설정에서 한 뇌에서 다른 뇌로의 정보 흐름을 탐색할 수 있습니다.

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 조회수.  Ariel University. 많은 fNIRS 연구는 WBC 핫 플롯의 위상 지연 정보를 무시하고 뇌 간 동기화를 추정하기 위한 일관성에 초점을 맞췄습니다. 여기에서, 결합 방향성을 추정하고, 위상각 값을 동위상 동기화(in-phase synchronization), 래그 위상 동기화(lag phase synchronization) 및 역위상 동기화(anti-phase synchronization)로 분류하는 보다 민감한 접근법이 제시되었다. 새로 제안된 프레임워크를 사용하여 이전 결?...