Nova estrutura para entender a coerência entre cérebros em estudos de hipervarredura por espectroscopia funcional no infravermelho próximo (fNIRS)

Resumo

A coerência da transformada wavelet (WTC) é uma metodologia comum para avaliar o acoplamento entre sinais que é usada em estudos de hipervarredura por espectroscopia funcional no infravermelho próximo (fNIRS). Uma caixa de ferramentas para avaliar a direcionalidade da interação do sinal é apresentada neste trabalho.

Resumo

Apesar do crescente corpo de estudos de hipervarredura por espectroscopia funcional no infravermelho próximo (fNIRS), a avaliação do acoplamento entre dois sinais neurais usando a coerência da transformada wavelet (WTC) parece ignorar a direcionalidade da interação. O campo está atualmente carecendo de uma estrutura que permita aos pesquisadores determinar se um alto valor de coerência obtido usando uma função WTC reflete sincronização em fase (ou seja, a ativação neural é vista em ambos os membros da díade ao mesmo tempo), sincronização defasada (ou seja, a ativação neural é vista em um membro da díade antes do outro membro), ou sincronização antifase (ou seja, a ativação neural é aumentada em um membro da díade e diminuída no outro). Para atender a essa necessidade, uma abordagem complementar e mais sensível para analisar a coerência de fase de dois sinais neurais é proposta neste trabalho. A caixa de ferramentas permite que os investigadores estimem a direcionalidade do acoplamento classificando os valores de ângulo de fase obtidos usando o WTC tradicional em sincronização em fase, sincronização defasada e sincronização antifase. A caixa de ferramentas também permite que os pesquisadores avaliem como a dinâmica das interações se desenvolve e muda ao longo da tarefa. O uso dessa nova abordagem do WTC e da caixa de ferramentas avançará nossa compreensão de interações sociais complexas por meio de seus usos em estudos de hipervarredura fNIRS.

Introdução

Nos últimos anos, houve uma mudança nos tipos de estudos realizados para compreender as bases neurais do comportamento social ^1,2. Tradicionalmente, os estudos em neurociência social têm se concentrado na ativação neural em um cérebro isolado durante uma tarefa socialmente relevante. No entanto, os avanços na tecnologia de neuroimagem agora permitem o exame da ativação neural no cérebro de um ou mais indivíduos durante a interação social, como ocorre em ambientes da "vida real"³. Em ambientes da "vida real", os indivíduos são capazes de se mover livremente, e os padrões de ativação cerebral provavelmente mudarão à medida que as informações são trocadas e os parceiros sociais recebem feedback uns dos outros⁴.

O hiperescaneamento é um método que avalia essa troca bidirecional de informações medindo a atividade cerebral de dois ou mais indivíduos simultaneamente⁵. Um corpo emergente de pesquisa tem utilizado a espectroscopia funcional no infravermelho próximo (fNIRS), uma técnica de neuroimagem não invasiva que, em comparação com outras técnicas de neuroimagem, é menos suscetível a artefatos de movimento⁶. O hiperescaneamento via fNIRS permite a avaliação da sincronização intercerebral (IBS) em ambientes da vida real, enquanto os parceiros interativos se movem livre e naturalmente. Isso é particularmente relevante para o trabalho com bebês e crianças pequenas, que tendem a ser bastante ativos. Tem sido relatado que a SII reflete o entendimento mútuo entre parceiros interativos, que serve como base para a interação social e comunicação eficazes e medeia a intencionalidade compartilhada ^1,7,8.

Vários métodos são usados para avaliar a SII de dois cérebros. Tais métodos incluem correlações de séries temporais, como correlação cruzada^{e coeficiente de} correlação de Pearson9,10 (ver revisão de Scholkmann et ^al.10). Outros métodos envolvem a avaliação da força do acoplamento no domínio da frequência. Tais métodos incluem o valor de bloqueio de fase (PLV) e a coerência de fase (ver revisão de Czeszumski et ^al.11). Um dos métodos mais comuns em estudos com fNIRS utiliza a coerência com transformada wavelet (WTC) - uma medida da correlação cruzada de duas séries temporais em função da frequência e do tempo¹⁰.

O WTC utiliza análises correlacionais para calcular a coerência e a defasagem de fase entre duas séries temporais no domínio da frequência temporal. Estudos de hipervarredura FNIRS têm utilizado o WTC para estimar a SII em vários domínios do funcionamento, incluindo monitoramento de ação 12, comportamento cooperativo e competitivo 5,13,14,15, imitação 16, resolução de problemas mãe-bebê 17 e comportamento de ensino-aprendizagem 18,19,20,21 . Normalmente, em estudos de hipervarredura, a coerência entre cérebros, medida pelo WTC, durante uma tarefa experimental é comparada à coerência entre cérebros durante uma tarefa de controle. Esses achados são geralmente apresentados com um "gráfico quente" do WTC, que mostra a coerência entre os dois cérebros em cada ponto de tempo e frequência (ver Figura 1).

Como sugerido por Czesumaski et ^al.11, o WTC tornou-se a abordagem analítica padrão para analisar o hiperescaneamento fNIRS. A análise WTC é um método flexível e "agnóstico de ferramentas" para visualização e interpretação de dados²². O heatmap do coeficiente de coerência, que fornece uma forma narrativa de análise que permite a fácil identificação de períodos de comportamento sincrônico ou assíncrono, bem como a intensidade da atividade cerebral durante a realização de uma tarefa, é a principal vantagem do WTC e o torna uma forte ferramenta para pesquisa aplicada²². O WTC tem uma vantagem sobre as técnicas de correlação. As correlações são sensíveis à forma da função de resposta hemodinâmica (FCR), que se acredita diferir entre indivíduos (particularmente em termos de idade) e entre diferentes áreas cerebrais. Em contraste, o WTC não é afetado por mudanças inter-regionais na (HRF)²³. Os pesquisadores usaram a abordagem wavelet para estudar séries temporais de RMf. Zhang et ^al.24 compararam as métricas de conectividade funcional comumente usadas, incluindo correlação de Pearson, correlação parcial, informação mútua e transformação de coerência wavelet (WTC). Eles realizaram experimentos de classificação usando padrões de conectividade funcional em larga escala derivados de dados de fMRI de estado de repouso e dados de fMRI de estímulo natural de visualização de vídeo. Seus achados indicaram que o WTC apresentou melhor desempenho em classificação (especificidade, sensibilidade e acurácia), implicando que o WTC é uma métrica de conectividade funcional preferível para estudar redes cerebrais funcionais, pelo menos em aplicações de classificação²⁴.

Figura 1: Coerência da transformada wavelet (WTC). O WTC mostra a coerência e o ângulo de fase entre duas séries temporais em função do tempo (eixo x) e da frequência (eixo y). O aumento de coerência é representado pela cor vermelha no gráfico, e as pequenas setas no gráfico mostram o ângulo de fase das duas séries temporais. A seta apontando para a direita representa a sincronização em fase; as setas apontando para baixo e apontando para cima representam sincronização defasada; e a seta apontando para a esquerda representa a sincronização antifase³⁰. Essa figura foi adaptada de Pan et ^al.19. Clique aqui para ver uma versão maior desta figura.

Recentemente,^Hamilton25 articulou várias limitações para a interpretação de dados de coerência intercerebral em estudos de hipervarredura fNIRS. Uma das principais preocupações de Hamilton era que as medidas de coerência (por exemplo, WTC) só relatam efeitos como simétricos (ou seja, dois cérebros estão correlacionados, mostrando o mesmo padrão de mudança). No entanto, muitas interações sociais são assimétricas (por exemplo, fluxo de informações entre um falante e um ouvinte) em que dois participantes podem desempenhar papéis diferentes, e não está claro se o WTC pode capturar essas informações. Aqui, essa preocupação é abordada por uma nova estrutura que permite uma interpretação direta da potência de wavelets cruzados usando a fase de wavelets cruzados para detectar direcionalidade. Essa estrutura também permitirá examinar como a dinâmica das interações se desenvolve e muda ao longo de uma tarefa.

Enquanto o WTC e os métodos de correlação avaliam a conectividade funcional, outros métodos avaliam a conectividade efetiva, tentando extrair as influências causais de um elemento neural sobre outro. A entropia de transferência é uma medida do campo da teoria da informação que descreve a transferência entre processos conjuntamente dependentes²⁶. Outro método relacionado é a análise de causalidade de Granger (ACG), que tem sido descrita como equivalente à entropia de transferência²⁶.

Na literatura existente de estudos de hipervarredura fNIRS, a análise de causalidade de Granger (GCA) tem sido amplamente utilizada para estimar a direcionalidade de acoplamento entre dados de séries temporais fNIRS obtidos durante uma variedade de tarefas diferentes, como cooperação⁵, ensino¹⁹ e imitação¹⁶. A ACG emprega modelos vetoriais autorregressivos para avaliar a direcionalidade do acoplamento entre séries temporais em dados cerebrais. A causalidade de Granger é baseada na predição e precedência: "uma variável X é dita como 'G-causa' variável Y se o passado de X contém a informação que ajuda a prever o futuro de Y além da informação já existente no passado de Y"²⁷. Nesse sentido, a causalidade G é analisada em duas direções: 1) do sujeito A para o sujeito B e 2) do sujeito B para o sujeito A.

Embora a análise GCA sirva como uma análise complementar destinada a determinar se um alto valor de coerência obtido usando uma função WTC reflete IBS ou sincronização defasada (um sinal liderando o outro), ela não permite determinar se a sincronização anti-fase ocorreu. Em estudos tradicionais de neuroimagem, nos quais apenas um participante é escaneado (ou seja, a abordagem de "cérebro único"), um padrão antifásico significa que a atividade em uma região do cérebro é aumentada enquanto a atividade na outra região do cérebro é diminuída²⁸. Na literatura de hipervarredura, a presença de sincronização antifásica pode sugerir que a ativação neural está aumentada em um indivíduo e, ao mesmo tempo, a ativação neural está diminuída para o outro indivíduo. Portanto, há necessidade de fornecer um modelo abrangente que possa detectar a direcionalidade. Mais especificamente, esse modelo será capaz de detectar sincronização antifase (na qual a direção da atividade em um indivíduo é oposta à de seu parceiro), além de sincronização em fase e sincronização defasada.

Na tentativa de abordar a preocupação de que o WTC mostra apenas efeitos simétricos, onde ambos os cérebros mostram o mesmo padrão de mudança²⁵, uma nova abordagem para identificar o tipo de interação examinando a fase de sincronização (ou seja, em fase, atrasada ou antifase) é apresentada (ver Figura 2). Para tanto, foi desenvolvida uma caixa de ferramentas utilizando o método WTC para classificar os diferentes tipos de interações. Os tipos de interações são classificados usando dados de fase relativa da análise de transformada wavelet cruzada.

Figura 2: Ilustração das diferentes relações de fase das ondas senoidais simples. (A) Quando os dois sinais, Sinal 1 (linha azul s) e Sinal 2 (linha laranjas), atingem seus respectivos valores máximo, mínimo e zero no mesmo ponto de tempo, diz-se que eles estão mostrando sincronização em fase³². (B) Quando um sinal atinge seu valor máximo e o outro sinal atinge valor zero no mesmo ponto de tempo, diz-se que eles estão apresentando sincronização defasada (um está liderando em 90°)^32,33,34. (C) Quando duas séries temporais se deslocam em direções opostas, ou seja, um sinal atinge o máximo e o outro atinge o valor mínimo no mesmo ponto de tempo, isso é chamado de sincronização antifásica²⁸. (D-P) Em todas as outras relações de fase entre duas séries temporais, um sinal está liderando o outro. Em todas as fases positivas, o Sinal 2 está liderando o Sinal 1 (por exemplo, painéis E, F, M e N), enquanto em todas as fases negativas, o Sinal 1 está liderando o Sinal 2 (por exemplo, painéis D, G, H, O e P). Notavelmente, quando o valor absoluto da fase é maior, torna-se mais distintivo qual série temporal está liderando a outra (por exemplo, a liderança é mais distintiva no painel J do que no painel I, e no painel K, a liderança é mais distintiva do que no painel L). Clique aqui para ver uma versão maior desta figura.

Protocolo

O estudo foi conduzido na Florida Atlantic University (FAU) e aprovado pelo Comitê de Revisão Institucional (IRB) da FAU.

1. Utilização do software Homer3 (Tabela de Materiais) para realizar o pré-processamento dos dados de hipervarredura do fNIRS

NOTA: Homer3 é um aplicativo MATLAB que analisa dados do fNIRS para obter estimativas e mapas de ativação cerebral²⁹. Homer3 pode ser baixado e instalado a partir do seguinte link (https://openfnirs.org/software/homer/).

1. Abra o MATLAB e navegue até a pasta onde os arquivos .nirs brutos são salvos. Selecione e abra a pasta.
2. Digite Homer3 na janela de comando do MATLAB para iniciar a GUI Homer3 . Homero3. detectará os arquivos .nirs e pedirá para converter para o formato .snirf (um formato de arquivo universal para armazenar e compartilhar dados NIRS independentemente de qualquer formato de arquivo específico do aplicativo, como o MATLAB) para prosseguir com o pré-processamento dos dados.
3. Depois de importar os arquivos .nirs para o formato .snirf no Homer3, clique na opção Ferramentas na GUI do Homer3 e selecione Editar fluxo de processamento.
4. Na GUI do ProcStreamEdit , selecione as etapas de pré-processamento da coluna Função do Registro para a coluna Fluxo de Processamento Atual clicando em Adicionar. As etapas de pré-processamento incluídas são as seguintes:
   1. Use hmrR_intensity2OD para converter os dados de intensidade em densidade óptica.
   2. Use hmrR_MotionCorrectWavelet para corrigir artefatos de movimento usando a função de filtragem apropriada.
   3. Use hmrR_OD2conc para converter os dados OD em concentração.
   4. Use hmR_BlockAvg para calcular a média de blocos em dados de concentração.
      Observação : a seleção das etapas de pré-processamento pode variar dependendo do tipo de conjunto de dados.
5. Para salvar o fluxo de processamento atual, clique na opção Salvar e saia da GUI do ProcStreamEdit.
6. Para executar o fluxo de pré-processamento na GUI principal do Homer3, clique na opção EXECUTAR . Depois que o Homer3 terminar de executar o fluxo de processamento selecionado, ele salvará a série temporal pré-processada para cada participante em um formato de arquivo .mat contendo Hbo, Hbr e Hbt para todos os canais e eventos. Uma pasta chamada homer output será criada por Homer3 na pasta atualmente selecionada para armazenar esses arquivos.
7. Uma pasta chamada derivativos será criada por Homer3 na pasta selecionada para armazenar esses arquivos. Selecione a pasta homer localizada na pasta derivados. Escolha o arquivo .mat para cada cérebro e exporte Hbo, Hbr, Hbt.
   Observação : O nome da pasta de saída criada por Homer3 é dependente da versão Homer3.

2. Introdução à caixa de ferramentas LeaderFollowerByPhase

1. Para analisar o tipo de interação que ocorre em uma gravação de hipervarredura, use a caixa de ferramentas LeaderFollowerByPhase, conforme descrito no processo mostrado na Figura 3. No MATLAB, selecione os arquivos .mat para cada cérebro e carregue os dados de Hbo (ou Hbr) do canal específico e do evento específico em um vetor unidimensional como sinal1 e sinal2.
2. Na linha de comando do MATLAB, defina os parâmetros
   1. lowFreq, highFreq: Digite lowFreq = [low FOI], e highFreq = [high FOI]. Os valores padrão são lowFreq = 0,01 Hz, highFreq = 1 Hz.
      NOTA: Os parâmetros das funções lowFreq e highFreq definem o intervalo de frequência de interesse (FOI). O WTC calcula a coerência entre os dois cérebros em cada ponto de tempo e frequência. Os valores de coerência são tipicamente calculados em média dentro de um determinado FOI.
   2. Definir o parâmetro phaseRange; tipo phaseRange = [intervalo em grau].
      Observação : O valor padrão é phaseRange = 90°. A fase varia entre 0° e 360° devido à natureza circular do módulo da fase. As faixas de fase são divididas de acordo com uma faixa que envolve quatro pontos. Na caixa de ferramentas apresentada, uma nova abordagem para classificar as interações assimétricas é apresentada (Figura 4) examinando a direcionalidade do acoplamento usando os valores do ângulo de fase de acordo com os intervalos correspondentes à sincronização defasada com o Sinal 1 liderando (uma faixa em torno de -90°) ou o Sinal 2 liderando (um intervalo em torno de 90°), Sinal 1, Sincronização em fase do Sinal 2 (um intervalo em torno de 0), e Sinal 1, sincronização antifásica do Sinal 2 (faixa em torno de +180° ou -180°).
   3. Defina o parâmetro Threshold. Tipo threshold = [threshold rsq val]. O valor padrão é Threshold = 0.
      NOTA: A caixa de ferramentas permite a especificação de um valor de coerência de limiar especificando o parâmetro threshold. Isso permite que o pesquisador selecione pontos de tempo com um valor mínimo de coerência especificado. Consequentemente, apenas são considerados os pontos de tempo com valores de coerência superiores ao limiar especificado.
3. Faça o download da caixa de ferramentas LeaderFollowerByPhase no seguinte link (https://www.ariel.ac.il/wp/sns/download/ ou https://github.com/Minisharmaa/Leader-Follower-By-Phase).
4. Execute a função MATLAB LeaderFollowerByPhase inserindo o comando cohervalues = LeaderFollowerByPhase(signal1, signal2, lowFreq, highFreq, phaseRange, threshold) na linha de comando.
   NOTA: Os cálculos de coerência e fase são realizados usando as funções WTC e XWT no MATLAB, respectivamente³⁰.
5. Examine os valores de sincronização em fase, Signal 1 leading, Signal 2 e anti-phase synchronization:
   1. Inspecione as parcelas no MATLAB. A caixa de ferramentas gera uma figura com quatro gráficos.
      1. Coerência por tipo de interação: Inspecione o gráfico de caixa na parte superior esquerda da figura, que mostra o R-quadrado (Rsq) de acordo com cada tipo de interação (em fase, Sinal 1 liderando, Sinal 2 liderando, antifase).
         Observação : para obter uma descrição detalhada da função interna de gráfico de caixa MATLAB, consulte o seguinte link (https://www.mathworks.com/help/matlab/ref/boxchart.html).
      2. Índices centrais por tipo de interação: Inspecione o gráfico de barras na parte superior direita da figura de saída, que exibe a média máxima e a mediana de acordo com cada tipo de interação (em fase, Sinal 1 liderando, Sinal 2 liderando, antifase).
         Observação : para obter uma descrição detalhada da função interna da barra MATLAB, consulte o seguinte link (https://www.mathworks.com/help/matlab/ref/bar.html).
      3. Coerência ao longo do tempo: Inspecione o gráfico de dispersão na parte inferior esquerda da figura de saída, que exibe os valores de coerência e os tipos de interação ao longo do tempo. Os pontos coloridos representam diferentes tipos de interação (pontos pretos representam sincronização em fase, pontos cinza escuro representam o Sinal 1 à frente, pontos cinza claro representam o Sinal 2 à esquerda e pontos roxos representam sincronização antifase).
         NOTA: A figura mostra a dinâmica da interação: a troca entre os quatro tipos de interação ao longo da série em tempo integral. Para obter uma descrição detalhada da função de dispersão MATLAB, consulte o seguinte link (https://www.mathworks.com/help/matlab/ref/scatter.html).
      4. Porcentagem de tempo: inspecione o gráfico de pizza na parte inferior direita da figura de saída, que exibe a divisão do tempo de acordo com os diferentes tipos de interações.
         Observação : para obter uma descrição detalhada da função de pizza MATLAB, consulte o seguinte link (https://www.mathworks.com/help/matlab/ref/pie.html).
6. Inspecione a tabela de saída com os valores estatísticos (ou seja, média, máx, mediana e desvio padrão) para cada tipo de interação (sincronização em fase, liderança Signal 1, Signal 2 leading, sincronização antifase). A tabela também apresenta a porcentagem de tempo em que cada tipo de interação ocorreu. Cada tipo de interação aparece em uma coluna diferente.
7. Examine o valor de saída no arquivo de planilha extraído (ou seja, datatable.xlsx localizado na pasta atual).

Figura 3: Visão geral do fluxo de trabalho. (A) Díades mãe-filho brincaram livremente enquanto hiperescaneavam dados do fNIRS. (B) Ilustração de uma série temporal mãe-filho. (C) Pré-processamento da série temporal utilizando Homero3. (D,E) O uso de uma caixa de ferramentas para examinar diferentes tipos de interações, como sincronização em fase, sincronização antifase e sincronização com atraso. Clique aqui para ver uma versão maior desta figura.

Figura 4: Classificação de quatro tipos diferentes de interações com base na fase. Isso representa a diferença de fase das duas séries temporais neurais em um módulo de 360°. A diferença de fase pode ser pensada como um intervalo de tempo entre dois valores e é medida em graus e radianos ou frações do comprimento de onda. Aqui, o módulo de 360° é dividido em quatro faixas diferentes representando quatro fases diferentes de interação: (A) Sinal 1 liderando (um intervalo em torno de 90°, entre 45° e 135°), (B) sincronização antifásica entre o Sinal 1 e o Sinal 2 (um intervalo em torno de 180° ou −180°, entre 135 a −135°), (C) Sinal 2 liderando (entre −135° a −45°), (D) sincronização em fase (um intervalo em torno de 0, entre -45° e 45°). Esta divisão é a abordagem padrão (45° em torno de cada ponto); no entanto, a caixa de ferramentas permite configurar uma divisão diferente. Embora outras configurações possam não cobrir todos os 360°, isso pode produzir uma definição mais exata de cada tipo de interação. Clique aqui para ver uma versão maior desta figura.

Resultados

Esta seção demonstra os tipos de análises que podem ser realizadas com a caixa de ferramentas (que pode ser baixada em https://www.ariel.ac.il/wp/sns/download/ ou https://github.com/Minisharmaa/Leader-Follower-By-Phase.). Para essas análises, foram utilizados dados da fNIRS coletados com uma pequena amostra de díades lactentes-pais. Seis pares de díades mãe-bebê foram testados por meio de uma tarefa comportamental validada, a tarefa de brincar livre³¹, que é o mais próximo possível de u...

Discussão

Um dos métodos mais utilizados em estudos com fNIRS é a coerência com transformada wavelet (WTC), que é uma medida da correlação cruzada de duas séries temporais em função da frequência e do tempo¹⁰. O WTC calcula a coerência e a defasagem de fase entre duas séries temporais usando análises correlacionais (Arquivo Suplementar 1). Estudos de hipervarredura FNIRS têm utilizado o WTC para estimar a SII em vários domínios do funcionamento, incluindo monitoramento de a?...

Materiais

Name	Company	Catalog Number	Comments
NIRScout	NIRx Medical Technologies, LLC	n.a.	8 sources, 8 detectors
MATLAB	The Mathworks, Inc.	Matlab 2022a	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.