Hiperexportar é um método promissor para descrever a relação entre indivíduos e que neste estudo encontra sincronização neural entre indivíduos. E a questão mais importante é identificar quem está sincronizando com quem. E o método que propomos aqui é identificar a direção do fluxo de informações entre os indivíduos.
Em comparação com outros métodos, a vantagem mais significativa deste método é remover os vários fatores de confusão da sincronização neural. Por exemplo, a correção automática em cada sinal. Enquanto isso, podemos manter a alta resolução espacial anatômica de cada sinal.
Inicie o pré-processamento dos dados exportando a concentração de hemoglobina altera arquivos de dados do equipamento e transmitindo os arquivos para o formato legível do MATLAB. Em seguida, remova o primeiro e último 15 segundos dos dados para cada sessão para evitar respostas transitórias e use a função incorporada DO MATLAB para reduzir os dados de 55,6 hertz para 11,1 hertz. Para corrigir artefatos de movimento, aplique o discreto método de filtro de transformação de ondas com a função de filtragem apropriada.
Use a função incorporada do PCA para remover o ruído fisiológico global. Em seguida, remova os 80% superiores da variância dos sinais. Depois de remover os dois segundos iniciais de dados das mulheres e os últimos dois segundos de dados dos homens, calcule o valor WTC ins liderado por mulheres com a equação.
Da mesma forma, depois de remover os dois segundos iniciais de dados dos homens e os últimos dois segundos de dados das mulheres, calcule o valor WTC ins liderado pelos homens por dois segundos. Repita o procedimento com diferentes defasagens de tempo, N, como N equivale a quatro ou seis ou oito segundos, através dos potenciais 676 pares CH e calcule a força do INS WTC liderado por mulheres e homens com a equação descrita anteriormente. Calcule ins pWTC usando pWTC da mesma forma usando a equação.
Gerar a série temporal de atraso de tempo dos sinais fNIRS entre homens e mulheres e calcular os valores do WTC com atraso de tempo em diferentes atrasos de tempo. Gerar série de tempo autocorrelado de sinais fNIRS masculinos removendo os dois primeiros segundos e os últimos dois segundos dos dados dos homens. Então, calcule o valor autocortado de dois segundos para os homens.
Em seguida, avalie os valores WTC corrigidos automaticamente em diferentes lags de tempo. Da mesma forma, crie uma série de tempo alinhada ao tempo dos sinais fNIRS removendo os dois primeiros segundos de dados dos homens e das mulheres. Em seguida, calcule o WTC alinhado ao tempo de dois segundos.
Em seguida, avalie os valores wtc alinhados ao tempo em diferentes atrasos de tempo. Digite o WTC alinhado ao tempo, wtc com atraso de tempo e valores WTC autocorrelatados em diferentes tempos de atraso nas equações do pWTC, gerando INS pWTC. No processamento de dados fNIRS de segundo nível, remova as faixas de ruído fisiológico e frequência de cada sinal acima de 0,7 hertz.
Em seguida, remova as faixas de frequência de cada sinal abaixo de 0,01 hertz e dentro de 0,15 a 0,3 hertz para filtrar flutuações de frequência muito baixas. Transforme o INS com Fisher Z-transformation e, em seguida, a média do INS na dimensão temporal. Para o INS médio em cada lag de tempo, realize um teste t de duas amostras emparelhado em cada par ch em toda a faixa de frequência.
Em seguida, identifique todos os aglomerados de frequência significativos. Reatribua relações dídicas ao atribuir aleatoriamente os participantes a novos pares de membros, como os participantes de um diad que nunca havia se comunicado. Realize um teste de permutação baseado em cluster para estabelecer um limiar para os resultados.
Recalcular o INS em cada defasagem de tempo. Realize testes t emparelhados na nova amostra e identifique clusters de frequência significativos. Em seguida, selecione o cluster com o maior valor T somado antes de repetir os procedimentos 1.000 vezes para gerar uma distribuição nula dos valores T falsos positivos máximos.
Compare o valor T somado de cada aglomerado de frequência identificado na amostra original com a distribuição nula para obter resultados estatísticos significativos. Uma análise de simulação foi realizada no estudo. A análise representativa ilustra que o INS WTC com correção automática foi significativamente maior do que o INS WTC atrasado sem correção automática e ins pWTC com atraso de tempo.
Além disso, não houve diferença significativa entre o INS WTC com atraso de tempo sem correção automática e ins pWTC, indicando a eficiência do pWTC na remoção do impacto do efeito de autocorrelação no INS. Um efeito de contexto significativo marginal foi observado dentro de 0,4 a 0,6 hertz, que dos homens atrasou a das mulheres em quatro segundos. Em contrapartida, para o INS pWTC, apenas um efeito de contexto significativo dentro de 0,4 a 0,6 hertz quando o sensor e a atividade do córtex motor dos homens atrasaram a das mulheres em quatro segundos.
O INS direcional de mulheres para homens foi significativamente maior nos contextos de conflito do que nos contextos de apoio. Os resultados do INS pWTC foram validados com o método de causalidade granger. Os resultados mostraram que o INS GC apresentou um padrão semelhante ao INS pWTC.
O INS direcional calculado pela análise de causalidade granger de mulheres para homens foi significativamente maior nos contextos de conflito do que nos contextos de apoio. Depois de calcular a sincronização neural usando este método, também é possível conduzir um monte de outros métodos. Por exemplo, podemos comparar esse fluxo de informações direcionais entre diferente contexto de conexão social e a conexão social em diferentes relações sociais.
E também, é possível entender a contribuição de diferentes comportamentos de comunicação para a sincronização neural. Por exemplo, se é comunicação verbal ou comunicação não verbal desempenham mais um papel importante na sincronização neural.
