JoVE Logo
АВТОРЫ
СВЯЖИТЕСЬ С НАМИ

Войдите в систему

Для просмотра этого контента требуется подписка на Jove Войдите в систему или начните бесплатную пробную версию.

В этой статье

  • Резюме
  • Аннотация
  • Введение
  • протокол
  • Результаты
  • Обсуждение
  • Раскрытие информации
  • Благодарности
  • Материалы
  • Ссылки
  • Перепечатки и разрешения

Резюме

Изложен протокол проведения экспериментов гиперсканирования fNIRS на диадах совместного обучения в натуралистической среде обучения. Далее представлен конвейер для анализа межмозговой синхронии (СРК) сигналов оксигенированного гемоглобина (Oxy-Hb).

Аннотация

Гиперсканирование fNIRS широко используется для выявления нейробиологических основ социального взаимодействия. С помощью этого метода исследователи квалифицируют одновременную активность мозга двух или более интерактивных людей с новым индексом, называемым межмозговой синхронией (IBS) (то есть фазовым и / или амплитудным выравниванием нейрональных или гемодинамических сигналов во времени). Здесь представлен протокол проведения экспериментов по гиперсканированию fNIRS на диадах совместного обучения в натуралистической среде обучения. Далее объясняется конвейер анализа СРК сигнала оксигенированного гемоглобина (Oxy-Hb). В частности, обсуждается экспериментальный дизайн, процесс записи данных NIRS, методы анализа данных и будущие направления. В целом, внедрение стандартизированного конвейера гиперсканирования fNIRS является фундаментальной частью нейробиологии второго лица. Кроме того, это соответствует призыву к открытой науке, чтобы помочь воспроизводимости исследований.

Введение

Недавно, чтобы выявить параллельную активность мозга через интерактивные диады или членов группы, исследователи используют подход гиперсканирования1,2. В частности, электроэнцефалограмма (ЭЭГ), функциональная магнитно-резонансная томография (фМРТ) и функциональная ближняя инфракрасная спектроскопия (фНИРС) используются для записи нейронной и мозговой активности двух или более субъектов одновременно3,4,5. Исследователи извлекают нейронный индекс, влекущий за собой параллельную связь мозга, на основе этого метода, который относится к межмозговой синхронности (IBS) (то есть выравниванию фазы и / или амплитуды нейронных или гемодинамических сигналов во времени). Большое разнообразие исследований гиперсканирования обнаружило СРК во время социального взаимодействия между несколькими людьми (например, игрок-аудитория, инструктор-ученик и лидер-последователь)6,7,8. Кроме того, СРК имеет конкретные последствия эффективного обучения и обучения9,10,11,12,13,14. С увеличением исследований гиперсканирования в натуралистических сценариях обучения необходимо установить стандартный протокол экспериментов гиперсканирования и конвейер анализа данных в этой области.

Таким образом, в данной работе представлен протокол для проведения гиперсканирования диад совместного обучения на основе fNIRS и конвейер для анализа IBS. fNIRS представляет собой оптический инструмент визуализации, который излучает ближний инфракрасный свет для оценки спектрального поглощения гемоглобина косвенно, а затем гемодинамическая / оксигенационная активность измеряется15,16,17. По сравнению с фМРТ, fNIRS менее подвержен артефактам движения, что позволяет проводить измерения у субъектов, которые проводят реальные эксперименты (например, имитацию, разговор и невербальную коммуникацию)18,7,19. По сравнению с ЭЭГ, fNIRS имеет более высокое пространственное разрешение, что позволяет исследователям обнаружить местоположение мозговой активности20. Таким образом, эти преимущества в пространственном разрешении, логистике и осуществимости квалифицируют fNIRS для проведения измерений гиперсканирования1. Используя эту технологию, новый исследовательский орган обнаруживает индексный термин как IBS - нейронное выравнивание мозговой активности двух (или более) людей - в различных формах натуралистических социальных условий9,10,11,12,13,14. В этих исследованиях для расчета этого показателя применяются различные методы (например, корреляционный анализ и анализ когерентности вейвлет-трансформ (ВТЦ)); между тем, стандартный конвейер для такого анализа необходим, но отсутствует. В результате в данной работе представлен протокол проведения гиперсканирования на основе fNIRS и конвейер с использованием анализа ЦМТ для идентификации СРК.

Это исследование направлено на оценку СРК в диадах совместного обучения с использованием метода гиперсканирования fNIRS. Во-первых, гемодинамический ответ регистрируется одновременно в префронтальной и левой височно-теменной областях каждой диады во время совместного обучения. Эти регионы были идентифицированы как связанные с интерактивным преподаванием и обучением9,10,11,12,13,14. Во-вторых, IBS рассчитывается по каждому соответствующему каналу. Процесс записи данных fNIRS состоит из двух частей: сеанс состояния покоя и сеанс совместной работы. Сеанс покоя длится 5 мин, в течение которых оба участника (сидя лицом к лицу, отдельно друг от друга столом (0,8 м)) должны оставаться неподвижными и расслабляться. Этот сеанс состояния покоя служит в качестве базового уровня. Затем, на совместной сессии, участникам говорят изучить все учебные материалы вместе, вызывая понимание, обобщая правила и следя за тем, чтобы все учебные материалы были освоены. Здесь представлены конкретные этапы проведения эксперимента и анализа данных fNIRS.

протокол

Все набранные участники (40 диад, средний возраст 22,1 ± 1,2 года; 100% правши; нормальное или скорректированное до нормального зрения) были здоровы. Перед экспериментом участники дали информированное согласие. Участники получили финансовую компенсацию за свое участие. Исследование было одобрено Университетским комитетом по защите исследований человека (HR-0053-2021), Восточно-Китайским педагогическим университетом.

1. Этапы подготовки перед принятием данных

  1. Самодельные колпачки NIRS
    1. Примите эластичный плавательный колпачок для размещения сетки держателя оптоода.
      ПРИМЕЧАНИЕ: Учитывая, что размеры голов участников различны, используются два размера колпачков. Маленькие капсюли подготовлены для участников с окружностью головы 55,4 ± 1,1 см, а большие шапки - для участников с окружностью головы 57,9 ± 1,2 см.
    2. Закрепить расположение электродов ЭЭГ (inion, Cz, T3, T4, Fpz и P5) в качестве опорных оптодов по стандартной международной системе 10-10 на эластичных плавательных колпачках (см. Таблицу материалов).
      1. Во-первых, поместите стандартный колпачок ЭЭГ 10-10 (см. Таблицу материалов)на головную форму, а эластичный плавательный колпачок на колпачок ЭЭГ. Во-вторых, отметьте опорные оптоды (inion, Cz, T3, T4, Fpz и P5) мелом на каждой колпачке. Наконец, вырежьте два отверстия диаметром около 15 мм, чтобы разместить два опорных оптода (т.е. Fpz и P5, рисунок 1).
        ПРИМЕЧАНИЕ: В частности, набор оптодных зондов 3 x 5 и набор оптодных зондов 4 x 4 отдельно размещаются над префронтальной областью (опорный оптод размещен в Fpz, рисунок 1B)и левой височно-теменной областью (опорный оптод размещен в P5, рисунок 1B).
    3. Вырежьте отверстия для размещения других оптодов. Расположите плавательную шапочку с двумя держателями сетки прямо на головной форме. Затем отметьте расположение других оптодов мелом. После этого вырежьте остальные отверстия, чтобы убедиться, что держатель сетки вписывается в нее.
    4. Установите два набора зондов (т.е. 3 x 5 и 4 x 4) на плавательные колпачки (см. Таблицу материалов).
      ПРИМЕЧАНИЕ: Измерительная система NIRS (см. Таблицу материалов)обеспечивает эти стандартные наборы датчиков (т.е. 3 x 5 и 4 x 4) со стандартными гнездами для держателей, обеспечивающими 30-миллиметровое оптодное разделение.
    5. Откройте окно монитора набора зондов в измерительной системе NIRS и выберите четыре набора зондов, расположенных в 3 x 5 и 4 x 4 для каждого человека, отдельно.
      ПРИМЕЧАНИЕ: Расположение зондов двух колпачков должно соответствовать структурам в окне набора зондов (т.е. точному расположению номеров датчика приемника и соответствующего излучателя).
  2. Подготовка эксперимента
    1. Перед записью данных убедитесь, что система NIRS поддерживает стабильную рабочую температуру, запустив систему не менее 30 минут.
      ПРИМЕЧАНИЕ: Стабильная рабочая температура колеблется от 5 °C до 35 °C.
    2. Установите режим измерения на измерение, связанное с событиями. Убедитесь, что приемник триггеров активен (например, последовательный вход RS232).
      ПРИМЕЧАНИЕ: Эксперимент запрограммирован в коммерчески доступном программном обеспечении для психологии (см. Таблицу материалов). Поглощение ближнего инфракрасного света (две длины волн: 695 и 830 нм) измеряется с частотой дискретизации 10 Гц.
    3. Подготовьте освещенный волоконно-оптический зонд, который можно использовать для перемещения волос в сторону.
    4. Установите экспериментальную среду с одним столом с двумя стульями, чтобы держать места участников лицом к лицу.

2. Принятие данных путем инструктажа участников

  1. Подготовьте участников
    1. Проинструктируйте участников, включая подробную информацию о методах измерения NIRS.
      ПРИМЕЧАНИЕ: Все участники были здоровы и получили финансовую компенсацию за участие. Ни один из участников не вышел из эксперимента на полпути. Лазерный луч NIRS может быть вредным для глаз участников, и им было предписано не смотреть прямо в эти лазерные лучи.
    2. Заставьте участников сесть лицом к лицу (кроме стола (0,8 м)), чтобы убедиться, что они могут видеть друг друга напрямую. Отрегулируйте расстояние между стулом и столом (т.е. почти 0,3 м), чтобы участники сидели комфортно.
    3. Включите лазерную кнопку и поместите колпачки с наборами зондов на головы участников.
      ПРИМЕЧАНИЕ: Наборы зондов 3 x 5 покрывают лоб участников (средний зонд нижнего ряда помещается на Fpz); наборы зондов 4 x 4 покрывают левую височно-темную кору (третий зонд третьего ряда помещается на P5).
    4. Положите четыре пучка оптического волокна свободно на руки держателя без контакта с участниками или стульями.
      ПРИМЕЧАНИЕ: Здесь измерительная система NIRS имеет четыре пучка оптических волокон. Кроме того, убедитесь, что участники не чувствуют себя слишком тяжелыми, чтобы снять кепки.
    5. Пусть кончики зонда касаются кожи головы участников, осторожно проталкивая каждый зонд подпружинной нагрузки дальше в гнездо.
    6. Выполните калибровку сигнала.
      1. Во-первых, проверьте качество сигнала, щелкнув Auto Gain в окне монитора набора датчиков машины fNIRS. Затем плохой сигнал канала и достаточный сигнал помечаются желтым и зеленым цветом в окне монитора набора зондов соответственно.
        ПРИМЕЧАНИЕ: Для канала с недостаточными сигналами используются освещенные волоконно-оптические зонды для перемещения волос под кончиком зонда в одну сторону.
      2. Затем протолкнуть зонды дальше в их гнезда, чтобы получить достаточное количество сигналов. Повторяйте этот процесс до тех пор, пока все каналы не будут отмечены зеленым цветом в окне монитора набора зондов измерительной системы NIRS, указывая на то, что качество сигналов доступно.
  2. Запуск эксперимента
    1. Начните эксперимент с 5-минутного состояния покоя, которое служит базовым уровнем. Затем два участника должны совместно изучить учебные материалы.
    2. После эксперимента нажмите «Выход текстового файла», чтобы экспортировать необработанные данные об интенсивности света и сохранить данные в виде текстового файла.
      ПРИМЕЧАНИЕ: В измерительной системе NIRS фильтры не применяются.
    3. Используйте трехмерный (3D) дигитайзер (см. Таблицу материалов)для определения местоположения излучателей, приемников и других ссылок (например, inion, nasion, Cz, а также левого и правого ушей) для каждого участника.
      1. Получить координаты MNI для каналов записи с помощью коммерчески доступной числовой вычислительной платформы21 (см. Таблицу материалов). В дополнительной таблице S1 показаны соответствующие анатомические местоположения каждого канала.
    4. Очистите зонды и держатели зондов этанолом. Промойте колпачки мягким моющим средством и дайте колпачкам высохнуть на воздухе.

3. Анализ данных

  1. Предварительная обработка данных
    ПРИМЕЧАНИЕ: В предыдущих исследованиях были приняты переменные некоммерческие пакеты программного обеспечения (например, Homer222, АнализаторIR23, или нирс ЛАБ24) с числовыми вычислительными платформами (см. Таблица материалов) по анализу данных fNIRS, и все они доступны на веб-сайте. Здесь Homer2 использовался для предварительной обработки данных NIRS. Кроме того, как данные записи fNIRS, собранные на остальных этапах, так и совместные этапы обучения используют один и тот же конвейер предварительной обработки и анализа.
    1. Скопируйте набор данных с компьютера fNIRS. Преобразуйте исходное формирование данных в правильное формирование (т.е. преобразуйте cvs файл в файл nirs).
    2. Преобразование необработанных данных в данные оптической плотности (OD) с помощью функции "hmrIntensity2OD", предоставляемой в вычислительной платформе Числовых вычислений (см. Таблицу материалов).
    3. Удалите плохие каналы. Затем усредняйте значение OD для каждого участника на каждом канале и полные точки выборки соответственно.
      ПРИМЕЧАНИЕ: Здесь получено 46 усредненных значений OD.
      1. Рассчитайте стандартное отклонение (SD) для каждого участника.
      2. Пометьте как непригодные для использования и удалите из анализа каналы с очень низким или высоким OD (который превышал 5 SD) для каждого участника.
        ПРИМЕЧАНИЕ: Этот шаг может быть выполнен до и/или после предварительной обработки данных fNIRS. В этом конвейере анализа данных плохие каналы обнаруживаются до предварительной обработки данных fNIRS.
    4. Преобразование данных времени OD в Oxy-Hb, DeOxy-Hb и комбинированный сигнал на основе модифицированного закона Бира-Ламберта25.
      ПРИМЕЧАНИЕ: В ссылке25 говорится: «Все этапы анализа данных проводятся на данных Oxy-Hb, которые являются индикатором изменения регионарного мозгового кровотока, имеющего более высокое отношение сигнал/шум26. Кроме того, предыдущие исследования использовали гиперсканирование fNIRS в сценариях преподавания и обучения, в основном сосредоточенных на концентрации Oxy-Hb11,12,13,14.
    5. Калибровка временных рядов Oxy-Hb по артефактам движения методом на основе поканальных вейвлетов.
      ПРИМЕЧАНИЕ: В частности, вейвлет Daubechies 5 (db5) с параметром настройки на 0,1 (см. подробности в руководствеHomer2) 27,28 принят для удаления артефактов движения.
    6. Примените полосовой фильтр (т.е. 0,01-1 Гц) к калиброванным данным Oxy-Hb для уменьшения высокочастотного шума и медленного дрейфа.
    7. Проведение анализа основных компонентов (PCA) по сигналу OxyHb для удаления ненейрфейсных глобальных компонентов (например, артериального давления, дыхания и изменения кровотока)29.
      ПРИМЕЧАНИЕ: Анализ PCA, предложенный Чжаном и его коллегами29, принят здесь.
      1. Сначала разложим сигнал.
        ПРИМЕЧАНИЕ: Конкретная формула разложения сигнала fNIRS выглядит так: H = UΣVT. Здесь временные и пространственные закономерности данных fNIRS представлены в двух матрицах (т.е. you и V). U — это 2D-матрица (точка выборки x главный компонент). V также является 2D (главный компонент x главный компонент) матрицей. Столбец в V указывает на один основной компонент (ПК), и сила этого ПК для конкретного канала оценивается в каждой записи столбца. Относительная важность каждого ПК представлена значением диагональной матрицы Σ.
      2. Во-вторых, проведите пространственное сглаживание.
        ПРИМЕЧАНИЕ: Свертка ядра Гаусса используется для удаления локализованных сигналов и получения глобального компонента.
      3. В-третьих, реконструировать сигнал.
        ПРИМЕЧАНИЕ: Для вычисления глобальной составляющей данных fNIRS матрица сглаженного пространственного паттерна V* подключается обратно к формуле декомпозиции: HGlobal = UΣ(V*)T. Затем локализованный производный нейрональный сигнал может быть получен с использованием исходных данных H для вычитания HGlobal : HNeuronal = H - HGlobal.
  2. Межмозговая синхронность
    ПРИМЕЧАНИЕ: Чтобы выявить связь мозга в нейробиологии второго лица, здесь принята когерентность вейвлет-преобразования (WTC). Вкратце, ЦМТ измеряет корреляцию между двухвременные ряды в качестве функции частоты и времени. Специфическая формула вейвлет-когерентности двух временных рядов x и y выглядит так:
    figure-protocol-12144
    T и s обозначают время и вейвлет-шкалу отдельно, ‹·› указывает на операцию сглаживания в масштабе и времени. W представляет собой непрерывное вейвлет-преобразование. Затем генерируется 2D (время х частота) матрица ВТЦ30. Для расчета значения ЦМТ используется несколько наборов инструментов. Здесь был использован набор инструментов, созданный Гринстедом и егоколлегами, 30.
    1. Принять функцию ЦМТ числовой вычислительной платформы (см. Таблицу материалов).
      ПРИМЕЧАНИЕ: Здесь используется настройка по умолчанию материнского вейвлета (т.е. обобщенный вейвлет Морзе с его параметрами бета и гамма). Материнский вейвлет преобразует каждый временной ряд в частотную и временную области.
    2. Установите настройку по умолчанию для других параметров (например, MonteCarloCount, представляющего количество суррогатных наборов данных при расчете значимости).
    3. Рассчитайте значение ЦМТ для двух соответствующих каналов (один и тот же канал у двух участников) в числовой вычислительной платформе (см. Таблицу материалов). Следуя той же процедуре, 46 матриц ЦМТ генерируются из 46 каналов.
    4. Определите полосу частот интереса (FOI), которая чувствительна к совместному обучению.
      ПРИМЕЧАНИЕ: Здесь для обнаружения такого FOI31используется кластерный подход перестановки, который предлагает решение для множественных сравнений в многоканальных и многочастотных данных.
      1. Выполните среднее значение значений ЦМТ на этапах покоя и совместного обучения, соответственно, для каждой комбинации каналов. Затем проведите парные выборочные t-тестывместе со всей частотой (диапазон частот: 0,01-1Гц 32)на этих усредненных по времени значениях ЦМТ (совместное обучение против покоя). Затем определите частотные бункеры, в которых эффект задачи является значительным (совместное обучение > отдых, p < 0,05).
      2. Получение значительной частоты соседних точек (≥2) в виде наблюдаемых кластеров и соответствующих значений Т.
      3. Проведите серию парных выборочных t-тестовна перестановленных данных, чтобы получить значения T для каждого кластера, квалифицированного на шаге 3.2.4.2, в течение 1000 раз.
        ПРИМЕЧАНИЕ: Для формирования перестановочных данных участники случайным образом назначаются для формирования новых пар из двух членов. Поскольку длина наборов данных варьировалась в зависимости от диад для каждой случайной пары, более длинный набор данных обрезается до той же длины, что и более короткий33.
      4. Сравните усредненные кластерные значения T из исходных пар со значениями T 1000 перестановок.
        ПРИМЕЧАНИЕ: Значения p, вычисляемые по этой формуле34:
        figure-protocol-15009, где S0 обозначает наблюдаемое усредненное t-значение кластера, μp и σp указывают на среднее и стандартное отклонение значений перестановки.
      5. Средние значения ЦМТ в идентифицированном FOI в каждом канале в каждой диаде. Затем примените преобразование fisher z к значениям WTC, чтобы получить нормальное распределение значений WTC. Используйте это значение для индексации IBS для дальнейшего статистического анализа.

Результаты

На рисунке 1 показан экспериментальный протокол и местоположение зонда. Процесс записи данных fNIRS состоит из двух частей: сеанс состояния покоя (5 мин) и совместный сеанс (15-20 мин). Диады совместного обучения необходимы для того, чтобы расслабиться и быть неподвижным в сос?...

Обсуждение

Во-первых, в настоящем протоколе изложены конкретные этапы проведения экспериментов гиперсканирования fNIRS в сценарии совместного обучения. Во-вторых, также представлен конвейер анализа данных, который оценивает СРК гемодинамических сигналов в диадах совместного обучения. Детальная ?...

Раскрытие информации

Авторам нечего раскрывать.

Благодарности

Эта работа поддерживается Программой содействия академическим инновациям ECNU для отличных докторантов (YBNLTS2019-025) и Национальным фондом естественных наук Китая (31872783 и 71942001).

Материалы

NameCompanyCatalog NumberComments
EEG capsCompumedics Neuroscan,Charlotte,USA64-channel Quik-CapWe choose two sizes of cap(i.e.medium and large).
NIRS measurement system with probe sets and probe holder gridsHitachi Medical Corporation, Tokyo, JapanETG-7100 Optical Topography SystemThe current study protocol requires an optional second adult probe set for 92 channels of measurement in total.
Numeric computing platformThe MathWorks, Inc., Natick, MAMATLAB R2020aServes as base for Psychophysics Toolbox extensions (stimulus presentation), Homer2  (fNIRS preprocess analysis), and "wtc" function(WTC computation).
Psychology softwarepsychology software tools,Sharpsburg, PA,USAE-prime 2.0We apply E-prime to start the fNIRS measurement system and send triggers which marking the rest phase and collaborative learning phase for fNIRS recording data.
Swimming capsZoke corporation,Shanghai,China611503314We first placed the standard 10-20 EEG cap on the head mold, and placed the swimming cap on the EEG cap. Second, we marked (inion, Cz, T3, T4, PFC and P5) with chalk.
Three-dimensional (3-D) digitizerPolhemus, Colchester, VT, USA;Three-dimensional (3-D) digitizerAnatomical locations of optodes in relation to standard head landmarks were determined for each participant using a Patriot 3D Digitizer

Ссылки

  1. Babiloni, F., Astolfi, L. Social neuroscience and hyperscanning techniques: past, present and future. Neuroscience & Biobehavioral Reviews. 44, 76-93 (2014).
  2. Schilbach, L., et al. Toward a second-person neuroscience. Behavior Brain Science. 36, 393-414 (2013).
  3. Montague, P. Hyperscanning: simultaneous fMRI during linked social interactions. NeuroImage. 16, 1159-1164 (2002).
  4. 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).
  5. Dikker, S., et al. Brain-to-brain synchrony tracks real-world dynamic group interactions in the classroom. Current Biology. 27 (9), 1375-1380 (2017).
  6. Abrams, D. A., et al. Inter-subject synchronization of brain responses during natural music listening. European Journal of Neuroscience. 37 (9), 1458-1469 (2013).
  7. Pan, Y., et al. Instructor-learner brain coupling discriminates between instructional approaches and predicts learning. NeuroImage. 211, 116657 (2020).
  8. Jiang, J., et al. Leader emergence through interpersonal neural synchronization. Proceedings of the National Academy of Sciences of the United States of America. 112 (14), 4274-4279 (2015).
  9. Bevilacqua, D., et al. Brain-to-brain synchrony and learning outcomes vary by student-teacher dynamics: Evidence from a real-world classroom electroencephalography study. Journal of Cognitive Neuroscience. 31 (3), 401-411 (2019).
  10. Dikker, S., et al. Morning brain: real-world neural evidence that high school class times matter. Social Cognitive and Affective Neuroscience. 15 (11), 1193-1202 (2020).
  11. Pan, Y., Guyon, C., Borragán, G., Hu, Y., Peigneux, P. Interpersonal brain synchronization with instructor compensates for learner's sleep deprivation in interactive learning. Biochemical Pharmacology. , 114111 (2020).
  12. 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).
  13. Zheng, L., et al. Enhancement of teaching outcome through neural prediction of the students' knowledge state. Human Brain Mapping. 39 (7), 3046-3057 (2018).
  14. Zheng, L., et al. Affiliative bonding between teachers and students through interpersonal synchronisation in brain activity. Social Cognitive and Affective Neuroscience. 15 (1), 97-109 (2020).
  15. Kleinschmidt, A., et al. Simultaneous recording of cerebral blood oxygenation changes during human brain activation by magnetic resonance imaging and near-infrared spectroscopy. Journal of Cerebral Blood Flow & Metabolism. 16 (5), 817-826 (1996).
  16. Strangman, G., Culver, J. P., Thompson, J. H., Boas, D. A. A quantitative comparison of simultaneous BOLD fMRI and NIRS recordings during functional brain activation. NeuroImage. 17 (2), 719-731 (2002).
  17. Huppert, T. J., Hoge, R. D., Diamond, S. G., Franceschini, M. A., Boas, D. A. A temporal comparison of BOLD, ASL, and NIRS hemodynamic responses to motor stimuli in adult humans. NeuroImage. 29 (2), 368-382 (2006).
  18. Holper, L., Scholkmann, F., Wolf, M. Between-brain connectivity during imitation measured by fNIRS. NeuroImage. 63, 212-222 (2012).
  19. Hirsch, J., Zhang, X., Noah, J. A., Ono, Y. Frontal temporal and parietal systems synchronize within and across brains during live eye-to-eye contact. NeuroImage. 157, 314-330 (2017).
  20. Wilcox, T., Biondi, M. fNIRS in the developmental sciences. Wiley Interdisciplinary Reviews: Cognitive Science. 6 (3), 263-283 (2015).
  21. Ye, J. C., Tak, S., Jang, K. E., Jung, J., Jang, J. NIRS-SPM: statistical parametric mapping for nearinfrared spectroscopy. NeuroImage. 44 (2), 428-447 (2009).
  22. 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), 280-298 (2009).
  23. Santosa, H., Zhai, X., Fishburn, F., Huppert, T. The NIRS Brain AnalyzIR toolbox. Algorithms. 11 (5), 73 (2018).
  24. Xu, Y., Graber, H. L., Barbour, R. L. nirsLAB: a computing environment for fNIRS neuroimaging data analysis. Biomedical Optics. , (2014).
  25. Cope, M., Delpy, D. T. System for long-term measurement of cerebral blood and tissue oxygenation on newborn infants by near infra-red transillumination. Medical and Biological Engineering and Computing. 26 (3), 289-294 (1988).
  26. Hoshi, Y. Functional near-infrared spectroscopy: current status and future prospects. Journal of Biomedical Optics. 12 (6), 062106 (2007).
  27. Molavi, B., Dumont, G. A. Wavelet-based motion artifact removal for functional near-infrared spectroscopy. Physiological Measurement. 33 (2), 259 (2012).
  28. Cooper, R., et al. A systematic comparison of motion artifact correction techniques for functional near-infrared spectroscopy. Frontiers in Neuroscience. 6, 147 (2012).
  29. Zhang, X., Noah, J. A., Hirsch, J. Separation of the global and local components in functional near-infrared spectroscopy signals using principal component spatial filtering. Neurophotonics. 3 (1), 015004 (2016).
  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, 561-566 (2004).
  31. Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG-and MEG-data. Journal of Neuroscience Methods. 164 (1), 177-190 (2007).
  32. 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).
  33. Reindl, V., Gerloff, C., Scharke, W., Konrad, K. Brain-to-brain synchrony in parent-child dyads and the relationship with emotion regulation revealed by fNIRS-based hyperscanning. NeuroImage. 178, 493-502 (2018).
  34. Theiler, J., Eubank, S., Longtin, A., Galdrikian, B., Farmer, J. D. Testing for nonlinearity in time series: the method of surrogate data. Physica D: Nonlinear Phenomena. 58 (1-4), 77-94 (1992).
  35. Genovese, C. R., Lazar, N. A., Nichols, T. Thresholding of statistical maps in functional neuroimaging using the false discovery rate. NeuroImage. 15 (4), 870-878 (2002).
  36. Nichols, T., Hayasaka, S. Controlling the familywise error rate in functional neuroimaging: a comparative review. Statistical Methods in Medical Research. 12 (5), 419-446 (2003).
  37. Tsuzuki, D., et al. Virtual spatial registration of stand-alone fNIRS data to MNI space. NeuroImage. 34 (4), 1506-1518 (2007).
  38. Singh, A. K., Okamoto, M., Dan, H., Jurcak, V., Dan, I. Spatial registration of multi-channel multi-subject fNIRS data to MNI space without MRI. NeuroImage. 27 (4), 842-851 (2005).
  39. Noah, J. A., et al. Comparison of short-channel separation and spatial domain filtering for removal of non-neural components in functional near-infrared spectroscopy signals. Neurophotonics. 8 (1), 015004 (2021).
  40. Noah, J. A., et al. Real-time eye-to-eye contact is associated with cross-brain neural coupling in angular gyrus. Frontiers in Human Neuroscience. 14 (19), (2020).
  41. Torrence, C., Compo, G. P. A practical guide to wavelet analysis. Bulletin of the American Meteorological Society. 79 (1), 61-78 (1998).
  42. 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).
  43. 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).
  44. Holper, L., Scholkmann, F., Wolf, M. Between-brain connectivity during imitation measured by fNIRS. Neuroimage. 63, 212-222 (2012).
  45. Nguyen, T., et al. The effects of interaction quality on neural synchrony during mother-child problem solving. Cortex. 124, 235-249 (2020).
  46. Seth, A. K., Barrett, A. B., Barnett, L. Granger causality analysis in neuroscience and neuroimaging. Journal of Neuroscience. 35 (8), 3293-3297 (2015).
  47. Funane, T., et al. Synchronous activity of two people's prefrontal cortices during a cooperative task measured by simultaneous near-infrared spectroscopy. Journal of Biomedical Optics. 16 (7), 077011 (2011).
  48. Liu, T., Saito, H., Oi, M. Role of the right inferior frontal gyrus in turn-based cooperation and competition: a near-infrared spectroscopy study. Brain and Cognition. 99, 17-23 (2015).
  49. Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J. Measuring phase synchrony in brain signals. Human Brain Mapping. 8 (4), 194-208 (1999).
  50. Burgess, A. P. On the interpretation of synchronization in EEG hyperscanning studies: a cautionary note. Frontiers in Human Neuroscience. 7, 881 (2013).
  51. Burgos-Robles, A., et al. Amygdala inputs to prefrontal cortex guide behavior amid conflicting cues of reward and punishment. Nature Neuroscience. 20 (6), 824-835 (2017).
  52. Mende, S., Proske, A., Narciss, S. Individual preparation for collaborative learning: Systematic review and synthesis. Educational Psychologist. , 1-25 (2020).
  53. Hamilton, A. F. D. C. Hyperscanning: Beyond the hype. Neuron. 109 (3), 404-407 (2021).
  54. Novembre, G., Iannetti, G. D. Hyperscanning alone cannot prove causality. Multibrain stimulation can. Trends in Cognitive Sciences. 25 (2), 96-99 (2021).

Перепечатки и разрешения

Запросить разрешение на использование текста или рисунков этого JoVE статьи

Запросить разрешение

Смотреть дополнительные статьи

173fNIRS

This article has been published

Video Coming Soon

JoVE Logo

Конфиденциальность

Условия эксплуатации

Политика

СВЯЖИТЕСЬ С НАМИ

РЕКОМЕНДОВАТЬ БИБЛИОТЕКЕ

НОВОСТИ JoVE

Исследования

Образование

АВТОРЫ

Библиотекарь

О JoVE

Авторские права © 2025 MyJoVE Corporation. Все права защищены