Vi vil gerne anerkende støtten fra National Natural Science Foundation of China (nr. 62207025), Humaniora og Samfundsvidenskab Forskningsprojekt fra Undervisningsministeriet i Kina (nr. 22YJC190017) og de grundlæggende forskningsmidler til de centrale universiteter til Yafeng Pan.

Undersøgelsen blev udført på Florida Atlantic University (FAU) og blev godkendt af FAU Institutional Review Board (IRB).
1. Brug af Homer3-software (materialefortegnelse) til at udføre forbehandlingen af fNIRS-hyperscanningsdataene
BEMÆRK: Homer3 er et MATLAB-program, der analyserer fNIRS-data for at opnå estimater og kort over hjerneaktivering29. Homer3 kan downloades og installeres fra følgende link (https://openfnirs....

Revolutionerende fNIRS-studier: En ny tilgang til neural kobling

En af de mest almindelige metoder, der anvendes i fNIRS-studier, er wavelet transform coherence (WTC), som er et mål for krydskorrelationen mellem to tidsserier som funktion af frekvens og tid10. WTC beregner sammenhængen og faseforsinkelsen mellem to tidsserier ved hjælp af korrelationsanalyser (supplerende fil 1). FNIRS hyperscanningsundersøgelser har brugt WTC til at estimere IBS på mange funktionsområder, herunder handlingsovervågning 12, kooperativ og konkurrencedygtig...

I de senere år har der været et skift i de typer undersøgelser, der er udført for at forstå de neurale baser for social adfærd 1,2. Traditionelt har studier i social neurovidenskab fokuseret på neural aktivering i en isoleret hjerne under en socialt relevant opgave. Imidlertid giver fremskridt inden for neuroimaging teknologi nu mulighed for undersøgelse af neural aktivering i hjernen hos en eller flere individer under social interaktion, som det sker i "virkelige" indstillinger3. I "virkelige" miljøer er enkeltpersoner i stand til at bevæge sig frit, og mønstre for hjerneaktivering vil sandsynligvis ændre sig, efterhånden som information udveksles, og arbejdsmarkedets parter modtager feedback fra hinanden4.
Hyperscanning er en metode, der vurderer denne tovejs informationsudveksling ved at måle hjerneaktiviteten fra to eller flere individer samtidigt5. En ny forskningsgruppe har udnyttet funktionel nær-infrarød spektroskopi (fNIRS), en ikke-invasiv neuroimaging teknik, der i sammenligning med andre neuroimaging teknikker er mindre modtagelig for bevægelsesartefakter6. Hyperscanning via fNIRS giver mulighed for vurdering af inter-brain synkronisering (IBS) i virkelige omgivelser, mens de interaktive partnere bevæger sig frit og naturligt. Dette er især relevant for arbejde med spædbørn og småbørn, som har tendens til at være ret aktive. IBS er blevet rapporteret at afspejle gensidig forståelse mellem interaktive partnere, som tjener som grundlag for effektiv social interaktion og kommunikation og formidler fælles intentionalitet 1,7,8.
Flere metoder bruges til at evaluere IBS af to hjerner. Sådanne metoder omfatter tidsseriekorrelationer, såsom krydskorrelation og Pearson-korrelationskoefficienten 9,10 (se en gennemgang af Scholkmann et al.10). Andre metoder involverer evaluering af koblingsstyrken i frekvensdomænet. Sådanne metoder omfatter faselåsningsværdi (PLV) og fasekohærens (se en gennemgang af Czeszumski et al.11). En af de mest almindelige metoder i fNIRS-studier bruger wavelet transform coherence (WTC) - et mål for krydskorrelationen mellem to tidsserier som funktion af frekvens og tid10.
WTC bruger korrelationsanalyser til at beregne kohærens og faseforsinkelse mellem to tidsserier i tidsfrekvensdomænet. FNIRS hyperscanningsundersøgelser har brugt WTC til at estimere IBS på mange funktionsområder, herunder handlingsovervågning 12, kooperativ og konkurrencedygtig adfærd 5,13,14,15, efterligning 16, mor-spædbarn-problemløsning 17 og undervisnings-læringsadfærd 18,19,20,21. I hyperscanningsstudier sammenlignes kohærens på tværs af hjerner, målt ved WTC, under en eksperimentel opgave typisk med kohærens på tværs af hjernen under en kontrolopgave. Disse resultater præsenteres normalt med et WTC "hot plot", som viser sammenhængen på tværs af de to hjerner på hvert tidspunkt og frekvens (se figur 1).
Som foreslået af Czesumaski et al.11 er WTC blevet standardanalytisk tilgang til analyse af fNIRS hyperscanning. WTC-analyse er en fleksibel, "værktøjsagnostiker" metode til datavisualisering og fortolkning22. Varmekortet over kohærenskoefficienten, som giver en narrativ form for analyse, der gør det let at identificere perioder med synkron eller asynkron adfærd samt intensiteten af hjerneaktivitet under afslutningen af en opgave, er den største fordel ved WTC og gør det til et stærkt værktøj til anvendt forskning22. WTC har en fordel i forhold til korrelationsteknikker. Korrelationer er følsomme over for den hæmodynamiske responsfunktions (HRF) form, som menes at variere mellem individer (især med hensyn til alder) og mellem forskellige hjerneområder. I modsætning hertil påvirkes WTC ikke af interregionale ændringer i HRF23. Forskere har brugt wavelet-tilgangen til at studere fMRI-tidsserier. Zhang et al.24 sammenlignede de almindeligt anvendte funktionelle forbindelsesmålinger, herunder Pearson-korrelationen, delvis korrelation, gensidig information og wavelet-kohærenstransformation (WTC). De udførte klassificeringseksperimenter ved hjælp af store funktionelle forbindelsesmønstre afledt af hviletilstands fMRI-data og naturlige stimulus fMRI-data for videovisning. Deres resultater viste, at WTC klarede sig bedst i klassificering (specificitet, følsomhed og nøjagtighed), hvilket antyder, at WTC er en foretrukken funktionel forbindelsesmåling til undersøgelse af funktionelle hjernenetværk, i det mindste i klassificeringsapplikationer24.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65347/65347fig01.jpg"> Figur 1: Wavelet transform kohærens (WTC). WTC viser sammenhængen og fasevinklen mellem to tidsserier som funktion af både tid (x-akse) og frekvens (y-akse). Kohærensforøgelsen er afbildet af den røde farve i grafen, og de små pile i grafen viser fasevinklen for de to tidsserier. Den pil, der peger mod højre, repræsenterer synkronisering i fasen; de nedadpegende og opadpegende pile repræsenterer forsinket synkronisering; og pilen, der peger mod venstre, repræsenterer antifasesynkronisering30. Denne figur blev tilpasset fra Pan et al.19. <a href="https://www.jove.com/files/ftp_upload/65347/65347fig01large.jpg" target="_blank">Klik her for at se en større version af denne figur.</a>
For nylig formulerede Hamilton25 flere begrænsninger for fortolkningen af data om kohærens på tværs af hjernen i fNIRS hyperscanningsundersøgelser. En af Hamiltons primære bekymringer var, at kohærensmålinger (f.eks. WTC) kun rapporterer effekter som symmetriske (dvs. to hjerner er korrelerede og viser det samme forandringsmønster). Imidlertid er mange sociale interaktioner asymmetriske (f.eks. Informationsstrøm mellem en taler og en lytter), idet to deltagere kan spille forskellige roller, og det er ikke klart, at WTC kan fange denne information. Her behandles denne bekymring af en ny ramme, der giver mulighed for en ligetil fortolkning af krydsbølgeeffekten ved at bruge tværbølgefasen til at detektere retningsvirkning. Denne ramme vil også gøre det muligt at undersøge, hvordan dynamikken i interaktioner udvikler sig og ændrer sig gennem en opgave.
Mens WTC- og korrelationsmetoder vurderer funktionel forbindelse, vurderer andre metoder effektiv konnektivitet og forsøger at udtrække årsagspåvirkningerne af et neuralt element over et andet. Overførselsentropi er et mål fra informationsteoriområdet, der beskriver overførslen mellem fælles afhængige processer26. En anden beslægtet metode er Granger kausalitetsanalyse (GCA), som er blevet beskrevet som ækvivalent med transferentropi26.
I den eksisterende litteratur af fNIRS hyperscanningsstudier er Granger kausalitetsanalyse (GCA) blevet brugt i vid udstrækning til at estimere koblingsretningen mellem fNIRS-tidsseriedata opnået under en række forskellige opgaver, såsom samarbejde5, undervisning19 og efterligning16. GCA anvender vektor autoregressive modeller til at vurdere retningen af kobling mellem tidsserier i hjernedata. Granger-kausalitet er baseret på forudsigelse og forrang: "en variabel X siges at 'G-årsag' variabel Y, hvis X's fortid indeholder de oplysninger, der hjælper med at forudsige Y's fremtid ud over information, der allerede er i Y's fortid"27. Følgelig analyseres G-kausaliteten i to retninger: 1) fra emne A til emne B og 2) fra emne B til emne A.
Mens GCA-analyse fungerer som en komplementær analyse, der sigter mod at bestemme, om en høj kohærensværdi opnået ved hjælp af en WTC-funktion afspejler IBS eller forsinket synkronisering (det ene signal fører det andet), tillader det ikke bestemmelse af, om antifasesynkronisering har fundet sted. I traditionelle neuroimaging undersøgelser, hvor kun én deltager scannes (dvs. "single-brain" tilgangen), betyder et anti-fase mønster, at aktiviteten i en hjerneregion øges, mens aktiviteten i den anden hjerneregion er faldet28. I hyperscanningslitteraturen kan tilstedeværelsen af antifasesynkronisering tyde på, at neural aktivering øges hos et emne, og samtidig reduceres neural aktivering for det andet emne. Derfor er der behov for at tilvejebringe en omfattende model, der kan detektere retningsvirkningen. Mere specifikt vil denne model være i stand til at detektere antifasesynkronisering (hvor aktivitetsretningen hos et individ er modsat deres partners) ud over synkronisering i fase og forsinket synkronisering.
I et forsøg på at imødegå bekymringen om, at WTC kun viser symmetriske effekter, hvor begge hjerner viser det samme forandringsmønster25, præsenteres en ny tilgang til at identificere typen af interaktion ved at undersøge synkroniseringsfasen (dvs. in-fase, forsinket eller anti-fase) (se figur 2). Til dette formål blev der udviklet en værktøjskasse ved hjælp af WTC-metoden til at klassificere de forskellige typer interaktioner. Typerne af interaktioner klassificeres ved hjælp af relative fasedata fra cross-wavelet transformationsanalyse.
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/65347/65347fig02.jpg"> Figur 2: Illustration af de forskellige faseforhold mellem simple sinusbølger. (A) Når de to signaler, signal 1 (blå linje s) og signal 2 (orange linjes), når deres respektive maksimum-, minimum- og nulværdier på samme tidspunkt, siges de at vise synkronisering i fase32. (B) Når det ene signal når sin maksimale værdi, og det andet signal når nulværdien på samme tidspunkt, siges de at vise forsinket synkronisering (det ene fører med 90°)32,33,34. (C) Når to tidsserier skifter i modsatte retninger, hvilket betyder, at det ene signal når maksimumet, og det andet når minimumsværdien på samme tidspunkt, kaldes dette antifasesynkronisering28. (D-P) I alle andre faseforhold mellem to tidsserier fører det ene signal det andet. I alle positive faser fører signal 2 signal 1 (f.eks. panelerne E, F, M og N), mens signal 1 i alle negative faser fører signal 2 (f.eks. panelerne D, G, H, O og P). Især når fasens absolutte værdi er højere, bliver det mere karakteristisk, hvilken tidsserie der fører den anden (f.eks. Lederskabet er mere karakteristisk i panel J end i panel I, og i panel K er lederskabet mere karakteristisk end i panel L). <a href="https://www.jove.com/files/ftp_upload/65347/65347fig02large.jpg" target="_blank">Klik her for at se en større version af denne figur.</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

På trods af den voksende mængde funktionelle nær-infrarød spektroskopi (fNIRS) hyperscanningsundersøgelser synes vurderingen af kobling mellem to neurale signaler ved hjælp af wavelet transform coherence (WTC) at ignorere interaktionens retningsvirkning. Feltet mangler i øjeblikket en ramme, der gør det muligt for forskere at bestemme, om en høj kohærensværdi opnået ved hjælp af en WTC-funktion afspejler synkronisering i fase (dvs. neural aktivering ses i begge medlemmer af dyaden på samme tid), forsinket synkronisering (dvs. neural aktivering ses i et medlem af dyaden før det andet medlem), eller antifasesynkronisering (dvs. neural aktivering øges i det ene medlem af dyaden og reduceres i det andet). For at imødekomme dette behov foreslås en komplementær og mere følsom tilgang til analyse af fasekohærensen af to neurale signaler i dette arbejde. Værktøjskassen giver efterforskere mulighed for at estimere koblingsretningen ved at klassificere fasevinkelværdierne opnået ved hjælp af traditionel WTC i synkronisering i fase, forsinket synkronisering og antifasesynkronisering. Værktøjskassen giver også forskere mulighed for at vurdere, hvordan dynamikken i interaktioner udvikler sig og ændrer sig gennem hele opgaven. Brug af denne nye WTC-tilgang og værktøjskassen vil fremme vores forståelse af komplekse sociale interaktioner gennem deres anvendelser i fNIRS hyperscanningsstudier.

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>

Forfatter Spotlight: Lås op for ny indsigt i fNIRS-undersøgelser - En ny ramme for inter-hjerne synkroniseringsanalyse 

Ny ramme for forståelse af inter-brain kohærens i funktionelle nær-infrarød spektroskopi (fNIRS) hyperscanningsundersøgelser

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.

Dette afsnit viser de typer analyser, der kan udføres med værktøjskassen (som kan downloades på https://www.ariel.ac.il/wp/sns/download/ eller https://github.com/Minisharmaa/Leader-Follower-By-Phase.). Til disse analyser blev fNIRS-data indsamlet med en lille prøve af spædbarn-forælder-dyader anvendt. Seks par mor-spædbarnsdyader blev testet ved hjælp af en valideret adfærdsopgave, free-play task31, som er så tæt på en virkelig spædbarn-mor-interaktion som muligt. Før forsøget blev...

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

Wavelet transform coherence (WTC) er en almindelig metode til vurdering af koblingen mellem signaler, der anvendes i funktionelle nær-infrarøde spektroskopi (fNIRS) hyperscanningsundersøgelser. En værktøjskasse til vurdering af retningen af signalinteraktionen præsenteres i dette arbejde.

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

Mange fNIRS-undersøgelser har fokuseret på kohærens for at estimere interbrain-synkronisering og forsømmer faseforsinkelsesinformation i WBC-hot plot. Her er der præsenteret en mere følsom tilgang, der estimerer kobling af retningsvirkning, klassificering af fasevinkelværdi som synkronisering i fase, forsinkelsesfasesynkronisering og antifasesynkronisering. Genanalyse af de tidligere resultater ved hjælp af en ny foreslået ramme giver en omfattende forståelse af arten af synkroniseringen mellem deltagerne.Differentiering af synkronisering i fase og antifasesynkronisering giver et nyt niveau af klarhed, der muliggør præcis fortolkning af tidligere fund. Denne ramme kan anvendes på forskellige scenarier, såsom at studere rollen som interpersonel synkronisering i social adfærd, kommunikation og beslutningstagning. At understrege anvendelsen af håndværksteori i forbindelse med den udviklede faseværktøjskasse til hyperscanningsapnøer giver en dybere forståelse af de forskellige typer retningsvirkninger, der observeres i interaktion, der strækker sig ud over blot sammenhæng.Denne tilgang muliggør udforskning af informationsstrømmen fra en hjerne til en anden hjerne i hyperscan-indstilling.

Ny ramme for forståelse af inter-brain kohærens i funktionelle nær-infrarød spektroskopi (fNIRS) hyperscanningsundersøgelser

Abstract