Fonksiyonel Yakın Kızılötesi Spektroskopisi (fNIRS) Hipertarama Çalışmalarında Beyinler Arası Tutarlılığı Anlamak için Yeni Çerçeve

Özet

Dalgacık dönüşümü tutarlılığı (WTC), fonksiyonel yakın kızılötesi spektroskopisi (fNIRS) hipertarama çalışmalarında kullanılan sinyaller arasındaki eşleşmeyi değerlendirmek için yaygın bir metodolojidir. Bu çalışmada sinyal etkileşiminin yönlülüğünü değerlendirmek için bir araç kutusu sunulmaktadır.

Özet

Fonksiyonel yakın kızılötesi spektroskopisi (fNIRS) hiper tarama çalışmalarının artan gövdesine rağmen, dalgacık dönüşümü tutarlılığı (WTC) kullanılarak iki nöral sinyal arasındaki eşleşmenin değerlendirilmesi, etkileşimin yönlülüğünü göz ardı ediyor gibi görünmektedir. Alan şu anda araştırmacıların bir WTC fonksiyonu kullanılarak elde edilen yüksek bir tutarlılık değerinin faz içi senkronizasyonu yansıtıp yansıtmadığını belirlemelerine olanak tanıyan bir çerçeveden yoksundur (yani, sinirsel aktivasyon aynı anda dyad'ın her iki üyesinde de görülür), gecikmeli senkronizasyon (yani, dyad'ın bir üyesinde diğer üyeden önce nöral aktivasyon görülür), veya anti-faz senkronizasyonu (yani, dyad'ın bir üyesinde nöral aktivasyon artar ve diğerinde azalır). Bu ihtiyacı karşılamak için, bu çalışmada iki nöral sinyalin faz tutarlılığını analiz etmek için tamamlayıcı ve daha hassas bir yaklaşım önerilmiştir. Araç kutusu, araştırmacıların geleneksel WTC kullanılarak elde edilen faz açısı değerlerini faz içi senkronizasyon, gecikmeli senkronizasyon ve anti-faz senkronizasyonu olarak sınıflandırarak kuplaj yönlülüğünü tahmin etmelerini sağlar. Araç kutusu ayrıca araştırmacıların etkileşimlerin dinamiklerinin görev boyunca nasıl geliştiğini ve değiştiğini değerlendirmelerine olanak tanır. Bu yeni WTC yaklaşımını ve araç kutusunu kullanmak, fNIRS hiper tarama çalışmalarındaki kullanımları yoluyla karmaşık sosyal etkileşimler hakkındaki anlayışımızı ilerletecektir.

Giriş

Son yıllarda, sosyal davranışın sinirsel temellerini anlamak için yapılan çalışmaların türlerinde bir değişim olmuştur ^1,2. Geleneksel olarak, sosyal sinirbilimdeki çalışmalar, sosyal olarak ilgili bir görev sırasında izole edilmiş bir beyindeki sinirsel aktivasyona odaklanmıştır. Bununla birlikte, nörogörüntüleme teknolojisindeki ilerlemeler artık "gerçek hayat" ortamlarında meydana geldiği için sosyal etkileşim sırasında bir veya daha fazla bireyin beyinlerindeki nöral aktivasyonun incelenmesine izin vermektedir³. "Gerçek hayat" ortamlarında, bireyler serbestçe hareket edebilirler ve bilgi alışverişi ve sosyal ortaklar birbirlerinden geri bildirim aldıkça beyin aktivasyon kalıplarının değişmesi muhtemeldir⁴.

Hiper tarama, aynı anda iki veya daha fazla kişinin beyin aktivitesini ölçerek bu çift yönlü bilgi alışverişini değerlendiren bir yöntemdir⁵. Gelişmekte olan bir araştırma grubu, diğer nörogörüntüleme tekniklerine kıyasla hareket artefaktlarına daha az duyarlı olan non-invaziv bir nörogörüntüleme tekniği olan fonksiyonel yakın kızılötesi spektroskopisini (fNIRS) kullanmıştır⁶. fNIRS aracılığıyla hiper tarama, etkileşimli ortaklar serbestçe ve doğal olarak hareket ederken, gerçek yaşam ortamlarında beyinler arası senkronizasyonun (IBS) değerlendirilmesine olanak tanır. Bu, özellikle oldukça aktif olma eğiliminde olan bebekler ve küçük çocuklarla yapılan çalışmalar için geçerlidir. IBS'nin, etkili sosyal etkileşim ve iletişimin temeli olarak hizmet eden ve paylaşılan niyetliliğe aracılık eden etkileşimli ortaklar arasındaki karşılıklı anlayışı yansıttığı bildirilmiştir ^1,7,8.

İki beynin IBS'sini değerlendirmek için çeşitli yöntemler kullanılır. Bu tür yöntemler, çapraz korelasyon ve Pearson korelasyon katsayısı ^9,10 gibi zaman serisi korelasyonlarını içerir (Scholkmann ve ^ark.10 tarafından yapılan bir incelemeye bakınız). Diğer yöntemler, frekans alanındaki kuplajın gücünün değerlendirilmesini içerir. Bu tür yöntemler arasında faz kilitleme değeri (PLV) ve faz tutarlılığı bulunur (Czeszumski ve ^ark.11 tarafından yapılan bir incelemeye bakınız). fNIRS çalışmalarındaki en yaygın yöntemlerden biri, frekans ve zaman^10'un bir fonksiyonu olarak iki zaman serisinin çapraz korelasyonunun bir ölçüsü olan dalgacık dönüşümü tutarlılığını (WTC) kullanır.

WTC, zaman-frekans alanındaki iki zaman serisi arasındaki tutarlılığı ve faz gecikmesini hesaplamak için korelasyonel analizler kullanır. FNIRS hiper tarama çalışmaları, eylem izleme 12, işbirlikçi ve rekabetçi davranış 5,13,14,15, taklit 16, anne-bebek problem çözme 17 ve öğretme-öğrenme davranışı^18,19,20,21 dahil olmak üzere birçok işlevsellik alanında IBS'yi tahmin etmek için WTC'yi kullanmıştır.. Tipik olarak, hipertarama çalışmalarında, deneysel bir görev sırasında WTC tarafından ölçülen çapraz beyin tutarlılığı, bir kontrol görevi sırasında çapraz beyin tutarlılığı ile karşılaştırılır. Bu bulgular genellikle, her bir zaman noktasında ve frekansta iki beyin arasındaki tutarlılığı gösteren bir WTC "sıcak grafiği" ile sunulur (bkz. Şekil 1).

Czesumaski ve ^ark.11 tarafından önerildiği gibi, WTC, fNIRS hiper taramasını analiz etmek için standart analitik yaklaşım haline gelmiştir. WTC analizi, veri görselleştirme ve yorumlama için esnek, "araçtan bağımsız" bir yöntemdir²². Bir görevin tamamlanması sırasında beyin aktivitesinin yoğunluğunun yanı sıra senkron veya asenkron davranış dönemlerinin kolayca tanımlanmasına olanak tanıyan bir anlatı analizi biçimi sağlayan tutarlılık katsayısı ısı haritası, WTC'nin ana avantajıdır ve onu uygulamalı araştırma için güçlü bir araç haline getirir²². WTC'nin korelasyon tekniklerine göre bir avantajı vardır. Korelasyonlar, bireyler arasında (özellikle yaş açısından) ve farklı beyin bölgeleri arasında farklılık gösterdiği düşünülen hemodinamik yanıt fonksiyonunun (HRF) şekline duyarlıdır. Buna karşılık, WTC (HRF)^23'teki bölgeler arası değişikliklerden etkilenmez. Araştırmacılar, fMRI zaman serilerini incelemek için dalgacık yaklaşımını kullandılar. Zhang ve ^ark.24 , Pearson korelasyonu, kısmi korelasyon, karşılıklı bilgi ve dalgacık tutarlılık dönüşümü (WTC) dahil olmak üzere yaygın olarak kullanılan fonksiyonel bağlantı ölçümlerini karşılaştırdı. Dinlenme durumu fMRI verilerinden ve video izlemenin doğal uyaran fMRI verilerinden türetilen büyük ölçekli fonksiyonel bağlantı modellerini kullanarak sınıflandırma deneyleri gerçekleştirdiler. Bulguları, WTC'nin sınıflandırmada (özgüllük, duyarlılık ve doğruluk) en iyi performansı gösterdiğini gösterdi, bu da WTC'nin en azından sınıflandırma uygulamalarında fonksiyonel beyin ağlarını incelemek için tercih edilen bir fonksiyonel bağlantı metriği olduğunu ima etti²⁴.

Şekil 1: Dalgacık dönüşümü tutarlılığı (WTC). WTC, iki zaman serisi arasındaki tutarlılığı ve faz açısını hem zamanın (x ekseni) hem de frekansın (y ekseni) bir fonksiyonu olarak gösterir. Tutarlılık artışı, grafikteki kırmızı renkle gösterilir ve grafikteki küçük oklar, iki zaman serisinin faz açısını gösterir. Sağı gösteren ok, faz içi senkronizasyonu temsil eder; Aşağı ve yukarı bakan oklar gecikmeli senkronizasyonu temsil eder; ve sola dönük ok, anti-faz senkronizasyonunu³⁰ temsil eder. Bu rakam Pan ve ^ark.19'dan uyarlanmıştır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Son zamanlarda, Hamilton²⁵ , fNIRS hiper tarama çalışmalarında beyinler arası tutarlılık verilerinin yorumlanmasında çeşitli sınırlamalar dile getirdi. Hamilton'un temel endişelerinden biri, tutarlılık ölçümlerinin (örneğin, WTC) etkileri yalnızca simetrik olarak bildirmesiydi (yani, iki beyin birbiriyle ilişkilidir ve aynı değişim modelini gösterir). Bununla birlikte, birçok sosyal etkileşim asimetriktir (örneğin, bir konuşmacı ve bir dinleyici arasındaki bilgi akışı), iki katılımcının farklı roller oynayabileceği ve WTC'nin bu bilgileri yakalayabileceği açık değildir. Burada, bu endişe, yönlülüğü tespit etmek için çapraz dalgacık fazını kullanarak çapraz dalgacık gücünün basit bir şekilde yorumlanmasına izin veren yeni bir çerçeve ile ele alınmaktadır. Bu çerçeve aynı zamanda etkileşimlerin dinamiklerinin bir görev boyunca nasıl geliştiğinin ve değiştiğinin incelenmesine de izin verecektir.

WTC ve korelasyon yöntemleri işlevsel bağlantıyı değerlendirirken, diğer yöntemler etkili bağlantıyı değerlendirir ve bir nöral elemanın diğeri üzerindeki nedensel etkilerini çıkarmaya çalışır. Transfer entropisi, ortaklaşa bağımlı süreçler arasındaki transferi tanımlayan bilgi teorisi alanından bir ölçüdür²⁶. Diğer bir ilgili yöntem, transfer entropisi^26'ya eşdeğer olarak tanımlanan Granger nedensellik analizidir (GCA).

fNIRS hipertarama çalışmalarının mevcut literatüründe, Granger nedensellik analizi (GCA), işbirliği⁵, öğretme¹⁹ ve taklit¹⁶ gibi çeşitli farklı görevler sırasında elde edilen fNIRS zaman serisi verileri arasındaki eşleşme yönlülüğünü tahmin etmek için yaygın olarak kullanılmaktadır. GCA, beyin verilerindeki zaman serileri arasındaki eşleşmenin yönlülüğünü değerlendirmek için vektör otoregresif modeller kullanır. Granger nedenselliği tahmin ve önceliğe dayanır: "X'in geçmişi, Y'nin geçmişinde zaten var olan bilgilerden çok Y'nin geleceğini tahmin etmeye yardımcı olan bilgileri içeriyorsa, bir X değişkeninin Y değişkenine 'G-nedeni' olduğu söylenir"²⁷. Buna göre, G-nedensellik iki yönde analiz edilir: 1) A konusundan B konusuna ve 2) B yönünden A öznesine.

GCA analizi, bir WTC fonksiyonu kullanılarak elde edilen yüksek bir tutarlılık değerinin IBS'yi mi yoksa gecikmeli senkronizasyonu mu (bir sinyalin diğerine öncülük etmesini) yansıtıp yansıtmadığını belirlemeyi amaçlayan tamamlayıcı bir analiz görevi görürken, anti-faz senkronizasyonunun gerçekleşip gerçekleşmediğinin belirlenmesine izin vermez. Sadece bir katılımcının tarandığı geleneksel nörogörüntüleme çalışmalarında (yani, "tek beyin" yaklaşımı), bir anti-faz paterni, bir beyin bölgesindeki aktivitenin artarken diğer beyin bölgesindeki aktivitenin azaldığı anlamına gelir²⁸. Hipertarama literatüründe, anti-faz senkronizasyonunun varlığı, bir denekte nöral aktivasyonun arttığını ve aynı zamanda diğer denek için nöral aktivasyonun azaldığını düşündürebilir. Bu nedenle, yönlülüğü tespit edebilen kapsamlı bir model sağlamaya ihtiyaç vardır. Daha spesifik olarak, bu model, faz içi senkronizasyon ve gecikmeli senkronizasyona ek olarak, anti-faz senkronizasyonunu (bir bireydeki aktivite yönünün partnerininkinin tersi olduğu) tespit edebilecektir.

WTC'nin yalnızca simetrik etkiler gösterdiği endişesini gidermek amacıyla, her iki beynin de aynı değişim modelini^{gösterdiği 25}, senkronizasyon fazını (yani, faz içi, gecikmeli veya anti-faz) inceleyerek etkileşim türünü tanımlamak için yeni bir yaklaşım sunulmaktadır (bkz. Şekil 2). Bu amaçla, farklı etkileşim türlerini sınıflandırmak için WTC yöntemini kullanan bir araç kutusu geliştirilmiştir. Etkileşim türleri, çapraz dalgacık dönüşümü analizinden elde edilen göreli faz verileri kullanılarak sınıflandırılır.

Şekil 2: Basit sinüs dalgalarının farklı faz ilişkilerinin gösterimi. (A) İki sinyal, Sinyal 1 (mavi çizgis) ve Sinyal 2 (turuncu çizgis), aynı zaman noktasında ilgili maksimum, minimum ve sıfır değerlerine ulaştığında, faz içi senkronizasyon³² gösterdikleri söylenir. (B) Aynı zaman noktasında bir sinyal maksimum değerine ulaştığında ve diğer sinyal sıfır değerine ulaştığında, gecikmeli senkronizasyon gösterdikleri söylenir (biri 90° önde)^32,33,34. (C) İki zaman serisi zıt yönlerde kaydığında, yani aynı zaman noktasında bir sinyal maksimuma ve diğeri minimum değere ulaştığında, buna anti-faz senkronizasyonu²⁸ denir. (D-P) İki zaman serisi arasındaki diğer tüm faz ilişkilerinde, bir sinyal diğerine öncülük eder. Tüm pozitif fazlarda, Sinyal 2, Sinyal 1'in başında (örneğin, E, F, M ve N panelleri), tüm negatif fazlarda ise Sinyal 1, Sinyal 2'nin başında gelir (örneğin, paneller D, G, H, O ve P). Özellikle, fazın mutlak değeri daha yüksek olduğunda, hangi zaman serisinin diğerine öncülük ettiği daha belirgin hale gelir (örneğin, liderlik panel J'de panel I'den daha belirgindir ve panel K'de liderlik panel L'den daha belirgindir). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Protokol

Çalışma Florida Atlantic Üniversitesi'nde (FAU) yürütüldü ve FAU Kurumsal İnceleme Kurulu (IRB) tarafından onaylandı.

1. fNIRS hiper tarama verilerinin ön işlemesini gerçekleştirmek için Homer3 yazılımını (Malzeme Tablosu) kullanma

NOT: Homer3, beyin aktivasyonunun tahminlerini ve haritalarını elde etmek için fNIRS verilerini analiz eden bir MATLAB uygulamasıdır²⁹. Homer3 aşağıdaki bağlantıdan indirilebilir ve kurulabilir (https://openfnirs.org/software/homer/).

1. MATLAB'ı açın ve ham .nirs dosyalarının kaydedildiği klasöre gidin. Klasörü seçin ve açın.
2. Homer3 GUI'yi başlatmak için MATLAB'ın komut penceresine Homer3 yazın. Homeros 3. .nirs dosyalarını algılar ve verilerin ön işlemesine devam etmek için .snirf formatına (NIRS verilerini MATLAB gibi herhangi bir uygulamaya özel dosya formatından bağımsız olarak depolamak ve paylaşmak için evrensel bir dosya formatı) dönüştürmeyi ister.
3. .nirs dosyalarını Homer3'te .snirf formatına aktardıktan sonra, Homer3 GUI'deki Araçlar seçeneğine tıklayın ve İşleme Akışını Düzenle'yi seçin.
4. ProcStreamEdit GUI'sinde, Ekle'ye tıklayarak Kayıt Defteri İşlevi sütunundan Geçerli İşleme Akışı sütununa kadar ön işleme adımlarını seçin. Dahil edilen ön işleme adımları aşağıdaki gibidir:
   1. Yoğunluk verilerini optik yoğunluğa dönüştürmek için hmrR_intensity2OD kullanın.
   2. Uygun filtreleme işlevini kullanarak hareket artefaktlarını düzeltmek için hmrR_MotionCorrectWavelet kullanın.
   3. OD verilerini konsantrasyona dönüştürmek için hmrR_OD2conc kullanın.
   4. Konsantrasyon Verilerindeki Blok Ortalamasını hesaplamak için hmR_BlockAvg kullanın.
      NOT: Ön işleme adımlarının seçimi, veri kümesinin türüne bağlı olarak değişebilir.
5. Geçerli işlem akışını kaydetmek için Kaydet seçeneğine tıklayın ve ardından ProcStreamEdit GUI'sinden çıkın.
6. Ana Homer3 GUI'de ön işleme akışını çalıştırmak için ÇALIŞTIR seçeneğine tıklayın. Homer3 seçili işleme akışını çalıştırmayı bitirdikten sonra, her katılımcı için önceden işlenmiş zaman serisini tüm kanallar ve olaylar için Hbo, Hbr ve Hbt içeren bir .mat dosya biçiminde kaydeder. Bu dosyaları saklamak için o anda seçili olan klasörde Homer3 tarafından homer output adında bir klasör oluşturulacaktır.
7. Bu dosyaları saklamak için seçilen klasörde Homer3 tarafından türevler adında bir klasör oluşturulacaktır. Türevler klasöründe bulunan homer klasörünü seçin. Her beyin için .mat dosyasını seçin ve Hbo, Hbr, Hbt'yi dışa aktarın.
   NOT: Homer3 tarafından oluşturulan çıktı klasörünün adı Homer3 sürümüne bağlıdır.

2. LeaderFollowerByPhase araç kutusunu kullanmaya başlama

1. Hiper tarama kaydında oluşan etkileşim türünü analiz etmek için, Şekil 3'te gösterilen işlemde açıklandığı gibi LeaderFollowerByPhase araç kutusunu kullanın. MATLAB'da, her beyin için .mat dosyalarını seçin ve belirli kanalın ve belirli bir olayın Hbo (veya Hbr) verilerini signal1 ve signal2 olarak tek boyutlu bir vektöre yükleyin.
2. MATLAB komut satırında parametreleri tanımlayın
   1. lowFreq, highFreq: lowFreq = [düşük FOI] ve highFreq = [yüksek FOI] yazın. Varsayılan değerler lowFreq = 0,01 Hz, highFreq = 1 Hz'dir.
      NOT: lowFreq ve highFreq fonksiyonlarının parametreleri, ilgi sıklığı (FOI) aralığını tanımlar. WTC, her zaman noktasında ve frekansta iki beyin arasındaki tutarlılığı hesaplar. Tutarlılık değerlerinin tipik olarak belirli bir FOI içinde ortalaması alınır.
   2. phaseRange parametresini tanımlayın; phaseRange = [derece cinsinden aralık] yazın.
      NOT: Varsayılan değer phaseRange = 90°'dir. Faz, fazın dairesel modulo doğası nedeniyle 0° ila 360° arasında değişir. Faz aralıkları, dört noktayı çevreleyen bir aralığa göre bölünmüştür. Sunulan araç kutusunda, Sinyal 1 öncüsü (−90°'yi çevreleyen bir aralık) veya Sinyal 2 öncüsü (90°'yi çevreleyen bir aralık), Sinyal 1, Sinyal 2 faz içi senkronizasyonu (0'ı çevreleyen bir aralık) ile gecikmeli senkronizasyona karşılık gelen aralıklara göre faz açısı değerleri kullanılarak kuplaj yönlülüğü incelenerek asimetrik etkileşimleri sınıflandırmak için yeni bir yaklaşım sunulmaktadır (Şekil 4), ve Sinyal 1, Sinyal 2 anti-faz senkronizasyonu (+180° veya −180° çevreleyen bir aralık).
   3. Threshold parametresini tanımlayın. Tür eşik = [eşik rsq val]. Varsayılan değer Threshold = 0'dır.
      NOT: Araç kutusu, eşik parametresini belirterek bir eşik tutarlılık değerinin belirlenmesine izin verir. Bu, araştırmacının belirli bir minimum tutarlılık değerine sahip zaman noktalarını seçmesine olanak tanır. Sonuç olarak, yalnızca belirtilen eşikten daha yüksek tutarlılık değerlerine sahip zaman noktaları dikkate alınır.
3. LeaderFollowerByPhase araç kutusunu aşağıdaki bağlantıdan indirin (https://www.ariel.ac.il/wp/sns/download/ veya https://github.com/Minisharmaa/Leader-Follower-By-Phase).
4. Komut satırına cohervalues = LeaderFollowerByPhase(signal1, signal2, lowFreq, highFreq, phaseRange, threshold) komutunu girerek LeaderFollowerByPhase MATLAB işlevini yürütün.
   NOT: Tutarlılık ve faz hesaplamaları, sırasıyla MATLAB'daki WTC ve XWT fonksiyonları kullanılarak gerçekleştirilir³⁰.
5. Faz içi, Sinyal 1 öncü, Sinyal 2 öncü ve anti-faz senkronizasyon değerlerini inceleyin:
   1. MATLAB'daki grafikleri inceleyin. Araç kutusu, dört çizime sahip bir şekil oluşturur.
      1. Etkileşim türüne göre tutarlılık: Şeklin sol üst kısmında, her etkileşim türüne göre (faz içi, Sinyal 1 öncü, Sinyal 2 öncü, anti-faz) R-Kare'yi (Rsq) gösteren kutu grafiği çizimini inceleyin.
         NOT: MATLAB kutu grafiği yerleşik işlevinin ayrıntılı açıklaması için aşağıdaki bağlantıya (https://www.mathworks.com/help/matlab/ref/boxchart.html) bakın.
      2. Etkileşim türüne göre merkezi endeksler: Her etkileşim türüne göre (faz içi, Sinyal 1 öncü, Sinyal 2 öncü, anti-faz) maksimum ortalamayı ve medyanı gösteren çıktı şeklinin sağ üst kısmındaki çubuk grafiği inceleyin.
         NOT: MATLAB çubuğunun yerleşik işlevinin ayrıntılı açıklaması için aşağıdaki bağlantıya (https://www.mathworks.com/help/matlab/ref/bar.html) bakın.
      3. Zaman içinde tutarlılık: Çıktı şeklinin sol alt kısmındaki, tutarlılık değerlerini ve zaman içindeki etkileşim türlerini gösteren dağılım grafiğini inceleyin. Renkli noktalar farklı etkileşim türlerini temsil eder (siyah noktalar faz içi senkronizasyonu, koyu gri noktalar Sinyal 1'in başını, açık gri noktalar Sinyal 2'nin öncülüğünü ve mor noktalar anti-faz senkronizasyonunu temsil eder).
         NOT: Şekil, etkileşimin dinamiklerini göstermektedir: tam zamanlı seriler boyunca dört etkileşim türü arasındaki değişim. MATLAB saçılma işlevinin ayrıntılı bir açıklaması için aşağıdaki bağlantıya (https://www.mathworks.com/help/matlab/ref/scatter.html) bakın.
      4. Zaman yüzdesi: Çıktı şeklinin sağ alt kısmındaki, farklı etkileşim türlerine göre zamanın bölünmesini gösteren pasta grafiğini inceleyin.
         NOT: MATLAB pasta işlevinin ayrıntılı açıklaması için aşağıdaki bağlantıya (https://www.mathworks.com/help/matlab/ref/pie.html) bakın.
6. Çıkış tablosunu her etkileşim türü (faz içi senkronizasyon, Sinyal 1 öncü, Sinyal 2 öncü, anti-faz senkronizasyonu) için istatistik değerleriyle (yani ortalama, maks, medyan ve standart sapma) inceleyin. Tablo ayrıca her bir etkileşim türünün gerçekleştiği sürenin yüzdesini de gösterir. Her etkileşim türü farklı bir sütunda görünür.
7. Ayıklanan elektronik tablo dosyasındaki çıktı değerini inceleyin (yani, geçerli klasörde bulunan veri tablosu.xlsx).

Şekil 3: İş akışına genel bakış. (A) Hiper tarama fNIRS verileri toplanırken serbest oyun oynayan anne-çocuk ikilileri. (B) Bir anne-çocuk zaman dizisinin çizimi. (C) Homer3 kullanılarak zaman serilerinin ön işlenmesi. (D,E) Faz içi senkronizasyon, anti-faz senkronizasyonu ve gecikmeli senkronizasyon gibi farklı etkileşim türlerini incelemek için bir araç kutusunun kullanılması. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 4: Faza göre dört farklı etkileşim türünün sınıflandırılması. Bu, 360°'lik bir modülde iki nöral zaman serisinin faz farkını temsil eder. Faz farkı, iki değer arasındaki bir zaman gecikmesi olarak düşünülebilir ve dalga boyunun derece ve radyan veya kesirleri cinsinden ölçülür. Burada, 360° modulo, dört farklı etkileşim aşamasını gösteren dört farklı aralığa bölünmüştür: (A) Sinyal 1 aralığı (90° civarında, 45° ila 135° arasında), (B) Sinyal 1 ve Sinyal 2 arasında anti-faz senkronizasyonu (180° veya −180° civarında, 135 ila −135° arasında), (C) Sinyal 2 aralığı (−135° ila −45° arasında), (D) faz içi senkronizasyon (0 civarında, −45° ila 45° arasında bir aralık). Bu bölme varsayılan yaklaşımdır (her noktanın etrafında 45°); Ancak, araç kutusu farklı bir bölüm yapılandırmaya izin verir. Diğer yapılandırmalar 360°'nin tamamını kapsamasa da, her etkileşim türünün daha kesin bir tanımını verebilir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Sonuçlar

Bu bölümde, araç kutusu ile gerçekleştirilebilecek analiz türleri gösterilmektedir (https://www.ariel.ac.il/wp/sns/download/ veya https://github.com/Minisharmaa/Leader-Follower-By-Phase adresinden indirilebilir). Bu analizler için, küçük bir bebek-ebeveyn ikilisi örneklemi ile toplanan fNIRS verileri kullanılmıştır. Altı çift anne-bebek ikilisi, gerçek hayattaki bebek-anne etkileşimine mümkün olduğunca yakın olan, doğrulanmış bir davranışsal görev olan serbest oyun görevi^3...

Tartışmalar

fNIRS çalışmalarında kullanılan en yaygın yöntemlerden biri, frekans ve zaman^10'un bir fonksiyonu olarak iki zaman serisinin çapraz korelasyonunun bir ölçüsü olan dalgacık dönüşümü tutarlılığıdır (WTC). WTC, korelasyonel analizler kullanarak iki zaman serisi arasındaki tutarlılığı ve faz gecikmesini hesaplar (Ek Dosya 1). FNIRS hiper tarama çalışmaları, eylem izleme 12, işbirlikçi ve rekabetçi davranış 5,13,14,15, taklit...

Malzemeler

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.