Çin Ulusal Doğa Bilimleri Vakfı (No. 62207025), Çin Eğitim Bakanlığı'ndan Beşeri Bilimler ve Sosyal Bilimler Araştırma Projesi (No. 22YJC190017) ve Merkez Üniversiteler için Temel Araştırma Fonları tarafından sağlanan desteği Yafeng Pan'a teşekkür ederiz.

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/).
<ol><li>MATLAB'ı açın ve ham .nirs dosyalarının kaydedildiği klasöre gidin. Klasörü seçin ve açın.</li>
	<li>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.</li>
	<li>.nirs dosyalarını Homer3'te .snirf formatına aktardıktan sonra, Homer3 GUI'deki Araçlar seçeneğine tıklayın ve İşleme Akışını Düzenle'yi seçin.</li>
	<li>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:<ol><li>Yoğunluk verilerini optik yoğunluğa dönüştürmek için hmrR_intensity2OD kullanın.</li>
		<li>Uygun filtreleme işlevini kullanarak hareket artefaktlarını düzeltmek için hmrR_MotionCorrectWavelet kullanın.</li>
		<li>OD verilerini konsantrasyona dönüştürmek için hmrR_OD2conc kullanın.</li>
		<li>Konsantrasyon Verilerindeki Blok Ortalamasını hesaplamak için hmR_BlockAvg kullanın. NOT: Ön işleme adımlarının seçimi, veri kümesinin türüne bağlı olarak değişebilir.</li>
	</ol></li>
	<li>Geçerli işlem akışını kaydetmek için Kaydet seçeneğine tıklayın ve ardından ProcStreamEdit GUI'sinden çıkın.</li>
	<li>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.</li>
	<li>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.</li>
</ol>2. LeaderFollowerByPhase araç kutusunu kullanmaya başlama
<ol><li>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.</li>
	<li>MATLAB komut satırında parametreleri tanımlayın<ol><li>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.</li>
		<li>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).</li>
		<li>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.</li>
	</ol></li>
	<li>LeaderFollowerByPhase araç kutusunu aşağıdaki bağlantıdan indirin (https://www.ariel.ac.il/wp/sns/download/ veya https://github.com/Minisharmaa/Leader-Follower-By-Phase).</li>
	<li>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.</li>
	<li>Faz içi, Sinyal 1 öncü, Sinyal 2 öncü ve anti-faz senkronizasyon değerlerini inceleyin:<ol><li>MATLAB'daki grafikleri inceleyin. Araç kutusu, dört çizime sahip bir şekil oluşturur.<ol><li>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.</li>
			<li>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.</li>
			<li>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.</li>
			<li>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.</li>
		</ol></li>
	</ol></li>
	<li>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.</li>
	<li>Ayıklanan elektronik tablo dosyasındaki çıktı değerini inceleyin (yani, geçerli klasörde bulunan veri tablosu.xlsx).</li>
</ol><img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/65347/65347fig03.jpg"> 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. <a href="https://www.jove.com/files/ftp_upload/65347/65347fig03large.jpg" target="_blank">Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/65347/65347fig04.jpg"> 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. <a href="https://www.jove.com/files/ftp_upload/65347/65347fig04large.jpg" target="_blank">Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.</a>

fNIRS Çalışmalarında Devrim Yaratmak: Nöral Eşleşmeye Yeni Bir Yaklaşım

Yazarlar, araştırmanın potansiyel bir çıkar çatışması olarak yorumlanabilecek herhangi bir ticari veya finansal ilişkinin yokluğunda yürütüldüğünü beyan ederler.

fNIRS çalışmalarında kullanılan en yaygın yöntemlerden biri, frekans ve zaman10'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...

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 zaman10'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 davranışı18,19,20,21 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.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65347/65347fig01.jpg"> 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. <a href="https://www.jove.com/files/ftp_upload/65347/65347fig01large.jpg" target="_blank">Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.</a>
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 entropisi26'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 modelinigösterdiği 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.
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/65347/65347fig02.jpg"> 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). <a href="https://www.jove.com/files/ftp_upload/65347/65347fig02large.jpg" target="_blank">Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.</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

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.

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>

Yazar Spotlight: fNIRS Çalışmalarında Yeni İçgörülerin Kilidini Açmak - Beyinler Arası Senkronizasyon Analizi için Yeni Bir Çerçeve 

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

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.

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 görevi3...

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

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.

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

Birçok fNIRS çalışması, WBC sıcak grafiğindeki faz gecikmesi bilgisini ihmal ederek, beyinler arası senkronizasyonu tahmin etmek için tutarlılığa odaklanmıştır. Burada, kuplaj yönlülüğünü tahmin eden, faz açısı değerini faz içi senkronizasyon, gecikme fazı senkronizasyonu ve anti-faz senkronizasyonu olarak sınıflandıran daha hassas bir yaklaşım sunulmuştur. Önerilen yeni bir çerçeve kullanarak önceki bulguların yeniden analiz edilmesi, katılımcılar arasındaki senkronizasyonun doğası hakkında kapsamlı bir anlayış sunar.Faz içi senkronizasyon ve faz karşıtı senkronizasyonun ayırt edilmesi, önceki bulguların kesin bir şekilde yorumlanmasını sağlayan yeni bir netlik düzeyi sağlar. Bu çerçeve, kişilerarası senkronizasyonun sosyal davranış, iletişim ve karar vermedeki rolünü incelemek gibi çeşitli senaryolara uygulanabilir. Hipertarama apneleri için geliştirilen faz araç kutusu ile birlikte zanaat teorisinin uygulanmasının vurgulanması, etkileşimde gözlemlenen çeşitli yönlülük türlerinin daha derin bir şekilde anlaşılmasını sağlar.Bu yaklaşım, hiper tarama ortamında bir beyinden başka bir beyne bilgi akışının araştırılmasını sağlar.

new-framework-for-understanding-cross-brain-coherence-functional-near

Research

JoVE Journal

Neuroscience

New Framework for Understanding Cross-Brain Coherence in Functional Near-Infrared Spectroscopy (fNIRS) Hyperscanning Studies

1.7K Görüntüleme.  Ariel University. Birçok fNIRS çalışması, WBC sıcak grafiğindeki faz gecikmesi bilgisini ihmal ederek, beyinler arası senkronizasyonu tahmin etmek için tutarlılığa odaklanmıştır. Burada, kuplaj yönlülüğünü tahmin eden, faz açısı değerini faz içi senkronizasyon, gecikme fazı senkronizasyonu ve anti-faz senkronizasyonu olarak sınıflandıran daha hassas bir yaklaşım sunulmuştur. Önerilen yeni bir çerçeve kullanarak önceki bulguların yeniden analiz edilmesi, katılımcılar ara...

Video: Yazar Spotlight: fNIRS Çalışmalarında Yeni İçgörülerin Kilidini Açmak - Beyinler Arası Senkronizasyon Analizi için Yeni Bir Çerçeve 

Despite the growing body of functional near-infrared spectroscopy (fNIRS) hyperscanning studies, the assessment of coupling between two neural signals using wavelet transform coherence (WTC) seems to ignore the directionality of the interaction. The field is currently lacking a framework that allows researchers to determine whether a high coherence value obtained using a WTC function reflects in-phase synchronization (i.e., neural activation is seen in both members of the dyad at the same time), lagged synchronization (i.e., neural activation is seen in one member of the dyad prior to the other member), or anti-phase synchronization (i.e., neural activation is increased in one member of the dyad and decreased in the other). To address this need, a complementary and more sensitive approach for analyzing the phase coherence of two neural signals is proposed in this work. The toolbox allows investigators to estimate the coupling directionality by classifying the phase angle values obtained using traditional WTC into in-phase synchronization, lagged synchronization, and anti-phase synchronization. The toolbox also allows researchers to assess how the dynamics of interactions develop and change throughout the task. Using this novel WTC approach and the toolbox will advance our understanding of complex social interactions through their uses in fNIRS hyperscanning studies.

Wavelet transform coherence (WTC) is a common methodology for assessing the coupling between signals that is used in functional near-infrared spectroscopy (fNIRS) hyperscanning studies. A toolbox for assessing the directionality of the signal interaction is presented in this work.

Nörobilim

Using Homer3 Software to Perform the Pre-Processing of the fNIRS Hyperscanning Data

To begin open MATLAB, then navigate to the folder where the raw and irs files are saved. Select and open the folder. Type Homer3 into the command window of MATLAB to launch the Homer3 GUI.Homer3 will detect the nirs files and ask to convert them to snirf format to proceed with the pre-processing of the data. After converting the files, click on the Tools option and select Edit Processing Stream. In the process stream edit GUI select the pre-processing steps from the registry function column to the current processing stream column by clicking on Add.Click on the Save option to save the current processing stream and then exit the process stream edit GUI. Click on the RUN option to run the pre-processing stream in the main Homer3 GUI. After Homer3 finishes running the selected processing stream, it will save the pre-processed time series for each participant in a mat file format containing HBO, HBR, and HBT for all the channels and events.A folder named derivatives will be created by Homer3 in the selected folder to store these files. Select the homer folder located in the derivatives folder. Choose the mat file for each brain, and export HBO, HBR, HBT.

fNIRS hiper tarama verilerinin ön işlemesini gerçekleştirmek için Homer3 yazılımını kullanma

Getting Started with the LeaderFollowerByPhase Toolbox

Open the leader follower by phase"toolbox to analyze the type of interaction that occurs in a hyper scanning recording. In MATLAB, select the mat files for each brain and load the HBO or HBR data of the specific channel and event into a one dimension vector as signal one and signal two. In the MATLAB command line, define the parameters of the functions low frequency and high frequency.The default value of low frequency is 0.01 hertz, and high frequency is one hertz. Then define the parameter for phase range, followed by the threshold. The default value of the threshold is zero.Execute the MATLAB function LeaderFollowerByPhase"by entering the command shown on the screen. The toolbox generates one figure with four plots. In MATLAB, inspect the box chart plot, which shows the R squared values for each type of interaction category in phase signal one, leading signal two leading, and antiphase.Then inspect the bar graph on the output figure, which displays the maximum values, mean, and median for all interaction types. The scatterplot displays the values of coherence and the types of interaction over time. The division of time according to different types of interactions.Next, inspect the output table with the statistic values for each type of interaction. The table also presents the percentage of time for which each type of interaction occurred. Finally, examine the output value in the extracted spreadsheet file.The classification analysis was repeated with a threshold of 0.5 on dyad A to explore the influence of changing the minimum threshold values on the classification of the types of interaction within a dyad. The result shows that when a threshold of 0.5 was used, the distribution of the different types of relative phase relationships changed. The percentage of antiphase synchronization increased from 35%to 59%and the percentage of endphase synchronization decreased from 26%to 8%This suggests that antiphase synchronization may be the type of interaction that is more representative of this dyad.