摘要

超掃描是神經(jīng)成像實驗的一種形式，其中兩個或多個參與者的大腦在相互作用時同時成像。在社會神經(jīng)科學領域，超掃描越來越多地用于測量腦間耦合(IBC)，并探索大腦反應在社交互動過程中如何同步變化。除了認知研究之外，一些人提出通過量化互動參與者之間的相互作用，可以作為各種認知機制的生物標志物，以及研究包括精神分裂癥、社交焦慮和自閉癥等心理健康和發(fā)展狀況。然而，許多不同的方法已被用于量化大腦耦合，這可能導致有關研究之間可比性的問題并降低研究的可重復性。在這里，本研究回顧了量化IBC的方法，并提出了一些新的方向。根據(jù)PRISMA指南，本研究回顧了215個超掃描研究，涵蓋了四種不同的腦成像方式：功能近紅外光譜(fNIRS)、功能磁共振(fMRI)、腦電圖(EEG)和腦磁圖(MEG)?？傮w而言，本綜述確定了27種用于計算IBC的不同方法。最常見的超掃描方式是fNIRS，119項研究使用了fNIRS，其中89項采用了小波相干性。基于這些結果，本研究首先報告了超掃描領域的匯總統(tǒng)計數(shù)據(jù)，然后概述了超掃描中使用的每種神經(jīng)成像方式獲得的每個信號。然后，討論了每種方法的基本原理、假設和適用性。最后，討論了每種方法的解釋問題。

前言

社會互動是人類生存的一個基本方面。社會互動的性質和質量與心理健康密切相關。因此，量化和提高我們對社會互動的理解是社會神經(jīng)科學中神經(jīng)成像的一個重要目標。認知神經(jīng)科學中的傳統(tǒng)神經(jīng)成像研究使用“單腦”實驗，即參與者在完成任務時記錄他們的神經(jīng)活動。然而，這種實驗形式是否能夠提供對真實世界社會互動的有意義的描述尚不清楚。我們知道人們在社會互動和被觀察時會表現(xiàn)出不同的行為，而參與者與經(jīng)過訓練的合作者的互動可能無法捕捉到自然行為。因此，對現(xiàn)實世界社會行為的研究可能需要研究人員將兩個或更多的參與者置于互動中。在這種情況下，與“單腦”研究相比，通過超掃描獲取所有參與者的數(shù)據(jù)可能允許進行新的、獨特類型的分析。

在本綜述中，研究者將“超掃描”的定義擴展到任何形式的“互動”，其中被掃描的參與者之間存在某種程度的相互作用，包括基于計算機的互動以及面對面的互動。超掃描的核心特征是同時收集多個參與者的數(shù)據(jù)，并且這些參與者之間有某種交換信息的方法。這與依次從參與者那里獲取數(shù)據(jù)然后進行分析的情況形成了對比。這種對比如圖1所示。在依次獲取數(shù)據(jù)的情況下，研究人員可以測量“人際間相關性”或“神經(jīng)對齊性”，這可以揭示不同的大腦是否以相同的方式對給定的體驗做出反應，但這無法提供任何關于從互動大腦中獲得的數(shù)據(jù)之間的動態(tài)交互信息。

除了從順序神經(jīng)成像中獲得的簡單“神經(jīng)對齊”(給定體驗的腦間相似性)外，超掃描范式還測量了互動大腦之間的復雜動態(tài)，因為它們在互動過程中不斷相互適應。對IBC信號的認知解釋仍存在爭議，模型側重于耦合、對共享環(huán)境的響應和相互預測。一些研究給出了更深入的解釋，表明IBC可能提供社交連接或協(xié)調的生物標志物，但尚不清楚這些觀點是否可以得到支持。重要的是，由于互動是復雜的，來自多個交互大腦的信號不一定是彼此“鏡像”的，而是隨著時間動態(tài)地“耦合”在一起。理解這種動態(tài)過程需要更復雜的分析工具，這些工具能夠從這種類型的數(shù)據(jù)中捕獲相關成分。

總的來說，本綜述考慮了應用于超掃描數(shù)據(jù)的每種方法的含義，重點關注其技術方面，包括基本原理、數(shù)學假設及其對給定模態(tài)的適用性。本綜述的目標是全面概述目前在神經(jīng)成像模態(tài)中使用的方法，并考慮每種方法在計算IBC時的基本原理和數(shù)學假設。本綜述的結構如下：首先，討論了檢索文獻的方法，以及排除標準。然后，提供了該領域的最新概述，包括已發(fā)表的論文數(shù)量、使用的方法和模態(tài)。然后，總結了不同神經(jīng)成像方法的信號特征，并回顧了IBC的測量指標，包括每種方法的基本原理、在超掃描中的應用方式、使用每種方法時的數(shù)學假設、哪些方法能夠解釋輸入數(shù)據(jù)之間的關系，這些方法對不同模態(tài)的適用性等等。最后，對計算方法在超掃描研究中的未來進行了展望，以改進超掃描研究和相關指標，并更好地理解如何使用IBC來闡明支持社交互動的機制。

方法

本研究遵循《系統(tǒng)綜述和薈萃分析優(yōu)先報告的條目》（PRISMA）準則，以提高本綜述的可重復性。在PubMed和Scopus上使用以下關鍵詞進行檢索：(hyperscanning[標題/摘要]、two person neuroscience[標題/摘要])和(fmri[標題/摘要]、eeg[標題/摘要]、fNIRS[標題/摘要]、MEG[標題/摘要]、nirs[標題/摘要]))(在PubMed上)，以及(hyperscanning、“two person neuroscience”)和(fnirs、nirs、eeg、fmri、meg)(在Scopus上)。研究年限從2000年(比Montague等人(2002)發(fā)表開創(chuàng)性的超掃描論文提前兩年)至2022年底。對以英文發(fā)表的期刊文章進行了初步檢索，僅檢索標題和摘要。本研究遵循PICOS原則(研究對象、干預、比較、結果、研究設計)，這些在進行標題和摘要篩選之前就已確定，并列于表1中。

初步檢索共得到659份文獻，在刪除重復項后，對354份文獻進行進一步檢查。僅考慮已發(fā)表的、原創(chuàng)研究文章進行評審，另有116份文獻因為是評論文章、元分析、會議論文、書籍章節(jié)、勘誤表、會議摘要、注釋、調查問卷、非英文或全文不可用而被刪除。接下來，根據(jù)表1中的PICOS原則，首先對標題和摘要進行篩選，另有37篇論文(P：11，C：4，O：22)被刪除。在文本篩選過程中，進一步刪除了5篇論文(P：1，O：4)。通過查閱綜述文章，找到了初始數(shù)據(jù)庫搜索遺漏的19篇論文，并將其納入本研究中。最終納入的文獻數(shù)量為215篇。PRISMA流程圖如圖2所示。

本研究將文獻中所使用的方法大致分為以下幾個類別，這些類別是根據(jù)Ayrolles等人(2021)為其基于Python的超掃描工具箱提供的類別進行劃分的，同時還添加了“回歸(Regression)”?？偣卜譃槲鍌€類別，這些類別及其定義如表2所示。

需要注意的是，將一種方法劃分到特定的類別并不意味著它只存在于該類別中(例如，部分定向相干可以同屬于因果和基于相干的方法)；分類只是一種便于討論的分組方式。

匯總統(tǒng)計數(shù)據(jù)

自從Montague等人(2002)的開創(chuàng)性工作以來，超掃描論文發(fā)表數(shù)量自2014年以來逐年穩(wěn)步增加，在2022年高達46篇(圖3(a))。這種持續(xù)增長可能與數(shù)據(jù)分析技術提高和低成本神經(jīng)成像設備的開發(fā)有關。目前已有四種神經(jīng)成像技術使用了超掃描：fNIRS、fMRI、EEG和MEG，分布情況如圖3(b)所示。

圖4顯示了按照神經(jīng)成像技術劃分的不同方法類別的已發(fā)表論文數(shù)量。不同神經(jīng)成像技術獲取的數(shù)據(jù)特征使得某些方法相對于其他方法更適用于特定的數(shù)據(jù)。例如，EEG數(shù)據(jù)的高時間分辨率特征使其比fMRI更適合相位同步分析。

就研究對象而言，83%的研究使用成人被試(18歲或以上)進行超掃描，另有8%的研究使用父母與嬰兒互動的方式進行研究，4%的研究則探討了嬰兒與嬰兒之間的互動，或成人與青少年之間的互動，還有5%的研究未說明年齡人口統(tǒng)計數(shù)據(jù)。此外，72%的超掃描實驗調查了神經(jīng)典型發(fā)育人群(26%未說明參與者的健康狀況)。

神經(jīng)成像模式的信號特征

每種功能性神經(jīng)成像技術都可以被歸類為直接或間接的大腦激活測量方法。EEG和MEG測量大腦活動期間突觸活動產(chǎn)生的直接電信號和磁信號。相比之下，fNIRS和fMRI是間接測量方法，通過監(jiān)測血流氧合變化以推斷大腦激活，fNIRS監(jiān)測光學特性，而fMRI檢測磁性變化。由于記錄的生物和物理特性存在差異，每種模態(tài)獲取的信號在其特征上各不相同。這對于確定哪些方法可以有效地測定IBC具有一定的影響。接下來，將簡要討論從每種模態(tài)獲得的信號特征(表3)。

fNIRS數(shù)據(jù)是使用由成對光電傳感器組成的記錄通道進行記錄的。其中一個光電傳感器是發(fā)射近紅外(NIR)光的光源，而另一個光電傳感器是探測器，用于檢測通過皮層后傳播的發(fā)射NIR光線。光源和探測器通常相距3厘米，以確保光線能夠穿透皮層而不會過于漫射。因此，空間分辨率在本質上會受到一定限制。此外，光只能到達皮層表面(距離頭皮約1.5厘米)，因此fNIRS無法成像深部腦結構。fNIRS的間接測量機制意味著記錄的功能激活本質上是一種生物功能激活。記錄的機制是血流動力學響應函數(shù)(HRF)。HRF通常持續(xù)數(shù)秒，比直接的突觸后反應要慢。因此，使用fNIRS無法檢測到大腦中非?？焖俚淖兓?。這與fNIRS的時間分辨率有關，通常約為10Hz，對緩慢發(fā)生的HRF進行過采樣，為其成像的生物現(xiàn)象提供足夠的時間分辨率。由于fNIRS是一種光學技術，光在到達大腦皮層之前必須通過非神經(jīng)元組織。因此，系統(tǒng)檢測到的變化可能來自于刺激引起的神經(jīng)元變化以及與參與者生理相關的非神經(jīng)元變化。這是fNIRS中眾所周知且討論過的問題，建議包括生理監(jiān)測以允許對從非刺激性系統(tǒng)變化中誘發(fā)的神經(jīng)元變化進行深入分析。fNIRS信號中存在的頻率成分已經(jīng)得到了很好的表征，通常刺激誘發(fā)的神經(jīng)元成分約為0.025Hz(盡管取決于刺激呈現(xiàn)的頻率)，而Mayer波約為0.09 Hz，呼吸頻率約為0.25Hz，心率約為1.3 Hz。因此，在分析fNIRS數(shù)據(jù)時，應特別注意感興趣的頻率，并確保任務刺激頻率不與生理成分重疊。除了系統(tǒng)噪聲外，fNIRS還容易受到記錄室環(huán)境光信號和參與者頭發(fā)的干擾，這兩種情況都可以通過仔細設置來避免。

腦電圖(EEG)

EEG使用一系列電極來檢測頭皮上與大腦神經(jīng)元放電有關的小電位。雖然EEG電極的間距通常為2和3厘米，但空間分辨率較低。這是因為存在容積傳導現(xiàn)象，因此將信號進行源定位比較困難。因此，空間定位可能為5-15厘米，深度也無法輕易確定。研究人員面臨的一個更大的挑戰(zhàn)是運動偽跡，因為參與者眼睛、面部或下頜的任何移動都會在EEG信號中造成較大且可變的偽跡，難以完全去除。這在自然社交互動的超掃描研究中尤其具有挑戰(zhàn)性，因為該任務允許參與者自由移動和說話。通常，EEG系統(tǒng)的采樣率為1kHz以上，以充分采樣較快的大腦活動頻率。由于EEG是直接記錄電信號，因此信號不會受到其他生理噪聲的污染，而且EEG信號的頻率成分都與大腦功能直接相關。這些頻率通常被分為以下幾個頻段：Delta(1-3Hz)，Theta(4-7Hz)，Alpha(8-12Hz)，Beta(13-30Hz)，Gamma(30-100Hz)。

功能磁共振(fMRI)

fMRI血氧水平依賴(BOLD)信號是神經(jīng)元活動的間接測量，它可以根據(jù)血紅蛋白的氧合狀態(tài)檢測其順磁性的變化。fMRI廣泛應用于認知神經(jīng)科學，具有良好的空間分辨率，可以精確定位解剖結構的激活。用于確定功能激活的HRF與fNIRS成像的生物現(xiàn)象相同，因此具有相同的延遲情況。然而，fMRI系統(tǒng)的時間分辨率比fNIRS慢，因為用于獲取fMRI數(shù)據(jù)的典型MRI序列(回波平面成像)每2秒采集一次樣本。在這方面，盡管功能激活的生理基礎是相同的，但時間分辨率卻比fNIRS差。

與fNIRS一樣，fMRI信號也會受到生理噪聲的干擾，但噪聲的來源主要是生理學引起的運動，比如血流脈動會在大動脈和靜脈周圍引起噪聲，而呼吸引起的胸部運動也會引起頭部變化，從而導致圖像相位的變化。對于超掃描研究而言，另一個限制是MRI對參與者的運動很敏感，并要求參與者在封閉和嘈雜的環(huán)境中躺下和保持靜止。超掃描需要將兩個獨立房間的參與者通過計算機接口連接，不利于自然的社交互動。特別是參與者缺乏自發(fā)的運動，這意味著fMRI成像環(huán)境是高度 “人為”的(生態(tài)效度不高)，而且在有嘈雜的掃描儀背景噪聲和躺下的情況下研究社交互動可能不太符合超掃描所要研究的互動方式。

腦磁圖(MEG)

MEG信號的來源與EEG相同；突觸后電流伴隨著磁場，MEG傳感器可以探測到磁場的波動。由于MEG記錄了直接的突觸反應，其時間分辨率與EEG相當，信號的頻率成分也與EEG一致：Theta：4-8Hz、Alpha：9-14Hz、Beta：15-30Hz、Gamma：30Hz以上，MEG系統(tǒng)的典型采樣率與EEG類似。MEG數(shù)據(jù)的空間定位需要求解一個逆問題來確定數(shù)據(jù)的源空間，這是MEG數(shù)據(jù)面臨的主要挑戰(zhàn)，因此影響了所獲取MEG數(shù)據(jù)的空間分辨率。組織的低磁導率使得大腦產(chǎn)生的磁場在顱骨和頭皮中不受干擾，這意味著MEG數(shù)據(jù)不容易受到容積傳導效應的影響。房間內的設備磁干擾可能會對數(shù)據(jù)產(chǎn)生影響，但通常可以通過低通頻域濾波器輕松濾除。然而，面部和眼睛的運動仍然可能產(chǎn)生偽跡。雖然MEG參與者通常坐著，視野較廣，比MRI更自由，但他們的動作仍然受到限制，典型的超掃描研究依賴于計算機接口。新的OP-MEG系統(tǒng)允許在互動的參與者中進行MEG超掃描，但研究仍被限制在一個屏蔽的房間里，且活動很少。

超掃描研究中使用的頻段

EEG和MEG中的頻段(Delta、Theta、Alpha、Beta、Gamma)反映了大腦中的不同過程，具體取決于環(huán)境和位置。在這篇綜述中，使用EEG(共71項)進行不同頻段分析的研究數(shù)量如表4所示。

在分析血流動力學信號的頻段時，主要要求是排除與非神經(jīng)元生理反應相關的頻率。通常，實驗者會分析接近任務頻率的頻段，即任務刺激呈現(xiàn)的頻率。在本綜述納入的23項fMRI研究中，有5項研究分析了一系列頻率(0.0025-0.02、0.008-0.009、0.008-0.45、0.01-0.8、0.645-1)，而17項研究分析了單個特定頻率成分，見表5。

在本綜述納入的119項fNIRS研究中，有12項沒有具體說明所檢測的頻率信息。剩余的107項研究都側重于分析一系列的頻率。所分析的最小頻率均值為0.067Hz(標準差為0.135Hz)，而所分析的最大頻率均值為0.3808Hz(標準差為0.6903Hz)。

IBC指標的系統(tǒng)綜述

接下來，將討論用于調查超掃描研究中參與者神經(jīng)數(shù)據(jù)之間關系的指標。有關研究的完整列表和所使用的方法，請參閱以下表6。

對于每種方法，將首先說明該方法用于確定IBC的輸入數(shù)據(jù)屬性，以及它所應用的領域(時域、頻域或時頻域)。隨后，本文將概述每種方法在超掃描中的基本原理，以及該方法的原作者所描述的可能情況，以及背后的數(shù)學假設。然后，本文將考慮數(shù)學方面的相關問題，包括線性、對稱性以及單變量/多變量性質。最后，將根據(jù)測量信號的時間和空間分辨率，討論該方法應用于每種模態(tài)的適用性，然后列出已使用該方法的模態(tài)。

圖5顯示了如何直觀地表示每個類別的超掃描指標。這些圖示是超掃描數(shù)據(jù)的示例。圖5(a)顯示了參與者之間fNIRS數(shù)據(jù)的Pearson相關性。左圖為相關性數(shù)值的t值圖，而右圖為實驗組Pearson積矩相關值隨任務進展的變化情況。圖5(b)是Pinti等人(2021)的跨腦GLM表示。品紅色框顯示了特定fNIRS通道在不同時間延遲下的t值，而藍色框顯示了beta值。圖5(c)是Wu等人(2021)研究中的小波相干性示例圖，顯示了特定fNIRS通道在兩個實驗組(獨生子女和有兄弟姐妹的兒童)中的小波相干譜圖。非獨生子女組在特定頻段中的相干值增加用紅色突出顯示。圖5(d)為Müller和Lindenberger(2022)研究中的腦間相位相干性，左側為時頻圖和腦間相位相干強度的拓撲分布。圖5(e)顯示了Sciaraffa等人(2021)研究中使用的多元格蘭杰因果關系分析的因果連接表示。綠色代表被試間的連接，連接的粗細表示具有顯著耦合的百分比。左側的分布圖顯示了被試間連接的密度。

相關性

可以說，研究神經(jīng)數(shù)據(jù)之間相互作用的最基本形式是確定它們之間的相關性。目前，已有7種不同形式的相關性：Pearson相關、互相關、偏相關、Spearman等級相關、Beta序列相關、動態(tài)時間規(guī)整、幅度包絡相關。有4項研究[Krueger等人(2007)；Saito等人(2010)；Holper等人(2013)；Shaw等人(2018)]未說明使用的具體類型，也沒有提供相關性的公式。

①Pearson相關

Pearson相關系數(shù)(PCC)考察的是兩個變量(通常是來自參與者同源區(qū)域的神經(jīng)數(shù)據(jù))如何共同變化，通常是指時域上的共變。相關性的基本原理是相關的變量應該共同變化，因此計算兩個變量的PCC可以量化一個變量的變化對另一個變量的影響程度。這一原理在超掃描研究中的應用比較明確-——如果參與者正在“互動”，他們的神經(jīng)信號應該以某種形式一起變化。通常會表現(xiàn)為PCC從靜息/無交互到任務/交互的增加，這意味著任務引發(fā)了神經(jīng)交互作用。這里存在一個假設，即輸入數(shù)據(jù)之間存在線性關系，因此如果關系高度非線性，PCC將較低。其次，數(shù)據(jù)呈正態(tài)分布，只要不是極端偏離正態(tài)分布，PCC通常對非正態(tài)分布具有穩(wěn)健性。最后，輸入數(shù)據(jù)應該是彼此獨立的，如果不滿足這個條件，數(shù)據(jù)之間的依賴性會導致PCC值被夸大。在超掃描交互作用方面，PCC只能反映輸入數(shù)據(jù)之間的線性關系，不能顯示關系的方向信息，并且它是一種雙變量方法，因此無法將其他變量如系統(tǒng)混淆、其他腦區(qū)或行為參數(shù)納入分析。通常，PCC可以與任何模態(tài)一起使用，但其適用性在每種方法中略有差異。M/EEG側重于不同頻段的分析，利用神經(jīng)元活動和記錄之間的直接關系以及M/EEG系統(tǒng)的高時間分辨率特點，但由于PCC通常是一種時域方法，因而無法探測不同參與者頻段之間的關系?？梢酝ㄟ^首先計算不同頻段的功率，并將其關聯(lián)起來進行頻率分析，但這會失去EEG所提供的時間分辨率，因此PCC在EEG分析中的應用有限。其在fNIRS和fMRI中的應用取決于預處理階段如何處理系統(tǒng)噪聲。由于該方法無法在頻域中分離系統(tǒng)性噪聲，如果任務頻率與系統(tǒng)成分頻率密切相關，對系統(tǒng)性噪聲的處理不當可能會導致PCC反映出的僅僅是兩個參與者之間簡單的系統(tǒng)性增加，而不是特定的神經(jīng)元激活。

②互相關

互相關是對PCC的一種改進，即改變輸入數(shù)據(jù)，使一個變量在時間上滯后于另一個變量。因此，該方法也可以考察兩個變量如何共變。其基本原理略有不同，因為它側重于當一個變量在另一個變量之前發(fā)生變化時，它們如何共變。在超掃描應用中，如果一個參與者在另一個參與者之前展示了特定的動作，則可以使用互相關來檢查執(zhí)行該動作時的神經(jīng)活動如何與觀察該動作的參與者的神經(jīng)活動相關。與PCC相同，輸入數(shù)據(jù)的基本假設也適用于互相關，因為基本方法是相同的，只是輸入數(shù)據(jù)不同，通常應用于時域數(shù)據(jù)。該方法僅揭示線性關系，其他變量不包括在分析中(雙變量分析)。與PCC相比，互相關更偏好較高的時間分辨率，因為有更多的時間點可以更精細地評估感興趣的時間段。然而，如上所述，M/EEG數(shù)據(jù)通常側重于特定頻率，而不僅僅是時域數(shù)據(jù)。因此，這種相關形式可能更適合fNIRS分析，前提是生理噪聲已被充分過濾。目前，互相關已被應用于EEG、fNIRS和fMRI研究中。

③偏相關

偏相關也觀察輸入變量如何共變，其輸出值解釋了它們是否線性相關。這種相關形式與前面兩種的不同之處在于，它在控制第三個混淆變量的同時分離了兩個輸入變量之間的關系。在超掃描中，可以使用偏相關來計算兩個參與者的神經(jīng)信號之間的相關性，同時控制一些可能會導致相關系數(shù)值夸大的混淆因素。輸入數(shù)據(jù)的假設與PCC相同，但這種相關形式是一種多變量方法，可以考慮混淆變量的影響。然而，與PCC類似，偏相關只反映輸入數(shù)據(jù)之間的線性對稱關系，通常應用于時域數(shù)據(jù)。由于它允許包含多個變量，因而適用于可以獲得多模態(tài)數(shù)據(jù)的情況，例如生理信息或行為參數(shù)。

④Spearman等級相關

Spearman等級相關主要用于解決名稱數(shù)據(jù)和順序數(shù)據(jù)相關的問題。因此，在計算這些數(shù)據(jù)的相關性之前，必須對輸入值進行某種形式的排序。Spearman相關性可以反映非線性、單調的關系，同時對輸入變量中的異常值和非正態(tài)分布數(shù)據(jù)也具有更強的穩(wěn)健性。與其他形式相比，使用Spearman等級相關的主要優(yōu)勢在于它能夠反映順序輸入數(shù)據(jù)之間的非線性關系。然而，該方法的一個重要假設是數(shù)據(jù)是有序的。因此，在計算Spearman相關系數(shù)之前，必須以某種方式對使用的神經(jīng)元數(shù)據(jù)進行排序。數(shù)據(jù)的排序方式很重要，研究人員在研究過程中需要對此進行說明。

⑤Beta序列相關

Beta序列相關分析是一種基于“Beta序列”的分析形式，由Rissman等人(2004)開發(fā)。該方法的基本原理是，由于HRF較為緩慢，在短時間內發(fā)生的事件無法被明確分離。典型的分析對可能包含多個事件的每個任務進行建模；Beta序列方法則使用單獨的回歸量對每個事件進行建模，從而可以獲得一系列Beta值的時間序列。將該方法應用于超掃描也是出于同樣的原因——HRF可能會忽略個別瞬態(tài)事件，因此將所有感興趣的事件都建模為獨立的回歸量，可以提供更高分辨率的交互視圖。這個方法在參與者之間進行，然后對輸出進行相關性分析。該方法的假設取決于(1)所使用的相關性形式，以及(2)一般線性模型(GLM)框架。該方法的應用主要集中在利用血氧水平依賴反應的模態(tài)上，因為它旨在克服HRF建模數(shù)據(jù)的緩慢性。到目前為止，該方法僅應用于fMRI數(shù)據(jù)。

⑥動態(tài)時間規(guī)整

動態(tài)時間規(guī)整(DTW)是一種通過測量輸入數(shù)據(jù)之間的距離來評估它們之間相似性的算法。其背后原理是，傳統(tǒng)的相似性測量方法通常假設一對一匹配，如果數(shù)據(jù)相似但來源不同(例如，兩個以不同速度行走的人)，則這種假設可能不成立。DTW提供了一種評估相似性的方法，而不受時長、時間或影響原始系統(tǒng)時間動態(tài)的其他因素的影響。通常的用法是輸出一個距離指數(shù)，表示一個時間序列與另一個時間序列的匹配程度。在超掃描中使用DTW的方法大致相同；輸出距離指數(shù)用作參與者之間“同步”的度量指標。使用DTW時有一些假設，首先是兩個輸入數(shù)據(jù)的起點和終點相同(一個時間序列不能比另一個時間序列更長)，數(shù)據(jù)是單調的，兩個時間序列中相應的點可能在時間失真的情況下仍接近，并且(計算距離指數(shù)的)規(guī)整路徑具有連續(xù)性。這是一種雙變量方法，但其線性和對稱性取決于所使用的距離指標。Azhari等人(2019)使用歐氏距離作為距離指標，但也可以使用其他指標，但應注意確保距離指標充分代表潛在關系以提供有意義的結果。它適用于具有更高時間分辨率的數(shù)據(jù)，因為它將一個參與者的數(shù)據(jù)點與另一個參與者的數(shù)據(jù)點進行匹配，如果數(shù)據(jù)點太少，算法可能無法反映有用的信息。該方法目前僅應用于fNIRS數(shù)據(jù)。

⑦幅度包絡相關

幅度包絡相關是指信號包絡的相關性。雖然相關性方法沒有明確說明，但本質上該方法反映了神經(jīng)數(shù)據(jù)包絡的協(xié)方差。該方法的理論基礎專門針對神經(jīng)數(shù)據(jù)，最初的應用是利用EEG數(shù)據(jù)評估不同腦區(qū)之間的耦合。該方法的作者表示，已經(jīng)在動物腦區(qū)之間發(fā)現(xiàn)了伽馬波段的同步，這些ROI之間的距離尺度為毫米，但這很少在人類研究中報告。他們認為，較長的距離可能會在激活階段引入變化，從而不利于用相干性來檢測耦合。他們建議改為使用EEG信號幅度包絡之間的相關性，因為它比相干性允許更多的“時域抖動”，而且?guī)扌盘柕陌j不像信號本身那樣快速變化。Zamm等人(2021)基于類似的理論基礎將該方法應用于超掃描，他們試圖評估獨立于相位相干性數(shù)據(jù)之間的同步性。與DTW和Beta序列相關類似，相關的假設與PCC相同。此外，利用希爾伯特變換計算幅度包絡，該變換要求計算包絡的信號是窄帶信號，無噪聲和相位失真。與PCC一樣，該方法可以顯示雙變量輸入之間的線性對稱關系。該方法最初是為了研究腦區(qū)之間的高頻耦合而開發(fā)的，因此更適用于具有高時間分辨率的數(shù)據(jù)，特別是因為包絡需要更多的數(shù)據(jù)點來表征神經(jīng)數(shù)據(jù)隨時間變化的有意義特征。

回歸

回歸技術與相關性密切相關。本節(jié)中的所有方法都源自一般線性模型(GLM)。GLM是一種線性回歸技術，它本質上是計算建模變量(也稱為預測變量或回歸變量)與測量數(shù)據(jù)之間的相似性，并通過回歸系數(shù)來反映這種關系。

①GLM分類

該方法使用一個參與者情感特定網(wǎng)絡的平均回歸系數(shù)與另一個參與者的體素之間的歐氏距離，來評估一個人的情緒反應是否會引發(fā)另一個人的情緒激活。其基本原理是，如果兩個參與者的回歸系數(shù)之間距離很小，那么兩個參與者之間可能存在相互作用。該方法的假設與一般線性模型基本相同。這就要求模型的殘差呈正態(tài)分布，預測變量不共線性，并且數(shù)據(jù)方差齊性。除了這些假設外，一般線性模型只能反映預測變量與測量數(shù)據(jù)之間的線性關系。然而，該方法中GLM的實現(xiàn)允許對非對稱關系進行評估，因為距離是基于一個參與者對另一個參與者的情感特定網(wǎng)絡，這在反向情況下可能并不成立?；贕LM的方法更適用于血流動力學模態(tài)，因為它是單腦功能激活的標準分析方法。此外，可以將血流動力學響應函數(shù)(HRF)建模為對刺激的標準響應，而M/EEG數(shù)據(jù)沒有建立對刺激的標準響應。Anders等人(2011)將該方法應用于fMRI數(shù)據(jù)，通過高分辨率神經(jīng)數(shù)據(jù)計算情感特定網(wǎng)絡，充分利用了fMRI的空間分辨率。

②腦間GLM

GLM的這種實現(xiàn)使用參與者B的神經(jīng)數(shù)據(jù)作為參與者A神經(jīng)反應的預測變量，并使用輸出的回歸系數(shù)作為特定實驗條件下IBC增強的決定因素。Liu等人(2017)將一個參與者的fNIRS數(shù)據(jù)回歸到另一個參與者的數(shù)據(jù)上，并將任務時間作為額外的回歸變量。Barreto等人(2021)使用fNIRS數(shù)據(jù)測試了支持向量機和普通最小二乘法。他們通過計算配對參與者的同源通道之間的回歸來獲得回歸系數(shù)。然后用于計算一個參與者的預測信號，并使用預測信號與真實信號之間的相關性來評估每種方法的性能。Ca?igueral等人(2021)在用于預測參與者A的大腦活動模型中，使用了包含fNIRS數(shù)據(jù)、參與者的眼睛注視和面部運動以及參與者B的大腦活動的多元GLM方法。顯然，這是一種評估IBC的通用方法，可以評估超前-滯后關系，整合多變量數(shù)據(jù)，并基于伙伴數(shù)據(jù)預測神經(jīng)響應。

③心理生理相互作用(PPI)

Koide和Shimada(2018)在fNIRS超掃描中使用的PPI與先前基于GLM的方法遵循相同的IBC原理和指標。然而，PPI分析的目的是用兩個額外的預測變量來評估功能網(wǎng)絡，以去除虛假連接，而第三個回歸變量是需要連接到兩個的種子區(qū)域。在超掃描的情況下，Koide和Shimada(2018)使用合作伙伴在任務期間顯示峰值激活的通道作為種子區(qū)域。

相干性①傅里葉變換相干性

FTC計算信號特定頻率的共同強度，只在頻域內操作。該方法的基本原理和優(yōu)點在于能夠識別兩個信號共有的特定頻率成分。將此應用于超掃描(以及一般的神經(jīng)科學)是因為神經(jīng)數(shù)據(jù)中的不同頻率對應于不同的神經(jīng)功能，這在大腦活動的直接測量(M/EEG)中尤為明顯，但對于間接測量活動也很重要，因為不同的成分代表不同的生理特性(不一定是神經(jīng)特性)。該方法的假設主要涉及頻域的轉換。為了使結果解釋具有意義，用戶必須確保數(shù)據(jù)沒有噪聲，并且經(jīng)過充分采樣以反映潛在的大腦功能。此外，傅里葉變換數(shù)據(jù)假設數(shù)據(jù)是平穩(wěn)的，即頻率內容隨時間保持一致。一般來說，生理數(shù)據(jù)往往不是這樣的(fNIRS數(shù)據(jù)就是一個明顯的例子)，這就導致了頻率成分在時間數(shù)據(jù)中的不確定性問題。與PCC一樣，F(xiàn)TC只能反映雙變量數(shù)據(jù)的線性和對稱關系。FTC的優(yōu)勢在于研究數(shù)據(jù)的頻率成分，因此它適用于具有高時間分辨率的數(shù)據(jù)，這些數(shù)據(jù)可以反映構成潛在腦功能的不同頻率成分。

②小波變換相干性(WTC)

與FTC類似，WTC也計算信號特定頻率的共同強度，但它是在時頻域中進行計算的。其原理超越了FTC，因為WTC可以在整個信號持續(xù)時間內揭示頻率信息，隨著頻率降低，時間分辨率也會降低。這特別適用于生理數(shù)據(jù)，因為頻率內容會隨時間變化(大多數(shù)生物信號是非平穩(wěn)的)。由于該方法對信號中的功率(而非相位)敏感，它能夠捕獲參與者A和B之間大腦活動的異相關系，而簡單的相關方法無法做到這一點。這意味著它可以更靈活地指示A和B之間不完全相關的交互情況。WTC適用于能夠充分反映基礎頻率成分的模態(tài)。此外，由于WTC通常是在相互作用的參與者的相似位置之間計算的，因此它適用于更高空間分辨率的數(shù)據(jù)，以便準確和有意義地反映常見的發(fā)生頻率。

③完全相互依賴(TI)

兩項使用EEG的研究采用了完全相互依賴(Total Interdependence，TI)方法來計算腦間連接(IBC)。這個方法最初由Gel'fand(1959)開發(fā)，并被Wen等人(2012)改編用于研究fMRI信號的靜息態(tài)功能連接。該方法通過在頻域中計算時間序列之間的所有可能反饋來推斷腦間連接。該方法應用于超掃描的基本原理是，傳統(tǒng)的測量方法(如相干性和相關性)不考慮同時獲取的數(shù)據(jù)點以外的依賴性，而TI的使用提供了參與者之間所有形式的交互和依賴性的更廣泛情況。該方法的假設主要取決于如何使用傅里葉變換或小波變換來計算頻譜信息。由于TI是將兩個信號之間的所有反饋相加，因此輸出是一個對稱度量，反映了兩個變量之間的線性關系。

④相干性虛部(ImC)

相干性是一個復數(shù)，其中虛部表示輸入數(shù)據(jù)之間的相位關系。該方法利用虛部來確定腦間連接。Nolte等(2004)最初提出的方法是基于容積傳導可以使單個解剖部位的活動在多個腦電通道中被測量的思想。容積傳導活動應具有同步相位，可以識別并僅用于真實的腦電活動。Dikker等人(2021)的研究也遵循類似的原理；他們采集數(shù)據(jù)的環(huán)境受到環(huán)境中腦電系統(tǒng)噪聲的嚴重影響，這些噪聲表現(xiàn)為0相位差的共模信號，但ImC能夠解釋這一點并從嘈雜環(huán)境中評估參與者的IBC。該方法的輸出反映了兩個輸入變量之間的對稱線性關系，它適用于任何模態(tài)，但由于它容易受到容積傳導和電干擾的影響，其實用性相對受限。

⑤偏小波相干(pWTC)

pWTC推斷IBC的基本指標與WTC相同，但它包含了控制額外變量的能力，類似于偏相關。該方法的原作者Mihanovi?等人(2009)最初用它來計算潮汐流對其他地理參數(shù)的影響，并消除混淆效應。之后，Zhou等人(2021)將其應用于fNIRS數(shù)據(jù)，用于控制fNIRS數(shù)據(jù)的自相關性，如果處理不當，就可能導致相干性結果被夸大。在這種情況下，作者納入了參與者的自相干性、參與者之間的同時相干性以及一個參與者與另一個參與者之間的時滯相干性。計算pWTC的假設與計算WTC的假設相同。與WTC相比，時滯相干性的納入意味著輸出具有不對稱性，它可以用來評估相互作用的某些因果性質。雖然該方法目前僅用于fNIRS數(shù)據(jù)，但也可用于EEG來控制容積傳導，或用于fMRI來控制可能依賴于另一個位置的特定解剖位置。

⑥互相干(MC)

MC是由Goelman和Dan(2017)針對fMRI開發(fā)的，通過改進WTC和定量評估腦區(qū)之間的相位延遲來檢測腦區(qū)之間的定向功能連接。因此，它計算特定頻率的共同強度，與WTC一樣，但還結合了輸入之間的相位關系，以提供對輸入的定向、分層評估。其理論基礎是，該方法的非線性特征允許在尋找多個腦區(qū)間的功能連接時考慮多個節(jié)點，并且每個腦區(qū)之間的相位關系可以評估定向的功能連接。將這一原理擴展到超掃描研究是為了評估腦間的定向功能連接，以確定一個參與者的哪個種子區(qū)域對另一個參與者的哪些區(qū)域有影響。該方法反映了多個變量之間的非對稱、非線性關系。該方法的原作者表示，MC適用于廣泛的模態(tài)(和研究領域)，但與更高空間分辨率的模態(tài)一起使用增益更大，因為它提供了關于社會功能網(wǎng)絡和操作方向的有用信息。

相位同步①鎖相值(PLV)

鎖相值(PLV)是相位同步中最常用的方法，目前已有20項研究使用了該方法。PLV最初由Lachaux等人(1999)開發(fā)，用于評估EEG通道之間的功能連接，并測量兩個信號之間相位差的試次間變異性。如果兩個信號在整個實驗過程中始終鎖相，那么它們將顯示出較高的PLV值。該方法的理論基礎是，為了使信號到達頭皮，相位鎖定必須發(fā)生在相互作用的腦區(qū)之間，如果相位廣泛分布，那么它們將互相抵消并且無法檢測到。該方法只能顯示輸入之間的線性對稱關系，并且只適用于雙變量數(shù)據(jù)。PLV僅應用于EEG超掃描數(shù)據(jù)。由于EEG具有較高的時間分辨率，因而能夠很好地反映潛在的神經(jīng)振蕩，因此適合使用PLV指標進行測量。

②腦間相位相干性(IPC)

Lindenberger等人(2009)、S?nger等人(2012)、Szymanski等人(2017)和Müller與Lindenberger(2022)都使用了IPC進行研究。該方法與PLV非常相似，實際上它們的公式也相同。在某些情況下，該方法也被稱為相位鎖定指數(shù)(PLI)。其關鍵區(qū)別在于，PLV計算的是試次中每個時間點的相位差，并對試次中的所有相位差進行平均。相比之下，IPC基于整個試次計算相位差。Burgess(2013)對兩者之間的區(qū)別進行了更詳細的討論，具體請參閱Burgess(2013)的研究。該方法的假設、理論基礎和適用性與PLV相同。

③總體耦合指數(shù)(ICI)

Müller等人(2013，2018)、S?nger等人(2013)、Müller和Lindenberger(2019)還使用IPC/PLI來計算ICI。首先，使用IPC獲得相位穩(wěn)定性值。然后，在特定范圍內計算鎖相點的數(shù)量。該方法改編自Kitzbichler等人(2009)的全局同步不穩(wěn)定性方法。他們提出，該方法能夠提供一個系統(tǒng)同步程度的全局度量，允許用戶確定在定義的相位差邊界內相位差保持穩(wěn)定的時間。將此方法擴展到超掃描和兩個神經(jīng)信號時，該方法的原作者指出，這是相位同步的直接測量，表明了正相位同步的相對程度，并且可以提供更具特異性的相位同步信息。由于IBC的主要測定方法仍然是PLI/PSI/IPC，因此關于IPC的數(shù)學假設和適用性與這些方法相同。

④相位同步指數(shù)

Kawasaki等人(2018)、Shiraishi和Shimada(2021)的研究使用了相位同步指數(shù)(PSI)方法，該方法與用于計算ICI的PSI/PLI/IPC方法不同。該方法的起源尚不清楚，作者也沒有說明為什么要使用這種方法(而不是其他方法)來評估相位同步。該方法在兩個通道之間的特定時間窗中測量相位不變性。

⑤循環(huán)相關系數(shù)(CCor)

計算循環(huán)數(shù)據(jù)(如相位數(shù)據(jù))的PCC在數(shù)學上是不正確的，因為數(shù)據(jù)環(huán)繞會導致無法解釋的結果。為此，有研究開發(fā)了CCCor方法，其輸出基于觀測值與平均相位之間差異的循環(huán)協(xié)方差。超掃描的原理與此相同：計算相位值的相關性需要使用循環(huán)統(tǒng)計方法，Goldstein等人(2018)、Pérez等人(2019)、Zhou等人(2021)、Key等人(2022)、Zivan等人(2022)都使用了該方法。為了獲得有意義的結果，該方法假設數(shù)據(jù)是循環(huán)的，并且循環(huán)分布均勻。同樣，該方法的適用性實際上取決于模態(tài)獲取潛在神經(jīng)動力學的有意義且準確相位值的能力。

⑥雙頻譜分析

Barnett等人(1971)采用雙頻譜分析測量了個體腦電信號頻率成分之間的非線性相位耦合。該方法的基本原理是，傳統(tǒng)的頻譜分析(如傅里葉變換)只能檢測信號中是否存在某些特定頻率，但無法提供不同頻率之間的耦合信息。雙頻譜計算則可以提供這方面的信息。然而，這種方法對超掃描的適應性尚不清楚。由于原始公式是研究信號中不同頻率成分之間的相互作用，因此必須對其進行修改，以將其擴展到信號之間的相互作用。關于Cha和Lee(2019)是如何做到這一點的并沒有明確說明。由于不清楚原始方法是如何適應或應用于超掃描數(shù)據(jù)的，因此很難確定該方法的假設和適用性。

⑦加權相位滯后指數(shù)(wPLGI)

相位滯后是指輸入數(shù)據(jù)相位差分布的不對稱性。其原理與之前的相位同步方法不同，該方法的原作者Stam等人(2007)指出，因為容積傳導導致源水平的相位在0°左右耦合，因此很難評估電極之間的連通性，這很可能不是真正的相位同步。因此，時間序列之間存在一致的非零相位滯后不太可能是由容積傳導引起的。他們提出的方法可以確定滯后的方向，從而提供了一種定向評估的手段。Vinck等人(2011)進一步擴展了這一方法，認為0°左右的小擾動可以改變時間序列之間的超前/滯后關系，并且引入了一個權重因子(由時間序列之間相干性的虛部大小定義)來解釋這一點。雖然超掃描不受時間序列之間容積傳導效應的影響，因為它們來自不同的頭皮區(qū)域，但如果試圖確定參與者之間的空間定位，容積傳導效應仍然很明顯。如果每個參與者的兩個通道受容積傳導的影響，那么將很難區(qū)分這些通道在兩個參與者上的IBC。然而，該方法如何處理參與者之間的容積傳導問題尚不清楚，因為它們具有不同的來源，因此它們不太可能有一致的零相位滯后。該方法同樣取決于使用哪種方法來確定相位，但它需要求解每個信號的瞬時相位，因此需要使用小波變換或希爾伯特變換。

因果關系①格蘭杰因果關系和條件格蘭杰因果關系

格蘭杰因果關系(GC)是最廣泛使用的因果關系形式，它基于兩個自回歸模型的殘差(誤差)方差比率進行推斷；其中一個信號包括另一個信號的過去。Granger(1969)的理論基礎是，如果信號x的發(fā)生與不發(fā)生對于另一個信號y的發(fā)生的概率有影響，并且這兩個信號在時間上有先后順序(x前y后)，那么信號x被認為是引起信號y的原因。將這一原理擴展到超掃描很簡單，如果一個參與者的過去信息可以用來更好地預測另一個參與者的未來行為，那么它們之間存在一定的相互作用，通常稱為“格蘭杰因果關系”。GC分析條件是數(shù)據(jù)不具有自相關性，并且所使用的滯后應充分包含所研究的基本動態(tài)特征。由于該方法是因果關系，因此必然是不對稱的，并且可以表示輸入數(shù)據(jù)之間的線性關系。該方法在fNIRS和fMRI中的適用性已引起一些爭議，因為人們認為(1) HRF在不同的腦區(qū)是不同的，以及(2)神經(jīng)活動與HRF響應之間存在延遲。第一個觀點在理論和模擬研究中已被證明不適用于fMRI數(shù)據(jù)。對于第二個觀點，因為GC包含時滯，它可能在評估因果關系時包含了來自某個參與者的一些其他不相關的信息。因此，該方法對于M/EEG數(shù)據(jù)非常適用，因為它具有高時間分辨率，反映了直接的神經(jīng)活動。該方法目前僅應用于fNIRS和EEG超掃描數(shù)據(jù)，然而，它在fNIRS中的應用不應忽視這樣一個事實，即HRF仍然不是神經(jīng)元活動的直接測量。

②部分定向相干(PDC)

部分定向相干(PDC)遵循與格蘭杰因果關系相同的邏輯，但它使用多變量自回歸模型系數(shù)的頻域表征來確定數(shù)據(jù)之間的因果關系。該方法的基本原理是利用多通道數(shù)據(jù)在頻域提供額外的因果分析。將其應用于超掃描的優(yōu)勢是，該方法實質上結合了具有非對稱信息和多通道數(shù)據(jù)的頻域分析的優(yōu)點。然后可以用來研究一個參與者的整個通道集與另一個參與者的整個通道集如何相互作用。該方法僅應用于評估EEG超掃描數(shù)據(jù)，因為它高度依賴于高時間分辨率數(shù)據(jù)。也有一些研究已經(jīng)將PDC用于fMRI中，但尚未應用于fMRI超掃描數(shù)據(jù)。

③相位斜率指數(shù)(PSI)

相位斜率指數(shù)(PSI)由Nolte等人(2008)提出，并由Fenwick等人(2019)應用于超掃描研究，它監(jiān)測相位差隨時間的變化，假設如果相位差持續(xù)變化，則一個信號很可能領先另一個信號。原作者開發(fā)這一方法來解釋(非特定的)混淆背景活動。該方法根據(jù)其統(tǒng)計相關性進一步對來自不同頻率的相位進行加權。Fenwick等人(2019)專門使用這一方法來解釋容積傳導效應。該方法能夠反映輸入數(shù)據(jù)的非線性和非對稱關系，適用于雙變量數(shù)據(jù)。此外，該方法在EEG中的適用性更強，因為它需要高時間分辨率來評估相位差和相干性，以便進行適當加權。

結論

本綜述提供了對當前用于計算不同模態(tài)IBC指標的全面總結，并且發(fā)現(xiàn)評估IBC所使用的分析方法之間存在較大的差異。這種差異取決于所使用模態(tài)的技術特性，然而，即使是使用相同神經(jīng)成像模式的研究之間也會存在一定差異。部分原因是對IBC所反映的內容缺乏明確的一致性，因此在確定與IBC相關機制的方法上沒有共識。因此，就IBC機制基礎以及使用哪種分析方法來反映這一機制以幫助提高可重復性，并將超掃描研究置于更廣泛的科學背景中進行討論是非常重要的。

參考文獻：U Hakim, S De Felice, P Pinti, X Zhang, J.A Noah, Y Ono, P.W. Burgess, A Hamilton, J Hirsch, I Tachtsidis, Quantification of inter-brain coupling: A review of current methods used in haemodynamic and electrophysiological hyperscanning studies, NeuroImage (2023), doi: https://doi.org/10.1016/j.neuroimage.2023.120354

小伙伴們關注茗創(chuàng)科技，將第一時間收到精彩內容推送哦～