導(dǎo)讀

超掃描是研究社會(huì)互動(dòng)和情感聯(lián)系等神經(jīng)生物學(xué)基礎(chǔ)的一個(gè)很有前途的工具。最近，圖論方法，如模塊化，被提出來用于估計(jì)大腦之間的全局同步。本文提出用自舉模塊化檢驗(yàn)來確定大腦對(duì)之間是否被共同激活。采用fNIRS收集了由教師和學(xué)齡前兒童(五對(duì))在執(zhí)行互動(dòng)任務(wù)時(shí)的數(shù)據(jù)，將該檢驗(yàn)作為篩選工具應(yīng)用于大腦的前額葉皮層和顳頂交界處。在此應(yīng)用中，圖節(jié)點(diǎn)中心性度量確定了教師的語言和數(shù)字加工與兒童的語音加工之間的二元同步關(guān)系，對(duì)這些指標(biāo)的分析可為人際交互的神經(jīng)生物學(xué)基礎(chǔ)提供進(jìn)一步的見解。

前言

超掃描記錄了兩個(gè)或多個(gè)個(gè)體的大腦活動(dòng)，是研究社會(huì)互動(dòng)和情感聯(lián)結(jié)等神經(jīng)生物學(xué)基礎(chǔ)的一種很有前途的工具。Montague等人(2002)完成了第一個(gè)超掃描研究，該實(shí)驗(yàn)中的參與者可以進(jìn)行互動(dòng)，同時(shí)獲得他們的功能MRI與行為互動(dòng)同步數(shù)據(jù)。這些數(shù)據(jù)是被試對(duì)之間在執(zhí)行簡單的欺騙游戲時(shí)的記錄數(shù)據(jù)。本研究分析的交互過程中的非對(duì)稱和異步交互現(xiàn)今仍用于兩個(gè)或多個(gè)個(gè)體之間的研究。此外，超掃描研究也顯示了如何預(yù)測領(lǐng)導(dǎo)者和追隨者，教師和學(xué)生之間的社會(huì)鄰近性在教育中的影響，以及如何檢測參與度和課堂互動(dòng)動(dòng)態(tài)等多個(gè)方面。

超掃描分析方法可以分為連通性測量、相關(guān)性分析、信息流分析和圖論測量。連通性測量、相關(guān)性分析和信息流之間的一個(gè)共同特征是，它們?cè)诰植繘Q定了每對(duì)大腦間區(qū)域之間同步的強(qiáng)度。盡管這樣的分析是有用的，但人們可能也對(duì)在全局范圍內(nèi)理解腦間同步感興趣，因而圖論測量為這方面的研究提供了有用的工具。

圖是網(wǎng)絡(luò)的數(shù)學(xué)表示，本質(zhì)上是一系列節(jié)點(diǎn)和節(jié)點(diǎn)之間的一系列連接。圖模塊化等測量方法已被用于估計(jì)大腦群體的全局同步強(qiáng)度。例如，De Vico Fallani等人(2010)進(jìn)一步了解了大腦網(wǎng)絡(luò)和負(fù)責(zé)人類社會(huì)互動(dòng)的神經(jīng)機(jī)制之間的關(guān)系。此外，Liu等人(2021)的研究顯示了在一個(gè)9人擊鼓任務(wù)的團(tuán)隊(duì)焦點(diǎn)條件下，擊鼓同步的全局估計(jì)。然而，測試一組個(gè)體是否全局同步仍然是一個(gè)懸而未決的問題。

這樣的問題通常是有用的。例如，一個(gè)人可能需要篩選工具從樣本中排除成對(duì)的不同步大腦。在這項(xiàng)探索性研究中，研究者提出了一個(gè)自舉模塊化檢驗(yàn)來確定兩個(gè)被試是否存在共同激活。該方法通過fNIRS自然超掃描實(shí)驗(yàn)進(jìn)行了演示，在該實(shí)驗(yàn)中，一位教師向孩子展示了一種對(duì)兩個(gè)數(shù)字求和的方法。更具體地說，研究者建立了一個(gè)大腦區(qū)域之間連接的圖。自舉模塊化檢驗(yàn)用于篩選非共同激活的個(gè)體。接下來，使用圖節(jié)點(diǎn)中心性度量的組合來確定哪些大腦區(qū)域?qū)忉尮布せ畹挠绊懽畲?。結(jié)果發(fā)現(xiàn)，在大多數(shù)配對(duì)中，教師的前額葉皮層和兒童的右側(cè)顳頂交界處之間的關(guān)系介導(dǎo)了共激活。研究者試圖提供一個(gè)新的框架來評(píng)估不同大腦對(duì)之間的神經(jīng)動(dòng)力學(xué)同步。

本研究中使用的數(shù)據(jù)涉及Brockington等人(2018)和Barreto等人(2021)實(shí)驗(yàn)中所描述的運(yùn)算過程。利用上述數(shù)據(jù)，本文介紹了一種基于圖論的新方法來解釋前額葉皮層(PFC)與右顳頂交界處(rTPJ)的連接方式。眾所周知，前額葉皮層(PFC)參與了如計(jì)數(shù)和計(jì)算等高階認(rèn)知過程，顳頂交界處(TPJ)則參與了共情和心智化等社會(huì)功能。因此，本研究假設(shè)教師和兒童之間的活動(dòng)將以交叉聯(lián)結(jié)的方式耦合。

方法

參與者

根據(jù)Barreto等人(2021)的描述，五對(duì)無認(rèn)知障礙的教師-兒童參與了實(shí)驗(yàn)：5名3-5歲的兒童(4名男孩)和4名21-28歲的成年人(2名男性)。孩子們是通過廣告在一所公立學(xué)校招募的，老師是來自巴西圣保羅大學(xué)科學(xué)博物館的教師。本研究獲得了所有成年參與者和所有非成年參與者的父母/法定監(jiān)護(hù)人的知情同意書。所有被試視力和聽力正常，無神經(jīng)或精神障礙史。所有被試均自愿參與，且無任何經(jīng)濟(jì)補(bǔ)償。

實(shí)驗(yàn)

使用fNIRS獲得實(shí)驗(yàn)數(shù)據(jù)，fNIRS為在自然條件下的數(shù)據(jù)收集提供了安全、舒適和現(xiàn)實(shí)的途徑。本研究使用安全光照水平(波長在650到900nm之間)，以非侵入性的方式推斷腦組織的氧合變化水平。光穿透生物組織并到達(dá)皮層，使分析腦血液中的氧合血紅蛋白(O2Hb)、脫氧血紅蛋白(HHb)和總血紅蛋白(tHb；tHb=O2Hb+HHb)成為可能。采用超掃描范式（如Brockington等人(2018)、Barreto等人(2021)所述）收集師生數(shù)據(jù)。

簡單地說，師生在一個(gè)任務(wù)中進(jìn)行互動(dòng)，即老師在一個(gè)空間競賽游戲的背景下向孩子們展示了用火柴棍計(jì)算兩個(gè)數(shù)字(1到12)之和的方法。他們需要在標(biāo)有數(shù)字的路牌上移動(dòng)兩個(gè)棋子(代表孩子和老師)。首先，在投擲兩個(gè)六面骰子后，得到最高總和的玩家開始游戲。然后繼續(xù)比賽，移動(dòng)骰子數(shù)字和的步數(shù)，直到終點(diǎn)線。Brockington等人(2018)在實(shí)驗(yàn)1小節(jié)中介紹了更多關(guān)于實(shí)驗(yàn)設(shè)計(jì)的細(xì)節(jié)，如實(shí)驗(yàn)設(shè)置和采集信號(hào)的特征。

數(shù)據(jù)采集和預(yù)處理

根據(jù)Barreto等人(2021)所述的方法收集數(shù)據(jù)。使用NIRScout(NIRx Medical Technologies，New York，NY，United States)，采樣率為7.81Hz，將16個(gè)光源和探測器放置在前額葉皮層(PFC)和右顳頂交界處(rTPJ)，如圖1所示。選擇這些區(qū)域是因?yàn)楸狙芯繉?duì)社會(huì)功能感興趣，例如共情和心智化。

圖1.光源和探測器放置示意圖。

如Barreto等人(2021)所述，本研究使用自制的MATLAB腳本處理原始數(shù)據(jù)。使用0.01-0.2Hz的帶通濾波器來減少在全局偏差(＜0.01Hz)、心動(dòng)周期(＞0.5Hz)和呼吸頻率(＞0.2 Spearman)等系統(tǒng)干擾的截止頻率處的生理信號(hào)偽影。其他運(yùn)動(dòng)偽影(尖峰)被移除。然后應(yīng)用修正的Beer-Lambert定律計(jì)算含氧血紅蛋白(HbO2)和脫氧血紅蛋白(HHb)的濃度變化。隨后，使用整個(gè)時(shí)間線的平均值作為基線，760nm和850nm波長的差分路徑長度因子(DPF)分別為7.25和6.38。

方法提出--腦間推斷的圖測量

中心性度量確定哪些節(jié)點(diǎn)在網(wǎng)絡(luò)的組成中最相關(guān)，并支持找到主要邊緣(大腦之間的連接)。接下來將分析在所有成對(duì)組和單個(gè)組上的中心性度量。在R v3.6.3中進(jìn)行所有學(xué)習(xí)算法的處理。通過將本研究所提出的框架應(yīng)用于五對(duì)師生的O2Hb信號(hào)來說明此框架。通過計(jì)算師生通道之間的Spearman相關(guān)，得到成對(duì)被試的鄰接矩陣A。由于本研究試圖找到腦間可視化，所以將鄰接矩陣A中的所有腦內(nèi)相關(guān)性歸零。此外，將corr=0.15以下的相關(guān)性歸零，以確保更好的可視化，同時(shí)便于在每對(duì)被試中最多保留10%的邊緣。其他分界值不會(huì)改變結(jié)果的定性性質(zhì)，但可能導(dǎo)致圖形可視化更加困難。由此得到的五個(gè)矩陣代表了成對(duì)被試大腦區(qū)域的無向圖。

對(duì)于每個(gè)圖，使用R的igraph(v1.2.5)庫計(jì)算模塊化和中心性度量。模塊化是由Newman和Girvan(2004)提出的，它衡量的是我們將一個(gè)圖劃分為兩個(gè)或多個(gè)獨(dú)立節(jié)點(diǎn)組的能力。在這個(gè)應(yīng)用中，高模塊化意味著缺乏相關(guān)的腦間連接。模塊化越低，被試之間的共激活程度越高。

網(wǎng)絡(luò)中的社區(qū)結(jié)構(gòu)反映了一個(gè)圖的邊緣在社區(qū)內(nèi)的集中程度，而不是連接在所有節(jié)點(diǎn)上的隨機(jī)分布。設(shè)ki和kj分別是圖G中節(jié)點(diǎn)i和j的度。如果i和j之間存在一條邊，則設(shè)Gij為1，否則為0。假設(shè)圖的邊隨機(jī)分布在每一對(duì)節(jié)點(diǎn)之間。那么，i和j之間的期望邊數(shù)為

因此，模塊化Q由相同組中所有節(jié)點(diǎn)i、j對(duì)上的差值

之和得到。從概念上講，模塊化評(píng)估的是在具有相同邊序列的隨機(jī)圖中，同一組節(jié)點(diǎn)之間的期望邊數(shù)的腦間連接數(shù)量。

為了檢驗(yàn)師生是否同步，本研究應(yīng)用了自舉假設(shè)檢驗(yàn)。在這個(gè)檢驗(yàn)中，零假設(shè)是師生大腦不同步。對(duì)圖2中重復(fù)采樣的數(shù)據(jù)進(jìn)行模塊化計(jì)算。通過計(jì)算模塊化高于原始數(shù)據(jù)的頻率，可以得到p值。

圖2.模塊化假設(shè)檢驗(yàn)程序。

除了模塊化之外，本研究還試圖確定圖中節(jié)點(diǎn)的相關(guān)性水平的度量方法。中心性指數(shù)是由圖節(jié)點(diǎn)上的實(shí)值函數(shù)給出的，其產(chǎn)生的值預(yù)計(jì)將提供一個(gè)排名，確定網(wǎng)絡(luò)中最關(guān)鍵的節(jié)點(diǎn)。有一些計(jì)算中心性度量的方法，根據(jù)所研究的相關(guān)指標(biāo)而不同，例如一個(gè)節(jié)點(diǎn)的直接連接數(shù)(度中心性)或其直接鄰居的中心性之和，稱為特征向量中心性。

本研究使用度中心性來找到通常連接更緊密的節(jié)點(diǎn)。通過在所有獲得的圖上聚合中心性度量，可以獲得中心節(jié)點(diǎn)及其社區(qū)的總體概念。將節(jié)點(diǎn)數(shù)定義為與節(jié)點(diǎn)相連的所有圖的邊數(shù)之和。此外，將節(jié)點(diǎn)相關(guān)性定義為節(jié)點(diǎn)數(shù)除以所有圖的邊總數(shù)。也就是說，節(jié)點(diǎn)相關(guān)性是所有圖中與給定節(jié)點(diǎn)相連的邊的相對(duì)頻率。

在交互過程中，特征向量中心性測量大腦網(wǎng)絡(luò)層次結(jié)構(gòu)中的突出通道。雖然度中心性提供了節(jié)點(diǎn)具有的連接數(shù)的簡單計(jì)數(shù)，但通過特征向量中心性認(rèn)識(shí)到并非所有的連接都是相等的，并且某些節(jié)點(diǎn)的影響比其他節(jié)點(diǎn)大得多。設(shè)A是節(jié)點(diǎn)i和j的圖G的鄰接矩陣，用xi和xj表示它們各自的中心。那么，頂點(diǎn)i的得分由下式確定：

其中λ是常數(shù)。通過定義中心性向量x=(x1，x2，…，xn)可以改寫為：

因此，我們得到x是具有特征值λ的鄰接矩陣的特征向量。

特征向量中心性為大腦中的每個(gè)fNIRS通道賦予一個(gè)值，這樣，如果每個(gè)通道與網(wǎng)絡(luò)中的許多其他中心節(jié)點(diǎn)強(qiáng)烈相關(guān)，那么每個(gè)通道都會(huì)得到一個(gè)較大的值。事實(shí)上，特征向量中心性決定了每個(gè)通道(頂點(diǎn))的中心性，該中心性同時(shí)取決于其腦間連接的數(shù)量和質(zhì)量。換句話說，如果連接數(shù)較少的通道的關(guān)系質(zhì)量更好，那么連接數(shù)較多的通道并不一定優(yōu)于連接數(shù)較少的通道。

通過計(jì)算被試對(duì)的每個(gè)通道的中心性度量，我們能夠在每對(duì)被試中可視化哪些通道被認(rèn)為是受其他區(qū)域影響的中心點(diǎn)。本研究基于eeg_positions庫中的10-10 EEG系統(tǒng)計(jì)算了fNIRS通道的位置，以改進(jìn)圖形可視化。將EEG坐標(biāo)導(dǎo)出并插值到fNIRS中，可以生成任意被試對(duì)的fNIRS坐標(biāo)，并根據(jù)組件進(jìn)行縮放。

結(jié)果

鄰接矩陣

本研究提出的腦間連通性圖分析依賴于鄰接矩陣，如表1所示。教師的節(jié)點(diǎn)大部分涉及認(rèn)知功能，如任務(wù)管理、計(jì)劃、工作記憶、注意力和執(zhí)行功能。與語音加工和情緒反應(yīng)相關(guān)的區(qū)域也參與其中。兒童的節(jié)點(diǎn)大部分涉及語音加工，也有一些與情緒反應(yīng)和認(rèn)知功能有關(guān)。表1顯示第一對(duì)被試中的腦間相關(guān)性較低。

模塊化的測量

接下來，使用自舉模塊化檢驗(yàn)來考察哪些被試對(duì)是共激活的。作為初步的探討，研究者發(fā)現(xiàn)來自不同試驗(yàn)的兒童之間不存在共激活，這證明了自舉模塊化檢驗(yàn)的魯棒性。此外，表1指出了一個(gè)假設(shè)，即除了第一對(duì)被試之外，所有師生對(duì)都是共同激活的。這些假設(shè)可以通過模塊化檢驗(yàn)得到證實(shí)：只有第一對(duì)沒有共激活(p = 0.36)?；谶@些結(jié)果，研究者在剩下的4組中研究了腦間連接的中心性節(jié)點(diǎn)。

中心性度量

聚合中心性度量是通過節(jié)點(diǎn)數(shù)和節(jié)點(diǎn)相關(guān)性獲得的。為了更好地可視化，表2展示了教師和兒童的節(jié)點(diǎn)數(shù)和相關(guān)性。表2顯示，與教師最相關(guān)的三個(gè)通道(FP2-AF8、FP1-AF7和AF3-F5)屬于PFC。同樣，與兒童最相關(guān)的三個(gè)通道(CP4-CP6、C4-C6和CP6-TP8)屬于rTPJ。

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?表2.節(jié)點(diǎn)數(shù)和節(jié)點(diǎn)相關(guān)性。

圖3顯示了所有共激活對(duì)的分析通道之間的主要連接。圖中的顏色表示每個(gè)節(jié)點(diǎn)的特征向量中心性--從紅色(低)到綠色(高)。這個(gè)圖證實(shí)了在2、3、4組中，主要的腦間連接發(fā)生在教師的PFC和兒童的rTPJ之間。這種連接模式在第5組被試對(duì)中相反，其中主要的連接位于教師的rTPJ和兒童的PFC之間。

圖3.確定了四對(duì)(師生)共激活的PFC通道與rTPJ通道之間的幾種關(guān)系。在第2、3、4組中，主要的腦間連接發(fā)生在教師的PFC和兒童的rTPJ之間。這種模式在第5組被試對(duì)中是相反的，其中教師的rTPJ和兒童的PFC之間存在主要聯(lián)系。

通過中心性度量，可以確定參與師生共同激活的最相關(guān)的皮層區(qū)域。教師最相關(guān)的節(jié)點(diǎn)依賴于與語音加工、情緒反應(yīng)、語言和數(shù)字加工、空間認(rèn)知、記憶檢索、注意力和認(rèn)知功能相關(guān)的區(qū)域。兒童最相關(guān)的節(jié)點(diǎn)依賴于與任務(wù)管理、計(jì)劃、注意力和執(zhí)行功能相關(guān)的區(qū)域。

討論

本研究提出的方法證明了使用圖論檢測共激活和識(shí)別交互過程中所涉及的中樞區(qū)域的可能性。在這種方法中，模塊化度量確定了大腦之間共激活的存在，中心性度量顯示了參與腦間連接的主要大腦區(qū)域，教師的PFC通常與兒童的rTPJ有很強(qiáng)的聯(lián)系。本研究也存在一定的局限性。該研究兒童被試的數(shù)學(xué)成績水平不同，以及教師樣本量相對(duì)較小，這在概括結(jié)果方面存在明顯的局限性。傳感器數(shù)量有限，限制了研究只能分析rTPJ和前額葉區(qū)域，也無法使用短距離探測器；而在fNIRS數(shù)據(jù)采集過程中，短距通道可以幫助排除源周圍的腦外信號(hào)。

超掃描技術(shù)已成功用于確立社會(huì)互動(dòng)和情感聯(lián)結(jié)的神經(jīng)生物學(xué)基礎(chǔ)。特別地，超掃描分析提供了相關(guān)的指示，如幫助教師選擇教材，建立和維持良好的師生關(guān)系，重視互動(dòng)在教學(xué)活動(dòng)中的作用。傳統(tǒng)方法檢測腦間區(qū)域之間的局部共激活，而圖論則提供了全局共激活的測量方法。

目前關(guān)于圖論度量的理論綜述指出了它們?cè)诔瑨呙柩芯恐械年P(guān)鍵應(yīng)用。然而，確定兩個(gè)大腦是否同步仍然是一個(gè)重要的、懸而未決的問題。在這項(xiàng)研究中，研究者試圖用由被試之間的相關(guān)矩陣構(gòu)建的圖來確定被試對(duì)的腦間聯(lián)系。模塊化等度量為理解動(dòng)態(tài)社會(huì)互動(dòng)的神經(jīng)基礎(chǔ)提供了新的視角。例如，本研究提出了一種新的方法來檢測成對(duì)被試之間的共激活，即自舉模塊化檢驗(yàn)。

此外，中心性度量是繪制大腦網(wǎng)絡(luò)全局架構(gòu)的有用工具。度中心性可以洞察網(wǎng)絡(luò)中現(xiàn)有的連接，而特征向量中心性則測量節(jié)點(diǎn)的傳遞影響。在本研究中，度中心性確定了參與師生共激活的中心節(jié)點(diǎn)，并揭示了教師的PFC和兒童的rTPJ是腦間連接的主要組成部分。如在2、3、4組中，主要的腦間連接發(fā)生在教師的PFC和兒童的rTPJ之間，這種連接模式在第5組被試對(duì)中則相反。其他研究也表明，PFC-TPJ腦間網(wǎng)絡(luò)也存在于其他自然主義情景或合作行為中?？紤]到自然主義實(shí)驗(yàn)的高度復(fù)雜性，未來進(jìn)行進(jìn)一步的研究是有必要的。例如，兒童的語音解碼在所有共同激活的被試對(duì)中都高度相關(guān)。這一事實(shí)也強(qiáng)調(diào)了未來研究從左側(cè)TPJ收集數(shù)據(jù)的重要性。這些數(shù)據(jù)和語言認(rèn)知測試將有助于我們更好地理解3-5歲兒童的社會(huì)互動(dòng)。

原文：Applications of graph theory to the analysis of fNIRS data in hyperscanning paradigms.

DOI 10.3389/fncom.2022.975743

小伙伴們點(diǎn)個(gè)“在看”，加

(星標(biāo))關(guān)注茗創(chuàng)科技，將第一時(shí)間收到精彩內(nèi)容推送哦～