现实生活中人际合作过程中的动态大脑间同步：一项fNIRS超扫描研究

人际互动过程中,两个大脑如何相互沟通是高度动态和复杂的。迄今为止,多人(即超扫描)研究一直侧重于分析整个大脑信号的时间序列,以揭示大脑间同步(IBS)的总体模式。然而,这种方法没有考虑到社会互动的动态特性。在本研究中,我们提出了一种基于滑动窗口和k均值聚类的数据驱动方法,以捕捉交互式合作任务过程中IBS模式的动态调制。我们使用便携式功能性近红外光谱(fNIRS)系统测量参与创意设计任务和3D模型构建任务的互动伙伴(20对)之间的大脑血流动力学反应。结果表明,在自然合作过程中的人际沟通通常呈现出一系列动态IBS状态。与模型构建任务相比,创意设计任务似乎在特定的动态IBS状态下涉及多个区域之间更复杂和活跃的IBS。总之,所提出的方法是一种有前景的工具,可以将与社会互动相关的复杂大脑间动态提炼为一组具有更细粒度时间分辨率的代表性脑状态。这种方法有望推进我们对社会互动背后的神经认知过程的动态特性的当前理解。本文发表在Neuroimage杂志。（可添加微信号19962074063或18983979082获取原文及补充材料，另思影提供免费文献下载服务，如需要也可添加此微信号入群，思影提供脑影像数据分析及课程，如感兴趣也可添加微信咨询)

关键词：超扫描 fNIRS 合作 动态功能连接 脑状态

1. 引言

      合作是人类社会互动的关键要素,也是推动经济增长和社会进步的关键因素。特别是,两个或多个个体之间的合作可以促进复杂的问题解决和创造力(Xue et al., 2018)。这种类型的社会互动已被公认为从根本上区别于其他物种的关键特征之一,并以人脑相对较大的新皮层的发展为代表(Dunbar, 2009)。了解一个人的大脑在社会互动过程中如何与另一个人沟通,不仅对理解我们的社会性质很重要,而且为阐明与社交缺陷相关的大脑障碍(如自闭症谱系障碍)的神经生物学基础提供了关键参考。

      最近脑成像技术的发展,特别是功能性磁共振成像(fMRI),使研究人员能够无创地研究脑活动,并显著加深了我们对社会互动中认知过程的神经基础的理解(Hagan et al., 2008; Nguyen et al., 2019; Fang et al., 2020; Matusz et al., 2019; Nastase et al., 2020)。超扫描是最近提出的一种方法,它以同时测量多个个体的脑活动为特征,已被用于使用先进的脑成像技术(包括fMRI(Bilek et al., 2015; Lee et al., 2010)和脑电图(EEG)(Babiloni and Astolfi, 2014; Lindenberger et al., 2009))研究社会互动。与传统的单人研究设计相比,涉及多个个体的超扫描实验允许研究人员直接评估两个(或多个)大脑的社会互动(Dikker et al., 2017; Yang et al., 2020)。特别是,通过使用超扫描,我们可以测量大脑间同步的强度,称为大脑间同步(IBS),以识别与社会互动密切相关的区域连接和大脑间网络。例如,前额叶皮层(PFC)、背外侧前额叶皮层(DLPFC)和颞顶交界区(TPJ)已被认为是涉及合作和社会互动的重要脑区(Chaminade et al., 2012; Decety et al., 2004; Decety and Lamm, 2007)。尽管神经影像学的发展令人信服,允许进行多人研究,但这些技术面临一些固有的限制,限制了更自然和真实生活的社会互动设计。例如,fMRI成本高昂,对身体运动伪影高度敏感,并且需要严格的测量实验设置,而EEG也非常容易受到运动伪影的影响,并且由于体积传导问题而具有非常差的空间分辨率(Zhang et al., 2006; Li et al., 2019, 2020a)。

      为弥补这一差距,功能性近红外光谱(fNIRS)已被用作fMRI和EEG的替代或补充,用于研究IBS。作为一种无创光学成像技术,fNIRS测量与神经元代谢活动相耦合的皮层氧合血红蛋白(HbO)和脱氧血红蛋白(HbR)浓度的变化(Cui et al., 2011; Li et al., 2020c)。从技术上讲,与fMRI和EEG相比,fNIRS具有几个优势,包括合理的空间分辨率和对运动伪影的更大抵抗力,这允许在更自然的环境中研究实时大脑动力学(Li et al., 2017; Jiang et al., 2012)。迄今为止,许多研究已经应用基于fNIRS的超扫描来探索各种社会互动下的IBS,特别是在人际合作过程中(Hirsch et al., 2017, 2018; Scholkmann et al., 2013)。这些超扫描研究报告了个体在从事合作任务时PFC、DLPFC、上额叶皮层(SFC)、颞上回(STG)和TPJ之间的显著IBS变化(Cheng et al., 2015; Cui et al., 2012; Mayseless et al., 2019; Jiang et al., 2012; Funane et al., 2011; Pan et al., 2018)。在大多数基于fNIRS的超扫描研究中,通常采用小波变换相干性(WTC)来评估社会互动过程中的IBS,其中两个脑区的耦合在时间和频率域中进行评估(Cui et al., 2012)。使用不同的任务,最近的研究表明,社会互动过程中的IBS不仅在空间上与关键脑区相关,而且在任务条件下也在动态变化。例如,几项研究表明,面对面教学和学习过程中的关键IBS模式特别观察到在左侧TPJ以及PFC(Jiang et al., 2015; Pan et al., 2020)。通过对选定ROI的相同任务块/条件的WTC值进行平均,Jiang et al. (2015)报告了在语言交流过程中,领导者-跟随者对在左侧TPJ的IBS显著高于非语言交流。类似地,Pan et al. (2020)发现,与非支架策略相比,使用支架策略时,教师和学习者在PFC之间的IBS强度与学习结果呈正相关。关于人际合作任务,我们最近的超扫描研究报告了不同区域之间的IBS,如PFC-TPJ和PFC-STG,与合作表现显著相关,并在扫描过程中表现出时间变化的特性(Mayseless et al., 2019)。有关fNIRS超扫描研究的概述,我们请读者参考以下参考文献(Balters et al., 2020; Czeszumski et al., 2020)。

      尽管目前fNIRS超扫描技术取得了进展,但我们认为,在很大程度上,对IBS的评估受到了整个测量期间空间和时间平稳性的隐含假设的限制(Zhang et al., 2020)。先前对fMRI和EEG的脑连接性评估,特别是在静息状态/无任务期间,揭示了关于大脑宏观尺度时空组织的大量证据。研究表明,自发活动或任务诱发的波动高度动态,可以在几十秒的时间内变化(Allen et al., 2014; Fang et al., 2020)。这些变化可以表征为一系列随时间反复出现的大脑反应的模块化子网络。关于社会互动,最近一篇关于超扫描的综述总结了通常涉及人际互动的两个主要IBS模块化网络,即包括下额叶回(IFG)、顶下小叶(IPL)和SFG的镜像神经元系统(MNS),以及由TPJ、楔前叶和PFC组成的心理化系统(MS)。这两个子网络相互补充,处理社会信息,以允许合作、共情和同步,或违背这些过程(Wang et al., 2018)。总之,有人认为脑功能连接分析的重点可能会从定位单个脑区转向表征两个或多个区域之间的动态共激活模式,即模块化子网络。相反,大多数现有的基于fNIRS的超扫描研究侧重于使用整个研究获得的时间数据评估单个脑区/通道对的参与者二元组的IBS。此外,IBS的幅度通常是通过在手动分段的块/条件内平均相干性得到的,这种方法可能过于主观,无法推导出社会互动中涉及的内在时间递归子网络。因此,我们认为传统的fNIRS超扫描分析可能会降低数据的时空尺度,并可能阻碍我们提取更细粒度的与脑动力学和转换相关的网络级信息的能力。因此,我们目前对社会互动过程中IBS的理解可能是不完整的。在这一领域推进我们的知识需要新的工具,有效地以高时空方式捕捉更内在的大脑动力学,以揭示传统fNIRS超扫描分析无法发现的IBS模式。

      在这里介绍的研究中,我们利用先前发表的数据(Mayseless et al., 2019),并提出了一种新颖的数据驱动方法来跟踪与真实生活社会互动相关的动态IBS模式。20对健康的二元组参与了两项互动合作任务(创意设计任务和模型构建任务),同时使用便携式fNIRS系统记录他们的大脑活动。使用滑动窗口策略和K均值聚类算法构建了每对二元组在每项合作任务中的动态IBS网络。我们假设,当个体在任务中进行互动合作时,二元组之间的IBS将以结构化、时间敏感的方式演变,表明瞬时和功能不同的脑状态。

2.材料和方法

2.1.参与者

      本研究使用的数据是我们先前的超扫描研究(Mayseless et al., 2019)中发表数据的一个子集。在我们最初的研究中有28个二元组参与,其中3个二元组由于大多数通道的数据非常嘈杂而被排除,5个二元组由于感兴趣区域(ROI,见第2.5节)的排除而被进一步排除。因此,本研究的参与者为40名健康成年人(20名男性,年龄:32.09±6.95岁),构成20对二元组(5对男-男组合,7对男-女组合,8对女-女组合)。所有二元组在参加实验前互不相识。所有参与者均为右利手、健康,视力正常或矫正至正常。该研究经斯坦福大学制度审查委员会批准,并按照《赫尔辛基宣言》执行。在参与之前,参与者被充分告知研究目的,并提供书面知情同意书。

2.2.合作任务

      每个二元组的参与者在一张方桌的对面相对而坐。所有二元组都参与了两个不同的合作任务,包括一个10分钟的创意设计任务和一个10分钟的3D模型构建任务。创意设计和模型构建环节的顺序在参与者二元组之间进行了平衡。在创意设计任务中,要求二元组合作设计一个能激励人们投票的产品(图1A)。该产品可以是任何设计或格式。创意设计任务完成后,二元组需要向研究人员解释他们的产品。在3D模型构建任务中,要求二元组按照拼图说明书在10分钟内合作组装一架商业上可用的飞机3D拼图(图1B)。

图1.研究设计的说明。(A)创意设计任务; (B)3D模型构建任务; (C)通过源定位得到的fNIRS通道和感兴趣区域(ROI)的位置。

2.3.团队层面的合作绩效 

       两名经过培训的评分员独立观看合作任务的录像,并在7点李克特量表上对每对二元组的合作程度进行评分,从1(不合作)到7(非常好的合作)。合作程度是根据合作伙伴之间互动的好坏、相互打断的程度以及对话流畅度和想法相关性的程度来确定的。如果一个人说话而另一个人不听,或者两个人都以不相关的方式说话,那么这对合作伙伴会得到较低的分数,而能够进行对话和交流想法的合作伙伴会得到较高的分数。两位评分员给出的分数的平均值被用作每对二元组的最终合作表现。需要注意的是,所有测量的评分员间信度指标(通过组内相关系数(ICC)测量)都令人满意(创意设计任务ICC:0.88,模型构建任务ICC:0.77)。

2.4.功能性近红外光谱数据采集

     使用连续波fNIRS系统(NIRSport Tandem, NIRX, Germany)记录每个参与者的皮层血流动力学活动,采样频率为7.81 Hz。32个光学探头(16个光源×16个探测器)平均分配给每对二元组的两个参与者,每个参与者16个探头。根据国际10-20 EEG布置系统,在每个参与者的左侧PFC、颞叶和顶叶区域放置了总共22个fNIRS通道(图1C)。在每对构成记录通道的光源/探测器对之间放置塑料连接器,以保持估计的3厘米通道长度。

2.5.功能性近红外光谱数据分析

      使用MATLAB中的HOMER2软件包和定制的基于MATLAB的脚本分析数据(Huppert et al., 2009)。简言之,原始fNIRS数据首先转换为光密度。之后,使用基于小波的方法从光密度中去除运动伪影(Molavi and Dumont, 2012)。然后根据修正的比尔-朗伯定律计算HbO和HbR的浓度变化。使用基于相关性的方法进一步检查获得的HbO和HbR信号中的剩余噪声(Cui et al., 2010),并将有噪声的通道排除在进一步分析之外。需要注意的是,本研究中的事后分析仅基于HbO,因为已知HbO信号比HbR更稳健,对任务相关变化更敏感(Plichta et al., 2006; Ferrari and Quaresima, 2012)。为了估计fNIRS通道所覆盖的感兴趣区域(ROI),我们使用自动解剖标记方法(Tzourio-Mazoyer et al., 2002)将所有fNIRS通道从头皮表面投影到其MNI坐标的皮层表面。共享一个共同fNIRS源的所有通道被平均在一起,得到8个以源位置为中心的ROI,包括:(1)额上回(SFG),(2)额叶皮层前部(aPFC),(3)额下回(IFG),(4)颞上回前部(aSTG),(5)中央前回(PG),(6)颞上回后部(pSTG),(7)顶下小叶(IPL)和(8)颞顶交界处(TPJ)。在进一步分析之前,对同一ROI内的通道进行平均。需要注意的是,我们关注这些区域是因为它们是MNS（镜像神经元系统）和MS（心理化系统）系统的关键组成部分,已被证明参与语言交流、通过肢体语言合作(Jiang et al., 2012)、共同歌唱中的合作(Osaka et al., 2015)以及使用结构、功能和脑动力学分析的创造力(Gonen-Yaacovi et al., 2013; Boccia et al., 2015; Beaty et al., 2019)。

2.6.动态脑间同步(IBS)状态分析

      如图2所示,动态IBS分析由三个关键组成部分组成:1)IBS计算,2)使用滑动窗口进行时间分割,以及3)使用k-means聚类算法表征动态IBS (dIBS)状态。

图2.动态脑间同步状态分析的流程。

2.6.1.脑间同步(IBS)分析

      小波变换相干性(WTC)被用来评估二元组中每个参与者获得的两个fNIRS时间序列之间的IBS。关于WTC的更详细介绍可以在(Grinsted et al., 2004)中找到。简而言之,WTC可以通过测量时间序列之间的互相关性作为频率和时间的函数来识别两个时间序列之间局部相位锁定的行为。先前的fNIRS超扫描研究表明,WTC可以在合作任务期间揭示有意义的IBS模式(Cui et al., 2012; Baker et al., 2016)。在每个二元组中,WTC是在HbO时间序列上计算一个参与者的每个ROI和另一个参与者的所有ROI之间的。然后对相同ROI配对之间的IBS进行平均。例如,参与者1的PFC和参与者2的TPJ之间的IBS与参与者2的PFC和参与者1的TPJ之间的IBS进行平均。这导致每个二元组总共有36个脑间连接。虽然一些研究采用了研究相同区域之间IBS的方法(只研究区域A-区域A)(Cui et al., 2012; Jiang et al., 2015),但其他研究则采用了研究所有可能的IBS组合的方法。这项研究表明,在社会互动过程中,不仅在参与者的相同区域之间,而且在不同区域之间也观察到了任务诱发的IBS模式(Lu et al., 2019; Mayseless et al., 2019)。在这里,我们采用了第二种方法,因此包括了如上所述的所有IBS区域配对。为了与我们先前使用相同范式的研究保持一致(Mayseless et al., 2019),我们选择了0.015-0.15 Hz的任务相关频带内的WTC值。这个频率带也排除了高频和低频噪声,如心脏搏动(~1 Hz)和呼吸(约0.2-0.3 Hz),所有这些都可能不会对测量的血流动力学响应有贡献。然后将每对ROI的IBS定义为在选定频带内跨任务的平均相干值,并使用Fisher z变换转换为z分数。

2.6.2.动态IBS网络分割

       创意设计任务和模型构建任务是分别分析的。如图2所示,使用基于滑动窗口的方法(Allen et al., 2014)对每个二元组在整个任务持续时间内通过WTC计算的IBS进行分割,表示一系列沿任务周期的窗口IBS矩阵。窗口大小设置为15秒,并以1秒的增量沿整个任务移动。在每个时间窗口内,对相同ROI对之间的WTC值进行平均,得到每个时间窗口的IBS矩阵。然后将10分钟的测量持续时间分割成一系列窗口化的IBS矩阵(8个ROI×8个ROI×571个窗口),用于每个二元组。

2.6.3.动态IBS状态的表征

       为了表征合作任务期间的动态IBS(dIBS)状态,我们将k-means聚类方法应用于跨组平均的连接窗口化IBS矩阵。k-means聚类方法可以估计窗口化IBS矩阵之间的相似性,并识别表示从这些窗口化IBS矩阵中得出的不同IBS状态的各种聚类。与先前的研究类似,使用聚类成本的肘部准则确定聚类数,计算为类内距离与类间距离之比(Allen et al., 2014; Fang et al., 2020)。我们可以计算不同k值(例如,从1到15)的成本,然后将这些成本值作为聚类数的函数绘制出来(见补充数据中的图S1)。通过这种方法,我们试图在控制聚类数量的同时最小化类内距离和最大化类间距离。适当的k值通常选择在曲线的肘部,在聚类成本和聚类数量之间进行最佳平衡。在聚类估计的每次迭代中,我们使用L1距离函数(曼哈顿距离)估计窗口化IBS矩阵之间的相似性,并重复1000次以减少逃离局部最小值的机会,并随机初始化质心位置。然后将从组平均IBS矩阵获得的聚类质心用作单个二元组级聚类分析的初始质心,得到每个二元组和每个合作任务的最终动态IBS状态。

      为了识别每个聚类的dIBS（动态脑间同步）状态中真正的任务相关区域连接,我们构建了一系列置换IBS矩阵作为每个dIBS状态的"基线",即与真实配对参与者的dIBS矩阵相比,未关联配对参与者的IBS矩阵。这是通过使用来自整个参与者组的两个不相关参与者的时间序列计算的,即来自不同二元组和合作任务的两个参与者。在大量可能的配对中,通过随机选择一组400个不相关的对(置换对)形成置换IBS矩阵。然后,我们在单个区域连接水平上对个体dIBS矩阵和置换IBS矩阵进行了一系列双样本t检验,以识别dIBS（动态脑间同步）矩阵中显著的任务相关区域连接。

2.7.统计分析

      dIBS状态的特性由三个指标来表征:每个状态的分数窗口、状态之间的转换次数和每个状态的全局效率。分数窗口定义为二元组在每个dIBS状态中花费的总窗口的百分比(Allen et al., 2014)。转换次数表示任务期间在任意两个状态之间切换的总次数。全局效率是一个基本的基于图的度量,表示整个网络的集成,反映了一个网络在区域之间共享信息的活跃程度和效率(Li et al., 2020b)。重复方差分析(ANOVA)用于评估这些dIBS状态在每个合作任务期间的属性方面是否存在显著差异。此外,应用了一种称为强度的基于图的度量来评估每个dIBS状态内每个脑区的兴奋性。具体而言,一个区域的强度定义为与该区域连接的IBS的数值总和,表示其在网络中的重要性(Li et al., 2020b)。最后,计算每个合作任务的dIBS状态特性与合作表现之间的Pearson相关性(经过错误发现率校正)。

3.结果

3.1.创意设计合作任务中的动态脑间同步状态

       通过k-means聚类分析,分别获得了创意设计任务和模型构建任务中在个体二元组层面和跨二元组反复出现的五个不同的dIBS状态。与静态IBS网络相比,静态IBS网络是整个任务期间的平均IBS,没有分割或聚类(图3A),这五个dIBS状态揭示了包括不同IBS组分的模块化组织(图4和表1)。如表1所示,所有dIBS状态在整个任务中的分数窗口从17.1%到21.2%不等,它们之间没有显著差异(F = 1.636,p = 0.172,效应量= 0.07)。我们还使用发生率作为时间的函数来检查这些dIBS状态的时间动态,定义为每个状态在当前时间窗口中所占的百分比。当观察发生率随时间的变化时(图4,右面板),创意设计任务倾向于在一定时期内由一个单一状态顺序主导,然后切换到下一个状态。

图3静态IBS网络的组平均(在整个任务持续时间内平均)创意设计任务(A)和3D模型构建任务(B)。

图4创意设计任务期间的动态脑间同步(dIBS)状态(左面板)和相应的发生率(右面板)。

表1.创意设计和3D模型构建任务期间dIBS状态特性的统计特征。

       为了测试每个dIBS状态内的哪些区域连接对合作任务是选择性的,我们按照方法部分的描述,进行了一个置换测试,将真实的二元组与置换的二元组进行比较。如图5所示,在创意设计任务中,占所有时间窗口19.9%的状态1显示了额叶、颞叶和顶叶皮层内部和之间更广泛和更密集的IBS。状态3(21.2%)和状态4(21.2%)呈现出相同的发生率,但显示出彼此之间分歧很大的不同模块化组织。状态3中的dIBS模式倾向于更多地集中在额叶和顶叶皮层,而状态4涉及更多额叶和颞叶皮层中的IBS。相反,状态2(17.1%)和状态5(20.6%)只包括非常有限的IBS和区域,然而,如重复ANOVA检验所示(表1),这两个状态在整个创意设计任务中占据了与其他状态相当的发生率。统计分析还表明,dIBS状态之间的全局效率存在显著差异,这一点可以通过重复ANOVA检验(F = 413.3,p < 0.0001,效应量= 0.97)和任意两个dIBS状态之间的事后配对t检验(所有p值<0.0001)来证明。

图5 创意设计任务期间的动态脑间同步(dIBS)状态(上,置换检验后)和每个区域的组平均强度(下)。请注意,为直观地演示每个dIBS状态的结构,每个脑状态内的每个IBS连接表示二元组内平行平均的IBS。

3.2.模型构建合作任务中的动态脑间同步状态

       图6显示了模型构建任务期间的组级dIBS状态及其时间发生模式。每个dIBS状态与静态IBS网络(图3B)相比仍然显著不同,并在任务持续时间内遵循顺序发生模式(图6)。dIBS在整个任务中的分数窗口从17.8%到21.8%不等,重复ANOVA表明它们之间没有显著差异(F = 0.707,p = 0.590,效应量= 0.03)。当观察随时间变化的发生率时(图6,右面板),与创意合作任务类似,发生率倾向于在一定时期内由一个单一状态顺序主导,然后切换到下一个状态。

图6. 3D模型构建任务中的动态脑间同步(dIBS)状态(左侧面板)及其相应的发生率(右侧面板)。

      在模型构建任务中比较真实二元组和置换二元组的置换测试表明,区域之间的连接往往不如创意设计任务中那么密集(图5和图7)。简要地说,从图5和图7中呈现的IBS连接强度可以看出,状态1和状态5主要表现为额叶皮层的更强兴奋性(通过强度评估)和更多IBS,而状态2中大部分IBS位于颞叶和顶叶皮层之间。此外,状态3在顶叶皮层内显示出强大的IBS,并与SFG（额上回）保持一致的交流。状态4揭示了颞顶区的主要模块化组织,但也与额叶皮质前部(aPFC)有直接联系。

图7 3D模型构建任务期间的动态脑间同步(dIBS)状态(上,置换检验后)和每个区域的组平均强度(下)。请注意,为直观地演示每个dIBS状态的结构,每个脑状态内的每个IBS连接表示二元组内平行平均的IBS。

      dIBS状态动态进展的另一个度量是每个合作任务期间dIBS状态之间的转换次数。模型构建任务期间所有dIBS状态之间的转换次数为6.5±1.4,经配对t检验(p = 0.844),这与创意设计任务期间的转换次数(6.6±1.8)没有显著差异。

     与创意设计任务类似,除状态1-状态5对(p = 0.681)外,所有dIBS状态之间的全局效率都有显著差异,这可以通过重复ANOVA检验(F = 233.6,p < 0.0001,效应量= 0.93)和任意两个dIBS状态之间的事后配对t检验(所有p值<0.0001)来证明。两个合作任务中dIBS状态特性的统计特征已在表1中总结。

3.3. dIBS状态与合作绩效之间的关系

      对于创意合作设计任务,状态5的全局效率与合作绩效评级呈正相关(r = 0.649,p = 0.002,经Benjamini-Hochberg方法校正)。在状态5内,SFG（额上回）和PG（中央前回）之间的IBS与合作绩效显著相关(r = 0.649,p = 0.002,经Benjamini-Hochberg方法校正)。在状态1内,二元组IFG区域之间的IBS与参与者的合作绩效呈正相关(rIFG-IFG = 0.611,pIFG-IFG = 0.004,经Benjamini-Hochberg方法校正)。我们没有观察到3D模型构建任务期间dIBS状态特性与合作绩效之间的显著相关性。

4.讨论

      人脑活动由具有时变通信和网络组织的复杂网络支持。本研究使用基于滑动窗口和k-means聚类算法的数据驱动方法探索了两个合作任务期间脑间同步(IBS)的动态模式。据我们所知,我们的分析是首次尝试表征自然人际社会互动期间的dIBS状态,这为基于fNIRS的超扫描分析的日益增长的文献提供了一个新的视角。所提出的方法可能使研究人员能够动态地捕捉模块化网络组织和瞬态脑状态,扩展我们对潜在自然人际社会互动的神经机制的认识。

      了解大脑如何以动态方式适应和组织对于阐明社会互动的神经基础至关重要。与fMRI相比,fNIRS提供了多种潜在优势;它具有高度便携性、低成本,并且对运动伪影更有弹性,这些优势共同允许在自然环境中评估实时脑动态和IBS。通过生成一系列模块化网络,反映两个大脑在单个时间帧层面的动态交互,我们的方法为理解典型脑间交流在复杂和自然合作任务中的多方面功能处理提供了一个新的窗口。更重要的是,最近针对单个大脑活动的动态功能连接研究已经证明,使用类似方法表征临床人群中非典型的病理生理过程(如阿尔茨海默病和帕金森病)的可行性(Niu et al., 2019; Fiorenzato et al., 2019)。考虑到这一点,我们假设IBS转换和组织的这种动态表示水平使我们的方法对于研究人际社会互动和潜在开发与社会缺陷相关的大脑疾病的表型生物标志物很有用。

4.1.创意合作任务dIBS

      人际创意合作是一个自下而上的过程,通常涉及认知控制的各个方面,包括但不限于创造性思维、目标导向的记忆检索、交流和合作(Wang et al., 2018)。使用相同的数据集和静态IBS分析,我们之前发现镜像神经元(MNS,包括IFG、IPL和颞上区)和心智化系统(MS,包括TPJ、楔前叶和PFC)之间IBS增加,将创意合作过程与MNS和MS联系起来(Mayseless et al., 2019)。 MNS通常反映了进化的"再利用",即手势交流系统的再利用,以支持语言和非语言交流和互动(Dickerson et al., 2017)。当一个人试图根据手势、行为和面部表情来理解他人的意图和情绪时,MS通常更活跃(Frith and Frith, 2006)。这里提出的新的动态IBS分析以更精细的时变方式揭示了这些脑网络的参与,扩展了先前对创造性互动的网络神经科学的认识。特别是,dIBS状态1呈现出与静态IBS研究类似的广泛IBS模式,描绘了通常参与社会互动的MNS和MS神经网络之间IBS的变化。在状态1之后,dIBS状态2转移到脑间SFG之间和脑间aSTG之间更局部的IBS。众所周知,SFG参与更高的认知功能,特别是工作记忆和注意力(du Boisgueheneuc et al., 2006),而aSTG是语言处理的重要组成部分(Broca区)。这一阶段可能表明,二元组倾向于通过交互式交流来完善他们的想法。状态3发生在任务中间,主要涉及颞顶叶(PG、pSTG、IPL和TPJ)的活跃IBS,与aPFC和IFG的连接很少。状态4显示了前额叶皮层的主导IBS以及前额叶皮层与aSTG/TPJ之间的几个连接。这里的模块再次展示了MS和MNS之间的耦合,这与状态1中显示的成分相似但相对较弱。在状态5中,只在脑间SFG和SFG与PG之间观察到dIBS,这一发现表明在任务结束时完成产品需要认知控制和执行功能。总之,这些动态IBS状态之间的顺序转换可以解释参与创造性、相对非结构化、自由交互任务的个体之间的交流模式和合作的转变。因此,我们的发现扩展了对创意合作过程中MNS和MS动态特性的理解,并有可能实现对人类社会互动的更细粒度分析。

4.2. 3D模型构建合作任务dIBS

      无论是静态特征还是动态特征,先前的研究都没有很好地研究IBS模式如何在不同的人际合作活动中变化。为了评估所提出的dIBS方法用于理解动态社会互动的适用性和特异性,我们进一步分析了从涉及构建3D模型的不同合作任务中收集的数据。在模型构建任务中识别的dIBS状态明显不同于在创意设计任务中观察到的状态(图6)。与创意任务的情况不同,模型构建任务的早期状态并不涉及MNS和MS之间的复杂交互。相反,状态1只显示aPFC处和aPFC与PG之间的活跃IBS。 aPFC大约位于背外侧前额叶皮层(DLPFC),通常与目标维持和情绪调节等执行功能有关(Silvers et al., 2015; Curtis and D'Esposito, 2003),而PG（中央前回）负责运动功能(Porro et al., 1996 )。在任务开始时观察到状态1可能是预期的,因为参与者被呈现了完成模型构建任务的目标,这不需要像他们在创意任务开始时那样对语言、动作和情绪进行复杂处理。 PG的中心作用进一步延伸到状态2和状态3,在那里它在颞顶叶和额顶叶内显示出IBS。状态4中也呈现了aPFC和顶叶(IPL、TPJ)之间的类似IBS。与在创意设计任务期间明显在状态1内观察到的MNS和MS的同时耦合不同,在这里,我们观察到MNS和MS之间的耦合以顺序方式表示在状态2、3和4中。状态5在任务结束时被识别出来,主要包括IFG和aPFC之间的IBS,这可能表示参与者对任务完成的情绪反应,因为IFG和aPFC都被报告参与情绪传染和对情绪的认知控制(Ochsner et al., 2012)。

4.3.创意设计任务和模型构建任务之间的定性比较

       虽然由于每种状态的不同时间/持续时间,无法直接定量比较两个合作任务的dIBS状态,但我们仍然能够以定性方式捕捉两个任务之间的明显差异。与模型构建任务相比,创意设计任务似乎招募了多个区域之间更复杂、更强的IBS,这可以从每个区域的强度及其区域间连接中得到证明(图5和图7),表明MNS和MS系统更积极地耦合。我们可以推测,在每项任务中观察到的不同dIBS模式可能与任务要求有关。创意任务为二元组提供了一个开放式的现实世界问题,与明确定义的模型构建任务相比,这需要二元组之间更积极的创造性思维和社会互动。我们最近的一项研究支持了这一假设,该研究发现,与模型构建任务相比,在创意任务期间,几个区域连接之间观察到更强的IBS(Mayseless et al., 2019)。然而,由于在这些非结构化合作任务期间发生的不同但复杂的多维认知处理,对两个任务之间dIBS差异的解释应谨慎进行。因此,需要对社会互动的神经科学进行更精细的时间分析,以便更好地理解这种复杂人类行为的细微差别。在这里,我们提出了一种新的IBS分析方法,允许在网络层面观察和测量社会互动的不同阶段。特别是,为每项任务确定的独特IBS状态可能有助于阐明任务期间二元组互动的行为方面,例如不同程度的合作、目标导向与开放式任务类型、沟通需求和不同程度的社会协调。虽然目前的研究在二元组互动的行为分析方面有限,但我们建议未来的研究将动态时间分析与互动的更细致的行为分析相结合,以得出有意义的见解。

4.4. dIBS状态与合作行为之间的关系

      很少有神经影像学研究关注IBS的时间动态或检查不同dIBS状态的转换如何与整体人际合作相关联。我们的目标是通过评估dIBS的网络属性与社会互动绩效(如合作)的关联来引入并测试动态IBS分析在解释动态社会互动方面的附加益处。具体而言,我们观察到合作绩效与创意设计任务期间状态5的全局效率之间存在显著的正相关。状态5内SFG和PG之间的IBS也与合作绩效显著相关。全局效率是网络集成的衡量标准,通常反映网络在区域之间共享信息的活跃程度和效率。这可能意味着阶段5,特别是SFG和PG之间的连接,对创造性认知过程中的合作更为重要。令人惊讶的是,虽然在我们之前的静态IBS研究中发现aPFC和pSTG之间增加的IBS与更好的合作表现相关(Mayseless et al., 2019),但我们没有观察到任何动态状态中的这种特定IBS与合作表现相关。事实上,社会互动是一个复杂的过程,涉及多个方面的神经认知功能,包括情绪处理、工作记忆、交流和执行功能。我们认为,与通常针对单个IBS强度和简单互动表现(例如,合作或竞争的分数)之间关系的传统fNIRS超扫描分析相比,我们的方法通过将与社会互动相关的复杂脑动态提取到一组具有更细粒度时间分辨率的代表性脑状态中,针对社会互动动态本质的不同方面。例如,在创意任务中,观察到的dIBS状态2可能反映了工作记忆和注意力处理的需求,而状态3似乎更多地与参与者的执行功能、视觉空间处理和情绪推断相关。也就是说,从脑子网络的角度来看,识别出的dIBS状态提供了关于合作过程中复杂多功能过程的直接证据,这是传统超扫描分析无法观察到的。在此基础上,看到大多数dIBS状态的动态特性与两个任务中二元组的整体合作表现没有显著相关并不奇怪。鉴于社会互动的复杂过程(例如,情绪、工作记忆、交流),未来研究可能需要更复杂的编码策略来明确参与者的维度认知和互动状态,以明确阐明脑状态-行为关联。我们希望未来的研究将旨在更全面地阐明这些dIBS状态与社会互动期间相应行为之间的关系。

4.5.局限性

      本研究应该认识到几个局限性。首先,dIBS分析缺乏选择最佳窗口长度的金标准。作为探索性验证,我们分别使用了10、15、30和60 s的滑动窗口长度来检查不同窗口长度对动态IBS模式的影响。结果表明,所有dIBS模式在不同窗口长度下总体上是一致的(见补充数据中的图S2和S3)。我们希望将来会有更多的研究来验证动态IBS分析中窗口长度选择的标准。

       还值得注意的是,虽然由于其便携性、低成本、对运动伪影的抗干扰性更强以及比fMRI更高的时间分辨率(Cui et al., 2011),fNIRS可以被视为适合社会互动研究,但它也受到空间分辨率、穿透深度和信噪比的限制(Yucel et al., 2021)。与大多数fNIRS超扫描研究类似,这里我们只采用了具有典型光纤间距离(约3 cm)的fNIRS通道,这种方法可能在一定程度上受到迈耶波、血压和其他系统性伪影的污染(Yucel et al., 2021)。在数据采集和分析中引入短通道可以减轻这种影响,提高信噪比,从而在未来提供更可靠的分析。尽管我们的研究存在硬件限制,我们也要强调,本研究的主要贡献是提供了一种新颖的数据驱动方法,将与社会互动相关的复杂脑间动态提取到一组具有更精细时间分辨率的代表性脑子网络中。这里提出的分析框架可以直接应用于具有不同类型数据采集设置(例如,有或没有短通道)的超扫描研究,扩展我们当前用于在各种社会互动场景中收集的fNIRS超扫描数据的分析策略。

      在测量覆盖范围方面,虽然我们只关注已知与合作任务期间IBS相关的脑区,但缺乏全头覆盖可能阻碍了对社会互动期间动态IBS的更全面理解。我们计划在未来的研究中扩大fNIRS大脑覆盖范围。最后,这里fNIRS通道的功能源定位是使用基于标准10-20电极放置的通用头部模板执行的。虽然通用模型仍然具有逼真的解剖结构,但受试者特异性的差异可能会使当前方法忽略解剖结构或帽子设置中的个体差异。考虑到这一点,未来的研究通过解剖MRI或3D数字化技术获得特定受试者的模型会很有用,这可以显著提高每个受试者源定位的准确性。

5.结论

      本研究中提出的数据驱动方法揭示了自然人际合作场景中动态IBS脑网络的活动。我们的发现表明,社会合作的本质可以通过更动态和模块化的方法进行潜在表征。也就是说,社会互动的过程不仅受时变IBS网络的调节,而且还通过不同动态IBS网络内关键区域之间的脑间通信来调节。这种方法使我们能够通过IBS的视角更好地理解自然社会互动的动态过程。

原文：Dynamic inter-brain synchrony in real-life inter-personal cooperation: A functional near-infrared spectroscopy hyperscanning study