图论在fNIRS超扫描范式中的应用

导读

超扫描是研究社会互动和情感联系等神经生物学基础的一个很有前途的工具。最近，图论方法，如模块化，被提出来用于估计大脑之间的全局同步。本文提出用自举模块化检验来确定大脑对之间是否被共同激活。采用fNIRS收集了由教师和学龄前儿童(五对)在执行互动任务时的数据，将该检验作为筛选工具应用于大脑的前额叶皮层和颞顶交界处。在此应用中，图节点中心性度量确定了教师的语言和数字加工与儿童的语音加工之间的二元同步关系，对这些指标的分析可为人际交互的神经生物学基础提供进一步的见解。

前言

超扫描记录了两个或多个个体的大脑活动，是研究社会互动和情感联结等神经生物学基础的一种很有前途的工具。Montague等人(2002)完成了第一个超扫描研究，该实验中的参与者可以进行互动，同时获得他们的功能MRI与行为互动同步数据。这些数据是被试对之间在执行简单的欺骗游戏时的记录数据。本研究分析的交互过程中的非对称和异步交互现今仍用于两个或多个个体之间的研究。此外，超扫描研究也显示了如何预测领导者和追随者，教师和学生之间的社会邻近性在教育中的影响，以及如何检测参与度和课堂互动动态等多个方面。

超扫描分析方法可以分为连通性测量、相关性分析、信息流分析和图论测量。连通性测量、相关性分析和信息流之间的一个共同特征是，它们在局部决定了每对大脑间区域之间同步的强度。尽管这样的分析是有用的，但人们可能也对在全局范围内理解脑间同步感兴趣，因而图论测量为这方面的研究提供了有用的工具。

图是网络的数学表示，本质上是一系列节点和节点之间的一系列连接。图模块化等测量方法已被用于估计大脑群体的全局同步强度。例如，De Vico Fallani等人(2010)进一步了解了大脑网络和负责人类社会互动的神经机制之间的关系。此外，Liu等人(2021)的研究显示了在一个9人击鼓任务的团队焦点条件下，击鼓同步的全局估计。然而，测试一组个体是否全局同步仍然是一个悬而未决的问题。

这样的问题通常是有用的。例如，一个人可能需要筛选工具从样本中排除成对的不同步大脑。在这项探索性研究中，研究者提出了一个自举模块化检验来确定两个被试是否存在共同激活。该方法通过fNIRS自然超扫描实验进行了演示，在该实验中，一位教师向孩子展示了一种对两个数字求和的方法。更具体地说，研究者建立了一个大脑区域之间连接的图。自举模块化检验用于筛选非共同激活的个体。接下来，使用图节点中心性度量的组合来确定哪些大脑区域对解释共激活的影响最大。结果发现，在大多数配对中，教师的前额叶皮层和儿童的右侧颞顶交界处之间的关系介导了共激活。研究者试图提供一个新的框架来评估不同大脑对之间的神经动力学同步。

本研究中使用的数据涉及Brockington等人(2018)和Barreto等人(2021)实验中所描述的运算过程。利用上述数据，本文介绍了一种基于图论的新方法来解释前额叶皮层(PFC)与右颞顶交界处(rTPJ)的连接方式。众所周知，前额叶皮层(PFC)参与了如计数和计算等高阶认知过程，颞顶交界处(TPJ)则参与了共情和心智化等社会功能。因此，本研究假设教师和儿童之间的活动将以交叉联结的方式耦合。

方法

参与者

根据Barreto等人(2021)的描述，五对无认知障碍的教师-儿童参与了实验：5名3-5岁的儿童(4名男孩)和4名21-28岁的成年人(2名男性)。孩子们是通过广告在一所公立学校招募的，老师是来自巴西圣保罗大学科学博物馆的教师。本研究获得了所有成年参与者和所有非成年参与者的父母/法定监护人的知情同意书。所有被试视力和听力正常，无神经或精神障碍史。所有被试均自愿参与，且无任何经济补偿。

实验

使用fNIRS获得实验数据，fNIRS为在自然条件下的数据收集提供了安全、舒适和现实的途径。本研究使用安全光照水平(波长在650到900nm之间)，以非侵入性的方式推断脑组织的氧合变化水平。光穿透生物组织并到达皮层，使分析脑血液中的氧合血红蛋白(O2Hb)、脱氧血红蛋白(HHb)和总血红蛋白(tHb；tHb=O2Hb+HHb)成为可能。采用超扫描范式（如Brockington等人(2018)、Barreto等人(2021)所述）收集师生数据。

简单地说，师生在一个任务中进行互动，即老师在一个空间竞赛游戏的背景下向孩子们展示了用火柴棍计算两个数字(1到12)之和的方法。他们需要在标有数字的路牌上移动两个棋子(代表孩子和老师)。首先，在投掷两个六面骰子后，得到最高总和的玩家开始游戏。然后继续比赛，移动骰子数字和的步数，直到终点线。Brockington等人(2018)在实验1小节中介绍了更多关于实验设计的细节，如实验设置和采集信号的特征。

数据采集和预处理

根据Barreto等人(2021)所述的方法收集数据。使用NIRScout(NIRx Medical Technologies，New York，NY，United States)，采样率为7.81Hz，将16个光源和探测器放置在前额叶皮层(PFC)和右颞顶交界处(rTPJ)，如图1所示。选择这些区域是因为本研究对社会功能感兴趣，例如共情和心智化。

图1.光源和探测器放置示意图。

如Barreto等人(2021)所述，本研究使用自制的MATLAB脚本处理原始数据。使用0.01-0.2Hz的带通滤波器来减少在全局偏差(＜0.01Hz)、心动周期(＞0.5Hz)和呼吸频率(＞0.2 Spearman)等系统干扰的截止频率处的生理信号伪影。其他运动伪影(尖峰)被移除。然后应用修正的Beer-Lambert定律计算含氧血红蛋白(HbO2)和脱氧血红蛋白(HHb)的浓度变化。随后，使用整个时间线的平均值作为基线，760nm和850nm波长的差分路径长度因子(DPF)分别为7.25和6.38。

方法提出--脑间推断的图测量

中心性度量确定哪些节点在网络的组成中最相关，并支持找到主要边缘(大脑之间的连接)。接下来将分析在所有成对组和单个组上的中心性度量。在R v3.6.3中进行所有学习算法的处理。通过将本研究所提出的框架应用于五对师生的O2Hb信号来说明此框架。通过计算师生通道之间的Spearman相关，得到成对被试的邻接矩阵A。由于本研究试图找到脑间可视化，所以将邻接矩阵A中的所有脑内相关性归零。此外，将corr=0.15以下的相关性归零，以确保更好的可视化，同时便于在每对被试中最多保留10%的边缘。其他分界值不会改变结果的定性性质，但可能导致图形可视化更加困难。由此得到的五个矩阵代表了成对被试大脑区域的无向图。

对于每个图，使用R的igraph(v1.2.5)库计算模块化和中心性度量。模块化是由Newman和Girvan(2004)提出的，它衡量的是我们将一个图划分为两个或多个独立节点组的能力。在这个应用中，高模块化意味着缺乏相关的脑间连接。模块化越低，被试之间的共激活程度越高。

网络中的社区结构反映了一个图的边缘在社区内的集中程度，而不是连接在所有节点上的随机分布。设ki和kj分别是图G中节点i和j的度。如果i和j之间存在一条边，则设Gij为1，否则为0。假设图的边随机分布在每一对节点之间。那么，i和j之间的期望边数为

因此，模块化Q由相同组中所有节点i、j对上的差值

之和得到。从概念上讲，模块化评估的是在具有相同边序列的随机图中，同一组节点之间的期望边数的脑间连接数量。

为了检验师生是否同步，本研究应用了自举假设检验。在这个检验中，零假设是师生大脑不同步。对图2中重复采样的数据进行模块化计算。通过计算模块化高于原始数据的频率，可以得到p值。

 

图2.模块化假设检验程序。

除了模块化之外，本研究还试图确定图中节点的相关性水平的度量方法。中心性指数是由图节点上的实值函数给出的，其产生的值预计将提供一个排名，确定网络中最关键的节点。有一些计算中心性度量的方法，根据所研究的相关指标而不同，例如一个节点的直接连接数(度中心性)或其直接邻居的中心性之和，称为特征向量中心性。

本研究使用度中心性来找到通常连接更紧密的节点。通过在所有获得的图上聚合中心性度量，可以获得中心节点及其社区的总体概念。将节点数定义为与节点相连的所有图的边数之和。此外，将节点相关性定义为节点数除以所有图的边总数。也就是说，节点相关性是所有图中与给定节点相连的边的相对频率。

在交互过程中，特征向量中心性测量大脑网络层次结构中的突出通道。虽然度中心性提供了节点具有的连接数的简单计数，但通过特征向量中心性认识到并非所有的连接都是相等的，并且某些节点的影响比其他节点大得多。设A是节点i和j的图G的邻接矩阵，用xi和xj表示它们各自的中心。那么，顶点i的得分由下式确定：

其中λ是常数。通过定义中心性向量x=(x1，x2，…，xn)可以改写为：

 

因此，我们得到x是具有特征值λ的邻接矩阵的特征向量。

特征向量中心性为大脑中的每个fNIRS通道赋予一个值，这样，如果每个通道与网络中的许多其他中心节点强烈相关，那么每个通道都会得到一个较大的值。事实上，特征向量中心性决定了每个通道(顶点)的中心性，该中心性同时取决于其脑间连接的数量和质量。换句话说，如果连接数较少的通道的关系质量更好，那么连接数较多的通道并不一定优于连接数较少的通道。

通过计算被试对的每个通道的中心性度量，我们能够在每对被试中可视化哪些通道被认为是受其他区域影响的中心点。本研究基于eeg_positions库中的10-10 EEG系统计算了fNIRS通道的位置，以改进图形可视化。将EEG坐标导出并插值到fNIRS中，可以生成任意被试对的fNIRS坐标，并根据组件进行缩放。

结果

邻接矩阵

本研究提出的脑间连通性图分析依赖于邻接矩阵，如表1所示。教师的节点大部分涉及认知功能，如任务管理、计划、工作记忆、注意力和执行功能。与语音加工和情绪反应相关的区域也参与其中。儿童的节点大部分涉及语音加工，也有一些与情绪反应和认知功能有关。表1显示第一对被试中的脑间相关性较低。

 

模块化的测量

接下来，使用自举模块化检验来考察哪些被试对是共激活的。作为初步的探讨，研究者发现来自不同试验的儿童之间不存在共激活，这证明了自举模块化检验的鲁棒性。此外，表1指出了一个假设，即除了第一对被试之外，所有师生对都是共同激活的。这些假设可以通过模块化检验得到证实：只有第一对没有共激活(p = 0.36)。基于这些结果，研究者在剩下的4组中研究了脑间连接的中心性节点。

中心性度量

聚合中心性度量是通过节点数和节点相关性获得的。为了更好地可视化，表2展示了教师和儿童的节点数和相关性。表2显示，与教师最相关的三个通道(FP2-AF8、FP1-AF7和AF3-F5)属于PFC。同样，与儿童最相关的三个通道(CP4-CP6、C4-C6和CP6-TP8)属于rTPJ。

                                                               表2.节点数和节点相关性。

图3显示了所有共激活对的分析通道之间的主要连接。图中的颜色表示每个节点的特征向量中心性--从红色(低)到绿色(高)。这个图证实了在2、3、4组中，主要的脑间连接发生在教师的PFC和儿童的rTPJ之间。这种连接模式在第5组被试对中相反，其中主要的连接位于教师的rTPJ和儿童的PFC之间。

 

图3.确定了四对(师生)共激活的PFC通道与rTPJ通道之间的几种关系。在第2、3、4组中，主要的脑间连接发生在教师的PFC和儿童的rTPJ之间。这种模式在第5组被试对中是相反的，其中教师的rTPJ和儿童的PFC之间存在主要联系。

通过中心性度量，可以确定参与师生共同激活的最相关的皮层区域。教师最相关的节点依赖于与语音加工、情绪反应、语言和数字加工、空间认知、记忆检索、注意力和认知功能相关的区域。儿童最相关的节点依赖于与任务管理、计划、注意力和执行功能相关的区域。

讨论

本研究提出的方法证明了使用图论检测共激活和识别交互过程中所涉及的中枢区域的可能性。在这种方法中，模块化度量确定了大脑之间共激活的存在，中心性度量显示了参与脑间连接的主要大脑区域，教师的PFC通常与儿童的rTPJ有很强的联系。本研究也存在一定的局限性。该研究儿童被试的数学成绩水平不同，以及教师样本量相对较小，这在概括结果方面存在明显的局限性。传感器数量有限，限制了研究只能分析rTPJ和前额叶区域，也无法使用短距离探测器；而在fNIRS数据采集过程中，短距通道可以帮助排除源周围的脑外信号。

超扫描技术已成功用于确立社会互动和情感联结的神经生物学基础。特别地，超扫描分析提供了相关的指示，如帮助教师选择教材，建立和维持良好的师生关系，重视互动在教学活动中的作用。传统方法检测脑间区域之间的局部共激活，而图论则提供了全局共激活的测量方法。

目前关于图论度量的理论综述指出了它们在超扫描研究中的关键应用。然而，确定两个大脑是否同步仍然是一个重要的、悬而未决的问题。在这项研究中，研究者试图用由被试之间的相关矩阵构建的图来确定被试对的脑间联系。模块化等度量为理解动态社会互动的神经基础提供了新的视角。例如，本研究提出了一种新的方法来检测成对被试之间的共激活，即自举模块化检验。

此外，中心性度量是绘制大脑网络全局架构的有用工具。度中心性可以洞察网络中现有的连接，而特征向量中心性则测量节点的传递影响。在本研究中，度中心性确定了参与师生共激活的中心节点，并揭示了教师的PFC和儿童的rTPJ是脑间连接的主要组成部分。如在2、3、4组中，主要的脑间连接发生在教师的PFC和儿童的rTPJ之间，这种连接模式在第5组被试对中则相反。其他研究也表明，PFC-TPJ脑间网络也存在于其他自然主义情景或合作行为中。考虑到自然主义实验的高度复杂性，未来进行进一步的研究是有必要的。例如，儿童的语音解码在所有共同激活的被试对中都高度相关。这一事实也强调了未来研究从左侧TPJ收集数据的重要性。这些数据和语言认知测试将有助于我们更好地理解3-5岁儿童的社会互动。

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

DOI 10.3389/fncom.2022.975743

小伙伴们点个“在看”，加

(星标)关注茗创科技，将第一时间收到精彩内容推送哦～