FNIRS研究:额颞叶-顶叶系统在真实情景下目光接触中的脑内和脑间同步

来自耶鲁大学医学院的JoyHirsch等人在NeuroImage杂志上发文,他们使用两台近红外设备同步采集了双人目光接触时的脑活动信号,数据分析表明目光接触时双人脑内/脑间存在同步,该过程涉及了左前额、颞-顶叶等脑区。

关键字:超扫描 近红外 目光接触 岛津

今天和大家分享的是一篇耶鲁大学医学院的研究人员发表在NeuroImage上的双人近红外研究。人类的目光接触是社交线索和沟通的主要来源。尽管这种人际互动具有生物学意义,我们对其基本的神经过程尚不清楚。这一知识空白在一定程度上反映了传统的神经影像学方法的局限性,包括扫描仪对自然的两人互动情况下的限制以及头动的影响。但是fNIRS可以很好地克服这一缺点。fNIRS可以容忍一定程度的头动,并能够在自然条件下同时采集来自两个相互作用伙伴的神经信号。

根据互动性脑假说(Interactive Brain Hypothesis)提出的观点,个体之间的人际互动所引起的神经变化区别于单人、非互动以及行为条件下的神经变化。基于此,研究者使用fNIRS推进了数据驱动的双人神经科学理论框架的发展。在这种情况下,实验探究了两个与目光接触,功能特异性和功能同步有关的特定假设。功能特异性假说认为,目光接触涉及专门的脑内神经系统; 并且功能同步假设提出目光接触涉及专门的、跨脑的神经处理器,这些处理器在双人之间同步。

研究者将在与真实对象之间的目光接触(交互条件)期间获得的信号与和图片脸(非交互条件)的目光凝视期间获取的信号进行比较。根据特异性假设,左额叶在真实目光接触条件下的反应强于眼对图凝视条件,这一区域包括额下回后部(其与典型的语言产生功能Broca的区域相关),前以及辅助运动皮质(与关节系统相关)以及亚中心区域。额叶区域和左上颞回(和典型的语言理解功能的被称为韦尼克区的脑区有关)、主要躯体感觉皮层以及一些亚中心区域都存在功能上的连接。根据功能同步假设,相对于眼对图注视条件,在真实双人目光接触期间的脑间相干性在左上颞回、颞中、边缘回、前和辅助运动皮层更高。这些同步交叉脑区域也与已知的语言功能相关联,并且是对于特定伴侣来说(即在随机分配的实验搭档中相干性会消失)。目光接触时的脑内和脑内神经关联系统包括语言产生和语言接受相关的脑区。

接下来我们就看看这一研究是如何开展的。

方法

被试

纳入分析的被试有19对健康成年人,其平均年龄是27±9岁,其中女性被试占58%, 右利手为90%。招募了40名参与者,由于运动伪像过大而排除了两名被试。实验搭档按照招募顺序进行分配,参与者在实验之前要么是陌生人,要么是泛泛之交。

范式

如图1A所示,参与者双方彼此直接面对面坐在桌子两边,两眼之间的距离为140cm。两名被试之间的视线右侧大约视角10度的位置固定十字准线。给参与者设置了虚拟“眼睛盒”,在眼对图条件下,被试和附着在参与者之间的遮挡物上的中性脸照片呈3.3×1.5度视角(如图1B)。对于每个被试而言,当注视点从十字准线避开10度时,面部(真实或图片)均不可见。指导被试尽量减少头部活动,不要相互交谈,并保持尽可能中立的面部表情。在每一个run开始时,被试注视十字准线,听觉提示促使被试注视真实对方和中性图片的眼睛。

图1A/B.实验设置

音频提示被试在休息/基线状态下观察十字准线(图1C)。15秒的活动任务期间与15秒的休息/基线交替。任务周期由三个6s周期组成,其中3个事件的每一个(图1C)中的注视交替“接通”3秒,“关闭”3秒(图1C),并且时间序列在实际脸和照片脸的条件下相同。

图1C. 实验流程

在15秒的休息/基线期间,参与者将注意力集中在固定十字准线上,就像在分开眼睛接触和凝视事件的3秒“断开”时段中一样,并且在这次休息期间指导被试“清除他们的头脑”。由于与真实伴侣保持眼睛接触时间超过3秒具有一定的困难,所以选择眼睛与眼睛接触时间为3秒以使参与者不会感到不舒服。15秒的“活动”时段与眼神接触事件交替,使之成为一个单独的block。拍摄的脸部照片对于所有被试和run都是一样的。每3分钟运行重复两次。

眼动追踪和fNIRS设置

图2.眼动追踪和fNIRS设置.使用的fNIRS设备是ShimadzuLABNIRS。该光极布局包含16对探测器和发射器,每个探头配置为每个被试提供42个通道。fNIRS信号在被试和眼睛追踪系统之间同步。A.参与者1观看参与者2的右眼(橙色圆圈,上部面板)和左眼(橙色圆圈,下部面板)。B.参与者2观看右眼(黄色圆圈,上部面板)和左眼(黄色圆圈,下图)。这些校准证明了与注视位置有关的位置精度。

fNIRS记录过程中使用了一个双人眼睛跟踪系统,每个被试都在眼镜框架中嵌入监控摄像机(如图2)。在每个实验之前校准两种情况下的眼睛注视位置。SMI ETG2眼动眼镜提供0.5度视角的位置分辨率以及30 Hz的有效时间分辨率。眼动信号通过TTL触发机制与刺激呈现和神经信号采集同步。给每位被试戴上眼镜,并调整鼻梁以获得舒适度和信号优化。在每次试验开始之前重复图2所示的校准步骤。做时间(x轴)和位置(y轴)的函数的眼睛跟踪迹线在图3A中针对示例性二元组示出。红色曲线表示的是参与者1的眼睛位置,而蓝色曲线指示参与者2的眼睛位置。顶部行表示在与对方的眼睛 - 眼睛接触期间的痕迹,并且第二行表示眼睛 - 照片凝视。组数据集之间的线性回归表明,在眼对眼接触和眼对图凝视之间的相关系数至少为0.96,表明两种情况下眼追踪之间不存在差异的证据。通过在3s时间中点的x,y位置来评估3.3x1.5度“眼盒”内的固定的一致性。图3B显示了所有从眼睛到眼睛(左侧面板)和眼睛到照片(右侧面板)情况下的点图。如同在眼睛追踪的情况下,目标准确度结果未能显示眼对眼和眼对拍照条件之间的差异。这些措施排除了眼睛行为作为观察到的神经差异的可能来源。

图3A. 时间-位置关系

图3B. 所有从眼睛到眼睛(左侧面板)和眼睛到照片(右侧面板)情况下的点图

数据获得

使用设计用于两名参与者的超级扫描的64-导(84-通道)连续波fNIRS系统(日本京都岛津LABNIRS)获取血液动力学信号。系统帽和光极布局(图2)显示了通过在头皮的两个半球分布42个通道实现的被试的头部覆盖范围(图4A)。通道距离设置为3厘米。LABNIRS系统中的每个发射器均发射三种波长的光(780,805和830 nm),每个检测器测量每种波长的吸光度。对于每个通道,根据改进的比尔 - 朗伯方程将测得吸收的每种波长的光转换为相应的脱氧血红蛋白(780nm),氧合血红蛋白(830nm)以及总脱氧血红蛋白。

图4. 通道设置

信号处理

使用四次多项式建模并去除基线漂移

它适合于原始的fNIRS信号(MATLAB)。任何没有信号的通道都是由于光极头与头皮接触不足导致的,当幅度比平均信号大10倍以上时,通过原始数据的均方根自动识别。基于此,在随后的分析之前,大约4.5%的整个数据集中的通道会自动移除。但是,没有单个参与者的数据被完全删除。

全脑平均消除

先前研究已经表明全脑系统效应(例如血压,呼吸和血流变化)会改变相对血液中的血红蛋白浓度,这就提高了无意测量不是由于神经血管耦合造成的血流动力学反应的可能性。在一般线性模型(GLM)分析之前,使用主成分分析(PCA)空间滤波器(Zhang等,2016)去除这些全局分量。该技术利用了该系统中两个头部的扩展光极覆盖范围的优点,以便通过去除由假定源自全身心血管系统的全局源引起的信号成分来区分源自被假定为特定于所研究的神经事件的局部源的信号功能。

体素水平分析

使用SPM8将每个被试的42通道fNIRS数据集重新组合为3-D体积图像,以进行第一级GLM分析。使用线性插值将β值(即,脱氧HB信号的幅度)标准化为MNI空间。计算mask细分为总共3753个2×2×2毫米的体素,其“拼贴”成由18毫米大脑组成的皮层表面,并由42个光极覆盖(参见图4A)。这种方法提供了通道间插值实现的空间分辨率优势。被试之间的解剖差异被用于生成分布式反应图。结果使用标准MNI在MRIcroGL的大脑模板上呈现。最高体素活动的解剖位置是使用NIRS-SPM进行识别。尽管体素分析通过从空间分布信号计算出的插值质心提供空间定位的最佳估计,但该方法由于多个体素比较而容易出现假阳性结果。

通道水平分析

尽管体素分析通过从空间分布信号计算出的插值提供空间定位的最佳估计,但该方法由于多个体素比较而容易出现假阳性结果。一种利用fNIRS的粗空间采样特性的替代方法,将离散信道用作分析单元。这种通道方式会影响空间位置的估计,但通过减少比较次数来优化统计有效性。每个被试的所有通道位置都被转换为MNI空间,并使用非线性插值将其变为中间位置。一旦进入正常状态空间,跨条件的比较基于最初获取的离散通道单位而不是体素单位。

体素方式和通道方式之间的联合

报告结果的规则是两种分析方法(体素方式和通道方式)之间的结合,其中每个分析的结果需要满足p <0.05的最小统计阈值。统计可信度通过这个连接规则得到增强,因为不包括非重复的结果。

功能连接分析

心理生理相互作用(PPI)分析(Friston等,1994,2003)使用gPPI工具箱(McLarenet al。,2012)和SPM8来测量远程大脑区域之间功能连接的强度。用以下等式描述PPI分析:

H是血液动力学响应函数,H(x)表示使用内核H的信号X的卷积,gp是1表示任务时间的任务的降级时间过程,-1表示休息时间,βi是PPI的β值,βp和βk是种子的任务和时间进程的β值。Yk是在种子区域获得的fNIRS数据。在这项研究中,种子区域k是基于一般线性对比结果的功能定义聚类。xa是种子区域的估计神经活动。ei是残差。

小波分析和脑间同步性

神经影像学研究中已经应用小波分析和相关技术的跨脑相干性,以确认两个人之间的同步神经激活,并分析真实人际互动或延迟讲故事和听力范例期间的跨脑同步。小波分析将时变信号分解为频率分量跨脑相干性被测量为两个相应频率分量之间的相关性,并表示为频率分量周期的函数。为了证实这种一致性方法,我们使用视觉棋盘以不同的速率翻转来进行测试实验(参见补充方法部分)。研究者预期如果两个被试查看了闪烁棋盘的相同序列,则相应的视觉皮层中的信号预计将100%同步。然而,如果两个被试看到闪烁棋盘的不同序列,则其相应视觉皮质中的信号将会显示较少或不显示同步神经活动。因此,小波分析预计不会显示或仅显示部分一致性。补充材料概述了此验证实验的进一步细节,观察结果证实了期望。

在目前的研究中,测量双脑区域之间的交叉连贯性。单个通道根据共享解剖结构分组为解剖区域,用于优化信噪比并减少由于多重比较而导致的潜在1型错误。每个区域的平均通道数量为1.68±0.70。通过12个确定的双边ROI来实现分组,包括:1)角回(BA39); 2)背外侧前额叶皮层(BA9); 3)背外侧前额叶皮层(BA46); 4)三角立方(BA45); 5)超边缘回(BA40); 6)梭形回(BA37); 7)颞中回(BA21); 8)颞上回(BA22); 9)体感皮层(BA1,2和3); 10)前运动和辅助运动皮层(BA6); 11)次中心区域(BA43); 和12)前极皮层(BA10),并自动地将通道分配给这些组(参见图4B中关于左半球和表2中的中值重心坐标的呈现)。

结果

体素水平分析

如图5左图所示,在左半球出现了显著的效应,peak点坐标是(-54,8,26),p<0.009. 和NIRS-SPM 坐标一致,cluster包括40%卵圆孔(布罗德曼区BA44,布罗卡区的一部分,已知与语音产生有关),45%前运动/辅助运动皮层(BA6,也是与语音清晰度相关的前部语言系统的一部分); 12%和次中心区(BA43,没有先前描述的功能角色的区域)。

图5. Contrast效应。fNIRS 脱氧信号, n =38. 左图是体素水平的分析,左半球的彩色区域代表的是Eye-to-Eye条件下的效应大于Eye-to-Picture条件。MNI 坐标是 (−54,8, 26); t = 2.4; p = 0.009; 体素数目是 (an index ofregional area) 75; 中图代表的是通道水平的分析结果: 彩色区域所在的是通道28,Eye-to-Eye条件下的效应大于Eye-to-Picture条件,MNI坐标是 (−58,2, 23); t = 1.78; p = 0.042。右图表示的是体素水平的群集(红色区域)和通道28(空心圆圈)之间的对应关系。两个区域重叠率57%。

通道水平分析

和体素水平分析相似,位于左半球的通道28(图5,中间面板)在Eye-to-Eye条件下的效应大于Eye-to-Picture条件(MNI坐标(-58,2.4,23),p= 0.042)。根据NIRS-SPM地图集,通道的空间分布(见图4A)包括运动前和运动皮质(BA6,57%)和次中心区(BA43,43%)。这两个解剖区与三个区中的两个区域重叠,这三个区域占据体素分析中识别出的cluster占57%,并且满足两个分析之间一致性的联合标准。

体素水平和通道水平结合分析

基于决定规则仅报告基于体素和通道的conjunction分析结果,研究者把28通道周围的cluster作为主要发现,因此,研究者可以得出这样的结论:左前方cluster在Eye-to-Eye条件下的效应大于Eye-to-Picture条件。

功能连接分析

相对于眼睛对图片的凝视眼睛对眼睛接触在上述眼睛对眼睛接触条件下的cluster和远距离脑区之间的功能连接增加被视为眼睛对眼睛敏感的重要神经机制证据。图6和表3左栏显示的是眼对眼条件下根据功能确定的cluster种子点(-54,8,26)并显示与峰值点为(56,22,18)的cluster同源的与右半球的功能连接(p= 0.008),其中包括三角形网,52%;卵圆锥角膜,32%;以及前运动和辅助运动皮质,11%(表3,顶行)。左侧半球的cluster也与坐标为(-60,-16,20)的峰值体素(p= 0.018)的种子簇(表3,底部行)有功能性连接,包括颞上回(STG,Wernicke区域的一部分,与接受言语过程相关)40%;初级体感皮层18%;和次中心地区,35%。总之,这些功能连接性结果为左额叶至颞叶网络提供了充分证据,其中包括与Broca's和Wernicke区相关的典型语言处理系统的大量重叠。

图6 使用PPI做功能连接分析,n = 38(脱氧信号)。根据[Eye-to-Eye>Eye-to-Picture]对比分析(见图5的左图),黑色实心圆表示根据功能确定的种子点(-54,8,26)区域。根据通道28的中心,结果不随种子点(-58,2,23)而改变(见图5的中间图)。彩色区域显示的是眼对眼接触过程比眼睛对图像凝视过程中具有更高功能连接性的种子点区域(p≤0.025)。见表3。

表3

脑间相干性分析

根据交叉脑同步假说,眼对眼接触与相互作用的二人之间信号相干性的增加有关,因此本研究根据崔旭等人(2012)使用小波分析评估了二人之间的信号一致性。从12个预定义的解剖区域(图4B,表2,参考原文)获得的眼对眼和眼对图片信号被分解成跨脑相关的小波内核(waveletkernels)。如图7所示,时间周期(x轴,秒)和交叉脑相干(y轴,相关)图表示眼- 眼(红色)和眼睛- 图片(蓝色)条件下的函数。绘制的函数表示x轴上每个时间点的平均相干性。基于其研究假设,眼对眼条件下的脑间同步性将高于眼对图条件下的脑间同步性。此外,研究者预期当对实验搭档进行置换时(即真正的搭档是随机分配的,见图7右列)不会出现一致性差异。沿着x轴的条形图反映这两个条件之间差异的t值。顶部虚线的水平线表示p<0.01,并且底线表示p<0.05。根据已定的显著性水平可知两个或更多连续的条形图满足p< 0.01。

图7.脑间相干性

实际实验搭档与“混杂”实验搭档之间的一致性比较区分了两种解释:1)脑间相关是由于类似的实验操纵,而不管跨脑交互作用,或2)交叉脑相关性是由于特定于合作伙伴相互作用的事件。如果在“混杂”实验搭档的情况下,一对大脑区域之间的一致性仍然显著,那么就支持选项1。如果一致性不能在“混杂”实验搭档条件下存活,那就得出结论支持选项2。三对脑区之间的信号脑间相干性:颞中回(MTG)和颞上回(STG)(图7A);超边缘回(SMG)和STG(图7B);和大脑皮质和MTG(图7C)在眼对眼情况下比在眼对图(p<0.01)期间高12-24s,在30秒任务周期内的高频和低频噪声范围之间的范围。

讨论

这些研究结果揭示左前额叶、颞叶以及顶叶远距离脑网络对真实目光接触的神经反应的调节作用,并促进人们对社会和人际互动基本机制的理解。作者的研究支持了“目光接触涉及特定神经活动”的观点,数据分析显示左前额区、中心下脑区、颞-顶叶都有参与。作者表示他们使用的小波分析、相干性分析等方法以及实验设备精度都是适宜的,当然,作者也提到了他们的研究的一些限制,比如枕叶附近光极的缺失,下一步他们计划覆盖全脑脑区以弥补研究缺陷。

与此文相关的数据处理课程:

第三届近红外脑功能数据处理培训班

参考文献:HirschJ, Zhang X, Noah J A, et al. Frontal temporal and parietal systems synchronizewithin and across brains during live eye-to-eye contact[J]. Neuroimage, 2017,157: 314-330.

原文发布于微信公众号 - 思影科技(transfer_3274775643)

原文发表时间:2018-04-06

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏人工智能头条

AlphaGo对战李世石谁能赢?两万字长文深挖围棋AI技术(二)

1845
来自专栏数据科学与人工智能

【陆勤践行】数据科学家要会多少机器学习

这个全民搞数据的年代越来越多新毕业的博士问我说,怎么样才能成为一个挣钱比较多的数据科学家?这个问题很广泛,因为要会的太多了而技术都在不断进步并且我也不能保证挣钱...

2058
来自专栏大数据文摘

Gary Marcus再发万字长文,列14个Q&A回应机器学习批判言论

1385
来自专栏大数据文摘

一位缺觉的父亲记录了他双胞胎宝宝的睡眠数据 并交给机器学习,结果……

1876
来自专栏大数据挖掘DT机器学习

一战成名,用户贷款风险预测 参赛代码与数据集分享

队伍名“一战成名” 最终线上排名第七。 ? 任务 融360与平台上的金融机构合作,提供了近7万贷款用户的基本身份信息、消费行为、银行还款等数据信息,需要参...

4867
来自专栏机器学习之旅

写给想转行机器学习深度学习的同学

update 1:很多同学还是私信我,让我推荐或者提供一些电子书给他们,我这边也打包了一些我认为比较重要的,如果有需要的同学可以「邮箱」联系我。申明,我所发送的...

904
来自专栏新智元

AI当“暖男”:给裸照自动穿上比基尼

【新智元导读】AI可以用来鉴黄,但有时会把含裸女的古典名画过滤掉。巴西的一组研究人员在JICNN上展示了一种新方法,使用生成对抗网络,给女性裸体照“穿上”比基尼...

702
来自专栏新智元

一图看懂 AI 阵营:学习人工智能,站错了队可会导致自取灭亡

【新智元导读】AI 的方法有许多,除了我们较为熟悉的“五大流派”,本文作者对 AI 的各流派进行细分,梳理了起码 17 种方法,并用一张图直观地展现。作者说,各...

33412
来自专栏量子位

骨灰级乐高粉讲述:我是怎么用算法给两吨积木自动分类的

唐旭 编译自Jacques Mattheij博客 量子位 出品 | 公众号 QbitAI 本文的作者Jacques Mattheij自小就是一名乐高粉。在接触乐...

3406
来自专栏量化投资与机器学习

【Matlab量化投资】基于神经网络的利率债16国开10收益率预测模型

以往大家接触的量化投资与机器学习在股票和期货上运用的较多,然而大家却忽略了一个重要的金融市场,那就是债券市场。今天小编就告诉大家机器学习在债券市场上的运用。在机...

2279

扫码关注云+社区