导读

意义：本研究开发了一个基于MATLAB的工具箱，用于脑间同步(IBS)分析，并进行了实验研究以验证其性能。据所知，这是第一个基于功能近红外光谱(fNIRS)超扫描数据的IBS工具箱，可在两个三维(3D)头部模型上直观地显示结果。

目的：利用fNIRS超扫描对IBS进行研究是一个新兴且不断扩大的领域。虽然有各种各样的fNIRS分析工具，但没有一个能在3D头部模型上显示脑间神经同步结果。在2019年和2020年，研究者发布了两个名为OptoNet I和II的MATLAB工具箱，帮助研究人员使用fNIRS分析功能性大脑网络。本研究开发了一个基于MATLAB的工具箱，名为HyperOptoNet，以克服之前OptoNet系列的限制。

方法：HyperOptoNet可以使用同时测量到的两个人的fNIRS超扫描信号轻松地分析脑间皮层连接。通过在两种标准头部模型上用彩色线条表示脑间神经同步性，使连接结果更易于识别。

结果：为了评估该工具箱的性能，本研究对32名健康成人进行了fNIRS超扫描研究。当被试在执行传统的纸笔认知任务(TCT)或交互式计算机辅助认知任务(ICT)时，采集fNIRS超扫描数据。根据给定任务的交互性质，结果显示了不同的脑间同步模式；ICT组的脑间网络更广泛。

结论：HyperOptoNet工具箱具有良好的IBS分析性能，即使是不熟练的研究人员也可以轻松地分析fNIRS超扫描数据。

前言

传统上，神经科学研究的重点是了解刺激对单个大脑的影响。然而，这种传统的“单人”方法不足以研究现实生活中的社会互动，神经科学家正推动神经科学领域朝着“双人神经科学”的研究方法转变。这种方法强调需要了解个体如何通过调节双向信息交换来相互影响。人们对多个社交大脑的脑间神经同步(IBS)(称为超扫描)兴趣迅速增长，这反映在该领域使用fMRI、EEG和fNIRS的综述文章数量上。fMRI和EEG研究表明，语言和非语言交流能够诱发人际间的神经同步活动。

fNIRS是一种非侵入性光学成像技术，利用近红外光间接评估大脑皮层外层神经元的代谢活动。fNIRS可以测量与神经元代谢活动相关的氧合血红蛋白(HbO)和脱氧血红蛋白(HbR)的变化，类似于fMRI获得的血氧水平依赖反应。fNIRS是研究自然环境中人际互动与其神经活动之间关系的一种很有前景的方法，具有成本效益高、测量约束少、对头部和身体运动的耐受性相对较高等优点。因此，研究人员可以更好地测量与社交互动相关的脑间耦合，并且目前已使用fNIRS超扫描技术报告了许多关于教育传播、面对面游戏、提高认知表现等方面的研究。

功能连接在高级认知过程中起着重要作用，近年来受到越来越多研究者的关注。利用EEG、fMRI和fNIRS等多通道神经信号进行功能连接估计的方法有多种，例如相位同步指数、互信息、部分定向相干性，频率比和平均相位相干性等。在不同的研究中，这些功能连接表现出相似的全局功能连接模式，但不同的皮层区域存在一定的差异。

fNIRS有许多分析工具，包括哈佛医学院的基序富集超几何优化(HOMER)、韩国科学技术院(KAIST)的近红外光谱统计参数映射(NIRS-SPM)、三星医疗中心的OptoNet系列，以及各fNIRS系统制造商开发的程序。HOMER采用普通最小二乘线性反卷积方法计算个体的血流动力学反应，而NIRS-SPM应用SPM方法，即构建和评估用于检验功能成像数据假设的空间扩展统计过程。OptoNet(由本研究团队于2019年发布)，允许基于三维(3D)有限元分析进行简便的大脑皮层连接分析。本研究团队还在2020年发布了OptoNet II，可按功能区域进行分析，并具有自动阈值设置，弥补了前一个版本的不足。然而，目前还没有一种工具可以通过超扫描同时测量到的两个fNIRS信号来直观地反映脑间神经同步性。

本文介绍了HyperOptoNet，它是一个基于Windows图形用户界面(GUI)的MATLAB工具箱。由于HyperOptoNet包含了OptoNet系列的大部分功能，因此它提供了自动阈值设定和各种功能连接估计方法，例如相关、相干、频率比和锁相值(PLV)。下面将提供HyperOptoNet的详细描述和示例。

本研究采用fNIRS超扫描技术，将32名健康被试分为两组(每组16人)，分别执行传统的纸笔认知任务(TCT)和交互式计算机辅助认知任务(ICT)，以验证该工具箱的性能。本研究证实，分析结果可以根据给定任务的交互性质可视化不同的脑间同步模式；ICT组的脑间网络更广泛。

方法和材料

HyperOptoNet程序

HyperOptoNet的整体流程和GUI如图1所示。脑间同步(IBS)分析过程大致可分为以下步骤：加载fNIRS超扫描数据，加载标准头部和fNIRS通道模型，以及估计IBS。HyperOptoNet针对最新版本的MATLAB R2022b(MathWorks，Natick，Massachusetts)进行了优化，该版本基于64位Windows 10和11(Microsoft Corporation，Redmond，Washington)，安装在带有GeForce(Nvidia，Santa Clara，California)显卡系列的Intel i5和i7(Intel Corporation，Santa Clara，California)计算机系统上。接下来，将详细描述HyperOptoNet的每个步骤。在HyperOptoNet的NIRS信号处理面板中执行fNIRS超扫描数据加载步骤。首先，将测得的fNIRS超扫描数据加载到图2(a)所示的“NIRS数据加载”部分。“加载信号1”和“加载信号2”按钮用于依次加载通过fNIRS超扫描同时测量的两个fNIRS信号。HyperOptoNet支持.NIRS文件格式，可以很容易地将MATLAB的.mat文件格式转换为.NIRS文件格式。OptoNet系列提供了一个如图2(b)所示的“.NIRS Converter”，可以轻松地将NIRx系统的fNIRS数据和.snirf文件转换为.NIRS文件。加载的fNIRS超扫描信号如图2(d)所示，在“信号分析部分”中可以设置绘图类型、fNIRS时段、实验block和被试，如图2(c)所示。当设置发生变化时，fNIRS超扫描信号会在图2(d)中刷新，除非fNIRS数据发生变化，否则用户不需要重复执行此步骤。各种系统信息和处理日志将在图2(e)中显示。

图1.HyperOptoNet的处理流程。

图2.fNIRS超扫描数据加载步骤。

如图3所示，在“头部模型连接分析”面板中执行脑间神经同步性估计步骤。如图3(a)所示，在“加载头部和皮层模型”区域，用户只需点击“标准头部模型”或“标准皮层模型”按钮即可轻松加载标准头部和皮层模型。图3(b)所示的头部模型有许多视图选项，包括查看10-20电极系统、轴和/或表面网格等。然后，根据图3(c)加载所测fNIRS通道对应的通道集。使用OptoNet系列提供的工具可以轻松地创建通道集，并且当仅导入一个通道集时，它可以应用于两个头部模型。当出现如图3(d)所示的头部模型和fNIRS通道时，该工具就可以估计脑间神经同步性了，可以选择自动或手动阈值化，如图3(e)所示。如果选择手动阈值，则必须选择一个特定值，但所需的资源相对较少。如果选择自动阈值，则基于替代检验的自动阈值化仅表示具有较高统计显著性的同步。替代方法通常通过随机化要测试的属性来生成人工数据，同时尽可能地模拟原始信号的其他属性(例如频谱)。为了选择显著性同步，工具箱将遵循秩次检验。用于同步分析的算法可以从以下算法中选择(如图3(e)所示)：相关性、相干性、频率比和PLV。相关性是脑网络分析和统计关系分析的基本算法之一，在分析具有时域特征的两个信号之间的连通性方面具有良好的性能。相干性是功率谱的统计关系，频率比是两个信号中基音频率的比值。因此，相干性和频率比在分析具有频域特征的大脑信号同步性方面具有良好的性能。由于PLV可以分析两个信号之间的时变相位差，因此对于具有相位和频域特征的大脑信号，即使它们存在时间延迟，也具有很好的性能。然后可以点击“连接执行”按钮来估计IBS。估计后，只显示大于阈值的同步，如图3(d)所示。使用图3(g)中的复选框可以打开/关闭仅显示IBS或具有皮层连接的选项。所有估计同步的结果值都以“res_connectivity.mat”文件的形式保存在工作文件夹中。

图3.IBS步骤。

参与者

本实验选取了32名年龄在65岁至84岁之间(74.47±4.30岁)的健康成人(13名男性和19名女性)，无神经系统疾病史。研究对象被随机分成两组，每组16人，使用随机化程序将参与者分配到ICT或TCT组。该研究获得了韩国首尔三星医疗中心伦理审查委员会的批准(IRB编号2020-08-147；临床试验编号NCT04873843)，所有参与者在参加本研究前均签署了知情同意书。

任务程序

ICT组使用HAPPYTABLE®(Spring Soft Co. Ltd.，Seoul，South Korea)执行基于游戏的交互式认知任务，该任务可在矩形桌子上的多点式触摸屏上操作，四名受试者可以一起玩，如图4(b)所示。每项任务都包括一个或多个认知领域的训练，涉及基本信息加工和记忆，并需要各种类型的决策。ICT组共有12个游戏，这些游戏涵盖注意力、视空间技能、记忆、语言和执行功能等主要认知领域。每个游戏都有多个难度级别，所有参与者在同一时间进行相同难度级别的游戏。

图4.实验条件。

TCI组包括多个认知刺激项目，并包括一个或多个认知领域的训练。本研究选择了九项认知任务：镶嵌图形、迷宫、寻找隐藏的图片、折纸、发现差异、七巧板、连接点、着色和抄写活动。然而，每个受试者独立执行给定的任务，参与者之间没有互动。

fNIRS超扫描数据测量

采用fNIRS系统(NIRScout® 24-24，NIRx Medizintechnik GmbH，Berlin，Germany)测量fNIRS超扫描数据。该仪器具有一个发光二极管（LED）近红外光源，具有760和850nm两种波长，采样率为7.8Hz。超扫描fNIRS通道的光电极结构排列如图4(a)所示。为了测量超扫描数据，采用16个(8对)近红外光源和14个探测器(7对)，分别为2名受试者产生前额区20个fNIRS通道。在认知任务期间同时测量来自两个人的超扫描数据，如图4(b)所示。任务范式如图4(c)所示，从闭眼状态1分钟开始获得fNIRS信号的基线。然后，受试者执行30s的认知任务，休息30s，然后重复这些block五次。32名受试者访问两次，共产生64个超扫描数据点，并使用64个fNIRS数据样本进行分析。

脑间神经同步性分析

使用MATLAB中的NIRS-SPM工具箱，通过fNIRS系统测量的光密度估计氧合血红蛋白(HbO)信号。采用带通滤波器(0.01~2Hz)对原始HbO信号进行预处理，以保留fNIRS信号中的低频振荡、呼吸和心脏信息。使用PLV估计脑间神经同步性，它可以检测两个记录点之间精确频率范围内的同步，使用对重复刺激的响应，并搜索相位差变化最小的延迟。PLV测量该相位差的试次间变异性：如果试次之间的相位差变化最小，则PLV接近1；否则，接近于0。因此，PLV适用于分析fNIRS信号的同步性。

实验结果

使用OptoNet获得的功能连接结果如图5所示，该结果是基于手动阈值化(PLV＞0.25)得到的。从图5的结果可以看出，ICT组比TCT组具有更高的fNIRS功能连接性。

图5.使用OptoNet II的皮层连接结果。

分析IBS时，将图5和图6“信号分析”中用于分析的信号长度设置为“总长度”。在这种情况下，整个fNIRS信号的连接性不需要在block和试次之间进行信号平均。对同时执行任务的两名受试者的IBS进行估计，然后计算每个试次的IBS平均值，如图6所示。ICT组的结果显示，PLV＞0.25的同步连接比TCT组更多(ICT组：7；TCT组：3)。ICT组的脑间同步的均值高于TCT组(ICT：0.1235±0.0529；TCT：0.1075±0.0541)。TCT组仅在背外侧前额叶皮层(DLPFC)之间显示出同步连接，而ICT组在前额叶皮层的多个区域显示出同步连接。

图6.使用HyperOptoNet的脑间神经同步结果。

结论

本研究开发了一个名为HyperOptoNet的工具箱，基于MATLAB软件使用，用于分析脑间神经同步性(开源免费)。在这项研究中，虽然未发现各组脑间神经同步性存在显著差异，但可以验证所开发工具箱的有效性。该工具箱尚未为两种头部模型提供单独的通道和大小设置。在未来的研究中，包括OptoNet I和II，以及HyperOptoNet在内的OptoNet系列将会不断更新，并增加功能连接分析和多重比较校正等其他方法。本研究计划使该工具箱不仅可以用于功能网络分析，而且还可以用于经颅电刺激期间的大脑活动监测，从而有助于扩展fNIRS的研究领域。

原文：HyperOptoNet: a MATLAB-based toolbox for inter-brain neuronal synchrony analysis using fNIRS hyperscanning.

DOI: 10.1117/1.NPh.10.2.025015