脑间耦合的量化：目前用于血流动力学和电生理超扫描研究的方法综述

摘要

超扫描是神经成像实验的一种形式，其中两个或多个参与者的大脑在相互作用时同时成像。在社会神经科学领域，超扫描越来越多地用于测量脑间耦合(IBC)，并探索大脑反应在社交互动过程中如何同步变化。除了认知研究之外，一些人提出通过量化互动参与者之间的相互作用，可以作为各种认知机制的生物标志物，以及研究包括精神分裂症、社交焦虑和自闭症等心理健康和发展状况。然而，许多不同的方法已被用于量化大脑耦合，这可能导致有关研究之间可比性的问题并降低研究的可重复性。在这里，本研究回顾了量化IBC的方法，并提出了一些新的方向。根据PRISMA指南，本研究回顾了215个超扫描研究，涵盖了四种不同的脑成像方式：功能近红外光谱(fNIRS)、功能磁共振(fMRI)、脑电图(EEG)和脑磁图(MEG)。总体而言，本综述确定了27种用于计算IBC的不同方法。最常见的超扫描方式是fNIRS，119项研究使用了fNIRS，其中89项采用了小波相干性。基于这些结果，本研究首先报告了超扫描领域的汇总统计数据，然后概述了超扫描中使用的每种神经成像方式获得的每个信号。然后，讨论了每种方法的基本原理、假设和适用性。最后，讨论了每种方法的解释问题。

前言

社会互动是人类生存的一个基本方面。社会互动的性质和质量与心理健康密切相关。因此，量化和提高我们对社会互动的理解是社会神经科学中神经成像的一个重要目标。认知神经科学中的传统神经成像研究使用“单脑”实验，即参与者在完成任务时记录他们的神经活动。然而，这种实验形式是否能够提供对真实世界社会互动的有意义的描述尚不清楚。我们知道人们在社会互动和被观察时会表现出不同的行为，而参与者与经过训练的合作者的互动可能无法捕捉到自然行为。因此，对现实世界社会行为的研究可能需要研究人员将两个或更多的参与者置于互动中。在这种情况下，与“单脑”研究相比，通过超扫描获取所有参与者的数据可能允许进行新的、独特类型的分析。

在本综述中，研究者将“超扫描”的定义扩展到任何形式的“互动”，其中被扫描的参与者之间存在某种程度的相互作用，包括基于计算机的互动以及面对面的互动。超扫描的核心特征是同时收集多个参与者的数据，并且这些参与者之间有某种交换信息的方法。这与依次从参与者那里获取数据然后进行分析的情况形成了对比。这种对比如图1所示。在依次获取数据的情况下，研究人员可以测量“人际间相关性”或“神经对齐性”，这可以揭示不同的大脑是否以相同的方式对给定的体验做出反应，但这无法提供任何关于从互动大脑中获得的数据之间的动态交互信息。

图1.左图：参与者在不同日期观看相同的影片，同时接受fMRI扫描。比较两个参与者的神经反应。这种输出只能提供有关给定体验的神经反应相似性的信息。右图：参与者同时观看同一影片，并且同时记录神经反应。这种输出可以提供关于参与者之间实时互动的信息。

除了从顺序神经成像中获得的简单“神经对齐”(给定体验的脑间相似性)外，超扫描范式还测量了互动大脑之间的复杂动态，因为它们在互动过程中不断相互适应。对IBC信号的认知解释仍存在争议，模型侧重于耦合、对共享环境的响应和相互预测。一些研究给出了更深入的解释，表明IBC可能提供社交连接或协调的生物标志物，但尚不清楚这些观点是否可以得到支持。重要的是，由于互动是复杂的，来自多个交互大脑的信号不一定是彼此“镜像”的，而是随着时间动态地“耦合”在一起。理解这种动态过程需要更复杂的分析工具，这些工具能够从这种类型的数据中捕获相关成分。

总的来说，本综述考虑了应用于超扫描数据的每种方法的含义，重点关注其技术方面，包括基本原理、数学假设及其对给定模态的适用性。本综述的目标是全面概述目前在神经成像模态中使用的方法，并考虑每种方法在计算IBC时的基本原理和数学假设。本综述的结构如下：首先，讨论了检索文献的方法，以及排除标准。然后，提供了该领域的最新概述，包括已发表的论文数量、使用的方法和模态。然后，总结了不同神经成像方法的信号特征，并回顾了IBC的测量指标，包括每种方法的基本原理、在超扫描中的应用方式、使用每种方法时的数学假设、哪些方法能够解释输入数据之间的关系，这些方法对不同模态的适用性等等。最后，对计算方法在超扫描研究中的未来进行了展望，以改进超扫描研究和相关指标，并更好地理解如何使用IBC来阐明支持社交互动的机制。

方法

本研究遵循《系统综述和荟萃分析优先报告的条目》（PRISMA）准则，以提高本综述的可重复性。在PubMed和Scopus上使用以下关键词进行检索：(hyperscanning[标题/摘要]、two person neuroscience[标题/摘要])和(fmri[标题/摘要]、eeg[标题/摘要]、fNIRS[标题/摘要]、MEG[标题/摘要]、nirs[标题/摘要]))(在PubMed上)，以及(hyperscanning、“two person neuroscience”)和(fnirs、nirs、eeg、fmri、meg)(在Scopus上)。研究年限从2000年(比Montague等人(2002)发表开创性的超扫描论文提前两年)至2022年底。对以英文发表的期刊文章进行了初步检索，仅检索标题和摘要。本研究遵循PICOS原则(研究对象、干预、比较、结果、研究设计)，这些在进行标题和摘要筛选之前就已确定，并列于表1中。

表1.按照PICOS原则筛选文献。

初步检索共得到659份文献，在删除重复项后，对354份文献进行进一步检查。仅考虑已发表的、原创研究文章进行评审，另有116份文献因为是评论文章、元分析、会议论文、书籍章节、勘误表、会议摘要、注释、调查问卷、非英文或全文不可用而被删除。接下来，根据表1中的PICOS原则，首先对标题和摘要进行筛选，另有37篇论文(P：11，C：4，O：22)被删除。在文本筛选过程中，进一步删除了5篇论文(P：1，O：4)。通过查阅综述文章，找到了初始数据库搜索遗漏的19篇论文，并将其纳入本研究中。最终纳入的文献数量为215篇。PRISMA流程图如图2所示。

图2.PRISMA流程图。

本研究将文献中所使用的方法大致分为以下几个类别，这些类别是根据Ayrolles等人(2021)为其基于Python的超扫描工具箱提供的类别进行划分的，同时还添加了“回归(Regression)”。总共分为五个类别，这些类别及其定义如表2所示。

表2.IBC方法类别及其含义。

需要注意的是，将一种方法划分到特定的类别并不意味着它只存在于该类别中(例如，部分定向相干可以同属于因果和基于相干的方法)；分类只是一种便于讨论的分组方式。

汇总统计数据

自从Montague等人(2002)的开创性工作以来，超扫描论文发表数量自2014年以来逐年稳步增加，在2022年高达46篇(图3(a))。这种持续增长可能与数据分析技术提高和低成本神经成像设备的开发有关。目前已有四种神经成像技术使用了超扫描：fNIRS、fMRI、EEG和MEG，分布情况如图3(b)所示。

图3.(a)每年发表的超扫描研究总数。(b)每年按神经成像技术分类的超扫描研究数量。

图4显示了按照神经成像技术划分的不同方法类别的已发表论文数量。不同神经成像技术获取的数据特征使得某些方法相对于其他方法更适用于特定的数据。例如，EEG数据的高时间分辨率特征使其比fMRI更适合相位同步分析。

图4.每种神经成像技术中每个分析类别发表的论文数量。

就研究对象而言，83%的研究使用成人被试(18岁或以上)进行超扫描，另有8%的研究使用父母与婴儿互动的方式进行研究，4%的研究则探讨了婴儿与婴儿之间的互动，或成人与青少年之间的互动，还有5%的研究未说明年龄人口统计数据。此外，72%的超扫描实验调查了神经典型发育人群(26%未说明参与者的健康状况)。

神经成像模式的信号特征

每种功能性神经成像技术都可以被归类为直接或间接的大脑激活测量方法。EEG和MEG测量大脑活动期间突触活动产生的直接电信号和磁信号。相比之下，fNIRS和fMRI是间接测量方法，通过监测血流氧合变化以推断大脑激活，fNIRS监测光学特性，而fMRI检测磁性变化。由于记录的生物和物理特性存在差异，每种模态获取的信号在其特征上各不相同。这对于确定哪些方法可以有效地测定IBC具有一定的影响。接下来，将简要讨论从每种模态获得的信号特征(表3)。

表3.超扫描实验中使用的每种神经成像技术的特征。

功能近红外光谱(fNIRS)

fNIRS数据是使用由成对光电传感器组成的记录通道进行记录的。其中一个光电传感器是发射近红外(NIR)光的光源，而另一个光电传感器是探测器，用于检测通过皮层后传播的发射NIR光线。光源和探测器通常相距3厘米，以确保光线能够穿透皮层而不会过于漫射。因此，空间分辨率在本质上会受到一定限制。此外，光只能到达皮层表面(距离头皮约1.5厘米)，因此fNIRS无法成像深部脑结构。fNIRS的间接测量机制意味着记录的功能激活本质上是一种生物功能激活。记录的机制是血流动力学响应函数(HRF)。HRF通常持续数秒，比直接的突触后反应要慢。因此，使用fNIRS无法检测到大脑中非常快速的变化。这与fNIRS的时间分辨率有关，通常约为10Hz，对缓慢发生的HRF进行过采样，为其成像的生物现象提供足够的时间分辨率。由于fNIRS是一种光学技术，光在到达大脑皮层之前必须通过非神经元组织。因此，系统检测到的变化可能来自于刺激引起的神经元变化以及与参与者生理相关的非神经元变化。这是fNIRS中众所周知且讨论过的问题，建议包括生理监测以允许对从非刺激性系统变化中诱发的神经元变化进行深入分析。fNIRS信号中存在的频率成分已经得到了很好的表征，通常刺激诱发的神经元成分约为0.025Hz(尽管取决于刺激呈现的频率)，而Mayer波约为0.09 Hz，呼吸频率约为0.25Hz，心率约为1.3 Hz。因此，在分析fNIRS数据时，应特别注意感兴趣的频率，并确保任务刺激频率不与生理成分重叠。除了系统噪声外，fNIRS还容易受到记录室环境光信号和参与者头发的干扰，这两种情况都可以通过仔细设置来避免。

脑电图(EEG)

EEG使用一系列电极来检测头皮上与大脑神经元放电有关的小电位。虽然EEG电极的间距通常为2和3厘米，但空间分辨率较低。这是因为存在容积传导现象，因此将信号进行源定位比较困难。因此，空间定位可能为5-15厘米，深度也无法轻易确定。研究人员面临的一个更大的挑战是运动伪迹，因为参与者眼睛、面部或下颌的任何移动都会在EEG信号中造成较大且可变的伪迹，难以完全去除。这在自然社交互动的超扫描研究中尤其具有挑战性，因为该任务允许参与者自由移动和说话。通常，EEG系统的采样率为1kHz以上，以充分采样较快的大脑活动频率。由于EEG是直接记录电信号，因此信号不会受到其他生理噪声的污染，而且EEG信号的频率成分都与大脑功能直接相关。这些频率通常被分为以下几个频段：Delta(1-3Hz)，Theta(4-7Hz)，Alpha(8-12Hz)，Beta(13-30Hz)，Gamma(30-100Hz)。

功能磁共振(fMRI)

fMRI血氧水平依赖(BOLD)信号是神经元活动的间接测量，它可以根据血红蛋白的氧合状态检测其顺磁性的变化。fMRI广泛应用于认知神经科学，具有良好的空间分辨率，可以精确定位解剖结构的激活。用于确定功能激活的HRF与fNIRS成像的生物现象相同，因此具有相同的延迟情况。然而，fMRI系统的时间分辨率比fNIRS慢，因为用于获取fMRI数据的典型MRI序列(回波平面成像)每2秒采集一次样本。在这方面，尽管功能激活的生理基础是相同的，但时间分辨率却比fNIRS差。

与fNIRS一样，fMRI信号也会受到生理噪声的干扰，但噪声的来源主要是生理学引起的运动，比如血流脉动会在大动脉和静脉周围引起噪声，而呼吸引起的胸部运动也会引起头部变化，从而导致图像相位的变化。对于超扫描研究而言，另一个限制是MRI对参与者的运动很敏感，并要求参与者在封闭和嘈杂的环境中躺下和保持静止。超扫描需要将两个独立房间的参与者通过计算机接口连接，不利于自然的社交互动。特别是参与者缺乏自发的运动，这意味着fMRI成像环境是高度 “人为”的(生态效度不高)，而且在有嘈杂的扫描仪背景噪声和躺下的情况下研究社交互动可能不太符合超扫描所要研究的互动方式。

脑磁图(MEG)

MEG信号的来源与EEG相同；突触后电流伴随着磁场，MEG传感器可以探测到磁场的波动。由于MEG记录了直接的突触反应，其时间分辨率与EEG相当，信号的频率成分也与EEG一致：Theta：4-8Hz、Alpha：9-14Hz、Beta：15-30Hz、Gamma：30Hz以上，MEG系统的典型采样率与EEG类似。MEG数据的空间定位需要求解一个逆问题来确定数据的源空间，这是MEG数据面临的主要挑战，因此影响了所获取MEG数据的空间分辨率。组织的低磁导率使得大脑产生的磁场在颅骨和头皮中不受干扰，这意味着MEG数据不容易受到容积传导效应的影响。房间内的设备磁干扰可能会对数据产生影响，但通常可以通过低通频域滤波器轻松滤除。然而，面部和眼睛的运动仍然可能产生伪迹。虽然MEG参与者通常坐着，视野较广，比MRI更自由，但他们的动作仍然受到限制，典型的超扫描研究依赖于计算机接口。新的OP-MEG系统允许在互动的参与者中进行MEG超扫描，但研究仍被限制在一个屏蔽的房间里，且活动很少。

超扫描研究中使用的频段

EEG和MEG中的频段(Delta、Theta、Alpha、Beta、Gamma)反映了大脑中的不同过程，具体取决于环境和位置。在这篇综述中，使用EEG(共71项)进行不同频段分析的研究数量如表4所示。

表4.使用不同EEG频段的论文数量。

在分析血流动力学信号的频段时，主要要求是排除与非神经元生理反应相关的频率。通常，实验者会分析接近任务频率的频段，即任务刺激呈现的频率。在本综述纳入的23项fMRI研究中，有5项研究分析了一系列频率(0.0025-0.02、0.008-0.009、0.008-0.45、0.01-0.8、0.645-1)，而17项研究分析了单个特定频率成分，见表5。

表5.fMRI超扫描研究的频率成分。

在本综述纳入的119项fNIRS研究中，有12项没有具体说明所检测的频率信息。剩余的107项研究都侧重于分析一系列的频率。所分析的最小频率均值为0.067Hz(标准差为0.135Hz)，而所分析的最大频率均值为0.3808Hz(标准差为0.6903Hz)。

IBC指标的系统综述

接下来，将讨论用于调查超扫描研究中参与者神经数据之间关系的指标。有关研究的完整列表和所使用的方法，请参阅以下表6。

表6.IBC的计算方法以及相应的研究和使用的模态。

对于每种方法，将首先说明该方法用于确定IBC的输入数据属性，以及它所应用的领域(时域、频域或时频域)。随后，本文将概述每种方法在超扫描中的基本原理，以及该方法的原作者所描述的可能情况，以及背后的数学假设。然后，本文将考虑数学方面的相关问题，包括线性、对称性以及单变量/多变量性质。最后，将根据测量信号的时间和空间分辨率，讨论该方法应用于每种模态的适用性，然后列出已使用该方法的模态。

图5显示了如何直观地表示每个类别的超扫描指标。这些图示是超扫描数据的示例。图5(a)显示了参与者之间fNIRS数据的Pearson相关性。左图为相关性数值的t值图，而右图为实验组Pearson积矩相关值随任务进展的变化情况。图5(b)是Pinti等人(2021)的跨脑GLM表示。品红色框显示了特定fNIRS通道在不同时间延迟下的t值，而蓝色框显示了beta值。图5(c)是Wu等人(2021)研究中的小波相干性示例图，显示了特定fNIRS通道在两个实验组(独生子女和有兄弟姐妹的儿童)中的小波相干谱图。非独生子女组在特定频段中的相干值增加用红色突出显示。图5(d)为Müller和Lindenberger(2022)研究中的脑间相位相干性，左侧为时频图和脑间相位相干强度的拓扑分布。图5(e)显示了Sciaraffa等人(2021)研究中使用的多元格兰杰因果关系分析的因果连接表示。绿色代表被试间的连接，连接的粗细表示具有显著耦合的百分比。左侧的分布图显示了被试间连接的密度。

图5.关于超扫描指标表示的示例。

相关性

可以说，研究神经数据之间相互作用的最基本形式是确定它们之间的相关性。目前，已有7种不同形式的相关性：Pearson相关、互相关、偏相关、Spearman等级相关、Beta序列相关、动态时间规整、幅度包络相关。有4项研究[Krueger等人(2007)；Saito等人(2010)；Holper等人(2013)；Shaw等人(2018)]未说明使用的具体类型，也没有提供相关性的公式。

①Pearson相关

Pearson相关系数(PCC)考察的是两个变量(通常是来自参与者同源区域的神经数据)如何共同变化，通常是指时域上的共变。相关性的基本原理是相关的变量应该共同变化，因此计算两个变量的PCC可以量化一个变量的变化对另一个变量的影响程度。这一原理在超扫描研究中的应用比较明确­——如果参与者正在“互动”，他们的神经信号应该以某种形式一起变化。通常会表现为PCC从静息/无交互到任务/交互的增加，这意味着任务引发了神经交互作用。这里存在一个假设，即输入数据之间存在线性关系，因此如果关系高度非线性，PCC将较低。其次，数据呈正态分布，只要不是极端偏离正态分布，PCC通常对非正态分布具有稳健性。最后，输入数据应该是彼此独立的，如果不满足这个条件，数据之间的依赖性会导致PCC值被夸大。在超扫描交互作用方面，PCC只能反映输入数据之间的线性关系，不能显示关系的方向信息，并且它是一种双变量方法，因此无法将其他变量如系统混淆、其他脑区或行为参数纳入分析。通常，PCC可以与任何模态一起使用，但其适用性在每种方法中略有差异。M/EEG侧重于不同频段的分析，利用神经元活动和记录之间的直接关系以及M/EEG系统的高时间分辨率特点，但由于PCC通常是一种时域方法，因而无法探测不同参与者频段之间的关系。可以通过首先计算不同频段的功率，并将其关联起来进行频率分析，但这会失去EEG所提供的时间分辨率，因此PCC在EEG分析中的应用有限。其在fNIRS和fMRI中的应用取决于预处理阶段如何处理系统噪声。由于该方法无法在频域中分离系统性噪声，如果任务频率与系统成分频率密切相关，对系统性噪声的处理不当可能会导致PCC反映出的仅仅是两个参与者之间简单的系统性增加，而不是特定的神经元激活。

②互相关

互相关是对PCC的一种改进，即改变输入数据，使一个变量在时间上滞后于另一个变量。因此，该方法也可以考察两个变量如何共变。其基本原理略有不同，因为它侧重于当一个变量在另一个变量之前发生变化时，它们如何共变。在超扫描应用中，如果一个参与者在另一个参与者之前展示了特定的动作，则可以使用互相关来检查执行该动作时的神经活动如何与观察该动作的参与者的神经活动相关。与PCC相同，输入数据的基本假设也适用于互相关，因为基本方法是相同的，只是输入数据不同，通常应用于时域数据。该方法仅揭示线性关系，其他变量不包括在分析中(双变量分析)。与PCC相比，互相关更偏好较高的时间分辨率，因为有更多的时间点可以更精细地评估感兴趣的时间段。然而，如上所述，M/EEG数据通常侧重于特定频率，而不仅仅是时域数据。因此，这种相关形式可能更适合fNIRS分析，前提是生理噪声已被充分过滤。目前，互相关已被应用于EEG、fNIRS和fMRI研究中。

③偏相关

偏相关也观察输入变量如何共变，其输出值解释了它们是否线性相关。这种相关形式与前面两种的不同之处在于，它在控制第三个混淆变量的同时分离了两个输入变量之间的关系。在超扫描中，可以使用偏相关来计算两个参与者的神经信号之间的相关性，同时控制一些可能会导致相关系数值夸大的混淆因素。输入数据的假设与PCC相同，但这种相关形式是一种多变量方法，可以考虑混淆变量的影响。然而，与PCC类似，偏相关只反映输入数据之间的线性对称关系，通常应用于时域数据。由于它允许包含多个变量，因而适用于可以获得多模态数据的情况，例如生理信息或行为参数。

④Spearman等级相关

Spearman等级相关主要用于解决名称数据和顺序数据相关的问题。因此，在计算这些数据的相关性之前，必须对输入值进行某种形式的排序。Spearman相关性可以反映非线性、单调的关系，同时对输入变量中的异常值和非正态分布数据也具有更强的稳健性。与其他形式相比，使用Spearman等级相关的主要优势在于它能够反映顺序输入数据之间的非线性关系。然而，该方法的一个重要假设是数据是有序的。因此，在计算Spearman相关系数之前，必须以某种方式对使用的神经元数据进行排序。数据的排序方式很重要，研究人员在研究过程中需要对此进行说明。

⑤Beta序列相关

Beta序列相关分析是一种基于“Beta序列”的分析形式，由Rissman等人(2004)开发。该方法的基本原理是，由于HRF较为缓慢，在短时间内发生的事件无法被明确分离。典型的分析对可能包含多个事件的每个任务进行建模；Beta序列方法则使用单独的回归量对每个事件进行建模，从而可以获得一系列Beta值的时间序列。将该方法应用于超扫描也是出于同样的原因——HRF可能会忽略个别瞬态事件，因此将所有感兴趣的事件都建模为独立的回归量，可以提供更高分辨率的交互视图。这个方法在参与者之间进行，然后对输出进行相关性分析。该方法的假设取决于(1)所使用的相关性形式，以及(2)一般线性模型(GLM)框架。该方法的应用主要集中在利用血氧水平依赖反应的模态上，因为它旨在克服HRF建模数据的缓慢性。到目前为止，该方法仅应用于fMRI数据。

⑥动态时间规整

动态时间规整(DTW)是一种通过测量输入数据之间的距离来评估它们之间相似性的算法。其背后原理是，传统的相似性测量方法通常假设一对一匹配，如果数据相似但来源不同(例如，两个以不同速度行走的人)，则这种假设可能不成立。DTW提供了一种评估相似性的方法，而不受时长、时间或影响原始系统时间动态的其他因素的影响。通常的用法是输出一个距离指数，表示一个时间序列与另一个时间序列的匹配程度。在超扫描中使用DTW的方法大致相同；输出距离指数用作参与者之间“同步”的度量指标。使用DTW时有一些假设，首先是两个输入数据的起点和终点相同(一个时间序列不能比另一个时间序列更长)，数据是单调的，两个时间序列中相应的点可能在时间失真的情况下仍接近，并且(计算距离指数的)规整路径具有连续性。这是一种双变量方法，但其线性和对称性取决于所使用的距离指标。Azhari等人(2019)使用欧氏距离作为距离指标，但也可以使用其他指标，但应注意确保距离指标充分代表潜在关系以提供有意义的结果。它适用于具有更高时间分辨率的数据，因为它将一个参与者的数据点与另一个参与者的数据点进行匹配，如果数据点太少，算法可能无法反映有用的信息。该方法目前仅应用于fNIRS数据。

⑦幅度包络相关

幅度包络相关是指信号包络的相关性。虽然相关性方法没有明确说明，但本质上该方法反映了神经数据包络的协方差。该方法的理论基础专门针对神经数据，最初的应用是利用EEG数据评估不同脑区之间的耦合。该方法的作者表示，已经在动物脑区之间发现了伽马波段的同步，这些ROI之间的距离尺度为毫米，但这很少在人类研究中报告。他们认为，较长的距离可能会在激活阶段引入变化，从而不利于用相干性来检测耦合。他们建议改为使用EEG信号幅度包络之间的相关性，因为它比相干性允许更多的“时域抖动”，而且带限信号的包络不像信号本身那样快速变化。Zamm等人(2021)基于类似的理论基础将该方法应用于超扫描，他们试图评估独立于相位相干性数据之间的同步性。与DTW和Beta序列相关类似，相关的假设与PCC相同。此外，利用希尔伯特变换计算幅度包络，该变换要求计算包络的信号是窄带信号，无噪声和相位失真。与PCC一样，该方法可以显示双变量输入之间的线性对称关系。该方法最初是为了研究脑区之间的高频耦合而开发的，因此更适用于具有高时间分辨率的数据，特别是因为包络需要更多的数据点来表征神经数据随时间变化的有意义特征。

回归

回归技术与相关性密切相关。本节中的所有方法都源自一般线性模型(GLM)。GLM是一种线性回归技术，它本质上是计算建模变量(也称为预测变量或回归变量)与测量数据之间的相似性，并通过回归系数来反映这种关系。

①GLM分类

该方法使用一个参与者情感特定网络的平均回归系数与另一个参与者的体素之间的欧氏距离，来评估一个人的情绪反应是否会引发另一个人的情绪激活。其基本原理是，如果两个参与者的回归系数之间距离很小，那么两个参与者之间可能存在相互作用。该方法的假设与一般线性模型基本相同。这就要求模型的残差呈正态分布，预测变量不共线性，并且数据方差齐性。除了这些假设外，一般线性模型只能反映预测变量与测量数据之间的线性关系。然而，该方法中GLM的实现允许对非对称关系进行评估，因为距离是基于一个参与者对另一个参与者的情感特定网络，这在反向情况下可能并不成立。基于GLM的方法更适用于血流动力学模态，因为它是单脑功能激活的标准分析方法。此外，可以将血流动力学响应函数(HRF)建模为对刺激的标准响应，而M/EEG数据没有建立对刺激的标准响应。Anders等人(2011)将该方法应用于fMRI数据，通过高分辨率神经数据计算情感特定网络，充分利用了fMRI的空间分辨率。

②脑间GLM

GLM的这种实现使用参与者B的神经数据作为参与者A神经反应的预测变量，并使用输出的回归系数作为特定实验条件下IBC增强的决定因素。Liu等人(2017)将一个参与者的fNIRS数据回归到另一个参与者的数据上，并将任务时间作为额外的回归变量。Barreto等人(2021)使用fNIRS数据测试了支持向量机和普通最小二乘法。他们通过计算配对参与者的同源通道之间的回归来获得回归系数。然后用于计算一个参与者的预测信号，并使用预测信号与真实信号之间的相关性来评估每种方法的性能。Cañigueral等人(2021)在用于预测参与者A的大脑活动模型中，使用了包含fNIRS数据、参与者的眼睛注视和面部运动以及参与者B的大脑活动的多元GLM方法。显然，这是一种评估IBC的通用方法，可以评估超前-滞后关系，整合多变量数据，并基于伙伴数据预测神经响应。

③心理生理相互作用(PPI)

Koide和Shimada(2018)在fNIRS超扫描中使用的PPI与先前基于GLM的方法遵循相同的IBC原理和指标。然而，PPI分析的目的是用两个额外的预测变量来评估功能网络，以去除虚假连接，而第三个回归变量是需要连接到两个的种子区域。在超扫描的情况下，Koide和Shimada(2018)使用合作伙伴在任务期间显示峰值激活的通道作为种子区域。

相干性

①傅里叶变换相干性

FTC计算信号特定频率的共同强度，只在频域内操作。该方法的基本原理和优点在于能够识别两个信号共有的特定频率成分。将此应用于超扫描(以及一般的神经科学)是因为神经数据中的不同频率对应于不同的神经功能，这在大脑活动的直接测量(M/EEG)中尤为明显，但对于间接测量活动也很重要，因为不同的成分代表不同的生理特性(不一定是神经特性)。该方法的假设主要涉及频域的转换。为了使结果解释具有意义，用户必须确保数据没有噪声，并且经过充分采样以反映潜在的大脑功能。此外，傅里叶变换数据假设数据是平稳的，即频率内容随时间保持一致。一般来说，生理数据往往不是这样的(fNIRS数据就是一个明显的例子)，这就导致了频率成分在时间数据中的不确定性问题。与PCC一样，FTC只能反映双变量数据的线性和对称关系。FTC的优势在于研究数据的频率成分，因此它适用于具有高时间分辨率的数据，这些数据可以反映构成潜在脑功能的不同频率成分。

②小波变换相干性(WTC)

与FTC类似，WTC也计算信号特定频率的共同强度，但它是在时频域中进行计算的。其原理超越了FTC，因为WTC可以在整个信号持续时间内揭示频率信息，随着频率降低，时间分辨率也会降低。这特别适用于生理数据，因为频率内容会随时间变化(大多数生物信号是非平稳的)。由于该方法对信号中的功率(而非相位)敏感，它能够捕获参与者A和B之间大脑活动的异相关系，而简单的相关方法无法做到这一点。这意味着它可以更灵活地指示A和B之间不完全相关的交互情况。WTC适用于能够充分反映基础频率成分的模态。此外，由于WTC通常是在相互作用的参与者的相似位置之间计算的，因此它适用于更高空间分辨率的数据，以便准确和有意义地反映常见的发生频率。

③完全相互依赖(TI)

两项使用EEG的研究采用了完全相互依赖(Total Interdependence，TI)方法来计算脑间连接(IBC)。这个方法最初由Gel'fand(1959)开发，并被Wen等人(2012)改编用于研究fMRI信号的静息态功能连接。该方法通过在频域中计算时间序列之间的所有可能反馈来推断脑间连接。该方法应用于超扫描的基本原理是，传统的测量方法(如相干性和相关性)不考虑同时获取的数据点以外的依赖性，而TI的使用提供了参与者之间所有形式的交互和依赖性的更广泛情况。该方法的假设主要取决于如何使用傅里叶变换或小波变换来计算频谱信息。由于TI是将两个信号之间的所有反馈相加，因此输出是一个对称度量，反映了两个变量之间的线性关系。

④相干性虚部(ImC)

相干性是一个复数，其中虚部表示输入数据之间的相位关系。该方法利用虚部来确定脑间连接。Nolte等(2004)最初提出的方法是基于容积传导可以使单个解剖部位的活动在多个脑电通道中被测量的思想。容积传导活动应具有同步相位，可以识别并仅用于真实的脑电活动。Dikker等人(2021)的研究也遵循类似的原理；他们采集数据的环境受到环境中脑电系统噪声的严重影响，这些噪声表现为0相位差的共模信号，但ImC能够解释这一点并从嘈杂环境中评估参与者的IBC。该方法的输出反映了两个输入变量之间的对称线性关系，它适用于任何模态，但由于它容易受到容积传导和电干扰的影响，其实用性相对受限。

⑤偏小波相干(pWTC)

pWTC推断IBC的基本指标与WTC相同，但它包含了控制额外变量的能力，类似于偏相关。该方法的原作者Mihanović等人(2009)最初用它来计算潮汐流对其他地理参数的影响，并消除混淆效应。之后，Zhou等人(2021)将其应用于fNIRS数据，用于控制fNIRS数据的自相关性，如果处理不当，就可能导致相干性结果被夸大。在这种情况下，作者纳入了参与者的自相干性、参与者之间的同时相干性以及一个参与者与另一个参与者之间的时滞相干性。计算pWTC的假设与计算WTC的假设相同。与WTC相比，时滞相干性的纳入意味着输出具有不对称性，它可以用来评估相互作用的某些因果性质。虽然该方法目前仅用于fNIRS数据，但也可用于EEG来控制容积传导，或用于fMRI来控制可能依赖于另一个位置的特定解剖位置。

⑥互相干(MC)

MC是由Goelman和Dan(2017)针对fMRI开发的，通过改进WTC和定量评估脑区之间的相位延迟来检测脑区之间的定向功能连接。因此，它计算特定频率的共同强度，与WTC一样，但还结合了输入之间的相位关系，以提供对输入的定向、分层评估。其理论基础是，该方法的非线性特征允许在寻找多个脑区间的功能连接时考虑多个节点，并且每个脑区之间的相位关系可以评估定向的功能连接。将这一原理扩展到超扫描研究是为了评估脑间的定向功能连接，以确定一个参与者的哪个种子区域对另一个参与者的哪些区域有影响。该方法反映了多个变量之间的非对称、非线性关系。该方法的原作者表示，MC适用于广泛的模态(和研究领域)，但与更高空间分辨率的模态一起使用增益更大，因为它提供了关于社会功能网络和操作方向的有用信息。

相位同步

①锁相值(PLV)

锁相值(PLV)是相位同步中最常用的方法，目前已有20项研究使用了该方法。PLV最初由Lachaux等人(1999)开发，用于评估EEG通道之间的功能连接，并测量两个信号之间相位差的试次间变异性。如果两个信号在整个实验过程中始终锁相，那么它们将显示出较高的PLV值。该方法的理论基础是，为了使信号到达头皮，相位锁定必须发生在相互作用的脑区之间，如果相位广泛分布，那么它们将互相抵消并且无法检测到。该方法只能显示输入之间的线性对称关系，并且只适用于双变量数据。PLV仅应用于EEG超扫描数据。由于EEG具有较高的时间分辨率，因而能够很好地反映潜在的神经振荡，因此适合使用PLV指标进行测量。

②脑间相位相干性(IPC)

Lindenberger等人(2009)、Sänger等人(2012)、Szymanski等人(2017)和Müller与Lindenberger(2022)都使用了IPC进行研究。该方法与PLV非常相似，实际上它们的公式也相同。在某些情况下，该方法也被称为相位锁定指数(PLI)。其关键区别在于，PLV计算的是试次中每个时间点的相位差，并对试次中的所有相位差进行平均。相比之下，IPC基于整个试次计算相位差。Burgess(2013)对两者之间的区别进行了更详细的讨论，具体请参阅Burgess(2013)的研究。该方法的假设、理论基础和适用性与PLV相同。

③总体耦合指数(ICI)

Müller等人(2013，2018)、Sänger等人(2013)、Müller和Lindenberger(2019)还使用IPC/PLI来计算ICI。首先，使用IPC获得相位稳定性值。然后，在特定范围内计算锁相点的数量。该方法改编自Kitzbichler等人(2009)的全局同步不稳定性方法。他们提出，该方法能够提供一个系统同步程度的全局度量，允许用户确定在定义的相位差边界内相位差保持稳定的时间。将此方法扩展到超扫描和两个神经信号时，该方法的原作者指出，这是相位同步的直接测量，表明了正相位同步的相对程度，并且可以提供更具特异性的相位同步信息。由于IBC的主要测定方法仍然是PLI/PSI/IPC，因此关于IPC的数学假设和适用性与这些方法相同。

④相位同步指数

Kawasaki等人(2018)、Shiraishi和Shimada(2021)的研究使用了相位同步指数(PSI)方法，该方法与用于计算ICI的PSI/PLI/IPC方法不同。该方法的起源尚不清楚，作者也没有说明为什么要使用这种方法(而不是其他方法)来评估相位同步。该方法在两个通道之间的特定时间窗中测量相位不变性。

⑤循环相关系数(CCor)

计算循环数据(如相位数据)的PCC在数学上是不正确的，因为数据环绕会导致无法解释的结果。为此，有研究开发了CCCor方法，其输出基于观测值与平均相位之间差异的循环协方差。超扫描的原理与此相同：计算相位值的相关性需要使用循环统计方法，Goldstein等人(2018)、Pérez等人(2019)、Zhou等人(2021)、Key等人(2022)、Zivan等人(2022)都使用了该方法。为了获得有意义的结果，该方法假设数据是循环的，并且循环分布均匀。同样，该方法的适用性实际上取决于模态获取潜在神经动力学的有意义且准确相位值的能力。

⑥双频谱分析

Barnett等人(1971)采用双频谱分析测量了个体脑电信号频率成分之间的非线性相位耦合。该方法的基本原理是，传统的频谱分析(如傅里叶变换)只能检测信号中是否存在某些特定频率，但无法提供不同频率之间的耦合信息。双频谱计算则可以提供这方面的信息。然而，这种方法对超扫描的适应性尚不清楚。由于原始公式是研究信号中不同频率成分之间的相互作用，因此必须对其进行修改，以将其扩展到信号之间的相互作用。关于Cha和Lee(2019)是如何做到这一点的并没有明确说明。由于不清楚原始方法是如何适应或应用于超扫描数据的，因此很难确定该方法的假设和适用性。

⑦加权相位滞后指数(wPLGI)

相位滞后是指输入数据相位差分布的不对称性。其原理与之前的相位同步方法不同，该方法的原作者Stam等人(2007)指出，因为容积传导导致源水平的相位在0°左右耦合，因此很难评估电极之间的连通性，这很可能不是真正的相位同步。因此，时间序列之间存在一致的非零相位滞后不太可能是由容积传导引起的。他们提出的方法可以确定滞后的方向，从而提供了一种定向评估的手段。Vinck等人(2011)进一步扩展了这一方法，认为0°左右的小扰动可以改变时间序列之间的超前/滞后关系，并且引入了一个权重因子(由时间序列之间相干性的虚部大小定义)来解释这一点。虽然超扫描不受时间序列之间容积传导效应的影响，因为它们来自不同的头皮区域，但如果试图确定参与者之间的空间定位，容积传导效应仍然很明显。如果每个参与者的两个通道受容积传导的影响，那么将很难区分这些通道在两个参与者上的IBC。然而，该方法如何处理参与者之间的容积传导问题尚不清楚，因为它们具有不同的来源，因此它们不太可能有一致的零相位滞后。该方法同样取决于使用哪种方法来确定相位，但它需要求解每个信号的瞬时相位，因此需要使用小波变换或希尔伯特变换。

因果关系

①格兰杰因果关系和条件格兰杰因果关系

格兰杰因果关系(GC)是最广泛使用的因果关系形式，它基于两个自回归模型的残差(误差)方差比率进行推断；其中一个信号包括另一个信号的过去。Granger(1969)的理论基础是，如果信号x的发生与不发生对于另一个信号y的发生的概率有影响，并且这两个信号在时间上有先后顺序(x前y后)，那么信号x被认为是引起信号y的原因。将这一原理扩展到超扫描很简单，如果一个参与者的过去信息可以用来更好地预测另一个参与者的未来行为，那么它们之间存在一定的相互作用，通常称为“格兰杰因果关系”。GC分析条件是数据不具有自相关性，并且所使用的滞后应充分包含所研究的基本动态特征。由于该方法是因果关系，因此必然是不对称的，并且可以表示输入数据之间的线性关系。该方法在fNIRS和fMRI中的适用性已引起一些争议，因为人们认为(1) HRF在不同的脑区是不同的，以及(2)神经活动与HRF响应之间存在延迟。第一个观点在理论和模拟研究中已被证明不适用于fMRI数据。对于第二个观点，因为GC包含时滞，它可能在评估因果关系时包含了来自某个参与者的一些其他不相关的信息。因此，该方法对于M/EEG数据非常适用，因为它具有高时间分辨率，反映了直接的神经活动。该方法目前仅应用于fNIRS和EEG超扫描数据，然而，它在fNIRS中的应用不应忽视这样一个事实，即HRF仍然不是神经元活动的直接测量。

②部分定向相干(PDC)

部分定向相干(PDC)遵循与格兰杰因果关系相同的逻辑，但它使用多变量自回归模型系数的频域表征来确定数据之间的因果关系。该方法的基本原理是利用多通道数据在频域提供额外的因果分析。将其应用于超扫描的优势是，该方法实质上结合了具有非对称信息和多通道数据的频域分析的优点。然后可以用来研究一个参与者的整个通道集与另一个参与者的整个通道集如何相互作用。该方法仅应用于评估EEG超扫描数据，因为它高度依赖于高时间分辨率数据。也有一些研究已经将PDC用于fMRI中，但尚未应用于fMRI超扫描数据。

③相位斜率指数(PSI)

相位斜率指数(PSI)由Nolte等人(2008)提出，并由Fenwick等人(2019)应用于超扫描研究，它监测相位差随时间的变化，假设如果相位差持续变化，则一个信号很可能领先另一个信号。原作者开发这一方法来解释(非特定的)混淆背景活动。该方法根据其统计相关性进一步对来自不同频率的相位进行加权。Fenwick等人(2019)专门使用这一方法来解释容积传导效应。该方法能够反映输入数据的非线性和非对称关系，适用于双变量数据。此外，该方法在EEG中的适用性更强，因为它需要高时间分辨率来评估相位差和相干性，以便进行适当加权。

结论

本综述提供了对当前用于计算不同模态IBC指标的全面总结，并且发现评估IBC所使用的分析方法之间存在较大的差异。这种差异取决于所使用模态的技术特性，然而，即使是使用相同神经成像模式的研究之间也会存在一定差异。部分原因是对IBC所反映的内容缺乏明确的一致性，因此在确定与IBC相关机制的方法上没有共识。因此，就IBC机制基础以及使用哪种分析方法来反映这一机制以帮助提高可重复性，并将超扫描研究置于更广泛的科学背景中进行讨论是非常重要的。

参考文献：U Hakim, S De Felice, P Pinti, X Zhang, J.A Noah, Y Ono, P.W. Burgess, A Hamilton, J Hirsch, I Tachtsidis, Quantification of inter-brain coupling: A review of current methods used in haemodynamic and electrophysiological hyperscanning studies, NeuroImage (2023), doi: https://doi.org/10.1016/j.neuroimage.2023.120354

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～