Un hallazgo clásico en la literatura ERP es que el componente P3b provocado por un bichón raro es menor si el ensayo anterior también era un bichón raro que si el ensayo anterior fuera un estándar (Squires et al., 1976). En este ejercicio, realizaremos un análisis secuencial para ver este efecto utilizando el paradigma ERP CORE P3b. Esto traerá algunos temas generales importantes sobre los ERP, además de mostrarle más sobre el proceso de asignación de eventos a bins.
He proporcionado un archivo descriptor bin para este análisis llamado BDF_P3_Sequential.txt —continúe y ábralo en el editor de texto de Matlab (haciendo doble clic en él en el panel Carpeta actual). Verás que tenemos 4 bins: Bin 1, Rare precedido por Rare; Bin 2, Rare precedido por Frequent; Bin 3, Frequent precedido por Rare; Bin 4, Frequent precedido por F Los descriptores de bin se modificaron para requerir que el estímulo de bloqueo temporal estuviera precedido por el estímulo Raro o Frecuente y una respuesta correcta. Por ejemplo, la Papelera 1 se define como:
Bien, hagamos algunos ERPs con estas papeleras. Salga y reinicie EEGLAB para que todo esté fresco, y luego vuelva a cargar el conjunto de datos original (12_P3_Corrected.set). Ahora ejecute BINLISTER, usando BDF_P3_ Sequential.txt como el archivo descriptor bin. Necesitaremos el conjunto de datos resultante para un ejercicio posterior, así que nómbralo 12_P3_Corrected_elist_bins_seq, y guárdelo como un archivo llamado 12_P3_Corrected_elist_bins_seq.set.
Echa un vistazo al nuevo archivo de texto EventList para ver cuántas pruebas tenemos en cada bin. Solo hubo 6 ensayos raros que fueron precedidos por ensayos raros (con respuestas correctas en ambos ensayos). ¡Eso no es mucho! Este fue un experimento bastante corto (unos 10 minutos), y habitualmente usaríamos una sesión más larga con muchos más ensayos para hacer un análisis secuencial. De hecho, cuando estaba desarrollando este ejercicio, el primer tema que probé no tenía un efecto secuencial claro; había un indicio de un efecto, pero los datos eran tan ruidosos que no estaban muy claros. Después escribí un guión para hacer el análisis para todos los participantes (que se proporciona en la carpeta Chapter_6). Afortunadamente, cuando miré el gran promedio, vi el bonito efecto que se muestra a la izquierda de Captura de pantalla 6.6, en el que el P3b para el estímulo Raro era claramente mayor cuando el ensayo anterior era el estímulo Frecuente que cuando era el estímulo Raro. Después busqué un participante que exhibiera este efecto claramente, y utilicé a este participante (Materia 12) para todos los ejercicios de este capítulo.
Captura de pantalla 6.6
El siguiente paso es epoch los datos (EEGLAB > ERPLAB > Extraer épocas basadas en bines). Asegúrese de que el rango de tiempo de época esté establecido en -200 800 y que el período de corrección de línea base esté establecido en Pre. Haga clic en Ejecutar y asigne el nombre al conjunto de datos resultante como desee. Ahora promedia los datos. Debe nombrar el ERPset resultante 12_P3_Sequencial y guardarlo como un archivo llamado 12_P3_Sequential.erp. Ahora traza los datos para los estímulos raros (Bins 1 y 2). Si miras el canal Pz, deberías ver algo así como las formas de onda que se muestran a la derecha de Captura de pantalla 6.6. Una vez más, ¡hemos replicado con éxito un hallazgo de investigaciones previas!
Sin embargo, tenemos que preocuparnos por la calidad de los datos dado el pequeño número de ensayos. Eche un vistazo a los valores de ASMe para las papeleras 1 y 2 (EEGLAB > ERPLAB > Opciones de calidad de datos > Mostrar medidas de calidad de datos en una tabla). Verás que la mayoría de los valores son peores (mayores) para el Bin 1 que para el Bin 2, lo que no es sorprendente dado que tuvimos 6 juicios en el Bin 1 y 22 juicios en el Bin 2. No obstante, si miras el canal Pz de 300 a 800 ms, verás que los valores de ASMe son solo ligeramente más altos para el Bin 1 que para el Bin 2. Creo que esto fue solo buena suerte: por casualidad, este canal no mostró mucha variabilidad de prueba a prueba en la amplitud P3b en el Bin 1, por lo que el error estándar fue bastante bueno a pesar del pequeño número de ensayos. Esto hace que los datos de la condición Rare-precedd-by-Rare algo creíbles. Sin embargo, el gran efecto agradable en el gran promedio es lo que realmente lo hace creíble.
¿Secuencia o Tiempo?
Aunque muchos efectos de P3b se han interpretado tradicionalmente en términos de la secuencia de estímulos y probabilidad secuencial, muchos de estos efectos parecen ser principalmente el resultado de la cantidad de tiempo entre estímulos de la misma categoría (Polich, 2012).
