Empecemos preguntándonos por qué rechazamos épocas que contienen artefactos. Podrías pensar que esta es una pregunta tonta. Obviamente, ¡no queremos ningún artefacto en las épocas que usaremos para hacer nuestros ERPs promediados! Sin embargo, cada punto temporal en cada registro de EEG del cuero cabelludo en la historia humana contiene actividad artefactual. Es decir, la señal EEG del cuero cabelludo es siempre una mezcla de actividad cerebral, señales biológicas no neuronales (por ejemplo, potenciales cutáneos, EMG) y señales no biológicas (por ejemplo, ruido de línea de dispositivos eléctricos cercanos). Si rechazáramos cada época que contiene un artefacto, no nos quedaría ningún dato.
Por lo tanto, rechazamos épocas que artefactos problemáticos, definidos como artefactos que interfieren con el objetivo fundamental descrito en el capítulo anterior: responder con precisión a la pregunta científica que el experimento fue diseñado para abordar. Hay tres formas comunes en las que los artefactos pueden ser problemáticos desde esta perspectiva:
- Poder Estadístico Reducido. Los artefactos agregan ruido a los datos, reduciendo la relación señal/ruido (SNR) de nuestros ERPs promediados. Esto hace que nuestras mediciones de amplitud y latencia sean menos precisas, lo que a su vez disminuye nuestra potencia estadística. Sin embargo, cuando rechazamos épocas que contienen artefactos, tenemos menos épocas en nuestros promedios, y eso también hace que los promedios sean más ruidosos y disminuye nuestro poder. Como resultado, necesitamos equilibrar la necesidad de eliminar épocas con grandes artefactos con la necesidad de incluir tantas épocas como sea posible.
- Confundes Sistemáticos. Los artefactos pueden producir confundidos sistemáticos en nuestros estudios. Por ejemplo, si los participantes parpadean más en respuesta a estímulos desviados que en respuesta a los estándares, veremos una diferencia entre desviados y estándares en las ERP promediadas que se debe a la actividad de EOG más que a la actividad cerebral. Como veremos en uno de los ejercicios de este capítulo, esto no es sólo una posibilidad teórica.
- Problemas de Entrada Sensorial. En experimentos visuales, los artefactos EOG pueden indicar un problema con la entrada sensorial. Por ejemplo, si se produce un parpadeo justo antes o durante la presentación del estímulo, esto significa que el estímulo en realidad no fue visto por el participante. De igual manera, una desviación en el EOG horizontal puede significar que los ojos no apuntaron al centro de la pantalla. En los primeros ejercicios de este capítulo se utilizarán datos de un experimento auditivo para que no tengamos que tratar este tema inicialmente. Sin embargo, pasaremos a un experimento visual en la última parte del capítulo para examinar cómo los artefactos oculares podrían alterar la entrada sensorial.
La corrección de artefactos puede ser mucho mejor que el rechazo de artefactos para abordar el problema del poder estadístico reducido, porque conseguimos mantener todas nuestras épocas. La corrección también puede ayudar con confundidos sistemáticos, pero solo en la medida en que la corrección elimine completamente los artefactos y no produzca ningún artefacto nuevo. Por ejemplo, si la corrección reduce los parpadeos en un 99%, la actividad de parpadeo restante seguiría siendo 1-2 µV en los canales frontales (porque los parpadeos no corregidos son típicamente 100-200 µV en estos canales). Eso podría ser suficiente para producir un confundio significativo. La corrección de artefactos no ayuda en absoluto con los problemas de entrada sensorial. Por ejemplo, si los participantes están mirando hacia la izquierda en una condición y hacia la derecha en otra condición, corregir el voltaje EOG producido por los movimientos oculares no elimina el error de una entrada sensorial diferente en las dos condiciones.
Por estas razones, recomiendo combinar la corrección de artefactos y el rechazo de artefactos para la mayoría de los experimentos. Se puede usar la corrección para minimizar el ruido producido por los parpadeos (y ciertos otros artefactos, como se discute en el Capítulo 6 de Luck, 2014). Y luego puedes usar el rechazo para eliminar épocas con parpadeos o movimientos oculares cerca del momento del estímulo (para experimentos visuales) y para eliminar épocas que contienen artefactos grandes que no se corrigen fácilmente (por ejemplo, ráfagas ocasionales de EMG).
Cuando estamos usando el rechazo para lidiar con una potencia estadística reducida, idealmente tendríamos un algoritmo que determine qué épocas deben eliminarse para equilibrar mejor los beneficios de eliminar épocas ruidosas con el costo de reducir el número de épocas que se incluyen en nuestros promedios. Existen varios métodos que adoptan este enfoque (por ejemplo, Jas et al., 2017; Nolan et al., 2010; Talsma, 2008). Sin embargo, intentan optimizar la relación señal/ruido en un sentido genérico, lo que en realidad puede no maximizar la potencia estadística para la medición específica de amplitud o latencia que utilizará para responder a su pregunta científica.
El error de medición estandarizado (SME) fue diseñado específicamente para cuantificar la calidad de los datos para su medida específica de amplitud o latencia y está directamente relacionado con la potencia estadística (Luck et al., 2021). Por lo tanto, el SME puede ser utilizado para determinar los parámetros de detección de artefactos que conducirán a la mejor potencia. En este momento, ERPLAB no incluye un enfoque automatizado para determinar qué ensayos deben rechazarse para minimizar el SME, pero se puede verificar manualmente la SME para comparar diferentes parámetros de detección de artefactos. Utilizaremos este enfoque en varios de los ejercicios posteriores en este capítulo.
Tenga en cuenta, sin embargo, que el bajo nivel de ruido no es la única consideración. Por ejemplo, imagina que un participante parpadeó en cada juicio. Esto sería muy consistente, lo que llevaría a una pyme baja (porque la PYME refleja la cantidad de variabilidad de prueba a prueba en los datos). Sin embargo, las formas de onda promediadas resultantes contendrían principalmente actividad de parpadeo en lugar de ERPs, lo que podría llevar a conclusiones completamente incorrectas. Por lo tanto, debe considerar los posibles confundidos, así como la calidad de los datos al seleccionar los parámetros de detección de artefactos.
También hay que tener en cuenta que la Pyme cuantifica la calidad de los datos de las ERPs promediadas (que, por supuesto, está influenciada por el ruido en el EEG). En consecuencia, el SME depende del número de ensayos que se promedien. Eso es algo bueno, porque el número de ensayos puede tener un gran impacto en tu poder estadístico (Baker et al., 2020).
