Saltar al contenido principal
LibreTexts Español

9.3: Ejercicio- Evaluar el impacto de la corrección de artefactos

  • Page ID
    151936
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    Uno de nuestros objetivos para el rechazo y corrección de artefactos es reducir el ruido que de otro modo disminuiría la calidad de los datos en nuestros ERP promediados. Otro objetivo es minimizar los confundidos que ocurren cuando los artefactos difieren entre grupos o condiciones. Para evaluar estos problemas, necesitamos calcular los valores de SME y las formas de onda ERP promediadas para los datos corregidos, compararlos con los datos originales y compararlos con los datos después de aplicar el rechazo de artefactos. He hecho todo esto y he proporcionado los ERPSets en la carpeta Chapter_9. Siga adelante y cargue estos tres ERPSets (10_mmn_sin corregir, 10_mmn_RawblinkCorrection y 10_mmn_blinkRejection).

    Creación de los ERPsets

    Si desea crear estos ERPSets usted mismo, deberá agregar una EventList al conjunto de datos, ejecutar BINLISTER (usando BDF_MMN.txt) y epoch los datos. Deberá hacer esto una vez para los datos originales (antes de la corrección) y una vez para el nuevo conjunto de datos en el que se eliminó IC 1. Y para los datos originales sin corregir, querrás tener dos versiones, una con detección de artefactos (artefactos escalonados, umbral = 50) y otra sin detección de artefactos. Esto te permitirá hacer tres ERPSets, uno sin corrección ni rechazo, una vez con corrección solamente, y otro con rechazo solamente. Asegúrese de personalizar los parámetros de calidad de los datos para agregar una ventana de 125-225 ms.

    Ahora traza las formas de onda ERP para cada ERPSet. Para que sean comparables, desmarque la casilla de escala y automática y ponga -12 12 en el cuadro de texto del rango Y antes de trazar. Los resultados de varios canales clave se resumen en la Figura 9.2.

    Figura 9.2. Promedio de formas de onda ERP del Sujeto 10 en el experimento ERP CORE MMN sin ninguna corrección o rechazo (A), después de corregir los parpadeos eliminando IC 1 (B), y después de rechazar ensayos que contenían parpadeos (C). Obsérvese que el canal bipolar VEOG fue excluido de la corrección de artefactos en (B) y por lo tanto fue idéntico a (A).

    Grandes diferencias entre estándares y desviados se pueden ver en los canales Fp2 y VEOG cuando no se hizo nada para lidiar con los parpadeos (Figura 9.2.A). Se puede ver una inversión de polaridad del efecto de desviación entre los canales Fp2 y Veog-lower, consistente con la actividad de parpadeo. Eso también fue cierto para el Sujeto 1 del capítulo anterior (ver Figura 7.2.A), aunque el patrón específico fue diferente. El hallazgo de diferentes actividades relacionadas con el parpadeo para estándares y desviados indica que los parpadeos son un error que debemos eliminar.

    Las deflexiones de voltaje relacionadas con el parpadeo fueron eliminadas por ambos rechazo de corrección de artefactos. Obsérvese, sin embargo, que el canal bipolar Veog-fue excluido de la corrección, por lo que las grandes deflexiones permanecen en este canal. Siguiendo tanto la corrección como el rechazo, el voltaje es más negativo para los desviados que para los estándares en FCz en el rango de tiempo de 125-225 ms, que es nuestra medida principal del MMN. Este efecto fue mayor cuando no se realizó ningún rechazo o corrección, por lo que parte de este efecto pudo haber venido de la actividad de parpadeo que podemos ver durante este intervalo de tiempo en los electrodos Fp2 y VEOG. Esto proporciona aún más evidencia de que necesitamos lidiar con los parpadeos para evitar confundir nuestra medida de actividad cerebral con actividad de parpadeo (o movimientos oculares verticales).

    Cuando se realizó la corrección de artefactos, la diferencia entre estándares y desviados en Fp2 y Veog-lower se eliminó en gran medida. Sin embargo, se mantuvo cierta diferencia en estos canales cuando se realizó el rechazo de artefactos. ¿Cuál de estos refleja el verdadero patrón de actividad cerebral? Es difícil estar seguro sobre la base de estas formas de onda. Sin embargo, dado que el MMN parece generarse principalmente en el plano supratemporal (Näätänen & Kreegipuu, 2012), debería ser sustancialmente mayor en FCz que en Fp2, y no debería invertir en polaridad entre Fp2 y Veog-inferior (cuando se hace referencia a P9/P10). Por lo tanto, sospecho que alguna actividad ocular escapó al rechazo (lo más probable es que los movimientos oculares verticales, que pueden no alcanzar el umbral de rechazo de 50 µV que usé para detectar parpadeos). En consecuencia, parece probable que la corrección nos haya acercado “a la verdad” que al rechazo en este caso en particular. ¡Y ese es nuestro objetivo final!

    También es importante evaluar el impacto de la corrección y rechazo en la calidad de los datos. Para cada uno de los tres ERPsets, debe mostrar las medidas de calidad de los datos en una tabla. Centrémonos en los valores de ASMe para FCz de 125-225 ms. Tanto para los desviados (Bin 1) como para los estándares (Bin 2), el ASMe fue peor (más alto) para los datos sin corrección ni rechazo (Bin 1 = 0.9774, Bin 2 = 0.5688), y fue mejorado (reducido) por rechazo (0.8338, 0.5360), y fue mejorado aún más por corrección (0.7802, 0.4523). Este patrón tiene sentido porque tanto el rechazo como la corrección minimizan la variación incontrolada producida por los parpadeos, pero el rechazo reduce el número de ensayos mientras que la corrección no.

    A partir de estos resultados, la corrección parece ser el mejor método para este participante en particular, tanto en términos de minimizar los confundidos oculares como de maximizar la calidad de los datos. Eso encaja con mi experiencia: Cuando se implementa correctamente, la corrección de artefactos basada en ICA tiende a ser mejor que el rechazo por lidiar con parpadeos. Y a veces la diferencia es bastante grande, sobre todo cuando habría que rechazar un gran número de juicios.

    Sin embargo, en realidad no implementamos muy bien la corrección en este ejemplo. Cuando ICA está funcionando correctamente, los mapas del cuero cabelludo de la mayoría de los CI deben verse como buenos gradientes graduales con un patrón unipolar (un solo foco positivo o negativo, como IC 1 en la Captura de Pantalla 9.2) o un patrón dipolar (enfoque opuesto positivo y negativo, como IC 7 en la Captura de Pantalla 9.2). Las distribuciones del cuero cabelludo que cubren toda la cabeza (como IC 2) o son complejas e irregulares (como CI 19, 26 y 30) son un problema. No se parecen a la topografía que esperaríamos para la actividad cerebral o artefactos comunes, y son una señal de que se están mezclando múltiples fuentes en lugar de separarse. Algunos de esos mapas están bien, especialmente en estos últimos CI que no dan cuenta de mucha varianza. Pero realmente no quieres ver un mapa como IC 2 en la mitad superior de los CI. En un ejercicio posterior, veremos cómo mejorar la descomposición de ICA (y hacerla más rápida también). Primero, sin embargo, tenemos que discutir cómo funciona ICA.


    This page titled 9.3: Ejercicio- Evaluar el impacto de la corrección de artefactos is shared under a CC BY 4.0 license and was authored, remixed, and/or curated by Steven J Luck directly on the LibreTexts platform.