Saltar al contenido principal
LibreTexts Español

9.7: Ejercicio- Decidir qué CI excluir

  • Page ID
    151931
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    IC 1 está capturando claramente la mayor parte de la actividad de parpadeo, y establecimos en el capítulo anterior que los parpadeos son una fuente importante de ruido y un error en el experimento MMN. Por lo tanto, es claro que debemos excluir este CI cuando reconstruimos los datos de EEG a partir de los CI. Pero, ¿qué pasa con los otros CI?

    Para responder a esta pregunta, tenemos que remontarnos a los tres temas descritos al inicio del capítulo anterior. Primero, ¿la actividad artefactual crea ruido sustancial que degrada la calidad de nuestros datos? Segundo, ¿la actividad artefactual varía según grupos o condiciones, creando un confundio? Tercero, ¿indica la actividad artefactual un cambio problemático en la entrada sensorial (por ejemplo, porque la dirección de la mirada ha cambiado)? El tercer tema es principalmente relevante para los experimentos visuales, por lo que no nos preocuparemos por ello para la MMN.

    En el capítulo sobre rechazo de artefactos, abordamos el tema del ruido analizando si el SME fue mejorado por el rechazo. Abordamos el tema del ruido observando las ERP promediadas, especialmente cuando invertimos el proceso de rechazo de artefactos e incluimos solo los ensayos que estaban marcados para rechazo. Podemos usar los mismos dos enfoques con la corrección de artefactos.

    Ya evaluamos los efectos del rechazo de parpadeo y corrección en el SME para nuestro primer paso en la descomposición del ICA a principios de este capítulo, y encontramos que esa corrección mejoró al SME. Ahora evaluemos los efectos de corregir los movimientos oculares horizontales excluyendo IC 13. Específicamente, compararemos excluyendo solo parpadeos con excluir tanto parpadeos como movimientos oculares horizontales. Primero, haga dos copias del conjunto de datos con nuestra descomposición ICA mejorada (10_mmn_preprocessed_transferredicaWhistes). A continuación, aplique EEGLAB > Herramientas > Eliminar componentes de los datos como en el ejercicio anterior para eliminar el IC de parpadeo de un dataset y para eliminar los CI de movimiento de parpadeo y horizontal del otro conjunto de datos. A continuación, debe crear ERP promediados para estos dos conjuntos de datos (lo que requerirá agregar una EventList, ejecutar BINLISTER y multiplicar los datos). Asegúrese de especificar una ventana de calidad de datos personalizada de 125-225 ms. Antes de promediar, utilice EEGLAB > ERPLAB > EEG de preproceso > Interpolación selectiva de electrodos para interpolar F7 y PO4 (Canales 3 y 24), excluyendo los canales EOG bipolares (32 y 33).

    Si observa los valores de SME para FCz en el rango de tiempo de 125-225 ms, verá que eliminar el IC de movimiento ocular horizontal prácticamente no tuvo ningún impacto en la calidad de los datos. Esto es consistente con lo que vimos con el rechazo de artefactos en el capítulo anterior. Los movimientos oculares horizontales simplemente no tienen mucho impacto en los sitios de electrodos de la línea media, y la mayoría de los movimientos oculares ocurrieron durante los períodos de descanso.

    También hay que considerar si los movimientos oculares horizontales fueron un error confuso. Con el rechazo de artefactos, lo hicimos haciendo promedios a partir de solo los ensayos marcados con artefactos. Aquí, realizaremos un procedimiento análogo, en el que reconstruimos los datos únicamente a partir del componente de movimiento ocular (IC 13) y luego hacemos ERPs promediados. Para ello, seleccione el conjunto de datos con los pesos transferidos (10_mmn_preprocessed_transferredicaWits), seleccione EEGLAB > Herramientas > Quitar componentes de los datos, deje en blanco la Lista de componentes a eliminar del campo de datos e ingrese 13 en el campo etiquetado O lista de componentes a retener. Nombra el conjunto de datos resultante 10_mmn_preprocessed_IC13only. Si te desplazas por este conjunto de datos, verás cómo los potenciales de movimiento ocular se propagan a los otros sitios del cuero cabelludo (ver, por ejemplo, el período de tiempo resaltado en la Captura de Pantalla 9.8.). Estos potenciales son mayores en los electrodos frontales laterales pero también se pueden ver en los sitios posteriores del cuero cabelludo (p. ej., P7 y P8). Sin embargo, los lados positivo y negativo del dipolo se cancelan en gran medida en los sitios de la línea media (por ejemplo, Fz, FCz, Cz).

    Captura de pantalla 9.8

    Ahora siga los pasos necesarios para crear ERPs promediados a partir de este conjunto de datos, y luego graficar los ERP resultantes. Deberías ver que los canales EEG son esencialmente líneas planas. (Hay cierta actividad en los canales bipolares, pero estas son las formas de onda originales, no reconstruidas a partir del IC 13). A partir de estas formas de onda planas ERP, que deben reflejar únicamente los movimientos oculares horizontales, podemos concluir que los movimientos oculares horizontales no fueron un error significativo. En otras palabras, el hecho de que las ERP promediadas fueran en gran parte planas en los canales EEG indica que cualquier movimiento horizontal del ojo tenía aproximadamente la misma probabilidad de ser hacia la izquierda y hacia la derecha, resultando en señales de EOG de polaridad opuesta que cancelaron en los promedios. Y el hecho de que no hubo diferencia entre estándares y desviados, especialmente en el sitio clave de FCz, indica que no hubo diferencias significativas en los movimientos oculares horizontales entre estándares y desviados que pudieran confundir nuestros resultados de MMN.

    Entonces, ¿deberíamos corregir los movimientos oculares horizontales excluyendo IC 13 cuando reconstruimos los datos del EEG? Probablemente no. Hay poco que ganar, y dado que ICA es imperfecto y el IC 13 puede contener actividad cerebral mezclada con los movimientos oculares horizontales, tenemos más que perder que ganar. Sin embargo, el IC 13 no produjo mucha actividad en los ERPs cuando solo miramos este CI, por lo que eliminarlo también tendrá poco impacto. Antes de tomar una decisión final sobre esto, me gustaría ver cómo los movimientos oculares horizontales impactan los datos en los demás participantes. Si generalmente no son un problema, no los corregiría. Pero si parecen problemáticos (en términos de calidad de datos y/o actividad confusa) en varios de los participantes, probablemente los corregiría en todos los participantes (en aras de la consistencia).

    También debemos considerar si excluir IC 16, que tiene una distribución del cuero cabelludo similar al parpadeo y muestra pequeñas deflexiones por cada parpadeo. Repita la serie de pasos que realizó para IC 13 pero use IC 16 en su lugar. Es decir, evaluar los valores de SME después de excluir tanto IC 16 como IC 1 con los valores de SME después de excluir solo IC 1, y luego mirar las ERPs promediadas después de reconstruir los datos de solo IC 16. Cuando hice esto, descubrí que excluir tanto IC 16 como IC 1 condujo a una pequeña mejora en las pymes en comparación con excluir solo IC 1, y encontré una pequeña pero inquietante diferencia entre desviados y estándares en FCz cuando los datos fueron reconstruidos a partir del CI 16. Dado el pequeño error en las formas de onda promediadas, y el hecho de que ya hemos establecido que los parpadeos difieren entre desviados y estándares, excluiría IC 16 junto con IC 1 en los análisis finales.

    También puedes probar este conjunto de procedimientos con el componente que representa el potencial de pico (IC 3).

    ¿Esto suena como mucho trabajo? ¡Lo es! Pero si tu objetivo es publicar un artículo en una revista científica, haciendo una contribución permanente a la literatura científica sobre la que otros puedan construir, vale la pena tomarse el tiempo para tratar los artefactos de una manera cuidadosa y reflexiva. Además, los guiones proporcionados al final del capítulo te muestran cómo hacer que el proceso sea más eficiente automatizando algunas partes del mismo.


    This page titled 9.7: Ejercicio- Decidir qué CI excluir 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.