Saltar al contenido principal
Library homepage
 
LibreTexts Español

2.10: Ejercicio- Calidad de Datos

  • Page ID
    151308
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    Ahora que ya has visto cómo el ruido puede distorsionar las formas de onda ERP promediadas, veamos cómo podemos cuantificar el nivel de ruido (o, para decirlo en términos más positivos, la calidad de los datos). Cuando promedió los datos, recuerde que había una sección de Cuantificación de Calidad de Datos en la GUI de promedio, y la dejó establecida en On - parámetros predeterminados (consulte Captura de pantalla 2.15). Aquí, veremos las métricas de calidad de datos que se crearon por defecto.

    Recordemos que la rutina de promediación imprimió algún texto en la ventana de comandos, terminando con lo siguiente:

    Medida de calidad de datos de ASMe Valor
    medio de 1.0008 en elec FP2, y ventana de tiempo 0:100 ms, en bin 1, palabra Prime, relacionada con la palabra objetivo posterior Valor
    mínimo de 0.16593 en elec Oz, y ventana de tiempo - 200:100 ms, en bin 1, palabra Prime, relacionada con la palabra objetivo posterior
    Valor máximo de 3.5935 en elec F4, y ventana de tiempo 600:700 ms, en el bin 3, Palabra objetivo, relacionada con el primo anterior, seguido de respuesta correcta

    Este es un resumen de un gran conjunto de medidas de calidad de datos que se calculan por defecto al promediar, utilizando una métrica de calidad de datos llamada error de medición estandarizado (SME; la versión específica de SME utilizada aquí es la SME analítica o ASMe). Puedes leer una descripción completa de la métrica SME en Luck et al. (2021), y puedes ver un breve video resumen aquí junto con una infografía correspondiente aquí. Brevemente, los valores de SME proporcionados por defecto le dan el error estándar de medición para el voltaje medio dentro de un conjunto de rangos de tiempo (por ejemplo, 0-100 ms, 100-200 ms, etc.). Cuanto mayor sea el valor de SME, menos precisamente es probable que el voltaje en esa parte de la forma de onda refleje el voltaje verdadero para ese participante (es decir, el voltaje que se obtendría si no hubiera ruido o pudiéramos promediar en un número infinito de épocas). La rutina de promediado calcula un valor ASMe separado para cada combinación de bin, canal y periodo de tiempo.

    El resumen impreso en la ventana de comandos muestra los valores de ASMe mejor (mínimo), peor (máximo) y mediano. Se puede ver que el mejor valor de AsMe fue de 0.16593 µV en el sitio del electrodo Oz en el Bin 1 durante la primera porción del periodo basal (-200 a -100 ms). El peor valor de ASMe fue de 3.5935 µV en el sitio del electrodo F4 en el Bin 3 cerca del final de la época (de 600 a 700 ms). La mediana fue de 1.0008 µV, por lo que el peor valor fue más de tres veces mayor que el valor “típico”.

    ¿Recuerdas que vimos grandes diferencias entre primos que fueron seguidos por palabras relacionadas versus no relacionadas comenzando en el tiempo cero en el canal F4, que lógicamente debió haber sido ruido? No es casualidad que el valor de ASMe fuera mayor para el mismo canal.

    Echemos un vistazo a todos los valores de ASMe que se calcularon cuando se crearon los ERP promediados. Asegúrese de que el ERPset del ejercicio anterior aún esté cargado (marcando el menú ERPSets). Ahora seleccione EEGLAB > ERPLAB > Opciones de calidad de datos > Mostrar medidas de calidad de datos en una tabla. Verás una tabla de valores de ASMe como la que se muestra en la Captura de Pantalla 2.19. Cada fila es un canal diferente y cada columna es un rango de tiempo diferente de 100 ms. Puede seleccionar qué bin se muestra con un menú emergente cerca de la parte superior de la ventana. Actualmente estamos viendo Bin 1.

    Captura de pantalla 2.19

    En esta tabla se muestra una gran cantidad de información. Para ayudarle a encontrar los casos con la peor calidad de datos (los valores más grandes), seleccione la opción Mapa de calor de color. Ahora las celdas de la tabla se colorean de acuerdo a la magnitud de los valores de ASMe.

    Observe que los valores tienden a hacerse más grandes durante las ventanas de tiempo posteriores. Esto se debe a que el procedimiento de corrección de línea de base lleva todas las épocas de EEG de ensayo único hacia 0 µV durante el periodo pretimular, y el ruido hará que el voltaje se desvíe de esta línea base con el tiempo. Cuanta más variación aleatoria haya sobre los ensayos, más difícil es medir con precisión la amplitud, por lo que esta deriva provoca mayores valores de ASMe.

    También debes notar que los valores tienden a ser mayores en el canal F4 y segundos más grandes en el canal Pz. Estos son los mismos canales donde vimos las mayores diferencias relacionadas con el ruido entre los Bins 1 y 2 en las formas de onda ERP promediadas (Captura de Pantalla 2.18). Mira también los otros 3 bins (usando el menú emergente de BIN Seleccionado). Estos canales también son ruidosos en esos contenedores, lo que indica que estos canales solo eran generalmente ruidosos. Si retrocedes y miras las épocas del EEG, no es obvio que estos canales sean más ruidosos que los demás. Ese es el valor de tener una métrica cuantitativa de calidad de datos: Es posible determinar objetivamente qué canales (o qué participantes) tienen datos inusualmente ruidosos. En capítulos posteriores, discutiremos qué hacer cuando un canal o participante es particularmente ruidoso.

    Las métricas de calidad de los datos se calculan de forma predeterminada cuando se crean ERP promediados. Sin embargo, a menudo desea evaluar la calidad de los datos antes de promediar (por ejemplo, para determinar si un procedimiento específico de rechazo de artefactos aumentará o disminuirá la calidad de sus datos). Para lograr esto, selecciona el conjunto de datos EEG apropiado (que debe ser epoched) y luego selecciona EEGLAB > ERPLAB > Calcular métricas de calidad de datos (sin promediar).


    This page titled 2.10: Ejercicio- Calidad de Datos 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.