Saltar al contenido principal
Library homepage
 
LibreTexts Español

3.4: Ejercicio- Datos “malos”

  • Page ID
    151845
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    Hasta ahora, hemos estado viendo datos realmente limpios. Sin embargo, la realidad de la investigación ERP (y la mayoría de las áreas de la neurociencia humana) es que a menudo se obtienen algunos participantes con datos realmente ruidosos. Y en algunas áreas, los datos ruidosos son la norma (y se necesita un gran número de participantes para suplirlo. Por ejemplo, imagínese intentar grabar el EEG de niños ondulados de 2 años. Obtendrías todo tipo de artefactos de movimiento, y no se sentarán a través de una hora de recolección de datos como lo hará un adulto pagado. Pero también verás algunos ruidosos en estudios de adultos tranquilos y conformes. Entonces, no importa qué tipo de investigación ERP te interese, probablemente necesitarás aprender a lidiar con datos ruidosos.

    En este ejercicio, veremos a uno de los 40 participantes del estudio completo N400 cuyos datos fueron problemáticos (Asunto 30). Este participante no fue horrible, todos nuestros participantes eran estudiantes universitarios que cumplieron bastante con nuestras instrucciones, y conocemos muchos trucos para optimizar la calidad de los datos en las grabaciones de EEG (ver Farrens et al., 2019 para una descripción detallada de nuestro protocolo de grabación EEG). Sin embargo, los datos de este participante fueron problemáticos de una manera que a menudo vemos en nuestra población estudiantil universitaria.

    Puede encontrar los datos de este participante en la carpeta denominada Bad_Subject dentro de la carpeta Chapter_3. Ya he preprocesado el EEG e hice los ERPs promediados, así que no es necesario que sigas esos pasos. La carpeta contiene el archivo de conjunto de datos de EEG original, el archivo de conjunto de datos de EEG después de todos los pasos de preprocesamiento (incluida la detección de artefactos) y el archivo ERPset promediado.

    Comience cargando los datos de ERP promediados de este participante (EEGLAB > ERPLAB > Cargar ERPSet existente) y trazar Bins 3 y 4 (EEGLAB > ERPLAB > Plot ERP > Trazar formas de onda ERP). Debería ver una forma de onda muy ruidosa para las palabras objetivo relacionadas, pero falta la forma de onda para las palabras objetivo no relacionadas. Si observa la métrica de calidad de datos AsMe (EEGLAB > ERPLAB > Opciones de calidad de datos > Mostrar medidas de calidad de datos en una tabla), encontrará un valor de ASMe de 0 para cada canal en cada punto de tiempo para el Bin 3 (objetivos relacionados) y un valor de NaN para el Bin 4 (objetivos no relacionados). NaN es una abreviatura para no un número, y es lo que usa Matlab cuando algo no se puede calcular (por ejemplo, cuando requiere dividir por cero).

    Ahora traza las formas de onda ERP para las palabras principales (Bins 1 y 2) y mira los valores de ASMe para estas palabras. Las formas de onda son ruidosas, y los valores de ASMe son más altos que los de los 10 participantes que procesaste en los ejercicios anteriores. Pero al menos parece que hay datos válidos para estos bins.

    Tu trabajo ahora es averiguar qué ha salido mal con los Bins 3 y 4 para este participante. En el Capítulo 2, hice un punto de describir varias comprobaciones que debe realizar al procesar los datos de un participante (ver resumen de pasos en la Sección 2.12). En la sección 3.4 del presente capítulo se describen algunas comprobaciones adicionales. Repasa estas comprobaciones para averiguar qué le salió mal a este participante. Una vez que lo hayas hecho, puedes leer el cuadro de texto a continuación para asegurarte de que tu respuesta fue correcta (¡pero sin picos hasta que la hayas descubierto por ti mismo!).

    Espero que ya hayas descubierto el problema con el Sujeto 30. Incluí este ejemplo para llevar a casa un punto que hice en el Capítulo 2, es decir, que realmente necesitas prestar mucha atención cuando inicialmente estás procesando los datos de cada participante. No se limite a ejecutar un guión y esperar lo mejor. Observe el número de códigos de eventos, el número de ensayos aceptados y rechazados, el EEG continuo y las épocas que fueron marcadas por el proceso de detección de artefactos. Si no lo hace, sus datos se llenarán con C.R.A.P. (que es un acrónimo de Potenciales Artifactuales Comúnmente Grabados, pero también se refiere a una variedad de otros problemas, como códigos de eventos incorrectos). Y como dicen: basura adentro, basura afuera. Entonces, si quieres que tus experimentos den resultados robustos, estadísticamente significativos y precisos, ¡presta mucha atención a los datos!

    ¿Qué tiene de malo el Sujeto 30?

    Si carga el ERPset para Subject 30 y observa ERP.nTrials, verá que solo hubo un juicio aceptado en el Bin 3 y hubo cero ensayos aceptados en el Bin 4. Y si cargas uno de los archivos de dataset de EEG y miras el EEG, verás que este participante parpadeó mucho. En particular, el participante parpadeó justo alrededor del momento de la respuesta de buttonpress (código de evento 201) en casi todos los juicios. Como resultado, la forma de onda ERP para Bin 3 se basó en un “promedio” de un solo ensayo, y el valor de ASMe fue cero. El bin 4 no tenía pruebas, por lo que no se pudo trazar ninguna forma de onda ERP para ese bin, y el valor ASMe no era un número (NaN). Bien más de la mitad de los ensayos también fueron rechazados en los Bins 1 y 2, y los datos solo fueron generalmente ruidosos para este participante. Por eso los valores de ASMe fueron malos incluso para los Bins 1 y 2.

    Cuando cargó el ERPset para Subject 30 en ERPLAB, el hecho de que no hubiera pruebas en el Bin 4 llevó a un mensaje de advertencia que se imprimió en texto rojo en la ventana de comandos (ADVERTENCIA: bin #4 tiene ERPs planos). Probablemente todavía lo puedas ver si te desplazas hacia arriba. Probablemente no lo notaste cuando ocurrió por primera vez, porque probablemente se desplazó fuera de la pantalla antes de que pudieras verla. Cuando te encuentras con un problema (como un bin que no parece trazar correctamente), deberías mirar la ventana de comandos (desplazándote hacia arriba si es necesario) para ver si se imprimió algún mensaje de advertencia o error. Eso puede ayudarte a encontrar problemas como este.

    Entonces, ¿qué podemos hacer con respecto a este tema? En la versión publicada del experimento N400 ERP CORE, se utilizó la corrección de artefactos en lugar del rechazo de artefactos para hacer frente a los parpadeos. Es decir, se utilizó un procedimiento llamado análisis de componentes independientes para estimar y eliminar la parte de la señal que fue causada por el parpadeo. Rechazamos los ensayos con parpadeos solo si los parpadeos ocurrieron cerca del tiempo cero, lo que indica que los ojos estaban cerrados cuando se presentó la palabra (lo cual era raro). En consecuencia, pudimos incluir casi todos los ensayos de todos los participantes en nuestras formas de onda ERP promediadas.


    This page titled 3.4: Ejercicio- Datos “malos” 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.