Saltar al contenido principal
Library homepage
 
LibreTexts Español

3.6: Ejercicio- Filtrado Paso Bajo

  • Page ID
    151829
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    Ya hemos filtrado las derivas de voltaje de baja frecuencia en los datos de EEG continuos para los datos de cada participante, pero también hay algo de ruido de alta frecuencia (deflexiones pequeñas pero rápidas en las formas de onda). En nuestro laboratorio, nos preocupamos mucho por reducir las principales fuentes de ruido de alta frecuencia (voltajes inducidos por dispositivos eléctricos en el ambiente y actividad muscular). Como resultado, no hay mucho ruido de alta frecuencia en los grandes promedios que se muestran en la Captura de Pantalla 3.4. Pero hay un poco, y verás mucho más en la mayoría de los experimentos (especialmente en las formas de onda de un solo participante). Entonces, este ejercicio te mostrará cómo filtrar el ruido de alta frecuencia usando un filtro de paso bajo. Lo aplicaremos a la forma de onda ERP de gran promedio, pero en su lugar podría aplicarse a los ERPs de un solo sujeto, los datos de EEG de época o incluso los datos EEG continuos (consulte el Capítulo 7 en Luck, 2014 para obtener información sobre cuándo se deben aplicar diferentes filtros).

    Asegúrese de que el Grand_N400 ERPSet todavía esté cargado en ERPLAB y, a continuación, seleccione EEGLAB > ERPLAB > Herramientas de filtro y frecuencia > Filtros para datos ERP. Verá una ventana que parece casi idéntica a la GUI de filtrado que utilizó para filtrar derivas de baja frecuencia en los datos EEG continuos. Configura como se muestra en la Captura de Pantalla 3.5, lo que debería implicar principalmente establecer el corte de paso bajo a 20 Hz. Luego haga clic en APLICAR para ejecutar la rutina de filtrado. Puede nombrar el nuevo ERPset Grand_N400_Filt.

    Ahora trazar el nuevo ERPSet. En la GUI de trazado, observe que la opción para trazar el error estándar está atenuada. Cuando filtra los datos, los valores de error estándar originales ya no son válidos—son el error estándar del voltaje medio sin filtrar en cada punto temporal, no el error estándar de los valores filtrados. Si desea ver el error estándar de los datos filtrados, deberá filtrar los ERP de un solo participante antes de hacer el promedio general.

    Captura de pantalla 3.5

    Ahora compare las formas de onda filtradas con las formas de onda originales sin filtrar. (Si aún no tiene la gráfica de las formas de onda sin filtrar, seleccione Grand_N400 en el menú ERPSets y ejecute la rutina de trazado). Debería ver que las formas de onda filtradas se ven más suaves que las formas de onda sin filtrar. En un capítulo posterior, analizaremos más de cerca el filtrado y veremos cómo los filtros pueden reducir el ruido pero también pueden distorsionar los datos, y aprenderá a seleccionar filtros que hagan que sus datos sean más limpios sin producir distorsiones significativas.


    This page titled 3.6: Ejercicio- Filtrado Paso Bajo 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.