Saltar al contenido principal
Library homepage
 
LibreTexts Español

4.14: Conclusiones y referencias clave

  • Page ID
    151797
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    Conclusiones clave

    • Puede filtrar EEG y ERPs en el dominio de frecuencia usando la transformada de Fourier, o puede filtrar en el dominio de tiempo usando una función de respuesta de impulso o una función de ponderación. Estos tres enfoques son matemáticamente idénticos y producen exactamente el mismo resultado. Sin embargo, nos preocupamos principalmente por el dominio del tiempo en la investigación de ERP, por lo que es útil pensar en el filtrado como una operación en el dominio del tiempo.
    • La función de respuesta al impulso de un filtro es solo la salida del filtro cuando la entrada es un impulso de amplitud 1 en el tiempo cero.
    • Se puede pensar en una forma de onda ERP como una secuencia de impulsos, uno en cada punto temporal. La salida de un filtro para una forma de onda de entrada dada se puede calcular reemplazando cada impulso en la forma de onda de entrada con una copia de la función de respuesta al impulso que se ha escalado por la amplitud del impulso y luego sumarlos juntos.
    • También se puede pensar en el filtrado como implementado por un promedio ponderado. La función de ponderación es la imagen especular de la función de respuesta al impulso. Esta conceptualización permite ver cómo el valor filtrado en un momento dado se relaciona con los valores en los puntos temporales circundantes.
    • La precisión en el dominio del tiempo está inversamente relacionada con la precisión en el dominio de la frecuencia. Cuanto más se filtre, más distorsión temporal producirá. La cantidad de “mancha” temporal producida por un filtro se entiende fácilmente por el ancho de la función de respuesta al impulso o función de ponderación. El filtrado pesado puede introducir picos artificiales en su forma de onda, especialmente con filtros de paso alto o roll-offs pronunciados, lo que puede hacer que saque conclusiones completamente falsas.
    • Para la mayoría de los experimentos ERP perceptuales, cognitivos y afectivos, el filtrado de 0.1 a 30 Hz funciona muy bien. Si quieres filtrar más fuertemente, primero debes aplicar el filtro a formas de onda artificiales para que puedas ver qué tipo de distorsión produce el filtro.

    Referencias

    Bae, G. Y., & Luck, S. J. (2018). Decodificación disociable de memoria de trabajo y atención espacial a partir de oscilaciones EEG y potenciales sostenidos. La Revista de Neurociencia, 38, 409—422. https://doi.org/10.1523/JNEUROSCI.2860-17.2017

    Bigdely-Shamlo, N., Mullen, T., Kothe, C., Su, K.-M., & Robbins, K. A. (2015). El pipeline PREP: Preprocesamiento estandarizado para análisis EEG a gran escala. Fronteras en Neuroinformática, 9. https://doi.org/10.3389/fninf.2015.00016

    de Cheveigné, A. (2020). ZAPline: Un método simple y efectivo para eliminar artefactos de líneas eléctricas. NeuroImage, 207, 116356. https://doi.org/10.1016/j.neuroimage.2019.116356

    Klug, M., & Kloosterman, N. A. (2022). Zapline-plus: Una extensión Zapline para la eliminación automática y adaptativa de artefactos de ruido específicos de frecuencia en M/EEG. Mapeo Cerebral Humano, 43 (9), 2743—2758. https://doi.org/10.1002/hbm.25832

    Griffin, D. R., & Galambos, R. (1941). La base sensorial de la evitación de obstáculos por murciélagos voladores. Revista de Zoología Experimental, 86, 481—506. https://doi.org/10.1002/jez.1400860310

    Kappenman, E. S., & Luck, S. J. (2010). Los efectos de la impedancia del electrodo sobre la calidad de los datos y la significación estadística en registros ERP. Psicofisiología, 47, 888—904. https://doi.org/10.1111/j.1469-8986.2010.01009.x

    Suerte, S. J. (2005). Una introducción a la técnica del potencial relacionado con eventos. Prensa MIT.

    Suerte, S. J. (2014). Una Introducción a la Técnica Potencial Relacionada con Eventos, Segunda Edición. Prensa MIT.

    Mitra, P. P., & Pesaran, B. (1999). Análisis de Datos Dinámicos de Imágenes Cerebrales. Revista Biofísica, 76 (2), 691—708. https://doi.org/10.1016/S0006-3495(99)77236-X

    Tanner, D., Morgan-Short, K., & Luck, S. J. (2015). Cómo los filtros de paso alto inapropiados pueden producir efectos artifácticos y conclusiones incorrectas en los estudios ERP del lenguaje y la cognición. Psicofisiología, 52, 997—1009. https://doi.org/10.1111/psyp.12437


    This page titled 4.14: Conclusiones y referencias clave 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.