En la demostración de video, el canal C5 parecía bastante problemático, y mencioné que podríamos querer interpolar ese canal. Además, el canal F8 tenía mucho ruido de alta frecuencia, por lo que también deberíamos considerar interpolar ese canal. En este ejercicio, discutiremos cómo decidir si un canal debe ser interpolado y luego veremos el proceso de interpolación real.
La interpolación se realiza por separado en cada punto de tiempo, utilizando los valores de voltaje de los otros canales en ese punto de tiempo. Existen varios algoritmos que se pueden utilizar para estimar un valor razonable para un canal sobre la base de los otros canales, y todos funcionan razonablemente bien. Me gusta usar el algoritmo esférico proporcionado por EEGLAB. Trata los electrodos como si estuvieran ubicados en una cabeza esférica, y ajusta una función polinómica a la distribución de voltajes, dejando fuera el canal a ser interpolado. Entonces, el valor de la función polinómica en la ubicación a ser interpolada se usa como el voltaje estimado en esa ubicación. Este proceso se repite de forma independiente en cada momento de la muestra. Obtienes una forma de onda bastante razonable en la ubicación interpolada, pero ten en cuenta que es solo una estimación imperfecta de la forma de onda verdadera.
La decisión sobre si interpolar un canal dado en última instancia se reduce a nuestro objetivo fundamental de responder con precisión a la pregunta científica que el experimento fue diseñado para abordar. Voy a proporcionar alguna orientación general, pero en última instancia hay que pensar si la interpolación sirve a ese objetivo. ¿Te acerca a la verdad o más lejos de la verdad? Imagina que has enviado un manuscrito a una revista, y uno de los revisores visita tu laboratorio para ver cómo procesaste realmente tus datos (lo que nunca sucedería en la realidad, por supuesto). ¿Estarías feliz de explicarle a este revisor cómo decidiste si interpolar? ¿O te sentirías un poco avergonzado?
Empecemos con un caso extremo. Imagínese que se rompió un electrodo y la señal de ese electrodo era puro ruido. E imagina que el electrodo roto no estaba siendo utilizado en ninguno de los análisis clave. Por ejemplo, medimos la amplitud MMN en FCz para los análisis principales en el artículo ERP CORE (Kappenman et al., 2021), por lo que los electrodos C5 y F8 no jugaron un papel importante en nuestros análisis (aunque sí hicieron una contribución menor cuando trazamos mapas de cuero cabelludo). Una forma de lidiar con el electrodo roto sería descartar completamente los datos de este participante. Esto reduciría el tamaño de la muestra en nuestros análisis, lo que tiende a disminuir nuestra capacidad de sacar conclusiones precisas sobre la población, por lo que no es una gran opción. La otra opción principal sería interpolar los datos del electrodo roto. Dado que el electrodo roto no contribuye a los análisis principales, poder incluir al participante interpolando y con ello aumentando el tamaño de tu muestra parece que sirve a la verdad mucho más que excluir al participante de todos los análisis.
Ahora consideremos un caso extremo en sentido contrario. Imagina que estás analizando los datos recopilados en otro laboratorio con métodos de grabación realmente pobres (o un participante realmente desafiante), y los datos de FCz y los 8 electrodos más cercanos se ven terribles. No sólo es malo el canal clave para el análisis, sino que también lo son los canales circundantes, lo que dificultará la interpolación precisa. En este caso, incluir al participante en los análisis finales parece que no agregará información real y hará más daño que bien.
Publicé un mensaje en Twitter preguntando cómo los investigadores deciden si algún canal debe ser interpolado. Algunas personas indicaron que lo hacen de manera informal mediante inspección visual. Los canales malos son relativamente raros en mi laboratorio, por lo que también utilizamos la inspección visual. Otros investigadores indicaron que utilizaron un método automatizado, como el complemento Clean Rawdata en EEGLAB o el pipeline PREP (Bigdely-Shamlo et al., 2015). Muchos investigadores que dijeron que utilizan un método automatizado indicaron que el algoritmo falla con la frecuencia suficiente como para confirmar visualmente los resultados. Nunca he probado los métodos automatizados, pero los algoritmos parecen razonables (especialmente el pipeline PREP), y esperaría que funcionaran bien cuando se verifiquen por inspección visual. Sin embargo, se basan principalmente en criterios estadísticos, como lo bien que un canal dado se correlaciona con otros canales (con una correlación baja que sugiere un problema dado que las señales cerebrales verdaderas se propagan ampliamente por el cuero cabelludo y, por lo tanto, producen altas correlaciones entre sitios de electrodos cercanos).
Esto sin duda funcionará para detectar cosas como electrodos sueltos. Sin embargo, si un electrodo está conectado correctamente pero la señal contiene ruido biológico (por ejemplo, actividad muscular), la pregunta es si el ruido disminuye tu capacidad para cuantificar con precisión el valor de amplitud o latencia que será la variable dependiente en tus análisis estadísticos (porque así es como nosotros alcanzar nuestro objetivo fundamental o responder con precisión a la pregunta científica que el experimento está diseñado para abordar). El Error de Medición Estandarizado (SME) es ideal para este propósito porque cuantifica la medida en que el ruido en los datos produce un error en el valor específico de amplitud o latencia que obtendrá de los ERPs promediados. Con esto en mente, consideremos los casos reales de los electrodos C5 y F8 del Sujeto #1 en el experimento ERP CORE MMN.
