Saltar al contenido principal
Library homepage
 
LibreTexts Español

8.6: Ejercicio- Ajustar el Umbral

  • Page ID
    151510
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    En este ejercicio, veremos cómo ajustar el umbral cambia qué épocas se marcan para rechazo. Empecemos por ver si podemos detectar algunos de los parpadeos que se perdieron con nuestro umbral de ±100 µV. Haga 1_mmn_preprocessed_interp_be el conjunto de datos activo y, a continuación, seleccione EEGLAB > ERPLAB > Detección de artefactos en datos de época > Umbrales de voltaje simples. Cambie los límites de voltaje a -50 50 para indicar que se debe marcar una época para rechazo si el voltaje es más negativo que -50 µV o más positivo que +50 µV en cualquier momento en el canal bipolar VEOG. Haga clic en ACEPTAR para ejecutar la rutina de detección de artefactos.

    Lo primero que debes mirar es la proporción de ensayos rechazados, que se muestra en la ventana de comandos de Matlab. Mientras que el 17.8% de las épocas se marcaron cuando nuestro umbral era ±100 µV, ahora 42.9% se han marcado. Si tuviéramos que usar este umbral de ±50 µV, este participante tendría que ser excluido de los análisis finales (porque mi laboratorio excluye a los participantes si más del 25% de los ensayos fueron rechazados). Obviamente, no quieres excluir a los participantes si no tienes que hacerlo, así que veamos si realmente queremos usar este umbral.

    Si te desplazas por las épocas en la ventana de trazado que apareció, verás que los parpadeos en las Épocas 104 y 170 se han detectado con este umbral. Esa es la buena noticia. Pero si sigues desplazándote, verás las malas noticias: Muchas épocas sin un claro parpadeo ahora están marcadas para rechazo (e.g., Épocas 408, 424, 432 y 435-437). En general, disminuir el umbral de rechazo aumenta nuestra tasa de aciertos (la proporción de parpadeos que se detectaron) pero también aumenta nuestra tasa de falsas alarmas (la proporción de épocas sin parpadeo que se marcan para rechazo).

    Ahora intentemos aumentar nuestro umbral para evitar marcar las épocas 463, 525 y 526, que se marcaron innecesariamente para rechazo con nuestro umbral original de ±100 µV. Cierre la ventana de trazado y la ventana para guardar el conjunto de datos, asegúrese de que 1_MMN_Preprocessed_INTERP siga siendo el conjunto de datos activo y ejecute la rutina de detección de artefactos usando límites de voltaje a -150 150.

    El porcentaje de juicios marcados ha bajado ahora a 11.3%. Eso es bueno en la medida en que aumentar el número de pruebas aceptadas aumentará nuestra relación señal/ruido. Pero podría ser malo si muchos parpadeos han escapado a la detección.

    Si te desplazas por los datos, verás que las Épocas 463, 525 y 526 ya no están marcadas para rechazo, lo cual es bueno. Sin embargo, se han perdido varios parpadeos claros (p. ej., Épocas 103, 191, 201). En general, aumentar el umbral de rechazo disminuye la tasa de aciertos pero también disminuye la tasa de falsas alarmas.

    El mensaje para llevar a casa de este ejercicio es que ajustar el umbral impacta tanto en la tasa de aciertos como en la tasa de falsas alarmas, mejorando una y otra peor. Deberá elegir un umbral que equilibre la tasa de aciertos y la tasa de falsas alarmas de la manera que mejor le ayude a lograr el objetivo fundamental, que es responder con precisión a la pregunta científica que el experimento está diseñado para abordar. ¿Ese objetivo se logra mejor asegurando que todas las épocas con parpadeos sean rechazadas, aunque esto signifique rechazar algunas épocas perfectamente finas? ¿O es el objetivo que mejor se logra optimizando el número de épocas incluidas, aunque algunos parpadeos escapen al rechazo?

    La respuesta dependerá de la naturaleza de su pregunta científica, los detalles de su diseño experimental y la naturaleza de los artefactos en sus datos. En particular, si los parpadeos difieren sistemáticamente entre los contenedores (especialmente en el rango de tiempo de los componentes ERP de interés), entonces generalmente necesitará asegurarse de que la gran mayoría sea rechazada para evitar confundidos. Y si tienes un número razonablemente grande de pruebas, tirar algunas pruebas sin parpadeos realmente no cambiará mucho tu relación señal/ruido (ver el cuadro de texto a continuación). Entonces, en la mayoría de los casos, recomiendo errar del lado de tirar demasiados ensayos en lugar de permitir que algunos artefactos grandes permanezcan en los datos.

    Además, como verás en algunos de los ejercicios posteriores, puedes aumentar tu tasa de aciertos y disminuir tu tasa de falsas alarmas eligiendo un mejor algoritmo para determinar qué épocas contienen artefactos. El simple umbral de voltaje que hemos utilizado en este ejemplo es una mala manera de detectar parpadeos, y siempre me sorprende que muchos paquetes de software no proporcionen mejores algoritmos.

    No te estreses por rechazar algunos ensayos

    Es fácil estresarse por excluir el 20% o 50% de los ensayos por artefactos. ¿Esto va a provocar una reducción del 20% o 50% en la calidad de tus datos? Resulta que excluir los ensayos tiene un impacto menor en la calidad de los datos de lo que cabría esperar.

    Esto se debe a que la relación señal/ruido (SNR) aumenta en función de la raíz cuadrada del número de ensayos. Esta regla de raíz cuadrada es realmente molesta cuando estás diseñando tu experimento, porque duplicar el número de pruebas solo aumenta tu SNR en 41% (porque sqrt (2) = 1.41). Pero la misma regla significa que no pierdes mucho SNR cuando tienes que excluir algunos juicios.

    Como ejemplo, imagine que su SNR de prueba única es 1:2 o 0.5 (es decir, su señal es la mitad de grande que su ruido en las épocas de EEG sin procesar). Si promedian juntos 100 ensayos, el SNR resultante es 0.5 x sqrt (100) = 5. Ahora imagina que tienes que excluir 20 ensayos por artefactos. Ahora tu SNR es 0.5 x sqrt (80) = 4.47. Es decir, has disminuido el número de ensayos en un 20%, pero tu SNR ha bajado solo alrededor del 10%.

    Ahora imagina que tienes que excluir 50 juicios. El SNR resultante es 0.5 x sqrt (50) = 3.54. A pesar de que ha disminuido el número de ensayos en un 50%, su SNR ha bajado solo alrededor de 30%.

    Como se mencionó anteriormente, debes tener un umbral a priori para excluir a los participantes sobre la base del porcentaje de ensayos rechazados, y la regla de raíz cuadrada te ayudará a decidir qué porcentaje usar como tu umbral. ¿Cuánto se reduce su poder estadístico al excluir a un participante versus incluir a participantes con un SNR reducido? Por lo general, su poder se reduce más al excluir al participante a menos que se rechacen tantos ensayos que el SNR sea realmente horrible.

    Sin embargo, esto supone que los artefactos son aleatorios, y la única diferencia entre los participantes con muchos artefactos y los participantes con pocos artefactos es el número de pruebas disponibles para promediar. En mi experiencia, esta suposición es falsa. Los participantes con una gran cantidad de artefactos tienden a cumplir menos con las instrucciones, pueden estar más privados de sueño y, a menudo, tienen señales de EEG más pobres incluso en los ensayos sin artefactos. Nuestro umbral para excluir a los participantes (25% en estudios de ciencias básicas, 50% en estudios de esquizofrenia) es menor de lo que sería necesario si consideráramos únicamente la regla de la raíz cuadrada.

    En el futuro, podemos cambiar a una regla que se base en el SME, una medida directa de la calidad de los datos, en lugar del porcentaje de ensayos rechazados. Esto podría permitir evitar excluir a los participantes cuyos ERP promediados son bastante limpios a pesar de que tuvieron muchos ensayos rechazados y excluir a los participantes que no tenían muchos ensayos rechazados pero que tenían promedios ruidosos sin embargo. Este enfoque podría ser particularmente valioso en los participantes de la investigación para quienes es difícil obtener un gran número de ensayos (por ejemplo, infantes y niños pequeños).


    This page titled 8.6: Ejercicio- Ajustar el Umbral 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.