Saltar al contenido principal
Library homepage
 
LibreTexts Español

8.9: Ejercicio- Mejor Detección de Parpadeo

  • Page ID
    151423
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    En un ejercicio anterior, vimos que cambiar el umbral de rechazo afecta tanto a la tasa de acierto (la proporción de artefactos detectados) como a la tasa de falsas alarmas (la proporción de ensayos sin artefactos que se marcan para rechazo). Si cambias el umbral para mejorar uno, esto inevitablemente empeora al otro. Sin embargo, hay algo que puedes cambiar que puede mejorar tanto la tasa de aciertos como la tasa de falsas alarmas. Específicamente, puede usar un algoritmo de detección de artefactos que esté mejor diseñado para aislar parpadeos de otros tipos de deflexiones de voltaje.

    El algoritmo de umbral de voltaje simple que hemos utilizado hasta ahora en este capítulo es una forma demasiado simplista de detectar parpadeos. Trata cualquier voltaje grande como un parpadeo, sin tener en cuenta la forma de las formas de onda de parpadeo. En consecuencia, termina marcando juicios que no contienen parpadeos y echa de menos algunos de los verdaderos parpadeos. Podemos mejorar la detección de parpadeos tomando en cuenta el hecho de que los parpadeos son cambios de voltaje relativamente a corto plazo que suelen durar ~200 ms. En este ejercicio, veremos dos algoritmos de detección de artefactos que tienen esto en cuenta y funcionan mucho mejor para la detección de parpadeos.

    El primero se llama algoritmo de pico a pico de ventana móvil, y se ilustra en la Figura 8.3. Con sus parámetros por defecto y nuestras épocas de -200 a 800 ms, este algoritmo comenzará por encontrar la diferencia de amplitud entre los puntos más positivos y los más negativos (la tensión pico a pico) entre -200 y 0 ms (una ventana de 200 ms). Entonces, la ventana se moverá 100 ms hacia la derecha, y el algoritmo encontrará el voltaje pico a pico entre -100 y 100 ms. La ventana seguirá moviéndose 100 ms, encontrando la amplitud pico a pico de 0 a 200 ms, 100 a 300 ms, etc. luego encuentra la mayor de estas amplitudes pico a pico para una época determinada y compara ese valor con el umbral de rechazo.

    La Figura 8.3.A ilustra la aplicación de este algoritmo a un ensayo con un parpadeo. Obtienes una gran amplitud pico a pico durante el periodo del parpadeo debido al cambio relativamente repentino en el voltaje. Sin embargo, el algoritmo no es “engañado” por la deriva lenta que se muestra en la Figura 8.3.B.

    Figura 8.3. Algoritmo de ventana móvil de pico a pico. La amplitud pico a pico se determina en cada ventana, y luego el máximo de estos valores para una época dada se compara con el umbral de rechazo.

    Vamos a probarlo. Vuelva a 1_MMN_Preprocessed_INTERP_BE como el conjunto de datos activo y seleccione EEGLAB > ERPLAB > Detección de artefactos en datos de época > Ventana móvil umbral pico a pico. Establezca el ancho de la ventana a 200 ms y el paso de la ventana a 100 ms (para que obtengamos una ventana de 200 ms cada 100 ms). Establezca el umbral en 100 y el canal en 33 (VEOG-bipolar). Haga clic en ACEPTAR para ejecutar la rutina.

    Lo primero a tener en cuenta es que 28.2% de los juicios han sido marcados por rechazo. Eso es mucho más de lo que teníamos con el umbral de voltaje absoluto; discutiremos las razones de eso en un momento.

    Si te desplazas por los datos, verás que ahora se ha marcado cada parpadeo claro (incluidas las épocas 104 y 170, que se perdieron por el algoritmo de umbral absoluto). Sin embargo, ahora se han marcado más ensayos con ruido muscular por rechazo. He aquí por qué: Imagínese que el ruido muscular hace que el voltaje varíe de -55 a +55 µV entre 200 y 400 ms. Esto no excede el umbral absoluto de ±100 µV, pero crea una amplitud pico a pico de 110 µV, superando nuestro umbral para la amplitud pico a pico. Una forma de resolver esto sería aumentar el umbral a algo así como 120 µV. No obstante, esto provocaría que empezáramos a faltar parpadeos reales.

    Otro enfoque sería aplicar un filtro de paso bajo previo a la detección de artefactos. Vamos a darle una oportunidad. Vuelva a 1_MMN_Preprocessed_INTERP_BE como el conjunto de datos activo y seleccione EEGLAB > ERPLAB > Detección de artefactos en datos de época > Ventana móvil umbral pico a pico. Mantenga los parámetros iguales, pero marque la casilla etiquetada Prefiltrado de paso bajo... y establezca el corte de amplitud media en 30. Esta opción crea una copia oculta del conjunto de datos, le aplica el filtro y aplica el algoritmo de detección de artefactos a esta copia oculta. Los indicadores de detección de artefactos se copian luego en el conjunto de datos original. De esa manera, obtienes los beneficios de prefiltrar los datos en términos de marcar pruebas apropiadas, pero terminas con tus datos originales sin filtrar.

    Haga clic en Aceptar para ejecutar la rutina de detección de artefactos. Verás que solo 13.0% de los ensayos están marcados para rechazo (comparado con 28.2% sin prefiltrado). Si te desplazas por los datos, verás que todos los parpadeos claros están marcados, pero los ensayos con ruido EMG no lo están. Si verifica las medidas de calidad de los datos usando EEGLAB > ERPLAB > Calentar métricas de calidad de datos (sin promediar), verá que el ASMe para FCz ha mejorado ligeramente en relación con el rechazo basado en el umbral de voltaje absoluto. Y si trazas las formas de onda ERP, verás que son bastante similares a lo que encontramos con el umbral de voltaje absoluto.

    Entonces, el algoritmo de pico a pico de ventana móvil es definitivamente superior al algoritmo de umbral de voltaje absoluto. No hace una gran diferencia con este participante, pero hace una gran diferencia para algunos participantes y algunos paradigmas experimentales. Sin embargo, en muchos casos, querrás usar la opción de prefiltro de paso bajo.

    Ahora veamos otro algoritmo que funciona bastante bien pero que no requiere ningún filtrado de paso bajo. Yo llamo a este algoritmo la función de paso, porque lo desarrollé para detectar las deflexiones de voltaje escalonadas producidas por los movimientos oculares sacádicos en paradigmas N2pC. Finalmente descubrí que también funciona muy bien para detectar parpadeos.

    La función step también implica una ventana móvil, con 200 ms como valor por defecto razonable para la mayoría de los estudios. Dentro de una ventana de 200 ms, este algoritmo calcula la diferencia entre la tensión media en la primera mitad de la ventana y la tensión media en la segunda mitad de la ventana. Luego encuentra la mayor de estas diferencias para todas las ventanas en una época determinada, y compara el valor absoluto de esta diferencia con el umbral de rechazo. Por ejemplo, la ventana indicada por las líneas rojas en la Figura 8.3.A tiene una amplitud de aproximadamente 20 µV durante la primera mitad y aproximadamente 70 µV durante la segunda mitad, por lo que esta sería una diferencia de aproximadamente 50 µV. Eso no superaría un umbral de 100 µV, pero se puede usar un umbral inferior con la función step que con los otros algoritmos. Además, obtendrá el voltaje más grande de un parpadeo si el centro de la ventana está ligeramente antes del inicio del parpadeo, y un tamaño de paso más pequeño (por ejemplo, 10 ms) tiende a ser mejor.

    Vamos a probarlo. Vuelva a 1_MMN_Preprocessed_INTERP_BE como el conjunto de datos activo y seleccione EEGLAB > ERPLAB > Detección de artefactos en datos de época > Artefactos similares a pasos. Establezca los parámetros como se muestra en la Captura de Pantalla 8.3. Específicamente, establece el ancho de ventana a 200 ms y el paso de ventana a 10 ms (para que obtengamos una ventana de 200 ms cada 10 ms). Establezca el umbral a 50 µV y el canal a 33. Haga clic en ACEPTAR para ejecutar la rutina.

    Captura de pantalla 8.3

    Primero debe tener en cuenta que 13.1% de los ensayos han sido marcados para rechazo, lo que es casi idéntico a lo que obtuvimos cuando usamos el algoritmo de ventana móvil pico a pico con la opción de prefiltrado. Pero tenga en cuenta que no se requiere ningún filtrado con la función step: cuando el algoritmo de función step promedia en cada mitad de la ventana de 200 ms, la actividad de alta frecuencia se elimina virtualmente.

    Si te desplazas por el EEG, verás que el algoritmo ha marcado con éxito todos los parpadeos claros sin marcar muchas pruebas que no parpadean. En mi experiencia, la función de paso funciona ligeramente mejor que el algoritmo de media móvil pico a pico (especialmente cuando hay mucho ruido EMG) y significativamente mejor que los umbrales de voltaje absoluto. Es lo que recomiendo para detectar parpadeos en la mayoría de los casos.


    This page titled 8.9: Ejercicio- Mejor Detección de Parpadeo 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.