Saltar al contenido principal
Library homepage
 
LibreTexts Español

8.11: Ejercicio- Decidir un Umbral para los Movimientos de los Ojos

  • Page ID
    151449
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    Para decidir sobre el umbral para rechazar ensayos con movimientos oculares, necesitamos volver a nuestras metas para el rechazo de artefactos. ¿Qué umbral maximiza la calidad de nuestros datos a la vez que evita los confundidos en nuestros datos?

    Primero consideremos si los movimientos oculares horizontales son un confundir en este experimento. Específicamente, ¿podrían los movimientos oculares horizontales causar diferentes voltajes en nuestro sitio de electrodos FCz en ensayos desviados en relación con los ensayos estándar? Esto es poco probable por dos razones. Primero, debido a que FCz está en la línea media, debe estar cerca de la línea de voltaje cero entre los lados positivo y negativo del campo de voltaje producido por los movimientos oculares horizontales. En segundo lugar, no hay razón para sospechar que la frecuencia de los movimientos del ojo hacia la izquierda versus hacia la derecha difiera entre desviados y estándares. Sin embargo, esto es solo una suposición, y debemos verificar para asegurarnos.

    Podemos evaluar esta suposición observando las formas de onda ERP sin ningún rechazo de artefactos. Para ello, seleccione el conjunto de datos para el Sujeto 10 que se creó antes de la detección de cualquier artefacto (10_mmn_preprocessed_filt_be) y luego seleccione EEGLAB > ERPLAB > Calcular ERPs promediados. Si traza las formas de onda ERP resultantes, verá una gran desviación de voltaje para los desviados en el canal bipolar VEOG (indicado por el cuadro verde en la Captura de Pantalla 8.6). También puede ver que este voltaje es opuesto en polaridad debajo de los ojos (Veog-inferior) versus por encima de los ojos (Fp1 y Fp2; vea los cuadros azules en la Captura de Pantalla 8.6). Esto indica que este participante parpadeó más siguiendo los desviados que siguiendo los estándares, tal como vimos para la Materia 1 (ver Figura 8.2.A). Sin embargo, a diferencia del Sujeto 1, el Sujeto 10 mostró este patrón incluso durante la ventana de tiempo MMN, por lo que los parpadeos podrían confundir los efectos MMN para este participante.

    Captura de pantalla 8.6

    Ahora mira el canal Heog-bipolar (indicado por el cuadro magenta en la Captura de Pantalla 8.6). Las diferencias entre desviados y estándares en ese canal no son mayores que las deflexiones de ruido en el periodo basal del prestimulo. Esto nos dice que no tenemos que preocuparnos por las diferencias entre desviados y estándares en la frecuencia de los movimientos del ojo hacia la izquierda versus hacia la derecha, confirmando nuestra suposición. Esto significa que tenemos que preocuparnos principalmente por si los movimientos oculares son una fuente de ruido, no un confuso.

    Para evaluar el ruido, podemos preguntarnos cómo el rechazo del artefacto impactó los valores de las pymes. Específicamente, veremos los valores de SME después de rechazar solo ensayos que contienen parpadeos, rechazar ensayos con parpadeos y movimientos oculares usando un umbral de movimiento ocular de 32 µV, y rechazar ensayos con parpadeos y movimientos oculares usando un umbral de movimiento ocular de 16 µV.

    Para comenzar, consigamos los valores de las pymes después de rechazar ensayos con parpadeos pero antes de rechazar ensayos con movimientos oculares. Hacer activo el conjunto de datos denominado 10_mmn_preprocessed_filt_be_ noblink s, y EEGLAB > ERPLAB > Calcular métricas de calidad de datos (sin promediar). En la sección Calidad de datos de la GUI, seleccione Parámetros personalizados, haga clic en el botón Establecer opciones de DQ... y cree un rango de tiempo personalizado de 125-225 ms. Asegúrese de que la GUI principal esté establecida para excluir épocas marcadas durante la detección de artefactos y, a continuación, haga clic en EJECUTAR. En la tabla de calidad de datos que aparece, mire los valores de ASMe para Bin 1 y Bin 2 del canal FCz en el rango de tiempo de 125-225 ms. Estos valores serán nuestros puntos de referencia para preguntar si rechazar ensayos con movimientos oculares mejora la calidad de los datos (debido a una menor variación aleatoria en el voltaje) o peor (debido a una reducción en el número de épocas que se promedian juntas). Mantenga abierta la ventana de calidad de datos para que pueda consultarla más adelante.

    Ahora repita este proceso con los conjuntos de datos en los que se marcaron los movimientos oculares para rechazo usando un umbral de 32 µV (10_mmn_preprocessed_filt_be_noblinks_heog32) y 16 µV (10_mmn_preprocessed_filt_be_noblinks_heog16). Compare las tablas de calidad de datos resultantes con la tabla de calidad de datos que obtuvo sin rechazo, centrándose en los valores ASMe para Bin 1 y Bin 2 del canal FCz en el rango de tiempo de 125-225 ms.

    Estos valores se resumen en la Tabla 8.1. Se puede ver que la calidad de los datos se redujo ligeramente (es decir, se incrementó la ASMe) cuando se rechazaron grandes movimientos oculares por medio del umbral de 32 µV y se redujo sustancialmente cuando prácticamente todos los movimientos oculares fueron rechazados por medio del umbral de 16 µV. Dado que los análisis previos indicaron que los movimientos oculares horizontales no fueron un error confuso, el umbral de 16 µV parece estar llevándonos más lejos de la verdad y no más cerca de la verdad (porque perjudica nuestra capacidad de medir con precisión la amplitud de MMN). El umbral de 32 µV disminuye la calidad de los datos solo ligeramente (probablemente porque hay algún beneficio de ruido reducido pero algún costo de un número menor de ensayos). Me inclinaría a ir con este umbral de 32 µV (en lugar de no excluir los ensayos con movimientos oculares horizontales), a pesar de que reduce ligeramente la calidad de los datos, por si acaso hay algún pequeño efecto de confusión de grandes movimientos oculares que no era obvio.

    Cuadro 8.1. Efectos del rechazo del movimiento ocular sobre la calidad de los datos y el porcentaje de ensayos rechazados.

    Rechazo

    ASMe para Deviants

    ASMe para Estándares

    % Rechazado

    Sólo parpadea

    0. 8264

    0.5353

    31.8%

    Parpadeo + Movimientos oculares (32 µV)

    0. 8335

    0.5874

    41.5%

    Parpadeo + Movimientos oculares (16 µV)

    0.9901

    0.7437

    67.6%

    Visualización de un Resumen de Artefactos

    En el Cuadro 1 se muestra el porcentaje de ensayos rechazados. Esta información se imprimió en la ventana de comandos de Matlab cuando se calcularon las métricas de calidad de los datos (y también se imprimen al promediar). Si desea ver esta información para un conjunto de datos dado en un momento posterior, seleccione el conjunto de datos relevante y luego seleccione EEGLAB > ERPLAB > Resumir detección de artefactos > Resumir artefactos de EEG en una tabla. Luego se te preguntará dónde quieres guardar el resumen. Normalmente elijo Mostrar en Ventana de Comandos.

    Como has visto, hay cierta subjetividad involucrada con el rechazo de artefactos. En mi experiencia, un investigador bien capacitado puede aumentar significativamente la calidad de los datos finales y evitar confundidos estableciendo cuidadosamente los parámetros de detección de artefactos individualmente para cada participante de esta manera. Lleva algún tiempo, pero conseguirás mucho más rápido a medida que vayas adquiriendo experiencia. Los dos participantes que hemos examinado hasta ahora en este capítulo son casos particularmente desafiantes que requieren un pensamiento y análisis cuidadosos, pero la mayoría de los participantes en este estudio fueron mucho más directos. Encuentro que podemos usar un conjunto estándar de parámetros de detección en aproximadamente el 80% de los participantes en los experimentos de ciencias básicas de mi laboratorio, y solo se necesitan 5 a 10 minutos para verificar que todo está funcionando bien en estos participantes.

    Más allá de la inversión de tiempo, también es importante considerar si personalizar el rechazo de artefactos para cada participante podría generar algún tipo de sesgo en los resultados. La mayoría de los estudios de ERP de ciencias básicas involucran manipulaciones dentro de los sujetos, en las que se utilizan los mismos parámetros de detección de artefactos para todas las condiciones para un participante determinado. Debido a que los parámetros son idénticos en todas las condiciones, hay pocas oportunidades de sesgo. En teoría, el experimentador podría probar muchos parámetros diferentes de detección de artefactos para un participante determinado y luego elegir los parámetros que producen el efecto deseado. Pero esto obviamente es hacer trampa. Si alguien quiere hacer trampa, hay formas mucho más fáciles de hacerlo, así que no me preocupo mucho por esta posibilidad. Para evitar el sesgo inconsciente, debe evitar observar los efectos experimentales en las formas de onda ERP promediadas cuando esté configurando los parámetros (aunque es posible que deba observar las formas de onda EOG promediadas para evaluar la presencia de diferencias sistemáticas en artefactos entre condiciones).

    Mi consejo es diferente para la investigación que se enfoca en comparar diferentes grupos de participantes (por ejemplo, un grupo de pacientes y un grupo de control). En estos estudios, las principales comparaciones son entre los participantes, y ahora podemos tener diferentes parámetros de detección de artefactos para nuestros diferentes grupos. Esto podría conducir a sesgos involuntarios en los resultados. Para minimizar cualquier sesgo, recomiendo que la persona que establece los parámetros de detección de artefactos para los participantes individuales sea ciega para ser miembro del grupo. Por ejemplo, en la investigación de mi laboratorio sobre esquizofrenia, la persona que establece los parámetros de detección de artefactos es ciega para saber si un participante determinado está en el grupo de esquizofrenia o en los grupos de control. Eso es un poco doloroso, pero vale la pena para evitar sesgar los resultados. Tenga en cuenta que también surge cierta subjetividad en la corrección de artefactos (por ejemplo, elegir qué componentes ICA eliminar), por lo que la persona que realiza la corrección también debe ser ciega a la pertenencia al grupo.

    Cuándo establecer los parámetros de detección de artefactos (y cómo evitar una catástrofe)

    Imagina que pasas 9 meses recopilando datos para un estudio ERP, y al final te diste cuenta de que había un problema importante con los datos que te impedía responder a la pregunta que el estudio fue diseñado para responder. Tu corazón empezaría a acelerarse. Tu cara se pondría sonrojada. Tendrías ganas de vomitar. Y querrías meterte en un agujero y nunca salir.

    ¿Te gustaría evitar esa situación? Si es así, entonces aquí hay un consejo importante: Haga el procesamiento inicial de los datos de cada participante dentro de las 48 horas posteriores a la sesión de grabación. Esto incluye cada paso a través del promedio de los datos y el examen de las ERP promediadas. Por supuesto, esto incluye establecer los parámetros de detección de artefactos. E incluye cuantificar los efectos conductuales (que es el paso que la gente olvida con mayor frecuencia).

    Si no haces esto, hay muy buenas posibilidades de que haya un problema con tus códigos de eventos, o con artefactos, o con algo único en tu experimento que no pueda anticipar, y que este problema te impida analizar tus datos al final del estudio. He visto esto pasar muchas, muchas, muchas veces. ¡Muchas veces!

    Puedes detectar muchos de estos problemas haciendo un análisis exhaustivo de los datos del primer participante antes de ejecutar cualquier participante adicional. Y en mi laboratorio, tenemos una regla firme de que los experimentadores ni siquiera pueden programar al segundo participante hasta que hayamos hecho un análisis completo de los datos del primer participante. Estimo que captamos un problema alrededor del 80% del tiempo cuando analizamos los datos del primer participante. Entonces absolutamente debes hacer esto.

    No obstante, algunos problemas no se hacen evidentes hasta el o el 15º participante. Y a veces surge un nuevo problema a mitad del estudio. Por esta razón, realmente debes analizar los datos de cada participante dentro de un par de días.

    Hay otro beneficio secundario en esto: No estarás en la posición de necesitar establecer los parámetros para 30 participantes en una sola sesión de preprocesamiento de maratón de dos días. No sólo serían estos dos de los días más lúgubres de tu vida, sería difícil para ti prestar mucha atención y hacer un buen trabajo al establecer los parámetros. La tarea de establecer los parámetros se distribuye mejor a lo largo del tiempo.


    This page titled 8.11: Ejercicio- Decidir un Umbral para los Movimientos de los Ojos 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.