Saltar al contenido principal
Library homepage
 
LibreTexts Español

9.9: Recomendaciones generales

  • Page ID
    151928
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    En esta sección, resumo mis recomendaciones para la corrección de artefactos basada en ICA. Estas recomendaciones reflejan mi valoración del estado actual del arte. Es difícil determinar el enfoque óptimo del ICA analíticamente o con simulaciones, por lo que estas recomendaciones se basan principalmente en una combinación de experiencia informal (la mía y la de los demás) y estudios empíricos (que a menudo no son satisfactorios porque la verdad fundamental no se suele conocer). Como resultado, estas recomendaciones pueden cambiar a medida que se acumule más información, y otros investigadores pueden estar razonablemente en desacuerdo con algunas de ellas.

    Además, estas recomendaciones se basan en gran medida en estudios de participantes adultos conformes, y algunos cambios pueden ser necesarios para otras poblaciones. Entonces, úselos como punto de partida para diseñar su propio enfoque de corrección de artefactos, no como una receta para seguir ciegamente. Y asegúrate de que tu enfoque esté diseñado para lograr el objetivo fundamental de obtener una respuesta precisa a la pregunta científica que tu estudio está diseñado para responder (lo que normalmente implica reducir el ruido y evitar confundidos de voltajes artificiales y de cambios en la entrada sensorial).

    Ahora que he terminado con las advertencias, aquí están mis recomendaciones:

    • La corrección debe realizarse ordinariamente sobre datos continuos. Si tiene intervalos interjuicio muy largos, puede usar datos de época, pero las épocas deben ser de al menos 3 segundos de duración (por ejemplo, -1000 a +2000 ms). No se debe aplicar corrección basal (Groppe et al., 2009). No debe haber solapamiento entre épocas consecutivas. Además, la época debe realizarse después de la etapa de filtrado paso alto que se describe más adelante.
    • Los datos deben ser referenciados, y todos los canales incluidos en la descomposición ICA deben compartir la misma referencia. Cualquier referencia razonable está bien, pero se requieren pasos adicionales si usa el promedio de todos los sitios como referencia (consulte la tubería de preprocesamiento de Makoto o la documentación ICA de EEGLAB). Crear canales bipolares adicionales para parpadeos y movimientos oculares (pero estos quedarán fuera de la descomposición).
    • Si tiene grandes cantidades de ruido de línea, use el complemento cleanline para eliminarlo (consulte Bigdely-Shamlo et al., 2015 para obtener detalles importantes sobre la implementación de esta herramienta). Esto es mejor que aplicar un filtro de paso bajo (pero un filtro de paso bajo es suficiente para cantidades modestas de ruido de línea).
    • Desplácese por todo el conjunto de datos para asegurarse de saber qué tipos de artefactos y otros problemas están presentes. Determinar qué canales deben interpolarse.
    • Una vez que haya aplicado los pasos anteriores, haga una copia separada del conjunto de datos para su uso en la descomposición ICA. Aplicar los siguientes pasos a esa copia, pero no a los datos originales.
      • Filtro paso alto a 1 Hz (recomiendo 48 dB/octava). Si no va a analizar la actividad de alta frecuencia (por ejemplo, oscilaciones de banda gamma), también debe aplicar un filtro paso bajo a 30 Hz (48 dB/octava).
      • Bajar la muestra de los datos a 100 Hz.
      • Eliminar periodos de tiempo durante los descansos.
      • Eliminar segmentos de enorme C.R.A.P.
      • Ejecute la descomposición ICA con el algoritmo runica, usando la opción 'extended', 1. Deja fuera los canales bipolares y cualquier canal que planeas interpolar.
      • Verificar que los CI sean razonables (por ejemplo, no demasiados mapas irregulares del cuero cabelludo, especialmente para la mitad superior de los CI). Si no lo son, echa otro vistazo a los datos y mira si hay problemas que te perdiste.
      • Cuando estás comenzando por primera vez (o cambiando a un tipo diferente de paradigma experimental o población participante), es una buena idea repetir la descomposición y asegurarte de obtener resultados similares cada vez. Si no lo haces, entonces la descomposición no está funcionando bien. El plugin RELICA se puede utilizar para proporcionar una evaluación cuantitativa de la fiabilidad de la descomposición.
      • Si no puede obtener una buena descomposición, verifique para asegurarse de que tiene suficientes datos. La regla informal es que el número de puntos de tiempo en el conjunto de datos debe ser de al menos 20 x (# canales) 2 (asumiendo que sus datos originales fueron muestreados a ~250 Hz). Si no tienes suficientes datos, una opción es aplicar PCA primero para reducir la dimensionalidad de tus datos. Sin embargo, esto puede crear problemas significativos (Artoni et al., 2018), y no debes usarlo a menos que tengas más de 128 canales.
    • Transfiera los pesos ICA a la versión original del conjunto de datos (la versión justo antes de hacer la copia).
    • Evalúe los CI con los siguientes pasos:
      • Examine los CI cuidadosamente para asegurarse de que todo se vea bien e identificar los CI clave. Esto incluye mirar el mapa del cuero cabelludo, el espectro de frecuencia y el mapa de calor del curso del tiempo para cada IC clave, y luego desplazarse a través de las activaciones y voltajes del CI simultáneamente para ver qué cambios de voltaje coocurren con los CI clave.
      • Calcular los valores de SME correspondientes a su análisis de datos planificado (por ejemplo, amplitud media de 125-225 para el MMN) antes versus después de corregir para cada IC para ver si la corrección realmente mejora la calidad de sus datos.
      • Para cada IC que quieras eliminar, reconstruye tus datos usando solo ese IC. Luego promediar los datos y ver si ese CI varía sistemáticamente según las condiciones (o grupos en un diseño entre sujetos, pero eso requiere hacer grandes promedios entre los participantes).
    • Elimine los CI que corresponden a artefactos claros y bien entendidos, que hayan sido bien aislados por ICA y en realidad sean problemáticos (por ejemplo, reduzca la calidad de sus datos o difieran según las condiciones en los ERP promediados).
    • Interpolar los canales malos que previamente identificaste.
    • Después de realizar la corrección de artefactos, debe realizar la detección de artefactos en los datos de época. Como mínimo, se quiere eliminar épocas con C.R.A.P., porque éstas no son manejadas bien por corrección de artefactos. En experimentos visuales, también debes marcar y rechazar épocas con parpadeos y movimientos oculares que podrían haber interferido con la percepción de los estímulos (p. ej., entre -200 y 400 ms). Puedes usar los canales bipolares EOG para esto porque no fueron corregidos.
    • Como comprobación final, puede aplicar la detección/rechazo de artefactos a sus datos en lugar de la corrección de artefactos y luego comparar los promedios generales de estos dos enfoques. Idealmente, los promedios grandes deberían ser similares, pero más ruidosos para la versión de rechazo que para la versión de corrección (porque hay menos ensayos disponibles). Si ve grandes diferencias entre las versiones rechazadas y corregidas, esto puede indicar que la corrección ha reducido una fuente importante de actividad neuronal (porque sus CI de artefactos contenían una mezcla de actividad cerebral y artefactos) o que no ha logrado corregir completamente los artefactos.

    Quisiera decir algunas palabras sobre cómo interactúa la interpolación con la corrección de artefactos. No quieres que los “malos canales” estropeen la descomposición de ICA, por lo que estos canales necesitan ser excluidos de la etapa de descomposición. Luego realizarás la interpolación después de que se haya realizado la descomposición y se hayan corregido los datos. De esa manera, los canales interpolados reflejarán los datos corregidos. Mi laboratorio pasó unos 20 minutos un día hablando sobre los diferentes órdenes posibles de pasos para combinar interpolación y corrección, y este enfoque fue claramente el mejor.


    This page titled 9.9: Recomendaciones generales 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.