Saltar al contenido principal
Library homepage
 
LibreTexts Español

10.10: Ejercicio: colapsar a través de canales y correlacionar las latencias con los tiempos de respuesta

  • Page ID
    151702
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    Hasta el momento, hemos estado midiendo y analizando los datos únicamente de los canales C3 y C4, donde el LRP es más grande. Sin embargo, a menudo es valioso incluir los datos de múltiples canales. Una forma de hacerlo es medir desde múltiples canales diferentes e incluir canal como factor en el análisis estadístico. Sin embargo, eso agrega otro factor al análisis, lo que aumenta el número de valores de p y por lo tanto aumenta la probabilidad de obtener efectos bogus-pero-significativos. Además, las interacciones entre una manipulación experimental y el sitio del electrodo son difíciles de interpretar (Urbach & Kutas, 2002, 2006). En la mayoría de los casos, por lo tanto, recomiendo promediar las formas de onda a través de los canales donde el componente es grande, crear un clúster y luego obtener las puntuaciones de amplitud o latencia de la forma de onda del clúster. El promedio entre canales de esta manera tiende a producir una forma de onda más limpia, lo que disminuye el error de medición (siempre y cuando no incluyamos canales donde el efecto ERP sea sustancialmente menor). Además, evita la tentación de “cherry-pick” el canal con mayor efecto.

    En el experimento ERP CORE flankers, el efecto LRP fue solo ligeramente menor en los canales F3/F4 y C5/C6 que en el canal C3/C4, por lo que deberíamos ser capaces de disminuir nuestro error de medición y aumentar nuestros tamaños de efecto creando un cluster de estos tres conjuntos de canales.

    Ya he creado este clúster en las ondas de diferencia en la carpeta Chapter_10. Están en el Canal 12, que está etiquetado como clúster. Intentemos medir la latencia máxima de este canal en los datos filtrados (que ya deberían estar cargados). Simplemente puede repetir los procedimientos de medición y análisis del ejercicio anterior donde medimos la latencia máxima a partir de los datos filtrados, pero cambiando el Canal de 5 a 12. Deberías ver que el tamaño del efecto ha aumentado un poco (-0.683 para el análisis de conglomerados relativo a -0.630 cuando medimos desde el canal C3/C4). El colapso entre canales no siempre aumenta el tamaño del efecto, pero no suele doler, y evita la necesidad de incluir el canal como factor en el análisis o la necesidad de determinar cuál canal usar. Mi laboratorio ahora mide a partir de un clúster en prácticamente todos nuestros estudios.

    Nuestro último paso será preguntar si los valores de latencia máxima están correlacionados con los tiempos de respuesta (RT). Es decir, ¿los participantes con picos posteriores de LRP también tienen RTs más lentos? Desafortunadamente, se necesita un trabajo significativo para extraer RT usando ERPLAB. En sus propios experimentos, es posible que desee hacer esto usando la salida de su sistema de presentación de estímulos en lugar de usar ERPLAB. Para el presente ejercicio, escribí un guión ERPLAB para obtener los RTs medios para ensayos compatibles e incompatibles para cada participante. Guardé los valores en una hoja de cálculo de Excel llamada RT.xlsx, que puedes encontrar en la carpeta Chapter_10. Una ventaja de usar un script ERPLAB para obtener los RT es que puede excluir los ensayos que fueron rechazados por artefactos de los RT medios para que los datos ERP y los datos de comportamiento se basen exactamente en el mismo conjunto de ensayos. Una desventaja es que se necesita un poco de trabajo. He proporcionado el guión que escribí para este propósito (llamado Get_LRP_RTS.m en la carpeta Chapter_10), que puedes usar como modelo para tus propios estudios.

    Veamos las correlaciones. Deberá combinar los valores de RT de la hoja de cálculo con los valores de latencia máxima que acaba de crear a partir de las formas de onda que se colapsaron a través de los tres pares de sitios de electrodos. Y luego necesitarás leerlos en tu paquete estadístico o en un programa de hoja de cálculo (ver peak_latency_filt_collapsed.xlsx en la carpeta Chapter_10). Luego querrás ver la correlación entre la latencia máxima y RT por separado para la condición Compatible y la condición Incompatible.

    En la Figura 10.5 se muestran los resultados que obtuve en Excel. Los puntajes de latencia máxima se correlacionaron bastante bien con los RT, especialmente para los ensayos incompatibles. Algunos valores atípicos en las puntuaciones de latencia pico de LRP para los ensayos compatibles redujeron claramente la correlación en esa condición. Sin embargo, estas correlaciones muestran que el momento de la actividad cerebral está relacionado con el momento de la respuesta conductual.

    Figura 10.5. Gráfica de dispersión que muestra la relación entre la latencia máxima de LRP y el tiempo de respuesta para las condiciones Compatible e Incompatible.

    This page titled 10.10: Ejercicio: colapsar a través de canales y correlacionar las latencias con los tiempos de respuesta 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.