Saltar al contenido principal
Library homepage
 
LibreTexts Español

11.18: Ejercicio- Puntuar Amplitudes y Latencias y Realización de Análisis Estadísticos

  • Page ID
    151404
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    Este ejercicio demuestra las etapas finales del procesamiento, en las que obtenemos puntuaciones de amplitud y/o latencia de cada participante y realizamos análisis estadísticos. Hay muchas formas en las que podríamos analizar los datos de N170, pero aquí veremos tres enfoques simples.

    En el primer enfoque, mediremos la amplitud media en el rango de latencia N170 (110-150 ms) para las caras y los autos en los clústeres de electrodos del hemisferio izquierdo y del hemisferio derecho. Luego realizaremos un ANOVA de 2 '2 con factores de tipo de estímulo (cara vs coche) y hemisferio de electrodo (izquierda vs derecha). El N170 suele ser más grande para caras que para autos, y este efecto suele ser mayor en el hemisferio derecho que en el hemisferio izquierdo. Como resultado, esperaríamos un efecto principal del tipo de estímulo y un tipo de estímulo 'interacción hemisferio electrodo. Deberá realizar este análisis estadístico utilizando su propio paquete de estadísticas.

    Cualquier diferencia entre las caras y los autos en el primer análisis podría reflejar diferencias en características de bajo nivel (por ejemplo, luminancia, frecuencia espacial) en lugar de diferencias entre las categorías de caras y autos per se. Para abordar esta posibilidad, el experimento también presentó imágenes de caras y autos revueltos por fases, que contienen las mismas características de bajo nivel que las caras y los autos pero que son irreconocibles como caras o autos. En nuestro segundo análisis, haremos una ola de diferencia de cara menos desordenada y una ola de diferencia de auto menos raspado. La actividad ERP directamente atribuible a las características de bajo nivel debe restarse en estas ondas de diferencia, y cualquier diferencia entre las dos ondas de diferencia se puede atribuir a características de nivel superior.

    El tercer análisis será igual que el segundo análisis, excepto que se realizará sobre la latencia máxima del N170 en lugar de la amplitud media. Debido a que los picos se distorsionan fácilmente por el ruido de alta frecuencia, aplicaremos un filtro de paso bajo más fuerte a los datos antes de medir la latencia máxima.

    Importante: Para el segundo y tercer análisis, los guiones realizarán una prueba t pareada comparando las dos ondas de diferencia (solo para el clúster de electrodos del hemisferio derecho). Esto usa una función de Matlab llamada ttest, que es parte de la Caja de Herramientas de Estadísticas y Aprendizaje Automático. Puedes ver si tienes esa caja de herramientas escribiendo ver en la línea de comandos de Matlab. Si no tienes esa caja de herramientas, puedes simplemente eliminar (o comentar) esas líneas del script.

    Adelante, abre el guión (Step7_scoring.m) y échale un vistazo. Como es habitual, el script comienza definiendo un conjunto de variables que serán utilizadas posteriormente en el script. También abre un par de archivos que usaremos para almacenar los nombres de los archivos ERPSet. Enviaremos estos archivos a la Herramienta de Medición para que sepa qué ERPsets usar para puntuar los ERPs (tal como hicimos con la rutina de promedio general en el ejercicio anterior).

    El bucle principal carga los ERPsets creados por el script en el ejercicio anterior. Luego usa ERP Channel Operations (la rutina pop_erpchanoperator) para crear un canal de clúster del hemisferio izquierdo y un canal de clúster del hemisferio derecho. Esto es bastante simple, así que solo enviamos las ecuaciones directamente en el script en lugar de guardarlas en un archivo.

    El siguiente paso es crear las ondas de diferencia usando ERP Bin Operations (la rutina pop_binoperator). Envía un archivo llamado BinOps_Diff.txt que contiene las ecuaciones para hacer las ondas de diferencia. Las operaciones de canal y bin crean versiones actualizadas de la variable ERP, y guardamos este ERPSet en el disco duro. También guardamos el nombre del ERPSet en un archivo llamado Measurement_files.txt.

    Después aplicamos un filtro paso bajo con un corte de media amplitud a 15 Hz y una pendiente de 48 dB/octava, lo que nos ayuda a medir la latencia máxima de manera más precisa. El ERPSet resultante se guarda en el disco duro y el nombre del ERPSet se guarda en un archivo llamado Measurement_15Hz_files.txt.

    Después de recorrer todos los temas, cerramos los dos archivos que se utilizan para almacenar los nombres de archivo ERPset. Después iniciamos la primera etapa de análisis, en la que obtenemos las puntuaciones de amplitud media a partir de las formas de onda progenitoras. Esto se logra llamando a la rutina pop_geterpvalues, que es el equivalente de script de la Herramienta de Medición. Le enviamos el nombre del archivo que contiene los nombres de todos los ERPSets sin filtrar que creamos en el bucle para que sepa qué ERPsets se deben medir. También le enviamos los tiempos de inicio y finalización de la ventana de medición (110 y 150 ms, que son los valores recomendados en el papel ERP CORE). También enviamos dos matrices, una que contiene una lista de los bins que queremos medir (Bins 1-4, que contienen las formas de onda padre) y otra que contiene una lista de los canales que queremos medir (35 y 36, los canales del clúster del hemisferio izquierdo y derecho). También hay algunos parámetros que debe reconocer al usar la versión GUI de la Herramienta de medición. Por último, le decimos el nombre del archivo de texto que debe usar para guardar las puntuaciones de amplitud (MeanAmp.txt).

    Sigue adelante y ejecuta el script, y verás que crea el archivo MeanAmp.txt, con una línea para cada tema y una columna para cada una de nuestras 8 medidas (4 bins '2 canales). Cargue estos datos en un paquete estadístico. Vamos a ignorar los contenedores para los estímulos revueltos y realizar un ANOVA de 2 '2 con factores de tipo de estímulo (cara vs coche) y hemisferio de electrodo (izquierda vs derecha). Si ejecuta el análisis, debería obtener algo como la tabla ANOVA que se muestra en la Tabla 11.3.

    Cuadro 11.3. Tabla ANOVA para el primer análisis N170 (de JASP).

    Casos

    Suma de Cuadrados

    df

    Cuadrado medio

    F

    p

    Hemisferio

    3.228

    1

    3.228

    1.552

    0.248

    Residuales

    16.639

    8

    2.080

       

    StimType

    43.727

    1

    43.727

    62.393

    < .001

    Residuales

    5.607

    8

    0.701

       

    Hemisphere 'StimType

    2.180

    1

    2.180

    3.485

    0.099

    Residuales

    5.004

    8

    0.625

       

    Como se predijo, la mayor amplitud N170 para las caras que para los autos condujo a un efecto principal significativo de tipo estímulo. El efecto fue algo mayor en el cúmulo del hemisferio derecho que en el clúster del hemisferio izquierdo, pero el tipo de estímulo 'interacción hemisferio electrodo no alcanzó significancia. Solo tenemos 9 participantes, así que esto probablemente solo refleja baja potencia.

    La siguiente parte del guión obtiene las puntuaciones de amplitud media a partir de las ondas de diferencia. Esta vez, sin embargo, no guarda las puntuaciones en un archivo. En su lugar, usamos la opción 'SendToWorkspace', 'on' para guardar las puntuaciones en una variable llamada ERP_METHESES en el espacio de trabajo de Matlab. Esta variable es una matriz tridimensional con dimensiones de bin, canal y sujeto. Por ejemplo, ERP_MEDIDAS (2, 1, 7) es la puntuación para el segundo bin, el primer canal y el séptimo sujeto. El script captura estos valores y los almacena en dos matrices unidimensionales, una para el contenedor caras-minus-scrambled-faces y otra para la bin coches-minus-scrambled-cars. La dimensión única está sujeta, por lo que cada una de estas matrices tiene 9 valores.

    Luego enviamos estas dos matrices a la función ttest así:

    [h, p, ci, stats] = ttest (faces_menos_scrambled_meanamp, cars_menos_scrambled_meanamp);

    La función devuelve cuatro variables: h es un 1 si el efecto fue significativo y 0 de lo contrario (suponiendo un alfa de .05); p es el valor p de la prueba; ci es el intervalo de confianza del 95% para la diferencia entre las dos medias; y las estadísticas mantienen el valor t real junto con los grados de libertad. Esta rutina puede ser utilizada para realizar una prueba t pareada o una prueba t de una muestra. La función ttest2 se puede utilizar para una prueba t de muestras independientes, que usaría para comparar dos grupos de sujetos. Después de que el script llame a la función ttest, usa fprintf para imprimir los resultados en la Ventana de Comandos. Como puede ver al mirar su Ventana de Comando, hubo una diferencia significativa en la amplitud entre las olas de diferencia de caras-menos-rostros y coches-menos-raspados-autos.

    La última parte del script mide la latencia máxima del N170 en lugar de la amplitud media. Utiliza una ventana de medición más amplia (que a menudo es necesaria para las medidas de latencia), y realiza las mediciones de los ERPSets filtrados más agresivamente. Luego, el script llama a la función ttest e imprime los resultados en la Ventana de Comandos. La latencia máxima fue significativamente más temprana para la forma de onda caras-minus-scrambled-faces que para la forma de onda coches-minus-scrambled-cars (consistente con las Figuras 11.1D y 11.1E).

    Este es el último guión de este capítulo. Ahora ha pasado por todos los pasos importantes del procesamiento de EEG y ERP, desde la lectura en el EEG sin procesar hasta la realización de un análisis estadístico. ¡Felicidades!

    Pero recuerde, debe ir y venir entre scripts y la GUI en lugar de depender únicamente de scripts. Por ejemplo, debe usar la opción Visor en la Herramienta de medición para observar las puntuaciones junto a cada forma de onda ERP promediada para verificar que el proceso de medición funciona correctamente. Sin embargo, el script también es útil, ya que facilita repetir el procesamiento si es necesario realizar un cambio en algún lugar antes de la canalización. Además, si pone sus scripts y datos disponibles cuando publica un artículo, otros investigadores pueden ver exactamente cómo implementó cada paso del procesamiento en lugar de confiar en la descripción relativamente breve y vaga del procesamiento que normalmente se proporciona en una sección Método.

    El scripting es una habilidad que tarda mucho en dominar, e inicialmente quizás te preguntes si merece la pena. Puede parecer que es más rápido hacer todo en la GUI que pasar horas depurando scripts que hacen lo mismo. Pero a la larga, el scripting es increíblemente útil, y obtendrás más rápido con la experiencia. Aún cometerás muchos errores, ¡ciertamente lo hago! —pero podrás encontrarlos y arreglarlos mucho más rápidamente una vez que tengas más experiencia.


    This page titled 11.18: Ejercicio- Puntuar Amplitudes y Latencias y Realización de Análisis Estadísticos 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.