Saltar al contenido principal
Library homepage
 
LibreTexts Español

14: Apéndice 3: Ejemplo de tubería de procesamiento

  • Page ID
    151700
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    Este apéndice proporciona un ejemplo de una canalización típica de preprocesamiento de EEG para un solo participante, incluyendo todos los pasos previos al promedio. Es casi idéntico a los guiones de canalización proporcionados en la segunda mitad del capítulo sobre Scripting (Capítulo 10). Gran parte de la lógica para el orden de los pasos se explica en Luck (2014), especialmente en el Apéndice 1.

    Este pipeline está optimizado para los tipos de experimentos que normalmente se realizan en mi laboratorio, como los experimentos ERP CORE, en los que los estudiantes universitarios altamente cooperativos se prueban en tareas cognitivas relativamente simples. Los cambios a menudo serán necesarios para diferentes tipos de tareas y/o participantes. En otras palabras, ¡no sigas ciegamente este pipeline!

    Paso 1: Preprocesamiento previo a la corrección de artefactos basada en ICA

    • Importar los archivos de datos EEG originales del participante a EEGLAB
      • Si hay varios archivos de datos (por ejemplo, uno por bloque de prueba), combínelos en un solo conjunto de datos.
        • Si se quitó el límite y se reemplazó entre archivos de datos (por ejemplo, porque tuvo sesiones de grabación en varios días), debe fusionar los archivos de datos después del paso ICA (porque los electrodos pueden no estar exactamente en los mismos lugares para los diferentes archivos, lo que estropeará ICA pero no es gran cosa para la mayoría de los demás tipos de análisis).
        • Si un canal dado es malo en un subconjunto de los bloques, podrías interpolar ese canal para esos bloques en esta etapa. Si haces esto, debes aplicar el paso de filtrado que se describe a continuación en esta etapa, lo que hará que la interpolación funcione mejor. (Y luego se saltará el filtrado en la etapa posterior.)
      • Si sus datos fueron registrados sin referencia (generalmente esto es solo para el sistema BioSemi ActiveTWO), puede recibir una advertencia que le anima encarecidamente a hacer referencia a los datos ahora. No lo hagas. Harás referencia a los datos en un paso posterior.
      • Recomendado: Guardar este conjunto de datos como un archivo
    • Si es apropiado, cambiar los códigos de evento de estímulo a tiempo para tener en cuenta cualquier desajuste consistente entre el tiempo del código de evento y el tiempo real de inicio del estímulo.
      • Todas las pantallas LCD interponen un retardo constante entre el momento en que la información del video llega desde la tarjeta de video de la computadora y el momento en que la imagen se presenta en la pantalla. Este retraso no puede ser detectado por la computadora y no se puede determinar de manera confiable a partir de las especificaciones del fabricante. Debe medirse con algún tipo de fotosensor. Este retraso suele ser mayor a 25 ms, por lo que debe ser contabilizado.
      • Casi todas las pantallas de video (LCD y CRT) tienen un retraso que depende de la posición vertical del estímulo en la pantalla. Este retraso suele ser de ~15 ms para la parte inferior de la pantalla en relación con la parte superior (suponiendo una frecuencia de actualización de 60 Hz). Si estás usando estímulos en ubicaciones verticales muy diferentes en tus diferentes condiciones experimentales, debes medir el retraso por separado para las diferentes ubicaciones y ajustarlo en consecuencia. Para estímulos grandes que están centrados verticalmente, medimos el retraso en el centro vertical de la pantalla.
      • También pueden ocurrir retrasos para estímulos en otras modalidades. El retraso debe medirse y, si es sustancial, contabilizarse desplazando los códigos de evento.
      • Asegúrese de cambiar solo los códigos de eventos de estímulo y no los códigos de eventos de respuesta (a menos que también haya un retraso para las respuestas). Use un valor de desplazamiento positivo porque el código del evento necesita cambiarse más tarde en el tiempo (porque el estímulo ocurrió después del código del evento).
      • La función de ERPLAB para cambiar los códigos de eventos crea un archivo CSV que muestra cómo se desplazó cada código de evento. Deberías mirar este archivo para verificar que el cambio fue correcto.
      • También es importante verificar que el retraso sea consistente (±1 periodo muestral). Si no es consistente, probablemente haya un problema con el guión de presentación de estímulos.
    • Si lo desea, reduzca la muestra de sus datos a una frecuencia de muestreo más baja
      • Por lo general, mi laboratorio registra a 500 Hz y luego reduce las muestras a 250 Hz. Esto nos da una mayor frecuencia de muestreo si alguna vez la necesitamos, pero el downsampling a 250 Hz hace que el procesamiento de datos posterior sea más rápido y los archivos de datos sean la mitad de grandes.
      • Tenga en cuenta que la rutina pop_resample de EEGLAB aplicará automáticamente un filtro antialiasing apropiado antes del proceso de remuestreo.
    • Aplicar un filtro paso banda a los canales EEG y EOG
      • Normalmente utilizamos una función de respuesta al impulso Butterworth no causal, corte de media amplitud de 0.1—30 Hz, roll-off de 12 dB/oct.
        • Algunos investigadores prefieren un corte más bajo para el filtro de paso alto (por ejemplo, .05 Hz o .01 Hz), especialmente cuando se observan componentes lentos como el potencial positivo tardío. Sin embargo, encontramos que 0.1 Hz funciona mejor en la mayoría de los casos. ¡No uses nada superior a 0.1 Hz a menos que sepas realmente lo que estás haciendo!
        • Debe aplicar la opción para eliminar el desplazamiento de CC en los datos antes de filtrar. Esto puede reducir los artefactos de borde que ocurren al principio y al final de cada período de grabación.
      • Si hay un ruido extenso de 60 Hz, puede aplicar el complemento cleanline (Mitra & Pesaran, 1999; consulte Bigdely-Shamlo et al., 2015 para obtener detalles importantes sobre la implementación de esta herramienta). Si cleanline no te funciona bien, puedes probar el nuevo método Zapline (de Cheveigné, 2020; Klug & Kloosterman, 2022). Alternativamente, podría disminuir la frecuencia de paso bajo a 20 Hz y/o aumentar la pendiente del filtro paso bajo a 48 dB/octava (lo que requiere hacer el filtrado paso bajo y paso alto como pasos separados).
      • Si también ha grabado otras señales (por ejemplo, un fotosensor), es posible que no desee filtrar esos canales (o puede que desee diferentes parámetros de filtrado para esos canales).
    • Agregue información de ubicación de canal especificando las ubicaciones 3-D de los electrodos.
    • Realizar operaciones de canal para crear canales bipolares (y para hacer referencia a los datos si no fueron referenciados durante la grabación).
      • Crear un canal HEOG bipolar (heog-izquierda menos heog-derecha o viceversa)
      • Crear un canal VEOG bipolar (Veog-inferior menos el electrodo más cercano que está por encima de los ojos). Por ejemplo, si el electrodo Veog-inferior está debajo del ojo izquierdo, la señal FP1 normalmente se restaría de la señal Veog-inferior.
      • Conservar los canales originales, monopolares de EOG, que serán importantes para ICA.
      • Asegúrese de que la información de ubicación del canal sea preservada por la rutina de Operaciones de Canal.
      • Si sus datos no fueron registrados con una referencia, haga referencia a los datos ahora.
        • En algunos sistemas (por ejemplo, BioSemi ActiveTWO), no se hace referencia a los datos guardados en el disco y debería realizar la referencia ahora. Sin embargo, si sus datos fueron referenciados durante la grabación, no vuelva a hacer referencia ahora. La re-referenciación se realizará posteriormente, después de la corrección del artefacto.
        • En la mayoría de los laboratorios que utilizan el sistema Brain Products ActiChamp, los datos ya están referenciados en este punto. Sin embargo, nuestro laboratorio tiene una versión personalizada del sistema de adquisición de datos en la que no se hace referencia a los datos. Por lo tanto, nuestro laboratorio hace referencia en este punto (y luego volvemos a hacer referencia, después de la corrección de artefactos).
        • Si estás haciendo referencia ahora, usa un solo sitio de electrodo como referencia. Si se desea una combinación de sitios a largo plazo (por ejemplo, el promedio de todos los sitios, el promedio de los mastoides), volverás a hacer referencia a esa combinación más adelante.
        • Realmente no importa qué sitio se utilice como referencia en este punto. Mi laboratorio usa P9.
      • Recomendado: Guardar el conjunto de datos resultante como un archivo. Llamamos a este conjunto de datos el conjunto de datos pre-ICA.
    • Ver el EEG para asegurarse de que todo se ve bien y para identificar los canales que requieren interpolación. Estos canales quedarán fuera del proceso de descomposición del ICA. La interpolación real se realizará después de que se haya realizado la corrección ICA.
      • Para identificar los canales que deben interpolarse:
        • Inspeccione visualmente el EEG tanto en escalas de tiempo cortas (por ejemplo, 5 segundos) como largas (por ejemplo, 60 segundos). Este video demuestra cómo realizar una inspección visual inicial de datos continuos de EEG https://doi.org/10.18115/D5V638.
        • Si el voltaje se desplaza alrededor o hay muchos cambios repentinos en el voltaje, ese canal debe ser interpolado.
        • Si un canal está bien para la mayor parte de la sesión pero muestra periodos ocasionales de grandes deflexiones, este canal puede interpolarse después de una época pero limitado a épocas en las que ocurren las grandes deflexiones (según se determina con los procedimientos de detección de artefactos).
        • Si un canal muestra mucho ruido de alta frecuencia, es posible que en realidad no necesite ser interpolado.
          • Si la variable dependiente principal será la tensión media en algún rango de tiempo (por ejemplo, 200-300 ms para N2pc o 300-500 ms para N400), el ruido de alta frecuencia no suele ser un problema. La mejor manera de saber si va a ser un problema es mirar el error de medición estandarizado (SME). Si el SME para ese canal es >2 SD más allá del SME medio de los otros canales (excluyendo EOG, Fp1 y Fp2), entonces el canal debe ser interpolado. Si el canal es el canal principal para el análisis de datos, podría interpolar si es >1.5 SD más allá de la media.
          • Si hay mucho ruido de alta frecuencia, la señal también puede corromperse en este canal. Para ver esto, haga una nota para verificar el ERP promediado para ese canal y los canales circundantes después del proceso de promediado. Si el canal se ve bastante diferente de los canales circundantes, la señal probablemente se corrompe y el canal debe ser interpolado (lo que requerirá volver a esta etapa y repetir todos los procesos posteriores.
          • Si la variable dependiente principal será un valor de latencia y/o una variable relacionada con el pico, es más probable que el ruido de alta frecuencia sea un problema. Puedes confirmarlo calculando la pyme bootstrapped cuando llegues al paso de promediar.
      • Guardar información sobre los canales que deben interpolarse en un archivo Excel. Eso hace posible repetir el procesamiento con un script.
      • Si un canal dado se comporta mal solo ocasionalmente, guarde esta información en el archivo Excel que controla la detección de artefactos.

    Paso 2: Corrección de Artefacto basada en la CIA

    • Hacer una copia del conjunto de datos pre-ICA. Utilizaremos este nuevo conjunto de datos para la descomposición de ICA. Este nuevo conjunto de datos se llama el conjunto de datos de descomposición ICA.
    • Aplique las siguientes operaciones al dataset de descomposición ICA.
      • Filtro paso banda con cortes de media amplitud a 1 y 30 Hz, 48 dB/octava
        • Está bien que hayamos filtrado dos veces los datos. El filtrado original es tanto más suave que será empequeñecido por el nuevo filtro.
        • Si su corte de paso bajo anterior estaba en 20 Hz, use 20 Hz aquí también
        • Si tu pendiente de paso bajo anterior era de 48 dB/octava, solo haz un filtro paso alto en esta etapa (1 Hz, 48 dB/octava).
        • Nota: Es importante que este filtrado se realice antes de los siguientes pasos. Algunos de los siguientes pasos introducen discontinuidades en los datos de EEG, y estos pueden conducir a artefactos de borde si el filtrado se aplica más tarde.
      • Vuelva a tomar muestras de los datos a 100 Hz.
        • Esto no es estrictamente necesario, pero hace que la descomposición del ICA sea más rápida.
        • No vuelva a tomar muestras si la grabación fue breve. Se necesitan datos suficientes para entrenar la rutina de descomposición ICA. Consulte el capítulo sobre corrección de artefactos para obtener detalles sobre la cantidad de datos necesarios.
      • Eliminar periodos de descanso, porque el EEG suele ser “loco” durante los descansos, lo que degrada la descomposición del ICA.
        • Un descanso se define como un periodo de al menos X ms sin un código de evento, donde X es algún valor razonable (por ejemplo, 2000 ms, asumiendo que nunca se tienen 2000 ms entre los códigos de evento excepto durante los descansos).
        • Se le puede decir que ignore ciertos códigos de eventos. Siempre se deben excluir los eventos de límite. También es posible que desee excluir eventos de respuesta (en caso de que el sujeto haga pulsaciones de botón durante los descansos).
        • Necesita un búfer en los bordes de los períodos de descanso para que no corte en sus eventuales épocas (por ejemplo, 1500 ms al comienzo del descanso y 500 ms al final del descanso).
      • Eliminar periodos de EEG “locos” (desviaciones salvajes, más allá de lo que se ve con artefactos ordinarios).
        • Esto normalmente se puede hacer usando la rutina de rechazo de artefactos (datos continuos) de ERPLAB.
        • Al establecer los parámetros, asegúrese de que está rechazando principalmente segmentos de datos con EEG “loco” y no está rechazando segmentos con parpadeos u otros artefactos ordinarios.
        • Por lo general, se deben excluir los canales EOG. Si incluye estos canales, es posible que necesite un umbral de rechazo que sea demasiado alto para los canales EEG. Para sujetos con parpadeos inusualmente grandes, también es posible que deba excluir Fp1, Fp2 o cualquier otro canal que esté muy cerca de los ojos.
        • Para la mayoría de los sujetos, un umbral de 500 µV y un tamaño de ventana de 1000 ms funcionan bien. Sin embargo, debe inspeccionar visualmente los resultados y ajustar estos parámetros si es necesario. Si los parpadeos superan el umbral, deberá aumentar el umbral (o tal vez excluir Fp1, Fp2 u otros canales con una gran actividad de parpadeo). Los parámetros finales deben almacenarse en una hoja de cálculo de Excel para su uso en scripting.
        • Marque la casilla etiquetada Unir segmentos artifácticos separados por menos de y ponga 1000 en el cuadro de texto correspondiente.
        • Tenga en cuenta que esta eliminación de segmentos con EEG “loco” está diseñado solo para mejorar la descomposición ICA. Una vez que los pesos ICA se transfieren de nuevo al conjunto de datos pre-ICA para crear el conjunto de datos post-ICA (ver más abajo), estos segmentos estarán presentes en los datos. Más tarde, hará la época de los datos post-ICA y aplicará la detección de artefactos ordinarios para marcar y eventualmente excluir cualquier época que contenga desviaciones de voltaje salvajes. De esta manera, tendrás un recuento exacto del número de pruebas excluidas por artefactos.
      • Recomendado: Guardar la versión final de la base de datos de descomposición ICA t como un archivo.
    • Realizar el proceso de descomposición ICA en el conjunto de datos de descomposición ICA.
      • Asegúrese de que 'extendido', 1 está establecido (debe establecerse por defecto). Esto permite a ICA detectar componentes sub-gaussianos, como ruido de línea y derivas lentas.
      • Excluir los canales bipolares de EOG (porque los usaremos más adelante para ver los parpadeos y movimientos oculares).
      • Excluir “canales malos” que serán interpolados.
      • Si el ICA falla o no converge, verifique el conjunto de datos para ver si tiene muchos segmentos muy cortos entre eventos de límite. Si es así, es posible que deba modificar sus procedimientos para eliminar períodos de EEG “loco” (por ejemplo, aumentando el valor de Unir segmentos artifácticos separados por menos de).
      • Recomendado: Guardar el resultado como un nuevo archivo.
    • Examine los componentes (especialmente los mapas del cuero cabelludo) para asegurarse de que la descomposición funcionó correctamente. Debe tener 1-2 canales correspondientes a parpadeos (y posiblemente movimientos oculares verticales) y 1-2 canales correspondientes a movimientos oculares horizontales.
      • Mi laboratorio normalmente no elimina componentes correspondientes a otros artefactos, pero esto podría hacerse cuando sea necesario para artefactos de ECG y quizás otros.
    • Determine qué componentes corresponden a artefactos que deben eliminarse. Esto se hace examinando los mapas del cuero cabelludo y comparando el curso temporal de los componentes con el curso temporal de las señales EOG. Esta información debe ser almacenada en una hoja de cálculo para que pueda ser utilizada en scripts.
    • Transfiera los pesos ICA del conjunto de datos de descomposición ICA al conjunto de datos pre-ICA. El resultado se llama el conjunto de datos post-ICA.
    • Retire los componentes independientes correspondientes a los artefactos.
      • Recomendado: Guardar el resultado como archivo.
    • Inspeccione visualmente los datos corregidos para asegurarse de que la corrección funcionó correctamente.

    Paso 3: Procesamiento de EEG post-ICA (comenzando con el conjunto de datos post-ICA)

    • Volver a hacer referencia a los datos
      • La preferencia actual de mi laboratorio es el promedio de P9 y P10, con el promedio de las mastoides izquierda y derecha como segunda mejor alternativa. Por lo general, es mejor usar lo que sea más común en su área de investigación ERP. Por ejemplo, utilizamos el promedio de todos los sitios como referencia cuando miramos la N170 provocada por rostros, porque esa es la referencia más común en esa área de investigación. Esto facilita la comparación de las ERPs entre estudios (porque una referencia diferente puede hacer que las formas de onda y las distribuciones del cuero cabelludo se vean radicalmente diferentes).
      • También crear HEOG y VEOG bipolares a partir de los canales EOG corregidos por la CIA y mirarlos para evaluar la efectividad de la corrección de artefactos.
      • Mantener las señales bipolares HEOG y VEOG no corregidas, las cuales utilizaremos para detectar parpadeos y movimientos oculares que ocurrieron cerca de ese momento de inicio del estímulo y que puedan haber interferido con la percepción del estímulo.
    • Realizar la interpolación para los “canales malos” que se identificaron anteriormente.
      • Los canales no EEG (por ejemplo, canales EOG, un canal fotosensor, un canal de conductancia cutánea) deben ignorarse en el proceso de cálculo de valores interpolados.
      • Tenga en cuenta que la interpolación debe realizarse normalmente después del filtrado de paso alto.
      • Si está utilizando el promedio de todos los sitios como referencia, debe realizar la interpolación antes de hacer referencia o excluir de la referencia cualquier sitio a ser interpolado.
    • Agregar una lista de eventos al conjunto de datos
    • Ejecute BINLISTER para asignar eventos a bins
    • Extraer épocas basadas en contenedores
      • Importante: Utilice la herramienta de ERPLAB (Extraer épocas basadas en binas), no la herramienta de EEGLAB (Extraer épocas). Las operaciones posteriores de ERPLAB no funcionarán correctamente si utiliza la herramienta de EEGLAB.
      • Nuestra época estándar es de -200 a +800 ms. Se usa un prestimulus más largo si vamos a hacer análisis basados en frecuencia o si queremos maximizar la estabilidad de prueba a prueba de la señal (por ejemplo, para la decodificación, que es extraordinariamente sensible a la variabilidad de prueba a prueba).
      • La corrección basal se aplica ordinariamente en este paso.
      • Recomendado: Guardar el conjunto de datos de época como un archivo.

    Paso 4: Detección de artefactos

    • Procedimiento general para un tipo determinado de artefacto
      • Comience con los parámetros de detección predeterminados
      • Aplicar a los datos
      • Verificar número de ensayos detectados
      • Desplácese por los datos para determinar si los parámetros fueron efectivos
      • Si los parámetros no fueron efectivos, actualícelos e inténtelo de nuevo hasta que se encuentren los parámetros efectivos
      • Los parámetros deben almacenarse en una hoja de cálculo para futuras secuencias de comandos.
    • Artefactos estándar para detectar
      • Parpadeos y movimientos oculares que podrían interferir con la percepción del estímulo
        • Prueba de parpadeos en el canal VEOG bipolar no corregido y prueba de movimientos oculares en el canal HEOG no corregido
        • Utilice la función de paso con un tamaño de ventana de 200 ms y un tamaño de paso de 10 ms
        • El período de prueba debe comenzar a -200 ms (porque la visión se suprime funcionalmente durante ~100 ms después de que se complete el parpadeo, por lo que queremos detectar parpadeos incluso si terminaron poco antes del inicio del estímulo)
        • El período de prueba debe ser de al menos 200 ms y debe terminar en o después de la compensación del estímulo
        • Comience con un umbral de 50 µV para parpadeos y 32 µV para movimientos oculares (lo que corresponde a una rotación de 2° de los ojos)
        • A menudo puedes mirar las señales de EOG promediadas para ver si has eliminado estos artefactos con éxito.
      • General C.R.A.P. que incrementa el error de medición
        • Aplicar a todos los canales excepto a los canales HEOG y VEOG no corregidos
        • Utilice tanto el umbral de voltaje absoluto como los algoritmos de pico a pico de ventana móvil; ocasionalmente capturan diferentes pruebas
        • El período de prueba normalmente debe abarcar toda la época.
        • 150 µV es un buen umbral de inicio.
        • El objetivo es reducir el error de medición, que se puede cuantificar mirando a la pyme. Cuando descarta un ensayo debido a C.R.A.P., reduce la variabilidad de prueba a prueba, lo que disminuye el error de medición. Sin embargo, también se reduce el número de ensayos, lo que aumenta el error de medición. El SME toma en cuenta ambos y te dice si, cuando se consideran ambos factores, el error de medición es mejor o peor.
        • Puedes tolerar más C.R.A.P. en un canal dado si ese canal no contribuye a tus análisis principales (por ejemplo, si tus análisis se limitarán a otros canales). En muchos casos, la mayoría de los canales se utilizan solo al trazar mapas del cuero cabelludo. Sin embargo, si va a volver a hacer referencia después de la detección de artefactos, cualquier canal que forme parte de la referencia es importante.
      • Nota: Use una bandera diferente para cada tipo de artefacto. Esto permite rastrear cuántos artefactos de cada tipo se marcaron.
    • Se debe registrar el número de ensayos con versus sin artefactos. Hacemos esto agregado a través de las condiciones (es decir, colapsado a través de contenedores). Si el porcentaje de ensayos rechazados es mayor al 25%, mi laboratorio siempre excluye al sujeto de los análisis finales. (Elevamos este umbral al 50% para estudios de afecciones psiquiátricas y neurológicas). Un umbral diferente para la exclusión puede ser apropiado para otro tipo de investigación. Sin embargo, es importante que el criterio de exclusión se establezca antes de mirar los datos.
    • Después de que los datos de un participante hayan sido completamente procesados de esta manera (incluyendo visualizar los datos y guardar todos los parámetros de análisis específicos del participante en una o más hojas de cálculo), los datos del participante deben ser reprocesados con un script
      • Esto debería dar el mismo resultado, pero puede evitar errores que puedan ocurrir en el procesamiento manual
      • El proceso de descomposición ICA no necesita repetirse cuando los datos se vuelven a procesar con un script. Es decir, los pesos se pueden transferir desde el conjunto de datos de descomposición ICA creado durante el procesamiento manual.

    Referencias

    Bigdely-Shamlo, N., Mullen, T., Kothe, C., Su, K.-M., & Robbins, K. A. (2015). El pipeline PREP: Preprocesamiento estandarizado para análisis EEG a gran escala. Fronteras en Neuroinformática, 9. https://doi.org/10.3389/fninf.2015.00016

    de Cheveigné, A. (2020). ZAPline: Un método simple y efectivo para eliminar artefactos de líneas eléctricas. NeuroImage, 207, 116356. https://doi.org/10.1016/j.neuroimage.2019.116356

    Klug, M., & Kloosterman, N. A. (2022). Zapline-plus: Una extensión Zapline para la eliminación automática y adaptativa de artefactos de ruido específicos de frecuencia en M/EEG. Mapeo Cerebral Humano, 43 (9), 2743—2758. https://doi.org/10.1002/hbm.25832

    Suerte, S. J. (2014). Una Introducción a la Técnica Potencial Relacionada con Eventos, Segunda Edición. Prensa MIT.

    Mitra, P. P., & Pesaran, B. (1999). Análisis de Datos Dinámicos de Imágenes Cerebrales. Revista Biofísica, 76 (2), 691—708. https://doi.org/10.1016/S0006-3495(99)77236-X


    This page titled 14: Apéndice 3: Ejemplo de tubería de procesamiento 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.