Saltar al contenido principal
LibreTexts Español

2.8: Ejercicio- Detección de Artefactos

  • Page ID
    151291
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    Los artefactos de parpadeo que viste en el ejercicio anterior son enormes en relación con el EEG, y estos artefactos pueden ser un problema real. Pueden hacer que sea difícil ver la actividad cerebral real, y necesitamos una forma de lidiar con ellos. En la versión publicada de los experimentos ERP CORE, se utilizó un método llamado Análisis de Componentes Independientes (ICA) para estimar y eliminar los voltajes artefactuales, dejando atrás el EEG no contaminado. ICA es a la vez lento y complicado, así que no lo usaremos en este capítulo (pero lo cubriremos en detalle en el Capítulo 9). En su lugar, usaremos un enfoque más crudo llamado rechazo de artefactos. En este enfoque, utilizamos un algoritmo simple para identificar qué épocas están contaminadas por parpadeos oculares. Luego marcaremos estas épocas estableciendo una bandera en EventList. Posteriormente, cuando hagamos los ERPs promediados, simplemente dejaremos de lado las épocas en las que se ha establecido esta bandera.

    Hay mucho que saber sobre artefactos y rechazo de artefactos, y este tema será tratado en detalle en el Capítulo 8. Por ahora, tomaremos un enfoque muy simple en el que verificaremos cada época para ver si el voltaje supera los ±100 µV en cualquier canal. Si el voltaje excede este rango en una época determinada, marcaremos esa época para rechazo. Llamamos a esta etapa del proceso detección de artefactos en lugar de rechazo de artefactos, porque simplemente estamos marcando las épocas con artefactos para que sean excluidos cuando lleguemos al paso de promediar.

    Para este ejercicio, asegúrese de que el conjunto de datos creado durante el ejercicio anterior (6_N400_preprocessed_filt_elist_bins_be) esté cargado en EEGLAB. Luego seleccione EEGLAB > ERPLAB > Detección de artefactos en datos de época > Umbral de voltaje simple. En la ventana que aparece, ingrese -100 100 como los límites de voltaje, asegúrese de que solo esté seleccionado el botón Bandera 1 (gris ligeramente más oscuro), y asegúrese de que los demás parámetros coincidan con los mostrados en la Captura de Pantalla 2.13).

    Captura de pantalla 2.13

    Al hacer clic en el botón ACEPTAR, ERPLAB probará cada época en busca de artefactos, y luego aparecen dos ventanas. Una es la ventana habitual que pregunta qué le gustaría hacer con el nuevo conjunto de datos. El otro es la ventana habitual de trazado de EEG, pero ahora cualquier época con un artefacto se resalta con un fondo amarillo (ver Captura de Pantalla 2.14). La idea es que primero use la ventana de trazado de EEG para asegurarse de que ERPLAB hizo un trabajo adecuado al detectar artefactos. Entonces, si todo se ve bien, harás clic en Aceptar en la ventana “guardar” para conservar el nuevo conjunto de datos. A menudo, sin embargo, su inspección visual del EEG indicará que es necesario realizar algunos ajustes en los parámetros de detección de artefactos. Por ejemplo, podrías ver que se perdieron algunos parpadeos porque eran demasiado pequeños. Luego podría reducir los límites de voltaje (por ejemplo, establecerlos en ±90 en lugar de ±100 en la ventana que se muestra en la Captura de Pantalla 2.13) y ejecutar el procedimiento de detección de artefactos nuevamente. En el capítulo 8 se describe este proceso en detalle.

    Captura de pantalla 2.14

    Verificación de que las épocas con artefactos han sido marcadas

    Siga adelante y eche un vistazo al EEG en la ventana de trazado, usando una escala vertical de 100 µV como se muestra en la Captura de Pantalla 2.14. En la primera pantalla de datos, se puede ver que la segunda, tercera y quinta épocas están marcadas como que contienen artefactos. Los canales individuales que superaron nuestros límites de ±100 µV se dibujan en rojo, y las épocas que contienen un artefacto en uno o más canales tienen un fondo amarillo. Excluiremos toda una época de nuestros promedios aunque contenga un artefacto en un solo canal. La razón es que el artefacto puede no ser fácilmente visible en todos los canales en el EEG sin procesar, pero aún así podría ser lo suficientemente grande como para distorsionar nuestros datos. Además, sería un poco raro que nuestros ERP promediados se basaran en diferentes ensayos para diferentes canales.

    Ahora desplácese por todos los datos en la ventana de trazado de EEG y verifique si hay alguna época 1) que contenga artefactos grandes que no estén marcados para rechazo o 2) que no contengan artefactos grandes y que, sin embargo, estén marcados para rechazo.

    Cuando reviso los datos, se ve bastante bien, pero sí encontré algunas épocas que contienen artefactos pequeños de parpadeo ocular pero que no estaban marcados para rechazo (por ejemplo, las épocas 9, 154 y 201). Todos ellos contienen deflexiones de voltaje en el canal VEOG que tienen la misma forma básica que los parpadeos oculares que fueron marcados para rechazo, junto con un desviador de polaridad inversa en los electrodos Fp1 y Fp2. Como se discutirá en el Capítulo 8, este patrón es característico de los parpadeos oculares. Entonces, el enfoque muy simple que hemos utilizado para detectar parpadeos oculares en este ejercicio es bastante bueno pero no perfecto. Hablaremos de mejores enfoques en el Capítulo 8.

    Este participante parpadeó mucho, más de lo típico, por lo que muchos ensayos quedarán excluidos de nuestros ERPs promediados. Esto a su vez reducirá la relación señal/ruido de los ERPs promediados, haciendo más difícil cuantificar con precisión la amplitud N400. Para ver exactamente cuántos ensayos se marcaron para rechazo, vaya a la GUI principal de Matlab y busque en la ventana de comandos. Verá que la rutina de detección de artefactos produjo una tabla que muestra el número y porcentaje de pruebas aceptadas y rechazadas para cada contenedor, así como el total entre contenedores. (No te preocupes por las columnas etiquetadas F2, F3, etc., que serán discutidas en el Capítulo 8). Verás que el 38.5% de los ensayos fueron rechazados en todas las papeleras. Ordinariamente, mi laboratorio “arroja” a cualquier participante para quien se rechazaron más del 25% de los ensayos (ver Capítulo 6 en Luck, 2014). Sin embargo, este experimento fue diseñado para ser analizado mediante corrección de artefactos en lugar de rechazo de artefactos (ver Capítulo 9), por lo que en realidad no necesitábamos excluir a este participante. Por cierto, puede imprimir esta tabla de valores en un momento posterior si lo desea seleccionando EEGLAB > ERPLAB > Resumir detección de artefactos.

    Ahora que has mirado a través de las épocas y el número de pruebas con artefactos, puedes ir a la ventana que pregunta ¿Qué quieres hacer con el nuevo conjunto de datos? y haga clic en Aceptar para guardar este conjunto de datos como 6_n400_preprocessed_filt_elist_bins_be_ar. Guarde el conjunto de datos en su disco duro si no va a hacer el siguiente ejercicio de inmediato.


    This page titled 2.8: Ejercicio- Detección de Artefactos 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.