Saltar al contenido principal
LibreTexts Español

8.10: Ejercicio- Detectar movimientos oculares

  • Page ID
    151436
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    Para este punto, espero que tengan una buena idea de cómo detectar y rechazar los parpadeos. En este ejercicio, veremos otro artefacto común, los movimientos oculares sacádicos. Dependiendo de la naturaleza del experimento, los movimientos oculares sacádicos pueden ser un problema enorme o en gran medida irrelevantes. ¿Cómo se puede decir? La respuesta, como siempre, es pensar en los tres problemas que pretende resolver el rechazo de artefactos. Debido a que el experimento MMN utiliza estímulos auditivos, los cambios en la posición del ojo no afectarán directamente la entrada sensorial. Y debido a que los participantes estaban viendo una película muda en la fijación durante el experimento, no hay razón para sospechar que los ojos se moverán en diferentes direcciones para ensayos desviados versus estándar (aunque esto es algo que debemos verificar en lugar de asumir). Si los movimientos oculares tienen una dirección aleatoria, entonces se cancelarán (porque la polaridad se invierte para direcciones opuestas) y es poco probable que sean un error de error. Entonces, la pregunta principal es si los movimientos oculares agregan ruido significativo y disminuyen nuestro poder estadístico. Podemos usar los valores de SME para determinar si rechazar ensayos con movimientos oculares nos ayuda (porque reduce una fuente de ruido) o nos duele (porque reduce el número de ensayos).

    El sujeto #1 en el experimento MMN no hizo movimientos oculares obvios mientras hacía la tarea, así que vamos a mirar el Asunto #10 para este ejercicio. En este punto, recomendaría salir y reiniciar EEGLAB. A continuación, puede cargar el conjunto de datos denominado 10_mmn_preprocessed .set. Echa un vistazo rápido para familiarizarte con el EEG de este participante. Ordinariamente, mirarías cuidadosamente y pensarías si interpolar algún canal, pero aquí solo nos centraremos en los movimientos oculares.

    Para que los movimientos oculares sean más fáciles de visualizar, vamos a empezar aplicando un filtro de paso bajo para minimizar el ruido de alta frecuencia. Seleccionado EEGLAB > ERPLAB > Herramientas de filtro y frecuencia > Filtros para datos EEG y aplique un filtro paso bajo con un corte de media amplitud de 30 Hz y una pendiente de 12 dB/octava. Guarde el conjunto de datos resultante como 10_mmn_preprocessed_filt. Luego epoch los datos con EEGLAB > ERPLAB > Extraer épocas basadas en binas, usando un rango de tiempo de -200 800 ms y Pre como línea base. Guarde el conjunto de datos resultante como 10_mmn_preprocessed_filt_be. Ahora estamos listos para mirar los movimientos de los ojos.

    Por qué estamos filtrando ahora

    Anteriormente, dije que filtrar el ruido de alta frecuencia no es necesario para la función de paso. Entonces, ¿por qué le pido que filtre los datos aquí? La respuesta es simple: En este punto, quiero que aprendas cómo son los movimientos oculares, y el filtrado ayudará con eso. El filtrado no tendrá prácticamente ningún impacto en el funcionamiento del algoritmo de función de paso.

    A menos que el participante esté rastreando objetos en movimiento o esté caminando, la mayoría de los movimientos oculares que verás serán saccades (cambios repentinos en la posición de la mirada). Los saccades producen un cambio repentino de un nivel de voltaje a otro en los electrodos EOG. Trazar los datos de EEG y pasar a Época 7. Debería verse algo así como Captura de pantalla 8.4. Para ver más claramente los movimientos de los ojos, he seleccionado Ajustes > Número de canales a mostrar en la ventana de trazado e ingresé 6 como el número de canales, y le he dicho que muestre solo una época a la vez con Ajustes > Rango de tiempo para mostrar.

    Captura de pantalla 8.4

    Se puede ver un patrón clásico de movimiento ocular sacádico a 400 ms en Época 7. El voltaje es bastante plano durante unos cientos de milisegundos, y luego hay un cambio repentino en los canales EOG, seguido de una señal relativamente plana a un nivel de voltaje diferente hasta que se produce un parpadeo cerca del final de la época. Esto se debe a que en un movimiento ocular sacádico, la mirada se fija en una ubicación durante un período de tiempo, luego se mueve rápidamente y luego permanece fija en una nueva ubicación por un período de tiempo. A ~400 ms, el voltaje va más positivo en Heog-derecha y más negativo en Heog-izquierda, lo que indica un movimiento del ojo hacia la derecha. Pero el voltaje cambia simultáneamente en la dirección positiva en Veog-lower, lo que significa que el movimiento del ojo también está en ángulo hacia abajo.

    Este participante tiene un número bastante grande de parpadeos, y debemos ocuparnos de ellos antes de evaluar los efectos de los movimientos oculares. Para marcar los parpadeos, seleccione EEGLAB > ERPLAB > Detección de artefactos en datos de época > Artefactos similares a pasos y establezca el ancho de la ventana en 200 ms, el paso de ventana en 10 ms, el umbral en 50 µV y el canal en 33. También, haga clic en el botón 2 en la sección Marcar bandera (esto se explicará un poco más adelante). Haga clic en ACEPTAR para ejecutar la rutina. Si te desplazas por los datos, verás que el algoritmo hizo un buen trabajo al marcar épocas con claros parpadeos. Guarde el conjunto de datos, nombrándolo 10_mmn_preprocessed_filt_be_noblinks.

    Ahora vamos a marcar ensayos con movimientos oculares horizontales. En algunas tareas, los estímulos se presentan a la izquierda o derecha de fijación, por lo que la mayoría de los movimientos oculares son horizontales. En la tarea MMN, los participantes vieron una película muda, por lo que los movimientos oculares podrían ser en cualquier dirección. En consecuencia, en esta tarea, ordinariamente querríamos detectar movimientos oculares tanto horizontales como verticales. No obstante, será más fácil entender lo que está pasando en este ejercicio si solo buscamos movimientos oculares horizontales.

    Para marcar los movimientos oculares horizontales, comience con el conjunto de datos que acaba de crear (10_mmn_preprocessed_filt_be_noblinks) y seleccione EEGLAB > ERPLAB > Detección de artefactos en datos de época > Artefactos similares a pasos. Mantenga el ancho de la ventana a 200 ms y el paso de la ventana a 10 ms, pero cambie el canal a 32 (Heog-bipolar). También debe bajar el umbral a 32 µV. Me gusta usar múltiplos de 16 µV para los movimientos oculares horizontales porque, para el participante promedio, cada grado de rotación ocular aumenta el voltaje HEOG en 16 µV (Lins et al., 1993). Por lo tanto, un umbral de 32 debe detectar movimientos oculares de aproximadamente 2° o más.

    También debe hacer clic en el botón 3 en la sección Marcar bandera. Estas banderas se utilizan para realizar un seguimiento de diferentes tipos de artefactos. La bandera 1 siempre está establecida para cualquier artefacto, pero puedes agregar otras banderas. Cuando detectaste parpadeos, le dijiste que estableciera la Bandera 2. Aquí vamos a establecer la Bandera 3 para los movimientos oculares horizontales. Esto nos permitirá obtener un recuento separado del número de parpadeos y el número de movimientos oculares horizontales.

    Haga clic en ACEPTAR para ejecutar la rutina. Antes de desplazarse por el EEG, eche un vistazo al resumen de artefactos en la ventana de comandos de Matlab, que debería verse así:

    Nº de compartimento (%) aceptado # (%) rechazado # F2 # F3 # F4 # F5 # F6 # F7 # F8
    1 118 (59.0) 82 (41.0) 64 66 0 0 0 0 0 0 0
    2 341 (58.4) 243 (41.6) 185 211 0 0 0 0 0
    ___________________________________________________________________________________________
    Total 459 (58.5) 325 (41.5) 249 277 0 0 0 0 0

    Cuando previamente detectamos ensayos con parpadeos, 31.8% de las épocas fueron señaladas para rechazo (colapsadas a través de bins). Eso ahora ha aumentado a 41.5% (270 épocas). La columna etiquetada como #F2 muestra el número de épocas con Flag 2 set (parpadea), y la columna etiquetada #F3 muestra el número de épocas con el conjunto Bandera 3 (movimientos oculares horizontales). En el Bin 1, por ejemplo, se marcaron 82 épocas para rechazo en general, con 64 épocas con Bandera 2 y 66 épocas con Bandera 3. Por supuesto, 64 + 66 no es igual a 82, porque algunos ensayos fueron marcados tanto para parpadeos como para movimientos oculares. Hubo 18 ensayos marcados por movimientos oculares que no fueron marcados para parpadeos (porque 82 épocas rechazadas totales — 64 épocas marcadas para parpadeos = 18 épocas marcadas solo para movimientos oculares).

    ¿Demasiados parpadeos?

    Como se describió anteriormente, mi laboratorio excluye a cualquier participante con > 25% de ensayos rechazados en nuestros experimentos de ciencias básicas, por lo que podría esperar que este participante hubiera sido excluido. Sin embargo, se utilizó la corrección de artefactos para tratar los parpadeos en los análisis reportados en el artículo ERP CORE (Kappenman et al., 2021), por lo que no fue necesario excluir a este participante.

    Ahora echa un vistazo a los datos de EEG y EOG. (Recomiendo decirle a la herramienta de trazado que muestre solo 6 canales para que pueda enfocarse en los datos de EOG). Verás que la primera época fue marcada tanto para parpadeos como para movimientos oculares (porque tanto las formas de onda VEOG bipolar como Heog-bipolar están dibujadas en rojo en la Época 1). La señal HEOG claramente no es un movimiento ocular, no muestra el paso repentino de un nivel de voltaje a otro nivel de voltaje que es producido por un movimiento ocular sacádico. En cambio, el parpadeo que puedes ver en el canal Voeg-bipolar se ha “filtrado” al canal Heog-bipolar (ver la región marcada con el óvalo rojo en la Captura de Pantalla 8.5). En un mundo ideal, un parpadeo produciría igual actividad a los lados de los dos ojos, y la resta Heog-izquierda menos Heog-derecha eliminaría por lo tanto el parpadeo en el canal Heog-bipolar. Sin embargo, si un electrodo HEOG se colocó un poco más alto o más bajo que el otro, la actividad de parpadeo no será idéntica en los sitios izquierdo y derecho, y la resta no eliminará completamente la actividad de parpadeo. Esta es una de las razones por las que se marcaron un gran número de épocas tanto para parpadeos como para movimientos oculares.

    Captura 8.5

    En la Época 6, verás un movimiento ocular claro (un cambio de voltaje similar a un paso) en el canal Heog-bipolar, que fue marcado correctamente. El movimiento ocular debió haber sido diagonal, porque también creó una desviación escalonada al mismo tiempo en el canal bipolar VEOG. Sin embargo, solo el canal bipolar HEOG se dibuja en rojo, debido a que aplicamos el umbral de 32 µV solo al canal bipolar HeOG, y la deflexión en el canal bipolar VEOG no fue lo suficientemente grande como para ser detectada cuando buscamos parpadeos con un umbral de 50 µV.

    Si te desplazas por todo el conjunto de datos, verás que muchos movimientos oculares horizontales se marcaron con éxito, pero otros se perdieron (por ejemplo, Épocas 3, 67, 190, 389). Redujamos el umbral y veamos si podemos detectar esos artefactos. Primero, guarde el conjunto de datos actual, nombrándolo 10_mmn_preprocessed_filt_be_ noblink s _HEOG32. Lo necesitarás para el próximo ejercicio.

    Ahora repita el proceso de detección de artefactos, manteniendo 10_mmn_preprocessed_filt_be_noblinks_heog32 como el conjunto de datos activo para que podamos agregar a las detecciones anteriores. Al iniciar la detección de artefactos en datos de época > Artefactos similares a pasos, reduzca el umbral a 16 y seleccione el botón 4 en lugar del botón 3 en la sección Marcar bandera. Haga clic en ACEPTAR para ejecutar la rutina y luego eche un vistazo al resumen de artefactos en la ventana de comandos de Matlab, que debería verse así:

    Nº de compartimento (%) aceptado # (%) rechazado # F2 # F3 # F4 # F5 # F6 # F7 # F8
    1 71 (35.5) 129 (64.5) 64 66 128 0 0 0 0 0
    2 183 (31.3) 401 (68.7) 185 211 394 0 0 0 0
    ___________________________________________________________________________________________
    Total 254 (32.4) 530 (67.6) 249 277 522 0 0 0 0

    Se puede ver que ahora hemos rechazado muchos más juicios que antes (67.6% del total). La columna #F3 muestra cuántos ensayos se marcaron con el umbral anterior de 32 µV, y la columna #F4 muestra cuántos ensayos se marcaron con el nuevo umbral de 16 µV. Si te desplazas por los datos, verás que casi todas las pruebas con un claro movimiento horizontal del ojo ahora están marcadas para rechazo.

    Pero, ¿realmente queremos usar este umbral, a pesar de que significa que estaríamos rechazando más de 2/3 de los juicios? Consideraremos cómo responder esa pregunta en el próximo ejercicio. Pero primero, guarde este conjunto de datos como 10_mmn_preprocessed_filt_be_noblinks_heog16.


    This page titled 8.10: Ejercicio- Detectar movimientos oculares 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.