Saltar al contenido principal
LibreTexts Español

2.4: Ejercicio- Filtrado de Derivas de Baja Frecuencia del EEG

  • Page ID
    151321
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)

    \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)

    \( \newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\)

    ( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\)

    \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)

    \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\)

    \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)

    \( \newcommand{\Span}{\mathrm{span}}\)

    \( \newcommand{\id}{\mathrm{id}}\)

    \( \newcommand{\Span}{\mathrm{span}}\)

    \( \newcommand{\kernel}{\mathrm{null}\,}\)

    \( \newcommand{\range}{\mathrm{range}\,}\)

    \( \newcommand{\RealPart}{\mathrm{Re}}\)

    \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)

    \( \newcommand{\Argument}{\mathrm{Arg}}\)

    \( \newcommand{\norm}[1]{\| #1 \|}\)

    \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)

    \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    \( \newcommand{\vectorA}[1]{\vec{#1}}      % arrow\)

    \( \newcommand{\vectorAt}[1]{\vec{\text{#1}}}      % arrow\)

    \( \newcommand{\vectorB}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)

    \( \newcommand{\vectorC}[1]{\textbf{#1}} \)

    \( \newcommand{\vectorD}[1]{\overrightarrow{#1}} \)

    \( \newcommand{\vectorDt}[1]{\overrightarrow{\text{#1}}} \)

    \( \newcommand{\vectE}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash{\mathbf {#1}}}} \)

    \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)

    \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)

    \(\newcommand{\avec}{\mathbf a}\) \(\newcommand{\bvec}{\mathbf b}\) \(\newcommand{\cvec}{\mathbf c}\) \(\newcommand{\dvec}{\mathbf d}\) \(\newcommand{\dtil}{\widetilde{\mathbf d}}\) \(\newcommand{\evec}{\mathbf e}\) \(\newcommand{\fvec}{\mathbf f}\) \(\newcommand{\nvec}{\mathbf n}\) \(\newcommand{\pvec}{\mathbf p}\) \(\newcommand{\qvec}{\mathbf q}\) \(\newcommand{\svec}{\mathbf s}\) \(\newcommand{\tvec}{\mathbf t}\) \(\newcommand{\uvec}{\mathbf u}\) \(\newcommand{\vvec}{\mathbf v}\) \(\newcommand{\wvec}{\mathbf w}\) \(\newcommand{\xvec}{\mathbf x}\) \(\newcommand{\yvec}{\mathbf y}\) \(\newcommand{\zvec}{\mathbf z}\) \(\newcommand{\rvec}{\mathbf r}\) \(\newcommand{\mvec}{\mathbf m}\) \(\newcommand{\zerovec}{\mathbf 0}\) \(\newcommand{\onevec}{\mathbf 1}\) \(\newcommand{\real}{\mathbb R}\) \(\newcommand{\twovec}[2]{\left[\begin{array}{r}#1 \\ #2 \end{array}\right]}\) \(\newcommand{\ctwovec}[2]{\left[\begin{array}{c}#1 \\ #2 \end{array}\right]}\) \(\newcommand{\threevec}[3]{\left[\begin{array}{r}#1 \\ #2 \\ #3 \end{array}\right]}\) \(\newcommand{\cthreevec}[3]{\left[\begin{array}{c}#1 \\ #2 \\ #3 \end{array}\right]}\) \(\newcommand{\fourvec}[4]{\left[\begin{array}{r}#1 \\ #2 \\ #3 \\ #4 \end{array}\right]}\) \(\newcommand{\cfourvec}[4]{\left[\begin{array}{c}#1 \\ #2 \\ #3 \\ #4 \end{array}\right]}\) \(\newcommand{\fivevec}[5]{\left[\begin{array}{r}#1 \\ #2 \\ #3 \\ #4 \\ #5 \\ \end{array}\right]}\) \(\newcommand{\cfivevec}[5]{\left[\begin{array}{c}#1 \\ #2 \\ #3 \\ #4 \\ #5 \\ \end{array}\right]}\) \(\newcommand{\mattwo}[4]{\left[\begin{array}{rr}#1 \amp #2 \\ #3 \amp #4 \\ \end{array}\right]}\) \(\newcommand{\laspan}[1]{\text{Span}\{#1\}}\) \(\newcommand{\bcal}{\cal B}\) \(\newcommand{\ccal}{\cal C}\) \(\newcommand{\scal}{\cal S}\) \(\newcommand{\wcal}{\cal W}\) \(\newcommand{\ecal}{\cal E}\) \(\newcommand{\coords}[2]{\left\{#1\right\}_{#2}}\) \(\newcommand{\gray}[1]{\color{gray}{#1}}\) \(\newcommand{\lgray}[1]{\color{lightgray}{#1}}\) \(\newcommand{\rank}{\operatorname{rank}}\) \(\newcommand{\row}{\text{Row}}\) \(\newcommand{\col}{\text{Col}}\) \(\renewcommand{\row}{\text{Row}}\) \(\newcommand{\nul}{\text{Nul}}\) \(\newcommand{\var}{\text{Var}}\) \(\newcommand{\corr}{\text{corr}}\) \(\newcommand{\len}[1]{\left|#1\right|}\) \(\newcommand{\bbar}{\overline{\bvec}}\) \(\newcommand{\bhat}{\widehat{\bvec}}\) \(\newcommand{\bperp}{\bvec^\perp}\) \(\newcommand{\xhat}{\widehat{\xvec}}\) \(\newcommand{\vhat}{\widehat{\vvec}}\) \(\newcommand{\uhat}{\widehat{\uvec}}\) \(\newcommand{\what}{\widehat{\wvec}}\) \(\newcommand{\Sighat}{\widehat{\Sigma}}\) \(\newcommand{\lt}{<}\) \(\newcommand{\gt}{>}\) \(\newcommand{\amp}{&}\) \(\definecolor{fillinmathshade}{gray}{0.9}\)

    La piel es un órgano eléctrico, y produce derivas lentas de voltaje que son captadas por nuestros electrodos EEG. Estos potenciales cutáneos pueden hacer que el voltaje cambie gradualmente en cientos de microvoltios en un período de unos minutos. Para ver mejor los potenciales de la piel, vaya a la ventana de trazado de EEG que abrió en el ejercicio anterior (o vuelva a abrir la ventana) y cambie los ajustes de la siguiente manera:

    Captura de pantalla 2.4

    Se ve bastante raro, ¿no? Lo primero que debes mirar son los códigos de eventos (las líneas verticales). El experimento N400 duró unos 6 minutos, y estás viendo toda la grabación, así que hay muchos códigos de eventos. Observe que existen 6 clústeres de códigos de eventos, separados por brechas de aproximadamente 7 segundos. Los 120 ensayos en este experimento se dividieron en 6 bloques de 20 ensayos cada uno, con un breve descanso después de cada bloque. Encuentro que los participantes pueden mantener mejor su atención si utilizamos una gran cantidad de bloques cortos, cada uno seguido de un breve descanso, por lo que este experimento se partió en bloques cortos que duraron solo alrededor de un minuto cada uno.

    Ahora echa un vistazo a las formas de onda EEG. Ahora se puede ver que el voltaje va variando gradualmente con el tiempo. Se desplaza hacia arriba en algunos canales y hacia abajo en otros. La mayoría de los canales cambian muy por encima de 100 µV en el transcurso de este periodo de 400 segundos. Estas derivas son causadas principalmente por potenciales eléctricos en la piel que son captados por los electrodos EEG (ver Capítulo 5 en Luck, 2014 para más detalles).

    Estas derivas pueden dificultar la obtención de diferencias de ERP confiables entre las condiciones y, por lo general, es una buena idea filtrarlas. Para lograr esto, aplicamos un filtro de paso alto, que filtra frecuencias bajas y pasa frecuencias altas. Aquí, usaremos los ajustes de filtro que recomiendo para la mayoría de los estudios de procesos cognitivos y afectivos, que tiene un corte de media amplitud a 0.1 Hz y una pendiente de 12 dB/octava. Si no sabes lo que significan estos parámetros, no te preocupes —los cubriremos en el Capítulo 4. También puedes encontrar un amplio panorama conceptual de los filtros en el Capítulo 7 de la Suerte (2014) y un tratamiento matemático más detallado en el Capítulo 12 de la Suerte (2014).

    Ahora vamos a deshacernos de estas derivas con un filtro de paso alto. Deje abierta la ventana de trazado actual y vaya a EEGLAB > ERPLAB > Herramientas de filtro y frecuencia > Filtros para datos EEG. Verás la GUI de filtrado de ERPLAB, que es grande y complicada (porque los filtros tienen muchas opciones diferentes). Te explicaremos estas opciones en un capítulo posterior, pero para este ejercicio solo debes asegurarte de que todo esté configurado para que coincida con la Captura de Pantalla 2.5. Lo más importante es que asegúrese de que el botón Paso Alto esté seleccionado con un corte de media amplitud de 0.1 Hz, y que el botón Paso bajo no esté seleccionado (estos botones son de un gris ligeramente más oscuro cuando se selecciona).

    ¿Recibes un mensaje de error?

    ¿Recibió un mensaje de error cuando lanzó la herramienta de filtrado? Si es así, el mensaje probablemente decía que te falta la Caja de herramientas de procesamiento de señales. Esta caja de herramientas proviene de los creadores de Matlab y es necesaria para ciertos procesos ERPLAB, como el filtrado. Dependiendo de la licencia de Matlab de su institución, puede ser gratuita o puede requerir un cargo extra.

    Puede ver qué cajas de herramientas están instaladas escribiendo ver en la línea de comandos de Matlab. Si no tiene la Caja de Herramientas de Procesamiento de Señales y no sabe cómo obtenerla y/o instalarla, comuníquese con el departamento de soporte de TI de su institución para obtener asistencia.

    Captura de pantalla 2.5

    Guardar el nuevo conjunto de datos

    Una vez que se hayan establecido todos los parámetros, haga clic en el botón APLICAR. Después verás la ventana que se muestra en la Captura de Pantalla 2.6, que pregunta ¿Qué quieres hacer con el nuevo conjunto de datos? En EEGLAB y ERPLAB, la mayoría de las operaciones que modifican un conjunto de datos realmente crearán un nuevo conjunto de datos. De esa manera, si cometes un error o cambias de opinión, podrás volver fácilmente al conjunto de datos anterior. Estos conjuntos de datos se almacenan en la memoria, donde se enumeran en el menú Conjuntos de datos, y también puedes guardarlos en tu disco duro si lo deseas. El cuadro de texto superior en la Captura de Pantalla 2.6 le permite especificar el nombre del conjunto de datos (que será el nombre que se muestra en el menú Conjuntos de datos). Puedes usar cualquier nombre que quieras, pero ERPLAB te dará una sugerencia (que es el nombre del conjunto de datos original con un sufijo que indica la naturaleza del paso de procesamiento, como _filt para filtrar).

    Si desea guardar el conjunto de datos como un archivo en su disco duro, marque la casilla junto a Guardar como archivo y escriba el nombre que se utilizará para este archivo. El nombre del conjunto de datos en memoria no tiene que ser el mismo que el nombre del archivo, pero puede resultar confuso si el nombre en la memoria es diferente del nombre de archivo. Normalmente solo selecciono el nombre del conjunto de datos del cuadro de texto superior, lo copio en el portapapeles y lo pego en el segundo cuadro de texto. Tenga en cuenta que si no guarda el conjunto de datos como un archivo ahora, puede guardarlo más tarde con EEGLAB > Archivo > Guardar dataset actual como. Necesitará el nuevo conjunto de datos filtrado para el siguiente ejercicio, por lo que debe guardarlo como un archivo si no va a hacer el siguiente ejercicio de inmediato.

    Una vez que tengas todo configurado en esta ventana, haz clic en Aceptar. Ahora ha creado un nuevo conjunto de datos con los datos filtrados. El conjunto de datos anterior se denominó 6_N400_Preprocessed, y el nuevo debe llamarse 6_N400_Preprocessed_Filt. Si observa en el menú Conjuntos de datos en la GUI principal de EEGLAB, debería ver ambos conjuntos de datos enumerados, con el nuevo marcado.

    Captura de pantalla 2.6

    Mirando los datos filtrados

    Ahora que has guardado el dataset, traza los datos filtrados con EEGLAB > Trazar > datos de canal (scroll). Configúrelo como la ventana de trazado que muestra los datos sin filtrar (elimine el desplazamiento DC, establezca la ganancia vertical en 100, establezca el rango de tiempo en 400 segundos y estire la ventana al mismo ancho). Debería verse algo así como la ventana inferior en la Captura de Pantalla 2.4. Las derivas lentas ya se han ido, y los datos se ven mucho más ordenados. Ahora nos hemos deshecho de una fuente importante de actividad artefactual del EEG, lo que mejora nuestra capacidad para obtener efectos ERP robustos y confiables.

    Ahora cambie el periodo de tiempo para que se muestre a 10 segundos en lugar de 400 segundos tanto para los datos no filtrados como para los filtrados. Debido a que todavía está eliminando el desplazamiento de CC y las derivas son lentas, los datos filtrados y no filtrados no se ven tan radicalmente diferentes con esta escala de tiempo de 10 segundos como lo hicieron con la escala de tiempo de 400 segundos. Pero si miras con atención (especialmente en el canal PO3), verás que hay cierta deriva en los datos sin filtrar que está ausente en los datos filtrados. También puede ver que todas las deflexiones más rápidas en los datos están presentes tanto en las formas de onda filtradas como en las no filtradas. Entonces, el filtro de paso alto ha eliminado en gran medida las derivas lentas pero ha tenido un efecto mínimo en las otras características del EEG. Vamos a echar un vistazo más de cerca a los filtros en el Capítulo 4.

    Necesitará el conjunto de datos filtrado para el siguiente ejercicio. Si vas a hacer el siguiente ejercicio de inmediato, solo deja EEGLAB abierto (pero puedes cerrar las dos ventanas de trazado). Si no va a hacerlo de inmediato, puede guardar el dataset filtrado como un archivo en su disco duro seleccionando EEGLAB > Archivo > Guardar dataset actual como.


    This page titled 2.4: Ejercicio- Filtrado de Derivas de Baja Frecuencia del EEG 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.