Vamos a comenzar pensando en el filtrado como una operación de dominio de frecuencia, en la que suprimimos algunas frecuencias y pasamos otras. Si aún no sabes cómo funciona el filtrado en el dominio de frecuencia, te recomiendo que leas las primeras 10 páginas del Capítulo 7 de la Suerte (2014) antes de ir más lejos.
Si EEGLAB se está ejecutando, salga de él y reinícielo para que todo esté fresco. Establezca Chapter_4 para que sea la carpeta actual de Matlab. Cargue el archivo ERPSet llamado waveforms.erp (EEGLAB > ERPLAB > Cargar ERPSet existente) y graficar las formas de onda (EEGLAB > ERPLAB > Plot ERP > Trazar formas de onda ERP). Debería verse algo así como Captura de pantalla 4.1.
Captura de pantalla 4.1
Se puede ver que tenemos tres canales. Creé las formas de onda en Excel. El primer canal es una forma de onda artificial que creé sumando tres componentes ERP simulados, cada uno de los cuales era un ciclo de una función coseno. El segundo canal es la suma del primer canal y una onda sinusoidal de 60 Hz (como el ruido de línea que a menudo se capta de los dispositivos eléctricos en el entorno de grabación). El tercer canal es la suma del primer canal y algún ruido aleatorio (similar al ruido que produce la actividad muscular tónica y captado por nuestros electrodos EEG).
Ruido de Línea
Las líneas eléctricas de CA funcionan a 60 Hz en Norteamérica y algunas otras partes del mundo. Otras regiones utilizan 50 Hz. Muchas veces llamamos a esto la frecuencia de línea para ser agnósticos sobre si es de 50 o 60 Hz. El ruido producido por esta señal se llama ruido de línea.
Antes de filtrar los datos, vamos a realizar una transformada de Fourier en estas formas de onda para que podamos ver su contenido de frecuencia. Para hacer esto para la forma de onda original, seleccione ERPLAB > Herramientas de filtro y frecuencia > Trazar espectro de amplitud para datos ERP. En la ventana que aparece, especifique el canal1 y el bin1. Para que el rango de frecuencia se va a trazar, establezca F1 a 0 y F2 a 100. Deberías ver algo como Captura de pantalla 4.2.A. El eje X es la frecuencia, y el eje Y es la amplitud a esta frecuencia. Esta gráfica nos dice que podríamos reconstruir la forma de onda original en el dominio del tiempo sumando un conjunto de sinusoides con el conjunto de amplitudes que se muestran en cada frecuencia en la gráfica. También necesitaríamos conocer la fase en cada frecuencia para reconstruir la forma de onda original, pero la información de fase no suele mostrarse con los datos ERP. Puede obtener una introducción rápida a la transformada de Fourier en el Capítulo 6 de mi curso en línea Introducción a los ERPs (o simplemente ver este video de YouTube). Puedes encontrar un tratamiento más detallado en los Capítulos 7 y 12 de Suerte (2014).
Captura de pantalla 4.2
Como puede ver en la gráfica, la forma de onda ERP original consiste principalmente en frecuencias relativamente bajas. Esto es bastante típico de las formas de onda que verías en la mayoría de los experimentos perceptuales, cognitivos y afectivos. En experimentos sensoriales de bajo nivel, es posible que veas más actividad de alta frecuencia.
Ahora repite el proceso con el Canal 2, que debería producir algo así como Captura de Pantalla 4.2.B. Es lo mismo que el espectro de amplitud para la forma de onda original, excepto que también hay actividad a 60 Hz. Esto se debe a que creé el Canal 2 sumando la forma de onda original y una forma de onda de 60 Hz. Ahora haz lo mismo para el Canal 3. Como se muestra en la Captura de Pantalla 4.2.C, se puede ver alguna actividad en todas las frecuencias. Además, la actividad de baja frecuencia es ligeramente diferente de la forma de onda original, porque el ruido se extiende hasta estas frecuencias. Esta amplia banda de frecuencias ocurrió porque agregué ruido blanco a la forma de onda original, y el ruido blanco consiste en igual cantidad de todas las frecuencias (así como la luz blanca consiste en cantidades aproximadamente iguales de todas las longitudes de onda en el espectro visible).
Cuando empiezas por primera vez en la investigación de ERP, debes trazar transformaciones de Fourier como estas antes de filtrar para que tengas una buena idea del contenido de frecuencia del ruido en tus datos. Esto puede ayudarte a averiguar de dónde viene el ruido (porque las diferentes fuentes de ruido tienen un contenido de frecuencia diferente). Al saber de dónde viene el ruido, es posible que pueda eliminarlo en futuras grabaciones. Es mejor reducir el ruido antes de que contamine sus datos en lugar de depender de filtros y otras técnicas de procesamiento de señales. Por razones descritas en Luck (2014), llamo a esto el Axioma de Hansen: “No hay sustituto para los datos limpios”. Como veremos más adelante en este capítulo, los filtros reducen la precisión temporal de sus datos. ¿Y la precisión temporal no es una de las características más importantes de la técnica ERP?
