Saltar al contenido principal
LibreTexts Español

4.11: Consejos Prácticos

  • Page ID
    151771
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    Este capítulo se ha centrado en ayudarte a entender cómo funcionan realmente los filtros y cómo pueden distorsionar tus datos. Me gustaría terminar con algunos consejos prácticos sobre cuándo y cómo filtrar tus datos. Este consejo es apropiado para quizás el 95% de las investigaciones perceptuales, cognitivas y afectivas de ERP. Si crees que tu investigación cae en el otro 5%, entonces necesitas estar muy seguro de entender completamente cómo funciona el filtrado para que no termines causando distorsión significativa de tus datos al sobrefiltrar o no eliminar suficiente ruido al subfiltrar.

    Empecemos con la pregunta de cuándo filtrar. Como se mencionó anteriormente, debe aplicar su filtro de paso alto al EEG continuo para evitar artefactos de borde. Para minimizar aún más estos artefactos, debe usar la opción etiquetada “Eliminar valor medio (desplazamiento de CC) antes de filtrar” cuando esté filtrando datos EEG continuos (pero no cuando esté filtrando EEG de época o ERPs promediados).

    Puede aplicar su filtro de paso bajo al EEG continuo, al EEG de época o a los ERPs promediados. Para la mayoría de los investigadores, será más sencillo aplicar los filtros de paso bajo y alto al EEG continuo. En mi laboratorio, normalmente aplicamos el filtro de paso bajo solo a los ERP promediados, pero eso es principalmente por razones filosóficas en lugar de razones prácticas (como se describe en Luck, 2014).

    Ahora vamos a discutir los parámetros del filtro. Mi laboratorio suele utilizar puntos de corte de 0.1 y 30 Hz, con un roll-off de 12 dB/octava. Eso es lo que te recomendaría si estás grabando datos muy limpios, especialmente si tienes participantes altamente cooperativos (por ejemplo, adultos jóvenes neurotípicos). Si tiene una buena cantidad de ruido de alta frecuencia (por ejemplo, ruido de línea de 60 Hz o actividad muscular puntiforme), puede aumentar el roll-off a 48 dB/octava para el filtro de paso bajo y/o dejar caer el corte de 30 a 20 Hz. Obtendrás un poco más de distorsión, pero no lo suficiente como para importar para la mayoría de los estudios. Sin embargo, no recomiendo un roll-off de 48 dB/octava para el filtro de paso alto. Si tienes mucho ruido de baja frecuencia, lo cual es especialmente común cuando los participantes se mueven mucho (por ejemplo, bebés o niños pequeños), puedes elevar el límite de paso alto a 0.2 o incluso 0.5 Hz y/o aumentar el roll-off a 24 dB/octava. Sin embargo, estos parámetros pueden causar una distorsión notable de las formas de onda. Si principalmente tienes ruido de línea y no quieres usar un filtro de paso bajo a 20-30 Hz, puedes usar el complemento cleanline de EEGLAB (ver Bigdely-Shamlo et al., 2015 para detalles importantes). Si cleanline no te funciona bien, puedes probar el nuevo método Zapline (de Cheveigné, 2020; Klug & Kloosterman, 2022).

    Si quieres usar un corte de paso alto superior a 0.1 Hz o un corte de paso bajo de menos de 20 Hz, te recomiendo encarecidamente que crees formas de onda ERP artificiales que se asemejen a tus datos y los pases a través del filtro (incluso si estás filtrando el EEG continuo o época con tus datos reales). Entonces podrás ver exactamente cómo el filtro distorsiona tus datos. Si la distorsión que ves con los datos artificiales es pequeña en comparación con los efectos que estás viendo en tu estudio, entonces no necesitas preocuparte. En la siguiente sección se describe cómo crear e importar formas de onda artificiales.

    Cuando mi laboratorio mide la latencia de inicio de un componente ERP, a menudo aplicaremos un filtro de paso bajo de 10 Hz (12 dB/octava). Encontramos que las medidas de latencia de inicio son altamente sensibles al ruido, y obtenemos una potencia estadística mucho mejor filtrando a 10 Hz. Esto puede parecer problemático dado que la Figura 4.4 muestra que un corte de 10 Hz produce una distorsión sustancial de la latencia de inicio. Sin embargo, cuando cuantificamos la latencia de inicio de un componente ERP, no medimos el tiempo que la forma de onda primero se desvía de cero. En cambio, medimos el tiempo en que el voltaje alcanza el 50% del voltaje pico (ver Capítulo 9 en Luck, 2014, para una justificación de este enfoque). Si observa de cerca la Figura 4.4, verá que este punto del 50% es prácticamente idéntico para las formas de onda filtradas y no filtradas. Además, usualmente estamos comparando los ERPs a partir de dos condiciones que ambas han sido filtradas a 10 Hz, por lo que el efecto del filtrado debe ser equivalente para ambas condiciones. Sin embargo, a veces queremos examinar el punto en el que una onda de diferencia primero se desvía de cero. En estos casos, hacemos un filtrado mínimo o cuantificamos la cantidad de desplazamiento de latencia producido por el filtro (ver, por ejemplo, Bae & Luck, 2018).


    This page titled 4.11: Consejos Prácticos 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.