Al decidir sobre los parámetros de rechazo de artefactos, una pregunta clave es si la calidad de los datos se incrementará o disminuirá haciendo que el umbral de rechazo sea más liberal (rechazando menos ensayos) o más conservador (rechazando más ensayos). Podemos responder a esa pregunta cuantitativamente observando los valores de las pymes que resultan de diferentes parámetros de rechazo. Sin embargo, también necesitamos determinar si los artefactos están creando confundidos, lo que implica inspeccionar las formas de onda promedio de ERP de varias maneras. En este ejercicio, repasaremos los pasos necesarios para verificar tanto la calidad de los datos como las formas de onda.
Empecemos por mirar los valores y formas de onda de las pymes que obtenemos sin ningún rechazo. Seleccione el conjunto de datos con el umbral de ±100 µV (1_mmn_preprocessed_interp_be_ar100) y luego seleccione EEGLAB > ERPLAB > Calcular ERPs promediados. Cerca de la parte superior de la GUI de promedio, seleccione Incluir TODAS las épocas (ignorar las detecciones de artefactos). Esto nos permitirá ver qué obtendríamos sin ningún rechazo de artefacto. Como se describe en el capítulo anterior, seleccione En — parámetros personalizados en la sección Cuantificación de calidad de datos y agregue una ventana de tiempo de 125 a 225 ms (la ventana de tiempo que finalmente usaremos para medir la amplitud MMN). Haga clic en EJECUTAR y asigne un nombre al ERPSet 1_ar_off resultante.
Si miras la tabla de calidad de datos, verás que el ASMe en FCz durante el periodo de tiempo personalizado de 125-225 ms es 0.5524 para los estímulos desviados (Bin 1) y 0.3641 para los estándares (Bin 2). (Deje abierta la ventana de calidad de datos para compararlos con los pasos posteriores).
Ahora traza las formas de onda ERP. Se pueden ver algunas desviaciones relativamente grandes y lentas en los canales Fp2, Veog-inferior y VEOG bipolar. Los canales clave se muestran en la Figura 8.2.A, pero he aplicado un filtro de paso bajo de 20 Hz para ver más fácilmente la actividad relacionada con el parpadeo. Si miras de cerca el canal FCz, que será el canal principal para nuestros análisis MMN, puedes ver algo de esta misma actividad relacionada con el parpadeo (es decir, la “inclinación” en el periodo pretimular).
Figura 8.2. Promedio de ERPs del Sujeto #1 en el experimento MMN, sin rechazo o corrección (A), incluyendo solo épocas marcadas para parpadeos (B), después del rechazo de épocas con parpadeos usando un umbral de voltaje absoluto de ±100 µV (C), y después de corrección de parpadeos basada en ICA (D). Para mejorar la visualización de los datos, las formas de onda promediadas se filtraron en paso bajo con un corte de media amplitud a 20 Hz y una pendiente de 12 dB/octava. Obsérvese las diferentes escalas en (B).
¿Las grandes y lentas desviaciones de voltaje de la Figura 8.2.A son resultado de parpadeos que están confundiendo a las ERPs, o son actividad cerebral? Una forma de responder a esta pregunta es buscar una inversión de polaridad bajo versus sobre los ojos. La actividad previa a ~200 ms es más negativa para los desviados que para los estándares tanto debajo de los ojos (Veog-inferior) como por encima de los ojos (Fp2), por lo que este efecto experimental probablemente no esté relacionado con el parpadeo. Sin embargo, el voltaje posterior es más negativo para los desviados que para los estándares bajo los ojos pero más positivo para los desviados que para los estándares por encima de los ojos. Esta inversión de polaridad sugiere un error de parpadeo (aunque es posible que la actividad generada por el cerebro se invierta en polaridad por encima frente a debajo de los ojos).
Otra forma de abordar esta cuestión es revertir el procedimiento habitual de rechazo de artefactos e incluir solo los juicios marcados en nuestros promedios, dejando fuera los juicios sin marcar. Cualquier confusión relacionada con el parpadeo debería ser mucho mayor en estos promedios, mientras que la actividad cerebral no debería. Para ello, vuelva a ejecutar la herramienta de promediado, pero esta vez seleccione Incluir SOLO épocas marcadas con rechazo de artefactos. Si observa las formas de onda resultantes, verá que las diferencias entre desviados y estándares anteriores a ~200 ms son aproximadamente las mismas que antes, pero las diferencias después de 200 ms ahora son mucho mayores (ver Figura 8.2.B). Esto proporciona evidencia adicional de que el participante tenía más probabilidades de parpadear después de estímulos desviados que después de estímulos raros (a pesar de que los estímulos auditivos fueron irrelevantes para tareas). Así, el parpadeo no es solo una fuente de ruido en este experimento; es un confundido que podría crear diferencias artifácticas entre las condiciones durante la última parte de la época.
Ahora veamos la calidad de los datos y las formas de onda cuando rechazamos los ensayos que se marcaron para parpadear. Simplemente puede repetir el proceso de promediado, pero seleccionar Excluir épocas marcadas durante la detección de artefactos para que se excluyan las épocas marcadas. Si mantiene abierta la tabla anterior de valores de calidad de datos y abre una nueva tabla para el ERPSet actual, verá que el ASMe en FCz de 125-225 ms ha bajado de 0.5524 a 0.5436 para los estímulos desviados y de 0.3641 a 0.3377 para los estándares. Tenemos menos ensayos como resultado del rechazo de artefactos, pero la calidad de los datos ha mejorado. La mejora no es muy grande, porque ahora tenemos menos pruebas y porque los parpadeos que hemos eliminado no son enormes en el sitio FCz. Pero sigue siendo bueno ver que obtenemos una mejor calidad de datos a pesar de que tenemos menos ensayos en los promedios. (Hay una mejora mucho mayor en la calidad de los datos en Fp1 y Fp2, donde los parpadeos fueron una gran fuente de variación de prueba a prueba).
Aunque rechazar épocas con parpadeos no ha mejorado mucho la calidad de nuestros datos, al menos no ha perjudicado nuestra calidad de datos. Y rechazar parpadeos nos ayuda a evitar confundidos relacionados con el parpadeo: si trazas las formas de onda, verás que hemos reducido las desviaciones de voltaje lentas en los canales VEOG, Fp2 y FCz. Esto se puede ver con bastante claridad en la Figura 8.2.C, donde las desviaciones de voltaje ahora se reducen con respecto a los datos de no rechazo mostrados en la Figura 8.2.A. Se pueden observar diferencias sustanciales entre los estándares y los desviados en el canal VEOG-Bipolar en ausencia de rechazo de artefactos, lo que sugiere que los parpadeos no fueron aleatorios y diferían sistemáticamente entre los tipos de ensayo. Estas diferencias son eliminadas en gran medida por el rechazo de artefactos.
Como se describe al inicio del capítulo, el rechazo de artefactos está diseñado para enfrentar tres problemas específicos: potencia estadística reducida, confusión sistemática y problemas de entrada sensorial. El procedimiento de rechazo de artefactos que has realizado ha logrado los dos primeros de estos objetivos: has reducido ligeramente el ruido (como lo demuestran los valores más bajos de ASMe) y, por lo tanto, has aumentado la potencia estadística, y has minimizado un error (actividad diferencial de parpadeo entre estándares y desviados).
La Figura 8.2.D muestra los resultados con la corrección basada en ICA de artefactos de parpadeo (que se cubrirán en el siguiente capítulo). Se puede ver que este enfoque eliminó mejor la actividad relacionada con el parpadeo si nos fijamos en el canal bipolar VEOG, que aísla en gran medida la actividad relacionada con el parpadeo. Este canal es casi plano en los datos corregidos pero no en los datos rechazados. Sin embargo, las formas de onda corregidas y rechazadas parecen casi idénticas en el sitio FCz, que es lo que realmente nos importa, excepto que las formas de onda rechazadas son más ruidosas porque hemos perdido algunas pruebas en el proceso de rechazo. Esto demuestra que el rechazo está funcionando razonablemente bien: estamos eliminando la actividad confusa de los parpadeos sin una enorme reducción en la calidad de los datos. Sin embargo, las formas de onda parecen ser más limpias para los datos corregidos (porque hemos conservado todas las épocas), y lo confirmé calculando valores de SME (que fueron 0.4992 para los desviados y 0.2815 para los estándares). Debido a esta mejor calidad de datos, por lo general prefiero la corrección de artefactos basada en ICA en lugar del rechazo para parpadeos. No obstante, seguimos rechazando los ensayos con parpadeos que ocurren cerca del momento del estímulo en experimentos visuales, porque queremos excluir ensayos en los que el participante no pudo ver el estímulo.
Un mensaje importante para llevar a casa de este ejercicio es que el rechazo de artefactos está diseñado para abordar tres problemas específicos, y se desea elegir los parámetros que mejor resuelvan estos problemas. Se puede evaluar la calidad de los datos y el poder estadístico examinando los valores de las PYME. Puede evaluar los confundidos buscando inversiones de polaridad arriba versus debajo de los ojos en las formas de onda ERP promediadas. También ayuda a ver las formas de onda para promedios de todas las épocas, promedios de solo las épocas con artefactos y promedios que excluyen épocas con artefactos. Los parpadeos y los movimientos oculares no crean problemas obvios con la entrada sensorial en la mayoría de los paradigmas auditivos, pero veremos cómo impactan en un paradigma visual cerca del final del capítulo.
