Para este punto, espero que tengan una buena idea de cómo detectar y rechazar parpadeos y movimientos oculares. Ahora pasaremos a una clase de artefactos diversos que me gusta llamar Potenciales Artifácticos Comúnmente Grabados (C.R.A.P.). Mientras que prácticamente todos los participantes en todos los experimentos exhiben parpadeos y movimientos oculares, que tienen una distribución predecible de forma de onda y cuero cabelludo, los artefactos de C.R.A.P. tienden a ser idiosincráticos en su forma de onda y distribución del cuero cabelludo. Esta categoría incluye ráfagas EMG, artefactos de movimiento, potenciales cutáneos y cambios repentinos de voltaje de origen desconocido.
En los experimentos ERP CORE, nuestro enfoque de C.R.A.P. fue aplicar tanto un umbral de voltaje simple como el algoritmo de pico a pico de ventana móvil a todos los canales EEG. El umbral de voltaje simple es particularmente bueno para detectar grandes derivas en voltaje, y un umbral de ±200 µV funciona bien para la mayoría de los participantes. El algoritmo de pico a pico de ventana móvil es bueno para detectar estallidos musculares y artefactos idiosincráticos que involucran cambios repentinos de voltaje. El umbral para esta rutina necesita ser ajustado para cada participante para asegurar que se detecten grandes artefactos sin tirar demasiadas épocas. En la mayoría de los participantes, se utilizó un umbral entre 100 y 150 µV.
Probemos el umbral de voltaje absoluto de ±200 µV con el Sujeto 10 del experimento MMN. Active el conjunto de datos denominado 10_mmn_preprocessed_filt_be_noblinks y seleccione EEGLAB > ERPLAB > Detección de artefactos en datos de época > Umbrales de voltaje simples. Establezca los canales a 3:28, los límites de voltaje a -200 200 y el botón Flag 5. Estamos dejando fuera Fp1, Fp2, y los canales EOG para que no terminemos marcando parpadeos. (Normalmente incluiría Fp1 y Fp2, pero será más fácil ver cómo está funcionando la detección de artefactos en este ejercicio sin ellos). Haga clic en ACEPTAR para ejecutar la rutina.
Ahora mira la tabla de artefactos en la ventana de comandos de Matlab. Verás que solo 17 épocas fueron marcadas por esta nueva prueba de artefactos (ver la columna #F5 en la tabla). A menudo capturamos un número relativamente pequeño de artefactos con esta prueba, pero eso está bien. Nuestro objetivo aquí es deshacernos de artefactos raros pero grandes.
Ahora desplázate por el EEG. Todas las épocas que anteriormente se marcaron para parpadear todavía están marcadas, pero también verás épocas ocasionales que se marcan a partir de nuestra nueva prueba de umbral absoluto. Los parpadeos se indican mediante una forma de onda roja para el canal bipolar VEOG, y los nuevos artefactos se indican mediante una forma de onda roja para cualquiera de los canales entre 3 y 28. Por ejemplo, Epoch 44 se marcó debido a grandes cambios de voltaje en los canales F7 y F8. Las épocas 43, 63 y 64 también se marcaron debido al canal F7. Si sigues desplazándote, verás muchos cambios de voltaje grandes y repentinos en F7 (y en menor medida F8). Pero no todos estos cambios repentinos de voltaje fueron lo suficientemente grandes como para ser marcados. También hay algunos artefactos bastante grandes de esta naturaleza en PO4 que eran demasiado pequeños para ser marcados (pero aún son bastante grandes). Nuestro umbral de ±200 µV está diseñado para marcar solo artefactos muy grandes.
No sé qué causó estos artefactos en F7, F8 y PO4. No son de origen biológico: Con la excepción de los movimientos oculares sacádicos, no conozco ninguna señal biológica que se vea así, cambiando repentinamente de un nivel de voltaje a otro. Sin embargo, son aproximadamente 100 veces más grandes que el MMN, por lo que parecen una fuente significativa de ruido que degradará la calidad de nuestros datos (es decir, aumentar la PYME).
Para verificar esto, continúe y verifique los valores de ASMe, utilizando una ventana personalizada de 125-225 ms como antes. Como se muestra en la Tabla 8.2, los valores de ASMe para el canal F7 se mejoraron al eliminar los artefactos de C.R.A.P. Solo se rechazaron 17 ensayos, pero los artefactos fueron bastante grandes en esos ensayos, por lo que el rechazo produjo una notable mejora en los valores de ASMe. Nuestra principal preocupación, sin embargo, es el canal FCz, que se utilizará para cuantificar el MMN en nuestros principales análisis. Debido a que los artefactos detectados por la prueba de umbral absoluto no estaban presentes en FCz, el rechazo de esos 17 ensayos redujo la calidad de los datos en este canal, pero solo ligeramente.
Ahora agreguemos una prueba de amplitud de pico a pico de ventana móvil para deshacernos de más épocas de C.R.A.P. Guarde el conjunto de datos creado con la prueba de umbral absoluto como 10_mmn_preprocessed_filt_be_noblinks_crap200. Vamos a agregar a las banderas en este conjunto de datos, así que asegúrate de que sea el conjunto de datos activo. Seleccione EEGLAB > ERPLAB > Detección de artefactos en datos de época > Mover el umbral de pico a pico de ventana, establecer el umbral en 125, establecer los canales en 3:28, establecer la longitud de la ventana en 200, establecer el paso de ventana en 100 y seleccionar el indicador 6 botón. Obsérvese que la elección de 125 µV como umbral fue algo arbitraria. Es solo un punto de partida razonable que funciona bien para los estudios de ciencias básicas en mi laboratorio.
Si miras la tabla de artefactos en la ventana de comandos de Matlab, verás que 77 épocas fueron señaladas por esta prueba. Sin embargo, muchas de esas épocas habían sido señaladas previamente para parpadeos y/o C.R.A.P., y el número total de épocas marcadas ha aumentado de 259 a 291. Entonces, hemos marcado 32 épocas adicionales.
Si miras el EEG, verás que ahora hemos marcado muchas pruebas con cambios repentinos de voltaje que se perdieron antes, incluyendo varios en el canal PO4. Todas las épocas que se marcaron ciertamente parecían tener artefactos bastante grandes en ellas. No estamos marcando ensayos con ruido EEG “ordinario”. Si verificas la calidad de los datos, verás que el ASMe para el canal F7 ha mejorado considerablemente, y solo hemos producido una pequeña reducción de la calidad de los datos en FCz (ver Tabla 8.2).
También miré los efectos de reducir el umbral de 125 µV a 100 µV. Cuando inspeccioné el EEG, se marcaron más ensayos con artefactos claros. La calidad de los datos para F7 también mejoró un poco, con solo una pequeña reducción en la calidad de los datos en FCz (ver Tabla 8.2). Intenté disminuir el umbral a 75 e incluso 50 µV, y esto resultó en ligeras mejoras en F7 pero empeorando aún más en FCz.
Cuadro 8.2. Efectos del rechazo de C.R.A.P. sobre la calidad de los datos.
|
Rechazo
|
ASMe en F7 para Deviants
|
ASMe en F7 para Estándares
|
ASMe en FCz para Deviants
|
ASMe en FCz para Estándares
|
|
Sólo parpadea
|
1.9480
|
0.9115
|
0. 8264
|
0.5353
|
|
Parpadea + Umbral de Voltaje (±200)
|
1.6381
|
0.9038
|
0.8345
|
0.5410
|
|
Parpadeo + Umbral de Voltaje (±200) + Ventana móvil (125)
|
1.1711
|
0.7890
|
0.8443
|
0.5493
|
|
Parpadeo + Umbral de Voltaje (±200) + Ventana móvil (100)
|
1.1158
|
0.7368
|
0.8504
|
0.5449
|
Entonces, ¿qué umbral es mejor? En comparación con el rechazo solo de parpadeos, el rechazo de C.R.A.P. con un umbral absoluto de ±200 provocó una caída bastante sustancial en ASMe para F7, y agregar la prueba de pico a pico de ventana móvil con un umbral de 125 provocó otra gran caída en ASMe en F7 (y otros canales, también). Este rechazo a C.R.A.P. provocó que el ASMe en FCz subiera sólo ligeramente. La caída del umbral causó además solo disminuciones menores en F7, junto con pequeños aumentos en FCz. Dado que FCz será el canal principal utilizado para medir la MMN, con los otros canales solo siendo utilizados para cuantificar la topografía del cuero cabelludo, el umbral de 125 µV parece un buen compromiso para este experimento en particular.
El umbral óptimo, e incluso el conjunto óptimo de prueba a aplicar, variará entre los participantes y entre paradigmas experimentales. La clave es preguntar qué conjunto de parámetros será más probable que te lleve a una verdadera conclusión sobre tu hipótesis científica primaria. En casi todos los experimentos, esto significa rechazar artefactos en la medida en que degraden la calidad de los datos en los sitios clave del electrodo (que puede evaluar con valores de ASMe) y garantizar que los artefactos restantes no produzcan diferencias entre las condiciones.
Un tercer problema, que no suele surgir en experimentos auditivos como nuestro experimento MMN, es si los parpadeos y los movimientos oculares produjeron cambios en la entrada sensorial. Pasaremos a ese tema en un conjunto posterior de ejercicios.
