Как видно из предыдущих разделов:
- Данные ERP должны быть обработаны (например, отфильтрованы, отнесены к эпохе и удалены артефакты).
- Данные ERP должны быть обработаны для создания средней формы волны (с использованием определенной методологии).
- Затем должен произойти выбор пиковых компонентов в форме волны ERP.
Пункты 1 и 2 были изложены в предыдущих разделах. Следующие несколько дополнений к этой серии будут охватывать пункт 3.
Обоснование:
После создания усредненной формы волны ERP и определения интересующего временного окна часто рассчитываются пиковые амплитуды (Luck, 2005). Пиковая амплитуда часто используется для количественной оценки изменений в компонентах ERP (Luck, 2005). Однако использование пиковой амплитуды имеет несколько недостатков (Luck, 2005). Во-первых, пиковая амплитуда может быть искажена шумом внутри сигнала (Luck, 2005). В совокупности на отношение сигнал/шум влияет количество усредненных испытаний; на пиковую амплитуду будет влиять количество усредненных испытаний. В-третьих, поскольку локальные максимумы берутся во временном окне, вполне вероятно, что локальные максимумы возникают на любом конце временного окна (Luck, 2005). Это проблематично, потому что временное окно может перекрывать несколько компонентов ERP, и поэтому существует риск того, что выбранная пиковая амплитуда не представляет компонент P3 (Luck, 2005). Один из способов уменьшить вероятность возникновения этой проблемы — сузить размер временного окна. Однако это должно быть сделано априори. Кроме того, при обследовании нескольких электродов может потребоваться более широкое временное окно (Luck, 2005).
Одно из возможных решений для повышения точности определения амплитуды пика состоит в том, чтобы найти значение пика, которое также содержит меньшие амплитуды с обеих сторон (Luck, 2005). Эта концепция была названа амплитудой локального пика (Luck, 2005). Проще говоря, максимальное напряжение, окруженное от 3 до 5 более низких напряжений с каждой стороны, может составлять локальную пиковую амплитуду (Luck, 2005). Опять же, амплитуда локального пика может быть искажена высокочастотным шумом (Luck, 2005).
В целом, сравнение пиковых амплитуд или локальных пиковых амплитуд из усредненных сигналов, сгенерированных с использованием другого количества испытаний или из временных окон разной длины, считается недействительным (Luck, 2005).
Альтернативой, использующей локальную пиковую амплитуду, является средняя амплитуда (Luck, 2005). Средняя амплитуда пика рассчитывается путем получения среднего значения ряда значений, окружающих амплитуду пика (Luck, 2005). Из-за большего количества задействованных значений средние амплитуды, как правило, менее чувствительны к высокочастотному шуму (Luck, 2005). Кроме того, средняя амплитуда не имеет тенденции к смещению при увеличении уровня шума или при расширении окна измерения (Luck, 2005). Как упоминалось ранее, одним из основных недостатков использования пиковой амплитуды является невозможность сравнения пиковых амплитуд, полученных из сигналов, усредненных с использованием различного количества испытаний. С другой стороны, средние амплитуды можно сравнивать в разных условиях, несмотря на то, что они были получены из усредненных сигналов с использованием разного количества испытаний (Luck, 2005).
Средняя амплитуда все еще может быть чувствительна к перекрывающимся компонентам, особенно к большим компонентам, возникающим в пределах временного окна, выбранного для усреднения (Luck, 2005). Как видно из приведенного ниже примера, в усредненной форме волны ERP человека может быть много пиков. Это усложняет определение того, какая средняя амплитуда представляет интересующий компонент. Сужение временного окна — это один из способов упростить выбор средней амплитуды конкретного компонента ERP (Luck, 2005). Однако не всегда существует априорное обоснование выбора временного окна, что может стимулировать промысел и потенциально ошибочную интерпретацию данных (Luck, 2005).
Процедура:
- Чтение данных
- Создайте функции для нахождения амплитуд локальных пиков, задержек и средних амплитуд каждого пика в заданной форме волны.
- Визуализируйте эффективность этих функций
Здесь я начинаю с чтения своих данных и добавления категориальной информации, говорящей мне, к какому субъекту, состоянию, времени и фланговому состоянию относятся данные.
Затем я создал 3 функции, которые мне нужно было визуализировать. Первая функция находит все положительные локальные пиковые амплитуды в сигнале. Вторая функция находит соответствующие задержки этих локальных пиковых амплитуд. Третья функция использует локальные пиковые амплитуды и окружающие амплитуды с обеих сторон на основе интересующего пользователя временного окна. Затем из этих амплитуд рассчитывается средняя амплитуда.
Перед тестированием своих функций я очистил свои данные, выбрав один электрод. Затем я применил функции к данным и объединил все обработанные данные вместе, добавив столбец, обозначающий, к каким данным относится информация.
Теперь, когда данные объединены, я могу визуализировать данные с помощью диаграммы рассеяния.
Как мы видим на графике ниже, 3 созданные мной функции действительно хорошо справились с поиском амплитуд локальных пиков. Зеленые точки обозначают данные, окружающие амплитуду локального пика, которые использовались для расчета средней амплитуды пика.
Здесь мы видим, что функции вычислили ряд амплитуд локальных пиков и соответствующие им средние амплитуды.
Этот проект был вдохновлен работой доктора Лауры Миддлтон и разработкой RIDE доктором Гуан Оуяном.
Лаборатория мозга и тела:https://uwaterloo.ca/brain-and-body-lab/
ПОЕЗДКА:http://cns.hkbu.edu.hk/RIDE_files/Page294.htm
Исследование: https://uwspace.uwaterloo.ca/bitstream/handle/10012/10729/Wikkerink_Spencer.pdf?sequence=3
