Я провожу эксперимент с ЭЭГ, используя модифицированный дизайн негативности слухового несоответствия (MMN), и мне интересно, может ли кто-нибудь сказать мне лучший метод анализа данных (и порекомендовать какие-либо статистические программы/пакеты для этой цели).
В эксперименте будет всего несколько (6-8) испытуемых с большим количеством испытаний на одного испытуемого (~ 700). Совпадающее условие составляет 75% испытаний. Стимулы выбираются из закрытого набора из 10 элементов с одинаковой частотой элементов в условиях совпадения/несоответствия.
Одно из различий между этим исследованием и обычными слуховыми задачами MMN заключается в том, что ожидаемые/неожиданные стимулы различаются между испытаниями, при этом ожидание устанавливается для каждого испытания. Следовательно, возможно, что разница потенциалов, связанных с событием (ERP) для ожидаемых / неожиданных стимулов, будет усреднена из-за небольших вариаций в ответ на эти меняющиеся стимулы.
Кто-нибудь знает лучшие методы обработки и анализа данных ЭЭГ для обнаружения малых ERP в ответ на слуховые стимулы MMN? Может ли кто-нибудь порекомендовать методы, позволяющие избежать усреднения небольших ERP, задержки которых могут различаться?
Программы/пакеты для анализа ЭЭГ
Существуют достойные наборы инструментов MatLab с хорошими руководствами по анализу данных ЭЭГ. Инструментарий EEGLAB ( руководство ) может работать как с графическим интерфейсом, так и с командной строкой (и скриптом). Инструментарий fieldtrip ( учебник ) в основном управляется командной строкой/сценарием.
Конечно, существуют также (коммерческие) программные пакеты для анализа ЭЭГ, не требующие Matlab (например, BESA , Brain Vision Analyzer , eeprobe ), но я с ними не знаком.
Существуют ли методы, позволяющие избежать усреднения небольших ERP, задержки которых могут различаться?
Нет, наверное, нет. ERP рассчитываются путем усреднения по нескольким испытаниям, потому что это усреднение компенсирует все компоненты, которые флуктуируют во времени (то есть в основном шум), т. е. то, чего вы хотите избежать (компенсация флуктуирующих компонентов), на самом деле является целью расчета ERP.
Однако, чтобы быть уверенным, вам следует взглянуть на обзоры или учебные пособия для измерения отрицательности несоответствия. См. например
Duncan CC, Barry RJ, Connolly JF, Fischer C, Michie PT, Näätänen R, Polich J, Reinvang I, Van Petten C. (2009) Потенциалы, связанные с событиями, в клинических исследованиях: рекомендации по выявлению, регистрации и количественной оценке отрицательности несоответствия, P300 и N400. Клин Нейрофизиол. 120(11):1883-908. ( опубликовано )
Я использую набор инструментов FieldTrip в Matlab для анализа моего собственного модифицированного эксперимента со слуховым MMN :) Но я использую MEG, поэтому у меня не так много вариантов программного обеспечения. Набор инструментов очень мощный, но у него крутая кривая обучения, и я бы рекомендовал его, только если у вас уже есть опыт анализа данных как в Matlab, так и в ЭЭГ.
Я не анализирую свои данные классическим методом MMN, поэтому не могу это комментировать. Я слышал, что толпа MMN иногда может быть немного догматична в отношении того, как подходить к анализу данных, поэтому было бы неплохо получить точную информацию, прежде чем вы сядете за это. Возможно, контакт с кем-то, у кого есть опубликованное исследование MMN, поможет.
Одно из различий между этим исследованием и обычными слуховыми задачами MMN заключается в том, что ожидаемые/неожиданные стимулы различаются между испытаниями, при этом ожидание устанавливается для каждого испытания. Следовательно, возможно, что разница потенциалов, связанных с событием (ERP) для ожидаемых/неожиданных стимулов, будет усреднена из-за небольших вариаций в ответ на эти меняющиеся стимулы.
Поскольку частоты типов физически различных стимулов в этих двух условиях идентичны, это не вызывает беспокойства. Однако в неожиданном условии будет больше шума по сравнению с ожидаемым из-за меньшего общего числа испытаний. Я не уверен, каким образом это может повлиять на статистику (я полагаю, что это не исказило бы их каким-либо систематическим образом, но я не спрашивал эксперта — пожалуйста, дайте мне знать, если узнаете!), но в целом как в качестве меры предосторожности я беру случайную выборку ожидаемых испытаний, равную количеству неожиданных испытаний на одного участника. Таким образом, в обоих условиях будет одинаковое количество шума, потому что у вас есть выборка одинакового размера физически идентичных стимулов, и единственная разница заключается в ожидании стимула.
пользователь3639
Криста