Laboratorium EEG/EEGLAB - Historia wersji

Jarekz: /* filtruj_i_tnij.m */

2023-03-28T13:36:44Z

filtruj_i_tnij.m

Jarekz: /* DOBÓR PROGOW DLA ARTEFAKTÓW */

2023-03-22T10:09:23Z

DOBÓR PROGOW DLA ARTEFAKTÓW

Jarekz: /* Przebieg eksperymentu */

2022-03-23T10:20:21Z

Przebieg eksperymentu

Jarekz: /* Wracamy na chwilę do run_me.m: ANOVA */

2020-03-31T08:53:11Z

Wracamy na chwilę do run_me.m: ANOVA

Jarekz: /* Wprowadzenie */

2018-04-04T09:19:43Z

Wprowadzenie

Jarekz: /* Funkcja: plotERP_ROI.m */

2018-03-16T16:44:04Z

Funkcja: plotERP_ROI.m

Jarekz: /* Funkcja: PostHocStats.m */

2018-03-16T16:30:09Z

Funkcja: PostHocStats.m

Jarekz: /* Wracamy na chwilę do run_me.m: ANOVA */

2018-03-16T16:29:00Z

Wracamy na chwilę do run_me.m: ANOVA

Jarekz: /* Funkcja: PostHocStats.m */

2018-03-16T16:26:19Z

Funkcja: PostHocStats.m

Jarekz: /* Funkcja: preparujDaneDlaANOVA.m */

2018-03-16T15:59:59Z

Funkcja: preparujDaneDlaANOVA.m

@@ Linia 148: / Linia 148: @@
      % przywracamy  stan wejściowy zmiennych globalnych eeglaba
      EEG = EEG0;
      ALLEEG = ALLEEG0;

@@ Linia 171: / Linia 171: @@
 * link do tutoriala EEGlab na ten temat: https://sccn.ucsd.edu/wiki/Chapter_01:_Rejecting_Artifacts#Rejecting_artifacts_in_epoched_data
 Naszym celem jest takie dobranie progów
 * abnormalValue: wartosc [uV] powyżej/poniżej(na minusie) której sygnał uznawany jest za artefakt

@@ Linia 26: / Linia 26: @@
 * RYSUNKI
-Dane dostępne są [http://www.fuw.edu.pl/~jarekz/WYKLADY/LabEEG/CW_pseudoslowa/LabEEG_Tutorial/Data/dane.tar tutaj].
+Dane dostępne są [https://www.fuw.edu.pl/~jarekz/WYKLADY/LabEEG/CW_pseudoslowa/LabEEG_Tutorial/Data/dane.tar tutaj].
 Proszę je ściągnąć i wypakować do katalogu DANE. Powinno pojawić się 66 plików, po 2 na każdą osobę. Pliki *.set to pliki matlabowe zawierające struktury EEG, pliki *fdt zawierają właściwe sygnały.

← poprzednia wersja		Wersja z 08:53, 31 mar 2020
Linia 421:		Linia 421:

	=== Wracamy na chwilę do <tt>run_me.m</tt>: ANOVA ===		=== Wracamy na chwilę do <tt>run_me.m</tt>: ANOVA ===
		+
		+	Prosty opis logiki i liczenia ANOVA z powtarzanymi pomiarami: [https://statistics.laerd.com/statistical-guides/repeated-measures-anova-statistical-guide.php]

	Przychodzi moment na wykonanie analiz statystycznych. Chcemy zbadać czy w wybranych przez nas oknach czasowych, średnia wartość potencjału w warunkach czytania słowa różni się od odpowiadającej jej średniej w warunkach czytania pseudo-słowa. Przez średnią wartość potencjału rozumiemy, dla ustalonego okienka czasowego, dla danego ROI i ustalonej osoby, wartość uśrednioną po czasie trwania tego okienka. Do wykonania testu wykorzystamy dwu-czynnikową analizę wariancji z powtórzonymi miarami. Zmienną niezależną jest średni potencjał, czynnikami są warunek (dwa poziomy: słowo/pseudosłowo) i ROI (pięć poziomów: LF, CF, RF, LP, RP). Stosujemy wersję ANOVY z powtórzonymi miarami, bo pozwala ona wydzielić część zmienności w amplitudach średniego potencjału wynikającą z różnic pomiędzy osobami (niezależnie od pozostałych czynników) i ta część zmienności jest z punktu widzenia naszego zadania nieistotna.		Przychodzi moment na wykonanie analiz statystycznych. Chcemy zbadać czy w wybranych przez nas oknach czasowych, średnia wartość potencjału w warunkach czytania słowa różni się od odpowiadającej jej średniej w warunkach czytania pseudo-słowa. Przez średnią wartość potencjału rozumiemy, dla ustalonego okienka czasowego, dla danego ROI i ustalonej osoby, wartość uśrednioną po czasie trwania tego okienka. Do wykonania testu wykorzystamy dwu-czynnikową analizę wariancji z powtórzonymi miarami. Zmienną niezależną jest średni potencjał, czynnikami są warunek (dwa poziomy: słowo/pseudosłowo) i ROI (pięć poziomów: LF, CF, RF, LP, RP). Stosujemy wersję ANOVY z powtórzonymi miarami, bo pozwala ona wydzielić część zmienności w amplitudach średniego potencjału wynikającą z różnic pomiędzy osobami (niezależnie od pozostałych czynników) i ta część zmienności jest z punktu widzenia naszego zadania nieistotna.

← poprzednia wersja		Wersja z 09:19, 4 kwi 2018
Linia 14:		Linia 14:
	Skupimy się na badaniu różnic pomiędzy przetwarzaniem słów i pseudo-słów.		Skupimy się na badaniu różnic pomiędzy przetwarzaniem słów i pseudo-słów.

		+	Proszę też zapoznać się z [http://evc-cit.info/psych018/Reporting_Statistics.pdf opisem stylu raportowania wyników w psychologii]
	====Przebieg eksperymentu====		====Przebieg eksperymentu====

@@ Linia 583: / Linia 583: @@
 </source>
 ====Funkcja: plotERP_ROI.m====
+Uzupełnij uśrednianie ERPa:
 <source lang = matlab>
@@ Linia 607: / Linia 607: @@
          subplot(2,6,position(R,:))
          handles = [];
-−
          % rysowanie przebiegu ERP
          for type = 1:size(data,1)
              hold on
-             p = plot(time,squeeze(mean(mean(data(type,:,ROI.channels(R,:),:),2),3)),'Color',colors(type,:));
+             erp = ... ; % sygnał dla danego typu, danego ROI, uśredniony po osobach i kanałach należących do danego ROI.
              handles = [handles p];
          end
@@ Linia 626: / Linia 619: @@
          xlim(XLIM)
          ylim(YLIM)
-         xlabel('Time [ms]')
+         xlabel('Czas [ms]')
-         ylabel('Amplitude [uV]')
+         ylabel('Amplituda [uV]')
-         legend(handles,{'Words','Pseudo'},'Box','off')
+         legend(handles,{'Słowa','Pseudo'},'Box','off')
          set(gca,'box','off','TickDir','out');
-−
      end

@@ Linia 553: / Linia 553: @@
      TypeROIpval = stats(strcmp(stats(:,1),'type x ROI'),6);
      stat={};
-     if TypeROIpval{1} < 0.05/N_win
+     if TypeROIpval{1} < 0.05/N_win % poprawka Bonefroniego na liczbę okienczasowych
          stat(1,:) = {'ROI','df','t','p'};
          for R = 1:size(ROI.channels,1)
@@ Linia 562: / Linia 562: @@
              dataPseudo = dataANOVA((idxR & idxP),[1,2]);
              [h,p,ci,stats_t] = ttest(dataWords,dataPseudo);
-             if p(1)<=0.05/length(ROI.labels)
+             if p(1)<=0.05/length(ROI.labels) % poprawka Bonefroniego na liczbę ROI
                  stat(R+1,:) = {ROI.labels{R},stats_t.df(1),stats_t.tstat(1), p(1)};
              else

@@ Linia 468: / Linia 468: @@
 ROI.channels = [[18,13];[15,10];[19,17];[9,4];[11,6]];
 ROI.labels   = {'LF','CF','RF','LP','RP'};
 dataANOVA = preparujDaneDlaANOVA(data,timeMarks,ROI,startT,stopT,EEG.srate);
 % dataANOVA - [5 okien czasowych x obserwacje x |1.srednia amplituda 2. subject 3.slowo(0)/pseudo(1) 4.ROI|]
-for window = 1:(length(timeMarks)-1)
      dANOVA = squeeze(dataANOVA(window,:,:));
      stats  = rm_anova2(dANOVA(:,1),dANOVA(:,2),dANOVA(:,3),dANOVA(:,4),{'type','ROI'});
-     stats2 = PostHocStats(stats,dANOVA,ROI);
+     stats2 = PostHocStats(stats, dANOVA, ROI, N_win);
      disp(['------------- Time window: ' num2str(timeMarks(window)) '-' num2str(timeMarks(window+1)) '-------------'])

← poprzednia wersja		Wersja z 15:59, 16 mar 2018
Linia 517:		Linia 517:


		+	Przykładowe wyniki ANOVA mogą wyglądać tak:
		+	<pre>
		+
		+	------------- Time window: 70-120-------------
		+	'Source' 'SS' 'df' 'MS' 'F' 'p'
		+	'type' [ 0.0039] [ 1] [ 0.0039] [0.1842] [ 0.6707]
		+	'ROI' [ 45.8683] [ 4] [11.4671] [9.5012] [9.8407e-07]
		+	'type x ROI' [ 0.1136] [ 4] [ 0.0284] [0.6086] [ 0.6572]
		+	'type x Subj' [ 0.6489] [ 31] [ 0.0209] [] []
		+	'ROI x Subj' [149.6574] [124] [ 1.2069] [] []
		+	'type x ROI x Subj' [ 5.7855] [124] [ 0.0467] [] []
		+
		+	</pre>
		+
		+	W tym przypadku widzimy tylko główny efekt ROI, ale to mówi tylko tyle, że średnie potencjały różnią się pomiędzy ROIami -> mamy "niepłaską" topografię.
		+
		+	Dla innych okienek czasowych możemy uzyskać istotne:
		+	* efekty główne dla typu: świadczyłyby one o tym żę w danym okienku czasowym średnie potencjały dla słów są różne niż dla pseudosłów
		+	* sprzężenie pomiędzy typem i ROIem: świadczyłyby one o tym , że w różnych ROI efekty typu są różne
		+
		+	Ponieważ wykonujemy ANOVe dla każdego z okienek czasowych niezależnie (np. czy mamy efekt główny typu w pięciu okienkach czasowych), to patrząc na efekty tego samego czynnika powinniśmy uwzględnić poprawkę na wielokrotne porównania, np. poprawkę Bonferroniego.
		+
		+	Uzyskanie istotnego efektu w analizie ANOVA mówi tylko o tym, że średnie uzyskane przy grupowaniu danych wg. tego czynnika nie są równe. Aby dowiedzieć się, które średnie różnią się od których wykoujemy tzw. testy post-hoc, np. serię testów t.
		+	W naszym przypadku ponieważ czynnik 'type' ma tylko dwa poziomy to nie ma potrzeby podążania z testami post-hoc.
		+	Jeśli wykryjemy istotny efekt sprzężenia to warto go dalej przeanalizować. Robi to kolejna funkcja.

	==== Funkcja: PostHocStats.m ====		==== Funkcja: PostHocStats.m ====