Loading
Note di Apprendimento
Study Reminders
Support
Text Version

La Dimostrazione MMN

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

Vi darò solo come fare l'analisi EEGLAB e ERPLAB con un dato MMN. Quindi, vi proporrò una breve introduzione su quello che è questo MMN e come sembra e tutto. (Riferimento Slide Time: 0.48) Così, MMN significa che si chiama negativamente la negatività. Si tratta in realtà di un componente negativo che si sta ottenendo durante l'analisi, durante l'analisi ERP, l'analisi EEG. Così, noi in questo stiamo dando due tipi di stimoli, due stimoli sono dati al tratto come standard 500 hertz e un deviatore di 1000 hertz e che anche in esso è ripetuto, si ripete in una particolare moda. Ad esempio, sarà sempre in questa moda beep beep beep boop, come se lo sarà

Quindi, quasi ogni volta che sarà in questa moda perché dovrebbe essere in forma ripetitiva, cioè quando solo allora si può scoprire quando si ottiene la risposta deviante. Così, il cervello quello che fa è che mantiene lo standard, lo standard penserà che questo sia il modo in cui il suono arriverà e improvvisamente quando c'è una differenza in questo, nel tono che è quando si ottiene la risposta deviante, c'è una componente negativa diversa che entra in parte, che si chiama così MMN, quella mismatch negatività che è il motivo per cui è conosciuta come errata la negatività. Questo è anche simile a quello dello stimolo uditivo, auditorio evocativo stesso perché anche in questo c'è anche un auditorio perché è uno stimolo uditivo, stiamo dando lì una corteccia uditiva, è coinvolta anche in questo particolare MMN ERPs. Quindi, di solito, questo MMN se si vede, se sarà sempre compreso tra un 150 a 300 millisecondo, in questa particolare gamma il MMN dovrebbe essere visto ogni volta. Così, inizia con lo stimolo deviato, inizia subito dopo che ci sarà uno stimolo deviante ottenuto, ci sarà questa risposta MMN ottenuta. Successivamente, i dettagli così sperimentali, viene nuovamente registrato dal sistema di scansione neuro, un sistema di elettrodo bagnato.

Quindi, qui abbiamo di nuovo un canale 64 e poi abbiamo lo stimolo come vi ho detto, dovrebbe essere questo S che sarà standard e per un deviato e seguito da 4 standard e 1 deviati come questo sarà ripetuto per circa 100 loop o qualcosa del genere. Quindi, otterremo un enorme e la fascia oraria di questo MMN, ci vorrebbe circa 10 a 15 minutes come quello. Quindi, allora solo saremo in grado di mediare tutti gli ERP e tutto e di ottenere il particolare MMN. E anche in questo abbiamo anche tutta la gamma di filtraggio, abbiamo a che fare tutti i filtri, incorporeremo il filtro notch, il filtro bandpass e tutto e il rifiuto artefatto è di nuovo da meno 1000, 100 a più 100 microvolt. Quindi, anche in questo esperimento cosa succede, abbiamo un intervallo di tempo più lungo, ne abbiamo di più, significava che ci sta prendendo il 15 minutes di dove non possiamo costantemente o stazionarie come non possiamo sederci a lungo, quindi ovviamente ci saranno molti manufatti in questo anche. Quindi, ecco perché dobbiamo avere il rifiuto artefatto da fare in tutti gli ERP. Poi, e questo soprattutto il MMN si ottiene nella parte frontale, frontale destra del cervello che si otterrà. Così, per esempio, vi mostrerò solo nelle prossime foto. Ecco, qui questa parte blu qui sopra è il luogo in cui la risposta MMN è massima perché qui è il luogo in cui si hanno le primarie e la corteccia uditiva non primaria e tutti sono presenti in questa parte del cervello.

Così, qui in questo luogo solo, si ottiene il MMN. Così, qui nella prima figura come ho mostrato, qui abbiamo i ci sono 3 standard seguiti dallo stimolo deviante, quindi quello che succede è, il tutto lo standard possiamo insieme mediare e ottenere una forma e tutti i deviati insieme possiamo mediarlo e produrre questa forma d'onda. La sottile linea nera qui sopra è la stimolazione standard e la linea spessa qui sopra che è lo stimolo deviante. Ecco, questa è la forma d'onda ottenuta per lo stimolo deviante. Ora, quello che dobbiamo fare è, sempre quando questo MMN, dovrebbe essere la differenza tra, ci sarà il MMN non è, non è solo lo stimolo deviante o lo stimolo standard, non è questo, è la differenza tra il deviante e lo standard. Quindi, quando noi così, quando abbiamo la sua analisi ERP che si fa, dobbiamo essere separatamente, dobbiamo creare due bidoni diversi per la norma così come il deviato e poi dobbiamo sottrarre il, dobbiamo fare un'operazione di vassoio in modo che ci sia una sottrazione che si svolge tra il deviatore e la norma, quindi solo così otterremo il corretto risultato MMN.
Così, qui in questo caso, qui si mostra in questa figura che viene mostrata e la figura di sinistra la viene mostrata come un negativo o un positivo come mostrato. Quindi, qui se lo vedete è un picco perfetto ai 200 millisecondo e qui possiamo vedere che è compreso tra 150 a 200, avrete 100-200, c'è un picco. Questa è una due foto diverse che ho preso solo per mostrare quale parte del cervello viene attivata in questo caso e quali sono i diversi stimoli, come appare gli stimoli, per questo stiamo usando questo. Quindi, sempre lo standard sarà un tono da 500 hertz e 1000 hertz tono. Ora, ci sono vari tipi di MMN anche come ci può essere la durata MMN. Ad esempio, ora da uno deviato dalla norma per deviare se si ha, possiamo cambiare il calendario. Ora, di solito, in genere le persone prendono una differenza di 500 millisecondo o un hertz di 2 di frequenza che prenderanno, in quella gamma sperimenteranno. Quindi, a volte prenderanno anche un calendario diverso. Quindi, ci sono diversi tipi di MMN anche lì come questa durata MMN e il delta MMN, tipo che ci sono vari tipi di MMN come anche lì. Possiamo modificare i protocolli sperimentali in base a quello che vogliamo scoprire. Quindi, diversi tipi di questo avranno ovviamente diversi tipi di risultato anche. Quindi, si tratta della rappresentazione pittorica MMN di come sembra.
E così come fa e sarò solo breve su come fare questa dimostrazione MMN in EEGLAB e ERPLAB. Quindi, ancora come vi ho detto, prima dobbiamo avere il formato secondo la cosa EEG, intendo come qualunque formato EEG abbiamo, secondo quanto abbiamo ottenuto e poi importerà i dati EEG e poi facciamo il filtraggio notch e seguiamo basta controllare quali trigger si riferisce alla norma e quali trigger ci si riferisce al deviato dobbiamo controllare che prima di fare qualsiasi analisi. E poi fare la creazione della lista eventi per la norma e deviare separatamente e poi dobbiamo fare il rifiuto artefatto, tutta la banda passante i filtri e tutto e poi finalmente dobbiamo epocare il MMN e dobbiamo, un altro passo importante da parte dell'EEP è che dobbiamo fare il bidone in questa cosa in questa cosa perché volevamo che il MMN fosse la differenza tra il deviatore e lo standard. Quindi, dobbiamo fare quel passo particolare nell'analisi ERPLAB prima di fare altro. In caso contrario, ci limiteremo direttamente se non si farà l'operazione bin, possiamo solo visualizzare lo standard da solo e il solo deviatoio ma non saremmo in grado di visualizzare come appare il MMN. Anche le operazioni di canale possono essere fatte anche per questo particolare perché come vi ho detto solo il lato destro frontale - centrale in quella particolare area solo il cervello viene attivato. Quindi, solo quegli elettrodi e tutti possono essere insieme operazioni di media e di canale possono essere fatte, mediamente insieme in quella parte e poi possiamo ottenere una forma d'onda MMN finale. Quindi, si tratta del, si tratta del totale, delle procedure procedurali di quello che dobbiamo fare in EEGLAB.
E il MMN se hai da dire, questo è proprio questo è Naatanen è la persona principale che ha fatto molte ricerche su questo MMN, vari altri tipi diversi di MMN, uditivo, visivo o anche questa durata MMN come vi ho detto, diversi tipi di MMN e analisi sono stati eseguiti da questo Naatanen e gruppo. Ecco, questi sono i migliori riferimenti che puoi dare per MMN. Puoi avere questo come carta base per fare qualsiasi analisi MMN. Quindi, il prossimo passo a dimostrare come fa l'analisi MMN EEGLAB, ERPLAB che possiamo fare usando la fonte Matlab, quindi grazie.

Ciao a tutti. Così, abbiamo fatto il MMN diamo solo un'introduzione cosa, come questo MMN guarda e tutto. Quindi, vi darò solo come demo, come procedere con l'analisi EEGLAB e ERPLAB con i dati MMN. Si tratta di passi simili solo ma qualche differenza nella lista eventi e tutti ci saranno. Quindi, dimostrerò solo come tale. Quindi, qui abbiamo, avremo solo la, userò il metodo di interfaccia grafica dell'utente stesso che vi mostrerò solo come creare gli script alla fine. Quindi, qui abbiamo l'EEGLAB in esecuzione, di conseguenza abbiamo vari formati.

Ora, in questo esperimento, userò un altro formato di EEG invece del formato CNT, userò il formato Enobio di EEG, un min del file MMN. Come io prenderò un file NEDF per esempio. Quindi, qui mi limiterò a importare i dati MMN. Ecco, questo è in realtà questo neuro elettricista, questi sono i plugin che ci sono in tutto il sito web EEGLAB stesso. Puoi direttamente andare lì e scaricarlo e basta incollarlo nei plugin come ho citato nella precedente dimostrazione, dobbiamo semplicemente incollarlo sui plugin di quel EEGLAB. Così, qui abbiamo questi sono i 2 formati che si ottengono per l'open BC, l'Enobio e tutti. Così, NEDA per EEG. Quindi, prenderò questo formato NEDA qui e mi limiterò a prendere dati MMN, questo è il dato MMN che sto prendendo qui e qui possiamo avere, possiamo caricare il canale. Così, come vi ho detto nella precedente dimostrazione, ho accennato che possiamo esserci location di canale che dove dobbiamo fare manualmente o a volte nel file stesso ci saranno queste località di canale presenti. Quindi, questo è uno di tale formato in cui le località di canale ci sono anche insieme ai dati continui. Quindi, questo è uno così solo noi cariceremo le location del canale e poi diamo un ok.

Così, qui si legge tutte le funzioni e poi vi darà il, leggerà le location e tutto e lo chiamerò solo come MMN, demo MMN, ok. Quindi, qui si apre come questo. Così, qui in questo formato dati, stanno avendo solo 32 canali e poi le epoche sono da, c'è solo un'epoca perché non abbiamo ancora fatto epoche. Quindi, è sicuro per qui è come 1, 568 seconds è duratale che significa che è più di 15 minutes come quello. Ecco, questa è la durata dell'esperimento qui sopra. Qui già le location del canale sono incluse e gli eventi, vi mostrerò solo gli eventi e qui la frequenza di campionamento è di 500. Possiamo modificare questa frequenza di campionamento parlerò di modificare la frequenza di campionamento nella sezione di analisi d'onda. Quindi, qui vi mostrerò solo come appaiono i dati. Quindi, cambierò solo il modo in cui otteniamo tutti i canali. Quindi questi sono solo 30, solo 32 canali ci sono, quindi qui se vedete ci sono questi sono gli standard e c'è un deviatore di 1 e c'è uno standard e poi un deviato, standard e deviato. Quindi, ecco come si presenta ed è un formato ripetitivo. Non è come qui ce ne sono 6 e qui ce ne sono 5, non così. Qui tutti sono 6 e 1 deviati, come quello che è. Ecco come dovrebbe, i dati MMN dovrebbero sembrare.

Quindi, prima di fare ulteriori analisi, facciamo solo un passo di pre - elaborazione del filtraggio. Così, qui riprendiamo come di consueto un filtro di notch. E mettere un 50. Quindi, questo è il passo consueto come vi ho detto. Quindi, se dopo aver guardato, dopo aver fatto il filtraggio, forse i dati guarderanno ancora meglio. Quindi, ti mostrerò solo la cosa. Quindi, qui si vede il corretto, il dopo il filtraggio stesso, c'è un corretto visto di tutti i canali sono stati mostrati correttamente e possiamo cambiare la lunghezza della finestra del numero o come possiamo renderla 20, 25 così. E anche noi possiamo visualizzare i canali. Ad esempio, ora voglio solo 2-4-5 canali da vedere a un tratto significa che possiamo farlo anche. Così, possiamo cambiare l'ampiezza di conseguenza come volevo essere un'ampiezza molto minore. Quindi, otterremo una corretta visualizzazione di come appare così. Quindi, questo è solo un passo di pre - elaborazione del filtro notch che ho detto avanti. Prima ancora, dopo questo dobbiamo creare la lista eventi. Così, qui abbiamo due eventi come vi ho detto, uno è lì ad evento standard e il deviato, quelli sono i due eventi che ci sono. Quindi, prima di tutto, dobbiamo fare la lista eventi, quindi dobbiamo creare la lista eventi di conseguenza. E poi dobbiamo fare come sembra.

Quindi, per primo, ci sono un evento in cui in realtà si tratta di un 500, che è un hertz del 500 e lo chiamiamo semplicemente come il primo evento e si chiama come standard. Quindi, lascia che sia dove lo chiameremo come standard. E poi ci aggiriamo. Quindi, questo è uno, questo è un evento. Per il prossimo evento ce la faremo 2 perché ci sono 1 e 2 eventi, quindi qui questo è il 1000 hertz e poi possiamo chiamarlo come secondo vassoio e qui chiameremo la descrizione del cestino come deviante abbiamo il trigger di stimolo deviato. Quindi, eccoci qui, quindi è così che è stato creato l'elenco eventi. E poi possiamo salvarlo come MMN, però, vuoi salvarlo in quel formato. Quindi, l'ho appena salvato come totale MMN. Così, ecco come è stato creato l'elenco eventi. Ora quello che succede è tutto il totale, tutti gli eventi in questo, tutti questi 1s e 2s saranno sostituiti da bin 1, bin2 con questi standard e devianti e tutto. Quindi, lo appliceremo solo.

Così, mentre lo fa creerà tutti i bidoni. Quindi, ecco la pre - elaborazione come appare nella finestra di comando, quindi qui crea i due eventi per 1500 hertz e per 1000 hertz per lo standard e deviato appositamente e poi lo nomiamo sotto forma di etichette di codice e lo applichiamo semplicemente e creerà una lista eventi, quindi lo facciamo e basta. Così in questo modo abbiamo fatto la lista degli eventi. Ora, come ti ho detto, dobbiamo fare anche l'epoche. Così, come ho detto ovunque dobbiamo fare quel passo epocale in tutti gli ERP. Quindi, quello che succede dobbiamo fare l'epocatura, dobbiamo fare l'epoch a base di vassoio. Quindi, qui anche noi volevamo solo che potremmo continuare a mantenere la correzione di base di meno 50 perché semplicemente non vogliamo non appena inizia il momento in cui inizia il trigger, come cambia la forma d'onda che non vogliamo sapere, vogliamo solo avere una piccola correzione di base di come sembra prima che inizi l'innesco. Quindi, teniamo meno 50. Di solito, quanto ci vanno a prendere, il 10% di questo dobbiamo mantenerlo come correzione basale. Quindi, se stai prendendo per 1000 seconds mezzi, 10% di quel 100 millisecondi di correzione basale che devi mantenere, quindi tengo solo un default come meno 50 per qualsiasi AEP qualsiasi ERPs in quanto tale. Quindi, prendo come ti ho detto per MMN, è da meno è come da 150 a 300 in quella gamma il MMN ci sarà. Quindi, ecco perché terremo una gamma di circa 400 o 450 come quella in modo da ottenere un corretto, possiamo visionare correttamente tutti i MMNs, per questo scopo solo noi lo facciamo. Quindi, lo eseguo e basta.

Quindi, quello che succede è che si correrà in modo tale che si farà epoche in quel determinato intervallo di tempo. Così, i bidoni sono stati creati. Quindi, se vedete qui ci sono 500, 700 eventi che significa totale di tutti gli standard e devianti insieme ci sono 700 eventi. In quel 700 eventi abbiamo fatto anche le 700 epoche che iniziano da meno 50 a 500, a 450 millisecondo. Allora, ecco come facciamo le epoche. Dopo questo, vi mostrerò solo come sembra questo epoch. Così, qui abbiamo visto tutto questo, questi sono il bidone 1s tutti gli standard e seguito da un deviato, standard e deviato come questo. Quindi, mostrerò solo un per circa 12 minuti. Quindi, qui sopra abbiamo, quindi qui se vedete ci sono deviati seguiti dagli standard, un deviato e gli standard del genere. Così, ecco come dovrebbe essere il MMN. Ora, quello che succede è quando si fa la media, solo che questi bin 2s insieme si faranno media e tutto il bidone 1s si riunirà mediamente. Così, come che otterranno due medie di entrambi i bidoni. Successivamente vi mostrerò solo come fare il rifiuto del manufatto. Quindi, il rifiuto del manufatto come ho detto dovrebbe essere sempre la soglia di tensione. Ora, in questo non possiamo prendere tutti i canali perché qui in questo non c'è un canale di trigger separato non c'è. Nella precedente dimostrazione come ho mostrato nel CNT, i canali trigger erano separati e altri EEG, canali EMG e tutti si separeranno così abbiamo solo escluso di aver fatto insieme solo gli altri elettrodi. Ma in questo tutti i canali, tutti gli EMG, tutti i trigger che tutto sono nei canali stessi. Quindi, per questo motivo dobbiamo solo selezionare poche le aree reali dove per esempio solo gli elettrodi frontali o gli elettrodi centrali frontali e tutto questo il luogo in cui il MMN è massimo visto.

Quindi, prendiamo solo quegli elettrodi da soli come tutti questi, questi sono gli elettrodi frontali e questi sono alcuni elettrodi parietali che ci sono. Così, solo questi pochi elettrodi, solo quegli elettrodi che prenderemo prenderò solo tutti questi elettrodi 4, 5, 9 elettrodi come tali e solo questi solo per questi canali farò il rifiuto artefatto, non gli altri perché altri non sono che il MMN ha più specificamente visto in questi elettrodi piuttosto che gli altri. Quindi, lo prendo e lo accetto. Quindi, se si va alle spalle e si vede, si vedrà quante di esse vengono rifiutate e quante di esse vengono accolte. Quindi, qui se si vede come se fosse come un 50-50. Quindi, se avessi selezionato l'intero EEG tutti i canali, se tutti i canali sarebbero stati rifiutati, tutte le epoche sarebbero state rifiutate. Quindi, qui ci sono 2 bidoni, in quanto circa 100 di loro sono per gli standard e i restanti erano per i deviati. Quindi, allora faremo solo questo, quindi qui otteniamo l'accettazione di questi molti di loro vengono accettati. Quindi, dobbiamo arrivare a un aggiornamento anche in questo nostro. Quindi, lo facciamo e basta. Poi qui in questo giallone, il giallo che si sta evidenziando in giallo, sono quelli che stanno avendo i quelli che verranno rifiutati. Quindi, basta aggiornare questi segni. E poi andiamo come ho mostrato nella demo precedente anche come dobbiamo andare a questi strumenti e ispezionare e poi rifiutiamo le prove segnate.

Quindi, tutti questi contrapposti gialli, questi sono i tutti i gialli tutti questi evidenziati sono quelli segnati e che verranno rifiutati. Così, otterremo un visto qui sopra possiamo vedere che su 700, queste molte prove sono state respinte, è stata respinta. Così, otterremo un nuovo dataset. Così è così che sembra. (Riferimento Slide Time: 14.34) E dopo questo nostro passo regolare è filtrato. Quindi, faremo un filtro di bandpass. Dopo aver fatto il filtro di bandpass, faremo i restanti altri ERPs di medie e tutto. Quindi, dovrebbe essere sempre da 1 a 30, possiamo cambiarlo. Qui abbiamo l'ordine, possiamo cambiarlo o possiamo anche cambiare la fascia alta e la fascia bassa e tutto. Quindi, lo applichiamo solo e poi otterremo la media, il dataset filtrato. Quindi, ne abbiamo uno ora, come vi ho detto ci sono 2 bidoni ora abbiamo un bidone 1 e un bidone 2. Quindi, il bidone 1 è per la norma e il bidone 2 è per il deviatoio. Quindi, faremo ulteriormente la media di quei due bidoni. Così, qui in questo settimo dataset dopo aver fatto tutti i passi filtranti, elenco eventi, epoching, artefatto rifiuto e poi filtro, rifiutando gli artefatti respinti e poi finalmente filtreremo, otterremo un solo questi tanti, questo 344, solo questi tanti canali, intendo solo queste tante epoche, di cui pochi sono per il bidone 1s e pochi sono da bin 2 e saranno sconfinate separatamente. Così, faremo quel passo in questa media impostata ERP.

Quindi, qui è solo un pop up che dice che sulla fusione emergente. Così, chiameremo solo il MMN. Così, qui abbiamo la demo MMN che la salverò solo in questo formato. Vi mostrerò solo come appare con solo due eventi, due bidoni che mostra in realtà. Così, qui abbiamo la demo MMN è stata generata. Quindi questi sono i fino ad ora qualunque cosa ci facessimo fare era essere dati, questo dataset veniva ottenuto qui sopra. Il prossimo mostrerò solo una trama di questo. In questa trama non vogliamo gran parte di questi canali, ne prenderò solo alcuni come la parte centrale e frontale, quindi in realtà mostrerò tutto. E poi mostrerò solo un modo topografico come sembra. Quindi, nel senso topografico se si dice e qui anche noi dovremmo prendere da quando è un MMN come se si tratta di una negatività errata, quindi è sempre dovrebbe essere un negativo ma non abbiamo ancora fatto il MMN. Questo è solo i due bidoni come lo standard e il deviato separatamente abbiamo epoche e tenuti, sconfinati e tenuti.

Così, qui quelle rosse sarebbero le, quindi se qui si vede quelle rosse saranno i deviati e il nero, la linea nera qui sopra, la forma d'onda nera è la norma. Allora, ecco come sembra. Ora, dobbiamo fare la sottrazione tra deviante e standard allora solo voi otterrete i corretti dati MMN. Quindi, farò solo quella operazione ora. Quindi, questo è solo per dimostrare che questo è come appare con solo standard e deviato insieme guarda in questo modo. Vi mostrerò come fare l'operazione bin. Così, qui abbiamo le operazioni ERP, in questo, dobbiamo prendere un bidone, la funzione di funzionamento del bidone. Così, qui possiamo fare questo è il bidone che abbiamo, dobbiamo fare il bidone 2 meno bin 1. Quindi, ci sarà possibile renderla in un nell'attuale dataset stesso possiamo d o possiamo creare anche un nuovo dataset. Quindi, farò solo un nuovo set di dati. Quindi, ecco come fa, b2 meno b1 e l'ho appena corso. Così, ti darà il bidone. Quindi, lo scrivo solo come un bidone, operazione bin e l'ho appena salvato e vi mostrerò come si guarda dopo il fare, dopo aver fatto il bidone come sembra. Quindi, ecco come si sta facendo l'operazione bin e poi vi mostrerò solo i bidoni.

Quindi, qui sopra se vedete questa parte, questa è la parte reale del cervello in cui il MMN corretto dovrebbe cercare, dovremmo arrivare. Quindi, vi mostrerò solo questo elettrodo particolare. Quindi, qui se si vede che è questo particolare gobbo qui sopra, questo particolare negativo qui sopra, questo è chiamato come il corretto MMN. Quindi, dovrebbe essere in realtà da meno 50 a 300, in questa fascia solo ma stiamo ottenendo questo in questo intervallo qui sopra, questo particolare picco, questa parte questa è chiamata come questa è chiamata MMN per noi. Così, possiamo verificare quali sono anche i punti dati, come sembra e tutto. Quindi, questa è la classica risposta MMN che si sta ottenendo tra così meno 152 - 300 in questa gamma si ottiene questo punto, questo è il luogo in cui si trova. Quindi, possiamo quello che possiamo fare, possiamo fare direttamente tutte le operazioni di canale anche. Come possiamo solo prendere la media di solo queste particolari questa zona come ho mostrato nella presentazione p, era che l'area blu era il luogo in cui il MMN dovrebbe essere lì che è in questa parte, questa è l'area effettiva dove dovrebbe esserci. Così, possiamo fare l'operazione di canale in quel modo anche.

Quindi, ho già fatto questo. Quindi, qui se si fa l'operazione di canale, quindi qui ho fatto l'operazione di canale qui come abbiamo a che fare per il fronte, noi h per selezionare quali canali è per questo lato sinistro centrale frontale, il lato destro del cervello, quindi selezioneremo solo tutti, tutti e solo mediamente. Questa è un'equazione che ho fatto in precedenza, quindi possiamo solo selezionare e aggiungere e fare la media. E se si corre si otterrà un canale operato uno. Quindi, basta fare un, lo stiamo tagliando a una parte particolare del cervello. Quindi, lo farò e ve lo mostrerò. Ci sarà solo un canale e un bidone che mostra solo uno degli ERP. Un minuto, lo renderò solo più grande, lo renderemo negativo sempre perché come vi ho detto è un picco negativo. Ecco, ecco che questo è questo particolare che qui viene chiamato il MMN. Da qui a qui, cioè il MMN corretto così inizia da circa, inizia da circa 170 e termina in questo particolare punto. Quindi, se fate tutte queste operazioni saremo in grado di vedere chiaramente la risposta MMN. Quindi, questa parte e questa parte non è necessaria per uno studio MMN. Quindi, solo noi dobbiamo concentrarci da questa parte a questa parte che è il luogo in cui bisogna trovare la risposta MMN. Così, dopo, facendo l'operazione di canale e l'operazione bin, saremo in grado di ottenere il corretto risultato MMN. Ora per lo stesso modo in cui ci saranno molti soggetti, per molti soggetti faremo questa analoga analisi dei dati. Quindi, se fate tutte quelle analisi insieme e possiamo eseguire una grande media, riceveremo l'analisi statistica possiamo fare il test T e altre Enova e tutto e tutti e possiamo vedere come lo standard, così come il SEM somigli e tutto quello che possiamo scoprire.

Un altro passo importante di cui ho dovuto citare è lo scripting come vi ho detto. Qui, possiamo qualunque passo abbiamo fatto fino ad ora, ci sarà come una storia, ci sarà nella storia EEG. Quindi, se facciamo solo eegh se ci metti se mettiamo questo comando eegh qui sopra, otterremo quello che tutti gli altri codici che abbiamo ottenuto per tutti i codici richiesti per fare tutte le altre analisi. Ad esempio, per ora, questo è il caricamento del dataset e poi possiamo solo fare il filtraggio notch e poi qui questa è la creazione dell'elenco eventi e poi abbiamo fatto l'epoching. Così, come che tutto il, come sequenzialmente come avevamo fatto, otterremo gli script corretti. Quindi, noi possiamo solo copiarlo e incollarlo di conseguenza nel nostro editor o ogni dove e poi possiamo chiamarlo di conseguenza e basta solo per analisi di dati multipli e tutti, possiamo semplicemente utilizzare questo particolare dataset. L'unica cosa che dobbiamo solo cambiare il nome del soggetto o il nome del file dei dati, di conseguenza dobbiamo cambiare e ottenere il risultato. Quindi, questo è solo un passo che mi è mancato nella precedente dimostrazione. Allora, ecco come facciamo l'analisi dei MMN.

Così, come allora vi ho detto questo è il passo in cui possiamo fare le grandi medie di voi più soggetti, tutti i datati che avete insieme, possiamo raccogliere tutti questi ERPs insieme e fare finalmente insieme una grande media. Ma il passo importante principale di queste grandi medie è che dobbiamo tenere i dati, la costante di elaborazione come dovrebbe essere tutti i filtri dovrebbe essere la stessa, tutte le epoche, la fascia oraria tutto dovrebbe essere la stessa. Se non sei fatto, un tempo diverso variava uno insieme per epoche, questo non è possibile. Anche il tasso di campionamento dovrebbe essere uguale anche per entrambi per fare le medie. Quindi, ecco tutto sul MMN. Ecco, questi sono i dati MMN, sono i dati di MMN classico. Così, la prossima dimostrazione o la prossima presentazione che darei riguarda il P300 e come fare la sua dimostrazione e analisi.