Resumen

El análisis de componentes independientes (ICA) es un potente método para la separación de fuentes y se ha utilizado para la descomposición de datos EEG, MRI y EEG-fMRI concurrentes. El ICA no es naturalmente adecuado para hacer inferencias de grupo, ya que es un problema no trivial identificar y ordenar los componentes entre los individuos. Una solución a este problema es crear datos agregados que contengan observaciones de todos los sujetos, estimar un único conjunto de componentes y luego reconstruirlo en los datos individuales. Aquí describimos un modelo ICA temporal a nivel de grupo para el EEG relacionado con eventos. Cuando se utiliza para el análisis de series temporales de EEG, la precisión de la detección de componentes y la reconstrucción posterior con un modelo de grupo depende del grado de tiempo intra e interindividual y del bloqueo de fase de los procesos de EEG relacionados con eventos. Ilustramos esta dependencia en un análisis de grupo de datos híbridos que consisten en tres fuentes simuladas relacionadas con eventos con diferentes grados de fluctuación de latencia y topografías variables. Se probó la precisión de la reconstrucción para una fluctuación temporal de 1, 2 y 3 veces el FWHM de las fuentes para una serie de algoritmos. Los resultados indican que el ICA grupal es adecuado para la descomposición de ensayos individuales con jitter fisiológico, y reconstruye las fuentes relacionadas con eventos con alta precisión.

• Materias:Neurociencia Cognitiva Trastornos mentales Imagen por resonancia magnética Ondas encefálicas Neurofisiología
• Subjects:Cognitive Neuroscience Mental disorders Magnetic resonance imaging Brain waves Neurophysiology
• Palabras claves:fuente relacionada, conjunto de componentes, bloqueo de eventos, precisión de los componentes, análisis de series temporales, descomposición del eeg, número de algoritmo, análisis de componentes independientes, series temporales del eeg, modelo temporal del ica
• Keywords:related source, set of components, locking of events, accuracy of components, time series analysis, decomposition of eeg, number of algorithm, independent components analysis, eeg time series, temporal ica model