Recurso Carlitos Flashcards
Os potenciais evocados no EEG são uma ferramenta poderosa e versátil para entender a dinâmica do cérebro e diagnosticar diversas condições neurológicas.
Justifique esta afirmação.
- Potenciais evocados, são resposta eletricas cerebrais a um determinado evento.
- Os potenciais evocados são registos do sistema nervoso em resposta a estímulos sensoriais específicos, como visuais, auditivos ou táteis.
- Esses estímulos podem ser apresentados de diversas formas, como flashes de luz, estalos sonoros ou toques na pele. Os potenciais evocados são frequentemente utilizados em neurociência e neurofisiologia para avaliar a integridade funcional do sistema nervoso, identificar anomalias neurológicas e estudar a condução de sinais ao longo das vias nervosas.
Quais são as vantagens e desvantagens do Eletroencefalograma ?
Eletroencefalografia- Vantagens
Medida direta e não invasiva da atividade cerebral;
Pode ser aplicada a crianças e a pessoas que não conseguem comunicar (a dormir ou em estado vegetativo)
Alta resolução temporal- consegue capturar e registar variações muito pequenas e rápidas mas de forma muito precisa da atividade elétrica do cérebro ao longo do tempo.
Técnica relativamente acessível
Eletroencefalografia- Desvantagens
Limitação no tipo de atividade cerebral que pode ser detectada. Só detecta atividade cortical.
Baixa resolução espacial- não é capaz de identificar com precisão a localização específica das fontes de atividade elétrica dentro do cérebro.
Para garantir uma representação precisa de ondas cerebrais no EEG é importante a captura de taxa de amostragem dos sinais.
Por exemplo, para ser possivel reproduzir uma onda cerebral no EEG eu preciso de no minimo 20 pontos em ondas, 10 em cada lado. Neste caso, como vocês descreveria a diferencia entre Frequencia Nyquist vs Aliasing
Frequência de Nyquist:
Define a taxa de amostragem mínima necessária para evitar aliasing.
Aliasing: Ocorre quando a taxa de amostragem é inferior ao necessário, resultando em distorções.
Desta forma, a diferença entre aliasing e a regra da frequência de Nyquist é que a regra de Nyquist define o critério necessário para evitar aliasing, enquanto aliasing é o efeito negativo que ocorre quando esse critério não é cumprido.
É correto afirmar que na analise espectral nos exames de EEG, é ideal para estudar ritmos cerebrais, detectar alterações frequenciais associadas a diferentes estados mentais e condições neurológicas.
Sim, é correto afirmar que a análise espectral nos exames de EEG é ideal para estudar ritmos cerebrais, detectar alterações frequenciais associadas a diferentes estados mentais e condições neurológicas. A análise espectral é uma técnica que decompõe o sinal EEG em seus componentes de frequência, permitindo a identificação e a quantificação de diferentes ritmos cerebrais, como alfa, beta, delta, e teta.
Aqui estão algumas das utilidades específicas da análise espectral no EEG:
-
Estudo dos Ritmos Cerebrais: Cada ritmo cerebral está associado a diferentes estados de atividade mental e níveis de consciência. Por exemplo:
- Ritmos alfa (8-12 Hz) são frequentemente observados durante estados de relaxamento e vigília tranquila.
- Ritmos beta (13-30 Hz) estão associados a estados de alerta, atenção ativa e concentração.
- Ritmos delta (0.5-4 Hz) são predominantes durante o sono profundo.
- Ritmos teta (4-7 Hz) podem ser observados em estados de sonolência, meditação profunda e durante o sono leve.
-
Detecção de Alterações Frequenciais: A análise espectral pode revelar alterações nas frequências dos ritmos cerebrais que podem ser indicativas de diferentes estados mentais e condições neurológicas. Por exemplo:
- Alterações nos ritmos alfa podem ser indicativas de estresse ou estados de ansiedade.
- Alterações nos ritmos beta podem estar associadas a hiperatividade ou transtornos do espectro do autismo.
- A presença de ritmos delta e teta durante a vigília pode indicar disfunções neurológicas ou transtornos do sono.
- Diagnóstico e Monitoramento de Condições Neurológicas: A análise espectral é útil no diagnóstico e monitoramento de várias condições neurológicas, como epilepsia, onde padrões específicos de atividade elétrica anormal podem ser detectados em diferentes bandas de frequência. Além disso, mudanças nas frequências do EEG podem ser usadas para monitorar a progressão de doenças neurodegenerativas, como a doença de Alzheimer.
Portanto, a análise espectral do EEG é uma ferramenta poderosa para entender a dinâmica dos ritmos cerebrais e detectar mudanças associadas a diferentes estados mentais e condições neurológicas.
Nos Exames de EEG qual é a diferença entre Amplitude e Latencia ?
Amplitude no EEG:
A amplitude é uma medida da intensidade ou magnitude da variação elétrica do sinal EEG. Ela representa a diferença entre os picos e os vales das ondas cerebrais em relação a um valor de referência, que geralmente é a linha de base do sinal. Altas amplitudes indicam uma forte atividade elétrica.
Latência no EEG:
Latência é o tempo entre a apresentação de um estímulo e a resposta elétrica detectada no EEG. Ela é medida em milissegundos e indica a rapidez com que o cérebro processa o estímulo. Curta latência indica uma resposta rápida, enquanto longa latência pode sugerir atrasos no processamento.
Exemplo Integrado:
Exemplo de Estimulação:
Um som é apresentado ao sujeito.
Resposta EEG: O EEG registra a resposta elétrica do cérebro ao som.
Amplitude:
A magnitude da resposta elétrica (pico) indica a intensidade da atividade cerebral em resposta ao som.
Latência: O tempo entre o som e o início do pico na resposta EEG indica quanto tempo o cérebro levou para processar o som.
Resumo:
A amplitude no EEG reflete a intensidade da atividade elétrica cerebral, enquanto a latência mede o tempo que o cérebro leva para responder a um estímulo.
Ambas são importantes para compreender a dinâmica da atividade cerebral em resposta a diferentes estímulos.
Por fim, os filtros neste contexto, tem um papel importante na remoção dos ruidos que são indesejados.
A filtragem vai provocar sempre algum distúrbio do sinal!! Deve filtrar-se o mínimo possível.
Que tipos de ruídos e artefatos são comuns nos sinais de EEG que necessitam de filtragem?
Ruído de linha: É causado pela interferência da frequência da linha elétrica, geralmente 50 ou 60 Hz, e seus harmônicos.
Ruído muscular: Gerado pelos movimentos musculares do paciente durante a aquisição do EEG, especialmente em regiões próximas a músculos faciais.
Ruído eletrônico: Originado de equipamentos eletrônicos próximos ao ambiente de aquisição, como monitores, cabos e sistemas de registro.
Artefatos de movimento: Provocados por movimentos bruscos do paciente durante a gravação, podendo ser devido a tosses, coçar-se, ou até mesmo mudanças de posição.
Artefatos de piscar de olhos: Gerados pelo movimento dos músculos oculares durante o piscar.
Quais são as possíveis consequências de uma filtragem excessiva em sinais de EEG?
Perda de informação: Filtragem excessiva pode remover componentes de interesse do sinal, como oscilações de baixa amplitude associadas a certos estados cerebrais.
Distorção do sinal: Filtragem agressiva pode distorcer o sinal original, alterando suas características temporais e espectrais.
Introdução de artefatos: A filtragem excessiva pode introduzir artefatos no sinal, especialmente se não for cuidadosamente ajustada, o que pode dificultar a interpretação correta dos resultados.
Redução da resolução temporal: Filtros muito agressivos podem suavizar as transições rápidas no sinal, reduzindo a resolução temporal e obscurecendo eventos importantes.
Como o fenomeno cocktel party consegue explicar a tecnica dos sinais misturados na analise de componentes independentes (ICA) em exames de EEG?
A análise de componentes independentes (ICA) é de fato uma técnica usada para separar sinais misturados em seus componentes originais, atraves dos potencias sinapticos, atividade muscular e atividade neuronal.
O fenômeno “cocktail party” é uma analogia comum usada para descrever o processo, onde em uma festa com várias conversas acontecendo ao mesmo tempo, o cérebro humano é capaz de focar em uma conversa específica, ignorando o ruído de fundo.
Da mesma forma, o ICA pode separar sinais misturados em diferentes fontes originais, como potenciais sinápticos, atividade muscular e atividade neuronal, permitindo a recuperação do sinal original de cada fonte. Este método é especialmente útil na análise de sinais complexos, como os registrados por eletrodos no EEG
Em testes estatisticos de regressão linear, quando maior for a amostra menor é o valor p.
Explique o porque ?
Isso traduz com que exista uma maior probabilidade de pequenos efeitos estatisticos serem significativos.
De qualquer forma é importante considerar que o tamanho do efeito não determina a resolução do teste estatisco.
Ou seja,
Pode acontecer ter um valor “p” muito elevado, mas ter um tamanho de efeito pequeno e vice versa.
Para isso é importante compreender que quando mais perto o valor do R estiver do 1 no outlier é a indicação de força entre as duas variaveis a serem analisadas.
Eg: Fala Classica da Claudia, a medida que uma variavel aumenta a outra tende a aumentar. Caso o valor seja r-1 indica negatividade na corelação, ou seja a variavel diminui a outra tende a diminuir tambem.
Nota: Quanto maior o tamanho amostral mais baixo é o valor p para o mesmo efeito.
Quanto maior o tamanho de amostra maior a probabilidade de encontrar outliers.
De modo geral o uso do (IQR), Intervalo interquartil é um fator importante na identificação de outliers nos dados estatisticos. Porque ?
O uso do IQR como criterio estatistico é necessario para identificar os valores de discrepancia em outliers nas analizes estatisticas. Normallmente ele é separado em 3 IQR. Sendo que em media o IQR 2.2 é considerado o mais apropriado na definição dos dados.
Como o teste de Shapiro-Wilk e as medidas de assimetria e curtose podem ser utilizados em conjunto para determinar a normalidade dos dados?
Descreva os critérios específicos para assimetria e curtose, e explique como o valor p do teste de Shapiro-Wilk é interpretado na verificação da normalidade.
Critérios para Assimetria e Curtose
- Assimetria: Refere-se à simetria da distribuição dos dados. Valores de assimetria dentro do intervalo de -2 a 2 geralmente indicam que os dados não apresentam uma distorção significativa.
- Curtose: Refere-se ao achatamento ou à “pontuosidade” da distribuição dos dados. Valores de curtose dentro do intervalo de -9 a 9 indicam que a distribuição dos dados não é excessivamente “achatada” ou “pontiaguda”.
Se os valores de assimetria e curtose estiverem dentro desses intervalos, os dados têm maior probabilidade de serem considerados normais, mas isso não garante a normalidade.
Interpretação do Teste de Shapiro-Wilk
O teste de Shapiro-Wilk verifica a hipótese nula de que os dados seguem uma distribuição normal:
- Valor p (sig): O valor p obtido a partir do teste de Shapiro-Wilk é crucial para determinar a normalidade dos dados.
- p > 0,05: Não há evidência suficiente para rejeitar a hipótese nula, indicando que os dados podem ser considerados normalmente distribuídos.
- p ≤ 0,05: A hipótese nula é rejeitada, indicando que os dados não seguem uma distribuição normal.
Utilização em Conjunto
1. Verifique a Assimetria e Curtose: Valores dentro dos intervalos mencionados sugerem que os dados têm maior probabilidade de serem normais, mas não confirmam a normalidade.
2. Aplique o Teste de Shapiro-Wilk: Se o valor p for maior que 0,05, os dados podem ser considerados normalmente distribuídos. Se for menor ou igual a 0,05, os dados não são normalmente distribuídos.
Conclusão
As medidas de assimetria e curtose fornecem uma análise inicial dos dados, enquanto o teste de Shapiro-Wilk oferece uma verificação estatística mais robusta da normalidade. Ambos os métodos são úteis para uma análise completa da normalidade dos dados.
Como decidir entre o uso de testes estatísticos paramétricos ou não paramétricos com base na normalidade dos dados?
Explique o que significam os valores de p nos testes de normalidade e como eles influenciam essa decisão
Resposta:
Para decidir entre o uso de testes estatísticos paramétricos ou não paramétricos, é crucial avaliar a normalidade dos dados. A escolha do tipo de teste depende se os dados seguem uma distribuição normal ou não. Isso é geralmente determinado usando testes de normalidade, como o teste de Shapiro-Wilk.
Interpretação do Valor p no jamovi
O valor p (p-value) obtido a partir do teste de normalidade, como o teste de Shapiro-Wilk, ajuda a decidir se os dados seguem uma distribuição normal.
Isso porque ?
Tem muito a ver com a tabela da estatistica discritiva, logo vemos que o valor do p é inferior ou superior a 0.05.
Neste caso temos que decidir, seguimos com teste parametrico ou não parametrico para valores menores que 0.05.
º Exemplo: Se o valor de p (p-value) for maior do que 0,05
Significado: Não há evidência estatística suficiente para rejeitar a hipótese nula (H0). Isso significa que os dados podem ser considerados como provenientes de uma distribuição normal.
Exemplo: Se o valor de p for menor do que 0,05
Significado: Há evidência estatística suficiente para rejeitar a hipótese nula (H0). Isso sugere que os dados não seguem uma distribuição normal.
Decisão: Considere métodos estatísticos não paramétricos. Testes não paramétricos, como o teste de Mann-Whitney ou o teste de Kruskal-Wallis, não assumem normalidade na distribuição dos dados. Portanto, se p < 0,05, esses testes são mais apropriado
Para verificar a homogeneidade nas variancias, qual é a diferença entre o teste de Shapiro wilk vs Teste de levene nas analises estatisticas ?
O teste de Shapiro-Wilk é mencionado como uma abordagem para avaliar se os dados seguem uma distribuição normal.
Enquanto o teste de Levene é destacado como uma ferramenta para verificar se as variâncias são iguais entre os grupos analisados. Ultilziado nos testes ANOVA quando há violação dos presupostos.
A amplitude de pico e o averaging são frequentemente usados juntos na análise de sinais cerebrais. Ambas são estratégias uteis que ajudam a minimizar a variabilidade temporal?
Justifique esta afirmação.
Passo 1: Aplicar averaging para reduzir o ruído e obter um sinal médio claro.
Passo 2: Detectar e medir a amplitude de pico no sinal médio, proporcionando uma medida precisa da resposta ao estímulo.
Amplitude de Pico
Definição:
A amplitude de pico refere-se ao valor máximo (ou mínimo, no caso de picos negativos) que uma onda atinge em um sinal. É a altura da onda medida desde a linha de base até o ponto mais alto.
Função:
Detecta e mede o ponto de maior atividade em uma onda, proporcionando uma medida quantitativa da intensidade de uma resposta neural ou outro tipo de sinal.
É usada para identificar características específicas em ensaios individuais ou na média de vários ensaios (após averaging).
Frequentemente aplicada em estudos de potenciais relacionados a eventos (ERPs), onde se deseja medir a resposta cerebral a um estímulo específico.
Averaging
Definição:
Averaging (média) é o processo de calcular a média de vários ensaios (ou trials) de um sinal no domínio temporal para reduzir o ruído e destacar o sinal de interesse.
Função:
Reduz o erro e elimina componentes do sinal que não são consistentes entre os ensaios, como ruído aleatório ou artefatos.
Melhora a relação sinal-ruído ao destacar componentes do sinal que são consistentes em todos os ensaios, como respostas neurais a um estímulo.
Conclusão
Amplitude de pico e averaging são estratégias importantes na análise de sinais cerebrais que ajudam a minimizar a variabilidade temporal, mas não são as únicas. Outras técnicas, como alinhamento de ensaios, filtragem temporal, remoção de artefatos, aumento do número de ensaios e uso de dispositivos de sincronização precisa, também desempenham papéis cruciais na redução da variabilidade temporal e na melhoria da qualidade dos dados.
Qual é o teste estatístico sera mais apropriado para comparar o valor médio de uma variável dependente quantitativa (ordinal ou contínua) em uma amostra que contém pelo menos uma variável categórica dicotômica (por exemplo, sexo masculino/feminino).
Vamos assumir que as variâncias são estatisticamente iguais pois a nossa amostra é pequena, possui menos de 30 pessoas.
Poderia ser o
Teste t de Student para Amostras Independentes.
O teste t de Student para amostras independentes é adequado quando os seguintes pressupostos são atendidos:
Normalidade: Os dados em cada grupo seguem uma distribuição normal.
Homogeneidade das Variâncias: As variâncias dos grupos são iguais.
Escala Intervalar ou de Razão: A variável dependente é contínua e medida em uma escala intervalar ou de razão.
Se essas condições são atendidas, o teste t de Student é apropriado e poderoso para detectar diferenças de médias.
Neste caso não foi atendido pois a amostra é menor que 30.
Teste de Mann-Whitney
O teste de Mann-Whitney, também conhecido como teste U de Mann-Whitney, é uma alternativa não paramétrica ao teste t de Student. Ele é usado quando:
Normalidade Não é Garantida: Os dados não seguem uma distribuição normal ou a normalidade não pode ser assumida.
Escala Ordinal ou Contínua: A variável dependente pode ser ordinal ou contínua.
Homogeneidade das Variâncias Não Necessária: Não assume homogeneidade das variâncias.
Quando Usar o Teste de Mann-Whitney
Distribuição Não Normal: Quando a normalidade dos dados não pode ser assumida ou é violada. Este é um cenário comum com amostras pequenas onde a distribuição pode não ser claramente normal.
Escala Ordinal: Quando a variável dependente é medida em uma escala ordinal, o teste de Mann-Whitney é mais apropriado.
Robustez: Quando há outliers ou distribuições não homogêneas entre os grupos.
Hipóteses do Teste de Mann-Whitney
Hipótese Nula (H0)
H0: As distribuições das duas populações são iguais, ou alternativamente, as medianas das duas populações são iguais.
Hipótese Alternativa (H1)
H1: As distribuições das duas populações não são iguais, ou alternativamente, as medianas das duas populações são diferentes.
Conclusão
O teste de Mann-Whitney é uma excelente escolha quando:
A normalidade dos dados não pode ser assumida.
Os dados são ordinais ou há outliers.
As amostras são pequenas e não atendem aos pressupostos do teste t de Student.
Resumo da Decisão
Use o teste t de Student para amostras independentes se os dados são normalmente distribuídos, as variâncias são iguais e a variável dependente é contínua.
Use o teste de Mann-Whitney se os dados não são normalmente distribuídos, são ordinais, ou se você tem preocupações sobre homogeneidade das variâncias ou a presença de outliers.
No seu caso, considerando amostras pequenas, se a normalidade não pode ser garantida, o teste de Mann-Whitney pode ser a escolha mais apropriada.
Em testes estatisticos ANOVA, a normalidade deve ser verificada através de testes de normalidade, como o teste de Shapiro-Wilk, ou pela análise dos valores de assimetria (skewness) e curtose (kurtosis).
Quais são os criterios que garantem a Robustez para a normalidade neste teste estatistico ?
A- A assimetria (skewness) é inferior a |2,0|.
A curtose (kurtosis) é inferior a |9,0|.
Os tamanhos das amostras são 7 ou mais em cada grupo.
A direção da assimetria é a mesma (positiva ou negativa) em cada grupo.
B- A assimetria (skewness) é inferior a |2,0|.
A curtose (kurtosis) é inferior a |9,0|.
C- Os tamanhos das amostras são 7 ou mais em cada grupo.
A direção da assimetria é a mesma (positiva ou negativa) em cada grupo.
Resposta:
Opção A é a mais completa, pois inclui todos os critérios importantes:
Controla a assimetria e a curtose, que são medidas de desvio da normalidade.
Garante um tamanho mínimo de amostra que é adequado para reduzir o impacto de desvios de normalidade.
Considera a direção da assimetria para garantir consistência entre os grupos, o que ajuda a manter a robustez da ANOVA.
Portanto, a resposta correta é:
A. A assimetria (skewness) é inferior a |2,0|. A curtose (kurtosis) é inferior a |9,0|. Os tamanhos das amostras são 7 ou mais em cada grupo. A direção da assimetria é a mesma (positiva ou negativa) em cada grupo.
** Nota, a homogeneidade das variâncias deve ser verificada utilizando o teste de Levene.
