前回の分析を参照、第1レベルでは「face_type」()を選択します。数字 7)変数として。このようにして、ベータパラメータは、各フェイスタイプの平均身長を反映しています。我々はまた、繰り返し効果があることを知っている - そして、一つの繰り返しが平均が偏面することができる他の人よりも多く異なる場合. 常に完全な設計(すべての既知の効果)およびコントラストを作成するプール条件を作成することを推薦します。

第1レベル

この実験のために、私たちは9つの条件を持っています:親しみやすい顔1stの時間、馴染みのある顔2ndの時間、馴染みのある顔3rdの時間、スクランブルドは1stの時間に直面し、スクランブルドは2ndの時間に直面します、スクランブルドは3rd時間に直面します、非ファミリアは1stの時間に直面します、非ファミリアは2ndの時間に直面します、非ファミリアは3rd時間に直面します。ここは3つの条件だけを作成するために反復レベルをプールします:親しみやすく、スクランブルされた、不慣れな。デザインは6つの条件で行われますが、3つのコントラストも作成されます。これらのコントラストは、繰り返しレベルのベータパラメータの平均です(非常に同様の結果が期待されますが、同じではありません)。

STUDYから新しいデザインを作成し、それを「FaceRepAll」と呼び、次に「new」をクリックして条件を追加します。フィギュア 18.

図18. 新しいデザインのプール条件 図 18. 新しいデザインのプール条件

関心の変数は、9つの実験条件を含む「trial_type」です。これらの条件を選択する代わりに、ここで繰り返しレベルを組み合わせてみましょう。「ファムース・ニュー」、「ファムース・セカンド・イヤー」、および「ファムース・セカンド・レイト」を選択し、選択された値(コンバイン)をクリックします。数字 19)。スクランブルとアンファミリアの顔を繰り返します。 3つの新しい値を作成します。数字 20) あなたの設計のために今選ぶ。

図19. 試作タイプを用いた新設計 Figure 19. トライアルタイプで新しいデザイン

図20。トライアルタイプのコンバインド値を使う Figure 20. 試用型の組み合わせ値を使う

モデルパラメータを推定します。データ型を入力(図8) ERP, スペクトラム, ERSP) 時間または頻度範囲を制限する場合があります。デフォルトメソッド(ウェイト・イースト・スクエア)は、データ・フレームよりも多くのトライアルを持っている限り、優先するオプションです。ベータパラメータに加えて、プールされた繰り返しレベルに対応する3 con.mat*ファイルがあります。

% 1st level analysis - specify the design
% Note we use the variable 'type' and use cells within a cell array to
% indicate grouping which means contrasts will be computed pooling those levels
STUDY = std_makedesign(STUDY, ALLEEG, 2, 'name','FaceRepAll','delfiles','off','defaultdesign','off',...
    'variable1','type','values1',{{'famous_new','famous_second_early','famous_second_late'},...
    {'scrambled_new','scrambled_second_early','scrambled_second_late'},...
    {'unfamiliar_new','unfamiliar_second_early','unfamiliar_second_late'}},'vartype1','categorical',...
    'subjselect',{'sub-002','sub-003','sub-004','sub-005','sub-006','sub-007','sub-008','sub-009',...
    'sub-010','sub-011','sub-012','sub-013','sub-014','sub-015','sub-016','sub-017','sub-018','sub-019'});
[STUDY, EEG] = pop_savestudy( STUDY, EEG, 'savemode','resave');

% 1st level analysis - estimate parameters
% ERP
[STUDY] = pop_limo(STUDY, ALLEEG, 'method','WLS','measure','daterp','timelim',[-50 650], ...
        'erase','on','splitreg','off','interaction','off');
% Spectrum
[STUDY] = pop_limo(STUDY, ALLEEG, 'method','WLS','measure','daterp','freqlim',[3 45], ...
        'erase','on','splitreg','off','interaction','off');
% ERSP
[STUDY] = pop_limo(STUDY, ALLEEG, 'method','WLS','measure','daterp','timelim',[-50 650],'freqlim',[3 45], ...
        'erase','on','splitreg','off','interaction','off');

第2レベル

研究クリック –> EEGデータの線形移動 –> 2ndレベル分析()図9).

グループレベルのチャンネルの場所ファイルをロードします。これは、デリバティブフォルダのルートにあるはずです()図10)
この新しい解析を保存し、これを作業ディレクトリ(‘1way_ANOVA_revised’)として選択するために、新しいディレクトリ(‘1way_ANOVA_revised’)を作成します。図11)
ANOVA/ANCOVA をクリック図12) 必要に応じて情報を記入します。フルスケール解析 –> 繰り返し測定 ANOVA –> 1 グループ –> 3 レベルの 1 つの要因
各レベルに反するファイルを選択します。図21)、「顔」という要素の名前

図21。 ANOVAのコンファイルを選択します。 _Figure 21. ANOVA_のConファイル(ERP、すなわちチャンネルタイムWLS)を選択

設計行列は、解析を開始するために「はい」にポップアップして応答する必要があります。その後、結果を確認します()数字 22)。ほとんどの効果は同じですが、結果は異なる数字 15.

図22a. 1-way ANOVA結果

chanlocs   = [STUDY.filepath filesep 'limo_gp_level_chanlocs.mat'];
con1_files = fullfile(STUDY.filepath,['LIMO_' STUDY.filename(1:end-6)],'con_1_files_FaceRepAll_GLM_Channels_Time_WLS.txt');
con2_files = fullfile(STUDY.filepath,['LIMO_' STUDY.filename(1:end-6)],'con_2_files_FaceRepAll_GLM_Channels_Time_WLS.txt');
con3_files = fullfile(STUDY.filepath,['LIMO_' STUDY.filename(1:end-6)],'con_3_files_FaceRepAll_GLM_Channels_Time_WLS.txt');

mkdir([STUDY.filepath filesep '1-way-ANOVA-revised'])
cd([STUDY.filepath filesep '1-way-ANOVA-revised'])
limo_random_select('Repeated Measures ANOVA',chanlocs,'LIMOfiles', {con1_files,con2_files,con3_files},...
    'analysis_type','Full scalp analysis','parameters',{[1 1 1]},...
    'factor names',{'face'},'type','Channels','nboot',1000,'tfce',0,'skip design check','yes');

limo_eeg(5,pwd) % channel*time imagesc 

図22b. 1-way ANOVA結果

chanlocs   = [STUDY.filepath filesep 'limo_gp_level_chanlocs.mat'];
con1_files = fullfile(STUDY.filepath,['LIMO_' STUDY.filename(1:end-6)],'con_1_files_FaceRepAll_GLM_Channels_Frequency_WLS.txt');
con2_files = fullfile(STUDY.filepath,['LIMO_' STUDY.filename(1:end-6)],'con_2_files_FaceRepAll_GLM_Channels_Frequency_WLS.txt');
con3_files = fullfile(STUDY.filepath,['LIMO_' STUDY.filename(1:end-6)],'con_3_files_FaceRepAll_GLM_Channels_Frequency_WLS.txt');

mkdir([STUDY.filepath filesep '1-way-ANOVA-revised'])
cd([STUDY.filepath filesep '1-way-ANOVA-revised'])
limo_random_select('Repeated Measures ANOVA',chanlocs,'LIMOfiles', {con1_files,con2_files,con3_files},...
    'analysis_type','Full scalp analysis','parameters',{[1 1 1]},...
    'factor names',{'face'},'type','Channels','nboot',1000,'tfce',0,'skip design check','yes');

limo_eeg(5,pwd) % channel*freq imagesc 

図22c. 1-way ANOVA結果

chanlocs   = [STUDY.filepath filesep 'limo_gp_level_chanlocs.mat'];
con1_files = fullfile(STUDY.filepath,['LIMO_' STUDY.filename(1:end-6)],'con_1_files_FaceRepAll_GLM_Channels_Time-Frequency_WLS.txt');
con2_files = fullfile(STUDY.filepath,['LIMO_' STUDY.filename(1:end-6)],'con_2_files_FaceRepAll_GLM_Channels_Time-Frequency_WLS.txt');
con3_files = fullfile(STUDY.filepath,['LIMO_' STUDY.filename(1:end-6)],'con_3_files_FaceRepAll_GLM_Channels_Time-Frequency_WLS.txt');

mkdir([STUDY.filepath filesep '1-way-ANOVA-revised'])
cd([STUDY.filepath filesep '1-way-ANOVA-revised'])
limo_random_select('Repeated Measures ANOVA',chanlocs,'LIMOfiles', {con1_files,con2_files,con3_files},...
    'analysis_type','Full scalp analysis','parameters',{[1 1 1]},...
    'factor names',{'face'},'type','Channels','nboot',1000,'tfce',0,'skip design check','yes');

limo_eeg(5,pwd) % channel*time*freq 'imagesc' like 

Figure 22. 1-way ANOVA は、第 1 レベルのコントラストに基づく結果をもたらします