前回までの解析では、反復レベルを平均化するか、カテゴリ変数として扱いました。ここでは代わりに、同じ刺激タイプの各反復間の時間を連続変数として使用します。したがって各被験者には、有名な顔、未知の顔、スクランブル顔という3条件と、刺激タイプの反復間距離を表す1つの連続変数があります。

第1レベル

このデザインでは、有名な顔、スクランブル顔、未知の顔という3条件に加え、反復間距離(試行数)という1つの連続変数を扱います。STUDYから新しいデザインを作成し、「Repetition」と名付け、Newをクリックして条件を追加します(図42)。

図42. 回帰設計 図42. 連続変数でSTUDYをビルドする

繰り返しに興味があると、なぜフェイスタイプを追加するのか? 単一変数に反復をモデル化することで、刺激の型を同軸に試行錯誤を期待しています。顔がスクランブルの顔よりも活性化するのを知っているので、回帰の斜面はこの違いの影響を受けます。そのため、条件も含むことが重要です。一つは、時間の回帰器を3つの連続回帰器に分割し、コントラストを使用してそれらを逆転させることができます。これは、LIMOパラメータを推定する際に利用可能です (図43のために) ERP, スペクトラムと ERSP).

図43. 推定回帰設計 _Figure 43. 推定パラメータ - 分類1._で連続変数を分割する

モデルを推定した後、LIMOを使用して設計行列をチェックすることができます –>結果 –>レビューデザイン(図 44)、各条件の試験分割間の時間を示す。

図44. デザイン martrix Figure 44。 1つの被験者のための設計行列

これらのコマンドラインでこのデザインを作成および見積もりできます

STUDY = std_makedesign(STUDY, ALLEEG, 2, 'name','Face_time','delfiles','off','defaultdesign','off',...
    'variable1','face_type','values1',{'famous','scrambled','unfamiliar'},'vartype1','categorical',...
    'variable2','time_dist','values2',[],'vartype2','continuous',...
    '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');
STUDY = pop_limo(STUDY, ALLEEG, 'method','WLS','measure','daterp','timelim',[-50 650],'erase','on','splitreg','on','interaction','off');

第2レベル

時間(繰り返し)の効果をテストするために、ANOVAを1方向繰り返し測定します。これは、反復が線形EEG活動に影響を与える方法で刺激タイプに基づいて違いがあるかどうかをテストします。 2nd レベル GUI から図9)、新しいディレクトリを選択し、チャンネルの場所ファイルをロードし、ANOVAをクリックし、繰り返された対策、フルスカルプを選択して、モデルパラメータを入力します。グループと3の1つの要因を1つ示し、繰り返し設計のベータパラメータリストを選択します。パラメーター4 5 6 ワンウェイANOVAチュートリアルをご覧ください。。次に、 limo 結果を取得し、新しいコントラストを作成します。この効果が異なる場合は、コントラスト [2 -1 -1] を使用して親しみやすい顔にテストします。 (図 45).

図45. 片道ANOVA Figure 45. 繰り返し回帰パラメータ上の片道ANOVA.

ANOVAの結果は、反復効果が条件間で異なることを示しています(有名な顔、スクランブル顔、未知の顔における試行距離の回帰を比較)。コントラストの結果から、この差は主に有名な顔における反復効果によって説明されることがわかります。

図46. 片道ANOVA Figure 46. 片道ANOVAと対比は、繰り返し回帰パラメータの結果.