Statistiques du BESA
BESA Statistics 2.1 améliore considérablement les options de la version précédente 2.0. Comme auparavant, des flux de travail dédiés vous permettent d'effectuer des tests t, des analyses de variance à facteur unique et des analyses de corrélation de vos données en utilisant les statistiques de permutation en grappes sans paramètres qui résolvent si élégamment le problème des tests multiples. Plusieurs nouveaux types de données d'entrée ont été ajoutés à ce pipeline, afin de garantir que les analyses temps-fréquence et les analyses de connectivité sont désormais pleinement prises en charge.
Les points forts de la dernière version sont les suivants
- Dans tous les flux de travail, le type de données Connectivity peut désormais être utilisé. Cela permet d'importer directement les résultats obtenus par BESA Connectivity pour les statistiques de groupe sur les résultats de connectivité dans l'espace des capteurs ou l'espace des sources.
- Pour les données d'image, une vue en tranches configurable est disponible et affiche les séquences dans l'une des trois orientations orthogonales disponibles.
- Le thème de couleur peut être ajusté entre BESA White et l'ancien BESA Standard.
- Plusieurs nouvelles cartes en couleur sont disponibles.
- Les valeurs des données sont affichées au passage de la souris dans les fenêtres de détail.
- Les données temps-fréquence stockées par BESA Connectivity avec l'analyse par ondelettes peuvent maintenant être lues avec l'espacement correct (logarithmique) des fréquences.
- Les données temps-fréquence d'un seul essai peuvent désormais être lues dans le flux de travail des tests t (format de données *.tfcs).
- Il n'y a pas de limite supérieure au nombre de fichiers de données importés dans le flux de travail.
- Un nouveau format d'exportation d'images est disponible (svg).
- Les captures d'écran et les résultats sommaires des clusters peuvent désormais être copiés dans le presse-papiers à l'aide du menu contextuel de la souris droite.
En outre, les écrans à haute résolution sont pris en charge, les informations exportées ont été améliorées, etc. Veuillez consulter l'historique des mises à jour pour plus de détails.
BESA Statistics fournit des flux de travail optimisés et guidés par l'utilisateur pour l'analyse inter-sujets des données EEG / MEG. La méthode statistique utilisée est le test de permutation sans paramètre sur la base des tests t de Student (Maris, E. et Oostenveld, R., 2007), des tests F (pour ANOVA/ANCOVA) et des corrélations. Le programme est extrêmement convivial. Toutes les analyses sont calculées automatiquement, l'interaction de l'utilisateur étant réduite à la définition des plages de temps et/ou de fréquence d'intérêt. Les valeurs statistiques calculées dans BESA Statistics 2.1 peuvent être directement utilisées pour des rapports scientifiques. Aucune autre analyse dans d'autres programmes n'est nécessaire. Tous les résultats sont visualisés et peuvent être directement utilisés pour des publications.
BESA Statistics 2.1 s'intègre de manière optimale aux données qui ont été analysées dans BESA Research, mais il peut également traiter des données provenant d'autres logiciels, à condition qu'elles soient conformes au format de fichier de BESA Statistics. Le format de données natif de BrainVision Analyzer 2 est pris en charge pour les données temporelles et temps-fréquence.
BESA Statistics identifiera automatiquement les clusters dans le temps, et le cas échéant la fréquence et l'espace où les données des groupes / conditions d'entrée ne sont pas interchangeables, c'est-à-dire où l'hypothèse nulle que tous les groupes / conditions sont égaux doit être rejetée. Les résultats sont considérés comme corrigés pour les comparaisons multiples car seuls seront identifiés les clusters dont les valeurs sont supérieures à 95% de tous les clusters dérivés par permutation aléatoire des données. Ainsi, les résultats obtenus par BESA Statistics sont objectifs et robustes.
Pour l'analyse ANOVA/ANCOVA, un test post-hoc non paramétrique supplémentaire de Scheffe est calculé pour déterminer quelle(s) comparaison(s) par paire est (sont) responsable(s) de l'effet principal groupe/condition. Une correction de Bonferroni-Holm pour les comparaisons multiples des différentes combinaisons par paires est ensuite appliquée.
