Por qué es importante el preprocesamiento

El EEG es altamente sensible a la actividad eléctrica tanto neuronal como no neuronal. Aunque un diseño experimental cuidadoso y una recopilación de datos rigurosa minimizan muchas fuentes de ruido, cierto grado de contaminación por artefactos es inevitable. El preprocesamiento ayuda a los investigadores a distinguir la actividad cerebral significativa de las señales no deseadas, al tiempo que mejora la consistencia de los análisis posteriores.[1]

Es importante destacar que el preprocesamiento no debe considerarse como una forma de reparar grabaciones de mala calidad. En su lugar, es un proceso estructurado para refinar datos de alta calidad recopilados mediante prácticas experimentales sólidas. Las decisiones tomadas durante el preprocesamiento influyen en cada etapa posterior del análisis, por lo que la transparencia y la consistencia son esenciales.

Construcción de un flujo de trabajo de preprocesamiento

El preprocesamiento se realiza normalmente como una secuencia de pasos en lugar de procedimientos aislados. Aunque los flujos de trabajo individuales varían según la pregunta de investigación y los métodos analíticos, el establecimiento de una secuencia de pasos consistente ayuda a garantizar que los datos de cada participante se procesen de la misma manera.

Los investigadores deben determinar su estrategia de preprocesamiento antes de comenzar el análisis formal siempre que sea posible. Definir el flujo de trabajo con anticipación reduce el riesgo de introducir sesgos al tomar decisiones de procesamiento después de revisar los resultados.[1]

Debido a que ningún flujo de trabajo de preprocesamiento es apropiado para todos los estudios, los flujos de trabajo deben guiarse por la literatura establecida, el diseño experimental, la metodología de registro y los objetivos científicos.

Filtrado de la señal de EEG

El filtrado suele ser uno de los primeros pasos del preprocesamiento. Los filtros reducen los componentes de frecuencia no deseados al tiempo que conservan la actividad neuronal relevante para la pregunta de investigación.

Los filtros de paso alto pueden reducir la deriva lenta de la señal, mientras que los filtros de paso bajo ayudan a suprimir el ruido de alta frecuencia. Algunos estudios también aplican filtros de muesca para reducir la interferencia eléctrica de los sistemas de energía cuando es apropiado.[1],[5]

La selección de filtros debe abordarse con cuidado. Un filtrado excesivo puede distorsionar las señales neuronales o alterar la sincronización y amplitud de las respuestas relacionadas con eventos. Los investigadores deben seleccionar configuraciones de filtro que respalden el análisis previsto y, al mismo tiempo, eviten modificaciones innecesarias de la señal.

Identificación y gestión de artefactos

Incluso después de una recopilación de datos cuidadosa, algunas grabaciones contendrán artefactos que requieren atención durante el preprocesamiento.

Los investigadores suelen comenzar inspeccionando visualmente las grabaciones para identificar períodos de ruido excesivo, canales inestables o interrupciones en la grabación. Las herramientas automatizadas de evaluación de calidad pueden ayudar con la detección de artefactos, pero la revisión manual sigue siendo un componente importante de muchos flujos de trabajo de preprocesamiento.[3]

Dependiendo de la naturaleza de la contaminación, los investigadores pueden eliminar ensayos individuales, rechazar canales ruidosos, interpolar electrodos aislados o aplicar técnicas de corrección de artefactos. Estas decisiones deben seguir criterios de calidad predefinidos establecidos antes de que comience el análisis.

Análisis de componentes independientes

El Análisis de Componentes Independientes (ICA) es una de las técnicas más utilizadas para separar señales eléctricas mezcladas en componentes estadísticamente independientes. Al descomponer el EEG registrado en fuentes de señal subyacentes, el ICA puede ayudar a los investigadores a identificar componentes asociados con el parpadeo de ojos, los movimientos oculares, la actividad muscular u otros artefactos no neuronales.[4]

Una vez identificados, los componentes relacionados con artefactos pueden eliminarse antes de reconstruir la señal de EEG. Si bien el ICA puede mejorar sustancialmente la calidad de los datos, su aplicación exitosa depende de un preprocesamiento adecuado, una calidad de datos suficiente y una interpretación cuidadosa de los componentes resultantes.

Los investigadores deben documentar cómo se realizó el ICA y qué componentes se eliminaron para respaldar la transparencia y la reproducibilidad.

Epocaje de datos continuos

Muchos análisis de EEG se centran en las respuestas neuronales que ocurren alrededor de eventos experimentales específicos. Para facilitar estos análisis, las grabaciones continuas de EEG a menudo se dividen en segmentos de tiempo más cortos conocidos como épocas.

Cada época se alinea con un marcador de evento que representa la presentación de un estímulo, la respuesta del participante u otro evento significativo durante el experimento. Esta segmentación permite a los investigadores comparar la actividad neuronal a través de condiciones experimentales repetidas y constituye la base de muchos análisis de potenciales relacionados con eventos (ERP).[2],[6]

Por lo tanto, una sincronización precisa de los eventos es esencial antes de que comience el epocaje.

Corrección de línea base

La actividad neuronal cambia continuamente, incluso cuando los participantes están en reposo. El ajuste de la línea base ayuda a tener en cuenta estas fluctuaciones continuas al comparar cada época experimental con un período de referencia que precede inmediatamente al evento de interés.

Restar esta línea base de la respuesta neuronal posterior permite a los investigadores aislar mejor la actividad asociada con el evento experimental, al tiempo que reduce la variabilidad introducida por la actividad de fondo no relacionada.[2]

La selección de la línea base debe mantener la consistencia a lo largo del estudio y debe reflejar las prácticas establecidas para el paradigma experimental elegido.

Control de calidad y documentación

El preprocesamiento no termina cuando los datos parecen más limpios. Los investigadores deben documentar cuidadosamente cada paso del procesamiento, incluidos los parámetros de filtrado, los criterios de rechazo de artefactos, los procedimientos de interpolación, las versiones de software y las configuraciones de análisis.

La documentación detallada respalda la reproducibilidad al permitir que otros investigadores comprendan, evalúen y repliquen el flujo de trabajo de preprocesamiento. Los informes transparentes también hacen que las comparaciones futuras entre estudios sean más significativas.[1]

Mantener un protocolo de preprocesamiento consistente en todos los participantes reduce aún más la variabilidad y fortalece la confianza en los análisis resultantes.

Elección de software para el preprocesamiento de EEG

Varias plataformas de software admiten el preprocesamiento y análisis de EEG, y cada una ofrece diferentes flujos de trabajo y capacidades analíticas. Los investigadores deben seleccionar herramientas que se alineen con su diseño experimental, experiencia técnica y requisitos de presentación de informes.

Los entornos de preprocesamiento comunes incluyen EEGLAB, MNE-Python y FieldTrip, junto con software comercial de adquisición que admite la sincronización de eventos, la visualización de datos y la exportación a formatos de análisis comunes.[4],[5] La selección de herramientas interoperables puede simplificar la colaboración al tiempo que respalda prácticas de investigación transparentes y reproducibles.

Puntos clave

El preprocesamiento prepara las grabaciones de EEG sin procesar para el análisis científico al reducir el ruido, gestionar los artefactos y organizar los datos, al tiempo que preserva las señales neuronales significativas.

El filtrado, la gestión de artefactos, el análisis de componentes independientes, el epocaje, la corrección de la línea base y el control de calidad contribuyen a mejorar la calidad de la señal y a mantener la integridad de los datos.

Un flujo de trabajo de preprocesamiento bien diseñado es consistente, transparente y apropiado para la pregunta de investigación. Al documentar cada paso del procesamiento y aplicar procedimientos estandarizados en todos los participantes, los investigadores fortalecen la confiabilidad y la reproducibilidad de sus hallazgos.

Continúe construyendo su estudio de EEG

Una vez que los datos de EEG se han preparado para el análisis, los investigadores pueden comenzar a explorar cómo las diferentes ubicaciones de los electrodos contribuyen a comprender la actividad cerebral.

In the next guide, Choosing EEG Electrodes and Montages, we'll examine electrode placement systems, channel selection, and how recording locations influence experimental design and data interpretation.

Referencias

[1] M. X. Cohen, Analyzing Neural Time Series Data: Theory and Practice. Cambridge, MA, EE. UU.: MIT Press, 2014.

[2] S. J. Luck, An Introduction to the Event-Related Potential Technique, 2.ª ed. Cambridge, MA, EE. UU.: MIT Press, 2014.

[3] S. J. Luck y E. S. Kappenman, Eds., The Oxford Handbook of Event-Related Potential Components. Nueva York, NY, EE. UU.: Oxford University Press, 2012.

[4] A. Delorme y S. Makeig, "EEGLAB: An open source toolbox for analysis of single-trial EEG dynamics including independent component analysis," Journal of Neuroscience Methods, vol. 134, n.º 1, págs. 9-21, 2004.

[5] R. Oostenveld, P. Fries, E. Maris y J. M. Schoffelen, "FieldTrip: Open source software for advanced analysis of MEG, EEG, and invasive electrophysiological data," Computational Intelligence and Neuroscience, vol. 2011, ID de artículo 156869, 2011.

[6] S. R. Williams et al., "Validation of Emotiv EPOC Flex saline for event-related potential research," PeerJ, vol. 9, e10777, 2021.