Un electroencefalograma (EEG) genera enormes cantidades de datos continuos a través de docenas de canales durante largos períodos. Este volumen agota la memoria limitada de los auriculares portátiles, limita las redes de telemedicina y ralentiza las interfaces cerebro-computadora (BCI) en tiempo real. Por consiguiente, los datos brutos de EEG requieren reducción para ser procesados de manera eficiente.
La transformada de coseno discreta (DCT), que sirve como base matemática para la compresión JPEG, resuelve este desafío. Al igual que comprime imágenes manteniendo la reconocibilidad, la DCT reduce el tamaño de la señal de EEG al tiempo que preserva su forma general. Reconocer su mecánica y sus límites ayuda a determinar cuándo es adecuada la DCT o cuándo son preferibles otras transformadas alternativas.
¿Qué es la transformada de coseno discreta?
La transformada de coseno discreta es una operación matemática que convierte una secuencia finita de valores muestreados en coeficientes asociados con funciones de coseno. En lugar de describir una señal directamente como valores a lo largo del tiempo o la posición, describe con qué fuerza contribuyen diferentes patrones de coseno a esa señal. El resultado sigue siendo finito y discreto, pero su estructura se expresa en un dominio similar al de la frecuencia.
Una base de coseno comienza con un patrón constante y progresa a través de oscilaciones cada vez más rápidas. Por lo tanto, el primer coeficiente comúnmente refleja el promedio o nivel general de la entrada, mientras que los coeficientes posteriores capturan cambios progresivamente más finos. Esta disposición puede hacer que las tendencias generales sean más fáciles de separar de las fluctuaciones rápidas.
La transformada es reversible cuando se conserva el conjunto completo de coeficientes y la normalización correspondiente. En el trabajo práctico, sin embargo, los analistas pueden preservar solo coeficientes seleccionados o utilizarlos como características numéricas. Esa elección puede reducir la dimensionalidad, pero también descarta información, por lo que el significado de la representación reducida debe evaluarse en lugar de asumirse.
El algoritmo de la transformada de coseno discreta paso a paso
Un flujo de trabajo práctico de DCT comienza con una secuencia finita y termina con coeficientes que pueden reconstruirse o analizarse. La secuencia puede ser una ventana de señal corta, una fila de imagen u otra colección ordenada de mediciones. Antes del cálculo, el analista define el tipo de transformada, la escala de coeficientes, la longitud de la ventana y el tratamiento de las muestras faltantes o contaminadas.
Cada función de base DCT es un patrón de coseno muestreado. El algoritmo compara la entrada con cada patrón de base, produciendo un coeficiente por patrón. El cálculo puede realizarse directamente con la fórmula de sumatoria o con una implementación rápida diseñada para reducir el cálculo preservando la convención de transformada seleccionada.
Un flujo de trabajo compacto es útil al implementar la operación porque cada paso afecta la interpretación:
Preparar una secuencia finita y muestreada de manera consistente.
Eliminar o modelar desvíos y tendencias no deseados cuando el análisis lo requiera.
Seleccionar el tipo de DCT y la convención de normalización.
Calcular el vector de coeficientes y verificar sus dimensiones.
Conservar, reconstruir o analizar estadísticamente los coeficientes de acuerdo con la pregunta de investigación.
Después de la transformación, la reconstrucción con todos los coeficientes debería reproducir la entrada, aparte de la precisión numérica y las convenciones de normalización. Una reconstrucción que utiliza solo una parte del vector de coeficientes es una aproximación. Examinar el error de reconstrucción puede mostrar si la reducción de coeficientes ha eliminado una estructura significativa en lugar de simplemente reducir el ruido.
Aplicaciones de la transformada de coseno discreta en todas las industrias
La transformada de coseno discreta tiene aplicaciones allí donde los datos muestreados y finitos puedan beneficiarse de una representación basada en el coseno. En sistemas de imagen y video, admite descripciones compactas de bloques espaciales o temporales. En audio y telecomunicaciones, los métodos de transformada relacionados pueden ayudar a organizar la información de la señal para su codificación y transmisión.
Las aplicaciones científicas y de ingeniería utilizan la DCT para el filtrado, la eliminación de ruido, la construcción de características y el análisis numérico. Su base de valor real puede ser conveniente cuando la fase no es el interés principal o cuando una secuencia finita con comportamiento de extensión par es un modelo adecuado. El uso apropiado depende de la señal, las condiciones de contorno y el resultado deseado.
En la investigación biomédica, los coeficientes de transformada pueden servir como características para modelos estadísticos o sistemas de clasificación. Dichas características son mediciones de una señal transformada, no variables biológicas directas. Por lo tanto, su valor debe establecerse mediante validación, reproducibilidad y comparación con los datos originales y las medidas fisiológicas pertinentes.
Transformada de coseno discreta frente a transformada discreta de Fourier
Tanto la DCT como la DFT expresan datos muestreados mediante funciones de base oscilatorias, pero plantean supuestos matemáticos diferentes. La DFT utiliza exponenciales complejas y representa tanto la amplitud como la fase en sus coeficientes. La DCT utiliza funciones de coseno reales y se asocia comúnmente con una extensión simétrica par de la entrada finita.
El comportamiento de contorno es una distinción central. La extensión periódica en una DFT puede crear un salto artificial entre el final y el comienzo de un segmento finito cuando esos valores no coinciden. La estructura de extensión par asociada con muchas formas de DCT puede reducir esa discontinuidad particular, aunque no elimina todos los efectos de borde ni garantiza mejores resultados para cada señal.
Por lo tanto, la elección es analítica en lugar de ideológica. La DFT es natural cuando la fase compleja y la estructura periódica importan, mientras que la DCT puede resultar atractiva para representaciones compactas de valor real y datos de ventana finita.
Usar DCT cuando | Usar FFT/Wavelets cuando |
|---|---|
Se necesite compresión integrada de bajo consumo | Se analicen bandas de frecuencia específicas |
Vectores de características de valor real para ML | Se mida la sincronía de fase |
Reducción de datos, no análisis de frecuencia | Detección de transitorios localizados en el tiempo |
¿Qué es la propiedad de compactación de energía de la DCT en señales de EEG?
La DCT funciona dividiendo un bloque corto de muestras de señal en una suma de ondas de coseno a frecuencias crecientes, cada una multiplicada por un coeficiente que describe con qué fuerza contribuye esa onda de coseno en particular al bloque original.
A diferencia de la transformada de Fourier, que produce números complejos que contienen información tanto de magnitud como de fase, la DCT produce solo números reales. Esto hace que el resultado sea más sencillo de almacenar y manipular computacionalmente.
La propiedad que más importa para el EEG se llama compactación de energía. Las señales de EEG están altamente correlacionadas en el tiempo, lo que significa que una muestra registrada ahora es estadísticamente similar a la muestra registrada hace un momento.
Un estudio de Birvinskas et al. describe esto directamente, señalando que la DCT “toma datos de entrada correlacionados y concentra su energía en los primeros coeficientes de transformada”. En términos prácticos, esto significa que el primer puñado de coeficientes de un bloque captura la forma general de la señal, mientras que los coeficientes posteriores capturan detalles cada vez más finos, muchos de los cuales se superponen con el ruido.
Debido a este efecto de concentración, se puede descartar una gran proporción de coeficientes con un daño mínimo para la forma de onda reconstruida. Un estudio de sistemas integrados también liderado por Birvinskas demuestra esto directamente, aplicando la DCT a bloques cortos de ocho muestras y afirmando explícitamente que “los coeficientes de transformada menos significativos se eliminan antes de la transmisión” y se rellenan con ceros antes de la reconstrucción. La señal que se recupera no es idéntica a la original, pero conserva la estructura dominante, porque la información descartada se concentraba en las partes de la transformada que transportaban la menor cantidad de energía para empezar.
Este comportamiento de incorrelación está relacionado conceptualmente con el objetivo del análisis de componentes principales, que también busca representaciones compactas e incorrelacionadas de datos correlacionados, aunque el PCA deriva sus funciones de base estadísticamente a partir de los propios datos, mientras que la DCT utiliza un conjunto fijo y predefinido de funciones de coseno.
Por qué la DCT no es una descomposición oscilatoria como la FFT o las Wavelets
Es tentador tratar la DCT como una variante simple del análisis de Fourier, pero las dos herramientas están diseñadas para objetivos diferentes.
La transformada rápida de Fourier (FFT) descompone una señal en pares de seno y coseno, generando un resultado de valor complejo que contiene tanto la magnitud de la frecuencia como la fase. Ese resultado complejo se mapea naturalmente en las bandas de frecuencia clsáicas del EEG (delta, theta, alfa, beta y gamma) y puede admitir medidas basadas en la fase, como la sincronización entre sitios de electrodos. Las transformadas de wavelet extienden aún más esta idea, permitiendo localizar el contenido de frecuencia en el tiempo, lo que resulta útil para capturar eventos de corta duración como un pico o un artefacto transitorio.
La DCT se basa en un propósito más limitado. Utiliza exclusivamente funciones de coseno y produce solo números reales. Técnicamente, sus coeficientes corresponden a una forma de “frecuencia”, pero debido a que la transformada opera en bloques cortos utilizando una condición de contorno específica, esa información de frecuencia no se alinea limpiamente con las bandas estándar de EEG sin un procesamiento adicional.
Esto no es un defecto. Refleja una diferencia en la intención de diseño. Las familias FFT y wavelet están optimizadas para describir el contenido oscilatorio de una señal impulsada por ritmos como el EEG. La DCT está optimizada para comprimir una forma de onda en la menor cantidad de números posible conservando su forma.
Esta distinción se encuentra en el centro de cómo debe evaluarse la DCT. Es, ante todo, una herramienta de compresión y reducción de dimensionalidad, y solo de manera secundaria o indirecta una ventana al contenido de frecuencia.
Cómo comprime la DCT los datos de EEG para su almacenamiento y transmisión
La receta de compresión básica utilizando DCT sigue un patrón constante: transformar un bloque de señal en coeficientes DCT, descartar o redondear toscamente los más pequeños y luego aplicar una transformada inversa para reconstruir una aproximación de la señal original.
Debido a que los coeficientes descartados son los que transportan la menor cantidad de energía, la señal reconstruida a menudo conserva la forma general de la forma de onda, a pesar de no ser una copia perfecta. Es por eso que la técnica se describe como compresión con pérdida en lugar de sin pérdida.
En el estudio de Birvinskas et al., construyeron específicamente para sistemas portátiles e integrados que aplicaban algoritmos de DCT rápidos a bloques de solo ocho muestras a la vez, una elección de diseño destinada a minimizar la carga computacional en hardware de bajo consumo. Concluyeron que el enfoque es muy adecuado para “sistemas integrados en tiempo real, donde se requiere una baja complejidad computacional y alta velocidad.”
Otro estudio de Maazouz et al. extiende el concepto a registros multicanal, agregando codificación de entropía, un paso sin pérdida que reduce aún más el tamaño del archivo después del paso de DCT, además de la cuantificación basada en DCT. Este artículo describe el proceso como una “operación conservadora”, que toma prestada la misma matemática principal utilizada en la compresión JPEG, y mide la calidad de la reconstrucción utilizando una métrica llamada distorsión porcentual de la raíz del valor cuadrático medio (PRD), que cuantifica cuánto se desvía la señal reconstruida de la original.
En conjunto, estos dos estudios establecen que la compresión basada en DCT es técnicamente viable y computacionalmente eficiente.
Uso de la DCT como herramienta de extracción de características para el aprendizaje automático
Los clasificadores de aprendizaje automático, los algoritmos utilizados para detectar automáticamente aspectos como convulsiones o interpretar comandos BCI deseados, tienden a funcionar mejor y a ejecutarse más rápido cuando se les alimenta con una pequeña cantidad de números informativos en lugar de miles de muestras brutas en el dominio del tiempo.
Aquí es donde la propiedad de compactación de energía de la DCT se convierte en una estrategia de extracción de características en lugar de una estrategia de almacenamiento. En lugar de descartar coeficientes pequeños para ahorrar espacio, el pequeño conjunto de coeficientes retenidos se convierte en la entrada directa a un clasificador.
Uno de los estudios de Birvinskas et al. aplica esta lógica a sistemas BCI, utilizando la DCT explícitamente como un paso de extracción de características y reducción de conjuntos de datos antes de la clasificación con una red neuronal artificial. Los autores concluyen que “el método se puede utilizar con éxito para la extracción de características y la reducción de conjuntos de datos”.
La investigación en detección de epilepsia ofrece otro escenario donde los investigadores utilizan la DCT. Un enfoque combina coeficientes de DCT de alta frecuencia con una característica de ancho de banda extraída de una técnica independiente llamada descomposición en modos empíricos (EMD), para luego alimentar el conjunto de características combinado en una máquina de vectores de soporte para distinguir los períodos ictal (convulsiones activas) de los períodos interictal (los intervalos más tranquilos entre convulsiones).
Los autores informaron que este enfoque combinado puede superar a los métodos de vanguardia existentes para tareas de clasificación.
Por otra parte, un estudio cuantitativamente más detallado aplica una variante específica llamada DCT-II para extraer características de energía a través de 16 subbandas de frecuencia, emparejada con un clasificador K-Nearest Neighbor (KNN), un método que etiqueta nuevos puntos de datos en función de su similitud con ejemplos ya etiquetados.
Probado en 21 pacientes utilizando el conjunto de datos de EEG a largo plazo CHB-MIT, este enfoque logró una puntuación F1 promedio de 93.12 (una métrica que equilibra la precisión y la exhaustividad de un clasificador en un solo número) junto con una tasa de falsos positivos de 0.07.
La herramienta adecuada para el objetivo adecuado
La DCT se gana su lugar en el procesamiento de EEG gracias a una fortaleza matemática específica: su capacidad para concentrar la energía de una señal correlacionada en una pequeña cantidad de coeficientes incorrelacionados de valor real.
Esa propiedad la hace genuinamente útil para dos tareas distintas: reducir los archivos de EEG para su almacenamiento o transmisión, y generar vectores de características compactos para clasificadores de aprendizaje automático. Ninguna de las dos tareas requiere que la transformada describa los ritmos cerebrales de la manera en que lo hace el análisis de Fourier o de wavelets, y tampoco lo intenta.
Para estudiantes e investigadores en el inicio de su carrera que trabajan con datos de neurociencia, la DCT ofrece un punto de entrada liviano, bien comprendido y fácil de implementar siempre que la prioridad sea la reducción de datos en lugar de la medición oscilatoria precisa. La literatura de procesamiento de señales revisada aquí respalda su viabilidad en tareas de compresión y clasificación, incluido un sólido resultado cuantitativo en la detección de convulsiones.
El camino sensato a seguir es emparejar la herramienta con el objetivo: DCT para compresión y compactación de características, métodos de Fourier o wavelet para la interpretación fisiológica, y pruebas controladas y comparativas directas siempre que el éxito de un proyecto dependa de saber cuál funciona realmente mejor en condiciones equivalentes.
Errores comunes al aplicar la transformada de coseno discreta
Muchos errores de la DCT surgen antes de evaluar la fórmula. Una transformada puede calcularse correctamente respondiendo aun así a una pregunta mal definida, debido a que la longitud del segmento, la frecuencia de muestreo o el método de preprocesamiento no son adecuados. Por lo tanto, un análisis reproducible requiere documentar tanto la convención matemática como los pasos de preparación de los datos.
Un segundo problema es tratar la magnitud del coeficiente como si fuera autoexplicativa. Las magnitudes dependen de la normalización, la escala de la señal, la duración de la ventana y si se eliminó un desvío. Comparar valores de flujos de trabajo incompatibles puede producir diferencias aparentes que reflejan las elecciones de procesamiento en lugar de las propiedades de la señal.
Otros errores implican conservar muy pocos coeficientes, ignorar los efectos de borde o evaluar solo las características transformadas sin verificar la forma de onda original. Las pruebas de reconstrucción y los análisis de sensibilidad pueden exponer estos problemas. Especialmente en el EEG, los artefactos pueden generar coeficientes fuertes que parecen numéricamente significativos sin tener ninguna interpretación neurofisiológica prevista.
Herramientas y software para calcular la transformada de coseno discreta
La mayoría de los entornos de cálculo numérico proporcionan una implementación de la DCT directamente o a través de una biblioteca de procesamiento de señales. El asunto importante no es simplemente la disponibilidad, sino el acuerdo sobre el tipo de transformada, la normalización, el orden de los ejes y el tratamiento de la entrada de valor real. La documentación y los pequeños vectores de prueba son útiles para confirmar que dos implementaciones utilizan convenciones equivalentes.
Un flujo de trabajo transparente suele conservar el segmento bruto o mínimamente procesado, registra los parámetros de preprocesamiento, calcula la transformada y almacena los ajustes de los coeficientes con los resultados. Los cálculos de referencia que utilizan una sumatoria directa pueden ayudar a verificar una implementación rápida en secuencias cortas.
Para el trabajo con EEG, la reproducibilidad también depende de metadatos como la frecuencia de muestreo, la selección de canales, la superposición de ventanas, los segmentos rechazados y las unidades de escala. Un paquete de software puede calcular la DCT de forma fiable, pero no puede decidir si la representación resultante es científicamente apropiada. Ese juicio sigue siendo parte del diseño y la validación del estudio.
Por qué la transformada de coseno discreta hace que los datos de EEG sean prácticos para dispositivos del mundo real
La transformada de coseno discreta ofrece una vía sencilla para reducir las señales de EEG porque empaqueta la mayor parte de la forma de una señal en solo un puñado de coeficientes iniciales. Esta compactación de energía significa que los dispositivos portátiles pueden transmitir muchos menos datos conservando la estructura de forma de onda dominante, una ventaja crítica cuando la memoria y el ancho de banda son escasos. La matemática subyacente es lo suficientemente ligera como para ejecutarse en hardware de bajo consumo, lo que hace que la compresión en tiempo real sea viable fuera del laboratorio.
Más allá del almacenamiento, esos mismos pocos coeficientes pueden actuar como entradas compactas para clasificadores de aprendizaje automático encargados de detectar convulsiones o interpretar comandos de interfaces cerebro-computadora. El enfoque ya ha mostrado sólidos resultados en pruebas específicas de detección de convulsiones.
Por ahora, la DCT se presenta como una opción práctica cuando la prioridad es la reducción de datos sin perder la forma general, y no cuando se necesita un análisis de frecuencia preciso de las ondas cerebrales. Ofrece una regla práctica muy útil: adapte la transformada a su objetivo real, no a una suposición generalizada sobre el procesamiento de EEG.
Referencias
Birvinskas, D., Jusas, V., Martisius, I., & Damasevicius, R. (2012, noviembre). EEG dataset reduction and feature extraction using discrete cosine transform. En 2012 Sixth UKSim/AMSS European Symposium on Computer Modeling and Simulation (págs. 199-204). IEEE. https://doi.org/10.1109/EMS.2012.88
Birvinskas, D., Jusas, V., Martisius, I., & Damasevicius, R. (2015). Fast DCT algorithms for EEG data compression in embedded systems. Computer Science and Information Systems, 12(1), 49-62. https://doi.org/10.2298/CSIS140101083B
Maazouz, M., Kebir, S. T., Bengherbia, B., Toubal, A., Batel, N., & Bahri, N. (2015, diciembre). A DCT-based algorithm for multi-channel near-lossless EEG compression. En 2015 4th International Conference on Electrical Engineering (ICEE) (págs. 1-5). IEEE. https://doi.org/10.1109/INTEE.2015.7416805
Parvez, M. Z., & Paul, M. (2012, diciembre). Features extraction and classification for Ictal and Interictal EEG signals using EMD and DCT. En 2012 15th International Conference on Computer and Information Technology (ICCIT) (págs. 132-137). IEEE. https://doi.org/10.1109/ICCITechn.2012.6509719
Jumaah, M. A., Shihab, A. I., & Farhan, A. A. (2020). Epileptic seizures detection using DCT-II and KNN classifier in long-term EEG signals. Iraqi Journal of Science, 2687-2694. https://doi.org/10.24996/ijs.2020.61.10.26
Preguntas frecuentes
¿Qué es la transformada de coseno discreta (DCT) y por qué se utiliza para el EEG?
La DCT descompone un bloque corto de muestras de EEG en una suma de ondas de coseno a frecuencias crecientes, produciendo solo coeficientes de números reales. Se utiliza porque las señals de EEG están altamente correlacionadas en el tiempo, y la DCT concentra la energía de la señal en solo unos pocos coeficientes iniciales, lo que hace que la compresión y la reducción de características sean eficientes.
¿Cómo comprime la DCT las señales de EEG?
La transformada se aplica a bloques cortos de muestras, y luego los coeficientes más pequeños (aquellos que transportan la menor cantidad de energía) se descartan o se redondean de forma gruesa. Una transformada inversa reconstruye una aproximación de la forma de onda original, logrando una compresión con pérdida mientras se preserva la forma general de la señal.
¿Por qué se compara la DCT con la compresión JPEG?
JPEG utiliza la DCT para reducir las imágenes porque la mayor parte de la información visual es capturada por unos pocos coeficientes de baja frecuencia, y la misma propiedad de compactación de energía se aplica a las señales de EEG. Ambos descartan detalles de alta frecuencia que son menos perceptibles o significativos, lo que convierte a la DCT en un ajuste natural para la reducción de datos neurales.
¿En qué se diferencia la DCT de la transformada de Fourier (FFT) para el análisis de EEG?
La FFT descompone una señal en pares de seno y coseno, produciendo números complejos que se mapean directamente con las bandas de frecuencia y la fase de las ondas cerebrales. La DCT utiliza solo funciones de coseno y produce coeficientes de números reales que no se alinean limpiamente con las bandas estándar de EEG, lo que la convierte en una herramienta de compresión más que en un método de análisis oscilatorio.
¿Se puede utilizar la DCT para extraer características para la clasificación de EEG mediante aprendizaje automático?
Sí, los coeficientes compactos e incorrelacionados de la DCT pueden servir como un vector de características pequeño para los clasificadores, reduciendo la dimensionalidad de los datos al tiempo que se conserva la estructura dominante de la señal. Este enfoque se ha aplicado con éxito en la detección de convulsiones y en sistemas de interfaz cerebro-computadora.
¿Cuándo debo elegir la DCT en lugar de la FFT para mi proyecto de EEG?
Elija la DCT cuando la prioridad sea la compresión en tiempo real, la reducción del almacenamiento de datos o la extracción compacta de características para el aprendizaje automático, especialmente en dispositivos de bajo consumo. Elija la FFT o las wavelets cuando su investigación requiera analizar bandas de frecuencia o relaciones de fase específicas, ya que la DCT no proporciona directamente esa interpretación fisiológica.
¿Reduce la DCT el ruido en las señales de EEG?
Descartar los coeficientes DCT pequeños y de alto índice a menudo elimina las fluctuaciones similares al ruido junto con los detalles finos, lo que lleva a afirmar que la DCT es “ligera en artefactos”. Sin embargo, los estudios revisados no midieron directamente la reducción de artefactos, por lo que esto sigue siendo una hipótesis plausible en lugar de un hallazgo confirmado.
¿Por qué se utilizan ventanas de EEG antes de una DCT?
La DCT se define para una secuencia finita, por lo que un registro de EEG se divide comúnmente en ventanas. El ventaneo también permite examinar por separado los cambios entre porciones de un registro, aunque introduce decisiones sobre la duración y la superposición.
¿Prueba un resultado de DCT una condición neurológica?
No. Una señal transformada es una representación matemática, no una evidencia clínica independiente. Cualquier interpretación diagnóstica requiere una evaluación clínica adecuada, métodos validados e información de respaldo pertinente.
Emotiv es un líder en neurotecnología que ayuda a avanzar la investigación en neurociencia mediante herramientas accesibles de EEG y datos cerebrales.
Christian Burgos
