Los artefactos son señales no deseadas no generadas por el cerebro que pueden distorsionar la interpretación visual de un electroencefalograma y corromper los análisis algorítmicos que impulsan las interfaces cerebro-computadora o el monitoreo del estado mental.
Ya sea que esté leyendo un trazado de EEG sin procesar en busca de marcadores de epilepsia o alimentando datos en un canal de aprendizaje automático, los artefactos no detectados pueden enmascararse como ondas patológicas o introducir una varianza que degrade el rendimiento del modelo.
Esta guía práctica de campo le guiará a través de las dos amplias categorías de artefactos de EEG, le explicará cómo reconocer sus firmas distintivas en el dominio del tiempo y presentará los pasos de limpieza manual que siguen siendo esenciales antes de cualquier procesamiento computacional.
Las dos categorías fundamentales de artefactos de EEG
Cada fluctuación no deseada en un registro de EEG tiene uno de dos orígenes. Los artefactos relacionados con el sujeto, o fisiológicos, son generados por el propio cuerpo del participante. Estos incluyen parpadeos, tensión muscular, latidos cardíacos y actividad de las glándulas sudoríparas, todos los cuales producen campos eléctricos que los electrodos del cuero cabelludo captan junto con la actividad cerebral genuina.
Los artefactos técnicos, o no fisiológicos, provienen del equipo de registro y del entorno. Electrodos flojos, oscilación de cables, saturación del amplificador e interferencia de la red eléctrica pertenecen a este segundo grupo.
Distinguir entre ambas categorías es la primera habilidad que se debe dominar, ya que las estrategias de prevención y eliminación difieren fundamentalmente. Una ráfaga muscular provocada por apretar la mandíbula requiere una intervención diferente a la de un zumbido periódico de 60 hercios que entra a través de un cable mal apantallado.
Cómo reconocer artefactos relacionados con el sujeto
Parpadeos
El ojo se comporta como una pequeña batería eléctrica. La córnea tiene una carga positiva con respecto a la retina, formando un dipolo corneo-retiniano. Cuando un participante parpadea, el párpado barre este dipolo y arrastra el campo positivo hacia arriba, generando una gran deflexión de voltaje positivo en los electrodos frontales más cercanos a los ojos.
En el trazado en el dominio del tiempo, un parpadeo aparece como una onda lenta y de gran amplitud que alcanza su máximo en canales frontopolares como Fp1 y Fp2, atenuándose de forma pronunciada a medida que se observan derivaciones centrales o posteriores. Debido a que la forma de onda es tan estereotipada, un ojo entrenado puede detectarla casi instantáneamente.
Movimientos oculares y espigas sacádicas
Cuando los ojos se mueven lateralmente sin parpadear, el dipolo corneo-retiniano rota en lugar de cubrirse. Esto produce un desplazamiento escalonado en la señal del electrooculograma que puede filtrarse a los canales de EEG adyacentes.
Además, la rápida contracción de los músculos extraoculares durante una sacada crea un transitorio eléctrico breve y agudo conocido como potencial de espiga sacádica. En un trazado en bruto, estas espigas pueden parecer engañosamente similares a la actividad epileptiforme. Por lo general, se limitan a los electrodos frontales y temporales y coinciden con un cambio en la mirada.
Reconocerlos evita una falsa impresión clínica y previene el descarte innecesario de datos neuronales por lo demás limpios. La brevedad de la espiga, su correlación con un movimiento ocular horizontal o vertical y la ausencia de una onda lenta posterior ayudan a diferenciarla de una descarga cortical genuina.
Actividad muscular
Los músculos del cuero cabelludo, la cara y el cuello son prolíficos generadores de ruido eléctrico de alta frecuencia. Cuando un participante aprieta la mandíbula, frunce el ceño o incluso mantiene tensión en el cuello, los potenciales de acción de las unidades motoras se disparan de forma asincrónica y se suman en un patrón de interferencia irregular y puntiagudo.
En el dominio del tiempo, el artefacto muscular se asemeja a una ráfaga rápida de deflexiones agudas y de baja amplitud superpuestas al EEG, a menudo más prominentes en los electrodos temporales o frontales. Su contenido de frecuencia se sitúa principalmente por encima de los 20 Hz, adentrándose en las bandas beta y gamma donde residen muchas medidas cognitivas, lo que lo hace particularmente problemático para la monitorización del estado mental y las aplicaciones de interfaz cerebro-computadora.
Las configuraciones de EEG de alta densidad con electrodos poco espaciados pueden ayudar a localizar la fuente muscular, pero la primera línea de defensa consiste en indicar al participante que se relaje y proporcionarle un soporte físico adecuado para la cabeza.
Sudor y cambios electrodérmicos
Los cambios en la conductancia de la piel debidos a la actividad de las glándulas sudoríparas alteran la interfaz electrodo-piel. Esto introduce una deriva muy lenta y suave del voltaje de la línea base, a menudo por debajo de 1 Hz, que puede desplazarse a lo largo de varios segundos.
El artefacto no se manifiesta como una espiga o un zumbido rítmico, sino como un balanceo suave y ondulante de todo el trazado. Es más común durante registros prolongados, en ambientes cálidos o con participantes ansiosos. Este factor de confusión de baja frecuencia puede gestionarse manteniendo una temperatura ambiente estable y asegurando un buen contacto del electrodo.
Señales cardíacas
El campo eléctrico del corazón es lo suficientemente potente como para llegar al cuero cabelludo, especialmente cuando las impedancias de los electrodos son altas o cuando un electrodo de referencia se sitúa cerca de un vaso sanguíneo sobre la mastoides o el lóbulo de la oreja.
El artefacto electrocardiográfico resultante se manifiesta como un complejo QRS regular y agudo que se repite a la frecuencia cardíaca, aproximadamente una vez por segundo. A menudo se filtra en muchos canales simultáneamente con un desfase temporal constante, y los clasificadores entrenados en características de artefactos de amplio espectro pueden detectarlo junto con otros contaminantes.
Si la forma de onda cardíaca es visible pero no abrumadora, a menudo puede restarse registrando un canal dedicado de ECG; de lo contrario, los segmentos afectados podrían requerir un descarte manual.
Artefacto | Firma |
|---|---|
Parpadeo | Onda lenta frontal |
Movimiento ocular | Desplazamiento escalonado |
Músculo | Espigas de alta frecuencia |
Sudor | Deriva lenta de la línea base |
Cardíaco | Complejo QRS agudo |
Reconocimiento de artefactos técnicos en el trazado
Saltos de electrodo (pops) y espigas por movimiento
Un cambio repentino en la impedancia causado por un puente de gel seco, un tirón de cable o un electrodo que se desplaza genera un transitorio abrupto y pronunciado denominado a menudo pop o salto. Esto se clasifica bajo la categoría de «discontinuidades genéricas» que algoritmos automatizados como ADJUST están diseñados para señalar.
En el dominio del tiempo, un salto de electrodo suele verse como una espiga aislada de amplitud extrema que puede saturar el amplificador, aplanando la señal momentáneamente antes de una recuperación lenta. A diferencia de una espiga biológica, no está rodeada de actividad fisiológica en curso y normalmente aparece en un solo canal, lo que facilita su identificación durante la inspección visual.
Un estudio de EEG neonatal realizado por Hagmann et al. documentó de manera similar interferencias frecuentes por movimiento que alteraban el trazado integrado por amplitud, enfatizando que incluso perturbaciones físicas breves generan una contaminación medible.
Interferencia de la red eléctrica
El acoplamiento capacitivo del suministro eléctrico en la configuración de registro produce un «zumbido» rítmico y continuo a la frecuencia de red: 50 Hz en Europa y gran parte del mundo, y 60 Hz en América del Norte.
En un trazado de EEG en bruto, esta interferencia aparece como una onda sinusoidal densa superpuesta en cada canal, a menudo con una amplitud constante. Incluso una pequeña cantidad de ruido de línea puede enmascarar ritmos cerebrales de bajo voltaje, y su presencia señala un problema con la impedancia del electrodo, el apantallamiento o la conexión a tierra.
Es invariablemente un artefacto técnico, no una oscilación neural, y su frecuencia fija facilita su identificación visual o mediante un simple gráfico espectral.
Electrodos flojos y movimiento de cables
Cuando un electrodo no está fijado de forma segura al cuero cabelludo o su cable oscila a mitad del registro, la perturbación mecánica introduce fluctuaciones irregulares de baja frecuencia. Estas pueden parecer una deriva lenta y errática o una ráfaga de ondas irregulares de gran amplitud en un solo canal.
La naturaleza esporádica y el confinamiento a un único electrodo distinguen de inmediato este artefacto de eventos fisiológicos generalizados como un parpadeo o una tensión muscular. Registrar estos momentos en tiempo real ahorra un esfuerzo considerable más adelante al acotar la búsqueda de segmentos de datos defectuosos.
Prevención y documentación de artefactos durante un registro
La estrategia de gestión de artefactos más eficaz comienza mucho antes de que se guarde el primer punto de datos.
Un participante relajado genera drásticamente menos artefactos musculares y de movimiento ocular. Por lo tanto, dedique tiempo a explicar la sesión, proporcione una silla cómoda con soporte para la cabeza y ofrezca un punto de fijación visual estable para reducir parpadeos y sacadas espontáneas. Estos pasos son tan fundamentales que rara vez se detallan en los artículos de investigación; sin embargo, todo estudio que presente datos limpios se apoya implícitamente en ellos.
La aplicación de los electrodos es la siguiente línea de defensa. Una preparación meticulosa de la piel, una cantidad adecuada de gel conductor y un enrutamiento cuidadoso de los cables minimizan tanto la captación ambiental como los saltos relacionados con el movimiento.
El estudio de EEG infantil mencionado anteriormente constató que las interferencias eléctricas y las debidas al movimiento ocurrían con una frecuencia similar, confirmando que ningún entorno de registro es inherentemente inmune a problemas técnicos. Comprobar las impedancias antes y después de la sesión y fijar los cables a la ropa o a la silla elimina una gran parte de los artefactos evitables.
Por último, mantenga un registro continuo de los artefactos visibles durante la sesión. Anote la hora de cualquier movimiento brusco, tos o ajuste de electrodos. Este tipo de anotación manual refleja el etiquetado experto utilizado para entrenar clasificadores automáticos, donde evaluadores humanos marcan segmentos para servir como verdad fundamental para algoritmos de aprendizaje automático.
Una simple marca de tiempo manuscrita o un marcador de eventos en el software de adquisición transforma las conjeturas en documentación reproducible.
Rechazo manual e interpolación: limpieza previa al cómputo
Inspección visual del trazado continuo
Antes de delegar la eliminación de artefactos en cualquier algoritmo de procesamiento de señales, recorra los datos en bruto y utilice las firmas de forma de onda descritas anteriormente para identificar los intervalos contaminados.
A menudo se recomienda buscar la característica onda lenta frontal de un parpadeo, el chisporroteo de alta frecuencia de la actividad muscular, la espiga aislada de un salto de electrodo o la onda sinusoidal persistente del ruido de red. Este paso entrena la vista para distinguir los artefactos de la actividad cerebral genuina y evita el descarte automático de eventos neuronales raros y de alta amplitud que podrían parecerse superficialmente a artefactos.
Onda lenta frontal: indica un parpadeo
Chisporroteo de alta frecuencia: indica actividad muscular
Espiga aislada de amplitud extrema: indica un salto de electrodo
Onda sinusoidal persistente: indica interferencia de la red eléctrica
Marcado y exclusión de segmentos temporales defectuosos
Una vez identificado un tramo de datos cargado de artefactos, márquelo para su exclusión. Esto puede implicar registrar los tiempos de inicio y fin o utilizar las herramientas de marcado integradas en el software de análisis de EEG.
La eliminación manual de los segmentos más contaminados es el estándar sobre el que incluso se construyeron los métodos automatizados de última generación. En el trabajo que dio lugar al algoritmo ADJUST, por ejemplo, los expertos etiquetaron manualmente 640 componentes para crear un conjunto de entrenamiento, y el rendimiento del clasificador se midió luego frente a esta verdad fundamental definida a mano.
Eliminar los artefactos más notorios de forma manual alivia la carga de los algoritmos posteriores y evita que propaguen ruido a los canales vecinos durante los pasos de filtrado espacial.
Interpolación de un canal persistentemente ruidoso
Cuando un único electrodo no es fiable durante todo el registro debido a un contacto flojo, gel seco o inestabilidad mecánica, eliminar ese canal y reconstruir sus datos a partir de electrodos limpios vecinos preserva la dimensionalidad general de los datos.
La interpolación utiliza la distribución espacial del voltaje a lo largo del cuero cabelludo para estimar lo que habría registrado el canal defectuoso, sustituyendo eficazmente el artefacto por una señal plausible y neutra. Este paso mantiene intacto el conjunto de datos para análisis topográficos y evita la pérdida de datos que supondría descartar el canal por completo.
Por qué la limpieza manual sigue siendo esencial
Incluso los clasificadores automáticos más sofisticados se benefician de un conjunto de datos previamente limpiado de artefactos graves. El hallazgo del estudio neonatal de que los artefactos ocupaban el 12% del tiempo de registro e influían en la interpretación clínica ilustra con qué facilidad una contaminación no eliminada puede distorsionar las conclusiones.
Por lo tanto, la inspección manual garantiza que los artefactos más grandes y evidentes desaparezcan antes de que los datos entren en un proceso computacional eficaz, donde de otro modo podrían dominar la varianza y desviar la descomposición. También genera una familiaridad profunda con el conjunto de datos que ningún algoritmo puede replicar.
Cómo apoya la eliminación automatizada al trabajo manual
El análisis de componentes independientes como herramienta de disección
Una vez eliminados manualmente los peores segmentos, el ICA puede descomponer el EEG restante en componentes de fuentes estadísticamente independientes. Esta técnica descompone la mezcla de señales cerebrales y de artefactos captada por los electrodos del cuero cabelludo, separando movimientos oculares, parpadeos y actividad muscular en componentes discretos según sus patrones espaciales y temporales únicos.
Un componente con proyección frontal y una forma de onda que coincide estrechamente con la señal de parpadeo puede identificarse y sustraerse, dejando el resto de los datos neurofisiológicamente intactos. La fuerza de ICA radica en su capacidad para manejar múltiples fuentes de artefactos que ocurren simultáneamente, una tarea en la que la corrección basada en regresión más simple con frecuencia sobrecorrige o subcorrige.
La fiabilidad de los clasificadores modernos
Los métodos automatizados han alcanzado hoy un nivel de rendimiento que coincide estrechamente con el juicio de expertos humanos.
Un clasificador lineal independiente del sujeto, entrenado con seis características extraídas de los dominios frecuencial, espacial y temporal, logró un error cuadrático medio inferior al 10% en un conjunto de datos de tiempo de reacción, lo cual se sitúa dentro del margen de desacuerdo entre dos expertos humanos.
Además, el algoritmo ADJUST, que combina características específicas de artefactos espaciales y temporales, coincidió con el etiquetado manual de expertos en el 95,2% de la varianza de los datos al probarse en un conjunto de datos completamente independiente, y su eliminación de componentes con artefactos condujo a una reconstrucción limpia de los potenciales evocados.
Un enfoque diferente que utiliza modelos autorregresivos combinados con una máquina de vectores de soporte clasificó varios tipos de artefactos generados por los sujetos entre individuos con una precisión aproximada del 94%.
Para los artefactos oculares en particular, un algoritmo que incorporó información de seguimiento ocular para identificar objetivamente los componentes relevantes se desempeñó casi el doble de eficazmente que los expertos humanos que dependían únicamente de las topografías de los componentes, logrando un área bajo la curva de la característica operativa del receptor superior a 0,99.
Estas cifras no reemplazan la limpieza manual, pero demuestran que el campo cuenta ahora con asistentes computacionales fiables capaces de encargarse de la identificación repetitiva y de gran volumen que antes se realizaba enteramente a mano.
Equilibrio entre la eliminación de artefactos y la preservación de la señal
Un rechazo agresivo de artefactos puede despojar inadvertidamente información neural genuina. En un paradigma de interfaz cerebro-computadora de imaginación motora, los investigadores descubrieron que podían eliminar de forma segura hasta el 60% de los componentes de ICA con más artefactos conservando al mismo tiempo la información discriminante que el sistema BCI utilizaba para descodificar la intención del usuario.
Este hallazgo subraya el principio crucial de que no todo componente que porta cierta varianza de artefacto carece de señal neural. Sigue siendo aconsejable la revisión manual de los componentes seleccionados por un clasificador automático para confirmar que el umbral de rechazo no invada el territorio de la actividad cerebral útil.
Identificación automatizada de artefactos de EEG con redes neuronales convolucionales
Los enfoques automatizados para la identificación de artefactos de EEG han avanzado considerablemente, ofreciendo un complemento a las técnicas de reconocimiento manual descritas anteriormente. Una línea de investigación se ha centrado en redes neuronales convolucionales capaces de detectar y clasificar artefactos sin requerir una extracción experta de características ni el preprocesamiento de la señal en bruto.
Un estudio realizado por investigadores que examinaban datos de EEG multicanal continuos propuso una arquitectura CNN para la detección binaria de artefactos de EEG, ampliándola posteriormente para clasificar múltiples tipos de artefactos. Los autores informan de que su red optimizada logró una precisión de clasificación del 94,17% promediada entre 17 pacientes y 9 clases de artefactos. En comparación con la arquitectura original basada en CNN, la versión optimizada ofreció 4,2 veces menos parámetros y 2,7 veces menos computación, junto con una precisión un 17,5% superior. Los investigadores también evaluaron su modelo en un conjunto de datos recopilado en su laboratorio utilizando un headset Emotiv Epoc X de 14 canales, donde alcanzó una precisión del 93,5% en la detección de artefactos de parpadeo.
El estudio observó que los modelos propuestos no requieren conocimientos expertos para la extracción de características ni el preprocesamiento de los datos de EEG, y que la arquitectura es lo suficientemente eficiente como para implementarse en dispositivos móviles. Esto apunta a la posibilidad de una detección de artefactos en tiempo real en entornos prácticos y de bajos recursos.
Lo que este cuerpo de investigación aún no establece es cómo se comportan dichos clasificadores automáticos en toda la gama de tipos de artefactos encontrados en registros del mundo real, o cómo se comparan con la inspección manual en poblaciones y entornos de registro diversos. Los hallazgos sugieren que una identificación automatizada y eficiente de artefactos de EEG es factible, pero una mayor validación en condiciones más amplias sigue siendo un área abierta de investigación.
Por qué la conciencia sobre los artefactos determina la calidad de los datos
Los artefactos influyen directamente tanto en la interpretación visual como en las mediciones cuantitativas. Ya sea que el objetivo sea un diagnóstico clínico, un descubrimiento en neurociencia o una aplicación de bienestar para el consumidor, el camino hacia resultados fiables pasa por una comprensión clara del origen de los artefactos, su apariencia en el trazado en bruto y el riguroso proceso de prevenirlos, documentarlos y eliminarlos manualmente.
La automatización basada en ICA puede acelerar el flujo de trabajo de limpieza, pero opera con mayor eficacia en datos que ya han sido inspeccionados por un ojo humano entrenado. Una tasa de contaminación del 12% puede no parecer alta, pero cuando esa fracción puede alterar una decisión médica u oscurecer un sutil biomarcador cognitivo, la inversión en la gestión de artefactos se vuelve inseparable de la integridad científica del registro.
Referencias
Plöchl, M., Ossandón, J. P., & König, P. (2012). Combining EEG and eye tracking: identification, characterization, and correction of eye movement artifacts in electroencephalographic data. Frontiers in human neuroscience, 6, 278. https://doi.org/10.3389/fnhum.2012.00278
Mognon, A., Jovicich, J., Bruzzone, L., & Buiatti, M. (2011). ADJUST: An automatic EEG artifact detector based on the joint use of spatial and temporal features. Psychophysiology, 48(2), 229-240. https://doi.org/10.1111/j.1469-8986.2010.01061.x
Hagmann, C. F., Robertson, N. J., & Azzopardi, D. (2006). Artifacts on electroencephalograms may influence the amplitude-integrated EEG classification: a qualitative analysis in neonatal encephalopathy. Pediatrics, 118(6), 2552–2554. https://doi.org/10.1542/peds.2006-2519
Winkler, I., Haufe, S., & Tangermann, M. (2011). Automatic classification of artifactual ICA-components for artifact removal in EEG signals. Behavioral and brain functions, 7(1), 30. https://doi.org/10.1186/1744-9081-7-30
Lawhern, V., Hairston, W. D., McDowell, K., Westerfield, M., & Robbins, K. (2012). Detection and classification of subject-generated artifacts in EEG signals using autoregressive models. Journal of neuroscience methods, 208(2), 181-189. https://doi.org/10.1016/j.jneumeth.2012.05.017
Preguntas frecuentes
¿Cuáles son las dos categorías principales de artefactos de EEG y en qué se diferencian?
Los artefactos de EEG se dividen en dos categorías: artefactos relacionados con el sujeto (fisiológicos) generados por el cuerpo del participante —como parpadeos, tensión muscular, latidos cardíacos y sudor— y artefactos técnicos (no fisiológicos) derivados del equipo o del entorno, como electrodos flojos, oscilación de cables e interferencia de la red eléctrica. La distinción es importante porque cada categoría requiere diferentes estrategias de prevención y eliminación; por ejemplo, una ráfaga muscular necesita una intervención distinta a la de un zumbido de línea de 60 Hz.
¿Cómo se puede reconocer un artefacto de parpadeo en un trazado de EEG?
Un parpadeo aparece como una onda lenta, positiva y amplia que es más fuerte sobre los electrodos frontales como Fp1 y Fp2, y se desvanece rápidamente hacia los canales centrales o posteriores. Debido a que la córnea tiene una carga positiva con respecto a la retina, el párpado al barrer este dipolo crea una deflexión estereotipada de gran amplitud que es fácil de detectar con entrenamiento.
¿Por qué la actividad muscular puede ser especialmente problemática para las interfaces cerebro-computadora?
Los artefactos musculares originados al apretar la mandíbula, fruncir el ceño o tensar el cuello producen una interferencia puntiaguda de alta frecuencia que a menudo se solapa con las bandas de ondas cerebrales beta y gamma, donde operan las mediciones cognitivas y la monitorización del estado mental. Esta contaminación puede corromper los análisis algorítmicos y degradar el rendimiento de los modelos de interfaz cerebro-computadora, convirtiéndola en uno de los artefactos fisiológicos más problemáticos de gestionar.
¿Qué aspecto tiene un artefacto de interferencia de red y cuál es su causa?
La interferencia de la red eléctrica aparece como un «zumbido» sinusoidal rítmico y continuo superpuesto en cada canal de EEG, normalmente a 50 o 60 Hz según el suministro eléctrico de la región. Se origina por el acoplamiento capacitivo de la fuente de energía en la configuración de registro debido a una impedancia deficiente del electrodo, un apantallamiento inadecuado o problemas de puesta a tierra, y es claramente un artefacto técnico más que una señal neural.
¿Por qué es importante la anotación manual de artefactos durante un registro?
Mantener un registro continuo de movimientos bruscos, tos o ajustes de electrodos durante la sesión ayuda a acotar más adelante los segmentos de datos defectuosos y transforma las conjeturas en documentación reproducible. Esta anotación manual también refleja el etiquetado experto utilizado para entrenar clasificadores automáticos, proporcionando una verdad fundamental que mejora la fiabilidad de la limpieza tanto manual como computacional.
¿Cuál es el propósito de interpolar un canal de EEG constantemente ruidoso?
Cuando un solo electrodo no es fiable a lo largo de todo el registro debido a un contacto flojo o gel seco, la interpolación reconstruye los datos de ese canal a partir de electrodos limpios vecinos utilizando la distribución espacial del voltaje a lo largo del cuero cabelludo. Esto preserva la dimensionalidad general del conjunto de datos para los análisis topográficos, evitando la pérdida de datos que se produciría si se descartara el canal por completo.
¿Cómo ayuda el análisis de componentes independientes (ICA) en la eliminación de artefactos?
El ICA descompone las señales mixtas de EEG en componentes de fuentes estadísticamente independientes, separando parpadeos, actividad muscular y otros artefactos en función de sus patrones espaciales y temporales únicos. Una vez identificado, un componente de artefacto —como uno con una proyección frontal que coincide con un parpadeo— puede sustraerse, dejando las señales neurales subyacentes prácticamente intactas y manejando múltiples fuentes de artefactos simultáneas con mayor eficacia que los métodos de regresión simples.
¿Cuál es el riesgo de ser demasiado agresivo con la eliminación automatizada de artefactos?
Un rechazo agresivo puede despojar inadvertidamente información neural genuina, ya que algunos componentes portan tanto varianza del artefacto como actividad cerebral útil. Incluso si los clasificadores automáticos marcan muchos componentes, es aconsejable una revisión manual de cuáles eliminar para garantizar que el umbral de rechazo no elimine señales esenciales para descodificar la intención del usuario o detectar biomarcadores cognitivos.
¿Por qué la conciencia sobre los artefactos afecta directamente a la integridad científica de un registro de EEG?
Los artefactos pueden hacerse pasar por formas de onda patológicas o introducir una varianza que distorsiona tanto la interpretación visual como los análisis cuantitativos, alterando potencialmente clasificaciones clínicas u ocultando señales cognitivas sutiles. Un proceso disciplinado de prevención, documentación y limpieza manual de artefactos es esencial antes de cualquier procesamiento computacional, garantizando que las conclusiones extraídas de los datos sean fiables y no estén corrompidas por contaminación.
Emotiv es un líder en neurotecnología que ayuda a avanzar la investigación en neurociencia mediante herramientas accesibles de EEG y datos cerebrales.
Descargo de responsabilidad médica: La información proporcionada en este sitio web es solo para fines educativos e informativos y no pretende ser un consejo médico o de salud. Este contenido puede contener errores y no debe ser utilizado para tomar decisiones de salud, médicas o de estilo de vida que alteren la vida. Busque siempre el consejo de su médico u otro proveedor de salud calificado para cualquier pregunta que pueda tener con respecto a una afección o tratamiento médico.
Christian Burgos
