La descomposición empírica en modos (EMD) se desarrolló como respuesta a un desajuste entre las herramientas de procesamiento de EEG y los datos que se les pide interpretar. En lugar de forzar una señal en un conjunto fijo de ondas senoidales o wavelets elegidas de antemano, la EMD permite que los datos definan sus propios componentes básicos. Estos componentes básicos se denominan funciones de modo intrínseco (IMF) y el proceso que las genera no requiere asumir que la señal sea estacionaria o lineal.
Esto hace que la EMD sea conceptualmente atractiva para el EEG, donde los eventos transitorios e irregulares suelen ser exactamente las características que un investigador desea detectar. Ese atractivo ha impulsado un conjunto de investigaciones aplicadas en la detección de convulsiones, la clasificación de emociones, la eliminación de artefactos y la interfaz cerebro-computadora.
¿Por qué las señales de EEG se resisten a las herramientas tradicionales de procesamiento de señales?
El problema principal al aplicar los métodos clásicos de procesamiento de señales al EEG es de tipo estructural. El análisis basado en Fourier descompone una señal en una biblioteca fija de ondas senoidales y cosenoidales, un enfoque que funciona limpiamente cuando el proceso subyacente no cambia su comportamiento estadístico con el tiempo.
El EEG no cumple con esa condición. La actividad cerebral de una persona durante el reposo tranquilo se ve estadísticamente diferente de la actividad de la misma persona durante una ráfaga de atención concentrada o, en un entorno clínico, durante una convulsión. Las investigaciones citan esta cualidad no estacionaria como la justificación inicial para recurrir a la EMD en lugar de a herramientas basadas en la frecuencia creadas para señales estables.
La consecuencia práctica es que un método que asume la estacionariedad puede difuminar o representar erròneamente los eventos neurales transitorios, tratando un pico breve como si estuviera distribuido de manera uniforme a lo largo de una ventana más larga. Para aplicaciones como el diagnóstico de la epilepsia, donde el momento y la forma de un pico tienen peso diagnóstico, ese tipo de difuminado es una limitación real.
La solución propuesta por la EMD es evitar por completo la suposición de una base fija y permitir que la descomposición se adapte a cualquier forma que adopte realmente la señal.
Qué hace la descomposición en modos empíricos y cómo funciona
La EMD opera a través de un proceso repetido llamado cribado (sifting). El algoritmo identifica los picos y valles locales de una señal, los conecta en envolturas superiores e inferiores y resta el promedio de esas envolturas de la señal original.
Este paso se repite hasta que el componente resultante cumple dos condiciones:
Sus envolturas superior e inferior son simétricas alrededor de cero
Su media se mantiene cercana a cero a lo largo de todo el segmento.
Una vez que un componente satisface estas condiciones, se denomina función de modo intrínseco (IMF) y se resta de la señal original para que el proceso pueda extraer la siguiente.
El resultado es una pila de IMF ordenadas desde las oscilaciones más rápidas hasta las más lentas, seguidas de una tendencia residual final que captura cualquier deriva lenta que permanezca. Debido a que cada IMF se extrae directamente de la forma local de los datos en lugar de compararse con una forma de onda predeterminada, la EMD puede, en principio, representar dinámicas irregulares y cambiantes sin necesidad de que el analista elija una base de antemano.
Método | Mejor condición |
|---|---|
EMD | Contaminación fuerte |
ICA o CCA | Ruido leve, fuente única |
Transformada de ondícula | Ruido leve, dos fuentes |
Cómo la EMD captura eventos transitorios como los picos de convulsiones
Los eventos transitorios en el EEG, como los picos epileptiformes o las ráfagas cortas asociadas a una tarea cognitiva, tienen una importancia clínica y neurocientífica enorme, pero a menudo están enterrados bajo la actividad cerebral de fondo o el ruido contaminante. Este es precisamente el escenario donde la descomposición local y adaptativa de la EMD está diseñada para ofrecer una ventaja sobre los métodos de base fija.
Un estudio de Safieddine y colaboradores probó esto directamente simulando señales similares a picos epilépticos y contaminándolas con artefactos musculares reales a diferentes intensidades, para luego comparar cuatro métodos de corrección:
EMD
Análisis de componentes independientes (ICA)
Análisis de correlación canónica (CCA)
Transformada de ondícula (Wavelet)
Cuando la contaminación era fuerte, la EMD superó a las tres alternativas. Sin embargo, esa ventaja no fue absoluta. Cuando la señal tenía menos ruido y los picos provenían de una sola fuente cortical, CCA e ICA produjeron mejores resultados. Cuando los picos se originaban en dos fuentes distintas, la EMD o el ICA funcionaban mejor bajo ruido fuerte, mientras que la transformada de ondícula se desempeñaba mejor con ruido más leve.
En otras palabras, la mejor herramienta de eliminación de artefactos dependía tanto del nivel de ruido como de la configuración de la fuente subyacente, y la ventaja de la EMD fue más fuerte específicamente en el caso de una contaminación severa.
Por su parte, los estudios de investigación de Riaz y colaboradores y Shafiul Alam y colaboradores pasaron de la corrección de artefactos a la clasificación, utilizando las IMF como una fuente de características para detectar convulsiones y epilepsia.
El equipo de Riaz extrajo momentos temporales, es decir, medidas estadísticas como la varianza, la asimetría y la curtosis, junto con características espectrales como el centroide espectral y la asimetría espectral de cada IMF. Estas características se introdujeron en una máquina de soporte vectorial, un clasificador de aprendizaje supervisado estándar, y la clasificación resultante de pacientes con epilepsia y segmentos de convulsiones produjo lo que los autores describieron como buenos resultados que se comparaban favorablemente con otros métodos establecidos de extracción de características.
El equipo de Alam fue más allá utilizando momentos estadísticos de orden superior calculados dentro del dominio de la EMD, introduciéndolos en una red neuronal artificial. En varias tareas de clasificación, incluida la distinción entre actividad convulsiva y no convulsiva, el método reportó una precisión, sensibilidad y especificidad de hasta el 100 por ciento, al tiempo que funcionaba más rápido que las técnicas comparables de análisis de tiempo-frecuencia.
En conjunto, estos estudios sugieren que la EMD puede ayudar a aislar la actividad epiléptica transitoria, pero su rendimiento es sensible al nivel de ruido, a la geometría de la fuente y al conjunto de datos en el que se prueba, en lugar de ser una ventaja fija y garantizada.
Desafíos comunes en la descomposición en modos empíricos
La EMD es flexible, pero esa flexibilidad genera decisiones metodológicas que pueden afectar las conclusiones científicas. Pequeñas perturbaciones en una señal pueden cambiar los extremos y, por lo tanto, alterar las envolturas y los modos extraídos. El ruido, el filtrado, los registros cortos y los límites marcados pueden hacer que la descomposición sea menos estable.
Las verificaciones comunes ayudan a exponer en lugar de ocultar estas dificultades. Incluyen:
Medir el error de reconstrucción después de sumar las IMF y el residuo.
Probar la sensibilidad al tratamiento de los puntos finales y a los umbrales de cribado.
Comparar las descomposiciones en segmentos repetidos o conjuntos de ruido.
Inspeccionar si un componente eliminado contiene actividad neural plausible.
Estas comprobaciones no eliminan la ambigüedad, pero la hacen visible. La mezcla de modos puede requerir una variante de conjunto, mientras que un contenido excesivo de alta frecuencia puede indicar contaminación en lugar de un modo neural útil. En todos los casos, el análisis debe reportar las decisiones que produjeron la representación final.
Otro desafío es la comunicación. Un índice de IMF es una etiqueta algorítmica, no un diagnóstico o una banda de EEG definida universalmente. Se necesitan figuras claras, registros de parámetros y un lenguaje cauteloso cuando los resultados pasan de un procesamiento de señales exploratorio a una interpretación biomédica.
Mezcla de modos: la principal debilidad de la EMD básica
La debilidad estructural más clara en la EMD básica es un fenómeno llamado mezcla de modos. Ocurre de dos maneras relacionadas: o bien oscilaciones que operan en escalas de tiempo muy diferentes terminan atrapadas dentro de la misma IMF, o un componente rítmico único y coherente se fragmenta y se dispersa en varias IMF en lugar de permanecer contenido en una sola. Ambas versiones del problema hacen que sea más difícil confiar en que una IMF corresponda a un proceso fisiológico único y real.
El riesgo práctico es de interpretación. Si un investigador asume que una IMF determinada representa, por ejemplo, la actividad en una banda de frecuencia específica, pero esa IMF en realidad contiene una mezcla de artefacto muscular y actividad de picos residuales debido a la mezcla de modos, cualquier conclusión extraída de esa IMF se vuelve poco confiable.
Descomposición en modos empíricos con conjunto completo
La descomposición en modos empíricos con conjunto completo, comúnmente llamada CEEMD, es una extensión de la EMD asistida por ruido. Agrega realizaciones de ruido cuidadosamente controladas a la señal, descompone el conjunto resultante y promedia los modos correspondientes. El objetivo es hacer que la descomposición sea más estable cuando las escalas oscilatorias cercanas son difíciles de separar.
Cómo la CEEMD mejora la EMD estándar
La EMD estándar puede sufrir de mezcla de modos, en la cual oscilaciones con diferentes escalas aparecen en una sola IMF o escalas similares se distribuyen en varias IMF. La CEEMD aborda esta inestabilidad de manera estadística en lugar de cambiar la idea básica de cribado por envolturas. Las descomposiciones repetidas y el promedio pueden reducir la influencia de una realización de ruido individual, pero el resultado sigue dependiendo del diseño del conjunto, la amplitud del ruido, el número de pruebas y los detalles de la implementación.
El método no es automáticamente superior para todos los conjuntos de datos. Aumenta el costo computacional y puede retener ruido residual o introducir sensibilidad en los límites si sus parámetros se eligen mal. Para el EEG, las comparaciones deben por lo tanto examinar la calidad de la reconstrucción, la estabilidad a través de las pruebas, la preservación de los eventos transitorios y si los modos resultantes siguen siendo interpretables para la pregunta de investigación planteada.
Qué aplicaciones de EEG han probado la EMD hasta ahora
La EMD se ha aplicado comúnmente en tres grandes categorías.
La extracción de características para la clasificación representa el caso de uso más amplio. Por ejemplo, un estudio liderado por Ning Zhuang utilizó la EMD para el reconocimiento de emociones, extrayendo características multidimensionales de las IMF, incluida la primera diferencia de la serie temporal, la primera diferencia de fase y la energía normalizada, para luego probarlas en la base de datos emocional pública DEAP. El estudio encontró que el componente de alta frecuencia IMF1 tenía un efecto significativo en la distinción de estados emocionales, y el enfoque general superó a los métodos de comparación, incluyendo la dimensión fractal, la entropía muestral y la transformada de ondícula discreta.
La eliminación de artefactos está representada en estudios como el de Safieddine y colaboradores, donde la descomposición determinista basada en envolturas de la EMD eliminó los artefactos musculares del EEG epiléptico simulado de manera más efectiva que el ICA, el CCA o los métodos basados en ondículas, específicamente bajo condiciones de contaminación fuerte.
Por último, el análisis multicanal y la interfaz cerebro-computadora (BCI) se pueden observar en investigaciones publicadas en el Journal of Circuits, Systems and Computers, donde se aplicó la EMD por separado a cada canal en un registro de EEG multicanal, y las IMF resultantes se agruparon de acuerdo con su similitud espectral para identificar qué componentes se correlacionaban con un estímulo externo.
Reconstruir la señal a partir de únicamente aquellos componentes vinculados al estímulo permitió a los investigadores identificar cuándo un sujeto estaba prestando atención a un estímulo determinado, una capacidad directamente relevante para los sistemas BCI que dependen de la distinción de señales neurales intencionales del ruido de fondo.
Tutorial de descomposición en modos empíricos para principiantes
Un principiante puede pensar en la EMD como el proceso de separar repetidamente la oscilación más rápida visible de una forma de onda complicada. El algoritmo no comienza con una lista de bandas de frecuencia. En su lugar, observa dónde sube y baja la señal, estima una línea central local y elimina esa línea central de la oscilación candidata.
Un ejercicio de aprendizaje sensato comienza con una señal sintética corta y limpia que contiene dos oscilaciones y una tendencia lenta. El resultado esperado no es una separación perfecta en todos los casos, sino un conjunto de componentes cuya suma reproduce aproximadamente la entrada. Graficar la señal original, cada IMF y el residuo en un eje de tiempo compartido suele ser más informativo que inspeccionar únicamente los datos numéricos.
Para un registro de EEG, el flujo de trabajo también incluye decisiones previas a la descomposición:
Seleccionar canales y segmentos
Verificar la información de muestreo
Marcar intervalos defectuosos
Documentar el preprocesamiento
Una guía general de descomposición de frecuencia puede ayudar a situar la EMD entre Fourier, ondículas y otros métodos relacionados de tiempo-frecuencia. Estas elecciones no convierten a la EMD en una prueba clínica; definen las condiciones bajo las cuales se puede evaluar su resultado.
Descomposición en modos empíricos en Python: una guía de codificación
Las implementaciones en Python típicamente aceptan una matriz unidimensional y devuelven una colección de IMF, a veces con un residuo o mediante una operación de residuo separada. Un flujo de trabajo básico carga una señal, confirma su orden de muestreo y el estado de valores faltantes, ejecuta la descomposición y grafica los componentes. El análisis reproducible también registra la versión de la biblioteca y los parámetros que controlan el cribado y el comportamiento del conjunto.
Bibliotecas populares de Python para EMD
Varios paquetes científicos de Python proporcionan la EMD o algoritmos relacionados, pero sus API y valores predeterminados difieren. Algunos exponen la EMD estándar, variantes de conjunto, umbrales de parada, opciones de spline y ayudas de visualización; otros requieren un ensamblaje más manual. La tarea de codificación central no es meramente llamar a una función, sino verificar qué significan los componentes devueltos y si su suma reconstruye la entrada.
Un patrón de pseudocódigo mínimo es:
El código es intencionalmente esquemático porque los nombres de las funciones y los valores de retorno varían según el paquete. La validación debe incluir un error de reconstrucción, gráficos de extremos y límites, y comprobaciones de sensibilidad bajo cambios razonables de parámetros.
Para el EEG, las dimensiones de los datos también importan: un registro multicanal puede requerir un flujo de trabajo por canal o un método específicamente multivariante en lugar de aplanar silenciosamente todos los canales en una sola matriz.
Aplicando la descomposición en modos empíricos a señales de EEG
El EEG es un escenario natural para la descomposición en modos empíricos porque los cambios de voltaje pueden contener ritmos superpuestos, eventos transitorios y actividad no estacionaria. La EMD se puede aplicar a canales individuales o segmentos seleccionados para examinar cómo evolucionan las oscilaciones locales. La pregunta científica relevante podría referirse a la estructura temporal, la separación de artefactos, los cambios relacionados con eventos o las características para un modelo estadístico posterior.
Antes de la descomposición, la calidad de la señal y el contexto de registro necesitan atención. La colocación de los electrodos, el esquema de referencia, la tasa de muestreo, el filtrado, las muestras faltantes y los artefactos marcados pueden influir en los extremos locales.
Por otra parte, a las IMF resultantes no se les debería asignar etiquetas fisiológicas únicamente por su orden. Los componentes rápidos pueden incluir ruido muscular o de instrumentos, y los componentes más lentos pueden contener deriva así como actividad significativa.
La interpretación es más sólida cuando compara las señales reconstruidas, conserva un registro de auditoría claro de los componentes excluidos y comprueba si los hallazgos persisten en todos los canales, participantes y opciones de análisis.
Descomposición en modos empíricos vs. transformada de ondícula
Tanto la EMD como la transformada de ondícula (wavelet) permiten el análisis de tiempo-frecuencia, pero organizan la estructura de la señal de manera diferente. La EMD deriva los modos a partir de los extremos locales de los datos observados, mientras que el análisis de ondícula compara la señal con una familia seleccionada de funciones de base escaladas y desplazadas. Uno es adaptativo a los datos; la otra proporciona un sistema de coordenadas multiescala predefinido.
La distinción se vuelve más clara cuando se comparan las prioridades analíticas:
Característica | Descomposición en modos empíricos | Transformada de ondícula |
|---|---|---|
Representación | Funciones de modo intrínseco derivadas de los datos | Coeficientes en escalas de ondículas elegidas |
Base | Adaptativa y dependiente de la señal | Familia de ondículas preespecificada |
Localización temporal | Local, con modos dependientes de los datos | Dependiente de la escala y controlada por la ondícula |
Principales problemas | Mezcla de modos, efectos de punto final, reglas de parada | Elección de base, compromisos de resolución, efectos de contorno |
Ninguno de los dos métodos es universalmente preferible. La EMD puede ofrecer una descomposición intuitiva para oscilaciones cambiantes, mientras que las ondículas pueden proporcionar un marco consistente para comparar señales cuando la base y las escalas son científicamente apropiadas.
La elección debe guiarse por la pregunta, los transitorios esperados, la necesidad de reproducibilidad y la estrategia de validación, en lugar de una afirmación general de que un método es más avanzado.
Lo que gana el análisis de señales cerebrales con la descomposición basada en datos
La actividad cerebral rara vez se mantiene estática el tiempo suficiente para que las herramientas de frecuencia clásicas capturen sus momentos más reveladores, razón por la cual un método que permite que las señales definan sus propios bloques de construcción ha atraído gran atención.
La descomposición en modos empíricos evita la necesidad de plantillas matemáticas fijas, produciendo resultados que han demostrado ser útiles para aislar picos de convulsiones bajo ruido fuerte y extraer características significativas para el reconocimiento de emociones. Este cambio hacia un análisis de forma adaptativa crea una vía para capturar eventos neurales transitorios que de otro modo serían difuminados o pasados por alto. El resultado práctico, como se observa en todos los estudios, es una herramienta que puede ayudar a la clasificación y a la eliminación de artefactos cuando las condiciones se alinean a su favor.
Referencias
Safieddine, D., Kachenoura, A., Albera, L., Birot, G., Karfoul, A., Pasnicu, A., ... & Merlet, I. (2012). Removal of muscle artifact from EEG data: comparison between stochastic (ICA and CCA) and deterministic (EMD and wavelet-based) approaches. EURASIP Journal on Advances in Signal Processing, 2012(1), 127. https://doi.org/10.1186/1687-6180-2012-127
Riaz, F., Hassan, A., Rehman, S., Niazi, I. K., & Dremstrup, K. (2015). EMD-based temporal and spectral features for the classification of EEG signals using supervised learning. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 24(1), 28-35. https://doi.org/10.1109/TNSRE.2015.2441835
Alam, S. S., & Bhuiyan, M. I. H. (2013). Detection of seizure and epilepsy using higher order statistics in the EMD domain. IEEE journal of biomedical and health informatics, 17(2), 312-318. https://doi.org/10.1109/JBHI.2012.2237409
Zhuang, N., Zeng, Y., Tong, L., Zhang, C., Zhang, H., & Yan, B. (2017). Emotion recognition from EEG signals using multidimensional information in EMD domain. BioMed research international, 2017(1), 8317357. https://doi.org/10.1155/2017/8317357
Rutkowski, T. M., Mandic, D. P., Cichocki, A., & Przybyszewski, A. W. (2010). EMD approach to multichannel EEG data—the amplitude and phase components clustering analysis. Journal of Circuits, Systems, and Computers, 19(01), 215-229. https://doi.org/10.1142/S0218126610006037
Preguntas frecuentes
¿Qué es la descomposición en modos empíricos (EMD) y por qué es útil para el EEG?
La EMD es un método adaptativo de procesamiento de señales que descompone una forma de onda en componentes oscilatorios llamados funciones de modo intrínseco sin asumir que la señal es estacionaria. Es útil para el EEG porque la actividad cerebral cambia continuamente y contiene eventos transitorios, que las herramientas tradicionales de base fija tienen dificultades para representar con precisión.
¿Cómo funciona el proceso de cribado en la EMD?
El proceso de cribado identifica repetidamente los picos y valles locales de una señal, construye envolturas superiores e inferiores y resta su promedio de la señal. Este paso se repite hasta que el componente restante tiene envolturas simétricas y una media cercana a cero, momento en el cual se convierte en una función de modo intrínseco.
¿Qué son las funciones de modo intrínseco (IMF)?
Las IMF son los bloques de construcción basados en datos producidos por la EMD, ordenados desde las oscilaciones más rápidas hasta las más lentas. Dado que se extraen directamente de la forma local de la señal en lugar de compararse con una forma de onda preestablecida, pueden capturar dinámicas neurales irregulares y cambiantes.
¿Por qué la mezcla de modos es un problema en la EMD?
La mezcla de modos ocurre cuando oscilaciones de diferentes escalas de tiempo quedan atrapadas en la misma IMF o cuando un solo ritmo se divide en múltiples IMF. Esta ambigüedad hace que sea difícil confiar en que una IMF represente un único proceso fisiológico, pudiendo mezclar ruido o artefactos con actividad cerebral real.
¿Cómo maneja la EMD los eventos transitorios como los picos de convulsiones?
La EMD aísla los picos breves extrayéndolos en IMF de alta frecuencia, donde se separa la actividad de fondo. Bajo una fuerte contaminación muscular, la EMD superó a otros métodos de eliminación de artefactos, aunque su ventaja disminuyó con señales más limpias o diferentes configuraciones de fuentes.
¿Puede la EMD reemplazar a los métodos tradicionales como la transformada de Fourier para todos los análisis de EEG?
La EMD no es un reemplazo universal; es más valiosa para señales no estacionarias y transitorias donde los métodos de Fourier de base fija se quedan cortos. Su confiabilidad, sin embargo, varía con los niveles de ruido y aún no está demostrada en todas las condiciones de registro de EEG.
¿Requiere la EMD asumir que la señal es estacionaria?
No, la EMD no asume la estacionariedad, lo cual es una ventaja clave sobre el análisis clásico de Fourier para el EEG. La descomposición se adapta directamente al carácter estadístico cambiante de los datos, lo que le permite rastrear las dinámicas cerebrales cambiantes y los eventos breves sin preacondicionamiento.
¿Puede la EMD analizar EEG multicanal directamente?
La EMD básica se aplica comúnmente a señales unidimensionales. El análisis multicanal requiere una estrategia deliberada por canal o multivariante, ya que la simple combinación de canales puede ocultar el significado espacial y temporal.
Emotiv es un líder en neurotecnología que ayuda a avanzar la investigación en neurociencia mediante herramientas accesibles de EEG y datos cerebrales.
Christian Burgos
