Una guía de la Transformada de Fourier de Tiempo Reducido para EEG

El problema con la transformada de Fourier estándar

La transformada de Fourier estándar es un pilar del procesamiento de señales clásico porque descompone eficazmente señales complejas en una suma de sinusoides puras. Al integrar a lo largo de un tiempo infinito, revela el contenido de frecuencia total presente en una grabación.

Sin embargo, este método asume que la señal es estacionaria; si la composición de frecuencias cambia con el tiempo, la salida típica oculta la secuencia temporal. Esta limitación hace que sea imposible distinguir entre un evento corto y ráfagas de uno armónico sostenido, lo cual es vital en campos como la neurociencia.

Qué es la transformada de Fourier de tiempo reducido en el análisis de EEG

La STFT aborda el problema del tiempo con una estrategia bastante directa. En lugar de ejecutar una transformada de Fourier en una grabación de EEG completa a la vez, segmenta la señal en trozos cortos y consecutivos, a menudo llamados ventanas, y aplica la transformada de Fourier por separado a cada uno de ellos. Cada ventana produce su propia captura de frecuencia en miniatura, y al entrelazar estas capturas en secuencia se crea una imagen en movimiento de cómo cambia el contenido de frecuencia a lo largo del tiempo.

El resultado de este proceso se muestra normalmente como un espectrograma, un mapa visual con el tiempo en un eje y la frecuencia en el otro. El color o la intensidad en cualquier punto de este mapa representa la potencia, o fuerza, de esa frecuencia en ese momento. Este es precisamente el valor que el análisis STFT está diseñado para proporcionar.

Como señalan Zabidi y col., el análisis STFT funciona para "revelar los contenidos de frecuencia de las señales de EEG en cada punto temporal".

Por qué la longitud de la ventana es el ajuste más importante en la STFT

Segmentar una señal en ventanas parece sencillo, pero la longitud elegida para cada ventana determina casi todo sobre la calidad y fiabilidad del espectrograma resultante. Esta decisión implica una compensación que no se puede evitar, solo gestionar.

Piénselo de esta manera: una ventana larga actúa como una regla de frecuencia precisa pero como un cronómetro borroso. Al contener más puntos de datos, una ventana larga puede distinguir frecuencias muy próximas con una precisión real. Pero debido a que se extiende a lo largo de un intervalo de tiempo más largo, cualquier evento que ocurra dentro de esa ventana se difumina y se pierde la capacidad de señalar exactamente cuándo cambió algo.

Una ventana corta invierte esta compensación. Actúa como un cronómetro preciso pero como una regla de frecuencia borrosa. Puede decirle casi exactamente cuándo ocurrió algo, pero tiene dificultades para separar frecuencias que están muy juntas, porque un segmento corto de señal simplemente no contiene suficientes ciclos de oscilación para medir la frecuencia con gran detalle.

Esta es una versión de un principio de incertidumbre que rige todo el análisis de tiempo-frecuencia: no se puede lograr una resolución perfecta tanto en tiempo como en frecuencia en el mismo instante. Mejorar uno siempre tiene un costo para el otro. Reconocer esta compensación, en lugar de intentar eliminarla, es la habilidad fundamental al trabajar con STFT.

Debido a que los diferentes ritmos de EEG oscilan a velocidades muy distintas, ninguna longitud de ventana única funciona bien para todos ellos. Las siguientes pautas son heurísticas prácticas iniciales basadas en cómo se comportan habitualmente estos ritmos:

• Ondas delta (aproximadamente de 0.5 a 4 Hz): estos son los ritmos cerebrales más lentos, y una ventana debe ser lo suficientemente larga, a menudo en el rango de 1 a 2 segundos, para capturar al menos un ciclo completo de la onda más lenta que se esté midiendo. Una ventana más corta simplemente no contendrá suficiente onda para caracterizarla.

• Ritmos theta y alfa (aproximadamente de 4 to 13 Hz): una ventana intermedia, a menudo alrededor de 500 milisegundos, suele alcanzar un equilibrio viable. Es lo suficientemente larga como para capturar varios ciclos de oscilación, lo que ayuda a definir el ritmo con claridad, mientras sigue siendo lo suficientemente corta como para rastrear cambios significativos, como el inicio de un brote alfa cuando se cierran los ojos.

• Ritmos beta y gamma (por encima de aproximadamente 13 Hz): estos ritmos más rápidos se mueven velozmente, por lo que se hace necesaria una ventana corta, a menudo de 250 milisegundos o menos, para rastrear su rápida dinámica. El costo aquí es una menor capacidad para discriminar con precisión entre frecuencias muy próximas dentro del rango gamma más alto, una consecuencia directa de la misma compensación descrita anteriormente.

Cómo revela la STFT las diferencias entre el movimiento real y el imaginado

El valor práctico de la STFT se vuelve más evidente en la investigación de interfaz cerebro-computadora (BCI), donde el objetivo es traducir la actividad cerebral directamente en señales de control para un dispositivo.

Un ejemplo muy estudiado consiste en comparar el EEG registrado mientras una persona imagina mover una mano frente al EEG registrado al imaginar un movimiento de pie, o comparar acciones imaginadas frente a la versión física real de esa acción.

In estos paradigmas relacionados con el motor, un objetivo común de análisis es un fenómeno llamado desincronización relacionada con eventos, o ERD por sus siglas en inglés, una caída en la potencia de la señal dentro de los rangos de ritmo mu y beta sobre regiones del cerebro asociadas con el movimiento. Debido a que la ERD es una caída de potencia específica y sincronizada en el tiempo, en lugar de una característica de fondo constante, es exactamente el tipo de evento que un resumen de frecuencia de registro completo borraría y que un espectrograma con resolución temporal puede capturar.

El estudio de investigación de Zabidi y col., que aplica la STFT directamente a esta cuestión, examinó el EEG recopilado durante la escritura real y la imaginada. En primer lugar, la señal se pasó a través de un filtro de paso de banda que restringía el análisis al rango de 8 a 30 Hz, cubriendo los ritmos alfa y beta más relevantes para la actividad motora, antes de calcular la STFT con una ventana de Hamming sintonizada.

El resultado fue un hallazgo directo y específico: "los componentes de frecuencia de las señales de EEG obtenidas al escribir son los mismos que los obtenidos durante la escritura imaginada".

En términos prácticos, el patrón de ritmo eléctrico del cerebro durante una acción imaginada se parecía mucho al patrón durante la acción física real, una correlación que fundamenta gran parte de la lógica detrás de los sistemas BCI que tienen como objetivo detectar el movimiento previsto sin requerir ningún movimiento físico real.

Uso de STFT para crear imágenes para modelos de aprendizaje profundo

Más allá de la inspección visual, los espectrogramas generados por STFT han encontrado una segunda vida como paso de preprocesamiento que alimenta a los sistemas de aprendizaje profundo, y específicamente a las redes neuronales convolucionales (CNN), un tipo de modelo construido originalmente para reconocer patrones en imágenes. Dado que un espectrograma es esencialmente una imagen en color que muestra la potencia a lo largo del tiempo y la frecuencia, los investigadores creen que se puede entregar directamente a un modelo de aprendizaje profundo basado en imágenes, que luego puede detectar estructuras ocultas en los datos que son difíciles de especificar manualmente.

Un estudio de 2019 transformó en imágenes grabaciones de EEG de una tarea de imaginación motora, distinguiendo el movimiento de la mano derecha del pie derecho, utilizando tanto STFT como un enfoque alternativo de tiempo-frecuencia, y luego introdujo ambos conjuntos de imágenes en una arquitectura CNN preentrenada.

El rendimiento en ambos enfoques fue sólido, y el flujo de trabajo general alcanzó una precisión de clasificación del 99.35%, descrita como la mejor puntuación entre los métodos comparables existentes. Sin embargo, cuando se compararon directamente los dos métodos de generación de imágenes dentro de ese mismo estudio, los resultados no fueron iguales: "el enfoque CWT ofrece mejores resultados que el enfoque STFT", señalando una compensación real y medida en la fidelidad con la que cada método traducía la señal de EEG subyacente en una imagen utilizable.

Supuestamente, esta compensación fue el problema motivador detrás de un desarrollo metodológico independiente. Los investigadores construyeron lo que llamaron anchored-STFT, descrita como "una versión avanzada de STFT, ya que minimiza la compensación entre la resolución temporal y espectral que presenta la STFT".

Combinado con un método de aumento de datos adversarial, este flujo de trabajo mejorado reportó precisiones de clasificación que oscilaban entre aproximadamente el 69% y más del 90% en varios conjuntos de datos de BCI, lo que refuerza el patrón de que la STFT simple puede servir como una herramienta de extracción de características genuinamente capaz, pero cuyas limitaciones de resolución conocidas dejan espacio para el perfeccionamiento, ya sea mediante el ajuste de parámetros, una versión mejorada de la técnica misma o un enfoque de tiempo-frecuencia completamente diferente.

Cuando la STFT se queda corta: el problema de la resolución fija

La compensación comentada anteriormente es la limitación central que cualquier investigador que utilice STFT debe sopesar críticamente antes de extraer conclusiones de un espectrograma.

Una vez que se elige una longitud de ventana, por ejemplo, 500 milisegundos, esa misma ventana se aplica de manera uniforme en todo el espectro de frecuencias analizado, ya sea que el investigador esté observando una actividad lenta delta de 2 Hz o una actividad rápida gamma de 100 Hz. La ventana no se ajusta sola. La compensación tiempo-frecuencia descrita anteriormente se bloquea en un único ajuste para todo el análisis, a pesar de que diferentes ritmos se beneficiarían idealmente de diferentes ajustes.

Esta naturaleza fija es precisamente lo que separa a la STFT de una categoría de técnicas adaptativas, como los métodos basados en ondículas (wavelets). En lugar de bloquear un único tamaño de ventana para cada frecuencia, los métodos adaptativos utilizan eficazmente ventanas más largas para frecuencias más bajas y ventanas más cortas para frecuencias más altas, ajustando la resolución según sea necesario dentro de un solo análisis en lugar de comprometerse con una única solución intermedia para toda la señal.

Por ejemplo, un estudio dirigido por Wang y col. que desarrollaba un método adaptativo de tiempo-frecuencia informó que su enfoque "puede proporcionar una resolución óptima de tiempo-frecuencia en comparación con STFT y CWT", nombrando explícitamente a la STFT como la línea de base superada.

En una aplicación clínica independiente para predecir los resultados del tratamiento antidepresivo en el trastorno depresivo mayor a partir de datos de EEG previos al tratamiento, los investigadores compararon un enfoque basado en ondículas directamente con la STFT y otro método de descomposición, y reportaron que "el análisis WT ha mostrado la mayor precisión de clasificación" entre las técnicas comparadas, alcanzando un 87.5% de precisión frente a las alternativas.

Un flujo de trabajo paso a paso para generar y evaluar un espectrograma de EEG

Dadas estas fortalezas y limitaciones, un flujo de trabajo disciplinado ayuda a garantizar que la STFT se aplique adecuadamente y que su resultado se interprete con honestidad.

Paso 1: Defina la pregunta antes de tocar los datos. ¿El objetivo es detectar una ráfaga breve y rápida de gamma o rastrear una deriva lenta en la potencia delta a lo largo de los minutos? La respuesta determina qué extremo de la compensación de longitud de ventana es el más importante.

Paso 2: Seleccione una longitud de ventana inicial que coincida con el ritmo objetivo. Utilice las pautas prácticas anteriores como punto de partida: ventanas más largas para delta, ventanas intermedias para theta y alfa, y ventanas más cortas para beta y gamma. Combine esto con un esquema de ventanas superpuestas, habitualmente entre el 50% y el 90% de superposición entre ventanas consecutivas, lo que suaviza el espectrograma resultante y reduce la aparición de huecos artificiales entre los segmentos temporales.

Paso 3: Genere el espectrograma e inspecciónelo críticamente. ¿La longitud de ventana elegida muestra un inicio claro y nítido para un ritmo rápido de interés, o el evento parece difuminado en un tramo de tiempo más amplio de lo debido? ¿Puede el espectrograma distinguir limpiamente un pico alfa de un pico theta vecino, o ambos ritmos se mezclan entre sí? Estas comprobaciones visuales son una prueba directa y práctica de si la longitud de ventana elegida fue adecuada para los datos.

Paso 4: Trate el resultado como una perspectiva entre varias posibles, no como un veredicto final. Un hallazgo negativo, como la imposibilidad de medir diferencias de gamma entre dos grupos experimentales, podría reflejar una ausencia real de efecto, o simplemente podría reflejar los límites de resolución de la ventana de STFT específica elegida. Un paso siguiente razonable para confirmar un hallazgo ambiguo o importante es volver a analizar los mismos datos utilizando un método adaptativo como sistema de verificación cruzada.

Por qué rastrear cuándo se activan los ritmos cerebrales revela nuevos Insight

La actividad cerebral es una secuencia de eventos cronometrados, y recuperar esa sincronización temporal convierte una grabación plana en un relato en tiempo real de los estados mentales cambiantes. Al pasar de un único resumen de frecuencia a un mapa momento a momento, los investigadores pueden conectar pensamientos, intenciones o sensaciones específicas directamente con los ritmos cerebrales que los acompañan. Este cambio es lo que transforma el EEG de una medición estática a una herramienta capaz de respaldar interfaces cerebro-computadora y alimentar modelos de aprendizaje profundo que aprenden a reconocer patrones mentales.

La compensación de resolución fija del método nos deja una lección más amplia: cada elección analítica resalta algunas verdades mientras que potencialmente difumina otras, por lo que ningún resultado individual cuenta toda la historia. Esto exige una verificación cruzada con otros enfoques cuando los hallazgos son importantes, y refuerza que los patrones eléctricos del cerebro —como la estrecha correspondencia observada entre el movimiento imaginado y el real— albergan múltiples capas. Esa similitud subyacente respalda la idea de que el cerebro ensaya acciones utilizando muchas de las mismas firmas rítmicas que emplea para realizarlas.

Referencias

1. Zabidi, A., Mansor, W., Lee, Y. K., & Fadzal, C. C. W. (2012, Septiembre). Short-time Fourier Transform analysis of EEG signal generated during imagined writing. En 2012 international conference on system engineering and technology (ICSET) (págs. 1-4). IEEE. https://doi.org/10.1109/ICSEngT.2012.6339284

2. Chaudhary, S., Taran, S., Bajaj, V., & Sengur, A. (2019). Convolutional neural network based approach towards motor imagery tasks EEG signals classification. IEEE Sensors Journal, 19(12), 4494-4500. https://doi.org/10.1109/JSEN.2019.2899645

3. Ali, O., Saif-ur-Rehman, M., Dyck, S., Glasmachers, T., Iossifidis, I., & Klaes, C. (2022). Enhancing the decoding accuracy of EEG signals by the introduction of anchored-STFT and adversarial data augmentation method. Scientific reports, 12(1), 4245. https://doi.org/10.1038/s41598-022-07992-w

4. Wang, Y., Veluvolu, K. C., & Lee, M. (2013). Time-frequency analysis of band-limited EEG with BMFLC and Kalman filter for BCI applications. Journal of neuroengineering and rehabilitation, 10, 109. https://doi.org/10.1186/1743-0003-10-109

5. Mumtaz, W., Xia, L., Yasin, M. A. M., Ali, S. S. A., & Malik, A. S. (2017). A wavelet-based technique to predict treatment outcome for Major Depressive Disorder. PloS one, 12(2), e0171409-e0171409. https://doi.org/10.1371/journal.pone.0171409

Preguntas frecuentes

¿Qué es la transformada de Fourier de tiempo reducido en el análisis de EEG?

La transformada de Fourier de tiempo reducido (STFT) segmenta la señal de EEG en bruto en ventanas de tiempo cortas y consecutivas y calcula un espectro de frecuencias para cada una. Apilar estas capturas en orden crea una imagen en movimiento, llamada espectrograma, que muestra cómo cambia la potencia de los diferentes ritmos cerebrales momento a momento.

¿Por qué no puedo usar simplemente una transformada de Fourier normal en un registro de EEG?

Una transformada de Fourier básica descompone la grabación completa en las frecuencias que la componen pero borra toda la información de sincronización, de modo que sabe qué ritmos estaban presentes en general pero no cuándo aparecieron. La STFT recupera esa sincronización al analizar por separado segmentos cortos, lo que permite ver cuándo ocurrió realmente un brote de alfa o una caída en la potencia beta.

¿Qué muestra un espectrograma?

Un espectrograma es un mapa visual con el tiempo en un eje, la frecuencia en el otro, y el color o el brillo representando la potencia de cada frecuencia en ese instante. Convierte el EEG de un resumen plano en algo parecido a una partitura musical de la actividad eléctrica del cerebro.

¿Por qué importa tanto la longitud de la ventana?

Las ventanas más largas ofrecen información de frecuencia precisa pero difuminan el momento exacto de los eventos, mientras que las ventanas más cortas señalan bien el tiempo pero mezclan las frecuencias muy próximas. Esta compensación inevitable significa que la elección de la longitud de la ventana define directamente lo que un espectrograma puede revelar y lo que ocultará.

¿Qué longitudes de ventana son un buen punto de partida para los diferentes ritmos cerebrales?

Para los ritmos delta muy lentos, se necesita una ventana más larga, de uno a dos segundos, para capturar ciclos completos. Los ritmos theta y alfa se benefician a menudo de una ventana de alrededor de medio segundo, y los ritmos beta y gamma más rápidos requieren ventanas más cortas de alrededor de un cuarto de segundo o menos para rastrear sus cambios rápidos.

¿Cómo puede revelar la STFT similitudes entre el movimiento real y el imaginado?

La STFT captura caídas de potencia sincronizadas en el tiempo llamadas desincronización relacionada con eventos en las bandas mu y beta, que ocurren tanto cuando una persona se mueve como cuando imagina mentalmente el mismo movimiento. Los espectrogramas de tareas motoras reales e imaginadas pueden mostrar patrones de frecuencia casi idénticos, lo que respalda la lógica de las interfaces cerebro-computadora.

¿Se puede utilizar la STFT con modelos de aprendizaje profundo?

Sí, las imágenes de espectrogramas generadas por STFT se pueden introducir directamente en redes neuronales convolucionales diseñadas para el reconocimiento de imágenes. Estos modelos pueden aprender a distinguir los estados cerebrales a partir de los patrones de tiempo-frecuencia, logrando a menudo una precisión de clasificación muy alta en tareas como la detección de imaginación motora.

¿Cuál es la principal limitación de la STFT en comparación con otros métodos de tiempo-frecuencia?

La STFT fija un único tamaño de ventana para todas las frecuencias, lo que significa que no puede proporcionar al mismo tiempo un detalle temporal nítido para ráfagas rápidas y un detalle de frecuencia fino para ondas lentas. Las técnicas adaptativas, como las ondículas, varían la longitud de ventana efectiva con la frecuencia, lo que a menudo conduce a una mejor resolución y a un mayor rendimiento de clasificación en comparaciones directas.

¿Cuál es un buen enfoque paso a paso al usar STFT en datos de EEG?

Comience por hacer coincidir una longitud de ventana inicial con el ritmo que le interesa, use ventanas superpuestas para suavizar el espectrograma e inspeccione el resultado para ver si los eventos se muestran con una sincronización nítida o difuminada. Si el hallazgo es crítico, considere la posibilidad de verificar de forma cruzada los datos con un método adaptativo, ya que un único ajuste de STFT puede favorecer solo a un tipo de resolución.