Una Transformada de Fourier básica, la herramienta matemática clásica para descomponer una señal en sus frecuencias componentes, puede decirle qué ritmos cerebrales estuvieron presentes en algún lugar de todo un registro. Lo que no puede decirle es cuándo ocurrieron. Una breve ráfaga de actividad alfa que aparece en el instante en que alguien cierra los ojos es un evento significativo y sincronizado en el tiempo.
Promediada en un único resumen de frecuencias que abarca un registro de diez minutos, esa ráfaga se convierte en una estadística, indistinguible del ruido de fondo. Recuperar el momento en que ocurren estos eventos es el punto de partida para cualquier investigación seria de EEG, y es el problema exacto que la Transformada de Fourier de Tiempo Corto (STFT) fue diseñada para resolver.
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 total de frecuencias presente en un registro.
Sin embargo, este método asume que la señal es estacionaria; si la composición de frecuencias cambia con el tiempo, la salida habitual oscurece la secuencia temporal. Esta limitación hace que sea imposible distinguir entre un evento breve y repentino y un 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 aplicar una transformada de Fourier a un registro completo de EEG a la vez, divide la señal en segmentos cortos y consecutivos, a menudo llamados ventanas, y aplica la transformada de Fourier por separado a cada uno. Cada ventana produce su propia instantánea de frecuencia en miniatura, y unir estas instantáneas en secuencia crea una imagen en movimiento de cómo cambia el contenido de frecuencia a lo largo del tiempo.
La salida de este proceso suele mostrarse 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 determinado 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 afirman Zabidi et al., el análisis STFT sirve para «revelar el contenido 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
Dividir una señal en ventanas parece sencillo, pero la longitud elegida para cada ventana determina casi todo sobre la calidad y la fidelidad del espectrograma resultante. Esta decisión implica un compromiso 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. Debido a que contiene más puntos de datos, una ventana larga puede distinguir frecuencias muy próximas con verdadera precisión. Pero como se extiende a lo largo de un período de tiempo más largo, cualquier evento que ocurra dentro de esa ventana se difumina y se pierde la capacidad de señalar con exactitud cuándo cambió algo.
Una ventana corta invierte este compromiso. Actúa como un cronómetro preciso pero como una regla de frecuencia borrosa. Puede indicarle casi exactamente cuándo ocurrió algo, pero tiene dificultades para separar frecuencias que están muy juntas, porque un fragmento corto de señal simplemente no contiene suficientes ciclos de oscilación para medir la frecuencia con gran detalle.
Esta es una versión del 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 momento. Mejorar una siempre tiene un costo para la otra. Reconocer este compromiso, en lugar de intentar superarlo, es la habilidad fundamental al trabajar con la STFT.
Dado que los diferentes ritmos del 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 una porción suficiente de la onda para caracterizarla.
Ritmos theta y alfa (aproximadamente de 4 a 13 Hz): una ventana intermedia, a menudo de unos 500 milisegundos, suele lograr un equilibrio viable. Es lo suficientemente larga para capturar varios ciclos de oscilación, lo que ayuda a definir el ritmo con claridad, sin dejar de ser lo suficientemente corta para registrar cambios significativos, como el inicio de una ráfaga 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 una ventana corta, a menudo de 250 milisegundos o menos, se vuelve necesaria para seguir 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 del mismo compromiso descrito 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 interfaces cerebro-computadora (BCI), donde el objetivo es traducir la actividad cerebral directamente en señales de control para un dispositivo.
Un ejemplo bien estudiado implica comparar el EEG registrado mientras una persona imagina mover una mano con el EEG registrado mientras imagina el movimiento de un pie, o comparar acciones imaginadas con la versión física real de esa acción.
En estos paradigmas motores, un objetivo de análisis habitual es un fenómeno denominado desincronización relacionada con eventos, o ERD, 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 frecuencias de todo el registro borraría y que un espectrograma con resolución temporal puede capturar.
El estudio de investigación de Zabidi et al., que aplicó la STFT directamente a esta cuestión, examinó el EEG recopilado durante la escritura manual real y durante la escritura imaginada. La señal se pasó primero 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 ajustada.
El resultado fue un hallazgo directo y específico: «los componentes de frecuencia de las señales de EEG obtenidas de la escritura son los mismos que los obtenidos durante la escritura imaginada».
En términos prácticos, el patrón del ritmo eléctrico del cerebro durante una acción imaginada se parecía mucho al patrón durante la acción física real, una correlación que subyace en gran parte de la lógica detrás de los sistemas BCI que buscan 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 para sistemas de aprendizaje profundo, y en concreto para redes neuronales convolucionales (CNN), un tipo de modelo diseñado originalmente para reconocer patrones en imágenes. Dado que un espectrograma es esencialmente una imagen en color que muestra la potencia en el tiempo y la frecuencia, los investigadores consideran que se puede suministrar 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 registros de EEG de una tarea de imaginación motora, distinguiendo el movimiento de la mano derecha del movimiento del pie derecho, en imágenes utilizando tanto la STFT como un enfoque alternativo de tiempo-frecuencia, y luego alimentó ambos conjuntos de imágenes en una arquitectura CNN preentrenada.
El rendimiento en ambos enfoques fue sólido, y el proceso global alcanzó una precisión de clasificación del 99.35%, descrita como la mejor puntuación entre los métodos comparables existentes. Sin embargo, cuando los dos métodos de generación de imágenes se compararon directamente entre sí dentro de ese mismo estudio, los resultados no fueron iguales: «el enfoque CWT arroja mejores resultados que el enfoque STFT», lo que señala un compromiso real y medido en la fidelidad con la que cada método tradujo la señal de EEG subyacente en una imagen utilizable.
Según se informó, este compromiso fue el problema motivador detrás de un desarrollo metodológico independiente. Los investigadores crearon lo que llamaron anchored-STFT, descrita como «una versión avanzada de STFT, ya que minimiza el compromiso entre la resolución temporal y espectral presentado por 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 conocidas de resolución dejan margen para mejoras, ya sea mediante el ajuste de parámetros, una versión mejorada de la técnica en sí o un enfoque de tiempo-frecuencia completamente diferente.
Cómo la investigación aplica la transformada de Fourier de tiempo reducido a la clasificación de imágenes motoras
Un estudio reciente lleva la transformada de Fourier de tiempo reducido más allá de la etapa de visualización y la introduce en un proceso de clasificación funcional. Al igual que en el trabajo anterior descrito más arriba, el punto de partida es una tarea de imaginación motora, en la que una persona imagina mover una mano en lugar de moverla físicamente.
Los autores describen un marco de trabajo que denominan AMD-KT2D, basado en lo que llaman una transformada de Fourier de tiempo reducido optimizada. En lugar de limitarse a una configuración única de ventana fija, esta variante ajusta conjuntamente la función de ventanado y la resolución de tiempo-frecuencia, con el objetivo declarado de preservar las características temporales y espaciales dinámicas que una configuración fija podría difuminar o perder.
Las imágenes bidimensionales de tiempo-frecuencia resultantes se transfieren luego a una arquitectura de guía-aprendiz: una ResNet50 mejorada, preentrenada en un conjunto de datos a gran escala, extrae características espacio-temporales de alto nivel, mientras que una red neuronal convolucional 2D personalizada captura características a múltiples escalas. Se utiliza una función de pérdida Adaptive Margin Disparity Discrepancy para reducir la disparidad entre ambas y alinear sus características.
Los registros de EEG para la tarea de imaginación motora de la mano izquierda frente a la derecha se recopilaron con el sistema Emotiv Flex. En ese conjunto de datos, el clasificador híbrido de imágenes motoras habría alcanzado una precisión del 96.75% en un entorno dependiente del sujeto y del 92.17% en uno independiente del sujeto. Vale la pena señalar la brecha entre esas dos cifras: el rendimiento medido en el mismo individuo no se traslada automáticamente a una persona con la que el modelo no ha sido entrenado.
En conjunto con los otros trabajos analizados en este artículo, el estudio apunta a que los espectrogramas generados por la transformada de Fourier de tiempo reducido son una entrada viable para los modelos de aprendizaje profundo dirigidos a la decodificación de la imaginación motora. Lo que ese cuerpo de investigación aún no establece es la generalización. Se trata de un único estudio, en un solo conjunto de datos, con cifras de precisión vinculadas a una sola tarea y a un grupo de participantes, y el método según lo informado se basa en una versión ajustada de la transformada en lugar de la forma estándar.
Estos resultados deben interpretarse como prometedores dentro de su propio entorno, no como un rendimiento consolidado para las interfaces basadas en EEG en un sentido más amplio.
Cuando la STFT se queda corta: el problema de la resolución fija
El compromiso analizado anteriormente es la limitación central que cualquier investigador que utilice la STFT debe evaluar críticamente antes de extraer conclusiones de un espectrograma.
Una vez elegida una longitud de ventana, por ejemplo 500 milisegundos, esa misma ventana se aplica de manera uniforme en todo el espectro de frecuencia analizado, ya sea que el investigador esté observando una actividad delta lenta de 2 Hz o una actividad gamma rápida de 100 Hz. La ventana no se ajusta por sí sola. El compromiso de tiempo-frecuencia descrito anteriormente queda fijado en un único ajuste para todo el análisis, a pesar de que diferentes ritmos se beneficiarían idealmente de configuraciones distintas.
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 fijar un tamaño de ventana para cada frecuencia, los métodos adaptativos utilizan de manera eficaz ventanas más largas para frecuencias más bajas y ventanas más cortas para frecuencias más altas, ajustando la resolución según sea necesario dentro de un único análisis en vez de asumir un único compromiso para toda la señal.
Por ejemplo, un estudio dirigido por Wang et al. que desarrolló 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 otra aplicación clínica que predecía 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, e informaron que «el análisis WT ha mostrado la mayor precisión de clasificación» entre las técnicas comparadas, alcanzando una precisión del 87.5% frente a las alternativas.
Un flujo de trabajo paso a paso para generar y evaluar un espectrograma de EEG
Dadas estas ventajas y limitaciones, un flujo de trabajo disciplinado ayuda a garantizar que la STFT se aplique adecuadamente y que sus resultados se interpreten con rigor.
Paso 1: Defina la pregunta antes de tocar los datos. ¿El objetivo es detectar una ráfaga gamma rápida y breve, o registrar una variación lenta en la potencia delta a lo largo de minutos? La respuesta determina qué extremo del compromiso de longitud de ventana es el más relevante.
Paso 2: Seleccione una longitud de ventana inicial adaptada al ritmo objetivo. Utilice las pautas prácticas anteriores como punto de partida: ventanas más largas para delta, ventanas intermedias para theta y alfa, ventanas más cortas para beta y gamma. Combine esto con un esquema de ventanas superpuestas, habitualmente entre un 50% y un 90% de solapamiento entre ventanas consecutivas, lo que suaviza el espectrograma resultante y reduce la aparición de huecos artificiales entre los fragmentos 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 a lo largo de un período 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 apropiada para los datos.
Paso 4: Trate el resultado como una perspectiva entre varias posibles, no como un veredicto final. Un hallazgo negativo, como la ausencia de una diferencia gamma medible entre dos grupos experimentales, podría reflejar una ausencia real de efecto, o simplemente 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 a modo de verificación cruzada.
Por qué rastrear el momento en que se activan los ritmos cerebrales aporta nuevos conocimientos
La actividad cerebral es una secuencia de eventos cronometrados, y recuperar esa sincronización temporal convierte un registro plano en un relato en tiempo real de los estados mentales cambiantes. Al pasar de un resumen de frecuencia único a un mapa momento a momento, los investigadores pueden conectar pensamientos, intenciones o sensaciones específicos 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.
El compromiso de resolución fija del método deja una lección más amplia: cada elección analítica resalta ciertas 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 la idea de que los patrones eléctricos del cerebro —como la estrecha coincidencia observada entre el movimiento imaginado y el real— presentan múltiples capas. Esa similitud subyacente respalda la idea de que el cerebro ensaya las acciones utilizando muchas de las mismas firmas rítmicas que emplea para ejecutarlas.
Referencias
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
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
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
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
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) divide la señal de EEG en bruto en ventanas de tiempo cortas y consecutivas, y calcula un espectro de frecuencia para cada una. Apilar estas instantáneas en orden crea una imagen en movimiento, llamada espectrograma, que muestra cómo cambia la potencia de los diferentes ritmos cerebrales de un momento a otro.
¿Por qué no puedo simplemente usar una transformada de Fourier normal en un registro de EEG?
Una transformada de Fourier básica descompone todo el registro en sus frecuencias componentes pero borra toda la información temporal, de modo que usted sabe qué ritmos estaban presentes en general pero no cuándo aparecieron. La STFT recupera esa información temporal analizando segmentos cortos por separado, lo que le permite ver cuándo se produjo realmente una ráfaga 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 precisa sobre la frecuencia pero vuelven borrosa la sincronización exacta de los eventos, mientras que las ventanas más cortas identifican bien el momento exacto pero emborronan las frecuencias muy próximas entre sí. Este compromiso inevitable significa que la elección de la longitud de la ventana determina 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 alrededor de uno a dos segundos para capturar ciclos completos. Los ritmos theta y alfa suelen responder bien a 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 seguir sus cambios rápidos.
¿Cómo puede la STFT revelar similitudes entre el movimiento real y el imaginado?
La STFT captura caídas de potencia sincronizadas en el tiempo denominadas 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 la STFT pueden suministrarse directamente a redes neuronales convolucionales diseñadas para el reconocimiento de imágenes. Estos modelos pueden aprender a distinguir estados cerebrales a partir de patrones de tiempo-frecuencia, alcanzando a menudo una precisión de clasificación muy alta en tareas como la detección de imágenes motoras.
¿Cuál es la principal limitación de la STFT en comparación con otros métodos de tiempo-frecuencia?
La STFT fija un tamaño de ventana único 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 efectiva de la ventana 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 la STFT en datos de EEG?
Comience ajustando una longitud de ventana inicial al ritmo que le interese, use ventanas superpuestas para suavizar el espectrograma e inspeccione el resultado para ver si los eventos se aprecian con una sincronización nítida o difusa. Si el hallazgo es fundamental, considere contrastar los datos con un método adaptativo, ya que una configuración única de STFT puede favorecer solo un tipo de resolución.
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




