Un electroencefalograma captura la actividad eléctrica generada por las neuronas a través de electrodos colocados en el cuero cabelludo. Pero la señal que realmente llega a esos electrodos rara vez es limpia.
Debajo de todo ese ruido, la señal neural real que les importa a los investigadores suele ser pequeña y se entierra fácilmente. El procesamiento de señales es la disciplina científica esencial que permite la traducción de datos físicos en formatos interpretables para el análisis y la tecnología modernos.
¿Qué es el procesamiento de señales?
La disciplina del procesamiento de señales abarca la transformación, el análisis y la interpretación de eventos físicos como datos medibles. Al aplicar marcos matemáticos para capturar secuencias de datos, los investigadores pueden filtrar de manera efectiva la interferencia ambiental y enfocarse en los parámetros de interés primario.
Esta metodología es fundamental para la investigación científica moderna en diversos campos, incluido el estudio de funciones biológicas humanas complejas.
Cómo definir el procesamiento de señales digitales
El procesamiento de señales digitales representa la aplicación de cálculos en tiempo discreto a señales que han sido convertidas de sus estados analógicos originales.
Este refinamiento ocurre mediante el uso de algoritmos y procesadores específicos diseñados para gestionar las cargas computacionales de manera eficiente. Los científicos utilizan este enfoque para aislar señales biológicas, lo cual es vital para campos que involucran la neurociencia, donde la integridad de los datos es primordial para la precisión de la investigación.
El objetivo principal del procesamiento de señales
En la cima de su utilidad, el procesamiento de señales se esfuerza por extraer la máxima cantidad de información significativa de los datos medidos, al tiempo que minimiza el impacto del ruido. Al optimizar las relaciones señal-ruido, los investigadores recuperan puntos de datos confiables que de otro modo quedarían ocultos.
Este objetivo impulsa el desarrollo de sofisticadas herramientas de diagnóstico utilizadas en la práctica del EEG moderno.
Tipos de procesamiento de señales
El procesamiento de señales se categoriza ampliamente según la naturaleza de la señal de entrada y la metodología aplicada para su manipulación. El mundo físico existe en un estado continuo, mientras que los dispositivos electrónicos frecuentemente dependen de bloques cuantificados de datos para realizar operaciones.
Distinguir entre estas categorías es fundamental para seleccionar la lente matemática adecuada para cualquier configuración experimental dada.
Procesamiento de señales analógicas frente a digitales
Los sistemas analógicos manipulan formas de onda eléctricas continuas directamente a través de componentes de circuitos, manteniendo un alto grado de fidelidad sin la sobrecarga de la cuantificación. Si bien los sistemas analógicos ofrecen respuestas instantáneas, carecen de la flexibilidad y la programabilidad características de las arquitecturas digitales.
A medida que los protocolos estándar del sistema 10-20 han evolucionado, el procesamiento digital se ha convertido en la norma principal para mantener datos comparables en diversos entornos de investigación.
¿Qué es el procesamiento de señales digitales? Sistemas lineales frente a no lineales
El procesamiento de señales digitales emplea algoritmos para refinar los datos en formatos adecuados para el modelado computacional, ofreciendo un entorno controlado para el ajuste de señales.
Comprender si un sistema se comporta de manera lineal es fundamental para predecir cómo responderá la salida a diversas entradas, ya que el principio de superposición solo se cumple para operaciones lineales. Los sistemas no lineales, por el contrario, introducen transformaciones complejas que pueden captar dinámicas sutiles que a menudo son ignoradas por modelos más simples.
Tipo de sistema | Relación entrada-salida | Característica principal |
|---|---|---|
Lineal | Proporcionalidad constante | Se aplica el principio de superposición |
No lineal | Dinámica variable | Generación de armónicos de orden superior |
Invariante en el tiempo | Respuesta estructural fija | Estabilidad temporal de los parámetros |
Al caracterizar estos comportamientos, los técnicos se aseguran de que el modelo matemático refleje con precisión la dinámica real de la señal de entrada antes de aplicar filtros de diagnóstico.
Conceptos y técnicas clave en el procesamiento de señales
El dominio técnico en este campo requiere una comprensión profunda de la preparación de datos y la traducción matemática. Cada paso en la cadena de procesamiento degrada o mejora intencionadamente componentes específicos de la señal para preparar el resultado final para la interpretación humana o para algoritmos de aprendizaje automático.
Muestreo y cuantificación
El muestreo implica la captura de puntos de datos a intervalos específicos, formando la base para la representación discreta. La cuantificación sigue a este paso, mapeando esos puntos de tiempo discretos a valores numéricos específicos que representan la amplitud de la señal.
Si estos pasos no se calibran con precisión, puede producirse solapamiento (aliasing), lo que genera distorsiones significativas en las formas de onda analizadas.
Filtrado
El filtrado cumple la función crítica de eliminar componentes de frecuencia no deseados que no pertenecen a la señal prevista. Dependiendo de los requisitos de paso de banda, los filtros pueden eliminar de forma quirúrgica el ruido muscular de alta frecuencia o la deriva de baja frecuencia.
Este proceso esencialmente aísla la actividad neural de interés de la interferencia de fondo ambiental más amplia, lo que resulta en un trazo visual más limpio.
Transformaciones (p. ej., transformada de Fourier)
Las transformaciones trasladan los datos entre diferentes dominios para revelar estructuras periódicas ocultas dentro del ruido temporal. Los métodos comunes empleados en este proceso incluyen:
Transformadas de Fourier para descomponer las señales en sus componentes de frecuencia constituyentes.
Análisis de ondículas (wavelets) para localizar eventos transitorios tanto en tiempo como en frecuencia simultáneamente.
Transformadas de Hilbert para determinar la envolvente y la frecuencia instantáneas de señales complejas.
Transformadas Z para estudiar sistemas de tiempo discreto y estabilidad.
Estos mapas matemáticos permiten a los ingenieros visualizar datos desde perspectivas que identifican patologías o patrones específicos que permanecen completamente invisibles en la representación estándar en el dominio del tiempo.
¿Qué es una tubería de preprocesamiento de EEG?
Una tubería de preprocesamiento es simplemente una secuencia estandarizada de operaciones que se aplican a los datos brutos continuos de EEG antes de que comience cualquier análisis. Aunque el orden exacto y los métodos específicos varían entre laboratorios y paquetes de software, la mayoría de las tuberías comparten una estructura común:
Filtrar las frecuencias no deseadas
Volver a referenciar la señal a una línea base eléctrica neutra
Identificar y manejar artefactos
Dividir el registro continuo en segmentos cortos vinculados a eventos específicos, un proceso llamado fragmentación (epoching)
El orden importa menos que el hecho de que cada decisión en esta cadena puede alterar el resultado final. Un estudio comparativo de 2020 dirigido por Robbins y cols. encontró que incluso los estudios que afirmaban seguir las pautas de mejores prácticas establecidas mostraban una variación considerable en cómo se implementaban realmente esas pautas en el código.
Del mismo modo, un estudio de 2021 de Bertazzoli y cols. demostró que en la investigación de estimulación magnética transcraneal combinada con EEG (TMS-EEG), la elección de la tubería de preprocesamiento tenía un efecto marcado en las formas de onda de la respuesta cerebral resultante, e incluso cambiaba la confiabilidad de esos resultados cuando se evaluaba a los mismos sujetos por segunda vez.
Filtrado: cómo aislar las señales cerebrales reales
El EEG brutos contiene dos categorías amplias de contenido de frecuencia no deseado.
En el extremo lento, las derivas de voltaje se introducen en la señal debido a la acumulación de sudor debajo de un electrodo o a que el propio electrodo se desplaza ligeramente sobre el cuero cabelludo. En el extremo rápido, la tensión muscular y la interferencia eléctrica de los equipos cercanos introducen ruido de alta frecuencia que no tiene nada que ver con el disparo de las neuronas.
El filtrado funciona eliminando estos rangos de frecuencia, conservando únicamente la banda donde las señales genuinas generadas por el cerebro son más fuertes.
El paso más básico y ampliamente aplicado es el filtrado de paso alto, que elimina las derivas lentas por debajo de aproximadamente 0.5 a 1 Hz. Según el tipo de análisis, los investigadores también pueden aplicar un filtro de paso bajo o combinar ambos en un filtro de paso de banda, restringiendo comúnmente los datos al rango de 1 a 40 Hz cuando estudian potenciales relacionados con eventos (ERP), las respuestas de voltaje características del cerebro a estímulos específicos.
Lo que hace que el filtrado sea particularmente notable es lo constante que resulta su ayuda. En 2023, Arnoud Delorme probó una amplia gama de correcciones automatizadas de preprocesamiento y descubrió que la mayoría no tenían un efecto medible o disminuían activamente la calidad de los datos. El filtrado de paso alto fue uno de los dos únicos pasos que mejoraron de manera confiable los resultados en general.
Investigadores de Harvard tratan de manera similar el filtrado como un componente fundamental y no negociable de su tubería HAPPE para datos de desarrollo con un alto nivel de artefactos. El filtrado, en resumen, es casi un valor predeterminado seguro. No se puede decir lo mismo de cada paso que sigue.
Re-referenciación: establecimiento del punto cero eléctrico
El EEG nunca mide un voltaje absoluto. Mide la diferencia entre dos puntos: un electrodo activo y un punto de referencia.
Los registros brutos se almacenan típicamente en relación con el electrodo de referencia que se utilizó físicamente durante la recopilación, a menudo un único sitio como el hueso mastoides detrás de la oreja o el electrodo Cz en la parte superior de la cabeza, posiciones definidas por el Sistema 10-20 utilizado para estandarizar la colocación de electrodos. Ese punto de referencia original es un tanto arbitrario, por lo que la re-referenciación recalcula matemáticamente el voltaje de cada canal en relación con un nuevo punto, teóricamente más neutro, como el promedio de todos los electrodos o la señal combinada de ambos mastoides.
La importancia de la re-referenciación radica en la conducción de volumen, que hace que la actividad eléctrica del cerebro se difunda a través del tejido y el fluido circundantes, asegurando que un solo evento neural se registre en casi todos los electrodos del cuero cabelludo. Debido a esta propagación, cambiar el punto de referencia puede cambiar la forma aparente, la amplitud e incluso la significación estadística de la actividad registrada, a pesar de que nada de la actividad cerebral subyacente haya cambiado.
Este es un concepto central bajo el que se diseñan los montajes de EEG, incluidos enfoques como la Referencia Promedio Común o un Montaje Referencial, cada uno de los cuales enmarca la misma señal cerebral subyacente de manera diferente.
Detección e interpolación de canales defectuosos
En cualquier registro de múltiples electrodos, es inevitable que un puñado de canales produzca una señal deficiente. Un canal puede quedar plano debido a una conexión suelta o puede volverse excesivamente ruidoso por un mal contacto con el cuero cabelludo. Si no se corrigen, estos canales defectuosos pueden distorsionar los análisis que dependen de la comparación de patrones de señales en todo el cuero cabelludo.
La solución estándar consiste en identificar estos canales problemáticos, eliminarlos temporalmente del conjunto de datos y luego reconstruir sus datos faltantes mediante interpolación, estimando esencialmente lo que ese electrodo probablemente habría registrado basándose en la actividad de sus vecinos sanos. Esto restaura un mapa completo del cuero cabelludo para los pasos de análisis posteriores sin permitir que el canal contaminado sesgue los resultados.
Este es el segundo paso que el investigador Arnaud Delorme identificó como consistentemente beneficioso. Junto con el filtrado de paso alto, la interpolación de canales defectuosos fue una de las pocas correcciones probadas que no disminuyó la calidad de los datos.
Combinado con el filtrado, formó la única configuración de tubería en ese estudio que superó al simple filtrado por sí solo. Entre las muchas correcciones automatizadas evaluadas, esta combinación destaca como un procedimiento comparativamente seguro y útil.
El problema de los artefactos en el EEG brutos
Más allá de los problemas a nivel de electrodo, los registros de EEG están contaminados por artefactos biológicos generados por el propio cuerpo del participante:
Los parpadeos generan grandes deflexiones en los electrodos frontales
Los movimientos oculares crean cambios de voltaje en forma de escalón
La actividad muscular de la mandíbula y la frente introduce ruido de alta frecuencia
Los movimientos bruscos provocan desviaciones de voltaje abruptas en múltiples canales
La respuesta tradicional a los segmentos contaminados ha sido simplemente desecharlos, rechazando cualquier ensayo o ventana de tiempo donde aparezca un artefacto. Esto funciona razonablemente bien cuando el participante permanece quieto y los artefactos son raros. Se vuelve mucho menos viable en poblaciones donde los artefactos son la norma y no la excepción.
El protocolo HAPPE enfatiza que a medida que los estudios de EEG avanzan hacia matrices de electrodos de mayor densidad y registros más largos, inspeccionar y rechazar manualmente los segmentos defectuosos a mano se vuelve insostenible, y las decisiones basadas en el criterio manual introducen su propia subjetividad.
Leach y cols. añaden una ilustración concreta de lo que está en juego: los registros de EEG pediátrico pierden habitualmente grandes cantidades de datos utilizables simplemente porque los artefactos de movimiento y parpadeo son muy frecuentes en los niños pequeños. Cuando los datos son tan valiosos, desechar un ensayo entero debido a un solo parpadeo es una solución costosa.
Análisis de componentes independientes (ICA) para la eliminación de artefactos
El Análisis de Componentes Independientes, o ICA, ofrece una alternativa más quirúrgica al rechazo total.
Conceptualmente, el ICA es una técnica de separación ciega de fuentes. Toma la señal mixta registrada en cada electrodo del cuero cabelludo y la desglosa matemáticamente en un conjunto de componentes estadísticamente independientes.
Algunos de estos componentes corresponden a patrones de artefactos reconocibles, como la firma de un parpadeo o la tensión muscular. Otros corresponden a patrones de actividad cerebral. Una vez identificados los componentes relacionados con artefactos, estos pueden eliminarse y proyectar los componentes limpios restantes de vuelta a los datos del canal, idealmente preservando las señales cerebrales auténticas al tiempo que se desecha la contaminación.
El obstáculo es que inspeccionar manualmente cada componente para decidir si refleja un parpadeo o una parte de la corteza cerebral es lento e inherentemente subjetivo. Esto dio origen a clasificadores automatizados como ADJUST, ICLabel y MARA, diseñados para tomar esa decisión de manera algorítmica y consistente.
La evidencia sobre qué tan bien funciona esto es mixta en lugar de uniformemente positiva.
Arnaud Delorme descubrió que el rechazo automatizado de componentes oculares y musculares basado en ICA no lograba aumentar de manera confiable el porcentaje de canales estadísticamente significativos en los datos de ERP, lo que significa que no proporcionó una mejora clara y constante.
Robbins y cols. compararon dos enfoques basados en ICA, LARG y MARA, a lo largo de 17 estudios y descubrieron que, aunque la estructura general de los resultados parecía similar, seguían surgiendo diferencias significativas, particularmente en las características espectrales de baja frecuencia y en la cantidad de residuos relacionados con el parpadeo que quedaban en los datos limpios.
Por el lado más alentador, el equipo de Leach demostró que una versión modificada del algoritmo ADJUST, ajustada específicamente para registros pediátricos con redes geodésicas, mejoró la precisión de la clasificación y retuvo más ensayos utilizables en comparación con el algoritmo ADJUST original o sin corrección de ICA en absoluto, y en algunas medidas superó a ICLabel específicamente para datos pediátricos.
En conjunto, el ICA puede ser una herramienta realmente útil para aislar y eliminar artefactos, pero su rendimiento no está garantizado. Depende en gran medida de cómo esté sintonizado el algoritmo de clasificación y de la población que se esté estudiando.
Reconstrucción de subespacio de artefactos (ASR) como alternativa
La Reconstrucción de Subespacio de Artefactos, o ASR, toma un camino completamente diferente. En lugar de descomponer la señal en componentes independientes, la ASR funciona comparando los datos entrantes con estadísticas extraídas de un período de referencia limpio, marcando y reconstruyendo automáticamente las partes de la señal que se desvían demasiado de esa línea base limpia.
El equipo de Robbins comparó directamente dos variaciones de ASR frente a tuberías basadas en ICA en el mismo conjunto de 17 estudios. La conclusión general se hizo eco de la comparación de ICA: las estructuras generales de los resultados parecían similares entre los métodos, pero seguían apareciendo diferencias significativas, concentradas nuevamente en las características espectrales de baja frecuencia.
Por lo tanto, la ASR es una alternativa legítima al ICA en lugar de un reemplazo estrictamente superior, y el mismo principio se aplica aquí que en cualquier otra parte de esta tubería: el método específico elegido da forma al resultado específico obtenido.
¿Debería rechazar los segmentos de EEG defectuosos?
Debe evitar rechazar segmentos enteros, ya que la evidencia indica que la pérdida resultante de poder estadístico a menudo supera los beneficios de la eliminación de ruido.
La aplicación de umbrales simples es una herramienta tosca que descarta de forma desproporcionada datos utilizables; por lo tanto, los expertos prefieren métodos más quirúrgicos como la interpolación y la corrección basada en componentes.
Fragmentación (Epoching): enfoque en los eventos de interés
La mayoría de los análisis de EEG, ya sea que midan ERP o patrones de tiempo-frecuencia, se anclan a momentos específicos en el tiempo: la presentación de un estímulo o la respuesta de un participante a este. La fragmentación es el paso que corta el registro largo y continuo en ventanas cortas de igual longitud que rodean a cada uno de estos eventos, incluyendo típicamente un breve período antes del evento en sí, conocido como línea base.
Ese período de línea base previo al evento juega un papel corrector, ayudando a explicar los cambios lentos de voltaje que de otro modo podrían confundirse con una respuesta genuina al estímulo. Pero este paso de corrección no está exento de la misma precaución que se aplica a la re-referenciación.
El estudio mencionado anteriormente de Arnoud Delorme descubrió que los métodos avanzados de eliminación de la línea base disminuían significativamente el rendimiento en términos de significación de los ERP. El enfoque más seguro, basado en esta evidencia, es una corrección de línea base más simple, que típicamente consiste en restar el voltaje promedio medido durante la ventana previa al estímulo, en lugar de recurrir a esquemas de corrección más elaborados.
Por qué la elección de la tubería altera sus resultados
Al colocarlos frente a frente, los estudios comparativos revisados aquí dejan un punto inequívocamente claro: las tuberías de preprocesamiento no son intercambiables, incluso cuando se extraen del mismo conjunto general de herramientas y métodos.
Por ejemplo, el estudio de Delorme descubrió que de todas las variaciones de tuberías probadas en las principales plataformas de software de EEG (EEGLAB, FieldTrip, MNE y Brainstorm), solo una configuración, que combinaba el filtrado de paso alto con la interpolación de canales defectuosos, superó significativamente al simple filtrado de paso alto por sí solo. Muchos otros pasos de uso común redujeron activamente la calidad de los datos en lugar de mejorarla.
Mientras tanto, el equipo de Bertazzoli descubrió que en la investigación de TMS-EEG específicamente, la amplitud de la forma de onda y la potencia del campo medio global variaban considerablemente a través de cuatro tuberías diferentes aplicadas al mismo conjunto de datos. Los patrones topográficos se correlacionaron fuertemente entre las tuberías solo a latencias superiores a 100 milisegundos después del estímulo; a latencias más tempranas, los valores de correlación variaron ampliamente, de 0.2 a 0.9, dependiendo de qué tubería se utilizara. La propia confiabilidad de test-retest dependía del enfoque de preprocesamiento elegido.
Por último, el estudio de Harvard demostró un patrón más alentador para un caso específico: las tuberías automatizadas construidas para datos de desarrollo con alto contenido de artefactos, como HAPPE, superaron a siete enfoques de procesamiento alternativos ampliamente utilizados, eliminando más contenido de artefactos y, simultáneamente, preservando cantidades iguales o mayores de señal de EEG genuina en casi todas las comparaciones.
El hilo conductor de estos estudios es que ninguna configuración de tubería única es universalmente óptima para todos los conjuntos de datos, poblaciones o preguntas de investigación. Comprender el razonamiento detrás de cada etapa, en lugar de memorizar una receta fija, es lo que permite a un investigador tomar decisiones deliberadas y defendibles, y reconocer cuándo una tubería determinada podría no ser adecuada para sus datos específicos.
Por qué las decisiones de preprocesamiento dan forma a lo que se ve en los datos de EEG
Los registros cerebrales brutos llegan plagados de parpadeos, ruido muscular y zumbidos eléctricos que pueden enterrar fácilmente las señales más sutiles que los investigadores desean estudiar. Limpiar estos datos no es un paso de limpieza neutro: el camino exacto que se siga, desde el filtrado hasta la corrección de artefactos, puede cambiar de manera significativa la imagen final de la actividad cerebral. La evidencia demuestra que solo un puñado de acciones, como el filtrado de paso alto y la corrección de canales defectuosos, revelan de manera confiable patrones neurales más claros, mientras que muchos pasos comunes pueden debilitar inesperadamente los resultados deseados.
Por lo tanto, observar los efectos de cada opción de preprocesamiento es mucho más eficaz que seguir una receta única para todos. Dado que diferentes métodos razonables pueden dirigir los estudios en diferentes direcciones, informar abiertamente sobre el proceso se vuelve tan importante como los propios datos.
Ajustar el enfoque para que coincida con el grupo específico con el que se está trabajando, ya sea un adulto sentado o un niño en movimiento, a menudo supera el uso de una herramienta de propósito general sin adaptaciones. Construir ese tipo de tubería reflexiva y transparente permite pasar de confiar en los valores predeterminados del software a comprender verdaderamente lo que la señal está intentando comunicar.
Referencias
Robbins, K. A., Touryan, J., Mullen, T., Kothe, C., & Bigdely-Shamlo, N. (2020). How sensitive are EEG results to preprocessing methods: a benchmarking study. IEEE transactions on neural systems and rehabilitation engineering, 28(5), 1081-1090. https://doi.org/10.1109/TNSRE.2020.2980223
Bertazzoli, G., Esposito, R., Mutanen, T. P., Ferrari, C., Ilmoniemi, R. J., Miniussi, C., & Bortoletto, M. (2021). The impact of artifact removal approaches on TMS–EEG signal. NeuroImage, 239, 118272. https://doi.org/10.1016/j.neuroimage.2021.118272
Delorme A. (2023). EEG is better left alone. Scientific reports, 13(1), 2372. https://doi.org/10.1038/s41598-023-27528-0
Gabard-Durnam, L. J., Mendez Leal, A. S., Wilkinson, C. L., & Levin, A. R. (2018). The Harvard Automated Processing Pipeline for Electroencephalography (HAPPE): standardized processing software for developmental and high-artifact data. Frontiers in neuroscience, 12, 97. https://doi.org/10.3389/fnins.2018.00097
Leach, S. C., Morales, S., Bowers, M. E., Buzzell, G. A., Debnath, R., Beall, D., & Fox, N. A. (2020). Adjusting ADJUST: Optimizing the ADJUST algorithm for pediatric data using geodesic nets. Psychophysiology, 57(8), e13566. https://doi.org/10.1111/psyp.13566
Preguntas frecuentes
¿En qué se diferencia el procesamiento de señales del análisis de datos estándar?
El procesamiento de señales se centra específicamente en la dinámica temporal y de frecuencia de las entradas continuas, mientras que el análisis de datos general a menudo se ocupa de variables estáticas o independientes.
¿Puede el procesamiento de señales eliminar todas las formas de ruido de una señal?
Aunque el filtrado puede mejorar significativamente la claridad de la señal, la eliminación perfecta del ruido suele ser imposible debido a las superposiciones impredecibles entre la señal y la interferencia ambiental.
¿Por qué es importante la frecuencia de muestreo en los sistemas digitales?
La frecuencia de muestreo determina la frecuencia máxima que el sistema puede representar con precisión, lo cual es esencial para capturar indicadores neurales de alta frecuencia sin distorsión.
¿Cuál es el propósito de una transformación como la transformada de Fourier?
Las transformaciones se utilizan para convertir datos del dominio del tiempo, donde la secuencia es importante, al dominio de la frecuencia, donde se enfatizan las frecuencias componentes individuales.
¿Cómo afectan los sistemas lineales y no lineales a la precisión de la salida?
Los sistemas lineales ofrecen respuestas predecibles y proporcionales, mientras que los sistemas no lineales proporcionan capacidades complejas que revelan dinámicas ocultas a expensas de una predictibilidad más sencilla.
¿Por qué los datos brutos de EEG requieren un preprocesamiento antes del análisis?
Los registros de EEG brutos contienen no solo actividad cerebral, sino también interferencias de parpadeos oculares, tensión muscular, ruido eléctrico y deriva de los electrodos. El preprocesamiento aísla la señal neural auténtica al eliminar estos artefactos, haciendo que los datos sean interpretables y utilizables para el estudio científico.
¿Cuál es el único paso de preprocesamiento que casi siempre ayuda?
El filtrado de paso alto, que elimina las derivas de voltaje lentas causadas por el sudor o el movimiento de los electrodos, es consistentemente beneficioso. En múltiples estudios, fue uno de los pocos pasos que mejoró de manera confiable la calidad de los datos cuando se aplicó temprano en la tubería.
¿Qué le hace la re-referenciación a la señal de EEG?
La re-referenciación recalcula matemáticamente el voltaje de cada canal en relación con un nuevo punto neutro, como el promedio de todos los electrodos, en lugar de la referencia de registro original. Dado que el EEG mide diferencias de voltaje, esta elección puede remodelar la amplitud aparente e incluso la significación estadística de las respuestas cerebrales.
¿Por qué se detectan los canales defectuosos y cómo se corrigen?
Algunos electrodos inevitablemente pierden un buen contacto o se vuelven excesivamente ruidosos, distorsionando los análisis que abarcan todo el cuero cabelludo. Después de identificar estos canales defectuosos, la interpolación reconstruye su señal estimando lo que habrían registrado basándose en la actividad de los electrodos sanos circundantes.
¿Para qué se utiliza el Análisis de Componentes Independientes (ICA) en el EEG?
El ICA es una técnica que separa matemáticamente la señal mixta en componentes independientes, algunos de los cuales corresponden a artefactos como parpadeos o ruido muscular. Una vez identificados y eliminados los componentes relacionados con los artefactos, los componentes limpios restantes se pueden proyectar de nuevo a los datos del canal para preservar la actividad cerebral analizada.
¿En qué se diferencia la Reconstrucción de Subespacio de Artefactos (ASR) del ICA?
La ASR identifica y corrige los segmentos ruidosos comparando los datos entrantes con un período de referencia limpio, marcando automáticamente las partes que se desvían demasiado de esa línea base. A diferencia del ICA, no descompone la señal en componentes, sino que reconstruye las secciones contaminadas basándose en las estadísticas de los datos limpios.
¿Por qué no debería simplemente desechar cada segmento que contenga ruido?
El rechazo sistemático de los ensayos ruidosos suele descartar grandes cantidades de datos utilizables, lo que reduce el poder estadístico y puede debilitar los resultados. Dado que se pierden datos valiosos, generalmente se prefieren métodos como la interpolación o las correcciones basadas en componentes, especialmente cuando el tiempo de registro es limitado.
¿Qué es la fragmentación y por qué incluye una línea base previa al evento?
La fragmentación corta el registro continuo en ventanas de tiempo cortas alineadas con eventos específicos, como un estímulo, para analizar las respuestas cerebrales. El período de línea base previo al evento proporciona un nivel de voltaje de referencia, de modo que las derivas lentas no se confundan con una respuesta al estímulo.
¿Realmente cambia los resultados finales la tubería de preprocesamiento específica?
Sí, las diferentes elecciones en la tubería, como el filtrado, el esquema de referencia o el método de corrección de artefactos, pueden alterar la forma de las ondas, la significación estadística e incluso la confiabilidad test-retest. Ninguna tubería única funciona mejor para todas las situaciones, por lo que los investigadores deben comprender el impacto de cada paso en lugar de seguir ciegamente una receta predeterminada.
Emotiv es un líder en neurotecnología que ayuda a avanzar la investigación en neurociencia mediante herramientas accesibles de EEG y datos cerebrales.
Christian Burgos
