Los neurocientíficos convierten las señales de EEG del dominio del tiempo al de la frecuencia para separar ritmos cerebrales complejos y superpuestos en bandas distintas y legibles. Esta transformación actúa como un prisma, clarificando los datos brutos ruidosos en patrones significativos que revelan estados mentales, firmas individuales e indicadores clínicos. Al reorganizar la información existente, este cambio permite la detección precisa de fenómenos como convulsiones y estados emocionales que, de otro modo, estarían ocultos en el dominio del tiempo.
¿Qué es la transformación de tiempo a frecuencia?
El proceso de transformación consiste en convertir secuencias de datos brutos, medidos típicamente como amplitudes con respecto al tiempo, en un espectro de frecuencias. Este desplazamiento matemático permite a los investigadores observar los componentes rítmicos que constituyen una señal, en lugar de solo las fluctuaciones brutas de voltaje o presión. Al ver los datos a través de esta lente, los patrones sutiles dentro de conjuntos de datos complejos se vuelven significativamente más fáciles de clasificar e interpretar para un análisis posterior.
Entendiendo lo básico: del dominio del tiempo al dominio de la frecuencia
En el registro estándar de señales, el aspecto temporal representa la secuencia de eventos a medida que ocurren, manteniendo un orden cronológico que resulta intuitivo para un monitoreo inmediato. Sin embargo, muchos sistemas dinámicos exhiben comportamientos repetitivos —como la activación rítmica de neuronas vinculada a la neuroscience— que no se pueden desentrañar fácilmente observando únicamente la señal bruta.
El cambio a una perspectiva de frecuencia actúa eficazmente como un filtro analítico que permite aislar ritmos individuales y sus contribuciones relativas a la estructura general de la señal.
La base matemática: la transformada de Fourier
La transformada de Fourier opera bajo el principio de que cualquier señal oscilatoria compleja puede expresarse como la suma ponderada de ondas senoidales y cosenoidales más simples. Esta operación matemática realiza esencialmente una descomposición, extrayendo la estructura periódica subyacente de una señal independientemente de su complejidad inicial.
Al aplicar esta transformada, el investigador proyecta los puntos de datos temporales en un nuevo dominio donde el eje horizontal representa la frecuencia y el eje vertical indica la potencia o amplitud de cada componente de frecuencia específico.
¿Por qué es importante el análisis de tiempo a frecuencia?
Analizar señales en el dominio de la frecuencia es esencial para aislar fenómenos específicos integrados dentro del ruido o de formas de onda más grandes y mezcladas. Este enfoque se adopta ampliamente en diversos campos que dependen de un procesamiento de señales (signal processing) preciso para extraer Insights relevantes a partir de sensores e instrumentos de medición.
Aplicaciones en el procesamiento de señales
Los ingenieros a menudo encuentran señales contaminadas por interferencias de fondo o ruido eléctrico ambiental, que pueden enmascarar la información principal de interés. Las técnicas analíticas que examinan la composición de la frecuencia permiten un filtrado preciso, mediante el cual se atenúan rangos no deseados específicos sin alterar los datos esenciales.
Esta capacidad es fundamental para los sistemas de comunicación modernos y las tecnologías de sensores, garantizando que los picos de señal válidos sigan siendo distintos e interpretables para el procesamiento posterior.
Insights en el análisis de audio y habla
El habla humana y los sonidos naturales constan de múltiples frecuencias superpuestas, cada una de las cuales caracteriza el timbre y el tono de la fuente subyacente. La conversión de estas señales al dominio de la frecuencia permite a los investigadores mapear formantes o detectar características del habla que cambian con el tiempo, un requisito frecuente en acústica.
Al tratar estas señales como espectrogramas, los analistas pueden monitorear variaciones transitorias que podrían indicar artefactos de sonido específicos o patrones que diferencian una fuente acústica de otra.
Casos de uso en ingeniería biomédica
En entornos médicos, la medición precisa de la producción eléctrica biológica es crítica para observar la salud y diagnosticar neurological conditions. Utilizando el EEG como herramienta principal, los médicos pueden registrar patrones de ondas cerebrales, mientras que los investigadores emplean análisis de frecuencia específicos para estudiar comportamientos rítmicos asociados con diferentes estados de alerta.
La integración de equipos especializados como el hardware de adquisición de datos PCI Data Acquisition garantiza la captura de datos de alta fidelidad, que luego se procesan mediante transformaciones en el dominio de la frecuencia para proporcionar Insights diagnósticos significativos.
Métodos comunes para la conversión de tiempo a frecuencia
Existen diversos algoritmos para convertir datos temporales, cada uno adecuado para diferentes niveles de estabilidad de la señal y requisitos de precisión. La selección del método apropiado depende de la naturaleza de la señal y de la resolución requerida para la salida espectral final.
Transformada rápida de Fourier de tiempo reducido (STFT)
Este método segmenta una señal larga en ventanas más pequeñas y superpuestas, realizando una transformada de Fourier en cada una para observar cómo evoluciona el contenido de frecuencia. Es particularmente útil para señales que no son perfectamente estacionarias pero que permanecen estables durante duraciones cortas.
Cómo convertir tiempo a frecuencia manualmente
Aunque el software automatiza la mayor parte del cálculo, comprender la conversión manual de señales periódicas requiere identificar la duración del ciclo. Al calcular el inverso del período, se determina la tasa a la que el evento completa un ciclo completo, lo que da como resultado el valor de frecuencia medido en hercios.
Tipo de señal | Período (T) | Frecuencia (f) |
|---|---|---|
Ritmo lento | 0.5 segundos | 2.0 Hz |
Oscilación de rango medio | 0.1 segundos | 10.0 Hz |
Ráfaga rápida | 0.02 segundos | 50.0 Hz |
Esta tabla ilustra la relación inversa entre el período y la frecuencia, donde una duración de ciclo más corta da como resultado una salida de frecuencia significativamente mayor.
Uso de una calculadora de frecuencia a tiempo para estimaciones rápidas
Los profesionales a menudo utilizan herramientas de estimación para salvar la brecha entre el tiempo y la frecuencia sin un cómputo exhaustivo. Estas herramientas suelen ofrecer las siguientes características para una configuración rápida durante el análisis de datos:
Conversión automática de tiempo cíclico a hercios.
Soporte para múltiples unidades de escala como milisegundos y microsegundos.
Inversión instantánea de funciones para revertir la conversión.
Graficación inmediata para la comparación visual de la estabilidad de la señal.
Estas calculadoras brindan una evaluación inicial antes de aplicar técnicas más complejas de filtrado digital o descomposición espectral en un entorno de investigación.
Transformada de ondícula (Wavelet)
A diferencia de los enfoques tradicionales de Fourier, la transformada de ondícula utiliza ventanas escalables para analizar simultáneamente componentes de baja y alta frecuencia. Esto permite una mejor localización de cambios repentinos en la señal, como descargas transitorias o picos que ocurren demasiado rápido para el análisis STFT con ventanas.
Es muy valorada en campos que requieren una alta sensibilidad temporal y frecuencial en una sola pasada.
El prisma invisible: convirtiendo el tiempo en frecuencia
Un solo momento de actividad cerebral rara vez se compone de una sola onda limpia. Se comporta más bien como un acorde musical, donde varias notas suenan juntas para crear un tono complejo.
Si solo escuchas el acorde como un todo, oyes una mezcla, no las notas individuales. El mismo problema se aplica a un trazado de raw EEG bruto. En cualquier instante dado, se están activando simultáneamente oscilaciones lentas, medias y rápidas, y la vista del dominio del tiempo las apila en una única forma de onda difícil de analizar.
Convertir esa forma de onda al dominio de la frecuencia no añade información nueva a la señal. Reorganiza la información existente para que las diferentes oscilaciones se vuelvan visibles como componentes separados. Esta reorganización tiene consecuencias prácticas y medibles sobre la capacidad de los investigadores para limpiar datos ruidosos y detectar patrones significativos.
Consideremos los artefactos por parpadeo de ojos, una de las fuentes de contaminación más persistentes en los registros de EEG. Cuando los ojos se mueven, la señal eléctrica resultante, llamada electrooculograma (EOG), se filtra en los canales de EEG cercanos y distorsiona la lectura. Los primeros intentos de corrección asumían que la filtración de los ojos al cuero cabelludo se comportaba de manera consistente en todos los ritmos, por lo que una simple sustracción en el dominio del tiempo debería funcionar igual de bien en todas partes.
Kenemans et al. probaron esta suposición directamente. Usando tanto datos simulados como reales, los investigadores compararon tres estrategias de limpieza:
Una regresión simple en el dominio del tiempo
Una regresión en el dominio del tiempo con múltiples retardos más compleja
Una regresión en el dominio de la frecuencia.
Cuando la transferencia eléctrica de los ojos al cuero cabelludo era independiente de la frecuencia, es decir, se comportaba de la misma manera en todos los ritmos, los tres métodos funcionaron igual de bien. Pero cuando la transferencia dependía de la frecuencia, lo que significa que la contaminación cambiaba según el ritmo involucrado, el método simple en el dominio del tiempo no logró reconstruir completamente el EEG original.
Solo el enfoque en el dominio de la frecuencia y el método más sofisticado de dominio del tiempo de múltiples retardos pudieron dar cuenta de esa variabilidad. Esto sugiere que los artefactos de las señales cerebrales no siempre se comportan de manera uniforme a lo largo del tiempo y, a veces, solo una mirada consciente de la frecuencia puede separar correctamente la actividad cerebral real de la contaminación.
El beneficio de esta reformulación resulta aún más espectacular en la detección de convulsiones. Un 2018 study encontró que cuando las señales de EEG brutas en el dominio del tiempo se introducían en un sistema de clasificación, la precisión en los registros del cuero cabelludo caía hasta un 60 por ciento en algunos experimentos, un resultado no mucho mejor que lanzar una moneda para ciertas tareas de clasificación. Cuando los mismos datos se convirtieron primero al dominio de la frecuencia, la precisión en la misma tarea aumentó a aproximadamente el 96 por ciento.
La información requerida para identificar correctamente un estado convulsivo estuvo presente en el registro todo el tiempo. Simplemente no era visible hasta que la señal se observaba a través de sus componentes de frecuencia.
Por qué importa la vista de frecuencia: del ruido a aplicaciones que cambian vidas
El cambio del tiempo a la frecuencia no es una preferencia técnica abstracta. Tiene consecuencias concretas en cuatro aplicaciones muy diferentes.
Eliminación de artefactos más nítida
Los movimientos oculares y los parpadeos son una fuente crónica de contaminación en los registros de EEG, ya que la señal eléctrica generada por los ojos puede propagarse a los electrodos cercanos del cuero cabelludo.
El estudio de Kenemans et al. demostró que esta contaminación no siempre se transfiere a una tasa constante en todas las frecuencias. Cuando la transferencia dependía de la frecuencia, una corrección básica en el dominio del tiempo tuvo un rendimiento inferior, mientras que un método de regresión en el dominio de la frecuencia reconstruyó con éxito la señal cerebral original.
Esto es crucial para cualquier aplicación donde la calidad de la señal limpia sea esencial, ya que los artefactos oculares no corregidos pueden confundirse con actividad cerebral genuina si se aplica el método de limpieza incorrecto.
Tu cerebro, tu firma
Un study published in the Journal of Neural Engineering encontró que el patrón general de ritmos cerebrales de una persona se mantiene notablemente estable a través de diferentes sesiones de registro e incluso entre diferentes ubicaciones de sensores en el cuero cabelludo. Esta consistencia, descrita como una forma de huella dactilar de EEG, fue más fuerte en la banda alfa pero detectable en un amplio rango de 1 a 40 Hz.
Es de destacar que esta firma de identificación se mantuvo incluso cuando los sujetos realizaban tareas cognitivas completamente diferentes, lo que sugiere que el patrón refleja algo estructuralmente estable sobre el cerebro de un individuo, en lugar de algo reactivo a una actividad mental específica en el momento.
El poder de discriminación de estos ritmos siguió lo que los investigadores describieron como un patrón en forma de W a lo largo del rango de frecuencia, con el pico de identificación más fuerte centrado alrededor del ritmo alfa de 10 Hz. Este hallazgo tiene relevancia directa para los sistemas de identificación biométrica que algún día podrían usar la actividad cerebral como una forma de verificación personal segura.
Lectura de emociones
Los estados emocionales dejan huellas medibles en los patrones de ritmo cerebral, y un study by Petrantonakis and his team muestra que estas huellas se capturan mejor en el dominio de tiempo-frecuencia en lugar de la señal bruta en el dominio del tiempo. Mediante el uso de un enfoque de segmentación adaptativa y la medición de la asimetría alfa frontal, los investigadores construyeron un sistema de clasificación capaz de distinguir diferentes combinaciones de valencia y activación, clasificando correctamente los estados emocionales muy por encima del nivel esperado por el azar.
Este tipo de detección de emociones basada en la frecuencia se asocia con un creciente interés en brain-computer interfaces diseñadas para responder al estado de ánimo o al compromiso emocional de un usuario, aunque la precisión de clasificación reportada, que varía de aproximadamente 64 a 83 por ciento según las categorías emocionales específicas probadas, indica que sigue siendo una herramienta probabilística más que una lectura emocional definitiva.
Conquistando la epilepsia
Tal vez la demostración más sorprendente del valor práctico del dominio de la frecuencia proviene de la investigación de la epilepsia. El estudio de investigación de 2018 mencionado anteriormente comparó directamente las señales en el dominio del tiempo y en el de la frecuencia como entradas en una red neuronal convolucional encargada de distinguir los estados cerebrales temporales (ictal, preictal e interictal).
En la base de datos intracraneal de Friburgo, la entrada en el dominio de la frecuencia produjo precisiones promedio de entre 92 y 97 por ciento en tres experimentos de clasificación independientes, mientras que la entrada en el dominio del tiempo en la misma base de datos produjo precisiones que variaron del 84 al 91 por ciento. La brecha se amplió considerablemente en la base de datos CHB-MIT registrada en el cuero cabelludo, donde la precisión en el dominio de la frecuencia se mantuvo alta, entre aproximadamente 93 y 98 por ciento, mientras que la precisión en el dominio del tiempo colapsó a un rango de solo 48 a 62 por ciento en algunos experimentos.
Esto sugiere que para ciertas condiciones de registro, particularmente el EEG en el cuero cabelludo, la señal bruta en el dominio del tiempo simplemente puede carecer de la estructura resoluble necesaria para una clasificación automatizada confiable de convulsiones, mientras que la reorganización en el dominio de la frecuencia de esa misma señal hace que el patrón subyacente sea accesible para un sistema de aprendizaje automático.
Además, Madhavan et al. llevan este concepto más allá al centrarse específicamente en la localización en lugar de la detección en su estudio de 2020. Utilizando una técnica llamada transformada de Sincroescuadre (synchrosqueezing) para generar representaciones detalladas de tiempo-frecuencia, combinada con una red neuronal convolucional profunda, el estudio logró valores de precisión, sensibilidad y especificidad superiores al 99 por ciento al distinguir señales de EEG focales, que se originan en la zona epileptógena responsable de desencadenar convulsiones, de señales no focales originadas en otras partes del cerebro.
Este nivel de precisión es directamente relevante para la cirugía de la epilepsia, donde identificar correctamente la región cerebral exacta responsable de la actividad convulsiva es un requisito previo para una intervención quirúrgica segura y eficaz.
Una nueva lente sobre el cerebro vivo
La transformación de una sola línea de voltaje que deambula a lo largo del tiempo en un espectro de ritmos distintos es el mecanismo que hace que el EEG sea legible en primer lugar. Sin él, un algoritmo de detección de convulsiones que trabaje a partir de datos del cuero cabelludo difícilmente puede rendir mejor que el azar.
Con él, ese mismo algoritmo puede alcanzar una precisión en el rango medio del 90 por ciento. Sin él, la contaminación sutil por parpadeo de ojos puede hacerse pasar por una actividad cerebral genuina.
Con una corrección consciente de la frecuencia, esa contaminación se puede separar de manera más confiable. Sin él, el patrón estable y específico de cada persona dentro de sus ritmos cerebrales, concentrado con mayor fuerza alrededor de la banda alfa, permanece invisible. Con él, ese patrón se convierte en una firma medible.
Ninguna de estas aplicaciones requirió añadir información nueva a la señal de EEG. Requirieron que la información existente se reorganizara de tal forma que los patrones significativos finalmente pudieran distinguirse del ruido.
Esa reorganización, el paso del tiempo a la frecuencia, es lo que convierte un trazado de voltaje caótico en un registro estructurado de actividad delta, theta, alfa, beta y gamma, brindando a investigadores y médicos una forma más clara y no invasiva de estudiar el sueño, los estados emocionales, la identidad individual y las enfermedades neurológicas tal como se desarrollan en el cerebro vivo.
Referencias
Kenemans, J. L., Molenaar, P. C., Verbaten, M. N., & Slangen, J. L. (1991). Removal of the ocular artifact from the EEG: a comparison of time and frequency domain methods with simulated and real data. Psychophysiology, 28(1), 114-121. https://doi.org/10.1111/j.1469-8986.1991.tb03397.x
Zhou, M., Tian, C., Cao, R., Wang, B., Niu, Y., Hu, T., ... & Xiang, J. (2018). Epileptic seizure detection based on EEG signals and CNN. Frontiers in neuroinformatics, 12, 95. https://doi.org/10.3389/fninf.2018.00095
DelPozo-Banos, M., Travieso, C. M., Weidemann, C. T., & Alonso, J. B. (2015). EEG biometric identification: a thorough exploration of the time-frequency domain. Journal of neural engineering, 12(5), 056019.
Petrantonakis, P. C., & Hadjileontiadis, L. J. (2012). Adaptive emotional information retrieval from EEG signals in the time-frequency domain. IEEE transactions on signal processing, 60(5), 2604-2616. https://doi.org/10.1109/TSP.2012.2187647
Madhavan, S., Tripathy, R. K., & Pachori, R. B. (2019). Time-frequency domain deep convolutional neural network for the classification of focal and non-focal EEG signals. IEEE Sensors Journal, 20(6), 3078-3086. https://doi.org/10.1109/JSEN.2019.2956072
Preguntas frecuentes
¿Por qué los neurocientíficos convierten las señales de EEG de tiempo a frecuencia?
Un trazado de EEG en bruto apila múltiples ritmos cerebrales de diferentes velocidades en una sola forma de onda compleja, lo que dificulta ver los patrones individuales. La conversión al dominio de la frecuencia divide esa señal en componentes de frecuencia separados, como un prisma que separa la luz blanca en colores, de modo que cada ritmo se puede estudiar por separado.
¿Cómo mejora la vista de frecuencia la eliminación de artefactos por parpadeo de ojos?
La contaminación por parpadeo de ojos puede transferirse de manera diferente a través de las bandas de frecuencia de EEG, lo que significa que una sustracción simple basada en el tiempo a menudo falla. Una regresión en el dominio de la frecuencia explica estas diferencias que dependen de la frecuencia, lo que permite reconstruir la señal cerebral real con mayor precisión.
¿Qué sucede con la precisión de la detección de convulsiones cuando se analizan en el dominio de la frecuencia en lugar del dominio del tiempo?
Los patrones relevantes para las convulsiones están presentes en la señal bruta pero son invisibles en el dominio del tiempo. El análisis de frecuencia reorganiza los datos para que un clasificador pueda alcanzar una precisión superior al 90%, mientras que la entrada bruta en el dominio del tiempo a veces no rinde mejor que el azar en los registros del cuero cabelludo.
¿Por qué se considera al ritmo alfa un fuerte identificador biométrico?
La actividad alfa muestra un pico distintivo y estable alrededor de 10 Hz que se mantiene constante en diferentes tareas y sesiones de grabación. Esta estabilidad refleja la arquitectura cerebral subyacente de un individuo, lo que la convierte en una huella digital de EEG confiable para la identificación de personas.
¿Cómo pueden los patrones de frecuencia de EEG indicar estados emocionales?
La asimetría alfa frontal, que compara la fuerza alfa entre las regiones cerebrales frontales izquierda y derecha, difiere según la valencia emocional y la activación. El análisis en el dominio de la frecuencia captura estos patrones de asimetría, permitiendo la clasificación de los estados emocionales muy por encima de los niveles del azar.
¿Por qué es esencial el análisis de frecuencia para localizar las zonas de inicio de convulsiones en la cirugía de la epilepsia?
Breves ráfagas de gamma de alta frecuencia y cambios en todas las bandas marcan la zona epileptógena. Técnicas de tiempo-frecuencia como la transformada de Sincroescuadre (synchrosqueezing) transforman estos patrones en representaciones detalladas, lo que permite a los modelos de aprendizaje profundo distinguir las señales focales de las convulsiones de las señales no focales con una precisión muy alta, un requisito previo para una planificación quirúrgica segura.
Emotiv es un líder en neurotecnología que ayuda a avanzar la investigación en neurociencia mediante herramientas accesibles de EEG y datos cerebrales.
Christian Burgos
