Muchas señales del mundo real, como los índices climáticos, los registros biomédicos y las imágenes médicas, no se mantienen estáticas. Su carácter cambia con el tiempo: el ritmo cardíaco se acelera durante el ejercicio y luego se desacelera; las temperaturas de la superficie del océano oscilan con las estaciones, pero también cambian a lo largo de las décadas. Estas son señales no estacionarias.
La transformada de wavelet es una herramienta matemática diseñada para manejarlas. Descompone una señal en componentes que se localizan tanto en el tiempo como en la escala, revelando precisamente cuándo aparece un patrón particular y con qué duración o extensión opera.
A diferencia del análisis de Fourier convencional, que descompone una señal en infinitas ondas sinusoidales, la transformada de wavelet continua (CWT) construye una representación de tiempo-escala utilizando copias escaladas y trasladadas de una única onda prototipo. Este artículo expone la lógica de la CWT, cómo elegir una wavelet madre, cómo calcular e interpretar el escalograma resultante, y lo que décadas de aplicación han demostrado junto con las limitaciones inherentes del método.
¿Qué es la transformada wavelet?
Una transformada wavelet es un método matemático para examinar una señal en múltiples escalas. En lugar de representar toda la señal únicamente mediante componentes sinusoidales globales, compara la señal con funciones cortas llamadas wavelets. Estas funciones se desplazan a lo largo de la señal y se expanden o comprimen para revelar patrones locales.
El resultado es una colección de coeficientes. Cada coeficiente indica qué tan estrechamente se parece la señal a una wavelet particular en una posición y escala determinadas. Las escalas pequeñas generalmente enfatizan los cambios rápidos y los detalles finos, mientras que las escalas grandes describen variaciones más lentas y estructuras más amplias.
Este comportamiento local es la distinción central entre el análisis wavelet y muchos métodos de frecuencia convencionales. Una transformada de Fourier puede mostrar qué frecuencias están presentes, pero una transformada wavelet también puede indicar dónde ocurren esas características. Eso la hace adecuada para transitorios, discontinuidades, ráfagas, bordes y otros eventos cuya sincronización es importante.
Transformada wavelet continua: cómo funciona
En el núcleo de la CWT se encuentra una única función oscilante localizada llamada wavelet madre, denotada como ψ(t). No es necesario descomponer la señal en un conjunto fijo de sinusoides. En su lugar, se genera una familia de wavelets estirando (escalando) y deslizando (desplazando) este prototipo único. La CWT en la escala a y la posición b es el producto interno de la señal x(t) con una wavelet que ha sido escalada por a y desplazada por b:
ψᵃᵇ(t) \= (1/√a) ψ((t‑b)/a)
El factor 1/√a normaliza la energía a través de las escalas. Cuando a es pequeña, la wavelet se comprime y detecta cambios breves y rápidos. Cuando a es grande, la wavelet se estira y captura ondulaciones lentas y amplias. El desplazamiento b mueve la wavelet a lo largo del eje del tiempo, por lo que el análisis se desliza de principio a fin.
La salida es una función bidimensional de tiempo y escala que se puede mostrar como un escalograma. Ya en 1988, investigadoras como Ingrid Daubechies formalizaron la idea fundamental del análisis multiresolución para wavelets discretas, demostrando que se pueden construir bases ortonormales de wavelets de soporte compacto con alta regularidad. La CWT hereda ese principio fundamental de escalado y desplazamiento, pero sin el requisito de una base ortogonal: se puede utilizar cualquier wavelet madre que cumpla con una condición de admisibilidad simple, lo que hace que la transformada sea invertible.
Esta construcción otorga a las wavelets su fuerza distintiva. Debido a que una wavelet madre es un pulso breve similar a una onda, se enfoca de forma natural en eventos transitorios. El escalado y el desplazamiento por sí solos ofrecen una vista simultánea del tiempo y la escala, algo que un enfoque de Fourier de ventana fija no puede igualar sin forzar un compromiso artificial entre la resolución de tiempo y la de frecuencia.
¿Qué es la transformada wavelet discreta?
La transformada wavelet discreta, o DWT, muestrea los parámetros de escala y desplazamiento en una cuadrícula estructurada en lugar de evaluar cada valor posible. En las construcciones comunes, las escalas y posiciones cambian diádicamente, a menudo por potencias de dos. Esto produce un conjunto compacto de coeficientes al tiempo que conserva la información en varias resoluciones.
La DWT se implementa comúnmente con filtros emparejados de paso bajo y paso alto. La rama de paso bajo conserva una aproximación suavizada de la señal, mientras que la rama de paso alto captura el detalle. El submuestreo reduce luego el número de muestras en cada nivel, y la rama de aproximación se puede descomponer nuevamente.
Esta estructura de banco de filtros hace que la DWT sea eficiente para datos digitales finitos. También admite la reconstrucción cuando los filtros de análisis y síntesis están diseñados correctamente.
Las aplicaciones incluyen la reducción de ruido, la compresión, la detección de eventos y la extracción de características multiescala, aunque la interpretación de los coeficientes sigue dependiendo del muestreo, el tratamiento de los bordes y la elección de la wavelet.
Explicación de la transformada wavelet discreta
La DWT representa una señal muestreada a través de coeficientes de aproximación y coeficientes de detalle en niveles sucesivos. En el primer nivel, la señal se separa en un contenido amplio que varía lentamente y un detalle que cambia más rápidamente. Repetir la operación sobre la aproximación crea una jerarquía de resoluciones.
A diferencia de la CWT, la DWT normalmente no produce coeficientes para cada posición y escala continuas. Su muestreo estructurado reduce la redundancia y el costo computacional. Esto la hace práctica para matrices grandes, procesamiento en tiempo real y sistemas de compresión.
El nivel de descomposición determina hasta dónde llega el análisis. Muy pocos niveles pueden perder la estructura general, mientras que demasiados pueden producir coeficientes difíciles de interpretar o fuertemente afectados por la longitud de la señal y las condiciones de contorno. Por lo tanto, la profundidad útil es una propiedad de los datos y del propósito analítico, no una constante universal.
Pasos del algoritmo de la transformada wavelet discreta (DWT)
Una DWT estándar avanza a través de filtrados y submuestreos repetidos. La operación principal es simple, pero cada paso afecta a la representación que sigue.
Seleccionar una familia de wavelets y el nivel de descomposición deseado.
Pasar la señal a través de un filtro de paso bajo para obtener muestras de aproximación.
Pasar la misma señal a través de un filtro de paso alto para obtener muestras detalladas.
Submuestrear ambas salidas y repetir el proceso en la rama de aproximación.
Almacenar los coeficientes y reconstruir la señal cuando sea necesario.
El árbol de coeficientes resultante separa la estructura gruesa de los detalles progresivamente más finos. En la práctica, se puede utilizar la reconstrucción para probar si los coeficientes seleccionados preservan las características de la señal relevantes para el análisis.
Transformada wavelet de Haar: la wavelet más simple
La wavelet de Haar es la wavelet más simple utilizada. Es constante por partes, ya que toma un valor sobre una parte de un intervalo corto y el valor opuesto sobre otra parte, con un promedio de cero. Su forma abrupta la hace naturalmente sensible a los saltos y a las transiciones de tipo escalón.
Para un par corto de muestras, la transformada de Haar se puede entender como el cálculo de un promedio y una diferencia. El promedio se convierte en una aproximación gruesa, mientras que la diferencia registra el cambio local. Repetir esta operación crea una representación multinivel con una interpretación particularmente clara.
La wavelet de Haar es computacionalmente económica y fácil de explicar, pero no es suave. Las señales dominadas por oscilaciones graduales pueden representarse de manera menos eficiente que con wavelets más suaves. Su valor es mayor cuando la simplicidad, el cálculo rápido o la sensibilidad a las discontinuidades importan más que una selectividad de frecuencia suave.
Elección de una wavelet madre
No cualquier pequeña oscilación califica como una wavelet madre. La función debe satisfacer la condición de admisibilidad, lo que significa esencialmente que tiene media cero y energía finita, es decir, oscila por encima y por debajo de cero y decae hasta desaparecer fuera de un intervalo corto.
Más allá de ese requisito, usted es libre de elegir una forma que coincida con el tipo de características que espera en sus datos. La elección no es de fórmula fija, pero la experiencia práctica apunta a algunas heurísticas:
Similitud de forma. Si su señal contiene ráfagas oscilatorias, una wavelet de Morlet —una onda sinusoidal compleja envuelta en una gaussiana— a menudo funciona bien porque se asemeja a una oscilación localizada. Para transitorios agudos y con picos, algo como la wavelet de sombrero mexicano (la segunda derivada de una gaussiana) o una wavelet de soporte compacto puede aislar bordes y picos de manera más limpia.
Equilibrio de resolución tiempo-escala. Una wavelet más larga proporciona una discriminación más fina entre escalas cercanas, pero difumina el momento exacto en que ocurre una característica. Una wavelet más corta delimita con precisión el tiempo, pero mezcla las escalas. Este es el compromiso inevitable del análisis localizado, no un defecto.
Wavelets reales frente a complejas. Una wavelet madre de valor real (por ejemplo, el sombrero mexicano) ofrece únicamente información de amplitud. Una wavelet compleja (por ejemplo, la de Morlet) produce tanto amplitud como fase, lo que puede ser esencial cuando posteriormente se desea examinar las relaciones de tiempo entre dos señales a través de la coherencia de ondas cruzadas.
Las bases ortonormales de wavelets de soporte compacto construidas en el estudio de Daubechies están pensadas para tareas de reconstrucción perfecta y discreta. Para la CWT, no está limitado a la ortonormalidad, por lo que puede seleccionar libremente wavelets no ortogonales si coinciden mejor con la morfología de su señal.
Aun así, el soporte compacto y la regularidad siguen siendo deseables, ya que pueden reducir el emborronamiento de los bordes y proporcionar transformadas limpias.
Cálculo de la transformada wavelet continua
En la práctica, la CWT se aproxima mediante la convolución de la señal con copias escaladas e invertidas en el tiempo de la wavelet madre. Debido a que las señales son finitas, la wavelet inevitablemente se extiende más allá de los bordes de los datos a medida que se acerca al principio o al final del registro. Esas regiones fronterizas producen valores distorsionados; el cono de influencia (COI) marca la región de tiempo-escala donde los efectos de borde hacen que el análisis no sea confiable. Cualquier característica que se asome al COI debe ser tratada con sospecha.
Para construir un escalograma, las escalas se muestrean típicamente como potencias fraccionarias de dos para cubrir un rango que coincida con la duración de la señal. Al calcular la magnitud al cuadrado de los coeficientes de la CWT se obtiene la potencia de la wavelet, que luego se grafica como un mapa de colores con el tiempo en un eje y la escala en el otro.
Interpretación de escalogramas
Un escalograma es el resultado visual primario del análisis wavelet. Las regiones brillantes corresponden a una alta potencia de wavelet; estos son lugares donde la señal tiene un componente fuerte en una escala y tiempo particulares.
Pero no todos los puntos de calor son significativos. Para distinguir las características genuinas de las fluctuaciones aleatorias, los investigadores a menudo derivan pruebas de significación estadística contra fondos teóricos: ruido blanco (que distribuye la potencia de manera uniforme) y ruido rojo (que concentra la potencia en frecuencias bajas, como lo hacen muchos procesos naturales). Al comparar la potencia observada con el percentil 95 del espectro de fondo, se pueden identificar épocas y escalas que es poco probable que hayan surgido por azar.
El suavizado en el tiempo, en la escala, o en ambos, puede aumentar la confiabilidad de tales características.
Limitaciones conocidas y precauciones de la CWT
Ninguna herramienta matemática está exenta de puntos débiles, y la CWT no es una excepción. La elección de la wavelet madre es tanto una flexibilidad como una responsabilidad. No existe un procedimiento automático que garantice la wavelet óptima para una señal desconocida.
Una elección inadecuada —por ejemplo, una Morlet larga para una señal llena de picos agudos— puede emborronar las características o crear artefactos engañosos en el escalograma. Incluso cuando los experimentadores logran una buena coincidencia a simple vista, el análisis sigue siendo parcialmente subjetivo.
Los efectos de borde son una realidad física de los datos finitos. Las escalas largas empujan la wavelet mucho más allá de los límites, por lo que el COI puede tragarse una gran parte del escalograma en las escalas más gruesas. Cualquier evento inferido a partir de los márgenes debe ser tratado como provisional. Las pruebas de significación, aunque fundamentadas, dependen de modelos de ruido supuestos que pueden no ser válidos para todos los conjuntos de datos.
Al abordar un nuevo conjunto de datos, el camino más claro combina el razonamiento físico sobre la estructura esperada de la señal con comprobaciones estadísticas conservadoras, y una aceptación sensata de que el escalograma es un mapa sugerente, no un plano anatómico definitivo.
Uso de la transformada wavelet para el análisis de EEG
La electroencefalografía registra los cambios de voltaje a lo largo del tiempo, y esos cambios a menudo contienen ritmos superpuestos, eventos transitorios y comportamiento no estacionario. Una transformada wavelet puede representar estos componentes a lo largo del tiempo y la escala, lo que resulta útil para examinar cuándo surgen patrones particulares. Por lo tanto, el método es relevante para la neurociencia y para el análisis de registros de EEG.
En el trabajo con EEG, los coeficientes pueden resumirse por escala, intervalo de tiempo, canal o condición del evento. Dichos resúmenes pueden respaldar la investigación sobre ritmos, respuestas evocadas, transitorios relacionados con convulsiones, patrones de sueño o estructura de artefactos. La transformada en sí misma no diagnostica un trastorno cerebral; la interpretación requiere una adquisición adecuada, procesamiento previo, grupos de comparación y experiencia en el dominio.
El procesamiento previo sigue siendo fundamental. Los artefactos de los electrodos, los movimientos oculares, la actividad muscular, las opciones de referencia, el filtrado, los datos faltantes y los efectos de borde pueden alterar los coeficientes de la wavelet. Los resultados también son sensibles al mapeo de frecuencia a escala y a si la wavelet seleccionada se asemeja a la morfología temporal que se está estudiando.
Herramientas y software para calcular transformadas wavelet
Las transformadas wavelet se pueden calcular con bibliotecas numéricas, entornos de programación científica y software especializado en procesamiento de señales. La elección adecuada depende de si el objetivo es la enseñanza, la visualización exploratoria, el procesamiento por lotes, la computación integrada o la investigación reproducible.
Una herramienta útil debe exponer los parámetros de la transformada con claridad en lugar de ocultarlos detrás de un único comando predeterminado.
Un flujo de trabajo típico carga y valida los datos muestreados, elige una wavelet, calcula la CWT o DWT, inspecciona los coeficientes y evalúa la reconstrucción o las características posteriores. Repetir el flujo de trabajo con cambios controlados en los parámetros puede mostrar si el resultado es estable. La documentación y los registros de versiones son importantes cuando pequeñas diferencias de implementación afectan los valores de los coeficientes.
Para un trabajo confiable, la evaluación del software a menudo incluye la precisión numérica, el soporte para datos multidimensionales, las opciones de límite, el trazado de gráficos, el costo computacional y la interoperabilidad. El código también debe preservar la tasa de muestreo y el historial de procesamiento previo, ya que los coeficientes sin ese contexto son difíciles de reproducir o interpretar.
Por qué el análisis wavelet es importante para leer señales no estacionarias
La idea definitoria de la transformada wavelet es que la identidad de una señal se comprende mejor no como una lista estática de frecuencias, sino como un mapa vivo de cuándo ocurren los patrones y cuánto duran. Esta perspectiva de tiempo-escala ha demostrado su valor en entornos del mundo real. Sin embargo, esos éxitos siempre conllevan una advertencia: el análisis es solo tan confiable como las elecciones realizadas antes de que comiencen las matemáticas.
Elegir una wavelet madre es una cuestión de juicio científico, y los efectos de borde junto con las suposiciones de ruido colocan límites reales a lo que cualquier escalograma puede afirmar. La conclusión honesta es que el análisis wavelet ofrece una forma de ver la estructura en señales cambiantes, pero exige una interpretación conservadora en lugar de la aceptación ciega de cada punto brillante.
Los investigadores que combinan el razonamiento físico con los controles estadísticos obtienen el mayor valor de esta herramienta, al tiempo que mantienen sus conclusiones adecuadamente modestas.
Referencias
Daubechies, I. (1988). Orthonormal bases of compactly supported wavelets. Communications on pure and applied mathematics, 41(7), 909-996. https://doi.org/10.1002/cpa.3160410705
Torrence, C., & Compo, G. P. (1998). A practical guide to wavelet analysis. Bulletin of the American Meteorological society, 79(1), 61-78. https://doi.org/10.1175/1520-0477(1998)079%3C0061:APGTWA%3E2.0.CO;2
Preguntas frecuentes
¿Qué es la transformada wavelet y por qué se utiliza para señales no estacionarias?
La transformada wavelet descompone una señal en componentes que se localizan tanto en el tiempo como en la escala, revelando cuándo aparece un patrón y con qué duración opera. Está diseñada para señales no estacionarias, cuyo carácter cambia con el tiempo, a diferencia de los enfoques fijos que asumen un comportamiento constante.
¿En qué se diferencia la transformada wavelet continua del análisis de Fourier?
En lugar de descomponer una señal en infinitas ondas sinusoidales, la CWT utiliza copias escaladas y trasladadas de una única wavelet madre. Esta construcción proporciona una vista simultánea del tiempo y la escala, evitando el compromiso de ventana fija entre la resolución de tiempo y frecuencia que se encuentra en los métodos de Fourier.
¿Qué es una wavelet madre y qué condición debe satisfacer?
Una wavelet madre es una única función oscilante localizada que se estira y se desplaza para analizar una señal. Para ser válida, debe satisfacer la condición de admisibilidad, lo que significa esencialmente que tiene media cero y energía finita: oscila por encima y por debajo de cero y decae hasta desaparecer fuera de un intervalo corto.
¿Cómo se elige una wavelet madre para una señal particular?
Elija una wavelet cuya forma coincida con las características que espera; por ejemplo, una wavelet de Morlet se adapta a las ráfagas oscilatorias, mientras que una wavelet de sombrero mexicano aísla los picos agudos. También debe equilibrar la resolución de tiempo frente a la de escala y decidir si necesita información de fase, ya que las wavelets complejas ofrecen tanto amplitud como fase.
¿Qué es un escalograma y cómo se interpreta?
Un escalograma es la salida visual principal del análisis wavelet, que grafica la potencia de la wavelet con el tiempo en un eje y la escala en el otro. Las regiones brillantes indican componentes fuertes de la señal en un tiempo y escala específicos, pero las pruebas de significación contra fondos de ruido blanco o rojo ayudan a distinguir las características genuinas de las fluctuaciones aleatorias.
¿Qué es el cono de influencia y por qué es importante?
El cono de influencia marca la región de tiempo-escala donde los efectos de borde hacen que el análisis wavelet no sea confiable porque la wavelet se extiende más allá de los límites de los datos finitos. Cualquier característica que caiga dentro del COI debe ser tratada con sospecha.
¿Cuáles son las principales limitaciones de la transformada wavelet continua?
La elección de la wavelet madre es parcialmente subjetiva, y una elección inadecuada puede emborronar las características o crear artefactos engañosos. Los efectos de borde pueden contaminar grandes áreas del escalograma, y las pruebas de significación se basan en modelos de ruido supuestos que pueden no ser válidos para todos los conjuntos de datos.
¿Cómo se diferencian en la práctica las wavelets madre reales y complejas?
Las wavelets de valor real, como el sombrero mexicano, proporcionan únicamente información de amplitud. Las wavelets complejas, como la de Morlet, proporcionan tanto amplitud como fase, lo cual es esencial para examinar las relaciones de tiempo entre señales a través de la coherencia de ondas cruzadas.
¿Cuál es la diferencia entre CWT y DWT?
La transformada wavelet continua evalúa muchas escalas y posiciones estrechamente espaciadas, produciendo una representación detallada y a menudo redundante. La transformada wavelet discreta utiliza un conjunto estructurado de escalas y posiciones para producir una representación más compacta.
¿Para qué se utiliza la wavelet de Haar?
La wavelet de Haar es útil para el análisis simple y rápido de señales con cambios abruptos o comportamiento tipo escalón. Su forma constante por partes también hace que los promedios y las diferencias subyacentes sean fáciles de interpretar.
Emotiv es un líder en neurotecnología que ayuda a avanzar la investigación en neurociencia mediante herramientas accesibles de EEG y datos cerebrales.
Christian Burgos
