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 una transformada wavelet?
Una transformada wavelet es un método matemático para examinar una señal en múltiples escalas. En lugar de representar la señal completa únicamente a través de 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 en qué medida la señal se asemeja a una wavelet en 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 y 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 (trasladando) este único prototipo. La CWT a escala a y 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 entre escalas. Cuando a es pequeña, la wavelet se comprime y capta cambios breves y rápidos. Cuando a es grande, la wavelet se estira y captura ondulaciones lentas y amplias. La traslación b mueve la wavelet a lo largo del eje temporal, de modo que el análisis se desliza de principio a fin.
La salida es una función bidimensional de tiempo y escala que puede visualizarse como un escalograma. Ya en 1988, investigadores como Ingrid Daubechies formalizaron la idea fundamental del análisis multirresolución 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 traslación, pero sin el requisito de una base ortogonal: se puede utilizar cualquier wavelet madre que cumpla una condición simple de admisibilidad, 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 de tipo onda, se enfoca de forma natural en eventos transitorios. El escalado y la traslación por sí solos ofrecen una vista simultánea de tiempo y escala, algo que un enfoque de Fourier de ventana fija no puede igualar sin forzar un compromiso artificial entre la resolución temporal y frecuencial.
¿Qué es la transformada wavelet discreta?
La transformada wavelet discreta, o DWT, muestrea los parámetros de escala y traslación en una cuadrícula estructurada en lugar de evaluar cada valor posible. En construcciones comunes, las escalas y posiciones cambian diádicamente, a menudo por potencias de dos. Esto produce un conjunto compacto de coeficientes al tiempo que retiene información en varias resoluciones.
La DWT se implementa comúnmente con pares de filtros paso bajo y paso alto. La rama de paso bajo retiene una aproximación suavizada de la señal, mientras que la rama de paso alto captura los detalles. El submuestreo luego reduce 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 permite la reconstrucción cuando los filtros de análisis y síntesis están debidamente diseñados.
Las aplicaciones incluyen eliminación de ruido, compresión, detección de eventos y 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 y de variación lenta y en detalles que cambian más rápidamente. La repetición de 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 avanza el análisis. Muy pocos niveles pueden omitir la estructura amplia, mientras que demasiados pueden producir coeficientes difíciles de interpretar o fuertemente afectados por la longitud de la señal y las condiciones de contorno. La profundidad útil es, por lo tanto, 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 procede mediante filtrado y submuestreo repetidos. La operación central es simple, pero cada paso afecta la representación subsiguiente.
Seleccione una familia de wavelets y el nivel de descomposición deseado.
Pase la señal a través de un filtro paso bajo para obtener muestras de aproximación.
Pase la misma señal a través de un filtro paso alto para obtener muestras detalladas.
Submuestree ambas salidas y repita el proceso en la rama de aproximación.
Almacene los coeficientes y reconstruya la señal cuando sea necesario.
El árbol de coeficientes resultante separa la estructura gruesa de los detalles progresivamente más finos. En la práctica, la reconstrucción puede usarse para verificar 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 utilizada más simple. Es constante a trozos, ya que toma un valor sobre 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 saltos y transiciones escalonadas.
Para un par corto de muestras, la transformada de Haar puede entenderse 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 de lo que se lograría con wavelets más suaves. Su mayor valor reside en los casos donde la simplicidad, el cálculo rápido o la sensibilidad a las discontinuidades son más importantes que una selectividad de frecuencia suave.
Elección de una wavelet madre
No cualquier pequeña ondulación califica como una wavelet madre. La función debe satisfacer la condición de admisibilidad, lo que esencialmente significa que tiene media cero y energía finita; es decir, oscila por encima y por debajo de cero y decae a nada fuera de un intervalo corto.
Más allá de ese requisito, se tiene la libertad de elegir una forma que coincida con el tipo de características esperadas en los datos. La elección no es formularia, 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 en punta, algo como la wavelet sombrero mexicano (la segunda derivada de una gaussiana) o una wavelet de soporte compacto puede aislar bordes y picos con mayor claridad.
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 localiza la sincronización con precisión, pero mezcla escalas. Este es el compromiso inevitable del análisis localizado, no un defecto.
Wavelets reales vs. complejas. Una wavelet madre de valor real (por ejemplo, el sombrero mexicano) proporciona solo información de amplitud. Una wavelet compleja (por ejemplo, la de Morlet) produce tanto amplitud como fase, lo que puede ser esencial cuando luego se desean examinar las relaciones de sincronización entre dos señales mediante coherencia cross-wavelet.
Las bases ortonormales de wavelets de soporte compacto construidas en el estudio de Daubechies están destinadas a tareas discretas de reconstrucción perfecta. Para la CWT, uno no está atado a la ortonormalidad, por lo que se pueden seleccionar libremente wavelets no ortogonales si coinciden mejor con la morfología de la señal.
Aun así, el soporte compacto y la regularidad siguen siendo deseables, ya que pueden reducir el emborronamiento de bordes y proporcionar transformadas limpias.
Cálculo de la transformada wavelet continua
En la práctica, la CWT se aproxima convolucionando la señal con copias escaladas e invertidas en el tiempo de la wavelet madre. Dado que las señales son finitas, la wavelet se extiende inevitablemente más allá de los bordes de los datos a medida que se acerca al principio o al final del registro. Esas regiones de contorno producen valores distorsionados; el cono de influencia (COI) marca la región de tiempo-escala donde los efectos de borde hacen que el análisis sea poco fiable. Cualquier característica que penetre en el COI debe tratarse con cautela.
Para construir un escalograma, las escalas generalmente se muestrean como potencias fraccionarias de dos para cubrir un rango que coincida con la duración de la señal. Calcular el cuadrado de la magnitud de los coeficientes de la CWT produce la potencia wavelet, que luego se traza 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 principal del análisis wavelet. Las regiones brillantes corresponden a una alta potencia wavelet; son lugares donde la señal tiene un componente fuerte en una escala y tiempo particulares.
Pero no todos los puntos calientes son significativos. Para distinguir las características genuinas de las fluctuaciones aleatorias, los investigadores suelen derivar pruebas de significación estadística frente a fondos teóricos: ruido blanco (que distribuye la potencia de manera uniforme) y ruido rojo (que concentra la potencia en frecuencias bajas, como ocurre en 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 fiabilidad de tales características.
Limitaciones conocidas y precauciones de la CWT
Ninguna herramienta matemática carece de puntos vulnerables, y la CWT no es la excepción. La elección de la wavelet madre es tanto una ventaja de flexibilidad como una desventaja. 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 difuminar características o crear artefactos engañosos en el escalograma. Incluso cuando los experimentadores encuentran una buena coincidencia a simple vista, el análisis sigue siendo en parte 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 porción del escalograma en las escalas más gruesas. Cualquier evento inferido a partir de los márgenes debe tratarse como tentativo. Las pruebas de significación, aunque fundamentadas, dependen de modelos de ruido supuestos que pueden no cumplirse 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 lúcida de que el escalograma es un mapa indicativo, no un plano anatómico definitivo.
Uso de la transformada wavelet para el análisis de EEG
La electroencefalografía registra 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 través del tiempo y la escala, lo que la hace útil para examinar cuándo surgen patrones particulares. El método es, por lo tanto, 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 crisis convulsivas, patrones de sueño o estructura de artefactos. La transformada por sí sola no diagnostica un trastorno cerebral; la interpretación requiere una adquisición adecuada, preprocesamiento, grupos de comparación y experiencia en el dominio.
El preprocesamiento sigue siendo fundamental. Los artefactos de electrodos, los movimientos oculares, la actividad muscular, las elecciones de referencia, el filtrado, los datos faltantes y los efectos de borde pueden alterar los coeficientes 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.
Transformada wavelet en la investigación de EEG con dispositivos Emotiv
Los investigadores han aplicado transformadas wavelet a datos de EEG recopilados con headsets de grado de consumo, explorando cómo el análisis de tiempo-escala puede respaldar la interfaz cerebro-computadora y la limpieza de señales. Los siguientes estudios utilizaron hardware Emotiv para capturar señales cerebrales y luego las procesaron con métodos basados en wavelets.
CWT adaptativa para la detección de movimiento en ensayos individuales
Un estudio examinó si una transformada wavelet continua adaptativa podría detectar el momento en que una persona tiene la intención de moverse. Utilizando un headset Emotiv, los autores registraron EEG de seis sujetos sanos y aplicaron un filtro adaptado optimizado basado en la CWT para identificar patrones de desincronización relacionados con eventos. Combinaron esto con un método de máxima verosimilitud para eliminar los artefactos oculares.
La detección por transformada wavelet adaptativa logró una selectividad promedio de 85±6% y una sensibilidad de 88±7.7% en ensayos individuales, con una sincronización en la detección del inicio dentro de −1250 a 367 ms. Los resultados sugieren que una base wavelet cuidadosamente elegida puede ayudar a aislar cambios breves de EEG relacionados con la actividad motora ensayo por ensayo.
DWT de solapamiento máximo para la clasificación de imaginería motora
Otro grupo investigó una variante de wavelet discreta —la transformada wavelet discreta de solapamiento máximo (MODWT)— para clasificar movimientos imaginados de la mano. La transformada wavelet discreta de solapamiento máximo se utilizó para extraer características y reducir la dimensionalidad de los datos, tras lo cual una máquina de vectores de soporte cúbica realizó la clasificación.
Si bien el artículo revisa las aplicaciones de EEG de manera general y no reporta números de sujetos para su propio experimento, señala a la MODWT como un paso viable de extracción de características en canales de BCI que utilizan dispositivos de EEG de consumo.
Eliminación de artefactos de movimiento basada en wavelets
Los artefactos de movimiento son un desafío persistente en el EEG ambulatorio. Un estudio con un headset Emotiv creó un conjunto de datos único de diez actividades diarias para caracterizar estos artefactos.
Los autores observaron que el ruido inducido por el movimiento se superponía con el ritmo delta y que el análisis de coherencia proporcionaba una mejor medida de similitud que la correlación. Luego presentaron un enfoque general de eliminación de artefactos de movimiento basada en wavelets.
El trabajo demuestra cómo las transformadas wavelet pueden separar la contaminación por movimiento de baja frecuencia de las señales cerebrales, aunque los autores señalan que se necesitan registros más largos y métricas adicionales para identificar y restar de manera confiable tales artefactos.
CWT con PCA para la clasificación de movimientos imaginados de la mano
Un estudio adicional se centró en distinguir la imaginería motora de la mano izquierda frente a la derecha utilizando un headset Emotiv Epoc X. El EEG de dos canales frontales se procesó con una transformada wavelet continua, y el análisis de componentes principales redujo el espacio de características. Cuando estas características se introdujeron en una máquina de vectores de soporte, el flujo de transformada wavelet continua con PCA produjo una precisión promedio del 92.75% con un núcleo RBF, en comparación con el 81.12% con un núcleo lineal. Los hallazgos sugieren que las características derivadas de la CWT pueden capturar información discriminatoria para tareas de imaginería motora en una muestra pequeña.
Estos estudios ilustran colectivamente cómo las transformadas wavelet —tanto continuas como discretas— se están combinando con hardware de EEG portátil para la investigación de la intención del movimiento, la reducción de artefactos y la clasificación en BCI. El trabajo es preliminar, realizado en pequeños grupos de voluntarios sanos, y no establece utilidad clínica. Los resultados reportados apuntan hacia la viabilidad del análisis de EEG basado en wavelets fuera del laboratorio, al tiempo que destacan la necesidad de conjuntos de datos más grandes y diversos, así como de una validación rigurosa.
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 docencia, la visualización exploratoria, el procesamiento por lotes, la computación embebida o la investigación reproducible.
Una herramienta útil debe exponer los parámetros de la transformada con claridad en lugar de ocultarlos tras 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 de 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 fiable, la evaluación del software a menudo incluye la precisión numérica, la compatibilidad con datos multidimensionales, las opciones de contorno, la representación gráfica, el costo computacional y la interoperabilidad. El código también debe preservar la frecuencia de muestreo y el historial de preprocesamiento, 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 decisiones tomadas antes de que comience el cálculo matemático.
Elegir una wavelet madre es una cuestión de juicio científico, y los efectos de borde junto con los supuestos sobre el ruido imponen límites reales sobre 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 una aceptación ciega de cada punto brillante.
Los investigadores que combinan el razonamiento físico con comprobaciones estadísticas obtienen el máximo valor de esta herramienta, al tiempo que mantienen sus conclusiones con una prudencia adecuada.
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 están localizados tanto en el tiempo como en la escala, revelando cuándo aparece un patrón y en 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 de tiempo y escala, evitando el compromiso de ventana fija entre la resolución temporal y frecuencial inherente a los métodos de Fourier.
¿Qué es una wavelet madre y qué condición debe satisfacer?
Una wavelet madre es una única función oscilante y localizada que se estira y desplaza para analizar una señal. Para ser válida, debe satisfacer la condición de admisibilidad, lo que esencialmente significa que tiene media cero y energía finita: oscila por encima y por debajo de cero y decae a nada fuera de un intervalo corto.
¿Cómo se elige una wavelet madre para una señal en particular?
Elija una wavelet cuya forma coincida con las características que espera; por ejemplo, una wavelet de Morlet se adapta a ráfagas oscilatorias, mientras que una wavelet sombrero mexicano aísla picos agudos. También debe equilibrar la resolución de tiempo versus escala y decidir si necesita información de fase, dado 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 traza la potencia wavelet con el tiempo en un eje y la escala en el otro. Las regiones brillantes indican componentes de señal fuertes en un momento y escala específicos, pero las pruebas de significación frente a 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 sea poco confiable debido a que la wavelet se extiende más allá de los límites de datos finitos. Cualquier característica que caiga dentro del COI debe tratarse con cautela.
¿Cuáles son las principales limitaciones de la transformada wavelet continua?
La elección de la wavelet madre es en parte subjetiva, y una elección inadecuada puede difuminar características o crear artefactos engañosos. Los efectos de borde pueden contaminar grandes áreas del escalograma y las pruebas de significación dependen de modelos de ruido supuestos que pueden no ser válidos para todos los conjuntos de datos.
¿En qué 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 relaciones de sincronización entre señales mediante coherencia cross-wavelet.
¿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 escalonado. Su forma constante a trozos 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.
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
