Del EEG al ERP: Procesamiento Avanzado y el Impacto del Deep Learning en el Análisis Cerebral

La electroencefalografía (EEG) ofrece una poderosa ventana al cerebro, capturando señales asociadas con la cognición, el comportamiento y las emociones. Sin embargo, interpretar los datos EEG sigue siendo un desafío complejo. Las señales suelen ser ruidosas, altamente individualizadas y pueden variar significativamente incluso en una misma persona con el tiempo. Ahí es donde entra en juego la inteligencia artificial-y más específicamente, el deep learning.

En este artículo, examinamos cómo se utiliza actualmente la IA y el aprendizaje automático para procesar datos EEG, y cómo el deep learning está abriendo paso a una nueva era en el análisis de señales cerebrales.

Fundamentos del EEG y sus Desafíos

El EEG captura la actividad eléctrica del cerebro mediante electrodos colocados en el cuero cabelludo. Aunque ofrece valiosas perspectivas sobre el funcionamiento neuronal, los datos que genera son notoriamente difíciles de interpretar. Las señales suelen estar contaminadas con ruido, llenas de artefactos, y a diferencia de formatos más intuitivos como imágenes o gráficos, no son fácilmente legibles. Incluso los neurólogos, neurocientíficos e ingenieros biomédicos con experiencia tardan años en aprender a interpretar estas complejas señales.

Para ellos, los datos brutos de EEG deben pasar por un importante preprocesamiento-como filtrado temporal y espacial, y eliminación de artefactos-antes de poder analizarlos de manera significativa. Sin embargo, la inspección visual es lenta, requiere mucho trabajo manual y es difícil de escalar. Además, no es adecuada para aplicaciones en tiempo real, como las interfaces cerebro-computadora (BCIs).

El Rol del Machine Learning Tradicional

Los algoritmos de machine learning pueden automatizar el análisis de datos EEG, mejorando tanto la velocidad como la precisión. Estos modelos son capaces de detectar patrones sutiles que podrían pasar desapercibidos para el ojo humano, y pueden adaptarse a la variabilidad entre individuos. Los sistemas BCI-como los que permiten escribir o controlar dispositivos con la mente-dependen en gran medida de pipelines de aprendizaje automático para decodificar la actividad cerebral y traducirla en comandos.

Flujo de Trabajo Estándar en el Análisis de EEG

Antes del auge del deep learning, el análisis de EEG seguía una ruta bien establecida basada principalmente en técnicas clásicas de procesamiento de señales y algoritmos de aprendizaje automático convencionales. Este flujo de trabajo estándar normalmente implicaba varios pasos secuenciales:

1. Preprocesamiento de Señales EEG: Desde una perspectiva computacional, las señales EEG son esencialmente series temporales multivariadas en tiempo discreto. Cada punto en el tiempo corresponde a un registro simultáneo a través de múltiples canales EEG, y el número de electrodos utilizados define la dimensionalidad de los datos. Sin embargo, los datos EEG en bruto rara vez se usan directamente para el análisis. Estas señales suelen contener elementos no deseados como desplazamientos de corriente continua (DC), derivas lentas, interferencias electromagnéticas y diversos artefactos fisiológicos o ambientales. Esta tarea está lejos de ser trivial. Para centrarse en patrones específicos, se aplica comúnmente un filtrado basado en frecuencia. Los filtros pasa-bajo, pasa-alto o pasa-banda ayudan a aislar los componentes de frecuencia relevantes mientras descartan aquellos irrelevantes o ruidosos.

Figura 1: Izquierda: Espectro del EEG para dos condiciones diferentes: enfocado vs. distraído. En base a ello, se puede seleccionar el rango de frecuencia sombreado en gris para distinguir estas dos condiciones. A la derecha: Actividad del EEG filtrada en las ondas más comunes.

2. Extracción de Características: Una vez preprocesados los datos EEG, el siguiente paso es extraer características que revelen patrones de actividad cerebral. Métodos genéricos, como el Análisis de Componentes Principales (PCA) y el Análisis de Componentes Independientes (ICA), fueron ampliamente utilizados. A menudo, estas firmas se concentran dentro de bandas de frecuencia específicas. Los Potenciales Evocados Relacionados con Eventos (ERP) son una de las características manuales clave que se extraen en este paso. La selección de características dependía de la tarea: distinguir niveles de atención, clasificar estados mentales (por ejemplo, en spellers), predecir comportamiento (como anticipar movimiento en neurorehabilitación), o detectar anomalías en bases de datos normativas (como en QEEG o crisis epilépticas).

Figura 2: Un ejemplo de la extracción de features más simple. Time domain (izquierda): una ventana de un segundo de la señal del EEG filtrada en onda theta es submuestreada y los valores correspondientes se apilan en un vector de features. Frequency domain (derecha): se calcula el power spectrum del EEG en una ventana determinada y la potencia en un rango de frecuencias determinado se apila en otro vector de features.

3. Decodificación de la Actividad Cerebral: Una vez que se han extraído las características relevantes de las señales EEG, el siguiente paso es decodificar la actividad cerebral-es decir, traducir automáticamente los patrones neuronales en información significativa. En este paradigma, se entrena un modelo utilizando un conjunto de datos de entrenamiento compuesto por ejemplos con resultados conocidos. El objetivo es aprender una correspondencia entre las características del EEG y las salidas deseadas, como comandos mentales o estados emocionales. Un ejemplo es la clasificación, que asigna segmentos de EEG a categorías predefinidas.

Desafíos de la Decodificación y la Ventana Deslizante

A diferencia de los datos de imagen o texto, el EEG es no estacionario y altamente individual. En otras palabras, la distribución de características cambia con el tiempo y entre individuos. Esto dificulta la generalización de modelos, ya que requiere reentrenamientos frecuentes con nuevos datos. Inicialmente, los decodificadores de EEG se entrenaban por separado para cada participante y sesión, lo que hacía su despliegue en el mundo real muy laborioso por la necesidad constante de calibración.

La mayoría de los modelos de decodificación asumen que el momento en el que ocurre la actividad EEG relevante es conocido, por ejemplo, durante una tarea controlada como un speller EEG. Sin embargo, en muchas aplicaciones prácticas de neurotecnología y BCI, el momento es desconocido o variable. Ejemplos incluyen detectar una crisis epiléptica en casa o identificar la intención de mover una extremidad durante una sesión de neurorehabilitación. Una solución estándar es el enfoque de ventana deslizante, donde la señal EEG se segmenta en ventanas superpuestas y se analiza de forma continua. Durante el entrenamiento, los periodos de “reposo” se etiquetan usando datos de línea base, y los inicios de eventos se marcan usando señales auxiliares como EMG o entrada manual.

Figura 3: Ejemplo de detección online usando una ventana deslizante (sliding window). Durante el entrenamiento, las ventanas se extraen de los ejemplos de entrenamiento para preparar a los clasificadores. En tiempo real, la decodificación se hace para cada ventana independientemente.

El Advenimiento del Deep Learning en el Análisis EEG

El deep learning ha revolucionado el aprendizaje automático en múltiples campos, como la visión por computadora, el reconocimiento de voz y el aprendizaje por refuerzo, gracias a su capacidad para comprender representaciones complejas directamente a partir de datos crudos. A diferencia de los flujos de trabajo tradicionales que dependen de características diseñadas manualmente, los modelos de deep learning pueden procesar señales EEG en bruto y aprender automáticamente patrones significativos. Estos modelos son no solo altamente flexibles, sino también escalables, capaces de manejar grandes volúmenes de datos para descubrir estructuras latentes. Este enfoque de aprendizaje de extremo a extremo se alinea perfectamente con los flujos de trabajo de EEG, que típicamente implican múltiples pasos interdependientes.

Desafíos del Uso de Deep Learning en el Análisis EEG

A pesar de su promesa, la aplicación del deep learning en el análisis EEG enfrenta desafíos específicos:

1. Escasez de Datos: La recolección de datos EEG sigue siendo costosa, requiere mucho tiempo y, por lo general, se limita a entornos académicos. Las regulaciones de privacidad (como GDPR y HIPAA) restringen aún más el acceso a conjuntos de datos clínicos y comerciales. Como resultado, el volumen de datos EEG disponibles públicamente es mucho menor que en otras áreas, como visión por computadora o reconocimiento de voz. La mayoría de los datasets abiertos contienen solo unas pocas docenas de participantes.
2. Ruido y Dependencia del Protocolo: Las señales EEG son inherentemente ruidosas y dependen en gran medida del protocolo de grabación.
3. Naturaleza Única del EEG: Aunque modelos de deep learning como CNNs y RNNs han tenido éxito en visión y voz, los datos EEG presentan desafíos únicos: bajo SNR, naturaleza no estacionaria y complejas dinámicas temporales y espaciales. Las arquitecturas genéricas suelen fallar al aplicarse directamente al EEG. Se requieren codificadores personalizados, aprendizaje auto-supervisado para aprovechar datos no etiquetados y técnicas de entrenamiento robustas, como aprendizaje tolerante al ruido.

A pesar de estos desafíos, el deep learning ha ganado un fuerte impulso en los últimos años. Una revisión de más de 100 estudios muestra la diversidad de aplicaciones y enfoques explorados. La mayoría de los modelos de deep learning utilizados en EEG se han adaptado desde otras áreas, en particular la visión artificial. Las redes neuronales convolucionales (CNNs) son las más comunes debido a su capacidad para extraer características espaciales de señales multicanal. Los autoencoders se usan para aprendizaje de representaciones no supervisado, y las redes neuronales recurrentes (RNNs) se aplican para captar dinámicas temporales. En la mayoría de los casos, los modelos realizan simultáneamente extracción de características y decodificación, usando el mismo enfoque supervisado descrito anteriormente.

A pesar de la complejidad inherente de los datos EEG, el deep learning ha mostrado mejoras consistentes en el rendimiento en una amplia gama de aplicaciones. Aunque los autores advierten sobre problemas de reproducibilidad e inconsistencias en algunos estudios, la tendencia general es clara: el deep learning mejora la decodificación de EEG, a menudo con menos pasos de preprocesamiento o incluso ninguno. Un resultado clave de esta evolución es el alejamiento del paradigma tradicional de entrenamiento específico por participante y sesión.

Aplicaciones del Deep Learning en el Análisis EEG

1. Decodificación de Tareas Mentales

Una de las aplicaciones más exitosas del deep learning en el ámbito EEG es la decodificación de tareas mentales mediante arquitecturas de redes neuronales convolucionales (CNNs). Originalmente diseñadas para imágenes, las CNN funcionan como filtros espaciales invariantes al desplazamiento. Aplicadas al EEG, aprenden automáticamente filtros en el dominio tiempo-frecuencia, acumulando patrones temporales locales en representaciones más profundas y abstractas.

2. Clasificación de Fases del Sueño

La clasificación de las fases del sueño ha sido uno de los ámbitos más exitosos para el uso de deep learning en EEG. En un estudio emblemático, el modelo SLEEPNET utilizó una red neuronal recurrente entrenada con más de 10,000 registros de polisomnografía. En un conjunto de prueba independiente con 1,000 pacientes del laboratorio del sueño del MGH, logró una precisión del 85.8 % y un coeficiente κ de Cohen de 0.794, igualando el nivel de acuerdo entre expertos humanos y superando en aproximadamente un 10 % a los métodos tradicionales no basados en deep learning (Biswal, 2017). Desde entonces, modelos más recientes han seguido mejorando el rendimiento en la decodificación del EEG del sueño. SleepEEGNet (Mousavi et al., 2019), un modelo híbrido CNN-biLSTM, alcanzó una precisión del 84.3 % y un coeficiente κ de 0.79 en el conjunto de datos Sleep-EDF.

3. Decodificación Emocional

Uno de los puntos de referencia más utilizados para la decodificación emocional basada en EEG es el conjunto de datos DEAP (Koelstra, 2011), que incluye registros de EEG y señales fisiológicas de 32 participantes mientras veían 60 videoclips musicales (aproximadamente 40 minutos en total). Los enfoques de deep learning -que van desde CNNs y RNNs hasta autoencoders y modelos híbridos- han sido ampliamente evaluados en este conjunto, utilizando tanto señales EEG crudas como características extraídas como la densidad espectral de potencia (PSD). Una revisión reciente (Chen, 2025) reporta precisiones macro entre el 85 % y el 96 %, con métodos de última generación que incluyen aprendizaje contrastivo, redes neuronales de grafos y arquitecturas basadas en transformers.

4. Detección de Patrones Clínicos (Epilepsia)

Otro método implica la detección de patrones de interés clínico en la actividad cerebral que pueden ser útiles en el diagnóstico de trastornos cerebrales, particularmente aquellos relacionados con la epilepsia. Un ejemplo destacado es un enfoque híbrido que integra redes neuronales profundas con modelos ocultos de Markov (HMMs) y modelos de lenguaje estadísticos para combinar el conocimiento experto con el aprendizaje basado en datos (Golmohammadi, 2019). El modelo incluye extracción de características diseñadas para detectar firmas epilépticas críticas -como patrones de punta y onda, descargas periódicas y artefactos de fondo- y fue entrenado y validado extensamente en el TUH EEG Corpus, el mayor conjunto de datos clínico EEG disponible públicamente.

Figura 4: Ejemplo de un enfoque híbrido para la detección de patrones de interés clínico, como la epilepsia, utilizando deep learning y modelos de Markov.

Los ejemplos anteriores demuestran que el deep learning se ha convertido en una herramienta central en todas las principales aplicaciones de decodificación EEG, desde la clasificación de estados mentales y la evaluación del sueño hasta el reconocimiento emocional y la detección de epilepsia. Sin embargo, persisten preguntas importantes: ¿Qué arquitecturas funcionan mejor? ¿Son esenciales los modelos específicos para EEG, o pueden las redes generales adaptarse con ajustes?

Tabla: Resumen de Aplicaciones y Rendimiento del Deep Learning en EEG

Caso de Estudio: Potenciales Evocados (ERP) en Disfagia Neurogénica

La disfagia es la incapacidad o dificultad de ingerir alimentos o líquidos y suele tener origen neurológico. El presente trabajo se enmarca en el proyecto "Exploración de la capacidad de evaluación de la disfagia neurógena por ictus mediante electroencefalografía y electromiografía" realizado por el Centro de Investigación e Innovación en Bioingeniería en colaboración con dos hospitales de la Comunidad Valenciana. Concretamente se lleva a cabo un estudio exploratorio de señales electroencefalográficas (EEG) para la disfagia neurógena.

Para ello se genera una base de datos de registros de EEG con 21 jóvenes sanos y 13 pacientes con disfagia neurógena. Se identifican las fuentes corticales mediante la estimación de la norma mínima (MNE). Con el atlas de Brodmann, se calcula el Potencial de Acción Evocado (ERP), de cada zona cerebral involucrada en la deglución y el promedio del ERP de cada grupo (grand ERP).

Se identifica la secuencia de activación de las distintas regiones cerebrales en sujetos sanos y patológicos, y se cuantifica la variabilidad morfológica inter e intra paciente de los ERP de las diferentes zonas, computando el coeficiente de correlación no lineal. Finalmente, se estudia la conectividad cerebral mediante Phase Locking Value (PLV) comparando el reposo con las distintas fases de la actividad deglutoria.

Los resultados revelan diferencias entre los grupos en zonas características como la frontal, la motora y la parietal superior. Se muestran activaciones sincronizadas de la red frontal-parietal y la cíngulo-opercular, manifestando diferencias entre los grupos a nivel temporal en su activación y en su intensidad. Estos hallazgos sirven para entender mejor el funcionamiento del cerebro durante el proceso deglutorio normal y disfágico.

Para lectores interesados en profundizar, se recomiendan las revisiones exhaustivas de Roy et al. (2019) y Craik et al. (2019), que ofrecen una visión completa del panorama actual del deep learning aplicado a EEG.