Métricas de similitud temporal basadas en distancia para la selección adaptativa de canales en marcos BCI multimodales EEG-fNIRS

Ayudando a los cerebros a comunicarse con las máquinas

Para las personas que no pueden moverse ni hablar, las interfaces cerebro-ordenador ofrecen una vía para comunicarse usando solo sus pensamientos. Pero transformar las señales cerebrales crudas en comandos de control fiables es como intentar mantener una conversación en un estadio lleno: hay muchos datos y aún más ruido. Este estudio presenta una forma simple pero potente de reducir esos flujos de datos para que los ordenadores puedan responder más rápido, sin perder lo que el cerebro intenta comunicar.

Por qué demasiados cables ralentizan todo

Los sistemas modernos de interfaces cerebro-ordenador suelen usar dos tipos de sensores no invasivos sobre el cuero cabelludo. La electroencefalografía (EEG) registra diminutos impulsos eléctricos de las neuronas, mientras que la espectroscopía funcional en el infrarrojo cercano (fNIRS) sigue cambios en la sangre y el oxígeno ligados a la actividad cerebral. Juntos forman un sistema “híbrido” que es más preciso que cada técnica por separado, pero a un coste: decenas de sensores durante largos periodos de registro producen conjuntos de datos enormes e inmanejables. Buscar por ensayo y error el subconjunto óptimo de sensores requeriría probar combinaciones en número astronómico, muy por encima de lo que los ordenadores actuales pueden gestionar en tiempo real.

Detectar cuándo las señales vecinas dicen lo mismo

Los autores abordan este problema con una idea intuitiva: si dos sensores vecinos en la cabeza cuentan casi la misma historia a lo largo del tiempo, no necesitas ambos. Emparejan electrodos próximos y miden matemáticamente cuán diferentes son sus señales temporales. Si dos canales divergen fuertemente, se conservan ambos porque probablemente contienen información distinta. Si son muy similares, uno se descarta por redundante. Para decidir dónde trazar esta línea, el equipo compara la distancia de cada par con un umbral general, calculado bien a partir del valor medio (Mean) o bien a partir del valor central (Median) de todas las distancias.

Probando este atajo en distintas tareas mentales

Para comprobar si este atajo funciona realmente, los investigadores lo aplicaron a dos conjuntos de datos abiertos. Uno contenía registros EEG y fNIRS mientras los voluntarios imaginaban mover las manos o resolvían problemas de aritmética mental. El otro era la clásica tarea de “speller”, donde los usuarios se concentran en letras que parpadean para que una onda cerebral distintiva, la respuesta P300, revele su elección. Tras limpiar las señales, el equipo extrajo características estadísticas simples de cada canal, o usó ventanas temporales cortas directamente, y luego entrenó tres métodos de aprendizaje automático bien conocidos para clasificar las tareas. Compararon el rendimiento con y sin su método de reducción de canales.

Conservando las áreas cerebrales importantes

El método redujo el número de canales a más de la mitad en todas las tareas: aproximadamente 15–17 de 30 canales EEG y alrededor de 18–24 de 36 canales fNIRS en el primer conjunto de datos, y solo unos 31–40 de 64 canales EEG en el speller. Y lo crucial: la precisión se mantuvo igual o incluso mejoró. En el speller, la precisión alcanzó alrededor del 94% con un clasificador ligero; para las tareas híbridas de aritmética subió hasta cerca del 73%. Cuando el equipo representó con qué frecuencia se conservaba cada sensor, los canales supervivientes coincidieron con lo que predice la neurociencia: áreas motoras para la imaginación de movimiento, regiones prefrontales para la aritmética y zonas parietal–occipitales para la respuesta P300. En otras palabras, el algoritmo identificó automáticamente regiones funcionalmente importantes sin que se le indicara su ubicación.

Elegir la forma correcta de manejar el ruido

Un giro importante en el estudio es cómo se fija el umbral. Usar la distancia Median, que se ve menos afectada por valores extremos, a menudo produjo resultados más estables y a veces mayor precisión que usar la Mean, especialmente para tareas ruidosas o exigentes como la aritmética mental y el speller P300. Las pruebas estadísticas mostraron que esta elección no es cosmética: para esas tareas, los umbrales basados en la Median superaron claramente a los basados en la Mean, mientras que para la más simple imaginación de movimiento la diferencia fue menor. Al mismo tiempo, los modelos que usaron los conjuntos reducidos de canales pudieron tomar decisiones en aproximadamente una décima a una quinta de segundo, una aceleración dramática frente a los varios segundos que tomaba incluir todos los canales.

Qué significa esto para futuras interfaces cerebrales

En términos sencillos, este trabajo muestra que se puede descartar más de la mitad de los sensores en un sistema híbrido EEG–fNIRS, conservar los más informativos y aun así igualar o superar la precisión original, todo mientras se reduce el tiempo de reacción a un rango verdaderamente en tiempo real. Al basarse en cálculos de distancia sencillos en lugar de complejos esquemas de optimización o aprendizaje profundo, el marco propuesto es más fácil de implementar en dispositivos portátiles con capacidad de cómputo limitada. Para futuras interfaces cerebro-ordenador diseñadas para salir del laboratorio y entrar en hogares, clínicas o incluso parches vestibles, este tipo de poda inteligente de canales podría ser un paso clave para que la tecnología controlada por el pensamiento sea práctica y accesible a gran escala.

Cita: Alhudhaif, A. Distance-based temporal similarity metrics for adaptive channel selection in multi-modal EEG-fNIRS BCI frameworks. Sci Rep 16, 13702 (2026). https://doi.org/10.1038/s41598-026-44052-z

Palabras clave: interfaz cerebro-ordenador, EEG, fNIRS, selección de canales, speller P300