Detector automático de artefactos en señales neuronales basado en técnicas de AI e incorporación en la herramienta MEDUSA©

Abstract

La información proporcionada por las distintas señales biológicas que genera el cuerpo humano puede ser muy valiosa para el diagnóstico precoz de enfermedades, así como para optimizar su tratamiento. En este sentido, las señales electromagnéticas generadas por el cerebro permiten identificar patrones neurológicos que reflejan ciertas enfermedades neuronales o que caracterizan el estado cognitivo del paciente. Técnicas como la electroencefalografía (EEG) y la magnetoencefalografía (MEG) han revolucionado la investigación en neurociencia al proporcionar información valiosa sobre la actividad cerebral en tiempo real de manera no invasiva. No obstante, estas técnicas no registran exclusivamente información neuronal, sino que también capturan información no deseada debido a múltiples fuentes de ruido del entorno, tanto ajenas a cada persona (ruido ambiental, por ejemplo, de la red eléctrica) como internas o fisiológicas (por ejemplo, de la actividad cardíaca u ocular). Estas señales espurias se denominan artefactos y alteran la señal neuronal genuina, comprometiendo la validez de los análisis posteriores y dificultando la extracción de información relevante. Para reducir el impacto de los artefactos en los registros EEG y MEG se han desarrollado diferentes métodos de preprocesamiento de señales, desde técnicas clásicas basadas en filtrado o transformadas hasta enfoques más modernos que emplean métodos estadísticos, como el análisis de componentes independientes (ICA). A pesar de la utilidad de estas técnicas, muchas de ellas requieren intervención manual o dependen de suposiciones sobre la naturaleza del ruido, por lo que su aplicación a conjuntos de datos masivos y la precisión de los resultados continúa viéndose comprometida. Por ello, surge la necesidad de desarrollar herramientas automáticas que permitan detectar y mitigar dichos artefactos, reduciendo la dependencia de procesos manuales y subjetivos.

The information provided by the different biological signals generated by the human body can be extremely valuable for the early diagnosis of diseases, as well as for optimising their treatment. In this context, the electromagnetic signals produced by the brain make it possible to identify neurological patterns that reflect certain disorders or characterise a patient’s cognitive state. Techniques such as electroencephalography (EEG) and magnetoencephalography (MEG) have transformed neuroscience research by offering real-time, non-invasive insights into brain activity. However, these techniques do not exclusively record neural information but also capture unwanted signals from multiple noise sources, both external (such as environmental noise from power lines) and internal or physiological (like heart or eye activity). These spurious signals, known as artefacts, distort genuine neural activity, compromising the validity of subsequent analyses and making it difficult to extract meaningful information. To reduce the impact of artefacts in EEG and MEG recordings, a variety of pre-processing methods have been developed, ranging from traditional approaches based on filtering or signal transforms to more modern statistical techniques. While useful, many of these methods require manual intervention or rely on assumptions about the nature of the noise, which limits their scalability to large datasets and affects the reliability of their results. This has created a growing need for automated tools capable of detecting and mitigating artefacts, reducing the dependence on manual and subjective processes.