El cuerpo humano puede entenderse como un sistema complejo de generación, transmisión y procesamiento de señales. Desde el punto de vista de la ingeniería, los procesos fisiológicos no solo implican reacciones bioquímicas, sino también la producción de señales medibles que contienen información sobre el estado funcional de órganos y sistemas.
Muchas de estas señales tienen su origen en fenómenos eléctricos asociados a la actividad celular. En particular, las células excitables, como las neuronas y las fibras musculares, son capaces de generar potenciales eléctricos que pueden registrarse mediante sensores adecuados. El análisis de estos registros permite estudiar el comportamiento del sistema biológico, detectar anomalías y, en muchos casos, apoyar el diagnóstico clínico.
Entre las señales fisiológicas más relevantes se encuentran el electrocardiograma o ECG, el electroencefalograma o EEG, y el electromiograma o EMG. Cada una de ellas refleja la actividad de un sistema diferente —cardíaco, cerebral y muscular, respectivamente—, pero todas comparten características comunes desde la perspectiva del procesamiento de señal: baja amplitud, alta variabilidad entre individuos y situaciones, presencia de ruido y comportamiento no estacionario.
Electrocardiograma, ECG
El electrocardiograma mide la actividad eléctrica del corazón durante el ciclo cardíaco. Esta actividad se origina en el sistema de conducción cardíaco, formado principalmente por el nodo sinoauricular, el nodo auriculoventricular y el sistema de fibras de Purkinje.
En cada latido se produce una secuencia ordenada de despolarización y repolarización de las células del miocardio. Estas variaciones de potencial se propagan a través de los tejidos corporales y pueden detectarse en la superficie de la piel mediante electrodos.
El ECG es una de las herramientas diagnósticas más utilizadas en medicina. Permite identificar alteraciones de la conducción eléctrica, arritmias cardíacas, signos de isquemia y daño miocárdico. Además, desempeña un papel fundamental en sistemas de monitorización continua, unidades de cuidados intensivos y dispositivos portátiles, como relojes inteligentes y otros sistemas wearables.
Características de la señal ECG
La señal ECG típica está formada por varias ondas características, cada una asociada a una fase concreta de la actividad eléctrica cardíaca:
Onda P: representa la despolarización auricular.
Complejo QRS: corresponde a la despolarización ventricular.
Onda T: refleja la repolarización ventricular.
Desde el punto de vista de la ingeniería, el ECG es una señal de baja amplitud, normalmente del orden de los milivoltios, con un contenido frecuencial aproximado entre 0,05 y 150 Hz. También presenta una importante redundancia temporal, ya que los latidos generan patrones que se repiten de forma periódica en condiciones normales.
Sin embargo, como ocurre con muchas señales fisiológicas, el ECG está afectado por distintas fuentes de ruido e interferencia. Entre las más habituales se encuentran la interferencia de la red eléctrica, el ruido muscular, los artefactos debidos al movimiento del paciente, los desplazamientos de los electrodos y las variaciones de la línea base asociadas, por ejemplo, a la respiración.
Por ello, antes de extraer información clínica o funcional, la señal debe procesarse adecuadamente. El procesamiento típico de un ECG incluye técnicas como el filtrado paso banda, la detección de picos, especialmente del complejo QRS, y el análisis de la variabilidad de la frecuencia cardíaca, conocida como HRV, por sus siglas en inglés.
Este ejemplo ilustra muy bien cómo una señal biológica aparentemente simple puede convertirse, mediante sensores, electrónica y algoritmos de procesado, en una fuente de información esencial para el diagnóstico, la monitorización y el diseño de dispositivos biomédicos inteligentes.
Electroencefalograma o EEG
El electroencefalograma o EEG registra la actividad eléctrica del cerebro, generada principalmente por la activación sincronizada de poblaciones de neuronas corticales. Esta actividad puede detectarse en la superficie del cuero cabelludo mediante electrodos, lo que permite estudiar de forma no invasiva el funcionamiento eléctrico del sistema nervioso central.
El EEG se utiliza en numerosas aplicaciones clínicas y tecnológicas. Es fundamental en el diagnóstico y seguimiento de la epilepsia, en los estudios del sueño, en la monitorización de la profundidad anestésica y en la evaluación de determinados estados neurológicos. Además, tiene un papel destacado en el desarrollo de interfaces cerebro-computador, conocidas como BCI, que buscan traducir la actividad cerebral en comandos para controlar dispositivos externos, como un ordenador, una silla de ruedas o una prótesis robótica.
A diferencia del ECG, donde cada latido genera eventos relativamente bien definidos, el EEG no suele presentar patrones discretos y fácilmente identificables. En su lugar, refleja una actividad neuronal compleja, distribuida en el espacio y variable en el tiempo. Por ello, su interpretación requiere técnicas de análisis más sofisticadas y una atención especial a la variabilidad entre individuos, estados fisiológicos y condiciones de registro.
Características de la señal EEG
Desde el punto de vista del procesamiento de señal, el EEG es una señal de muy baja amplitud, normalmente del orden de los microvoltios. Además, es una señal no estacionaria, ya que sus propiedades cambian con el tiempo en función del estado cerebral, la tarea realizada, el nivel de atención o el grado de vigilia del sujeto. También es especialmente sensible a interferencias, tanto biológicas como ambientales.
El análisis del EEG suele basarse en el estudio de sus bandas de frecuencia, que permiten asociar ciertos patrones de actividad eléctrica cerebral con estados como el sueño, la vigilia, la atención o la actividad cognitiva. Las distintas bandas frecuenciales se asocian con diferentes estados funcionales del cerebro. Por ejemplo, las ondas delta, por debajo de aproximadamente 4 Hz, aparecen de forma predominante durante el sueño profundo. Las ondas beta, entre aproximadamente 13 y 30 Hz, se relacionan con estados de alerta, actividad cognitiva y procesamiento activo de información. En términos generales, aunque con importantes matices, un aumento de la frecuencia suele asociarse a un mayor nivel de activación cerebral.
El EEG puede verse contaminado por múltiples fuentes de ruido y artefactos. Entre las más comunes se encuentran la actividad muscular, los parpadeos y movimientos oculares, los movimientos del paciente, las interferencias de la red eléctrica y el ruido procedente del entorno o del propio sistema de adquisición.
Por esta razón, el análisis del EEG requiere técnicas específicas de procesado. Entre las más utilizadas se encuentran el análisis espectral, que permite estudiar la distribución de potencia en las distintas bandas de frecuencia; las transformadas tiempo-frecuencia, como la STFT o las wavelets, que permiten analizar cómo evoluciona el contenido frecuencial a lo largo del tiempo; y los métodos de separación de fuentes, como el análisis de componentes independientes, o ICA, empleados para aislar o reducir artefactos y componentes no deseadas.
El EEG es, por tanto, un ejemplo especialmente interesante para la ingeniería biomédica: una señal débil, ruidosa y altamente variable que, mediante instrumentación adecuada y algoritmos avanzados, puede proporcionar información esencial sobre la actividad cerebral e incluso permitir nuevas formas de interacción entre el ser humano y la tecnología.
Electromiograma o EMG
El electromiograma, o EMG, registra la actividad eléctrica generada por las fibras musculares durante la contracción. Esta actividad está directamente relacionada con las órdenes enviadas por el sistema nervioso a los músculos, por lo que el EMG permite estudiar la interacción entre ambos sistemas: el sistema nervioso y el sistema muscular.
Desde el punto de vista clínico, el EMG es una herramienta fundamental para el diagnóstico de alteraciones neuromusculares, ya que permite evaluar el funcionamiento de los músculos y de los nervios que los controlan. También se utiliza en el ámbito de la rehabilitación, por ejemplo, para monitorizar la recuperación funcional o valorar la activación muscular durante determinados ejercicios.
Además, el EMG tiene un papel muy relevante en aplicaciones tecnológicas. Es una de las señales más utilizadas en el control de prótesis mioeléctricas, donde la actividad muscular residual del usuario se transforma en comandos para mover una mano, un brazo u otro dispositivo artificial. También se emplea en interfaces hombre-máquina, sistemas de asistencia y aplicaciones de robótica biomédica.
Características de la señal EMG
Desde la perspectiva del procesamiento de señal, el EMG presenta una naturaleza más irregular y aleatoria que otras señales fisiológicas como el ECG. Su amplitud es variable y puede situarse desde unos pocos microvoltios hasta varios milivoltios, dependiendo del tipo de músculo, la intensidad de la contracción, la posición de los electrodos y las condiciones de medida.
Su contenido frecuencial también es amplio, pudiendo alcanzar aproximadamente los 500 Hz. A diferencia del ECG, el EMG no presenta una morfología repetitiva y fácilmente reconocible, sino patrones más complejos que reflejan la activación simultánea de múltiples unidades motoras.
La señal EMG es especialmente sensible a distintas fuentes de interferencia. Entre las más habituales se encuentran los artefactos debidos al movimiento, la actividad de músculos cercanos, la colocación de los electrodos, el ruido eléctrico y la variabilidad entre individuos. Por ello, la calidad del registro depende en gran medida tanto del sistema de adquisición como del protocolo de medida utilizado.
El procesamiento del EMG suele incluir varias etapas. En primer lugar, es habitual aplicar rectificación, para convertir la señal en valores positivos, y posteriormente un suavizado o filtrado que permita obtener una envolvente de la actividad muscular. También se emplean medidas de amplitud o energía, como el valor RMS, muy útil para cuantificar el nivel de activación muscular. En aplicaciones de control de prótesis o interfaces hombre-máquina, además, se extraen características de la señal que permiten clasificar distintos gestos, movimientos o niveles de contracción.
En conjunto, el EMG constituye un ejemplo muy representativo de cómo una señal biológica puede utilizarse no solo para diagnóstico y rehabilitación, sino también como canal de comunicación entre el cuerpo humano y sistemas tecnológicos externos.
Para concluir, el ECG, el EEG y el EMG son ejemplos fundamentales de cómo los sistemas biológicos pueden estudiarse desde la ingeniería como generadores de señales complejas. Su análisis permite transformar registros fisiológicos en información útil para el diagnóstico, la monitorización y la comprensión del funcionamiento del organismo.
Desde el punto de vista del procesamiento de señal, estas tres señales comparten retos importantes: presentan variabilidad entre individuos y situaciones, tienen un comportamiento no estacionario y están afectadas por múltiples fuentes de ruido e interferencia. Precisamente por ello, constituyen un campo especialmente adecuado para aplicar técnicas avanzadas de filtrado digital, análisis espectral, extracción de características y aprendizaje automático.
El desafío principal no consiste solo en captar estas señales, sino en interpretarlas correctamente. Para ello, es necesario combinar sensores adecuados, electrónica de adquisición, algoritmos de procesado y modelos capaces de extraer información relevante a partir de datos complejos. En este contexto, la ingeniería biomédica actúa como un puente entre la fisiología y la tecnología, haciendo posible el desarrollo de sistemas de diagnóstico, monitorización y control cada vez más precisos, personalizados y sofisticados.
Referencias bibliográficas
• Rangayyan, R. M. (2015). Biomedical Signal Analysis. Wiley.
• Sanei, S., & Chambers, J. (2007). EEG Signal Processing. Wiley.
• Bruce, E. N. (2001). Biomedical Signal Processing and Signal Modeling. Wiley.
• Goldberger, A. L. et al. (2000). PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals.Circulation.
• Acharya, U. R. et al. (2007). Heart rate variability: a review.Medical & Biological Engineering & Computing.
• Sanei, S., & Chambers, J. (2013). EEG signal processing: theory and applications.
• Phinyomark, A. et al. (2012). Feature extraction and selection for myoelectric control based on wearable EMG sensors.Sensors.
