Todo sobre los artefactos en EEG: detección y herramientas de filtrado

Uno de los mayores desafíos al trabajar con datos electroencefalográficos es garantizar que las señales registradas estén limpias y que presenten una alta relación señal-ruido (SNR). Debido a que las amplitudes del EEG suelen estar en el rango de microvoltios, son muy susceptibles a varias fuentes de contaminación, comúnmente conocidas como artefactos. 

Estas señales no deseadas pueden ocultar la actividad neuronal subyacente y comprometer la calidad de los datos. Por eso, es esencial la detección de artefactos y su eliminación para obtener un análisis preciso y aplicaciones fiables. En este artículo, examinamos los tipos más comunes de artefactos en EEG y las principales técnicas y herramientas empleadas para minimizar su impacto y recuperar señales cerebrales significativas. 

¿Qué es un artefacto en EEG? 

Las neuronas se comunican generando señales eléctricas, pero la actividad de una sola neurona es demasiado débil para medirse desde el cuero cabelludo. Solo cuando millones de neuronas disparan de manera sincronizada, el campo eléctrico resultante se vuelve lo suficientemente fuerte como para atravesar tejido, hueso y cabello y llegar a los electrodos del EEG, aunque permanece significativamente atenuado (Sörnmo & Laguna, 2005; Nunez & Srinivasan, 2006). 
 
Un artefacto en EEG es cualquier señal registrada que no se origina en la actividad neuronal. Esto incluye fuentes fisiológicas (como movimientos oculares, actividad muscular y latidos cardíacos) y fuentes no fisiológicas, como interferencias eléctricas, problemas con los electrodos y artefactos por movimiento (Urigüen & García-Zapirain, 2015). Los artefactos contaminan los registros de EEG al introducir señales cerebrales que pueden imitar u ocultar la actividad neuronal genuina y reducir significativamente la calidad de la señal (Xiong, 2024). 

Los artefactos son señales registradas por el EEG pero que no son generadas por el cerebro. Algunos artefactos pueden imitar verdaderas anomalías epileptiformes o crisis epilépticas. Es importante conocer el campo topográfico lógico de distribución de una verdadera anomalía en EEG para distinguir un artefacto de las ondas cerebrales. Los artefactos fisiológicos se originan en el paciente, mientras que los no fisiológicos provienen del entorno del paciente (EEG Artifacts, Springer).

Preguntas frecuentes: artefactos en EEG y limpieza de señal 

P: ¿Qué hace que sea difícil trabajar con datos de EEG? 

Las señales de EEG se miden en microvoltios y son extremadamente sensibles a la contaminación. Esto significa que pueden verse fácilmente afectadas por procesos internos del cuerpo o interferencias externas, lo que introduce ruido conocido como artefactos.

P: ¿Qué es un artefacto en EEG? 

Un artefacto es cualquier componente de la señal EEG que no proviene del cerebro. Estos pueden ser fisiológicos (por ejemplo, parpadeo, actividad muscular) o no fisiológicos (por ejemplo, movimiento de cables, interferencia de corriente alterna). 

P: ¿Por qué es importante eliminar los artefactos? 

Los artefactos pueden distorsionar u ocultar señales neuronales genuinas. Esto no solo reduce la calidad de los datos, sino que puede llevar a interpretaciones erróneas o incluso a diagnósticos clínicos incorrectos. 

Tipos de artefactos en EEG 

Identificar los tipos de artefactos es el primer paso para eliminarlos de manera efectiva. Los artefactos en EEG se clasifican generalmente según su origen:

Artefactos fisiológicos (originados en el cuerpo): 

• Actividad ocular: los parpadeos o movimientos oculares distorsionan los registros del cuero cabelludo a través de los potenciales corneo-retinales y los efectos del párpado.
• Actividad muscular: las contracciones de los músculos faciales o del cuello producen ruido de banda ancha que se superpone a las frecuencias del EEG (20–300 Hz). 
• Actividad cardíaca y balistocardiograma (BCG): las señales pulsátiles del corazón o en configuraciones EEG–fMRI pueden introducir artefactos rítmicos. 
• Respiración y sudoración: las variaciones lentas o cambios en la impedancia de los electrodos, debidos a la respiración o al sudor pueden contaminar el EEG.

Artefactos no fisiológicos (técnicos): 

• Electrodo suelto y movimiento de cables: cambios repentinos en la impedancia provocan picos transitorios. 
• Colocación incorrecta de la referencia o mal contacto: genera desplazamientos en la línea base o ruido exagerado. 
• Interferencia de corriente alterna y electromagnética: acoplamiento ambiental de 50/60 Hz común en entornos sin blindaje.
• Movimiento del sujeto: movimientos de cabeza o cuerpo pueden introducir ráfagas de ruido grandes y no lineales.  

Los registros modernos de EEG, como los realizados con el sistema de 16 canales de Bitbrain filtrado entre 0,5 y 30 Hz, suelen basarse en Análisis de Componentes Independientes (ICA) o en modelos de aprendizaje profundo CNN–LSTM para detectar y aislar estos artefactos a gran escala. La identificación y eliminación precisa de estos artefactos es crucial (Amin, 2023; Zhang, 2025). Los fallos en este proceso pueden sesgar la interpretación de los datos, ocultar señales neuronales e incluso llevar a errores de diagnóstico clínico (por ejemplo, confundir artefactos con actividad epileptiforme o ritmos del sueño). 

Artefactos fisiológicos 

Los artefactos fisiológicos se originan en la propia actividad del cuerpo y no están relacionados con las señales cerebrales, pero contaminan con frecuencia los registros de EEG. A continuación, se presentan las fuentes más comunes, su origen, impacto y características en los dominios temporal y frecuencial. 

Actividad ocular (Artefacto EOG) 

• Origen: el ojo se comporta como un dipolo eléctrico debido a la diferencia de carga entre la córnea y la retina. Cuando el ojo se mueve, este dipolo se desplaza y genera una perturbación del campo medible en el cuero cabelludo. 
• Por qué afecta al EEG: esta perturbación, llamada Electrooculograma (EOG), suele alcanzar entre 100 y 200 µV, a menudo un orden de magnitud mayor que las señales EEG. 
• Causas típicas: parpadeos, sacádicos, movimientos laterales de la mirada. 
• Efecto en el dominio temporal: deflexiones bruscas de alta amplitud, especialmente sobre electrodos frontales (p. ej., Fp1, Fp2). Los movimientos laterales afectan electrodos cercanos a las sienes. La amplitud del artefacto es proporcional al ángulo de la mirada. 
• Efecto en el dominio frecuencial: dominante en frecuencias bajas, especialmente en las bandas delta (0,5–4 Hz) y theta (4–8 Hz), pudiendo imitar procesos cognitivos.

Actividad muscular (Artefacto EMG) 

• Origen: las contracciones musculares generan señales eléctricas registradas como electromiografía (EMG). 
• Por qué afecta al EEG: las señales EMG son de banda ancha y alta frecuencia, a menudo se superponen con los ritmos del EEG e introducen ruido significativo. 
• Causas típicas: apretar la mandíbula, tensión en el cuello, tragar, masticar, hablar, fruncir el ceño, olfatear o incluso tener hipo. 
• Efecto en el dominio temporal: ruido de alta frecuencia superpuesto al EEG, con amplitud proporcional a la fuerza de la contracción. 
• Efecto en el dominio frecuencial: los artefactos dominan las bandas beta (13–30 Hz) y gamma (>30 Hz), enmascarando señales importantes de actividad cognitiva y motora.

Actividad cardíaca (Artefacto ECG o de pulso)

• Origen: la señal eléctrica del corazón, o electrocardiograma (ECG), a veces aparece en el EEG del cuero cabelludo. 
• Por qué afecta al EEG: aunque normalmente es débil, los artefactos ECG pueden ser visibles según la forma del cuerpo, la ubicación de los electrodos o la sensibilidad del amplificador. 
• Causas típicas: latidos cardíacos (artefacto de pulso). 
• Efecto en el dominio temporal: ondas rítmicas que se repiten a la frecuencia cardíaca, a menudo en canales centrales o cercanos al cuello. 
• Efecto en el dominio frecuencial: el ECG se superpone a varias bandas del EEG y puede pasar desapercibido sin un análisis entre canales o una referencia ECG. 

Sudoración (artefacto por sudor) 

• Origen: la actividad de las glándulas sudoríparas modifica la impedancia local de los electrodos y crea cambios de potencial. 
• Por qué afecta al EEG: la sudoración introduce derivas lentas en la línea base o cortocircuitos entre electrodos, especialmente durante la actividad física o en temperaturas altas. 
• Causas típicas: calor, estrés y registros de larga duración. 
• Efecto en el dominio temporal: cambios lentos del potencial, visibles en épocas prolongadas. 
• Efecto en el dominio frecuencial: contamina las bandas delta y theta, afectando evaluaciones del sueño y procesos cognitivos de baja frecuencia.

Respiración 

• Origen: movimientos del pecho y la cabeza durante la respiración, especialmente al estar acostado. 
• ¿Por qué afecta al EEG?: la respiración altera el contacto electrodo-piel, sobre todo en estudios del sueño. 
• Causas típicas: incluyen respiración profunda y ciclos respiratorios durante el sueño. 
• Efecto en el dominio temporal: ondas lentas sincronizadas con la frecuencia respiratoria (p. ej., 12–20 respiraciones por minuto). 
• Efecto en el dominio frecuencial: afecta principalmente las bandas de baja frecuencia, superponiéndose a los ritmos delta y theta. 

Artefactos no fisiológicos (técnicos) en EEG 

A diferencia de los artefactos fisiológicos, los artefactos técnicos se originan en fuentes externas o mecánicas, como fallos de hardware, interferencias ambientales o una configuración incorrecta. Estos pueden introducir distorsiones significativas que a menudo se confunden con actividad neuronal. 

Electrodo suelto (Electrode Pop) 

• Origen: causado por una interrupción temporal en el contacto entre un electrodo y el cuero cabelludo. Esto puede deberse a contacto físico con el sensor, movimiento del cable o cambios espontáneos en la impedancia piel-electrodo, a menudo por secado del gel o acumulación de sudor. 
• Por qué afecta al EEG: cambios repentinos en el potencial de contacto provocan picos de voltaje transitorios, no relacionados con la actividad cerebral. 
• Causas típicas: incluyen tocar la gorra, mover la cabeza, tirar del cable del electrodo o secado del gel electrolítico. 
• Efecto en el dominio temporal: aparece como transitorios abruptos de alta amplitud, a menudo aislados en un solo canal. La morfología puede variar, desde picos agudos hasta distorsiones complejas de la forma de onda.
• Efecto en el dominio frecuencial: difícil de caracterizar de manera consistente, ya que los “electrode pops” producen ruido de banda ancha y no estacionario. Su irregularidad desafía tanto los métodos manuales como los automáticos de detección. 

Movimiento de cables 

• Origen: ocurre cuando los cables del electrodo o del sistema amplificador se desplazan durante el registro, ya sea por movimiento del participante, conectores sueltos o contacto externo con el cableado. 
• Por qué afecta al EEG: el movimiento puede causar interferencia electromagnética y alterar la impedancia de los electrodos del cuero cabelludo, especialmente en sistemas de alta impedancia. 
• Causas típicas: tirar o rozar los cables, cambios de posición del participante o contacto externo con los cables de los electrodos. 
• Efecto en el dominio temporal: muy variable. Si el movimiento es rítmico, los artefactos resultantes pueden producir ondas repetitivas que imitan oscilaciones neuronales o parpadeos. Los movimientos no rítmicos suelen crear deflexiones repentinas o derivas. 
• Efecto en el dominio frecuencial: dependiendo de la periodicidad del movimiento, los artefactos por cables pueden introducir picos espectrales artificiales en frecuencias bajas o medias, que pueden confundirse con ritmos delta o alfa.

Colocación incorrecta de la referencia 

• Origen: ocurre cuando el electrodo de referencia no se coloca, está mal conectado o presenta un mal contacto con el cuero cabelludo. 
• Por qué afecta al EEG: dado que todos los canales del EEG se miden en relación con la referencia, una referencia defectuosa genera señales que no reflejan la actividad cerebral real, sino que amplifican el ruido o la deriva de la línea base en todos los canales. 
• Causas típicas: electrodo de referencia omitido, gel conductor seco, conexiones flojas o impedancia excesiva en el punto de referencia. 
• Efecto en el dominio temporal: provoca desplazamientos abruptos y de gran amplitud en todos los canales. Cuando la referencia se corrige a mitad del registro, las señales suelen volver gradualmente a valores normales debido al proceso de filtrado y estabilización. 
• Efecto en el dominio frecuencial: produce una potencia anormalmente alta en todos los canales, a menudo acompañada de picos no fisiológicos que no están relacionados con la actividad real del EEG. 

Interferencia eléctrica y electromagnética de corriente alterna  

• Origen: generada por líneas eléctricas de corriente alterna cercanas, dispositivos eléctricos o cableado que emiten campos electromagnéticos. 
• Por qué afecta al EEG: cuando los cables de los electrodos carecen de blindaje adecuado o los registros se realizan en entornos con ruido eléctrico, la radiación electromagnética ambiental puede acoplarse al sistema EEG y contaminar la señal. 
• Causas típicas: luces fluorescentes, monitores, adaptadores de corriente, cables EEG sin blindaje o proximidad al cableado de la red eléctrica de corriente alterna. 
• Efecto en el dominio temporal: aparece como ruido persistente de alta frecuencia superpuesto a la señal EEG, a veces modulándose con la actividad de dispositivos cercanos. 
• Efecto en el dominio frecuencial: produce un pico espectral estrecho y marcado en 50 Hz o 60 Hz, según el estándar de la red eléctrica local (p. ej., 50 Hz en Europa, 60 Hz en Norteamérica). Esto se conoce comúnmente como ruido de línea o artefacto de la red eléctrica. 

Movimientos corporales 

• Origen: causados por actividad motora gruesa, principalmente movimientos de la cabeza, pero también incluyen balanceo de brazos, caminar o cambios posturales. 
• Por qué afecta al EEG: incluso movimientos sutiles pueden alterar la interfaz electrodo-piel, modificando la impedancia de contacto y distorsionando la señal EEG. En sistemas EEG móviles o ambulatorios, los artefactos por movimiento son frecuentes y difíciles de distinguir de otras señales. 
• Causas típicas: inclinaciones de la cabeza, asentir, gestos con los brazos, caminar o correr durante los registros. 
• Efecto en el dominio temporal: se manifiesta como ondas lentas y transitorias que suelen correlacionarse con el ritmo del movimiento físico. Estos artefactos pueden parecer ondas lentas neuronales si no se identifican correctamente. 
• Efecto en el dominio frecuencial: afecta principalmente las bandas de baja frecuencia, superponiéndose a la actividad delta (0,5–4 Hz) y theta (4–8 Hz), lo que puede ocultar señales relacionadas con el sueño, la fatiga o el procesamiento cognitivo. 

Técnicas de filtrado de artefactos en EEG (enfoques basados en datos) 

Al procesar datos de EEG, gestionar los artefactos de manera eficaz es esencial para extraer señales neuronales significativas. Según los objetivos del análisis, se emplean habitualmente cuatro estrategias principales: 

1. Rechazo de artefactos en EEG

Este método consiste en identificar y excluir segmentos completos de EEG (épocas) que contienen artefactos. Tradicionalmente, los patrones se detectan manualmente por expertos o se marcan mediante algoritmos automáticos basados en desviaciones estadísticas en el dominio temporal o frecuencial. Un enfoque reciente, LSTEEG, introduce una arquitectura de autoencoder basada en aprendizaje profundo con LSTM para detectar y corregir artefactos en EEG con alta precisión (Aquilué-Llorens & Soria-Frisch, 2025). Se ha demostrado que supera a los autoencoders convolucionales tanto en tareas de detección como de corrección de artefactos.

• Fortaleza: muy eficaz para eliminar contaminación. 
• Limitación: descarta tanto el artefacto como datos valiosos de EEG, lo que lo hace ineficiente, especialmente en registros cortos o dispersos donde la preservación de datos es crucial. 

2. Filtrado

Las técnicas de filtrado buscan eliminar frecuencias específicas de artefactos o características de la señal mientras se preserva el EEG subyacente. Estas incluyen: 

• Filtros lineales de rechazo de banda para eliminar el ruido de la red eléctrica (p. ej., artefactos de 50/60 Hz); 
• Filtros basados en regresión que restan fuentes de artefactos conocidas, como EOG o ECG, usando canales de referencia.
• Filtrado adaptativo con una señal de referencia, como movimiento ocular o latido cardíaco; 
• Filtros Wiener y filtros bayesianos para eliminación dinámica de ruido.

Estos métodos asumen que la señal EEG es una mezcla de actividad neuronal y ruido estructurado. Por ejemplo, usando un canal EOG, un modelo de regresión estima la influencia del artefacto en cada canal EEG y la resta en consecuencia. 

• Fortaleza: preserva gran parte del contenido del EEG. 
• Limitación: puede tener bajo rendimiento si el artefacto se superpone significativamente con las bandas EEG de interés o si faltan señales de referencia. 

3. Separación ciega de fuentes (BSS) 

Los métodos de separación ciega de fuentes descomponen el EEG multicanal en fuentes independientes u ortogonales, asumiendo que la señal registrada es una mezcla lineal de componentes subyacentes. El método más común es el Análisis de Componentes Independientes (ICA) (Choi et al., 2005), que separa el EEG en componentes independientes, permitiendo aislar artefactos como EOG o EMG de la actividad cerebral real. 

Hallazgos recientes indican que los beneficios del ICA pueden ser modestos en tareas de decodificación basadas en aprendizaje profundo, y su utilidad depende del tamaño del dataset, el número de canales y el tipo de clasificador (Kang et al., 2024). En contraste, algoritmos más nuevos se centran en la corrección en tiempo real:

Un algoritmo rápido y continuo de BSS eliminó aproximadamente el 88 % de artefactos oculares, cardíacos, musculares y de ruido de línea en EEG continuo, mostrando potencial para aplicaciones BCI en tiempo real (Ille et al., 2024).

El Artifact Removal Transformer (ART), un modelo reciente basado en transformadores, demostró un rendimiento superior frente a métodos de última generación, incluido ICA, en múltiples tipos de artefactos (Chuang et al., 2025). 

Los componentes con artefactos pueden descartarse manualmente o clasificarse automáticamente usando herramientas como MARA, iMARA (para EEG infantil, con más del 75 % de acuerdo entre expertos), ICLabel o clasificadores basados en aprendizaje profundo, lo que permite una reconstrucción de EEG más limpia.

• Ventajas: elimina múltiples tipos de artefactos sin canales auxiliares; adecuado para EEG de alta densidad; las técnicas emergentes de BSS en tiempo real mejoran la usabilidad. 
• Desventajas: el rendimiento disminuye con pocos canales o sesiones cortas; posible eliminación de señales neuronales si la clasificación del artefacto es incorrecta. 

La ventaja de la Separación Ciega de Fuentes es que funciona sin requerir canales de referencia ni conocimiento previo sobre la naturaleza de los artefactos, lo que la hace muy versátil, especialmente para eliminar múltiples tipos de contaminación en un solo paso.

Sin embargo, su principal limitación es que técnicas como ICA dependen de la descomposición global multicanal: analizan toda la matriz de datos EEG en lugar de filtrar canal por canal. Como resultado, su rendimiento tiende a degradarse en sistemas EEG de baja densidad o cuando el dataset es corto o incompleto, lo que hace menos fiable la separación de fuentes independientes. 

4. Métodos de descomposición de fuentes 

Estas técnicas descomponen cada canal de EEG en formas de onda básicas, lo que permite eliminar selectivamente los componentes contaminados por artefactos antes de reconstruir la señal limpia. El enfoque más consolidado es la descomposición en wavelets (Issa, 2019), mientras que variantes más recientes pero menos adoptadas incluyen la descomposición en modos empíricos (EMD) (Rakhmatulin, 2024) y la descomposición en modos no lineales (NMD) (Iatsenko et al., 2015). 

En la descomposición en wavelets, la señal EEG se transforma en coeficientes que representan distintas escalas de frecuencia y derivas, basándose en una “wavelet madre” elegida. El filtrado de artefactos se realiza aplicando umbrales a estos coeficientes y reconstruyendo la señal. 

• Ventajas: permite eliminar artefactos a nivel de canal, preservando la especificidad espacial. 
• Limitaciones: requiere una selección precisa de las funciones base (p. ej., wavelets o modos) y una descomposición incorrecta puede provocar pérdida de datos genuinos del EEG. Además, estos métodos son más intensivos computacionalmente y siguen en desarrollo activo. 

Técnicas de filtrado de artefactos en EEG: enfoques online vs. offline 

Una consideración esencial en el filtrado de artefactos en EEG es si la técnica opera offline o online (Ille, 2024; Longo, 2025).

Los métodos offline suelen requerir intervención manual y supervisión experta, lo que los hace inadecuados para aplicaciones en tiempo real o autónomas. Ejemplos comunes incluyen la inspección visual para rechazar segmentos ruidosos de EEG o la selección manual de componentes relacionados con artefactos tras la descomposición. Estos enfoques, aunque precisos, son laboriosos y poco escalables. 

En contraste, los métodos online son automatizados y pueden integrarse en sistemas en tiempo real. Técnicas como el filtrado basado en regresión o filtros adaptativos que usan señales de referencia (p. ej., EOG, ECG) son adecuadas para operación online. Métodos más avanzados como la separación ciega de fuentes (p. ej., ICA) y la descomposición en wavelets o modos también pueden ejecutarse online cuando se combinan con detección automática de artefactos basada en umbrales estadísticos o plantillas previamente aprendidas a partir de datos limpios de EEG. 

Al habilitar la operación en tiempo real, el filtrado online es crucial para interfaces cerebro-computadora (BCIs), neurofeedback y otras aplicaciones que requieren procesamiento continuo de la señal. 

Software de artefactos en EEG

Existen varias toolboxes y bibliotecas disponibles para el filtrado de señales EEG. Aquí nos centraremos en un pequeño subconjunto que probablemente sea el más utilizado en el momento en que se redactó este documento. Todas ellas son bibliotecas de software que pueden emplearse de forma independiente del sistema EEG que adquiere los datos: 

1. EEGLAB (EEGLAB, EEGLAB Wiki): Es una toolbox interactiva de Matlab para el procesamiento de EEG continuo y relacionado con eventos, MEG y otros datos electrofisiológicos. Incluye técnicas de filtrado como el análisis de componentes independientes (ICA) o la eliminación de artefactos, y se pueden descargar varios plugins de filtrado para aumentar el potencial del toolbox. También incorpora análisis tiempo/frecuencia, estadísticas relacionadas con eventos y varios modos de visualización de datos promediados y de ensayos individuales. EEGLAB funciona en Windows, Mac OS X, Linux y Unix.
2. FieldTrip (FieldTrip toolbox): Es una toolbox de Matlab para el análisis de MEG, EEG, iEEG y NIRS. Ofrece técnicas de preprocesamiento y métodos de análisis, como análisis tiempo-frecuencia o reconstrucción de fuentes mediante dipolos. Es compatible con los formatos de datos de todos los sistemas MEG principales y de los sistemas EEG, iEEG y NIRS más populares, y se pueden añadir fácilmente nuevos formatos de datos. Puedes implementar tus propios protocolos de análisis en un script de MATLAB utilizando las funciones de alto nivel de FieldTrip. FieldTrip es software de código abierto bajo licencia GNU General Public License. 
3. MNE (MNE — MNE 0.20.0 documentation): Software de código abierto en Python para explorar, visualizar y analizar datos neurofisiológicos humanos: MEG, EEG, sEEG, ECoG y más. El software cuenta con una comunidad en crecimiento y se han desarrollado varios paquetes en Python para añadir una interfaz de usuario gráfica, detección automática de canales defectuosos e interpolación, análisis de componentes independientes (ICA), análisis de conectividad, análisis estadístico general de señales MEG/EEG o una implementación en Python del Preprocessing Pipeline (PREP) para datos EEG, entre otros. 

Otras alternativas disponibles incluyen:

• AnEEG: Una herramienta de eliminación de artefactos basada en deep learning que utiliza una arquitectura GAN impulsada por LSTM. Supera significativamente a los métodos tradicionales y procesa EEG multicanal en entornos en tiempo real. 
• EEG-Denoise / DTP-Net: Implementación en TensorFlow de código abierto de un autoencoder CNN multiescala diseñado para la eliminación de artefactos en EEG de un solo canal en el dominio tiempo–frecuencia. Reconstruye señales limpias con alta fidelidad. 
• Artifact Removal Transformer (ART): Un modelo de extremo a extremo basado en transformers que supera a los métodos convencionales —incluido ICA— en múltiples tipos de artefactos y conjuntos de datos. 
• Edge-ready Autoencoder (p. ej., Arduino, Coral): Un autoencoder profundo eficiente capaz de eliminar artefactos “on the edge” (hardware embebido) para sistemas EEG inalámbricos en tiempo real. 
• BEST Toolbox: Un paquete en Python del Mayo Clinic para el procesamiento de EEG invasivo y no invasivo a largo plazo. Incluye módulos para eliminación de artefactos (p. ej., DBS, movimiento), junto con clasificación del sueño y extracción de características. 
• SleepEEGpy: Un framework en Python para el preprocesamiento y la detección de artefactos, específicamente en EEG de sueño, que admite flujos de trabajo integrados desde datos sin procesar hasta señales limpias, listas para el análisis del sueño. 
• Chronux: Paquete MATLAB/C centrado en el procesamiento avanzado de series temporales —admite análisis espectral multitaper con herramientas para identificar y mitigar artefactos. 
• NeuroKit2: Biblioteca en Python para el procesamiento de señales fisiológicas, incluida la detección y eliminación de artefactos en EOG, ECG y EMG, ampliamente utilizada en múltiples modalidades. 

¿Cuál deberías elegir? 

Software recomendado para cada caso de uso: 

• Procesamiento completo de eliminación de ruido: AnEEG, ART, DTP-Net 
• Computación en el borde: Autoencoders preparados para edge (Arduino, Coral) 
• Monitoreo a largo plazo: BEST Toolbox, SleepEEGpy 
• Análisis espectral y estadístico: Chronux, NeuroKit2 

Conclusiones 

El manejo de artefactos en EEG no es solo un paso de preprocesamiento, sino un factor crítico que determina la calidad de los datos, su fiabilidad y la interpretación posterior. Desde fuentes fisiológicas, como parpadeos y tensión muscular, hasta interferencias técnicas como una mala referencia o ruido de corriente alterna (AC), los artefactos pueden distorsionar significativamente las señales cerebrales y comprometer tanto los resultados de investigación como las decisiones clínicas. 

Afortunadamente, el campo ha avanzado mucho más allá del rechazo manual. Los flujos de trabajo actuales de EEG dependen cada vez más de soluciones avanzadas y automatizadas: desde filtros adaptativos y modelos de regresión hasta ICA, descomposición en wavelets y herramientas de deep learning de última generación, como autoencoders LSTM y modelos basados en transformers para eliminación de ruido. Estas tecnologías no solo mejoran la detección y eliminación de artefactos, sino que también permiten la limpieza del EEG en tiempo real en sistemas portátiles y embebidos.

¿La idea clave? Una gestión eficaz de artefactos requiere una estrategia personalizada que equilibre la preservación de las señales neuronales con la eliminación del ruido no deseado. Ya sea que diseñes una BCI, realices estudios del sueño o analices estados cognitivos, seleccionar la combinación adecuada de técnicas y herramientas es crucial para desbloquear todo el potencial de los datos EEG. 

También podría interesarte:

• Cómo el Deep Learning está revolucionando el procesamiento de señal de EEG 
• Colocación de electrodos EEG en un Layout Fijo vs. Variable 
• Prueba de EEG: Usos, procedimientos y riesgos 
• Características principales de los amplificadores de EEG 
• ¿Qué es el EEG y para qué sirve? 
• Cómo elegir un dispositivo EEG seco para tu aplicación de investigación 
• Una nueva era en la monitorización cerebral: descubre la tecnología EEG textil 
• EEG e investigación multimodal en neurociencia: tecnologías, herramientas y técnicas 
• Explorando la ciencia del mind wandering con la Dra. Julia Kam 
• Una ventana al cerebro social: cómo los rituales colectivos dan forma a las conexiones neurales 
• El uso del EEG para el diagnóstico y tratamiento del TDAH 
• Gorros de EEG húmedos: diferencias entre agua, solución salina y gel 
• Neuroprótesis mejoran la movilidad en tetrapléjicos 

Referencias

• Amin U, Nascimento FA, Karakis I, Schomer D, Benbadis SR. (2023) Normal variants and artifacts: Importance in EEG interpretation. Epileptic Disord. Oct;25(5):591-648. doi: 10.1002/epd2.20040. 
• Aquilué-Llorens, D., & Soria-Frisch, A. (2025). EEG artifact detection and correction with deep autoencoders. arXiv preprint. https://doi.org/10.48550/arXiv.2502.08686 
• Choi, S., Cichocki, A., Park, H. M., & Lee, S. Y. (2005). Blind source separation and independent component analysis: A review. Neural Information Processing—Letters and Reviews, 6(1), 1–57. 
• Chuang, C. H., Chang, K. Y., Huang, C. S., & Bessas, A. M. (2025). Augmenting brain-computer interfaces with ART: An artifact removal transformer for reconstructing multichannel EEG signals. NeuroImage, 310, 121123. https://doi.org/10.1016/j.neuroimage.2025.121123 
• Iatsenko, D., McClintock, P. V. E., & Stefanovska, A. (2015). Nonlinear mode decomposition: A noise-robust, adaptive decomposition method. Physical Review E, 92(3), 032916.https://doi.org/10.1103/PhysRevE.92.032916 
• Ille, N., Nakao, Y., Yano, S., Taura, T., Ebert, A., Bornfleth, H., Asagi, S., Kozawa, K., Itabashi, I., Sato, T., Sakuraba, R., Tsuda, R., Kakisaka, Y., Jin, K., & Nakasato, N. (2024). Ongoing EEG artifact correction using blind source separation. Clinical Neurophysiology, 158, 149 158. https://doi.org/10.1016/j.clinph.2023.12.133 
• Issa, M. F., & Juhasz, Z. (2019). Improved EOG artifact removal using wavelet enhanced independent component analysis. Brain Sciences, 9(12), 355. https://doi.org/10.3390/brainsci9120355 
• Kang, T., Chen, Y., & Wallraven, C. (2024). I see artifacts: ICA-based EEG artifact removal does not improve deep network decoding across three BCI tasks. Journal of Neural Engineering, 21(6). https://doi.org/10.1088/1741-2552/ad788e 
• Longo, L., & Reilly, R. B. (2025). onEEGwaveLAD: A fully automated online EEG wavelet-based learning adaptive denoiser for artefacts identification and mitigation. PLoS ONE, 20(1), e0313076. https://doi.org/10.1371/journal.pone.0313076 
• Miran, S., Akram, S., Sheikhattar, A., Simon, J. Z., Zhang, T., & Babadi, B. (2018). Real-time tracking of selective auditory attention from M/EEG: A Bayesian filtering approach. Frontiers in Neuroscience, 12, 262. https://doi.org/10.3389/fnins.2018.00262 
• Nunez, P. L., & Srinivasan, R. (2006). Electric fields of the brain: The neurophysics of EEG (2nd ed.). Oxford University Press. ISBN 9780199865673 
• Panych, L. P., Wada, J. A., & Beddoes, M. P. (1989). Practical digital filters for reducing EMG artefact in EEG seizure recordings. Electroencephalography and Clinical Neurophysiology, 72(4), 268–276. 
• Rakhmatulin, I. (2024). Encoder with the empirical mode decomposition (EMD) to remove muscle artefacts from EEG signal. arXiv preprint. https://arxiv.org/pdf/2409.14571 
• Ronca, V., Capotorto, R., Di Flumeri, G., Giorgi, A., Vozzi, A., Germano, D., Virgilio, D. V., Borghini, G., Cartocci, G., Rossi, D., Inguscio, B. M. S., Babiloni, F., & Aricò, P. (2024). Optimizing EEG signal integrity: A comprehensive guide to ocular artifact correction. Bioengineering, 11(10), 1018. https://doi.org/10.3390/bioengineering11101018 
• Rosanne, O., Albuquerque, I., Cassani, R., Gagnon, J. F., Tremblay, S., & Falk, T. H. (2021). Adaptive filtering for improved EEG-based mental workload assessment of ambulant users. Frontiers in Neuroscience, 15, 611962. https://doi.org/10.3389/fnins.2021.611962 
• Sazgar, M., & Young, M. G. (2019). EEG artifacts. In Absolute epilepsy and EEG rotation review (pp. 107–114). Springer. https://doi.org/10.1007/978-3-030-03511-2_8 
• Sörnmo, L., & Laguna, P. (2005). Bioelectrical signal processing in cardiac and neurological applications. Elsevier Science & Technology. ISBN 9780124375529 
• Urigüen, J. A., & Garcia-Zapirain, B. (2015). EEG artifact removal—State-of-the-art and guidelines. Journal of Neural Engineering, 12(3), 031001. https://doi.org/10.1088/1741-2560/12/3/031001 
• Węsierski, D., Rufuie, M. R., Milczarek, O., Ziembla, W., Ogniewski, P., Kołodziejak, A., & Niedbalski, P. (2023). Rating by detection: An artifact detection protocol for rating EEG quality with average event duration. Journal of Neural Engineering, 20(2). https://doi.org/10.1088/1741-2552/acbabe 
• Xiong, W., Ma, L., & Li, H. (2024). A general dual-pathway network for EEG denoising. Frontiers in Neuroscience, 17, 1258024. https://doi.org/10.3389/fnins.2023.1258024 
• Zhang, G., & Luck, S. J. (2025). Assessing the impact of artifact correction and artifact rejection on the performance of SVM- and LDA-based decoding of EEG signals. NeuroImage, 316, 121304. https://doi.org/10.1016/j.neuroimage.2024.1