No es ciencia ficción: del laboratorio al aula con EEG e interfaces cerebro-computadora basadas en P300

¿Puede un ordenador averiguar qué número estás pensando simplemente leyendo tu actividad cerebral? Suena a ciencia ficción, pero se trata de una técnica real, bien conocida y ampliamente estudiada. En esta primavera, esta tecnología fue precisamente la protagonista de una actividad que reunió en Granada a estudiantes de Educación Secundaria.

Un equipo de la Universidad de Granada utilizó el sistema Bitbrain Versatile EEG para llevar a cabo exactamente este experimento: adivinar la cifra que una persona había elegido en silencio utilizando únicamente la información obtenida de su actividad cerebral. Lo que comenzó como un Trabajo Fin de Grado en Ingeniería acabó convirtiéndose en una demostración de divulgación científica presenciada por cerca de un centenar de adolescentes y que incluso tuvo repercusión en los medios locales.

Pero ¿cómo funciona realmente esta tecnología y por qué ha resultado tan fácil trasladarla más allá del entorno del laboratorio? 

La P300: una señal cerebral con aplicaciones prácticas 

Cuando vemos algo, nuestro cerebro genera una pequeña respuesta eléctrica predecible unos cientos de milisegundos después, que puede registrarse desde el cuero cabelludo mediante un electroencefalograma (EEG). Estas respuestas evocadas visuales están tan bien caracterizadas que se utilizan como una medida clínica estándar para evaluar el funcionamiento del sistema visual (Odom et al., 2016). Una de estas respuestas es la P300, una deflexión positiva de la señal EEG que aparece aproximadamente 300 milisegundos después de un acontecimiento relevante o inesperado. Se trata de una de las señales más estudiadas en neurociencia cognitiva (Picton, 1992). Su amplitud aumenta de forma notable cuando un estímulo capta nuestra atención.

Este es el principio en el que se basa el clásico paradigma experimental conocido como “oddball”: se presenta una secuencia de estímulos y se pide a una persona que centre su atención, de forma silenciosa, en uno de ellos. Cada vez que aparece el estímulo seleccionado, el cerebro lo “marca” generando una respuesta P300 de mayor amplitud (Picton, 1992). Analizando cuándo y dónde la señal P300 alcanza su máxima intensidad, es posible inferir a qué estímulo estaba prestando atención la persona.

Este sencillo principio sustenta algunas de las aplicaciones más relevantes de la neurotecnología actual. Las interfaces cerebro-ordenador basadas en la P300 permiten que personas con parálisis severas puedan escribir palabras letra a letra, controlar una silla de ruedas o manejar distintos dispositivos utilizando únicamente su atención. Se trata de un claro ejemplo de cómo el EEG puede utilizarse no solo para estudiar el funcionamiento del cerebro, sino también para interactuar con el entorno a través de él.

Figura 1. . Estudiantes asistiendo a una demostración educativa sobre electroencefalografía (EEG) y la señal cerebral P300.

Un proyecto estudiantil en la Universidad de Granada 

Este trabajo de la Universidad de Granada comenzó como un Trabajo Fin de Grado de Marta Rodríguez Comino, estudiante de último curso de Ingeniería Electrónica Industrial, bajo la supervisión del Dr. Joaquín T. Valderrama y el Dr. Iván López Espejo, ambos investigadores  Ramón y Cajal del Departamento de Teoría de la Señal, Telemática y Comunicaciones.

Figura 2. Marta Rodríguez Comino, Iván López y Joaquín T. Valderrama durante una charla sobre EEG y la señal cerebral P300 ante un grupo de estudiantes.

El objetivo era identificar a qué dígito, del 0 al 9, estaba prestando atención una persona de forma silenciosa. Los dígitos aparecían en una pantalla uno tras otro, y a la persona voluntaria se le pedía una sola cosa: contar mentalmente cuántas veces aparecía el dígito elegido (Rodríguez Comino, 2026). Ese conteo es lo que mantiene la atención fijada en un único dígito y constituye la clave del método. 

¿Por qué se genera una P300 de mayor amplitud? El dígito elegido aparece solo de manera ocasional, mezclado entre todos los demás (en este estudio era el objetivo únicamente una de cada diez veces; Rodríguez Comino, 2026). Cada vez que aparece, es al mismo tiempo un estímulo poco frecuente y personalmente relevante, ya que es el único que la persona voluntaria está siguiendo. El cerebro responde a esa combinación con una P300 más intensa. Esta respuesta solo aparece cuando la persona participa activamente en la tarea y, cuanto menos frecuente es el estímulo objetivo, mayor suele ser su amplitud (Picton, 1992; Polich, 2007). Los dígitos ignorados generan únicamente una respuesta pequeña. La señal no aumenta por ninguna característica intrínseca del número, sino por la atención que la persona le está prestando. 

En este contexto, "más intensa" significa que la señal presenta un mayor voltaje: el dígito atendido produce una deflexión de mayor amplitud, medida en microvoltios (millonésimas de voltio), que alcanza sus valores máximos en la parte posterior de la cabeza, sobre las áreas visuales y parietales del cerebro, como cabría esperar en respuesta a un estímulo visual (Rodríguez Comino, 2026). 

Además, esta respuesta se desarrolla dentro de una ventana temporal concreta. En general, se considera que la P300 refleja el proceso mediante el cual el cerebro reconoce y evalúa un acontecimiento relevante, una etapa que tiene lugar después de la reacción inicial, más rápida, asociada simplemente a la percepción del estímulo. Por ello, el incremento de la señal suele aparecer aproximadamente a partir de los 300 milisegundos (de ahí su nombre) y, dependiendo del grado de procesamiento que requiera el estímulo, puede prolongarse hasta alrededor de los 600 milisegundos (Picton, 1992; Polich, 2007). 

Para convertir esa diferencia en una identificación automática, el equipo utilizó dos herramientas ampliamente empleadas en el análisis de señales: el Análisis de Componentes Principales (PCA, por sus siglas en inglés), para reducir las señales a sus componentes más informativos, y una Máquina de Vectores de Soporte (SVM, por sus siglas en inglés), para aprender a distinguir entre las respuestas asociadas al dígito atendido y las correspondientes al resto de los dígitos (Rodríguez Comino, 2026).

Figura 3. Potenciales evocados visuales generados por los estímulos experimentales y registrados en seis canales centrales de EEG. La respuesta cerebral promedio muestra sus principales componentes, con las ondas P1, N1, P2 y P300 identificadas en el canal Pz y con una amplitud máxima en las regiones parietales y occipitales. 

Figura 4. Comparación entre el potencial evocado visual generado por el dígito atendido (rojo) y el generado por los dígitos no atendidos (azul). El dígito atendido destaca por presentar una respuesta P300 sustancialmente mayor.

NOTA: las imágenes son obra de los propios investigadores

Llevar un EEG de investigación fuera del laboratorio

Una demostración como esta solo funciona si el equipo puede salir del laboratorio, instalarse rápidamente ante una audiencia y registrar señales limpias en una sala llena de movimiento y ruido. Ahí es donde el hardware resultó importante. 

El Versatile EEG utiliza electrodos basados en agua, que permiten preparar a una persona participante en solo unos minutos. Esa rapidez es lo que hace posible una demostración en directo: se coloca el gorro y el registro comienza sin una preparación larga mientras la audiencia espera. Los electrodos también son fáciles de limpiar y mantienen su estabilidad durante sesiones prolongadas, por lo que el equipo pudo repetir la actividad una y otra vez durante un evento concurrido sin que la calidad de la señal se deteriorara. 

La precisión temporal es igualmente importante en un experimento basado en la P300. Dado que esta respuesta se define por el momento en que aparece, aproximadamente 300 milisegundos después de cada dígito, el EEG debe sincronizarse con precisión con el instante en que cada número aparece en la pantalla. Incluso pequeños errores temporales podrían difuminar la respuesta promediada y llegar a ocultar por completo la P300.

Para mantener ambos elementos sincronizados, el equipo utilizó el protocolo Lab Streaming Layer (LSL), que asigna una misma referencia temporal a las señales cerebrales y a los dígitos mostrados en pantalla. Posteriormente, los datos se procesaron en MATLAB, siguiendo un flujo de trabajo que los autores describen como sencillo y rápido, desde la señal bruta hasta la obtención de un resultado visible. 

En conjunto, una preparación rápida y cómoda, una calidad de señal estable y una sincronización temporal precisa tanto dentro como fuera del laboratorio fueron los factores que permitieron transformar un trabajo fin de grado en una actividad capaz de llevarse a un centro educativo. 

Por qué nos encanta ver iniciativas como esta 

En Bitbrain desarrollamos tecnología EEG pensada para su uso en entornos reales, no únicamente en el laboratorio, y este proyecto es un buen ejemplo de la versatilidad de esta tecnología. El mismo EEG basado en agua que permite realizar investigación rigurosa también puede utilizarse en una demostración en directo ante un centenar de estudiantes. Una misma plataforma, con aplicaciones y contextos de uso muy diferentes. 

Además, acercar el EEG y las interfaces cerebro-ordenador a jóvenes que algún día podrían formarse como ingenieros o científicos tiene un valor especial. Marta desarrolló una interfaz cerebro-ordenador funcional como parte de su formación universitaria, y cerca de un centenar de estudiantes pudieron comprobar de primera mano que se trata de una tecnología real y accesible, no de algo abstracto o lejano. Este tipo de experiencias prácticas tempranas puede transformar la curiosidad en una vocación profesional.

Nuestro agradecimiento a Joaquín, Iván y Marta por permitirnos seguir de cerca esta experiencia.

Sobre la autora

Almudena Robledo es bióloga sanitaria y neurocientífica, especializada en sueño y neurotecnología. Su experiencia investigadora abarca desde estudios con modelos animales de autismo hasta terapias digitales para el Alzheimer. Actualmente trabaja como Product Manager en Bitbrain, contribuyendo al desarrollo de soluciones innovadoras de neurotecnología creadas por y para investigadores.

Recursos relacionados

• What is EEG and what is it used for?: introducción al electroencefalograma (EEG), explicando cómo registra la actividad cerebral y sus principales aplicaciones en medicina, investigación y neurotecnología.
• What is BCI? An Introduction to Brain-Computer Interface Using EEG Signals: descubrecómo las interfaces cerebro-computador (BCI) utilizan señales EEG para permitir la comunicación directa entre el cerebro y dispositivos externos, con aplicaciones en asistencia, rehabilitación y control inteligente.
• EEG Neurotechnology for Human Enhancement and Rehabilitation: 
  aprende sobre el uso de tecnologías basadas en EEG para la rehabilitación motora y cognitiva, así como su potencial para mejorar capacidades humanas mediante neurofeedback y estimulación personalizada. 
• Versatile EEG: sistema EEG portátil e inalámbrico basado en agua, diseñado para investigación neurocientífica con configuraciones de hasta 64 canales y una instalación rápida sin necesidad de geles.
• Versatile Plus EEG: descubre la nueva generación de EEG basada en agua: una solución portátil, cómoda y de alto rendimiento que permite registrar actividad cerebral con una preparación rápida y sin geles, ideal para estudios de neurociencia y aplicaciones reales. 

Bibliografía

Rodríguez Comino, M. (2026). Decodificación neuronal de la atención selectiva mediante señales de electroencefalografía [Trabajo Fin de Grado, Universidad de Granada]. DIGIBUG. https://hdl.handle.net/10481/114757 

Odom, J. V., Bach, M., Brigell, M., Holder, G. E., McCulloch, D. L., Mizota, A., & Tormene, A. P. (2016). ISCEV standard for clinical visual evoked potentials: (2016 update). Documenta Ophthalmologica, 133(1), 1-9. https://doi.org/10.1007/s10633-016-9553-y 

Picton TW. The P300 wave of the human event-related potential. J Clin Neurophysiol. 1992 Oct;9(4):456-79. https://doi.org/10.1097/00004691-199210000-00002 PMID: 1464675.

Polich, J. (2007). Updating P300: An integrative theory of P3a and P3b. Clinical Neurophysiology, 118(10), 2128-2148. https://doi.org/10.1016/j.clinph.2007.04.019