¿Qué es un Espectrograma?
Un espectrograma es una representación visual tiempo-frecuencia que muestra cómo la potencia o energía de una señal se distribuye a través de diferentes frecuencias a lo largo del tiempo, permitiendo identificar patrones que no son evidentes en la señal cruda. 1
Principios Fundamentales
Resolución Tiempo-Frecuencia
El espectrograma opera bajo el principio de incertidumbre tiempo-frecuencia, donde el producto de la resolución temporal (T) y la resolución en frecuencia (2W) debe ser igual o mayor a 1 (2WT ≥ 1). 1
La resolución de Rayleigh (ancho de banda W) representa la frecuencia más baja que puede resolverse en una serie temporal, siendo inversamente proporcional a la duración de la ventana de observación (W = 1/T). 1
La frecuencia de Nyquist determina la frecuencia máxima que puede resolverse, equivalente a la mitad de la frecuencia de muestreo (Fs/2). 1
Aumentar el intervalo de análisis T proporciona mayor suavizado temporal, mientras que aumentar el ancho de banda W proporciona mayor suavizado en frecuencia, asumiendo que las propiedades de la actividad neuronal son constantes dentro de la resolución elegida. 1
Aplicaciones Médicas Específicas
Neurofisiología y Monitoreo Cerebral
En el análisis de potenciales de campo local (LFP) cerebrales, los espectrogramas permiten visualizar cambios en la potencia espectral durante tareas cognitivas, como la presentación de señales espaciales seguidas de movimientos sacádicos y de alcance. 1
Los espectrogramas con estimación multitaper pueden configurarse con diferentes duraciones (200-500 ms) y anchos de banda (10-25 Hz) según la resolución temporal versus frecuencial requerida. 1
En EEG cuantitativo, el espectrograma es la herramienta central para monitoreo cerebral continuo, permitiendo mejor detección y caracterización de crisis no convulsivas y patrones del continuo ictal-interictal en pacientes críticos. 2
Los espectrogramas codifican información sobre la señal EEG cruda de manera eficiente, permitiendo a los clínicos inferir patrones EEG subyacentes sin revisar manualmente horas de registro. 2
Análisis de Señales Vitales
- Los espectrogramas aplicados a señales vitales (series temporales con baja frecuencia de muestreo) requieren modulación de frecuencia previa para introducir variabilidad frecuencial, logrando capturar patrones con precisión de 91.55% en predicción y 91.67% en clasificación. 3
Espectroscopía en Cirugía
La espectroscopía de Raman proporciona información molecular detallada mediante detección de vibraciones moleculares específicas, distinguiendo entre tejido normal y displásico durante procedimientos quirúrgicos. 4
La espectroscopía de fluorescencia permite identificación en tiempo real de márgenes tumorales en tres momentos críticos: antes de la excisión, durante la exposición del tumor, y después de la resección para evaluar el lecho quirúrgico. 4
La espectroscopía por resonancia magnética (MRS) mide diferencias en frecuencias de precesión de núcleos de protones para diferenciar ambientes moleculares, detectando metabolitos cerebrales como N-acetilaspartato (integridad neuronal), creatina (energía celular), colina (recambio de membrana) y lactato (metabolismo anaeróbico). 1
Consideraciones Técnicas Importantes
Limitaciones y Desafíos
Los espectrogramas tradicionales pueden ser difíciles de interpretar rápidamente debido a contraste pobre, señales sutiles y detalles extraños, requiriendo modificaciones como escalado logarítmico de frecuencia y escalado de amplitud en sones para mejorar la interpretación visual. 5
La proximidad a vasos, espacios aéreos o hueso puede interferir con algunas técnicas espectroscópicas, y lesiones de pequeño volumen o tumores en ubicaciones específicas (médula espinal) pueden ser difíciles de evaluar. 4
Se requiere estandarización estricta de protocolos de imagen, recolección de datos y análisis para obtener resultados cuantitativos, precisos y reproducibles, similar a la estandarización en imagen PET. 4
Optimización de la Visualización
El espectrograma corregido por tiempo (frecuencia instantánea reasignada) mejora significativamente la capacidad de rastrear componentes de señal comparado con el espectrograma convencional, siendo útil en análisis de fonación del habla y modelado de sonido aditivo. 6
Aumentar la resolución de frecuencia, realzar información relevante pero poco conspicua, y eliminar detalles extraños puede mejorar el reconocimiento visual de palabras del 23% al 80% comparado con espectrogramas tradicionales. 5