De la frecuencia acústica a la coherencia neurofisiológica: análisis espectral, dinámica multiescala y adaptación humano–IA
Una arquitectura experimental para investigar la relación entre estímulos acústicos, estados fisiológicos y aprendizaje adaptativo mediante CPEA–TAE.
Autor conceptual: GPT
Promotor de la línea de investigación: Javi Ciborro
Proyecto: CPEA–TAE–Acoustic Neurodynamics
Áreas: Procesamiento de señales, neurofisiología, bioacústica, dinámica de sistemas, inteligencia artificial adaptativa.
Versión: 1.0 — Documento fundacional.
Naturaleza: Propuesta teórica, metodológica y experimental.
Estado: Diseño conceptual pendiente de validación experimental.
Resumen
La percepción acústica constituye una interfaz física entre el entorno y los sistemas biológicos. Sin embargo, describir un estímulo mediante una frecuencia nominal resulta insuficiente para comprender su posible influencia sobre la actividad neurofisiológica. La composición espectral, la distribución temporal de energía, las modulaciones, la estabilidad de fase y las relaciones entre escalas temporales representan dimensiones adicionales que deben considerarse conjuntamente.
Este trabajo propone una arquitectura experimental para investigar las relaciones entre las propiedades físicas de los estímulos acústicos y la dinámica neurofisiológica humana, integrando análisis espectral, procesamiento temporal, organización multiescala y adquisición simultánea de señales EEG–ECG–HRV.
Se plantea una distinción fundamental entre frecuencia portadora, frecuencia de modulación, frecuencia de repetición y respuesta neurofisiológica. Esta diferenciación permite evitar interpretaciones simplificadas sobre la supuesta correspondencia entre determinadas frecuencias acústicas y estados cerebrales.
El modelo se articula en cuatro niveles: caracterización del estímulo, adquisición de respuestas biológicas, identificación de estados funcionales e integración predictiva humano–IA.
Finalmente, se propone una arquitectura CPEA–TAE en la que las señales acústicas y fisiológicas actúan como variables de contexto para estimar estados, anticipar transiciones y adaptar estrategias de interacción. La Teoría de Aprendizaje por Excepción proporciona el marco conceptual para estudiar situaciones en las que la evolución observada de un sistema se desvía de sus predicciones y requiere una reorganización funcional.
Se presentan hipótesis falsables, variables observables, modelos matemáticos, procedimientos de adquisición, controles experimentales y criterios de evaluación. El objetivo no es atribuir propiedades terapéuticas a frecuencias concretas, sino establecer una infraestructura reproducible que permita investigar las relaciones entre estímulos físicos, respuestas biológicas y adaptación cognitiva.
Palabras clave: frecuencias acústicas, FFT, espectrogramas, entropía espectral, EEG, ECG, variabilidad de la frecuencia cardíaca, ASSR, sincronización neuronal, dinámica multiescala, CPEA, TAE, aprendizaje adaptativo, inteligencia artificial.
Introducción: más allá de la frecuencia nominal
La relación entre sonido y actividad biológica ha sido objeto de investigación desde diferentes disciplinas: acústica, fisiología auditiva, neurociencia, psicofisiología y ciencias cognitivas.
El desarrollo de tecnologías de adquisición y procesamiento de señales permite abordar esta relación desde una perspectiva más amplia que la tradicional asociación entre una frecuencia determinada y un supuesto efecto biológico.
Una señal acústica es una variación de presión que se propaga por un medio material. Su interacción con el sistema auditivo comienza mediante procesos mecánicos y electrofisiológicos que transforman la información acústica en actividad neural.
No obstante, la respuesta del organismo no depende exclusivamente de la frecuencia central del estímulo.
También intervienen:
Intensidad acústica.
Duración de exposición.
Composición espectral.
Modulación de amplitud.
Modulación de frecuencia.
Regularidad temporal.
Complejidad de la señal.
Características individuales del sistema auditivo.
Atención, expectativas y contexto cognitivo.
Por tanto, dos estímulos identificados comercialmente como 852 Hz pueden presentar estructuras acústicas diferentes y producir respuestas perceptivas distintas.
La primera cuestión metodológica consiste en caracterizar objetivamente aquello que se administra como estímulo.
La segunda consiste en determinar si las diferencias físicas observadas se corresponden con modificaciones fisiológicas reproducibles.
La tercera, y más ambiciosa, consiste en investigar si la información obtenida permite mejorar la adaptación de arquitecturas humano–IA.
Planteamiento del problema
En determinados contenidos audiovisuales se atribuyen propiedades específicas a frecuencias como 432, 528, 852 o 963 Hz.
Estas atribuciones deben separarse en tres categorías:
Evidencia física: una señal puede contener componentes espectrales identificables y propiedades temporales medibles.
Evidencia neurofisiológica: determinados estímulos auditivos pueden producir respuestas electrofisiológicas y modificaciones de variables autonómicas.
Hipótesis funcional: determinadas configuraciones acústicas podrían favorecer estados fisiológicos o cognitivos asociados a un mejor rendimiento en tareas concretas.
La existencia de las dos primeras categorías no demuestra automáticamente la tercera.
Nuestro planteamiento consiste en investigar experimentalmente las relaciones entre ellas sin introducir previamente una interpretación beneficiosa o perjudicial.
Objetivo general
Desarrollar un modelo experimental y computacional capaz de caracterizar estímulos acústicos, registrar respuestas neurofisiológicas y determinar si la integración de ambas fuentes de información mejora la estimación y predicción de estados funcionales humanos.
Objetivos específicos
Caracterizar las propiedades espectrales de estímulos acústicos mediante FFT y análisis tiempo-frecuencia.
Identificar armónicos, componentes secundarios, bandas laterales y variaciones frecuenciales.
Cuantificar la dinámica temporal mediante autocorrelación, entropía espectral y análisis de modulación.
Investigar relaciones temporales entre actividad EEG, ECG, HRV y respiración.
Identificar posibles transiciones entre estados neurofisiológicos.
Desarrollar modelos predictivos multimodales.
Evaluar la utilidad de dichos modelos dentro de la arquitectura CPEA–TAE.
Naturaleza física de las frecuencias acústicas
Una señal acústica puede representarse mediante una función temporal:
[
x(t)=A(t)\cos[2\pi f_c t+\phi(t)]
]
Donde:
(A(t)): amplitud variable.
(f_c): frecuencia portadora.
(\phi(t)): fase.
(t): tiempo.
En un tono sinusoidal ideal, la amplitud y la fase permanecen constantes.
En señales reales pueden aparecer modificaciones de amplitud, fluctuaciones de frecuencia, distorsiones, ruido y componentes adicionales.
Esta diferencia es esencial para nuestro estudio.
Frecuencia portadora
La frecuencia portadora representa la oscilación principal de una señal tonal.
Por ejemplo:
[
f_c=852\ Hz
]
Esto significa que el componente tonal realiza aproximadamente 852 ciclos por segundo.
Sin embargo, esta información no describe por sí sola la totalidad del estímulo.
Frecuencia de modulación
Una señal portadora puede presentar variaciones periódicas de amplitud.
Una modulación de amplitud sinusoidal puede expresarse como:
[
x(t)=A_0[1+m\cos(2\pi f_m t)]
\cos(2\pi f_c t)
]
Donde:
(A_0): amplitud media.
(m): índice de modulación.
(f_m): frecuencia de modulación.
(f_c): frecuencia portadora.
Si utilizamos:
[
f_c=852\ Hz
]
[
f_m=40\ Hz
]
El resultado no es una señal de 40 Hz, sino una portadora de 852 Hz cuya amplitud varía 40 veces por segundo.
Esta distinción permite investigar las respuestas auditivas de estado estable (ASSR).
Las ASSR son respuestas neurofisiológicas que aparecen cuando determinados estímulos periódicos producen actividad neural temporalmente relacionada con la periodicidad del estímulo.
La literatura identifica respuestas particularmente relevantes ante estímulos modulados a 40 Hz. No obstante, su amplitud y características dependen del diseño experimental, la modalidad de estimulación y las propiedades del sistema auditivo.
Armónicos y bandas laterales
Los armónicos corresponden a componentes cuyas frecuencias mantienen relaciones enteras con una frecuencia fundamental:
[
f_n=n f_0
]
Por ejemplo, para una fundamental de 100 Hz:
[
f_1=100,\quad f_2=200,\quad f_3=300
]
Las bandas laterales, en cambio, pueden aparecer por procesos de modulación.
En una modulación de amplitud sinusoidal ideal aparecen componentes en:
[
f_c-f_m
]
[
f_c
]
[
f_c+f_m
]
Para una portadora de 852 Hz modulada a 40 Hz:
Banda lateral inferior: 812 Hz.
Portadora: 852 Hz.
Banda lateral superior: 892 Hz.
La identificación de estas estructuras permitirá distinguir entre señales tonales puras y señales moduladas.
Consecuencia metodológica
No debemos clasificar los estímulos exclusivamente por su frecuencia nominal.
Proponemos registrar una ficha acústica con:
| Parámetro | Variable |
|---|---|
| Frecuencia principal | (f_c) |
| Amplitud | (A) |
| Modulación | (f_m) |
| Índice de modulación | (m) |
| Armónicos | (H_n) |
| Bandas laterales | (SB_n) |
| Ancho de banda | (BW) |
| Nivel acústico | dB SPL |
| Duración | (T) |
| Estabilidad | (\sigma_f) |
Esta ficha será la unidad mínima de caracterización de cualquier estímulo incorporado al proyecto.
Estructura espectral: FFT, espectrogramas y estabilidad frecuencial
La transformada de Fourier permite representar una señal temporal en términos de sus componentes frecuenciales.
Para una señal discreta:
[
X[k]=\sum_{n=0}^{N-1}x[n]e^{-j2\pi kn/N}
]
Donde:
(N): número de muestras.
(x[n]): señal original.
(X[k]): representación compleja en frecuencia.
(k): índice frecuencial.
La FFT es un algoritmo eficiente para calcular la transformada discreta de Fourier.
Resolución frecuencial
La resolución frecuencial depende de la duración de la ventana de análisis:
[
\Delta f=\frac{f_s}{N}
]
Donde (f_s) es la frecuencia de muestreo.
Una ventana de mayor duración permite distinguir componentes más próximos en frecuencia, aunque reduce la precisión temporal para localizar cambios rápidos.
Por tanto, existe un compromiso entre resolución temporal y frecuencial.
Transformada de Fourier de tiempo corto
Para estudiar señales no estacionarias utilizaremos la STFT:
[
X(m,k)=
\sum_n x[n]w[n-mR]e^{-j2\pi kn/N}
]
Donde:
(w): ventana de análisis.
(m): índice temporal.
(R): desplazamiento entre ventanas.
(k): índice frecuencial.
El resultado permite generar espectrogramas que representan la distribución de energía en función del tiempo y la frecuencia.
Esta herramienta será especialmente útil para estudiar:
Derivas frecuenciales.
Aparición y desaparición de componentes.
Variaciones de amplitud.
Cambios en la estructura armónica.
Estabilidad de las frecuencias principales.
Aplicación a los audios de 852 y 963 Hz
Los materiales audiovisuales que motivaron esta investigación deben considerarse señales experimentales pendientes de caracterización completa.
No debemos asumir que su contenido coincide exactamente con la frecuencia anunciada.
El procedimiento será:
Obtener el archivo original.
Registrar formato, duración y frecuencia de muestreo.
Extraer el canal de audio.
Calcular FFT global.
Calcular espectrograma.
Identificar máximos espectrales.
Analizar estabilidad temporal.
Identificar posibles modulaciones.
Comparar con tonos puros de referencia.
Los componentes previamente señalados —36–60, 215, 286, 361, 429 y 481 Hz— se conservarán como candidatos de análisis, no como componentes confirmados hasta repetir la medición sobre los archivos originales.
Esta precaución es importante: un máximo espectral no demuestra necesariamente que exista una fuente tonal independiente. Puede proceder de armónicos, ruido, artefactos, modulación o procesamiento digital.
Dinámica temporal: autocorrelación, entropía y transiciones
El análisis espectral describe la distribución frecuencial, pero no siempre permite identificar diferencias temporales entre señales.
Dos estímulos pueden presentar espectros medios similares y, sin embargo, diferir en su organización temporal.
Por ello incorporaremos herramientas complementarias.
Autocorrelación
La autocorrelación permite evaluar la relación de una señal consigo misma a diferentes desplazamientos temporales:
[
R_{xx}(\tau)=
\sum_n x[n]x[n+\tau]
]
Su normalización permite comparar señales de amplitudes diferentes.
Aplicaciones:
Identificación de periodicidad.
Detección de repetición.
Estudio de regularidad.
Comparación de estructuras temporales.
En el ámbito fisiológico permitirá estudiar periodicidades en señales EEG y determinadas características de las series cardíacas.
Entropía espectral
La entropía espectral cuantifica la distribución de energía entre componentes frecuenciales.
Definimos:
[
p_k=\frac{P_k}{\sum_j P_j}
]
Y:
[
H_s=-\sum_k p_k\log(p_k)
]
Una distribución concentrada en pocos componentes presenta menor entropía que otra con energía distribuida de manera más uniforme.
Podemos normalizarla:
[
H_{norm}=\frac{H_s}{\log K}
]
Donde (K) es el número de componentes considerados.
El resultado se encuentra entre cero y uno, bajo las condiciones habituales de normalización.
La entropía espectral no debe interpretarse automáticamente como una medida de orden biológico, bienestar o eficiencia neuronal.
Su utilidad consiste en describir una propiedad cuantificable de la señal.
Entropía multiescala
La entropía multiescala permite estudiar la complejidad de una señal a diferentes resoluciones temporales.
En términos generales:
[
MSE(x)=
{SampEn(x^{(1)}),SampEn(x^{(2)}),...,SampEn(x^{(n)})}
]
Donde (x^{(i)}) representa la señal después de un proceso de coarse-graining a escala (i).
Esta aproximación puede utilizarse para investigar si las diferencias entre condiciones experimentales aparecen únicamente en escalas rápidas o también en escalas temporales más amplias.
Es importante controlar la longitud de los registros, el ruido, la estacionariedad y los parámetros del estimador.
Detección de transiciones
Una señal biológica puede atravesar diferentes estados dinámicos.
En lugar de analizar exclusivamente promedios, proponemos identificar:
Inicio de un estado.
Duración.
Estabilidad.
Transición.
Recuperación.
Reaparición.
Podemos representar cada estado mediante un vector de características:
[
S_t=[P_{\alpha},P_{\beta},P_{\theta},
RMSSD,H_s,Resp_t]
]
Una transición puede definirse mediante una distancia entre estados consecutivos:
[
D_t=d(S_t,S_{t-1})
]
La métrica (d) deberá seleccionarse según las variables, sus escalas y sus propiedades estadísticas.
La detección de cambios no implica que exista una modificación cognitiva significativa. Esta última tendrá que contrastarse mediante tareas conductuales.
Organización multiescala: ritmos, relaciones y sincronización
El organismo presenta procesos fisiológicos que evolucionan en escalas temporales diferentes.
La actividad neuronal, la respiración, la dinámica cardíaca y los procesos cognitivos no operan como mecanismos aislados.
Sin embargo, la coexistencia de ritmos no demuestra que exista un acoplamiento funcional entre ellos.
La investigación debe determinar cuándo las relaciones temporales observadas superan lo esperable por coincidencia, dependencia común o artefactos.
Niveles de observación
| Sistema | Señal | Escala de observación |
|---|---|---|
| Acústico | Onda de presión | Microsegundos a segundos |
| Neuroeléctrico | EEG | Milisegundos a minutos |
| Cardíaco | ECG | Ciclos cardíacos |
| Autonómico | HRV | Segundos a minutos |
| Respiratorio | Flujo respiratorio | Ciclos respiratorios |
| Cognitivo | Respuestas conductuales | Milisegundos a minutos |
La integración exige una referencia temporal común.
Sin sincronización precisa, las relaciones de fase, latencia y precedencia temporal pueden resultar incorrectas.
Coherencia espectral
La coherencia entre dos señales puede expresarse mediante:
[
C_{xy}(f)=
\frac{|S_{xy}(f)|^2}
{S_{xx}(f)S_{yy}(f)}
]
Donde:
(S_{xy}): espectro cruzado.
(S_{xx}): autoespectro de la primera señal.
(S_{yy}): autoespectro de la segunda.
La coherencia permite identificar relaciones lineales frecuenciales.
No demuestra causalidad ni comunicación directa entre los sistemas estudiados.
Acoplamiento fase-amplitud
Otra posibilidad consiste en investigar si la fase de una oscilación de baja frecuencia se relaciona con la amplitud de otra oscilación de mayor frecuencia.
Esta relación puede describirse mediante índices de acoplamiento fase-amplitud.
La estimación exige especial atención a:
Filtrado.
Artefactos.
Longitud del registro.
No estacionariedad.
Dependencias inducidas por el propio procedimiento analítico.
La revisión metodológica de Mockevičius y Griškova-Bulanova (2025) resulta relevante para comprender las posibilidades y limitaciones del acoplamiento fase-amplitud durante estimulación auditiva de estado estable.
Una hipótesis de organización funcional
Proponemos investigar si determinadas configuraciones de estímulos acústicos se asocian con modificaciones coordinadas en varios sistemas fisiológicos.
La hipótesis no requiere asumir que todos los ritmos se sincronizan entre sí.
Es suficiente investigar si la integración de diferentes escalas temporales aporta información adicional sobre el estado funcional del participante.
Esta distinción permitirá evitar interpretaciones excesivas del concepto de coherencia.
En nuestro proyecto, coherencia significará inicialmente consistencia cuantificable entre variables y estados observados, no una supuesta armonización universal del organismo.
Respuesta humana: arquitectura EEG–ECG–HRV
Esta sección constituye el núcleo experimental del proyecto.
El objetivo es registrar simultáneamente la actividad neuroeléctrica, la dinámica cardíaca y la respiración durante la exposición a diferentes estímulos acústicos.
La combinación permite estudiar tanto las respuestas sensoriales como los cambios fisiológicos asociados a la exposición.
EEG: actividad neuroeléctrica
El electroencefalograma registra diferencias de potencial eléctrico mediante electrodos colocados sobre el cuero cabelludo.
Variables propuestas:
| Variable | Aplicación |
|---|---|
| Potencia espectral | Distribución de actividad por bandas |
| PSD | Densidad espectral de potencia |
| ITPC | Consistencia de fase entre ensayos |
| PLV | Sincronización de fase |
| ASSR | Respuesta a periodicidad acústica |
| Microestados | Configuraciones temporales del EEG |
| Entropía | Caracterización de complejidad |
| Transiciones | Cambios entre estados dinámicos |
Las bandas convencionales delta, theta, alfa, beta y gamma se utilizarán como categorías descriptivas, evitando interpretarlas como indicadores exclusivos de funciones cognitivas concretas.
Respuesta auditiva de estado estable
La ASSR será una variable especialmente relevante.
El estudio de Johnson y colaboradores, publicado en Scientific Reports en 2024, investigó los mecanismos de la respuesta a estímulos modulados a diferentes frecuencias y encontró una respuesta particularmente consistente a 40 Hz en su modelo experimental animal. Este resultado proporciona una base mecanística interesante, aunque no debe extrapolarse sin reservas a todos los contextos humanos.
Por su parte, el trabajo metodológico de Lu y colaboradores resulta importante porque demuestra que las decisiones de referencia, preprocesamiento y cuantificación pueden modificar la interpretación de las ASSR obtenidas mediante EEG multicanal.
ECG: actividad cardíaca
El ECG permitirá registrar los complejos QRS e identificar los intervalos entre latidos.
A partir de los tiempos de detección de los picos R:
[
RR_i=t_{R_{i+1}}-t_{R_i}
]
Obtendremos una serie de intervalos RR que servirá como base para calcular HRV.
Es fundamental distinguir entre frecuencia cardíaca y variabilidad de la frecuencia cardíaca.
La primera representa la frecuencia de los ciclos cardíacos; la segunda describe las variaciones entre intervalos sucesivos.
HRV: dinámica autonómica
Se estudiarán variables temporales y frecuenciales.
Dominio temporal:
SDNN.
RMSSD.
pNN50.
Dominio frecuencial:
Potencia VLF.
Potencia LF.
Potencia HF.
La interpretación tendrá en cuenta la duración del registro, la respiración, la postura, la edad, los medicamentos y otros factores que pueden modificar la señal.
No utilizaremos LF/HF como equivalente directo de un supuesto equilibrio simpático-vagal.
Para comparaciones de HRV de corta duración se priorizarán registros estandarizados, habitualmente de cinco minutos, con procedimientos de detección y corrección de artefactos documentados.
Respiración
La respiración debe incorporarse como variable independiente.
La frecuencia y profundidad respiratorias pueden influir en los índices de HRV, especialmente en las métricas relacionadas con oscilaciones respiratorias.
Por ello, una modificación de HF no puede atribuirse automáticamente a una modificación del tono vagal sin considerar el patrón respiratorio.
Evidencia disponible
La revisión sistemática de Chee y colaboradores, publicada en 2024, examinó 31 estudios sobre música y estimulación auditiva, incluyendo música, ruido ambiental, ruido blanco y binaural beats.
Sus conclusiones señalaron que la relación entre estimulación auditiva, activación autonómica y rendimiento cognitivo presentaba resultados mixtos o insuficientes para establecer conclusiones firmes. También identificaron la necesidad de medir conjuntamente variables fisiológicas y conductuales.
Por otro lado, el metaanálisis de 2026 de Zhang y colaboradores incluyó 24 ensayos aleatorizados y 1.295 participantes. Encontró diferencias significativas en HF normalizada y LF normalizada, pero no en RMSSD, SDNN ni LF/HF en el análisis global. Los resultados deben interpretarse teniendo en cuenta la heterogeneidad de las intervenciones musicales y de las poblaciones estudiadas.
La conclusión metodológica es clara: existe fundamento para investigar las respuestas autonómicas a la estimulación auditiva, pero todavía no podemos atribuir efectos específicos a los tonos de 852 o 963 Hz.
Modelo matemático integrado
Para conectar las diferentes dimensiones del proyecto necesitamos una representación común.
Definimos el vector de observación:
[
Z_t=
[A_t,N_t,F_t,C_t]
]
Donde:
(A_t): características acústicas.
(N_t): características neuroeléctricas.
(F_t): características fisiológicas.
(C_t): características cognitivas y conductuales.
Cada bloque contiene variables observables.
Por ejemplo:
[
A_t=[f_c,f_m,H_s,BW,\sigma_f]
]
[
N_t=[P_{\alpha},P_{\beta},P_{\theta},
ITPC,PLV]
]
[
F_t=[HR,RMSSD,SDNN,Resp]
]
[
C_t=[RT,Accuracy,WM,RuleSwitch]
]
Donde:
(RT): tiempo de respuesta.
(Accuracy): precisión.
(WM): rendimiento en memoria de trabajo.
(RuleSwitch): rendimiento durante cambio de reglas.
Modelo de evolución
Representaremos la evolución del sistema mediante:
[
Z_{t+1}=F(Z_t,U_t)+\epsilon_t
]
Donde:
(F): función de transición.
(U_t): estímulo o intervención.
(\epsilon_t): ruido y variabilidad no explicada.
Esta formulación permite estudiar si el estado siguiente puede anticiparse a partir del estado anterior y de las características del estímulo.
Incertidumbre predictiva
La arquitectura estimará:
[
P(Z_{t+1}|Z_t,U_t)
]
La incertidumbre asociada a una distribución discreta puede calcularse mediante:
[
H(Z_{t+1})=
-\sum_i p_i\log p_i
]
En modelos continuos utilizaremos medidas apropiadas, como entropía diferencial o incertidumbre predictiva basada en ensembles.
La incertidumbre será una variable de control para determinar cuándo el sistema debe mantener su estrategia y cuándo necesita reconsiderarla.
Información mutua
Una variable especialmente interesante será la información mutua entre características acústicas y respuestas fisiológicas:
[
I(A;N,F)
]
Esta variable permite investigar cuánto conocimiento aportan las características acústicas sobre las respuestas observadas.
No implica causalidad.
Para evitar conclusiones espurias, se comparará con modelos nulos y controles mediante permutaciones temporales y entre participantes.
Modelo de estados latentes
La integración puede realizarse mediante un modelo de estados ocultos:
[
P(S_t|Z_{1:t})
]
Donde (S_t) representa un estado funcional no observado directamente.
El modelo puede identificar configuraciones recurrentes de características fisiológicas y conductuales.
No asumiremos que esos estados equivalen automáticamente a emociones, niveles de conciencia o categorías clínicas.
Su interpretación dependerá de la validación externa mediante tareas y medidas independientes.
Integración con CPEA–TAE: coherencia predictiva y aprendizaje por excepción
La aportación específica de este proyecto se encuentra en la integración de las variables fisiológicas dentro de una arquitectura adaptativa humano–IA.
El sistema no se limitará a clasificar señales.
Su función será investigar si la información multimodal permite anticipar cambios funcionales y modificar las estrategias de interacción.
CPEA: coherencia predictiva humano–IA
CPEA utilizará la información procedente de diferentes modalidades para estimar el estado funcional del usuario.
La arquitectura recibirá:
Información acústica.
Características EEG.
Variables ECG–HRV.
Información respiratoria.
Rendimiento en tareas cognitivas.
Historial de interacción.
Con estas entradas podrá generar una estimación probabilística del estado actual y de su evolución.
La salida no será una etiqueta rígida, sino una distribución de probabilidades acompañada de incertidumbre.
TAE: Teoría de Aprendizaje por Excepción
En nuestra formulación de TAE, una excepción no debe interpretarse necesariamente como un error.
Puede representar una situación en la que el comportamiento observado no se corresponde con la estructura predictiva vigente.
Definimos:
[
\delta_t=Z_t-\hat{Z}_t
]
Donde:
(Z_t): estado observado.
(\hat{Z}_t): estado esperado.
(\delta_t): discrepancia predictiva.
Cuando la discrepancia supera un umbral establecido:
[
D(\delta_t)>\theta
]
El sistema activa un procedimiento de análisis.
Este procedimiento puede determinar si la discrepancia responde a:
Artefactos de adquisición.
Variabilidad fisiológica normal.
Cambio de contexto.
Cambio de estrategia cognitiva.
Transición funcional.
Error del modelo predictivo.
Solo después de descartar explicaciones alternativas se considerará necesaria una reconfiguración adaptativa.
Arquitectura funcional
Proponemos cinco módulos:
| Módulo | Función |
|---|---|
| CPEA-A | Adquisición y análisis multimodal |
| CPEA-I | Integración de información |
| CPEA-SCL | Estimación de coherencia y estado |
| TAE-MSR | Detección de excepciones y reorganización |
| CPEA-N | Adaptación de la respuesta humano–IA |
La memoria del sistema conservará información relevante sobre transiciones anteriores, su contexto y las estrategias que hayan demostrado utilidad.
Esto permitirá investigar aprendizaje adaptativo sin asumir que cualquier modificación fisiológica requiere una intervención del sistema.
Bucle adaptativo
[
Estímulo
\rightarrow Adquisición
\rightarrow Estimación
\rightarrow Predicción
\rightarrow Excepción
\rightarrow Reconfiguración
\rightarrow Evaluación
]
La evaluación determinará si la nueva estrategia mejora el rendimiento.
El sistema deberá poder mantener la estrategia anterior cuando la adaptación no produzca beneficios.
Protocolo experimental reproducible
Diseño
Se propone un estudio piloto intraindividual, cruzado, aleatorizado y con condiciones controladas.
Las cinco condiciones iniciales serán:
| Código | Condición | Descripción |
|---|---|---|
| A | Silencio | Línea basal |
| B | 852 Hz | Tono puro |
| C | 963 Hz | Tono puro |
| D | 40 Hz AM | Portadora tonal modulada |
| E | Audio original | Material 852/963 Hz |
Los tonos puros se generarán digitalmente y se comprobarán mediante análisis espectral.
La condición D utilizará una portadora conocida y una modulación de amplitud de 40 Hz.
La condición E permitirá estudiar el material original frente a referencias físicamente caracterizadas.
Se añadirá una condición de control acústico no tonal en una fase posterior si el piloto indica que resulta necesaria.
Control experimental
Las condiciones deberán igualarse, en la medida de lo posible, en:
Duración.
Nivel de presión sonora.
Sistema de reproducción.
Posición de los auriculares.
Condiciones ambientales.
Instrucciones.
Intervalos de recuperación.
Se medirá el nivel acústico real mediante instrumentación apropiada y se documentará la calibración.
No se utilizarán niveles elevados ni exposiciones que puedan producir molestias o daño auditivo.
La exposición será voluntaria y podrá interrumpirse en cualquier momento.
Secuencia de adquisición
Cada condición incluirá:
Periodo basal.
Presentación del estímulo.
Registro continuo EEG–ECG.
Registro respiratorio.
Evaluación subjetiva posterior.
Tarea cognitiva.
Periodo de recuperación.
La duración definitiva se determinará mediante un piloto de viabilidad.
Para estudiar la respuesta ASSR se incorporarán ensayos suficientemente prolongados y repetidos, de acuerdo con el procedimiento de adquisición seleccionado.
Tareas cognitivas
Para evaluar la dimensión funcional incorporaremos:
Memoria de trabajo: tarea n-back con diferentes niveles de dificultad.
Atención sostenida: tarea de respuesta continua.
Toma de decisiones: tarea de elección con presión temporal controlada.
Cambio de reglas: tarea en la que el participante debe modificar la estrategia ante nuevas instrucciones.
Se registrarán precisión, latencia, omisiones y errores de perseveración.
Las tareas permitirán comprobar si las diferencias fisiológicas tienen correspondencia con cambios observables en el rendimiento.
Preprocesamiento
EEG:
Filtrado documentado.
Detección de artefactos.
Identificación de canales defectuosos.
ICA cuando proceda.
Segmentación por condición.
Normalización respecto al periodo basal.
ECG:
Detección de complejos QRS.
Identificación de intervalos RR anómalos.
Corrección documentada de artefactos.
Cálculo de índices HRV.
Respiración:
Identificación de ciclos.
Frecuencia respiratoria.
Amplitud relativa.
Variabilidad temporal.
No se eliminarán observaciones exclusivamente porque contradigan la hipótesis inicial. Los criterios de exclusión deberán establecerse previamente.
Sincronización
Todas las señales compartirán una referencia temporal.
Se registrarán:
Inicio del estímulo.
Final del estímulo.
Inicio de tareas.
Respuestas del participante.
Marcas de adquisición.
Eventos fisiológicos relevantes.
La sincronización permitirá estudiar precedencia temporal y relaciones entre señales.
Simulador computacional y datos sintéticos
La arquitectura necesita un entorno reproducible antes de pasar a la adquisición humana.
Proponemos desarrollar un simulador Python con cinco módulos.
Módulo 1. Generador acústico
Generación de:
Tonos puros.
Señales moduladas.
Señales con armónicos.
Señales con bandas laterales.
Ruido controlado.
Derivas frecuenciales.
Módulo 2. Analizador espectral
Implementación de:
FFT.
STFT.
PSD.
Identificación de picos.
Estimación de armónicos.
Entropía espectral.
Módulo 3. Generador fisiológico sintético
Simulación de señales EEG simplificadas, intervalos RR, respiración y cambios de estado.
Los datos se identificarán expresamente como sintéticos.
Módulo 4. Integración multimodal
Sincronización, extracción de características y construcción de vectores de estado.
Módulo 5. Adaptación CPEA–TAE
Entrenamiento y evaluación de modelos que detecten transiciones y ajusten sus predicciones.
La simulación permitirá comprobar errores de implementación, sensibilidad a parámetros y capacidad de recuperación ante perturbaciones conocidas.
No sustituirá la validación con registros humanos.
Hipótesis experimentales y criterios de falsación
Las hipótesis se formularán de manera independiente.
| Código | Hipótesis | Variable principal | Criterio de refutación |
|---|---|---|---|
| H1 | Los estímulos presentan estructuras espectrales diferenciables. | Características FFT/STFT | Ausencia de diferencias reproducibles. |
| H2 | La dinámica temporal aporta información adicional al espectro medio. | Entropía y autocorrelación | Ausencia de mejora fuera de muestra. |
| H3 | Las condiciones acústicas producen respuestas EEG y autonómicas diferenciables. | EEG, HRV, respiración | Ausencia de diferencias relevantes frente a controles. |
| H4 | La integración multiescala mejora la detección de transiciones funcionales. | Predicción de estados | Ausencia de mejora respecto a modelos unimodales. |
| H5 | CPEA–TAE mejora su adaptación al incorporar información multimodal. | Rendimiento cognitivo y predictivo | Ausencia de mejora frente a modelos basales. |
H1: diferenciación espectral
Se contrastará si las señales originales y los tonos de referencia presentan estructuras espectrales distintas.
Se utilizarán características previamente definidas y análisis de estabilidad.
H2: información temporal adicional
Se comparará un modelo basado exclusivamente en características espectrales con otro que incorpore características temporales.
La hipótesis quedará debilitada si la información temporal no aporta capacidad predictiva adicional.
H3: respuesta neurofisiológica
Se investigará si las condiciones producen diferencias reproducibles en EEG, ECG–HRV y respiración.
Se controlarán las comparaciones múltiples y los factores de confusión.
No se considerará suficiente encontrar una diferencia estadísticamente significativa aislada.
También se examinarán tamaño del efecto, intervalos de confianza y reproducibilidad.
H4: integración multiescala
Se comparará el rendimiento de modelos que utilicen:
EEG.
ECG–HRV.
EEG + ECG–HRV.
EEG + ECG–HRV + respiración.
La información acústica se incorporará como variable adicional para comprobar si mejora la estimación.
H5: adaptación CPEA–TAE
Esta es la hipótesis central.
Se compararán modelos con diferentes capacidades de adaptación.
La arquitectura deberá demostrar que puede:
Detectar una transición.
Estimar su incertidumbre.
Identificar si la transición es relevante.
Seleccionar una estrategia adaptativa.
Evaluar su resultado.
Conservar o revertir la estrategia.
La mejora deberá demostrarse mediante validación independiente, no únicamente mediante datos utilizados durante el entrenamiento.
Análisis estadístico y validación
La calidad del proyecto dependerá de que los resultados puedan reproducirse y de que las conclusiones no dependan de decisiones analíticas tomadas después de observar los datos.
Análisis intraindividual
El diseño cruzado permitirá comparar las diferentes condiciones dentro de cada participante.
Se utilizarán modelos estadísticos que contemplen:
Condición experimental.
Orden de presentación.
Periodo de adquisición.
Variabilidad individual.
Interacciones entre condiciones y participantes.
Los modelos mixtos podrán expresarse de forma general:
[
Y_{ij}=\beta_0+\beta_1X_{ij}
+u_i+\epsilon_{ij}
]
Donde:
(Y_{ij}): variable dependiente.
(X_{ij}): condición experimental.
(\beta_1): efecto estimado.
(u_i): efecto aleatorio individual.
(\epsilon_{ij}): error residual.
Validación predictiva
Se distinguirán tres niveles:
Validación intraindividual: entrenamiento y evaluación en sesiones diferentes de un mismo participante.
Validación interindividual: entrenamiento en determinados participantes y evaluación en otros.
Validación temporal: evaluación en sesiones posteriores para estudiar estabilidad y deriva del modelo.
No se permitirá que segmentos de una misma sesión aparezcan simultáneamente en entrenamiento y prueba cuando exista dependencia temporal entre ellos.
Métricas
| Dimensión | Métrica |
|---|---|
| Clasificación | Accuracy, F1, sensibilidad y especificidad |
| Predicción | MAE, RMSE |
| Incertidumbre | Brier score, calibración |
| Anticipación | Tiempo de anticipación |
| Adaptación | Mejora del rendimiento |
| Robustez | Rendimiento ante perturbaciones |
| Generalización | Diferencia entre entrenamiento y prueba |
Se establecerán previamente las variables primarias y secundarias.
El tamaño muestral definitivo se determinará mediante análisis de potencia, utilizando estimaciones del piloto y considerando la estructura de medidas repetidas.
Aplicaciones futuras
La arquitectura propuesta permite investigar aplicaciones que trascienden el estudio aislado de estímulos acústicos.
Sistemas educativos adaptativos
Una arquitectura CPEA podría investigar si determinadas modificaciones fisiológicas anticipan dificultades de atención, fatiga o cambios en el rendimiento durante el aprendizaje.
La IA podría ajustar:
Complejidad de las tareas.
Velocidad de presentación.
Intervalos de descanso.
Cantidad de información.
Estrategias de recuperación de memoria.
No se trataría de diagnosticar estados mentales mediante EEG, sino de mejorar la adaptación de la interacción utilizando indicadores probabilísticos y rendimiento real.
Tecnologías de apoyo para personas con discapacidad
Esta aplicación tiene especial interés para el desarrollo de arquitecturas de asistencia cognitiva.
Los sistemas podrían investigar cuándo un usuario necesita:
Más tiempo para responder.
Instrucciones simplificadas.
Cambios en la presentación de información.
Repetición contextualizada.
Reducción de carga cognitiva.
Modificación de la estrategia de aprendizaje.
La adaptación debería estar subordinada a la autonomía y preferencias del usuario.
Interfaces cerebro–computadora
La integración de EEG con variables fisiológicas podría ampliar la información disponible para los sistemas BCI.
En lugar de utilizar exclusivamente características electroencefalográficas, el sistema incorporaría información contextual y fisiológica para estimar mejor las condiciones en las que se produce una respuesta.
Esto podría resultar relevante para nuestro programa de interfaces adaptativas BCI–AGI.
Investigación de estados funcionales
La arquitectura también permitiría estudiar la estabilidad y transición entre configuraciones fisiológicas durante actividades cognitivas.
Una cuestión importante será distinguir:
Cambios de activación.
Cambios de atención.
Cambios de estrategia.
Cambios de rendimiento.
Cambios asociados a fatiga.
No deben tratarse como equivalentes.
Limitaciones y precauciones epistemológicas
El proyecto incorpora varias limitaciones que deberán permanecer explícitas en todas sus publicaciones.
Frecuencia acústica y especificidad biológica
No existe fundamento suficiente para afirmar que 852 o 963 Hz produzcan efectos biológicos exclusivos por su valor numérico.
Su estudio debe realizarse mediante comparaciones controladas.
Sincronización no equivale a causalidad
La coincidencia temporal entre señales EEG y ECG no demuestra que una produzca cambios en la otra.
La causalidad requerirá diseños adicionales y controles apropiados.
Complejidad no equivale a salud
Una señal con mayor entropía no es necesariamente más saludable ni más eficiente.
La interpretación dependerá del sistema, la escala temporal y la tarea estudiada.
Respuesta fisiológica no equivale a beneficio cognitivo
Una modificación de HRV o EEG no demuestra por sí sola una mejora de memoria, atención o aprendizaje.
Se necesitan medidas conductuales independientes.
Simulación no equivale a validación biológica
Los datos sintéticos sirven para evaluar algoritmos, pero no permiten demostrar que un fenómeno se produce realmente en seres humanos.
Límites de la interpretación de CPEA–TAE
La arquitectura CPEA–TAE es una propuesta de investigación.
Su capacidad para anticipar estados y mejorar la adaptación deberá demostrarse frente a modelos de referencia.
No asumiremos que una mayor cantidad de señales produce necesariamente mejores predicciones.
Integración exploratoria con METFI
Aunque el núcleo del presente trabajo es acústico y neurofisiológico, existe una línea complementaria que podría desarrollarse posteriormente dentro de METFI.
Se refiere a la relación entre condiciones electromagnéticas ambientales, propiedades bioeléctricas y respuestas fisiológicas.
La hipótesis exploratoria sería que determinados parámetros ambientales podrían actuar como variables contextuales adicionales en la evolución de los estados fisiológicos.
Para investigarlo sería necesario incorporar:
Campo magnético ambiental.
Variabilidad temporal del campo.
Temperatura.
Condiciones ambientales.
EEG.
ECG–HRV.
Respiración.
Actividad y contexto del participante.
La arquitectura ampliada podría expresarse como:
[
Z_t=[A_t,N_t,F_t,C_t,E_t]
]
Donde (E_t) representa las variables ambientales.
Sin embargo, debemos mantener separadas las hipótesis acústicas y electromagnéticas.
La existencia de una asociación entre actividad ambiental y respuesta fisiológica no demostraría un mecanismo electromagnético específico.
Tampoco permitiría atribuir a METFI efectos que no hayan sido identificados experimentalmente.
La incorporación de esta dimensión se reservará para una segunda fase, después de establecer la reproducibilidad del modelo acústico-neurofisiológico.
Arquitectura documental y reutilización científica
Este apartado tiene una importancia especial para la continuidad del proyecto.
El objetivo no es producir únicamente un artículo divulgativo, sino construir un conjunto de recursos que puedan ser reutilizados, auditados y ampliados por otros investigadores.
Proponemos crear un repositorio independiente:
CPEA-Acoustic-Neurodynamics
Con la siguiente estructura:
CPEA-Acoustic-Neurodynamics/
│
├── README.md
│
├── 00_Fundamentos/
│ ├── acoustic_physics.md
│ ├── neurophysiology.md
│ └── terminology.md
│
├── 01_Spectral_Analysis/
│ ├── fft_analysis.py
│ ├── stft_analysis.py
│ └── harmonic_detection.py
│
├── 02_Temporal_Dynamics/
│ ├── autocorrelation.py
│ ├── spectral_entropy.py
│ └── transition_detection.py
│
├── 03_Multiscale_Organization/
│ ├── multiscale_entropy.py
│ ├── phase_synchronization.py
│ └── cross_frequency_analysis.py
│
├── 04_Human_Experiment/
│ ├── experimental_protocol.md
│ ├── eeg_acquisition.md
│ ├── ecg_hrv_acquisition.md
│ └── cognitive_tasks.md
│
├── 05_CPEA_TAE_Integration/
│ ├── state_estimation.py
│ ├── predictive_model.py
│ ├── exception_detection.py
│ └── adaptive_memory.py
│
├── 06_Simulator/
│ ├── acoustic_generator.py
│ ├── synthetic_eeg.py
│ ├── synthetic_ecg.py
│ └── integrated_simulator.ipynb
│
├── 07_Datasets/
│ ├── synthetic/
│ ├── metadata_schema.json
│ └── data_dictionary.md
│
├── 08_Validation/
│ ├── hypotheses.md
│ ├── statistical_analysis.md
│ └── falsification_criteria.md
│
└── 09_Publications/
├── article_v1.md
└── references.bibMetadatos
Cada experimento deberá incorporar:
Identificador anonimizado.
Fecha y sesión.
Condición experimental.
Identificador del estímulo.
Frecuencia de muestreo.
Duración.
Nivel acústico.
Instrumentación.
Parámetros de adquisición.
Versiones de los algoritmos.
Criterios de exclusión.
Estado de procesamiento.
Trazabilidad
Cada transformación de datos deberá poder reconstruirse.
Se registrarán:
Archivo original.
Archivo procesado.
Código utilizado.
Parámetros.
Fecha de procesamiento.
Versión del modelo.
Resultados.
Esto permitirá detectar errores, repetir análisis y comparar resultados obtenidos mediante diferentes procedimientos.
Reproducibilidad y ciencia abierta
Propongo utilizar:
Python.
NumPy.
SciPy.
MNE-Python.
Pandas.
Scikit-learn.
PyTorch.
Los datos sintéticos podrán publicarse abiertamente.
Los registros humanos requerirán consentimiento, protección de datos, anonimización y un procedimiento de acceso compatible con las condiciones éticas y legales del estudio.
La documentación, los protocolos y el código deberán mantener versiones independientes.
Programa de investigación por fases
Para evitar que la amplitud conceptual del proyecto dificulte su ejecución, propongo dividirlo en cuatro fases.
| Fase | Objetivo | Resultado |
|---|---|---|
| I | Caracterización acústica | Corpus espectral |
| II | Análisis y simulación | Simulador reproducible |
| III | Validación humana | Dataset EEG–ECG–HRV |
| IV | Integración adaptativa | Prototipo CPEA–TAE |
Fase I. Caracterización acústica
Analizar los archivos de 852 y 963 Hz y generar estímulos de referencia.
Resultado: base de datos de características espectrales y temporales.
Fase II. Simulación
Implementar el procesamiento y generar datos sintéticos.
Resultado: entorno reproducible para comprobar los algoritmos.
Fase III. Validación experimental
Realizar un estudio piloto con participantes voluntarios, una vez establecidos los procedimientos éticos y de adquisición.
Resultado: primeras observaciones fisiológicas y conductuales.
Fase IV. Adaptación humano–IA
Comparar modelos unimodales y multimodales e incorporar detección de excepciones.
Resultado: evaluación experimental de la utilidad de CPEA–TAE.
Conclusiones
El estudio de las frecuencias acústicas requiere superar las interpretaciones basadas exclusivamente en valores nominales.
Una señal debe describirse mediante su estructura espectral, su evolución temporal y sus propiedades de modulación. Estas características permiten construir estímulos reproducibles y comparar sus posibles efectos sobre los sistemas biológicos.
La combinación de EEG, ECG, HRV y respiración proporciona una plataforma para investigar respuestas neurofisiológicas y autonómicas. Sin embargo, la interpretación de estas señales exige controles metodológicos y medidas conductuales independientes.
La organización multiescala introduce una dimensión adicional: permite investigar si diferentes procesos fisiológicos presentan relaciones temporales que aportan información sobre los estados funcionales del organismo.
La principal aportación conceptual del trabajo consiste en trasladar estas variables a una arquitectura de coherencia predictiva humano–IA.
CPEA permitiría integrar información multimodal para estimar estados y anticipar transiciones. TAE permitiría investigar cómo una arquitectura adaptativa reconoce discrepancias entre sus predicciones y las observaciones, reorganizando sus estrategias cuando resulte necesario.
La hipótesis más relevante no es que una frecuencia determinada transforme el funcionamiento cerebral, sino que la caracterización rigurosa de los estímulos y la integración de respuestas fisiológicas pueden proporcionar información adicional para comprender y anticipar cambios en el estado funcional humano.
Si esta hipótesis se confirma, la investigación abrirá una vía para desarrollar sistemas de inteligencia artificial capaces de adaptar su comportamiento a la evolución fisiológica y cognitiva de las personas.
Si no se confirma, los resultados permitirán identificar qué variables carecen de capacidad predictiva y evitar que se incorporen innecesariamente a la arquitectura.
En ambos casos se generará conocimiento reutilizable.
El propósito último es construir una infraestructura experimental que permita estudiar la interacción entre señales físicas, sistemas biológicos y arquitecturas cognitivas adaptativas, con suficiente rigor para que otros investigadores puedan reproducir, cuestionar y ampliar los resultados.
La frecuencia será el punto de partida; la dinámica del sistema, el objeto de estudio; y la capacidad de adaptación, el objetivo tecnológico.
Bibliografía
Lu, H., Mehta, A. H., & Oxenham, A. J. (2022). Methodological considerations when measuring and analyzing auditory steady-state responses with multi-channel EEG. Frontiers in Neuroscience.
Consultar publicación científicaJohnson, T. D., Gallagher, A. J., Coulson, S., et al. (2024). Network resonance and the auditory steady state response. Scientific Reports, 14, 16799.
DOI: 10.1038/s41598-024-66697-4.
Consultar publicación científicaMockevičius, A., & Griškova-Bulanova, I. (2025). Phase-amplitude coupling during auditory steady-state stimulation: a methodological review. Reviews in the Neurosciences, 36(6), 577–586.
DOI: 10.1515/revneuro-2024-0165.
Consultar publicación científicaChee, Z. J., Chang, C. Y. M., Cheong, J. Y., et al. (2024). The effects of music and auditory stimulation on autonomic arousal, cognition and attention: A systematic review. International Journal of Psychophysiology, 199.
Consultar publicación científicaSilva, B. C. S., Araújo, E. S., Valenti, V. E., et al. (2024). The effects of auditory stimulation on heart rate variability in healthy individuals with normal hearing and with hearing loss: a systematic review and meta-analysis. CoDAS, 36(4).
DOI: 10.1590/2317-1782/20242023111en.
Consultar publicación científicaZhang, E., Wu, X., Xu, J., et al. (2026). Effect of music intervention on heart rate variability: a systematic review and meta-analysis of randomized controlled trials. Frontiers in Psychology, 17, 1750786.
DOI: 10.3389/fpsyg.2026.1750786.
Consultar publicación científica
Comentarios
Publicar un comentario