EEG confirma que el cerebro procesa dos voces a la vez al cambiar de atención

⏱️ Lectura: 12 min

Cuando cambiás de conversación en una fiesta, tu cerebro no apaga la voz anterior de un tajo: la sigue escuchando durante una fracción de segundo mientras engancha la nueva. Así lo midió un equipo de investigadores con EEG en un estudio publicado el 16 de julio de 2026 en PLOS Biology, que documenta por primera vez una ventana de codificación simultánea de dos voces en competencia durante un cambio de atención auditiva.

📑 En este artículo

1. TL;DR
2. Qué pasó con la atención auditiva en el experimento
3. Contexto e historia: por qué la atención sostenida acaparó la investigación
4. Detalles técnicos y rendimiento
5. Cómo explorar los datos y el código
6. Impacto y análisis
7. Qué sigue
8. Preguntas frecuentes
   1. ¿Qué es el efecto cóctel (cocktail party effect)?
   2. ¿Qué es una Función de Respuesta Temporal (TRF)?
   3. ¿Por qué usaron ruido de fondo (babble) además de las dos voces?
   4. ¿Los datos y el código del estudio son públicos?
   5. ¿Qué relación tiene esto con los audífonos inteligentes?
   6. ¿Qué significa que la potencia alfa caiga durante el cambio de atención?
9. Referencias

El hallazgo es de Sara Carta, Emina Aličković, Johannes Zaar, Alejandro López Valdés y Giovanni Di Liberto (Trinity College Dublin y colaboradores), y usa Funciones de Respuesta Temporal (TRF) para decodificar, milisegundo a milisegundo, a qué voz le presta atención una persona. El resultado importa para el diseño de audífonos inteligentes, interfaces cerebro-computadora y cualquier sistema que intente inferir el foco de atención auditiva a partir de señales cerebrales.

TL;DR

• Estudio publicado en PLOS Biology el 16 de julio de 2026 (PLoS Biol 24(7): e3003876).
• Autores: Sara Carta, Emina Aličković, Johannes Zaar, Alejandro López Valdés y Giovanni Di Liberto.
• Participantes con audición normal escucharon dos voces compitiendo sobre ruido de fondo (babble).
• Cada 15 a 30 segundos se les pidió cambiar el foco de atención entre las dos voces.
• Con EEG y Funciones de Respuesta Temporal (TRF) se decodificó a qué voz atendía cada persona.
• La corteza empieza a codificar la voz nueva antes de dejar de codificar la anterior: hay solapamiento.
• La potencia alfa del EEG cae durante la transición, señal de mayor esfuerzo cognitivo.
• Datos, código y estímulos de audio están abiertos en Zenodo bajo el formato CND.

Qué pasó con la atención auditiva en el experimento

El equipo diseñó un entorno inmersivo multi-hablante: adultos con audición normal escuchaban dos voces compitiendo, superpuestas a un murmullo de fondo (babble) que simula una cafetería o una oficina abierta. No era un experimento de atención sostenida, donde el oyente se queda pegado a una sola voz todo el tiempo: cada 15 a 30 segundos, una señal les indicaba cambiar el foco hacia la otra voz.

Con EEG, los investigadores calcularon Funciones de Respuesta Temporal (TRF) para cada stream de habla y confirmaron que podían decodificar de forma confiable a cuál de las dos voces estaba atendiendo cada persona en cada momento. Hasta ahí, nada sorprendente: la literatura de cocktail party effect ya sabía que la corteza auditiva distingue entre voz objetivo y voz de fondo.

Lo nuevo aparece en el instante del cambio. En vez de una transición limpia (apagar A, encender B), los datos muestran desenganche y enganche asimétricos: la corteza empieza a rastrear la nueva voz objetivo antes de dejar de rastrear la anterior. Durante esa ventana breve, ambas voces quedan codificadas de forma simultánea y transitoria en la señal cerebral.

Contexto e historia: por qué la atención sostenida acaparó la investigación

La neurofisiología de la escucha selectiva viene de escenarios de cóctel simulados y usa varias tecnologías para medir cómo el cerebro segrega la voz objetivo de las voces de fondo: EEG no invasivo, EEG intracraneal (iEEG) en pacientes con electrodos implantados por epilepsia, magnetoencefalografía (MEG) y resonancia magnética funcional (fMRI). Ese trabajo previo localizó zonas precisas de la corteza auditiva donde ocurre la segregación y midió una supresión sustancial (pero no total) del procesamiento lingüístico de la voz que se ignora.

El problema es que casi toda esa literatura se enfocó en tareas de atención sostenida: el oyente elige una voz y se queda con ella durante todo el bloque experimental. Quedaba una laguna considerable sobre qué pasa neurológicamente en el instante en que alguien decide cambiar de interlocutor, algo que en una conversación real ocurre todo el tiempo. Este estudio ataca directamente esa laguna con un paradigma de cambio dinámico cada 15 a 30 segundos.

Detalles técnicos y rendimiento

Una TRF funciona como un modelo de regresión lineal que mapea una característica del estímulo (por ejemplo, la envolvente acústica de una voz) contra la señal EEG en una ventana de tiempo alrededor de cada instante. Si el modelo predice bien la señal EEG a partir de la envolvente de la Voz A, esa persona probablemente está atendiendo a la Voz A en ese tramo. Repetir esto para las dos voces, en paralelo, es lo que permite decodificar el foco de atención auditiva momento a momento.

El otro marcador clave es la potencia alfa (banda de 8-12 Hz del EEG), que cae justo durante la transición entre voces. Una caída de alfa suele interpretarse como mayor esfuerzo cognitivo o mayor demanda atencional, así que el patrón temporal encaja: el cerebro trabaja más justo en el tramo donde codifica ambas voces a la vez.

flowchart TD
A["Atencion en Voz A"] --> B["Cue: cambiar de voz"]
B --> C["Codificacion simultanea de A y B"]
C --> D["Caida de potencia alfa"]
D --> E["Voz B se consolida como objetivo"]
E --> F["Voz A se desconecta"]

Para entender por qué el equipo eligió EEG (y no otra técnica) conviene comparar las opciones disponibles en este campo:

Método	Invasividad	Resolución temporal	Uso típico
EEG	No invasivo	Milisegundos	Estudios de atención con muchos participantes, como este
iEEG	Invasivo (electrodos implantados)	Milisegundos, alta precisión espacial	Pacientes con electrodos por epilepsia
MEG	No invasivo	Milisegundos	Localización fina de fuentes corticales
fMRI	No invasivo	Segundos	Mapeo espacial de áreas activas, no de transiciones rápidas

El EEG es la única opción de la tabla con la resolución temporal (milisegundos) y el costo por participante necesarios para capturar una transición de atención que dura fracciones de segundo, en decenas de sujetos. Por eso domina este tipo de diseño.

💭 Clave: más allá de la señal acústica, el equipo aisló actividad cortical ligada a predicción léxica (qué tan bien el cerebro anticipa la siguiente palabra) y comparó estrategias de acumulación de contexto construidas con modelos de lenguaje (LLMs). El patrón observado apunta a que el oyente reinicia su contexto léxico después de cambiar de atención, en lugar de arrastrar todo el historial de la conversación anterior.

Cómo explorar los datos y el código

Todo el material del estudio es abierto: el EEG preprocesado, los archivos de análisis y el código están publicados en Zenodo, y los estímulos de audio viven en la misma carpeta bajo STIMULI. El formato de los datos sigue el estándar Continuous-event Neural Data (CND), pensado justamente para series de EEG continuas alineadas con eventos de estímulo.

Para reproducir un análisis TRF básico, el punto de partida habitual en este campo es el mTRF-Toolbox, con el que Di Liberto (coautor de este paper) también colaboró en trabajos previos:

# Windows, macOS y Linux (requiere Git y MATLAB u Octave)
git clone https://github.com/mickcrosse/mTRF-Toolbox.git
cd mTRF-Toolbox

Con el toolbox instalado, entrenar un modelo TRF sobre la envolvente de una voz y la señal EEG correspondiente se ve así:

% stim: envolvente acustica de la voz objetivo (muestras x 1)
% resp: senal EEG (muestras x canales)
fs = 128;      % frecuencia de muestreo en Hz
tmin = -100;   % ventana minima en ms
tmax = 400;    % ventana maxima en ms
lambda = 1e3;  % regularizacion ridge

model = mTRFtrain(stim, resp, fs, 1, tmin, tmax, lambda);
[pred, stats] = mTRFpredict(stim_test, resp_test, model);

disp(stats.r)  % correlacion entre EEG real y predicho: verifica que el modelo decodifica bien

Y para cargar directamente los archivos en formato CND desde Python antes de pasar a tu propio pipeline:

import scipy.io as sio

cnd = sio.loadmat("dataSub01.mat")
eeg = cnd["eeg"]["data"][0, 0]    # muestras x canales
stim = cnd["stim"]["data"][0, 0]  # envolvente de cada voz
print(eeg.shape, stim.shape)

💡 Tip: antes de correr un TRF completo sobre todos los sujetos, probá con un solo participante y una sola voz: el archivo del repositorio de Zenodo trae los sujetos separados, así que el primer experimento reproducible te toma minutos, no horas.

Impacto y análisis

El interés práctico de este trabajo va más allá de la neurociencia básica. Los audífonos con beamforming asistido por IA y las interfaces cerebro-computadora que intentan enfocar automáticamente el micrófono en la voz que el usuario quiere escuchar dependen de decodificar la atención auditiva en tiempo real. Si el modelo asume una transición limpia entre voces (como hacían la mayoría de los estudios previos, centrados en atención sostenida), va a fallar justo en el momento más común de una conversación real: el cambio de interlocutor.

Saber que existe una ventana de codificación simultánea, y que va acompañada de una caída medible de potencia alfa, le da a estos sistemas una señal extra para detectar que el usuario está “en tránsito” entre dos focos de atención, en vez de forzar una decisión binaria demasiado pronto. El hallazgo sobre el reinicio del contexto léxico también es relevante para cualquier sistema que combine decodificación neural con un modelo de lenguaje: sugiere que no conviene alimentar al modelo con todo el historial de ambas voces sin distinción.

Como límite honesto: el estudio se hizo con adultos de audición normal en un entorno controlado, no con usuarios reales de audífonos ni con personas con pérdida auditiva, que es justamente la población donde este tipo de decodificación importaría más en un producto. Extrapolar directamente estos resultados a hardware comercial todavía requiere validarlos en esas poblaciones y con hardware EEG portátil, mucho más ruidoso que un laboratorio.

Qué sigue

Los propios autores dejan abierta la pregunta de cómo se actualiza exactamente el contexto léxico tras un cambio de atención, más allá de confirmar que hay algo parecido a un reinicio. Los próximos pasos lógicos incluyen replicar el paradigma con personas con pérdida auditiva o usuarios de implantes cocleares, y bajar la latencia de decodificación lo suficiente como para que un audífono pueda reaccionar al cambio de atención en tiempo real, no solo analizarlo después en el laboratorio.

📖 Resumen en Telegram: Ver resumen

Probalo vos: descargá el dataset CND del repositorio en Zenodo y corré tu primer mTRFtrain sobre los datos de un solo participante para ver la curva TRF en acción hoy mismo.

Preguntas frecuentes

¿Qué es el efecto cóctel (cocktail party effect)?

Es la capacidad del cerebro de aislar una voz de interés entre varias voces y ruido de fondo simultáneos, como en una fiesta con múltiples conversaciones a la vez.

¿Qué es una Función de Respuesta Temporal (TRF)?

Es un modelo que relaciona una característica del estímulo, como la envolvente acústica de una voz, con la señal EEG en una ventana de tiempo, y permite predecir o decodificar a qué estímulo está atendiendo una persona.

¿Por qué usaron ruido de fondo (babble) además de las dos voces?

Para que el escenario se pareciera a una situación real de atención auditiva, como una oficina o un bar, en vez de un experimento artificialmente silencioso.

¿Los datos y el código del estudio son públicos?

Sí. El EEG preprocesado, el código de análisis y los estímulos de audio están disponibles sin restricciones en el repositorio de Zenodo del estudio, en formato CND.

¿Qué relación tiene esto con los audífonos inteligentes?

Los audífonos que intentan enfocar el micrófono en la voz que el usuario quiere escuchar necesitan decodificar la atención auditiva en tiempo real, y este estudio muestra que asumir una transición limpia entre voces es una simplificación incorrecta.

¿Qué significa que la potencia alfa caiga durante el cambio de atención?

La banda alfa del EEG (8-12 Hz) suele bajar cuando aumenta el esfuerzo cognitivo, así que su caída durante la transición confirma que cambiar de foco auditivo le cuesta trabajo activo al cerebro.

Referencias

• PLOS Biology: artículo original, Carta et al. 2026, “Competing speech streams are simultaneously represented in the human cortex during attention switching”.
• Zenodo: dataset EEG en formato CND, estímulos de audio y código de análisis del estudio.
• mTRF-Toolbox en GitHub: herramienta de referencia para entrenar y evaluar modelos TRF sobre EEG.
• Wikipedia: contexto general sobre el efecto cóctel y la atención selectiva auditiva.

📱 ¿Te gusta este contenido? Únete a nuestro canal de Telegram @programacion donde publicamos a diario lo más relevante de tecnología, IA y desarrollo. Resúmenes rápidos, contenido fresco todos los días.

Imagen destacada: Foto de Bhautik Patel en Unsplash