Una investigación desarrollada en la Facultad de Ingeniería de la Universidad Nacional de Asunción (FIUNA) llegará a un escenario internacional con una pregunta tan técnica como práctica: ¿qué pasa con el análisis de la coordinación muscular cuando faltan señales en el registro? El ingeniero Ricardo Romero, estudiante de la Maestría en Ciencias de la Inteligencia Artificial de la institución, presentará el trabajo “Effects of Missing EMG Channels on Muscle Synergy Analysis” en la International Conference on NeuroRehabilitation (ICNR 2026), prevista del 29 de septiembre al 2 de octubre de 2026 en Seúl, Corea del Sur.
La FIUNA anunció la participación el 18 de septiembre. El sitio oficial de ICNR 2026 confirma las fechas, la sede y el carácter internacional del encuentro, que reunirá áreas como rehabilitación clínica, neurofisiología aplicada e ingeniería biomédica. La noticia importa para Paraguay no porque anuncie una terapia terminada, sino porque muestra una investigación local enfrentando un problema habitual de los datos biomédicos: las mediciones no siempre llegan completas.
El problema detrás de un canal que desaparece
La electromiografía, conocida por la sigla EMG, registra la actividad eléctrica asociada a la activación de los músculos. En un estudio con varios músculos se emplean diferentes canales para observar cómo cambia esa actividad durante un movimiento. Esos registros pueden analizarse para buscar sinergias musculares, una forma de representar patrones de coordinación entre músculos en vez de tratar cada señal como un fenómeno totalmente aislado.
Pero un conjunto de datos puede perder canales por distintas razones: problemas de adquisición, ruido, fallas de contacto o registros que no cumplen la calidad necesaria. Cuando eso ocurre, el análisis deja de contar con una parte de la información original. No basta con decir que “faltan datos”; también interesa saber cuánto cambia el resultado, si todos los músculos tienen el mismo peso y si los métodos computacionales reaccionan de manera similar.
Según la comunicación institucional, el trabajo de Romero estudia precisamente el efecto de esa pérdida bajo distintos niveles de información faltante. La investigación compara tres familias de técnicas: análisis de componentes principales (PCA), factorización de matrices no negativas (NMF) y autoencoders (AE). FIUNA informa que el impacto depende de la cantidad de información ausente, del músculo afectado y del método utilizado.
Esa conclusión, presentada todavía en términos generales por la universidad, evita una simplificación importante. Un canal perdido no necesariamente altera todos los análisis de igual manera. La robustez no sería una propiedad abstracta o uniforme: tendría que examinarse en relación con el dato que falta y con la técnica elegida.
Tres enfoques para mirar los mismos patrones
PCA es una técnica estadística que transforma variables correlacionadas en componentes que concentran parte de la variación de los datos. NMF descompone una matriz en factores no negativos, una restricción que puede resultar útil cuando interesa representar combinaciones aditivas. Los autoencoders, por su parte, son redes neuronales entrenadas para comprimir una entrada en una representación interna y luego reconstruirla.
En este estudio, nombrar los autoencoders no significa que el equipo haya demostrado una reconstrucción clínica de señales perdidas ni que exista un sistema listo para usar con pacientes. La información pública disponible dice que se evaluaron PCA, NMF y autoencoders bajo distintos niveles de datos faltantes y que se analizó el efecto sobre las sinergias musculares. No publica, en la nota institucional, el tamaño de la muestra, las métricas completas, los intervalos de incertidumbre ni una comparación detallada de desempeño.
Por eso, el alcance correcto es metodológico. El trabajo busca entender la sensibilidad del análisis ante registros incompletos. No es un ensayo clínico, no presenta un dispositivo médico y no demuestra por sí solo una mejora terapéutica. Tampoco corresponde inferir que alguno de los tres métodos sea universalmente superior antes de revisar el trabajo completo y sus resultados desagregados.
Por qué este problema sí merece atención
En ciencia de datos, un resultado puede ser convincente con información ideal y volverse frágil cuando cambia la calidad de las entradas. En señales biomédicas, esa diferencia es especialmente relevante: una conclusión sobre coordinación muscular puede depender de qué sensores estuvieron disponibles y de cómo el método procesa la ausencia.
Estudiar esa sensibilidad ayuda a formular mejores preguntas antes de trasladar una técnica a contextos más exigentes. ¿Cuántos canales pueden faltar antes de que un patrón cambie de manera importante? ¿Hay músculos cuya ausencia altera más el análisis? ¿Un método conserva mejor determinadas estructuras que otro? La publicación de FIUNA indica que la respuesta varía según esas condiciones, pero los valores concretos deberán evaluarse en el trabajo científico.
También hay una lección más amplia para proyectos paraguayos de IA aplicada: la calidad del modelo no puede separarse de la calidad y disponibilidad de los datos. Un algoritmo sofisticado no elimina automáticamente las limitaciones de una medición. Documentar qué falta, comparar métodos bajo escenarios controlados y declarar los límites puede aportar más valor que mostrar solamente el mejor resultado obtenido con un conjunto perfecto.
Una investigación paraguaya con colaboración internacional
Romero desarrolló el trabajo bajo la tutoría del doctor Diego Galeano, investigador de FIUNA, y la cotutoría del doctor Giacomo Severini, de University College Dublin, y del doctor Diego Torricelli, del BioRobotics Group del Centro de Automática y Robótica CSIC-UPM, en España, de acuerdo con la institución paraguaya.
La participación en ICNR 2026 coloca el estudio frente a una comunidad especializada. El calendario oficial del congreso mantiene el encuentro entre el 29 de septiembre y el 2 de octubre y publica su programa científico. El valor de esa exposición no consiste únicamente en sumar una presentación internacional: también permite recibir preguntas técnicas, contrastar decisiones metodológicas y abrir posibilidades de cooperación.
La investigación forma parte de la Maestría en Ciencias de la Inteligencia Artificial de FIUNA. Según la facultad, el posgrado cuenta con apoyo del Consejo Nacional de Ciencia y Tecnología (CONACYT), a través del programa PROCIENCIA, y del Fondo para la Excelencia de la Educación y la Investigación (FEEI), bajo el código POS01-32. Esta atribución corresponde al comunicado institucional; no implica que esas entidades hayan validado cada conclusión científica del trabajo.
Qué falta conocer después de la presentación
La noticia confirma el tema, los investigadores involucrados y la próxima presentación, pero todavía deja preguntas abiertas. Para valorar el aporte con precisión harán falta el resumen extendido o el artículo completo, la procedencia y características de los registros EMG, el mecanismo empleado para simular o identificar canales faltantes, las métricas de comparación y la variabilidad observada entre participantes o movimientos.
También será importante distinguir entre resistencia a datos incompletos y recuperación válida de información. Que un análisis conserve cierta estabilidad cuando falta un canal no demuestra que pueda reconstruir la señal original, y mucho menos que produzca una decisión clínica segura. Son problemas relacionados, pero no equivalentes.
La presentación en Seúl será, por tanto, un punto de exposición y revisión, no la llegada de un producto al mercado. Su relevancia está en otro lugar: una línea de investigación paraguaya aplica herramientas estadísticas y de aprendizaje automático a un límite concreto de las señales biomédicas, con colaboradores de tres países y una pregunta que puede medirse. Para el ecosistema local, esa combinación de formación avanzada, rigor metodológico y conexión internacional es una noticia valiosa sin necesidad de exagerar su alcance.