Vous êtes sur la page 1sur 179

Universidad Nueva Esparta

Facultad de Ingeniera

Escuela de Electrnica

Lnea: Diseo y desarrollo de aplicaciones o dispositivos de control de tipo


electrnico

Tema: Telecomunicaciones, Circuitos digitales y Sistemas de control

Ttulo: Desarrollo de una red neuronal artificial como


herramienta de apoyo para el diagnstico previo de
ciertas enfermedades

Tutor:

Ing. Cappelletto, Jos

Proyecto de Grado
elaborado por:

Br. Murillo, Jos

18.529.532

Br. Salazar, Jorge

17.775.429

Para optar por el ttulo de:

Ingeniero Electrnico

Caracas, Marzo 2013

Desarrollo de una red neuronal artificial como herramienta de apoyo para el diagnstico previo de ciertas
enfermedades by Murillo, Jos ; Salazar, Jorge is licensed under a Creative Commons Reconocimiento-
NoComercial-CompartirIgual 3.0 Unported License.
Universidad Nueva Esparta

Facultad de Ingeniera

Escuela de Electrnica

Lnea: Diseo y desarrollo de aplicaciones o dispositivos de control de tipo


electrnico

Tema: Telecomunicaciones, Circuitos digitales y Sistemas de control

Ttulo: Desarrollo de una red neuronal artificial como


herramienta de apoyo para el diagnstico previo de
ciertas enfermedades

APROBADO POR

EVALUADOR:

____________________

Nombre y Apellido

____________________

Cedula de identidad

____________________

Firma

Marzo, 2013

Caracas, Venezuela

II
AGRADECIMIENTOS

Este trabajo de grado representa la culminacin de un ciclo de


aprendizaje y crecimiento tanto personal como profesional, el cual se debe
en gran parte al apoyo incondicional de nuestros familiares y amigos ms
allegados.

En primer plano nos gustara agradecer a la Universidad Nueva


Esparta y a todos los profesores de la facultad de ingeniera, en la escuela
de electrnica, a todos y cada uno de ellos que tuvieron parte en nuestro
desarrollo acadmico y as poder llegar a la culminacin del presente trabajo
de grado.

Adicionalmente queremos dar nuestros ms sinceros agradecimientos


a las personas que tuvieron mayor incidencia en el presente trabajo de
grado, como lo fueron nuestro tutor y amigo Jos Cappelletto, de igual
manera al Dr. Luis Felipe Snchez Vegas y Dra. Cndida Cabral amigos y
colaboradores en el rea de medicina, y por ultimo pero no menos importante
a Cecymar Rodrguez quien fue una gran amiga y tercer integrante de este
grupo.

Personalmente quiero darle las gracias por el apoyo incondicional a


mis padres Carmen Noguera y Jess Murillo, a quienes les debo mis xitos
en la vida, a mis hermanos Ilia, Aili y Jess quienes estuvieron siempre
presentes y dispuestos a ayudarme en lo que necesitara y a mi novia Roco
por ayudarme y apoyarme durante la realizacin de este trabajo de grado.

Jos R. Murillo N.

La presente Tesis es un esfuerzo en el cual, directa o indirectamente,


participaron varias personas leyendo, opinando, corrigiendo, tenindome
paciencia, dando nimo, acompandome en los momentos de crisis y en los

III
momentos de felicidad. Personalmente quiero darle las gracias por el apoyo
incondicional a mis padres Greethaly Vilanova y Ralph Salazar que aunque
no est presente hoy en da estara orgulloso de ello, a quienes me apoyaron
a lo largo de estos cinco aos, a mis hermanos Ralph y Dhamelis quienes
estuvieron siempre presentes y dispuestos a ayudarme en lo que necesitara
y a mi novia Tayling por ayudarme y apoyarme durante la realizacin de este
trabajo de grado.

Jorge L. Salazar V.

IV
DEDICATORIAS

A mis padres, Carmen y Jess

A mis Hermanos, Ilia, Aili y Jess

A mi sobrina, Samantha

A mi novia, Roco

Gracias por el apoyo incondicional

Jos R. Murillo N.

A mis padres, Laly Vilanova y Ralph Salazar.

A Mis hermanos, Ralph y Dhamelis,

A mi novia, Tayling

A mis amigos

A Mis Maestros

Gracias por el apoyo incondicional

Jorge L. Salazar V.

V
Universidad Nueva Esparta

Facultad de Ingeniera

Escuela de Electrnica

Lnea: Diseo y desarrollo de aplicaciones o dispositivos de control de tipo


electrnico

Tema: Telecomunicaciones, Circuitos digitales y Sistemas de control

Ttulo: Desarrollo de una red neuronal artificial como


herramienta de apoyo para el diagnstico previo de
ciertas enfermedades
Autores:

Br. Murillo, Jos V- 18.529.532

Br. Salazar, Jorge V- 17.725.429

Tutor:

Ing. Cappelletto, Jos

Palabras Clave: Redes Neuronales, sistemas expertos, microprocesadores


PIC, Patologas.

RESUMEN

El presente trabajo de grado tiene por objeto el Desarrollo de una red


neuronal artificial como herramienta de apoyo para el diagnstico previo de
ciertas enfermedades, cuyo principal propsito ser el de ayudar o asistir a
mdicos internistas en el diagnstico de ciertas enfermedades.

VI
A partir de una encuesta digital dirigida a mdicos internistas, se pudo
determinar las enfermedades que debern estar dentro del rango de
diagnstico de la unidad prototipo, en las que el diagnstico en algunos
casos puede tardar un poco o puede prestarse a confusin, y de esta manera
tener una ayuda electrnica que siempre dar el resultado ms acertado con
respecto a los sntomas presentados.

El dispositivo prototipo est conformado por una VIA EPIA Pico PC en


la que se reciben los datos provenientes de perillas e interruptores que se
comunican de un micro procesador PIC; en la Pico PC se encuentra la
programacin necesaria (Red Neuronal Artificial) que procesa los datos y nos
arrojar en pantalla en relacin a porcentajes la patologa que posiblemente
padece el paciente.

VII
Universidad Nueva Esparta

Faculty of Engineering

School of Electronic Engineering

Investigation Lines: Design and development of applications or devices for


electronic control.

Theme: Telecommunications, Digital Circuits & Control Systems

Title: Development of an artificial neural network as a


tool for support in the diagnostic of certain diseases

Authors:

Br. Murillo, Jos V- 18.529.532

Br. Salazar, Jorge V- 17.725.429

Tutor/Advisor:

Eng. Cappelletto, Jos

Keywords: Neural Network, expert systems, microprocessors PIC,


Pathologies.

SUMMARY

The present dissertation papers objective is the development of an


experimental model to evaluate the operational activities of a neural network
applied to the diagnosis of certain diseases, whose main purpose will be to
aid or assist internists in diagnosing certain diseases.

VIII
Applying a digital survey to internal doctors, the diseases that should
be included in the diagnose range of the prototype were determined. In some
cases, the diagnose of certain diseases can take time or can generate
confusion. This is why this electronic device can help to obtain a more
accurate result according to the presented symptoms.

The prototype is built by a VIA EPIA Pico PC, which receives the data
coming from the knobs and switches that communicate to a PIC
microprocessor. This Pico PC contains the necessary programming (artificial
neural network), which processes the data and indicates the possible
pathology of the patient in terms of percentages.

IX
ndice
ndice ........................................................................................................ X

ndice de Figuras ...................................................................................XIV

ndice de Diagramas ..............................................................................XVI

ndice de Tablas.....................................................................................XVI

ndice de Grficos .................................................................................XVII

ndice de Anexos .................................................................................XVIII

Introduccin .............................................................................................. 1

Captulo I .................................................................................................. 4

Marco Problemtico ............................................................................... 4

Planteamiento del problema ............................................................... 4

Formulacin del problema .................................................................. 7

Objetivos Generales ........................................................................... 7

Objetivos Especficos ...................................................................... 7

Justificacin de la Investigacin ......................................................... 8

Delimitaciones de la investigacin ...................................................... 9

Temtica: ........................................................................................ 9

Geogrfica: ..................................................................................... 9

Temporal: ........................................................................................ 9

Tcnica: .......................................................................................... 9

Limitaciones de la Investigacin ......................................................... 9

Captulo II ............................................................................................... 10

Marco Terico ...................................................................................... 10

X
Antecedentes de la investigacin ..................................................... 10

Bases tericas .................................................................................. 16

Las enfermedades ........................................................................ 16

Neurona artificial ........................................................................... 16

Neurona ........................................................................................ 17

Redes Neuronales Artificiales ....................................................... 19

Clasificacin de las RNA ............................................................... 21

Multiplexacin ............................................................................... 24

Automedicacin............................................................................. 25

Componentes Electrnicos Bsicos ................................................. 25

Transistor de una juntura (UJT) .................................................... 30

Conversin analgica a digital ...................................................... 30

Sistema prototipo .......................................................................... 32

Sistemas de control....................................................................... 33

Tipos de sistemas de control ........................................................ 34

Sistemas a lazo abierto ................................................................. 35

Sistema de control a lazo cerrado ................................................. 35

Sistemas de control analgico y digital ......................................... 36

Elementos de un sistema de control ............................................. 36

Microcontroladores ........................................................................... 38

FPGA ............................................................................................ 41

FPAA............................................................................................. 43

Sistemas Expertos ........................................................................ 44

XI
Inteligencia artificial ....................................................................... 45

Sistemas de modulacin ............................................................... 46

Tipos de Modulacin ..................................................................... 46

Modulacin en frecuencia ............................................................. 47

Modulacin Digital por densidad de pulso ..................................... 48

Definicin de trminos bsicos ......................................................... 50

Adaline .......................................................................................... 50

Auto-medicar ................................................................................. 50

Axn .............................................................................................. 50

Dendritas ....................................................................................... 50

Enfermedad .................................................................................. 50

FPAA............................................................................................. 50

FPGA ............................................................................................ 50

Inteligencia Artificial ...................................................................... 50

Procesador .................................................................................... 51

Perceptrn .................................................................................... 51

Propagacin hacia atrs o backpropagation ................................. 51

Sinapsis ........................................................................................ 51

Captulo III .............................................................................................. 55

Marco Metodolgico ............................................................................ 55

Tipo de Investigacin ....................................................................... 55

Diseo Modalidad ............................................................................. 56

Definicin de Operacional ................................................................ 58

XII
Poblacin.......................................................................................... 58

Muestra ............................................................................................ 59

Tcnicas e instrumentos para la recoleccin de datos ..................... 60

Validez.............................................................................................. 61

Confiabilidad..................................................................................... 61

Procedimiento y anlisis de la informacin. ......................................... 62

Metodologa empleada ..................................................................... 71

Captulo IV .............................................................................................. 74

Sistema Propuesto .............................................................................. 74

Diagrama de Bloques: ...................................................................... 74

Recoleccin de Datos ................................................................... 75

Transferencia de Datos: ................................................................ 82

Recepcin y conversin de datos ................................................. 85

Procesamiento de Datos ............................................................... 96

Resultado de la RNA ................................................................... 112

Cronograma de Actividades .................................................................. 116

Captulo V ............................................................................................. 117

Conclusiones y Recomendaciones .................................................... 117

Conclusiones: ................................................................................. 117

Recomendaciones: ......................................................................... 120

Referencias Bibliogrficas .................................................................... 122

Referencias de Figuras ......................................................................... 124

XIII
ndice de Figuras

Figura 1. Estructura de la neurona artificial ............................................ 16


Figura 2. Diagrama de una neurona ....................................................... 17
Figura 3. Funcionamiento de una neurona ............................................. 18
Figura 4. Red de Hopfield ....................................................................... 20
Figura 5. Red de kohonen ...................................................................... 20
Figura 6. Tipos de RNA .......................................................................... 22
Figura 7: Arquitectura tpica de un Perceptrn Multicapa. ...................... 24
Figura 8: Multiplexores ............................................................................ 24
Figura 9: Puerto Serie y Puerto Paralelo. ............................................... 26
Figura 10: Puerto USB. ........................................................................... 27
Figura 11: Ejemplo de Capacitor Electroltico. ........................................ 28
Figura 12:. Ejemplo de Resistencia. ....................................................... 29
Figura 13. UJT ........................................................................................ 30
Figura 14. Conversin analgica a digital ............................................... 32
Figura 15: Esquema genrico de un sistema de control ......................... 34
Figura 16: Sistema a lazo abierto ........................................................... 35
Figura 17: Sistema de control a lazo cerrado.......................................... 35
Figura 18: Esquema de bloques de un sistema de control ..................... 37
Figura 19: PIC 16F870 ............................................................................ 39
Figura 20: Especificacin de Patas ......................................................... 40
Figura 21: Estructura interna de un FPGA .............................................. 41
Figura 22: Aspecto fsico de un FPGA .................................................... 42
Figura 23: FPAA ..................................................................................... 44
Figura 24: Modulacin AM ...................................................................... 47
Figura 25: Modulacin FM ...................................................................... 48
Figura 26: Modulacin por densidad de pulsos....................................... 49
Figura 27: Diagrama circuital del PIC16f870. ......................................... 76

XIV
Figura 28: Vista superior del circuito impreso (Control) .......................... 77
Figura 29: Vista inferior del circuito impreso (Control) ............................ 77
Figura 30: Fuente 5v DC ......................................................................... 79
Figura 31: Fuente 5V Vista General........................................................ 80
Figura 32: Fuente 5V Vista sin componentes ......................................... 81
Figura 33: Fuente 5V Vista de las pistas ................................................ 81
Figura 34: Cable Serial DB9 ................................................................... 82
Figura 35: Diagrama de Conexin Serial ................................................ 83
Figura 36: Recepcin de Datos Labview ............................................... 84
Figura 37: Linealizacin de la informacin recibida ................................ 85
Figura 38: Grfica de la funcin de conversin lineal ............................. 87
Figura 39: Conversin lineal en Labview para RNA................................ 88
Figura 40: Conversin lineal en Labview para RNA (Fisico) ................... 89
Figura 40: FPGA con patas en toda su zona inferior. ............................. 90
Figura 41: FPGA con Patas a los bordes del Chip.................................. 91
Figura 42: Plataforma FPGA ................................................................... 91
Figura 43: Via Epia Pico P-830 vista superior ......................................... 94
Figura 44: Via Epia Pico P-830 vista inferior ........................................... 94
Figura 45: Configuracin neural network tool ....................................... 97
Figura 46: Topologa de la Red............................................................... 98
Figura 47: Clculo de una neurona del modelo McCulloch y Pits ......... 107
Figura 48: Modelo General de Neurona................................................ 108
Figura 49: RNA ..................................................................................... 110
Figura 50: RNA Completa con todas las enfermedades ....................... 111
Figura 51: Panel de control ................................................................... 112

XV
ndice de Diagramas

Diagrama 1: Cuadro de operacionalizacin de las variables .................. 52


Diagrama 2: Diagrama explicativo .......................................................... 74
Diagrama 3: Diagrama explicativo PIC 16F870 ...................................... 75
Diagrama 4: Diagrama explicativo cdigo de programacin. .................. 78
Diagrama 5: Cronograma de actividades .............................................. 116

ndice de Tablas

Tabla 1: Modelo de gua de observacin ................................................ 62


Tabla 2: Dispositivos capaces de diagnosticar enfermedades................ 64
Tabla 3: Ayuda electrnica al momento de diagnstico .......................... 65
Tabla 4: Reducir tiempo de diagnostico .................................................. 66
Tabla 5: Inters en la realizacin de este proyecto ................................. 67
Tabla 6: Disposicin a la compra del dispositivo..................................... 68
Tabla 7: Lugares en los que se podra conseguir ................................... 69
Tabla 8: Enfermedades ........................................................................... 70
Tabla 9: Especificaciones de la Via Epia Pico P-830 .............................. 95
Tabla 10: Caractersticas principales Redes ........................................... 97
Tabla 11: Pesos capa 1 para el diagnstico de la Apendicitis ................ 98
Tabla 12: Bias capa 1 para el diagnstico de la Apendicitis ................... 99
Tabla 13: Pesos capa 2 para el diagnstico de la Apendicitis ................ 99
Tabla 14: Bias Capa 2 Para el diagnstico de la Apendicitis .................. 99
Tabla 15: Pesos capa 1 para el diagnstico de la Bronquitis.................. 99
Tabla 16: Bias capa 1 para el diagnstico de la Bronquitis ................... 100
Tabla 17: Pesos capa 2 para el diagnstico de la Bronquitis................ 100
Tabla 18: Bias Capa 2 Para el diagnstico de la Bronquitis ................. 100
Tabla 19: Pesos capa 1 para el diagnstico del Dengue ...................... 100

XVI
Tabla 20: Bias capa 1 para el diagnstico del Dengue ......................... 101
Tabla 21: Pesos capa 2 para el diagnstico del Dengue ...................... 101
Tabla 22: Bias Capa 2 Para el diagnstico del Dengue ........................ 101
Tabla 23: Pesos capa 1 para el diagnstico de la Gastritis .................. 101
Tabla 24: Bias capa 1 para el diagnstico de la Gastritis ..................... 102
Tabla 25: Pesos capa 2 para el diagnstico de la Gastritis .................. 102
Tabla 26: Bias Capa 2 Para el diagnstico de la Gastritis .................... 102
Tabla 27: Pesos capa 1 para el diagnstico de la Gripe ....................... 102
Tabla 28: Bias capa 1 para el diagnstico de la Gripe .......................... 103
Tabla 29: Pesos capa 2 para el diagnstico de la Gripe ....................... 103
Tabla 30: Bias Capa 2 Para el diagnstico de la Gripe......................... 103
Tabla 31: Pesos capa 1 para el diagnstico de la Hepatitis .................. 103
Tabla 32: Bias capa 1 para el diagnstico de la Hepatitis..................... 104
Tabla 33: Pesos capa 2 para el diagnstico de la Hepatitis .................. 104
Tabla 34: Bias Capa 2 Para el diagnstico de la Hepatitis ................... 104
Tabla 35: Pesos capa 1 para el diagnstico de la Neumona ............... 104
Tabla 36: Bias capa 1 para el diagnstico de la Neumona .................. 105
Tabla 37: Pesos capa 2 para el diagnstico de la Neumona ............... 105
Tabla 38: Bias Capa 2 Para el diagnstico de la Neumona ................. 105

ndice de Grficos

Grfico 1: Representacin grfica del modelo de gua de observacin .. 63


Grfico 2: Dispositivos capaces de diagnosticar enfermedades ............. 64
Grfico 3: Ayuda electrnica al momento de diagnstico ....................... 65
Grfico 4: Reducir tiempo de diagnostico ............................................... 66
Grfico 5: Inters de la realizacin del presente proyecto ...................... 67
Grfico 6: Disposicin a la compra del dispositivo .................................. 68
Grfico 7: Lugares en los que se podra conseguir................................. 69

XVII
Grfico 8: Enfermedades ........................................................................ 71

ndice de Anexos

Anexo A: Modelo de Validacin tcnica ................................................ 127


Anexo B: Modelo de Encuesta presentada ........................................... 128
Anexo C: Programacin del PIC ........................................................... 131
Anexo D: Validacin de instrumentos por Andrs Montesinos ............. 140
Anexo E: Validacin de instrumentos por Mara Elena Snchez .......... 141
Anexo F: Validacin de instrumentos por Mauricio Marn ..................... 142
Anexo G: Datasheet Max 232 ............................................................... 143
Anexo H: Datasheet LM7805 ................................................................ 148
Anexo I: Diseo AutoCAD caja VIA Epia .............................................. 150
Anexo J: Diseo AutoCAD caja control ................................................. 152
Anexo K: Diseo Calcomanas ............................................................. 154
Anexo L: Fotos Producto Final .............................................................. 155
Anexo M: Datasheet PIC 16F870 ......................................................... 157

XVIII
Introduccin

En inteligencia artificial es frecuente referirse a ellas como redes de


neuronas o redes neuronales. Las redes de neuronas artificiales
(denominadas habitualmente como RNA o en ingls como: "ANN") son un
paradigma de aprendizaje y procesamiento automtico inspirado en la forma
en que funciona el sistema nervioso de los animales. Adems nos
apoyaremos con las tecnologas existente sobre redes neurales, entre ellas
el Perceptrn, Adaline y propagacin hacia atrs (Backpropagation).

La unidad de una red neuronal artificial es un procesador elemental


llamado neurona que posee la capacidad limitada de calcular, en general,
una suma ponderada de sus entradas y luego le aplica una funcin de
activacin para obtener una seal que ser transmitida a la prxima neurona.
Estas neuronas artificiales se agrupan en capas o niveles y poseen un alto
grado de conectividad entre ellas, conectividad que es ponderada por los
pesos. A travs de un algoritmo de aprendizaje supervisado o no
supervisado, las RNA ajustan su arquitectura y parmetros de manera de
poder minimizar alguna funcin de error que indique el grado de ajuste a los
datos y la capacidad de generalizacin de las RNA.

En este sentido se implementar un modelo experimental capaz de


determinar las posibles enfermedades ms frecuentes de un individuo a
travs de un sistema de red neuronal empleando FPGA, FPAA o plataforma
de desarrollo.

Los datos mdicos sern introducidos por el usuario y sern


procesados por las redes neurales del dispositivo; cabe destacar que la red
neural para no ser muy amplia contar con una salida para cada una de las

1
enfermedades, arrojando como respuesta final las posibles
enfermedades con un porcentaje de probabilidad entre ellas.

Es importante recalcar que una vez que el dispositivo proporcione las


posibles enfermedades que padece la persona, pueden ser tomadas como
sugerencia para un mdico, como parte de su evaluacin mdica.

La investigacin se llevar a cabo de la siguiente forma; un marco


problemtico que plantear el problema, el cual relata la situacin y
establece tentativamente los hechos que lo producen. Se realizar una
formulacin de los problemas que se presentan de manera clara y
delimitada, luego se establecern los objetivos de la investigacin. ste
estar conformado por un objetivo general, que expresa la meta principal que
se piensa alcanzar, y los objetivos especficos que se derivan del general y
garantizan la solucin del problema. Luego se establecer la justificacin e
importancia, en donde se presentarn las razones que hacen importante y
relevante la presente investigacin. ste vendr seguido del Marco Terico,
en el que estarn explcitos los antecedentes ms importantes para la
realizacin del presente proyecto de grado seguido por las bases tericas y
la definicin de trminos bsicos necesarios para lograr un total
entendimiento del tema; por ltimo, en este captulo se expondr el cuadro
de variables correspondiente a la investigacin. Para finalizar se dar paso al
marco metodolgico donde se especificar el diseo de la investigacin, el
tipo de investigacin, definicin operacional, poblacin, muestra, tcnicas e
instrumentos para la recoleccin de los datos necesarios, la validez y la
confiabilidad de los instrumentos y muy importante el procedimiento de la
investigacin. Luego de esto se da paso al sistema propuesto, el cual es muy
importante para dar a conocer parte de los resultados del presente proyecto
de grado, donde encontraremos el desarrollo de la investigacin y un

2
diagrama donde se lograr dar a conocer el sistema a construir, para as
obtener el resultado de la presente investigacin.

3
Captulo I

Marco Problemtico

Planteamiento del problema

Actualmente, vivimos en un mundo donde las enfermedades abundan


debido a la contaminacin ambiental y la sobrepoblacin, tal como menciona
Maldonado, H (2006) en la investigacin El impacto ambiental en
Venezuela. Esto trae consigo la aparicin y evolucin de nuevas
enfermedades, afectando particularmente a la creciente poblacin de bajos
recursos econmicos, que se suma adems a la insuficiente cantidad de
mdicos y las precariedades del sector salud.

Los avances de la tecnologa cada vez estn ms presentes dentro de


la medicina ayudando a combatir las enfermedades y los problemas en la
salud de la humanidad, trayendo consigo mejor calidad de vida. Sin embargo
estas soluciones casi siempre pueden llegar tarde o de lo contrario suelen
ser muy costosas para la mayora de las personas.

Pero realmente, qu es la Salud?... Segn la OMS la "Salud (del


latn "salus, -tis") es el estado de bienestar fsico, mental y social, y no
nicamente la ausencia de infecciones o enfermedades1.

Las personas se auto-medican sin conocimientos reales, tanto por


negligencia o por no poseer el dinero suficiente para una consulta mdica,
como especifica Herrera, M (2010) en su artculo Atencin con la
automedicacin en la revista Estampas de la cadena El Nacional, ponen as
sus vidas en riesgo, a travs de una mala auto-medicacin y desperdiciando
su dinero creyendo que conocen exactamente la solucin a su problema.

1
Organizacin Mundial de la Salud (OMS) realizada en su constitucin de 1946.

4
Por otro lado, algunos mdicos no logran diagnosticar las
enfermedades correctamente en la primera consulta, y estas personas
posiblemente deben regresar por no tener un buen resultado con los
medicamentos recetados, haciendo que el paciente vuelva a gastar dinero en
una nueva cita.

Si esto sigue sucediendo, la persona puede empeorar y nunca recibir


una cura inmediata adems de perder su tiempo y dinero. Incluso, algunas
enfermedades se diagnostican por "eliminacin", por lo que cuando por fin se
logra determinar su tipo, ya est en etapa avanzada.

En este sentido, se quiere lograr diagnosticar estas posibles


enfermedades de un individuo de manera rpida y con un buen grado de
fidelidad, mediante la identificacin por eliminacin de los sntomas, sin la
necesidad de ir a una cita mdica. As, en un futuro, las personas podran
llegar a auto medicarse, por supuesto, bajo su propio riesgo, debido a que
este proyecto no quiere ser un sustituto para la opinin mdica sino ms bien
una herramienta de ayuda para el rea mdica.

Vindolo desde este punto de vista, se podra implementar un


dispositivo basado en redes neuronales capaz de diagnosticar estas
enfermedades y pudiese ser una herramienta para los mdicos en sus citas
mdicas. Es evidente que se tendra que realizar un estudio exhaustivo para
poder lograr la creacin del dispositivo perfecto. Sin embargo, se podra
incursionar en esta rea, diseando una red neuronal experimental,
basndose en la tecnologa de un Perceptrn que logre determinar ciertas
enfermedades con un buen rango de fidelidad.

Si esta tecnologa de las redes neuronales fuese explotada al mximo,


se podran lograr una cantidad de nuevos dispositivos electrnicos con

5
inteligencia artificial, ya que las redes neuronales son el principio bsico de la
inteligencia artificial. Estos dispositivos no slo podran ayudar al rea de la
medicina, sino tambin a cualquier rea de las ciencias o mbito social que
necesiten de la mejor tecnologa. Las redes neuronales artificiales (RNA) han
sido aplicadas a un nmero en aumento de problemas en la vida real y de
considerable complejidad, donde su mayor ventaja es en la solucin de
problemas que son bastante complicados para la tecnologa actual,
tratndose de problemas que no tienen una solucin algortmica o cuya
solucin algortmica es demasiado compleja para ser encontrada.

En general, debido a que son parecidas a las del cerebro humano, las
RNA son bien nombradas ya que son buenas para resolver problemas que el
humano puede resolver pero las computadoras no. Estos problemas incluyen
el reconocimiento de patrones y la prediccin del tiempo. De cualquier forma,
el humano tiene capacidad para el reconocimiento de patrones, pero la
capacidad de las redes neuronales no se ve afectada por la fatiga,
condiciones de trabajo, estado emocional, y compensaciones.

Actualmente se investiga con profundidad en el tema y le han dado


uso a esta tecnologa en algunos temas como: Reconocimiento de textos
manuscritos, Reconocimiento del habla, Simulacin de centrales de
produccin de energa, Deteccin de explosivos, Identificacin de blancos de
radares.

6
Formulacin del problema

Cules son las posibles enfermedades que aplican para este estudio?
Qu FPGA, FPAA o plataforma de desarrollo es ms apropiada para este
estudio?
Es posible disear una red neuronal usando FPGA, FPAA o una plataforma
de desarrollo?
Se puede construir una red neuronal capaz de diagnosticar enfermedades?
Cmo construir la red neural?

Objetivos Generales

Desarrollar una red neuronal artificial como herramienta de apoyo para el


diagnstico previo de ciertas enfermedades

Objetivos Especficos

Definir la importancia que este prototipo representa para el rea de la


Medicina
Identificar las enfermedades que aplican para este estudio.
Determinar qu FPGA, FPAA o plataforma de desarrollo es ms
apropiada para este estudio.
Disear la red neuronal.
Construir el modelo de red neuronal capaz de diagnosticar
enfermedades.
Probar la red neural, verificando que cumple los objetivos planteados.

7
Justificacin de la Investigacin

Este proyecto va destinado al apoyo de un mdico internista al


momento de realizar el diagnstico de alguna enfermedad, proporcionndole
informacin de las posibles enfermedades que pueda tener segn los
sntomas ingresados al dispositivo.

El desarrollo del dispositivo experimental y de la investigacin previa


realizada, ser un gran aporte en este campo de la robtica y la medicina, ya
que constituir bases importantes para las investigaciones futuras en el area
de las redes neuronales (RNA) y de inteligencia artificial aplicadas a la
medicina.

Cabe destacar que la importancia de esta investigacin cientfica es


que gracias a las Redes neuronales se logran resolver problemas de la vida
real de considerable dificultad, tratndose de problemas que no tienen una
solucin algortmica o cuya solucin algortmica es demasiado compleja para
ser encontrada por mquinas comunes. En general, debido a que son
parecidas a las de cerebro humano, las RNA son reconocidas para resolver
problemas que las computadoras no pueden solucionar.

Del mismo modo, esta investigacin es de suma utilidad ya que


demuestra que el campo de la electrnica es cada vez ms amplio,
participando as en el desarrollo de equipos para el sector de la salud y la
medicina. Aun cuando la red neural no intenta sustituir al mdico, s
constituye un elemento auxiliar para el diagnstico de enfermedades.

8
Delimitaciones de la investigacin

Temtica:
Est enmarcado en el rea de la Ingeniera Electrnica y la
computacin especficamente el rea de robtica, control e
Inteligencia Artificial, Redes neuronales Artificiales (RNA).

Geogrfica:
Tanto el estudio, el diseo, la construccin y las pruebas se llevarn a
cabo en las instalaciones de la Universidad Simn Bolvar en
Sartenejas, en la oficina del tutor acadmico.

Temporal:
Ser desarrollado en un perodo comprendido entre febrero 2012 y
marzo de 2013, esto comprende una cantidad de 13 meses.

Tcnica:
Se abordar la situacin problemtica relacionada con enfermedades
que puede sufrir una persona y as obtener un rpido diagnstico.
El grado de dificultad que tenga una enfermedad para determinarla,
basndose en que sta necesite demasiados exmenes y estudios
para identificarla.
Se realizar la seleccin de las enfermedades partiendo de lo que se
obtenga en las encuestas.
La Red neuronal ser desarrollada en los softwares MatLab y
Labview.

Limitaciones de la Investigacin

El tiempo para el desarrollo del dispositivo es un claro limitante.


El costo de los materiales para desarrollar el dispositivo.
Falta de antecedentes e informacin en el tema a investigar.

9
Captulo II

Marco Terico

Antecedentes de la investigacin

En el presente captulo se desarrolla la aproximacin terica del


estudio, la cual tiene como propsito fundamental el desarrollo del presente
proyecto. En tal sentido, se asume la revisin bibliogrfica. Al respecto se
presenta a continuacin una revisin documental, conformada por una serie
de investigaciones que constituyen un acercamiento inicial a uno de los
objetivos del presente estudio.

En primer lugar se encuentra la investigacin por Poma, D. (2010),


dirigida a un estudio titulado: Prediccin Meteorolgica Mediante Redes
Neuronales, a travs de un estudio de campo, el cual tuvo como objetivo
principal hacer un aporte en el rea de predicciones meteorolgicas, que
debido a su complejidad se llevan a cabo en institutos especializados.

A continuacin se explica, segn las palabras de Poma, D. (2010) en


su investigacin Prediccin Meteorolgica Mediante Redes Neuronales, en la
Universidad Tcnica Particular de Loja en la ciudad de Loja, Ecuador, el
mtodo empleado en este trabajo de investigacin, realizado en la
Universidad Tcnica Particular de Loja en el ao 2010.

Con la aplicacin de las RNA, se resuelve el


problema de la complejidad de los modelos de
prediccin tradicionales, a partir de los factores que
realmente afectan la tranquilidad de las ciudades del
pas. Con el software WEKA se realizar la prediccin
meteorolgica de una zona determinada del pas.
Una vez subidos los datos en el software Weka
procedemos a la clasificacin, eligiendo el algoritmo

10
con que se va a trabajar, en este caso Backpropagation.
Inicialmente se utilizaron cuatro neuronas ocultas con
dos de entradas y dos de salida, gradualmente se va
reduciendo las neuronas ocultas, y de esta manera se va
optimizando la matriz de pesos mediante el algoritmo
backpropagation.
Una vez que la red converge se analiza su
funcionamiento y si ste no es el esperado segn esto se va
eliminando una neurona de la capa oculta. Este proceso se
repite hasta obtener el funcionamiento deseado.
Generalmente el aprendizaje de una red neuronal se
produce mediante la formacin de una serie de entrada /
salida de datos (patrones), donde la formacin del algoritmo
backpropagation ajusta el vnculo pesos. La relacin peso,
almacena el conocimiento necesario para resolver problemas
especficos en este caso las predicciones.
El modelo de predicciones meteorolgicas se
implement como una red neuronal del tipo backpropagation,
el cual emplea una funcin sigmoidea, con taza de
aprendizaje 1, tasa de momento 0.5 y el parmetro 0.52.

Esta investigacin llego a las siguientes conclusiones:

El anlisis realizado con los datos meteorolgicos


puede ser realmente til, ya que nos permite realizar sondeos
posteriores en nuestro cambiante clima y as estar prevenido.
Por lo tanto la ventaja es que el resultado arrojado puede
tener cierta fiabilidad, resultando en un ahorro de dinero
Un punto a destacar es que la fase de prediccin sale
un poco costosa en tiempo de computacin y en capacidad de
memoria, debido a estas limitaciones no ha sido posible
probar el modelo de prediccin con ms variables y datos.
Finalmente, el proceso del modelo de prediccin
utilizando las redes neuronales, es eficiente para la prediccin
de los cambios climticos permitiendo la utilizacin de un bajo
nmero de variables3.

2
Poma Lima, D. Prediccin Meteorolgica Mediante Redes Neuronales.
3
IBIDEM

11
Las redes neuronales son aplicables para este tipo de estudios
siempre y cuando sean de bajo nivel en relacin al nmero de variables de
entrada y salida. Si se utiliza un amplio nmero de variables de entrada y
salida, se obtiene una red neuronal demasiado grande. Por lo tanto sera
sumamente complicado el algoritmo utilizado para realizarla.

Este trabajo de investigacin tiene relacin directa con el presente, ya


que se utilizan las redes neuronales como principal herramienta de ayuda, en
este caso, a un meteorlogo el cual se puede guiar por los datos obtenidos
de la red para la prediccin de fenmenos meteorolgicos. En el presente
caso, estar orientado a la ayuda del personal mdico al diagnosticar
enfermedades.

Por otro lado se encuentra el estudio realizado por Villada, F., Muoz,
W., Henao, M. (2008), dirigido a un estudio titulado: Aplicacin De Las
Redes Neuronales En Ingeniera y Economa, a travs de un estudio
documental, en la Universidad de Antioquia en Colombia el cual tuvo como
objetivo principal realizar una bsqueda bibliogrfica de las aplicaciones ms
importantes de las redes neuronales aplicadas a diferentes aspectos de la
Ingeniera y la Economa.

En la bsqueda bibliogrfica se encontraron diversas


aplicaciones de las redes neuronales en las diferentes reas
de la ingeniera como son la operacin confiable de procesos
productivos, diagnstico de equipos elctricos y sistemas de
potencia. A continuacin se describirn algunas de ellas.
El autor Minchao4 entrena una red neurona-difusa para
identificar y aislar tres clases de fallas ocasionadas por la
apertura anormal de vlvulas, utilizando la informacin de un
vector de ocho parmetros de entrada compuesto por
presiones y velocidades en diferentes puntos, cuyas

4
Minchao, H., Quzhi, C., Fuzzy Direction Neural Networks and its Application to Fault Detection and
Isolation. Pp. 1007

12
tendencias de cambio con el tiempo son similares para
diferentes tipos de fallas...
El trabajo realizado por Chow 5 presenta una forma
forma econmica de diagnosticar motores de induccin
pequeos en tiempo real para detectar fallas incipientes en los
devanados y problemas en los rodamientos; mostrando la
factibilidad de usar redes neuronales artificiales en situaciones
industriales reales6
Esta investigacin lleg a las siguientes conclusiones: las revisiones
bibliogrficas de los diferentes documento, trabajos e investigaciones
Mostraron la potencialidad de aplicacin de las redes neuronales en
aquellos campos donde se requieran analizar el comportamiento de sistemas
no lineales y con dificultad de ser modelados matemticamente7.

La investigacin citada anteriormente tiene relacin con la presente, y


sobre todo es de suma importancia, ya que ayuda a tener un conocimiento
amplio sobre las diferentes aplicaciones de las redes neuronales, en la
evolucin tecnolgica de cualquier estudio, no solamente en el rea de la
ingeniera sino en cualquier rea de inters.

Del mismo modo, Economou, P.K., Mariatos, E.P., Economopoulus, N.


M., Lymberopoulos, D. and Goutis C. E. (2009), de la Universidad de Patras,
en la Ciudad de Patras, Grecia, dirigido a un estudio titulado: Implementacin
de FPGA en Redes Neuronales Artificiales: Aplicado a un Sistemas Expertos
(FPGA Implementation of Artificial Neural Networks, An application on
Medical Expert Systems), a travs de un estudio de campo, esta
investigacin tuvo como objeto principal realizar una red neuronal capaz de
diagnosticar enfermedades pulmonares, esta investigacin est basada en

5
Chow, M., Mangum, P., Yee, M., A Neural Network Approach to Real-Time Condition Monitoring of
Induction Motors
6
Villada, F. Muos, W. Henao, N. Aplicacin De Las Redes Neuronales En Ingeniera Y Economa
7
IBIDEM

13
una red neuronal compuesta por tres(3) capas, que procesa sntomas de
enfermedades pulmonares y otra informacin que se le proporcione a la
entrada de la red neuronal, y proporcionar en la salida cul posible
enfermedad pulmonar pueda padecer con una exactitud del 92%. Luego de
este procesamiento la tercera capa de esta estructura, que est empezando
a disearse, podr ser capaz de proporcionar tanto tratamiento mdico,
como las mejores medicinas para tratar la enfermedad que de resultado de
las capas anteriores.
Se propuso la implementacin basada en Field Programmable Gate
Arrays (FPGAs), para lograr que el dispositivo sea porttil y fcil de
reconfigurar, ya que permite nuevas estructuras (La mejora de la actual MES
-Micro Electronic Systems-, para el apoyo de otras enfermedades, y as
introducirlas en otros campos de la pericia humana) ser implementadas sin
ningn cambio en dicho Hardware.
La cuestin clave en el diseo de FPGAs para Redes Neuronales
Artificiales, es para reducir el tamao de cada neurona y as poder poner en
un solo chip tantas neuronas sea posible. De esta manera podremos tener
ocho (8) neuronas en un FPGA chip.
Esta investigacin lleg a las siguientes conclusiones: La asignacin
propuesta para la Red Neuronal Artificial en un FPGA, fue probada para
proporcionar resultados muy destacados. Esta composicin fue usada para
estructurar la porttil eficiencia y reconfiguracin de los MES, para asistir a
los mdicos en enfermedades pulmonares. El software y el hardware que se
implement fue estudiado y por simulacin los factores de tamao y
velocidad resultaron ser superados. Por otra parte, la mejora de este MES
se pensaba que era la argumentacin de cul de los patrones deba seguir.
La integracin de conocimiento terico mdico y la interferencia con otros
trminos pulmonares fueron aprendidos por el dispositivo en nuevos
algoritmos, podra ser el prximo objetivo, la fcil transferencia en lo

14
propuesto en las estructuras bsicas de los FPGAs. El ltimo objetivo de este
proyecto podra ser el uso de los MES para diagnosticar cualquier otra
enfermedad, esto es el deseo de este equipo de investigacin. Es el trabajo
de investigacin con ms relacin al presente ya que busca el mismo
objetivo.

15
Bases tericas

Las enfermedades:

Son una alteracin de la salud. Pueden ser de origen infeccioso o no


infeccioso. Las primeras son causadas por virus, bacterias, hongos u otros
agentes patgenos. Las segundas, tienen un origen variado que puede ser
gentico o provocado por otros agentes.

Las enfermedades provocan un desequilibrio fsico, mental y social en


quienes las padecen. Generan un trastorno en la funcin o estructura de una
o varias partes del cuerpo. Todas las enfermedades tienen un proceso
evolutivo. Sus causas por lo general son conocidas y se manifiestan a travs
de ciertos sntomas y signos caractersticos, cuya evolucin puede ser ms o
menos previsible.

Neurona artificial:

Es un procesador elemental llamado neurona que posee la capacidad


limitada de calcular, en general, una suma ponderada de sus entradas y
luego le aplica una funcin de activacin para obtener una seal que ser
transmitida a la prxima neurona. Ver Figura N1.

Figura 1. Estructura de la neurona artificial

16
Fuente: Gonzales, D, (1999), Deteccin de alumnos de riesgo y medicin de
la eficiencia de centros escolares mediante redes neuronales.

Neurona:

El cerebro humano est compuesto por una gran cantidad de


elementos bsicos denominados neuronas como se muestra en la Figura
N2.

Bsicamente las neuronas estn formadas por:

Un cuerpo central o Ncleo


Un mecanismo de conexin con otras neuronas (sinapsis):
Axn y dendritas

Los estmulos recibidos en el cerebro son transmitidos entre las neuronas


mediante las conexiones sinpticas. Cuando una neurona es estimulada
libera una pequea cantidad de un componente qumico (neurotransmisor).
ste viaja a travs del axn hasta llegar a las dendritas de otras neuronas,
en las cuales el proceso se repite. Este proceso sirve para incrementar o
disminuir la relacin entre las neuronas involucradas en l. As, ante un
determinado estmulo ciertas neuronas se activan y otras se inhiben como se
muestra en la Figura 3.

17
Figura 2. Diagrama de una neurona

Fuente: Palacios, F, (2003) Redes Neuronales con GNU/Linux

Figura 3. Funcionamiento de una neurona

Fuente: Profesores en Lnea, Neurona.

18
Cuando este proceso se completa, entonces ante determinados estmulos
sabemos cmo responder y aprendemos. El conocimiento adquirido est
entonces en los niveles de relacin entre las neuronas, logrados durante el
proceso de aprendizaje. El cerebro es entrenado por repeticin de
estmulos.
Mediante un proceso de aprendizaje se logra establecer los niveles
correctos de activacin-inhibicin de las neuronas

Ejemplo: Los nios

El cerebro humano cuenta con una enorme cantidad de neuronas (aprox.


100billones) y la manera en que estn interconectadas (aprox. 60 trillones de
sinapsis) las cuales tienen la capacidad de organizarse, construir reglas y
aprender de la experiencia.

Redes Neuronales Artificiales:

Teniendo en cuenta entonces el funcionamiento del cerebro se


pueden construir redes neuronales artificiales interconectando elementos de
procesamiento ms bsicos como las neuronas. Algunos tipos se aprecian
en las Figura 4 y Figura 5. Las redes neuronales artificiales pueden ser
entrenadas de dos maneras: esto es la clave de la capacidad de adaptarse a
estmulos distintos de una red neuronal ya que la informacin aprendida est
bsicamente almacenada en el valor de sus pesos sinpticos.

19
Figura 4. Red de Hopfield

Fuente: Villasana, M, Introduccin a Las redes Neuronales

Figura 5. Red de kohonen

Fuente: Villasana, M, Introduccin a Las redes Neuronales

20
Una red neuronal artificial Is a massive parallel distributed processor
that has a natural propensity for storing experimental knowledge and making
available for use (Haykin, 1994) (en espaol Es un procesador
masivamente paralelo distribuido que tiene una tendencia natural para
almacenar conocimiento experimental y la pone a disposicin para su uso
(Haykin, 1994)).

Clasificacin de las RNA:

Segn el criterio que escojamos para clasificar las RNA tendremos


una clasificacin u otra. Lo ms comn es usar la arquitectura y el tipo de
aprendizaje como criterios de clasificacin.

Si nos fijamos en la arquitectura podemos tener dos posibilidades


distintas. Si la arquitectura de la red no presenta ciclos, es decir, no se puede
trazar un camino de una neurona a s misma, la red se llama unidireccional
(feedforward) como se muestra en la Figura 6.

Por el contrario, si podemos trazar un camino de una neurona a s


misma la arquitectura presenta ciclos. Este tipo de redes se denominan
recurrentes o realimentados (recurrent) como se aprecia en la Figura 6.

21
Figura 6. Tipos de RNA

Fuente: Palacios, F, (2003) Redes Neuronales con GNU/Linux

El otro criterio ms habitual para clasificar las redes neuronales es el


tipo de aprendizaje que se utilice. Hay cuatro clases de aprendizaje distintos:

Aprendizaje supervisado: en este tipo de aprendizaje se le proporciona


a la RNA una serie de ejemplos consistentes en unos patrones de entrada,
junto con la salida que debera dar la red. El proceso de entrenamiento
consiste en el ajuste de los pesos para que la salida de la red sea lo ms
parecida posible a la salida deseada. Es por ello que en cada iteracin se
use alguna funcin que nos d cuenta del error o el grado de acierto que est
cometiendo la red.

Aprendizaje no supervisado o auto organizado: en este tipo de


aprendizaje se presenta a la red una serie de ejemplos pero no se presenta
la respuesta deseada.

Lo que hace la RNA es reconocer regularidades en el conjunto de


entradas, es decir, estimar una funcin densidad de probabilidad p(x) que
describe la distribucin de patrones x en el espacio de entrada Rn.

22
Aprendizaje Hbrido: Es una mezcla de los anteriores. Unas capas de
la red tienen un aprendizaje supervisado y otras capas de la red tienen un
aprendizaje de tipo no supervisado. Este tipo de entrenamiento es el que
tienen redes como las RBF.

Aprendizaje reforzado (reinforcement learning): Es un aprendizaje con


caractersticas del supervisado y con caractersticas del auto organizado. No
se proporciona una salida deseada, pero s que se le indica a la red en cierta
medida el error que comete, aunque es un error global.

Existen varios modelos de redes neuronales que pueden ser:

Perceptrn, Adaline, Perceptrn multicapa, Memorias asociativas,


Mquina de Boltzmann, Mquina de Cauchy, Propagacin hacia atrs
(backpropagation), Redes de Elman, Redes de Hopfield, Red de contra
propagacin, Redes de neuronas de base radial, Redes de neuronas de
aprendizaje competitivo, Mapas Auto organizados (RNA) (Redes de
Kohonen), Crecimiento dinmico de clulas, Gas Neuronal Creciente, Redes
ART (Adaptative Resonance Theory)

Pero a pesar de que tenemos una gran cantidad de modelos, uno de


las ms utilizadas es el Perceptrn Multicapa, el cual se basa en otra red
ms simple llamada Perceptrn simple, solo que el nmero de capas ocultas
puede ser mayor o igual que una. Es una red unidireccional (feedforward). La
arquitectura tpica de esta red la podemos observar en la Figura 7.

23
Figura 7: Arquitectura tpica de un Perceptrn Multicapa.

Fuente: Palacios, F, (2003) Redes Neuronales con GNU/Linux

Multiplexacin:

Los multiplexores, como se muestra en la Figura 8, son equipos que


reciben varias secuencias de datos de baja velocidad y las transforman en
una nica secuencia de datos de alta velocidad, que se transmiten hacia un
lugar remoto. En dicho lugar, otro multiplexor realiza la operacin inversa
obteniendo de nuevo los flujos de datos de baja velocidad originales. A esta
funcin se la denomina demultiplexar.

Figura 8: Multiplexores

Fuente: All About Circuits, (2009) Multiplexers

24
Automedicacin:

La automedicacin es la medicacin sin consejo mdico. Crea


diversos problemas si no se tienen suficientes conocimientos. Algunas de
estas complicaciones son las siguientes:

Disminuir la efectividad de los antibiticos en la persona que los


toma y generacin de cepas de bacterias resistentes al antibitico,
que pueden infectar a otras personas.
Intoxicacin.
Interacciones
Casos de riesgos al auto medicarse segn Miller N, Lacroix EM, Backus J. en
el ao (1999):
Un caso con poco riesgo de automedicacin son la de los
medicamentos contra la constipacin. Normalmente los
mdicos los recomiendan cuando el paciente va a
consulta y, a veces, el mdico recomienda su uso sin
necesidad de volver a visitarle. Una alternativa a la
consulta mdica es consultar con el farmacutico, que
posee un importante conocimiento de los medicamentos
que dispensa adquiridos mediante una carrera
universitaria y mediante su constante formacin
postuniversitaria. El farmacutico, en caso de que vea
necesario un diagnstico, debe remitirle al mdico.

Componentes Electrnicos Bsicos

Puerto Serie

Para definir los puertos serie, veamos lo que L. Alfaro, M. Garcial y


A. Puras(2001), comentan:

Los puertos serie, tambin se denominan puertos COM


(puertos de comunicaciones) y proporciona medios de

25
transmisin de informacin desde y hacia el ordenador. La
mayor parte de estos puertos responde al estndar RS-232. A su
vez existen diferentes variedades de puertos serie, definidos por
el tipo de UART (Universal Asynchronous Receiver
Transmitter). El UART es el chip que transforma la informacin
para hacerla apta para su envo a travs de este puerto. Recibe
la informacin del ordenador que le llega generalmente de
bloques de 32 bits (la velocidad del bus PCI del sistema) y la
adapta para ser enviada por los cables serie que slo envan
datos de bit en bit. (p.27)

Actualmente la mayor parte de los computadores llevan el tipo UART


16550A, que permite tasas de transferencia de hasta 115Kbps.

La evolucin de los componentes de los computadores ha sido


determinante en la evolucin de este tipo de puertos. Con el paso del tiempo
surgen nuevos procesadores con mayor capacidad y velocidad de ejecucin.
Las memorias RAM multiplican su rendimiento y los discos duros de
almacenamiento aumentan su velocidad y capacidad.

Figura 9: Puerto Serie y Puerto Paralelo.

Fuente: Jos Durn (2010)

26
Puerto USB

Los puertos USB son, actualmente, muy utilizados hoy en da, se


aplican para disco duros externos, pendrives, cornetas, mouse, teclados y sin
fin ms de aplicaciones. Para L. Alfaro, M. Garcial y A. Puras (2001), los
puertos USB son:

Los puertos USB (Universal Serial BUS) se han incorporado a


los ordenadores ms modernos, y pueden transmitir datos a una
velocidad de hasta 12 Mbps. Son una evolucin de los puertos
serie de tipo RS-232, y aportan una notable mejora de
prestaciones. En realidad tiene dos formas de funcionamiento.
Una, a tasas elevadas de 12Mbps, y otra para dispositivos que
no requieran tanto ancho de banda, (como ratones), donde la
informacin se transmite a 1,5MBps. (p.27)

Los puertos USB, se han masificado gracias a sus caractersticas de


fcil utilizacin. Son sencillos de conectar, cualquier dispositivo que se
conecte ser reconocido automticamente e instalar los controladores para
su correcto funcionamiento (Ver Figura 4)

Figura 10: Puerto USB.

Fuente: Computlan (2011)

27
Condensador o Capacitor

Zetina ngel (2001), entiende como condensador:

A un capacitor bsicamente lo constituye un par de placas


metlicas separadas por medio de un dielctrico como el aire,
papel, mica, cermica, vidrio, molar, etc., cuyo dispositivo tiene
como propiedad principal la de almacenar cargas elctricas,
propiedad a la cual se le conoce con el nombre de Capacitancia.
(p.25)

El condensador es un dispositivo que almacena energa elctrica. Esta


energa que almacena se utiliza para mantener al circuito estable por
cualquier prdida de energa. Es decir es capaz de almacenar energa por
poco tiempo para que cuando exista una prdida de energa en el circuito,
sta pueda ser reemplazada por la ya almacenada en el condensador (Ver
Figura 5).

Figura 11: Ejemplo de Capacitor Electroltico.

Fuente: Micromotores (2010)

28
Resistencia

Zetina ngel (2001), define resistencia como:

Es un dispositivo o componente elaborado a base de materiales


adecuados para ofrecer estorbo a la corriente elctrica,
propiedad a la cual se le conoce con el nombre de Resistencia
En consecuencia, se puede decir que el Resistor es til para
limitar o determinar el nivel de la corriente elctrica que debe fluir
en un circuito. (p.20)

Por tanto la resistencia es un dispositivo electrnico que es capaz de


limitar el paso de corriente por una parte del circuito determinado a su vez las
resistencia varan segn su tamao, tamao, precisin y valor de su
resistencia en OHM. Este fenmeno es aprovechado en los diseos
circuitales para evitar el sobre cargo de algn dispositivo y la posible prdida
de dicho dispositivo por el sobre cargo del mismo (Ver Figura 6).

Figura 12:. Ejemplo de Resistencia.

Fuente: Goyeneche, Carlos (2011).

29
Transistor de una juntura (UJT):

El transistor UJT (transistor de unijuntura-Unijunction transistor) es un


dispositivo con un funcionamiento diferente al de otros transistores. Es un
dispositivo de disparo. Es un dispositivo que consiste de una sola unin PN y
dos soldadoras por donde disipa el calor.

Fsicamente como se muestra en la figura 13 el UJT consiste de una


barra de material tipo N con conexiones elctricas a sus dos extremos (B1 y
B2) y de una conexin hecha con un conductor de aluminio (E) en alguna
parte a lo largo de la barra de material N.

Figura 13. UJT

Fuente: Electrnica Unicrom, (2009), Funcionamiento UJT

Conversin analgica a digital:

Consiste en realizar de forma peridica medidas de la amplitud (tensin)


de una seal, como se muestra en la Figura 14, redondear sus valores a un
conjunto finito de niveles preestablecidos de tensin (conocidos como niveles
de cuantificacin) y registrarlos como nmeros enteros en cualquier tipo de
memoria o soporte.

Muestreo: el muestreo consiste en tomar muestras peridicas de la


amplitud de onda. La velocidad con que se toma esta muestra, es

30
decir, el nmero de muestras por segundo, es lo que se conoce
como frecuencia de muestreo.
Retencin: Las muestras tomadas han de ser retenidas por
un circuito de retencin, el tiempo suficiente para permitir evaluar su
nivel (cuantificacin). Desde el punto de vista matemtico este
proceso no se contempla, ya que se trata de un recurso tcnico
debido a limitaciones prcticas, y carece, por tanto, de modelo
matemtico.
Cuantificacin: en el proceso de cuantificacin se mide el nivel
de voltaje de cada una de las muestras. Consiste en asignar un
margen de valor de una seal analizada a un nico nivel de salida.
Incluso en su versin ideal, aade, como resultado, una seal
indeseada a la seal de entrada: el ruido de cuantificacin.
Codificacin: la codificacin consiste en traducir los valores obtenidos
durante la cuantificacin al cdigo binario. Hay que tener presente que
el cdigo binario es el ms utilizado, pero tambin existen otros tipos
de cdigos que tambin son utilizados

31
Figura 14. Conversin analgica a digital

Fuente: Biopsychology, (2007), Anlisis digital

Sistema prototipo:

Segn Montamayor, Mara (2000) un prototipo es una visin


preliminar del modelo futuro, es un modelo operable, fcilmente ampliable y
modificable, que tiene todas las caractersticas propuestas, pero realmente
es un modelo bsico que tiene que ser mejorado

En la investigacin realizada por Segovia, Hctor Daniel (1999) La


elaboracin de prototipos de un sistema de informacin, es una tcnica
valiosa para la recopilacin rpida de informacin especfica, a cerca de los
requerimientos de informacin de los usuarios.

Tipos de Informacin que busca el Analista durante la


Elaboracin de Prototipos:

Reacciones del usuario.


Innovaciones.
Sugerencias del usuario.
Plan de revisin.

32
Sugerencias: El analista tambin est interesado en las sugerencias de los
usuarios y la administracin acerca de cmo refinar o cambiar el prototipo
presentado. Las sugerencias son recolectadas de aquellos que experimenta
con el prototipo, mediante un perodo de tiempo especfico.

Innovaciones: Son parte de las informaciones buscada por el equipo de


anlisis de sistema. Son capacidades nuevas del sistema que no haban sido
pensadas antes de la interaccin con el prototipo.

Plan de Revisin: Ayuda a identificar prioridades para lo que se debe


construir un prototipo a continuacin. En situaciones donde estn
involucradas muchas ramas de la organizacin, los planes de revisin
ayudan a determinar para cules hay que construir un prototipo a
continuacin.

Sistemas de control:

Gamiz, J. A (2000) define que un sistema de control es un conjunto


de elementos ensamblados con la finalidad de mantener, en torno al valor
deseado, la magnitud de una cierta variable fsica de inters. Un sistema de
control ideal debe ser capaz de conseguir su objetivo, cumpliendo los
siguientes requisitos: garantizar estabilidad, ser eficiente, fcil
implementacin y cmodo en operar en tiempo real.

En la Figura 15 se puede observar el esquema general de un sistema


de control.

33
Figura 15: Esquema genrico de un sistema de control

Fuente: Moya, J. (2009), Sistemas de Control

Tipos de sistemas de control:

Segn Moya, J. los tipos de sistemas de control son Varios son los
criterios que pueden seguirse para clasificar los sistemas de control: en
funcin de que el estado de la salida intervenga o no en la accin de control
(lazo abierto o lazo cerrado); segn las tecnologas puestas en juego
(mecnicos, neumticos, hidrulicos, elctricos y electrnicos); atendiendo a
las tcnicas de procesamiento de la seal (analgicos y digitales); segn la
forma de establecer la relacin entre los elementos del sistema (cableados y
programados), etc.

34
Sistemas a lazo abierto:
Son aquellos en los que la accin de control es independiente de la
salida, es decir, la seal de salida no tiene influencia sobre la seal de
entrada, un esquema de sistemas de control a lazo abierto se puede ver en
la Figura 16.

Figura 16: Sistema a lazo abierto

Fuente: Moya, J. (2009), Sistema de control.

Sistema de control a lazo cerrado:

Son aquellos en los que la accin de control vuelve a la entrada para


realizar un monitoreo completo y capaz de ajustar la salida, ya que esta
seal de salida tiene influencia directa sobre ella misma, un sistema de
control a lazo cerrado se puede observar en la Figura 17.

Figura 17: Sistema de control a lazo cerrado.

Fuente: Moya, J. (2009), Sistema de control.

35
Sistemas de control analgico y digital:

Segn Moya, J. (2009) de la escuela tcnica de Santiago de Compostela los


sistemas de control analgico y digital son:
Las seales en un sistema de control, por ejemplo, las
formas de onda de entrada y salida, son funciones de
alguna variable independiente, usualmente el tiempo,
denotada por t. Una seal analgica es una seal
dependiente de un continuum de valores de la variable
independiente t. Cuando cambia de valor, necesariamente
ha de tomar todos los valores intermedios entre los dos
lmites. Por ejemplo, la tensin que vara sinusoidalmente
v (t) o la corriente alterna i (t), disponibles en una toma de
corriente elctrica comn son seales analgicas porque
estn definidas en cada uno y en todos los instantes de
tiempo t que la energa elctrica est disponible en esa
toma. Una seal digital es una seal definida o de inters,
solamente, en los instantes discretos (diferentes) de la
variable independiente t (de la cual depende).

Elementos de un sistema de control:

Aracil R, Garcia N, ieco R (2003) dicen que una variable a controlar


generalmente se conoce como seal de salida. Constituye la seal que
deseamos que adquiera algunos valores determinados.

En la Figura 18 se representa uno de los posibles esquemas de


bloques de un sistema de control genrico y simple, en lazo cerrado
(retroalimentado), con una sola entrada y una sola salida, para un sistema
con seales continuas.

Las flechas de un lazo cerrado, que conectan un bloque con otro,


representan la direccin del flujo de la energa de control o informacin, que
a menudo no es la fuente principal de energa para el sistema.

36
Figura 18: Esquema de bloques de un sistema de control

Fuente: Escuela de Profesiones Tcnicas .Santiago de Compostela (2009). (En


lnea)

Los elementos del sistema de control ms importantes son los siguientes:

Proceso: Conjunto de operaciones que se van a suceder y que van a tener


un fin determinado.

El procesamiento se realiza sobre una planta o una mquina, que son el


conjunto de componentes y piezas que van a tener un determinado objetivo.

Actuador: Como el nombre indica es el componente encargado de actuar


sobre el proceso o mquina, en funcin de la seal recibida del amplificador.
El actuador modifica la variable de entrada del proceso controlado, por
ejemplo, una corriente elctrica que circula por la resistencia del radiador, en
un sistema de control de temperatura; una corriente de fluido por una tubera,
en un sistema de control de caudal, etc.

37
Amplificador: Elemento que aumenta la amplitud o intensidad de un
fenmeno. Tiene por finalidad amplificar la seal de error con objeto de que
alcance un nivel suficiente para excitar el actuador.

Comparador: Elemento que compara la seal controlada con la seal de


referencia para proporcionar la seal de error. El resultado de la comparacin
representa la desviacin de la salida con respecto al valor previsto. Se le
conoce tambin como detector de error.

Generador del valor de referencia o consigna: Componente capaz de


generar una seal anloga a la seal de salida que se quiere gobernar; esta
seal de referencia es la encargada de imponer el valor deseado en la salida.

Transductor: Dispositivo que transforma un tipo de energa en otro ms apto para


su utilizacin. Si la energa transformada es en forma elctrica se llama sensor. Es
el instrumento encargado de detectar la seal de salida, para utilizarla de nuevo en
el proceso de realimentacin. Se le llama en los sistemas de control captador.

Acondicionador de seales: Bloque que adapta la seal transformada por


el transductor a los niveles adecuados del comparador.

Controlador: Elemento de los sistemas digitales que incluye las funciones del
comparador, el amplificador y el acondicionador de seales.

Microcontroladores
Segn Torres, M (2007) en su trabajo Tutorial microcontroladores
PIC especifica que Los microcontroladores son computadores digitales
integrados en un chip que cuentan con un microprocesador o unidad de
procesamiento central (CPU), una memoria para almacenar el programa, una
memoria para almacenar datos y puertos de entrada salida. A diferencia de

38
los microprocesadores de propsito general, como los que se usan en los
computadores PC, los microcontroladores son unidades autosuficientes y
ms econmicas.

El PIC ms comn es el que podemos observar en la figura 19 el cual


es el 16f870.

Figura 19: PIC 16F870

Fuente: Electrnica Magnabit, 2012

Prez, E. Fuertes, L. Ferreira, L y Matos, E (2007) Microcontroladores


Pic. Sistema Integrado Para El Autoaprendizaje. Los microcontroladores PIC
de Microchip han tenido un gran xito en los ltimos aos debido a:

Su buena relacin precio/prestaciones


La facilidad de desarrollo de aplicaciones basadas en ellos, debido a
su repertorio de instrucciones reducido.
Su facilidad de reprogramacin, ya que muchos modelos se fabrican
con memoria no voltil del tipo FLASH, borrable y programable
elctricamente.
La existencia de extensa documentacin y diversas herramientas de
programacin de libre distribucin, muchas de las cuales son
proporcionadas directamente por el fabricante, para llevar a cabo el
desarrollo de aplicaciones.

39
Su disponibilidad como circuitos normalizados la existencia de
numerosos desarrolladores de sistemas que los utilizan.

En la figura 20 podemos observar la especificacin de las patas del PIC


16F870.

Figura 20: Especificacin de Patas

Fuente: DataSheet Directory, 2009

40
FPGA:

Un FPGA (o Field Programmable Gate Array) es un dispositivo


semiconductor que posee bloques lgicos interconectados para que puedan
ser programados como se observa en la Figura 21. Los FPGA surgen de los
conceptos desarrollados en los PAL y los CPLD.

Figura 21: Estructura interna de un FPGA

Fuente: Xilix, (2010), FPGA - Field Programmable Gate Array

Los FPGA pueden ser reprogramados (hay versiones que pueden


programarse una nica vez), no son costosos, pero son ms lentos y tienen
un mayor consumo de energa que los ASIC. En la mayora de los FPGA la
configuracin es voltil y debe ser recargada cuando es aplicada energa o
cuando se requiere una funcionalidad diferente. La configuracin
generalmente es almacenada en memorias PROM o EEPROM, el aspecto
fsico de un FPGA se puede apreciar en la Figura 22.

41
Figura 22: Aspecto fsico de un FPGA

Fuente: Xilinx, (2010), FPGA - Field Programmable Gate Array

Los FPGA utilizan una red de puertas lgicas que sern programadas
por los usuarios (y no por el fabricante). Generalmente son programados
despus de haber sido soldados al circuito impreso.

Los lenguajes de programacin (llamados HDL o Hardware


Description Language) ms utilizados para programarlos son VHDL, Verilog y
ABEL.

Ejemplos de los primeros FPGA son el secuenciador 82S105 (tena


tambin funciones flip flop -biestables-) y la matriz 82s100 (matriz de AND),
lanzados a finales de los 70 por Signetics.

Los mayores fabricantes de FPGAs son Xilinx y Altera (los mximos


rivales), y controlan el 80 por ciento del mercado (Xilinx representa el 50%).

Otras compaas son Lattice Semiconductor, Actel, SiliconBlue


Technologies, Achronix y QuickLogic.

42
Un FPGA es un dispositivo lgico programable, es decir un chip cuyas
puertas lgicas a nivel fsico podemos programar.

Los FPGA se utilizan en multitud de campos, que van desde la


industria de fabricacin mecanizada hasta la industria aeroespacial, pasando
por la industria militar. Esto nos ofrece mejores ventajas respecto a circuitos
comerciales ya programados en los que slo tenemos que cargarle un
programa; estos circuitos que ya vienen programado tienen especificado los
tiempos que tardarn por cada instruccin e indicando el nmero de micro
instrucciones que harn falta para el proceso.

FPAA:

Un depsito anlogo programable el cual se puede observar en la


Figura 23, FPAA generalmente abreviado, es el equivalente anlogo del
FPGA, un dispositivo programable digital tal los desarrollados por Actel, Xilinx
, y Altera. Son semejantes a los FPGAs, porque contienen una gran cantidad
de mdulos y de interconexiones permitiendo las configuraciones arbitrarias
de la lgica combinatoria y secuencial. Los dispositivos de FPAA contienen
tpicamente un nmero pequeo de CABs (bloques anlogos configurables).
Los recursos de cada CAB varan extensamente entre diversos dispositivos
comercialmente disponibles para la investigacin. Los FPAAs estn dirigidos
hacia caractersticas analgicas estndar de diseo tpicamente nico; el
CAB que contiene un amplificador operacional, el condensador programable
pone en orden (PCAs), y cualquier resistor programable pone en orden para
los circuitos de tiempo continuo o los interruptores configurables para los
circuitos que varan el condensador.

43
Figura 23: FPAA

Fuente: Xilix, (2010), FPAA - Field Programmable Analog Array

Sistemas Expertos:

Los sistemas expertos segn Lpez, I. en el ao 2002 en su informe Sistema


Experto para recomendaciones de cal en los suelos de Venezuela en la
ciudad de Maracay, Edo Aragua:

En el ao 1985 se plane el desarrollo de un programa


de computacin que permitir manejar el cmulo de
informacin requerida para producir las recomendaciones
de cal, para agilizar el proceso y uniformizar los criterios
con este fin; es as como se inici el desarrollo de un
Sistema Experto, el cual es bsicamente un programa de
computacin que se comporta como un especialista en la
solucin de problemas especficos en un rea
determinada. Este sistema constituye una importante
herramienta de transferencia de tecnologa aplicable a la
solucin de problemas diversos

44
Inteligencia artificial:

Segn Herrera, C (2008), La Inteligencia Artificial es una combinacin


de la ciencia del computador, fisiologa y filosofa, tan general y amplio como
eso, es que rene varios campos (robtica, sistemas expertos, por ejemplo),
todos los cuales tienen en comn la creacin de mquinas que pueden
pensar.

La idea de construir una mquina que pueda ejecutar tareas


percibidas como requerimientos de inteligencia humana es un atractivo. Las
tareas que han sido estudiadas desde este punto de vista incluyen juegos,
traduccin de idiomas, comprensin de idiomas, diagnstico de fallas,
robtica, suministro de asesora experta en diversos temas.

Es as como los sistemas de administracin de base de datos cada


vez ms sofisticados, la estructura de datos y el desarrollo de algoritmos de
insercin, borrado y locacin de datos, as como el intento de crear mquinas
capaces de realizar tareas que son pensadas como tpicas del mbito de la
inteligencia humana, acuaron el trmino Inteligencia Artificial en 1956.

La Inteligencia Artificial trata de conseguir que los computadores


simulen en cierta manera la inteligencia humana. Se acude a sus tcnicas
cuando es necesario incorporar en un sistema informtico, conocimiento o
caractersticas propias del ser humano.

Otras herramientas inteligentes pueden utilizarse para escrutar entre


los millones de datos que se generan en un banco, en busca de patrones de
comportamiento de sus clientes o para detectar tendencias en los mercados
de valores.

45
Sistemas de modulacin:

Segn Haward, D (2005) se denomina modulacin

Al proceso de colocar la informacin


contenida en una seal, generalmente de baja
frecuencia, sobre una seal de alta frecuencia.
Debido a este proceso la seal de alta frecuencia
denominada portadora, sufrir la modificacin de
alguna de sus parmetros, siendo dicha
modificacin proporcional a la amplitud de la seal
de baja frecuencia denominada moduladora. A la
seal resultante de este proceso se la denomina
seal modulada y la misma es la seal que se
transmite.

Tipos de Modulacin:

Un modulador AM es un dispositivo con dos seales de entrada, una


seal portadora de amplitud y frecuencia constante, y la seal de informacin
o moduladora. El parmetro de la seal portadora que es modificado por la
seal moduladora es la amplitud.

En otras palabras, la modulacin de amplitud (AM) es un tipo de


modulacin lineal que consiste en hacer variar la amplitud de la onda
portadora de forma que sta cambie de acuerdo con las variaciones de nivel
de la seal moduladora, que es la informacin que se va a transmitir. Como
podemos observar en la Figura 24, y de esta manera lograr transmitir la
seal.

46
Figura 24: Modulacin AM

Fuente: Garca, B. (2007). Modulacin por amplitud

Modulacin en frecuencia
La seal modulada mantendr fija su amplitud y el parmetro de la
seal portadora que variar es la frecuencia, y lo hace de acuerdo a como
vare la amplitud de la seal moduladora.

En otras palabras, la modulacin por frecuencia (FM) es el proceso de


codificar informacin, la cual puede estar tanto en forma digital como
analgica, en una onda portadora mediante la variacin de su frecuencia
instantnea de acuerdo con la seal de entrada. Podemos observar una
seal modulada en frecuencia en la Figura 25.

47
Figura 25: Modulacin FM

Fuente: Garca, B. (2007). Modulacin por Frecuencia

Modulacin Digital por densidad de pulso

Segn Herrera, S. en el ao 2006 en su investigacin Modulacin por


densidad es el proceso utiliza un cuantificador de 1 bit que produce un 1 o
un 0 dependiendo de la amplitud de la seal analgica. Si tuviramos un
bitrate formado por todo 1, o bien por todo 0, estaramos representando una
seal la cual siempre tiene valores mximos positivos o negativos,
respectivamente.

Dado que en el mundo real una seal analgica raramente tendr


valores mximos o mnimos durante toda la seal, este caso ser
considerado un error de cuantificacin.

Un Ejemplo de la modulacin por densidad de pulso se puede apreciar en la


Figura 26.

48
Figura 26: Modulacin por densidad de pulsos

Fuente: Herrera, S. (2006). Modulacin por densidad de pulsos

49
Definicin de trminos bsicos

Adaline: Como especifica Basogain, X El adaline (de ADAptative LINear


Element) es un tipo de red neuronal artificial desarrollada por Bernie Widrow
en la Universidad de Stanford. Utiliza un dispositivo lgico que realiza una
suma lineal de las entradas y genera una funcin umbral para el resultado de
dicha suma.
Auto-medicar: Medicarse uno mismo sin autorizacin o vigilancia mdica
profesional.

Axn: Representa la va de salida de las neuronas al conectarse a otras.

Dendritas: Las dendritas son vas de entrada de los impulsos nerviosos a las
neuronas.

Enfermedad: Segn Arnal, M., es un proceso y el estatus consecuente de


afeccin de un ser vivo, caracterizado por una alteracin de su estado
ontolgico de salud.

FPAA: Son arreglos de componentes analgicos programables que


contienen miles de celdas analgicas que pueden ser programadas a la
necesidad del usuario.

FPGA: Son arreglos de compuertas lgicas programables, estas celdas


lgicas pueden conectarse entre s a disposicin del usuario.

Inteligencia Artificial: Tirso, A. dice que es la disciplina que se encarga de


construir procesos que al ser ejecutados sobre una arquitectura fsica
producen acciones o resultados que maximizan una medida de rendimiento
determinada, basndose en la secuencia de entradas percibidas y en el
conocimiento almacenado en tal arquitectura. (John von Neumann- 1933)

50
Procesador: Es un circuito electrnico integrado que acta como unidad
central de proceso de una PC, proporcionando el control de las operaciones
de clculo.

Perceptrn: Como especifica Basogain, X. el Perceptrn es un tipo de red


neuronal artificial desarrollado por Frank Rosenblatt, tambin puede
entenderse como Perceptrn la neurona artificial y unidad bsica de
inferencia en forma de discriminador lineal, que constituye este modelo de
red neuronal artificial, esto debido a que el Perceptrn puede usarse como
neurona dentro de un Perceptrn ms grande u otro tipo de red neuronal
artificial. (Frank Rosenblatt)

Propagacin hacia atrs o backpropagation: Basogain, X. dice que es un


algoritmo de aprendizaje supervisado que se usa para entrenar redes
neuronales artificiales. El algoritmo consiste en minimizar un error
(comnmente cuadrtico) por medio de descenso de gradiente, por lo que la
parte esencial del algoritmo es clculo de las derivadas parciales de dicho
error con respecto a los parmetros de la red neuronal.

Sinapsis: Es una unin intercelular especializada entre neuronas8.

8
"Glosario del Departamento de Neurociencias, Facultad de Medicina de la Universidad Autnoma
de Guadalajara (Mxico)"

51
Diagrama 1: Cuadro de operacionalizacin de las variables

Sub-
Objetivo Variable Dimensin Indicadores Fuente Instrumento
indicadores
Definir la
importancia que Importancia
este prototipo que este Cun Inters
Campo Encuestas
representa para prototipo Importante Medico
el rea de la representa
Medicina
Temperatura. Grados
Identificar las Dolor.
Enfermed
enfermedades Acidez
ades que Nauseas Presencia o
que aplican
aplican Sntomas. Vmitos ausencia del
para este
para este Diarrea Campo Encuestas
sntoma
estudio. Tos
estudio.
Flema
Ictericia

52
Sub-
Objetivo Variable Dimensin Indicadores Fuente Instrumento
indicadores

Determinar que FPGA, N de celdas


FPGA
FPGA, FPAA o FPAA o lgicas
plataforma de plataforma N de celdas
FPAA
desarrollo es de analgicas Documen Internet
Unidad
tal Libros
ms apropiado desarrollo Plataforma
Capacidad
para este ms de
estudio. de memoria
apropiado. desarrollo
N de
Conexiones
Neuronas Unidad
Sinpticas
por capa
Cantidad Perceptron
Disear la red N de
de Documen Internet
Back- neuronas tal Libros
neuronal.
Neuronas Tipo de propagation
Conexiones
RED
Hopfield sinpticas

kohonen

53
Sub-
Objetivo Variable Dimensin Indicadores Fuente Instrumento
indicadores

Construir el Construccin Tipo de Docume Internet


de las Libros
modelo de red Etapas de conexiones ntal
neuronas
neuronal construcci
Eleccin de
capaz de n del
la fuente Voltaje V.
diagnosticar modelo de
Amperaje Campo Observacin
capaz de A.
enfermedades red Potencia
alimentar el W.
. neuronal
dispositivo
Probar la red Temperatura
neural, Introduccin Sntomas Intensidad de
de datos
verificando Prueba de dolor.
Laborator Laboratorios
que cumple la red Verificacin Enfermedad Exacta io Observacin
Campo
los objetivos neural de correcta
Aproximado
planteados. resultados

54
Captulo III

Marco Metodolgico

Las Redes Neuronales Artificiales (ANNs de Artificial Neural Networks)


fueron originalmente una simulacin abstracta de los sistemas nerviosos
biolgicos, formados por un conjunto de unidades llamadas "neuronas" o
"nodos" conectadas unas con otras. Estas conexiones tienen una gran
semejanza con las dendritas y los axones en los sistemas nerviosos
biolgicos.

Tipo de Investigacin
El presente proyecto ser basado en una investigacin factible, ya que
es posible contar con los instrumentos necesarios, tales como un laboratorio
especializado, adems de un apoyo documental amplio, posibilidad de
acceso a los componentes y el soporte de un tutor especializado en el rea
de investigacin para desarrollar la red neural. Cabe destacar que
econmicamente es posible obtener todos los componentes, ya que solo se
desarrollar un prototipo experimental, por supuesto ste no ser tan
costoso, ya que estar limitado tanto en alcance como en capacidad. Sin
embargo ser suficiente para cumplir los objetivos de esta investigacin. La
Universidad Pedaggica Experimental Libertador (2004), seala que:

"El proyecto factible consiste en la investigacin, elaboracin


y desarrollo de una propuesta de un modelo operativo viable
para solucionar problemas, requerimientos o necesidades de
organizaciones o grupos sociales, puede referirse a la
formulacin de polticas, programas, tecnologas, mtodos o
procesos. El proyecto factible debe tener un apoyo en una
investigacin de tipo documental, de campo o un diseo que
incluya ambas modalidades."

55
La presente investigacin va dirigida a indagar en la solucin de
problemas como la automedicacin y el mal o tardo diagnstico por
eliminacin, ser orientado especficamente a la sociedad de mdicos, los
cuales podrn acceder a esta tecnologa para agilizar un correcto
diagnstico, mediante el uso de redes neuronales artificiales, las cuales son
una gran alternativa para lograr procesar mayor cantidad de informacin en
menos tiempo que una computadora convencional.

Diseo Modalidad
Balestrini (2002) al referirse al diseo de investigacin expresa lo
siguiente:
"Un diseo de investigacin se define como un plan global de
investigacin que integra un modelo coherente y
adecuadamente correcto, tcnica de recogida de datos a
utilizar, anlisis previstos y objetivos, el diseo de
investigacin intenta dar de una manera clara y no ambigua
respuestas a las preguntas planteadas en la misma."
La presente investigacin sobre RNA's (Redes Neuronales Artificiales)
aplicada a la rama de la medicina tiene basamento en una investigacin de
campo, documental y de laboratorio y ser de tipo mixta segn lo expresado
por Barrera Morales (2004) como el proceso metodolgico que contemple el
desarrollo de un estudio bibliogrfico y de campo, sobre un caso de uso en
particular o situacin determinada (p.21), ya que se recogern y analizarn
datos mixtos sobre las variables.

Est investigacin mixta trata de determinar la asociacin o


correlacin entre variables, proporcionando resultados a travs de una
muestra para hacer inferencia a una poblacin. As que se usar la
investigacin de campo, documental y laboratorio, ya que se apoya en
informaciones que provienen entre otras, de entrevistas, cuestionarios,
encuestas y observaciones.

56
En ese mismo orden de ideas se puede citar a la Universidad
Pedaggica Experimental Libertador (2004), la cual expresa que:

"Se entiende por investigacin de campo el anlisis


sistemtico de problemas en la realidad, con el propsito
bien sea para describirlos, interpretarlos, entender su
naturaleza y factores constituyentes, explicar sus causas y
efectos, o predecir su ocurrencia, haciendo uso de mtodos
caractersticos de cualquiera de los paradigmas o enfoques
de investigacin conocidos o en desarrollo. Los datos de
inters son recogidos en forma directa de la realidad; en este
sentido se trata de investigaciones a partir de datos
originales o primarios. Sin embargo, se aceptan tambin
estudios sobre datos censales siempre y cuando se utilicen
los registros originales con los datos no agregados."

Con respecto a la presente investigacin se encontrar que los


objetivos tales como, identificar las enfermedades que aplican para este
estudio. Construir el modelo de red neuronal capas de diagnosticar
enfermedades y probar la red neural, cumplen los objetivos planteados
correspondiente a estudios de campo.

Segn Fidias, G. Arias (2006). Afirma que la investigacin


documental es un proceso basado en la bsqueda, recuperacin, anlisis,
critica e interpretacin de datos secundarios, es decir los obtenidos y
registrados por los investigadores en las fuentes documentales: impresa,
audiovisuales o electrnicas. (p. 27).

Por otro lado se puede encontrar que dentro de los objetivos:


Determinar que FPGA, FPAA o plataforma de desarrollo es ms apropiado
para este estudio, disear la red neuronal y construir el modelo de red
neuronal, capaz de diagnosticar enfermedades corresponden a estudios
documentales.

57
Segn lo especificado por Grajales, T. una investigacin de laboratorio
es aquella en la que Se crea un ambiente artificial, para realizar la
investigacin, sea un aula laboratorio, un centro de simulacin de eventos,
etc. estamos ante una investigacin de laboratorio.

Mientras que para la investigacin de laboratorio concuerdan los


siguientes objetivos de esta investigacin tales como probar la red neural,
verificando que cumple los objetivos planteados.

Definicin de Operacional
Salcedo y Melndez (1997), expresan que Operacionalizacin de variables
es:
"Todo trabajo de investigacin, es en su tema o ttulo una
variable general. Para que pueda ser observada en la
realidad es preciso operativizarla, hacerla operativa. La
0peracionalizacin de variables, pues, puede y debe servir
tambin para determinar los puntos de informacin a obtener,
mediante la encuesta y que han de ser desarrollados dentro
del cuestionario mediante las correspondientes preguntas."

La definicin de las variables de esta investigacin servir de base


para la elaboracin del instrumento, el cul ser usado para la recoleccin
de los datos de la presente investigacin.

Poblacin
Arias (1998), sostiene que la poblacin es el conjunto de personas,
instituciones o cosas a los cuales se refiere la investigacin y para las que
sern validadas las conclusiones que se obtengan una vez finalizado el
estudio.
La poblacin que aplica para la presente investigacin es finita, ya que
estar constituida por los mdicos internistas del Centro Medico Docente de
La Trinidad ubicado en la ciudad de Caracas, Venezuela, quienes son los

58
que proveern los datos de importancia y tambin quienes tendrn libre
acceso a la tecnologa propuesta. Dependiendo de la cantidad de mdicos
existentes se determinar la muestra utilizada para el presente proyecto de
estudio.
Muestra
La muestra probabilstica es definida por Hernndez Fernndez y
Baptista (1998) como un subconjunto de elementos que pertenecen a ese
conjunto de elementos definido en sus caractersticas al que llamamos
poblacin.
Para los efectos de la siguiente investigacin, se tomar como
poblacin de estudio, los mdicos internistas del Centro Medico docente de
la trinidad ubicado en la ciudad de Caracas, Venezuela. Debido a que la
poblacin de mdicos internistas en esta clnica es muy reducida alcanzando
un mximo de trece (13) mdicos, se tomar como muestra el 100% de la
poblacin seleccionada.
La muestra seleccionada ser quien proveer la informacin necesaria
para la presente investigacin. Esto se lograr a travs de encuestas que
estarn aprobadas por tres (03) expertos: dos de ellos sern expertos en
metodologa de la investigacin y uno ser un certificador tcnico, que
aprueben y validen las preguntas y su pertinencia para lo que a la presente
investigacin respecta.

59
Tcnicas e instrumentos para la recoleccin de datos

Las tcnicas utilizadas para la recoleccin de datos de la presente


investigacin, ser la realizacin de una encuesta la cual se encuentra en el
Anexo A y es definida por Hurtado (2000) como un instrumento que agrupa
una serie de preguntas relativas a un evento, situacin o temtica particular,
sobre el cual el investigador desea obtener informacin.

La encuesta realizada ser dirigida al personal mdico, ya que esta


contiene una serie de preguntas escritas, con relacin directa al contenido
del prototipo, estas preguntas sern tambin respondidas de manera escrita.
Este ser el mtodo que va a ser implementado en la presente informacin.

Los instrumentos son los medios materiales que se emplean para


recoger y almacenar la informacin. Ejemplo: fichas, formatos de
cuestionario, guas de entrevista, lista de cotejo, grabadores, escalas de
actitudes u opinin (tipo ticket), etc. (Arias 1998).

En el caso de la presente investigacin los medios materiales que se


emplearn para recoger y almacenar los datos sern cuestionarios los cuales
son definidos por Arias (1998), las cuales sern revisada, y aprobadas por
tres expertos, dos de ellos sern expertos en metodologa de la investigacin
y otro ser un medic internista que ayudar a determinar, cules sern esas
enfermedades que estarn redactadas en las encuestas, estas
enfermedades nombradas sern aproximadamente 40. Una vez realizadas
todas las encuestas, se proceder a realizar un cruce entre ellas, buscando
la relacin de cules fueron las enfermedades seleccionadas ms
frecuentemente por los mdicos internistas como los padecimientos ms
comunes en un individuo promedio, de estas encuestas tambin se podr
obtener informacin tcnica y econmica.

60
Validez

La validez es definida por Hurtado (2000), como que se refiere al


grado en que el instrumento abarca realmente todo o una gran parte de los
contenidos donde se manifiesta el evento que se pretende medir, en lugar de
explorar slo una parte de ellos

En la presente investigacin se validar el instrumento de recoleccin


de datos que en este caso ser una encuesta, la cual ser validada por
expertos en el tema, as como por un Prof. De Metodologa de la
investigacin y as validar que la estructura de la encuesta es
metodolgicamente correcta, un mdico internista el cual validar que lo
expresado en la encuesta este bien a nivel mdico (enfermedades, sntomas,
entre otras), esto ayudar a validar que el instrumento es apto y completo
para la recoleccin de estos datos, ya que son de vital importancia para la
investigacin.

Los datos obtenidos por la encuesta son relevantes ya que luego


sern introducidos a la red neural, y as poder determinar con un amplio
rango de fiabilidad las diferentes enfermedades que puede padecer una
persona.

Confiabilidad

Hernndez, Fernndez y Baptista (2003), al referirse a la confiabilidad


sealan que al aplicarla a un mismo sujeto u objeto, produce semejantes
resultados a travs de tcnicas diferentes

En el mismo orden de ideas Hurtado (2000), seala que la aplicacin


repetida de un instrumento a igual poblacin objeto de estudio, en iguales

61
condiciones, produce resultados idnticos, dando por hecho que el evento
medido no ha cambiado.

En el caso de la presente investigacin se realizar la confiabilidad del


instrumento de investigacin (Encuestas, Formularios de Preguntas) por
una tcnica llamada Prueba Piloto (Test Retest), la cual consiste en realizar
la encuesta a un grupo de personas similar y en las mismas condiciones que
la poblacin original del estudio, debido a esto se le realizar, dos (2) rondas
de encuestas a mdicos internista de la poblacin de la clnica metropolitana
ubicada en la ciudad de Caracas, Municipio Miranda. Luego, el resultado de
una ronda comparado con la segunda se podr determinar la confiabilidad
del instrumento, ya que si los resultados de las pruebas son similares la
confiabilidad es buena de lo contrario la confiabilidad del instrumento seria
deficiente.

Procedimiento y anlisis de la informacin.


El primer instrumento a validar ser el modelo de gua de observacin
el cual podemos observar en el anexo A. Este instrumento ser presentado
de manera ordenada interpretando los resultados obtenidos, mediante las
pruebas preliminares realizadas al sistema que se desarrollar a travs de la
investigacin.

Tabla 1: Modelo de gua de observacin

Respuesta
Acciones a evaluar Observaciones
Si No
1.- Verificar voltaje de la fuente de 5v. X
2.- Verificar conexionado del PIC X
3.- Verificar entradas al PIC X
4.- Verificar envi de datos X
5.- Verificar recepcin de datos X

62
6.- Verificar conversin de datos X
7.- Verificar entradas a la RNA X
8.- Verificar procesamiento de la RNA X
9.- Verificar respuesta de la RNA X

Grfico 1: Representacin grfica del modelo de gua de observacin

Si No

0%

100%

Anlisis: En el siguiente grafico se ven representados los resultados del


modelo de la gua de observacin, compuesta por 9 preguntas que
conforman el 100%, donde las 9 obtienen un valor positivo, con lo cual se
puede concluir que la gua de observacin se aprovech para obtener los
datos descritos.

La encuesta realizada para la recoleccin de datos del presente


proyecto de investigacin la cual se encuentra en el anexo B, va dirigida a los
Mdicos internistas del Centro Mdico Docente de la Trinidad.

63
Se procedi a construir una tabla con las respuestas obtenidas para
cada pregunta. En la columna fi (Frecuencia Absoluta) se presenta el nmero
total de respuestas para cada opcin y en la columna hi (Porcentaje relativo)
se presenta el porcentaje para cada respuesta.

A continuacin se presentan los resultados obtenidos a travs de esta


encuesta:

Pregunta Nro. 1 Conoce usted si existe un dispositivo capaz de


diagnosticar ciertas enfermedades?

Tabla 2: Dispositivos capaces de diagnosticar enfermedades


Opciones fi hi%
Si 02 15%
No 11 85%
Total 13 100%
Fuente: Los autores

Grfico 2: Dispositivos capaces de diagnosticar enfermedades

Si No

15%

85%

64
Anlisis: En el grfico anterior, un 85% de los mdicos entrevistados no
tienen conocimientos de un dispositivo electrnico con las caractersticas del
desarrollado en el presente proyecto, mientras que un 15% de ellos ha
escuchado y visto un dispositivo como este.
Estos resultados son de gran importancia porque indican la pertinencia de
esta investigacin para el rea de la medicina y la electrnica.

Pregunta Nro. 2 Le interesara disponer de una ayuda electrnica al


momento de dar algn tipo de diagnstico?

Tabla 3: Ayuda electrnica al momento de dar algn tipo de diagnstico


Opciones fi hi%
Si 10 77%
No 03 23%
Total 13 100%
Fuente: Los autores

Grfico 3: Ayuda electrnica al momento de dar algn tipo de


diagnstico

Si No

23%

77%

65
Anlisis: En el grfico anterior, un 23% de los mdicos entrevistados
estaran interesados en obtener algn tipo de ayuda en el diagnstico de
ciertas enfermedades, mientras que un 15% de ellos piensa que no es
necesario el uso de un dispositivo electrnico para el apoyo en el
diagnstico.
Esto es de gran importancia ya que nos da a conocer sobre la receptividad
que tendr en la poblacin de mdicos un dispositivo de esta ndole.

Pregunta Nro. 3 Considera usted que un dispositivo capaz de diagnosticar

ciertas enfermedades lo ayudara a reducir el tiempo de diagnstico?

Tabla 4: Reducir tiempo de diagnostico


Opciones fi hi%
Si 8 62%
No 5 38%
Total 13 100%
Fuente: Los autores

Grfico 4: Reducir tiempo de diagnostico

Si No

38%

62%

66
Anlisis: Un 62% de los mdicos entrevistados estn de acuerdo en que
este dispositivo es capaz de ayudarlos a disminuir el tiempo de diagnstico,
mientras que un 38% de los mdicos dieron a conocer que no los ayudara a
disminuir el tiempo de diagnstico sino a corroborar su diagnstico.

Pregunta Nro. 4 Cun interesante es para usted la realizacin de este


proyecto?

Tabla 5: Inters en la realizacin de este proyecto


Opciones fi hi%
Mucho 6 46%
Intermedio 3 23%
Poco 3 23%
Nada 1 8%
Total 13 100%
Fuente: Los autores

Grfico 5: Inters de la realizacin del presente proyecto

Mucho Intermedio Poco Nada

8%

23%
46%

23%

67
Anlisis: El porcentaje ms alto, con un 46%, est muy interesado sobre la
realizacin del presente proyecto de investigacin, mientras que un 23%
manifiestan el inters como medio, al igual para los que presentan poco
inters y un 8% para aquellos mdicos que no tienen inters alguno en la
investigacin.
Esto ayuda enormemente a la presente investigacin ya que nos da a
conocer el inters de los mdicos en este proyecto y la razn por la cual
realizarlo ya que si no hubiese nada de inters, no tuviese cabida en la
medicina.

Pregunta Nro. 5 Estara usted dispuesto a comprar un dispositivo capaz de


apoyar en el diagnstico de ciertas enfermedades?

Tabla 6: Disposicin a la compra del dispositivo.


Opciones fi hi%
Si 11 85%
No 2 15%
Total 13 100%

Grfico 6: Disposicin a la compra del dispositivo

Si No

15%

85%

68
Anlisis: El 85% de los mdicos encuestados indic que si estaran
dispuestos a comprar un dispositivo para apoyar el diagnstico de ciertas
enfermedades, mientras que slo el 15% no comprara este dispositivo. Esta
informacin nos permite corroborar la pertinencia del desarrollo de este
proyecto para el rea mdica.

Pregunta Nro. 6 En qu lugar o lugares le gustara comprar este producto?

Tabla 7: Lugares en los que se podra conseguir


Opciones fi hi%
Internet 2 15%
Tiendas 2 15%
Visitador medico 9 70%
Total 13 100%

Grfico 7: Lugares en los que se podra conseguir

Internet Tiendas Visitador Medico

15%

15%

70%

Anlisis: El 70% de los mdicos consultados indicaron que les gustara


adquirir el dispositivo a travs de visitadores mdicos ya que estos les haran

69
llegar el dispositivo directamente a sus consultorios y les asegura una mayor
confiabilidad. Un porcentaje del 15% comprara el dispositivo por internet y
otro 15% en tiendas.

Pregunta Nro. 7 Qu enfermedades considera usted segn su experiencia,


son las ms importantes que deberan estar incluidas en este dispositivo?

Tabla 8: Enfermedades
Opciones fi hi%
Anorexia 7 54%

Apendicitis 8 62%

Asma 4 31%
Bronquitis 11 85%
Dengue 13 100%
Diabetes 5 38%
EPOC 1 8%
Fiebre Amarilla 5 38%
Gastritis 9 70%
Gripe 13 100%
Hepatitis 10 77%

Hipertensin 2 15%
Neumona 10 77%

70
Grfico 8: Enfermedades

14
12
10
8
6
4
2
0

Anlisis: La pregunta anterior nos permiti identificar cules son las


enfermedades ms importantes que segn la experiencia de los mdicos
consultados son las ms comunes e importantes que el presente dispositivo
debe tener.

Para motivos de la presente investigacin se eligieron las siete (07)


enfermedades ms comunes fueron: Gripe, Dengue, Bronquitis, Hepatitis,
Neumona, Gastritis y Apendicitis.

Metodologa empleada

Para el desarrollo de la presente investigacin se llevarn a cabo un


modelo compuesto por 4 etapas propuesto por Hurtado (2000):

Primera Etapa: Revisin Documental

Durante esta etapa se realizar una investigacin previa donde se


obtuvo informacin de distintas fuentes relacionadas con la presente
investigacin, alguno de estos documentos escritos, experimentos, foros y

71
otras tesis de grado fundamentalmente relacionadas con la presente tesis
adems del soporte obtenido por parte de las tutoras.

En cuanto a esta etapa Hurtado (2000), la describe como: el proceso


mediante el cual un investigador recopila, revisa, analiza, selecciona y extrae
informacin de diversas fuentes, acerca de un tema particular con el
propsito de llegar al conocimiento y comprensin ms profundos del
mismo.

Segunda Etapa: Investigacin de campo y laboratorio

En esta parte de la investigacin se proceder a explicar el diseo, la


modalidad y el tipo de investigacin que ser el presente trabajo de grado.
As como tambin se explic, como sera el presente estudio con respecto a
la poblacin, la muestra y la confiablidad del mismo. Adems se habl de las
diferentes variantes dentro de la investigacin y de cmo se llevara a cabo la
recoleccin de datos fundamentales para la elaboracin del prototipo
experimental. Por ltimo se prueba el funcionamiento de la red neural
prototipo que ser aplicada a la rama de la medicina interna, dando un
diagnostico bastante cierto.

Tercera Etapa: Procesamiento, Tabulacin e interpretacin de datos

En este punto de la investigacin se recolectarn todos los datos


obtenidos a lo largo del proyecto, luego se organizaran y clasificaran
mediante promedios realizados para determinar las enfermedades ms
importantes. Para luego determinar qu tan confiable est arrojando la
respuesta. Al tener toda esta informacin registrada ordenadamente
podremos proseguir a la siguiente etapa.

72
Cuarta Etapa: Anlisis de resultado y conclusin

En esta ltima etapa se estudiar toda esta informacin obtenida


durante el experimento y se podr realizar un anlisis ms preciso del
funcionamiento del prototipo. Y por ltimo dando una conclusin bastante
precisa del funcionamiento a nivel general del prototipo y saber si es lo
suficientemente confiable para ser usado por el pblico.

73
Captulo IV

Sistema Propuesto

Diagrama de Bloques:
En el diagrama de bloques presentado a continuacin, se explicar la
forma en la que estar construido y las etapas por las que pasar tanto en
construccin como en funcionamiento.

Diagrama 2: Diagrama explicativo

74
Recoleccin de Datos
Para la recoleccin de datos ser empleado un PIC 16f870, que fue
instalado y programado en una circuito impreso junto con los componentes
que conformaran su configuracin. El control que fue diseado para ingresar
los datos a la RNA consta de varios botones y un potencimetro para
ingresar los datos. Se utiliz el potencimetro para manipular la temperatura
y los botones para ingresar diferentes sntomas. Este sistema de control es
alimentado por una fuente de 5V DC a 1amp, que fue diseado para este
trabajo. La fuente siempre mandar +5V estables. Sin embargo, el sistema
para ingresar datos tambin permite hacerlo por medio del mouse y teclado
(opcionales), en el diagrama 3 podemos observar una explicacin del
funcionamiento del pic.

Diagrama 3: Diagrama explicativo PIC 16F870

75
Figura 27: Diagrama circuital del PIC16f870.

Fuente: Los Autores

El PIC16f870, que se ilustra en la Fig. 27, est conectado y


configurado para operar a una frecuencia de 4MHz fijada por el oscilador
cristal externo, junto con capacitores externos de 33pF para reduccin de
ruido externo. Este sistema trabaja de la siguiente manera: una vez puesta la
temperatura deseada con el potencimetro y seleccionados los sntomas que
se necesitan procesar, presionamos el botn de enviar y la informacin
viajar va serial hasta la red que se encuentra programada en Labview.
Podremos saber que la informacin se est enviando correctamente, ya que
se encender un LED en el momento que presionemos enviar.

76
El circuito impreso del PIC se puede observar en las figuras 28 y 29, la
cual fue diseada en el software de desarrollo Proteus 7.8 SP2.
Figura 28: Vista superior del circuito impreso (Control)

Fuente: Los Autores

Figura 29: Vista inferior del circuito impreso (Control)

Fuente: Los Autores.

77
Por otra parte, el cdigo que fue desarrollado y posteriormente
programado en el PIC, se desarroll en MikroC, del cual podemos observar
en el diagrama 4 un resumen de su funcionamiento. Mientras que el cdigo
se puede encontrar en el Anexo C.

Diagrama 4: Diagrama explicativo cdigo de programacin.

78
Bsicamente lo que realiza el cdigo es una rutina repetitiva, donde
espera que se pulsen los botones y se ponga el potencimetro en la posicin
deseada por el usuario. Posteriormente, en el momento que se presiona
enviar, se encender un led indicando que ha comenzado el proceso. Todos
estos datos son guardados en unas variables disponibles para ello. Una vez
que se apaga el led, la informacin es enviada de forma serial y el buffer se
limpia al poco tiempo despus del envo y vuelve a verificar qu variables ha
cambiado en el sistema para ejecutar el envo, al momento de presionar el
botn enviar nuevamente.
La fuente de 5V Dc que alimentar el sistema de recoleccin de datos
(control) anteriormente comentado y el diseo realizado anteriormente se
puede observar en la Figura 30.

Figura 30: Fuente 5v DC

TR1
BR1 U1
7805
R1
1 3
VI VO 220
GND

C4 C2 D1
C1 C3 0.1u 470u LED-BLUE
470u 0.1u
2

TRAN-1P2S DF005M

Fuente: Los autores


Se emple al inicio de la fuente un transformador de 110v AC a 6V DC
1amp, los cuales le darn la alimentacin necesaria al circuito.
Posteriormente para rectificar la onda se coloc un puente de diodos 2w04.
Se usaron adems dos capacitores electrolticos de 470uF y dos

79
condensadores cermicos de 0.1uF, los cuales tendrn la funcin de reducir
el ruido en el circuito, seguidamente un circuito integrado LM7805 el cual
regula la seal de salida a los 5v requeridos. Por ltimo se coloc un LED
para saber que la fuente est en funcionamiento. La salida de la fuente
tendr un terminal de 2 puertos para alimentar al control de la RNA.

La circuito impreso de la fuente se puede observar en la figura 31, en


un diseo 3D finalizado en el software de desarrollo Proteus 7.8 SP2:

Figura 31: Fuente 5V Vista General

Fuente: Los Autores

80
Figura 32: Fuente 5V Vista sin componentes

Fuente: Los Autores

Figura 33: Fuente 5V Vista de las pistas

Fuente: Los Autores

81
Transferencia de Datos:

En este punto los datos que fueron anteriormente proporcionados por


el PIC 16F870, llegan al integrado MAX232 que realiza la conversin de
voltaje necesaria para que la computadora los reciba y luego viajan por el
cable serial hasta la VIA EPIA PICO PC donde estar la red neuronal artificial
esperando para adquirir los datos enviados por el PIC. Para la comunicacin
se us un cable DB9 como el que se muestra en la Figura 34 a continuacin:

Figura 34: Cable Serial DB9

Fuente: Librera de ayuda MicroC

82
Para que la conexin entre el PIC16F870 y la Micro PC funcione
perfectamente, se us un MAX232. El PIC 16F870 es un micro controlador y
debemos usar un adaptador de tensin TTL a niveles adecuados para
transmisin serial con el Micro PC. En otras palabras esto quiere decir que,
este MAX232 sirve para la comunicacin con el puerto serie de la Micro PC.
Como este puerto maneja nivel de tensin de 15 Volts, no es adecuado para
conectarlo a un PIC o cualquier otro elemento que se maneje a 5 V, por lo
que este dispositivo se encarga de transformar esos 15v volts a 5v y
viceversa.

A continuacin podremos observar una imagen de cmo funciona esta


comunicacin serial:

Figura 35: Diagrama de Conexin Serial

Autores: Librera de ayuda MicroC.

83
En el momento que llegan los datos al Micro PC la red desarrollada en
Labview recibe los datos a travs del cable serial, inmediatamente el
programa hace una lectura del buffer de la pc y los datos son enviados a un
condicional, que verifica si la cantidad de bytes recibidos es mayor a cero. Si
es mayor a cero proceder a hacer una linealizacin de los datos y guardar
la informacin en las variables que necesitamos de la red. Estas variables de
la red seran los diferentes sntomas que presenta el paciente.
En el caso contrario de que los bytes recibidos no son mayores a cero
simplemente no ejecuta la linealizacin de los datos, se limpia el buffer y se
espera que lleguen ms datos, sin borrar los que ya recibi.
El cdigo realizado para esta recepcin de datos se puede observar a
continuacin:

Figura 36: Recepcin de Datos Labview

Fuente: Los autores

84
Recepcin y conversin de datos

La linealizacin de los datos recibidos por medio de la comunicacin


serial explicada anteriormente se puede observar en la Figura #37, esto es
importante ya que el Labview recibe datos en cdigo ASCII y mediante este
proceso es posible utilizar esta informacin a la entrada de cada una de las
redes neuronales.

Figura 37: Linealizacin de la informacin recibida

Fuente: Los autores

85
En el caso del dato que proviene del potencimetro, y es guardado
despus de todo el proceso posteriormente explicado, se debe realizar una
conversin lineal, para que la red pueda manejar la informacin, ya que para
el caso de temperatura los datos provienen de un conversor analgico a
digital desde el PIC16F870. Los valores que ste est entregando son desde
0 hasta 255 en decimal, pero para la red eso no representa una temperatura
manejable, por ende se procedi a hacer un conversin lineal de estos
nmeros.

Para la conversin lineal se utiliz la funcin de una recta que se


calcul de la siguiente forma: primero se dibuj un plano cartesiano donde
ubicamos en los ejes X y Y, los extremos que se manejaran por el
sistema. Segundo, se determin que la mxima temperatura a manejare
seria 42C, por ende ese fue el tope mximo en el eje X y se determin que
la red neural slo manejara nmeros decimales entre 0 y 1. Por ende, el
tope mximo en el eje Y seria 0.98 (aproximadamente 1) y los mnimos
serian para el eje X, 34C que es la mnima temperatura que soporta el
cuerpo humano y para el eje Y lo aproximado a 0 que seria 0.05. Cabe
destacar que no se usaron los valores netos, ya que esto podra traer un
pequeo margen de error a la red y para este estudio se necesita la mayor
precisin posible. Lo antes explicado se puede observar en la siguiente
imagen:

86
Figura 38: Grfica de la funcin de conversin lineal

Fuente: Los autores

Para lograr entender cmo se calcul y se verific que la conversin


funciona perfectamente, se hizo de la siguiente forma. Luego de establecer
cules seran nuestros puntos y dibujar la recta procedimos a calcularla.

Ya que el P1 es (34 ; 0.05) y el P2 es (42 ; 0.98) se calcul la pendiente de la


recta con la frmula :

2 1
=
2 1

Esto nos dio como resultado m=0.11625, evidentemente la pendiente


es mucho ms pequea que lo que se logra observar en la figura 30, esto es
debido a que la imagen era slo para visualizarla en el espacio.

Luego usando la Ecuacin punto-pendiente de la recta, se logr armar


la ecuacin que realizara la conversin lineal de nuestros datos provenientes
del potencimetro, esto se llev a cabo de la siguiente manera:

Ecuacin punto-pendiente de la recta:

= ( )

Calculo:

87
0.05 = 0.11625( 34)

= 0.11625 3.9525 + 0.05

Ecuacin final de la conversin lineal:

= 0.11625 3.9025

Para esta ecuacin final cuando sustituimos por X algn valor entre
34C y 42C automticamente Y arrojar el equivalente entre 0.05 y 0.98
como respuesta, de esta manejara se resuelve el problema con los datos
provenientes del potencimetro. Por ejemplo:

Si ingresamos 34.5C la respuesta sera,

= 0.11625 (34.5) 3.9025

= 0.1081 0.1

De esta forma quedara demostrada la conversin. Por otro lado el


cdigo realizado en Labview para la red se hizo como se puede apreciar en
la figura 39 siguiente:

Figura 39: Conversin lineal en Labview para RNA

Fuente: Los autores

88
Figura 40: Conversin lineal en Labview para RNA (Fisico)

Fuente: Los Autores

Para la construccin fsica del prototipo se estudiaron varios dispositivos


en los cuales se montara la red neuronal desarrollada. Estos dispositivos
eran un FPGA, un FPAA y una plataforma de desarrollo. Cada una de estas
hiptesis fue discutida tomando en cuenta las propiedades fsicas de cada
uno de los dispositivos, as como tambin la factibilidad de adquisicin y
montaje de los mismos.

El dispositivo que se discuti e investig en primer plano fue el uso de un


FPGA o Field Programmable Gate Array. Un FPGA, como se explic en el
captulo anterior del presente trabajo de grado, es un dispositivo que posee
miles y hasta millones de celdas lgicas capaces de interconectarse a la
disposicin y requerimientos del usuario, y as adaptar en un solo chip
funciones muy complicadas como redes neuronales y hasta se ha llegado a
utilizar como computador corriendo en Linux y hasta Windows.

Teniendo en cuenta la versatilidad de este dispositivo nos enfocamos de


primera mano en las ventajas y desventajas que le dara este dispositivo a la
red neuronal artificial, el FPGA plasmaba en que reducira las capacidades
operativas de la red neuronal, ya que la estaramos limitando en velocidad de
procesamiento, ya que el dispositivo al que se tena acceso oscila mucho

89
ms lento que un procesador u otros dispositivos estndares, tambin al
nicamente limitar al uso de compuertas lgicas aumentaba en gran tamao
la funcin matemtica de cada una de las neuronas y tomando en cuenta de
que seran una gran cantidad de neuronas, necesitaramos un FPGA con
muchsima capacidad, fue entonces cuando surgi otro problema, el
problema propiamente fsico del chip, ya que este al tener tantas celdas
lgicas posee patas en la totalidad de su superficie inferior, estaramos
hablando de alrededor de cincuenta (50) o sesenta (60) patas como se
muestra en la figura 40, aunque tambin como se muestra en la figura 41,
tiene patas mnimas en los cuatro bordes del chip. Esto disminuy an ms
la opcin de utilizar FPGAs ya que soldar esa cantidad de patas y crear una
circuito impreso casera con las caractersticas necesarias para el montaje de
este chip se convirti en un imposible, ya que la separacin entre las patas
es mnima.

Figura 41: FPGA con patas en toda su zona inferior.

Fuente: Xilix, FPGA, 2012

90
Figura 42: FPGA con Patas a los bordes del Chip

Fuente: Altera, FPGA, 2010

Al discutir los inconvenientes anteriores surgi otra idea con respecto


al uso de un FPGA, utilizar una plataforma de desarrollo empleando FPGA.
stas son como se muestra en la figura 42 pero la plataforma que era
necesaria para el presente trabajo de grado, era sumamente compleja y
costosa ya que su valor rondaba los USD 1.400,00 o Bs.F. 23,800.00 y
debido a este costo tan elevado se decidi no utilizarla, ya que estaba fuera
del alcance econmico de los autores.

Figura 43: Plataforma FPGA

Fuente: Altera, Plataforma de desarrollo FPGA, 2011

91
Luego de esto se discuti el uso de un FPAA o Field Programmable
Analog Array, al que se tena acceso. Tiene muchas similitudes con las
FPGA, solo que como su nombre lo dice estas a diferencia de las FPGA que
son digitales, y stas son analgicas. Cuando se empez a indagar en el
mundo de estos dispositivos conseguimos los mismos problemas que con el
FPGA, solo que al ser analgicos sera ms fcil la creacin de la red
neuronal.

Pero como con los FPGA surgieron problemas de soldadura de


circuito impreso, ya que deba ser de dos y hasta de cuatro caras para evitar
la colisin de una pata con la otra y en el caso de las circuito impresos de
una cara deba ser soldadura de superficie mnimas, las plataformas de
desarrollo con FPAA son de igual manera sumamente costosas y peor an
mucho ms difciles de conseguir, ya que las FPGAs son las que tienen el
mayor campo en lo que concierne a arreglos programables.

En tercer y ltimo lugar, pero no menos importante, estudiamos la


posibilidad de usar una plataforma que utilizara un procesador. Usando esta
tecnologa conseguimos lo que buscbamos en relacin a las plataformas de
desarrollo pero con un costo y tamao mucho ms reducido. sta tambin
aportaba una mayor cantidad de usos y propiedades al dispositivo final, ya
que al tener una mayor cantidad de espacio de almacenamiento, debido a
que utiliza un disco duro podamos incluirle otras funciones u otras utilidades
que pueden ayudar y hacer ms atractivo al momento de ser utilizado por el
mdico. Esto incluye historias clnicas o datos de pacientes, y no slo al
mdico sino que la informacin correspondiente a la red neuronal artificial en
lo que a actualizacin respecta, era posible ya que la plataforma cuenta con
comunicacin Ethernet, por esto se puede conectar una computadora al
dispositivo y actualizar su contenido dependiendo de los requerimientos del
usuario.

92
La plataforma elegida para el presente proyecto fue la Via Epia Pico P-
830 la cual podemos observar en la figura 43 Y 44, desarrollada como un
dispositivo de alto rendimiento en espacio muy reducido. Esta plataforma
represent un avance y permiti que la presente investigacin se tornara
ms interesante, ya que abri nuevos caminos y expandi el alcance y las
particularidades del dispositivo, uno de los aspectos estudiados con relacin
a las dems fue el tema econmico. sta representaba un gasto mucho
menor, apenas de unos aproximado USD 400, mucho menos de la mitad que
las plataformas de desarrollo de FPGA y FPAA, y lo cual defini el uso de
esta plataforma.

Tcnicamente la Via Epia Pico P-830 es un dispositivo muy completo y


cuenta con un muy buen rendimiento, cuenta con un procesador de 1.2 GHz,
una memoria RAM de 4Gb lo que aumenta su capacidad de procesamiento
instantneo, un disco duro SATA de 80 Gb lo cual nos deja jugar e ir un poco
ms all con el tamao de las redes, ya que tenemos bastante espacio y
capacidad de procesamiento.

las miniPC suelen ser sistemas compactos, estos disponen de forma


nativa de perifricos como USB, SATA y dems, que pueden representar una
ayuda enorme, a diferencia de los sistemas FPGA o FPAA que poseen ese
tipo de salidas y perifricos suelen ser no solo ms costosos, sino que las
dimensiones de estos podran hacerlo imprctico para utilizarlo como
prototipo. Un FPGA solo, no posee una medida significativa, ni representa
una gasto mayor, pero la tarjeta de desarrollo con todo lo adicional aun
siendo lo mnimo y necesario lo hacen excesivamente costoso y grande para
la aplicacin que se quiere resolver.

93
Figura 44: Via Epia Pico P-830 vista superior

Fuente: LogicSuply, Via Epia Pico, 2012

Figura 45: Via Epia Pico P-830 vista inferior

Fuente: LogicSuply, Via Epia Pico, 2012

94
A continuacin se presenta en la tabla 9 las especificaciones tcnicas
completas de esta plataforma. Una de las caractersticas que nos llam ms
la atencin de esta plataforma era su tamao tan reducido, ya que mide unos
increbles 10 cm x 7.2 cm. Esto ayuda a que el dispositivo final no sea tan
aparatoso y difcil de transportar, y mucho ms agradable en lo que a
esttica se refiere.

Tabla 9: Especificaciones de la Via Epia Pico P-830

1.2 GHz Via


Procesador
Nano ULV
Memoria Ram 4 GB
Puertos Sata 2 Puertos de
Integrados 3Gb/sec
Puertos USB 6 USB 2.0
1 VIA VT6130
LAN integrada
10/100/1000
1 HDMI
Panel 1 VGA
Posterior 1 LAN
2 USB 2.0
1 Pin header
para 5 USB 2.0
Extra
2 puertos UART
Conexiones
1 conector para
extra en pines
alimentacin
frontales
SATA
1 conector para
alimentacin de
+12VDC

Fuente: Los Autores

95
Procesamiento de Datos

Para el diseo de la red neuronal artificial se utilizaron dos herramientas


de programacin cada una con un final en especfico, la primera de ellas es
MatLab la cual se utiliz para definir los pesos y bias de cada una de las
distintas redes. Los pesos son sumamente significativos ya que proporciona
la importancia de cada una de las entradas con respecto a cada neurona y al
target que es definido por el usuario como respuesta requerida; as mismo el
Matlab nos proporciona los bias, que al igual que los pesos proporcionan
importancia pero a diferencia de estos, los bias son con respecto a la
importancia de cada una de las neuronas.

En cada una de las enfermedades se utilizaron dos capas de neuronas,


una capa de entrada y otra de salida. Estas capas contienen un nmero
equivalente de neuronas igual al doble del nmero de las entradas ms una
neurona extra. De esta forma las redes trabajaban como era de esperarse, y
utilizando el nmero mnimo de memoria posible para cada una de ellas,
siempre y cuando no se viese afectado el rendimiento de la red al momento
de diagnosticar cada una de las enfermedades.

En el caso del entrenamiento de las neuronas se utiliz una herramienta


de desarrollo del Software Matlab 2010 version 7.10.0.499 que lleva de
nombre neural network tool en el cual se especifican las caractersticas que
tendr la red, como lo podemos observar en la figura 45. Para las redes
neuronales del presente trabajo de grado, las caractersticas utilizadas para
las redes se puedes observar en la tabla 10, mientras que en la figura 46 se
encuentra la topologa utilizada por el Matlab 2010.

96
Figura 46: Configuracin neural network tool

Fuente: Matlab

Tabla 10: Caractersticas principales Redes

Tipo de Red Backpropagation


Mtodo de entrenamiento Entrenamiento supervisado
Numero de Neuronas Totales 11 Neuronas
Numero de Neuronas en la Capa 1 10 Neuronas
Numero de Neuronas en la Capa 2 1 Neurona
Funcin de transferencia Capa 1 Tangente Hiperblica
Funcin de transferencia Capa 2 PureLine (Y = X)
Fuente: Los Autores.

97
Figura 47: Topologa de la Red

Fuente: Matlab 2010

A continuacin en las tablas del 10 a la 37 se puede apreciar los Pesos


de las entradas de cada una de las neuronas y capas utilizadas en la
programacin de las redes neuronales, capaces de asistir en el diagnstico
de cada una de las enfermedades.

Tabla 11: Pesos capa 1 para el diagnstico de la Apendicitis

0.55 -1.5 -1.8 -0.19

0.47 1.9 1.3 -0.25

1.4 0.85 1.2 1.31

1.39 0.04 1.05 -1.79

0.37 -0.13 -1.69 -1.77

-1.21 -1.68 0.60 -1.2

-1.9 1.3 1.41 0.99

-1.69 -1.54 0.43 0.98

-0.12 0.01 1.3 -2.04

98
Tabla 12: Bias capa 1 para el diagnstico de la Apendicitis

-0.3 0.4 0.25 0.40 -0.02 -0.5 -0.3 0.6 0.67 0.86

Tabla 13: Pesos capa 2 para el diagnstico de la Apendicitis

-2.5 -1.9 -1.3 -0.7 -0.27 -0.27 -0.8 1.3 -1.8 2.5

Tabla 14: Bias Capa 2 Para el diagnstico de la Apendicitis

-0.53

Tabla 15: Pesos capa 1 para el diagnstico de la Bronquitis

-1.38 -0.17 -0.20 -1.09 1.43

1.83 -0.17 0.63 -0.79 0.87

-1.45 0.69 1.28 -0.89 0.39

-1.14 -1.2 0.32 -1.4 -0.6

1.11 -0.58 -1.24 -0.72 -1.1

-0.28 1.43 0.65 1.50 0.55

0.80 0.57 -1.19 0.61 1.52

-0.47 -1.2 -1.2 0.08 -1.1

-0.58 -1.29 -1.3 -0.8 -0.7

-1.24 -1.26 -0.9 -0.7 -0.3

0.4 -1.2 -0.8 -1.1 -1.1

99
Tabla 16: Bias capa 1 para el diagnstico de la Bronquitis

2.2 -1.79 1.36 0.69 -0.5 -0.02 0.43 -0.92 -1.3 -1.8 2.2

Tabla 17: Pesos capa 2 para el diagnstico de la Bronquitis

-0.21 -0.19 -0.1 -0.7 0.3 -0.3 0.06 -0.3 0.01 -0.08 -0.4

Tabla 18: Bias Capa 2 Para el diagnstico de la Bronquitis

0.28

Tabla 19: Pesos capa 1 para el diagnstico del Dengue

-0.90 -0.35 0.82 1.88 0.48

-0.08 -1.35 -1.23 0.95 0.79

-1.01 1.30 -1.60 0.18 -0.49

1.17 1.82 -0.57 0.13 -0.34

-1.26 -0.38 -0.70 -0.64 1.59

-0.91 -1.32 -0.24 -0.15 -1.56

-0.98 -0.77 -0.01 1.48 1.16

-0.93 -0.28 -1.44 0.12 1.44

-0.33 0.57 -1.41 0.08 1.69

-0.63 -0.84 1.09 -0.98 -1.39

1.35 0.29 -1.50 -0.09 -0.79

100
Tabla 20: Bias capa 1 para el diagnstico del Dengue

-0.36 0.22 -0.70 0.56 -0.44 -0.03 -0.25 0.39 0.33 0.61 1

Tabla 21: Pesos capa 2 para el diagnstico del Dengue

2.19 1.8 1.2 -0.9 0.20 0.01 -0.42 -0.88 -1.2 -1.7 2.3

Tabla 22: Bias Capa 2 Para el diagnstico del Dengue

0.03

Tabla 23: Pesos capa 1 para el diagnstico de la Gastritis

-2.19 1.38 0.22 0.07

-2.14 1.10 -0.27 -0.41

-1.10 -1.37 -0.73 1.5

0.82 -0.85 0.007 2.19

2.12 1.18 -0.005 0.19

0.73 1.51 1.75 0.60

-0.29 -1.99 1.40 0.38

0.20 1.96 0.55 -1.48

-1.21 1.67 -0.73 -1.18

1.52 -0.10 1.95 -0.16

101
Tabla 24: Bias capa 1 para el diagnstico de la Gastritis

-0.21 -0.06 0.03 0.16 0.24 0.04 -0.05 -0.4 0.51 0.69

Tabla 25: Pesos capa 2 para el diagnstico de la Gastritis

2.37 1.98 1.36 -0.79 -0.31 0.18 -0.83 1.37 1.92 2.48

Tabla 26: Bias Capa 2 Para el diagnstico de la Gastritis

0.015

Tabla 27: Pesos capa 1 para el diagnstico de la Gripe

-1.3 -0.6 -0.9 0.96 -1.33

0.54 -1.03 -0.53 0.39 0.16

-0.3 0.9 -1.3 1.3 0.77

-1 0.26 -1.3 -0.3 1.3

1.19 -1.2 -0.5 -0.1 -0.64

-1.47 0.10 -1.9 -1.1 -0.3

-1.11 1.5 -0.9 -1.2 -2.5

-1.07 1. -0.1 0.55 0.9

-1.25 -1.03 -0.9 -0.6 1.1

0.44 0.15 0.92 1.3 -1.3

-0.26 -0.67 1.01 -1.2 -1.03

102
Tabla 28: Bias capa 1 para el diagnstico de la Gripe

-2.2 -1.8 1.35 0.97 -0.39 -0.04 -0.4 -1 -1.3 1.83 2.2

Tabla 29: Pesos capa 2 para el diagnstico de la Gripe

-0.89 0.6 -0.22 -0.57 -0.16 -0.74 0.86 0.1 -0.1 0.5 -0.9

Tabla 30: Bias Capa 2 Para el diagnstico de la Gripe

0.23

Tabla 31: Pesos capa 1 para el diagnstico de la Hepatitis

1.10 0.40 -0.64 -1.71 0.60

1.44 0.10 0.38 -1.45 0.87

0.27 1.2 1.08 1.29 0.53

-1.20 0.53 -1.12 1.31 0.67

1.19 1.03 -1.25 0.50 -0.9

-0.67 -0.89 0.55 -1.65 0.95

-0.86 0.65 -0.05 1 1.75

0.77 0.16 1.2 -1.14 1.14

-1.38 -0.30 0.86 -1.05 -1.1

-1.47 -1.43 0.74 0.46 -0.4

0.60 1.02 -1.65 -0.63 -0.5

103
Tabla 32: Bias capa 1 para el diagnstico de la Hepatitis

0.32 0.15 0.64 -0.4 -0.4 -0.8 0.75 -0.5 -0.6 -0.05 0.12

Tabla 33: Pesos capa 2 para el diagnstico de la Hepatitis

-2.2 -1.2 -1.5 0.9 -0.5 -0.02 -0.4 1.9 -1.3 -1.7 2.2

Tabla 34: Bias Capa 2 Para el diagnstico de la Hepatitis

0.12

Tabla 35: Pesos capa 1 para el diagnstico de la Neumona

0.09 -0.15 -0.57 1.32 -1.93

-1.1 0.17 -0.90 0.7 -1.5

-0.9 -0.1 1.1 -1.1 1.16

-0.96 -1.15 -1.16 0.9 -0.6

-1.15 0.02 -1.18 1.3 -0.6

-0.97 0.98 -1.07 1.32 -0.49

-1.30 1.14 -0.92 1.09 -0.08

0.68 -1.2 0.56 1.45 0.73

-0.59 -1.27 0.09 0.2 -1.9

-0.02 0.3 -1.3 -1.27 1.28

0.92 0.58 1.89 -0.39 0.23

104
Tabla 36: Bias capa 1 para el diagnstico de la Neumona

0.67 -0.59 0.20 -0.77 -0.55 0.25 -0.03 0.50 -0.61 0.73

Tabla 37: Pesos capa 2 para el diagnstico de la Neumona

2.11 1.86 1.36 0.86 0.48 -0.05 -0.38 0.93 -1.16 2.29

Tabla 38: Bias Capa 2 Para el diagnstico de la Neumona

0.05

Biolgicamente, un cerebro aprende mediante la reorganizacin de las


conexiones sinpticas entre las neuronas que lo componen. De la misma
manera, las RNA tienen un gran nmero de procesadores virtuales
interconectados que de forma simplificada simulan la funcionalidad de las
neuronas biolgicas. En esta simulacin, la reorganizacin de las conexiones
sinpticas biolgicas se modela mediante un mecanismo de pesos, que son
ajustados durante la fase de aprendizaje. En una RNA entrenada, el conjunto
de los pesos determina el conocimiento de esa RNA y tiene la propiedad de
resolver el problema para el que la RNA ha sido entrenada.

Estas tablas son slo la informacin que se obtuvo de las diferentes


entrevistas con mdicos internistas del Centro Mdico Docente. Con esto se
aliment a la RNA para que aprendiera a hacer un diagnstico rpido segn
la experiencia contada por esos mdicos. Esto podra semejarse a cuando
una persona recibe clases, ya que una persona con mayor experiencia
traspasa sus conocimientos al alumno. Este sistema que usamos con un
entrenamiento supervisado, intenta imitar esta interaccin maestro-alumno.

105
Por otra parte, en una RNA, adems de los pesos y las conexiones,
cada neurona tiene asociada una funcin matemtica denominada funcin de
transferencia. Dicha funcin genera la seal de salida de la neurona a partir
de las seales de entrada. La entrada de la funcin es la suma de todas las
seales de entrada por el peso asociado a la conexin de entrada de la
seal. Algunos ejemplos de entradas son la funcin escaln de Heaviside, la
lineal o mixta, la sigmoide y la funcin gaussiana, recordando que la funcin
de transferencia es la relacin entre la seal de salida y la de entrada.

Una vez realizado el entrenamiento en Matlab, como se coment


anteriormente, con la informacin expresada en las tablas, se procedi a la
construccin de la red en Labview.

Para la construccin de la red neural artificial en Labview se utiliz


como neurona base, el modelo neuronal de McCulloch y Pits que R. Prieto,
A. Herrera, J. L. Prez, A. Padrn mencionan en su trabajo realizado en el
2009 como

El modelo neuronal de McCulloch y Pitts fue el primer


modelo neuronal moderno, y ha servido de inspiracin para el
desarrollo de otros modelos neuronales. Sin embargo, en muchos
de los estudios en que refieren a este modelo, no se interpreta
correctamente el sentido que quisieron dar originalmente
McCulloch y Pitts, atribuyndole caractersticas o funciones que no
fueron descritas por sus autores, o restndole importancia a la
capacidad de procesamiento del modelo. Por otro lado, el modelo
McCulloch-Pitts por s mismo est retomando importancia debido a
que es uno de los pocos modelos digitales en tiempo discreto y,
como para realizar implantaciones electrnicas o computacionales
de las neuronas artificiales en la actualidad se utilizan sistemas
digitales, con la mayora de los modelos analgicos actuales es

106
necesario realizar ciertas adaptaciones a los modelos al momento
de implantarlos, lo que dificulta y hace imprecisa a dicha
implantacin con respecto al comportamiento terico derivado del
modelo.

Est en s, es una unidad de clculo que intenta modelar el


comportamiento de una neurona "natural", similares a las que constituyen del
cerebro humano. Ella es la unidad esencial con la cual se construy la red
neuronal artificial. Lo que veremos en Labview es una interconexin
multicapa del modelo bsico, que al interconectar una cantidad equis forman
la RNA.

El resultado del clculo en una neurona consiste en realizar una suma


ponderada de las entradas, seguida de la aplicacin de una funcin no-lineal,
como se ilustra en la siguiente figura 47

Figura 48: Clculo de una neurona del modelo McCulloch y Pits

Fuente: Los autores

Esto se expresa matemticamente como

= ( )

Donde

= 1 1 + + = Es la suma ponderada.

107
Xi = Valor de la i-sima entrada (input).

Wi = Peso (weights) de la conexin entre la i-sima entrada y la neurona.

= Valor umbral (threshold) o bias

O = Salida (output) de la neurona.

s = Funcin no-lineal conocida como funcin de activacin.

El modelo de esta neurona fue desarrollado en el software de


desarrollo Labview, se puede ver en la imagen siguiente, donde se aplic el
modelo hablado para el diagnstico previo de la neumona.

Figura 49: Modelo General de Neurona

Fuente: Los Autores

108
En la imagen anterior se puede observar como los distintos sntomas
son las entradas Xn hablados en la formula modelo. Luego se observa cmo
se multiplican por un nmero decimal que representa el peso (Wn) calculado
en Matlab. Posteriormente se realiza una sumatoria de todos ellos y el
resultado es ajustado por la suma del umbral (bias) y finalmente una funcin
de transferencia que arroja la salida deseada, gracias al entrenamiento
previo.

Una vez entendido el modelo matemtico se procedi a la expresin


en Labview. En las siguientes imgenes se puede observar el ejemplo del
diseo de la red para el diagnstico previo de las enfermedades.

Cabe destacar que las redes son iguales en cuanto a distribucin


nicamente se sustituyeron los valores de los pesos y los bias
correspondientes a cada una de ellas, ya que la informacin del aprendizaje
de la red est contenida en estos.

Para lograr una red ms reducida se tom el modelo general de


neurona (Figura 48) y se gener un Sub VI, el cual ayuda a disminuir el
tamao de cada una de las redes, y tambin reducir el trabajo en gran
medida ya que no se debe hacer todo para cada neurona sino se copia y
pega el Sub VI general de las neuronas como se puede observar en la figura
50.

109
Figura 50: RNA

Fuente: Los Autores

Luego de la realizacin de cada una de las redes correspondientes a


cada enfermedad, se procedi a crear al igual que en el caso de la neurona
un Sub VI que contuviese la programacin completa de cada una de las
redes y as logra disminuir la cantidad de cable en el modelo final, y dar un
poco ms de orden en la programacin, logrando as detectar fallas mucho
ms fcil ya que la programacin se encuentra sectorizada.

110
El modelo final se observa en la figura 50. ste simplemente es la
presentacin final mas no una red neuronal como las anteriores. sta
muestra el resultado final de cada una de las redes dependiendo de las
entradas proporcionadas por el usuario.

Figura 51: RNA Completa con todas las enfermedades

Fuente: Los Autores

111
Resultado de la RNA
Los sntomas se puedes introducir mediante el panel fsico controlado
con el microcontrolador PIC 16f870, tomando en cuenta que al mover las
perillas y presionar los botones sus equivalentes virtuales no se vern
afectados, se podr elegir entre la introduccin de datos virtual por medio del
panel en la pantalla del pc o directamente de la botonera fisica

Como se muestra en la figura 51, el resultado de cada enfermedad


ser mostrado mediante el aumento o disminucin de los indicadores
correspondientes a una u otra enfermedad, los datos arrojados sern
interpretados por el usuario (Mdicos Internistas) para de esta manera este
pueda sacar sus conclusiones, Cada una de las enfermedades cuenda con
un indicador LED que especifica cual es la enfermedad con mayor incidencia
siempre y cuando este por sobre el 60% de probabilidad.

Figura 52: Panel de control

Fuente: Los Autores

112
El panel de Control cuenta con un Indicador LED de color azul, el cual
nos har saber cundo el paciente este sano, lo cual nicamente ocurre
cuando no este pulsado ninguno de los sntomas y la temperatura corporal
este por debajo de los 37.5 grados o por sobre los 36.5 grados.

Como se pudo observar en la imgenes mostrada anteriormente, se


cumple el modelo bsico de McCulloch y Pitts a una escala mayor, ya que se
logr interconectar varias neuronas artificial para que en conjunto lograran
resolver el problema entregado por el usuario.

113
Recursos

A continuacin se desglosa organizadamente los recursos humanos,


tcnicos y administrativos que fueron empleados a lo largo de la
investigacin. Al igual que se demuestra precios de algunos recursos

Recursos Tcnicos

Tabla 13 Recursos Tcnicos


Costo
Sub-Total
Descripcin Cantidad Unitario
(BsF)
(BsF)
Circuito impreso 2 54,00 108,00
Componentes
Varios 2100,00 2100,00
electrnicos
Herramientas Varias 300,00 300,00

Microcontrolador PIC 1 50,00 50,00


RS-232 1 350,00 350,00
Via Epia Pico 1 2700,00 2700,00
Memoria Ram 4gb 1 400,00 400,00
Disco Duro 250 gb 1 750,00 750,00
Fuente 12v@5A 1 500,00 500,00
Cajas PC y Control 2 900,00 1800,00
Cable ATA a USB 1 360,00 360,00
Calcomanias 1 Pliego 750,00 750,00
TOTAL 10168,00

114
Recursos Administrativos

Tabla 14 Recursos Administrativos

Costo Unitario Sub-Total


Descripcin Cantidad
(BsF) (BsF)
Impresin Tesis 2,00 250,00 500,00
Encuadernacin Tesis 2,00 60,00 120,00
Micro C 1,00 0,00 0,00
Microsoft Excel 1,00 0,00 0,00
Microsoft Word 1,00 0,00 0,00
Matlab 1,00 0,00 0,00
Labview 1,00 0,00 0,00
AutoCAD 1,00 50,00 50,00
Illustraitor 1,00 0,00 0,00
TOTAL 670,00

Recursos humanos

Tabla 12 Recursos humanos


Recurso Descripcin Horas Costo (BsF)
Jos Murillo Tesista 500 0,00
Jorge Salazar Tesista 500 0,00
Jos
Tutor 200 0,00
Cappelletto
Asesora
Gustavo Marn 150 3000,00
Tcnica
Dra. Cndida Asesora
20 0,00
Cabral Medica
Asesora
Luis F. Snchez 10 0,00
Medica

115
Cronograma de Actividades

De acuerdo con Tamayo (1998), un cronograma de actividades ..es


la descripcin de las actividades en relacin con el tiempo en el cual se van a
desarrollar, lo cual implica determinar con precisin cules son esas
actividades a partir de los aspectos tcnicos presentados en el proyecto
(pg. 135).

El cronograma de actividades del presente proyecto de investigacin


se realiz bajo el formato: Diagrama de GANTT, en el cual los meses van de
Agosto de 2012 a Marzo de 2013 aproximadamente.

Diagrama 5: Cronograma de actividades


Actividades Ago Sep Oct Nov Dic Ene Feb Mar
Identificar las
enfermedades
X
que aplican para
este estudio.
Determinar que
FPGA, FPAA o
plataforma de
desarrollo es X
ms apropiado
para este
estudio.
Disear la red
X X X
neuronal.
Construir el
modelo de red
neuronal capas X
de diagnosticar
enfermedades
Probar la red
neural,
verificando que
X X
cumple los
objetivos
planteados.

116
Captulo V

Conclusiones y Recomendaciones

Conclusiones:

Con el desarrollo de las redes neuronales artificiales se ha logrado


simular de manera muy bsica el aprendizaje y el perfeccionamiento de la
inteligencia de los seres humanos en computadoras, lo cual abre una puerta
al mundo de los sper-computadores y general cualquier proceso electrnico
que requiera aprendizaje o respuestas no pre programadas a ciertos
estmulos en la entrada.
Las redes neuronales artificiales son la base de la Inteligencia artificial
y se estn implementando ms que nunca como una solucin en muchos
productos electrnicos a los que tenemos acceso hoy en da. Estos
dispositivos estn basados y son manejados por redes neuronales
artificiales, como por ejemplo los videojuegos. Las redes neuronales
artificiales tambin son usadas por la NASA para su vehculo explorador no
tripulado en marte, lo que supone y demuestra la gran versatilidad e
importancia de la inteligencia-artificial.
Las redes neuronales artificiales representan una muy buena
alternativa para procesos electrnicos de gran complejidad, debido a que
proporcionan una respuesta rpida y acertada frente a una alta cantidad de
entradas. Las redes neuronales artificiales son una solucin formidable para
ser parte del diagnstico mdico debido a sus caractersticas bsicas,
tomando en cuenta que para lograr un diagnstico acertado se necesita tener
presente la mayor cantidad de sntomas e informacin posible que ayuden al
mdico a deducir la enfermedad de un paciente.

117
El diagnstico mdico es un mundo en el que los especialistas de la
salud son muy hermticos en cuanto a la intervencin de una mquina
electrnica, por lo cual es muy difcil obtener la ayuda o la participacin
necesaria. El mdico nunca podr ser reemplazado, ya que el cerebro
humano tiene millones de neuronas ms que las que se pueden utilizar en
cualquier equipo electrnico. Sin embargo, algunos mdicos estn abiertos al
uso de estos equipos considerando, que el uso o interpretacin de esta
informacin ser manejada por un profesional, pero no se aleja la posibilidad
de que en algn momento de la historia, estos equipos sern lo
suficientemente confiables para ser utilizados por las personas en su casa y
as no necesitar de una cita mdica para diagnsticos de triaje.

Los equipos mdicos electrnicos siempre han sido nica y


exclusivamente para la realizacin de exmenes, radiografas o resonancias
magnticas pero la interpretacin de estos exmenes siempre ha sido trabajo
de los mdicos. Aunque este trabajo jams podr ser diligenciado a una
mquina electrnica, en el futuro un dispositivo con inteligencia artificial
basado en redes neuronales artificiales podr dar un diagnstico previo al
mdico y dar soluciones muy bsicas por medio de reconocimiento de
patrones o sntomas.
Para el dispositivo realizado en el presente trabajo de grado las redes
neuronales artificiales representaron la solucin perfecta y confiable para el
problema planteado. Considerando que contamos con una gran cantidad de
sntomas, las redes neuronales son capaces de procesar toda la informacin
con mucha rapidez, ya que las entradas ingresan y se ejecutan
paralelamente en la red (todas al mismo tiempo). Gracias a esto, la respuesta
del diagnstico es mucho ms rpido, y adems, la red es capaz de dar un
diagnstico sin importar cul sea la entrada y en caso de no conocer la

118
respuesta exacta, la red siempre dar una respuesta aproximada de acuerdo
a lo que se le haya enseado previamente durante los entrenamientos.
Las redes neuronales artificiales son uno de los avances ms
importantes de la electrnica actual. El futuro de esta tecnologa podra llegar
al punto en el que estas mquinas podrn interactuar libremente con los
humanos. Se puede ver actualmente a muy pequea escala en los
videojuegos. Esta tecnologa es un gigante que cada vez crece ms y ms,
por lo que se presume que llegar a ser la tecnologa ms importante y
utilizada en un futuro no muy lejano.
Por ende a travs de este proyecto de grado se logr comprender el
funcionamiento de las RNA para ser aplicado en el rea de la medicina. En
donde la meta fue lograr desarrollar un prototipo de red neural, capaz de
hacer un diagnstico previo de manera rpida de las posibles enfermedades
que podra sufrir una persona, en donde estas enfermedades estaran
limitadas segn el grado de importancia, elegidos a travs de las encuestas
realizadas a los mdicos internistas del Centro Mdico Docente de la
Trinidad en el rea de emergencias (triaje).
El desarrollo de este proyecto logr demostrar que a travs de las
redes neuronales, se pudo lograr determinar con bastante precisin el
diagnstico previo de ciertas enfermedades, adems de dar pie a nuevas
investigaciones sobre redes neuronales artificiales y de la aplicacin de las
mismas en el rea de la medicina. Ayudando a los mdicos a lograr realizar
su trabajo de manera ms rpida y eficiente, por otro lado se consider que
por ahora una maquina no podr reemplazar a un mdico, sin embargo no
descartamos la posibilidad de que en un futuro esto cambie, ya que la
evolucin de las computadoras ser la I.A. (inteligencia artificial) basadas en
las RNA.

119
Recomendaciones:

Con fundamento en las conclusiones y en la experiencia obtenida a lo largo


del desarrollo de este trabajo de investigacin, nos permitimos realizar las
siguientes recomendaciones:

Para futuras investigaciones de redes neuronales en el rea de la


medicina como primera instancia es importante contar con el apoyo de
varios mdicos previamente, ya que generalmente se presentan
bastante cerrados a proveer informacin sobre enfermedades y
mtodos mdicos para diagnosticar enfermedades, entre otras cosas
ms.

En segundo lugar, es muy importante elegir como se desarrollara la


red neuronal, de manera fsica o de manera virtual. En este punto
usted deber elegir entre velocidad de procesamiento de datos vs
costos. Ya que realizar redes neurales artificiales de manera fsica (a
travs de complejos circuitos y procesadores) representa un mayor
costo y tiempo de implementacin, pero una vez desarrollada la red
neural artificial responde muchsimo ms rpido que una red virtual.
Sin embargo, cabe destacar que esta diferencia es de milisegundos e
incluso microsegundos lo cual quiere decir que no son percibidos por
un humano. Destacando de esta manera que si el tiempo no es tan
importante para lo que se vaya a implementar, es preferible reducir
costos.

Se propone tambin elegir cuidadosamente el tipo de red y el tipo de


entrenamiento que recibir, ya que cada tipo de red neural tiene sus
ventajas y desventajas, como por ejemplo a la hora de responder a un

120
estmulo unas sern ms precisas que otras, pero a su vez, unas
tendrn un grado de complejidad matemtica superior a otras.
Adems dependiendo de la situacin, el entrenamiento deber ser
supervisado o no supervisado debido a que esto define previamente si
la red neural ser usada como un sistema experto o si ser usada
para reconocer patrones en el cual el investigador no logra visualizar
esos patrones.

Una vez elegido el tipo de red neural artificial, si es elegido un


entrenamiento supervisado, se recomienda siempre tener un set de
entrenamiento y un set de pruebas, en donde el set de entrenamiento
represente un 80% de los casos y el set de prueba represente un 20%
de los casos, para de esta manera verificar que no se haya hecho un
sobre-entrenamiento, debido que esto le resta precisin a las redes
neurales artificiales.

121
Referencias Bibliogrficas

Alvarez, J. C. (2009). Recuperado el 03 de 15 de 2012, de


http://www.google.co.ve/url?sa=t&rct=j&q=formula%20para%20calcular%20la
%20muestra&source

Arnal, M. (s.f.). Recuperado el 15 de 01 de 2012, de


http://www.elalmanaque.com/marz/20-3-eti.htm

Burgos, F. J. (2003). Recuperado el 15 de 09 de 2011, de


http://softwarelibre.unsa.edu.ar/docs/descarga/2003/curso/htmls/redes_neuro
nales/c81.html

CANTV, P. A. (2012). Paguinas Amarillas de CANTV. Recuperado el 04 de


10 de 2012, de
http://www.pac.com.ve/index.php?option=com_jumi&fileid=9&Itemid=119&ke
yword=M%E9dicos%3A+Internistas&ubicacion=Caracas&filtro=%3Bcityname
%3ACaracas&pagina=1&orden=

Diccionario Medico. (s.f.). Recuperado el 25 de 09 de 2011, de


www.buenasalud.com/dic/

Escuela superior de Computo. (2009). SlideShare. Recuperado el 12 de 09


de 2011, de http://www.slideshare.net/mentelibre/redes-neuronales-
artificiales-historia-y-teoria

G., T. G. (2009). Recuperado el 2012

Gonzales, D. (1999 ). Recuperado el 13 de 02 de 2012, de


http://www.ucm.es/BUCM/cee/doc/9902/9902.htm

Herrera, C. (2008). Recuperado el 04 de 15 de 2012, de


http://inteligenciaartificialudb.blogspot.com/2008/01/concepto-caractersticas-
y-metodologas.html

Herrera, M. (2009). Estampas. Recuperado el 13 de 02 de 2012, de


http://www.eluniversal.com/estampas/anteriores/221006/salud.shtml

Informatica Integral Inteligente. (s.f.). Recuperado el 29 de 10 de 2011, de


http://www.informaticaintegral.net/sisexp.html

122
Maldonado, H. (s.f.). Recuperado el 13 de 02 de 2012, de
http://webdelprofesor.ula.ve/nucleotachira/malhec/maldo_h/el_impacto_ambi
ental_en_venezuela.pdf

Marrero, E. (03 de 2005). Recuperado el 10 de 09 de 2011, de


http://academic.uprm.edu/~eddiem/psic3001/id36.htm

MNDEZ, N. (02 de 01 de 2009). Recuperado el 29 de 10 de 2011, de


historiaingenieriavenezolana.blogspot.com/2009/01/inteligencia-artificial-
sistemas.html

Moya, J. (2009). Recuperado el 04 de 10 de 2012, de


http://upcommons.upc.edu/pfc/bitstream/2099.1/3330/5/34059-5.pdf

Olabe, X. B. (2008). Recuperado el 16 de 01 de 2012, de


http://www.elalmanaque.com/marz/20-3-eti.htm

P.K. Economou, E. M. (2009). Recuperado el 15 de 10 de 2011, de


http://electronica.com.mx/neural/articulos/medical_expert.pdf

Palacios, F. (2003). Recuperado el 2012 de 02 de 13, de


http://www.ibiblio.org/pub/linux/docs/LuCaS/Presentaciones/200304curso-
glisa/redes_neuronales/curso-glisa-redes_neuronales-html/index.html

Poma Lima, D. (15 de 06 de 2010). SlideShare. Recuperado el 09 de 10 de


2011, de http://www.slideshare.net/dlpoma/predicin-meteorolgica-con-redes-
neuronales

Principe, J. (2000). The Electrical Engineering Handbook. Boca Raton: CRC


Press LLC.

Profesor en Linea. (s.f.). Recuperado el 10 de 09 de 2011, de


http://www.profesorenlinea.cl/Ciencias/neurona.htm

Rivera, E. (s.f.). Recuperado el 10 de 10 de 2011, de


http://www.udb.edu.sv/editorial/cientifica/Cientifica6/articulo4.pdf

Surez, G. S. (2010). Recuperado el 19 de 09 de 2011, de


www.ufps.edu.co/materias/uelectro/htdocs/pdf/fpaa.pdf

123
Surez, I. G. (2009). Recuperado el 10 de 08 de 2011, de
www.ufps.edu.co/materias/uelectro/htdocs/pdf/fpga.pdf

Tirso, A. (2002). Homo Cybersapiens. La Inteligencia artificial y la humana.

TREC internet. (15 de 10 de 2000). Recuperado el 11 de 10 de 2011, de


http://electronica.com.mx/neural/informacion/perceptron.html

Vidal, T. A. (05 de 04 de 2011). Recuperado el 10 de 09 de 2011, de


profesores.elo.utfsm.cl/~tarredondo/info/soft-comp/Introduccion a las redes
neuronales.pdf

Villada, F. M. (s.f.). Recuperado el 12 de 10 de 2010, de


ingenieria.udea.edu.co

Villasana, M. (s.f.). Recuperado el 2012 de 02 de 13, de


http://prof.usb.ve/mvillasa/redes/Introduccion-vl.pdf

Villasana, P. M. (2008). Recuperado el 15 de 08 de 2011, de


http://prof.usb.ve/mvillasa/redes/Introduccion-vl.pdf

Xilix. (2010). Recuperado el 14 de 04 de 2012, de


http://www.fpgacentral.com/pld-types/fpga-field-programmable-gate-array

Electronica Magnabit. (2012). Obtenido de www.electronicamagnabit.com

Prez, E. F. (2007). Sistema integrado para el autoaprendisaje.

Torres, M. (2007). Obtenido de


http://web.ing.puc.cl/~mtorrest/downloads/pic/tutorial_pic.pdf

Referencias de Figuras

All About Circuits. (2009). Retrieved 23 03 2012, From

http://www.allaboutcircuits.com/worksheets/mux.html

Electrnica Unicrom. (2009). Retrieved 23 03 2012, From

http://www.unicrom.com/tut_funcionamiento-ujt.asp

124
Gonzales, D. (1999 ). Retrieved 02 13, 2012, from
http://www.ucm.es/BUCM/cee/doc/9902/9902.htm

Palacios, F. (2003). Retrieved 02 2012, 13, from


http://www.ibiblio.org/pub/linux/docs/LuCaS/Presentaciones/200304cur
so-glisa/redes_neuronales/curso-glisa-redes_neuronales-
html/index.html

Principe, J. (2000). The Electrical Engineering Handbook. Boca Raton: CRC


Press LLC.

Villasana, M. (n.d.). Retrieved 02 2012, 13, from


http://prof.usb.ve/mvillasa/redes/Introduccion-vl.pdf

Xilix, (2010). Retrieved 12 04 2012, de

http://www.fpgacentral.com/pld-types/fpga-field-programmable-gate-
array

DataSheet Directory. (2009). Obtenido de


http://circuits.datasheetdir.com/19/PIC16F870-pinout.jp

125
ANEXOS

126
Anexo A: Modelo de Validacin tcnica

127
Anexo B: Modelo de Encuesta presentada

128
129
130
Anexo C: Programacin del PIC

char UART1_Tx_Idle(); //librera UART para espera de disponibilidad

unsigned char
bit0,bit1,bit2,bit3,bit4,bit5,bit6,bit7,bit8,bit9,bit10,bit11,bit12,bit13,bit14,bit15,bi
t16; //declaro mis bits del mensaje

unsigned int pot,pot_salida;

void main() {

ADCON1 = 0B00001110; //como estoy usando el puerto A para entradas


"AJURO" debo configurar el tipo de puerto A o D

ADCON0 = 0b01000001; // Se configura frecuencia, canales y se activa el


ADC esto es diferente para cada PIC.

trisa = 0xff;

trisc0_bit = 1;

trisc1_bit = 1;

trisc2_bit = 1; // se configura por separado los pines del puerto C del


PIC entrada/salida

trisc4_bit = 1;

trisc5_bit = 1;

trisc7_bit = 1;

trisc3_bit = 0;

trisc6_bit = 0;

trisb = 0xff; //configuro puertos B como entrada

portc= 0; //limpio puerto c

131
UART1_Init(9600); // velocidad de baudios/rate

delay_ms(100); //Esperamos a que el mdulo UART se estabilice

while(1) { //repetir este proceso siempre

if (porta.f2 == 1){ // si se presiona el botn enva

do{

//no hace nada, esto asegura que enva justo despus de soltar el botn

}while(porta.f2 == 1);

portc.f3=1; //encender un red indicando que se enviara la


informacin

delay_ms(500);

//INICIO ADC

pot = Adc_read(0); //Recibe la informacin analgica y la convierte


en su equivalente digital

pot_salida = pot >>2; //Bits ms significativo de la conversin

//FIN ADC

if(portb.f0 == 1){

132
bit0 = 0x56; //elegimos 0x56 hexadecimal para enviar una V
caracter que ser entendido como un 1, luego esto llegara en labview como
un numero hexadecimal que procesaremos y convertiremos en 1

//si se presiona el botn 0 entonces bit0 valdr 1 sino valdr


0, debido a esto usaremos un botn y no pulsadores.

else {

bit0 = 0x46; ////elegimos 0x46 hexadecimal para enviar una F


caracter que ser entendido como un 0, luego esto llegara en labview como
un numero hexadecimal que procesaremos y convertiremos en 0

if(portb.f1 == 1){

bit1 = 0x56;

else {

bit1 = 0x46;

if(portb.f2 == 1){

bit2 = 0x56;

else {

bit2 = 0x46;

133
if(portb.f3 == 1){

bit3 = 0x56;

else {

bit3 = 0x46;

if(portb.f4 == 1){

bit4 = 0x56;

else {

bit4 = 0x46;

if(portb.f5 == 1){

bit5 = 0x56;

else {

bit5 = 0x46;

if(portb.f6 == 1){

bit6 = 0x56;

134
}

else {

bit6 = 0x46;

if(portb.f7 == 1){

bit7 = 0x56;

else {

bit7 = 0x46;

if(portc.f0 == 1){

bit8 = 0x56;

else {

bit8 = 0x46;

if(portc.f1 == 1){

bit9 = 0x56;

else {

135
bit9 = 0x46;

if(portc.f2 == 1){

bit10 = 0x56;

else {

bit10 = 0x46;

if(portc.f4 == 1){

bit11 = 0x56;

else {

bit11 = 0x46;

if(portc.f5 == 1){

bit12 = 0x56;

else {

bit12 = 0x46;

136
if(porta.f1 == 1){

bit13 = 0x56;

else {

bit13 = 0x46;

if(porta.f3 == 1){

bit14 = 0x56;

else {

bit14 = 0x46;

if(porta.f4 == 1){

bit15 = 0x56;

else {

bit15 = 0x46;

137
if (UART1_Tx_Idle() == 1) { //este comando verifica que el puerto
este libre para enviar informacin

UART1_Write(bit0); //del bit0 al bit15 se enva info de los botones

UART1_Write(bit1);

UART1_Write(bit2);

UART1_Write(bit3);

UART1_Write(bit4);

UART1_Write(bit5);

UART1_Write(bit6);

UART1_Write(bit7);

UART1_Write(bit8);

UART1_Write(bit9);

UART1_Write(bit10);

UART1_Write(bit11);

UART1_Write(bit12);

UART1_Write(bit13);

UART1_Write(bit14);

UART1_Write(bit15);

UART1_Write(pot_salida); //enviamos informacin del potencimetro

portc.f3=0; //apago led indicador

138
} //fin del if

}//fin del ciclo infinito

} //fin del programa

139
Anexo D: Validacin de instrumentos por Andrs Montesinos

140
Anexo E: Validacin de instrumentos por Mara Elena Snchez

141
Anexo F: Validacin de instrumentos por Mauricio Marn

142
Anexo G: Datasheet Max 232

143
144
145
146
147
Anexo H: Datasheet LM7805

148
149
Anexo I: Diseo AutoCAD caja VIA Epia

150
151
Anexo J: Diseo AutoCAD caja control

152
153
Anexo K: Diseo Calcomanas

154
Anexo L: Fotos Producto Final

155
156
Anexo M: Datasheet PIC 16F870

157
158
159
160
161