Vous êtes sur la page 1sur 69

SISTEMA DE RED

NEURONAL PARA LA
IDENTIFICACIÓN DE
TRANSTORNOS DE
PERSONALIDAD

0
UNIVERSIDAD CONTINENTAL DE CIENCIAS E INGENIERÍA
FACULTAD DE INGENIERÍA

ESCUELA ACADÉMICA PROFESIONAL DE:

INGENIERÍA DE SISTEMAS E INFORMATICA

SISTEMA DE RED NEURONAL PARA LA


IDENTIFICACIÓN DE TRANSTORNOS DE
PERSONALIDAD

ASIGNATURA : INGENIERÍA DEL CONOCIMIENTO

CATEDRÁTICO : MIGUEL ÁNGEL CÓRDOVA SOLÍS

ALUMNOS : ESPINOZA TICSE, Noemí


VIDALON TEMBLADERA, Cris

HUANCAYO - PERU
2013

1
CAPITULO I
ANTECEDENTES DEL PROBLEMA

Para el presente estudio se ha efectuado la búsqueda de trabajos de investigación,


monografías, artículos, revistas, y otros relacionados con el tema de investigación que se
exponen a continuación:

Pitarque et al. (1) realizo la investigación “Diagnóstico clínico en psicología a través de redes
neuronales” en la Universidad de Valencia de España en el año 1997. Su investigación llegó
a las siguientes conclusiones:

 La proporción media de aciertos en los diagnósticos hechos por las 10 redes fue de
0.917. Un test que comparaba tal proporción frente a la proporción media de
aciertos que obtendrían dichas redes si respondieran al azar mostró claramente el
poder predictivo de tales modelos.

 Estos resultados muestran claramente cómo los modelos de redes neurales pueden
ser utilizados como sistemas expertos facilitadores del diagnóstico clínico, tal y
como ocurre en otras ciencias.

Gordillo (2) realizo la investigación “Aplicación de una Red Neuronal para clasificación de
perfiles psicológicos con el test 16PF del Dr R.B. Castell en una población estudiantil” en la
Universidad Rafael Núñez de Colombia en el año 2001. La investigación llego a las
siguientes conclusiones:

 Dado que la Red Neuronal se utiliza como un ayudante para ubicar perfiles dentro
de un universo grande de ellos, se convierte en un valioso ayudante para el

2
psicólogo. No en un reemplazo para su tarea, pero obsérvese que se ha dado un
paso más allá de simplemente hacer la parte mecánica, o de encontrar un indicador
clínico.

 La Red está ayudando a encontrar rasgos de personalidad que pueden ser


problemáticos o inclusive patológicos o por el contrario convenientes, es decir,
ayuda a buscar lo que se necesite encontrar, solo debe enseñarle algunos casos
parecidos a lo que quiere.

Porras y Salinas (3) realizaron la investigación sobre “Diseño de redes neuronales artificiales
en Neurociencias” en la Universidad Mayor de San Simón de Bolivia en el año 2011. El
objetivo de esta investigación fue probar la utilidad de los modelos de redes neuronales
artificiales para confirmar relaciones entre cambios fisiológicos y cognitivos. Concretamente,
se exploran las consecuencias que las dificultades de neurotransmisión, característica del
envejecimiento cerebral, suponen en la respuesta de ancianos en tareas de reconocimiento.
Así, la red diseñada es capaz de reconocer patrones aprendidos y cuando se manipula el
umbral de activación de algunas unidades del dispositivo se reproducen los resultados
experimentales de los ancianos en tareas de reconocimiento.

Gonzáles (4) realizó la investigación “Trastornos de la personalidad: Influencia sobre la


conducta delictiva y repercusiones forenses en la jurisdicción penal” en la Universidad
Complutense de Madrid en el año 2011. La investigación llego a las siguientes conclusiones:

 Nuestro estudio muestra que las características propias de cada trastorno se


plasman en el tipo delictivo en el que puede verse implicado el individuo; pero se
observa que es sobre todo en variables como la motivación delictiva, relación
existente con la víctima y modus operandi (estudiadas fundamentalmente desde la
criminología) donde parecen reflejarse más claramente las características propias
de cada trastorno específico de la personalidad.
 En términos generales, los delitos asociados a imputados con trastornos de la
personalidad corresponden a delitos contra las personas, mayoritariamente
cometidos en solitario (de modo más acusado en el GRUPO A y menos en el
GRUPO C) y contra víctimas conocidas.

3
CAPÍTULO II
PLANTEAMIENTO DEL PROBLEMA

2.1. Descripción del Problema:


La modelización es una tradición antigua en el trabajo investigador de la Psicología, tanto
utilizando animales como aplicando modelos matemáticos a fenómenos psicológicos. Entre
dichos modelos matemáticos uno de los más explorados en las últimas décadas ha sido el de
redes neuronales artificiales (RNA).

Los métodos envueltos en la diagnosis clínica muchas veces son vagos y mal estructurados.
Por ello se desarrollará un sistema basado en redes neuronales que a partir de las respuestas
de un paciente a un cuestionario sea capaz de llevar a cabo su diagnóstico en relación a si
pertenece a una de los siete trastornos de personalidad (paranoide, esquizoide, esquizotípico,
histriónico, antisocial, narcisista, límite, obsesivo-compulsivo, dependiente y evitativo), y el
grado de trastorno que se presenta en cada uno ellos (nada, un poco, bastante,…).

2.2. Formulación del Problema:

¿Un sistema basado en redes neuronales podrá identificar y predecir si una persona
padece de algún trastorno de personalidad?

2.3. Objetivos:
2.3.1. Objetivo General:

Desarrollar un sistema basado en redes neuronales implementado en Neuro


Shell, capaz de diagnosticar la existencia de un trastorno de personalidad a
partir de las respuestas dadas a un cuestionario.

4
2.3.2. Objetivos Específicos:

 Brindar una herramienta de apoyo al psicólogo clínico en la evaluación y


diagnóstico de trastornos de personalidad.

 Identificar los tipos de trastorno de personalidad existentes en un


paciente con un menor margen de error.

5
CAPITULO III
MARCO TEÓRICO

3.1. Red Neuronal Biológica:

3.1.1. Neurona Biológica

La neurona es el elemento fundamental del funcionamiento del sistema


nervioso. Una neurona es una célula viva y, como tal, contiene los mismos
elementos que forman parte de todas las células biológicas. Además, contiene
elementos característicos que las diferencian.

En general, una neurona consta de un cuerpo celular de aproximadamente 5 a


10 mieras de diámetro esférico, del que salen una rama principal, el axón, y
varias ramas más cortas, llamadas dendritas. A su vez, el axón puede producir
ramas en tomo a su punto de arranque, y con frecuencia se ramifica
extensamente cerca de su extremo.

Una de las características que diferencia a las neuronas del resto de las
células vivas, es su capacidad de comunicarse. En términos generales, las
dendritas y el cuerpo celular reciben señales de entrada; el cuerpo celular las
combina e integra y emite señales de salida. El axón transporta esas señales
a los terminales axónicos, que se encargan de distribuir información a un
nuevo conjunto de neuronas. Por lo general, una neurona recibe información

6
de miles de otras neuronas, y a su vez, envía información a miles de neuronas
más. Se calcula que en el cerebro humano existen 10 15 conexiones. (5)

Figura 1. Esquema general de una neurona biológica.

3.2. Red Neuronal Artificial

Las redes neuronales artificiales se pueden considerar como dispositivos de


ingeniería, que inspiradas en el funcionamiento del cerebro humano, tiene por objeto
permitir el aprendizaje artificial. En esta línea el aspecto central de una red neuronal
es la capacidad de aprender de la experiencia acumulada en un conjunto de
ejemplos, tratando de emular en alguna forma, la actividad natural del cerebro para
aprender.

En síntesis, una red neuronal se puede considerar como un sistema para el


tratamiento de la información, cuya unidad de procesamiento está inspirada en la
célula fundamental del sistema nervioso humano: la neurona. (6)

3.2.1. Neurona Artificial

El componente mínimo de una red neuronal artificial es una neurona


artificial o elemento de procesamiento. Es un dispositivo que transforma

7
varias señales de entrada en una única salida. Las entradas pueden
proceder de otras neuronas, o bien, del exterior. La salida, asimismo,
puede transferirse a otras neuronas o funcionar como señal de salida a
la red, en cuyo caso el comportamiento es ligeramente diferente en
cuanto a las funciones que se le aplican o el uso final que se hace de
ella.

Figura 2. Esquema general de una neurona artificial.

Las señales de entrada se encuentran moduladas por un factor, llamado


peso, que gradúa la importancia de la conexión existente entre la
neurona receptora y el emisor de la señal (generalmente otra neurona).

En el caso más sencillo, la activación de una unidad en un determinado


instante es la suma de las actividades de las unidades con las que está
conectada, ponderándolas por los pesos correspondientes. En las redes
más elaboradas, la activación será alguna función compleja de las
señales que recibe. (5)

8
3.2.2. Elementos de una red neuronal

Cualquier modelo de red neuronal consta de dispositivos elementales de


proceso: las neuronas. Generalmente, se pueden encontrar tres tipos de
neuronas:

 Aquellas que reciben estímulos externos, que tomarán la información


de entrada.

 Dicha información se transmite a ciertos elementos internos que se


ocupan de su procesamiento. Es en las sinapsis y neuronas
correspondientes a este segundo nivel donde se genera cualquier tipo
de representación interna de la información. Puesto que no tienen
relación directa con la información de entrada ni con la de salida,
estos elementos se denominan unidades ocultas.

 Una vez que ha finalizado el período de procesamiento, la


información llega a las unidades de salida, cuya misión es dar la
respuesta del sistema.

3.2.2.1. Estado de activación

La neurona artificial pretende mimetizar las características más


importantes de las neuronas biológicas. Cada neurona i-ésima
está caracterizada en cualquier instante por un valor numérico
denominado valor o estado de activación ai(t); asociado a cada
unidad, existe una función de salida, fi, que transforma el
estado actual de activación en una señal de salida, fi. Dicha
señal es enviada a través de los canales de comunicación
unidireccionales a otras unidades de la red; en estos canales la
señal se modifica de acuerdo con la sinapsis (el peso, wji)
asociada a cada uno de ellos según una determinada regla. Las
señales moduladas que han llegado a la unidad j-ésima se
combinan entre ellas, generando así la entrada total, netj.

9
Figura 3. Modelo de una neurona estándar.

Todas las neuronas que componen la red se hallan en dos


posibles estados, reposo y excitado, a los que denominaremos
globalmente estados de activación, y a cada uno de los cuales
se le asigna un valor.

El estado de activación estará fuertemente influenciado por


interacciones del conjunto de neuronas, ya que el efecto que
producirá una neurona sobre otra será proporcional a la fuerza,
peso o magnitud de la conexión entre ambas, por otro lado, la
señal que envía cada una de las neuronas a sus vecinas
dependerá de su propio estado de activación.

3.2.2.2. Conexiones entre neuronas

Las conexiones que unen a las neuronas tienen asociado un


peso sináptico, que es el que hace que la red adquiera

10
conocimiento. Consideremos y como el valor de salida de una
neurona i en un instante dado. Una neurona recibe un conjunto
de señales que le dan información del estado de activación de
todas las neuronas con las que se encuentra conectada. Cada
conexión (sinapsis) entre la neurona i y la neurona j está
ponderada por un peso wji. Normalmente, como simplificación,
se considera que el efecto de cada señal es aditivo, de tal forma
que la entrada neta que recibe una neurona netj es la suma del
producto de cada señal individual por el valor de la sinapsis que
conecta ambas neuronas.

3.2.2.3. Función de salida o de transferencia

Entre las unidades o neuronas que forman una RNA existe un


conjunto de conexiones que unen unas a otras. Cada unidad
transmite señales a aquellas que están conectadas con su
salida.

3.2.3. Estructura de una RNA

3.2.3.1. Niveles o capas

La distribución de neuronas dentro de la red se realiza


formando niveles o capas de un número determinado de
neuronas cada una. A partir de su situación dentro de la red, se
pueden distinguir tres tipos de capas:

11
- De entrada: Es la capa que recibe directamente la información
proveniente de las fuentes externas a la red.

- Ocultas o de transferencia: Son internas a la red y no tienen


contacto directo con el entorno exterior. El número de niveles
ocultos puede estar entre cero y un número elevado. Las
neuronas de las capas ocultas pueden estar interconectadas de
distintas maneras, lo que determina, junto con su número, las
distintas tipologías de RNA.

- De salida: Transfieren información de la red hacia el exterior.

Figura 4. RNA con dos capas ocultas con conexiones


hacia delante.

3.2.4. Mecanismo de Aprendizaje

El aprendizaje es el proceso por el cual una RNA modifica sus pesos en


respuesta a una información de entrada. Los cambios que se producen
durante el proceso de aprendizaje se reducen a la destrucción,
modificación y creación de conexiones entre las neuronas. En los

12
sistemas biológicos existe una continua creación y destrucción de
conexiones. En los modelos de RNA, la creación de una nueva conexión
implica que el peso de la misma pasa a tener un valor distinto de cero.
De la misma forma, una conexión se destruye cuando su peso pasa a
ser cero.
Durante el proceso de aprendizaje, los pesos de las conexiones de la
red sufren modificaciones, por tanto se puede afirmar que este proceso
ha terminado (la red ha aprendido) cuando los valores de los pesos
permanecen estables.

Un aspecto importante respecto al aprendizaje en las RNA es el


conocer cómo se modifican los valores de los pesos, lo que se conoce
como la regla de aprendizaje.

De forma general, se suelen considerar dos tipos de reglas:


1) Aprendizaje supervisado,
2) Aprendizaje no supervisado

3.2.4.1. Redes neuronales con aprendizaje supervisado

El aprendizaje supervisado se caracteriza porque el proceso de


aprendizaje se realiza mediante un entrenamiento controlado
por un agente externo (supervisor, maestro, target o valor
objetivo) que determina la respuesta que debería generar la red
a partir de una entrada determinada. El supervisor comprueba
la salida de la red y en el caso de que ésta no coincida con la
deseada, se procederá a modificar los pesos de las conexiones,
con el fin de conseguir que la salida obtenida se aproxime a la
deseada.

3.2.4.2. Redes neuronales con aprendizaje no supervisado

13
También conocidas como auto supervisado, no requieren
influencia externa para ajustar los pesos de las conexiones
entre sus neuronas. La red no recibe ninguna información por
parte del entorno que le indique sí la salida generada en
respuesta a una determinada entrada es o no correcta. (7)

3.3. Trastornos de personalidad

Un trastorno de la personalidad es un patrón permanente e inflexible de experiencia


interna y de comportamiento que se aparta acusadamente de las expectativas de la
cultura del sujeto , tiene su inicio en la adolescencia o principio de la edad adulta, es
estable lo largo del tiempo y representa malestar o perjuicios ara el sujeto.

3.3.1. Clasificación

Los trastornos de la personalidad están reunidos en tres grupos que se


basan en las similitudes de sus características y de acuerdo a una dimensión
central, que tiene que ver con procesos neurobiológicos específicos.

 El GRUPO A incluye los trastornos paranoide, esquizoide y


esquizotipico de la personalidad. Los sujetos con estos trastornos suelen
parecer raros o excéntricos.

 El GRUPO B incluye los trastornos antisocial, limite, histriónico y


narcisista de la personalidad. Los sujetos con estos trastornos suelen
parece r dramáticos, emotivos o inestables.

 El GRUPO C incluye los trastornos por evitación, por dependencia y


obsesivo-compulsivo de la personalidad. Los sujetos con estos
trastornos suelen parecer ansiosos o temerosos. ( )

14
GRUPO A GRUPO B GRUPO C
RAROS E DRÁMATICO – ANSIOSO –
INTROVERTIDOS EMOCIONAL TEMEROSO
Paranoide Antisocial Evitativo
Esquizoide Limítrofe Dependiente
Obsesivo –
Esquizotípico Histriónico
compulsivo
Narcisista
C
UADRO Nº 1 Clasificación de los trastornos de personalidad

Grupo A: Raros e introvertidos

a. Trastorno paranoide de la personalidad (TPP)

La sintomatología esencial consiste en una tendencia generalizada


e injustificada a interpretar las acciones de los demás como
agresivas o amenazantes para él. La prevalencia en la población
general oscila –según los diferentes estudios– entre el 0.5% y el
2.5%.

Aspectos conductuales característicos del TPP

 Son provocadores y corrosivos con los demás.


 A la defensiva, cuidan mucho cómo se muestran ante los
demás.
 Reaccionan fácilmente con enfado.
 Son vengativos con los que consideran sus enemigos.
 Apariencia fría y controladora.
 Están aislados, distantes.
 Comprobación continua de la lealtad y fidelidad de los suyos.

Aspectos emocionales característicos del TPP

15
 Experimentan gran ansiedad si se sienten que pierden el
control.
 Tensos de forma continuada.
 Fríos, poco emotivos e insensibles al sufrimiento ajeno.
 Las emociones que más manifiestan son la ira y los celos.
 Sensibilidad emocional excesiva.
 Fácilmente irritables
 Sin sentido del humor.

Aspectos cognitivos característicos del TPP

 Son reacios a hacer confidencias y a depender de los demás.


 Se sienten perseguidos.
 Son escépticos, suspicaces, cínicos y desconfiados con los
demás.
 Interpretan erróneamente con frecuencia las intenciones y los
motivos de los demás.
 Perciben el mundo como hostil y amenazante.
 Temen ser utilizados, humillados o dominados por los demás.
 Se sienten muy importantes y orgullosos de su independencia.
(y)

b. Trastorno esquizoide de la personalidad (TEP)

Consiste en una pauta generalizada de indiferencia a las relaciones


sociales y una afectividad muy limitada. Son sujetos que no desean
ni disfrutan con las relaciones íntimas, solitarios; casi nunca
experimentan emociones fuertes, como ira o alegría.

La prevalencia del trastorno esquizoide no está claramente


establecida, pero puede afectar a un 7.5% de la población general.
Algunos estudios indican un cociente hombre-mujer de 2 a 1. (x)

16
Aspectos conductuales característicos del TEP

 Movimientos corporales inquietos, presentando torpeza y


rigidez gestual.
 Ausencia de expresión facial.
 Tono de voz lento y monótono, aunque hablen de
acontecimientos importantes o traumáticos.
 Falta de vitalidad y de energía.
 Carentes de iniciativa.
 Falta de cordialidad hacia los demás.

Aspectos cognitivos característicos del TEP

 Creencia de que los demás no se ocupan de ellos.


 No sobreestiman el potencial real de sus capacidades.
 Presentan una falta de atención e incapacidad para captar las
necesidades de los demás.
 Poseen mínimos intereses “humanos”.
 Son indiferentes al halago o a la crítica.
 Carecen de ambición.
 Muestran escaso interés en las experiencias sexuales y
sensoriales.

Aspectos emocionales característicos del TEP

 Baja activación emocional.


 Incapaces de expresar tristeza, culpa, alegría, ira o enfado.
 Respuestas emocionales inapropiadas, reprimidas,
embotadas.
 Pueden establecer vínculos emocionales con animales.
 No disfrutan mucho de las relaciones íntimas. (y)

17
c. Trastorno esquizotípico de la personalidad (TETP)

Este trastorno sólo figura en la clasificación DSM ya que en la CIE


10 aparece dentro de los trastornos esquizofrénicos. Estos sujetos
son personas marcadamente raras y extravagantes, incluso para los
profanos; su vida diaria se caracteriza por tener pensamiento
mágico, ideas peculiares y desrealización.

Aparece en un 3% de la población y se aprecia un mayor número de


casos entre los familiares de pacientes esquizofrénicos. Existe
mayor incidencia entre los gemelos monocigóticos que entre los
dicigóticos. (x)

Aspectos conductuales característicos del TETP

 Comportamientos excéntricos.
 Sentido del humor absurdo.
 Socialmente ineptos, se encuentran aislados de los demás.
 Extraños patrones de lenguaje.
 Vestimenta peculiar o desaliñada.
 No responden a gestos convencionales como la sonrisa o las
señales de asentimiento.
 Apariencia fría y reservada a agitada y excitable.

Aspectos emocionales característicos del TETP

 Ansiedad ante el mínimo desafío social.


 Afectividad restringida o inapropiada.
 Con frecuencia expresión emocional sin relación con el
contexto.
 Sensibles a la ira.
 Frecuentes ataques de depresión y ansiedad.

18
Aspectos cognitivos característicos del TETP

 Creen que los demás no se ocupan de ellos.


 No presentan alucinaciones ni ideas delirantes.
 No creen que su falta de interés sea patológica.
 Presentan una falta de atención e incapacidad para captar las
necesidades de los demás.
 Carencia de vida interior.
 Aparente deficiencia cognitiva(y)

Grupo B: Dramático emocional

a. Trastorno antisocial de la personalidad

También se denomina trastorno disocial, se caracteriza por una


pauta de conducta irresponsable, al margen de las normas sociales,
la que ya aparece en las etapas infantiles, que continúa y se amplía
en la edad adulta. El trastorno no es sinónimo de criminalidad.

La prevalencia de este trastorno es del 3% en los hombres y del 1%


en las mujeres. (x)

Aspectos conductuales característicos del TAP

 Tienen un comportamiento agresivo, temerario, precipitado y


espontáneo.
 Mantienen conductas impulsivas dirigidas hacia un objetivo.
 Se muestran arrogantes de forma continuada.
 Su conducta aparente puede ser encantadora.
 No mantienen las promesas ni los comportamientos de honor.
 No suelen decir la verdad ni se puede confiar en ellos.
 Son vengativos y beligerantes con quienes consideran sus
enemigos.

19
Aspectos cognitivos característicos del TAP

 Presentan patrones cognitivos rígidos e inflexibles.


 No son capaces de hacer planes a largo plazo.
 No suelen temer al castigo.
 Son incapaces de aprender de las consecuencias negativas
de sus acciones.
 Falta de consideración por los derechos de los demás.
 Gran confianza en sí mismos y desconfianza en los demás, a
los que consideran equivocados.
 Creencias que carecen de valores éticos o morales.
 Necesidad de controlar el ambiente.

Aspectos emocionales característicos del TAP

 Impulsividad, intranquilidad, irritabilidad, ira, hostilidad.


 Ausencia de sentimientos de cordialidad e intimidad.
 Emocionalmente vacíos, fríos.
 Frustrados ante la pérdida de control del ambiente.
 Humor irascible.
 Hostilidad y agresividad fácilmente activadas.

b. Trastorno límite de la personalidad:

La denominación límite se adoptó cuando este trastorno se


consideraba fronterizo entre las psicosis y las neurosis. En la
clasificación CIE 10 se le denomina trastorno de inestabilidad
emocional de la personalidad, concepto que parece más afortunado
y descriptivo.

Parece ser que afecta al 2% de la población, siendo dos veces más


frecuente en las mujeres que en los hombres.

20
Aspectos conductuales característicos del TLP

 Niveles elevados de inconsistencia e irregularidad, bastante


impredecibles.
 Patrones de apariencia cambiante y vacilante.
 Niveles de energía inusuales provocados por explosiones
inesperadas de impulsividad.
 Provocan peleas y conflictos con frecuencia.
 Comportamientos recurrentes de automutilación o suicidio.
 Conducta paradójica en sus relaciones interpersonales (a
pesar de buscar la atención y el afecto, lo hacen de modo
contrario y manipulativo, suscitando el rechazo).
 Relaciones interpersonales intensas y caóticas.
 Excesivamente dependientes de los demás.

Aspectos emocionales característicos del TLP

 Pueden experimentar una activación emocional extra elevada,


siendo muy sensibles a los estímulos emocionales negativos.
 Inestabilidad afectiva debido a una notable reactividad del
estado de ánimo.
 Emociones contradictorias.
 Los estados de ánimo contrarios y su equilibrio emocional se
hallan constantemente en un tira y afloja.
 Ira intensa, inapropiada y fácilmente desencadena que implica
una pérdida de control emocional, especialmente cuando se
sienten frustrados o decepcionados.
 Cuando pierden el control muestran agitación y excitación
física.
 Su estado de ánimo no concuerda con la realidad.

21
Aspectos cognitivos característicos del TLP

 Pensamientos fluctuantes y actitudes ambivalentes hacia los


demás e incluso hacia sí mismo.
 Falta de propósitos para estabilizar sus actitudes o emociones.
 Incapacidad para mantener estables sus procesos de
pensamiento.
 Dificultades para aprender de experiencias pasadas.
 Carecen de un sentido estable de quienes son.
 Imágenes de uno mismo inestables y extremas.
 Sensaciones crónicas de vacío.
 Pensamientos anticipatorios de abandono.

c. Trastorno histriónico de la personalidad

Las personas con un trastorno histriónico de la personalidad son


excitables y emotivas y se comportan de manera dramática y
extrovertida. También se le ha denominado personalidad histérica o
personalidad psicoinfantil. Presenta una prevalencia del 2% en la
población general diagnosticándose con más frecuencia en las
mujeres que en los hombres. (x)

Aspectos conductuales característicos del THP

 Comportamiento teatral, donde la expresión de sus


sentimientos parece más superficial que profunda o real.
 A pesar de presentar una imagen inicial de buena voluntad,
son incapaces de mantenerla cuando las relaciones requieren
profundidad y persistencia.
 Se activan y reaccionan con facilidad.
 Tienen apariencia seductora y encantadora.
 Caprichosos y exhibicionistas.
 Tienen un comportamiento coqueto y sexualmente provocador
hacia los demás.

22
 Impulsivos y extravertidos, buscan continuamente la
activación.
 Manifiestan fácilmente interés en los demás.
 Búsqueda activa de la atención de aquellos que le rodean, que
suelen ser muchos conocidos y pocos amigos de verdad.

Aspectos cognitivos característicos del THP

 Habilidad para interpretar las emociones de los demás.


 Creativos, competitivos, egocéntricos.
 Falta de empatía.
 Pensamiento impulsivo, vago, poco analítico.
 Confían en las intuiciones, más que en el análisis de las
situaciones.
 Olvidadizos, irresponsables.
 Optimistas, confían en los otros.
 Dispuestos a agradar a los demás.
 Necesidad de aprobación y apoyo social.

Aspectos emocionales característicos del THP

 Baja tolerancia a la frustración y al aburrimiento.


 Emocionalmente inestables.
 Alteración dramática y superficial del estado de ánimo.
 Malestar si no son el centro de atención de los demás.
 Alta dependencia emocional de los demás.
 Respuestas emocionales exageradas, cambiantes,
superficiales.

d. Trastorno narcisista de la personalidad

Se caracteriza por un sentimiento personal de importancia y


singularidad. Se estima que la prevalencia de este trastorno es
menor al 1% en la población general, apareciendo en poblaciones

23
clínicas cifras que oscilan entre el 2% y el 16%. Cada vez se
diagnostica más, observándose mayor incidencia en sujetos con
infancia consentida y en hijos de individuos que presentan el
trastorno.

Aspectos conductuales característicos del TNP:

 Mantienen una conducta distante, arrogante, desdeñosa,


presuntuosa y engreída.
 Suelen dominar las conversaciones.
 Son impacientes y pueden resultar agresivos.
 Muestran indiferencia ante los derechos de los demás.
 Tienen aires de superioridad respecto a los otros.
 Tratan a los demás como si fueran objetos, aprovechándose
de ellos y explotándolos para su propio beneficio.
 Genera reglas y normas que los demás han de cumplir, pero
que ellos se saltan a capricho.
 Les falta humildad y generosidad.

Aspectos cognitivos característicos del TNP

 Seguro de sí mismo.
 Total falta de empatía.
 Temor al fracaso.
 Estilo cognitivo inflexible.
 Presenta grandes fantasías de éxito, fama y de amor ideal a
las que pone pocos límites.
 Importante necesidad de ser admirado.
 Alterna entre la idealización y el menosprecio hacia aquellas
personas con las que mantiene una relación estrecha.
 Tiene envidia de los logros de los demás y creen que éstos le
tienen envidia por sus logros.
 Exagera sus éxitos y rebaja el éxito de los demás.

24
Aspectos emocionales característicos del TNP

 Aire general de indiferencia y tranquilidad fingida.


 Sensación de bienestar continuo.
 Variaciones extremas en el estado de ánimo.
 Cólera y envidia inapropiadas.
 Relaciones superficiales, con unos mínimos vínculos
emocionales.
 Muy sensibles a la evaluación, responden a la crítica con ira.
 Sensaciones de vacío.
 Incapaces de impresionarse.

Grupo C: Ansiosos temerosos

a. Trastorno de la personalidad por evitación

También llamado en el CIE 10 trastorno ansioso de la personalidad,


presenta una pauta de conducta caracterizada por una extrema
sensibilidad al rechazo. Es lo que comúnmente denominaríamos
timidez patológica. Se considera que, en mayor o menor grado,
afecta a un 7% de la población general. Parece ser que los niños
con un temperamento tímido son más propensos a padecer este
cuadro en su vida adulta.

Aspectos conductuales característicos del TPE

 Aislamiento social activo.


 Comportamiento frío, distante y tenso con aquellos que no
conoce.
 Bastante callados, de discurso lento y parsimonioso.
 Conductas habitualmente controladas e hipoactivas, pero con
algunos movimientos rápidos y bruscos en situaciones
estresantes que no controlan.

25
 Temor e intranquilidad observable ante situaciones
desconocidas.
 Están en vigilancia y alerta constantes ante las amenazas
potenciales, siendo agudos observadores de los menores
indicios de rechazo y desaprobación.
 Se distancian de las situaciones sociales que propicien
interrelaciones estrechas.
 Torpes, rígidos y reservados en situaciones sociales nuevas,
con mucha gente o poco estructuradas.

Aspectos cognitivos característicos del TPE

 Se desbordan con detalles ambientales irrelevantes.


 Interferencia cognitiva por pensamientos perturbadores,
confusos y distractores.
 Preocupación por la crítica y miedo al rechazo social.
 Búsqueda de aprobación por parte de los demás.
 Baja autoestima al devaluar sus logros y enfatizar sus
fracasos.
 Muy conscientes de sí mismos.
 Sentimientos de inadecuación social y personal.
 Preocupados por parecer sumisos, torpes e incompetentes a
nivel social.
 Temor a hacer el ridículo, a ser humillados, a las situaciones
embarazosas.
 Gran imaginación y capacidad para la fantasía.

Aspectos emocionales característicos del TPE

 Baja tolerancia al dolor físico y psicológico.


 Temerosos y ansiosos ante situaciones y personas
desconocidas.
 Altibajos emocionales.
 Sentimientos de vacío, despersonalización, soledad y tristeza.

26
 Hipersensibles al rechazo.

b. Trastorno dependiente de la personalidad:

Consiste en una pauta de conducta dependiente y sumisa. Es más


común en las mujeres que en los hombres; se calcula una
prevalencia del 2.5%, encontrándose datos que señalan que las
personas con una enfermedad crónica en su infancia, pueden ser
los más proclives al trastorno.

Aspectos conductuales característicos del TPD

 Conductas no verbales que indican una actitud insegura


(postura rígida, tensión muscular, inquietud, ausencia de
contacto visual, miradas furtivas, tono de voz bajo).
 Extremadamente cooperadores.
 Buscan activamente ayuda y consejo de los demás.
 Realizan actos no deseables con tal de conservar el apoyo de
otras personas.
 Son fieles, modestos, gentiles, acríticos y conformistas con los
demás.
 Expresan frecuentemente opiniones negativas sobre sí
mismos.

Aspectos cognitivos característicos del TPD

 Aprensión a estar solos.


 Temor a la separación, a la desaprobación, a la pérdida de
apoyo.
 Necesidad constante de consejo y reafirmación.
 Empatía con los demás.
 Imagen de sí mismos como ineficaces y débiles.
 Suelen minimizar las dificultades.
 Pensamiento poco crítico.

27
 Ingenuos, con tendencia a ser persuadidos fácilmente.
 Fuerte necesidad de que les cuiden.
 Funden su identidad con la de los otros.

Aspectos emocionales característicos del TPD

 Experimentan miedo y ansiedad cuando han de funcionar de


forma independiente.
 Sentimientos de inseguridad, pesimismo, desánimo.
 Temor a que los abandonen.
 Temor a decepcionar o herir a las personas con las que están
vinculados.
 Inseguros y ansiosos.
 Se sienten desamparados si se encuentran solos

c. Trastorno obsesivo-compulsivo de la personalidad:

También denominado trastorno o personalidad anancástica.


Consiste en una pauta generalizada de perfeccionismo e
inflexibilidad. Es más común en hombres que en mujeres y aparece
con más frecuencia en los familiares de primer grado de las
personas que lo padecen. No hay datos concluyentes sobre la
prevalencia, ya que los diversos estudios existentes han arrojado
cifras entre el 0.5% y 7%.

Aspectos conductuales característicos del TOCP

 Comportamientos estructurados y estrictamente organizados.


 Meticulosidad y perfeccionismo extremos que interfieren en la
realización de tareas y toma de decisiones.
 Planificación continúa de actividades. Buenos organizadores.

28
 Dedicación excesiva al trabajo en detrimento de actividades
de ocio.
 Se fija en exceso en los detalles.
 Tiende a aplazar o dejar para más tarde la realización de
tareas.
 Leal con los ideales que persigue y las organizaciones a las
que pertenece.
 Seguimiento inusualmente estricto de normas y cánones
sociales.
 Estilo avaro en los gastos, pudiendo atesorar dinero y bienes
materiales.

Aspectos cognitivos característicos del TOCP

 Rigidez y terquedad.
 Pensamiento limitado y dogmático.
 Temor a ser considerados irresponsables por parte de los
demás.
 Sensibles a las críticas.
 Dudan entre comportarse de forma asertiva o sumisa.
 Reacios a delegar tareas en otras personas.
 Ambivalencia y dificultad en la toma de decisiones.
 Incomodidad con la incertidumbre o la ambigüedad.
 Vulnerables a los cambios inesperados.
 Escrupulosos en temas de moral y ética.
.

Aspectos emocionales característicos del TOCP

 Ansiedad ante la novedad.


 Control de las emociones, cuya expresión la consideran signo
de inmadurez e irresponsabilidad.
 Problemas para expresar afecto, cariño y ternura.

29
 Desprecio por la gente frívola o impulsiva.
 Tensión y estrés.
 Incapacidad de relajarse.
 Emociones de fácil expresión: ira o indignación. (8)

30
CAPITULO IV
MARCO CONCEPTUAL

4.1. Red Neuronal


Una red neuronal puede verse como una máquina diseñada originalmente para
modelar la forma en que el sistema nervioso de un ser vivo realiza una
determinada tarea. Para lograr este objetivo, una red neuronal está formada por
un conjunto de unidades de procesamiento interconectadas llamadas neuronas.
(9)

4.2. Trastornos de personalidad


Patrones permanentes e inflexibles de experiencias internas y de
comportamientos que se apartan de las expectativas de la cultura en la que se
encuentra la persona, con los respectivos perjuicios y malestares, y con un inicio
relativamente temprano y desarrollo estable a través del tiempo. (10)

4.3. Trastorno Paranoide


La característica esencial del trastorno paranoide de la personalidad es un patrón
de desconfianza y suspicacia general hacia los otros, de forma que las
intenciones de éstos son interpretadas como maliciosas. (11)

4.4. Trastorno Esquizoide


Los sujetos diagnosticados con un Trastorno Esquizoide de la personalidad como
personas distantes y aparentemente introvertidas, se apartan de los demás y sólo

31
se relacionan con ellos para satisfacer las mínimas necesidades de supervivencia.
No parecen obtener ninguna satisfacción de las relaciones sociales, ni siquiera
con familiares o amigos. (11)

4.5. Trastorno Esquizotípico


El trastorno esquizotípico de la personalidad se caracteriza por un patrón de
déficit sociales e interpersonales en el sujeto que lo padece, caracterizados por un
malestar agudo y una capacidad reducida para las relaciones personales, así
como por distorsiones cognitivas y perceptivas y excentricidades del
comportamiento. (12)

4.6. Trastorno Histriónico


El patrón de comportamiento de este trastorno se caracteriza por poseer una
emotividad excesiva y por demandar continuamente la atención de los demás.
Cuando los sujetos que lo padecen no lo consiguen, se sienten incómodos y
despreciados. (12)

4.7. Trastorno Antisocial


Es un patrón general que deriva en que las personas que la padecen pierden la
noción de la importancia de las normas sociales, como son las leyes y la violación
de los derechos de los demás. (13)

4.8. Trastorno Narcisista


Las personas que padecen este trastorno tienen un sentido exagerado de
egocentrismo, de grandiosidad (en la imaginación o en el comportamiento), una
necesidad de admiración y una falta de empatía.
Cuando se confronta a estas personas o se pone en tela de juicio su conducta se
vuelve racionalizadores y suelen enfurecerse, pues la obsesión del narcisista
reside en el miedo a que la idealización, que tienen de sí mismos y las ideas de
perfección, se pongan en entredicho. (13)

4.9. Trastorno Limite

32
Es un patrón persistente de inestabilidad en las relaciones interpersonales, el
afecto y la autoimagen y un escaso control de los impulsos. El trastorno límite de
la personalidad causa un malestar significativo y genera desadaptación social,
ocupacional y funcional general. Este trastorno está asociado a elevadas tasas de
comportamientos autodestructivos, como son las tentativas de suicidio y los
suicidios consumados. (13)

4.10. Trastorno Obsesivo-compulsivo


Se caracteriza por la irrupción involuntaria en la mente del sujeto que lo padece
de ideas, temores, impulsos o imágenes de contenido desagradable, carente de
sentido, exagerado o absurdo e mayor o menor grado. Dichas obsesiones se
acompañar de conductas, compulsiones, que pueden o no ser observables,
dirigidas a disminuir el malestar o conjurar el peligro temido. (14)

4.11. Trastorno Dependiente


Es un patrón permanente e inflexible de experiencia interna y de comportamiento
que se parta acusadamente de las expectativas de la cultura del sujeto. La
persona que manifiesta un trastorno de personalidad dependiente, muestra un
comportamiento pegajoso y sumiso combinado con una extrema necesidad de ser
cuidado. (13)

4.12. Trastorno Evitativo


Es un patrón general de inhibición social, unos sentimientos de inadecuación y
una hipersensibilidad a la evaluación negativa. Los sujetos con este trastorno
anhelan las relaciones interpersonales y disfrutan cuando están en compañía de
personas cercanas, pero su temor al rechazo, o a ser criticados por los demás los
lleva a adoptar una actitud de retraimiento. (15)

33
CAPITULO V
METODOLOGÍA Y DATOS

Para el presente trabajo se considera seis clases de enfermedades de trastornos de


personalidad, las cuales son: Paranoide, esquizoide, esquizotipico, histriónico, anti social,
narcisista, limite, obsesivo compulsivo, dependiente, evitativo. De acuerdo a esto se dan
algunas características principales que las caracterizan y que permitirán identificar a cada
una de estas enfermedades, estas características son los síntomas que tienen estas
enfermedades, muchos de los cuales son comunes entre algunas enfermedades. Se
consideró 25 síntomas, las cuales estarán definidas en forma de preguntas.

Esta información se procederá a presentar la metodología desarrollada para la elaboración


del sistema que identificará y pronosticará el tipo de enfermedades, mediante sus síntomas y
la utilización de una red neuronal de tipo perceptrón.

5.1. Proceso en Neuroshell:


La utilización de NeuroShell, se da a partir de que es un software diseñado para
redes neuronales, que es en donde está enfocado nuestro trabajo. De igual forma la
utilización de NeuroShell es debido a que este software maneja el modelo de
perceptrón.

34
35
36
37
5.2. rama de red Neuronal:
5.3. VARIABLES
Las variables de entrada y de salida están definidas por ceros y unos, para poder
identificar la correspondencia de un síntoma con una enfermedad. En este caso 1
significa “SI” y 0 significa “NO”.

- VARIABLES DE ENTRADA: Las variables de entrada son los 25


síntomas.

38
POSIBLES
SINTOMAS VALORES

Alguna vez has rodado algo de valor 1 0


Con frecuencia te tranquilizar a ti mismo diciendote que eres autosuficiente
Te afecta la alabanza o la critica
Tengo mucho miedo de estar solo(a)
Alguna vez intentaste suicidarte
no muestro mis emociones
mucha gente me envidia
me siento incomodo en situacion sociales
me resulta ridifil deshacerme de las cosas materiales
me meto en peleas con mucha facilidad
tengo siempre una historia que contar
me divierto y disfruto de la vida
Alfuna vez te han arrestado
Soy una persona desconfiada o obsesionada hasta conseguir lo que quiero
dejo a otros las decisiones importantes
me gusta ser el centro de atencion
me gusta vestirme para destacar
necesito estar solo con frecuencia
tengo que estar siempre en una relacion sentimental
Trato de ser perfeccionista
tiendo a mentir mucho
utilizo a la gente para lograr lo que quiero
mi estado de animo esta cambiando siempre
le gente dice que soy una persona fria distante
Exagero las cosas al momento de contar a alguien

- VARIABLES DE SALIDA: Las variables de salida son las seis


enfermedades.

GRADO DE ENFERMEDAD
NADA MODERADO ALTO MUY ALTO
PARANOIDE 0 1 2- 3 4 -5
ESQUIZOIDE 0 1 2- 3 4 -5
ESQUIZOTIPICO 0 1 2- 3 4 -5
HISTRIONICO 0 1 2- 3 4 -5
ANTI-SOCIAL 0 1 2- 3 4 -5
NARCISTA 0 1 2- 3 4 -5
LIMITE 0 1 2- 3 4 -5
OBSESIVO 0 1 2- 3 4 -5
DEPENDIENTE 0 1 2- 3 4 -5
EVITATIVO 0 1 2- 3 4 -5

39
Alguna vez has rodado algo de valor

0
0
1
1
1
0
1
1
0
0
Con frecuencia te tranquilizar a ti mismo diciendote que eres

0
1
1
0
1
1
0
0
1
1
autosuficiente
Te afecta la alabanza o la critica

1
0
0
1
1
0
1
0
0
1
Tengo mucho miedo de estar solo(a)

0
0
0
0
1
0
1
1
0
1
Alguna vez intentaste suicidarte

0
0
0
0
1
0
0
1
0
0
no muestro mis emociones

1
1
1
1
1
1
0
0
1
0
mucha gente me envidia

0
0
0
1
1
0
0
1
0
1
me siento incomodo en situacion sociales

0
0
0
0
1
0
0
0
0
1
me resulta ridifil deshacerme de las cosas materiales

0
0
0
0
1
0
1
0
0
1
me meto en peleas con mucha facilidad

0
0
0
0
1
0
0
1
0
0
tengo siempre una historia que contar

0
0
1
1
1
0
0
1
0
1
me divierto y disfruto de la vida

1
1
1
1
1
1
0
1
1
1
Alfuna vez te han arrestado

0
0
0
1
1
0
1
1
0
0
Soy una persona desconfiada o obsesionada hasta conseguir lo que

0
0
0
0
1
0
0
1
0
0
quiero
dejo a otros las decisiones importantes

0
0
0
0
1
0
1
0
0
0
me gusta ser el centro de atencion

1
1
1
0
1
0
1
1
0
1
me gusta vestirme para destacar

0
0
1
1
1
0
1
1
1
1
necesito estar solo con frecuencia

1
0
0
0
1
0
1
0
0
0

tengo que estar siempre en una relacion sentimental

0
0
0
1
1
0
1
0
0
1

Trato de ser perfeccionista

0
0
0
0
1
1
1
0
0
1

tiendo a mentir mucho

0
0
0
1
1
1
0
1
0
1

utilizo a la gente para lograr lo que quiero

0
0
0
0
1
0
1
1
0
0

mi estado de animo esta cambiando siempre


1
1
1
1
1
1
1
1
1
1

le gente dice que soy una persona fria distante


1
0
0
0
1
0
0
1
0
0

Exagero las cosas al momento de contar a alguien


1
0
0
0
1
1
1
1
0
1

DESCONFIADO (paranoide)
2
1
0
1
5
3
5
1
0
3

SOLITARIO (esquizoide)
2
0
1
1
5
3
1
2
1
3

EXCÉNTRICO (esquizotipico)
1
2
0
5
5
1
1
2
0
1

TEATRAL (histrionico)
5
1
1
2
5
1
4
5
2
3

TRAVIESO (anti-social)
2
1
1
5
5
1
3
4
0
3

PRESUMIDO (narcisita)
1
1
1
3
5
3
2
1
1
3

TRÁGICO (limite)
1
1
0
1
5
1
5
5
0
1

MANIATICO (obsesivo-compulsivo)
2
1
0
5
5
1
5
4
0
1

40

SUMISO (dependiente)
5
0
1
1
3
3
1
1
1
3

TÍMIDO (evitativo)
5
2
1
0
1
3
1
0
1
3
5.4. Diagrama de red Neuronal:

Feature2(1)

Outarray 1

inarray 1
Feature2(2)

inarray 2
Feature2(3)

inarray 3 Outarray 2
Feature2(4)
inarray 4

Feature2(5)
inarray 5

Outarray 3
Feature2(6)
inarray 6

inarray 7 Feature2(7)

inarray 8
Feature2(8)

inarray 9 Outarray 4
Feature2(9)
inarray 10

inarray 11 Feature2(10)

inarray 12
Outarray 5
Feature2(11)
inarray 13

Feature2(12)
inarray 14

inarray 15 Feature2(13)

Outarray 6
inarray 16
Feature2(14)

inarray 17
Feature2(15)

inarray 18
Outarray 7
Feature2(16)
inarray 19

inarray 20 Feature2(17)
Outarray 8

inarray 21
Feature2(18)

inarray 22
Feature2(19)
Outarray 9
inarray 23

inarray 24 Feature2(20)

Outarray 10
inarray 25

VALORES INTERMEDIOS VALORES SALIDA


VALORES ENTRADA

41
5.5. Desarrollo de la aplicación:
El programa se desarrolló con el lenguaje de programación C#, en Visual Studio 2008

5.6. Pruebas de recuerdo y pruebas de aprendizaje:

42
43
44
45
CODIGO FUENTE

using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Drawing;
using System.Linq;
using System.Text;
using System.Windows.Forms;

namespace PERSONALIDAD
{
public partial class Form1 : Form
{
public Form1()
{
InitializeComponent();
}

private void button1_Click(object sender, EventArgs e)


{
this.tabControl1.SelectedIndex = 1;
}

private void button2_Click(object sender, EventArgs e)


{
this.tabControl1.SelectedIndex = 2;
double netsum;
int[] inarray = new int[26];
double[] outarray = new double[11];
double[] feature2 = new double[21];
if (checkBox1.Checked) { inarray[1] = 1; }
if (checkBox2.Checked) { inarray[1] = 0; }
if (checkBox3.Checked) { inarray[2] = 1; }
if (checkBox4.Checked) { inarray[2] = 0; }
if (checkBox5.Checked) { inarray[3] = 1; }
if (checkBox6.Checked) { inarray[3] = 0; }
if (checkBox7.Checked) { inarray[4] = 1; }
if (checkBox8.Checked) { inarray[4] = 0; }
if (checkBox9.Checked) { inarray[5] = 1; }
if (checkBox10.Checked) { inarray[5] = 0; }
if (checkBox11.Checked) { inarray[6] = 1; }
if (checkBox12.Checked) { inarray[6] = 0; }
if (checkBox13.Checked) { inarray[7] = 1; }
if (checkBox14.Checked) { inarray[7] = 0; }
if (checkBox15.Checked) { inarray[8] = 1; }
if (checkBox16.Checked) { inarray[8] = 0; }
if (checkBox17.Checked) { inarray[9] = 1; }
if (checkBox18.Checked) { inarray[9] = 0; }
if (checkBox19.Checked) { inarray[10] = 1; }
if (checkBox20.Checked) { inarray[10] = 0; }
if (checkBox21.Checked) { inarray[11] = 1; }

46
if (checkBox22.Checked) { inarray[11] = 0; }
if (checkBox23.Checked) { inarray[12] = 1; }
if (checkBox24.Checked) { inarray[12] = 0; }
if (checkBox25.Checked) { inarray[13] = 1; }
if (checkBox26.Checked) { inarray[13] = 0; }
if (checkBox27.Checked) { inarray[14] = 1; }
if (checkBox28.Checked) { inarray[14] = 0; }
if (checkBox29.Checked) { inarray[15] = 1; }
if (checkBox30.Checked) { inarray[15] = 0; }
if (checkBox31.Checked) { inarray[16] = 1; }
if (checkBox32.Checked) { inarray[16] = 0; }
if (checkBox33.Checked) { inarray[17] = 1; }
if (checkBox34.Checked) { inarray[17] = 0; }
if (checkBox35.Checked) { inarray[18] = 1; }
if (checkBox36.Checked) { inarray[18] = 0; }
if (checkBox37.Checked) { inarray[19] = 1; }
if (checkBox38.Checked) { inarray[19] = 0; }
if (checkBox39.Checked) { inarray[20] = 1; }
if (checkBox40.Checked) { inarray[20] = 0; }
if (checkBox41.Checked) { inarray[21] = 1; }
if (checkBox42.Checked) { inarray[21] = 0; }
if (checkBox43.Checked) { inarray[22] = 1; }
if (checkBox44.Checked) { inarray[22] = 0; }
if (checkBox45.Checked) { inarray[23] = 1; }
if (checkBox46.Checked) { inarray[23] = 0; }
if (checkBox47.Checked) { inarray[24] = 1; }
if (checkBox48.Checked) { inarray[24] = 0; }
if (checkBox49.Checked) { inarray[25] = 1; }
if (checkBox50.Checked) { inarray[25] = 0; }

if ((inarray[1] < 0))


inarray[1] = 0;
if ((inarray[1] > 1))
inarray[1] = 1;
inarray[1] = inarray[1];

if ((inarray[2] < 0))


inarray[2] = 0;
if ((inarray[2] > 1))
inarray[2] = 1;
inarray[2] = inarray[2];

if ((inarray[3] < 0))


inarray[3] = 0;
if ((inarray[3] > 1))
inarray[3] = 1;
inarray[3] = inarray[3];

if ((inarray[4] < 0))


inarray[4] = 0;
if ((inarray[4] > 1))
inarray[4] = 1;
inarray[4] = inarray[4];

47
if ((inarray[5] < 0))
inarray[5] = 0;
if ((inarray[5] > 1))
inarray[5] = 1;
inarray[5] = inarray[5];

if ((inarray[6] < 0))


inarray[6] = 0;
if ((inarray[6] > 1))
inarray[6] = 1;
inarray[6] = inarray[6];

if ((inarray[7] < 0))


inarray[7] = 0;
if ((inarray[7] > 1))
inarray[7] = 1;
inarray[7] = inarray[7];

if ((inarray[8] < 0))


inarray[8] = 0;
if ((inarray[8] > 1))
inarray[8] = 1;
inarray[8] = inarray[8];

if ((inarray[9] < 0))


inarray[9] = 0;
if ((inarray[9] > 1))
inarray[9] = 1;
inarray[9] = inarray[9];

if ((inarray[10] < 0))


inarray[10] = 0;
if ((inarray[10] > 1))
inarray[10] = 1;
inarray[10] = inarray[10];

if ((inarray[11] < 0))


inarray[11] = 0;
if ((inarray[11] > 1))
inarray[11] = 1;
inarray[11] = inarray[11];

if ((inarray[12] < 0))


inarray[12] = 0;
if ((inarray[12] > 1))
inarray[12] = 1;
inarray[12] = inarray[12];

if ((inarray[13] < 0))


inarray[13] = 0;
if ((inarray[13] > 1))
inarray[13] = 1;
inarray[13] = inarray[13];

48
if ((inarray[14] < 0))
inarray[14] = 0;
if ((inarray[14] > 1))
inarray[14] = 1;
inarray[14] = inarray[14];

if ((inarray[15] < 0))


inarray[15] = 0;
if ((inarray[15] > 1))
inarray[15] = 1;
inarray[15] = inarray[15];

if ((inarray[16] < 0))


inarray[16] = 0;
if ((inarray[16] > 1))
inarray[16] = 1;
inarray[16] = inarray[16];

if ((inarray[17] < 0))


inarray[17] = 0;
if ((inarray[17] > 1))
inarray[17] = 1;
inarray[17] = inarray[17];

if ((inarray[18] < 0))


inarray[18] = 0;
if ((inarray[18] > 1))
inarray[18] = 1;
inarray[18] = inarray[18];

if ((inarray[19] < 0))


inarray[19] = 0;
if ((inarray[19] > 1))
inarray[19] = 1;
inarray[19] = inarray[19];

if ((inarray[20] < 0))


inarray[20] = 0;
if ((inarray[20] > 1))
inarray[20] = 1;
inarray[20] = inarray[20];

if ((inarray[21] < 0))


inarray[21] = 0;
if ((inarray[21] > 1))
inarray[21] = 1;
inarray[21] = inarray[21];

if ((inarray[22] < 0))


inarray[22] = 0;
if ((inarray[22] > 1))
inarray[22] = 1;
inarray[22] = inarray[22];

49
if ((inarray[23] < 1))
inarray[23] = 1;
if ((inarray[23] > 2))
inarray[23] = 2;
inarray[23] = (inarray[23] - 1);

if ((inarray[24] < 0))


inarray[24] = 0;
if ((inarray[24] > 1))
inarray[24] = 1;
inarray[24] = inarray[24];

if ((inarray[25] < 0))


inarray[25] = 0;
if ((inarray[25] > 1))
inarray[25] = 1;
inarray[25] = inarray[25];

netsum = -0.4323441;
netsum = netsum + inarray[1] * -0.3112246;
netsum = netsum + inarray[2] * 0.09788478;
netsum = netsum + inarray[3] * -0.4444845;
netsum = netsum + inarray[4] * -0.5449107;
netsum = netsum + inarray[5] * -0.4458378;
netsum = netsum + inarray[6] * 0.1917396;
netsum = netsum + inarray[7] * -0.4315291;
netsum = netsum + inarray[8] * -0.1614319;
netsum = netsum + inarray[9] * -0.51837;
netsum = netsum + inarray[10] * -0.2723218;
netsum = netsum + inarray[11] * -0.1556537;
netsum = netsum + inarray[12] * -0.5514722;
netsum = netsum + inarray[13] * -0.1771767;
netsum = netsum + inarray[14] * -0.2072807;
netsum = netsum + inarray[15] * -0.1239932;
netsum = netsum + inarray[16] * -0.4914426;
netsum = netsum + inarray[17] * -0.7728342;
netsum = netsum + inarray[18] * -0.388424;
netsum = netsum + inarray[19] * -0.3259933;
netsum = netsum + inarray[20] * -0.3445608;
netsum = netsum + inarray[21] * -0.1468644;
netsum = netsum + inarray[22] * -0.3631812;
netsum = netsum + inarray[23] * 0.1367382;
netsum = netsum + inarray[24] * -0.3900073;
netsum = netsum + inarray[25] * -0.8811942;
feature2[1] = 1 / (1 + Math.Exp(-netsum));

netsum = -0.01496737;
netsum = netsum + inarray[1] * 0.1171158;
netsum = netsum + inarray[2] * -0.5114829;
netsum = netsum + inarray[3] * -0.5818717;
netsum = netsum + inarray[4] * 0.08084157;
netsum = netsum + inarray[5] * 0.7568964;
netsum = netsum + inarray[6] * 0.1784399;
netsum = netsum + inarray[7] * -0.4704392;

50
netsum = netsum + inarray[8] * -1.066134;
netsum = netsum + inarray[9] * -0.5507613;
netsum = netsum + inarray[10] * 0.3266037;
netsum = netsum + inarray[11] * -0.6663675;
netsum = netsum + inarray[12] * -0.01759809;
netsum = netsum + inarray[13] * 1.101097;
netsum = netsum + inarray[14] * 0.4561;
netsum = netsum + inarray[15] * 0.8187968;
netsum = netsum + inarray[16] * 0.1689912;
netsum = netsum + inarray[17] * 0.530753;
netsum = netsum + inarray[18] * 0.6195903;
netsum = netsum + inarray[19] * -0.4560744;
netsum = netsum + inarray[20] * -0.04654638;
netsum = netsum + inarray[21] * -0.1931174;
netsum = netsum + inarray[22] * 1.203969;
netsum = netsum + inarray[23] * 0.1666402;
netsum = netsum + inarray[24] * 0.50001;
netsum = netsum + inarray[25] * 0.0009501953;
feature2[2] = 1 / (1 + Math.Exp(-netsum));

netsum = -0.3865162;
netsum = netsum + inarray[1] * -0.6208426;
netsum = netsum + inarray[2] * 0.3680878;
netsum = netsum + inarray[3] * 0.004805438;
netsum = netsum + inarray[4] * -0.2512885;
netsum = netsum + inarray[5] * -0.5058298;
netsum = netsum + inarray[6] * -0.09261599;
netsum = netsum + inarray[7] * -0.02767568;
netsum = netsum + inarray[8] * 0.2607374;
netsum = netsum + inarray[9] * -0.4005478;
netsum = netsum + inarray[10] * -0.2440543;
netsum = netsum + inarray[11] * 0.0009079502;
netsum = netsum + inarray[12] * -0.1631489;
netsum = netsum + inarray[13] * -0.310594;
netsum = netsum + inarray[14] * -0.3453878;
netsum = netsum + inarray[15] * -0.4130685;
netsum = netsum + inarray[16] * -0.3285247;
netsum = netsum + inarray[17] * -0.08162528;
netsum = netsum + inarray[18] * -0.2518393;
netsum = netsum + inarray[19] * -0.07268713;
netsum = netsum + inarray[20] * -0.3692358;
netsum = netsum + inarray[21] * -0.2153279;
netsum = netsum + inarray[22] * -0.4011974;
netsum = netsum + inarray[23] * -0.2813593;
netsum = netsum + inarray[24] * -0.0494072;
netsum = netsum + inarray[25] * -0.5787271;
feature2[3] = 1 / (1 + Math.Exp(-netsum));

netsum = -0.03945631;
netsum = netsum + inarray[1] * -0.5480456;
netsum = netsum + inarray[2] * 0.3382343;
netsum = netsum + inarray[3] * -0.3946243;
netsum = netsum + inarray[4] * -0.1854677;
netsum = netsum + inarray[5] * 0.1205766;

51
netsum = netsum + inarray[6] * 0.09659241;
netsum = netsum + inarray[7] * -0.2049133;
netsum = netsum + inarray[8] * 0.103512;
netsum = netsum + inarray[9] * -0.3917494;
netsum = netsum + inarray[10] * -0.1029471;
netsum = netsum + inarray[11] * -0.221027;
netsum = netsum + inarray[12] * 0.2033617;
netsum = netsum + inarray[13] * -0.5523759;
netsum = netsum + inarray[14] * -0.2432468;
netsum = netsum + inarray[15] * 0.06957222;
netsum = netsum + inarray[16] * -0.3137369;
netsum = netsum + inarray[17] * -0.1283082;
netsum = netsum + inarray[18] * -0.2641661;
netsum = netsum + inarray[19] * -0.2930159;
netsum = netsum + inarray[20] * -0.3794993;
netsum = netsum + inarray[21] * 0.1102209;
netsum = netsum + inarray[22] * -0.4928463;
netsum = netsum + inarray[23] * 0.2212073;
netsum = netsum + inarray[24] * -0.358643;
netsum = netsum + inarray[25] * -0.4022346;
feature2[4] = 1 / (1 + Math.Exp(-netsum));

netsum = -0.07673416;
netsum = netsum + inarray[1] * -0.6520573;
netsum = netsum + inarray[2] * 0.1256971;
netsum = netsum + inarray[3] * -0.4373432;
netsum = netsum + inarray[4] * -0.313961;
netsum = netsum + inarray[5] * -0.09905186;
netsum = netsum + inarray[6] * 0.1413981;
netsum = netsum + inarray[7] * -0.171096;
netsum = netsum + inarray[8] * 0.1645994;
netsum = netsum + inarray[9] * 0.04112599;
netsum = netsum + inarray[10] * -0.1375785;
netsum = netsum + inarray[11] * -0.3083744;
netsum = netsum + inarray[12] * -0.2669825;
netsum = netsum + inarray[13] * -0.3267705;
netsum = netsum + inarray[14] * -0.2354513;
netsum = netsum + inarray[15] * -0.1203331;
netsum = netsum + inarray[16] * -0.6538702;
netsum = netsum + inarray[17] * -0.6086515;
netsum = netsum + inarray[18] * -0.2921095;
netsum = netsum + inarray[19] * -0.255807;
netsum = netsum + inarray[20] * -0.1278123;
netsum = netsum + inarray[21] * -0.02863561;
netsum = netsum + inarray[22] * -0.5940394;
netsum = netsum + inarray[23] * 0.08671224;
netsum = netsum + inarray[24] * 0.02680032;
netsum = netsum + inarray[25] * -0.5652993;
feature2[5] = 1 / (1 + Math.Exp(-netsum));

netsum = -0.1721858;
netsum = netsum + inarray[1] * -0.4455014;
netsum = netsum + inarray[2] * -0.4622024;
netsum = netsum + inarray[3] * -0.02782393;

52
netsum = netsum + inarray[4] * -0.455426;
netsum = netsum + inarray[5] * -0.2113021;
netsum = netsum + inarray[6] * 0.139815;
netsum = netsum + inarray[7] * -0.4639071;
netsum = netsum + inarray[8] * -0.4151984;
netsum = netsum + inarray[9] * -0.0675225;
netsum = netsum + inarray[10] * -0.2970163;
netsum = netsum + inarray[11] * -0.165601;
netsum = netsum + inarray[12] * -0.527373;
netsum = netsum + inarray[13] * 0.1475986;
netsum = netsum + inarray[14] * -0.09240808;
netsum = netsum + inarray[15] * -0.151915;
netsum = netsum + inarray[16] * -0.2475034;
netsum = netsum + inarray[17] * -0.4880191;
netsum = netsum + inarray[18] * 0.05141149;
netsum = netsum + inarray[19] * -0.5127201;
netsum = netsum + inarray[20] * -0.3230173;
netsum = netsum + inarray[21] * -0.3884287;
netsum = netsum + inarray[22] * -0.2085158;
netsum = netsum + inarray[23] * 0.1239387;
netsum = netsum + inarray[24] * -0.1280964;
netsum = netsum + inarray[25] * -0.3000379;
feature2[6] = 1 / (1 + Math.Exp(-netsum));

netsum = 0.3967991;
netsum = netsum + inarray[1] * -0.5880841;
netsum = netsum + inarray[2] * 0.1730377;
netsum = netsum + inarray[3] * -0.4847097;
netsum = netsum + inarray[4] * -0.816149;
netsum = netsum + inarray[5] * -0.3009055;
netsum = netsum + inarray[6] * 0.4257827;
netsum = netsum + inarray[7] * -0.0639016;
netsum = netsum + inarray[8] * 0.1084508;
netsum = netsum + inarray[9] * -0.5238954;
netsum = netsum + inarray[10] * -0.2543586;
netsum = netsum + inarray[11] * -0.4072533;
netsum = netsum + inarray[12] * 0.001784093;
netsum = netsum + inarray[13] * -0.6212307;
netsum = netsum + inarray[14] * -0.4652477;
netsum = netsum + inarray[15] * -0.4905177;
netsum = netsum + inarray[16] * -0.8467103;
netsum = netsum + inarray[17] * -0.5809028;
netsum = netsum + inarray[18] * -0.07196229;
netsum = netsum + inarray[19] * -0.1654189;
netsum = netsum + inarray[20] * -0.5934408;
netsum = netsum + inarray[21] * -0.4981862;
netsum = netsum + inarray[22] * -0.8076742;
netsum = netsum + inarray[23] * -0.2487289;
netsum = netsum + inarray[24] * -0.5087731;
netsum = netsum + inarray[25] * -0.3758586;
feature2[7] = 1 / (1 + Math.Exp(-netsum));

netsum = -0.01243974;
netsum = netsum + inarray[1] * -0.4469937;

53
netsum = netsum + inarray[2] * -0.3917688;
netsum = netsum + inarray[3] * -0.5015793;
netsum = netsum + inarray[4] * -0.6546419;
netsum = netsum + inarray[5] * -0.3821621;
netsum = netsum + inarray[6] * -0.154477;
netsum = netsum + inarray[7] * -0.3390193;
netsum = netsum + inarray[8] * -0.3193162;
netsum = netsum + inarray[9] * -0.5959548;
netsum = netsum + inarray[10] * 0.1534376;
netsum = netsum + inarray[11] * -0.3965162;
netsum = netsum + inarray[12] * -0.2382487;
netsum = netsum + inarray[13] * -0.3548726;
netsum = netsum + inarray[14] * -0.2305646;
netsum = netsum + inarray[15] * -0.268975;
netsum = netsum + inarray[16] * -0.4158648;
netsum = netsum + inarray[17] * -0.5458322;
netsum = netsum + inarray[18] * -0.08787812;
netsum = netsum + inarray[19] * -0.5844921;
netsum = netsum + inarray[20] * -0.510039;
netsum = netsum + inarray[21] * -0.5150987;
netsum = netsum + inarray[22] * -0.4456407;
netsum = netsum + inarray[23] * 0.03119297;
netsum = netsum + inarray[24] * 0.04487116;
netsum = netsum + inarray[25] * -0.2262534;
feature2[8] = 1 / (1 + Math.Exp(-netsum));

netsum = 0.05669245;
netsum = netsum + inarray[1] * 0.03386596;
netsum = netsum + inarray[2] * 0.362081;
netsum = netsum + inarray[3] * 0.2673017;
netsum = netsum + inarray[4] * -0.07210041;
netsum = netsum + inarray[5] * 0.03821871;
netsum = netsum + inarray[6] * -0.4237865;
netsum = netsum + inarray[7] * 0.2441002;
netsum = netsum + inarray[8] * 0.1082924;
netsum = netsum + inarray[9] * 0.246482;
netsum = netsum + inarray[10] * -0.1242924;
netsum = netsum + inarray[11] * 0.1774295;
netsum = netsum + inarray[12] * -0.04624416;
netsum = netsum + inarray[13] * -0.4860328;
netsum = netsum + inarray[14] * -0.09894975;
netsum = netsum + inarray[15] * -0.2915265;
netsum = netsum + inarray[16] * 0.1907556;
netsum = netsum + inarray[17] * -0.4458152;
netsum = netsum + inarray[18] * -0.1118577;
netsum = netsum + inarray[19] * 0.08510613;
netsum = netsum + inarray[20] * 0.4494789;
netsum = netsum + inarray[21] * 0.1159407;
netsum = netsum + inarray[22] * -0.6201797;
netsum = netsum + inarray[23] * 0.2687429;
netsum = netsum + inarray[24] * -0.4386756;
netsum = netsum + inarray[25] * -0.2097998;
feature2[9] = 1 / (1 + Math.Exp(-netsum));

54
netsum = 0.1853696;
netsum = netsum + inarray[1] * -0.2709981;
netsum = netsum + inarray[2] * -0.07991111;
netsum = netsum + inarray[3] * -0.4387186;
netsum = netsum + inarray[4] * -0.1535688;
netsum = netsum + inarray[5] * 0.3280436;
netsum = netsum + inarray[6] * 0.3081738;
netsum = netsum + inarray[7] * -0.03466216;
netsum = netsum + inarray[8] * -0.1472848;
netsum = netsum + inarray[9] * -0.8448778;
netsum = netsum + inarray[10] * 0.4730127;
netsum = netsum + inarray[11] * -0.01254236;
netsum = netsum + inarray[12] * 0.2232387;
netsum = netsum + inarray[13] * -0.2377824;
netsum = netsum + inarray[14] * 0.1064609;
netsum = netsum + inarray[15] * -0.3860932;
netsum = netsum + inarray[16] * -0.3403971;
netsum = netsum + inarray[17] * 0.260434;
netsum = netsum + inarray[18] * -0.1936069;
netsum = netsum + inarray[19] * -0.3805625;
netsum = netsum + inarray[20] * -0.7137704;
netsum = netsum + inarray[21] * 0.1978522;
netsum = netsum + inarray[22] * 0.05382205;
netsum = netsum + inarray[23] * -0.2647328;
netsum = netsum + inarray[24] * 0.5027684;
netsum = netsum + inarray[25] * -0.1675035;
feature2[10] = 1 / (1 + Math.Exp(-netsum));

netsum = -0.4212855;
netsum = netsum + inarray[1] * -0.2329767;
netsum = netsum + inarray[2] * -0.4828983;
netsum = netsum + inarray[3] * 0.26441;
netsum = netsum + inarray[4] * -0.02245395;
netsum = netsum + inarray[5] * -0.3026208;
netsum = netsum + inarray[6] * 0.0386242;
netsum = netsum + inarray[7] * -0.7654746;
netsum = netsum + inarray[8] * -0.6000677;
netsum = netsum + inarray[9] * -0.1698928;
netsum = netsum + inarray[10] * -0.2805925;
netsum = netsum + inarray[11] * -0.6121007;
netsum = netsum + inarray[12] * -0.7485762;
netsum = netsum + inarray[13] * 0.2209228;
netsum = netsum + inarray[14] * 0.1014504;
netsum = netsum + inarray[15] * 0.8023394;
netsum = netsum + inarray[16] * 0.115685;
netsum = netsum + inarray[17] * 0.02368697;
netsum = netsum + inarray[18] * 0.7292598;
netsum = netsum + inarray[19] * 0.2989814;
netsum = netsum + inarray[20] * -0.1502267;
netsum = netsum + inarray[21] * -0.6438522;
netsum = netsum + inarray[22] * 0.6688491;
netsum = netsum + inarray[23] * -0.1350169;
netsum = netsum + inarray[24] * 0.07096244;
netsum = netsum + inarray[25] * 0.05461753;

55
feature2[11] = 1 / (1 + Math.Exp(-netsum));

netsum = 0.08265436;
netsum = netsum + inarray[1] * -0.5096763;
netsum = netsum + inarray[2] * -0.06819912;
netsum = netsum + inarray[3] * -0.2426245;
netsum = netsum + inarray[4] * -0.3135094;
netsum = netsum + inarray[5] * -0.0026303;
netsum = netsum + inarray[6] * -0.3917155;
netsum = netsum + inarray[7] * -0.2338123;
netsum = netsum + inarray[8] * 0.1030233;
netsum = netsum + inarray[9] * -0.4058131;
netsum = netsum + inarray[10] * -0.3274142;
netsum = netsum + inarray[11] * -0.410789;
netsum = netsum + inarray[12] * -0.7551433;
netsum = netsum + inarray[13] * -0.2244583;
netsum = netsum + inarray[14] * 0.04646176;
netsum = netsum + inarray[15] * -0.1862038;
netsum = netsum + inarray[16] * -0.6093618;
netsum = netsum + inarray[17] * -0.6621482;
netsum = netsum + inarray[18] * 0.02345839;
netsum = netsum + inarray[19] * -0.2047388;
netsum = netsum + inarray[20] * -0.6034629;
netsum = netsum + inarray[21] * -0.5459434;
netsum = netsum + inarray[22] * -0.7069747;
netsum = netsum + inarray[23] * -0.2128941;
netsum = netsum + inarray[24] * -0.006750293;
netsum = netsum + inarray[25] * -0.5134484;
feature2[12] = 1 / (1 + Math.Exp(-netsum));

netsum = -0.6379089;
netsum = netsum + inarray[1] * -0.1225268;
netsum = netsum + inarray[2] * -0.3192648;
netsum = netsum + inarray[3] * -0.2585894;
netsum = netsum + inarray[4] * 0.05792929;
netsum = netsum + inarray[5] * 0.3495613;
netsum = netsum + inarray[6] * -0.1206679;
netsum = netsum + inarray[7] * -0.1262477;
netsum = netsum + inarray[8] * -0.6148174;
netsum = netsum + inarray[9] * -0.09822081;
netsum = netsum + inarray[10] * -0.03643697;
netsum = netsum + inarray[11] * -0.2712169;
netsum = netsum + inarray[12] * -0.3163422;
netsum = netsum + inarray[13] * 0.604199;
netsum = netsum + inarray[14] * 0.3805621;
netsum = netsum + inarray[15] * 0.3345937;
netsum = netsum + inarray[16] * -0.1649353;
netsum = netsum + inarray[17] * -0.09089197;
netsum = netsum + inarray[18] * 0.02379916;
netsum = netsum + inarray[19] * -0.1032747;
netsum = netsum + inarray[20] * 0.009430143;
netsum = netsum + inarray[21] * -0.2785779;
netsum = netsum + inarray[22] * 0.5801015;
netsum = netsum + inarray[23] * 0.2890683;

56
netsum = netsum + inarray[24] * -0.01706381;
netsum = netsum + inarray[25] * 0.1524878;
feature2[13] = 1 / (1 + Math.Exp(-netsum));

netsum = -0.03500586;
netsum = netsum + inarray[1] * -0.09747814;
netsum = netsum + inarray[2] * -0.2702893;
netsum = netsum + inarray[3] * -0.650907;
netsum = netsum + inarray[4] * -0.101415;
netsum = netsum + inarray[5] * 0.5146002;
netsum = netsum + inarray[6] * -0.1294191;
netsum = netsum + inarray[7] * 0.06106799;
netsum = netsum + inarray[8] * -0.4411082;
netsum = netsum + inarray[9] * -0.362434;
netsum = netsum + inarray[10] * 0.7624777;
netsum = netsum + inarray[11] * 0.2033087;
netsum = netsum + inarray[12] * -0.03750607;
netsum = netsum + inarray[13] * 0.4807347;
netsum = netsum + inarray[14] * 0.6003876;
netsum = netsum + inarray[15] * -0.3625044;
netsum = netsum + inarray[16] * 0.1624663;
netsum = netsum + inarray[17] * -0.02357997;
netsum = netsum + inarray[18] * -0.05311996;
netsum = netsum + inarray[19] * -0.404989;
netsum = netsum + inarray[20] * -0.7260556;
netsum = netsum + inarray[21] * -0.02444492;
netsum = netsum + inarray[22] * 0.4313863;
netsum = netsum + inarray[23] * 0.07199012;
netsum = netsum + inarray[24] * 0.4393417;
netsum = netsum + inarray[25] * -0.03547675;
feature2[14] = 1 / (1 + Math.Exp(-netsum));

netsum = -0.1975501;
netsum = netsum + inarray[1] * -0.6308331;
netsum = netsum + inarray[2] * -0.3302149;
netsum = netsum + inarray[3] * -0.2080807;
netsum = netsum + inarray[4] * -0.563668;
netsum = netsum + inarray[5] * -0.1959238;
netsum = netsum + inarray[6] * -0.284301;
netsum = netsum + inarray[7] * -0.1672744;
netsum = netsum + inarray[8] * -0.3729224;
netsum = netsum + inarray[9] * -0.3282563;
netsum = netsum + inarray[10] * -0.03626921;
netsum = netsum + inarray[11] * 0.04506114;
netsum = netsum + inarray[12] * -0.3356206;
netsum = netsum + inarray[13] * -0.4150475;
netsum = netsum + inarray[14] * -0.1306996;
netsum = netsum + inarray[15] * -0.201719;
netsum = netsum + inarray[16] * -0.3333693;
netsum = netsum + inarray[17] * -0.8962827;
netsum = netsum + inarray[18] * -0.2557917;
netsum = netsum + inarray[19] * -0.4376469;
netsum = netsum + inarray[20] * -0.6260678;
netsum = netsum + inarray[21] * -0.05740782;

57
netsum = netsum + inarray[22] * -0.09308335;
netsum = netsum + inarray[23] * -0.1246529;
netsum = netsum + inarray[24] * -0.308482;
netsum = netsum + inarray[25] * -0.1122809;
feature2[15] = 1 / (1 + Math.Exp(-netsum));

netsum = -0.8067559;
netsum = netsum + inarray[1] * 0.2988978;
netsum = netsum + inarray[2] * -0.4061352;
netsum = netsum + inarray[3] * 0.04059248;
netsum = netsum + inarray[4] * 0.3286717;
netsum = netsum + inarray[5] * -0.01849457;
netsum = netsum + inarray[6] * -0.2621764;
netsum = netsum + inarray[7] * 0.09225426;
netsum = netsum + inarray[8] * -0.176763;
netsum = netsum + inarray[9] * -0.1961518;
netsum = netsum + inarray[10] * 0.4735797;
netsum = netsum + inarray[11] * 0.05543064;
netsum = netsum + inarray[12] * -0.05215441;
netsum = netsum + inarray[13] * 0.4470496;
netsum = netsum + inarray[14] * 0.4411691;
netsum = netsum + inarray[15] * 0.30361;
netsum = netsum + inarray[16] * 0.1485453;
netsum = netsum + inarray[17] * -0.01481541;
netsum = netsum + inarray[18] * 0.2283513;
netsum = netsum + inarray[19] * 0.2735098;
netsum = netsum + inarray[20] * -0.2052524;
netsum = netsum + inarray[21] * 0.1253241;
netsum = netsum + inarray[22] * 0.7325199;
netsum = netsum + inarray[23] * 0.2534898;
netsum = netsum + inarray[24] * 0.3251498;
netsum = netsum + inarray[25] * 0.3327917;
feature2[16] = 1 / (1 + Math.Exp(-netsum));

netsum = -0.3381909;
netsum = netsum + inarray[1] * -0.3078696;
netsum = netsum + inarray[2] * -0.0527942;
netsum = netsum + inarray[3] * -0.299812;
netsum = netsum + inarray[4] * -0.4827223;
netsum = netsum + inarray[5] * -0.01295595;
netsum = netsum + inarray[6] * 0.3615763;
netsum = netsum + inarray[7] * -0.4912872;
netsum = netsum + inarray[8] * 0.1962776;
netsum = netsum + inarray[9] * -0.3125566;
netsum = netsum + inarray[10] * -0.4447686;
netsum = netsum + inarray[11] * -0.132902;
netsum = netsum + inarray[12] * 0.06692299;
netsum = netsum + inarray[13] * -0.7257574;
netsum = netsum + inarray[14] * -0.4269336;
netsum = netsum + inarray[15] * -0.2720075;
netsum = netsum + inarray[16] * -0.2044303;
netsum = netsum + inarray[17] * -0.2611437;
netsum = netsum + inarray[18] * -0.4881702;
netsum = netsum + inarray[19] * -0.4374932;

58
netsum = netsum + inarray[20] * -0.3727451;
netsum = netsum + inarray[21] * -0.2464675;
netsum = netsum + inarray[22] * -0.4552841;
netsum = netsum + inarray[23] * -0.07947936;
netsum = netsum + inarray[24] * -0.4348439;
netsum = netsum + inarray[25] * -0.6874047;
feature2[17] = 1 / (1 + Math.Exp(-netsum));

netsum = -0.04875297;
netsum = netsum + inarray[1] * 0.07791682;
netsum = netsum + inarray[2] * -0.2314897;
netsum = netsum + inarray[3] * 0.4503814;
netsum = netsum + inarray[4] * -0.3655233;
netsum = netsum + inarray[5] * -0.2993757;
netsum = netsum + inarray[6] * 0.3567997;
netsum = netsum + inarray[7] * -0.2015844;
netsum = netsum + inarray[8] * -0.08902767;
netsum = netsum + inarray[9] * 0.002052221;
netsum = netsum + inarray[10] * -0.2094317;
netsum = netsum + inarray[11] * -0.365817;
netsum = netsum + inarray[12] * -0.6049244;
netsum = netsum + inarray[13] * -0.1438591;
netsum = netsum + inarray[14] * -0.5450926;
netsum = netsum + inarray[15] * 0.5707303;
netsum = netsum + inarray[16] * -0.02513808;
netsum = netsum + inarray[17] * 0.07060912;
netsum = netsum + inarray[18] * 0.6078286;
netsum = netsum + inarray[19] * 0.3990371;
netsum = netsum + inarray[20] * 0.4297082;
netsum = netsum + inarray[21] * -0.2642268;
netsum = netsum + inarray[22] * 0.2215574;
netsum = netsum + inarray[23] * 0.1167241;
netsum = netsum + inarray[24] * -0.341711;
netsum = netsum + inarray[25] * -0.02184209;
feature2[18] = 1 / (1 + Math.Exp(-netsum));

netsum = -0.2758563;
netsum = netsum + inarray[1] * -0.3820003;
netsum = netsum + inarray[2] * 0.5305163;
netsum = netsum + inarray[3] * -0.1202734;
netsum = netsum + inarray[4] * -0.2740747;
netsum = netsum + inarray[5] * -0.3336624;
netsum = netsum + inarray[6] * 0.3143533;
netsum = netsum + inarray[7] * -0.0416363;
netsum = netsum + inarray[8] * 0.1019475;
netsum = netsum + inarray[9] * -0.1492049;
netsum = netsum + inarray[10] * -0.3703578;
netsum = netsum + inarray[11] * -0.04573797;
netsum = netsum + inarray[12] * 0.2450581;
netsum = netsum + inarray[13] * -0.3511466;
netsum = netsum + inarray[14] * 0.04398603;
netsum = netsum + inarray[15] * -0.3031835;
netsum = netsum + inarray[16] * -0.5879817;
netsum = netsum + inarray[17] * -0.2787651;

59
netsum = netsum + inarray[18] * -0.5690422;
netsum = netsum + inarray[19] * -0.4292734;
netsum = netsum + inarray[20] * -0.327775;
netsum = netsum + inarray[21] * -0.3808862;
netsum = netsum + inarray[22] * -0.6500756;
netsum = netsum + inarray[23] * -0.1688192;
netsum = netsum + inarray[24] * -0.2403121;
netsum = netsum + inarray[25] * -0.3522082;
feature2[19] = 1 / (1 + Math.Exp(-netsum));

netsum = -0.146031;
netsum = netsum + inarray[1] * -0.2919444;
netsum = netsum + inarray[2] * -0.6219714;
netsum = netsum + inarray[3] * -0.4594254;
netsum = netsum + inarray[4] * -0.1702304;
netsum = netsum + inarray[5] * 0.05363182;
netsum = netsum + inarray[6] * -0.2082428;
netsum = netsum + inarray[7] * -0.4387977;
netsum = netsum + inarray[8] * -0.07205223;
netsum = netsum + inarray[9] * -0.3501815;
netsum = netsum + inarray[10] * 0.01391503;
netsum = netsum + inarray[11] * -0.2440223;
netsum = netsum + inarray[12] * -0.06429858;
netsum = netsum + inarray[13] * 0.239268;
netsum = netsum + inarray[14] * 0.06602842;
netsum = netsum + inarray[15] * -0.07459214;
netsum = netsum + inarray[16] * -0.2485654;
netsum = netsum + inarray[17] * -0.5493798;
netsum = netsum + inarray[18] * -0.04732691;
netsum = netsum + inarray[19] * -0.3746634;
netsum = netsum + inarray[20] * -0.2647235;
netsum = netsum + inarray[21] * 0.09548384;
netsum = netsum + inarray[22] * 0.1609697;
netsum = netsum + inarray[23] * -0.2064486;
netsum = netsum + inarray[24] * 0.3468474;
netsum = netsum + inarray[25] * -0.2198902;
feature2[20] = 1 / (1 + Math.Exp(-netsum));

netsum = 0.1634137;
netsum = netsum + feature2[1] * -0.3350035;
netsum = netsum + feature2[2] * -0.8746599;
netsum = netsum + feature2[3] * -0.275355;
netsum = netsum + feature2[4] * -0.4532667;
netsum = netsum + feature2[5] * -0.5619559;
netsum = netsum + feature2[6] * -0.3126505;
netsum = netsum + feature2[7] * -0.8570018;
netsum = netsum + feature2[8] * -0.3020543;
netsum = netsum + feature2[9] * 0.2004715;
netsum = netsum + feature2[10] * -0.2158691;
netsum = netsum + feature2[11] * -0.7327183;
netsum = netsum + feature2[12] * 0.396192;
netsum = netsum + feature2[13] * 0.3845831;
netsum = netsum + feature2[14] * -0.03590018;
netsum = netsum + feature2[15] * -0.2180533;

60
netsum = netsum + feature2[16] * 0.5037597;
netsum = netsum + feature2[17] * -0.3988901;
netsum = netsum + feature2[18] * -0.4169173;
netsum = netsum + feature2[19] * -0.1918623;
netsum = netsum + feature2[20] * -0.2380985;
outarray[1] = 1 / (1 + Math.Exp(-netsum));

netsum = 0.03527088;
netsum = netsum + feature2[1] * -0.2741575;
netsum = netsum + feature2[2] * -0.07379401;
netsum = netsum + feature2[3] * -0.1299626;
netsum = netsum + feature2[4] * -0.8119236;
netsum = netsum + feature2[5] * -0.4985684;
netsum = netsum + feature2[6] * 0.03398855;
netsum = netsum + feature2[7] * -0.8439818;
netsum = netsum + feature2[8] * -0.7286585;
netsum = netsum + feature2[9] * 0.0947376;
netsum = netsum + feature2[10] * -0.6049465;
netsum = netsum + feature2[11] * 1.038836;
netsum = netsum + feature2[12] * 0.07071962;
netsum = netsum + feature2[13] * 0.7221619;
netsum = netsum + feature2[14] * -0.9813426;
netsum = netsum + feature2[15] * -0.6273415;
netsum = netsum + feature2[16] * 0.06209344;
netsum = netsum + feature2[17] * -0.5884205;
netsum = netsum + feature2[18] * 1.127705;
netsum = netsum + feature2[19] * -0.5806656;
netsum = netsum + feature2[20] * -0.545781;
outarray[2] = 1 / (1 + Math.Exp(-netsum));

netsum = -0.7498748;
netsum = netsum + feature2[1] * -0.1196629;
netsum = netsum + feature2[2] * 0.233159;
netsum = netsum + feature2[3] * -0.1927968;
netsum = netsum + feature2[4] * -0.3598434;
netsum = netsum + feature2[5] * -0.1534617;
netsum = netsum + feature2[6] * -0.3256403;
netsum = netsum + feature2[7] * -0.7593446;
netsum = netsum + feature2[8] * -0.01610613;
netsum = netsum + feature2[9] * -0.2659771;
netsum = netsum + feature2[10] * -0.06532075;
netsum = netsum + feature2[11] * -0.2787541;
netsum = netsum + feature2[12] * -0.1074125;
netsum = netsum + feature2[13] * -0.1427738;
netsum = netsum + feature2[14] * 0.3161146;
netsum = netsum + feature2[15] * 0.01614052;
netsum = netsum + feature2[16] * 0.1308735;
netsum = netsum + feature2[17] * -0.3457986;
netsum = netsum + feature2[18] * -0.2588598;
netsum = netsum + feature2[19] * -0.3933442;
netsum = netsum + feature2[20] * -0.07236391;
outarray[3] = 1 / (1 + Math.Exp(-netsum));

netsum = 0.1284863;

61
netsum = netsum + feature2[1] * -0.7637039;
netsum = netsum + feature2[2] * 0.6969631;
netsum = netsum + feature2[3] * -0.06418149;
netsum = netsum + feature2[4] * -0.261319;
netsum = netsum + feature2[5] * -0.6828603;
netsum = netsum + feature2[6] * -0.4726482;
netsum = netsum + feature2[7] * -0.7978399;
netsum = netsum + feature2[8] * -0.5776144;
netsum = netsum + feature2[9] * -0.343683;
netsum = netsum + feature2[10] * 0.647981;
netsum = netsum + feature2[11] * -0.2782136;
netsum = netsum + feature2[12] * -0.522805;
netsum = netsum + feature2[13] * 0.4624907;
netsum = netsum + feature2[14] * 0.4138684;
netsum = netsum + feature2[15] * -1.082018;
netsum = netsum + feature2[16] * 0.5238008;
netsum = netsum + feature2[17] * -0.476366;
netsum = netsum + feature2[18] * -0.3615076;
netsum = netsum + feature2[19] * -0.1804327;
netsum = netsum + feature2[20] * -0.464086;
outarray[4] = 1 / (1 + Math.Exp(-netsum));

netsum = 0.03681469;
netsum = netsum + feature2[1] * -0.3097282;
netsum = netsum + feature2[2] * -0.1121687;
netsum = netsum + feature2[3] * -0.04857143;
netsum = netsum + feature2[4] * -0.9700471;
netsum = netsum + feature2[5] * -0.5154806;
netsum = netsum + feature2[6] * -0.4173439;
netsum = netsum + feature2[7] * -0.9343882;
netsum = netsum + feature2[8] * -0.3724524;
netsum = netsum + feature2[9] * 0.2031655;
netsum = netsum + feature2[10] * 0.1375647;
netsum = netsum + feature2[11] * -0.3651948;
netsum = netsum + feature2[12] * 0.01762134;
netsum = netsum + feature2[13] * 0.6275248;
netsum = netsum + feature2[14] * 0.1900857;
netsum = netsum + feature2[15] * -0.1593682;
netsum = netsum + feature2[16] * 0.6520919;
netsum = netsum + feature2[17] * -0.7368268;
netsum = netsum + feature2[18] * -0.2602551;
netsum = netsum + feature2[19] * -0.8126257;
netsum = netsum + feature2[20] * -0.2455864;
outarray[5] = 1 / (1 + Math.Exp(-netsum));

netsum = -0.1870206;
netsum = netsum + feature2[1] * -0.2907203;
netsum = netsum + feature2[2] * -1.133262;
netsum = netsum + feature2[3] * -0.01389029;
netsum = netsum + feature2[4] * -0.4631282;
netsum = netsum + feature2[5] * -0.4555222;
netsum = netsum + feature2[6] * -0.04684475;
netsum = netsum + feature2[7] * -0.113814;
netsum = netsum + feature2[8] * -0.2843127;

62
netsum = netsum + feature2[9] * 0.2613944;
netsum = netsum + feature2[10] * -0.5222053;
netsum = netsum + feature2[11] * 0.1015712;
netsum = netsum + feature2[12] * 0.1310506;
netsum = netsum + feature2[13] * 0.08463128;
netsum = netsum + feature2[14] * -0.55288;
netsum = netsum + feature2[15] * -0.2900147;
netsum = netsum + feature2[16] * 0.05150203;
netsum = netsum + feature2[17] * -0.07702821;
netsum = netsum + feature2[18] * 0.3340625;
netsum = netsum + feature2[19] * -0.433052;
netsum = netsum + feature2[20] * -0.5240374;
outarray[6] = 1 / (1 + Math.Exp(-netsum));

netsum = -0.5697782;
netsum = netsum + feature2[1] * -0.2998973;
netsum = netsum + feature2[2] * 1.609553;
netsum = netsum + feature2[3] * -0.7064381;
netsum = netsum + feature2[4] * -0.8087239;
netsum = netsum + feature2[5] * -0.9052279;
netsum = netsum + feature2[6] * -0.0007421196;
netsum = netsum + feature2[7] * -1.200865;
netsum = netsum + feature2[8] * -0.5253397;
netsum = netsum + feature2[9] * -0.7317536;
netsum = netsum + feature2[10] * 0.2284599;
netsum = netsum + feature2[11] * 0.7614894;
netsum = netsum + feature2[12] * -0.008514447;
netsum = netsum + feature2[13] * 0.7128377;
netsum = netsum + feature2[14] * 0.3309323;
netsum = netsum + feature2[15] * -0.5235777;
netsum = netsum + feature2[16] * 0.4494043;
netsum = netsum + feature2[17] * -0.5777085;
netsum = netsum + feature2[18] * -0.07299865;
netsum = netsum + feature2[19] * -0.9064488;
netsum = netsum + feature2[20] * 0.231834;
outarray[7] = 1 / (1 + Math.Exp(-netsum));

netsum = -0.6743395;
netsum = netsum + feature2[1] * -0.2887668;
netsum = netsum + feature2[2] * 1.417899;
netsum = netsum + feature2[3] * -0.5549188;
netsum = netsum + feature2[4] * -1.015626;
netsum = netsum + feature2[5] * -0.714845;
netsum = netsum + feature2[6] * -0.01087656;
netsum = netsum + feature2[7] * -0.8151149;
netsum = netsum + feature2[8] * -0.1364304;
netsum = netsum + feature2[9] * -0.6345025;
netsum = netsum + feature2[10] * -0.125288;
netsum = netsum + feature2[11] * 1.076855;
netsum = netsum + feature2[12] * -0.1651759;
netsum = netsum + feature2[13] * 0.3980444;
netsum = netsum + feature2[14] * 0.04787186;
netsum = netsum + feature2[15] * -0.4899308;
netsum = netsum + feature2[16] * 0.314342;

63
netsum = netsum + feature2[17] * -0.7468173;
netsum = netsum + feature2[18] * 0.3073053;
netsum = netsum + feature2[19] * -0.4857573;
netsum = netsum + feature2[20] * -0.1931813;
outarray[8] = 1 / (1 + Math.Exp(-netsum));

netsum = 0.3997161;
netsum = netsum + feature2[1] * -0.09445016;
netsum = netsum + feature2[2] * -0.8475439;
netsum = netsum + feature2[3] * -0.0003898152;
netsum = netsum + feature2[4] * -0.1029566;
netsum = netsum + feature2[5] * -0.2360188;
netsum = netsum + feature2[6] * -0.3803324;
netsum = netsum + feature2[7] * -0.348629;
netsum = netsum + feature2[8] * -0.8155537;
netsum = netsum + feature2[9] * -0.1213996;
netsum = netsum + feature2[10] * -0.1051612;
netsum = netsum + feature2[11] * -0.7556933;
netsum = netsum + feature2[12] * -0.5577466;
netsum = netsum + feature2[13] * 0.1031341;
netsum = netsum + feature2[14] * -0.5973705;
netsum = netsum + feature2[15] * -0.08638388;
netsum = netsum + feature2[16] * 0.2523329;
netsum = netsum + feature2[17] * 0.1639163;
netsum = netsum + feature2[18] * -0.04826825;
netsum = netsum + feature2[19] * 0.320798;
netsum = netsum + feature2[20] * -0.8649616;
outarray[9] = 1 / (1 + Math.Exp(-netsum));

netsum = 0.07903425;
netsum = netsum + feature2[1] * -0.1655708;
netsum = netsum + feature2[2] * -0.9019694;
netsum = netsum + feature2[3] * 0.05615976;
netsum = netsum + feature2[4] * 0.02357643;
netsum = netsum + feature2[5] * -0.1444559;
netsum = netsum + feature2[6] * -0.7428485;
netsum = netsum + feature2[7] * 0.02472993;
netsum = netsum + feature2[8] * -0.3833878;
netsum = netsum + feature2[9] * 0.2886095;
netsum = netsum + feature2[10] * -0.2470789;
netsum = netsum + feature2[11] * -0.371723;
netsum = netsum + feature2[12] * -0.4025174;
netsum = netsum + feature2[13] * -0.3007133;
netsum = netsum + feature2[14] * -0.8827096;
netsum = netsum + feature2[15] * -0.6305344;
netsum = netsum + feature2[16] * -0.08559274;
netsum = netsum + feature2[17] * 0.03228642;
netsum = netsum + feature2[18] * 0.4827181;
netsum = netsum + feature2[19] * 0.2601393;
netsum = netsum + feature2[20] * -0.6864415;
outarray[10] = 1 / (1 + Math.Exp(-netsum));

outarray[1] = 5 * (outarray[1] - 0.1) / 0.8;

64
if (outarray[1] <= 0) { textBox1.Text = "NADA"; }
else if (outarray[1] > 0 && outarray[1] <= 1) { textBox1.Text = "MODERADO"; }
else if (outarray[1] > 1 && outarray[1] < 3.5) { textBox1.Text = "ALTO"; }
else if (outarray[1] > 3.5) { textBox1.Text = "MUY ALTO"; }

outarray[2] = 5 * (outarray[2] - 0.1) / 0.8;


if (outarray[2] <= 0) { textBox2.Text = "NADA"; }
else if (outarray[2] > 0 && outarray[2] <= 1) { textBox2.Text = "MODERADO"; }
else if (outarray[2] > 1 && outarray[2] < 3.5) { textBox2.Text = "ALTO"; }
else if (outarray[2] > 3.5) { textBox2.Text = "MUY ALTO"; }

outarray[3] = 5 * (outarray[3] - 0.1) / 0.8;


if (outarray[3] <= 0) { textBox3.Text = "NADA"; }
else if (outarray[3] > 0 && outarray[3] <= 1) { textBox3.Text = "MODERADO"; }
else if (outarray[3] > 1 && outarray[3] < 3.5) { textBox3.Text = "ALTO"; }
else if (outarray[3] > 3.5) { textBox3.Text = "MUY ALTO"; }

outarray[4] = 4 * (outarray[4] - 0.1) / 0.8 + 1;


if (outarray[4] <= 0) { textBox4.Text = "NADA"; }
else if (outarray[4] > 0 && outarray[4] <= 1) { textBox4.Text = "MODERADO"; }
else if (outarray[4] > 1 && outarray[4] < 3.5) { textBox4.Text = "ALTO"; }
else if (outarray[4] > 3.5) { textBox4.Text = "MUY ALTO"; }

outarray[5] = 5 * (outarray[5] - 0.1) / 0.8;


if (outarray[5] <= 0) { textBox5.Text = "NADA"; }
else if (outarray[5] > 0 && outarray[5] <= 1) { textBox5.Text = "MODERADO"; }
else if (outarray[5] > 1 && outarray[5] < 3.5) { textBox5.Text = "ALTO"; }
else if (outarray[5] > 3.5) { textBox5.Text = "MUY ALTO"; }

outarray[6] = 4 * (outarray[6] - 0.1) / 0.8 + 1;


if (outarray[6] <= 0) { textBox6.Text = "NADA"; }
else if (outarray[6] > 0 && outarray[6] <= 1) { textBox6.Text = "MODERADO"; }
else if (outarray[6] > 1 && outarray[6] < 3.5) { textBox6.Text = "ALTO"; }
else if (outarray[6] > 3.5) { textBox6.Text = "MUY ALTO"; }

outarray[7] = 5 * (outarray[7] - 0.1) / 0.8;


if (outarray[7] <= 0) { textBox7.Text = "NADA"; }
else if (outarray[7] > 0 && outarray[7] <= 1) { textBox7.Text = "MODERADO"; }
else if (outarray[7] > 1 && outarray[7] < 3.5) { textBox7.Text = "ALTO"; }
else if (outarray[7] > 3.5) { textBox7.Text = "MUY ALTO"; }

outarray[8] = 5 * (outarray[8] - 0.1) / 0.8;


if (outarray[8] <= 0) { textBox8.Text = "NADA"; }
else if (outarray[8] > 0 && outarray[8] <= 1) { textBox8.Text = "MODERADO"; }
else if (outarray[8] > 1 && outarray[8] < 3.5) { textBox8.Text = "ALTO"; }
else if (outarray[8] > 3.5) { textBox8.Text = "MUY ALTO"; }

outarray[9] = 5 * (outarray[9] - 0.1) / 0.8;


if (outarray[9] <= 0) { textBox9.Text = "NADA"; }
else if (outarray[9] > 0 && outarray[9] <= 1) { textBox9.Text = "MODERADO"; }
else if (outarray[9] > 1 && outarray[9] < 3.5) { textBox9.Text = "ALTO"; }
else if (outarray[9] > 3.5) { textBox9.Text = "MUY ALTO"; }

65
outarray[10] = 5 * (outarray[10] - 0.1) / 0.8;
if (outarray[10] <= 0) { textBox10.Text = "NADA"; }
else if (outarray[10] > 0 && outarray[10] <= 1) { textBox10.Text = "MODERADO"; }
else if (outarray[10] > 1 && outarray[10] < 3.5) { textBox10.Text = "ALTO"; }
else if (outarray[10] > 3.5) { textBox10.Text = "MUY ALTO"; }

}
}

66
REFERENCIA BIBLIOGRÁFICA

(1) Pitarque A, et al. Diagnóstico clínico en psicología a través de redes


neuronales. Valencia, España: Universidad de Valencia; 1997.
(2) Gordillo RA. Aplicación de una Red Neuronal para clasificación de perfiles
psicológicos con el test 16PF del Dr R.B. Cattell en una población estudiantil
[Tesis]. Colombia: Universidad Rafael Núñez Cartagena de Indias, Facultad de
Ingeniería de Sistemas; 2001.
(3) Porras C, Salinas M. Diseño de redes neuronales artificiales en neurociencia.
España: Revistas Científicas América Latina, el Carie, España y Portugal; 2011.
(4) Gonzáles G. Trastornos de la personalidad: Influencia sobre la conducta
delictiva y repercusiones forenses en la jurisdicción penal [Tesis]. España:
Universidad Complutense de Madrid, Facultad de Psicología; 2011.
(5) Campos AO. Proceso de distribución aplicando redes neuronales artificiales
con supervisión [Tesis]. México: Universidad Autónoma de Nuevo León, Facultad
de Ingeniería Mecánica y Eléctrica; 1998.
(6) Correa RD. Redes Neuronales Artificiales en Ingeniería y Física Nuclear [Tesis
doctoral]. España: Universidad de Granada, Departamento de ciencias de la
computación; 2006.
(7) Rodríguez JG. Pronóstico de la migración de contaminantes en aguas
subterráneas mediante redes neuronales artificiales [Tesis]. México: Instituto
politécnico Nacional, Escuela superior de Ingeniería y Arquitectura; 2009.
(8) Riquelme VR, Oksenberg SA, editores. Trastornos de personalidad. Chile:
Salesianos; 2003.
(9) Pérez OJ. Modelos predictivos basados en redes neuronales recurrentes de
tiempo discreto [Tesis doctoral]. España: Universidad de Alicante, Departamento
de lenguajes y sistemas Informáticos; 2002.
(10) Rodríguez GJ. Trastorno de personalidad por evitación [Tesis]. Ecuador:
Universidad San Francisco de Quito, Facultad de Psicología; 2011.
(11) Gonzáles GL. Trastornos de la personalidad: Influencia sobre la conducta
delictiva [Tesis]. España: Universidad Complutense de Madrid, Facultad de
Psicología; 2011.

67
(12) Cortese D. Psicología Médica y Salud Mental. 4a. ed. Argentina: Nobuko;
2004.
(13) López IA, Valdés MM. DSM-IVTR: Manual diagnóstico y estadístico de los
trastornos mentales. 4a. ed. España: Masson; 2002.
(14) Trastorno límite de la personalidad 2006; 7.
(15) Albert CC. Psicopatología del trastorno obsesivo compulsivo [Tesis doctoral].
Argentina: Universidad de Córdoba, Facultad de Medicina; 2001.

68

Vous aimerez peut-être aussi