Artificial neural networks model: Neuropsychological variables and their relationship with body fat percentage in adults / Modelo de redes neuronales artificiales: Variables neuropsicológicas y su relación con el porcentaje de grasa corporal en adultos

Abstract There is a growing interest to understand the neural functions and substrates of complex cognitive processes related to Obesity (OB). Artificial Intelligence (AI) is being applied, specifically the perceptron model of Artificial Neural Networks (ANN) in non-communicable chronic diseases, to identify with greater certainty the connective factors (synaptic networks) between the input variables and the output variables associated. Objective Identify the synaptic weights of the ANN whose input variables are the executive functions (EF) and healthy lifestyles as predictors of Body Fat Percentage (BFP) in a group of adult subjects with different levels of BFP. Methods It was an exploratory, quantitative, cross-sectional, comparative, convenience, and explanatory research. The Neuropsychological Battery (BANFE-2) and the Overeating Questionnaire (OQ) were administered to 40 participants aged between 18-38 years. BFP was measured using a RENPHO ES-24M Smart Body Composition Scale. The perceptron ANN model with ten trials was applied with a multilayer-perceptron. Results The ANN showed that the sensory variables with greater synaptic weight for BFP were Stroop A and B Errors and Successes of BANFE-2, and OQ scales Rationalizations and Healthy Habits. Conclusions ANN proved to be important in the simultaneous analysis of neuropsychological and healthy lifestyle data for the analysis of OB prevention and treatment by identifying the variables that are closely related. These findings open the door for the use of non-linear analysis models, which allow the identification of relationships of different weights, between input and output variables, to more effectively direct interventions to modify obesity habits.

Resumen Existe un interés creciente por comprender las funciones neuronales y sustratos cognitivos complejos relacionados con la obesidad. Se está aplicando Inteligencia Artificial, en concreto el modelo perceptrón de Redes Neuronales Artificiales en enfermedades crónicas no transmisibles, para identificar con mayor certeza los factores de conexión (redes sinápticas) entre las variables de entrada y las variables de salida. Objetivo Identificar pesos sinápticos de la RNA cuyas variables de entrada fueron las funciones ejecutivas y los estilos de vida saludable, como predictores del Porcentaje de Grasa Corporal en un grupo de sujetos adultos con diferentes niveles del Porcentaje de Grasa. Métodos se trató de una investigación exploratoria, cuantitativa, transversal, comparativa, de conveniencia y explicativa. Se administró la Batería Neuropsicológica (BANFE-2) y el Cuestionario de Sobreingesta (OQ), a 40 participantes con edades comprendidas entre los 18-38 años. El porcentaje de grasa se midió con una báscula de composición corporal (RENPHO ES-24M). El modelo redes neuronales de perceptrón, se ejecutó con diez ensayos. Resultados El modelo de Red Neuronal mostró que las variables sensoriales con mayor peso sináptico para el porcentaje de grasa, fueron Errores Stroop A y B y Aciertos de BANFE-2, y Racionalizaciones de las escalas OQ y Hábitos Saludables. Conclusiones las redes neuronales artificiales demostró ser importante en el análisis simultáneo de datos neuropsicológicos y de estilo de vida saludable para el análisis de prevención y tratamiento de la obesidad, al identificar las variables que están estrechamente relacionadas. Estos hallazgos abren la puerta al uso de modelos de análisis no lineales, que permiten identificar relaciones de diferente peso, entre variables de entrada y salida, más eficientes que los modelos lineales.

Caracterización de un corpus extraído de historias clínicas electrónicas de maternas a través de técnicas de procesamiento de lenguaje natural / Characterization of a corpus extracted from maternal electronic health records through natural language processing techniques

Este artículo tuvo como propósito caracterizar el texto libre disponible en una historia clínica electrónica de una institución orientada a la atención de pacientes en embarazo. La historia clínica electrónica, más que ser un repositorio de datos, se ha convertido en un sistema de soporte a la toma de decisiones clínicas. Sin embargo, debido al alto volumen de información y a que parte de la información clave de las historias clínicas electrónicas está en forma de texto libre, utilizar todo el potencial que ofrece la información de la historia clínica electrónica para mejorar la toma de decisiones clínicas requiere el apoyo de métodos de minería de texto y procesamiento de lenguaje natural. Particularmente, en el área de Ginecología y Obstetricia, la implementación de métodos del procesamiento de lenguaje natural podría ayudar a agilizar la identificación de factores asociados al riesgo materno. A pesar de esto, en la literatura no se registran trabajos que integren técnicas de procesamiento de lenguaje natural en las historias clínicas electrónicas asociadas al seguimiento materno en idioma español. En este trabajo se obtuvieron 659 789 tokens mediante los métodos de minería de texto, un diccionario con palabras únicas dado por 7 334 tokens y se estudiaron los n-grams más frecuentes. Se generó una caracterización con una arquitectura de red neuronal CBOW (continuos bag of words) para la incrustación de palabras. Utilizando algoritmos de clustering se obtuvo evidencia que indica que palabras cercanas en el espacio de incrustación de 300 dimensiones pueden llegar a representar asociaciones referentes a tipos de pacientes, o agrupar palabras similares, incluyendo palabras escritas con errores ortográficos. El corpus generado y los resultados encontrados sientan las bases para trabajos futuros en la detección de entidades (síntomas, signos, diagnósticos, tratamientos), la corrección de errores ortográficos y las relaciones semánticas entre palabras para generar resúmenes de historias clínicas o asistir el seguimiento de las maternas mediante la revisión automatizada de la historia clínica electrónica(AU)

The purpose of this article was to characterize the free text available in an electronic health record of an institution, directed at the care of patients in pregnancy. More than being a data repository, the electronic health record (HCE) has become a clinical decision support system (CDSS). However, due to the high volume of information, as some of the key information in EHR is in free text form, using the full potential that EHR information offers to improve clinical decision-making requires the support of methods of text mining and natural language processing (PLN). Particularly in the area of gynecology and obstetrics, the implementation of PLN methods could help speed up the identification of factors associated with maternal risk. Despite this, in the literature there are no papers that integrate PLN techniques in EHR associated with maternal follow-up in Spanish. Taking into account this knowledge gap, in this work a corpus was generated and characterized from the EHRs of a gynecology and obstetrics service characterized by treating high-risk maternal patients. PLN and text mining methods were implemented on the data, obtaining 659 789 tokens and a dictionary with unique words given by 7 334 tokens. The characterization of the data was developed from the identification of the most frequent words and n-grams and a vector representation of embedding words in a 300-dimensional space was performed using a CBOW (Continuous Bag of Words) neural network architecture. The embedding of words allowed to verify by means of Clustering algorithms, that the words associated to the same group can come to represent associations referring to types of patients, or group similar words, including words written with spelling errors. The corpus generated and the results found lay the foundations for future work in the detection of entities (symptoms, signs, diagnoses, treatments), correction of spelling errors and semantic relationships between words to generate summaries of medical records or assist the follow-up of mothers through the automated review of the electronic health record(AU)

Treatment of individual predictors with neural network algorithms improves Global Registry of Acute Coronary Events score discrimination / El tratamiento con redes neuronales de las variables del Global Registry of Acute Coronary mejora la discriminación del score

Abstract Objective: The aim of this study was to develop, train, and test different neural network (NN) algorithm-based models to improve the Global Registry of Acute Coronary Events (GRACE) score performance to predict in-hospital mortality after an acute coronary syndrome. Methods: We analyzed a prospective database, including 40 admission variables of 1255 patients admitted with the acute coronary syndrome in a community hospital. Individual predictors included in GRACE score were used to train and test three NN algorithm-based models (guided models), namely: one- and two-hidden layer multilayer perceptron and a radial basis function network. Three extra NNs were built using the 40 admission variables of the entire database (unguided models). Expected mortality according to GRACE score was calculated using the logistic regression equation. Results: In terms of receiver operating characteristic area and negative predictive value (NPV), almost all NN algorithms outperformed logistic regression. Only radial basis function models obtained a better accuracy level based on NPV improvement, at the expense of positive predictive value (PPV) reduction. The independent normalized importance of variables for the best unguided NN was: creatinine 100%, Killip class 61%, ejection fraction 52%, age 44%, maximum creatine-kinase level 41%, glycemia 40%, left bundle branch block 35%, and weight 33%, among the top 8 predictors. Conclusions: Treatment of individual predictors of GRACE score with NN algorithms improved accuracy and discrimination power in all models with respect to the traditional logistic regression approach; nevertheless, PPV was only marginally enhanced. Unguided variable selection would be able to achieve better results in PPV terms.

Resumen Objetivo: El objetivo fue desarrollar, entrenar y probar diferentes modelos basados en algoritmos de redes neuronales (RN) para mejorar el rendimiento del score del Registro Global de Eventos Coronarios Agudos (GRACE) para predecir la mortalidad hospitalaria después de un síndrome coronario agudo. Métodos: Analizamos una base de datos prospectiva que incluía 40 variables de ingreso de 1255 pacientes con síndrome coronario agudo en un hospital comunitario. Las variables incluidas en la puntuación GRACE se usaron para entrenar y probar tres algoritmos basados en RN (modelos guiados), a saber: perceptrones multicapa de una y dos capas ocultas y una red de función de base radial. Se construyeron tres RN adicionales utilizando las 40 variables de admisión de toda la base de datos (modelos no guiados). La mortalidad esperada según el GRACE se calculó usando la ecuación de regresión logística. Resultados: En términos del área ROC y valor predictivo negativo (VPN), casi todos los algoritmos RN superaron la regresión logística. Solo los modelos de función de base radial obtuvieron un mejor nivel de precisión basado en la mejora del VPN, pero a expensas de la reducción del valor predictivo positivo (VPP). La importancia normalizada de las variables incluidas en la mejor RN no guiada fue: creatinina 100%, clase Killip 61%, fracción de eyección 52%, edad 44%, nivel máximo de creatina quinasa 41%, glucemia 40%, bloqueo de rama izquierda 35%, y peso 33%, entre los 8 predictores principales. Conclusiones: El tratamiento de las variables del score GRACE mediante algoritmos de RN mejoró la precisión y la discriminación en todos los modelos con respecto al enfoque tradicional de regresión logística; sin embargo, el VPP solo mejoró marginalmente. La selección no guiada de variables podría mejorar los resultados en términos de PPV.

An early PDP connectionist model for describing the behavioral phenomenon / Um modelo inicial do conexionismo PDP para descrever o fenômeno comportamental / Un modelo conexionista PDP inicial para describir els fenómeno del comportamiento

The focus of modern neuroscience on cognitive processes has relegated to behavior the epiphenomenal status of neural processing and the difficulties generated by this interpretation have encouraged the use of computational models. However, the implementation based on inferred cognitive constructs has been inefficient. The objective of this work was to review the concept of behavior by a selectionist approach and propose a connectionist computational model that operates integrally with its neurophysiological bases. The behavioral phenomenon was functionally defined and described at different levels of analysis. Functional levels make it possible to understand why behavioral phenomena exist, while topographic levels describe how morphophysiological mechanisms implement the response. The connectionist notions of PDP ANNs formalizes the proposal. The model stands out for contextualizing neural processing as part of the response, addressing the behavioral phenomenon as a whole that needs to be explained in its most different levels of analysis.

O enfoque das neurociências modernas nos processos cognitivos tem relegado ao comportamento o status de epifenômeno do processamento neural e as dificuldades geradas por essa interpretação incentivaram o uso de modelos computacionais. Entretanto, a implementação pautada em construtos cognitivos inferidos tem sido ineficiente. Foi objetivo desse trabalho revisar o conceito de comportamento pelo viés selecionista para se propor um modelo computacional conexionista que opere integradamente com suas bases neurofisiológicas. O fenômeno comportamental foi definido funcionalmente e descrito em diferentes níveis de análise. Os níveis funcionais possibilitam entender o porquê do fenômeno comportamental, enquanto que os níveis topográficos descrevem como os mecanismos morfofisiológicos implementam a resposta. A formalização do modelo foi realizada com noções conexionistas de RNAs de PDP. O modelo se destaca por contextualizar o processamento neural como parte da resposta, tratando o fenômeno comportamental como um todo que precisa ser explicado em seus mais diferentes níveis de análise.

El enfoque de las neurociencias modernas en los procesos ha relegado al comportamiento el status de epifenómeno del procesamiento neural y las dificultades generadas por esa interpretación incentivaron el uso de modelos computacionales. Sin embargo, la implementación pautada en construcciones cognoscitivas inferidas ha sido ineficiente. Fue objetivo de ese trabajo revisar el concepto de conducta por el sesgo seleccionista para proponer un modelo computacional conexionista que opere íntegramente con sus bases neurofisiológicas. El fenómeno conductual fue definió funcionalmente y descrito en diferentes niveles de análisis. Los niveles funcionales posibilitan entender el porqué del fenómeno conductual, mientras que los niveles topográficos describen cómo los mecanismos morfofisiológicos implementan la respuesta. La formalización del modelo fue realizada con nociones conectivistas de RNAs de PDP. El modelo se destaca por contextualizar el procesamiento neural como parte de la respuesta, tratando el fenómeno conductual como un todo que necesita ser explicado en sus más diferentes niveles de análisis.

Prediciendo la Actividad Cardíaca de la Almeja Tivela stultorum con Digoxina Utilizando Redes Neuronales Artificiales / Predicting the Cardioactivity of Tivela stultorum clam with Digoxin Using Artificial Neural Networks

Resumen: Las redes neuronales artificiales (RNA) son un método computacional extensamente utilizado para resolver problemas complejos y realizar predicciones en sistemas de relación no lineal. En este trabajo se utilizaron RNA para predecir la respuesta fisiológica obtenida al adicionar una concentración específica de digoxina a corazones de Tivela stultorum, un organismo modelo para probar fármacos cardíacos que se pretenden utilizar en humanos. Las entradas de la RNA fueron el peso, volumen, largo y ancho del corazón, la concentración de digoxina, el volumen utilizado para la dilución de digoxina, el máximo y mínimo de contracción, tiempo de llenado, y frecuencia cardíaca antes de adicionar la digoxina, las salidas fueron el máximo y mínimo de contracción, tiempo de llenado y frecuencia cardíaca esperados después de agregar digoxina al corazón. Las RNA se entrenaron, validaron y probaron con los resultados de experimentos in vivo. Para elegir la red óptima se utilizó el valor más pequeño del error medio cuadrado. Se obtuvo una correlación alta entre los valores predichos y calculados, excepto en el caso del tiempo de llenado. Se lograron obtener predicciones acertadas de la cardioactividad de la almeja T. stultorum cuando se les agrega una concentración específica de digoxina haciendo uso de RNA; esto con el fin de utilizarse como una herramienta para facilitar las pruebas en el laboratorio de los efectos de la digoxina.

Abstract: Artificial neural networks (ANN) are a computational method that has been widely used to solve complex problems and carry out predictions on nonlinear systems. Multilayer perceptron artificial neural networks were used to predict the physiological response that would be obtained by adding a specific concentration of digoxin to Tivela stultorum hearts, this organism is a model for testing cardiac drugs that pretends to be used in humans. The MLP-ANN inputs were weight, volume, length, and width of the heart, digoxin concentration and volume used for diluting digoxin, and maximum contraction, minimum contraction, filling time, and heart rate before adding digoxin, and the outputs were the maximum contraction, minimum contraction, filling time, and heart rate that would be obtained after adding digoxin to the heart. ANNs were trained, validated, and tested with the results obtained from the in vivo experiments. To choose the optimal network, the smallest square mean error value was used. Perceptrons obtained a high performance and correlation between predicted and calculated values, except in the case of the filling time output. Accurate predictions of the T. stultorum clams cardioactivity were obtained when a specific concentration of digoxin was added using ANNs with one hidden layer; this could be useful as a tool to facilitate laboratory experiments to test digoxin effects.

Algoritmo para predecir tensiones con técnicas de inteligencia artificial en una tibia humana / Algorithm for prediction of strains in human tibia by means of artificial intelligence techniques

INTRODUCCIÓN: el desarrollo de la informática y sus herramientas influyen de forma significativa en los avances científicos tecnológicos, en la esfera de la salud. La simulación de problemas reales mediante redes neuronales, relaciona intrínseco, la medicina y la informática, por utilizar estas redes modelos basados en el funcionamiento de neuronas humanas. Si a esta potente herramienta unimos un método numérico de cálculo, que permita servir de fuente de datos a la red neuronal, se podrán modelar tejidos y partes del cuerpo humano. Una de las ramas de mayor implementación, podría ser la ortopedia, debido en lo fundamental, a la similitud que tiene el cuerpo humano y su estructura ósea, con las propiedades de los materiales de ingeniería, la cual es un área clave en la aplicación del Método de los Elementos Finitos. OBJETIVO: crear un algoritmo que permita dar solución al problema de remodelación ósea de una tibia humana bajo diferentes valores de cargas mecánicas. MÉTODOS: se empleó el Método de los Elementos Finitos. Se usó el software profesional ABAQUS/CAE para el cálculo de tensiones y deformaciones y una red neuronal para el procesamiento de los valores obtenidos. La red neuronal fue establecida; se aplicó el software MATLAB R2013a. RESULTADOS: se logró un modelo de red neuronal que posibilita predecir las cargas que una determinada zona de la tibia puede soportar. CONCLUSIONES: mediante el uso de las técnicas de inteligencia artificial y con el empleo del método de los elementos finitos, fue posible obtener un modelo que pronosticò las magnitudes de tensiones, que una región de la tibia humana podría soportar, en dependencia de los valores de densidades óseas presente en dicha región.

INTRODUCTION: the development of information sciences and their influence in a significant way the scientific and technological advances in the field of health care. The simulation of real-life problems through neuronal networks intrinsically relates medicine and informatics since these networks use models based on human neuron functioning. If we add to this potent tool a numerical calculation method that allows the neuronal network to serve as a data source, then tissues and parts of the body could be modeled. One of the branches with more implementation in this regard could be orthopedics due to the similarities of the human body and its osseous structures with the properties of the engineering materials and this is a key area in the application of finite element method. OBJECTIVE: to create an algorithm that may solve the problems of osseous remodeling of a human tibia under different mechanical load values. METHODS: the Finite Element Method was used together with the professional software ABAQUS/CAE for estimation of strains and deformations and a neuronal network to process the obtained values. The neuronal network was set and then the software MATLAB R2013a was applied. RESULTS: a neuronal network model that makes it possible to predict the loads that certain area of the tibia may stand. CONCLUSIONS: through the artificial intelligence techniques and the use of the finite element the strain magnitude that may be supported by a human tibia area depending on the osseous density values present in this area.method, it was possible to obtain a model that predicts the strain magnitude that may be supported by a human tibia area depending on the osseous density values present in this area.

Methodology to Weight Evaluation Areas from Autism Spectrum Disorder ADOS-G Test with Artificial Neural Networks and Taguchi Method / Metodología para ponderar áreas de evaluación de la herramienta ADOS-G en trastorno del espectro autista con redes neuronales artificiales y método de Taguchi

Autism diagnosis requires validated diagnostic tools employed by mental health professionals with expertise in autism spectrum disorders. This conventionally requires lengthy information processing and technical understanding of each of the areas evaluated in the tools. Classifying the impact of these areas and proposing a system that can aid experts in the diagnosis is a complex task. This paper presents the methodology used to find the most significant items from the ADOS-G tool to detect Autism Spectrum Disorders through Feed-forward Artificial Neural Networks with back-propagation training. The number of cases for the network training data was determined by using the Taguchi method with Orthogonal Arrays reducing the sample size from 531,441 to only 27. The trained network provides an accuracy of 100% with 11 different cases used only for validation, which provides a specificity and sensitivity of 1. The network was used to classify the 12 items from the ADOS-G tool algorithm into three levels of impact for Autism diagnosis: High, Medium and Low. It was found that the items "Showing", "Shared enjoyment in Interaction" and "Frequency of vocalization directed to others", are the areas of highest impact for Autism diagnosis. The methodology here presented can be replicated to different Autism diagnosis tests to classify their impact areas as well.

El diagnóstico del autismo requiere del uso de herramientas de diagnóstico validadas internacionalmente que son utilizadas por los profesionales de la salud expertos en trastornos del espectro autista, lo cual requiere de procesamiento de mucha información y un entendimiento técnico de cada una de las áreas evaluadas en ellas. La clasificación del impacto que tienen cada una de estas áreas, así como la propuesta de un sistema que pueda ayudar a los expertos en el diagnóstico, es una tarea compleja, por lo que en este artículo se presenta una metodología utilizada para encontrar los elementos más significativos de la herramienta de diagnóstico de autismo ADOS-G a través de redes neuronales artificiales entrenadas con retropropagación del error. El número de casos para entrenamiento de la red se seleccionó utilizando el método de Taguchi con arreglos ortogonales, reduciendo el tamaño de la muestra de 531,441 a solo 27 casos. La red entrenada tiene una exactitud del 100% validada con 11 casos diferentes de niños evaluados para diagnóstico de trastorno del espectro autista con lo que se obtuvo una especificidad y sensibilidad de 1. La red neuronal artificial se utilizó para clasificar los 12 elementos del algoritmo de la herramienta ADOS-G en tres niveles de impacto: Alto, Medio y Bajo. Se encontró que los elementos "Mostrar", "Placer compartido durante la interacción" y "Frecuencia de vocalizaciones dirigidas a otros" son las áreas de mayor impacto para el diagnóstico de autismo. La metodología presentada puede ser replicada para diferentes herramientas de diagnóstico de autismo para clasificar sus áreas de mayor impacto también.

Modelación del crecimiento de pollitas Lohmann LSL con redes neuronales y modelos de regresión no lineal / Modeling of growth in Lohmann LSL pullets with neural networks and nonlinear regression models

Objetivo. Modelar la curva del crecimiento de aves de la línea Lohmann LSL utilizando modelos no lineales (MNL), no lineales mixtos (MNLM) y redes neuronales artificiales (RNA). Materiales y métodos. Periódicamente se pesaron 33 aves en promedio, desde el día 21 al 196 de vida para un total de 558 registros individuales de peso. En el ajuste de la curva de crecimiento se utilizaron los modelos: no lineal de Von Bertalanffy (MNL), no lineal Mixto de Von Bertalanffy (MNLM) y redes neuronales artificiales (RNA). Los modelos se compararon con coeficiente de correlación y medidas de precisión cuadrado medio del error (CME), desviación media absoluta (MAD) y porcentaje de la media absoluta del error (MAPE). Resultados. Los valores de correlación entre los datos reales y estimados, fueron 0.999, 0.990 y 0.986 para MNLM, RNA y MNL respectivamente. El modelo más preciso con base en los criterios MAPE, MAD y CME fue el MNLM, seguido por la RNA. La gráfica de predicción generada la RNA es similar a la del MNLM. La RNA presentó un desempeño superior al MLN. Conclusiones. El mejor modelo para la predicción de curvas de crecimiento de aves comerciales de la línea Lohmman LSL hasta los 196 días de edad, con múltiples mediciones por animal en el tiempo, fue el MNLM. La RNA presentó un desempeño superior al MNL.

Objective. Modeling the pullet growth curve of the Lohmann LSL line, by using nonlinear model (MNL), nonlinear mixed model (MNLM) and artificial neural networks (ANN). Materials and methods. An average of 33 birds, were weighed from day 21 to 196 of life for 558 individual weight records. To adjust the growth curve the following models were used: nonlinear Von Bertalanffy (MNL), nonlinear mixed Von Bertalanffy (MNLM) and artificial neural networks (RNA). The models were compared with a correlation coefficient and precision measurements: mean square error (MSE), Mean Absolute Deviation (MAD) and the mean absolute percentage error (MAPE). Results. Correlation values, between actual and estimated data, were 0.999, 0.990 and 0.986 for MNLM, RNA and MNL respectively. The most accurate model based on the MAPE, MAD and CME criteria was MNLM followed by RNA. The prediction graph for RNA was similar to MNLM. The RNA performance was higher than MLN. Conclusions. The best model for the prediction of growth curves of commercial Lohmman LSL birds to 196 days of age, was the MNLM, with multiple measurements per animal at the time. RNA performance was higher MLN.

Estimación de velocidad del movimiento de mano usando redes neuronales artificiales y mediciones electromiográfíca / Hand movements speed estimation by means of artificial neural networks and electromiographical measurements

En este artículo se presenta el desarrollo de un algoritmo para la estimación de la velocidad de los movimientos básicos de la mano usando redes neuronales artificiales a partir del sensado de la actividad electromiográfica del antebrazo. Parala implementación de dicho algoritmo fue necesario adaptar un modelo funcional de laboratorio para la medición de la velocidad, usando procesado digital de imágenes, presentando un error bajo en la medición de velocidad. Asimismo, para la estimación de velocidad a partir del análisis de la sEMG (señal electromiográfica superficial) se escogió una red NARX (nonlinear autoregressive network with exogenous inputs) como resultado de la comparación de diversas topologías de redes neuronales dinámicas. Losresultados mostrados evidencian una aproximación adecuada en la estimación de velocidad, que sirve como punto de comparación al usarse metodologías diferentes para obtener los perfiles de velocidad.

In this paper an algorithm for estimating the speed of the basic hand movements using artificial neural networksbased on recorded electromyographic activity at the forearm is presented. To implement this algorithm it was necessary to adapt amodel for measuring the speed, using digital image processing, which presented a low error rate measurement. Likewise, for speedestimation, a NARX network (network nonlinear autoregressive with exogenous inputs) was chosen after comparing differentdynamic neural network topologies. The results shown demonstrated a suitable approach to the estimation of speed, which servesas a comparison to the different methodologies used to obtain the velocity profiles.