Modelo Con RNA Para Diagnosticar Hipertensin Arterial

Juan Gilberto Mateos Surez, Arturo Huerta Martnez, Emilio Gonzlez Rodrguez., Rodrigo Rodrguez Godnez
Roberto Xavier Muoz uirarte, M
a
. Guadalu!e Minero Ramales, Ri"ardo #$!ez Gallardo.
EMAIL: jmateos@proton.ucting.udg.mx
Universidad de Guadalajara, Centro Universitario de Ciencias Exactas e Ingenieras
!ivisi"n de Electr"nica # Computaci"n, !epartamento de Electr"nica
$lvd. Marcelino Garca $arrag%n &o. '()' # Cal*ada +lmpica
,-le.ono/0A12 3445)6738'996 9:';7<(=' Guadalajara >al. M-xico C.?. ((()8
RESUMEN
El tra@ajo consiste en desarrollar un sistema Aue
tiene aplicaciones en el %m@ito Bospitalario, para
interpretar la detecci"n @iol"gica de personas
Bipertensas, clasi.ica # reconoce la Bipertensi"n
arterial a trav-s de t-cnicas con redes neuronales
arti.iciales 3C&A6. Con a#uda de un experto # con
el Bistorial m-dico de personas con pro@lemas
Bipertensi"n arterial 3D,A6, se genera un arreglo
de minimi*aci"n matricial. E'F Ge Bace re.erencia a
antecedentes Aue datan de la d-cada de los (8.
Ge aplica una red neuronal arti.icial realimentada
con m-todos de aprendi*aje Aue modelan una
memoria autoasociativa @idireccional 3$AM6.
Mediante la implantaci"n en MatBcad se reali*a la
simulaci"n # modeli*aci"n del arreglo en C&A Aue
apo#a a los diagn"sticos en los Aue se involucran
dicBo tipo de seHales @iol"gicas.
?ala@ras Claves: redes neuronales, arti.iciales,
asociador lineal, $AM.
I.- Introduccin.
El cora*"n @om@ea sangre a trav-s de las arteras
a todo el cuerpo, la tensi"n Aue se genera en el
interior arterial se denomina presi"n arterial. La
Bipertensi"n arterial " presi"n alta es la elevaci"n
de esta presi"n arri@a de un lmite Aue se
considera normal 3'(8/;8 mmDg6. Es la principal
en.ermedad cr"nico degenerativa # la m%s comIn
causa de muertes, a.ecta aproximadamente al
)8J E)F de la po@laci"n mundial. La elevaci"n
anormal de la presi"n constitu#e un importante
.actor de riesgo coronario, se relaciona con el
(8J de en.ermedades cardiovasculares. Causa
lesiones en el cere@ro, en el cora*"n, en riHones,
ojos # en toda la economa de un pas.
Al medirse se anotan dos nImeros, el ma#or es la
presi"n sist"lica, corresponde a la presi"n del
cora*"n al contraerse para @om@ear la sangre # el
nImero menor es la presi"n diast"lica, Aue es la
presi"n de la sangre en las arterias en la .ase de
relajamiento del cora*"n. El pro@lema de la D,A
es potencial al presentar adem%s uno " m%s de
los signos Aue se llaman K.actores de riesgoK,
como son: Berencia .amiliar, o@esidad, consumo
excesivo de sal # alcoBol, .umadores, tensi"n
emocional 3estr-s6, dia@etes, vida sedentaria,
edad avan*ada, altas tasas de colesterol directo,
#/o @ajo consumo de potasio # magnesio. ?ara un
correcto diagn"stico de Bipertensi"n, el m-dico
adem%s de la Distoria clnica mide varias veces la
presi"n arterial, en di.erentes condiciones de
es.uer*o # en di.erentes Boras del da. En
personas Bipertensas, la variaci"n es ma#or #
permanece alta la ma#or parte del da, incluso en
los periodos de descanso. El conocimiento actual
de -ste pro@lema de salud pI@lica a nivel
mundial, o@liga a @uscar estrategias de detecci"n,
control # tratamiento. E)F
El presente tra@ajo: Modelo Con RNA Para
Diagnosticar Hipertensin Arterial, utili*a
t-cnicas de redes neuronales arti.iciales, su
.inalidad es detectar pacientes Aue su.ren D,A.
II.- Las Redes Neuronales Artiiciales !RNA"
Arti.icial &eural &etLorMs 3A&&6, son un
paradigma del procesamiento de datos en
inteligencia arti.icial, -ste tema se inspira en el
.uncionamiento del cere@ro, consiste en simular
con modelos matem%ticos en computadoras, las
propiedades Aue se o@servan en los sistemas
neuronales @iol"gicos, se modelan para o@tener
e.ectos de aprendi*aje similares a los Aue reali*an
los cere@ros @iol"gicos.
#.$ Historia de la Inteligencia Artiicial.
En ';9=, el matem%tico ingl-s Alan Mat%ison
&uring 3';')7';596 pu@lica un artculo so@re los
N&Imeros Calcula@lesO, se considera a -ste BecBo
el origen o.icial de la in.orm%tica te"rica E<F. En el
artculo se introduce el concepto de la M'uina
de &uring, E9F una entidad matem%tica a@stracta
Aue .ormali*a el algoritmo # Aue resulta ser la
precursora de las computadoras digitales. El
t-rmino Inteligencia Arti.icial se inventa en ';5:.
En ';<8 la Bistoria se repite con el desa.o
japon-s de la Auinta generaci"n, Aue da lugar al
auge de los Nsistemas expertosO, pero Aue no
alcan*a sus o@jetivos, por lo Aue este campo
su.re una nueva detenci"n en los aHos noventa.
La prue%a de Turing dice& (E)iste *nteligen"ia
Arti+i"ial en un sistema, si no se distingue entre un
ser %umano , un !rograma de "om!utadora, en
una "onversa"i$n a "iegas-.
La pri'era Red Neuronal. En ';5' E(F, el
estudiante de Harvard Marvin Mins., reali*a
experimentos so@re "ptica en el la@oratorio de
.sica # junto con otros desarrolla la primera
m%Auina de redes neuronales.

La neurona natural. El cuerpo celular de una
neurona suma los signos entrantes de las
dendritas como los signos de numerosas sinapsis
en su super.icie. Una neurona particular enva
impulsos a su ax"n si reci@e la cantidad de
neurotransmisores su.icientes de entrada para
estimular la neurona a su nivel de um@ral.
Figura 1 Estructura de una Neurona [7]
#.# Modelo general de neurona artiicial.
Enseguida se descri@e la estructura gen-rica de
neurona arti.icial, los elementos Aue constitu#en la
neurona de etiAueta KiK son los siguientes, v-ase
la .igura ):
Con(unto de entradas)
) (t x
j
:
Los pesos sin%pticos de la neurona i, /ijP Aue
representan la intensidad de interacci"n entre
cada neurona presin%ptica K01 # la neurona
postsin%ptica Ki1.
La regla de propagacin
)) ( , ( t x w
j ij

:
?roporciona el valor del potencial postsin%ptico
)) ( , ( ) ( t x w t h
j ij

, de la neurona KiK en
.unci"n de sus pesos # entradas.
*uncin de acti+acin +i2ai2t345, %i2t556
?roporciona el estado de activaci"n actual
ai3t6 Q .i 3 ai 3t7'6, %i 2t5 5 de la neurona Ki1, en
.unci"n de su estado anterior ai3t7'6 # de su
potencial postsin%ptico actual.
*uncin de salida 7i 2ai2t556
?roporciona la salida actual #i3t6 Q 7i 2ai2t55 de la
neurona Ki1 en .unci"n de su estado de activaci"n.
La operaci"n de la neurona Ki1 se expresa como
sigue E5F2
[ ]) )) ( , ( ), 1 ( ( ) ( t x w t a f F t y
j ij i i i i i


3).'6
Este modelo de neurona .ormal se inspira en la
operaci"n de la neurona @iol"gica, en el sentido
de integrar una serie de entradas # proporcionar
cierta respuesta, Aue se propaga por el ax"n. Las
varia@les de entrada # salida son @inarias
3digitales6 " continuas 3anal"gicas6, dependiendo
del modelo # su aplicaci"n.
7igura 8 Modelo de una neurona arti+i"ial

III.- El asociador lineal.
Gup"ngase Aue se tienen # pares de vectores
R3x', #'6, 3x), #)6, ... 31L, SL6T en donde
n
i
R x e
n
i
R y . Estos vectores se denominan datos
ejemplares porAue utili*an asociaciones correctas.
Ge constru#e matem%ticamente una memoria, si
se aplica la restricci"n adicional consistente en
Aue los vectores xi sean un conjunto ortonormal.
Ge de.ine un conjunto ortonormal mediante la
relaci"n j i j i
y x


en donde:
1
j i

si i Q j
39.'6
0
j i

si i j. 39.)6
?ara construir una memoria asociativa
interpoladora, se de.ine la .unci"n2
( ) x x y x y x y x
t
L L
t t
+ + + ... ) (
2 2 1 1
29.95
Gi x' es el vector de entrada, entonces 3xi6 Q Si,
puesto Aue el conjunto de vectores x es
ortonormal E:F.
Gi el vector de entrada es distinto de uno de los
ejemplares, tal como x Q xi 4 d, entonces la salida
es:
e y d x x
i i
+ + ) ( ) ( 29.:5
en donde:
( ) d x y x y x y e
t
L L
t t
...
2 2 1 1
+ + + 29.;5
+@s-rvese Aue no existe ninguna condici"n en el
tratamiento del asociador lineal Aue reAuiera Aue
los vectores de entrada o de salida sean
miem@ros del espacio de Damming2 el Inico
reAuisito es Aue sean ortonormales. Adem%s,
o@s-rvese Aue tampoco existe ningIn
entrenamiento previo implcito en la de.inici"n del
asociador lineal. La .unci"n Aue asocia NxO con N#O
se de.ine mediante la expresi"n matem%tica de la
ecuaci"n 9.9. El modelo de una $AM utili*a la
aproximaci"n de procesamiento distri@uido.
I,.- Me'oria Asociati+a -idireccional !-AM"
La $AM consta de dos capas de elementos Aue
est%n completamente interconectados entre
capas. El caso general se ilustra en la .igura
siguiente.
7igura 9 #a Memoria <AM
La $AM posee NnO unidades en la capa de entrada
NxO, # NmO unidades en la capa de salida N#O.
,odas las conexiones entre unidades son
@idireccionales, con pesos en am@os extremos.
La in.ormaci"n va # viene de una capa a la otra, a
trav-s de estas conexiones.
..$ Ar/uitectura de la -AM.
En la arAuitectura de la $AM existen pesos Aue se
asocian a las conexiones entre elementos de un
proceso. Estos pesos se determinan por
anticipado, as es, posi@le identi.icar a todos los
vectores de entrenamiento. Ge toma el
procesamiento del modelo del asociador lineal
para construir la matri* de pesos. !ados L pares
de vectores Aue constitu#en al conjunto de
ejemplares Aue deseamos almacenar, se
constru#e la matri*:
t
L L
t t
x y x y x y w + + + ...
2 2 1 1
3(.'6
Esta ecuaci"n genera los pesos de las
conexiones procedentes de la capa x, con destino
en la capa #. ?ara construir los pesos de las
unidades de la capa x, s"lo Ba# Aue tomar la
transpuesta de la matri* de pesos, L
t
. Ge
trans.orma la $AM en una memoria
autoasociativa constru#endo la matri* de pesos
en la .orma siguiente:
t
L L
t t
x x x x x x w + + + ...
2 2 1 1
3(.)6
En este caso la matri* de pesos es cuadrada #
sim-trica.
..# Procesa'iento en la -AM.
Una ve* Aue se constru#e la matri* de pesos, la
$AM se emplea para recordar in.ormaci"n, 3por
ejemplo un numero de tel-.ono6, al presentarse
una cierta in.ormaci"n clave 3el nom@re
correspondiente a un numero de tel-.ono
concreto6. Gi la in.ormaci"n s"lo se conoce
parcialmente por anticipado, o si se tiene ruido 3un
tim@re mal escrito, como pudiera ser UU?erecVV6,
la $AM es capa* de completar la in.ormaci"n
3produciendo la ortogra.a correcta, UU?ere*VV, #
el numero de tel-.ono correspondiente6.
?ara recordar in.ormaci"n mediante la
arAuitectura $AM, se llevan a ca@o los pasos
siguientes:
'6.7 Ge aplica un par de vectores inicial 3x8, #86 a
los elementos de proceso de la $AM.

)6.7 Ge propaga la in.ormaci"n de la capa NxO a la
capa N#O, # se actuali*an los valores de las
unidades de la capa N#O. AunAue siempre se
empie*a por la propagaci"n de NxO a N#O, se puede
empe*ar en la direcci"n contraria.
96.7 Ge vuelve a propagar la in.ormaci"n #a
actuali*ada Bacia la capa NxO, # se actuali*an las
unidades Aue se encuentran all.
(6.7 Ge repiten, ) # 9 Basta Aue #a no existen
cam@ios en las unidades de am@as capas.
Este algoritmo es lo Aue proporciona a la $AM su
naturale*a @idireccional. Los t-rminos entrada #
salida se re.ieren a distintas magnitudes,
dependen de la direcci"n real de la propagaci"n.
Gi todo va @ien, el estado .inal, #a esta@le,
recuerda alguno de los ejemplares previamente
empleado para construir la matri* de pesos. En
este ejemplo se supone Aue se sa@e algo acerca
del vector x deseado, Aui*% no se sepa nada
acerca del vector #, asociado, se espera Aue la
salida .inal sea el ejemplar cu#o vector x' sea el
m%s pr"ximo al vector de entrada original, x8,
segIn la distancia de Damming.
Esta situaci"n .unciona @ien si no se so@recargan
ejemplares a la $AM. Gi se deposita demasiada
in.ormaci"n en una $AM, se produce el .en"meno
=>rosstal.? intererencia cru0ada entre tramas
ejemplares. La inter.erencia cru*ada sucede si las
tramas ejemplares est%n mu# !r$)imas entre s.
La interacci"n entre estas tramas pr"ximas da
lugar a la creaci"n de estados esta@les es!urios.
En ese caso, la $AM se esta@ili*a en vectores sin
sentido E:F.
..1 Mate'2ticas de la -AM
El procesamiento @%sico Aue reali*a cada unidad
de la $AM es similar al Aue se Bace mediante un
elemento general de proceso. Las unidades
calculan sumas de productos de las entradas por
los ( pesos, para determinar un valor de entrada
neto, en la capa #,
wx neto
y

2:.95
En donde neto
#
es el vector de valores de la capa
#: En t-rminos de las unidades individuales #i.

n
j
j j i
y
i
x w neto
1

2:.:5
Las magnitudes n # m son las dimensiones de las
capas x e #, respectivamente. El valor de salida
para cada elemento de proceso depende del valor
neto de la entrada, # del valor actual de salida de
esa capa. El nuevo valor de # en el instante t 4 ',
#3t4'6, esta relacionado con el valor de # en el
instante t, #3t6, mediante:

'

<

> +
+
0 neto 1
0 neto ) (
0 neto 1
) 1 (
y
i
y
i
y
i
t y t y
i i
3(.56
,.- El 'odelo 'ate'2tico H3A de la -AM
El primer paso lo reali*a el m-dico experto en
D,A, a trav-s de inspecci"n en consultorio,
resultados de la@oratorio, interrogatorios,
auscultaciones al paciente, todo con el .in de
ela@orar su Bistorial clnico. Ge inclu#en los
siguientes procedimientos:
1. Interrogatorio& D%@itos alimenticios,
actividad .sico7deportiva, actitud ante el
estr-s, antecedentes .amiliares,
adicciones, sntomas # molestias,
antecedentes patol"gicos.
2. Inspeccin& Masa grasa corporal,
actitud, postura, movimientos voluntarios
e involuntarios, alteraciones de marcBa,
respiraci"n, dia.or-sis, dis.onas,
retenci"n de lAuidos.
3. Auscultacin& ?/A, CC, CC, pulso, peso,
relaci"n cintura7cadera, ruidos
perist%lticos.
Las preguntas del interrogatorio inclu#en las
siguientes:
H2%itos ali'entarios&
WXu- come Ud. en un da tpicoY, WCu%l es su
platillo .avoritoY, WCu%ntas comidas reali*a al
daY, WEn Au- porciones se sirveY, WXu- tipo de
grasa le agradaY, WComo acompaHa su comidaY,
WCome .uera de casaY, WLe apetece la comida
r%pidaY, WCual es la .ruta Aue m%s consumeY,
WGe sienta al comerY
Acti+idad 4sico deporti+a&
WXu- deporte practicaY, WDace ejercicio en .orma
cotidianaY, WCuanto dura en cada sesi"nY,
WCu%ndo .ue la Iltima ve* Aue se ejercit"Y,
W,iene un per.il m-dico de es.uer*osY, W!eja de
ejercitarse por perodos ma#ores a un mesY
Actitud ante el estr5s&
WGe disgusta con .acilidadY, WXue actividades le
resultan pesado reali*arlasY, W,iene presi"n
en su medio la@oralY, W!iscute con parientes
so@re algIn3os6 tema3s6Y, WGu.re de
episodios depresivosY, WGe siente agredido
por alguien o algoY
Antecedentes a'iliares&
WEn su .amilia se Ban detectado pro@lemas de
saludY, W!e Au- tipoY, W!e los #a .inados se
determin" la causa de muerteY, WDa#
parientes directos con algIn padecimientoY
Adicciones&
W0uma Ud.Y, WCuantos cigarrillos o cajetillas por
daY, W,oma @e@idas alcoB"licas en .orma
regularY, WCon Aue .recuencia # Aue cantidadY,
WAlguna otra adicci"n, de Aue tipoY, WCome entre
comidasY, WGiente nauseas seguido despu-s de
comer, sin causa aparenteY
S4nto'as 6 'olestias&
W,iene alguna molestiaY W!e Aue tipoY, W?adece
algIn tipo de dolor, donde # de Aue tipoY, WGe
agita al Bacer ejercicio, Aue tan intensoY, WC"mo
es su periodo de sueHoY, WGe despierta con
.acilidadY
Antecedentes patolgicos&
WDa estado en.ermo antes, de Au-Y, W,iene
medicaci"n actualmenteY, WCu%ndo .ue su Iltima
consultaY, WLe Ban practicado algIn tipo de
cirugaY, W,oma algIn medicamento alternativo
sin prescripci"nY
Ge Bacen otros cuestionarios para la inspecci"n, #
la auscultaci"n. El paso siguiente es pasar los
conocimientos # opiniones de un experto en un
.ormato para almacenarlos en la computadora2 se
utili*a una gr%.ica como sigue:
7igura :. @!ini$n de un e)!erto en H&A.
Esta gr%.ica indica la opini"n de un experto para
un paciente despu-s de anali*ar su Bistoria
clnica, acerca de la D,A, como son: la presi"n
arterial, la alimentaci"n, ejercicio, los .amiliares
Bipertensos.
Las .lecBas con el sm@olo 346 indican una
relaci"n de incremento, por ejemplo, la presi"n
arterial alta incrementa la D,A en el paciente, #
las Aue tienen el sm@olo 376 indican una relaci"n
de decremento, como la presi"n arterial normal
disminu#e la D,A, el paso siguiente consiste en
representar la in.ormaci"n en una matri*:
E(ercicio Presin arterial Estr5s Ali'entacin *a'iliares
7ipertensos
8 8 7' 8 8 E(ercicio
8 8 4' 8 8 Presin arterial
7' 4' 8 7' 4' Estr5s
8 8 7' 8 8 Ali'entacin
8 8 4' 8 8 *a'iliares
7ipertensos
&abla 4.A Matriz de >ono"imientos.
Es posi@le empe*ar a proceder con una matri* de
pesos NLO con todos sus elementos en cero, se
llena poco a poco segIn la ecuaci"n 3(.(6 d%ndole
como entradas los vectores de personas sanas, el
resultado es el mismo Aue o@tiene el experto. Ge
muestra en la ,a@la '.8 la matri* de
conocimientos Aue contiene los datos ejemplares.
Como ejemplo de aplicaci"n, se desea utili*ar el
modelo de la matri* de conocimientos anterior
para determinar, si una persona es Bipertensa2 el
primer paso es crear un vector respondiendo a las
di.erentes preguntas de su Bistorial clnico:
Evaluando al primer paciente se o@tiene el vector:
WCeali*a ejercicio constantementeY
&o 386.
W?adece de presi"n arterial anormal
Gi 3'6.
WGu.re constantemente de estr-sY
&o 386
WGu alimentaci"n es adecuada, inclu#e
verduras # pocas grasasY
Gi 386.
W,iene .amiliares BipertensosY Gi
3'6.
As se o@tiene el vector 38, ', 8, 8, '6, a
continuaci"n se aplica el -ste vector segIn la
ecuaci"n 3(.(6.
0
0
1
0
0
0
0
1
0
0
1
1
0
1
1
0
0
1
0
0
0
0
1
0
0

,
0
1
0
0
1

0
0
2
0
0

,enemos el vector resultante 38, 8, ), 8, 862 a

continuaci"n se aplica la desigualdad (.52 en otras
pala@ras se convierte en un vector cu#os valores
sean Z' " 4'. As se genera la salida:

38, 8, ', 8, 86. El +ector resultante predice /ue
el paciente padece de 7ipertensin.
Evaluando al segundo paciente:
WCeali*a ejercicio constantementeY &o 3'6.
W?adece de presi"n arterial anormal Gi 386.
WGu.re constantemente de estr-sY &o 386
WGu alimentaci"n es adecuada, inclu#e verduras #
pocas grasasY Gi 386.
W,iene .amiliares BipertensosY Gi 3'6
S se o@tiene el vector 3', 8, 8, 8, '6 segIn la
desigualdad (.5.
0
0
1
0
0
0
0
1
0
0
1
1
0
1
1
0
0
1
0
0
0
0
1
0
0

,
1
0
0
0
1

0
0
0
0
0

El +ector resultante predice /ue el paciente no

padece de H3A.
,I.- Aplicaciones
'. Ge usa el programa MatBcad, para
generar la matri* de conocimientos,
partiendo desde una matri* nula, la
entrada es de personas sanas.
). Los experimentos generan la predicci"n
de personas con D,A, los resultados son
invaria@lemente satis.actorios.
9. Ge usa el modelo de una neurona $AM.
(. Ge aplica un asociador lineal como
m-todo de aprendi*aje para la $AM.
5. Ge muestra un cuestionario m-dico de
personas con D,A, gener%ndose del
Bistorial clnico un arreglo de minimi*aci"n
matricial, 3matri* de conocimientos6.
:. Mediante la implantaci"n en MatBcad se
reali*a la simulaci"n de la C&A Aue apo#a
a los diagn"sticos en los Aue se involucra
la predicci"n de D,A.
,II.- Reerencias
E'F >. G. Gil@erto Mateos G., >. Codrigo
Codrgue* G., >. [ladimir Xuiroga C. Elementos
Bro"esadores Ceuronales, &ovena Ceuni"n de
[erano de ?otencia, IEEE Gecci"n M-xico, >ulio
de ';;:.
E)F Bttp://LLL.midia.com.mx
E9F ?I,CA,, >ACXUEG, 1DEl na"imiento de la
inteligen"ia arti+i"ial1. Mundo Cient.ico, v< 3';<<6.
E(F MI&G\S, MAC[I& L.2 ?A?EC, GESM+UC A.
Ber"e!trons. ,Be MI, ?ress, Cam@ridge MAGG,
';<<.
E5F $oni.acio Martn del $ro, Al.redo Gan*
Molina, Redes Ceuronales , Sistemas Ei+usos.
Al.a +mega Ca7Ma )88).
E:F >ames A. 0reeman !avid M. GBapura. Redes
Ceuronales Algoritmos, A!li"a"iones , &F"ni"as
de Brograma"i$n. Addison ]esle# !a* de
Gantos. ';;'.
E=F Gid Gilman, GaraB ]inans &eLman,
1Brin"i!ios de Ceuroanatoma , Ceuro+isiologa
>lni"as de Manter , Gatz1. El Manual Moderno,
M-xico, ';<;.